【技术实现步骤摘要】
一种基于多尺度残差的胶囊内窥镜图像超分辨率重建方法
[0001]本专利技术涉及深度学习以及计算机视觉领域,具体涉及一种基于多尺度残差的胶囊内窥镜图像超分辨率重建方法。
技术介绍
[0002]胶囊内窥镜(CE)是一种用于消化道非侵入性检查的方式,是目前消化道疾病尤其是小肠疾病诊断的首选方法。胶囊内窥镜检查主要是通过病人吞咽的一种包含CMOS摄像头的如胶囊一般大小的电子设备,在进行一次胶囊内镜检查中一般会产生约6万多张图像,对于这6万多张图像,医生一般会使用特定的凝视模式来观察与病理相关的视觉线索,从而诊断来自CE图像中的病理。近年来,深度学习的快速发展,实现了内窥镜图像的自动化和客观分析,包括深度估计、息肉检测和特征描述,这在一定程度上减少了医生的工作量,提升了工作效率。然而,由于照明不佳、相机性能的有限以及肠道中的复杂环境等因素,CE捕获的图像往往是低分辨率(LR)的,这就造成了胶囊内窥镜检查的局限性。有研究表明,低分辨率图像会对此类诊断方法造成很大的影响,增强的图像质量可能会在病灶检测、区域分割、病理分析等方面有着更好的效果。因此,需要提高胶囊内窥镜分辨率的方法进行主客观分析。
[0003]为了获得高分辨率的内窥镜图像,最直接的方法是改进硬件设备,增加光学元件,但所需付出的成本很高,同时受限于胶囊内窥镜这一设备的空间大小的限制,这样的方法并不合理。为了解决这个问题,计算机视觉界一直在研究一系列被称为超分辨率的算法,使用信号处理技术从低分辨率图像重建出高分辨率图像。使用超分辨率技术克服基本分辨率的限制获得更好 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度残差的胶囊内窥镜图像超分辨率重建方法,其特征在于,能够对胶囊内窥镜采集到的图像进行相应处理,得到结构、纹理等特征更加清晰的胶囊内窥镜超分辨率图像,具体包括以下步骤:步骤1、获取待诊断患者的胶囊内窥镜图像,获取预先训练完成的超分辨率重建网络,该超分辨重建网络由两个部分组成,一部分是由浅层特征提取模块、多尺度残差特征提取模块和层次特征处理模块组成的特征提取部分,另一部分是由亚像素层上采样方法和一个以3x3为大小的卷积核构成的卷积层所组成的图像重建模块;步骤2、将待重建的胶囊内窥镜图像输入浅层特征提取模块进行浅层特征提取,获得一级特征图,浅层特征提取模块是卷积核大小为3x3的卷积层;步骤3、将一级特征图顺次经过n个多尺度残差特征提取模块,生成获得二级特征图;步骤4、提取各个多尺度残差特征提取模块中生成的层级特征图,将二级特征图与各个多尺度残差特征提取模块中生成的层级特征图输入层次特征处理模块,利用层次特征处理模块将二级特征图与层级特征图进行融合,并对图像中重要的特征进行增强,然后输出得到三级特征图;步骤5、将三级特征图送入一个以3x3为卷积核构成的卷积层,进行进一步的特征提取,生成四级特征图;步骤6、将四级特征图输入图像重建模块,进行放大重建,得到超分辨率胶囊内窥镜图像,超分辨率胶囊内窥镜图像的分辨率大于待重建的胶囊内窥镜图像。2.根据权利要求1所述的胶囊内窥镜图像超分辨率重建方法,其特征是:所述多尺度残差特征提取模块,采用残差块为基本结构单元,每个残差块由两个卷积层和一个ReLU激活函数组成,对于残差块可用如下数学模型进行表示:B1=φ2(σ1(φ1(B)))+BB2=φ4(σ2(φ3(B)))+B其中B表示的输入残差块的信息,φ1(
·
)和φ2(
·
)表示的是以3x3为卷积核的卷积操作,φ3(
·
)和φ4(
·
)表示的是以5x5为卷积核的卷积操作,σ1(
·
)和σ2(
·
)表示的是以ReLU为激活函数的信息激活操作,B1和B2表示的是分别以3x3和5x5为卷积核的残差块的输出;多尺度残差特征提取模块由8个并行分支组成,具体可以用如下数学模型进行表示:Y1=B
11
(X)Y2=B
21
(X)Y3=F3(concat(B
12
(F1(concat([Y1,Y2]))),B
22
(F2(concat([Y1,Y2]))),B
13
(X),B
23
(X),X))Y4=B
14
(Y3)Y5=B
24
(Y3)Y6=F6(concat(B
15
(F4(concat([Y4,Y5]))),B
25
(F5(concat([Y4,Y5]))),B
16
(Y3),B
26
(Y3),B
17
(X)...
【专利技术属性】
技术研发人员:黄胜,陈贤龙,廖星,曹维俊,牟星宇,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。