[发明专利]基于残差信息精炼的双路径肺部CT图像超分辨率方法

说明书

本发明公开了一种基于残差信息精炼的双路径肺部CT图像超分辨率方法，包括低频信息提取路径及高频信息提取路径步骤；低频信息提取路径用于提取低分辨率图像的低频特征；高频信息提取路径包括残差信息精炼模块RIDM和梯度恒等路径，用于提取图像的高频特征；残差信息精炼模块包括若干个信息精炼模块IDB和若干个残差模块，各个残差模块以级联方式连接，IDB与残差模块之间是并行的，各个IDB以其前一个IDB的输出特征和残差模块的输出特征作为输入。通过构建的图像超分辨率重建模型有效的对图像的高低频信息进行分开超分辨率，让超分任务更有针对性，提高网络对特征的辨析学习能力，保留了更多的图像边缘细节，提高了图像超分辨率重建质量。

技术领域

本发明涉及图像处理技术领域，特别是一种基于残差信息精炼的双路径肺部CT图像超分辨率方法。

背景技术

随着医学影像和智能诊断技术的快速发展，人工智能方法已成为近年来放射处理技术的研究热点。CT(ComputedTomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。使用CT图像进行医疗诊断的时候，图像的清晰程度影响着医生的判断，高分辨率的图像可以为医生提供更加丰富的病理信息，提高诊断的可信度。CT成像中，获取高分辨率的图像需要更长的扫描时间和更高的信噪比。但是在某些情况下，病人要保持长时间静止是很难的，并且高信噪比需要更加精密的仪器，这增加了成像成本。为了缩短扫描时间，通常采用的方法是加大扫描层厚，但是这将会导致分辨率的下降，最终将限制后期对图像的处理、分析和疾病的诊断。

虽然基于深度学习的图像超分辨率方法在这几年有了巨大的发展，但这些算法应用到真实世界中的效果都不太好，所以该方向还有很大的研究空间。此外，大部分模型是在公共数据集上训练得到的，这样的模型在CT 图像上的超分辨率效果往往不尽人意。在医学诊断领域需要比较快的图像处理速度和较好的图像重建效果，而当前已有的超分辨率模型还不能很好地兼顾这两点。

发明内容

有鉴于此，本发明的目的是提供一种基于残差信息精炼的双路径肺部 CT图像超分辨率方法，用以实现提高肺部CT图像超分辨率重建质量的技术效果。

为实现上述目的，本发明的技术方案是：一种基于残差信息精炼的双路径肺部CT图像超分辨率方法，包括图像超分辨率重建模型,所述图像超分辨率重建模型包括低频信息提取路径及高频信息提取路径；所述高频信息提取路径包括残差信息精炼模块RIDM和梯度恒等路径，还包括以下步骤：

步骤S1：根据图像退化模型建立训练集，得到N个低分辨率图像I_LR和与N个低分辨率图像I_LR对应的真实高分辨率图像I_HR；其中，N为大于1 的整数；

步骤S2：将步骤S1获得的低分辨率图像I_LR输入到低频信息提取路径以提取图像的低频特征；

步骤S3：利用步骤S1获得的低分辨率图像I_LR使用一个卷积层提取浅层特征，使用高频信息提取路径中的残差信息精炼模块RIDM提取图像的残差高频特征；

步骤S4：利用步骤S1获得的低分辨率图像I_LR使用高频信息提取路径中的梯度恒等路径提取图像的边缘特征；

步骤S5：将步骤S3获得的残差高频特征和步骤S4获得的边缘特征相加得到高频特征，将此高频特征与步骤S2获得的低频特征相加得到深层特征，使用亚像素卷积完成上采样处理，并重建出最后的高分辨率图像I_HR；

步骤S6：通过损失函数对所述图像超分辨率重建模型进行优化。