CN111091517B - 一种残差加权成像方法和装置 - Google Patents
一种残差加权成像方法和装置 Download PDFInfo
- Publication number
- CN111091517B CN111091517B CN201911365187.4A CN201911365187A CN111091517B CN 111091517 B CN111091517 B CN 111091517B CN 201911365187 A CN201911365187 A CN 201911365187A CN 111091517 B CN111091517 B CN 111091517B
- Authority
- CN
- China
- Prior art keywords
- imaging data
- noise
- image
- data
- imaging
- 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.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 308
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本申请提供了一种残差加权成像方法和装置,该方法基于磁共振获取有噪声的第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到无噪声的第二成像数据,再基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据,最后基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。本方案基于先验知识对不同的图像区域进行针对性处理,在抑制卷叠伪影等干扰信息的同时,保留其他有用的图像细节信息,有助临床阅片者选择对诊断最有帮助的图像。
Description
技术领域
本说明书涉及图像技术领域,尤其涉及一种残差加权成像方法和装置。
背景技术
核磁共振是指质子在外磁场作用下自旋方向分布满足玻尔兹曼分布,在外加特定频率的射频磁场作用下吸收能量,撤去射频磁场后发生弛豫释放能量的现象。磁共振成像(Magnetic Resonance Imaging,MRI)主要利用该原理,结合空间编码和傅里叶变换等技术,利用检测到的核磁共振信号还原出成像物体内部结构信息。
SENSE(Sensitivity Encoding)并行成像技术、GRAPPA(Gene RelizedAutocalibrating Patially Parallel Acquisitions)并行成像技术是磁共振医学成像中广泛使用的快速成像技术。传统的并行重建方法会引入卷叠伪影并降低图像的信噪比。因此,图像去噪成为医学影像必要的后处理环节。
发明内容
针对上述技术问题,本说明书实施例提供一种残差加权成像方法和装置,技术方案如下:
根据本说明书实施例的第一方面,提供一种残差加权成像方法,所述方法包括:
基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据,其中,被过滤的噪声包括伪影信息和图像细节信息;
基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。
可选的,所述基于磁共振获取第一成像数据,包括:
通过并行成像方法合并处理磁共振的多通道图像,得到初始成像数据;
通过DNN部分傅里叶网络填补所述初始成像数据中k空间的欠采数据,恢复所述初始成像数据中的图像细节,得到第一成像数据。
可选的,所述基于所述第二成像数据与所述第一成像数据,获得残差噪声图像数据,包括:
确定所述第一成像数据与所述第二成像数据中各个像素的特征值,将两种成像数据中各个对应像素的特征值相减,得到残差噪声图像数据。
可选的,所述基于先验知识确定对应不同成像区域的不同噪声加权值,包括:
基于先验知识生成图像掩码数据,所述图像掩码数据中包括感兴趣区域信息、边界信息、和/或噪声分布信息;
基于所述图像掩码数据,确定不同成像区域的不同噪声加权值。
可选的,所述依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据,包括:
将所述残差噪声图像数据中,各个像素的特征值与所述像素所在图像区域的局部噪声加权值相乘,得到加权残差噪声图像数据;
将所述加权残差噪声图像数据与第二成像数据中各个对应像素的特征值相加,得到最终成像数据。
可选的,所述得到最终成像数据之前,还包括:
显示所述最终成像数据的全局噪声调节滑杆;
根据用户由所述全局噪声调节滑杆中选择的滑动位置确定全局噪声加权值,根据所述全局噪声加权值将第二成像数据的整体成像区域进行全局噪声还原。
可选的,所述噪声包括由并行成像方法合并处理磁共振的多通道图像所产生的卷叠伪影,以及由部分傅里叶网络处理第一成像数据所产生的Gibbs环状伪影。
根据本说明书实施例的第二方面,提供一种残差加权成像装置,所述装置包括:
第二成像数据确定模块,被配置为基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据,其中,被过滤的噪声包括伪影信息和图像细节信息;
残差噪声图像确定模块,被配置为基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
最终成像数据确定模块,被配置为基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。
可选的,所述第二成像数据确定模块,在基于磁共振获取第一成像数据时,被配置为:
通过并行成像装置合并处理磁共振的多通道图像,得到初始成像数据;
通过DNN部分傅里叶网络填补所述初始成像数据中k空间的欠采数据,恢复所述初始成像数据中的图像细节,得到第一成像数据。
可选的,所述残差噪声图像确定模块,在基于所述第二成像数据与所述第一成像数据,获得残差噪声图像数据时,被配置为:
确定所述第一成像数据与所述第二成像数据中各个像素的特征值,将两种成像数据中各个对应像素的特征值相减,得到残差噪声图像数据。
可选的,所述最终成像数据确定模块,在基于先验知识确定对应不同成像区域的不同噪声加权值时,被配置为:
基于先验知识生成图像掩码数据,所述图像掩码数据中包括感兴趣区域信息、边界信息、和/或噪声分布信息;
基于所述图像掩码数据,确定不同成像区域的不同噪声加权值。
可选的,所述最终成像数据确定模块,在依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据值时,被配置为:
将所述残差噪声图像数据中,各个像素的特征值与所述像素所在图像区域的局部噪声加权值相乘,得到加权残差噪声图像数据;
将所述加权残差噪声图像数据与第二成像数据中各个对应像素的特征值相加,得到最终成像数据。
可选的,所述装置还包括全局调节模块,所述全局调节模块被配置为:
显示所述最终成像数据的全局噪声调节滑杆;
根据用户由所述全局噪声调节滑杆中选择的滑动位置确定全局噪声加权值,根据所述全局噪声加权值将第二成像数据的整体成像区域进行全局噪声还原。
可选的,所述噪声包括由并行成像装置合并处理磁共振的多通道图像所产生的卷叠伪影,以及由部分傅里叶网络处理第一成像数据所产生的Gibbs环状伪影。
根据本说明书实施例的第三方面,提供一种残差加权成像电子设备,其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如第一方面所述的残差加权成像方法
根据本说明书实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的残差加权成像方法。
本说明书实施例所提供的技术方案,提供了一种残差加权成像方法,该方法基于磁共振获取有噪声的第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到无噪声的第二成像数据,再基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据,最后基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。本方案基于先验知识对不同的图像区域进行针对性处理,在抑制卷叠伪影等干扰信息的同时,保留其他有用的图像细节信息,有助临床阅片者选择对诊断最有帮助的图像。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书实施例。
此外,本说明书实施例中的任一实施例并不需要达到上述的全部效果。
附图说明
为了更清楚地说明本说明书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说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本说明书一示例性实施例示出的残差加权成像方法的一种流程图;
图2是本说明书一示例性实施例示出的残差加权成像方法的另一种流程图;
图3是本说明书一示例性实施例示出的残差加权成像方法的另一种流程图;
图4a-图4d是本说明书一示例性实施例示出的基于不同噪声加权值调节图像的一种示意图;
图5是本说明书一示例性实施例示出的残差加权成像装置的一种示意图;
图6是本说明书一示例性实施例示出的一种残差加权成像装置的一结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面介绍本说明书实施例提供一种残差加权成像方法,以及应用该方法的残差加权成像装置。
图1是根据一示例性实施例示出的一种残差加权成像方法的流程图,该残差加权成像方法可以用于能够执行磁共振成像的设备上。如图1所示,该残差加权成像方法包括以下步骤S11-S13:
在步骤S11中,基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据。
核磁共振是指质子在外磁场作用下自旋方向分布满足玻尔兹曼分布,在外加特定频率的射频磁场作用下吸收能量,撤去射频磁场后发生弛豫释放能量的现象。磁共振成像(Magnetic Resonance Imaging,MRI)主要利用该原理,结合空间编码和傅里叶变换等技术,利用检测到的核磁共振信号还原出成像物体内部结构信息。
SENSE(Sensitivity Encoding)和GRAPPA(Gene Relized AutocalibratingPatially Parallel Acquisitions)并行成像技术与部分傅里叶技术是磁共振医学成像中广泛使用的快速成像技术。传统的并行重建方法会引入卷叠伪影并降低图像的信噪比。因此,图像去噪成为医学影像必要的后处理环节。
本公开实施例中,第一成像数据为有噪声的成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,该被滤除的噪声包括广义上的“噪声”,包含所有图像中的误差,比如:噪声、伪影、重建图像过程中引入的误差等等,同时,该被滤除的噪声也包括成像数据中图像细节信息。
本公开实施例中,DNN去噪网络即AI-去噪网络,比起传统去噪网络来说,AI-去噪网络的图像重建速度更快。
在一实施例中,在执行步骤S11时,可以采用但不限于以下实现方式:
(1-1)通过并行成像方法合并处理磁共振的多通道图像,得到初始成像数据;
