CN112150605B - 用于mri局部sar估计的膝关节模型构建方法 - Google Patents
用于mri局部sar估计的膝关节模型构建方法 Download PDFInfo
- Publication number
- CN112150605B CN112150605B CN202010824894.1A CN202010824894A CN112150605B CN 112150605 B CN112150605 B CN 112150605B CN 202010824894 A CN202010824894 A CN 202010824894A CN 112150605 B CN112150605 B CN 112150605B
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- main
- knee joint
- model
- 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
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 56
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 210000001519 tissue Anatomy 0.000 claims abstract description 32
- 210000003205 muscle Anatomy 0.000 claims abstract description 31
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000013213 extrapolation Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 10
- 210000003127 knee Anatomy 0.000 claims description 12
- 230000000873 masking effect Effects 0.000 claims description 9
- 230000005499 meniscus Effects 0.000 claims description 6
- 210000000845 cartilage Anatomy 0.000 claims description 5
- 210000003041 ligament Anatomy 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 241001270131 Agaricus moelleri Species 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000005477 standard model Effects 0.000 description 6
- 101150075118 sub1 gene Proteins 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000002414 leg Anatomy 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000012659 Joint disease Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 210000005067 joint tissue Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004417 patella Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种用于局部SAR估计的基于组织简化的膝关节模型构建方法,包括:步骤1,将待分割的膝关节低场磁共振图像标注为肌肉、脂肪、骨骼;步骤2,将原始低场磁共振图像及标注后的图像做数据扩充,构成数据集;步骤3,为骨骼和背景分别赋予第一子网络和第二子网络,为肌肉和脂肪共同赋予一个主网络,将输入子网络和主网络的数据进行训练;步骤4,将子网络和主网络的输出进行合并,形成分割切片;步骤5,对分割切片外推后进行膝关节的模型重建,并用外推后的模型进行电磁仿真以进行局部SAR估计。本发明所述方法重建出来的模型与真实情况相似度高,电磁仿真结果的更为精确。
Description
技术领域
本发明涉及医学图像分割和深度学习技术领域,具体涉及一种用于MRI局部SAR估计的膝关节模型构建方法。
背景技术
膝关节是人体最大的关节组织,受人体老化或不适当的运动影响,膝关节是一个极易出现伤病的部位,磁共振成像(MRI)是膝关节疾病诊断的主要方法之一,高场MRI具有高信噪比、高分辨率的优势,然而在扫描过程中,膝关节组织中的局部比吸收率(SAR)是需要考虑的一个关键安全因素,如果局部比吸收率超标,将导致人体组织受到热损伤,国际电工委员会(IEC)对人体相关部位的局部比吸收率有相应的规定与要求,为了准确估计局部SAR,基于个体特异性模型的电磁仿真是估计局部SAR的目前公认的最佳方法,这样就需要快速的重建膝关节的个体特异性模型。
个体特异性模型的重建,需要完成对已扫描图像的逐层分割,目前,用于膝关节图像分割的方法主要有手动分割,半自动分割,以及全自动分割,手动分割与半自动分割都具有相对耗时、需要人工干预、时间长的特点,全自动分割在过去的十年中发展迅速,但其性能依赖于所选参数、模板或模型,如果这些都与被分割图像的特征相吻合,就可以实现良好的性能,但是由于膝关节的解剖结构相对复杂多变,因此难以保证分割的准确性和鲁棒性,近年来卷积神经网络(CNN)发展迅速,尤其是全卷积神经网络(FCN),能够实现较好的端到端的语义分割,其中,U-Net是一个典型,它是以CNN为基础的改进的全卷积神经网络,在FCN的编解码结构上增加了浅层编码结果与深层解码结果的跳跃连接,将浅层细节特征与深层抽象特征结合计算,区域分割性能较好。CNN和FCN在膝关节的分割上都有相关的应用,但是这些应用主要是针对膝关节中易损区域,包括软骨、半月板、韧带等,但局部SAR估计所需要的模型要求包含膝关节的主要组织:肌肉、脂肪和骨骼,目前在这方面的研究比较缺乏。
当前,尽管磁共振成像以高场为主,但低场系统仍有普遍的应用,在很多情况下,病人有可能先在低场系统中扫描,获得低场图像,如果有需要,再到高场系统中扫描以获得更加清晰的病理细节,这种情况下就希望基于低场图像重建出膝关节模型以进行电磁仿真,并估算局部SAR,这样,可以避免高场扫描时局部SAR超标的风险,膝关节轴位图像在临床上有一定的应用,在一些情况下我们希望基于低场轴位图像来重建膝关节模型,然而,低场图像的信噪比低,组织对比度较差,低场轴位图像中软骨、半月板等软组织显示不清晰,这为图像分割带来了一定的难度。
当前学术界在估计局部SAR时,一种做法是采用“肌肉-脂肪-骨骼”模型进行简化,即:将软组织均划分为肌肉,这种做法的依据是软组织的介电参数与肌肉相对接近,而肌肉、脂肪、骨骼的介电参数差别较大,因此,采用该方式简化重建出的膝关节模型,能够得到近似的局部SAR估计,在基于低场轴位图像重建模型时,可以借鉴该简化模型进行组织的分割与模型的重建。
目前还有一个实际应用中的问题,就是轴位图像扫描时,由于受到线圈灵敏度以及成像时间的限制,轴位方向获取的层数有限,导致模型长度与线圈长度相比不够长,那么在做电磁仿真时就会存在误差,不能有效反映人腿置于线圈中的实际情况,这样重建出的模型就需要在轴位方向进行扩展,使得所估计的局部SAR比较接近真实情况,目前,这方面还没有相应的研究。
基于现有技术存在的上述技术空白,本发明提出一种用于MRI局部SAR估计的膝关节模型构建方法。
发明内容
本发明提供一种用于MRI局部SAR估计的膝关节模型构建方法。
为达到上述目的,本发明采用以下技术方案:
一种用于MRI局部SAR估计的膝关节模型构建方法,包括:
步骤1,将待分割的膝关节低场磁共振图像标注为肌肉、脂肪、骨骼;
步骤2,将原始低场磁共振图像及标注后的图像做数据扩充,构成数据集;
步骤3,为骨骼和背景分别赋予第一子网络和第二子网络,为肌肉和脂肪共同赋予一个主网络,将输入子网络和主网络的数据进行训练;
步骤4,将子网络和主网络的输出进行合并,形成分割切片;
步骤5,对分割切片外推后进行膝关节的模型重建,并用外推后的模型进行电磁仿真以进行局部SAR估计。
进一步地,步骤1中,将膝关节低场磁共振图像中的软骨、半月板、韧带组织都归为肌肉的方式来对轴位图像中的组织进行分割。
进一步地,步骤3中,第一子网络和第二子网络的输出对主网络进行掩模操作,以避免第一子网络和第二子网络中分割的组织与主网络中分割的组织局部纹理相似、灰度接近而对主网络造成的干扰,掩模操作后,主网络再进行误差的反向传播,背景像素与骨像素的分割结果不对主网络的训练误差产生贡献,以避免背景像素占比大,骨骼与脂肪灰度重叠、局部纹理相似而对主网络的训练与预测带来的影响。
进一步地,步骤3中,第一子网络和第二子网络通过随机梯度下降算法进行各自的反向误差传递,更新模型参数。
进一步地,步骤3中,在数据训练过程中,每个卷积层后边加上BN层,从而加快学习速率,解决梯度消失与梯度爆炸,并通过ReLu激活函数进行激励。
进一步地,步骤3中,第一子网络和/或第二子网络进行训练时,采用加权损失函数进行训练,所述加权损失函数为下:
WL(pt)=-αt(1-pt)log(pt)……(1),
上式(1)中,pt代表样本的真值,αt用来平衡样本数量。
进一步地,步骤3中,掩模操作包括:
步骤3.1,将第一子网络和第二子网络的输出进行逻辑或运算,再进行取反操作;
步骤3.2,将第一子网络和第二子网络的输出经过步骤3.1后与主网络的输出进行叉乘运算;
步骤3.2,将叉乘后的结果参与到主网络的反向传播中,从而提高主网络中组织的分割精度;
其中,掩模操作按照如下式(2)-(5)定义:
Pbp{3}=PSub1{1}VPSub2{1}……(2);
Pmask=~Pbp{3}……(3);
Pbp{1}=PMain{1}×Pmask……(4);
Pbp{2}=PMain{2}×Pmask……(5);
