CN109741416A - 核磁共振图像重建方法、装置、计算机设备及其存储介质 - Google Patents
核磁共振图像重建方法、装置、计算机设备及其存储介质 Download PDFInfo
- Publication number
- CN109741416A CN109741416A CN201910008429.8A CN201910008429A CN109741416A CN 109741416 A CN109741416 A CN 109741416A CN 201910008429 A CN201910008429 A CN 201910008429A CN 109741416 A CN109741416 A CN 109741416A
- Authority
- CN
- China
- Prior art keywords
- image
- sample image
- reconstructed
- training
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007323 disproportionation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种核磁共振图像重建方法、装置、计算机设备及其存储介质,其中,该核磁共振图像重建方法包括:获取训练数据;根据训练数据构建并训练卷积神经网络模型;对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚被提高至预定值;将所述待重建LR图像进行分割形成多个待重建LR图像块;将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。根据本发明实施例提供的核磁共振图像重建方法、装置、计算机设备及其存储介质,可以将待重建LR图像重建为高分辨率图像,具有丰富的细节结构,以便于实现精确的图像分析和定量测量,并且,该方法简单,图像重建效率高,成本低。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种核磁共振图像重建方法、装置、计算机设备及其存储介质。
背景技术
MRI(Magnetic Resonance Imaging):即核磁共振成像,是利用核磁共振原理,依据所释放的能量在物质内部不同结构环境中不同的衰减,通过外加梯度磁场检测所发射出的电磁波,即可得知构成这一物体原子核的位置和种类,据此可以绘制成物体内部的结构图像。由于MRI没有电离辐射、可多方位成像、软组织对比度高等优点,已广泛应用于临床各种疾病检查中。
MRI的高分辨率图像通常以更长的扫描时间、更小的空间覆盖率和更低的信噪比为代价。而如果可以从低分辨率图像重建出高分辨率图像,则可以在更短的扫描时间中实现更大的空间覆盖、更高的信噪比和更高分辨率。
在相关技术公开的方法中,一种简单的方法是将低分辨率图像(LR)插值成高分辨率图像(HR),然而插值方法无法恢复丢失的高频信息,例如物体的细节、边缘等;另一种方法是扫描多个低分辨率图像并将它们组合成单个高分辨率图像,不过这对于扫描中的运动并不鲁棒,而且在实践中既耗时间也费成本。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种核磁共振图像重建方法。
本发明的第二个目的在于提出一种核磁共振图像重建装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机存储介质。
为实现上述目的,第一方面,根据本发明实施例的核磁共振图像重建方法,包括:
获取训练数据;
根据训练数据构建并训练卷积神经网络模型;
对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚被提高至预定值;
将所述待重建LR图像进行分割形成多个待重建LR图像块;
将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。
第三方面,根据本发明实施例的核磁共振图像重建装置,包括:
获取单元,用于获取训练数据;
训练单元,用于根据训练数据构建并训练卷积神经网络模型;
预处理单元,用于对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚被提高至预定值;
分割单元,用于将所述待重建LR图像进行分割形成多个待重建LR图像块;
重建单元,用于将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。
第二方面,根据本发明实施例的计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的核磁共振图像重建方法。
第四方面,根据本发明实施例的计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的核磁共振图像重建方法。
根据本发明实施例提供的核磁共振图像重建方法、装置、计算机设备及其存储介质,通过构建并训练卷积神经网络模型,再将待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚与所述卷积神经网络模型相适配,以及将所述待重建LR图像进行分割形成多个待重建LR图像块,最后将待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像,如此,可以将待重建LR图像重建为高分辨率图像,具有丰富的细节结构,以便于实现精确的图像分析和定量测量,并且,该方法简单,图像重建效率高,成本低。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1是本发明核磁共振图像重建方法一个实施例的流程图;
图2是本发明核磁共振图像重建方法中步骤S102的流程图;
