System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体涉及一种医学影像超分辨率处理的模型训练系统及图像处理系统。
技术介绍
1、图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。图像超分辨率研究可分为3个主要范畴:基于插值、基于重建和基于学习的方法。在影像学领域,通过图像超分辨率方法可以有效提升图像的分辨率,进而帮助医生作出更为准确的诊断。
2、现有技术中,已存在有基于图像超分辨率处理来提升医学影像质量的技术方案。比如,中国专利cn201910004840.8公开了一种医学图像超分辨率重建方法,,通过卷积层提取图像的特征信息并封装在一个胶囊结构中;然后,通过路由结构层运算输入并预测图像的高分辨率细节;最后,将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构,得到分辨率大幅提升的高分辨率图像。
3、但是,在实际实施过程中,专利技术人发现,为实现模型的训练,通常会选用真实的医学影像进行降分辨率处理来构建训练集。受限于医学影像在采集过程中的限制,不可避免地会存在一定的噪声、伪影等,导致模型在训练过程中学习到伪影部分的图像特征,进而在实际生成过程中,在生成的图像中引入原本不存在的伪影,影响后续诊断。
技术实现思路
1、针对现有技术中存在的上述问题,现提供一种用于医学影像超分辨率处理的模型训练系统;另一方面,还提供应用了该模型训练系统的图像处理系统。
2、具体技术方案如下:
3、一种用于医学
4、第一训练模块,所述第一训练模块对生成器采用第一训练集进行训练后输出;
5、所述第一训练集包括原始影像和基于所述原始影像生成的降分辨率影像;
6、第二训练模块,所述第二训练模块连接所述第一训练模块,所述第二训练模块接收所述生成器,并将所述生成器添加至生成式对抗网络中采用第二训练集进行训练;
7、所述第二训练集包括清晰图像和在所述清晰图像上添加伪影的伪影图像;
8、所述生成式对抗网络包括判别器,所述生成器和所述判别器相互连接;
9、所述生成器依照所述伪影图像生成处理图像,所述判别器依照所述清晰图像对所述处理图像中是否存在伪影进行判别并生成判别结果;
10、所述第二训练模块依照所述判别结果调整所述生成器,直至满足迭代条件后输出所述生成器;
11、所述生成器用于对输入的医学影像进行超分辨率处理后输出。
12、另一方面,所述第一训练模块包括:
13、数据采集模块,所述数据采集模块自外部数据源采集所述原始影像;
14、训练集生成模块,所述训练集生成模块连接所述数据采集模块,所述训练集生成模块依照所述原始影像生成所述第一训练集;
15、生成器训练模块,所述生成器训练模块连接所述训练集生成模块,所述生成器训练模块依照所述第一训练集对所述生成器进行训练后输出。
16、另一方面,所述训练集生成模块包括:
17、图像扩增模块,所述图像扩增模块接收所述原始影像并对所述原始影像进行扩增处理形成扩增影像;
18、所述扩增处理包括旋转、缩放、裁切、拉伸中的至少一个;
19、降分辨率模块,所述降分辨率模块连接所述图像扩增模块,所述降分辨率模块对所述扩增影像进行降分辨率处理得到所述降分辨率影像;
20、第一训练集添加模块,所述第一训练集添加模块分别连接所述图像扩增模块和所述降分辨率模块,所述第一训练集添加模块将所述扩增影像和对应于所述扩增影像的所述降分辨率影像添加至所述第一训练集中。
21、另一方面,所述生成器包括:
22、块处理模块,所述块处理模块接收所述原始影像并对所述原始影像进行卷积处理得到第一特征图;
23、映射模块,所述映射模块连接所述块处理模块,所述映射模块对所述第一特征图进行非线性映射得到第二特征图;
24、重建模块,所述重建模块连接所述映射模块,所述重建模块对所述第二特征图进行卷积处理得到所述处理图像。
25、另一方面,所述生成器训练模块于训练过程中采用第一损失函数衡量所述生成器的损失得到第一损失,所述生成器训练模块基于所述第一损失对所述生成器的模型参数进行更新;
26、所述第一损失函数包括:
27、
28、式中,loss1为所述第一损失,f(x)为所述处理图像,y为所述原始影像,i为训练次数,n为总训练次数。
29、另一方面,所述第二训练模块包括:
30、第二训练集存储模块,所述第二训练集存储模块中预先存储有所述第二训练集;
31、生成器模块,所述生成器模块接收所述生成器,所述生成器模块向所述生成器输入所述伪影图像;
32、所述生成器依照所述伪影图像生成超分辨率处理图像;
33、降采样模块,所述降采样模块连接所述生成器模块,所述降采样模块对所述超分辨率处理图像进行降采样处理形成降采样处理图像;
34、判别器模块,所述判别器模块连接所述降采样模块,所述判别器模块对所述降采样处理图像进行判别形成判别结果;
35、更新模块,所述更新模块连接所述判别器模块和所述生成器模块,所述更新模块依照所述判别结果对所述生成器的模型参数进行调整,直至满足所述迭代条件。
36、另一方面,所述第二训练模块还包括第二训练集生成模块,所述第二训练集生成模块连接所述第二训练集存储模块并向所述第二训练集存储模块添加所述第二训练集;
37、所述第二训练集生成模块包括:
38、影像获取模块,所述影像获取模块获取所述清晰图像;
39、伪影添加模块,所述伪影添加模块连接所述影像获取模块,所述伪影添加模块于所述清晰图像中添加伪影形成所述伪影图像;
40、第二训练集添加模块,所述第二训练集添加模块分别连接所述影像获取模块和所述伪影添加模块,所述第二训练集添加模块将所述清晰图像和对应于所述清晰图像的所述伪影图像添加至所述第二训练集中。
41、另一方面,所述判别器包括:
42、特征提取网络,所述特征提取网络包括多个依次连接的第一卷积层;
43、相邻的所述第一卷积层的大小依次下降;
44、首位的所述第一卷积层接收所述处理图像并提取特征形成特征图后传递至下一级的所述第一卷积层;
45、特征融合网络,所述特征融合网络的输入端连接所述特征提取网络的输出端,所述特征融合网络包括多个依次连接的第二卷积层;
46、每个所述第二卷积层分别对应于相应层级上的所述第一卷积层,相邻的所述第二卷积层的大小依次增加;
47、所述第二卷积层接收上一级的所述第二卷积层的输出特征和对应的所述第一卷积层提取到的所述特征图,所述第二卷积层对所述输出特征和所述特征图进行融合后形成新本文档来自技高网...
【技术保护点】
1.一种医学影像超分辨率处理的模型训练系统,其特征在于,包括:
2.根据权利要求1所述的模型训练系统,其特征在于,所述第一训练模块包括:数据采集模块,所述数据采集模块自外部数据源采集所述原始影像;
3.根据权利要求2所述的模型训练系统,其特征在于,所述训练集生成模块包括:
4.根据权利要求2所述的模型训练系统,其特征在于,所述生成器包括:
5.根据权利要求4所述的模型训练系统,其特征在于,所述生成器训练模块于训练过程中采用第一损失函数衡量所述生成器的损失得到第一损失,所述生成器训练模块基于所述第一损失对所述生成器的模型参数进行更新;
6.根据权利要求1所述的模型训练系统,其特征在于,所述第二训练模块包括:
7.根据权利要求6所述的模型训练系统,其特征在于,所述第二训练模块还包括第二训练集生成模块,所述第二训练集生成模块连接所述第二训练集存储模块并向所述第二训练集存储模块添加所述第二训练集;
8.根据权利要求1所述的模型训练系统,其特征在于,所述判别器包括:
9.一种图像处理系统,其特征
...【技术特征摘要】
1.一种医学影像超分辨率处理的模型训练系统,其特征在于,包括:
2.根据权利要求1所述的模型训练系统,其特征在于,所述第一训练模块包括:数据采集模块,所述数据采集模块自外部数据源采集所述原始影像;
3.根据权利要求2所述的模型训练系统,其特征在于,所述训练集生成模块包括:
4.根据权利要求2所述的模型训练系统,其特征在于,所述生成器包括:
5.根据权利要求4所述的模型训练系统,其特征在于,所述生成器训练模块于训练过程中采用第一损失函数衡量所述生成器的损失得到第一损失,所述生成器训练模块基于所述第一损失...
【专利技术属性】
技术研发人员:黄孟钦,
申请(专利权)人:上海深至信息科技有限公司,
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。