买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：贵州大学

摘要：本发明公开了一种基于动态早停的DWI零样本超分辨率重建方法，涉及人工智能领域，具体包括以下步骤：S1：数据预处理后输出DW二维图像；S2：通过高频特征增强模块和冗余特征融合模块构建轻量级模型；轻量级模型将获取的DW二维图像进行超分辨率重建图像；S3：输入步骤S2中得到超分辨率重建图像，在早停判别模块中设计早停算法，超分辨率重建图像输入早停判别模块；S4：单图早停判别结束后，通过损失函数优化模型参数；S5：步骤S4结束后若停止训练，将批量DW二维图像作为输入进入自适应推理算法框架进行处理；S6：重建性能指标计算模块。本发明设计轻量级模型减小参数，提高模型的可移植性，提高DW图像超分辨率重建的效率，有利于重建图像后续应用。

主权项：1.一种基于动态早停的DWI零样本超分辨率重建方法，其特征在于，将预处理后的DW二维图像作为输入，通过早停判别模块、高频特征增强模块和冗余特征融合模块进行处理，输出预测结果，具体包括以下步骤：S1：数据预处理后输出DW二维图像；S2：通过高频特征增强模块和冗余特征融合模块构建轻量级模型；轻量级模型将获取的DW二维图像进行超分辨率重建图像；在步骤S2中，高频特征增强模块根据冗余特征融合模块输出的特征图，将特征图中的高频特征转化得到的高频像素注意力，核心操作如下： ； ；其中，为高频特征增强模块的输入，为模块中计算得到的中间特征，为平均池化计算，为反卷积运算，为中间特征经过平均池化和反卷积上采样得到的池化低频特征，将池化低频特征与相减得到中的高频特征，将高频特征经过转换为高频注意力，为经过高频注意力加强后的特征；其中in代表输入，out代表输出，代表像素级乘法运算；冗余特征融合模块：输入DW二维图像进入轻量级网络模型后，由冗余特征融合模块计算，生成并融合更多冗余特征，在冗余特征融合模块内部，引入了普通卷积和分组卷积，通过分组卷积辅助生成更多的冗余特征，使冗余特征与原始特征连接在一起，通过卷积融合，核心操作如下公式： ；其中为冗余特征融合模块中通道数为n的中间特征，为组卷积，[]表示在通道维度进行Concatenate操作，得到，通道数为2n的中间特征；S3：输入步骤S2中得到超分辨率重建图像，在早停判别模块中设计早停算法，超分辨率重建图像输入早停判别模块；在步骤S3中，超分辨率图像进入早停判别模块后，具体包括以下步骤：S31：通过映射函数转化为向量；S32：将向量放入映射向量列表，计算并记录每一轮中被包含向量的平均方差；S33：记录并分析平均方差变化情况，若窗口内的方差保持不变或减小，开始进行早停判断；S34：方差保持不变或减小，且变化所花费的训练轮次达到预设阈值，门控模块触发早停，方差公式为： ；式中，表示第i轮训练中重建的超分辨率图像的映射向量，n表示向量的长度，表示当前训练轮次及以前的总的平均向量，表示前训练轮次及以前的总的平均向量与当前向量计算得到的方差向量；记录并分析方差向量的平均值的变化情况，变化所花费的训练轮次达到预设阈值，如下式门控模块触发早停： ；S4：单图早停判别结束后，通过损失函数优化模型参数；S5：步骤S4结束后若停止训练则将批量DW二维图像作为输入进入自适应推理算法框架进行处理；在步骤S5中，具体包括以下步骤：S51：自适应推理算法需轻量级网络模型重建一张DW二维图像，并保存通过早停算法得到的最佳模型训练权重；S52：通过步骤S51中得到的权重对其他图像进行超分辨率重建：引入自适应推理算法，利用已有的DW图像超分辨率模型权重，降低总体训练时间，公式如下： ； ；其中为训练模型的第一张低分辨率图像，为早停判别模块，为模型权重，为在经过早停后获取的第k次更新后的模型权重，表示待重建的低分辨率图像，表示经过权重被重建的第i张超分辨率图像，其中i1；S6：重建性能指标计算模块，建立图像被超分辨率重建之后，用来计算图像质量好坏的指标。

全文数据：

权利要求：

百度查询： 贵州大学 一种基于动态早停的DWI零样本超分辨率重建方法