[发明专利]基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法

说明书

本发明公开了一种基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法，包括：S1：数据采集；S2：网络构建；S3：网络初始化；S4：网络训练；S5：超分辨率图像重建。在现有特征提取重建网络的基础上，该方法搭建另一级并联的编码‑解码结构的注意力机制网络，利用普通卷积和空洞卷积，更好地获取超声图像中的高频信息。将这两级网络特征合并，利用卷积提取最后的图像特征，构成超分辨率重建网络。本发明通过两级并联网络，利用注意力机制网络定位高频信息的具体位置，可以有效区分超声图像中组织交界面和组织区域，提升超声图像中组织接触面的边缘重建清晰度，解决重建超声图像的轮廓模糊问题。

技术领域

本发明属于图像超分辨率重建和深度学习的技术领域，具体涉及一种基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法。

背景技术

超声成像是利用超声波束扫描，通过对反射信号的接收、处理，获得扫描图像。其相干本质导致超声扫描结果会产生斑点噪声的退化效应，而且超声波束成形的带宽受限特性会造成图像空间分辨率降低，这些原因导致了超声成像的对比度降低，超声图像中轮廓信息的模糊化。然而，超声成像广泛用于医学的辅助诊断，例如：在肿瘤检测中，超声图像中肿瘤轮廓的模糊容易导致误诊。为提升超声医疗诊断的准确性，就需要获得轮廓比较清晰的超声图像。因此，实际应用中有必要对超声图像进行超分辨率重建，即在平滑噪声的同时凸显超声图像中的轮廓信息，达到辅助医疗诊断的效果。

图像超分辨率重建技术是为了突破成像设备和环境的限制，从低分辨率的观测图像中提取图像的相关信息，重建高分辨率的图像。该技术在医疗图像领域已经有所应用，在斑点去噪方面取得了还不错的成果。

现在图像超分辨率重建的方法主要有三种：基于插值的方法，基于重建的方法，基于学习的方法。其中：

基于插值的方法，这是超分辨率研究当中最直观的方法，这类方法的优点是简单易行，适合并联计算，但是因为不能够引入额外有用的高频信息，在超声图像的超分辨率图像重建中容易产生图像模糊或者是锯齿状的现象，达不到超声图像重建的技术要求。

基于重建模型的方法，是通过建模图像的退化模型来约束高、低分辨率图像变量之间的一致性，进而估计出高分辨率图像。这类方法通过正则项约束来获得稳定的解。但是这类方法中，加入强制性先验信息，会破坏图像的原始结构特征，导致重建图像失真。而且这类算法的计算复杂度高，无法达到超声图像重建中实时处理的要求。

基于学习的方法，是通过对低分辨率和高分辨率图像训练集合进行训练，学习低分辨率图像到高分辨率图像之间的映射关系，来重建高分辨率的超声图像。

到目前为止，人们提出很多基于学习方法都可以适用到超声图像的超分辨率图像重建当中。其中基于机器学习的方法因为能够通过优化算法自适应学习模型的参数，具有强大的图像重建能力，逐渐成为超分辨率重建中的研究热点。早期提出的机器学习是基于字典的学习方法，这类常采用稀疏编码的方式，但是由于受限于字典学习的线性表示能力，导致对超声图像的超分辨率图像重建效果有限。最近几年，得益于深度学习的发展，超分辨率重建方法当中涌现如FSRCNN，DRCN，VDSR，EDSR等有效的网络结构。但是这些重建算法虽然都有效平滑了图像中的噪点，但是缺少定位高频信息的网络模块，导致重建的超声图像中组织的轮廓比较模糊，达不到超声图像重建的预期效果。

综上所述，如何利用低分辨率图像的高频信息来重建超声图像轮廓部分，是利用超声图像辅助医疗诊断中亟待解决的问题。

发明内容

本发明所要解决的技术问题是，如何有效利用低分辨率图像中的高频信息，提升重建高分辨率图像的轮廓清晰度，从而达到辅助医疗诊断的效果。

超声图像当中的高频信息一般指组织交界面以及组织的轮廓信息。在图像特征提取网络当中，高频信息一般存在于网络提取的浅层特征中。浅层特征一般包括亮度、线条等特征。这些浅层特征通常在卷积网络的前几层获取，但是在超声图像超分辨率重建中往往没有被很好地利用。