[发明专利]基于三维增强深度残差网络的磁共振超分辨率重建方法

摘要

本发明公开了一种基于三维增强深度残差网络的磁共振超分辨率重建方法，其包括对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集；构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维增强深度残差网络；构建三维增强深度残差网络模型；将测试集中归一化后的3D高分辨率磁共振图像输入到三维增强深度残差网络模型进行重构，得到重构的超分辨率图像。本方案采用构建的三维增强深度残差网络对磁共振图像进行超分辨率重构，充分利用了磁共振图像的先验信息特征，保留了特有的空间特征信息，从而提高超分辨率重建精度。

主权项

1.基于三维增强深度残差网络的磁共振超分辨率重建方法，其特征在于，包括：S1、对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集；S2、构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维增强深度残差网络；S3、构建三维增强深度残差网络模型：S31、初始化三维增强深度残差网络的卷积层和解卷积层中卷积核权重和偏置对损失函数导数为零；S32、将训练集中图像分成若干批训练图像，每次输入一批训练图像至输入层；S33、采用三维卷积层对输入的训练图像进行特征提取：output＝(a1‑f+1)*(a2‑f+1)*(a3‑f+1)*n其中，a1、a2、a3分别为输入的训练图像大小；f为过滤器大小，过滤器的维度为f*f*f*c，c为卷积核的数量；n为过滤器数量；S34、将特征提取后的训练图像与残差模块的节点参数进行计算，实现网络训练的前向传播，再经过上采样层，最后通过输出层输出重构图像；S35、采用均方差误差计算多批输出的重构图像和归一化的3D高分辨率转换图像的误差：其中，t为批次数；observedt为重构图像；predictedt为归一化的3D高分辨率转换图像；N为批次总数；S36、采用Adam梯度优化算法，更新三维增强深度残差网络的网络参数：其中，为无偏估计一阶矩的估计值；为无偏估计二阶矩的估计值；η为学习步长；l为迭代次数，当l＝1时，W⁽¹⁾＝0，b⁽¹⁾＝0；ε为10^‑8；S37、当迭代次数小于设定迭代次数时，返回步骤S32；当迭代次数等于设定迭代次数时，完成三维增强深度残差网络模型的训练；S4、将测试集中归一化后的3D高分辨率磁共振图像输入到三维增强深度残差网络模型进行重构，得到重构的超分辨率图像。