[发明专利]基于特征损失的医学图像超分辨率重建方法

说明书

技术领域

本发明涉及一种超分辨率重建，具体涉及基于特征损失的医学图像超分辨率重建方法。

背景技术

近年来，超分辨率重建主要有两类方法：一类是基于重建的方法；另一类是基于学习的方法。基于重建的方法，是通过对低分辨率图像的获取过程进行建模，利用正则化方法构造高分辨率图像的先验约束，由低分辨率图像估计高分辨率图像，重建降质过程中丢失的高频信号，最终将问题转化为约束条件下代价函数最优化的问题；另一类是基于学习的超分辨率重建，这种方法的基本思想是通过学习获得高分辨率图像与地分辨图像之间的映射关系，在这类方法中，学习的过程是关键，利用稀疏表示等理论进行学习，学习结束就可以不依赖人的先验知识指导低分辨率进行重建。

伴随着信息化程度的提高和图形处理器计算能力提升，使得图像数据的获取与处理也变的容易，基于学习的超分辨率重建方法受到了广泛关注。Yang等对低分辨率与高分辨率图像块构成的图像库进行稀疏表示，并通过联合训练的方法找到低分辨率与高分辨率图像块之间相对应的过完备字典，建立之间的联系；Rueda，Wang等人使用基于稀疏表示的方法从低分辨率脑部MR图像产生高分辨率脑部MR图像，黄浩锋，白褔栋也使用同样的方法针对不同类型的医学图像进行了重建；Done等人建立了一个只有一个隐藏层的卷积神经网络SRCNN，把网络视为一个端到端的映射，一端为低分辨率图像另一端为高分辨率图像，获得了较好的自然图像超分辨率重建效果；Bahrami等人设计了一个五层的三维卷积神经网络，从3T脑部图像重建出类7T脑部图像；Oktay等人基于残差网络从二维心脏MR图像序列重建出高分辨率的三维图像；其他医学图像超分辨率方法，如Burgos出一种局部图像相似性的方法从MR图像重建出CT图像；Bahrami提出了一种联合典型关联分析的方法使用3TMR图像重建出7TMR图像的方法。

超分辨率重建问题是解决由低分辨率图像重建高分辨率图像的问题，其中低分辨率图像的获取方法一般是对高分辨率图像进行下采样，经过下采样的高分辨率图像作为重建的数据源，原始高分辨率图像作为重建的目标。采样率大于原来获得该数字信号的采样率称为上采样，上采样的主要目的是放大图像，从而在更高分辨率的显示设备上显示。SRCNN将图像的上采样作为训练卷积神经网络之前的图像处理，在测试阶段也需要将图像进行同样上采样处理。这样事先将下采样得到的低分辨率图像进行上采样再用于卷积神经网络的训练是繁琐的，上采样的过程是可以融入到卷积神经网络中，从而不依赖固定的上采样插值函数，将上采样 的过程也作为网络可以学习的一部分，使得训练好的网络有更加普遍的适用性。

在卷积神经网络内实现图像的上采样，常用的方法就是设置转置卷积层或子像素卷积层。转置卷积也叫反卷积，但在使用转置卷积过程中，会发生卷积不均匀导致图像某些位置的颜色比其他部位更深的问题，出现类似于棋盘格子的伪影，这样的伪影在卷积核的大小不能被步长整除时更加明显；子像素卷积卷积核能被步长整除，但是这种方法虽然有帮助，但仍然容易产生类似于棋盘格子的伪影。

发明内容

本发明所要解决的技术问题是传统的超分辨率重建时，会产生类似于棋盘格子的伪影，目的在于提供基于特征损失的医学图像超分辨率重建方法，解决传统的超分辨率重建时，会产生类似于棋盘格子的伪影的问题。

本发明通过下述技术方案实现：

基于特征损失的医学图像超分辨率重建方法，包括