[发明专利]一种基于增强递归残差网络的磁共振图像超分辨重建方法

权利要求书

1.一种基于增强递归残差网络的磁共振图像超分辨重建方法，其特征在于，增强递归残差网络由上采样子网络、预测子网络和重建子网络组成；上采样子网络由一个低分辨率嵌入卷积层，一个残差模块和一个去卷积层组成；预测子网络包含高分辨率嵌入卷积层和n个权值共享的残差模块；重建子网络包含残差卷积层和重建层，残差卷积层用于将残差模块的输出卷积成残差信息，并与上采样子网络输出相加得到高分辨率信息，进而输入重建层获得高分辨率磁共振图像；

残差模块中的卷积采用先激活后进行卷积操作的预激活策略，称为预激活残差模块，依次包括批量规范化层、ReLU激活层、卷积层、批量规范化层、ReLU激活层、卷积层，及由输入到输出的跨连接；

预测子网络采用递归学习实现n个残差模块权值共享，每个残差模块的输出为式中B_i-1与B_i分别表示第i-1个和第i个残差模块的输出，τ表示预激活过程，包括批量规范化层和ReLU激活层，和表示残差模块内两个卷积层的权值参数；

以反复递归的残差模块为基本单元建立递归残差网络，在各级残差模块之间构造紧密跨连接；紧密跨连接将前端残差模块的输出乘以一个可训练的标量μ_k，相加后前馈到后端的残差模块中：式中，μ_k在训练过程中由网络自行选取最优值，F₁＝f_hr(F_up)＝W_hr(τ(F_up))，式中F_up为上采样子网络的输出，W_hr表示高分辨率嵌入卷积层的权值参数；

采用高分辨率图像及其对应高频特性对各层残差模块的超分辨重建进行多层监督，以实现用少量参数的卷积网络获得最优的磁共振超分辨重建效果。

2.根据权利要求1所述的基于增强递归残差网络的磁共振图像超分辨重建方法，其特征在于，对递归残差网络添加高频信息引导，高频信息引导包括高频信息输入与高频信息重建监督，高频信息输入是采用核尺寸和标准差分别为3×3/0.8，5×5/1和7×7/1.6的高斯核函数进行图像模糊得到低频分量，将初始输入图减去低频分量，提取出低分辨率图像的高频信息x^h，由串接层将低分辨率图像及其高频信息串接，输入网络；高频信息重建监督过程嵌入重建子网络中，残差卷积层ResConv1对各残差模块输出进行卷积得到残差信息F_r1i，由FeaRecon层高频特征重建得到高频特征信息采用从高分辨率图像标签中提取出的高频分量对其进行监督。

3.根据权利要求2所述的基于增强递归残差网络的磁共振图像超分辨重建方法，其特征在于，多层监督策略将每层残差模块的输出分别输入到相同的重建子网络中，得到对应的高频特征及超分辨率图像的中间重建结果；残差卷积层ResConv2对残差信息与高频特征信息的并接卷积得到更精确残差量F_r2i；将其与上采样子网络的输出F_up相加，得到图像的高分辨率信息，输入重建层重建出超分辨的磁共振图像：

其中，W_rec表示重建层的权值参数；

将加权平均作为网络最终输出权值ω_i由网络在训练过程中自行选取最优值，并同时对输出的进行监督学习。

4.根据权利要求3所述的基于增强递归残差网络的磁共振图像超分辨重建方法，其特征在于，在网络训练过程中将对最终重建结果中间预测结果和全部高频特征信息进行监督；则增强递归残差网络的损失函数定义为：

式中n为残差模块层数，M为训练样本数目，α和β分别为平衡最终输出超分辨率图像与中间预测和中间高频特征信息的权值参数。