CN113066145B - 基于深度学习的快速全身弥散加权成像方法及相关设备 - Google Patents
基于深度学习的快速全身弥散加权成像方法及相关设备 Download PDFInfo
- Publication number
- CN113066145B CN113066145B CN202110368677.0A CN202110368677A CN113066145B CN 113066145 B CN113066145 B CN 113066145B CN 202110368677 A CN202110368677 A CN 202110368677A CN 113066145 B CN113066145 B CN 113066145B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- full
- model
- images
- 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
- 238000002597 diffusion-weighted imaging Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000005070 sampling Methods 0.000 claims abstract description 71
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000002595 magnetic resonance imaging Methods 0.000 abstract description 12
- 238000003384 imaging method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035226 Plasma cell myeloma Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 201000000050 myeloid neoplasm Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于深度学习的快速全身弥散加权成像方法及相关设备，该方法包括：获取待重建图像；将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像。通过实施本发明实施例，将深度学习技术应用于WB‑DWI快速成像中，在保证图像质量的前提下，极大的提高了WB‑DWI的采集速度，有利于WB‑DWI的推广应用，提高MRI设备的工作效率。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种基于深度学习的快速全身弥散加权成像方法及相关设备。
背景技术
弥散加权成像(Diffusion weighted imaging，DWI)是唯一能够活体检测水分子扩散情况的无创影像检查技术,也是临床应用最多的一个磁共振功能序列。全身弥散加权成像(whole-body diffusion weighted imaging，WB-DWI)是对包括头、颈、胸、腹、盆等全身各部位进行DWI检查的方法。WB-DWI是评估恶性淋巴瘤、骨髓瘤等系统性肿瘤疾病以及恶性肿瘤(前列腺癌、肺癌、黑色素瘤)全身转移的重要影像技术之一。在许多恶性疾病的诊疗中，WB-DWI有望取代18F-氟脱氧葡萄糖(18F-FDG)正电子发射断层扫描(PET-CT)。与PET-CT相比，WB-DWI具有价格低廉、无需注射对比剂、无电离辐射等优点，且对一些小的具有更高的敏感性,具有极大的临床价值与广阔的应用前景。
虽然WB-DWI具有良好临床应用前景，但是由于需要对包括头、颈、胸、腹、盆等的全身各部位进行大范围扫描，所需要的扫描时间较长，一个完整的WB-DWI扫描时间为30-60分钟。扫描时间越长，患者的耐受性越差，运动伪影也会增加，也将降低WB-DWI定量参数的可重复性和可靠性。受限于过长的扫描时间，目前WB-DWI并未广泛应用于临床中。为了缩短扫描时间，通常采用减少采集b值数目或降低图像分辨率方法，这些方法是以牺牲图像功能(不能进行多模型重建)和降低图像质量为代价的。因此，迫切需要采用新的技术和方法，在保证WB-DWI图像质量的前提下，有效缩短扫描时间。
近年来深度学习在图像分类、图像复原、超分辨率重建等领域取得很大进展，基于深度学习的MRI重建也得到了广泛的研究。基于深度学习的MRI重建使用数据驱动的方法提取深度图像特征，通过大量训练集学习欠采样图像和全采样图像之间的映射关系。相比于CS-MRI，基于深度学习的磁共振成像(Magnetic Resonance Imaging，MRI)重建方法在加速倍数、重建速度、重建质量等方面具有显著优势。目前基于深度学习的MRI重建主要以脑部、膝关节等MRI的图像为研究对象。而WB-DWI采集时间较长，可以获得的样本量较少，且全身弥散涉及人体的多个器官，解剖结构复杂，这使得将深度学习应用于WB-DWI欠采样重建面临很大困难。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种基于深度学习的快速全身弥散加权成像方法及相关设备，以在保证图像质量的前提下，提高WB-DWI的采集速度。
第一方面，本发明实施例提供了一种基于深度学习的快速全身弥散加权成像方法，该方法包括：
获取待重建图像；
将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像。
结合第一方面，在一种可能的实施方式中，所述将所述待重建图像输入图像重建模型，得到重建全采样图像之前，还包括：
构建所述全身弥散加权成像图像训练集；
获取所述深度学习模型和损失函数；
以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型。
结合第一方面，在一种可能的实施方式中，所述构建所述全身弥散加权成像图像训练集，包括：
获取多个样本全采样图像；
分别对多个所述样本全采样图像进行回顾性下采样后进行零填充重建，得到多个零填充图像；
对多个所述样本全采样图像和对应的所述零填充图像进行冠状位重建，得到多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像；