上式(2)-(5)中,PSub1{1}和PSub2{1}表示第一子网络和第二子网络的输出结果,V表示或运算,~表示取反运算,PMain{1}表示主网络的肌肉输出,PMain{2}表示主网络的肌肉输出,X表示“叉乘运算”,Pbp{1}和Pbp{2}分别表示掩模处理后的肌肉和脂肪结果;Pbp{3}表示两个子网络的输出的合并结果;Pmask表示对两个子网络的输出的合并后取反的结果,用于下一步对主网络进行掩模。
与现有技术相比,本发明的优越效果在于:
1、本发明所述的用于MRI局部SAR估计的膝关节模型构建方法,将膝关节轴位图像中模糊、难以分辨的组织都视为肌肉,对膝关节的主要组织进行分割,由此来建立简单的膝关节模型进行电磁仿真,避免了轴位低场磁共振图像中存在模糊难分的组织而对建模产生的阻碍;
2、本发明所述的用于MRI局部SAR估计的膝关节模型构建方法,通过为骨骼和背景分别赋予第一子网络和第二子网络,为肌肉和脂肪共同赋予一个主网络,采用多网络并行分割的方式,有效的缓解了组织间的灰度重叠及组织间像素面积占比不均带来的分割难度,同时,能够针对不同组织的特性对超参数进行调整,提高了组织分割的精准度;
3、本发明所述的用于MRI局部SAR估计的膝关节模型构建方法,通过第一子网络和第二子网络的输出对主网络进行掩模操作,再进行合并的步骤,避免了子网络分割组织与主网络分割组织间像素分布不平衡、局部纹理相似对主网络的训练与预测带来的不利影响,能够进一步降低主网络的分割误差;
4、本发明所述的用于MRI局部SAR估计的膝关节模型构建方法,通过对分割切片外推后进行膝关节的模型重建,有效缓解由于轴位磁共振扫描时获取层数受到限制导致重建模型比实际扫描时置于线圈中的膝关节短而对电磁仿真结果带来的误差。
附图说明
图1是本发明实施例中构建方法的流程图;
图2是本发明实施例中数据集构建的流程图;
图3是本发明实施例中多网络并行分割与掩模输出操作的结构示意图;
图4是本发明实施例中膝关节模型外推流程图;
图5是本发明实施例中轴位原始图像、经手动标记的图像和多网络分割的合并图像的对比示意图;
图6是本发明实施例中两位志愿者的标准模型、外推模型和未经外推的模型的电磁仿真SAR分布及其对应的最大SAR10g值的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述,需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
实施例
如图1-4所示,一种用于MRI局部SAR估计的膝关节模型构建方法,包括:
步骤1,将待分割的膝关节低场磁共振图像标注为肌肉、脂肪、骨骼,其中,膝关节低场磁共振图像为采集到80名志愿者的图像各30张图像,共2400张膝关节轴位低场图像,图像大小为统一为384mm*384mm;
步骤2,将原始低场磁共振图像及标注后的图像做数据扩充,构成数据集,通过对图像左右旋转(±3°,±2°,±1°)及镜像翻转进行扩充,共产生33600张图像,作为数据集,并按照8:2的比例将数据集划分为训练集和测试集;
步骤3,基于U-Net的多网络并行的膝关节分割架构,为骨骼和背景分别赋予第一子网络和第二子网络,为肌肉和脂肪共同赋予一个主网络,第一子网络用于分割骨骼部分,第二子网络用于分割背景部分,将输入子网络(包括第一子网络和第二子网络)和主网络的数据进行训练,将第一子网络和第二子网络的输出结果用来对主网络进行掩模操作,以避免子网络中分割的组织与主网络中分割的组织局部纹理相似、灰度接近而对主网络造成的干扰,从而使主网络的最终输出更加精准;
步骤3.1,设置网络的超参数,在训练网络中的每个卷积层后边加上BN层,从而加快学习速率,解决梯度消失与梯度爆炸,并通过ReLu激活函数进行激励,通过5折交叉验证选择合适的超参数,将网络的层数设置为2、3、4、5,卷积核大小按照55、77、99的大小进行尝试,选出最合适的超参数,最后将网络的层数设置为3,卷积核大小为7,初始学习率为0.001,训练批次大小为4;
步骤3.2,训练分割网络,用三个并行的网络分别进行骨骼、背景、肌肉和脂肪的分割,进行训练时,先训练两个子网络,每个网络都采用加权损失函数进行训练,所述加权损失函数为下:
WL(pt)=-αt(1-pt)log(pt)……(1),
其中,pt代表样本的真值,αt是用来平衡样本数量的;
步骤3.3,掩模操作,将两个子网络的输出对主网络的输出做掩模处理,首先将两个子网络的输出进行逻辑或运算,再进行取反操作,再与主网络的输出进行“叉乘”运算,并将“叉乘”后的结果参与到主网络的反向传播中,从而提高主网络中组织的分割精度,
其中,掩模操作按照如下式(2)-(5)定义::
Pbp{3}=PSub1{1}VPSub2{1}……(2);
Pmask=~Pbp{3}……(3);
Pbp{1}=PMain{1}×Pmask……(4);
Pbp{2}=PMain{2}×Pmask……(5);
上式(2)-(5)中,PSub1{1}和PSub2{1}表示第一子网络和第二子网络的输出结果,V表示或运算,~表示取反运算,PMain{1}表示主网络的肌肉输出,PMain{2}表示主网络的肌肉输出,X表示“叉乘运算”,Pbp{1}和Pbp{2}分别表示掩模处理后的肌肉和脂肪结果;Pbp{3}表示两个子网络的输出的合并结果;Pmask表示对两个子网络的输出的合并后取反的结果,用于下一步对主网络进行掩模;
步骤4,将子网络和主网络的输出按照骨骼、肌肉、脂肪的顺序进行叠加合并,形成完整的分割结果,如图5所示,图中,(a)展示了轴位原始图像,(b)为手动标记的结果,(c)为多网络分割的合并结果,能够看出,多网络分割合并的结果与手动标记的结果非常的接近;
步骤5,对分割切片外推后进行膝关节的模型重建,通过切片外推的方式使重建的膝关节模型与实际情况下进行膝关节扫描时放入线圈内的的膝关节长度一致,并用外推后的模型进行电磁仿真以进行局部SAR估计,根据图像信息,建模时,大小为384mm*384mm,层厚为4mm,层间距为1mm,视野大小为200mm*200mm,层数为30层,构建模型的长度为150mm,电磁仿真采用REMCOM xFDTD,将步骤三中经过后处理的分割结果,进行模型重建,置于3T正交鸟笼线圈中心,该线圈的直径为175mm,长度为180mm,计算构造模型的两端边缘处到临近的线圈末端的距离,并在模型两端分别增加线圈长度的15%;再计算每个方向需要外推的切片数n(切片数=需要扩充的长度/层厚);然后对于每个方向,扩充的最终切片数等于计算出的外推切片数,然后将这些新切片与构建的模型连接起来以形成扩展后的膝关节模型,以受试者同一条腿的矢位图像的手动分割结果(主要组织包括软骨、半月板、韧带、皮质骨、松质骨、肌肉与脂肪)所建的模型(轴位方向长230mm)为标准模型,分别将标准模型、网络分割的结果外推后重建的模型以及网络分割的结果未经外推重建的模型置于线圈中,并将其髌骨调整至线圈中心,进行电磁仿真,仿真的结果如图6所示,(a)、(b)分别展示了两位志愿者的标准模型、外推模型和未经外推的模型的电磁仿真SAR分布及其对应的最大SAR10g值,能够看出,外推后的模型的SAR分布与标准模型的相似,且SAR10g热点的位置基本相同,值得注意的是,未经外推的模型与标准模型的最大SAR10g值的相对误差较大,不能忽略,这证明了模型外推的方法能够很好的减少电磁仿真的误差,能够应用于近似的局部SAR估计。
在本实施例的步骤1中,将膝关节低场磁共振图像中模糊不清、形态不明的软骨、半月板、韧带等组织都归为肌肉的方式来对轴位图像中的主要组织进行分割。
在本实施例的步骤3中,膝关节轴位图像中,背景像素所占面积较大,所以单独为其分配一个网络进行训练,而骨骼与脂肪间局部纹理相似且存在明显的灰度重叠问题,因此为骨骼单独分配一个网络,而肌肉和脂肪的像素所占面积接近,纹理和灰度的差异都较大,因此将肌肉和脂肪放入同一个网络中进行训练。
在本实施例的步骤4中,通过三个指标来对比分析分割结果与手动标注的每个像素点的一致性,分别为false positive rate(FPR),true positive rate(TPR),以及Dice’s coefficient(DCC),用M表示手动分割的结果,A表示网络分割结果,则定量分析定义如下:
上式(6)中,|·|为统计区域中像素的数量;FPR表示假正率;TPR表示正阳率;DCC表示骰子系数。
在本实施例的步骤5中,膝关节的磁共振成像使用鸟笼线圈,鸟笼线圈具有内部空间的电磁场分布比较均匀的特点,当成像时,外部射频脉冲源馈送到鸟笼线圈以发出射频场,激励人体组织中的氢原子产生核磁共振,从而实现成像,由于膝关节在进行轴位扫描时所获取的图像层数有限,导致重建的膝关节模型与实际进行磁共振扫描时放入线圈内的膝关节在长度上有较大的差异,因此,在进行电磁仿真前,需要进行模型的扩展,首先在轴位方向选择一个合适的长度,该长度下的膝关节模型的电磁仿真与真实的人腿仿真的结果接近,例如,当鸟笼线圈长度为180mm时,轴位方向长度为230mm即能够达到较高的近似度,再根据网络分割的结果重建膝关节模型,将重建模型的髌骨置于线圈中心,根据髌骨的中心层的位置、模型的实际的层数、层间距等计算出达到合适的长度时在大腿与小腿方向需要外扩的层数,并根据需要外扩的层数进行外推,形成外推模型,进行用于局部SAR估计的电磁仿真,外推后的膝关节模型与实际情况接近,能有效的提高电磁仿真的准确度。
本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。
Claims (5)
1.一种用于局部SAR估计的基于组织简化的膝关节模型构建方法,其特征在于,包括:
步骤1,将待分割的膝关节低场磁共振图像标注为肌肉、脂肪、骨骼;
步骤2,将原始低场磁共振图像及标注后的图像做数据扩充,构成数据集;
步骤3,为骨骼和背景分别赋予第一子网络和第二子网络,为肌肉和脂肪共同赋予一个主网络,将输入子网络和主网络的数据进行训练,其中,第一子网络和第二子网络的输出对主网络进行掩模操作以避免第一子网络和第二子网络中分割的组织与主网络中分割的组织局部纹理相似、灰度接近而对主网络造成的干扰,掩模操作后,主网络再进行误差的反向传播;掩模操作包括:
步骤3.1,将第一子网络和第二子网络的输出进行逻辑或运算,再进行取反操作;
步骤3.2,将第一子网络和第二子网络的输出经过步骤3.1后与主网络的输出进行叉乘运算;
步骤3.2,将叉乘后的结果参与到主网络的反向传播中,从而提高主网络中组织的分割精度;
其中,掩模操作定义如下:
Pbp{3}=Psub1{1}∨PSub2{1}......(1);
