[發明專利]一種基于通道注意力生成對抗網絡的PET超分辨率方法

在審

• 申請號: 202110749087.2
• 申請日: 2021-07-01
• 公開（公告）號: CN113487503A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 周芃;林毅;李學俊;王華彬;韓先君
• 申請（專利權）人: 安徽大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 成都知棋知識產權代理事務所(普通合伙) 51325
• 代理人: 馬超前

1.一種基于通道注意力生成對抗網絡的PET超分辨率方法，其特征在于，包括如下步驟：

步驟一.獲取高分辨率PET數據集，將數據集分為高分辨率訓練數據集和高分辨率測試數據集；

步驟二.將步驟一中高分辨率的訓練數據集和測試數據集中的PET圖像進行雙三次下采樣，得到低分辨率訓練數據集和低分辨率測試數據集；

步驟三.在SRGAN的生成器中，用RCAB取代殘差塊，得到CA-SRGAN；

步驟四.用像素級的MSE損失來改進SRGAN的感知損失，CA-SRGAN的損失函數包括像素級的MSE損失，內容損失和對抗損失三個部分；

步驟五.用步驟一中高分辨率訓練數據集和步驟二中低分辨率訓練數據集對CA-SRGAN進行訓練；

步驟六.用步驟一中高分辨率測試數據集和步驟二中低分辨率測試數據集對所提出的CA-SRGAN進行驗證，并用圖像質量評價指標對網絡進行評價。

2.根據權利要求1所述的基于通道注意力生成對抗網絡的PET超分辨率方法，其特征在于，步驟三中，CA-SRGAN的生成器模塊的結構依次為：一個卷積核大小為9×9，個數為64，步長為1的卷積層，一個PRelu激活層，6個結構相同的RCAB，一個卷積核大小為3×3，個數為64，步長為1的卷積層，一個批歸一化層，一個按元素求和的跳躍連接層，兩個上采樣層和一個卷積核大小為9×9，個數為1，步長為1的卷積層；

CA-SRGAN的判別器模塊的結構依次為：一個卷積核大小為3×3，個數為64，步長為1的卷積層，一個Leaky Relu激活層，7個組合層，一個1024維的全連接層，一個Leaky Relu激活層，一個1維的全連接層，一個Sigmoid激活層；

其中，每個組合層由卷積層，批歸一化層，激活層組成，卷積層的卷積核的大小均為3×3，卷積核的個數依次為64,128，128，256,256,512,512，步長依次為2,1,2,1,2,1,2，激活層均為Leaky Relu層；

上采樣層結構依次為：一個卷積核大小為3×3，個數為256，步長為1的卷積層，一個2倍上采樣的亞像素層，一個PRelu激活層；

所述RCAB結構依次為：一個卷積核大小為3×3，個數為64，步長為1的卷積層，一個Relu激活層，一個卷積核大小為3×3，個數為64，步長為1的卷積層，一個通道注意力層，一個按元素求和跳躍連接層；

所述通道注意力層的結構依次為：一個全局平均池化層，一個卷積核大小為1×1，個數為4，步長為1的卷積層，一個Relu激活層，一個卷積核大小為1×1，個數為64，步長為1的卷積層，一個Sigmoid激活層，一個按元素求積跳躍連接層。

3.根據權利要求1所述的基于通道注意力生成對抗網絡的PET超分辨率方法，步驟四中，用像素級的MSE損失來改進SRGAN的感知損失，CA-SRGAN的損失函數L^SR表示為：

其中，λ，μ為超參數，L^SR表示CA-SRGAN的損失函數，表示像素級的MSE損失，表示為：

其中，r表示放大因子，W，H分別表示圖像的寬和高，I^HR,I^LR分別表示高分辨率圖像和低分辨率圖像，G_θG(I^LR)表示生成的超分辨率圖像，G_θG(I^LR)_x,y分別表示高分辨率圖像和超分辨率圖像像素點的值，表示內容損失，使用在VGG19中預訓練的模型提取圖像特征，得到特征圖并計算損失，為使用VGG19網絡中第i個最大池化層之前的第j個卷積層操作所得到的損失函數，表示為：

其中，W_i,j，H_i,j表示VGG19網絡中各個特征圖的尺寸，φ_i,j表示VGG19網絡中，第i個最大池化層之前的第j個卷積層操作，表示對抗損失，表示為：

其中，D_θD(G_θG(I^LR))表示判別器判別超分辨率圖像G_θG(I^LR)為真實高分辨率圖像的概率。