一种基于改进SRGAN的肺部CT图像超分辨率方法技术

本发明专利技术公开了一种基于改进SRGAN的肺部CT图像超分辨率方法，应用于计算机视觉技术领域，包括以下步骤：S1、构建低分辨率

【技术实现步骤摘要】
一种基于改进SRGAN的肺部CT图像超分辨率方法


[0001]本专利技术涉及计算机视觉
，更具体的说是涉及一种基于改进SRGAN的肺部CT图像超分辨率方法。

技术介绍

[0002]根据世界卫生组织发表的GLOBOCAN2020癌症报告显示，肺癌发病率为11.4％，仅次于乳腺癌(发病率为11.7％)，而肺癌的死亡率为18％，居于最高。以此可见，肺部癌症是全球发病率极高且死亡率最高的一种疾病。对于肺部疾病早期的诊断和治疗能够提高至少30％的肺癌生存率。医学肺部CT图像是医生对于病人病情的分析和诊断的重要资料。由于肺部疾病的初期症状并不明显，高分辨率的肺部CT图像能够提高诊断的准确性，对于病情的早期诊断有着重要意义。但是医学CT图像包括肺部CT图像在成像的过程中，受到医学设备的成像分辨率、图像获取时间、患者所能承受的放射剂量等各种因素的限制，获得的图像分辨率有限。低分辨率的CT图像带来的问题是图像质量差导致详细信息丢失，严重干扰医学诊断。因此，提高CT图像的质量，加快重建速度，对诊断具有特别重要的意义。目前，提高医学CT图像分辨率常用的方法有以下3种：
[0003]1、提高传感器的像素数量或者增加传感器的感光面积，但是这种方法往往会带来更严重的散射噪声和增大成像设备的尺寸。
[0004]2、改变成像设备的扫描方式，该方法对医疗器械的精度要求高，且会增加辐射剂量。
[0005]3、超分辨率重建技术。图像分辨率是指图像中像素的数量，可以直接反映图像中包含的信息，图像分辨率越高，图像的外观越清晰，单位面积内包含的细节越多，可以从图像中获得更多的信息。图像超分辨率(super resolution，SR)是指由一幅低分辨率(low resolution，LR)图像或图像序列恢复出高分辨率(high resolution，HR)图像，SR重建是计算机视觉领域由来已久的研究热点，尤其在医学图像的SR重建领域有着重要的应用。
[0006]在不改变设备硬件条件和放射剂量的条件下，利用超分辨率技术提升肺部CT图像的分辨率，更好地辅助医护人员的临床诊断，在医学图像的SR重建领域有着重要的意义。随着深度学习(Deep learning)的迅速发展，基于生成对抗网络(Generative Adversarial Network,GAN)的超分辨率取得视觉上更可靠的效果，但是针对医学CT图像仍然存在以下几个问题：(1)医学CT图像数据集相对较小，采集难度较大，训练样本少导致精度不高，传统的数据增强方法(翻转，平移等)虽然能从一定程度上增加数据量，但是都存在效果不佳或者误差较大的问题；(2)现有超分辨率方法(SRCNN、SRGAN、ESRGAN等)大都基于自然图像，由于自然图像本身就含有大量丰富的信息，而医学CT图像本身含有的信息单一且少量，因此这类方法并不能直接用于医学图像；(3)现有专门针对医学CT图像超分辨率的方法较少，尤其是针对肺部CT图像的超分辨率的研究较少，而且大多以残差网络作为主干网网络，残差网模型比较大，训练时间较长，同时不会带来视觉感知质量的提升。因此，急需一种能够解决上述问题的医学肺部CT图像超分辨率方法。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种基于改进SRGAN的肺部CT图像超分辨率方法，可以在生成的超分图像中保留更多地原始和细节信息，将生成对抗网络GAN与肺部CT图像的超分辨率需求相结合，生成视觉感知质量较高的肺部CT超分图像。
[0008]为了实现上述目的，本专利技术提供如下技术方案：
[0009]一种基于改进SRGAN的肺部CT图像超分辨率方法，包括以下步骤：
[0010]S1、构建低分辨率
‑
高分辨率图像对，对肺部CT图像进行预处理，构建数据集；
[0011]S2、设计一种多尺度的残差块MS_ResB替换SRGAN中的原残差块；
[0012]S3、设计基于Charbonnier损失的感知损失函数；
[0013]S4、搭建基于多尺度残差块的肺部CT图像生成式对抗网络；
[0014]S5、通过S1构建的数据集对S4中搭建的基于多尺度残差块的肺部图像生成式对抗网络进行训练；
[0015]S6、通过S5中训练得到的网络模型对低分辨率图像进行超分辨率。
[0016]优选的，所述S1中构建低分辨率
‑
高分辨率图像对具体为：将肺部CT图像分为训练集和测试集，对所述训练集中的图像进行降采样算法处理，得到低分辨率图像I
LR
，所述低分辨率图像与原训练集中的真实高分辨率图像I
HR
构成低分辨率
‑
高分辨率图像对。
[0017]优选的，所述S2中设计的多尺度残差块包括2个1*1卷积层和6个3*3卷积层，1*1卷积层用于降低参数量，3*3卷积层用于提取图像特征。
[0018]优选的，所述S4中的基于多尺度残差块的肺部CT图像生成式对抗网络包括生成器Gnet和判别器Dnet，所述生成器Gnet包括：3个卷积块、5个多尺度残差块，1个上采样模块；其中第一生成器卷积块用于图像的浅层特征提取，5个多尺度残差块和第二生成器卷积块用于图像的高层特征的提取，上采样模块用于将特征图尺寸恢复至目标超分辨率图像的大小，第3个卷积块用于超分辨率图像重建；所述判别器Dnet包括8个判别器卷积块、2个全连接层、2个激活函数；8个判别器卷积块分别包括一个激活函数，其中第二、四、六、八判别器卷积块的步长为2，其作用是减少特征图的尺寸同时降低计算量，第一、三、五、七判别器卷积块步长为1；第一全连接层的维度为1024，第二全连接层的维度为1；最后一层激活函数采用sigmoid激活函数，其余激活函数全部选择gelu作为激活函数。
[0019]优选的，所述S5具体为：
[0020]S51、初始化生成器Gnet、判别器Dnet和优化器；
[0021]S52、输入低分辨率图像I
LR
至生成器Gnet中，生成高分辨率图像I
SR
；
[0022]S53、分别将高分辨率图像I
SR
和真实高分辨率图像I
HR
输入判别器Dnet中，判定输入图像为真实高分辨率图像I
HR
的概率值；
[0023]S54、计算判别器Dnet的损失，将判别器损失向输入侧进行反向传播，同时根据判别器损失计算判别器Dnet的梯度值；
[0024]S55、计算生成器Gnet的损失，将生成器损失向输入侧进行反向传播，同时根据生成器损失计算生成器Gnet的梯度值；
[0025]S56、依次更新判别器Dnet和生成器Gnet的参数，所述参数为偏置和权重。
[0026]优选的，所述S56之后还包括：S57、通过所述测试集对S56的基于多尺度残差块的肺部CT图像生成式对抗网络进行测试。
[0027]优选的，所述S54中的判别器Dnet损失函数为：
[0028][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进SRGAN的肺部CT图像超分辨率方法，其特征在于，包括以下步骤：S1、构建低分辨率
‑
高分辨率图像对，对肺部CT图像进行预处理，构建数据集；S2、设计一种多尺度的残差块MS_ResB替换SRGAN中的原残差块；S3、设计基于Charbonnier损失的感知损失函数；S4、搭建基于多尺度残差块的肺部CT图像生成式对抗网络；S5、通过S1构建的数据集对S4中搭建的基于多尺度残差块的肺部图像生成式对抗网络进行训练；S6、通过S5中训练得到的网络模型对低分辨率图像进行超分辨率。2.根据权利要求1所述的一种基于改进SRGAN的肺部CT图像超分辨率方法，其特征在于，所述S1中构建低分辨率
‑
高分辨率图像对具体为：将肺部CT图像分为训练集和测试集，对所述训练集中的图像进行降采样算法处理，得到低分辨率图像I
LR
，所述低分辨率图像与原训练集中的真实高分辨率图像I
HR
构成低分辨率
‑
高分辨率图像对。3.根据权利要求1所述的一种基于改进SRGAN的肺部CT图像超分辨率方法，其特征在于，所述S2中设计的多尺度残差块包括2个1*1卷积层和6个3*3卷积层，1*1卷积层用于降低参数量，3*3卷积层用于提取图像特征。4.根据权利要求1所述的一种基于改进SRGAN的肺部CT图像超分辨率方法，其特征在于，所述S4中的基于多尺度残差块的肺部CT图像生成式对抗网络包括生成器Gnet和判别器Dnet，所述生成器Gnet包括：3个卷积块、5个多尺度残差块，1个上采样模块；其中第一生成器卷积块用于图像的浅层特征提取，5个多尺度残差块和第二生成器卷积块用于图像的高层特征的提取，上采样模块用于将特征图尺寸恢复至目标超分辨率图像的大小，第3个卷积块用于超分辨率图像重建；所述判别器Dnet中所有的卷积块的卷积核尺寸均为3*3，其中第二、四、六、八卷积层的步长为2，其作用是减少特征图的尺寸同时降低计算量，第一、三、五、七卷积层步长为1；第一全连接层的维度为1024，第二全连接层的维度为1；最后一层激活函数采用sigmoid激活函数，其余卷积块相连的激活层全部选择gelu作为激活函数。5.根据权利要求1所述的一种基于改进SRGAN的肺部CT图像超分辨率方法，其特征在于，所述S5具体为：S51、初始化生成器Gnet、判别器Dnet和优化器；S52、输入低分辨率图像I
LR
至生成器Gnet中，生成高分辨率图像I
SR
；S53、分别将高分辨率图像I
SR
和真实高分辨率图像I
HR
输入判别器Dnet中，判定输入图像为真实高分辨率图像I
HR
的...

【专利技术属性】
技术研发人员：杨树媛，颜安，郭斌，
申请(专利权)人：新疆农业大学，
类型：发明
国别省市：