申请/专利权人：天津大学

申请日：2021-05-10

公开（公告）日：2024-04-16

公开（公告）号：CN113298710B

主分类号：G06T3/4053

分类号：G06T3/4053

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.09.10#实质审查的生效;2021.08.24#公开

摘要：本发明涉及一种基于外部注意力机制的光学相干层析超分辨率成像方法，包括步骤如下：第一步，读入光学相干层析成像立方体数据，构建数据集并进行数据预处理，得到全深度低分辨enface图像和任意深度低分辨enface图像，作为卷积神经网络模型的输入，将未经过下采样的任意深度enface图像作为训练的标签；第二步，构建包含注意力机制的卷积神经网络，卷积神经网络模型主要包括特征提取模块，外部空间注意力模块，外部通道注意力模块和特征上采样模块；第三步，模型训练。

主权项：1.一种基于外部注意力机制的光学相干层析超分辨率成像方法，包括步骤如下：第一步，读入光学相干层析成像立方体数据，构建数据集并进行数据预处理，得到全深度低分辨enface图像和任意深度低分辨enface图像，作为卷积神经网络模型的输入，将未经过下采样的任意深度enface图像作为训练的标签；第二步，构建包含注意力机制的卷积神经网络，卷积神经网络模型主要包括特征提取模块，外部空间注意力模块，外部通道注意力模块和特征上采样模块：特征提取模块，使用权值共享的两个特征提取模块分别提取来自全深度低分辨enface图像，任意深度低分辨enface图像的特征，得到全深度特征图和任意深度特征图；外部空间注意力模块，使用任意深度空间注意力分支和全深度空间注意力分支分别提取任意深度特征图，全深度特征图的有效特征，两个空间注意力分支都包括一个1×1的卷积层和一个最大池化，一个平均池化层，sigmoid函数；每个空间注意力分支提取特征图的有效特征都能够得到一张空间注意力图，再将两个空间注意力分支得到的空间注意力图进行点乘，然后分别乘以全深度特征图和任意深度特征图，从而得到任意深度空间注意力特征图Ia,全深度空间注意力特征图If；外部通道注意力模块，使用任意深度通道注意力分支和全深度通道注意力分支分别提取Ia，If的有效特征，每个通道注意力分支都包括两个池化分路即平均池化分路和最大池化分路，每种池化分路都包括一个压缩通道的1×1卷积层，一个扩张通道的1×1卷积层，sigmoid函数；在得到两个分路输出的特征向量后，将两种池化分路得到的特征向量相加然后进行sigmoid激活，从而得到两个通道注意力分支的最终特征向量；将两个通道注意力分支所得到的最终特征向量进行点乘，然后乘以Ia，得到经外部通道注意力模块强调的特征图Ic；为保留未经抽象的浅层特征的血流信号相关性，将全深度特征图和任意深度特征图直接点乘后，再与Ic相加，得到了经外部注意力强调的特征图Iea；特征上采样模块，包括一个全局跳跃连接，一个sub-pixel层，以及一个3×3卷积层，全局跳跃连接将底层特征和经外部空间和通道注意力模块强调后的特征图Iea进行相加；Sub-pixel层将特征图进行上采样，恢复到与目标分辨率相同的大小，3×3的卷积层将64通道的特征空间压缩到通道为3的特征图，从而方便最终图片的生成；第三步，模型训练，将经过第一步数据预处理后的全深度低分辨enface图像和任意深度低分辨enface图像，作为卷积神经网络模型的输入，设置网络学习速率；计算最终重建的超分辨率SR图像和高分辨率HR图像误差，将其作为网络的损失经方向传播到网络各层，更新网络参数；误差优化器采用ADAM优化器。

全文数据：

权利要求：

百度查询： 天津大学 基于外部注意力机制的光学相干层析超分辨率成像方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD