CN114255168B 基于残差卷积神经网络的ldct图像超分辨增强方法及装置 （浙江大学）

基于残差卷积神经网络的LDCT图像超分辨本发明公开了基于残差卷积神经网络的Net为例）的网络结构，接着按照该设计网络结需要对空间分辨率要求更高的胸部某局部进行2所述的步骤4）改进混合级联任务U-Net进行特征提取，构建空间上下步骤4-1-2）将得到的4个分辨率大小相同的特征图进行元素级相加输出一个特征图，步骤4-1-3）将得到的特征图输入卷积核大小为1×1，输入输出通道数为64的卷积层所述的步骤4）改进混合级联任务U-Net进行特征提取，构建傅里叶通道所述的步骤4）改进混合级联任务U-Net进行特征提取，构建基于傅里3步骤4-3-1）基于傅里叶通道注意力残差模块的U-Net网步骤4-3-2）下采样特征图再进行下采样操作，由傅里叶通道注意力残差模块提取特步骤4-3-3）新的下采样特征图依次经过2个上采样步骤4-3-4）128个通道的特征图由傅里叶通道注意基于傅里叶通道注意力残差模块的U-Net网络得到所述的步骤4）改进混合级联任务U-Net进行特征提取，构建基于改步骤4-5）U-Net特征图依次输入3个特征精炼模块得间上下文特征图与3个不同级别的精炼特征图输入到像素分支网络中生成超分辨率CT图4步骤5）真值高分辨率图像经过双三次下采样4倍与双三次上采样4倍后与第一个超分系数0.1；真值高分辨率图像经过双三次下采样2倍与双三次上采2倍后与第二个超分辨率0.1；真值高分辨率图像与第三个超分辨率CT图像计算均方误差与结构相似性误差作为第步骤1-1）寻找大量低分辨率的LDCT图像与其对应的真值高分辨式的CT图像转为PNG格式的灰度图，随机截取低分辨率LDCT图像的128×128大小图像与真集50000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为训练集，5000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为5深度神经网络，构建低分辨率LDCT图像超分辨的新方法。利用本发明可以一次性对胸部空间分辨率要求更高的胸部某局部进行额外的高精[0017]步骤1-1）寻找大量低分辨率的LDCT图像与其对应的真值高分辨率CT图像，将像与真值高分辨率CT图像对应位置的256×256大小的图像，并分别进行旋转90°,180°,6同区域，收集50000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为训练[0027]步骤4-2-1）原始特征图经过2个深度可分离卷积层与Swish激活层得到新的特征[0031]步骤4-3-1）基于傅里叶通道注意力残差模块的U-Net网络结构包含2个下采样层7PixelShuffle层将通道数转换为256，同时特征图的长宽值都变为原来的2倍；然后经过经过基于傅里叶通道注意力残差模块的U-Net网络得到[0038]步骤4-5）U-Net特征图依次输入3个特征精炼模块得到3个不同级别的精炼特征同时空间上下文特征图与3个不同级别的精炼特征图输入到像素分支网络中生成超分辨率8[0040]步骤5）真值高分辨率图像经过双三次下采样4倍与双三次上采样4倍后与第一个乘以系数0.1；真值高分辨率图像经过双三次下采样2倍与双三次上采2倍后与第二个超分系数0.1；真值高分辨率图像与第三个超分辨率CT图像计算均方误差与结构相似性误差作9[0067]步骤1-1：寻找大量低分辨率的LDCT图像与其对应的真值高分辨率CT图像，将像与真值高分辨率CT图像对应位置的256×256大小的图像，并分别进行旋转90°,180°,同区域，收集50000张不同的裁剪后的低分辨率LDCT图像与真值高分辨率CT图像作为训练[0077]步骤4-2-1）原始特征图经过2个深度可分离卷积层与Swish激活层得到新的特征[0080]如附图5所示，构建基于傅里叶通道注意力残差模块的U-Net网络结构的步骤如[0081]步骤4-3-1）基于傅里叶通道注意力残差模块的U-Net网络结构包含2个下采样层PixelShuffle层将通道数转换为256，同时特征图的长宽值都变为原来的2倍；然后经过经过基于傅里叶通道注意力残差模块的U-Net网络得到[0088]步骤4-5）U-Net特征图依次输入3个特征精炼模块得到3个不同级别的精炼特征同时空间上下文特征图与3个不同级别的精炼特征图输入到像素分支网络中生成超分辨率[0090]步骤5：真值高分辨率图像经过双三次下采样4倍与双三次上采样4倍后与第一个乘以系数0.1；真值高分辨率图像经过双三次下采样2倍与双三次上采2倍后与第二个超分系数0.1。真值高分辨率图像与第三个