CN109801259A - 一种核磁共振图像的快速成像方法、装置及设备 - Google Patents
一种核磁共振图像的快速成像方法、装置及设备 Download PDFInfo
- Publication number
- CN109801259A CN109801259A CN201811549130.5A CN201811549130A CN109801259A CN 109801259 A CN109801259 A CN 109801259A CN 201811549130 A CN201811549130 A CN 201811549130A CN 109801259 A CN109801259 A CN 109801259A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- convolutional neural
- neural networks
- magnetic resonance
- 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
Abstract
一种核磁共振图像的快速成像方法包括:获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;根据训练后的卷积神经网络重建MR图像。可以有效的提高网络分类的准确性,降低网络参数的初始化速度,提高网络的训练效率。
Description
技术领域
本申请属于图像处理领域,尤其涉及一种核磁共振图像的快速成像方法、装置及设备。
背景技术
核磁共振成像(MRI)已应用于全身各系统的成像诊断,可以显示脂肪、全身脏器、肌肉、快速流动的血液、骨骼和空气等,对脏器内部结构也能清楚显示。对心血管疾病不但可以观察各腔室、大血管及瓣膜的解剖变化,而且可作心室分析,进行定性及半定量的诊断,可作多个切面图,空间分辨率较高,显示心脏及病变全貌,及其与周围结构的关系,优于其他X线成像、二维超声、核素及CT检查。医生可以很好的识别病人体内的肿瘤、炎症、坏死病灶、异常物质沉着、功能阻碍、血液循环阻碍等病变。对于神经系统、胸部、腹部及四肢各种疾病的诊断提供了很大的帮助。
MRI技术是一种速度相对较慢的成像模式,数据采集的时间过长是其最大缺点。对于一些具有幽闭恐惧症或者不配合的病人很难进行检查,因此改进MRI数据采集方式,减少MRI采集时间对于提高MR图像质量和促进临床检查非常重要。虽然已经出现了通过神经网络来减少MR图像的采集时间,但如果采用深层的神经网络,则会使得训练时间较长,如果用浅层的网络,则又会使得预测精度较低。
发明内容
有鉴于此,本申请实施例提供了一种核磁共振图像的快速成像方法、装置及设备,以解决现有技术中通过神经网络生成MR图像的时间较长,所生成的MR图像预测精度较低的问题。
本申请实施例的第一方面提供了一种核磁共振图像的快速成像方法,所述核磁共振图像的快速成像方法包括:
获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;
对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;
通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;
根据训练后的卷积神经网络重建MR图像。
结合第一方面,在第一方面的第一种可能实现方式中,所述载入训练好的VGG网络参数进行迁移学习对网络参数初始化的步骤包括:
选择卷积神经网络的预定层数的卷积层;
通过训练好的VGG-16神经网络,对所选择的卷积层的网络参数进行迁移学习,对卷积神经网络的其它卷积层的核初始化为截断正态分布,偏置项初始化为0。
结合第一方面,在第一方面的第二种可能实现方式中,所述卷积神经网络的层数为34层,所述载入训练好的VGG网络参数进行迁移学习对网络参数初始化的步骤包括:
选择34层卷积神经网络中的第2、3、6、7、10、11、14、15卷积层;
通过已训练好的VGG-16参数初始化所选择的卷积神经网络中的第2、3、6、7、10、11、14、15卷积层,其它层的核初始化为截断正态分布,偏置项初始化为0。
结合第一方面,在第一方面的第三种可能实现方式中,所述对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集的步骤包括:
获取第一训练数据集中的MR图像的像素的最大值,将MR图像的像素值除以所获取的像素最大值,得到第三训练数据集A;
计算所述第三训练数据集的平均值μ和标准差σ;
根据公式计算B=(A-μ)/σ得到第二训练数据值。
结合第一方面,在第一方面的第四种可能实现方式中,所述卷积神经网络的损失函数为平均绝对误差损失函数,优化函数为Adam优化函数,学习率为1*10-5。
本申请实施例的第二方面提供了一种核磁共振图像的快速成像装置,所述核磁共振图像的快速成像装置包括:
数据获取单元,用于获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;
处理单元,用于对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;
训练单元,用于通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;
图像重建单元,用于根据训练后的卷积神经网络重建MR图像。
结合第二方面,在第二方面的第一种可能实现方式中,所述训练单元包括:
