CN107507148B - 基于卷积神经网络去除磁共振图像降采样伪影的方法 - Google Patents

Abstract

基于卷积神经网络去除磁共振图像降采样伪影的方法，将带有伪影的样本磁共振图像作为输入图像，通过卷积神经网络框架进行处理，最终得到无伪影的结果图像，(一)获取最优模型，T1、对样本磁共振图像进行预处理；T2、搭建卷积神经网络基本框架；T3、对卷积神经网络基本框架参数进行初始化；T4、通过训练数据对卷积神经网络基本框架参数进行优化，得到最优模型；(二)通过最优模型对待处理图像进行去伪影得到目标图像，T5、将经过预处理的待处理图像数据代入最优模型中，输出结果图像。该发明建立的最优模型可以有效去除降采样造成的伪影，获得较高的分辨率以及对比度，并很好的保留图像的细节。

Description

基于卷积神经网络去除磁共振图像降采样伪影的方法

技术领域

本发明涉及医疗设备技术领域，特别是涉及基于卷积神经网络去除磁共振图像降采样伪影的方法。

背景技术

磁共振成像是医学诊断领域的重要组成部分。然而，磁共振成像中经常出现由于降采样导致的伪影如由于k空间的有限采样导致的高频数据的丢失造成的吉布斯伪影，并行成像中的由于降采导致的混叠伪影以及噪声，进行Radial/Spiral扫描时图像中出现的的细条纹伪影等等。图像中的由于降采导致的伪影会造成图像对比度与空间分辨率的大幅降低，所以，找到一个有效的去除伪影的方法是十分必要的。

在过去的很多年里，有很多的去除降采样伪影的图像后处理的算法得以提出和发展，例如对于吉布斯伪影来说最常用的是滤波算法，移除k空间的高频数据，但这种方法有一个很严重的缺陷就是会造成图像分辨率大幅下降并使图像变得模糊。对于并行成像来说，SENSE，GRAPPA，压缩感知这些方法虽能很好的重建降采样的数据，但很难恢复由于降采样导致的丢失的细节结构，也很难彻底的将伪影去除干净。

在很早之前，就有研究学者提出了基于神经网络来去截断伪影。但这个方法只应用在一维信号和一个模拟图像上，且当这个方法应用在图像时，必须是一行一行地去计算，即这个方法只能做1维的预测，因此这个方法需要的计算时间过长。

也有研究学者提出了用神经网络的方法来重建并行成像的数据同时去除由于降采样导致的混叠伪影。这种方法同时适用于笛卡尔采样，Radial/Spiral采样，但是仍然会存在细节结构丢失的现象和伪影残留的现象，且图像质量不高。

因此，针对现有技术不足，提供基于卷积神经网络去除磁共振图像降采样伪影的方法以解决现有技术不足甚为必要。

发明内容

本发明的目的在于避免现有技术的不足之处而提供基于卷积神经网络去除磁共振图像降采样伪影的方法，该基于卷积神经网络去除磁共振图像降采样伪影的方法建立的最优模型可以有效去除降采样造成的伪影，获得较高的分辨率以及对比度，并很好的保留图像的细节，具有高的鲁棒性，还可以使用该模型对其他待处理图像进行伪影的去除。

本发明的上述目的通过如下技术手段实现。

提供基于卷积神经网络去除磁共振图像降采样伪影的方法，将带有伪影的磁共振图像通过卷积神经网络处理得到无伪影的结果图像；

将带有伪影的样本磁共振图像作为输入图像，通过卷积神经网络框架进行处理获得最优模型，再将待处理的磁共振图像输入最优模型得到无伪影的结果图像。

具体步骤如下：

(一)获取最优模型

T1、对样本磁共振图像进行预处理；

T2、搭建卷积神经网络的基本框架；

T3、对卷积神经网络基本框架参数进行优化，得到最优模型；

(二)通过最优模型对待处理图像进行去伪影得到目标图像

T4、将经过预处理的待处理图像数据代入最优模型中，输出结果图像。

具体而言的，步骤T1的预处理操作步骤如下：

T11、将带有伪影的样本磁共振图像和没有伪影的样本参考图像作为样本输入数据，根据式(1)进行归一标准化处理，得到方差为0，均值为1的样本输出数据；

式(1)中y和z分别为样本输入数据和样本输出数据，μ和σ分别为样本输入数据的均值和方差；

T12、根据步骤T11中得到的样本输出数据，建立训练模型的样本训练数据。

进一步的，步骤T2中搭建卷积神经网络基本框架的处理步骤是：

T21，根据式(2)依次计算第1层至第i-1层的输出数据；

F_l(Y)＝max(0，BN(W_l*F_l-1(Y)+B_l))，l＝1，2,......i-1

……式(2)；

其中，i为卷积神经网络基本框架搭建的层数，i为正整数，“*”表示卷积操作，BN(x)为批量标准化操作，max(0.x)为激活函数表达式，l为所在层的顺序号，第一层的顺序号为1，第二层的顺序号为2，第i层的序号为i，W_l和B_l分别为第1层的卷积核和偏置参数，F_l-1(Y)为第1层的输入数据，F_l(Y)为第1层的输出数据；F_O(Y)为输出的预测图像；

