【技术实现步骤摘要】
本专利技术涉及医学图像处理、人工智能及计算机数据处理领域，尤其涉及一种基于深度学习的喉镜图像超分辨率提升方法、系统及设备。
技术介绍
1、随着医学影像技术的快速发展，医疗领域对高清晰度图像的需求日益迫切，尤其是在诊断和外科手术过程中，清晰的图像能够显著提升医生的诊断准确性和手术的成功率。喉镜作为一种重要的医疗器械，广泛应用于检查和治疗喉部疾病。然而，由于喉镜工作环境的特殊性，获取高质量的图像一直是一个挑战。
2、传统的喉镜图像通常存在分辨率低、噪声大、细节模糊等问题，给后续使用带来诸多不便。为提高图像的清晰度和分辨率，传统方法主要依赖于硬件的升级和改进，如使用高分辨率的摄像头和先进的光学系统。然而，这种方法不仅成本高，而且受限于物理空间和器械的尺寸，难以在实际应用中得到广泛推广。另一方面，软件方法也被广泛应用于图像超分辨率技术中，如双线性插值、双三次插值等算法，这些算法通过在现有图像像素之间插入新的像素来提高图像分辨率，尽管在某些情况下能改善图像质量，但由于这些方法依赖于图像的全局信息，常导致边缘模糊和细节丢失，难以恢复高质量的细节信息，尤其在高放大倍数下，易产生伪影、噪声或图像模糊等问题，难以满足高精度医疗图像的需求。
3、近年来，随着深度学习技术的发展，特别是卷积神经网络（convolutional neuralnetwork, cnn）在图像处理领域的成功应用，图像超分辨率技术迎来了新的突破。通过构建和训练深度神经网络，可以从低分辨率图像中重建出高分辨率图像，显著提升图像质量。深度学习方法不仅能够学
4、基于深度学习的图像超分辨率方法，如srcnn、srresnet和srgan，已在自然图像超分辨率任务中展示出较高的重建效果。srcnn是一种基于卷积神经网络的超分辨率模型，通过建立低分辨率到高分辨率的直接映射，实现图像重建。然而，srcnn网络结构较浅，难以捕捉图像的高阶特征，使其在处理医学影像等高精度场景时效果有限。srresnet在srcnn的基础上引入了残差网络（resnet），通过堆叠残差模块增强网络的学习能力，在自然图像的重建中取得了显著的效果，但其对医学影像的适用性仍需进一步验证。srgan是结合生成对抗网络（gan）进行超分辨率重建的模型，通过引入对抗损失，使生成图像更加自然逼真。然而，srgan的网络训练难度较大，容易导致训练不稳定，且在医学影像中可能会产生伪影，影响病灶观察。
技术实现思路
1、为了解决现有技术中存在的上述技术问题，本专利技术提出了一种基于深度学习神经网络的喉镜图像超分辨率提升方法、系统及设备，旨在解决现有技术中存在的图像分辨率低、细节模糊等问题，特别是针对医疗喉镜图像的特点，提供一种高效、实用的解决方案。通过该方法可以显著提升喉镜图像的分辨率和质量。具体而言，本专利技术提供了以下技术方案：
2、一方面，本专利技术提供了基于深度学习的喉镜图像超分辨率提升系统，该系统包括：图像预处理模块、浅层特征提取模块、深层特征提取模块和图像重建模块；
3、所述图像预处理模块用于对低分辨率喉镜图像进行预处理，提升图像中局部模糊区域，得到预处理喉镜图像，并将所得的预处理喉镜图像输入浅层特征提取模块；
4、所述浅层特征提取模块用于从低分辨率喉镜图像中提取浅层特征，通过多尺度特征融合，将获得的浅层特征输入至深层特征提取模块；
5、所述深层特征提取模块用于从浅层特征中捕捉深层特征，通过将浅层特征与捕捉到的深层特征进行融合，生成最终特征，并将这些最终特征输入至图像重建模块；
6、所述图像重建模块用于从学习到的最终特征重建出完整的图像，从而输出高分辨率喉镜图像；
7、所述深层特征提取模块包括两条通路，一条为依次连接的深层特征提取单元和增强型卷积注意力单元，其中，所述深层特征提取单元设置有多条并行通路；另一条由图卷积神经网络单元和两个并列的因果卷积单元构成，所述两个并列的因果卷积单元均连接图卷积神经网络单元，所述图卷积神经网络单元接收浅层特征，两个并列的因果卷积单元均由因果卷积块和激活函数构成。
8、优选地，所述浅层特征提取模块包括：三个并列设置的1×1卷积和relu激活层、3×3卷积和relu激活层，以及5×5卷积和relu激活层；一个初级特征融合单元，以及与初级特征融合单元连接的1×1卷积层；
9、所述低分辨率喉镜图像分别输入并列设置的1×1卷积和relu激活层、3×3卷积和relu激活层，以及5×5卷积和relu激活层，分别提取出三个初级特征；该三个初级特征经过初级特征融合单元进行特征融合，再经过1×1卷积层，得到浅层特征。
10、优选地，所述深层特征提取单元包含五条并行通路、特征融合单元和一个卷积核为1×1的卷积层；
