[发明专利]医疗图像超分辨率重建方法及系统

说明书

本发明公开了一种医疗图像超分辨率重建方法及系统，构建一个蒸馏渐进式细化模块，逐步提取层次结构特征，并能够通过对比度感知注意力模块协作，逐步筛选出最有用的特征信息，这不仅能提取深层特征，还能保留图像高频部分，如边缘、结构等，最终经过组合式上采样模块，可将低分辨率医疗图像重建成边缘、细节信息清晰的超分辨率图像，能够提升医疗图像超分辨率效率（重建单张图像的时间约为38毫秒）。经过实验证明，本发明的基于多重特征蒸馏的医疗图像超分辨率方法，能够提升医疗超分辨率图像的质量和效率，图像的客观指标和重建时间都优于对比的方法，模型的参数量相对于对比模型少了6倍左右。

技术领域

本发明涉及图像处理技术，特别是一种医疗图像超分辨率重建方法及系统。

背景技术

随着计算机技术和现代医学技术的发展，人工智能技术广泛应用于医疗领域。基于卷积神经网络CNN的辅助诊断模型对共聚焦激光扫描显微镜产生的皮肤病图像分类几乎与皮肤科医生的分类一样准确^[1]。在CNN的基础上，美国电信开发了远程医疗，医生可以通过在线视频通信与有需要的患者进行交流，为患者提供诊疗选择；现有的远程医疗系统为我国癌症、心血管疾病、家族遗传病等重大疾病患者提供美国顶级医疗机构的专家医疗建议诊断；在新冠肺炎疫情的之下，美国已全面开放患者跨州接受远程医疗，加州大学三藩市分校(UCSF)为流感设计的数字医疗工具正用于新冠病毒感染患者的分类，不管是在门诊环境中的姑息治疗和非姑息治疗患者还是非门诊的远程会诊环境，都可通过数字医疗远程会诊^[2]。在远程医疗等领域，高质量的医疗影像是为患者提供准确治疗选择的重要基础。受目前的硬件制造流程、硬件成本、地域经济等限制，不论是三甲医院，还是基层医院，都会存在部分医疗设备的成像分辨率较低的问题。直接在终端设备上采样低分辨率图像会导致图像模糊，一些小病灶如冠状动脉狭窄、早期肺部肿瘤等无法识别，影响医生观察患者的病灶部位并对其做出准确的诊断。超分辨率方法能够在上采样低分辨率图像的同时保证图像的清晰，能辅助医生更准确地查看病变部位情况。

目前，图像超分辨率方法多是基于深度学习的，如DRCN、VDSR、EDSR^[3][4][5]。这些基于深度学习的图像超分辨率方法在单图像超分辨率重建上取得优秀的成果，但它们并不适合直接用于医疗图像超分辨率，因为这些方法忽略了边缘、纹理等高频信息，不能很好地重建出医疗图像病灶部位边缘信息。深度递归网络(DRCN）、深度递归残差网络(DRRN)、深度密集反投影网络(D-DBPN)、串联残差网络(CARN)、基于结构保留的超分辨率网络(SPSR)等是最近被提出的先进超分辨率方法。DRCN采用多次利用相同的卷积层的方式，去学习更多的特征，在增加递归次数的同时，保持网络的参数量不变^[6]；DRRN在CNN模型的基础上，加入递归和残差块，模型的深度达到52层，该模型采用增加模型参数复杂度来提升性能，这个体系结构与之前方法在改进趋势中是一致的，都是用更深层的递归结构和残差学习来为模型的学习提供支持^[7]。D-DBPN提出一种上下反投影结构，通过交替使用反投影结构的方式来学习LR和HR图像之间的反馈误差，引导模型专注于对丢失的精细细节的重建，该方法填补了目前大多数前馈式网络缺乏反馈机制的空白^[8]。CARN应用残差块去学习低分辨率输入和高分辨率输出之间的映射关系，提出了局部和全局级联的方式，充分利用每个特征图的信息^[9]。SPSR提出结构保留网络，引用一个额外的梯度分支网络来约束图像梯度信息，该模型是基于GAN网络，虽然能保留更精细的结构，能够生成清晰的高分辨率图像^[10]。这些方法^{[6][7][8][9][10]}利用残差补全、递归学习及梯度学习等各种方式去学习输入图像的更多信息，虽然提高了图像超分辨率重建的效果，但牺牲了计算效率，不能兼顾质量和效率，不适合直接用于医疗图像超分重建。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种医疗图像超分辨率重建方法及系统，在保证重建精度的同时，提高计算效率。