(1-2)通过DNN部分傅里叶网络填补所述初始成像数据中k空间的欠采数据,恢复所述初始成像数据中的图像细节,得到第一成像数据;
(1-3)通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据。
本公开实施例中,初始成像数据为通过并行成像方法处理得到的成像数据,该并行成像方法可以包括SENSE(Sensitivity Encoding)方法和GRAPPA(Gene RelizedAutocalibrating Patially Parallel Acquisitions)方法。
初始成像数据为缺少图像细节信息的成像数据,通过DNN部分傅里叶网络填补所述初始成像数据中k空间的欠采数据,恢复所述初始成像数据中的图像细节,得到有噪声的第一成像数据,这里的“有噪声”是广义的噪声,包含所有图像中的误差,比如:传统噪声、运动伪影、和被过滤的图像细节信息等等。
在一实施例中,在执行(1-2)时,使用的DNN部分傅里叶网络可以为AI-部分傅里叶网络,与传统傅里叶网络相比,AI-部分傅里叶网络可以更好的填补k空间的欠采数据,在恢复更多的图像细节信息的同时,降低Gibbs效应。
在一实施例中,在执行(1-3)时,使用的DNN去噪网络可以为AI-去噪网络,与传统去噪网络相比,AI-去噪网络可以更好地去除图像中的Gibbs环状伪影,并提高图像的信噪比。
在步骤S12中,基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
本公开实施例中,可以确定所述第一成像数据与所述第二成像数据中各个像素的特征值,将两种成像数据中各个对应像素的特征值相减,得到残差噪声图像数据。
在步骤S13中,基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。
在一实施例中,在执行步骤S13时,可以采用但不限于以下实现方式:
(2-1)基于先验知识生成图像掩码数据,所述图像掩码数据中包括感兴趣区域信息、边界信息、和/或噪声分布信息;
(2-2)基于所述图像掩码数据,确定不同成像区域的不同噪声加权值;
(2-3)依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。
在本公开实施例中,如上文步骤(1-1)所述中,通过并行成像方法合并处理磁共振的多通道图像,得到初始成像数据。在合并处理多通道图像时,可以同时基于不同先验知识生成具有不同信息的图像掩码。该图像掩码中可包括感兴趣区域信息、边界信息、和/或噪声分布信息等等。
在一实施例中,在执行步骤S13时,还可以采用但不限于以下实现方式:
(3-1)基于先验知识确定对应不同成像区域的不同局部噪声加权值;
(3-2)将所述残差噪声图像数据中,各个像素的特征值与所述像素所在图像区域的局部噪声加权值相乘,得到加权残差噪声图像数据;
(3-3)将所述加权残差噪声图像数据与第二成像数据中各个对应像素的特征值相加,得到最终成像数据;
在本公开实施例中,在软件实现上,可以针对不同的先验知识所圈定的每个图像区域,分别设置一个滑杆调节该区域的局部噪声加权值。
另外,上述(1-1)至(1-3)的具体实现过程,可见图3所示实施例。
图2是根据一示例性实施例示出的另一种残差加权成像方法的流程图,该残差加权成像方法可以用于能够执行残差加权成像的设备上,并建立在图1所示方法的基础上,如图2所示,在确定最终成像数据之前,还可以执行以下步骤S21-S22:
在步骤S21中,显示所述最终成像数据的全局噪声调节滑杆;
本公开实施例中,全局噪声可以是一个介于0%-100%之间的可调节的值。全局噪声调节滑杆可以为软件界面中的一种全局噪声调节接口的显示形式,除了以调节滑杆的形式显示调节接口外,也可通过其他方式进行显示,比如显示全局噪声调节选项,选项可以包括0%,10%,20%,30%...100%。
在步骤S22中,根据用户由所述全局噪声调节滑杆中选择的滑动位置确定全局噪声加权值,根据所述全局噪声加权值将第二成像数据的整体成像区域进行全局噪声还原。
针对第二成像数据的任一像素,在基于不同图像区域的局部噪声加权值进行局部噪声还原的基础上,另外基于全局噪声数据进行全局噪声还原。在具有全局噪声调节接口的情况下,可针对不同的病人或不同的设备设定适合的全局噪声还原程度,灵活获取对诊断最有帮助的图像。
图3是根据一示例性实施例示出的另一种残差加权成像方法的流程图,该残差加权成像方法可以用于能够执行残差加权成像的平台上,并建立在图1所示方法的基础上,如图3所示,在执行步骤S13时,可以包括以下步骤S31-S33:
在步骤S31中,基于先验知识确定对应不同成像区域的不同局部噪声加权值;
先验知识可以包括感兴趣区域、边界信息、噪声分布状况等等,基于这些先验知识,确定不同图像区域的不同图像状况,进而确定不同区域的局部噪声加权值。
在本公开实施例中,“噪声”是广义的,包含图像中所有误差,伪影和细节信息等等。滤除噪声时会同时滤除图像细节,在部分图像区域,可能侧重需求更多图像细节,而在另一部分图像区域,可能侧重需求滤除更多伪影等噪声,为满足这种需求,本实施例为不同图像区域进行不同程度的噪声还原。
举例说明:基于先验知识确定第一区域为感兴趣区域,需要更多的图像细节,则将第一区域的局部噪声加权值设定为0.2,其他区域的局部噪声加权值设定为0。
或者,基于先验知识确定第二区域为伪影区域,需要滤除更多噪声,则将该第二区域的局部噪声加权值设定为0,其他区域的局部噪声加权值设定为0.1。
在步骤S32中,将所述残差噪声图像数据中,各个像素的特征值与所述像素所在图像区域的局部噪声加权值相乘,得到加权残差噪声图像数据;
具体而言,可基于不同区域的局部噪声加权值,为各个区域中所包含的各个像素的特征值进行加权计算,得到加权残差噪声图像。
