[發明專利]一種深度神經網絡的CT圖像超分辨重建方法

有效

• 申請號: 201810191685.0
• 申請日: 2018-03-08
• 公開（公告）號: CN108416821B
• 公開（公告）日: 2019-08-02
• 發明（設計）人: 徐軍;劉慧;郭強;張彩明
• 申請（專利權）人: 山東財經大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T3/40
• 代理公司: 濟南舜昊專利代理事務所(特殊普通合伙) 37249
• 代理人: 李舜江

1.一種深度神經網絡的CT圖像超分辨重建方法，其特征在于，方法包括：

對CT圖像集合中的每一幅CT圖像X,采用雙三次插值算法按照預設參數scale執行一次下采樣，得到了一幅大小是原圖像1/scale²的模糊圖像，所述模糊圖像設為Y；CT圖像X作為Y的標簽，CT圖像X與模糊圖像Y一一對應；

將CT圖像集合中每一幅CT圖像X和模糊圖像Y，按照預設步長，劃分為n×n和m×m大小的圖像塊；圖像的放大倍數為與所述預設參數scale相等，且與反卷積層的步長相等；

將CT圖像X的圖像塊隨機打亂順序，將模糊圖像Y的圖像塊隨機打亂順序，CT圖像X與模糊圖像Y對應關系不變；

通過公式(1)中F_{conv_1}(Y)對CT圖像Y進行反卷積操作得到反卷積層；

F_{conv_1}(Y)代表反卷積操作得到的反卷積層特征圖，其中，F_{conv_1}(Y)通過對輸入層中的一系列圖像塊進行反卷積計算得到的，U表示上采樣操作,W₁是一個f₁×f₁×n₁大小的反卷積核,n₁表示反卷積層特征圖的數量，偏置向量B₁是一個n₁維的向量；s和p是上采樣過程中的步長和邊界填充值；

F_{conv_1}(Y)＝U_s,p(Y,W₁)+B₁ (1)

反卷積層的激活函數選用PReLU,公式如(2)所示：

f(x)＝max(x,0)+αmin(0,x) (2)

式中α為負數部分的系數，PReLU是帶參數的ReLU；

反卷積層的輸出為：

F₁(Y)＝max(0,F_{conv_1}(Y))+α₁min(0,F_{conv_1}(Y)) (3)

對反卷積層特征圖進行多層卷積操作，使反卷積層形成至輸出層特征圖；

卷積的函數操作F_{conv_i}如下：

F_{conv_i}(Y)＝W_i*F_i-1(Y)+B_i (4)

i表示層的索引,W_i表示i-1層到i層卷積操作的卷積核,也就是濾波器模板的值,B_i表示偏置量,*表示卷積操作；W_i是一個n_i-1×f_i×f_i×n_i維數據,一次卷積操作中n_i-1為通道數；n_i則為濾波器個數；B_i偏置量則是一個n_i維的特征向量；所有卷積層的激活函數都是PReLU；所以每一層的輸出為：

F_i(Y)＝max(0,F_{conv_i}(Y))+α_imin(0,F_{conv_i}(Y)) (5)

輸出層的特征圖像,是由前一層的一系列特征圖重建成一幅高分辨率圖，在重建過程中,重疊部分采用平均值，重建圖像期望與原始圖像X相似；

優化參數W_i、B_i和α，優化參數時采用均方差誤差(Mean Squared Error,MSE)作為損失函數，

公式(6)中,θ＝{W_i,B_i,α_i},n表示樣本的數目,Xi表示高分辨率圖像,Y_i表示輸入的圖像；

采用梯度下降法最小化公式(6)，沿著梯度下降的最快方向找到最小值，以此來調整預設參數W_i、B_i和α的值,得到網絡模型最優的超參數。

2.根據權利要求1所述的深度神經網絡的CT圖像超分辨重建方法，其特征在于，

最小化公式(6)使公式(7)增大；

PSNR即峰值信噪比,PSNR值越大,表示與原高分辨率圖像的分辨率越接近。