CN113592972B - 一种基于多模态聚合的磁共振图像重建方法及装置 - Google Patents
一种基于多模态聚合的磁共振图像重建方法及装置 Download PDFInfo
- Publication number
- CN113592972B CN113592972B CN202110873802.3A CN202110873802A CN113592972B CN 113592972 B CN113592972 B CN 113592972B CN 202110873802 A CN202110873802 A CN 202110873802A CN 113592972 B CN113592972 B CN 113592972B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency domain
- sample
- reconstruction
- undersampled
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002776 aggregation Effects 0.000 title claims abstract description 24
- 238000004220 aggregation Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 233
- 230000006870 function Effects 0.000 claims abstract description 74
- 238000005070 sampling Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000003384 imaging method Methods 0.000 claims description 67
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 210000001519 tissue Anatomy 0.000 description 47
- 238000002595 magnetic resonance imaging Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
本申请提供一种基于多模态聚合的磁共振图像重建方法及装置。方法包括：获取样本图像和图像处理网络；样本图像包括全采样第一样本图像，全采样第二样本图像和欠采样第二样本图像；图像处理网络包括频域处理网络和图像域处理网络；将样本图像输入频域处理网络，依据频域重建结果生成频域损失函数；将频域重建结果输入图像域处理网络，依据图像域重建结果生成图像域损失函数；依据频域损失函数和图像域损失函数对图像处理网络进行训练，生成混合域学习网络；获取全采样第一目标图像和欠采样第二目标图像并输入混合域学习网络，生成无伪影第二目标图像。本申请能够从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像。
Description
技术领域
本申请涉及图像处理技术领域，特别是一种基于多模态聚合的磁共振图像重建方法及装置。
背景技术
MRI(MagneticResonanceImaging，磁共振成像)是一种常用的扫描技术，可以用于肌肉骨骼，神经系统和肿瘤疾病的扫描。MRI扫描仪获得的原始数据是二维的复值数据，收集到的K空间信号通过二维反傅里叶变换转换到图像域。然而，MRI数据采集过程的物理性质使得扫描时间长达数十分钟，造成不舒服的检查体验和高昂的医疗费用。因此，加速MRI重建成为改善患者体验的主要研究目标。从欠采样的K空间测量中重构图像是一个标准的方法，以加快磁共振成像。然而，从零填充的K空间数据重建的图像往往会表现出混叠效应，这使得它们无法用于临床诊断。因此，如何减少这些混叠伪影，从采样不足的K空间测量值中恢复出高保真的图像成为磁共振图像重建系统的目标。
CS(Compressive Sensing，压缩感知)和并行成像依靠K空间的冗余特点，在MRI图像重建中取得了显著的进展。与传统的信号处理方法相比，基于CS的方法可以通较少的采样量来加快MRI图像的采集速度。此外，通过结合图像的先验知识，CS可以通过违反奈奎斯特-香农采样定理来解决混叠效应。然而，基于CS的MRI图像重建方法需要大量的时间来迭代最小化，这导致需要接近实时的MRI图像场景(例如功能磁共振成像和心血管磁共振成像)变得十分困难。并行成像可以通过多通道的线圈灵敏度轮廓从多通道的混叠图像中重建图像，但如果平面内加速度高于2，依然会产生伪影。
