[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

本發明提供一種深度神經網絡的CT圖像超分辨重建方法，方法建立的卷積神經網絡模型的每一層都是卷積操作,沒有全連接層；并且可以通過改變網絡模型的深度和每一層的寬度來平衡效率與運行速度。將深度卷積神經網絡應用在醫學CT圖像超分辨重建上,引入反卷積層,激活函數采用PReLU,有效地建立了一個低\高分辨率圖像之間端到端的映射,在一定程度上提高了CT圖像的分辨率；在保證相同訓練數據量的前提下，在運行速度和圖像恢復質量等方面均體現出了明顯的優勢。結果顯示,本發明的方法用在醫學CT圖像超分辨重建上具有良好的穩定性和魯棒性。

技術領域

本發明涉及醫療設備CT圖像處理領域，尤其涉及一種深度神經網絡的CT圖像超分辨重建方法。

背景技術

計算機斷層掃描(Computed Tomography,CT)圖像是通過X射線等對人體的某一部位進行斷面掃描得到的,由于受掃描時間、掃描設備、人體器官對X射線的吸收率等因素的制約,以致某些疾病在CT圖像上難以清晰地呈現出來；針對這一問題,可以在兩個方面進行改進:一是增加X射線強度；二是對CT圖像進行后期處理；前者無疑會對人體造成極大的傷害,所以對CT圖像進行超分辨重建具有重要的現實意義；

圖像超分辨(Super resolution,SR)重建問題在計算機視覺領域逐漸成為研究熱點,尤其是在CT圖像的超分辨重建上具有極大的挑戰；近年來,近年來,基于學習的SR方法較傳統方法取得了更理想的效果,比如最近鄰搜索方法,該方法選擇了K個最近鄰的低分辨率(Low Resolution,LR)圖像塊,通過與之對應的K個高分辨率(High Resolution,HR)圖像塊來估計出高分辨率圖像.盡管基于最近鄰的方法非常成功,但是需要存儲大量的數據,且計算量大,效率低.基于這方面的不足,一些通過稀疏表示的基于實例的SR方法被提出來,雖然這些方法能夠通過少量的系數描述最多的信息,但是過分依賴于LR和HR塊的字典,需要建立龐大的外部圖像庫。

現有技術中還提出的特征約束的多實例圖像超分辨率方法，該方法的實例來自輸入圖像而不是外部圖像庫。主要思想是利用自適應KNN搜索算法搜索相似的低/高分辨率圖像塊,建立回歸關系模型,進而將此模型應用到低分辨率高頻圖像,得到高分辨率高頻圖像中缺失的高頻信息,但在非線性情況下具有較大的誤差。

發明內容

為了克服上述現有技術中的不足，本發明提供一種深度神經網絡的CT圖像超分辨重建方法，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；