一种采用超分辨率重建方式进行肺部CT图像填充的方法技术

本发明专利技术涉及图像处理技术领域，具体地说，涉及一种采用超分辨率重建方式进行肺部CT图像填充的方法。包括获取大量肺部CT图像并进行标准化处理、搭建通用图像观测模型、采用超分辨率重建方法获取高分辨率的图像、建立学习模型并进行模型的训练、对待处理的低像素CT图像进行预处理、引入由学习模型获得的先验知识，获得较好的图像恢复效果、对低像素的CT图像进行像素填充等步骤。本发明专利技术设计可以在不改变成像系统的前提下实现提高图像空间分辨率的目的，降低将填充的像素内容误诊为肺结节的概率，提高肺结节检查的工作效率及准确度；可以由学习模型获得先验知识，获得较好的图像恢复效果，减轻人工的工作量，提高肺结节病症的检查诊断效果。查诊断效果。查诊断效果。

【技术实现步骤摘要】
一种采用超分辨率重建方式进行肺部CT图像填充的方法


[0001]本专利技术涉及图像处理
，具体地说，涉及一种采用超分辨率重建方式进行肺部CT图像填充的方法。

技术介绍

[0002]肺结节病是一种病因未明的多系统多器官的肉芽肿性疾病，肺结节的主要检测项目有影像学检查，例如胸片或者是胸部CT检查。但是，在肺结节检测中经常有气管和血管被误认为肺结节。临床上，因为各个CT机图像拍摄尺度设定不同，在肺结节抽取的过程中，需要对CT图像先进行标准化处理，也就是将像素坐标与实际物理空间坐标相对应，一般采用的方式是将像素间距对应为物理空间坐标的1mm。而目前CT采用5mm间距的比较常见，5mm间距CT图像的像素较低，无法清晰地进行肺结节的检测判定。然而将5mm间距CT图像处理成1mm间距CT图像的过程中，需要对低像素图像进行像素填充操作。目前常用的像素填充做法都是采用插值算法，但是插值的内容有可能会被误认为肺结节，导致误诊，因此急需寻找到更清晰精确的像素填充方法。