图3是本发明核磁共振图像重建方法中步骤S201的流程图;
图4是本发明核磁共振图像重建方法中步骤S302的流程图;
图5是本发明核磁共振图像重建方法中步骤S203的流程图;
图6是本发明核磁共振图像重建装置的结构示意图;
图7是本发明计算机设备一个实施例的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照图1所示,图1示出了本发明实施例提供的核磁共振图像重建方法一个实施例的流程图,为了便于描述,仅示出了与本发明实施例相关的部分。具体的,该核磁共振图像重建方法具体包括:
S101、获取训练数据,该训练数据可以为来自多个样本对象的通过MRI扫描形成的图像。
S102、根据训练数据构建并训练卷积神经网络模型。
S103、对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚被提高至预定值。
S104、将所述待重建LR图像进行分割形成多个待重建LR图像块。
S105、将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。
根据本发明实施例提供的核磁共振图像重建方法,通过构建并训练卷积神经网络模型,再将待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚与所述卷积神经网络模型相适配,以及将所述待重建LR图像进行分割形成多个待重建LR图像块,最后将待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像,如此,可以将待重建LR图像重建为高分辨率图像,具有丰富的细节结构,以便于实现精确的图像分析和定量测量,并且,该方法简单,图像重建效率高,成本低。
参照图2所示,在本发明的一个实施例中,训练数据包括多对样本图像,每对样本图像包括来自同一样本对象的LR样本图像和HR样本图像。
对应的,步骤S102具体包括:
S201、对每对训练数据中的所述LR样本图像和HR样本图像进行预处理,以使每对训练数据中的所述LR样本图像与所述HR样本图像具有相同的分辨率和层厚。
该步骤中,对LR样本图像和HR样本图像进行预处理的目的是为了将低LR样本图像重采样并配准到HR样本图像上,得到配准后的新的LR样本图像,使得该新的LR样本图像与HR样本图像具有相同的分辨率与层厚。
S202、将所述LR样本图像进行分割形成多个LR样本图像块,以及将所述HR样本图像进行切分形成多个HR样本图像块。例如:将述LR样本图像和HR样本图像以每层为单位,分别切分为64×64×64的图像块。
S203、以所述LR样本图像块作为模型的输入图像、所述HR样本图像块作为模型的训练标签进行卷积神经网络模型训练。
进一步地,参照图3所示,在本发明的一个实施例中,步骤S201包括:
S301、对所述LR样本图像和HR样本图像分别进行偏场校正,以消除偏差场。
由于磁共振成像设备不完善及其自身的特异性,磁共振图像总是不可避免的存在一定程度和范围的亮度不均,也就是所谓的偏差场。图像的亮度信息是图像后处理主要的依据,而偏差场使图像的局部统计特性发生变化,不同生理组织的亮度交叠分布,它是图像后处理的主要障碍,严重影响了核磁共振图像自动处理的精确性。本实施例中,采用偏场校正的方法去除偏差场,理想情况下磁共振图像中每一类组织都应该是一个特定的值,反应了不同组织的密度特性,而真实的磁共振图像中往往有偏场干扰,假设偏场在整个图像中是平滑的,偏场校正使用高斯滤波的方式,估计出LR样本图像和HR样本图像中的偏差,再将偏差进行去除。
S302、将所述LR样本图像刚性配准至所述HR样本图像上,以使LR样本图像的分辨率与所述HR样本图像的分辨率和层厚相同。
由于LR样本图像与HR样本图像分辨率与层厚不一致,而卷积神经网络模型需要对每一个像素点的灰度值进行回归。为了将作为卷积神经网络模型输入的LR样本图像与作为训练标签的HR样本图像的像素点灰度值一一对应,本实施例中,将这LR样本图像与HR样本图像进行刚性配准,本申请将使用LR样本图像配准到HR样本图像上。
更进一步地,参照图4所示,在本发明的一个实施例中,步骤S302包括:
S401、将所述LR样本图像进行图像变换,使其与HR样本图像处于同一个坐标系下,并进行插值处理,具体的,输入训练数据,将同一对训练数据中的LR样本图像做对应的图像变换,使同一对训练数据中的LR样本图像与HR样本图像处于同一个坐标系下,由于图像变换后的坐标不一定是整数,因此,需要做插值处理,本申请中采用双线性插值方法。
S402、利用度量函数定量比较两个所述LR样本图像与所述HR样本图像的相似性,得到相似性结果。
为了定量比较插值处理后的LR样本图像与HR样本图像是否相似,需要使用度量函数来衡量LR样本图像与HR样本图像的相似性,本申请使用互信息熵作为度量函数,二者的互信息熵越小则说明越相似,越大则说明差异越大。
S403、根据所述相似性结果采用优化方法优化变换矩阵,并根据优化后的变化矩阵对所述LR样本图像继续进行图像变换。
为了求得图像变换中最优的变换矩阵,需要最小化度量函数并不断迭代变换矩阵,本申请中采用梯度下降的方法进行优化。
参照图5所示,在本发明的一个实施例中,步骤S203具体包括:
S501、将LR样本图像块输入卷积神经网络模型中进行训练。
S502、对训练的LR样本图像块进行前馈计算,并获得前馈计算结果。
S503、将前馈计算结果与作为训练标签的HR样本图像块进行比较,求得两者之间的损失函数。
S504、判断训练次数是否达到设定的训练次数,若是,则保存训练模型结果,结束训练,若否,则继续训练优化损失函数。
在本发明的一个实施例中,步骤S103具体包括:
对所述待重建LR图像进行偏场校正,以消除偏差场。
将所述待重建LR图像刚性配准至所述HR样本图像上,以使LR样本图像的分辨率与所述HR样本图像的分辨率和层厚相同。
参照图6所示,图6示出了本发明实施例提供的核磁共振图像重建装置一个实施例的结构示意图,为了便于描述,仅示出了与本发明实施例相关的部分。具体的,该核磁共振图像重建装置包括:
