[发明专利]基于三维增强深度残差网络的磁共振超分辨率重建方法

说明书

本发明公开了一种基于三维增强深度残差网络的磁共振超分辨率重建方法，其包括对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集；构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维增强深度残差网络；构建三维增强深度残差网络模型；将测试集中归一化后的3D高分辨率磁共振图像输入到三维增强深度残差网络模型进行重构，得到重构的超分辨率图像。本方案采用构建的三维增强深度残差网络对磁共振图像进行超分辨率重构，充分利用了磁共振图像的先验信息特征，保留了特有的空间特征信息，从而提高超分辨率重建精度。

技术领域

本发明涉及图像处理技术，具体涉及一种基于三维增强深度残差网络的磁共振超分辨率重建方法。

背景技术

随着深度学习崛起，通过卷积层的堆叠形成的卷积神经网络被应用于自然图像的超分辨率重建，并取得了较好的效果。在超分辨率重构中，SRCNN使用双三次插值方法(bicubic)将低分辨率图像放大为目标尺寸，紧接着通过三层卷积网络拟合非线性映射，最后输出高分辨率图像结果，这样能得到较高的峰值信噪比(PSNR)。FSRCNN是在SRCNN的基础进行改进，主要体现在三个方面：一是FSRCNN在最后使用一个反卷积层来替代SRCNN中的bicubic方法来放大尺寸。二是改变特征维数，使用更小的卷积核和使用更多的映射层。三是FSRCNN可以共享其中的映射层，能够适应不同上采样倍率的模型，这样做加快了网络的收敛。DenseNet在稠密块(dense block)中将每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。这样的结构具有减轻梯度消失问题、加强特征传播、支持特征复用、减少参数数量等优点，而且这样做利于低层特征和高层特征的结合，使超分辨率重建的性能得到了提升。

众所周知，卷积神经网络之所以能够得到较好的效果，是因为它能够提取到一定的先验特征信息用来训练学习。现有的技术方案，主要应用于自然图像，且训练数据都是二维图像，都采用的二维卷积提取先验信息特征。在医学图像领域中，医学图像本身是三维图像(由多层二维图像构成)每层图像之间具有一定的空间相关性，而现有的技术方案均是从每层图像里提取二维图像块，这样仅仅保留了层内的空间信息，而丢失了层间的空间信息，因此很难保证网络重建精度。

发明内容

针对现有技术中的上述不足，本发明提供的基于三维增强深度残差网络的磁共振超分辨率重建方法能够提高图像超分辨率重建精度。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于三维增强深度残差网络的磁共振超分辨率重建方法，其包括：

S1、对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集；

S2、构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维增强深度残差网络；

S3、构建三维增强深度残差网络模型：

S31、初始化三维增强深度残差网络的卷积层和解卷积层中卷积核权重和偏置对损失函数导数为零；

S32、将训练集中图像分成若干批训练图像，每次输入一批训练图像至输入层；

S33、采用三维卷积层对输入的训练图像进行特征提取：

output＝(a₁-f+1)*(a₂-f+1)*(a₃-f+1)*n

其中，a₁、a₂、a₃分别为输入的训练图像大小；f为过滤器大小，过滤器维度为f*f*f*c，c为卷积核的数量；n为过滤器数量；

S34、将特征提取后的训练图像与残差模块的节点参数进行计算，实现网络训练的前向传播，再经过上采样层，最后通过输出层输出重构图像；