近年来，深度学习技术在MRI图像重建方面得到了广泛的应用。然而，这些方法大多侧重于利用单模态采集的欠采样数据去重建高质量的MRI图像(如图1所示)。因此，利用采集时间较短的模态来辅助其他具有密切结构信息的模态是加快磁共振成像的一种新思路。例如，T1和T2加权图像是两个密切相关的MRI模态，但是T2加权成像比T1加权成像慢，因为其TRs(Repetition Time，重复时间)和TEs(Echo Time，回波时间)相对较长。因此，可以使用T1模态作为补充信息来指导T2模态的重建。具体地说，图2显示了来自同一受试者的两个不同模态的MRI图像。图像(a)为全采样的T1加权图像，用于识别脂肪组织，获取形态学信息，并进行造影后成像；图像(b)为全采样的T2加权图像，用于检测水肿、炎症和评估解剖结构。图像(c)为3×倍加速度的1D随机欠采样模式下的具有混叠伪影的T2加权图像。在深度学习方面，只有少数研究尝试在不同的MRI模态之间进行多模态融合来加速图像重建。现有技术根据T1与T2图像的高度耦合关系，重构出高质量的T2加权图像；或直接将T1、T2图像整合为双通道输入(如图3所示)。所有这些方法都遵循早期融合机制。这些方法虽然令人印象深刻，但都忽略了对多模态关键特征级聚合的探索。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于多模态聚合的磁共振图像重建方法及装置，包括：
一种基于多模态聚合的磁共振图像重建方法，包括：
获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；
通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；
通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；
依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；
获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；
通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
优选地，所述频域处理网络包括第一频域处理层、第一重建引导层和第二频域处理层；所述频域重建结果包括对应于所述全采样第一样本图像的第一频域信号和对应于所述欠采样第二样本图像的第二频域信号；
所述通过所述频域处理网络对所述全采样第一样本和所述欠采样第二样本图像进行处理，获得所述频域重建结果的步骤，包括：
将所述全采样第一样本图像输入所述第一频域处理层，获得所述第一频域信号；
将所述全采样第一样本图像和所述欠采样第二样本图像输入所述第一重建引导层，获得用于指导所述欠采样第二样本图像在所述第二频域处理层上重建的第一注意力模块；
将所述第一注意力模块和所述欠采样第二样本图像输入所述第二频域处理层，获得所述第二频域信号。
优选地，所述第一重建引导层包括第一模态调制层和第一指导融合层；
所述将所述全采样第一样本图像和所述欠采样第二样本图像输入所述第一重建引导层，获得用于指导所述欠采样第二样本图像在所述第二频域处理层上重建的第一注意力模块的步骤，包括：
将所述全采样第一样本图像输入所述第一模态调制层，获得包含所述全采样第一样本图像的关键特征信息的第一空间注意力模块；
将所述第一空间注意力模块和所述欠采样第二样本图像输入所述第一指导融合层，获得所述第一注意力模块。
优选地，所述第一模态调制层包括第一通道调制层和第一空间调制层；
所述将所述全采样第一样本图像输入所述第一模态调制层，获得包含所述全采样第一样本图像的关键特征信息的第一空间注意力模块的步骤，包括：
将所述全采样第一样本图像输入所述第一通道调制层，获得包含所述全采样第一样本图像的低维特征信息的第一通道注意力模块；
将所述第一通道注意力模块输入所述第一空间调制层，获得所述第一空间注意力模块。
优选地，所述图像域处理网络包括第一图像域处理层、第二重建引导层和第二图像域处理层；所述图像域重建结果包括对应于所述第一频域信号的第一图像域信号和所述第二频域信号的第二图像域信号；
所述通过所述图像域处理网络对所述第一频域信号和所述第二频域信号进行处理，获得所述图像域重建结果的步骤，包括：
将所述第一频域信号输入所述第一图像域处理层，获得所述第一图像域信号；
将所述第一频域信号和所述第二频域信号输入所述第二重建引导层，获得用于指导所述第二频域信号在所述第二图像域处理层上重建的第二注意力模块；
将所述第二注意力模块和所述第二频域信号输入所述第二图像域处理层，获得所述第二图像域信号。
优选地，所述第二重建引导层包括第二模态调制层和第二指导融合层；
所述将所述第一频域信号和所述第二频域信号输入所述第二重建引导层，获得用于指导所述第二频域信号在所述第二图像域处理层上重建的第二注意力模块的步骤，包括：
将所述第一频域信号输入所述第二模态调制层，获得包含所述第一频域信号的关键特征信息的第二空间注意力模块；
将所述第二空间注意力模块和所述第二频域信号输入所述第二指导融合层，获得所述第二注意力模块。
优选地，所述第二模态调制层包括第二通道调制层和第二空间调制层；
所述将所述第一频域信号输入所述第二模态调制层，获得包含所述第一频域信号的关键特征信息的第二空间注意力模块的步骤，包括：
将所述第一频域信号输入所述第二通道调制层，获得包含所述第一频域信号的低维特征信息的第二通道注意力模块；
将所述第二通道注意力模块输入所述第二空间调制层，获得所述第二空间注意力模块。
