[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

摘要

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。

主权项

一种基于多尺度融合CNN的磁共振图像超分辨率重建方法，其特征在于，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；步骤31：将所述训练数据集分成多批训练数据，并初始化步骤2构建的所述多尺度信息卷积神经网络中所有卷积层中的卷积核权重和偏置对损失函数倒数为0，即：△W(l)＝0△b(l)＝0其中，W表示卷积核权重，b表示偏置对损失函数，l表示第l层；步骤32：每次输入一批训练数据与所述多尺度融合单元中各个节点参数进行计算，实现神经网络训练的前向传播，最后通过重构层，获得输出高分辨率数据；步骤33：利用欧式距离，将步骤32中获得的输出高分辨率数据与所述标签数据集的误差：E=Σi,j=0I,J||Xij-X‾ij||2]]>其中，I，J表示图像块的尺寸；步骤34：基于所述误差，采用梯度下降法，反向计算卷积核权重和偏置对损失函数的导数和并将其累加到△W(l)和△b(l)，即：ΔW(l)=ΔW(l)+▿W(l)J(W,b;x,y)]]>Δb(l)=Δb(l)+▿b(l)J(W,b;x,y)]]>步骤35：重复步骤32至步骤34，直到所有训练数据处理完毕，完成一次迭代，根据上述△W(l)和△b(l)，采用批量梯度下降算法，得到更新后网络参数，数学表示如下：W(l)=W(l)-α[(1mΔW(l))+λW(l)]]]>b(l)=b(l)-α[1mΔb(l)]]]>其中，m表示训练数据的批数，α为学习率，λ为动能；步骤36：重复步骤32至步骤35，直到达到预设的迭代次数；步骤4：将测试低分辨率结构磁共振图像输入到步骤3训练好的卷积神经网络中，输出重建高分辨率结构磁共振图像；步骤41：将测试低分辨率结构磁共振图像的每一层直接输入步骤3训练好的卷积神经网络模型中的输入层；步骤42：将步骤41接收的测试低分辨率结构磁共振图像输入到学习好的卷积神经网络模型中，从前向后进行运算，最后在重构层输出重建高分辨率结构磁共振图像。