获取单元601,用于获取训练数据;
训练单元602,用于根据训练数据构建并训练卷积神经网络模型;
预处理单元603,用于对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚与所述卷积神经网络模型相适配;
分割单元604,用于将所述待重建LR图像进行分割形成多个待重建LR图像块;
重建单元605,用于将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。
根据本发明实施例提供的核磁共振图像重建装置,通过构建并训练卷积神经网络模型,再将待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚与所述卷积神经网络模型相适配,以及将所述待重建LR图像进行分割形成多个待重建LR图像块,最后将待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像,如此,可以将待重建LR图像重建为高分辨率图像,具有丰富的细节结构,以便于实现精确的图像分析和定量测量,并且,该方法简单,图像重建效率高,成本低。
在本发明的一个实施例中,所述训练数据包括多对样本图像,每对样本图像包括来自同一样本对象的LR样本图像和HR样本图像;
所述训练单元包括:
预处理模块,用于对每对训练数据中的所述LR样本图像和HR样本图像进行预处理,以使每对训练数据中的所述LR样本图像与所述HR样本图像具有相同的分辨率和层厚;
分割模块,用于将所述LR样本图像进行分割形成多个LR样本图像块,以及将所述HR样本图像进行切分形成多个HR样本图像块;
训练模块,用于以所述LR样本图像块作为模型的输入图像、所述HR样本图像块作为模型的训练标签进行卷积神经网络模型训练。
在本发明的一个实施例中,所述预处理模块包括:
第一校正模块,用于对所述LR样本图像和HR样本图像分别进行偏场校正,以消除偏差场;
第一配准模块,用于将所述LR样本图像刚性配准至所述HR样本图像上,以使LR样本图像的分辨率与所述HR样本图像的分辨率和层厚相同。
进一步地,在本发明的一个实施例中,第一配准模块包括:
图像变换模块,用于将所述LR样本图像进行图像变换,使其与HR样本图像处于同一个坐标系下,并进行插值处理;
第一比较模块,用于利用度量函数定量比较两个所述LR样本图像与所述HR样本图的相似性,得到相似性结果;
优化模块,用于根据所述相似性结果采用优化方法优化变换矩阵,并根据优化后的变化矩阵对所述LR样本图像继续进行图像变换。
在本发明的一个实施例中,训练模块包括:
输入模块,用于将LR样本图像块输入卷积神经网络模型中进行训练;
计算模块,用于对训练的LR样本图像块进行前馈计算,并获得前馈计算结果;
第二比较模块,用于将前馈计算结果与作为训练标签的HR样本图像块进行比较,求得两者之间的损失函数;
判断模块,用于判断训练次数是否达到设定的训练次数,若是,则保存训练模型结果,结束训练,若否,则继续训练优化损失函数。
在本发明的一个实施例中,所述预处理单元包括:
第二校正模块,用于对所述待重建LR图像进行偏场校正,以消除偏差场;
第二配准模块,用于将所述待重建LR图像刚性配准至所述HR样本图像上,以使LR样本图像的分辨率与所述HR样本图像的分辨率和层厚相同。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图7所示,图7示出了本发明实施例提供的计算机设备实施例的结构示意图,为了便于描述,仅示出了与本发明实施例相关的部分。具体的,该计算机设备700包括存储器702、处理器701以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序,所述处理器701执行所述计算机程序时实现如上述实施例所述方法的步骤,例如图1所示的S101至S105的步骤。或者,所述处理器701执行所述计算机程序时实现上述实施例所述装置中的各模块/单元的功能,例如图3所示单元601至605的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器702中,并由所述处理器701执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述计算机设备700中的执行过程。例如,所述计算机程序可以被分割成获取单元601、训练单元602、预处理单元603、分割单元604及重建单元605。
获取单元601,用于获取训练数据。
训练单元602,用于根据训练数据构建并训练卷积神经网络模型。
预处理单元603,用于对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚与所述卷积神经网络模型相适配。
分割单元604,用于将所述待重建LR图像进行分割形成多个待重建LR图像块。
重建单元605,用于将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。
所述计算机设备700可包括,但不仅限于处理器701、存储器702。本领域技术人员可以理解,图仅仅是计算机设备700的示例,并不构成对计算机设备700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机设备700还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器701、数字信号处理器701(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立预设硬件组件等。通用处理器701可以是微处理器701或者该处理器701也可以是任何常规的处理器701等。