11、所述五条并行通路设置为：第一通路为1×1的卷积层；第二条通路包括依次连接的1×1卷积层和3×3卷积层；第三条通路包括依次连接的1×1卷积层、3×3卷积层和扩张值为3且卷积核大小为3×3的扩张卷积层；第四条通路摆阔依次连接的1×1卷积层、5×5卷积层和扩张值为5且卷积核大小为3×3的扩张卷积层；第五条通路直接连接输入。
12、优选地，所述特征融合单元将所述第一通路、第二通路、第三通路、第四通路的输出进行融合，并输入至卷积核为1×1的卷积层；
13、所述卷积核为1×1的卷积层的输出与第五通路的输出进行加和。
14、优选地，所述图像预处理模块基于小波变换对低分辨率喉镜图像进行预处理，具体方式为：
15、构建小波基函数并设置小波基函数的约束条件；
16、计算小波系数的平方，并按照由小到大的顺序得到，其中，s表示对应小波系数的平方值，n表示小波系数的数量；
17、计算各小波系数的风险值及阈值选择参数，并保留风险值的绝对值大于阈值选择参数的小波系数保留，得到优化的小波变换函数；
18、对低分辨率喉镜图像应用优化的小波变换函数进行小波变换，得到预处理喉镜图像。
19、优选地，构建的小波基函数为：
20、；
21、其中，t表示小波变换的时间变量。
22、优选地，小波变换的核函数为：
23、；
24、其中，为尺度因子，为平移因子，。
25、优选地，所述约束条件为：
26、；
27、其中，表示的傅里叶变换形式，r表示实数集，也即表示小波变换中的计算和操作都是在实数域上进行的，l（）表示小波变换。
28、优选地，风险值计算方式为：计算小波系数的平方，并按从小到大排序得到。根据小波系数的数量，计算风险值：
29、；
30、优选地，阈值选择参数的计算方式为：
31、；
32、其中，表示均方误差，也即计算小波系数的均方误差，作为风险值的筛选条件本文档来自技高网...
【技术保护点】
1.基于深度学习的喉镜图像超分辨率提升系统，其特征在于，所述系统包括：图像预处理模块、浅层特征提取模块、深层特征提取模块和图像重建模块；
2.根据权利要求1所述的系统，其特征在于，所述浅层特征提取模块包括：三个并列设置的1×1卷积和ReLU激活层、3×3卷积和ReLU激活层，以及5×5卷积和ReLU激活层；一个初级特征融合单元，以及与初级特征融合单元连接的1×1卷积层；
3.根据权利要求1所述的系统，其特征在于，所述深层特征提取单元包含五条并行通路、特征融合单元和一个卷积核为1×1的卷积层；
4.根据权利要求3所述的系统，其特征在于，所述特征融合单元将所述第一通路、第二通路、第三通路、第四通路的输出进行融合，并输入至卷积核为1×1的卷积层；
5.根据权利要求1所述的系统，其特征在于，所述图像预处理模块基于小波变换对低分辨率喉镜图像进行预处理，具体方式为：
6.根据权利要求1所述的系统，其特征在于，所述增强型卷积注意力单元包括顺次连接的通道注意力块和空间注意力块；
7.根据权利要求6所述的系统，其特征在于，所述
8.根据权利要求6所述的系统，其特征在于，所述空间注意力块设置有两条通路：第一通路包括顺次连接的一个1×1的卷积层、步幅卷积层、池化层、分组卷积层、上采样层、一个1×1的卷积层和Sigmoid激活层；第二通路直接连接所述空间注意力块的输入；
9.基于深度学习的喉镜图像超分辨率提升方法，其特征在于，所述方法应用于如权利要求1-8任一所述的系统，所述方法包括：
10.基于深度学习的喉镜图像超分辨率提升设备，其特征在于，所述设备包括处理器和存储器，所述处理器调用所述存储器中存储的计算机程序，以执行如权利要求9所述的基于深度学习的喉镜图像超分辨率提升方法。
...【技术特征摘要】
1.基于深度学习的喉镜图像超分辨率提升系统，其特征在于，所述系统包括：图像预处理模块、浅层特征提取模块、深层特征提取模块和图像重建模块；
2.根据权利要求1所述的系统，其特征在于，所述浅层特征提取模块包括：三个并列设置的1×1卷积和relu激活层、3×3卷积和relu激活层，以及5×5卷积和relu激活层；一个初级特征融合单元，以及与初级特征融合单元连接的1×1卷积层；
3.根据权利要求1所述的系统，其特征在于，所述深层特征提取单元包含五条并行通路、特征融合单元和一个卷积核为1×1的卷积层；
4.根据权利要求3所述的系统，其特征在于，所述特征融合单元将所述第一通路、第二通路、第三通路、第四通路的输出进行融合，并输入至卷积核为1×1的卷积层；
5.根据权利要求1所述的系统，其特征在于，所述图像预处理模块基于小波变换对低分辨率喉镜图像进行预处理，具体方式为：
6.根据权利要求1所述的系统，其特征在于，所述增强型卷积注意...
【专利技术属性】
技术研发人员：肖文栋，谭林灵，姜程鹏，牛泽婧，邹艺，
申请(专利权)人：北京科技大学，
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。