Pmask=~Pbp{3}......(2);
Pbp{1}=PMain{1}×Pmask......(3);
Pbp{2}=PMain{2}×Pmask......(4);
上式(2)-(5)中,Psub1{1}和PSub2{1}表示第一子网络和第二子网络的输出结果,V表示或运算,~表示取反运算,PMain{1}表示主网络的肌肉输出,PMain{2}表示主网络的肌肉输出,x表示“叉乘运算”,Pbp{1}和Pbp{2}分别表示掩模处理后的肌肉和脂肪结果;Pbp{3}表示两个子网络的输出的合并结果;Pmask表示对两个子网络的输出的合并后取反的结果,用于下一步对主网络进行掩模;
步骤4,将子网络和主网络的输出进行合并,形成分割切片;
步骤5,对分割切片外推后进行膝关节的模型重建,并用外推后的模型进行电磁仿真以进行局部SAR估计。
2.根据权利要求1所述的用于局部SAR估计的基于组织简化的膝关节模型构建方法,其特征在于,步骤1中,将膝关节低场磁共振图像中的软骨、半月板、韧带组织都归为肌肉的方式来对轴位图像中的组织进行分割。
3.根据权利要求1所述的用于局部SAR估计的基于组织简化的膝关节模型构建方法,其特征在于,步骤3中,第一子网络和第二子网络通过随机梯度下降算法进行各自的反向误差传递,更新模型参数。
4.根据权利要求1所述的用于局部SAR估计的基于组织简化的膝关节模型构建方法,其特征在于,步骤3中,在数据训练过程中,每个卷积层后边加上BN层,并通过ReLu激活函数进行激励。
5.根据权利要求1所述的用于局部SAR估计的基于组织简化的膝关节模型构建方法,其特征在于,步骤3中,第一子网络和/或第二子网络进行训练时,采用加权损失函数进行训练,所述加权损失函数为下:
WL(pt)=-αt(1-pt)log(pt)......(5),
上式(1)中,pt代表样本的真值,αt用来平衡样本数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010824894.1A CN112150605B (zh) | 2020-08-17 | 2020-08-17 | 用于mri局部sar估计的膝关节模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010824894.1A CN112150605B (zh) | 2020-08-17 | 2020-08-17 | 用于mri局部sar估计的膝关节模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150605A CN112150605A (zh) | 2020-12-29 |
CN112150605B true CN112150605B (zh) | 2024-02-02 |
Family
ID=73888479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010824894.1A Active CN112150605B (zh) | 2020-08-17 | 2020-08-17 | 用于mri局部sar估计的膝关节模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150605B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096727A (zh) * | 2016-06-02 | 2016-11-09 | 腾讯科技(深圳)有限公司 | 一种基于机器学习的网络模型构造方法及装置 |
CN108764306A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分类方法、装置、计算机设备和存储介质 |
CN111260650A (zh) * | 2018-11-15 | 2020-06-09 | 刘华清 | 一种脊柱ct序列图像分割方法与系统 |
-
2020
- 2020-08-17 CN CN202010824894.1A patent/CN112150605B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096727A (zh) * | 2016-06-02 | 2016-11-09 | 腾讯科技(深圳)有限公司 | 一种基于机器学习的网络模型构造方法及装置 |
CN108764306A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分类方法、装置、计算机设备和存储介质 |
CN111260650A (zh) * | 2018-11-15 | 2020-06-09 | 刘华清 | 一种脊柱ct序列图像分割方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112150605A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Recht et al. | Using deep learning to accelerate knee MRI at 3 T: results of an interchangeability study | |
