(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111666859.2 (22)申请日 2021.12.31 (71)申请人 兰州理工大 学 地址 730050 甘肃省兰州市七里河区兰工 坪路287号 (72)发明人 宋昭漾　赵小强　姚红娟　惠永永　 徐铸业　牟淼　梁浩鹏　刘凯　 (74)专利代理 机构 兰州智和专利代理事务所 (普通合伙) 62201 专利代理师 赵立权 (51)Int.Cl. G06T 11/00(2006.01) G06T 3/40(2006.01) G06V 10/44(2022.01) G06V 10/54(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种针对新冠肺炎胸部CT的渐进式反向投 影网络超分辨 率重建方法 (57)摘要 本发明提供了一种针对新冠肺炎胸部CT的 渐进式反向投影网络超分辨率重建方法， 主要包 括如下步骤： 1)选择训练数据集图像； 2)扩充训 练数据集图像； 3)将训练数据集图像进行1/N比 例下采样处理； 4)将原始训练数据集图像和步骤 3低分辨率图像分别裁剪成图像块； 5)将相同位 置原始图像块和低分辨率图像块作为高分辨率/ 低分辨率样本对， 生成格式为HDF5的数据集文 件； 6)构建渐进式反向投影网络； 7)训练渐进式 反向投影网络； 8)将低分辨率图像输入 得到的渐 进式反向投影网络模型中， 输出得到重建后的高 分辨率图像。 该方法在渐进式的图像重建过程中 能够减少重建误差， 有效提高新冠肺炎胸部CT的 重建精度。 权利要求书3页 说明书7页 附图3页 CN 115294225 A 2022.11.04 CN 115294225 A 1.一种针对新冠肺炎胸部CT的渐进式反向投影网络超分辨率重建方法， 其特征在于， 包括如下步骤： 步骤1： 选择训练数据集图像； 步骤2： 对训练数据集的所有图像进行 数据增强处 理， 扩充训练数据集图像； 步骤3： 将步骤2得到的训练数据集图像进行1/N比例下采样处 理， 其中N 为放大系数； 步骤4： 将步骤1原始训练数据集图像和步骤3得到的低分辨率图像分别裁剪成大小为H ×W和H/N×W/N像素的图像块； 步骤5： 将对应相同位置的步骤4原始图像块和低分辨率图像块作为高分辨率/低分辨 率样本对， 生成格式为HDF5的训练数据集文件； 步骤6： 构建渐进式反向投影网络 6.1： 构建反向投影模型 反向投影模型由一个特征融合的上投影块和一个特征融合的下投影块以残差方式连 接组成； 其中， 所述特征融合的上投影块包括第一反卷积层、 卷积层、 第二反卷积层、 64 维特 征融合层和128维特征融合层， 其第一反卷积层、 卷积层和第二反卷积层的激活函数均为 ReLU， 其卷积层通过与输入求取误差， 该误差然后被第二反卷积层进 行上采样， 并与第一反 卷积层的输出进 行求和， 最后输出128维特征信息； 所述特征融合的下投影块包括第一卷积 层、 反卷积层、 第二卷积层、 64维特征融合层和128维特征融合层， 其第一卷积层、 反卷积层 和第二卷积层的激活函数均为ReLU， 其反卷积层与输入求取误差， 该误差然后被第二卷积 层进行下采样， 并与第一卷积层的输出进 行求和， 最后输出64 维特征信息； 反向投影模型的 输入与特 征融合的下投影块的输出通过残差连接进行求和作为反向投影模型的输出； 反向投影模型的运算主要包括特征融合的上投影块运算和特征融合的下投影块运算， 其运算过程如式(1)至式(10)所示： 特征融合的上投影块进行 上采样： 特征融合的上投影块进行 下采样： 特征融合的上投影块进行残差计算： 特征融合的上投影块进行残差上采样： 特征融合的上投影块的输出为： 特征融合的下投影块进行 下采样： 特征融合的下投影块进行 上采样： 特征融合的下投影块进行残差计算： 特征融合的下投影块进行残差下采样： 反向投影模型的输出为： 其中， *表示卷积操作； ↑s表示放大系数为s的上采样操作； ↓s表示放大系数为s的下采样 操作； pt表示第t个反向投影模型的反卷积层； gt表示第t个反向投影模型的卷积层； qt表示权　利　要　求　书 1/3 页 2 CN 115294225 A 2第t个反向投影模型的128维特 征融合层； kt表示第t个反向投影模型的64维特 征融合层； 6.2： 构建多 级残差注意力模型 多级残差注意力模型由三个多级残差注意力块通过残差方式连接组成； 多级残差注意 力块由多级残差块和通道注意力块端对端的连接组成； 多级残差块由五个卷积层和两个激 活函数ReLU以残差连接方式组成， 通道注意力块由两个卷积层、 一个平均池化层、 一个激活 函数ReLU和一个sigmo id函数组成； 多级残差注意力模型的运 算过程如式(1 1)至(15)所示： 其中， *表示卷积操作； ht和ut表示第t个多级残差块的卷积层； mt表示第t个通道注意力 块的卷积层； 表示元素相乘； po olingmean(·)表示平均池化； 6.3： 构建得到渐进式反向投影网络 渐进式反向投影网络由三部分组成， 分别为初始特征提取、 深层特征提取和图像重建； 渐进式反向投影网络使用初始卷积层进行初始特征提取， 使用重建层进行图像重建； 渐进 式反向投影网络的深层特征提取分为两个阶段， 每个阶段均由四个步骤组成， 分别为： 反向 投影操作、 深度特 征提取操作、 中间卷积 操作和上采样 操作； 其中， 反向投影操作通过两个步骤6.1的反向投影模型进行， 以减少在特征提取过程中 的重建误差； 深度特征提取操作通过两个步骤6.2的多级残差注 意力模型进行， 以进一步提 取深度特征， 同时过滤掉不必 要的低频特征信息， 获得大量的高频特征信息； 中间卷积操作 通过中间卷积层对高频特征信息进行卷积运算； 上采样操作通过亚像素卷积层进行， 以获 得目标高分辨 率图像的空间尺寸； 步骤7： 训练渐进式反向投影网络 7.1： 设置损失函数， 最小化重建图像与真实高分辨率图像的误差值来优化渐进式反向 投影网络的参数； 7.2： 选择优化 算法， 对渐进式反向投影网络的参数进行进一 步优化； 7.3： 选择评价指标来 客观评价渐进式反向投影网络模型的性能； 7.4： 设置训练参数， 所述训练参数包括渐进式反向投影网络参数的初始化， 训练的学 习率， 训练的epoc h值和批训练样本batc hsize值； 7.5： 用步骤5生成的HDF5训练数据 集文件按照步骤7.4设置的训练参数， 训练渐进式反 向投影网络， 如果网络不收敛， 则反复执行步骤 7.4， 直到网络收敛； 并保存训练好的渐进式 反向投影网络模型； 步骤8： 将低分辨率图像输入到步骤7.5得到的渐进式反向投影网络模型中， 输出得到 重建后的高分辨 率图像。 2.根据权利要求1所述的一种针对新冠肺炎胸部CT的渐进式反向投影网络超分辨率重权　利　要　求　书 2/3 页 3 CN 115294225 A 3