[发明专利]基于可分离卷积和注意力的三维图像超分辨率重建方法

权利要求书

1.一种基于可分离卷积和注意力的三维图像超分辨率重建网络，包括下列步骤：

第一步，构建数据集并进行数据预处理：

(1)构建数据集：下载公开的HCP(Human Connection Project)数据集，将数据集中每一张三维高分辨率图像切分成小块，对这些小块进行数据增强以增加数据量，然后划分数据集。

(2)数据预处理：把切分后的高分辨率小块经过k空间变换得到对应的低分辨率小块；

第二步，通过深度学习框架TensorFlow搭建基于可分离卷积和注意力的三维图像超分辨率重建网络，基于可分离卷积和注意力的三维图像超分辨率重建网络包括四个部分，浅层特征提取模块、稠密连接模块、注意力模块和重建模块；

(1)将低分辨率小块输入浅层特征提取模块，该模块有两个相同的结构，每个结构均由3*3*1和1*1*3的可分离卷积，relu激活函数组成，得到输出特征图；

(2)将浅层特征提取模块的输出特征图输入稠密连接模块，稠密连接模块由四个稠密块组成，每一个稠密块由四个密集层组成，每一个密集层由relu激活函数和3*3*3卷积层组成，层与层之间是密集连接；

(3)将稠密连接模块的输出特征图输入注意力模块，注意力模块由两个1*1*1卷积层和它们分别对应的relu激活函数、sigmoid激活函数组成，第一个1*1*1卷积层把输入特征图的维度降为原来维度的1/16，第二个1*1*1卷积层把降维后的特征图升维，恢复成输入特征图的维度，稠密连接模块的输出特征图和注意力模块的输出特征图逐元素相乘得到总的输出特征图；

(4)将第三步中总的输出特征图送入重建模块，重建模块由一个3*3*3卷积层组成，重建模块的输出特征图就是超分辨率重建后的小块，即超分辨率小块；

第三步，模型训练：

把第一步获得的低分辨率小块送入第二步所搭建的基于可分离卷积和注意力的三维图像超分辨率重建网络中，通过正向传播得到超分辨率小块，计算高分辨率小块和超分辨率小块的误差，该误差项由输出层向隐藏层逐层的反向传播，更新网络参数直至输入层，使用ADAM优化器不断反馈优化直至误差不再减小；将训练好的网络参数保存为模型；

第四步，输入三维医学低分辨率小块，加载第三步训练好的模型，输出重建的超分辨率小块。