一种基于多模态聚合的磁共振图像重建装置，包括：
样本获取模块，用于获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；
第一处理模块，用于通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；
第二处理模块，用于通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；
网络训练模块，用于依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；
目标获取模块，用于获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；
网络应用模块，用于通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
一种计算机设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的一种基于多模态聚合的磁共振图像重建方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种基于多模态聚合的磁共振图像重建方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像，既能在频域处理网络重建频率信号，又能在图像域处理网络重建图像细节，并且依据所述全采样第一目标图像的特征信息对所述欠采样第二目标图像的重建过程进行指导，能够有效减少混叠伪影，从所述欠采样第二目标图像中重建出高保真的图像。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术中的一种单一方式重建网络的结构示意图；
图2是同一受试者的全采样TI加权磁共振图像、全采样T2加权磁共振图像和欠采样T2加权磁共振图像；
图3是现有技术中的一种双通道输入重建网络的结构示意图；
图4是本申请一实施例提供的一种基于多模态聚合的磁共振图像重建方法的步骤流程图；
图5是本申请一实施例提供的一种图像处理网络的结构示意图；
图6是本申请一实施例提供的一种注意力模块的结构示意图；
图7是本申请一实施例提供的一种基于多模态聚合的磁共振图像重建装置的结构框图；
图8是本申请一实施例提供的一种计算机设备的结构示意图。
说明书附图中的附图标记如下：
12、计算机设备；14、外部设备；16、处理单元；18、总线；20、网络适配器；22、I/O接口；24、显示器；28、内存；30、随机存取存储器；32、高速缓存存储器；34、存储系统；40、程序/实用工具；42、程序模块。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本申请任一实施例中，所述方法应用于从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像。
参照图4，示出了本申请一实施例提供的一种基于多模态聚合的磁共振图像重建方法；
所述方法包括：
S410、获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；
S420、通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；
S430、通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；
S440、依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；
S450、获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；
S460、通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
在本申请的实施例中，通过获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像，既能在频域处理网络重建频率信号，又能在图像域处理网络重建图像细节，并且依据所述全采样第一目标图像的特征信息对所述欠采样第二目标图像的重建过程进行指导，能够有效减少混叠伪影，从所述欠采样第二目标图像中重建出高保真的图像。
下面，将对本示例性实施例中一种基于多模态聚合的磁共振图像重建方法作进一步地说明。
如所述步骤S410所述，获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络。
分别通过T1加权成像和T2加权成像的方式对所述样本组织进行采样，获得所述全采样第一样本图像、所述全采样第二样本图像和所述欠采样第二样本图像。需要说明的是，通过T1和T2加权成像获得的图像是两个密切相关的磁共振模态，但是T2加权成像比T1加权成像慢。因此，可以使用T1模态作为补充信息来指导T2模态的重建。
令xf表示全采样的磁共振图像，本申请的目标是从欠采样的K空间ku或者欠采样的磁共振图像xu重建一个完整的图像x'f。xu和ku的关系可以表示为：
