[发明专利]一种医学图像超分辨率重建方法

说明书

一种医学图像超分辨率重建方法，通过卷积层提取图像的特征信息并封装在一个胶囊结构中；然后，通过路由结构层运算输入并预测图像的高分辨率细节；最后，将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构，得到分辨率大幅提升的高分辨率图像，本发明提出了一种新的采用路由结构残差网络来对医学图像进行超分辨率重建。准确性、实时性、图像质量方面优于传统CNN方法如SRCNN，该方法精度高、重建速度快、鲁棒性好，在医学疾病等计算机辅助诊断系统等领域有广阔的应用前景。

技术领域

本发明是医学图像超分辨率重建方法，适用于机器学习、模式识别和医学影像处理技术领域。

背景技术

医学图像广泛应用于计算机辅助诊断中，如X射线图像、计算机断层扫描、核磁共振图像等改变了现代医学。因此获取高质量的医学图像对于精确诊断患病原因起到至关重要的作用，但是高分辨率图像的硬件设备价格昂贵和以及在特定环境下的成像技术的限制，必须通过软件的方式来获取高分辨率和清晰度的图像。以便于更好识别和确定疾病的精确位置，希望得到尽可能清晰的CT,MRI图像，为医生提供更好的辅助诊断，便于观测相关特征甚至细微纹理。在数据驱动机器学习被广泛应用之前，传统的图像重建方法大多采用优化问题的形式，将观测到的LR图像与模型估计之间的成本最小化，通常采用某种形式的正则化项。然而，这些非学习方法通常有一个限制，它们需要关于良好的数据表示的先验知识，能提高的精度也有限。

随着深度学习的发展，图像的超分辨率表现有了很大的提高。其中，超分辨率卷积网络(SRCNN)因其网络结构简单、恢复精度高而备受关注。但所需训练时间较长，依赖于小图像区域的上下文信息，训练收敛太慢，且网络仅针对单一尺度使用。设计一种能达到实时要求，拥有更高重建信噪比和结构相似度的超分辨率重建方法在临床应用中有着极其重要的意义，对医生诊断各类疾病起到更好的辅助作用，医学图像的超分辨率重建是计算机视觉领域的一个研究热点。

发明内容

本发明的目的就是针对医学图像超分辨率重建存在重建速度慢、重建图像质量低等缺点，现有的重建方法无法达到高精度的同时满足实时要求。提出一种路由结构残差网络的医学图像超分辨率重建方法。

本发明采用的技术方案是：一种医学图像超分辨率重建方法，包括：

1)数据集来源The Cancer Imaging Archive(TCIA)，该数据库是癌症研究的医学图像的开放获取数据库；

2)对医学图像数据进行归一化、旋转、扩增等预处理；

3)用基于路由的深度网络结构对原图像的胶囊残差特征图通过有监督训练方式学习其更深层特征；

4)在精准得到低分辨率到高分辨率映射关系后，将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构；

5)重构之后的图像得到了更高的分辨率以及更优的PSNR,SSIM等指标。

本文发明是基于深度学习框架Keras，以Tensorflow为后端引擎，运行在GPU工作站上，使用的测试平台：处理器为Intel i7-7700 CPU，内存为16GB，显卡NVIDIA GeForceGTX 1070。由于GPU显存不大，所以规模较大的神经网络无法在现有的机器中运行，这也是本实验做图像预处理之后采用小规模训练神经网络的原因。为了与现有的深度学习方法进行一个定量的比较，本文使用相同的TCIA医学图像数据集对提出的方法进行评估。

目前有很多的重建和学习的方法用于医学图像超分辨率重建，但是重建速度和重建质量始终是超分辨率重建任务中面临的重要挑战之一。从TCIA数据集中选出部分图像进行实验，对比SRCNN等网络和本文网络的检测效果图，可以看出本文方法对图像中的超分辨率重建有更好的PSNR,SSIM和更低的重建时间。