[发明专利]稠密连接非对称层次网络训练方法及心脏运动场估计方法

权利要求书

1.一种稠密连接非对称层次网络训练方法，其特征在于，包括如下步骤：

步骤A1：构建稠密连接的编码-解码的非对称深度学习网络，所述稠密连接的编码-解码的非对称深度学习网络包括编码层及解码层；

步骤A2：为所述非对称深度学习网络设置网络参数；

步骤A3：输入相邻时间点的两幅Cine MR左心室图像；

步骤A4：利用所述非对称深度学习网络，对所述相邻时间点的两幅Cine MR左心室图像进行多尺度特征提取，并根据所述网络参数计算稀疏形变场；

步骤A5：利用B样条对所述稀疏形变场进行插值，构建稠密位移场；

步骤A6：利用稠密位移场对所述相邻时间点的两幅Cine MR左心室图像中的源图像进行形变；

步骤A7：计算形变后的源图像与目标图像之间的目标函数；

步骤A8：判断迭代次数是否达到设置值，若是，则结束，得到稠密连接非对称层次网络，否则，转步至步骤A9；

步骤A9：计算目标函数关于所述网络参数的导数，并据此调整所述网络参数，并返回步骤A2；

其中，所述编码层包括三层不同分辨率的稠密连接网络，其中，第一层稠密级联网络包含三个级联的卷积层，两个输入的图像级联作为第一个卷积层的输入数据，第一个卷积层的输出数据和两个输入图像级联作为第二个卷积层的输入数据；第二个卷积层的输出数据和两个输入图像以及第一个卷积层的输出数据级联作为第三个卷积层的输入数据，第三个卷积层的输出数据作为所述第一层稠密级联网络的输出数据；

第一层稠密级联网络的输出数据经过一个下采样处理减小空间维度后作为第二层稠密级联网络的输入数据；

第二层稠密级联网络的输出数据再经过一个下采样处理进一步减小空间维度后作为第三层稠密级联网络的输入数据；

所述解码层包括一层稠密连接网络，所述一层稠密连接网络包括四个级联的卷积层，其中，所述编码层中的第三层稠密级联网络的输出数据通过上采样处理将空间维度增大后与编码层中的第二层稠密级联网络的输出数据级联作为解码层中第一个卷积层的输入数据；

第一个卷积层的输出数据与输入数据级联后作为第二个卷积层的输入数据；

第二个卷积层的输出数据与第一个卷积层的输出数据与输入数据级联后作为第三个卷积层的输入数据；

如此不断级联，经过第四个卷积层，产生等间距空间位置的位移量，构成稀疏形变场；

其中，Cine MR图像序列是由N+1个连续时间点的三维心脏MR图像组成，表示为I＝{I_t|t＝0,…,N}，相邻时间点的Cine MR左心室图像即为I_t和I_t+1，取I_t和I_t+1在长轴方向相对应第k个切片I_t,k和I_t+1,k作为输入图像，假设源图像为I_t,k，目标图像为I_t+1,k，那么输入的图像对作为编码层输入，通过三层不同分辨率的稠密连接网络计算其输出的编码特征，且所述编码层中，每一个稠密连接网络中的卷积层的运算关系为：

其中，w_m,n是卷积核系数，x(i,j)是图像强度，y(i,j)是图像(i,j)坐标处卷积核的输出值，m和n是卷积核参数的行、列下标；

其中，所述编码层的第一层的稠密连接网络的输出，经过一个下采样操作得到大尺度特征，下采样处理是通过跨步卷积实现的，跨步卷积是在图像空间位置(i,j)处完成卷积后，下一次将在图像位置(i,j+2)处完成卷积运算，当图像中第i行处理完后，下一次处理第i+2行，这样得到的输出结果就从原图像的n×n分辨率下降到分辨率；

所述编码层的第三层的稠密连接网络的输出，经过一个上采样操作得到小尺度特征，上采样处理是通过将一个数据复制为四个相同的数据完成的，这样得到的输出结果就从分辨率上升到分辨率

2.如权利要求1所述的稠密连接非对称层次网络训练方法，其特征在于，所述步骤A5中，采用B样条插值算法，利用等间距空间位置的位移量进行插值，得到稠密位移场；所述步骤A6中，采用双线性插值算法，利用稠密位移场对源图像进行形变，得到形变后的源图像。