(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 202210293472.5 (22)申请日 2022.03.24 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 余辉　王硕　汪光普　孙敬来　 李金秋　王植　孟祥虹　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 程毓英 (51)Int.Cl. G06T 3/40(2006.01) G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/44(2022.01)G06V 10/82(2022.01) (54)发明名称 大鼠踝骨骨折Micro-CT图像的超分辨率重 建装置 (57)摘要 本发明涉及一种大鼠踝骨骨折Micro ‑CT图 像的超分辨率重建装置， 包括大鼠踝骨图像预处 理模块， 用于对 经过踝骨骨折造模的大鼠胫骨至 踝骨分别进行高分辨率和低分辨率的扫描， 得到 高分辨率图像HR及相对应的低分辨率图像LR； ) 配置HR‑LR图像对模 块， 用于得到基于Res2Net的 残差通道注意力模型的训练数据； 基于Res2Net 的残差通道注 意力的深度模型模块， 包括浅层特 征提取层， 深层特征提取层和特征上采样层； 图 像超分辨 率重建模块。 权利要求书2页 说明书6页 附图5页 CN 114862670 A 2022.08.05 CN 114862670 A 1.一种大鼠踝骨 骨折Micro ‑CT图像的超分辨 率重建装置， 其特 征在于， 包括： (1)大鼠踝骨图像预处理模块， 用于对经过踝骨骨折造模的大鼠胫骨至踝骨分别进行 高分辨率和低分辨率的扫描， 得到高分辨率图像HR及相对应的低分辨率图像LR， 两者的分 辨率相差8倍。 (2)配置HR ‑LR图像对模块， 用于得到基于Res2Net的残差通道注意力模型的训练数据， 方法如下： 应用特征检测算法检测特征点， 并对同一扫描位置的LR和HR图像进行特征点匹 配； 通过两组特征点对LR图像进行旋转使LR图像和HR图像处于同一方向， 并以特征点为中 心分别剪 裁得到HR和LR图像的子图像， 制作HR ‑LR图像对； (3)基于Res2Net的残差通道注意力的深度模型模块， 包括浅层特征提取层， 深层特征 提取层和特 征上采样层： 浅层特征提取层为一个3 ×3的卷积层， 将LR图像输入到浅层特征提取层得到浅层特征 图F0； 深层特征提取层由两部分组成， 分别是基于通道注意力的RCAB ‑group和基于Res2Net 的Res2‑group； 其中RCAB ‑group由10个RCAB搭配短跳 跃连接组成； Res2 ‑group以Res2Net为 基础， 串联5个Res2block搭配短跳跃连接防止模型训练出现过拟合； 浅层特征图F0通过第 一个RCAB‑group得到特征图F1； 特征图F1经过第一个 Res2‑group得到特征图F2， 特征图F2再 通过第二个RCAB ‑group得到特征图F2； 特征图F2再经过第二个Res2 ‑group得到特征图F3， 依 次类推， 总共经 过五次这样的交替串联 搭配长跳跃连接， 最终得到的特 征图F10； 所述的浅层特征图F0通过第一个RCAB ‑group得到特征图F1的方法如下： 浅层特征图F0 依次进入10个RCAB， 当浅层特征图F0进入第一RCAB时， 经过一个3 ×3的卷积、 ReLU激活函数 和一个3×3的卷积得到特征图X0,1， 然后将特征图X0,1输入通道注意力机制层中， 由全局平 均池化层将特征图X0,1压缩为1×1的向量， 再将向量经过一个1 ×1的卷积层和ReLU激活函 数实现降低通道数， 再通过一个1 ×1的卷积层和Sigmoid激活函数产生注意力的权重对位 相乘输入的特征图X0,1得到新的特征图F0,1； 特征图F0,1再依次经过第二个到第十个RCAB处 理， 得到通过第一个RCAB ‑group的特 征图F1； 所述的特征图F1经过第一个Res2 ‑group得到特征图F2的方法如下： 将特征图F1依次进 入5个Res2block， 当进入第一个Res2block后， 特征图F1通过一个1 ×1的卷积层， 并将特征 图F1分为4块子特征图Xi， 其中i取1到4； 每个子特征图通道数为特征图F1的1/4； 其中子特征 图X1不经过卷积处理直接得到子特征图Y1； 子特征图X2经过一个3 ×3的卷积得到子特征图 Y2； 子特征图X3与上一个子特征图结果Y2相加再通过一个3 ×3的卷积得到子特征图Y3； 子特 征图X4与上一个子特征图结果Y3相加再通过一个3 ×3的卷积得到子特征图Y4； 通过上述操 作不断增大感受野获取四个多尺度的子特征图： Y1、 Y2、 Y3、 Y4； 融合四个多尺度的子特征图 Y1、 Y2、 Y3、 Y4， 得到经过第一个 Res2‑group的输出结果； 再依次通过4个同样的Res2block， 得 到特征图F2； 特征上采样层， 由一个亚像素卷积层对最终得到的特征图F10进行上采样， 将最初的输 入图像的分辨率扩到为原 来的8倍； 之后由一个3 ×3的卷积层将特征图的通道数压缩为3通 道的最终图像； (4)图像超分辨率重建模块， 用于将LR图像重建为HR图像， 从而获得大鼠踝骨骨折 Micro‑CT图像的超分辨 率重建图像。权　利　要　求　书 1/2 页 2 CN 114862670 A 22.根据权利要求1所述的超分辨率重建装置， 其特征在于， 应用AKAZA特征检测算法检 测特征点， 并应用Brute ‑Force算法对同一扫描位置的LR和HR图像进行 特征点匹配。权　利　要　求　书 2/2 页 3 CN 114862670 A 3