[发明专利]一种基于深度学习的视网膜超分辨重建系统及方法

权利要求书

1.一种基于深度学习的视网膜超分辨重建系统，其特征在于，包括：上采样和下采样模块、通道注意力模块、3x3和1x1卷积层、以及反卷积和3x3卷积层；

所述通道注意力模块由全局平均池化层、Relu激励函数、1x1卷积层和Sigmoid函数组成；所述1x1卷积层包括第一1x1卷积层和第二1x1卷积层；所述全局平均池化层、第一1x1卷积层、Relu激励函数、第二1x1卷积层和Sigmoid函数依次连接构成所述通道注意力模块；所述上采样和下采样模块包括多个反卷积层、多个卷积层和多个1x1卷积层；

低分辨率的目标图片依次通过所述3x3和1x1卷积层、上采样和下采样模块、通道注意力模块、反卷积和3x3卷积层，得到高分辨率眼底图像。

2.如权利要求1所述的基于深度学习的视网膜超分辨重建系统，其特征在于，所述上采样和下采样模块和所述通道注意力模块的数量均为多个且数量相同；所述上采样和下采样模块和所述通道注意力模块依次交替连接。

3.如权利要求2所述的基于深度学习的视网膜超分辨重建系统，其特征在于，相邻的每个所述上采样和下采样模块和所述通道注意力模块进行短连接，构成局部残差模块。

4.如权利要求3所述的基于深度学习的视网膜超分辨重建系统，其特征在于，在所述3x3和1x1卷积层的输入端和所述反卷积和3x3卷积层的输出端进行长连接。

5.如权利要求4所述的基于深度学习的视网膜超分辨重建系统，其特征在于，所有的卷积层后均含有激励函数relu。

6.一种基于深度学习的视网膜超分辨重建方法，其特征在于，基于权利要求5所述的基于深度学习的视网膜超分辨重建系统进行低分辨率图像重建，其步骤包括：

获取低分辨率的眼底图像，将所述眼底图像通过3x3和1x1卷积层进行提取浅层特征；

将所述浅层特征通过局部残差模块产生权重向量，根据函数对特征层赋予不同的权值；

经过多个局部残差模块后的特征层通过反卷积层使得特征层从低分辨率扩展为高分辨率特征层；

低分辨率图像通过上采样与高分辨率特征层相加产生高分辨率眼底图像。

7.如权利要求6所述的基于深度学习的视网膜超分辨重建方法，其特征在于，所述获取低分辨率的眼底图像的步骤，具体包括：获取多例眼底图片，通过下采样的方式对所述眼底图片转换成低分辨率图片。

8.如权利要求6所述的基于深度学习的视网膜超分辨重建方法，其特征在于，所述对特征层赋予不同的权值用于代表通道与关键信息的相关度。