[发明专利]一种MR图像超分辨方法

说明书

一种MR图像超分辨方法，包括如下步骤：第一步:建立金字塔双自相似性模块PDSB，该模块同时融合全局点相关性和包含多尺度块相关性的金字塔相关性，使用PDSB在空间域充分地提取MR图像的自相似先验特征；第二步:在通道域建立非降维通道注意力模块NCAB；第三步:将空间域的PDSB与通道域的NCAB组合成为金字塔正交注意力模块POAB，并与多个残差模块RB和像素上采样层相结合，构成用于MR图像超分辨的金字塔正交注意力网络POAN；第四步:利用训练好的适用于不同超分尺度的网络对输入的MR图像进行超分辨,得到输出的高清图像。利用本申请的MR图像超分辨方法可实现高质量的MR图像超分辨效果。

技术领域

本发明涉及计算机视觉和图像处理领域，特别涉及一种MR图像超分辨方法。

背景技术

使用医学影像辅助诊断和治疗已经成为目前医学检测不可缺少的检测项目。核磁共振图像(MR)能够从人体分子内部反映出人体器官失常和早期病变，在颅脑、心脏等部位有较好的成像和诊断效果。与其他类型的医学图像相比，高质量MR图像具有较高的分辨率，可包含详细的结构和组织信息，因此更适合于临床诊断、决策和准确的定量图像分析。然而，由于硬件和物理设备的限制，高分辨率成像的代价是扫描时间长、空间覆盖范围小、空间收敛性慢。此外在成像过程中引入的信号噪声也会导致MR图像有较低的信噪比。低分辨率的MR图像相对更容易获得，但是低质量MR图像由于明暗对比度较差、灰度动态范围小等问题，会出现重要信息不明显，甚至噪声信号淹没有用信号的现象。图像超分辨率可以通过数字图像处理技术从直接给定的低质量图像重建高分辨率图像。在避免成像阶段的硬件和速度限制的同时，有效扩大MR图像的分辨率并减少噪声。因此最近几年在MR图像数据集上的超分辨率任务在医学图像处理中受到了广泛关注。

对于一幅高分辨图像，在低分辨率空间中往往可以找到多张图像与之对应。因此，图像超分辨任务在图像处理领域是典型不适定逆问题，图像中的局部纹理和微小结构通常难以被准确重建。传统的插值方法大都是简单的对图像的灰度进行线性或非线性变换，这在增加分辨率的同时也不可避免地放大噪声。一些基于机器学习的方法利用图像本身的分布先验知识来从原始图像中捕捉特征帮助高分辨率图像的重建。但由于传统方法需要图像自身满足部分恒定假设和固定先验条件，同时模型的表达能力有限，因此很难适用于复杂而精细的医学图像。基于深度学习的卷积神经网络凭借其强大的特征表达和学习能力在多个计算机视觉任务中获得了较高的性能。大量研究证明了深层网络可以有效学习外部数据集的固有特征，对图像底层视觉特征的学习有极大的优势。

但是目前的方法主要存在两个问题。首先，尽管不同的自相似结构执行全局匹配，但多元化的搜索单位会找到不同的对应目标。固定规模的非本地注意力限制了搜索范围。点相似性计算成对像素相关性并捕获整个图像的远距离依赖性。块相似性来在单个尺度上计算以加快匹配速度。但基于特定尺度的搜索忽略了跨尺度的自相关信息。而分离点相似性和块相似性的现有方法将失去MR图像的特征特异性。其次，MR图像中较大的背景区域会干扰显着区域中的自相似特征提取。现有的空间注意机制将高频纹理和低频背景均等地对待，这将带来很多冗余和重复的特征。网络很难更加注意包含复杂纹理的区域。尽管通道注意机制可以自适应地区分显着特征，但是大多数模块都使用通道降维操作来降低模型的复杂性。我们发现中间层通道的突然下降会破坏密集的信道相关性并影响预测精度。

需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的主要目的在于提出一种基于双自相似性的金字塔正交注意力网络的MR图像超分辨方法，以解决上述现有技术存在的超分辨结果质量较低的技术问题。

为实现上述目的，本发明采用以下技术方案：

一种MR图像超分辨方法，其特征在于，包括如下步骤：

第一步:建立金字塔双自相似性模块PDSB，该模块同时融合全局点相关性和包含多尺度块相关性的金字塔相关性，使用PDSB在空间域充分地提取MR图像的自相似先验特征；