[发明专利]一种基于卷积神经网络的μ-CT图像重构方法

权利要求书

1.一种基于卷积神经网络的μ-CT图像重构方法，其特征在于，所述方法包括步骤：

步骤一、训练图像预处理，即将三维的μ-CT图像和二维的扫描电镜图像进行图像配准，再对低分辨率的μ-CT图像进行图像插值，获得训练图像；

步骤二、获取训练数据集，根据步骤一获取多个训练图像作为训练样本，将所述训练样本组成一个训练数据集；

步骤三、训练图像，将所述训练数据集中的训练图像输入预设的卷积神经网络模型进行训练，获取相应的模型参数；

步骤四、图像重构，即将需要重构的低分辨率μ-CT图像的所有体素点，利用经过训练的所述卷积神经网络模型逐个评价，获取其对应的相类型，通过所述相类型重构一个高分辨率图像。

2.根据权利要求1所述的一种基于卷积神经网络的μ-CT图像重构方法，其特征在于，所述步骤一具体为：将三维的μ-CT图像和二维的扫描电镜图像配准操作，使得二者在空间上相互匹配，再将低分辨率的μ-CT图像进性插值，使所述低分辨率的μ-CT图像具有和高分辨率的扫描电镜一样的像素大小。

3.根据权利要求2所述的一种基于卷积神经网络的μ-CT图像重构方法，其特征在于，所述步骤二具体为：从μ-CT图像中提取出边长为n的二维图块，将每一个二维图块的中心坐标的相类型，从其对应的扫描电镜图像中获取，每个二维图块和其中心的相类型组成一个训练样本，将所述训练样本组成一个训练数据集。

4.根据权利要求3所述的一种基于卷积神经网络的μ-CT图像重构方法，其特征在于，所述步骤三具体为：首先将训练数据集乱序,分为不同的批次输入预设的卷积神经网络模型进行训练，不同批次的样品经过多轮训练，最终检测训练精度是否达标，如果训练精度达标则停止训练并进入后续重构过程；否则继续进行训练。

5.根据权利要求4所述的一种基于卷积神经网络的μ-CT图像重构方法，其特征在于：所述训练图像的轮数按预设次数进行设定。

6.根据权利要求5所述的一种基于卷积神经网络的μ-CT图像重构方法，其特征在于：所述训练过程包括向前传播和向后传播：向前传播过程采用加权平均操作，逐步提取图像的特征信号；向后传播过程采用梯度下降法操作，更新参数。

7.根据权利要求6所述的一种基于卷积神经网络的μ-CT图像重构方法，其特征在于，所述步骤四具体为：

构建一个与插值后的低分辨率μ-CT图像的体素点一一对应的空网格结构；

从需要重构的低分辨率μ-CT图像三维的其中一个方向进行逐平面层的评价，依次对各平面层中的待评价体素点为中心取一个边长为n的体素点二维图块，所述体素点二维图块的大小与步骤二中的训练的二维图块大小相同；

将获取的体素点二维图块传入步骤三中训练的卷积神经网络模型中进行运算，最终输出的结果即为所评价的待评价体素点的相类型，将该相类型存入空网格结构中对应的体素点，被填满的空网格结构即为获得的高分辨率重构图像。

8.根据权利要求7所述的一种基于卷积神经网络的μ-CT图像重构方法，其特征在于：所述卷积神经网络模型包括一个或多个输入输出层、卷积层、最大池化层和全连接层。