[發明專利]基于稠密混合注意力網絡的醫學圖像超分辨率重建方法

有效

• 申請號: 201910361678.5
• 申請日: 2019-04-30
• 公開（公告）號: CN110322402B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 劉可文;馬圓;熊紅霞;劉朝陽;房攀攀;李小軍;陳亞雷
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T7/00
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 王守仁

本發明公開了一種基于稠密混合注意力網絡的醫學圖像超分辨率重建方法。本發明在稠密神經網絡的基礎引入了混合注意力機制，使神經網絡更加關注含有豐富高頻信息的通道和區域，加速網絡收斂、進一步提升超分辨率的精度。主要包括以下步驟：設計并搭建基于稠密神經網絡與混合注意力機制的網絡；預處理數據集，數據增強，構建訓練樣本；使用L2損失訓練網絡模型直至網絡模型達到收斂；在超分辨率重建階段，輸入低分辨率的醫學圖像，利用訓練好的網絡模型超分辨重建出最終的高分辨率圖像。本發明所述的方法相比主流的超分辨率方法精度更高，是一種有效的醫學圖像超分辨率重建方法。

技術領域

本發明涉及醫學圖像超分辨率重建技術，具體涉及一種基于稠密混合注意力網絡的醫學圖像超分辨率重建方法，屬于數字圖像處理領域。

背景技術

醫學圖像廣泛應用于臨床診斷與治療，但是在獲取醫學圖像的過程中，由于硬件限制、環境影響，缺失高頻信息導致醫學圖像分辨率低、模糊。從硬件角度改善上述問題受制造工藝和成本的限制，從軟件角度改進，使用圖像超分辨率方法對低分辨率的醫學圖像進行超分辨率重建可以高效的得到相應的高分辨率圖像。

當前圖像超分辨率方法主要有三類，分別是基于插值、基于建模和基于學習的方法，基于學習的方法可以分為基于稀疏表示的方法和基于卷積神經網絡的方法。基于插值的方法具有計算效率高的特點，但很容易丟失高頻紋理細節信息。基于建模的方法利用先驗信息約束解空間，效果相比基于插值的方法有一定的提升，但當輸入圖像尺寸較小時，能有效利用的先驗信息較少，超分辨率效果比較差。基于學習的方法通過學習低、高分辨率圖像之間內在關系，實現超分辨率。近年來，基于卷積神經網絡的超分辨率方法取得了較高的精度。然而，卷積神經網絡的卷積核平等地對待特征圖的每一通道和區域，降低了網絡含有豐富高頻信息的通道和區域的特征表達能力。除此之外，常規卷積神經網絡在前向傳播時會丟失記憶信息，可以引入稠密神經網絡的思想，添加大量的跳連結構，復用特征，進一步提升網絡性能。綜上所述，基于學習的圖像超分辨率方法的性能仍有提升的空間。

發明內容

本發明所要解決的技術問題是：在獲取醫學圖像的過程中，由于硬件限制、環境影響，缺失高頻信息導致的醫學圖像分辨率低、模糊問題。

本發明解決其技術問題采用以下的技術方案：

本發明提供的醫學圖像超分辨率重建方法，是一種基于稠密混合注意力網絡的醫學圖像超分辨率重建方法，該方法是在稠密神經網絡的基礎引入混合注意力機制，添加的混合注意力機制單元使神經網絡更加關注含有豐富高頻信息的通道和區域，增加網絡的特征表達能力，加速網絡收斂、進一步提升超分辨率的精度。

所述的醫學圖像超分辨率重建方法，包括以下步驟：

步驟一：設計并搭建基于稠密神經網絡與混合注意力機制的網絡；

步驟二：對輸入圖像進行預處理，數據增強，構建訓練樣本；

步驟三：使用L2損失訓練網絡模型直至網絡模型達到收斂；

步驟四：在超分辨率重建階段，輸入低分辨率的醫學圖像，利用訓練好的網絡模型超分辨重建出最終的高分辨率圖像。

所述的混合注意力機制是指網絡具有增強特征表示、同時關注具有豐富高頻信息的通道和區域的能力，該混合注意力機制單元內有2個級聯的卷積層、激活層。

所述的稠密神經網絡包括N(N≥8)個基本單元，每個基本單元內有N(N≥8)個級聯的卷積層、激活層，每個基本單元的最后級聯一個混合注意力機制單元；每個基本單元內與基本單元之間，添加大量稠密的跳連結構，提取更深層次的特征表示。

上述方法中，稠密神經網絡可以分五個階段，分別為特征提取，特征非線性映射，特征降維，反卷積上采樣，卷積得到最終的輸出，其中：特征提取階段使用級聯的卷積和激活層，特征非線性映射階段使用上述方法所述的稠密神經網絡，特征降維階段使用瓶頸層降維，使用反卷積上采樣，卷積得到最終的輸出。