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

本发明专利技术涉及一种轻量级胸部CT图像超分辨率的残差特征注意力融合方法，包括以下步骤：S1、样本数据集的构建；S2、数据集样本的划分；S3、对数据集样本的预处理；S4、神经网络模型的构建及训练。本发明专利技术通过采用多个特征加权级联组FWCG所形成的特征加权级联组，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；为了更有效地融合来自相邻层级和具有不同感受野的特征信息，以获取更具代表性的特征，采用自适应特征融合模块AFFB，能够利用全局级别的空间特征之间的关系，生成空间注意力权重，增强了特征提取过程。增强了特征提取过程。增强了特征提取过程。

【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，不适用于资源受限的机器（例如医院使用的医学影像设备）。另外，现有的SR算法都是基于自然图像设计的，而胸部CT图像的视觉识别性较差，纹理比自然图像更复杂，因此在重建的胸部CT图像中不易保证关键信息不变。

技术实现思路

[0005]本专利技术的目的就是提供一种轻量级胸部CT图像超分辨率的残差特征注意力融合方法，以解决原始PET
‑
CT图像分辨率不足而对临床诊断产生不利影响的问题。
[0006]本专利技术的目的是这样实现的：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，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。
[0007]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。
[0008]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。
[0009]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。
[0010]进一步地，在步骤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在特征提取模块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；在最终图像重建完成后，将其与经过调整大小的原始图像进行残差连接，即生成最终的超分辨率PET
‑
CT图像。
[0011]进一步地，所述特征加权级联组FWCG包括特征提取模块CFEB和自适应融合模块AFFB。
[0012]进一步地，在所述特征提取模块CFEB中，输入特征图F
input
的通道数设为C，先将输入特征图F
input
经过一个输出通道数为C/2的3
×
3卷积层进行特征变换；然后将输入特征图F
input
分为一个保留分支和一个自校准分支进行特征处理；所述保留分支用于保持原始特征空间信息；所述自校准分支用于获取每个空间位置的上下文特征信息；在所述保留分支中，输入特征图F
input
经过一个输出通道数为C/2的3
×
3卷积层，得到F1；同时，在自校准分支中，输入特征图F
input
经过一个输出通道数为C/2的3
×
3分组卷积层，得到F2；F2经过sigmoid激活函数后与F1进行内积运算，得到F3；接着，F3经过一个输出通道数为C/2的3
×
3分组卷积层，得到F4；再后，在通道维度上将F2和F4进行拼接操作，得到F5；随后，F5经过一个输出通道数为C的1
×
1卷积层和一个输出通道数为C的SEB模块，得到F6；最后，将输入特征图F
input
与F6在像素层级进行加和操作，即得到最终的输出特征图F
output
。
[00本文档来自技高网...

【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：