所述存储器702可以是所述计算机设备700的内部存储单元,例如计算机设备700的硬盘或内存。所述存储器702也可以是所述计算机设备700的外部存储设备,例如所述计算机设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器702还可以既包括所述计算机设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储所述计算机程序以及所述计算机设备700所需的其他程序和数据。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器701执行时实现如上述实施例中所述方法中的步骤,例如图2所示的步骤S101至步骤S105。或者,所述计算机程序被处理器701执行时实现上述实施例中所述装置中的各模块/单元的功能,例如图3所示的模块201至205的功能。
所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器701执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子预设硬件、或者计算机软件和电子预设硬件的结合来实现。这些功能究竟以预设硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备700和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备700实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种核磁共振图像重建方法,其特征在于,包括:
获取训练数据;
根据训练数据构建并训练卷积神经网络模型;
对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚被提高至预定值;
将所述待重建LR图像进行分割形成多个待重建LR图像块;
将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。
2.根据权利要求1所述核磁共振图像重建方法,其特征在于,所述训练数据包括多对样本图像,每对样本图像包括来自同一样本对象的LR样本图像和HR样本图像;
所述根据多对训练数据构建并训练卷积神经网络模型包括:
对每对训练数据中的所述LR样本图像和HR样本图像进行预处理,以使每对训练数据中的所述LR样本图像与所述HR样本图像具有相同的分辨率和层厚;
将所述LR样本图像进行分割形成多个LR样本图像块,以及将所述HR样本图像进行切分形成多个HR样本图像块;
以所述LR样本图像块作为模型的输入图像、所述HR样本图像块作为模型的训练标签进行卷积神经网络模型训练。
3.根据权利要求2所述的核磁共振图像处理方法,其特征在于,所述对每对训练数据中的所述LR样本图像和HR样本图像进行预处理包括:
对所述LR样本图像和HR样本图像分别进行偏场校正,以消除偏差场;
将所述LR样本图像刚性配准至所述HR样本图像上,以使LR样本图像的分辨率与所述HR样本图像的分辨率和层厚相同。
4.根据权利要求3所述的核磁共振图像处理方法,其特征在于,所述将所述LR样本图像刚性配准至所述HR样本图像上包括:
将所述LR样本图像进行图像变换,使其与HR样本图像处于同一个坐标系下,并进行插值处理;
利用度量函数定量比较两个所述LR样本图像与所述HR样本图的相似性,得到相似性结果;
根据所述相似性结果采用优化方法优化变换矩阵,并根据优化后的变化矩阵对所述LR样本图像继续进行图像变换。
5.根据权利要求2所述的核磁共振图像处理方法,其特征在于,所述以所述LR样本图像块作为模型的输入图像、所述HR样本图像块作为模型的训练标签进行卷积神经网络模型训练包括:
将LR样本图像块输入卷积神经网络模型中进行训练;
对训练的LR样本图像块进行前馈计算,并获得前馈计算结果;
将前馈计算结果与作为训练标签的HR样本图像块进行比较,求得两者之间的损失函数;
判断训练次数是否达到设定的训练次数,若是,则保存训练模型结果,结束训练,若否,则继续训练优化损失函数。
6.根据权利要求2所述核磁共振图像重建方法,其特征在于,所述对待重建LR图像进行预处理包括:
对所述待重建LR图像进行偏场校正,以消除偏差场;
将所述待重建LR图像刚性配准至所述HR样本图像上,以使LR样本图像的分辨率与所述HR样本图像的分辨率和层厚相同。
7.一种核磁共振图像重建装置,其特征在于,包括:
获取单元,用于获取训练数据;
训练单元,用于根据训练数据构建并训练卷积神经网络模型;
预处理单元,用于对待重建LR图像进行预处理,以使所述待重建LR图像的分辨率及层厚被提高至预定值;
分割单元,用于将所述待重建LR图像进行分割形成多个待重建LR图像块;
重建单元,用于将所述待重建LR图像块输入所述卷积神经网络模型进行图形重建,以生成超分辨率图像。
8.根据权利要求6所述的核磁共振图像重建装置,其特征在于,所述训练数据包括多对样本图像,每对样本图像包括来自同一样本对象的LR样本图像和HR样本图像;
所述训练单元包括:
预处理模块,用于对每对训练数据中的所述LR样本图像和HR样本图像进行预处理,以使每对训练数据中的所述LR样本图像与所述HR样本图像具有相同的分辨率和层厚;
分割模块,用于将所述LR样本图像进行分割形成多个LR样本图像块,以及将所述HR样本图像进行切分形成多个HR样本图像块;
训练模块,用于以所述LR样本图像块作为模型的输入图像、所述HR样本图像块作为模型的训练标签进行卷积神经网络模型训练。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的核磁共振图像重建方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任意一项所述的核磁共振图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008429.8A CN109741416A (zh) | 2019-01-04 | 2019-01-04 | 核磁共振图像重建方法、装置、计算机设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008429.8A CN109741416A (zh) | 2019-01-04 | 2019-01-04 | 核磁共振图像重建方法、装置、计算机设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741416A true CN109741416A (zh) | 2019-05-10 |