xu＝F-1(ku)＝F-1(M⊙F(xf))(公式1)
其中F和F-1表示二维傅里叶变换和反傅里叶变换；M表示二进制掩码运算符，用于挑选K空间信号的子集；⊙元素相乘运算。如果利用先验知识重构x'f，可以表述为以下优化问题：
其中ψ是正则化函数，λi是控制两项之间的权重。利用神经网络可以有效地解决公式2中有限采样数据重构x'f的病态逆问题。形式上，公式2可以用神经网络最小化以下损失函数来很好地逼近：
在给定N个训练样本的情况下，学习一个参数为θ的神经网络Gθ从xu中重构/>表示用于测量图像级重建的损失函数，其中可表示多种损失(例如λ1，λ2和SSIM(StructuralSimilarity，结构相似性)损耗)；其中，λ1损失函数基于逐像素比较差异，然后取绝对值；λ2损失函数基于逐像素比较差异，然后取平方；SSIM损失函数则考虑了亮度(luminance)、对比度(contrast)和结构(structure)指标，即考虑了人类视觉感知，因此得到的结果比λ1，λ2的结果更具细节。
不同于公式3那样在单一的模态中进行重建，本申请的动机是学习两个密切相关的模态之间的相关知识，并利用这些知识来改进重建。特别是使用T1加权图像作为指导，更准确地重建T2加权图像。因此，公式3可以重新表示为：
其中xf，T2为全采样T2加权图像，xu，T2欠采样T2加权图像，xf，T1为全采样T1加权图像。需要注意的是，T1加权图像被挖掘为多尺度特征并融合到所述图像处理网络中。本申请的目标是获得一系列训练良好的权值，这些权值由全采样T1加权图像的特征引导而成。
所述图像处理网络采用了一种混合域学习框架，从频域(K空间)和图像域的数据中学习全面的特征表示。
如所述步骤S420所述，通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数。
如图2所示，所述图像处理网络包含两个连续的阶段。第一阶段从欠采样的K空间测量值中恢复频域信号，其输出被转换到图像域进行第二阶段图像感知重建。在每个阶段，使用相应的T1模态的信号来指导重建过程。
依据所述第一阶段的重建结果和所述全采样第二样本图像经傅里叶变换得到的频域信号生成所述频域损失函数；所述频域损失函数表示测量所述频域处理网络重建的损失函数，可表示多种损失(例如λ1，λ2和SSIM损耗)，通过所述频域损失函数可以对所述频域处理网络进行训练。
如所述步骤S430所述，通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；
依据所述第二阶段的重建结果和所述全采样第二样本图像生成所述图像域损失函数；所述图像域损失函数表示测量所述图像域处理网络重建的损失函数，可表示多种损失(例如λ1，λ2和SSIM损耗)，通过所述图像域损失函数可以对所述图像域处理网络进行训练。
具体地，用于训练所述图像处理网络的损失函数表示如下：
其中Gk表示K空间重构的神经网络，Lk-space表示用于测量结果的相应损失函数；Gθ表示图像域重构的神经网络，LImage表示用于测量结果的相应损失函数。
在所述图像处理网络的实现中，公式5由以下方式解决(参照图5)：
其中和/>分别表示T1模态在频域(K空间)和图像域的损失函数，/>和分别表示目标T2模态在频域(K空间)和图像域的损失函数。通过在T1模态上施加一个损失函数，以保留清晰的结构信息，并指导目标模态的重建，α是平衡这些损失的权重。公式5-6为所述图像处理网络提供了一种多域、多模态的重构学习机制。
所述图像处理网络在K空间和图像域都采用相同的网络结构进行学习。通过使用两个Dense-UNets对T1和T2模态的输入进行特征提取，同时在每个卷积阶段引入一个T1引导的注意力模块(T1-GA)进行引导学习。
如所述步骤S440所述，依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；
在训练期间，通过最小化损失函数L来更新所述图像处理网络的网络权值：训练好所述图像处理网络后，得到重建图像的最优参数集合，并利用所述最优参数集合相关的函数预测该图像。
如所述步骤S450所述，获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像。
在所述混合域学习网络的应用阶段，分别通过T1加权成像和T2加权成像的方式对所述目标组织进行采样，获得所述全采样第一目标图像和所述欠采样第二目标图像。
如所述步骤S460所述，使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
所述混合域学习网络包含频域处理网络和图像域处理网络，既能在频域处理网络重建频率信号，又能在图像域处理网络重建图像细节，并且依据所述全采样第一目标图像的特征信息对所述欠采样第二目标图像的重建过程进行指导，能够有效减少混叠伪影，从所述欠采样第二目标图像中重建出高保真的图像。
在本申请一实施例中，所述频域处理网络包括第一频域处理层、第一重建引导层和第二频域处理层；所述频域重建结果包括对应于所述全采样第一样本图像的第一频域信号和对应于所述欠采样第二样本图像的第二频域信号；
