[发明专利]基于多重优化的MR图像深度网络超分辨方法

权利要求书

1.一种MR图像深度网络超分辨方法，其特征在于，所述方法包括：

S1、获取MR图像训练集，包括低分辨MR图像集和对应的高分辨MR图像集；

S2、利用MR图像训练集对超分辨深度学习网络进行训练，低分辨MR图像作为输入，高分辨MR图像作为输出；

所述超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；

S3、利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。

2.根据权利要求1所述的MR图像深度网络超分辨方法，其特征在于，所述S2包括：

利用MR图像训练集分别对各个超分辨网络进行训练，优化各个超分辨网络的参数，完成各个超分辨网络的训练；

将低分辨MR图像作为输入，分别获取完成训练的各个超分辨网络的超分辨结果，将各个超分辨网络的超分辨结果作为融合层的输入，对融合层进行训练，优化融合层的参数，完成融合层的训练。

3.根据权利要求2所述的MR图像深度网络超分辨方法，其特征在于，所述S2中，超分辨网络和融合层在训练时，可采用不同的损失函数的级联。

4.根据权利要求3所述的MR图像深度网络超分辨方法，其特征在于，

所述S2中，对各个超分辨网络/融合层的训练方法为：

利用超分辨网络/融合层将MR图像训练集中的低分辨MR图像重建为高分辨MR图像，计算该高分辨MR图像与MR图像训练集中对应的高分辨MR图像的误差，计算误差时的损失函数为各超分辨网络的损失函数的级联，根据计算的误差进行超分辨网络/融合层的参数更新。

5.根据权利要求1所述的MR图像深度网络超分辨方法，其特征在于，各超分辨网络的损失函数的级联时，可为各超分辨网络的损失函数配置不同的权重。

6.根据权利要求5所述的MR图像深度网络超分辨方法，其特征在于，S2中采用Adam优化器对计算的误差进行优化，获得超分辨网络/融合层优化后的参数。

7.根据权利要求1或5所述的MR图像深度网络超分辨方法，其特征在于，超分辨网络和融合层的输入均为MR图像的多切片低分辨图像，输出均为对应的多切片的高分辨MR图像。

8.根据权利要求7所述的MR图像深度网络超分辨方法，其特征在于，超分辨网络由一个独立网络或多个独立网络级联组成。

9.根据权利要求8所述的MR图像深度网络超分辨方法，其特征在于，超分辨深度学习网络包括2个超分辨网络，其中一个超分辨网络为ESRFBN网络模型，另外一个超分辨网络为EDSR网络模型。

10.根据权利要求9所述的MR图像深度网络超分辨方法，其特征在于，超分辨网络在训练时的损失函数为：

L^MS-SSIM表示多层级结构相似度损失函数，表示L1损失函数，为高斯系数，α＝0.84。