第一卷积层选择子单元,用于选择卷积神经网络的预定层数的卷积层;
第一初始化子单元,用于通过训练好的VGG-16神经网络,对所选择的卷积层的网络参数进行迁移学习,对卷积神经网络的其它卷积层的核初始化为截断正态分布,偏置项初始化为0。
结合第二方面,在第二方面的第二种可能实现方式中,所述训练单元包括:
第二卷积层选择子单元,用于选择34层卷积神经网络中的第2、3、6、7、10、11、14、15卷积层;
第二初始化子单元,用于通过已训练好的VGG-16参数初始化所选择的卷积神经网络中的第2、3、6、7、10、11、14、15卷积层,其它层的核初始化为截断正态分布,偏置项初始化为0。
结合第二方面,在第二方面的第三种可能实现方式中,所述处理单元包括:
像素统一维度子单元,用于获取第一训练数据集中的MR图像的像素的最大值,将MR图像的像素值除以所获取的像素最大值,得到第三训练数据集A;
第一计算子单元,用于计算所述第三训练数据集的平均值μ和标准差σ;
第二计算子单元,用于根据公式计算B=(A-μ)/σ得到第二训练数据值。
结合第二方面,在第二方面的第四种可能实现方式中,所述卷积神经网络的损失函数为平均绝对误差损失函数,优化函数为Adam优化函数,学习率为1*10-5。
本申请实施例的第三方面提供了一种核磁共振图像的快速成像设备,包括存储器、处理器以及存储在所述存储器中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第一方面任一项所述核磁共振图像的快速成像方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述核磁共振图像的快速成像方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:通过对全采样MR图像进行欠采样处理得到欠采样MR图像,建立第一训练数据集,并对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集,然后通过网络参数预先由训练好的神经网络参数进行迁移学习的神经网络对第二数据集进行训练,根据训练后的卷积神经网络进行MR图像重建,由于对第一训练数据集进行平缓处理,有利于加快模型的收敛速度,提高迭代求解的精度。通过统一维度处理,让不同维度之间的特征在数值上有一定的比较性,进而提高卷积神经网络分类的准确性。通过迁移学习训练好的VGG网络参数,有利于提高网络参数初始化速度,有利于降低网络的训练时间。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种核磁共振图像的快速成像方法的实现流程示意图;
图2是本申请实施例提供的一种对所述第一训练数据集进行统一维度处理和平缓处理方法的实现流程示意图;
图3是本申请实施例提供的一种核磁共振图像的快速成像装置的示意图;
图4是本申请实施例提供的核磁共振图像的快速成像设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种核磁共振图像的快速成像方法的实现流程示意图,详述如下:
在步骤S101中,获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;
具体的,本申请所述全采样MR(英文全称为Magnetic Resonance,中文全称为核磁共振)图像,为无伪影的MR图像。可以选用大量全采样MR图像对应的同样大小的2倍欠采样MR图像、4倍欠采样MR图像、6倍欠采样MR图像和8倍欠采样MR图像,并且欠采样MR图像所对应的标签为全采样MR图像。构建所述欠采样MR图像到所述全采样MR图像的映射关系。
在步骤S102中,对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;
为了提高模型的收敛速度,提高训练效率,以及提高分类器的分类准确度,本申请对所述第一训练数据进行统一维度处理和平缓处理,具体可以如图2所示,包括:
在步骤S201中,获取第一训练数据集中的MR图像的像素的最大值,将MR图像的像素值除以所获取的像素最大值,得到第三训练数据集A;
可以获取欠采样MR图像中的每个像素的像素值,通过比较可以确定最大的像素值,将欠采样的第一训练数据集中像素值除以像素最大值,从而可以得到欠采样MR图像中的每个像素点与最大值之间的比值。并且不同图像的像素最大值不同,因而可以对不同维度的欠采样图像进行维度统一,有利于让不同维度之间的特征在数值上有一定的比较性,进而提高分类器的准确性。
在步骤S202中,计算所述第三训练数据集的平均值μ和标准差σ;
在步骤S203中,根据公式计算B=(A-μ)/σ得到第二训练数据值。
对维度统一后的第三训练数据集A,可以进一步进行平缓处理,具体可以通过计算第三训练数据集A中的像素的平均值μ和标准差σ,根据公式计算B=(A-μ)/σ得到第二训练数据值。
由于对数据进行平缓处理,即将第三训练数据集中的像素值减去平均值μ后,再将差值与标准差σ相除,得到的数据作为第二训练数据值,从而能够有效的对数据进行平缓处理,因而能够有效的加快模型的收敛速度,提高迭代求解的精度。
在步骤S103中,通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;
对欠采样的第一训练数据集进行维度统一处理和平缓处理后,可以作为卷积神经网络的输入,结合所对应的标签,即全采样MR图像作为输出,对U型卷积神经网络进行训练。
在本申请中,所述U型卷积神经网络为优化后的卷积神经网络,采用U型卷积神经网络,可以使得左右两边包括对称数量的卷积层,中间可以采用短连接结构连接,左右对应层相连,可以有效的防止结构信息丢失,即将下降层的同大小层相互关联,能结合前层网络的特征,提高训练精度。
并且,本申请所述U型卷积神经网络中的网络参数,可以输入预先训练好的VGG网络参数,对U型卷积神经网络的特定卷积层进行迁移学习,其它层的核初始化为截断正态分布,可以有效的提高所述U型卷积神经网络的训练速度。并且可以设置偏置项,并初始化偏置项为0。
其中,本申请所述U型卷积神经网络可以为34层U型卷积神经网络,包括左右两边各17个卷积层,中间采用短连接结构连接,左右对应层相连接,并且,对于34层卷积神经网络中的第2、3、6、7、10、11、14、15卷积层,可以通过已训练好的VGG-16参数初始化,而对于其它层的核,则可以初始化为截断正态分布。
另外,所述U型卷积神经网络的中间层还可以引入残差项,可以使得U型神经网络的层数增加到一定程度后,克服由于网络的精度随着导数增加而下降的问题。使得系统能在增加层数的同时获得网络精度的提高。且使用残差项能结合前层网络的特征,减小训练误差。并且由于残差结构的优势,在训练数据量充分的情况下,本系统的卷积神经网络能进一步增加层数,同时提升网络精度,便于接下来对卷积神经网络进行二次开发。
另外,本申请优选的实施方式中,所述卷积神经网络的损失函数可以为平均绝对误差MAE(Mean Absolute Error)损失函数,优化函数可以为Adam优化函数,学习率可以为1*10-5,通过相关函数的选择和学习率的设定,可以有效的适应欠采样MR图像的模型训练。
在步骤S104中,根据训练后的卷积神经网络重建MR图像。
通过上述参数的设置得到训练后的卷积神经网络后,可以对包括伪影的MR图像进行重建计算,得到重建后的MR图像。而由于本申请对第一训练数据集进行平缓处理,有利于加快模型的收敛速度,提高迭代求解的精度。通过统一维度处理,让不同维度之间的特征在数值上有一定的比较性,进而提高卷积神经网络分类的准确性。通过迁移学习训练好的VGG网络参数,有利于提高网络参数初始化速度,有利于降低网络的训练时间。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图3为本申请实施例提供的一种核磁共振图像的快速成像装置的结构示意图,详述如下:
所述核磁共振图像的快速成像装置包括:
数据获取单元301,用于获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;
处理单元302,用于对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;
训练单元303,用于通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;
图像重建单元304,用于根据训练后的卷积神经网络重建MR图像。
优选的,所述训练单元包括:
第一卷积层选择子单元,用于选择卷积神经网络的预定层数的卷积层;
第一初始化子单元,用于通过训练好的VGG-16神经网络,对所选择的卷积层的网络参数进行迁移学习,对卷积神经网络的其它卷积层的核初始化为截断正态分布,偏置项初始化为0。
优选的,所述训练单元包括:
第二卷积层选择子单元,用于选择34层卷积神经网络中的第2、3、6、7、10、11、14、15卷积层;
第二初始化子单元,用于通过已训练好的VGG-16参数初始化所选择的卷积神经网络中的第2、3、6、7、10、11、14、15卷积层,其它层的核初始化为截断正态分布,偏置项初始化为0。
优选的,所述处理单元包括:
像素统一维度子单元,用于获取第一训练数据集中的MR图像的像素的最大值,将MR图像的像素值除以所获取的像素最大值,得到第三训练数据集A;
第一计算子单元,用于计算所述第三训练数据集的平均值μ和标准差σ;
第二计算子单元,用于根据公式计算B=(A-μ)/σ得到第二训练数据值。
优选的,所述卷积神经网络的损失函数为平均绝对误差损失函数,优化函数为Adam优化函数,学习率为1*10-5。
图3所述核磁共振图像的快速成像装置,与图1所述核磁共振图像的快速成像方法对应。
图4是本申请一实施例提供的核磁共振图像的快速成像设备的示意图。如图4所示,该实施例的核磁共振图像的快速成像设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42,例如核磁共振图像的快速成像程序。所述处理器40执行所述计算机程序42时实现上述各个核磁共振图像的快速成像方法实施例中的步骤。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序42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41中,并由所述处理器40执行,以完成本申请。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42在所述核磁共振图像的快速成像设备4中的执行过程。例如,所述计算机程序42可以被分割成:
数据获取单元,用于获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;
处理单元,用于对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;
训练单元,用于通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;
图像重建单元,用于根据训练后的卷积神经网络重建MR图像。
