基于深度学习的超声图像超分辨率重建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108765511A(43)申请公布日2018.11.06(21)申请号201810541238.3(22)申请日2018.05.30(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人刘丹平毛莞丁胡小波党普泽林萌陈林烽胡学斌谭晓衡(51)Int.Cl.G06T11/00(2006.01)G06T3/40(2006.01)G06N3/04(2006.01)权利要求书2页说明书10页附图4页(54)发明名称基于深度学习的超声图像超分辨率重建方法(57)摘要本发明公开了一种基于深度学习的超声图像超分辨率重建方法，用于解决超声图像分辨率低的问题。该方法主要是：首先采用Krishnan的稀疏正则化盲复原算法对超声图像进行预处理，然后利用预处理后的超声图像作为样本库训练神经网络的权值，最后利用FSRCNN实现超声图像的超分辨率重建。CN108765511ACN108765511A权利要求书1/2页1.一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，获取超声图像；S2，超声图像预处理；S21，设置参数；S22，对超声图像按行分块；S23，采用Krishnan的稀疏正则化盲复原算法复原图像；S3，神经网络权值训练；S31，设置网络结构参数；S32，模型训练；S33，形成网络；S4，重建超声图像。2.根据权利要求1所述的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：所述S1中获取超声图像具体包括：S1，获取超声图像：从超声诊断仪采集一定数量的超声图像。3.根据权利要求2所述的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：所述S21中设置参数具体包括：S21，设置参数：设置正则参数λ、超声图像模糊核正则项参数θ和模糊核大小。所述S22中对超声图像按行分块具体包括：S22，对超声图像按行分块：将所述S1中获取的低分辨率超声图像G按照行分成N块，得到pi(i＝1：N)。所述S23中采用Krishnan的稀疏正则化盲复原算法复原图像具体包括：S23，采用Krishnan的稀疏正则化盲复原算法复原图像：以高斯函数作为第一个图像块p1的模糊核初始值k0，采用Krishnan的算法进行盲复原，得到第一个图像块盲复原后的图像f1和第一个图像块的模糊核k1；对第i个图像块pi(i＝2：N)，以ki-1作为初始值，采用Krishnan的算法进行盲复原，得到第i个图像块盲复原后的图像fi和第i个图像块的模糊核ki；对得到的fi(i＝1：N)进行拼接，得到盲复原后的图像F。4.根据权利要求3所述的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：所述S31中设置网络结构参数具体包括：S31，设置网络结构参数：设置特征提取层的卷积核个数、卷积核大小以及解卷积层的卷积核大小。所述S32中模型训练具体包括：S32，模型训练：将经所述S2预处理后的超声图像{Fi，i＝1：N}作为训练集，生成Caffe可以运行的数据类型hdf5格式文件；在描述模型结构的prototxt文件中修改模型训练的全局参数；对网络训练50万次；提取caffemodel文件中各变量的权值，生成可供测试调用的mat文件。所述S33中形成网络具体包括：2CN108765511A权利要求书2/2页S33，形成网络：形成可供调用的训练好的网络FSRCNN。5.根据权利要求4所述的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：所述S4中重建超声图像具体包括：S4，重建超声图像：调用所述S32中生成的mat文件，利用所述S33中形成的FSRCNN，对超声图像F进行超分辨率重建。3CN108765511A说明书1/10页基于深度学习的超声图像超分辨率重建方法技术领域[0001]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超声图像进行医学诊断的场合。背景技术[0002]国内外许多研究小组尝试通过超分辨率技术来提高超声图像的质量。[0003]SVedula等人研究表明，利用卷积神经网络(CNN)能够将从人体的CT图像模拟的超声射频数据来重建CT质量的超声图像。[0004]ZhouZ.等人提出了一种多尺度CNN模型来提高平面波成像的质量。为了进一步提高CNN的收敛速度和鲁棒性，在随机并行梯度下降优化的迭代过程中增加了一个反馈系统。实验表明，与原始图像相比，所提出的方法在峰值信噪比(PSNR)方面提高了52％。[0005]2014年，Dong等人提出用于一般自然图像超分辨率重建的CNN模型SRCNN。该模型分为特征提取、非线性映射和超分辨率重建三层，实现低分辨率图像块与高分辨率图像块之间端到端的映射。但是该算法计算复杂度较高。2016年，