【技术实现步骤摘要】
基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法
本专利技术属于图像超分辨率重建和深度学习的
，具体涉及一种基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法。
技术介绍
超声成像是利用超声波束扫描，通过对反射信号的接收、处理，获得扫描图像。其相干本质导致超声扫描结果会产生斑点噪声的退化效应，而且超声波束成形的带宽受限特性会造成图像空间分辨率降低，这些原因导致了超声成像的对比度降低，超声图像中轮廓信息的模糊化。然而，超声成像广泛用于医学的辅助诊断，例如：在肿瘤检测中，超声图像中肿瘤轮廓的模糊容易导致误诊。为提升超声医疗诊断的准确性，就需要获得轮廓比较清晰的超声图像。因此，实际应用中有必要对超声图像进行超分辨率重建，即在平滑噪声的同时凸显超声图像中的轮廓信息，达到辅助医疗诊断的效果。图像超分辨率重建技术是为了突破成像设备和环境的限制，从低分辨率的观测图像中提取图像的相关信息，重建高分辨率的图像。该技术在医疗图像领域已经有所应用，在斑点去噪方面取得了还不错的成果。现在图像超分辨率重建的方法主要有三种：基于插值的方法，基于重建的方法，基于学习的方法。其中...
【技术保护点】
1.一种基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法，其特征在于，包括一个不完全对称的编码‑解码结构的注意力机制网络；该网络中编码网络利用并行的普通卷积和空洞卷积结构，提取超声图像的深层语义特征，在编码网络中合并浅层特征和深层语义特征，合并的特征经过卷积，提取浅层特征中的高频信息，定位超声图像中组织边缘位置，得到超声图像轮廓高频信息位置的权重矩阵Ma。
【技术特征摘要】
1.一种基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法，其特征在于，包括一个不完全对称的编码-解码结构的注意力机制网络；该网络中编码网络利用并行的普通卷积和空洞卷积结构，提取超声图像的深层语义特征，在编码网络中合并浅层特征和深层语义特征，合并的特征经过卷积，提取浅层特征中的高频信息，定位超声图像中组织边缘位置，得到超声图像轮廓高频信息位置的权重矩阵Ma。2.根据权利要求1所述的一种基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法，其特征在于，还包含两级并联的神经网络，在现有的特征提取重建网络和超分辨率重建串联网络的基础上，搭建另一级平行的注意力机制网络，实现超声图像轮廓高频信息的定位；将这两级网络学习的超声图像特征对应元素相乘，得到新的图像特征；所得的特征与低分辨率双三次插值超声图像特征做残差连接后，再和低分辨率双三次插值特征合并，送入卷积层，得到最终重建的超分辨率超声图像。3.根据权利要求2述的一种基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法，其特征在于，包括具体以下步骤：S1：数据采集，通过超声医疗设备，采集训练图像数据集，对所述的训练图像进行预处理，并且将其划分为训练集和验证集；S2：网络构建，具体包括图像插值单元，全局残差单元，卷积输出单元和并联的两级网络，并联的两级网络即特征重建网络和注意力机制网络；S3：网络初始化，利用在CT数据集上预训练过的模型，对注意力机制网络中相应的特征提取层进行参数初始化，其他网络层利用Xavier方法进行参数初始化；S4：网络训练，将训练集中对应的低分辨率超声图像和真实的超分辨率超声图像输入上述网络，利用梯度下降更新网络参数，直至网络收敛；S5：超分辨率图像重建，将低分辨率的超声图像输入到训练好的网络中，即可输出重建的高分辨率超声图像。4.根据权利要求3所述的方法，其特征在于，所述的步骤S1进一步包括：S11：对高分辨率的超声图像进行下采样，获得相应低分辨率超声图像，对数据集进行训练集和验证集划分；S12：采用数据增强的方法，对训练集进行左右翻转，上下翻转等操作，增加训练集样本数量。5.根据权利要求3所述的方法，其特征在于，所述的步骤S2中网络结构进一步包括：S21：图像插值单元，对网络输入的低分辨率超声图像进行双三次插值，获得与目标图像尺寸一致的图像H0；S22：特征重建网络，由特征提取网络和超分辨率重建网络串联构成，直接从网络输入的低分辨率超声图像中，重建高分辨率图像特征H1；S23：注意力机制网络，具有编码-解码的网络结构，对H0进行特征提取，获取图片中...
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。