所述核磁共振图像的快速成像设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是核磁共振图像的快速成像设备4的示例,并不构成对核磁共振图像的快速成像设备4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,例如所述核磁共振图像的快速成像设备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40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable 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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述核磁共振图像的快速成像设备4的内部存储单元,例如核磁共振图像的快速成像设备4的硬盘或内存。所述存储器41也可以是所述核磁共振图像的快速成像设备4的外部存储设备,例如所述核磁共振图像的快速成像设备4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41还可以既包括所述核磁共振图像的快速成像设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述核磁共振图像的快速成像设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (12)
1.一种核磁共振图像的快速成像方法,其特征在于,所述核磁共振图像的快速成像方法包括:
获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;
对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;
通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;
根据训练后的卷积神经网络重建MR图像。
2.根据权利要求1所述的核磁共振图像的快速成像方法,其特征在于,所述载入训练好的VGG网络参数进行迁移学习对网络参数初始化的步骤包括:
选择卷积神经网络的预定层数的卷积层;
通过训练好的VGG-16神经网络,对所选择的卷积层的网络参数进行迁移学习,对卷积神经网络的其它卷积层的核初始化为截断正态分布,偏置项初始化为0。
3.根据权利要求1所述的核磁共振图像的快速成像方法,其特征在于,所述卷积神经网络的层数为34层,所述载入训练好的VGG网络参数进行迁移学习对网络参数初始化的步骤包括:
选择34层卷积神经网络中的第2、3、6、7、10、11、14、15卷积层;
通过已训练好的VGG-16参数初始化所选择的卷积神经网络中的第2、3、6、7、10、11、14、15卷积层,其它层的核初始化为截断正态分布,偏置项初始化为0。
4.根据权利要求1所述的核磁共振图像的快速成像方法,其特征在于,所述对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集的步骤包括:
获取第一训练数据集中的MR图像的像素的最大值,将MR图像的像素值除以所获取的像素最大值,得到第三训练数据集A;
计算所述第三训练数据集的平均值μ和标准差σ;
根据公式计算B=(A-μ)/σ得到第二训练数据值。
5.根据权利要求1所述的核磁共振图像的快速成像方法,其特征在于,所述卷积神经网络的损失函数为平均绝对误差损失函数,优化函数为Adam优化函数,学习率为1*10-5。
6.一种核磁共振图像的快速成像装置,其特征在于,所述核磁共振图像的快速成像装置包括:
数据获取单元,用于获取全采样MR图像,根据所述全采样MR图像获取欠采样MR图像,建立所述欠采样MR图像到所述全采样MR图像的映射的第一训练数据集;
处理单元,用于对所述第一训练数据集进行统一维度处理和平缓处理,得到第二训练数据集;
训练单元,用于通过所述第二训练数据集训练预先设定的卷积神经网络,所述卷积神经网络为引入残差项的U型卷积神经网络,载入训练好的VGG网络参数进行迁移学习对网络参数初始化;
图像重建单元,用于根据训练后的卷积神经网络重建MR图像。
7.根据权利要求6所述的核磁共振图像的快速成像装置,其特征在于,所述训练单元包括:
第一卷积层选择子单元,用于选择卷积神经网络的预定层数的卷积层;
第一初始化子单元,用于通过训练好的VGG-16神经网络,对所选择的卷积层的网络参数进行迁移学习,对卷积神经网络的其它卷积层的核初始化为截断正态分布,偏置项初始化为0。
8.根据权利要求6或7所述的核磁共振图像的快速成像装置,其特征在于,所述训练单元包括:
第二卷积层选择子单元,用于选择34层卷积神经网络中的第2、3、6、7、10、11、14、15卷积层;
第二初始化子单元,用于通过已训练好的VGG-16参数初始化所选择的卷积神经网络中的第2、3、6、7、10、11、14、15卷积层,其它层的核初始化为截断正态分布,偏置项初始化为0。
9.根据权利要求1所述的核磁共振图像的快速成像装置,其特征在于,所述处理单元包括:
像素统一维度子单元,用于获取第一训练数据集中的MR图像的像素的最大值,将MR图像的像素值除以所获取的像素最大值,得到第三训练数据集A;
第一计算子单元,用于计算所述第三训练数据集的平均值μ和标准差σ;
第二计算子单元,用于根据公式计算B=(A-μ)/σ得到第二训练数据值。
