[发明专利]一种深度神经网络的CT图像超分辨重建方法

说明书

本发明提供一种深度神经网络的CT图像超分辨重建方法，方法建立的卷积神经网络模型的每一层都是卷积操作,没有全连接层；并且可以通过改变网络模型的深度和每一层的宽度来平衡效率与运行速度。将深度卷积神经网络应用在医学CT图像超分辨重建上,引入反卷积层,激活函数采用PReLU,有效地建立了一个低\高分辨率图像之间端到端的映射,在一定程度上提高了CT图像的分辨率；在保证相同训练数据量的前提下，在运行速度和图像恢复质量等方面均体现出了明显的优势。结果显示,本发明的方法用在医学CT图像超分辨重建上具有良好的稳定性和鲁棒性。

技术领域

本发明涉及医疗设备CT图像处理领域，尤其涉及一种深度神经网络的CT图像超分辨重建方法。

背景技术

计算机断层扫描(Computed Tomography,CT)图像是通过X射线等对人体的某一部位进行断面扫描得到的,由于受扫描时间、扫描设备、人体器官对X射线的吸收率等因素的制约,以致某些疾病在CT图像上难以清晰地呈现出来；针对这一问题,可以在两个方面进行改进:一是增加X射线强度；二是对CT图像进行后期处理；前者无疑会对人体造成极大的伤害,所以对CT图像进行超分辨重建具有重要的现实意义；

图像超分辨(Super resolution,SR)重建问题在计算机视觉领域逐渐成为研究热点,尤其是在CT图像的超分辨重建上具有极大的挑战；近年来,近年来,基于学习的SR方法较传统方法取得了更理想的效果,比如最近邻搜索方法,该方法选择了K个最近邻的低分辨率(Low Resolution,LR)图像块,通过与之对应的K个高分辨率(High Resolution,HR)图像块来估计出高分辨率图像.尽管基于最近邻的方法非常成功,但是需要存储大量的数据,且计算量大,效率低.基于这方面的不足,一些通过稀疏表示的基于实例的SR方法被提出来,虽然这些方法能够通过少量的系数描述最多的信息,但是过分依赖于LR和HR块的字典,需要建立庞大的外部图像库。

现有技术中还提出的特征约束的多实例图像超分辨率方法，该方法的实例来自输入图像而不是外部图像库。主要思想是利用自适应KNN搜索算法搜索相似的低/高分辨率图像块,建立回归关系模型,进而将此模型应用到低分辨率高频图像,得到高分辨率高频图像中缺失的高频信息,但在非线性情况下具有较大的误差。

发明内容

为了克服上述现有技术中的不足，本发明提供一种深度神经网络的CT图像超分辨重建方法，方法包括：

对CT图像集合中的每一幅CT图像X,采用双三次插值算法按照预设参数scale执行一次下采样，得到了一幅大小是原图像1/scale²的模糊图像，所述模糊图像设为Y；CT图像X作为Y的标签，CT图像X与模糊图像Y一一对应；

将CT图像集合中每一幅CT图像X和模糊图像Y，按照预设步长，划分为n×n和m×m大小的图像块；图像的放大倍数为与所述预设参数scale相等，且与反卷积层的步长相等；

将CT图像X的图像块随机打乱顺序，将模糊图像Y的图像块随机打乱顺序，CT图像X与模糊图像Y对应关系不变；

通过公式(1)中F_{conv_1}(Y)对CT图像Y进行反卷积操作，得到反卷积层；

F_{conv_1}(Y)代表反卷积操作得到的反卷积层特征图，其中，F_{conv_1}(Y)通过对输入层中的一系列图像块进行反卷积计算得到的，U表示上采样操作,W₁是一个f₁×f₁×n₁大小的反卷积核,n₁表示反卷积层特征图的数量，偏置向量B₁是一个n₁维的向量；s和p是上采样过程中的步长和边界填充值；