【技术实现步骤摘要】
轻量级胸部CT图像超分辨率的残差特征注意力融合方法
[0001]本专利技术涉及一种图像处理方法,具体地说是一种轻量级胸部CT图像超分辨率的残差特征注意力融合方法。
技术介绍
[0002]PET
‑
CT是一种将正电子发射计算机断层扫描(PET)与计算机断层扫描(CT)相结合的医学影像检查技术,以获得更加全面的影像信息。PET
‑
CT技术可以同时提供关于疾病代谢和功能信息以及解剖结构信息,能够在同一扫描中提供全身或局部的多种信息,提高疾病诊断和治疗的准确性和精度。
[0003]不断变异的COVID
‑
19严重威胁着人类生命和全球经济安全。研究表明,PET
‑
CT是 COVID
‑
19 的有效诊断方法。然而,PET
‑
CT的电离辐射会给患者带来潜在的癌症风险。为了在保护患者健康的同时有效准确地检测COVID
‑
19,研究人员尝试降低辐射剂量。然而,降低辐射剂量会降低图像质量,导致PET
‑
CT扫描出现肺炎区域和肺实质模糊不清,从而影响最终诊断。
[0004]图像超分辨率是一项图像处理技术,旨在从低分辨率图像重建出高分辨率图像。在图像超分辨率的背景下,高分辨率图像具有更高的空间细节和更丰富的信息,能够提供更清晰、更真实的视觉效果,从而为各种应用提供更好的视觉体验和更准确的分析结果。然而,使用传统的超分辨率方法存在的问题是模型参数庞大,训练和测试速度较慢,不适用于资源受 ...
【技术保护点】
【技术特征摘要】
1.一种轻量级胸部CT图像超分辨率的残差特征注意力融合方法,其特征在于,包括以下步骤:S1、样本数据集的构建:采集受检者的COVID
‑
19胸部PET
‑
CT图像样本,剔除其中存在缺失的样本,排除样本图像中存在重影或模糊的样本,在对保留的每个样本图像加载数据标签后,即构建成胸部PET
‑
CT样本数据集;S2、样本数据集的样本划分:从样本数据集的样本图像中提取不少于3000个的PET
‑
CT切片图像,将其中接近90%的切片图像组成训练集,将剩余的切片图像组成验证集和测试集,验证集与测试集的样本数量之比为1︰3;S3、对样本数据集的预处理:利用双三次插值法对数据集中所有样本中的高分辨率(HR)图像进行下采样,生成相应的低分辨率(LR)图像;再从数据集样本中原始的高分辨率图像中随机裁剪出尺寸为96
×
96、144
×
144和192
×
192的高分辨率图像块,裁剪出的三种尺寸规格的高分辨率图像块的数量相同;S4、神经网络模型的构建及训练,具体子步骤如下:S4
‑
1构建一个神经网络模型,该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;所述重建模块包括一个3
×
3卷积层和一个亚像素操作层,用于完成对于低分辨率的PET
‑
CT图像的重建,以得到高分辨率的图像;S4
‑
2设置训练批次,通过Adam优化器对神经网络模型进行训练,以得到神经网络模型参数;S4
‑
3设置初始学习率为5
×
104,设定每5
×
104次迭代后将学习率减半,共进行3
×
105次迭代;选择使用L1损失作为损失函数,计算真实值与预测值之间所有绝对差值的总和;S4
‑
4使用数据集训练神经网络:将训练集中经过图像预处理后的样本图像输入神经网络模型,由神经网络模型进行处理并输出预测结果,将预测结果与对应的真实标签进行比较,利用L1损失函数计算损失值,直到损失值降低并趋于稳定,即得到超分辨率的神经网络模型。2.根据权利要求1所述的残差特征注意力融合方法,其特征在于,步骤S4
‑
4中,超分辨率的神经网络模型的训练过程如下:S4
‑4‑
1样本图像首先通过神经网络模型中的浅层特征提取模块中的一个3
×
3卷积层的卷积操作,以提取样本图像的浅层特征;S4
‑4‑
2采用多个特征加权级联组FWCG并以链式结构进行堆叠,再通过全局分层特征融合策略GHFFS逐渐融合每一层的特征,提取样本图像中的深层特征;S4
‑4‑
3经过深度特征提取模块处理后的图像经过残差连接,与未通过该模块的图像特征进行加和操作,即获得融合了深度图像信息的特征层;S4
‑4‑
4在特征加权级联组FWCG中使用自适应融合模块AFFB融合全局级别的空间特征之间的关系;S4
‑4‑
5在深度特征提取模块之后引入一个残差连接操作,通过将深度特征提取前的特征图与当前的特征图进行加和,以实现信息的传递并进入重建模块;在最终图像重...
【专利技术属性】
技术研发人员:杨昆,许天笑,刘琨,薛林雁,刘爽,赵磊,张轩旗,李民,
申请(专利权)人:河北大学,
类型:发明
国别省市:
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。