1.一种医学图像超分辨率重建方法,其特征在于:通过卷积层提取插值低分辨率图像的特征信息并封装在一个胶囊结构中;然后,通过路由结构层运算输入并预测图像的高分辨率细节;最后,将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构,得到分辨率大幅提升的高分辨率图像;方法包括:
1)数据集来源TheCancerImagingArchive,TheCancer ImagingArchive是癌症研究的医学图像的开放获取数据库;
2)对医学图像数据进行归一化、旋转、扩增预处理;
3)用基于路由结构残差神经网络对原图像的胶囊残差特征图像通过有监督训练方式学习其更深层特征;
4)在精准得到低分辨率到高分辨率映射关系后,将得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构;
5)重构之后的图像得到了更高的分辨率以及更优的PSNR,SSIM指标。
2.根据权利要求1所述的一种医学图像超分辨率重建方法,其特征在于,将该医学图像超分辨率重建方法视为一个模式的转化问题,即医学图像为第一模式,胶囊残差特征图像为第二模式;采用一个改进的卷积神经网络模拟第一模式和第二模式之间的映射关系;所述改进的卷积神经网络为基于路由结构残差神经网络架构设计的一个能够有效提取图像特征的神经网络,采用感受野更大的胶囊残差深度网络替代传统的CNN网络,在网络结构中用动态路由操作代替池化操作,提高对特征的有效利用,减少图像大量特征信息的丢失。
3.根据权利要求2所述的一种医学图像超分辨率重建方法,其特征在于,采用一个改进的卷积神经网络模拟第一模式和第二模式之间的映射关系;用损失函数表示当前深度网络重构图与标准图之间的误差;在训练过程中反复迭代误差损失函数,当损失函数尽可能小时,训练得到模型已能够有效提取对医学图像低分辨率到高分辨率的映射规律,通过所学到的规律准确重构出高分辨率图像;整个医学图像超分辨率重建过程由图像胶囊残差特征提取、深度网络映射学习、重构图的合成三部分组成。
4.根据权利要求1‑3任一项所述的一种医学图像超分辨率重建方法,其特征在于,基于路由结构残差神经网络是一个能预测特征检测概率的重复架构,每一层卷积层之后都有多个同样的路由结构网络来连接,其卷积核大小均为9×9,且每个卷积层后都有一个激活函数ReLU;在连续几个块之后是一个大小为3×3,步长为1的路由层,作用是降低图像分辨率,得到提取胶囊残差图像的深度特征;特征重建部分是将其得到的路由结构预测的胶囊残差特征图像与插值低分辨率图像进行融合重构;基于路由结构残差神经网络的输入是插值低分辨率图像,输出则是重构之后的高分辨率图像。