[发明专利]基于深度学习的光声图像超分辨重建方法及装置有效

专利信息
申请号: 201911341072.1 申请日: 2019-12-23
公开(公告)号: CN111127320B 公开(公告)日: 2023-08-04
发明(设计)人: 孙明健;沈毅;刘广兴;刘子超;马立勇;屈亚威;刘旸 申请(专利权)人: 哈尔滨工业大学(威海)
主分类号: G06T3/40 分类号: G06T3/40
代理公司: 哈尔滨龙科专利代理有限公司 23206 代理人: 李智慧
地址: 264209*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 图像 分辨 重建 方法 装置
【权利要求书】:

1.一种基于深度学习的光声图像超分辨重建方法,其特征在于,包括:

通过k-Wave工具箱、迭代重建算法,制备光声图像超分辨重建仿真数据集,并通过光声实验和图像下采样算法补充实验数据集;

构建超分辨率网络SE-EDSR;

采用预训练策略在所述仿真数据集和所述实验数据集上递进式地训练SE-EDSR,依次完成×2、×3、×4的超分辨重建任务,得到最终的光声图像×4超分辨重建模型;

将目标光声图像输入训练好的光声图像×4超分辨重建模型,输出超分辨重建后的×4的高分辨图像。

2.根据权利要求1所述的基于深度学习的光声图像超分辨重建方法,其特征在于,所述通过k-Wave工具箱、迭代重建算法,制备光声图像超分辨重建仿真数据集,包括:

任意选择一个初始图像分辨率,然后选择初始图像分辨率×2、×3、×4的三种高分辨率;

在所选择的四种分辨率内,使用k-Wave中的功能函数分别设计形状、大小、数量、位置、光吸收系数均为随机值的仿体目标,并设定随机的信噪比模拟实际中的噪音干扰;

利用迭代重建算法,基于光声成像原理,在所选择的四种分辨率内,每生成一组仿体目标,分别进行稀疏采样仿真实验,通过k-Wave保存经所述迭代重建算法重建后的分辨率最低的低质量伪影图像以及对应的×2、×3、×4的高分辨高质量标签图像,得到四种分辨率的仿真图像;

对于所得到的四种分辨率的仿真图像,分辨率最低的称为输入图像,按照(输入图像,×2的仿真标签图像)、(输入图像,×3的仿真标签图像)、(输入图像,×4的仿真标签图像)的组合方式,构成适用于不同超分辨重建任务的三种仿真数据集;

将所述三种仿真数据集分别按预设比例分为训练集和测试集两部分。

3.根据权利要求2所述的基于深度学习的光声图像超分辨重建方法,其特征在于,所述通过光声实验和图像下采样算法补充实验数据集,包括:

用仿体和小鼠进行光声成像实验,采用与仿真数据集相同的迭代重建算法进行光声图像重建,保证其分辨率为12的倍数且不低于预设分辨率,保存光声图像重建后结构和生理信息显示清晰的图像作为高分辨率标签图像;

采用图像下采样算法,对所述高分辨率标签图像分别进行/2、/3、/4的下采样,得到四种分辨率的实验图像;

对于上述四种分辨率的实验图像,同样按照(输入图像,×2的实验标签图像)、(输入图像,×3的实验标签图像)、(输入图像,×4的实验标签图像)的组合方式,构成适用于不同超分辨重建任务的三种实验数据集;

将所述三种实验数据集分别按预设比例补充到所述训练集和所述测试集中。

4.根据权利要求1所述的基于深度学习的光声图像超分辨重建方法,其特征在于,所述超分辨率网络SE-EDSR由一个特征提取模组和一个上采样模组构成;

其中,所述特征提取模组由首尾端的卷积模块、中间的32个SE-ResNet模块以及一条残差连接共同组成;所述特征提取模组中的卷积模块由大小为3×3、步长为1的卷积层和ReLU激活函数组成;所述SE-ResNet模块由简化的ResNet模块和SE模块组成;

其中,所述上采样模组有三种结构,分别对应×2、×3、×4三种分辨率放大倍数,且每种结构均由预设数量的卷积模块和含有上采样因子r的重组模块组成。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学(威海),未经哈尔滨工业大学(威海)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911341072.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top