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】
本专利技术属于图像处理,涉及一种医学图像超分辨率重建方法,具体涉及一种基于sph启发的pg-spect图像超分辨重建方法,在医学影像等领域都有重要的应用价值。
技术介绍
1、图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数,包括时间分辨率、空间分辨率及色阶分辨率等,体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像,高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。超分辨率重建sr是一种通过图像处理算法和深度学习技术将低分辨率图像转换为高分辨率图像的方法。
2、医学图像可分x线射线、超声图像、磁共振图像、核医学图像;超分辨率重建技术被应用于医学图像中,可以将低分辨率的图像转化为高分辨率的图像,以增强医学图像的细节信息,从而提高医生对图像的观察和诊断的准确性。单光子发射断层成像spect是一种核医学成像技术,放射性示踪剂被注入病人体内,根据对放射性示踪剂所发出的γ射线的测量,可以重建出放射性示踪剂在人体内的分布图,该图可以反映人体组织结构及其活动功能,在spect技术中,重建图像是最为核心的的环节。一般来说,由于探测仪器本身的限制和列阵探测器的分辨率,采集到的原始数据噪声很大。因此,在进行重建处理时,需要对原始数据进行超分辨率重建,以得到高质量的图像。pg-spect图像是一种使用光子计数探测器所成的核医学图像,由于光子计数探测器采集的数据包含更多的额外信息,而传统的spect图像只包含计数信息;此外,由于光子计数探测器的高计数精度,pg-spect图像噪声的特性可能与sp
技术实现思路
1、本专利技术的目的在于克服现有技术的缺陷,提出了一种基于光滑粒子流体动力学sph启发的pg-spect图像超分辨重建方法,旨在聚合图像内跨位置的时间和空间上下文信息,并保持图像的边缘锐度,从而提高pg-spect图像重建的分辨率。
2、为实现上述目的,本专利技术采取的技术方案包括以下步骤:
3、(1)获取训练样本集和测试样本集:
4、获取k幅pg-spect图像,并对每幅pg-spect图像进行预处理后进行降采样;将每幅预处理后的pg-spect图像作为其裁剪成的图像块的标签,然后随机选取其中n个图像块及其标签组成训练样本集r1,将剩余的图像块及其标签组成测试样本集e1,其中,k≥600,
5、(2)构建基于sph启发的重建网络模型o:
6、构建包括顺次连接的sph启发的超分子网络、融合模块和上采样模块的重建网络模型o;其中,sph启发的超分子网络包括由并行排布的用于对输入的样本进行图像重建的光滑粒子子网络,和用于对输入的样本进行边缘信息重建的n-s引导子网络两个分支;融合模块用于对两个分支重建结果进行逐元素融合;上采样模块用于对融合得到的富含细节信息的重建特征图进行上采样;
7、(3)初始化参数:
8、初始化迭代次数为s,最大迭代次数为s,s≥10000,第s次迭代的重建网络模型os中可学习的权值、偏置参数分别为ws、bs,并令s=1;
9、(4)获取训练样本的重建pg-spect图像:
10、将训练样本集r1作为重建网络模型o的输入,sph启发的超分子网络对每个训练样本进行特征提取后,光滑粒子子网络对提取的n个特征图依次进行特征细化,得到n个富含内容细节和上下文信息的特征图;同时n-s引导子网络对提取的n个特征图依次进行引导,得到n个富含清晰边缘的补偿特征图;融合模块对第n个特征图及其对应的补偿特征图逐元素相加;上采样模块对融合模块输出的每个包含丰富细节和边缘信息的特征图进行上采样,得到n个重建的pg-spect图像;
11、(5)计算重建网络模型的的损失值:
12、采用l1范数,并通过重建的pg-spect图像及其对应训练样本标签计算损失值ls,通过n-s引导子网络生成的特征图与其对应的训练样本标签的特征图计损失值lns,然后通过ls和lns计算重建网络模型o的损失值l;
13、(6)获取训练好的重建网络模型:
14、通过链式法则分别求取重建网络模型o的损失值l对权值ws、偏置bs的偏导,并采用梯度下降法,通过l对权值ws、偏置bs的偏导对权值ws和偏置bs进行更新,得到本次迭代的重建网络模型os;然后判断s≥s是否成立,若是,得到训练好的重建网络模型o*,否则,令s=s+1,os=o,并执行步骤(4);
15、(7)获取pg-spect图像的重建结果:
16、将测试样本集e1作为训练好的重建网络模型o*的输入进行前向传播,得到所有测试样本对应的重建图像。
17、本专利技术与现有技术相比,具有以下优点:
18、本专利技术所构建的基于sph启发的pg-spect图像超分辨重建网路模型中的光滑粒子子网络能够通过扩大卷积接受域,有效地保留pg-spect图像的时间和空间细节信息;n-s引导子网络在图像重建过程中引导pg-spect像素向期望方向运动,从而在图像中产生清晰的边缘;实验结果表明,本专利技术能够有效提高pg-spect图像重建的质量。
本文档来自技高网...【技术保护点】
1.一种基于SPH启发的PG-SPECT图像超分辨重建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤(1)中所述的对每幅PG-SPECT图像进行预处理,实现步骤为:对每幅PG-SPECT图像进行随机水平翻转后进行90度旋转,实现对其的数据增强,并对每幅数据增强后的PG-SPECT图像进行裁剪,得到预处理后的K幅大小为H×H的PG-SPECT图像,其中,H≥512。
3.根据权利要求1所述的方法,其特征在于,步骤(1)中所述的对每幅PG-SPECT图像进行预处理后进行降采样,具体为:对预处理后的每幅PG-SPECT图像进行1/4降采样,得到K幅大小为的PG-SPECT图像块。
4.根据权利要求1所述的方法,其特征在于,步骤(2)中所述的重建网络模型O,其中:
5.根据权利要求1所述的方法,其特征在于,步骤(5)中所述的损失值Ls、损失值LNS,以及O的损失值L,计算公式分别为:
6.根据权利要求1所述的方法,其特征在于,步骤(6)中所述的对重建网络模型的超参数进行更新,更新公式分别为:
...【技术特征摘要】
1.一种基于sph启发的pg-spect图像超分辨重建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤(1)中所述的对每幅pg-spect图像进行预处理,实现步骤为:对每幅pg-spect图像进行随机水平翻转后进行90度旋转,实现对其的数据增强,并对每幅数据增强后的pg-spect图像进行裁剪,得到预处理后的k幅大小为h×h的pg-spect图像,其中,h≥512。
3.根据权利要求1所述的方法,其特征在于,步骤(1)中所述的对每幅pg...
【专利技术属性】
技术研发人员:张铭津,郑玲萍,张玉涵,李志峰,郭杰,李云松,高新波,
申请(专利权)人:西安电子科技大学,
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。