【技术实现步骤摘要】
基于生成对抗网络的CT图像预降质超分辨率的分析方法
[0001]本专利技术涉及图像处理的
，具体涉及一种基于生成对抗网络的CT图像预降质超分辨率的分析方法。
技术介绍
[0002]CT图像是经过CT机扫描产生的图像，通常是利用高级CT设备的快速采集与实时重建能力，在荧光屏上实时显示扫描部位影像。由于CT扫描主要用于人们疾病的诊断，需要对扫描结果进行准确地显示，因素，CT图像需要经过处理，以给人们提供一个准确的判断依据。
[0003]Jiang，Zhang等学者采用ESRGAN的多致密残差块结构，构建CT图像的超分辨率分析网络，减少了残差单元数量，并在残差块之间建立了紧密的联系，减少了网络冗余，但取得的视觉效果还有待提高。Wang，Sun等学者将EDSR网络用于CT图像超分辨率分析，在较好的恢复边缘锐度的情况下，但丢失了部分高频细节。Zhou，Wang和Zhao等人在CT图像的超分辨率分析中使用了RCAN网络的残余通道关注网络结构，使用具有多个分支的多尺度注意力块，可以自动生成权重来调整网络，但取得的视觉效果还有...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的CT图像预降质超分辨率的分析方法，其特征在于该方法使用单一分辨率图像数据集，通过降质网络和注入噪声获得与真实图像同域的低分辨率图像，进而构造接近天然图像对的训练数据集，并且设计了包括超分辨生成器、超分辨鉴别器和超分辨特征提取器的超分辨率生成对抗网络，实现对CT影像的x4倍超分辨率分析。2.根据权利要求1所述的基于生成对抗网络的CT图像预降质超分辨率的分析方法，其特征在于具体步骤包括有：101、建立降质模型；降质模型表示高
‑
低分辨率CT图像之间的对应关系，表示为：I
LR
＝(I
HR
*DE
s
)
↓
s
+N
in
其中，DE
s
和N
in
分别表示降质核和注入噪声，s表示缩放因子；102、注入噪声；从源图像I
CT
(即高分辨率图像I
HR
)中提取噪声块；从训练数据集(SET
train
)随机选取源图像I
CT
提取噪声图块，提取一定数量的噪声图块去构建噪声块数据集(SET
noise
)，其中，噪声注入过程是通过从SET
noise
数据集随机选取噪声图块并应用于上述公式来执行的；103、训练核估计降质网络；使用生成对抗网络(称之为核估计网络)训练上述公式中所用的降质核DE
s
，核估计网络使用无监督的生成对抗网络训练降质核DE
s
；核估计网络的处理流程：随机选取的源图像I
CT
输入核估计网络后，一方面源图像I
CT
经由核估计生成器降采样为s倍的图像I
de
，一方面在源图像I
CT
中随机位置裁切出和I
de
相同大小的图像I
cr
，然后输出给鉴别器，通过鉴别器区分降质图I
de
和裁切图I
cr
的内部像素块在多个尺度上的分布是否一致；104、训练超分辨网络；通过高
‑
低分辨率图像对数据预处理，得到相对更接近天然的图像对，并以此为数据集训练超分辨网络，超分辨网络采用生成对抗网络结构，在生成器、鉴别器的基础上增加了特征提取器，超分辨特征提取器的结构参考VGG
‑
19模型，超分辨生成器的结构参考ESRGAN模型，超分辨鉴别器参考PatchGAN模型。。3.根据权利要求1所述的基于生成对抗网络的CT图像预降质超分辨率的分析方法，其特征在于步骤103中，核估计网络的每一次训练仅使用一个图片，训练结束后将核估计生成器提取为1个降质核DE
s
；每次训练所用图片均从训练数据集SET
train
随机选取，经过多次训练生成一定数量的降质核，放在一起构成降质核数据集(SET
ker
)，降质过程是通过从SET
ker
数据集随机选取降质核DE
s
来执行的。4.根据权利要求3所述的基于生成对抗网络的CT图像预降质超分辨率的分析方法，其特征在于核估计网络的目标函数定义为：其中G和D表示核估计生成器和核估计鉴别器，其中l
K
为损失函数，可展开表示为：l
K
＝α
s
l
s
+α
m
l
m
+α
sq
l
sq
+α
ce
l
ce
这里l
s
、...
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。