Family
ID=66363436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910008429.8A Pending CN109741416A (zh) | 2019-01-04 | 2019-01-04 | 核磁共振图像重建方法、装置、计算机设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741416A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415239A (zh) * | 2019-08-01 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、医疗电子设备以及介质 |
CN110490947A (zh) * | 2019-07-19 | 2019-11-22 | 中国科学院深圳先进技术研究院 | 核磁共振图像重建方法、装置、存储介质及终端设备 |
CN112133410A (zh) * | 2019-06-25 | 2020-12-25 | 西门子医疗有限公司 | 使用机器学习的mri图像重建 |
CN113822928A (zh) * | 2021-11-22 | 2021-12-21 | 杭州目乐医疗科技股份有限公司 | 角膜地形图重建方法及装置 |
CN113920212A (zh) * | 2021-09-27 | 2022-01-11 | 深圳技术大学 | 磁共振重建模型训练方法、计算机装置及存储介质 |
CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269708A1 (en) * | 2014-03-20 | 2015-09-24 | Mitsubishi Electric Research Laboratories, Inc. | Method for Generating High-Resolution Images using Regression Patterns |
CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及系统 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN108090871A (zh) * | 2017-12-15 | 2018-05-29 | 厦门大学 | 一种基于卷积神经网络的多对比度磁共振图像重建方法 |
CN108550115A (zh) * | 2018-04-25 | 2018-09-18 | 中国矿业大学 | 一种图像超分辨率重建方法 |
CN108898568A (zh) * | 2018-04-25 | 2018-11-27 | 西北大学 | 图像合成方法与装置 |
CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
-
2019
- 2019-01-04 CN CN201910008429.8A patent/CN109741416A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269708A1 (en) * | 2014-03-20 | 2015-09-24 | Mitsubishi Electric Research Laboratories, Inc. | Method for Generating High-Resolution Images using Regression Patterns |
CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及系统 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN108090871A (zh) * | 2017-12-15 | 2018-05-29 | 厦门大学 | 一种基于卷积神经网络的多对比度磁共振图像重建方法 |
CN108550115A (zh) * | 2018-04-25 | 2018-09-18 | 中国矿业大学 | 一种图像超分辨率重建方法 |
CN108898568A (zh) * | 2018-04-25 | 2018-11-27 | 西北大学 | 图像合成方法与装置 |
CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
彭士纯: "基于多尺度分析的医学图像配准与融合方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
邢晓羊 等: "基于特征损失的医学图像超分辨率重建", 《计算机工程与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133410A (zh) * | 2019-06-25 | 2020-12-25 | 西门子医疗有限公司 | 使用机器学习的mri图像重建 |
CN110490947A (zh) * | 2019-07-19 | 2019-11-22 | 中国科学院深圳先进技术研究院 | 核磁共振图像重建方法、装置、存储介质及终端设备 |