将多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像组合，得到多个所述训练样本对。
结合第一方面，在一种可能的实施方式中，所述以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型，包括：
以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，利用反向传播算法和均方误差法确定所述损失函数最小时的模型参数。
结合第一方面，在一种可能的实施方式中，所述样本冠状位全采样图像和所述冠状位零填充图像均被进行归一化处理。
结合第一方面，在一种可能的实施方式中，多个所述样本全采样图像包括健康人的全采样图像和/或疾病患者的全采样图像。
结合第一方面，在一种可能的实施方式中，所述深度学习模型为DC-CNN模型或者RDN模型。
第二方面，本发明实施例提供一种基于深度学习的快速全身弥散加权成像装置，该图像处理装置包括实现第一方面，或者第一方面的任一可能的实现方式所描述的方法中的全部或者部分功能模块。
第三方面，本发明实施例提供一种基于深度学习的快速全身弥散加权成像装置，该图像处理装置包括至少一个处理器和存储器，所述存储器和所述至少一个处理器通过线路互联，所述至少一个存储器中存储有计算机程序；所述计算机程序被所述处理器执行时，实现第一方面，或者第一方面的任一项可能的实现方式所描述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当计算机程序在处理器上运行时，实现第一方面，或者第一方面的任一项可能的实现方式所描述的方法。
通过实施本发明实施例，将深度学习技术应用于WB-DWI快速成像中，在保证图像质量的前提下，极大的提高了WB-DWI的采集速度，有利于WB-DWI的推广应用，提高MRI设备的工作效率。
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，下面将对本发明实施例或背景技术中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种基于深度学习的快速全身弥散加权成像方法的流程示意图之一；
图2是本发明实施例提供的一种基于深度学习的快速全身弥散加权成像方法的流程示意图之二；
图3是本发明实施例提供的一种基于深度学习的快速全身弥散加权成像方法的流程示意图之三；
图4是本发明实施例提供的一种基于深度学习的快速全身弥散加权成像装置的结构示意图之一；
图5是本发明实施例提供的一种基于深度学习的快速全身弥散加权成像装置的结构示意图之二。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行描述。
请参见图1，图1是本发明实施例提供的一种基于深度学习的快速全身弥散加权成像方法，该方法包括但不限于如下步骤：
步骤S110：获取待重建图像。
步骤S120：将所述待重建图像输入图像重建模型，得到重建全采样图像。
具体而言，图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，全身弥散加权成像图像训练集包括多个训练样本对，每个训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像。
可选的，在执行步骤S120之前，还可以通过步骤S131-S133来得到图像重建模型。
S131：构建所述全身弥散加权成像图像训练集。
可选的，首先，获取多个样本全采样图像；然后，分别对多个样本全采样图像进行回顾性下采样后进行零填充重建，得到多个零填充图像；再然后，对多个样本全采样图像和多个零填充图像进行冠状位重建，得到多个样本冠状位全采样图像和对应的冠状位零填充图像；最后将多个样本冠状位全采样图像分别与对应的冠状位零填充图像组合，得到多个训练样本对，从而形成全身弥散加权成像图像训练集。其中，多个样本全采样图像可以包括健康人的全采样图像和/或疾病患者的全采样图像。并且，样本冠状位全采样图像和冠状位零填充图像均被进行归一化处理。
可选的，首先，收集多个样本全采样图像，将每个样本全采样图像进行冠状位重建后作为训练集中的参考图像y；然后，回顾性图像欠采样，使用双三次插值的退化策略对回顾性WB-DWI进行2、4、8倍下采样，获得含有伪影并丢失部分细节信息的零填充图像(如图2所示)，零填充图像进行冠状位重建后作为训练集中的输入图像x；最后，构建训练数据，输入图像x和参考图像y组成全身弥散加权成像图像训练集，i表示第i个训练样本，N表示训练样本总数。
例如，首先，回顾性收集整理60名志愿者的全采样WB-DWI，全采样WB-DWI采用单次激发平面回波成像序列(single-shot echo-planar-imaging，ss-EPI)序列采集，采样矩阵大小为300×300，b＝0s/mm、600/800s/mm，层数50层，共采集头、胸、腹、盆四段。将每组全采样WB-DWI作为训练集中的参考图像y，共得到12000幅参考图像。
然后，使用双三次插值的退化策略对回顾性WB-DWI进行2、4、8倍下采样，然后采用零填充重建的方法对欠采样数据进行重建获得零填充图像。零填充图像作为训练集中的输入图像x。
最后，输入图像x和参考图像y组成WB-DWI图像训练数据集，i表示第i个训练样本，N＝12000表示训练样本总数。并且，本实施例中，x和y都归一化到[0,1]。
S132：获取所述深度学习模型和损失函数。
可选的，深度学习模型采用深度级联卷积神经网络(DC-CNN)，DC-CNN模型包括输入层、隐含层和输出层，其中隐含层包括卷积层、激活层和池化层等。DC-CNN模型可以在Python3.7环境中用Keras工具箱搭建。DC-CNN模型表示为G(x,θ)，θ为模型参数，x表示网络输入，输出为重建图像xG，xG＝G(x,θ)。深度学习模型还可以采用RDN模型等其他深度学习模型。
损失函数LG(θ)采用基于像素的均方误差(Mean squared error，MSE)，评估像素水平的图像损失，利用反向传播算法寻找损失函数最小对应的θ作为深度学习模型的最优参数θG，从而利用反向传播算法和均方误差法确定所述损失函数最小时的模型参数。
S133：以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型。
可选的，模型训练就是利用反向传播和基于动量的随机梯度下降法寻找使损失函数最小的模型参数首先从训练集中随机挑选数量为n的训练样本对作为批训练集。将xi输入DC-CNN模型，经过正向传播得到重建图像xG；然后计算损失函数值LG(θt)，θt为第t次迭代θ的取值，损失函数值LG(θt)最小时对应的θt即为深度学习模型的最优参数θG。
如图3所示，得到训练好的模型(即图像重建模型)后，将输入图像x输入到图像重建模型，经过正向传播，即可得到重建图像。
在图1至图3所描述的方法中，将深度学习技术应用于WB-DWI快速成像中，在保证图像质量的前提下，极大的提高了WB-DWI的采集速度，有利于WB-DWI的推广应用，提高MRI设备的工作效率。
请参见图4，图4是本发明实施例提供的一种基于深度学习的快速全身弥散加权成像装置40，基于深度学习的快速全身弥散加权成像装置40可以为执行图1至图3所示的方法实施例的图像处理装置。基于深度学习的快速全身弥散加权成像装置40包括图像获取模块401和图像重建模块402，基于深度学习的快速全身弥散加权成像装置40的各个模块和单元的详细描述如下。
图像获取模块401，用于获取待重建图像；
图像重建模块402，用于将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像。
在一种可选的方案中，还包括模型训练模块，所述模型训练模块用于所述将所述待重建图像输入图像重建模型，得到重建全采样图像之前，构建所述全身弥散加权成像图像训练集；获取所述深度学习模型和损失函数；以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型。
在一种可选的方案中，所述模型训练模块用于构建所述全身弥散加权成像图像训练集，具体为：
获取多个样本全采样图像；
分别对多个所述样本全采样图像进行回顾性下采样后进行零填充重建，得到多个零填充图像；
对多个所述样本全采样图像和对应的所述零填充图像进行冠状位重建，得到多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像；
将多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像组合，得到多个所述训练样本对。
在一种可选的方案中，所述模型训练模块用于以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型，具体为：
以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，利用反向传播算法和均方误差法确定所述损失函数最小时的模型参数。
在一种可选的方案中，所述样本冠状位全采样图像和所述冠状位零填充图像均被进行归一化处理。
在一种可选的方案中，多个所述样本全采样图像包括健康人的全采样图像和/或疾病患者的全采样图像。
在一种可选的方案中，所述深度学习模型为DC-CNN模型或者RDN模型。
图4所示的图像处理装置中各个模块和单元的具体实现及有益效果还可以对应参照图1至图3所示的方法实施例的相应描述，此处不再赘述。
请参见图5，图5是本发明实施例提供的一基于深度学习的快速全身弥散加权成像装置50，基于深度学习的快速全身弥散加权成像装置50可以为执行图1至图3所示的方法实施例的图像处理装置。该基于深度学习的快速全身弥散加权成像装置50包括处理器501、存储器502和通信接口503，所述处理器501、存储器502和通信接口503通过总线504相互连接。
存储器502包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmableread only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器502用于相关计算机程序及数据。通信接口503用于接收和发送数据。
处理器501可以是一个或多个中央处理器(central processing unit，CPU)，在处理器501是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
该基于深度学习的快速全身弥散加权成像装置50中的处理器501用于读取所述存储器502中存储的计算机程序代码，执行以下操作：
获取待重建图像；
将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像。
在一种可能的实施方式中，所述将所述待重建图像输入图像重建模型，得到重建全采样图像之前，还执行：
构建所述全身弥散加权成像图像训练集；
获取所述深度学习模型和损失函数；
以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型。
在一种可能的实施方式中，所述构建所述全身弥散加权成像图像训练集，具体为：
获取多个样本全采样图像；
分别对多个所述样本全采样图像进行回顾性下采样后进行零填充重建，得到多个零填充图像；
对多个所述样本全采样图像和对应的所述零填充图像进行冠状位重建，得到多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像；
将多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像组合，得到多个所述训练样本对。
在一种可能的实施方式中，所述以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型，具体为：
以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，利用反向传播算法和均方误差法确定所述损失函数最小时的模型参数。
在一种可能的实施方式中，所述样本冠状位全采样图像和所述冠状位零填充图像均被进行归一化处理。
在一种可能的实施方式中，多个所述样本全采样图像包括健康人的全采样图像和/或疾病患者的全采样图像。
在一种可能的实施方式中，所述深度学习模型为DC-CNN模型或者RDN模型。
图5所示的图像处理装置中各个模块的具体实现及有益效果还可以对应参照图1至图3所示的方法实施例的相应描述，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当计算机程序在图像处理装置上运行时，实现图1至图3所示的方法。
综上所述，将深度学习技术应用于WB-DWI快速成像中，在保证图像质量的前提下，极大的提高了WB-DWI的采集速度，有利于WB-DWI的推广应用，提高MRI设备的工作效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (7)
1.一种基于深度学习的快速全身弥散加权成像方法，其特征在于，包括：
获取待重建图像；
将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像；
将所述待重建图像输入图像重建模型，得到重建全采样图像之前，还包括：构建所述全身弥散加权成像图像训练集；获取所述深度学习模型和损失函数；以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型；
所述构建所述全身弥散加权成像图像训练集，包括：获取多个样本全采样图像；分别对多个所述样本全采样图像进行回顾性下采样后进行零填充重建，得到多个零填充图像；对多个所述样本全采样图像和对应的所述零填充图像进行冠状位重建，得到多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像；将多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像组合，得到多个所述训练样本对；
多个所述样本全采样图像包括健康人的全采样图像和疾病患者的全采样图像。
2.根据权利要求1所述的方法，其特征在于，所述以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型，包括：
以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，利用反向传播算法和均方误差法确定所述损失函数最小时的模型参数。
3.根据权利要求1所述的方法，其特征在于，所述样本冠状位全采样图像和所述冠状位零填充图像均被进行归一化处理。
4.根据权利要求1所述的方法，其特征在于，所述深度学习模型为DC-CNN模型或者RDN模型。
5.一种基于深度学习的快速全身弥散加权成像装置，其特征在于，包括：
图像获取模块，用于获取待重建图像；
图像重建模块，用于将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像；
模型训练模块，用于构建所述全身弥散加权成像图像训练集；获取所述深度学习模型和损失函数；以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型；
所述模型训练模块，用于构建所述全身弥散加权成像图像训练集，包括：获取多个样本全采样图像；分别对多个所述样本全采样图像进行回顾性下采样后进行零填充重建，得到多个零填充图像；对多个所述样本全采样图像和对应的所述零填充图像进行冠状位重建，得到多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像；将多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像组合，得到多个所述训练样本对；
多个所述样本全采样图像包括健康人的全采样图像和疾病患者的全采样图像。
6.一种基于深度学习的快速全身弥散加权成像装置，其特征在于，包括至少一个处理器和存储器，所述存储器和所述至少一个处理器通过线路互联，所述至少一个存储器中存储有计算机程序；所述计算机程序被所述处理器执行时，实现权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当计算机程序在处理器上运行时，实现权利要求1-4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110368677.0A CN113066145B (zh) | 2021-04-29 | 2021-04-29 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110368677.0A CN113066145B (zh) | 2021-04-29 | 2021-04-29 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113066145A CN113066145A (zh) | 2021-07-02 |
| CN113066145B true CN113066145B (zh) | 2023-12-26 |
Family
ID=76565806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110368677.0A Active CN113066145B (zh) | 2021-04-29 | 2021-04-29 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113066145B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
| CN109697740A (zh) * | 2018-12-26 | 2019-04-30 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
| EP3480617A1 (en) * | 2017-11-03 | 2019-05-08 | Koninklijke Philips N.V. | Diffusion weighted turbo spin echo mr imaging with motion compensation |
| CN111080731A (zh) * | 2019-11-12 | 2020-04-28 | 东软医疗系统股份有限公司 | 弥散加权成像方法及装置 |
| CN111161370A (zh) * | 2019-12-30 | 2020-05-15 | 中国科学院武汉物理与数学研究所 | 一种基于ai的人体多核dwi联合重建方法 |
| CN111445546A (zh) * | 2020-03-03 | 2020-07-24 | 东软医疗系统股份有限公司 | 图像重建方法、装置、电子设备、存储介质 |
| CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
| CN112184845A (zh) * | 2020-09-02 | 2021-01-05 | 东软医疗系统股份有限公司 | 弥散加权图像重建模型的生成方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11710261B2 (en) * | 2019-07-29 | 2023-07-25 | University Of Southern California | Scan-specific recurrent neural network for image reconstruction |
