[发明专利]医学图像层间插值及三维重建方法

权利要求书

1.一种医学图像层间插值及三维重建方法，其特征在于，包括：

步骤1，获取医学图像，对图像进行筛选并对样本图像格式进行转换，按照三张连续序列图像组成三联组的方式制作数据集；

步骤2，基于MultiresUnet网络构建层间插值网络，利用构建的三联组数据集对层间插值网络进行训练；

步骤3，利用训练好的层间插值网络对所选的图像进行层间插值，扩充样本数据量，并基于对抗生成网络SRGAN构建医学图像超分辨率重建网络，对插值后的图像进行超分辨率重建提升图像质量；

步骤4，构建融合MultiresUnet和注意力机制的医学图像分割模型，对需要分割的部位选取合适的现有数据集或者手动标注制作数据集对构建的分割模型进行训练；

步骤5，利用训练好的分割模型对选取的感兴趣目标区域进行分割，得到分割后的掩膜图像进行三维重建。

2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括：

获取医学图像数据，对图像数据进行筛选，选取细节纹理清晰并且边界变化明显的图像，在获取数据量不多的情况下，可以通过旋转、翻转等方式对获取的图像数据进行数据增强，并且医学图像为序列图像，选取三张连续图像组成的样本组成三联组来制作训练集以及测试集。

3.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：

步骤2.1，构建医学图像层间插值网络，该网络由三个主要部分组成：MultiresUnet、子网络以及自适应协作流，MultiresUnet包含编码器-解码器以及跳跃连接，能够有效的从输入图像中提取特征，子网络主要根据MultiresUnet提取到的特征估计Adacof所需要的参数，Adacof模块利用输入图像和子网络估计的参数合成层间图像；

步骤2.2，训练过程中，采用Charbonnier函数计算像素级损失、从预先训练的VGG16的Conv4_3中提取带有特征的感知损失以及对抗损失作为损失函数对网络进行训练；同时选用AdaMax优化器，将AdaMax优化器中一阶矩估计的指数衰减率β₁设置为0.9，二阶矩估计的指数衰减率β₂设置为0.999；设置初始学习率lr以及批处理大小batch_size，选用合适的epoch次数；

步骤2.3，导入创建的三联组数据集对层间插值网络进行训练，三联组中包含三张连续的序列图像，选取第一和第三张作为输入图像，第二张图像模拟真实的层间图像，在训练过程中需要对学习率进行设置，在N个epoch过后需要将学习率衰减为一半，N可自行设定；

步骤2.4，选用峰值信噪比PSNR、结构相似性SSIM以及可学习感知图像块相似度LPIPS作为评价指标，对构建的层间插值网络生成图像与实际层间图像进行定量与定性分析，通过调整参数使网络模型达到预期效果。