举例说明:获取残差噪声图像中的任一像素,确定该像素所属的图像区域,并获取该图像区域的局部噪声加权值,将该像素的特征值与该局部噪声加权值相乘,即得到加权噪声像素。例如:该像素所在区域为基于先验知识确定的伪影区域,该伪影区域被设置的局部噪声加权值为0,将该像素的特征值与该局部噪声加权值相乘后,即得到加权噪声像素值也为0,即该像素不进行噪声还原。以此类推,计算出残差噪声图像中各个像素的加权噪声像素,将所计算得到的各个加权噪声像素集合为加权残差噪声图像。
在步骤S33中,将所述加权残差噪声图像数据与第二成像数据中各个对应像素的特征值相加,得到最终成像数据;
即,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到针对不同图像区域,恢复不同程度的图像细节的成像数据,将其确定为最终成像数据。
下面结合实际的应用场景,说明本公开残差加权成像方法的一种具体实现方案,首先定义一些记号:
Is:使用传统的并行成像算法将多通道合并的图像;
Ip:经过AI-部分傅里叶网络获得的图像;
Id:经过AI-去噪网络获得的图像;
Ir:经过去噪后的残差图像,包括图像细节、伪影和噪声;
实现方案实例如下:
(4-1)首先使用传统的并行成像算法将多通道图像合并得到Is,并根据先验知识生成图像掩码,先验知识包括G-Map数据;
(4-2)将Is输入使用DNN网络训练的AI-部分傅里叶网络得到图像Ip;
(4-3)将Ip输入AI-去噪网络得到图像Id。此时,由传统并行成像算法(Is)产生的卷叠伪影和残余的Gibbs伪影可以被AI-去噪网络过滤;
(4-4)获得残差噪声图像Ir=Ip-Id;
这里的“噪声”是广义的,包含所有图像中的误差,比如:噪声、运动伪影、和被过滤的图像细节信息等等。
(4-5)在图像掩码上的不同区域分别设置不同的(0%到100%)局部噪声加权值w,生成一个带有不同局部加权值的Mask图像掩码。
比如通过先验知识G-Map获得卷叠伪影在图像中的所在区域,在卷叠伪影的所在区域设定w=0,在其他区域设置w为0.1。
(4-6)将残差噪声图像Ir与带有不同局部加权值的Mask图像掩码相乘,并与Id相加,可得到图像If=Id+w*Ir
其中,(4-6)的局部噪声加权值的设置可以在软件界面中设置一个或多个滑杆实现实时调整。
参见图4a、图4b、图4c、4d,分别为同一图像区域在不同噪声加权值下的显示情况,其中,图4a对应的噪声加权值为0%,图4b对应的噪声加权值为30%,图4c对应的噪声加权值为70%,图4d对应的噪声加权值为100%。
可以看出,图4a为完全滤除噪声的图像,相当于第二成像数据,完全滤除噪声也会同时牺牲部分图像细节;图4d为全部还原噪声的图像,相当于第一成像数据,全部还原噪声在恢复最多图像细节的同时,也会因噪声造成图像干扰;图4b和图4c是还原部分噪声的图像,在实际应用中,可基于先验知识确定各个区域的噪声还原程度,如,基于先验知识确定第一图像区域为感兴趣区域,将该区域的噪声还原30%,基于先验知识确定第二图像区域为伪影区域,将该区域的噪声还原0%。
本方案基于先验知识对不同的图像区域进行针对性处理,在抑制卷叠伪影等干扰信息的同时,保留其他有用的图像细节信息,有助临床阅片者选择对诊断最有帮助的图像。
相应于上述方法实施例,本说明书实施例还提供一种残差加权成像装置,参见图5所示,所述装置应用于可执行残差加权成像的设备,所述装置包括:第二成像数据确定模块510,残差噪声图像确定模块520和最终成像数据确定模块530。
第二成像数据确定模块510,被配置为基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据,其中,被过滤的噪声包括伪影信息和图像细节信息;
残差噪声图像确定模块520,被配置为基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
最终成像数据确定模块530,被配置为基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。
可选的,所述第二成像数据确定模块,在基于磁共振获取第一成像数据时,被配置为:
通过并行成像装置合并处理磁共振的多通道图像,得到初始成像数据;
通过DNN部分傅里叶网络填补所述初始成像数据中k空间的欠采数据,恢复所述初始成像数据中的图像细节,得到第一成像数据;
可选的,所述残差噪声图像确定模块,在基于所述第二成像数据与所述第一成像数据,获得残差噪声图像数据时,被配置为:
确定所述第一成像数据与所述第二成像数据中各个像素的特征值,将两种成像数据中各个对应像素的特征值相减,得到残差噪声图像数据。
可选的,所述最终成像数据确定模块,在基于先验知识确定对应不同成像区域的不同噪声加权值时,被配置为:
基于先验知识生成图像掩码数据,所述图像掩码数据中包括感兴趣区域信息、边界信息、和/或噪声分布信息;
基于所述图像掩码数据,确定不同成像区域的不同噪声加权值。
可选的,所述最终成像数据确定模块,在依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据值时,被配置为:
将所述残差噪声图像数据中,各个像素的特征值与所述像素所在图像区域的局部噪声加权值相乘,得到加权残差噪声图像数据;
将所述加权残差噪声图像数据与第二成像数据中各个对应像素的特征值相加,得到最终成像数据。
可选的,所述装置还包括全局调节模块,被配置为:
显示所述最终成像数据的全局噪声调节滑杆;
根据用户由所述全局噪声调节滑杆中选择的滑动位置确定全局噪声加权值,根据所述全局噪声加权值将第二成像数据的整体成像区域进行全局噪声还原。
