[发明专利]基于深度学习的超声图像超分辨率重建方法

说明书

一种基于深度学习的超声图像超分辨率重建方法，包括以下步骤：采用Krishnan的稀疏正则化盲复原算法对超声图像B进行预处理；利用预处理后的超声图像F建立数据集训练FSRCNN的权值；利用新的FSRCNN实现超声图像的超分辨率重建。

技术领域

本发明属于超声成像领域，涉及超声图像超分辨率重建方法，特别适用于需要利用高质量的超声图像进行医学诊断的场合。

背景技术

当前国内外许多研究小组正尝试通过超分辨率技术来提高超声图像的质量。

S VeDula等人研究表明，利用卷积神经网络(CNN)能够将以人体的CT图像模拟超声射频数据来重建具有CT质量的超声图像，但是该方法可操作性太差。

2014年，Dong等人提出了SRCNN用于一般自然图像超分辨率重建，但该算法计算复杂度较高。2016年，Dong等人对SRCNN进行改进，提出了出一种沙漏型的卷积神经网络模型FSRCNN，该方法对图像重建质量与SRCNN不相上下，但速度更快。但是这两种方法都不能直接用来完成超声图像的超分辨率重建。

Fergus团队在图像复原领域成绩卓越，特别是2009年Krishnan提出的稀疏正则化盲复原算法，该算法对自然图像有较好的复原结果，但是该算法仅适用于空间移不变的退化图像。

超声图像是空间移变的退化图像，本专利通过对超声图像分块，采Krishnan的稀疏正则化盲复原算法快速提高超声图像的质量，然后以高质量的超声图像建立了数据集库，利用该数据集重新训练了FSRCNN的权值，构造了新的FSRCNN，利用新的FSRCNN实现了超声图像超分辨率重建。

发明内容

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。

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；从一般医学超声诊断仪上采集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，得到分块图像P_i(i＝1：N)；

S14，分块图像复原，具体包括：