[发明专利]一种基于网络级联的医学图像超分辨率重建方法

权利要求书

1.一种基于网络级联的医学图像超分辨率重建方法，其特征在于，所述方法包括以下步骤：

1)对图像进行预处理，使得图像能更好地参与训练，方便之后的网络进行学习，过程如下：

(1.1)载入图片，将其大小统一；

(1.2)对图像做归一化处理，将像素值从[0，255]转化到[-1，1]；

(1.3)制作图像数据集，加速之后的训练过程；

2)构建图像金字塔，提取图像的级联信息，过程如下：

(2.1)将原图像A下采样至1/2大小，得到a；

(2.2)将a利用插值法上采样至2倍大小，得到A₁；

(2.3)将A与A₁相减，得到残差图像A～；

(2.4)重复2.1～2.3的过程，最终得到一系列的残差图像以及下采样后的“原始图像”，所述原始图像由训练集经预处理得到；

3)利用级联网络对图像进行超分，过程如下：

(3.1)将待超分的“原始图像”输入网络；

(3.2)利用级联网络对图像进行超分处理；

(3.3)将生成图像和验证图像进对比，得到比对结果；

(3.4)如果模型不能达到预设要求，则重复(3.1)～(3.3)的步骤进行迭代，如果分类模型达到预设要求，结束迭代过程，输出超分模型；

(3.5)利用超分模型对待处理数据进行处理；

4)级联网络的设计基础为拉普拉斯金字塔以及BE-GAN，网络通过生成残差图像并于原图像加和的方式来生成高清的超分图像；利用残差图像可以减少网络学习所需的信息总量，可以减小网络的训练压力，从而使得网络可以在较小的数据集下获得更好的效果；级联则可以使网络各层级之间相对独立，使得网络可以适应各分辨率下的超分任务。

2.如权利要求1所述的一种基于网络级联的医学图像超分辨率重建方法，其特征在于，所述步骤4)的处理过程为：

(4.1)假设有一个数据集G，则利用以下公式构建拉普拉斯金子塔：

其中UP()操作表示上采样，运算法表示高斯上采样过程，G_i表示当前分辨率图像，L_i表示当前分辨率下的残差图像，设图像起始的分辨率为n，目标的分辨率为2^k×n，则在构建金字塔时需要保留一张n×n的待超分图像和k张残差图像用于训练；

(4.2)BE-GAN的核心为一对自编码器，并通过Wasserstein距离的损失来匹配自编码器的损失分布，其样本误差公式为：

根据实验检验可得，自编码器的样本误差分布符合正态分布，因此，得到其Wasserstein距离的计算公式为：

其中m₁,m₂为编码器和解码器的正态分布平均值，c₁,c₂为其方差，而根据GAN网络的训练原则，生成器的目的为将W最小化，而判别器则需要将W最大化，又根据其误差公式，带入得最终的目标函数：

其中，λ_k为K的学习率，是一个可供设置的值。

3.如权利要求1或2所述的一种基于网络级联的医学图像超分辨率重建方法，其特征在于，所述方法还包括以下步骤：

5)网络的实际使用，过程如下：

(5.1)读取需要进行超分处理的原始图像A，并确定其超分倍率2^x；

(5.2)将原始图像输入第k-x层，k为训练时网络的总深度；

(5.3)将图像A上采样2倍得到模糊图像a，将a输入与其分辨率对应的第x层网络，得到残差图L_x；

(5.4)将模糊图像a于残差图L_x相，得到超分后的图像A`；

(5.5)重复(5.3)至(5.4)的步骤，直到得到最终超分图像A_终。