CN108829639B (zh) | 一种磁共振成像方法和设备 | |
CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
Wald et al. | Spatial autocorrelation and mean intercept length analysis of trabecular bone anisotropy applied to in vivo magnetic resonance imaging | |
Chen et al. | MRI brain tissue classification using unsupervised optimized extenics-based methods | |
Wang et al. | Magnetic resonance fingerprinting with compressed sensing and distance metric learning | |
Jafari et al. | Deep neural network for water/fat separation: supervised training, unsupervised training, and no training | |
CN110992440B (zh) | 弱监督磁共振快速成像方法和装置 | |
CN106233332A (zh) | 瘠瘦组织体积量化 | |
Chen et al. | Data‐driven self‐calibration and reconstruction for non‐cartesian wave‐encoded single‐shot fast spin echo using deep learning | |
Hwang et al. | Estimating voxel volume fractions of trabecular bone on the basis of magnetic resonance images acquired in vivo | |
CN110148195B (zh) | 一种磁共振图像生成方法、系统、终端及存储介质 | |
Liu et al. | High-performance rapid MR parameter mapping using model-based deep adversarial learning | |
Rathi et al. | Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN | |
Lee et al. | Quantification of intravoxel incoherent motion with optimized b‐values using deep neural network | |
Qiu et al. | Multiparametric mapping in the brain from conventional contrast‐weighted images using deep learning | |
Mohebbian et al. | Classifying MRI motion severity using a stacked ensemble approach | |
Sato et al. | Limits on the accuracy of 3-D thickness measurement in magnetic resonance images-effects of voxel anisotropy | |
CN112150605B (zh) | 用于mri局部sar估计的膝关节模型构建方法 | |
US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
Yaman et al. | Improved supervised training of physics-guided deep learning image reconstruction with multi-masking | |
Xu et al. | Deep convolutional neural networks for bias field correction of brain magnetic resonance images | |
Aetesam et al. | Perceptually motivated generative model for magnetic resonance image denoising | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
CN115137347A (zh) | 三维超短回波时间磁共振指纹成像的髓鞘定量成像方法 |
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 |