T22，根据式(3)计算第i层的输出数据，作为输出的预测图像FO(Y)；

F0(Y)＝W_l*F_i-1(Y)+B_l,l＝i，……式(3)。

具体而言的，i为3至2000。

进一步的，式(2)中的批量标准化操作如下：

式(4)中G和b’为标准化权重常数的卷积核和偏置参数，x为待标准化的特征图组，μ_x和σ_x分别为x的均值和方差。

优选的，步骤T3的具体操作如下：

T31、对卷积神经网络基本框架参数进行初始化；

T32、设迭代次数为Q，当前迭代次数为k，1≤k≤Q，Q为正整数；

T33、令k＝1，以样本训练数据作为当前样本训练数据，进入步骤T34；

T34、将当前样本训练数据作为输入数据进行操作，得到输出图像数据；

T35、计算输出图像数据与样本参考数据之间的均方误差值和平均误差值，统计并以k为X轴，以均方误差值和平均误差值为Y轴制作成曲线图；

T36、判定第k次迭代时搭建的卷积神经网络的基本框架是否为最优模型，如果是，则认定第k次迭代时搭建的卷积神经网络的基本框架为最优模型；否则，进行步骤T37；

T37、判断k是否等于Q,如果是，则以第k次迭代时搭建的卷积神经网络的基本框架作为为最优模型；否则，进入步骤T38；

T38、以第k次得到的输出图像数据作为当前样本训练数据，令k＝k+1，返回步骤T34。

进一步的，步骤T36的判定方法具体如下：

根据式(5)或式(6)对k点和k-1点间曲线的斜率进行判断，当斜率小于0.0001时，则判定斜率趋于零，以第k次迭代时搭建的卷积神经网络的基本框架作为最优模型；

均方误差函数：

平均绝对误差函数：

其中N为输入数据的行*列的值。

具体而言的，步骤T31初始化的具体操作如下：

T311、对卷积核进行初始化；

T312、设置输入图像数量为2；

T313、设置迭代次数为n，学习率为0.0001，n为正整数；

步骤T311中的初始化为设定特征提取层、特征增强层、非线性映射层和重建层的卷积核尺寸分别为9*9*1*64、7*7*64*32、1*1*32*16和5*5*16*1，通过随机的高斯生成函数进行初始化设置。

该发明建立的最优模型可以有效去除降采样造成的伪影，获得较高的分辨率以及对比度，并很好的保留图像的细节，具有高的鲁棒性，还可以使用该模型对其他待处理图像进行伪影的去除。

附图说明

利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。

图1是本发明基于卷积神经网络去除磁共振图像降采样伪影的方法的整体示意图。

图2为实施例2中的整体示意图。

图3为使用实施例2中卷积神经网络去除吉布斯伪影的效果图。

图4为图3的局部放大图。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1。

如图1所示，基于卷积神经网络去除磁共振图像降采样伪影的方法，将带有伪影的磁共振图像通过卷积神经网络处理得到无伪影的结果图像。

将带有伪影的样本磁共振图像作为输入图像，通过卷积神经网络框架进行处理获得最优模型，再将待处理的磁共振图像输入最优模型得到无伪影的结果图像。

具体步骤如下：

(一)获取最优模型

T1、对样本磁共振图像进行预处理。

T2、搭建卷积神经网络的基本框架。

T3、通过训练数据对卷积神经网络基本框架参数进行优化，得到最优模型。

(二)通过最优模型对待处理图像进行去伪影得到目标图像

T4、将经过预处理的待处理图像数据代入最优模型中，输出结果图像。

步骤T1的预处理操作步骤如下：

T11、将带有伪影的样本磁共振图像和没有伪影的样本参考图像作为样本输入数据，根据式(1)进行归一标准化处理，得到方差为0，均值为1的样本输出数据；

式(1)中y和z分别为样本输入数据和样本输出数据，μ和σ分别为样本输入数据的均值和方差。

T12、根据步骤T11中得到的样本输出数据，建立训练模型的样本训练数据。

步骤T2中搭建卷积神经网络基本框架的处理步骤是：

T21，根据式(2)依次计算第1层至第i-1层的输出数据。

F_l(Y)＝max(0，BN(W_l*F_l-1(Y)+B_l))，l＝1，2,......i-1

……式(2)。

其中，i为卷积神经网络基本框架搭建的层数，i为正整数，“*”表示卷积操作，BN(x)为批量标准化操作，max(0.x)为激活函数表达式，l为所在层的顺序号，第一层的顺序号为1，第二层的顺序号为2，第i层的序号为i，W_l和B_l分别为第1层的卷积核和偏置参数，F_l-1(Y)为第1层的输入数据，F_l(Y)为第1层的输出数据；FO(Y)为输出的预测图像。

T22，根据式(3)计算第i层的输出数据，作为输出的预测图像FO(Y)。

F0(Y)＝W_l*F_i-1(Y)+B_l,l＝i，……式(3)。

式(2)中的批量标准化操作如下：

式(4)中G和b’为标准化权重常数的卷积核和偏置参数，x为待标准化的特征图组，μ_x和σ_x分别为x的均值和方差。

步骤T3的具体操作如下：

T31、对卷积神经网络基本框架参数进行初始化。

T32、设迭代次数为Q，当前迭代次数为k，1≤k≤Q，Q为正整数。

T33、令k＝1，以样本训练数据作为当前样本训练数据，进入步骤T34。

T34、将当前样本训练数据作为输入数据进行操作，得到输出图像数据。

T35、计算输出图像数据与样本参考数据之间的均方误差值和平均误差值，统计并以k为X轴，以均方误差值和平均误差值为Y轴制作成曲线图。

T36、判定第k次迭代时搭建的卷积神经网络的基本框架是否为最优模型，如果是，则认定第k次迭代时搭建的卷积神经网络的基本框架为最优模型；否则，进行步骤T37。

T37、判断k是否等于Q,如果是，则以第k次迭代时搭建的卷积神经网络的基本框架作为为最优模型；否则，进入步骤T38。

T38、以第k次得到的输出图像数据作为当前样本训练数据，令k＝k+1，返回步骤T34。

步骤T36的判定方法具体如下：

根据式(5)或式(6)对k点和k-1点间曲线的斜率进行判断，当斜率小于0.0001时，则判定斜率趋于零，以第k次迭代时搭建的卷积神经网络的基本框架作为最优模型。

均方误差函数：

平均绝对误差函数：

其中N为输入数据的行*列的值。

该发明建立的最优模型可以有效去除降采样造成的伪影，获得较高的分辨率以及对比度，并很好的保留图像的细节，具有高的鲁棒性，还可以使用该模型对其他待处理图像进行伪影的去除。

实施例2。

基于卷积神经网络去除磁共振图像降采样伪影的方法，其它特征与实施例1相同，不同之处在于：当i＝4时，步骤T2中搭建卷积神经网络基本框架依次经过搭建特征提取层、搭建特征增强层、搭建非线性映射层和搭建重建层。

搭建特征提取层：从输入数据中提取特征，得到第一层输出数据。

搭建特征增强层：对第一层输出数据进一步提取特征，得到第二层输出数据。

搭建非线性映射层：将第二层输出数据组映射到无伪影的样本参考图像上，得到第三层输出数据。

搭建重建层：将第三层输出数据进行重组，输出预测图像。

步骤T31初始化的具体操作如下：

T311、对卷积核进行初始化。

T312、设置输入图像数量为2。

T313、设置迭代次数为n，学习率为0.0001，n为正整数。

步骤T311中的初始化为设定特征提取层、特征增强层、非线性映射层和重建层的卷积核尺寸分别为9*9*1*64、7*7*64*32、1*1*32*16和5*5*16*1，通过随机的高斯生成函数进行初始化设置。

需要说明的是，由于所需处理图像结果的标准不同，可根据图像处理的要求，选定搭建卷积神经网络基本框架的具体层数，本实施例中搭建卷积神经网络基本框架经过4层。

实施例3。

基于卷积神经网络去除磁共振图像降采样伪影的方法，其它特征与实施例1相同，不同之处在于：如图3-4所示，图3给出了使用本发明方法去除伪影的实物图片，包括样本参考图，样本磁共振图像和使用本发明的方法去伪影后的结果图像，以及相对于参考图的残差图。由图3可以看出本发明方法能够有效且鲁棒地去除吉布斯伪影并且能够很好的保留细节信息，并能提高图像质量。

图4为图3中的局部放大图，通过局部放大图可以看出，使用本发明方法能够有效的去除吉布斯伪影。

该实施例针对的是有限K空间降采样方法图像的伪影去除方法。需要说明的是，本发明还适用于其它采样方法，如部分K空间采样、螺旋降采样或放射降采样图像的伪影去除，在此不一一赘述。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (4)

1.基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：将带有伪影的样本磁共振图像作为输入图像，通过卷积神经网络框架进行处理获得最优模型，再将待处理的磁共振图像输入最优模型得到无伪影的结果图像；

具体步骤如下：

(一)获取最优模型

T1、对样本磁共振图像进行预处理；

T2、搭建卷积神经网络的基本框架；

T3、对卷积神经网络基本框架参数进行优化，得到最优模型；

(二)通过最优模型对待处理图像进行去伪影得到目标图像

T4、将经过预处理的待处理图像数据代入最优模型中，输出结果图像；

步骤T1的预处理操作步骤如下：

T11、将带有伪影的样本磁共振图像和没有伪影的样本参考图像作为样本输入数据，根据式(1)进行归一标准化处理，得到方差为0，均值为1的样本输出数据；

式(1)中y和z分别为样本输入数据和样本输出数据，μ和σ分别为样本输入数据的均值和方差；

T12、根据步骤T11中得到的样本输出数据，建立训练模型的样本训练数据；

步骤T2中搭建卷积神经网络基本框架的处理步骤是：

T21，根据式(2)依次计算第1层至第i-1层的输出数据；

F_l(Y)＝max(0，BN(W_l*F_l-1(Y)+B_l))，l＝1，2,......i-1

……式(2)；

其中，i为卷积神经网络基本框架搭建的层数，i为正整数，“*”表示卷积操作，BN(x)为批量标准化操作，max(0，x)为激活函数表达式，l为所在层的顺序号，第一层的顺序号为1，第二层的顺序号为2，第i层的序号为i，W_l和B_l分别为第l层的卷积核和偏置参数，F_l-1(Y)为第l层的输入数据，F_l(Y)为第l层的输出数据；FO(Y)为输出的预测图像；

T22，根据式(3)计算第i层的输出数据，作为输出的预测图像FO(Y)；

F0(Y)＝W_l*F_i-1(Y)+B_l,l＝i，……式(3)；i为3至2000；

式(2)中的批量标准化操作具体如下：

式(4)中G和b’为标准化权重常数的卷积核和偏置参数，x为待标准化的特征图组，μ_x和σ_x分别为x的均值和方差。

2.根据权利要求1所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：

步骤T3的具体操作如下：

T31、对卷积神经网络基本框架参数进行初始化；

T32、设迭代次数为Q，当前迭代次数为k，1≤k≤Q，Q为正整数；

T33、令k＝1，以样本训练数据作为当前样本训练数据，进入步骤T34；

T34、将当前样本训练数据作为输入数据进行操作，得到输出图像数据；

T35、计算输出图像数据与样本参考数据之间的均方误差值和平均误差值，统计并以k为X轴，分别以均方误差值和平均误差值为Y轴制作成曲线图；

T36、判定第k次迭代时搭建的卷积神经网络的基本框架是否为最优模型，如果是，则认定第k次迭代时搭建的卷积神经网络的基本框架为最优模型；否则，进行步骤T37；

T37、判断k是否等于Q,如果是，则以第k次迭代时搭建的卷积神经网络的基本框架作为最优模型；否则，进入步骤T38；

T38、以第k次得到的输出图像数据作为当前样本训练数据，令k＝k+1，返回步骤T34。

3.根据权利要求2所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：

步骤T36的判定方法具体如下：

根据式(5)或式(6)对k点和k-1点间曲线的斜率进行判断，当斜率小于0.0001时，则判定斜率趋于零，以第k次迭代时搭建的卷积神经网络的基本框架作为最优模型；

均方误差函数：

平均绝对误差函数：

其中N为输入数据的行*列的值。

4.根据权利要求3所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：

卷积神经网络基本框架搭建的层数i为4，

步骤T2中搭建卷积神经网络基本框架依次经过搭建特征提取层、搭建特征增强层、搭建非线性映射层和搭建重建层；

搭建特征提取层：从输入数据中提取特征，得到第一层输出数据；

搭建特征增强层：对第一层输出数据进一步提取特征，得到第二层输出数据；

搭建非线性映射层：将第二层输出数据组映射到无伪影的样本参考图像上，得到第三层输出数据；

搭建重建层：将第三层输出数据进行重组，输出预测图像；

步骤T31初始化的具体操作如下：

T311、对卷积核进行初始化；

T312、设置输入图像数量为2；

T313、设置迭代次数为n，学习率为0.0001，n为正整数；

步骤T311中的初始化为设定特征提取层、特征增强层、非线性映射层和重建层的卷积核尺寸分别为9*9*1*64、7*7*64*32、1*1*32*16和5*5*16*1，通过随机的高斯生成函数进行初始化设置。