一种分步式有监督训练生成式深度学习单帧超分辨成像算法制造技术

本发明专利技术公开了一种分步式有监督训练生成式深度学习单帧超分辨成像算法，将与训练集相同生物结构的宽场衍射受限的低分辨率图像输出为超分辨图像，并可以将空间尺寸上采样至两倍，具体地说，在传统的SISR模型只进行一次整体的前向和反向传播的基础上，将编码器单独提取出来进行一次额外的训练，既将Ground Truth和低分辨率宽场图同时作为输入通过编码器处理得到多通道的feature maps，并通过格拉姆矩阵损失函数进行损失计算并反向传播。本发明专利技术还自研搭建了神经网络结构，设计损失函数及数据增强。基于上述方法，所搭建的新型的SISR模型可以做到相较于传统SISR模型更少的训练集，更快的推理速度，更优秀的图片质量，更少的伪影生成。

【技术实现步骤摘要】

本专利技术涉及深度学习超分辨成像的，具体是指一种分步式有监督训练生成式深度学习单帧超分辨成像算法。

技术介绍

1、超分辨显微镜是生物医学研究中重要的工具之一，但是现有超分辨显微成像技术存在着分辨率、成像速度、成像视场、光毒性和光漂白等相互制约因素，并且光学系统购置和搭建的成本也比较高昂。因此，近年来基于深度学习的超分辨显微成像技术展现出非常大的应用潜力，其后期使用成本较低，并且对于图像的处理速度快，可以在短时间内，大批量的对图像进行超分辨成像。但是在超分辨显微成像的背景下，深度学习所需要的训练数据集并没有那么容易获取，而训练数据集的质量直接影响到了训练出的神经网络模型的质量。同时，模型输出也可能会产生伪影，这也会导致对于生物结构的准确观测。

2、因此，基于该技术存在的问题，亟待研发一种在使用少量训练数据的情况下也尽可能保证所输出的超分辨图像质量的方法。

技术实现思路

1、本专利技术要解决的技术问题是，旨在于提供一种分步式有监督训练生成式深度学习单帧超分辨成像算法，既在训练的每一个epoch中将编码本文档来自技高网...

【技术保护点】

1.一种分步式有监督训练生成式深度学习单帧超分辨成像算法，包括，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种分步式有监督训练生成式深度学习单帧超分辨成像算法，其特征在于：所述S1中数据集内对应图像有相同ROI，不同ROI采集数量≤两张；单个ROI信噪比采集量为8～9个，所采集的图像的视场大于32.5μm；。

3.根据权利要求2所述的一种分步式有监督训练生成式深度学习单帧超分辨成像算法，其特征在于：所述S1中数据集内大图低分辨为502×502，高分辨为1004×1004，随机裁剪为128×128和256×256的小图用于训练；

4.根据权利要...

【技术特征摘要】

1.一种分步式有监督训练生成式深度学习单帧超分辨成像算法，包括，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种分步式有监督训练生成式深度学习单帧超分辨成像算法，其特征在于：所述s1中数据集内对应图像有相同roi，不同roi采集数量≤两张；单个roi信噪比采集量为8～9个，所采集的图像的视场大于32.5μm；。

3.根据权利要求2所述的一种分步式有监督训练生成式深度学习单帧超分辨成像算法，其特征在于：所述s1中数据集内大图低分辨为502×502，高分辨为1004×1004，随机裁剪为128×128和256×256的小图用于训练；

4.根据权利要求1所述的一种分步式有监督训练生成式深度学习单帧超分辨成像算法，其特征在于：所述s2中包括使用弹性形变函数对图像对中的细节进行随机修改，所述随机修改通过随机数控制图像是否进行弹性形变；

5.根据权利要求1所述的一种分步式有监督训练生成式深度学习单帧超分辨成像算法，其特征在于：所述s3中使用adam优化器对训练...

【专利技术属性】
技术研发人员：黄文强，詹求强，缪秋霞，蒋菁越，郑克志，王保举，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人