[發(fā)明專利]基于二維影像遷移學習的醫(yī)學圖像超分辨率三維重建方法

有效

• 申請?zhí)枺?/td>: 201811549593.1
• 申請日: 2018-12-18
• 公開（公告）號: CN109584164B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設計）人: 侯文廣;徐澤楷;陳子軒;易瑋瑋;鄒應誠;桂秋玲
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T17/00
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 許恒恒;李智

1.一種基于二維影像遷移學習的醫(yī)學圖像超分辨率三維重建方法，其特征在于，包括以下步驟：

(1)采集一系列二維醫(yī)學影像數(shù)據(jù)作為訓練數(shù)據(jù)；

(2)對于所述步驟(1)得到的任意一張二維醫(yī)學圖像，按照隔(s-1)列的方式進行采樣，得到s個子圖像矩陣；其中，第1個子圖像矩陣由該二維醫(yī)學圖像中的第(1+s×0)、(1+s×1)、(1+s×2)…列構成，第2個子圖像矩陣由該二維醫(yī)學圖像中的第(2+s×0)、(2+s×1)、(2+s×2)…列構成，第3個子圖像矩陣由該二維醫(yī)學圖像中的第(3+s×0)、(3+s×1)、(3+s×2)…列構成，由此類推，得到一組共s個子圖像矩陣；對所述步驟(1)得到的一系列二維醫(yī)學影像重復此操作，由此得到多組子圖像矩陣；

其中，s為預先設定的大于等于2的正整數(shù)；

(3)設計三維重建用卷積神經(jīng)網(wǎng)絡，輸入為單個通道，輸出為(s-1)個通道；然后利用所述步驟(2)得到的多組子圖像矩陣對該卷積神經(jīng)網(wǎng)絡進行訓練，訓練完成后即得到訓練后的卷積神經(jīng)網(wǎng)絡；

訓練時，具體是將任意一組共s個子圖像矩陣中的其中一個子圖像矩陣作為輸入，另外(s-1)個子圖像矩陣與(s-1)個輸出通道一一對應，作為這(s-1)個輸出通道的標簽值，由此利用多組子圖像矩陣中的每一組對該卷積神經(jīng)網(wǎng)絡進行訓練；

(4)對待重建的三維醫(yī)學影像進行遷移，將待重建的初始圖像序列中每一幀I＝[I₁,I₂,…]都轉換為列向量重新組合成一張全新的二維圖像；然后將該圖像輸入至所述步驟(3)得到的訓練后的卷積神經(jīng)網(wǎng)絡中，得到(s-1)個輸出通道輸出的(s-1)個矩陣，任意一個輸出矩陣中的第i列數(shù)據(jù)均與輸入矩陣中的第i列數(shù)據(jù)相對應；接著，將每一個輸出矩陣中的每一列轉換成H＝[H₁,H₂,…]，然后按順序插入到所述初始圖像序列中與該列相對應的某一幀圖像后，即可得到三維重建后的超分辨率醫(yī)學圖像。

2.如權利要求1所述基于二維影像遷移學習的醫(yī)學圖像超分辨率三維重建方法，其特征在于，所述步驟(3)中，所述卷積神經(jīng)網(wǎng)絡包括70層細節(jié)結構，其中第1層細節(jié)結構至第68層細節(jié)結構依次相連形成主鏈結構，該主鏈結構的末端設置有并列的(s-1)個通道，任意一個所述通道均含有彼此相連的第69層細節(jié)結構與第70層細節(jié)結構；其中，所述第1層細節(jié)結構為輸入層，第2層細節(jié)結構為卷積層，第3層細節(jié)結構至第66層細節(jié)結構則對應著16個依次相連的殘差塊，任意一個殘差塊均由卷積層、激勵層、卷積層和元素疊加層依次連接而成；第67層細節(jié)結構、第68層細節(jié)結構分別為卷積層和元素疊加層；(s-1)個所述第69層細節(jié)結構均為卷積層，(s-1)個所述第70層細節(jié)結構均為輸出層；

在這70層細節(jié)結構中，除第70層細節(jié)結構外，每一層的輸出均為下一層的輸入。

3.如權利要求2所述基于二維影像遷移學習的醫(yī)學圖像超分辨率三維重建方法，其特征在于，任意一個卷積層均包含64個濾波器，每個濾波器大小均為3×3，padding大小為1。

4.如權利要求1所述基于二維影像遷移學習的醫(yī)學圖像超分辨率三維重建方法，其特征在于，所述步驟(1)中，所述二維醫(yī)學影像數(shù)據(jù)包括CT數(shù)據(jù)、MRI不同時期的數(shù)據(jù)中的至少一種。

5.如權利要求4所述基于二維影像遷移學習的醫(yī)學圖像超分辨率三維重建方法，其特征在于，所述步驟(1)中，所述二維醫(yī)學影像數(shù)據(jù)的分辨率均為1mm×1mm。

6.如權利要求1所述基于二維影像遷移學習的醫(yī)學圖像超分辨率三維重建方法，其特征在于，所述步驟(4)中，所述超分辨率醫(yī)學圖像相當于是所述初始圖像序列放大s倍后得到的。