CN110415239A (zh) * | 2019-08-01 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、医疗电子设备以及介质 |
CN110415239B (zh) * | 2019-08-01 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、医疗电子设备以及介质 |
CN113920212A (zh) * | 2021-09-27 | 2022-01-11 | 深圳技术大学 | 磁共振重建模型训练方法、计算机装置及存储介质 |
CN113920212B (zh) * | 2021-09-27 | 2022-07-05 | 深圳技术大学 | 磁共振重建模型训练方法、计算机装置及存储介质 |
CN113822928A (zh) * | 2021-11-22 | 2021-12-21 | 杭州目乐医疗科技股份有限公司 | 角膜地形图重建方法及装置 |
CN113822928B (zh) * | 2021-11-22 | 2022-03-15 | 杭州目乐医疗科技股份有限公司 | 角膜地形图重建方法及装置 |
CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
CN115115727B (zh) * | 2022-05-18 | 2023-08-01 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741416A (zh) | 核磁共振图像重建方法、装置、计算机设备及其存储介质 | |
Zhao et al. | Applications of a deep learning method for anti-aliasing and super-resolution in MRI | |
Xiang et al. | Deep embedding convolutional neural network for synthesizing CT image from T1-Weighted MR image | |
Trzasko et al. | Calibrationless parallel MRI using CLEAR | |
CN103477238A (zh) | 采用来自先验采集的约束的压缩感测mr图像重建 | |
CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
CN104781685A (zh) | 用于使用非相干采样和冗余haar子波的动态磁共振成像的图像重建 | |
US10809337B2 (en) | Reconstructing magnetic resonance images with different contrasts | |
WO2023045482A1 (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
CN105929350A (zh) | 一种单次激发水脂分离成像误差校正系统及方法 | |
CN111047660B (zh) | 图像重建方法、装置、设备及存储介质 | |
CN109584201A (zh) | 医学图像配准方法、配准系统、存储介质、及电子设备 | |
Shen et al. | Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN) | |
Duong et al. | An unsupervised deep learning technique for susceptibility artifact correction in reversed phase-encoding EPI images | |
CN112370040B (zh) | 磁共振成像方法、装置、存储介质及电子设备 | |
CN113971706B (zh) | 一种快速磁共振智能成像方法 | |
Lai et al. | Sparse MRI reconstruction using multi-contrast image guided graph representation | |
Mickevicius et al. | Simultaneous acquisition of orthogonal plane cine imaging and isotropic 4D-MRI using super-resolution | |
CN106772168B (zh) | 磁共振成像方法及装置 | |
Xu et al. | STRESS: Super-resolution for dynamic fetal MRI using self-supervised learning | |
US20210166384A1 (en) | System, method and computer-accessible medium for tissue fingerprinting | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
Huang et al. | Phase-constrained reconstruction of high-resolution multi-shot diffusion weighted image | |
CN115236576A (zh) | 快速多对比度磁共振扩散成像和重建方法及系统 | |
US11119173B2 (en) | Dynamic imaging based on echo planar imaging sequence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |