一种强噪声医学图像超分辨率重建方法技术

本发明专利技术公开一种强噪声医学图像超分辨率重建方法，包括步骤一、获取医学图像并划分训练集和验证集，步骤二、构建生成式对抗神经网络，步骤三、利用训练集对生成式对抗神经网络进行训练，步骤四、利用验证集对训练后的生成式对抗神经网络进行验证；本发明专利技术有效地提取了高分辨率医学图像的深层空间特征和先验信息，重建结果无论在低层次的像素值上，还是高层次的抽象特征上都接近于真实的高分辨率医学图像，具备良好的视觉感受和客观评价质量。具备良好的视觉感受和客观评价质量。具备良好的视觉感受和客观评价质量。

【技术实现步骤摘要】
一种强噪声医学图像超分辨率重建方法


[0001]本专利技术涉及医学图像处理
，尤其涉及一种强噪声医学图像超分辨率重建方法。

技术介绍

[0002]在医学图像成像领域中，超声成像、CT成像、MRI成像和PET成像是最主要的成像方式，它们能够以非侵入的方式获得更多的组织器官的信息，使得这些医学成像技术在科学研究和临床医学等领域发挥着举足轻重的作用；
[0003]而高分辨率医学图像是疾病准确诊断的前提，通常获取的医学图像含有大量的强噪声，这种强噪声是成像设备、人体组织和外界环境综合作用的结果，会大大降低图像的分辨率，使组织边界模糊，细微结构难以辨认，从而影响医学诊断结果，受到成像系统和方法的制约，医学图像的成像分辨率难以达到人们所期待的高度；
[0004]目前研究方法对强噪声医学图像超分辨率重建还存在一定的局限性，会丢失高频细节导致模糊边缘和出现过度平滑的纹理，重建效果较差，因此，本专利技术提出一种强噪声医学图像超分辨率重建方法以解决现有技术中存在的问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提出一种强噪声医学图像超分辨率重建方法，该强噪声医学图像超分辨率重建方法有效地提取了高分辨率医学图像的深层空间特征和先验信息，具备良好的视觉感受和客观评价质量。
[0006]为实现本专利技术的目的，本专利技术通过以下技术方案实现：一种强噪声医学图像超分辨率重建方法，包括以下步骤：
[0007]步骤一、从强噪声医学图像库和高分辨率医学图像库中选取医学图像，再对选取的医学图像进行处理，并构建医学图像的训练集和验证集；
[0008]步骤二、构建生成式对抗神经网络，其中生成式对抗神经网络包含G1、G2、G3和G4四个生成器网络和D1和D2两个判别器网络；
[0009]步骤三、利用步骤一构建的医学图像的训练集对生成式对抗神经网络进行训练；
[0010]步骤四、利用步骤一构建的医学图像的验证集对训练后的生成式对抗神经网络进行验证。
[0011]进一步改进在于：所述步骤一中构建训练集和验证集的具体方法为
[0012]S1、从强噪声医学图像库中选取强噪声医学图像并裁剪成32
×
32的图像块，构成的图像集用x表示；
[0013]S2、基于图像先验信息的自适应细节保持去噪算法对x进行降噪，获得新的医学图像集并计算中每个图像块的sift特征值；
[0014]S3、从高分辨率医学图像库中选取医学图像后裁剪成128
×
128的图像块，构成的图像集用z表示，再对z进行下采样构成32
×
32的图像集y，并计算y中每个图像块的sift特
征值；
[0015]S4、通过sift特征匹配从y中找到与相似的图像块并一一对应，构建成强噪声降质医学图像块与高分辨率医学图像块相配对的数据集；
[0016]S5、将S4中构建的数据集的90％作为训练集，数据集的10％作为验证集。
[0017]进一步改进在于：所述S3中高分辨率医学图像库中选取的医学图像数量是S1中强噪声医学图像库中选取的强噪声医学图像数量的三倍。
[0018]进一步改进在于：所述步骤二中生成器网络前后部分由三个卷积层构成，生成器网络G2和G3的卷积层由64个大小为3
×
3、步长为1的特征滤波器构成，G4的第二卷积层和第三卷积层由64个大小为4
×
4、步长为2的特征滤波器构成；
[0019]生成器网络中间部分由六个残差卷积块构成，所述残差卷积块包含两个卷积层，卷积层由大小为3
×
3、步长为1的特征滤波器构成。
[0020]进一步改进在于：所述步骤二中判别器网络由五个卷积层和三个批量归一化层构成，其中判别器网络前面部分为两个卷积层构成，后面部分为三个批量归一化层和三个卷积层交替组合构成。
[0021]进一步改进在于：所述步骤三中将生成式对抗神经网络分成两个部分进行训练，第一部分为NLR
‑
CLR，即噪声低分辨率图像转化为无噪干净低分辨率图像过程；第二部分为LR
‑
HR，即低分辨图像转化为高分辨率图像过程。
[0022]进一步改进在于：所述噪声低分辨率图像转化为无噪干净低分辨率图像过程中，用训练集对G2、G3和D1进行训练，生成下式表示的对抗损失函数
[0023][0024]其中N是训练样本数，增加一个生成器网络G1保证输出x和输出y一致，设x
′
i
＝G2(G1(D(x
i
)))，G1网络的训练损失函数用循环一致性损失函数表示，如下式
[0025][0026]再增加下式的身份损失函数避免不同迭代之间的颜色变化
[0027][0028]添加总变化TV损失函数，用下式表示，以约束空间平滑性
[0029][0030]其中和表示水平和垂直方向的梯度，则噪声低分辨率图像转化为无噪干净低分辨率图像过程的总损失函数由下式表示
[0031][0032]其中，w1、w2、w3表示加权系数，同理，所述低分辨图像转化为高分辨率图像过程中总损失函数由下式表示
[0033][0034]其中，λ1、λ2、λ3代表加权系数，表加权系数，
[0035][0035]z表示从高分辨率医学图像库中选取医学图像后裁剪成128
×
128的图像块集合。
[0036]本专利技术的有益效果为：本专利技术有效地提取了高分辨率医学图像的深层空间特征和先验信息，重建结果无论在低层次的像素值上，还是高层次的抽象特征上都接近于真实的高分辨率医学图像，具备良好的视觉感受和客观评价质量。
附图说明
[0037]图1为本专利技术方法流程图。
[0038]图2为本专利技术生成式对抗神经网络架构图。
[0039]图3为本专利技术生成器网络架构图。
[0040]图4为本专利技术判别器网络架构图。
具体实施方式
[0041]为了加深对本专利技术的理解，下面将结合实施例对本专利技术做进一步详述，本实施例仅用于解释本专利技术，并不构成对本专利技术保护范围的限定。
[0042]根据图1
‑
4所示，本实施例提供了一种强噪声医学图像超分辨率重建方法，包括以下步骤：
[0043]步骤一、从强噪声医学图像库和高分辨率医学图像库中选取医学图像，再对选取的医学图像进行处理，并构建医学图像的训练集和验证集；
[0044]具体方法为
[0045]S1、从强噪声医学图像库中选取强噪声医学图像并裁剪成32
×
32的图像块，构成的图像集用x表示；
[0046]S2、基于图像先验信息的自适应细节保持去噪算法对x进行降噪，获得新的医学图像集并计算中每个图像块的sift特征值；
[0047]S3、从高分辨率医学图像库中选取医学图像后裁剪成128
×
128的图像块，数量是S1中强噪声医学图像库本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种强噪声医学图像超分辨率重建方法，其特征在于包括以下步骤：步骤一、从强噪声医学图像库和高分辨率医学图像库中选取医学图像，再对选取的医学图像进行处理，并构建医学图像的训练集和验证集；步骤二、构建生成式对抗神经网络，其中生成式对抗神经网络包含G1、G2、G3和G4四个生成器网络和D1和D2两个判别器网络；步骤三、利用步骤一构建的医学图像的训练集对生成式对抗神经网络进行训练；步骤四、利用步骤一构建的医学图像的验证集对训练后的生成式对抗神经网络进行验证。2.根据权利要求1所述的一种强噪声医学图像超分辨率重建方法，其特征在于：所述步骤一中构建训练集和验证集的具体方法为S1、从强噪声医学图像库中选取强噪声医学图像并裁剪成32
×
32的图像块，构成的图像集用x表示；S2、基于图像先验信息的自适应细节保持去噪算法对x进行降噪，获得新的医学图像集并计算中每个图像块的sift特征值；S3、从高分辨率医学图像库中选取医学图像后裁剪成128
×
128的图像块，构成的图像集用z表示，再对z进行下采样构成32
×
32的图像集y，并计算y中每个图像块的sift特征值；S4、通过sift特征匹配从y中找到与相似的图像块并一一对应，构建成强噪声降质医学图像块与高分辨率医学图像块相配对的数据集；S5、将S4中构建的数据集的90％作为训练集，数据集的10％作为验证集。3.根据权利要求2所述的一种强噪声医学图像超分辨率重建方法，其特征在于：所述S3中高分辨率医学图像库中选取的医学图像数量是S1中强噪声医学图像库中选取的强噪声医学图像数量的三倍。4.根据权利要求1所述的一种强噪声医学图像超分辨率重建方法，其特征在于：所述步骤二中生成器网络前后部分由三个卷积层构成，生成器网络G2和G3的卷积层由64个大小为3
×
3、步长为1的特征滤波器构成，G4的第二卷积层和第三卷积层由64个大小为...

【专利技术属性】
技术研发人员：刘哲，于伯旋，贺雨洁，任义烽，李成创，唐佳爱，刘硕，
申请(专利权)人：西京学院，
类型：发明
国别省市：