[发明专利]一种基于网络级联的医学图像超分辨率重建方法

说明书

一种基于网络级联的医学图像超分辨率重建方法，包括以下步骤：1)对图像进行预处理，使得图像能更好地参与训练，方便之后的网络进行学习；2)构建图像金字塔，提取图像的级联信息；3)利用级联网络对图像进行超分；4)级联网络的设计基础为拉普拉斯金字塔以及BE‑GAN，网络通过生成残差图像并于原图像加和的方式来生成高清的超分图像；利用残差图像可以减少网络学习所需的信息总量，可以减小网络的训练压力，从而使得网络可以在较小的数据集下获得更好的效果；级联则可以使网络各层级之间相对独立，使得网络可以适应各分辨率下的超分任务。

技术领域

本发明涉及一种医学图像超分辨率重建方法。

背景技术

目前医学影像已成为一项重要的临床医学的诊断依据和工具，参与到疾病的诊治过程中。随着现代医学成像技术的不断发展，过去拍摄的图像和现在所拍摄的图像存在显著的清晰度差异。为了更好地对疾病展开相关研究和对患者进行随访就需要减小这一差异，这就需要对图像进行超分处理。常见的主要方法有：双线性插值，双立方插值，凸集投影法(POCS)，最大后验概率估计法(MAP)，领域嵌入法(NE)，稀疏表示法(SC)以及基于神经网络的SRCNN，DCNN，SRGAN，BEGAN等。但传统方法由于其基于插值计算的算法设计，导致其处理的图像普遍清晰度较低，且画面边界模糊、细节丢失等问题也较为严重。而基于传统神经网络模型的方法通常需要大量的训练样本，不适合在医学图像的小样本数据集上进行运用。

存在的技术缺陷为：传统方法处理所得的图像清晰度低，细节容易丢失；基于传统神经网络模型的方法则需要大量的训练样本，不适合医学小数据集。

发明内容

为了克服现有技术的不足，本发明结合图像学中拉普拉斯金字塔模型，提供了一种基于网络级联的医学图像超分辨率重建方法，利用级联思想，提升了神经网络超分在医学图像的小样本数据集上的性能；利用了神经网络，解决了图像超分过程中产生的图像质量下降问题。

本发明解决其技术问题所采用的技术方案是：

一种基于网络级联的医学图像超分辨率重建方法，所述方法包括以下步骤：

1)对图像进行预处理，使得图像能更好地参与训练，方便之后的网络进行学习，过程如下：

(1.1)载入图片，将其大小统一；

(1.2)对图像做归一化处理，将像素值从[0，255]转化到[-1，1]；

(1.3)制作图像数据集，加速之后的训练过程；

2)构建图像金字塔，提取图像的级联信息，过程如下：

(2.1)将原图像A下采样至1/2大小，得到a；

(2.2)将a利用插值法上采样至2倍大小，得到A₁；

(2.3)将A与A₁相减，得到残差图像A～；

(2.4)重复2.1～2.3的过程，最终得到一系列的残差图像以及下采样后的“原始图像”，所述原始图像由训练集经预处理得到；

3)利用级联网络对图像进行超分，过程如下：

(3.1)将待超分的“原始图像”输入网络；

(3.2)利用级联网络对图像进行超分处理；

(3.3)将生成图像和验证图像进对比，得到比对结果；

(3.4)如果模型不能达到预设要求，则重复(3.1)～(3.3)的步骤进行迭代，如果分类模型达到预设要求，结束迭代过程，输出超分模型；

(3.5)利用超分模型对待处理数据进行处理；