10.根据权利要求6所述的核磁共振图像的快速成像装置,其特征在于,所述卷积神经网络的损失函数为平均绝对误差损失函数,优化函数为Adam优化函数,学习率为1*10-5。
11.一种核磁共振图像的快速成像设备,包括存储器、处理器以及存储在所述存储器中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5任一项所述核磁共振图像的快速成像方法的步骤。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述核磁共振图像的快速成像方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549130.5A CN109801259A (zh) | 2018-12-18 | 2018-12-18 | 一种核磁共振图像的快速成像方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549130.5A CN109801259A (zh) | 2018-12-18 | 2018-12-18 | 一种核磁共振图像的快速成像方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109801259A true CN109801259A (zh) | 2019-05-24 |
Family
ID=66556973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811549130.5A Pending CN109801259A (zh) | 2018-12-18 | 2018-12-18 | 一种核磁共振图像的快速成像方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801259A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
CN111275120A (zh) * | 2020-01-22 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 图像识别模型的训练方法及装置、图像识别方法及装置 |
CN111524096A (zh) * | 2020-03-30 | 2020-08-11 | 清华大学深圳国际研究生院 | 一种肌肉骨骼x光片分类方法、控制装置及存储介质 |
WO2021114098A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
CN114167334A (zh) * | 2020-09-11 | 2022-03-11 | 上海联影医疗科技股份有限公司 | 磁共振图像的重建方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646410A (zh) * | 2013-11-27 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN105654527A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于结构化字典学习的磁共振成像重建方法和装置 |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107392914A (zh) * | 2017-08-31 | 2017-11-24 | 齐鲁工业大学 | 基于自适应聚类算法的核磁共振图像分割方法 |
CN108335339A (zh) * | 2018-04-08 | 2018-07-27 | 朱高杰 | 一种基于深度学习和凸集投影的磁共振重建方法 |
CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
-
2018
- 2018-12-18 CN CN201811549130.5A patent/CN109801259A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646410A (zh) * | 2013-11-27 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN105654527A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于结构化字典学习的磁共振成像重建方法和装置 |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107392914A (zh) * | 2017-08-31 | 2017-11-24 | 齐鲁工业大学 | 基于自适应聚类算法的核磁共振图像分割方法 |
CN108335339A (zh) * | 2018-04-08 | 2018-07-27 | 朱高杰 | 一种基于深度学习和凸集投影的磁共振重建方法 |
CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
Non-Patent Citations (5)
Title |
---|
DONGWOOK LEE 等: "DEEP RESIDUAL LEARNING FOR COMPRESSED SENSING MRI", 《2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2017)》 * |
