当前位置: 首页 > 专利查询>成都大学专利>正文

基于三维增强深度残差网络的磁共振超分辨率重建方法技术

技术编号:19780091 阅读:50 留言:0更新日期:2018-12-15 11:52
本发明专利技术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。

【技术实现步骤摘要】
基于三维增强深度残差网络的磁共振超分辨率重建方法
本专利技术涉及图像处理技术,具体涉及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。
技术介绍
随着深度学习崛起,通过卷积层的堆叠形成的卷积神经网络被应用于自然图像的超分辨率重建,并取得了较好的效果。在超分辨率重构中,SRCNN使用双三次插值方法(bicubic)将低分辨率图像放大为目标尺寸,紧接着通过三层卷积网络拟合非线性映射,最后输出高分辨率图像结果,这样能得到较高的峰值信噪比(PSNR)。FSRCNN是在SRCNN的基础进行改进,主要体现在三个方面:一是FSRCNN在最后使用一个反卷积层来替代SRCNN中的bicubic方法来放大尺寸。二是改变特征维数,使用更小的卷积核和使用更多的映射层。三是FSRCNN可以共享其中的映射层,能够适应不同上采样倍率的模型,这样做加快了网络的收敛。DenseNet在稠密块(denseblock)中将每一层的特征都输入给之后的所有层,使所有层的特征都串联起来。这样的结构具有减轻梯度消失问题、加强特征传播、支持特征复用、减少参数数量等优点,而且这样做利于低层特征和高层特征的结合,使超分辨率重建的本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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。...

【专利技术属性】
技术研发人员:刘昶朱泓超于曦胡科何煜施实伟
申请(专利权)人:成都大学
类型:发明
国别省市:四川,51

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1