[發明專利]基于多尺度融合CNN的磁共振圖像超分辨率重建方法

有效

• 申請號: 201710689598.3
• 申請日: 2017-08-14
• 公開（公告）號: CN107610194B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 劉昶;吳錫;周激流;郎方年;于曦;趙衛東
• 申請（專利權）人: 成都大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/08;G06N3/04
• 代理公司: 成都智涌知識產權代理事務所(普通合伙) 51313
• 代理人: 周正輝

本發明涉及一種基于多尺度融合CNN的磁共振圖像超分辨率重建方法，首先對低分辨率圖像和與其對應的高分辨率圖像進行預處理，并構建訓練數據集和標簽數據集，然后構建融合多尺度信息全卷積神經網絡，將訓練數據集輸入到構建的融合多尺度信息卷積神經網絡中進行訓練，獲得學習后的卷積神經網絡模型，將測試低分辨率圖像輸入到學習后的卷積神經網絡中，得到重建高分辨率圖像。本發明通過多尺度融合單元，將不同卷積層的特征映射進行融合，克服了傳統卷積神經網絡的多層卷積層堆疊的平層結構，能夠加快網絡的收斂速度，更快地重建出低分辨率圖像丟失的圖像細節，減少重建時間，提高重建效率，避免資源浪費。

技術領域

本發明屬于圖像處理領域，尤其涉及一種基于多尺度融合CNN的磁共振圖像超分辨率重建方法。

背景技術

較高空間分辨率結構磁共振圖像具有較少的偽影，直接影響后續圖像處理和醫療診斷的精度，如配準，分割等。但是，由于物理設備，采集技術以及經濟等方面的限制，現有磁共振圖像的空間分辨率受到一定的影響。

在圖像處理領域，傳統超分辨率重建方法主要采用插值方法，如雙線性插值，B樣條插值等方法。這些方法假設局部區域具有平滑的性質，根據鄰近體素估計新插值的體素值。但插值方法不適用于非均勻區域，容易導致圖像模糊。

對于磁共振圖像，根據不同的重建階段，超分辨率重建方法主要分為兩種：第一種重建在采集過程中，直接對K空間數據進行重建；第二種重建是在后處理階段，通常采用傳統重建方法應用于結構磁共振圖像數據。最常用的方法是非局部均值方法和稀疏編碼方法。由于非局部均值方法重建的先驗知識仍然來自局部圖像塊，無法獲得理想的重建效果。稀疏編碼方法采用機器學習方法，分別從低分辨率圖像塊和對應的高分辨率圖像塊中學習低分辨率和高分辨率字典；然后認為低分辨率圖像稀疏表示低分辨率字典空間中的線性組合，求解其稀疏系數。并將稀疏系數投影到高分辨率字典空間，從而獲得重建后的高分辨率圖像。但是基于圖像塊的稀疏表達無法保證整體圖像的最優重構。

傳統的卷積神經網絡的訓練需要大量樣本才能保證最終較好的效果。在醫學領域，很難獲得大量的磁共振圖像數據，因此直接采用傳統卷積神經網絡很難保證網絡的收斂和重建精度。

發明內容

針對現有技術之不足，本發明提出一種基于多尺度融合CNN的磁共振圖像超分辨率重建方法，所述方法包括：

步驟1：對低分辨率結構磁共振圖像和與其對應的高分辨率結構磁共振圖像進行預處理操作，并構建訓練數據集和標簽數據集；

步驟11：輸入標準格式的低分辨率結構磁共振圖像和高分辨率結構磁共振圖像，進行格式轉換；

步驟12：將步驟11中轉換后的所述低分辨率結構磁共振圖像和所述高分辨率結構磁共振圖像移除頭骨部分，只保留腦區部分；

步驟13：對步驟12中移除頭骨后的所述低分辨率結構磁共振圖像和所述高分辨率結構磁共振圖像進行歸一化處理，將其歸一化到[0-1]區間；

步驟14：對步驟13中歸一化處理后的分辨率結構磁共振圖像和所述高分辨率結構磁共振圖像采用滑動窗口方式在每層上依次分別提取多個二維圖像塊，其中由低分辨率圖像塊構成訓練數據集，高分辨率圖像塊構成標簽數據集；

步驟2：構建融合多尺度信息卷積神經網絡，所述卷積神經網絡包括一個輸入層、至少三個堆疊的多尺度融合單元和一個重構層；

步驟21：所述輸入層用于接收所述訓練數據集；

步驟22：構建至少三個多尺度融合單元；

步驟23：構建重構層，所述重構層為一個卷積核構成的卷積層；

步驟3：將所述訓練數據集輸入到步驟2構建的卷積神經網絡中進行訓練，獲得學習后的卷積神經網絡模型；