基于残差卷积神经网络的LDCT图像超分辨增强方法及装置制造方法及图纸

本发明专利技术公开了基于残差卷积神经网络的LDCT图像超分辨增强方法及装置。该方法首先设计了一种改进混合级联任务卷积神经网络（以U

【技术实现步骤摘要】
基于残差卷积神经网络的LDCT图像超分辨增强方法及装置


[0001]本专利技术涉及医疗LDCT图像处理领域，尤其是一种基于残差卷积神经网络的LDCT图像超分辨增强方法及装置。

技术介绍

[0002]1970
‑
1980用CRX（胸片）、痰细胞学作为肺癌筛查的工具，四大随机对照试验，未能降低肺癌死亡率。1990年代，CT问世，LDCT（低剂量CT）能够检出早期肺癌，但是死亡率并无降低。2000年代，低剂量CT筛查较胸片可以降低被检者肺癌死亡率20%，2011年之后，LDCT得到全球性普及。人工智能可以应用在肺结节精准诊疗的各个阶段，包括人群早筛，智能早诊，精准早治，全程随访管理，转化科研等。
[0003]当前医学界使用的主要方法是采用高剂量CT来进行肺结节、慢阻肺、冠心病等疾病的筛查、检测与分析，这些方法的缺点主要是成像速度慢，成本高，辐射性大等。LDCT由于使用低剂量CT，成像分辨率低，特别是，现有的人工智能方法仅在低分辨的LDCT上进行分析，已经不能适应于复杂情况的技术要求。

技术实现思路

[0004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差卷积神经网络的LDCT图像超分辨增强方法，其特征在于，包括以下步骤：步骤1）制作训练集与测试集；步骤2）LDCT初始图像预处理；步骤3）训练是否的判断，如果是则进入步骤4），如果否则进入步骤8）；步骤4）改进混合级联任务U
‑
Net进行特征提取；步骤5）误差计算；步骤6）误差反向传播；步骤7）误差是否满足要求判断，如果是则进入步骤8），如果否则返回到步骤4）；步骤8）输出图像超分辨模型；步骤9）生成超分辨率CT图像；步骤10）结束。2.根据权利要求1所述的方法，其特征在于，所述的步骤1）制作训练集与测试集的步骤如下：步骤1
‑
1）寻找大量低分辨率的LDCT图像与其对应的真值高分辨率CT图像，将DICOM格式的CT图像转为PNG格式的灰度图，随机截取低分辨率LDCT图像的128
×
128大小图像与真值高分辨率CT图像对应位置的256
×
256大小的图像，并分别进行旋转90
°
，180
°
，270
°
，并对应进行翻转，得到每一张图像的变体，共8张图像；每张LDCT图像随机截取10处不同区域，收集50000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为训练集，5000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为测试集。3.根据权利要求1所述的方法，其特征在于，所述的步骤2）LDCT初始图像预处理的步骤如下：步骤2
‑
1）在图像超分辨增强之前，对低分辨率的LDCT图像进行标准化预处理，得到标准化图像；步骤2
‑
2）将标准化图像使用双三次上采样方法进行插值，得到高分辨率图像，使其与真值高分辨率CT图像具有相同的分辨率大小；步骤2
‑
3）将高分辨率图像输入到卷积核大小为3
×
3，输入通道数1，输出通道数为64的卷积层，将图像变换为64个通道的原始特征图。4.根据权利要求1所述的方法，其特征在于，所述的步骤4）改进混合级联任务U
‑
Net进行特征提取，构建空间上下文分支网络的步骤如下：步骤4
‑1‑
1）将原始特征图输入到卷积核大小为3
×
3，输入输出通道数为64，步长为2，填充为1的卷积层，经过3层这样的卷积层后，每层输出相对于输入特征图分辨率减少一半的特征图；4个特征图分别经过卷积核大小为1
×
1，输入输出通道数为64的卷积层后，低分辨率的特征图分别经过卷积核大小为2
×
2、4
×
4、8
×
8，输入输出通道数为64，步长为2、4、8的反卷积层进行上采样，输出与原始特征图分辨率大小相同的特征图；步骤4
‑1‑
2）将得到的4个分辨率大小相同的特征图进行元素级相加输出一个特征图，随后经过4个深度可分离卷积提取特征得到特征图；每个深度可分离卷积由卷积层大小为3
×
3，输入输出通道数为64，组数为64，填充为1的卷积层和卷积层大小为1
×
1，输入输出通道数为64的点卷积层构成；
步骤4
‑1‑
3）将得到的特征图输入卷积核大小为1
×
1，输入输出通道数为64的卷积层后，得到空间上下文分支特征图。5.根据权利要求1所述的方法，其特征在于，所述的步骤4）改进混合级联任务U
‑
Net进行特征提取，构建傅里叶通道注意力残差模块的步骤如下：步骤4
‑2‑
1）原始特征图经过2个深度可分离卷积层与Swish激活层得到新的特征图；其中深度可分离卷积层由卷积层大小为3
×
3，输入输出通道数为64，组数为64，填充为1的卷积层和卷积层大小为1
×
1，输入输出通道数为64的点卷积层构成；步骤4
‑2‑
2）新的特征图输入到傅里叶注意力模块得到注意力特征，傅里叶注意力模块内部依次为快速傅里叶变换，下采样层，全局平均池化层，上采样层，深度可分离卷积层，Sigmoid层；其中下采样层包含卷积核大小为1
×
1，输入通道数为64，输出通道数为16的卷积层和Swish激活函数层，上采样层包含卷积核大小为1
×
1，输入通道数为16，输出通道数为64的卷积层和Swish激活函数层，得到的64个特征图经过Sigmoid层计算每个通道的注意力值，将注意力值与分别与输入的特征图的每个通道相乘得到注意力特征图；步骤4
‑2‑
3）将得到的注意力特征图作为残差，与原始特征图进行元素级相加得到注意力残差特征图。6.根据权利要求1所述的方法，其特征在于，所述的步骤4）改进混合级联任务U
‑
Net进行特征提取，构建基于傅里叶通道注意力残差模块的U
‑
Net网络结构的步骤如下：步骤4
‑3‑
1）基于傅里叶通道注意力残差模块的U
‑
Net网络结构包含2个下采样层与2个上采样层；原始特征图在下采样层由傅里叶通道注意力残差模块提取特征，然后经过卷积核大小为3
×
3，输入通道数为64，输出通道数为128，步长为2，填充为1的卷积层后，经过Swish激活函数层与深度可分离卷积层，得到下采样特征图，其中深度可分离卷积层由卷积层大小为3
×

【专利技术属性】
技术研发人员：何赛灵，公大伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：