[发明专利]基于多尺度融合CNN的磁共振图像超分辨率重建方法

说明书

本发明涉及一种基于多尺度融合CNN的磁共振图像超分辨率重建方法，首先对低分辨率图像和与其对应的高分辨率图像进行预处理，并构建训练数据集和标签数据集，然后构建融合多尺度信息全卷积神经网络，将训练数据集输入到构建的融合多尺度信息卷积神经网络中进行训练，获得学习后的卷积神经网络模型，将测试低分辨率图像输入到学习后的卷积神经网络中，得到重建高分辨率图像。本发明通过多尺度融合单元，将不同卷积层的特征映射进行融合，克服了传统卷积神经网络的多层卷积层堆叠的平层结构，能够加快网络的收敛速度，更快地重建出低分辨率图像丢失的图像细节，减少重建时间，提高重建效率，避免资源浪费。

技术领域

本发明属于图像处理领域，尤其涉及一种基于多尺度融合CNN的磁共振图像超分辨率重建方法。

背景技术

较高空间分辨率结构磁共振图像具有较少的伪影，直接影响后续图像处理和医疗诊断的精度，如配准，分割等。但是，由于物理设备，采集技术以及经济等方面的限制，现有磁共振图像的空间分辨率受到一定的影响。

在图像处理领域，传统超分辨率重建方法主要采用插值方法，如双线性插值，B样条插值等方法。这些方法假设局部区域具有平滑的性质，根据邻近体素估计新插值的体素值。但插值方法不适用于非均匀区域，容易导致图像模糊。

对于磁共振图像，根据不同的重建阶段，超分辨率重建方法主要分为两种：第一种重建在采集过程中，直接对K空间数据进行重建；第二种重建是在后处理阶段，通常采用传统重建方法应用于结构磁共振图像数据。最常用的方法是非局部均值方法和稀疏编码方法。由于非局部均值方法重建的先验知识仍然来自局部图像块，无法获得理想的重建效果。稀疏编码方法采用机器学习方法，分别从低分辨率图像块和对应的高分辨率图像块中学习低分辨率和高分辨率字典；然后认为低分辨率图像稀疏表示低分辨率字典空间中的线性组合，求解其稀疏系数。并将稀疏系数投影到高分辨率字典空间，从而获得重建后的高分辨率图像。但是基于图像块的稀疏表达无法保证整体图像的最优重构。

传统的卷积神经网络的训练需要大量样本才能保证最终较好的效果。在医学领域，很难获得大量的磁共振图像数据，因此直接采用传统卷积神经网络很难保证网络的收敛和重建精度。

发明内容

针对现有技术之不足，本发明提出一种基于多尺度融合CNN的磁共振图像超分辨率重建方法，所述方法包括：

步骤1：对低分辨率结构磁共振图像和与其对应的高分辨率结构磁共振图像进行预处理操作，并构建训练数据集和标签数据集；

步骤11：输入标准格式的低分辨率结构磁共振图像和高分辨率结构磁共振图像，进行格式转换；

步骤12：将步骤11中转换后的所述低分辨率结构磁共振图像和所述高分辨率结构磁共振图像移除头骨部分，只保留脑区部分；

步骤13：对步骤12中移除头骨后的所述低分辨率结构磁共振图像和所述高分辨率结构磁共振图像进行归一化处理，将其归一化到[0-1]区间；

步骤14：对步骤13中归一化处理后的分辨率结构磁共振图像和所述高分辨率结构磁共振图像采用滑动窗口方式在每层上依次分别提取多个二维图像块，其中由低分辨率图像块构成训练数据集，高分辨率图像块构成标签数据集；

步骤2：构建融合多尺度信息卷积神经网络，所述卷积神经网络包括一个输入层、至少三个堆叠的多尺度融合单元和一个重构层；

步骤21：所述输入层用于接收所述训练数据集；

步骤22：构建至少三个多尺度融合单元；

步骤23：构建重构层，所述重构层为一个卷积核构成的卷积层；

步骤3：将所述训练数据集输入到步骤2构建的卷积神经网络中进行训练，获得学习后的卷积神经网络模型；