一种多角度深度残差网络及其三维超分辨重建系统和方法

本发明涉及计算机断层(computed tomography,ct)成像，特别是关于一种多角度深度残差网络及其三维超分辨重建系统和方法。

背景技术：

1、图像超分辨率成像方法，是一种从低分辨率图像生成高分辨率图像的技术，在医学、工业、遥感等领域具有重要应用。目前的超分辨率成像方法主要包括插值法、基于重建的方法以及深度学习方法等。目前针对ct图像超分辨率重建的方法主要基于图像后处理方式进行。该类方法通常不考虑原始投影数据的信息，因此重建图像分辨率和质量仍然存在不足。

技术实现思路

1、本发明的目的在于提供一种多角度深度残差网络及其三维超分辨重建系统和方法，能够实现三维超分辨ct重建，提升图像重建分辨率与质量。

2、为实现上述目的，本发明提供一种多角度深度残差网络，其包括：

3、上采样单元，用于对输入数据进行上采样操作，将输入数据的空间维度进行提升，获得预设通道和尺寸的上采样特征图；

4、第一卷积单元，用于对上采样特征图进行卷积操作和修正线性激活函数，获得预设通道和尺寸的中间特征图；

5、残差单元，用于对中间特征图进行多个卷积操作和修正线性激活函数，并将其输出与中间特征图进行相加，获得最终特征图；

6、第二卷积单元，用于对最终特征图进行卷积操作，将最终特征图的角度维度进行提升，获得预设通道和尺寸的用于重建的数据。

7、进一步地，残差单元的卷积操作包括依次进行18个卷积核尺寸为3×3的卷积操作。

8、进一步地，残差单元包括：

9、第一卷积模块，其用于接收中间特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第一特征图；

10、第二卷积模块，其用于接收第一特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第二特征图；

11、第三卷积模块，其用于接收第二特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第三特征图；

12、第四卷积模块，其用于接收第三特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第四特征图；

13、第五卷积模块，其用于接收第四特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第五特征图；

14、第六卷积模块，其用于接收第五特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第六特征图；

15、第七卷积模块，其用于接收第六卷特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第七特征图；

16、第八卷积模块，其用于接收第七特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第八特征图；

17、第九卷积模块，其用于接收第八特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第九特征图；

18、第十卷积模块，其用于接收第九特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十特征图；

19、第十一卷积模块，其用于接收第十特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十一特征图；

20、第十二卷积模块，其用于接收第十一特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十二特征图；

21、第十三卷积模块，其用于接收第十二特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十三特征图；

22、第十四卷积模块，其用于接收第十三特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十四特征图；

23、第十五卷积模块，其用于接收第十四特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十五特征图；

24、第十六卷积模块，其用于接收第十五特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十六特征图；

25、第十七卷积模块，其用于接收第十六特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十七特征图；

26、第十八卷积模块，其用于接收第十七特征图，并依次进行卷积核尺寸为3×3的卷积操作和修正线性激活函数，获得并输出32个通道、尺寸为m×n的第十八特征图。

27、进一步地，第一卷积单元的卷积操作包括卷积核尺寸为3×3的卷积操作。

28、进一步地，第二卷积单元的卷积操作包括卷积核尺寸为3×3的卷积操作。

29、进一步地，输入数据为尺寸为的投影数据，上采样特征图为3个通道、尺寸为m×n的特征图，中间特征图为32个通道、尺寸为m×n的特征图，最终特征图为32个通道、尺寸为m×n的特征图，用于重建的数据为5个通道、尺寸为m×n的投影数据。

30、本发明还提供一种三维超分辨重建系统，其包括如上所述的多角度深度残差网络和重建装置，重建装置用于利用多角度深度残差网络输出的用于重建的数据进行图像重建。

31、本发明还提供一种三维超分辨重建方法，其包括：

32、步骤1，对输入数据进行上采样操作，将输入数据的空间维度进行提升，获得预设通道和尺寸的上采样特征图；

33、步骤2，对上采样特征图进行卷积操作和修正线性激活函数，获得预设通道和尺寸的中间特征图；

34、步骤3，对中间特征图进行多个卷积操作和修正线性激活函数，并将其输出与中间特征图进行相加，获得最终特征图；

35、步骤4，对最终特征图进行卷积操作，将最终特征图的角度维度进行提升，获得预设通道和尺寸的用于重建的数据；

36、步骤5，利用用于重建的数据进行图像重建。

37、本发明由于采取以上技术方案，其具有以下优点：

38、1.本发明通过多角度深度残差网络建立低分辨率投影数据到高分辨率投影数据的映射，在角度和空间维度的提升过程中，其权重系数是可学习的，相对于现有的插值方法，精度更高；

39、2.本发明通过多角度深度残差网络实现低分辨率投影数据到高分辨率投影数据的映射，然后利用三维联合代数重建算法sart对得到的高分辨率投影数据进行重建，从而得到高质量的图像，相比于直接应用低分辨率投影数据重建，本发明的方法能有效减轻图像的模糊并抑制伪影。