-
2021
- 2021-04-29 CN CN202110368677.0A patent/CN113066145B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3480617A1 (en) * | 2017-11-03 | 2019-05-08 | Koninklijke Philips N.V. | Diffusion weighted turbo spin echo mr imaging with motion compensation |
| CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
| CN109697740A (zh) * | 2018-12-26 | 2019-04-30 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
| CN111080731A (zh) * | 2019-11-12 | 2020-04-28 | 东软医疗系统股份有限公司 | 弥散加权成像方法及装置 |
| CN111161370A (zh) * | 2019-12-30 | 2020-05-15 | 中国科学院武汉物理与数学研究所 | 一种基于ai的人体多核dwi联合重建方法 |
| CN111445546A (zh) * | 2020-03-03 | 2020-07-24 | 东软医疗系统股份有限公司 | 图像重建方法、装置、电子设备、存储介质 |
| CN112184845A (zh) * | 2020-09-02 | 2021-01-05 | 东软医疗系统股份有限公司 | 弥散加权图像重建模型的生成方法及装置 |
| CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113066145A (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108629816B (zh) | 基于深度学习进行薄层磁共振图像重建的方法 | |
| Lv et al. | Transfer learning enhanced generative adversarial networks for multi-channel MRI reconstruction | |
| CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
| Guo et al. | Over-and-under complete convolutional rnn for mri reconstruction | |
| CN109949318B (zh) | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 | |
| CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
| CN112488976B (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN110969614B (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
| Li et al. | Deepvolume: Brain structure and spatial connection-aware network for brain mri super-resolution | |
| CN111598964B (zh) | 一种基于空间自适应网络的定量磁化率图像重建方法 | |
| Qiu et al. | Medical image super-resolution reconstruction algorithms based on deep learning: A survey | |
| CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
| CN116823625A (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和系统 | |
| CN110942496A (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
| Wang et al. | A faithful deep sensitivity estimation for accelerated magnetic resonance imaging | |
| CN114241240A (zh) | 脑部图像的分类方法、装置、电子设备及存储介质 | |
| CN113066145B (zh) | 基于深度学习的快速全身弥散加权成像方法及相关设备 | |
| CN113838105B (zh) | 基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质 | |
| CN114926559A (zh) | 一种基于字典学习思想无衰减校正的pet重建方法 | |
| CN114419015A (zh) | 一种基于多模态配准的脑功能融合分析方法 | |
| CN114140404A (zh) | 基于人工智能的肺部多核mri双域超分辨率重建方法 | |
| Amirrajab et al. | A framework for simulating cardiac MR images with varying anatomy and contrast | |
| CN113052840A (zh) | 一种基于低信噪比pet图像的处理方法 | |
| CN113744132A (zh) | 基于多重优化的mr图像深度网络超分辨方法 | |
| CN113192151A (zh) | 一种基于结构相似性的mri图像重建方法 |
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 |