[发明专利]基于深度学习的超声图像超分辨率重建方法

权利要求书

1.一种基于深度学习的超声图像超分辨率重建方法，其特征在于：

S1，超声图像的预处理；

S11，设置复原参数；

S12，采集超声图像；

S13，超声图像分块；

S14，分块图像复原；

S15，对复原后的分块图像进行拼接；

S2，构建超声图像的FSRCNN；

S21，建立超声图像数据集；

S22，训练FSRCNN；

S23，构建新的FSRCNN；

S3，实现超声图像的超分辨率重建；

S31，采集一幅超声图像B；

S32，输入新的FSRCNN；

S33，新的FSRCNN输出结果。

2.根据权利要求1所述的一种基于深度学习的超声图像超分辨率重建方法，其特征在于：

所述S1中超声图像的预处理，具体包括：

S11，设置复原参数：设置正则参数λ、超声图像模糊核正则项参数θ、模糊核大小和迭代次数；

S12，采集超声图像；从一般超声诊断仪上采集2000幅超声图像B；

S13，超声图像分块；将所述S12中采集的超声图像B按纵向分成N块，得到P_i(i＝1：N)；

S14，分块图像复原，具体包括：

对于分块图像P_i(i＝1：N)，以高斯函数作为第一个图像块P₁的模糊核初始值k₀，采用Krishnan的稀疏正则化盲复原算法进行复原，得到第一个分块图像f1及其模糊核k1；对第i个分块图像P_i(i＝2：N)，以k_i-1作为初始值，采用Krishnan的稀疏正则化盲复原算法进行复原，得到分块图像f_i(i＝2：N)及其模糊核k_i(i＝2：N)；

S15，对复原后的分块图像进行拼接：将所述S14中得到的复原后的分块图像f_i(i＝1：N)按照原来的顺序进行拼接，得到预处理后图像F。

3.根据权利要求1所述的一种基于深度学习的超声图像超分辨率重建方法，其特征在于：

所述S2中构建超声图像的FSRCNN，具体包括：

S21，建立超声图像数据集：将所述S1预处理后的2000幅超声图像F作为FSRCNN的训练集，将其转化为hdf5格式的文件；

S22，训练FSRCNN，具体包括：

调整低分辨率特征块向量维度D，降维层卷积核的数量s和非线性映射层的层数m；对FSRCNN训练50万次以上，产生各变量的权值{W_dmn}并存储于caffemodel文件，生成mat文件；

S23，构建新的FSRCNN：运行S22所述的mat文件，将FSRCNN原来的权值更换为新的权值，构建适合于超声图像的FSRCNN。

4.根据权利要求1所述的一种基于深度学习的超声图像超分辨率重建方法，其特征在于：

所述S3中实现超声图像的超分辨率重建，具体包括：

S31，采集一幅超声图像B；从一般超声诊断仪上采集一幅超声图像B；

S32，对B进行所述S1的超声图像的预处理得到F；

S33，输入新的FSRCNN；将采集的超声图像B直接输入新的FSRCNN；

S34，新的FSRCNN输出结果；新的FSRCNN输出一幅超分辨率的超声图像G。