技术实现思路

[0003]本专利技术的目的在于提供一种采用超分辨率重建方式进行肺部CT图像填充的方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述技术问题的解决，本专利技术的目的之一在于，提供了一种采用超分辨率重建方式进行肺部CT图像填充的方法，包括如下步骤：
[0005]S1、通过多个拍摄尺度设定不同的CT机获取大量肺部CT图像，对肺部CT图像进行标准化处理，组成CT图像集合，图像集合包括像素间距对应为物理空间坐标为1mm的高像素CT图像和5mm的低像素CT图像；
[0006]S2、搭建通用图像观测模型，并获取学习模型的验证集和训练集；
[0007]S3、采用超分辨率重建方法，对训练集中的观测图像进行分辨率重建，获取高分辨率的图像，作为学习模型的测试集；
[0008]S4、采用大量的高分辨率图像通过一定算法进行学习获得先验知识，构造学习库建立学习模型，利用训练集中的图像进行模型的训练，并通过测试集和验证集测验模型的精度；
[0009]S5、对待处理的低像素CT图像进行预处理；
[0010]S6、在对预处理后的低分辨率图像进行恢复的过程中，引入由学习模型获得的先验知识，以得到图像的高精细节，获得较好的图像恢复效果；
[0011]S7、利用超分辨率重建方法获取的高像素特征图层，对低像素的CT图像进行像素填充，将像素间距对应为物理空间坐标为5mm的低像素CT图像处理成1mm的高像素CT图像。
[0012]作为本技术方案的进一步改进，所述S2中，搭建通用图像观测模型的方法包括如下步骤：
[0013]S2.1、搭建描述理想图像与观测图像之间关系的图像观测模型，其中观测图像为一系列的低分辨率图像，理想图像为所求的高分辨率图像；
[0014]S2.2、调用CT图像集合中若干像素间距对应为物理空间坐标为1mm的高像素CT图像作为验证集；
[0015]S2.3、将步骤S2.2中的高像素CT图像经过一系列的降质过程，产生同一幅高像素CT图像的若干低分辨率图像，作为训练集，其中降质过程包括几何运动、光学模糊、亚采样及附加噪声等；
[0016]S2.4、用矢量z表示所求的高分辨率图像，g
k
表示某一幅低分辨率图像，完善图像观测模型。
[0017]作为本技术方案的进一步改进，所述S2.4中，图像观测模型的计算表达式如下：
[0018]g
k
＝DBM
k
z+n
k
；
[0019]式中：M
k
表示几何运动矩阵，B表示模糊矩阵，D表示亚采样矩阵，n
k
表示附加噪声。
[0020]其中，应用该图像观测模型，可以将力量高分辨率图像依次经过旋转运动、模糊、降采样和噪声过程后得到观测图像。
[0021]作为本技术方案的进一步改进，所述S3中，采用超分辨率重建方法对训练集中的观测图像进行分辨率重建的方法包括如下步骤：
[0022]S3.1、对验证集中的每一幅CT图像X，采用双三次插值算法按照预设的参数scale执行一次下采样操作，得到一幅大小为原图像1/5scale的模糊图像，即为训练集中的图像，设该模糊图像为Y，CT图像X作为模糊图像Y的标签，CT图像X与模糊图像Y一一对应；
[0023]S3.2、将验证集中的每一幅CT图像X与其对应的模糊图像Y，按照预设步长，划分为5n
×
5n和n
×
n大小的图像块，图像的放大倍数为与预设参数scale相等，且与反卷积的步长相等；
[0024]S3.3、将验证集中的CT图像X的图像块随即打乱顺序，将模糊图像Y的图像块随即打乱顺序，CT图像X与模糊图像Y的对应关系不变；
[0025]S3.4、通过激活函数对模糊图像Y进行反卷积操作得到反卷积层；
[0026]S3.5、对反卷积层特征图进行多层卷积操作，使反卷积层形成至输出层特征图；
[0027]S3.6、输出层的特征图像，是由前一层的一系列特征图重建成的一幅高分辨率图，在重建过程中，重叠部分采用平均值，重建图像期望与原始图像X相似，并采用均方差误差作为损失函数来优化参数计算平均值过程中的各参数；
[0028]S3.7、采用梯度下降法最小化公式，沿着梯度下降的最快方向找到最小值，增大峰值信噪比，使重建图像与原高分辨率图像X的分辨率越接近，进而可以得出网络模型最优的超参数。
[0029]作为本技术方案的进一步改进，所述S3.4中，反卷积层的激活函数采用PReLU，其计算表达式为：
[0030][0031]式中，i表示不同的通道。
[0032]其中，如果a
i
＝0，则PReLU退化为ReLU；如果a
i
是一个很小的固定值(如a
i
＝0.01)，则PReLU退化为LReLU。具体地，与ReLU相比，LReLU对最终的结果几乎没什么影响。
[0033]作为本技术方案的进一步改进，所述S3.6中，均方差误差的计算表达式为：
[0034][0035][0036]其中，SEM为n个数据的均方差误差值，SD为n个数据的标准差，为n个数据的样本均值，n为样本中观测值总数。
[0037]作为本技术方案的进一步改进，所述S3.7中，梯度下降法最小化公式的算法表达过程如下：
[0038]Step1、确定当前位置的损失函数的梯度，对于θ
i
，其梯度表达式为：
[0039]Step2、用步长乘以损失函数的梯度，得到当前位置下降的距离，即：
[0040]Step3、确定是否所有的θ
i
梯度下降的距离都小于ε，如果小于ε则算法终止，当前所有的θ
i
(i＝0,1,...,n)即为最终结果，否则进入Step4；
[0041]Step4、更新所有的θ，对于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采用超分辨率重建方式进行肺部CT图像填充的方法，其特征在于：包括如下步骤：S1、通过多个拍摄尺度设定不同的CT机获取大量肺部CT图像，对肺部CT图像进行标准化处理，组成CT图像集合，图像集合包括像素间距对应为物理空间坐标为1mm的高像素CT图像和5mm的低像素CT图像；S2、搭建通用图像观测模型，并获取学习模型的验证集和训练集；S3、采用超分辨率重建方法，对训练集中的观测图像进行分辨率重建，获取高分辨率的图像，作为学习模型的测试集；S4、采用大量的高分辨率图像通过一定算法进行学习获得先验知识，构造学习库建立学习模型，利用训练集中的图像进行模型的训练，并通过测试集和验证集测验模型的精度；S5、对待处理的低像素CT图像进行预处理；S6、在对预处理后的低分辨率图像进行恢复的过程中，引入由学习模型获得的先验知识，以得到图像的高精细节，获得较好的图像恢复效果；S7、利用超分辨率重建方法获取的高像素特征图层，对低像素的CT图像进行像素填充，将像素间距对应为物理空间坐标为5mm的低像素CT图像处理成1mm的高像素CT图像。2.根据权利要求1所述的采用超分辨率重建方式进行肺部CT图像填充的方法，其特征在于：所述S2中，搭建通用图像观测模型的方法包括如下步骤：S2.1、搭建描述理想图像与观测图像之间关系的图像观测模型，其中观测图像为一系列的低分辨率图像，理想图像为所求的高分辨率图像；S2.2、调用CT图像集合中若干像素间距对应为物理空间坐标为1mm的高像素CT图像作为验证集；S2.3、将步骤S2.2中的高像素CT图像经过一系列的降质过程，产生同一幅高像素CT图像的若干低分辨率图像，作为训练集，其中降质过程包括几何运动、光学模糊、亚采样及附加噪声等；S2.4、用矢量z表示所求的高分辨率图像，g
k
表示某一幅低分辨率图像，完善图像观测模型。3.根据权利要求2所述的采用超分辨率重建方式进行肺部CT图像填充的方法，其特征在于：所述S2.4中，图像观测模型的计算表达式如下：g
k
＝DBM
k
z+n
k
；式中：M
k
表示几何运动矩阵，B表示模糊矩阵，D表示亚采样矩阵，n
k
表示附加噪声。4.根据权利要求3所述的采用超分辨率重建方式进行肺部CT图像填充的方法，其特征在于：所述S3中，采用超分辨率重建方法对训练集中的观测图像进行分辨率重建的方法包括如下步骤：S3.1、对验证集中的每一幅CT图像X，采用双三次插值算法按照预设的参数scale执行一次下采样操作，得到一幅大小为原图像1/5scale的模糊图像，即为训练集中的图像，设该模糊图像为Y，CT图像X作为模糊图像Y的标签，CT图像X与模糊图像Y一一对应；S3.2、将验证集中的每一幅CT图像X与其对应的模糊图像Y，按照预设步长，划分为5n
×
5n和n
×
n大小的图像块，图像的放大倍数为与预设参数scale相等，且与反卷积的步长相等；
S3.3、将验证集中的CT图像X的图像块随即打乱顺序，将模糊图像Y的图像块随即打乱顺序，CT图像X与模糊图像Y的对应关系不变；S3.4、通过激活函数对模糊...

【专利技术属性】
技术研发人员：马力，王艳芳，陈庆武，黄智，
申请(专利权)人：中山市北京理工大学研究院，
类型：发明
国别省市：