杨雄: "前列腺磁共振医学图像分析的统计特征方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
王一达 等: "卷积神经网络重建欠采的磁共振图像", 《磁共振成像》 * |
萌面女XIA: "深度学习-----数据预处理", 《HTTPS://BLOG.CSDN.NET/DCXHUN3/ARTICLE/DETAILS/47999281》 * |
龙满生 等: "基于卷积神经网络与迁移学习的油茶病害图像识别", 《农业工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
WO2021114098A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
CN111275120A (zh) * | 2020-01-22 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 图像识别模型的训练方法及装置、图像识别方法及装置 |
CN111524096A (zh) * | 2020-03-30 | 2020-08-11 | 清华大学深圳国际研究生院 | 一种肌肉骨骼x光片分类方法、控制装置及存储介质 |
CN114167334A (zh) * | 2020-09-11 | 2022-03-11 | 上海联影医疗科技股份有限公司 | 磁共振图像的重建方法、装置及电子设备 |
CN114167334B (zh) * | 2020-09-11 | 2023-08-15 | 上海联影医疗科技股份有限公司 | 磁共振图像的重建方法、装置及电子设备 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801259A (zh) | 一种核磁共振图像的快速成像方法、装置及设备 | |
Gibson et al. | NiftyNet: a deep-learning platform for medical imaging | |
Valindria et al. | Multi-modal learning from unpaired images: Application to multi-organ segmentation in CT and MRI | |
JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
Wang et al. | Review and prospect: artificial intelligence in advanced medical imaging | |
CN109544534A (zh) | 一种病灶图像检测装置、方法和计算机可读存储介质 | |
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 | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN110992433A (zh) | 用于利用空数据一致性来稀疏图像重建的系统和方法 | |
WO2020246996A1 (en) | Sct image generation using cyclegan with deformable layers | |
US10803354B2 (en) | Cross-modality image synthesis | |
CN109313247A (zh) | 用于在医学成像系统中去除吉布斯伪影的系统和方法 | |
CN105190696A (zh) | 用于同时的图像伪像减少和断层扫描重建的系统和方法 | |
CN108537794A (zh) | 医学图像数据处理方法、装置和计算机可读存储介质 | |
CN110444277B (zh) | 一种基于多生成多对抗的多模态脑部mri图像双向转换方法 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN114863225B (zh) | 图像处理模型训练方法、生成方法、装置、设备及介质 | |
Kavur et al. | Basic ensembles of vanilla-style deep learning models improve liver segmentation from ct images | |
Shen et al. | Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN) | |
CN111612689B (zh) | 医学图像处理方法、装置、计算机设备和可读存储介质 | |
CN114677263A (zh) | Ct图像与mri图像的跨模态转换方法和装置 | |
CN111462885A (zh) | 扫描系统的扫描参数确定方法、装置、设备和存储介质 | |
CN111489406A (zh) | 生成高能ct图像模型的训练及生成方法、设备、存储介质 | |
CN116778021B (zh) | 医学图像生成方法、装置、电子设备和存储介质 | |
WO2021104954A1 (en) | Hybrid compressed sensing image reconstruction |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |