[發(fā)明專利]MR圖像超分辨率重建方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010796792.3
• 申請(qǐng)日: 2020-08-10
• 公開(kāi)（公告）號(hào): CN111932460B
• 公開(kāi)（公告）日: 2023-09-22
• 發(fā)明（設(shè)計(jì)）人: 彭艷斌;胡小婉;王好謙
• 申請(qǐng)（專利權(quán)）人: 北京大學(xué)深圳醫(yī)院;深圳市未來(lái)媒體技術(shù)研究院
• 主分類號(hào): G06T3/40
• 分類號(hào): G06T3/40;G06T5/00
• 代理公司: 廣州市南鋒專利事務(wù)所有限公司 44228
• 代理人: 鄭學(xué)偉;葉利軍

1.一種MR圖像超分辨率重建方法，其特征在于，包括：

對(duì)低分辨率的待重建MR圖像采用二維多尺度分析進(jìn)行小波變換，得到增強(qiáng)梯度圖；

將所述待重建MR圖像和所述增強(qiáng)梯度圖輸入預(yù)先訓(xùn)練好的密集殘差網(wǎng)絡(luò)分別進(jìn)行特征提取，以得到所述待重建MR圖像的第一特征和所述增強(qiáng)梯度圖的第二特征；其中，所述密集殘差網(wǎng)絡(luò)包括第一路徑和第二路徑，所述待重建MR圖像輸入所述第一路徑進(jìn)行特征提取，所述增強(qiáng)梯度圖輸入所述第二路徑進(jìn)行特征提取；

將所述第二特征插入所述第一路徑與所述第一特征共同進(jìn)行特征映射，以得到全局特征；

將所述全局特征、第一特征及所述第二特征共同進(jìn)行圖像重建，以得到高分辨率MR圖像；

所述對(duì)低分辨率的待重建MR圖像采用二維多尺度分析進(jìn)行小波變換，得到增強(qiáng)梯度圖之前包括：

構(gòu)建特征提取模塊；

根據(jù)所述特征提取模塊，輸入多個(gè)密集殘差學(xué)習(xí)模塊進(jìn)行堆疊，并輸入上采樣模塊，以完成密集殘差網(wǎng)絡(luò)搭建；

根據(jù)所述密集殘差網(wǎng)絡(luò)，將待訓(xùn)練MR圖像輸入所述密集殘差網(wǎng)絡(luò)，以得到所述待訓(xùn)練MR圖像的像素?fù)p失和梯度感知損失；其中，所述待訓(xùn)練MR圖像包括預(yù)測(cè)圖像和真實(shí)圖像，所述像素?fù)p失為所述預(yù)測(cè)圖像與所述真實(shí)圖像在像素間的損失，所述梯度感知損失為所述預(yù)測(cè)圖像的增強(qiáng)梯度圖和真實(shí)圖像的增強(qiáng)梯度圖之間的損失；

根據(jù)所述像素?fù)p失和所述梯度感知損失將所述密集殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行多次迭代訓(xùn)練，以得到訓(xùn)練好的所述密集殘差網(wǎng)絡(luò)；

所述根據(jù)所述像素?fù)p失和所述梯度感知損失將所述密集殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行多次迭代訓(xùn)練采用以下公式進(jìn)行計(jì)算：

其中，I_LR表示低分辨率真實(shí)圖像，I_HR表示高分辨率真實(shí)圖像，F(xiàn)_SR(I_LR)表示超分辨率預(yù)測(cè)圖像，表示預(yù)測(cè)圖像和真實(shí)圖像在像素間的L1損失，表示預(yù)測(cè)圖像的增強(qiáng)梯度圖和真實(shí)圖像的增強(qiáng)梯度圖之間的損失；

所述對(duì)低分辨率的待重建MR圖像采用二維多尺度分析進(jìn)行小波變換，得到增強(qiáng)梯度圖包括：

對(duì)所述待重建MR圖像沿水平方向和垂直方向分別進(jìn)行濾波和采樣，以得到四個(gè)子圖；其中，所述四個(gè)子圖包括粗略逼近子圖、水平方向細(xì)節(jié)子圖、垂直方向細(xì)節(jié)子圖及對(duì)角線方向細(xì)節(jié)子圖；

將所述四個(gè)子圖進(jìn)行加權(quán)融合，以得到所述增強(qiáng)梯度圖；

所述四個(gè)子圖進(jìn)行加權(quán)融合采用以下公式進(jìn)行計(jì)算：

G(x,y)＝λ₁I_LL(x,y)+λ₂I_HL(x,y)+λ₃I_LH(x,y)+λ₄I_HH(x,y)，

其中，I_LL(x,y)表示為所述粗略逼近子圖，I_HL(x,y)表示為所述水平方向細(xì)節(jié)子圖，I_LH(x,y)表示為所述垂直方向細(xì)節(jié)子圖，I_HH(x,y)表示為所述對(duì)角線方向細(xì)節(jié)子圖，G(x,y)表示為所述增強(qiáng)梯度圖；

密集殘差網(wǎng)絡(luò)包括特征提取模塊、多個(gè)密集殘差學(xué)習(xí)模塊及上采樣模塊，第一路徑具有特征提取模塊和多個(gè)密集殘差學(xué)習(xí)模塊，特征提取模塊是由兩個(gè)3×3卷積層和一個(gè)1×1卷積層組成，待重建MR圖像經(jīng)過(guò)卷積層進(jìn)行簡(jiǎn)單的特征提取后將第一特征輸入至多個(gè)密集殘差學(xué)習(xí)模塊中，第二路徑中只有特征提取模塊，增強(qiáng)梯度圖進(jìn)入特征提取模塊中進(jìn)行簡(jiǎn)單的特征提取以得到第二特征。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述密集殘差網(wǎng)絡(luò)包括特征提取模塊、多個(gè)密集殘差學(xué)習(xí)模塊及上采樣模塊；

所述將所述第二特征插入所述第一路徑與所述第一特征共同進(jìn)行特征映射，以得到全局特征包括：

將所述第一特征輸入至所述多個(gè)密集殘差學(xué)習(xí)模塊中，并將所述第二特征輸入第3個(gè)密集殘差學(xué)習(xí)模塊、第6個(gè)密集殘差學(xué)習(xí)模塊及第9個(gè)密集殘差學(xué)習(xí)模塊中；

將每個(gè)所述密集殘差學(xué)習(xí)模塊采用級(jí)聯(lián)融合與全局注意力映射以得到全局特征；

將所述全局特征、第一特征及所述第二特征輸出至所述上采樣模塊。