[发明专利]基于稠密卷积神经网络的三维医学图像超分辨率重建方法

权利要求书

1.一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述方法包括以下步骤：

1)将人类连接组项目公开的数据集随机分成7：1：1：1四部分，第一部分作为训练集，第二部分用于验证及优化网络权重，第三部分用于评估选择的超参数，第四部分作为测试集；

2)将低分辨率三维图像320*320*256分成64*64*64的小块，作为基于稠密连接结构的网络输入；

其中，所述网络包括：归一化层、一个使用ELU组成的非线性映射部分和增长率k为24的卷积层；

3)计算重建图像与实际图像之间的误差，并将该误差由输出层向隐藏层逐层的反向传播，直至传播到输入层，经过不断的反馈优化直至误差不再减小，得到超分辨率重建的最优模型，并对最优模型进行训练；

4)输入医学三维低分辨率图像，加载好训练好的模型，输出重建的高分辨率图像。

2.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述网络还包括：

将两组分解好的64*64*64的小立方体输入到2000个3*3*3的卷积层；

将3*3*3卷积层的输出特征图输入到稠密连接结构当中，将经过稠密连接结构后的特征图输入到一个1*1*1的卷积层，输出的结果即为超分辨率结果图。

3.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，

所述训练集、验证集和测试集均由高分辨率图像以及所对应的低分辨率图像组成的。

4.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，

所述低分辨率图像由高分辨率图像利用傅里叶变换转换到频域，将两个矢量方向外的其他方向数值置零，得到低分辨率三维图像。

5.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述超分辨率重建的最优模型具体为：

x_l＝H_l([x₀,x₁,...,x_l-1])

式中，x_l表示l层的输出，H_l表示一个非线性变换，H_l包括：归一化层，ELUs和3*3*3的卷积层，[x₀,x₁,...,x_l-1]表示将0到l-1层的输出特征图连接到一起。

6.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述对最优模型进行训练具体为：

学习率设为10^-5；采用L2范数作为损失函数，在训练过程中用于计算超分辨率重建图像与实际图像之间的误差，直至误差不再减小，停止训练；

采用自适应矩阵估计，衰减率β₁＝0.9，β₂＝0.999。