本说明书实施例还提供一种残差加权成像设备,参见图6,所述残差加权成像设备至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如下残差加权成像方法:
基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据,其中,被过滤的噪声包括伪影信息和图像细节信息;
基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。
本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下残差加权成像方法:
基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据,其中,被过滤的噪声包括伪影信息和图像细节信息;
基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
基于先验知识确定对应不同成像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同成像区域进行不同程度的噪声还原,得到最终成像数据。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
以上所述仅是本说明书实施例的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本说明书实施例原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本说明书实施例的保护范围。
Claims (14)
1.一种应用于磁共振的残差加权成像方法,其特征在于,所述方法包括:
基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据,其中,被过滤的噪声包括伪影信息和图像细节信息,所述伪影信息包括由并行成像方法合并处理磁共振的多通道图像所产生的卷叠伪影;
基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
基于先验知识确定不同图像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的不同局部噪声加权值,将第二成像数据的不同图像区域进行不同程度的噪声还原,得到最终成像数据;
其中,所述依据所述残差噪声图像数据和所述不同图像区域的不同局部噪声加权值,将第二成像数据的不同图像区域进行不同程度的噪声还原,得到最终成像数据,包括:
将所述残差噪声图像数据中各个像素的特征值与所述像素所在图像区域的局部噪声加权值相乘,得到加权残差噪声图像数据;
将所述加权残差噪声图像数据与第二成像数据中各个对应像素的特征值相加,得到最终成像数据。
2.如权利要求1所述的方法,其特征在于,所述基于磁共振获取第一成像数据,包括:
通过并行成像方法合并处理磁共振的多通道图像,得到初始成像数据;
通过DNN部分傅里叶网络填补所述初始成像数据中k空间的欠采样数据,恢复所述初始成像数据中的图像细节,得到第一成像数据。
3.如权利要求1所述的方法,其特征在于,所述基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据,包括:
确定所述第一成像数据与所述第二成像数据中各个像素的特征值,将两种成像数据中各个对应像素的特征值相减,得到残差噪声图像数据。
4.如权利要求1所述的方法,其特征在于,所述基于先验知识确定不同图像区域的不同局部噪声加权值,包括:
基于先验知识生成图像掩码数据,所述图像掩码数据中包括感兴趣区域信息、边界信息和/或噪声分布信息;
基于所述图像掩码数据,确定不同图像区域的不同局部噪声加权值。
5.如权利要求1所述的方法,其特征在于,所述得到最终成像数据之前,还包括:
显示所述最终成像数据的全局噪声调节滑杆;
根据用户对所述全局噪声调节滑杆选择的滑动位置确定全局噪声加权值,根据所述全局噪声加权值将第二成像数据的整体成像区域进行全局噪声还原。
6.如权利要求1所述的方法,其特征在于,所述伪影信息还包括由部分傅里叶网络处理第一成像数据所产生的Gibbs环状伪影。
7.一种应用于磁共振的残差加权成像装置,其特征在于,所述装置包括:
第二成像数据确定模块,被配置为基于磁共振获取第一成像数据,通过DNN去噪网络滤除所述第一成像数据中的噪声,得到第二成像数据,其中,被过滤的噪声包括伪影信息和图像细节信息,所述伪影信息包括由并行成像方法合并处理磁共振的多通道图像所产生的卷叠伪影;
残差噪声图像确定模块,被配置为基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据;
最终成像数据确定模块,被配置为基于先验知识确定不同图像区域的不同局部噪声加权值,依据所述残差噪声图像数据和所述不同图像区域的不同局部噪声加权值,将第二成像数据的不同图像区域进行不同程度的噪声还原,得到最终成像数据;其中,所述依据所述残差噪声图像数据和所述不同图像区域的局部噪声加权值,将第二成像数据的不同图像区域进行不同程度的噪声还原,得到最终成像数据,包括:将所述残差噪声图像数据中各个像素的特征值与所述像素所在图像区域的局部噪声加权值相乘,得到加权残差噪声图像数据;将所述加权残差噪声图像数据与第二成像数据中各个对应像素的特征值相加,得到最终成像数据。
8.如权利要求7所述的装置,其特征在于,所述第二成像数据确定模块,在基于磁共振获取第一成像数据时,被配置为:
通过并行成像装置合并处理磁共振的多通道图像,得到初始成像数据;
通过DNN部分傅里叶网络填补所述初始成像数据中k空间的欠采样数据,恢复所述初始成像数据中的图像细节,得到第一成像数据。
9.如权利要求7所述的装置,其特征在于,所述残差噪声图像确定模块,在基于所述第二成像数据与所述第一成像数据,确定残差噪声图像数据时,被配置为:
确定所述第一成像数据与所述第二成像数据中各个像素的特征值,将两种成像数据中各个对应像素的特征值相减,得到残差噪声图像数据。
10.如权利要求7所述的装置,其特征在于,所述最终成像数据确定模块,在基于先验知识确定不同图像区域的不同局部噪声加权值时,被配置为:
基于先验知识生成图像掩码数据,所述图像掩码数据中包括感兴趣区域信息、边界信息、和/或噪声分布信息;
基于所述图像掩码数据,确定不同图像区域的不同局部噪声加权值。
11.如权利要求7所述的装置,其特征在于,所述装置还包括全局调节模块,所述全局调节模块被配置为:
显示所述最终成像数据的全局噪声调节滑杆;
根据用户对所述全局噪声调节滑杆选择的滑动位置确定全局噪声加权值,根据所述全局噪声加权值将第二成像数据的整体成像区域进行全局噪声还原。
12.如权利要求7所述的装置,其特征在于,所述伪影信息还包括由部分傅里叶网络处理第一成像数据所产生的Gibbs环状伪影。
13.一种残差加权成像电子设备,其特征在于,其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如权利要求1-6任一项所述的应用于磁共振的残差加权成像方法。
14.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-6任一项所述的应用于磁共振的残差加权成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365187.4A CN111091517B (zh) | 2019-12-26 | 2019-12-26 | 一种残差加权成像方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365187.4A CN111091517B (zh) | 2019-12-26 | 2019-12-26 | 一种残差加权成像方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091517A CN111091517A (zh) | 2020-05-01 |
CN111091517B true CN111091517B (zh) | 2023-05-02 |
Family
ID=70397460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911365187.4A Active CN111091517B (zh) | 2019-12-26 | 2019-12-26 | 一种残差加权成像方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091517B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4009268A1 (en) * | 2020-12-04 | 2022-06-08 | Koninklijke Philips N.V. | Performing denoising on an image |
WO2022117738A1 (en) * | 2020-12-04 | 2022-06-09 | Koninklijke Philips N.V. | Performing denoising on an image |
CN116385280B (zh) * | 2023-01-09 | 2024-01-23 | 爱芯元智半导体(上海)有限公司 | 一种图像降噪系统、方法及降噪神经网络训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105339984A (zh) * | 2013-06-28 | 2016-02-17 | 皇家飞利浦有限公司 | 利用图像噪声信息的方法 |
CN108287324A (zh) * | 2018-01-03 | 2018-07-17 | 上海东软医疗科技有限公司 | 磁共振多对比度图像的重建方法和装置 |
CN109239631A (zh) * | 2018-08-03 | 2019-01-18 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN110363288A (zh) * | 2019-07-15 | 2019-10-22 | 上海点积实业有限公司 | 一种神经网络的输入图像生成方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11234666B2 (en) * | 2018-05-31 | 2022-02-01 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (PET) |
-
2019
- 2019-12-26 CN CN201911365187.4A patent/CN111091517B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105339984A (zh) * | 2013-06-28 | 2016-02-17 | 皇家飞利浦有限公司 | 利用图像噪声信息的方法 |
CN108287324A (zh) * | 2018-01-03 | 2018-07-17 | 上海东软医疗科技有限公司 | 磁共振多对比度图像的重建方法和装置 |
