一种医学影像超分辨率重建方法及系统技术方案

本发明专利技术提出了一种医学影像超分辨率重建方法及系统，涉及计算机视觉技术领域，获取待重建的低分辨率医学图像；通过训练后的超分辨率重建模型处理所述低分辨率图像，以生成并输出最终的高分辨率医学图像；超分辨率重建模型包括浅层特征提取模块、深层特征提取模块和重建模块，所述深层特征提取模块中，并行的卷积模块和局部窗口自注意力模块通过权值共享模块，进行信道权值和空间权值的动态计算和共享，基于动态计算的权值，生成空间特征图和信道特征图，通道拼接后得到深层特征图；本发明专利技术相比基于Transformer和CNN的模型，更好地恢复黑色背景和中心区域的重要信息，恢复出医学影像更多的细节信息，提高医学影像超分辨率重建精度。精度。精度。

【技术实现步骤摘要】
一种医学影像超分辨率重建方法及系统


[0001]本专利技术属于计算机视觉
，尤其涉及一种医学影像超分辨率重建方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]在医学成像技术进步的推动下，磁共振成像(MRI)在常规临床诊断评估中发挥着越来越重要的作用，而高分辨率(HR)磁共振成像可以提供更为丰富的细节，更有利于诊断。然而，由于时间限制、所需的信噪比和身体运动等原因，用成像设备很难捕捉到高质量的高分辨率MRI图像；近年来，图像超分辨率(SR)已被应用于从低分辨率(LR)的图像中重新构建高分辨率(HR)的图像；因此，作为一种提高MRI图像质量的可行方案，受到了广泛的关注。
[0004]图像超分辨率方法通过学习LR图像和HR图像之间的映射来重建HR图像，很多传统的插值方法已经被提出来用于图像超分辨率，如双三次插值、Lanczos
‑
σ，然而，这些方法的性能并不令人满意；随着深度学习技术的蓬勃发展，深度神经网络，特别是卷积神经网络(CNN)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像超分辨率重建方法，其特征在于，包括：获取待重建的低分辨率医学图像；通过训练后的超分辨率重建模型处理所述低分辨率图像，以生成并输出最终的高分辨率医学图像；其中，所述超分辨率重建模型包括浅层特征提取模块、深层特征提取模块和重建模块，所述深层特征提取模块中，并行的卷积模块和局部窗口自注意力模块通过权值共享模块，进行信道权值和空间权值的动态计算和共享，基于动态计算的权值，生成空间特征图和信道特征图，通道拼接后得到深层特征图。2.如权利要求1所述的一种医学影像超分辨率重建方法，其特征在于，所述浅层特征提取模块，使用3
×
3的卷积层从低分辨率医学图像中提取浅层特征图。3.如权利要求1所述的一种医学影像超分辨率重建方法，其特征在于，所述深层特征提取模块的处理过程，具体为：输入的浅层特征图经过依次连接的多个共享残差SwinTransformer模块和一个3
×
3的卷积层，得到深层特征图。4.如权利要求1所述的一种医学影像超分辨率重建方法，其特征在于，所述共享残差SwinTransformer模块的处理过程，具体为：输入的特征图经过依次连接的多个共享SwinTransformer模块，得到共享特征图，共享特征图与输入的特征图进行残差连接，得到共享残差特征图。5.如权利要求4所述的一种医学影像超分辨率重建方法，其特征在于，所述共享SwinTransformer模块，由通道拆分操作、局部窗口自注意力模块、卷积核大小为3
×
3的卷积模块、权值共享模块、通道拼接操作和前馈神经网络组成，处理过程具体为：通过通道拆分操作将输入的特征图拆分为两个特征子图，分别输入到局部窗口自注意力模块和卷积模块中；所述局部窗口自注意力模块和卷积模块，基于权值共享模块共享的动态权值，生成空间特征图和信道特征图；空间特征图、信道特征图和输入的特征图通过通道拼接操作进行拼接；拼接后的特征图输入到前馈神经网络中，得到共享特征图。6.如权利要求1所述的一种医学影像超分辨率重建方法，其特征在于，所述空间特征图和信道特征图的具体生成过程为：(1)卷积模块从拆分后的特征子图X1中提取卷积特征图和初始信道特征图X
′<...

【专利技术属性】
技术研发人员：张瑜，马涵骁，刘丽霞，张友梅，李彬，张明亮，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：