[发明专利]基于稠密混合注意力网络的医学图像超分辨率重建方法

权利要求书

1.一种医学图像超分辨率重建方法，其特征是一种基于稠密混合注意力网络的医学图像超分辨率重建方法，该方法是在稠密神经网络的基础引入混合注意力机制，添加的混合注意力机制单元使神经网络更加关注含有丰富高频信息的通道和区域，增加网络的特征表达能力，加速网络收敛、进一步提升超分辨率的精度；

所述的混合注意力机制是指网络具有增强特征表示、同时关注具有丰富高频信息的通道和区域的能力，该混合注意力机制单元内有2个级联的卷积层、激活层；

所述的稠密神经网络分五个阶段，分别为特征提取，特征非线性映射，特征降维，反卷积上采样，卷积得到最终的输出，其中：特征提取阶段使用级联的卷积和激活层，特征降维阶段使用瓶颈层降维，使用反卷积上采样，卷积得到最终的输出。

2.根据权利要求1所述的医学图像超分辨率重建方法，其特征在于包括以下步骤：

步骤一：设计并搭建基于稠密神经网络与混合注意力机制的网络；

步骤二：对输入图像进行预处理，数据增强，构建训练样本；

步骤三：使用L2损失训练网络模型直至网络模型达到收敛；

步骤四：在超分辨率重建阶段，输入低分辨率的医学图像，利用训练好的网络模型超分辨重建出最终的高分辨率图像。

3.根据权利要求2所述的医学图像超分辨率重建方法，其特征在于：所述的稠密神经网络包括N个基本单元，每个基本单元内有N个级联的卷积层、激活层，N≥8，每个基本单元的最后级联一个混合注意力机制单元；每个基本单元内与基本单元之间，添加大量稠密的跳连结构，提取更深层次的特征表示。

4.根据权利要求2所述的医学图像超分辨率重建方法，其特征在于步骤二所述的预处理、数据增强，是对输入图像进行裁剪，对裁剪得到的子图进行下采样操作，得到对应的低分辨率图像，使用数据增强获取更多的训练样本。

5.根据权利要求2所述的医学图像超分辨率重建方法，其特征在于步骤三中，采用基于L2范数的损失L₂量化超分辨得到的高分辨率图像和真实高分辨率图像的相似程度，

训练过程采用小批量学习，采用的损失函数的表达式为：

式中：I^HR为真实的高分辨率图像；I^SR为执行超分辨率得到的高分辨率图像；H_,W,C分别为输入图像的尺寸(长、宽)和通道数，n为小批量学习的数目，v为小批量n中的第v张特征图，k为第v张特征图的第k个通道，(i,j)为特征图内的坐标位置，I_v,i,j,k为第v张特征图的第k通道的位置为(i,j)的像素值。

6.根据权利要求2所述的医学图像超分辨率重建方法，其特征在于步骤四中：所述的超分辨率重建得到的医学图像是由低分辨率图像放大倍得到的，

7.根据权利要求1至6中任一所述的医学图像超分辨率重建方法，其特征在于提出的方法和技术过程，包括方法扩展所实现的软件系统。

8.根据权利要求1至6中任一所述的医学图像超分辨率重建方法，其特征是通过设置更多的基本单元或在基本单元内设置更多的卷积、激活层，进而提高超分辨率精度。