[發明專利]基于深度學習的超聲圖像超分辨率重建方法

有效

• 申請號: 201810541238.3
• 申請日: 2018-05-30
• 公開（公告）號: CN108765511B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 劉丹平;毛莞丁;胡小波;黨普澤;林萌;陳林烽;胡學斌;譚曉衡
• 申請（專利權）人: 重慶大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T3/40;G06N3/0464;G06N3/048
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于深度學習的超聲圖像超分辨率重建方法，包括以下步驟：采用Krishnan的稀疏正則化盲復原算法對超聲圖像B進行預處理；利用預處理后的超聲圖像F建立數據集訓練FSRCNN的權值；利用新的FSRCNN實現超聲圖像的超分辨率重建。

技術領域

本發明屬于超聲成像領域，涉及超聲圖像超分辨率重建方法，特別適用于需要利用高質量的超聲圖像進行醫學診斷的場合。

背景技術

當前國內外許多研究小組正嘗試通過超分辨率技術來提高超聲圖像的質量。

S VeDula等人研究表明，利用卷積神經網絡(CNN)能夠將以人體的CT圖像模擬超聲射頻數據來重建具有CT質量的超聲圖像，但是該方法可操作性太差。

2014年，Dong等人提出了SRCNN用于一般自然圖像超分辨率重建，但該算法計算復雜度較高。2016年，Dong等人對SRCNN進行改進，提出了出一種沙漏型的卷積神經網絡模型FSRCNN，該方法對圖像重建質量與SRCNN不相上下，但速度更快。但是這兩種方法都不能直接用來完成超聲圖像的超分辨率重建。

Fergus團隊在圖像復原領域成績卓越，特別是2009年Krishnan提出的稀疏正則化盲復原算法，該算法對自然圖像有較好的復原結果，但是該算法僅適用于空間移不變的退化圖像。

超聲圖像是空間移變的退化圖像，本專利通過對超聲圖像分塊，采Krishnan的稀疏正則化盲復原算法快速提高超聲圖像的質量，然后以高質量的超聲圖像建立了數據集庫，利用該數據集重新訓練了FSRCNN的權值，構造了新的FSRCNN，利用新的FSRCNN實現了超聲圖像超分辨率重建。

發明內容

一種基于深度學習的超聲圖像超分辨率重建方法，其特征在于：

S1，超聲圖像的預處理；

S11，設置復原參數；

S12，采集超聲圖像；

S13，超聲圖像分塊；

S14，分塊圖像復原；

S15，對復原后的分塊圖像進行拼接；

S2，構建超聲圖像的FSRCNN；

S21，建立超聲圖像數據集；

S22，訓練FSRCNN；

S23，構建新的FSRCNN；

S3，實現超聲圖像的超分辨率重建；

S31，采集一幅超聲圖像B；

S32，輸入新的FSRCNN；

S33，新的FSRCNN輸出結果。

所述S1中超聲圖像的預處理，具體包括：

S11，設置復原參數：設置正則參數λ、超聲圖像模糊核正則項參數θ、模糊核大小和迭代次數；

S12，采集超聲圖像；從一般醫學超聲診斷儀上采集2000幅超聲圖像B；

S13，超聲圖像分塊；將所述S12中采集的超聲圖像B按縱向分成N塊，得到分塊圖像P_i(i＝1：N)；

S14，分塊圖像復原，具體包括：