CN109239631A (zh) * | 2018-08-03 | 2019-01-18 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN110363288A (zh) * | 2019-07-15 | 2019-10-22 | 上海点积实业有限公司 | 一种神经网络的输入图像生成方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111091517A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Deep residual learning for accelerated MRI using magnitude and phase networks | |
Shi et al. | LRTV: MR image super-resolution with low-rank and total variation regularizations | |
CN111091517B (zh) | 一种残差加权成像方法和装置 | |
US11954578B2 (en) | Denoising magnetic resonance images using unsupervised deep convolutional neural networks | |
US20230360179A1 (en) | Machine learning processing of contiguous slice image data | |
CN108287324B (zh) | 磁共振多对比度图像的重建方法和装置 | |
KR101310825B1 (ko) | 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치 | |
WO2022183988A1 (en) | Systems and methods for magnetic resonance image reconstruction with denoising | |
CN113436112B (zh) | 一种图像增强方法、装置及设备 | |
Li et al. | An adaptive directional Haar framelet-based reconstruction algorithm for parallel magnetic resonance imaging | |
Chahid et al. | A New ROI-Based performance evaluation method for image denoising using the Squared Eigenfunctions of the Schrödinger Operator | |
CN111369465A (zh) | Ct动态图像增强方法及装置 | |
Xiao et al. | SR-Net: a sequence offset fusion net and refine net for undersampled multislice MR image reconstruction | |
CN104504657B (zh) | 磁共振弥散张量去噪方法和装置 | |
Bätz et al. | Multi-image super-resolution using a locally adaptive denoising-based refinement | |
Morrison et al. | Multichannel estimation of coil sensitivities in parallel MRI | |
US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
Weller et al. | Motion-compensated reconstruction of magnetic resonance images from undersampled data | |
CN111311531A (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
Kowalik et al. | Machine Learning aided kt SENSE for fast reconstruction of highly accelerated PCMR data | |
Mofidi et al. | An adaptive parameter estimation in a BTV regularized image super-resolution reconstruction | |
US20230380714A1 (en) | Method and system for low-field mri denoising with a deep complex-valued convolutional neural network | |
Inam et al. | De-noising multi-coil magnetic resonance imaging using patch-based adaptive filtering in wavelet domain | |
CN108378851B (zh) | 磁共振弥散加权成像方法和装置 | |
EP4177625A1 (en) | Magnetic resonance imaging apparatus, image processing apparatus, and image processing method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |