[发明专利]基于宽残差注意力的三维医学图像超分辨率重建方法

说明书

本发明涉及一种基于宽残差注意力的三维医学图像超分辨率重建网络，包括下列步骤：构建数据集并进行数据预处理；搭建一种基于宽残差注意力的三维医学图像超分辨率重建网络，基于宽残差注意力的三维医学图像超分辨率重建网络包括三个部分，浅层特征提取模块、非线性映射模块和重建模块：模型训练：把数据集中经过数据预处理的低分辨率小块送入搭建好的基于宽残差注意力的三维医学图像超分辨率重建网络中，通过正向传播得到超分辨率小块；计算高分辨率小块和超分辨率小块的误差，该误差项由输出层向隐藏层逐层的反向传播，更新网络参数直至输入层，使用ADAM优化器不断反馈优化直至误差不再减小；将训练好的网络参数保存为模型。

技术领域

本发明主要应用于三维医学图像的超分辨率重建。

背景技术

常用的医学成像系统有磁共振成像(Magnetic Resonance Imaging,MRI)、计算机断层扫描(Computed Tomography,CT)、正电子发射型计算机断层显像(Positron EmissionComputed Tomography,PET-CT)和超声波(Ultrasound,US)^[1]。医学图像作为医学诊断的重要依据，对清晰度的要求很高，但是目前由于硬件设施、采样时间、现有成像技术或患者舒适度等诸多因素的限制，很多情况下获取的医学图像分辨率较低，并且可能含有噪声和伪影^[2]。图像超分辨率技术在医学图像中的应用能够使医生以较低的成本获得高质量的医学图像，如CT或MRI图像。通过这些高清晰度的医学图像，医生可以更准确地识别病变部位。因此，提高医学图像的分辨率具有十分重要的现实意义。

近些年来，很多超分辨率方法被提出。这些方法主要可以分为三类：基于插值的方法、基于重建的方法和基于学习的方法。基于插值的方法包括最近邻插值，双线性插值和双三次插值。基于重建的方法遵循均衡和非均衡采样定理，分为空间域方法和频率域方法。空间域方法包括凸集投影法、迭代反投影和最大后验概率等。频率域方法主要是消混叠重建方法。基于学习的方法包括马尔科夫随机场、图像金字塔、神经网络模型和主成分分析模型等。

在深度学习方面，Dong^[3]等人首次把卷积神经网络应用在图像超分辨率重建任务中，提出了一个三层的网络(SRCNN)，包含特征提取，非线性映射，重建三个部分，建立起低分辨率到高分辨率的端到端映射，但是网络加深也不会带来性能的提升。为了解决SRCNN的问题，Kim等人提出了20层的VDSR^[4]，采取残差学习策略将信息传递到后层，还有助于缓解梯度消失问题。该方法还将不同倍数的图像混在一起训练，实现了模型的多尺度。Ledig等人^[5]提出了一个包括16个残差结构块的网络(SRResNet)。EDSR^[6]基于SRResNet，通过删除BN层和使用更深更宽的网络结构来增强网络。专利“基于稠密卷积神经网络的三维医学图像超分辨率重建方法”(CN109360152A)提出了使用稠密神经网络进行超分辨率重建。

尽管这些现有的基于深度学习的方法已经努力提高了SR性能，但不同特征细节的重建仍然是一个挑战。深度神经网络提取的特征包含不同类型的跨通道、空间和层的信息，有着不同的重建难度。

参考文献

[1]Zhang S,Liang G,Pan S,et al.A fast medical image super resolutionmethod based on deep learning network[J].IEEEAccess,2018,7:12319-12327.

[2]Zhu J,Yang G,Lio P.How Can We Make GAN Perform Better in SingleMedical Image Super-Resolution？ALesion Focused Multi-ScaleApproach[J].arXivpreprint arXiv:1901.03419,2019.