【技术实现步骤摘要】
一种基于生成对抗网络改进的医学图像超分辨率方法
本专利技术属于图像处理
，具体涉及一种基于生成对抗网络改进的医学图像超分辨率方法。
技术介绍
医学影像广泛使用于临床医学辅助诊断中，医生凭借它对病人身体内部的情况有一个更直观清晰的了解，从而进行精准诊断。但是由于硬件和扫描时间等因素，真实场景下的医学图像受限于空间分辨率，医生无法对微小的病灶区域和病理特征进行准确的疾病分析，同时也造成了很多严重疾病无法及时被诊断出来，错过了治疗的最佳时机。在过去几十年里，已经提出了很多的工作来提高图像分辨率。超分辨率算法最早由Harris和Goodman分别于1964和1968年提出，被称为HarrisGoodman频谱外推法。超分辨率算法越来越受重视，直到现在已经发展成为图像处理领域的一个重要的研究方向。随着深度学习技术的发展和成熟，基于深度学习的方法已经超越了传统超分辨率算法。SRCNN是首个基于深度学习的端到端的超分辨率算法。做法是先将低分辨率图像使用双三次插值放大至目标尺寸(如放大至2倍、3倍、4倍)，然后使用了三...
【技术保护点】
1.一种基于生成对抗网络改进的医学图像超分辨率方法，其特征在于，包括以下步骤：/n步骤1：获取高分辨率医学图像数据集，将其分为训练数据集和测试数据集；/n步骤2：将步骤1获取的高分辨率医学图像数据集进行下采样得到低分辨率医学图像数据集；/n步骤3：在SRGAN的生成器模块的残差块中使用空洞卷积替代普通卷积，得到第一网络结构模型；/n步骤4：将步骤3得到的第一网络结构模型的生成器模块的批归一化层去掉，得到第二网络结构模型；/n步骤5：利用平均结构相似性感知损失函数改进SRGAN的感知损失函数，得到结构感知损失函数；/n步骤6：将步骤1获取的高分辨训练数据集和步骤2得到的低分辨...
【技术特征摘要】
1.一种基于生成对抗网络改进的医学图像超分辨率方法，其特征在于，包括以下步骤：
步骤1：获取高分辨率医学图像数据集，将其分为训练数据集和测试数据集；
步骤2：将步骤1获取的高分辨率医学图像数据集进行下采样得到低分辨率医学图像数据集；
步骤3：在SRGAN的生成器模块的残差块中使用空洞卷积替代普通卷积，得到第一网络结构模型；
步骤4：将步骤3得到的第一网络结构模型的生成器模块的批归一化层去掉，得到第二网络结构模型；
步骤5：利用平均结构相似性感知损失函数改进SRGAN的感知损失函数，得到结构感知损失函数；
步骤6：将步骤1获取的高分辨训练数据集和步骤2得到的低分辨率训练数据集作为第二网络结构模型的输入，并利用步骤5得到的结构感知损失函数对第二网络结构模型进行训练；
步骤7：利用步骤1获取的高分辨测试数据集和步骤2得到的低分辨率测试数据集，对步骤6训练后的第二网络结构模型进行验证，完成医学图像超分辨率。
2.根据权利要求1所述的一种基于生成对抗网络改进的医学图像超分辨率方法，其特征在于，步骤2中，采用MATLAB的bicubic核函数进行4倍下采样。
3.根据权利要求1所述的一种基于生成对抗网络改进的医学图像超分辨率方法，其特征在于，步骤3中，所述第一网络结构模型包括生成器模块和判别器模块；
所述第一网络结构模型的生成器模块的结构为：1个第一卷积层、1个第一激活层、16个参数相同的残差块、1个第二卷积层、2个组合上采样层和1个第三卷积层依次开环连接，且16个残差块和第二卷积层组成1个组合残差块；
其中，每个参数相同的残差块包括2个空洞卷积层、2个批归一化层和2个第二激活层，其结构为：1个空洞卷积层、1个批归一化层、1个第二激活层、1个空洞卷积层、1个批归一化层和1个第二激活层依次开环连接；
每个组合上采样层包括1个第四卷积层、1个2倍上采样的亚像素层和1个第三激活层，其结构为：1个第四卷积层、1个2倍上采样的亚像素层和1个第三激活层依次开环连接；
所述第一网络结构模型的判别器模块的结构为：1个第五卷积层、1个第四激活层、7个组合层、1个全连接层、1个第五激活层、1个全连接层和1个第五激活层依次开环连接；
其中，每个组合层的结构为：1个第六卷积层、1个批归一化层和1个第六激活层依次开环连接。
4.根据权利要求3所述的一种基于生成对抗网络改进的医学图像超分辨率方法，其特征在于，步骤4中，所述第二网络结构模型包括生成器模块和判别器模块；
将所述第一网络结构...
【专利技术属性】
技术研发人员：徐亦飞，姜绪浩，周住铭，蔚萍萍，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
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。