【技术实现步骤摘要】
一种医学图像超分辨率重建方法
本专利技术是医学图像超分辨率重建方法，适用于机器学习、模式识别和医学影像处理
技术介绍
医学图像广泛应用于计算机辅助诊断中，如X射线图像、计算机断层扫描、核磁共振图像等改变了现代医学。因此获取高质量的医学图像对于精确诊断患病原因起到至关重要的作用，但是高分辨率图像的硬件设备价格昂贵和以及在特定环境下的成像技术的限制，必须通过软件的方式来获取高分辨率和清晰度的图像。以便于更好识别和确定疾病的精确位置，希望得到尽可能清晰的CT,MRI图像，为医生提供更好的辅助诊断，便于观测相关特征甚至细微纹理。在数据驱动机器学习被广泛应用之前，传统的图像重建方法大多采用优化问题的形式，将观测到的LR图像与模型估计之间的成本最小化，通常采用某种形式的正则化项。然而，这些非学习方法通常有一个限制，它们需要关于良好的数据表示的先验知识，能提高的精度也有限。随着深度学习的发展，图像的超分辨率表现有了很大的提高。其中，超分辨率卷积网络(SRCNN)因其网络结构简单、恢复精度高而备受关注。但所需训练时间较长，依赖于小图像区域的上下文信息，训练收敛太慢，且网...
【技术保护点】
1.一种医学图像超分辨率重建方法，其特征在于：通过卷积层提取图像的特征信息并封装在一个胶囊结构中；然后，通过路由结构层运算输入并预测图像的高分辨率细节；最后，将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构，得到分辨率大幅提升的高分辨率图像；方法包括：1)数据集来源The Cancer ImagingArchive，该数据库是癌症研究的医学图像的开放获取数据库；2)对医学图像数据进行归一化、旋转、扩增等预处理；3)用基于路由的深度网络结构对原图像的胶囊残差特征图通过有监督训练方式学习其更深层特征；4)在精准得到低分辨率到高分辨率映射关系后，将得到的路由结...
【技术特征摘要】
1.一种医学图像超分辨率重建方法，其特征在于：通过卷积层提取图像的特征信息并封装在一个胶囊结构中；然后，通过路由结构层运算输入并预测图像的高分辨率细节；最后，将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构，得到分辨率大幅提升的高分辨率图像；方法包括：1)数据集来源TheCancerImagingArchive，该数据库是癌症研究的医学图像的开放获取数据库；2)对医学图像数据进行归一化、旋转、扩增等预处理；3)用基于路由的深度网络结构对原图像的胶囊残差特征图通过有监督训练方式学习其更深层特征；4)在精准得到低分辨率到高分辨率映射关系后，将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构；5)重构之后的图像得到了更高的分辨率以及更优的PSNR,SSIM指标。2.根据权利要求1所述的一种医学图像超分辨率重建方法，其特征在于，将该医学图像超分辨率重建方法视为一个模式的转化问题，即医学图像为第一模式，胶囊残差特征图为第二模式；采用一个改进的卷积神经网络模拟第一模式和第二模式之间的映射关系。3.根据权利要求1所述的一种医学图像超分辨率重建方法，其特征在于，所述用感受野更大的胶囊残差深度网络替代传统的CNN网络；采用一个改进的卷积神经网络模拟第一模式和第二模式之间的映射关系；用损失函数表示当前深度网络重构图与标准图之间的误差；在训练过程中反复迭代误差损失函数...
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。