【技术实现步骤摘要】
超分辨率重建网络模型的训练方法和扫描图像处理方法
[0001]本专利技术涉及人工智能领域,特别涉及一种超分辨率重建网络模型的训练方法和扫描图像处理方法。
技术介绍
[0002]形态学的磁共振(MR)分析是神经影像领域诊断脑疾病,研究大脑发育的一种重要手段。低分辨率的图像使得视野受到限制,提供的病理信息有限;高分辨率的图像意味着图像的像素密度很高,能够提供更多的细节,例如:解剖信息、生理信息、功能代谢信息。如果能够提供高分辨率的图像,那么就可以极大的帮助医生做出正确的诊断,也可以提升计算机辅助诊断方面的性能。
[0003]现代医学成像依赖于高科技的设备—X线机、CT(电子计算机断层扫描)、MR等。虽然随着硬件设备的升级,成像的质量也会随之提高,但由于现实条件的限制,得到高分辨率的图像的难度较大。例如,CT想要得到高分辨的图像,最简单有效的就是增加剂量,但是这意味着更高的辐射;而MR想要的得到高分辨率的图像,就需要更长的扫描时间,而这可能导致成本成倍增长。因此,大部分医院一般情况下都不会选择扫描分辨率很高的图像,高分辨率 ...
【技术保护点】
【技术特征摘要】
1.一种超分辨率重建网络模型的训练方法,其特征在于,包括:获取低分辨率训练图像和与所述低分辨率训练图像对应的高分辨率训练图像,所述高分辨率训练图像的像素密度高于对应的所述低分辨率训练图像的像素密度;将所述低分辨率训练图像输入至待训练的超分辨率重建网络模型;通过所述超分辨率重建网络模型对所述低分辨率训练图像进行图像重建处理以获取与所述低分辨率训练图像对应的超分辨率训练图像,所述超分辨率训练图像的像素密度高于或等于对应的所述高分辨率训练图像的像素密度;计算所述超分辨率训练图像及所述高分辨率训练图像之间的第一损失;从所述超分辨率训练图像中识别出注意力区域并从所述高分辨率训练图像中识别出同样的注意力区域,计算识别出注意力区域的所述超分辨率训练图像及所述高分辨率训练图像之间的第二损失;根据所述第一损失及所述第二损失训练所述超分辨率重建网络模型。2.如权利要求1所述的训练方法,其特征在于,所述获取低分辨率训练图像和与所述低分辨率训练图像对应的高分辨率训练图像的步骤之后,所述训练方法还包括:将低分辨率训练图像和高分辨率训练图像进行配准以保持图像的一致性。3.如权利要求2所述的训练方法,其特征在于,所述从所述超分辨率训练图像中识别出注意力区域并从所述高分辨率训练图像中识别出同样的注意力区域,计算识别出注意力区域的所述超分辨率训练图像及所述高分辨率训练图像之间的第二损失的步骤,具体包括:从所述超分辨率训练图像中识别出注意力区域并从所述高分辨率训练图像中识别出同样的注意力区域;根据训练图像的像素点与识别出的注意力区域的距离,对训练图像的每个像素点分别赋予对应的损失计算权重,其中,像素点与注意力区域的距离和赋予该像素点的损失计算权重为相对关系;通过每个像素点对应的损失计算权重来计算识别出注意力区域的所述超分辨率训练图像及所述高分辨率训练图像之间的第二损失。4.如权利要求1所述的训练方法,其特征在于,所述训练方法还包括:利用组织结构图分别对所述超分辨率训练图像和所述高分辨率训练图像进行组织分割以获取所述超分辨率训练图像的组织分割...
【专利技术属性】
技术研发人员:石峰,曹泽红,贺怿楚,
申请(专利权)人:上海联影智能医疗科技有限公司,
类型:发明
国别省市:
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。