[发明专利]超分辨率重建网络模型的训练方法和扫描图像处理方法

说明书

本发明公开了一种超分辨率重建网络模型的训练方法和扫描图像处理方法，训练方法包括：获取低分辨率训练图像和与对应的高分辨率训练图像；将低分辨率训练图像输入至待训练的超分辨率重建网络模型；通过超分辨率重建网络模型对低分辨率训练图像进行图像重建处理以获取与低分辨率训练图像对应的超分辨率训练图像；计算超分辨率及高分辨率训练图像之间的第一损失；从超分辨率训练图像中识别出注意力区域并从高分辨率训练图像中识别出同样的注意力区域，计算识别出注意力区域的超分辨率及高分辨率训练图像之间的第二损失；根据第一及第二损失训练超分辨率重建网络模型。本发明可以灵活选择图像细节恢复，明显提升了对图像关注区域的还原效果。

技术领域

本发明涉及人工智能领域，特别涉及一种超分辨率重建网络模型的训练方法和扫描图像处理方法。

背景技术

形态学的磁共振(MR)分析是神经影像领域诊断脑疾病，研究大脑发育的一种重要手段。低分辨率的图像使得视野受到限制，提供的病理信息有限；高分辨率的图像意味着图像的像素密度很高，能够提供更多的细节，例如：解剖信息、生理信息、功能代谢信息。如果能够提供高分辨率的图像，那么就可以极大的帮助医生做出正确的诊断，也可以提升计算机辅助诊断方面的性能。

现代医学成像依赖于高科技的设备—X线机、CT(电子计算机断层扫描)、MR等。虽然随着硬件设备的升级，成像的质量也会随之提高，但由于现实条件的限制，得到高分辨率的图像的难度较大。例如，CT想要得到高分辨的图像，最简单有效的就是增加剂量，但是这意味着更高的辐射；而MR想要的得到高分辨率的图像，就需要更长的扫描时间，而这可能导致成本成倍增长。因此，大部分医院一般情况下都不会选择扫描分辨率很高的图像，高分辨率的图像往往不容易得到。相反，随着临床诊断对于影像学的依赖，医院已经存储了大量的用于疾病初筛的厚层图像。

因此，不管对于新的疾病精确诊断治疗，还是对于旧的图像信息挖掘研究，低分辨率的图像映射到高分辨率的图像都有着重要的意义。

目前，提高医学图像分辨率的方法主要有两类：物理方法和算法方法。

物理方法主要可以依靠提升传感器的数量、增加MR磁场强度，但是可能会导致严重的噪声，同时成像成本极大增加。

算法方法主要分为三类：基于插值的方法，基于重构的方法，基于学习的方法。1)基于插值的方法：主要有最近邻插值、双线性插值、三次样条插值，虽然简单快速，但是会导致重建图像模糊，且不能引入额外有效的高频信息，提升图像分辨率的作用有限；2)基于重构的方法：迭代反投影法、凸集反投影法、最大后验概率法，收敛比较慢，依赖于图像的降质模型，受原始图像质量的影响比较大；3)基于某种规则的学习方法：基于稀疏学习、基于字典学习、基于神经网络学习的方法，前两者依赖于一定的样本库，而基于神经网络的深度学习可以通过网络有监督的学习图像的特征，再用于图像重建，目前来看这种方法效果要明显优于其余几种方法。

基于神经网络学习的方法，大多源自自然图像，采用高分辨率的图像下采样得到的低分辨率的图像作为网络输入，然后经过多层卷积来补充图像的细节，重建出与高分辨率图像相似的结果。但是，采用现有的基于神经网络学习的方法重建出的图像对图像的每个区域的还原程度完全一致，甚至对某区域的还原效果明显较差，导致无法有效地应用于医学图像的还原重建上，无法满足对医学诊断和科研的各项要求。

发明内容

本发明要解决的技术问题是为了克服现有技术中基于神经网络学习的方法无法有效地应用于医学图像的还原重建上的缺陷，提供一种超分辨率重建网络模型的训练方法、扫描图像处理方法、电子设备和计算机可读介质。

本发明是通过下述技术方案来解决上述技术问题：

根据本发明的一实施方式，提供一种超分辨率重建网络模型的训练方法，包括：

获取低分辨率训练图像和与所述低分辨率训练图像对应的高分辨率训练图像，所述高分辨率训练图像的像素密度高于对应的所述低分辨率训练图像的像素密度；