[发明专利]基于多重优化的MR图像深度网络超分辨方法

说明书

基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，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；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。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。

技术领域

本发明属于图像超分辨率重建技术领域。

背景技术

MR图像能早期发现更加细小微小的病变组织，因此在病变的定位和病情的诊断方面具有重大的意义，高分辨的MR图像能提供更清晰的结构细节，有助医生对病情的正确分析和诊断。因此在临床应用和科学研究中，更希望获取到高分辨率的MR图像。然而，高分辨MR图像的获取需要更强的磁场强度、更长的辐射扫描时间，因此成像时间过程长并且在成像过程中由于人体的运动将会带来噪声。MR图像分辨率的提升将以成像时间成倍的增加为代价，这极大降低了病人的体验，容易给病人带来心理压力。与通过升级成像设备来提高MR图像分辨率的硬件方法相比，采用软件提升MR图像分辨率是一种经济高效的方法。现有采用字典学习方法提升MR图像分辨率，相比于传统的插值方法，如双三次方插值、近邻插值，以及基于重建的方法，如凸集投影法、最大后验概率发等具有较强的特征表达能力，可以较好的表征高低分辨率MR图像的映射关系，并且分别从字典构造参数优化、训练样本质量优化两个方面提升了MR图像超分辨的性能。虽然字典学习方法可以从训练的数据集中引入图像的先验信息，但是其浅层模型表达能力有限，学习图像先验信息能力受限。

近年来，随着深度学习技术的快速发展，基于深度学习的超分辨方法得到了积极的探索，极大的推进了图像超分辨技术的发展。2014年，Dong等人提出了SRCNN模型，首次将深度学习方法应用到图像超分辨领域。自此，学者们分别从网络架构、损失函数类型、学习原理和策略等方面开展了研究，大量基于深度卷积网络的图像超分辨方法被不断提出并且持续刷新超分辨的性能，如VDSR、RDN、SRGAN、DBPN以及SRFBN等，在图像超分辨的各种基准上达到了最先进的性能。然而，这些深度学习网络主要针对自然图像超分辨任务，而不是医学图像或者MR图像。对此，医学图像研究工作者们也关注了深度超分辨的进展，并将深度学习技术迁移到MR图像上，涌现了一批基于深度学习的MR图像超分辨方法。然而，目前的深度学习技术应用在MR图像超分辨时上仍存在一些问题：深度学习网络的特征表征能力随着网络的深度加深逐渐增强，但是随着网络结构的庞大，网络的训练难度也成倍的增加，难以在模型复杂度和训练难度取得较好的平衡。

发明内容

针对现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，本发明提供一种拓宽了网络的宽度和深度的基于多重优化的MR图像深度网络超分辨方法。

本发明的MR图像深度网络超分辨方法，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。

作为优选，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；