所述通过所述频域处理网络对所述全采样第一样本和所述欠采样第二样本图像进行处理，获得所述频域重建结果的步骤，包括：
将所述全采样第一样本图像输入所述第一频域处理层，获得所述第一频域信号；
将所述全采样第一样本图像和所述欠采样第二样本图像输入所述第一重建引导层，获得用于指导所述欠采样第二样本图像在所述第二频域处理层上重建的第一注意力模块；
将所述第一注意力模块和所述欠采样第二样本图像输入所述第二频域处理层，获得所述第二频域信号。
具体来说，将与所述全采样第一样本图像对应的频域信号kf,T1送入所述第一频域处理层，获得所述第一频域信号，并依据所述第一频域信号和与所述全采样第一样本图像对应的频域信号kf,T1生成第一频域损失函数
将与所述全采样第一样本图像对应的频域信号kf,T1和与所述全采样第二样本图像对应的频域信号kf,T2输入所述第一重建引导层，获得用于指导所述欠采样第二样本图像在所述第二频域处理层上重建的第一注意力模块T1-GA；
将所述第一注意力模块T1-GA和与所述欠采样第二样本图像对应的频域信号kf,T2输入所述第二频域处理层，获得所述第二频域信号，并依据所述第二频域信号和与所述全采样第二样本图像对应的频域信号kf,T2生成第二频域损失函数
在本申请一实施例中，所述第一重建引导层包括第一模态调制层和第一指导融合层；
所述将所述全采样第一样本图像和所述欠采样第二样本图像输入所述第一重建引导层，获得用于指导所述欠采样第二样本图像在所述第二频域处理层上重建的第一注意力模块的步骤，包括：
将所述全采样第一样本图像输入所述第一模态调制层，获得包含所述全采样第一样本图像的关键特征信息的第一空间注意力模块。具体地，将所述全采样第一样本图像输入所述第一通道调制层，获得包含所述全采样第一样本图像的低维特征信息的第一通道注意力模块；并将所述第一空间注意力模块和所述欠采样第二样本图像输入所述第一指导融合层，获得所述第一注意力模块。
将所述第一通道注意力模块输入所述第一空间调制层，获得所述第一空间注意力模块。
下面将详细描述用于多模态聚合的T1引导注意力模块；
为了保证T1加权特征能够有效地指导T2加权图像重建，必须将这两种不同的模态进行融合。此外，必须减少任何不属于两种模态所必要的冗余和信息。本申请设计了一个T1引导的注意力模块，以提高两种不同模式的兼容性，挖掘融合特征用于T2加权图像重建。该模块的详细架构描述在图6中。
特别地，本申请设计了一个新的T1引导的注意模块Η来丰富T2加权特征。定义fT1∈RH×W×C和fT2∈RH×W×C分别为卷积提取的T1和T2模态特征，注意力模块可以表述为：
其中表示T2模态的增强特征，作为下一个卷积块的输入。
注意力模块Η由两个步骤实现：
(1)T1模态调制：在这一阶段，目标是对具有强大注意力模块的T1加权图像进行调制，以获得更丰富的特征表示。这可以通过两个按顺序组织的注意力模块来实现(参考图6)：
通道注意力模块：
空间注意力模块：
公式8是基于最近的通道-空间注意力模块所设计，它不依赖任何额外的输入，可以忽略其计算成本。这是因为通道注意的目的是降低维度，而空间注意的目的是确定最重要的信息来指导目标模态的恢复。因此，如果将空间注意置于通道注意之前，就会出现信息的丢失。为了避免这种情况，本申请将它们按顺序组织为通道-空间注意力。它使用压缩和激励操作重新加权跨通道的特征响应。更具体地说，压缩算子通过通道级的全局最大池化，聚合所有空间位置的特征来获取全局信息：
z＝Pmax(fT1)∈RC (公式10)
其中Pmax表示全局最大池操作；z为全局统计。在激励操作中，本申请在信道级描述符上使用了一种门机制：
s＝σ(W2δ(W1z))∈[0,1]C (公式11)
其中σ和δ分别是Sigmoid和ReLU操作。和/>是两个全连接层。通过公式11得到了一个关注向量s，它对fT1的通道之间的非互斥关系进行了编码，然后应用s对原始特征fT1的通道重新加权：
其中si∈R是s中的第i个元，表示fT1中的第i个通道的特征映射。‘[·]’是一个信道级联运算符。而通道的注意力集中在强调fT1中“what”是有意义的，本申请进一步使用了一个空间关注模块Hs(公式9)来发现“where”在/>中是重要的。形式上，首先得到一个空间注意图m如下：
其中Qmax表示沿通道轴的全局最大池化操作。然后，一个7×7的卷积层应用于集合的特征，以学习在何处强调或抑制。其次，使用m来丰富频道注意特征
其中表示元素级的乘法。通过顺序排列的通道和空间注意力模块，本申请得到了一个信息更丰富的特征表示/>接下来，用它来增强T2模态的特征。
(2)T1指导融合：由于使用T1加权图像来指导T2加权图像的重建，本申请将调制后的T1加权特征作为补充信息，融合为T2加权特征。T1引导的融合模块通过以下残余形式工作：
其中⊕表示元素求和操作。由于融合了T1调制模块，包含了丰富的互补信息。通过在每一层使用T1引导的注意力模块可以得到深度聚合特征。
在本申请一实施例中，所述图像域处理网络包括第一图像域处理层、第二重建引导层和第二图像域处理层；所述图像域重建结果包括对应于所述第一频域信号的第一图像域信号和所述第二频域信号的第二图像域信号；
所述通过所述图像域处理网络对所述第一频域信号和所述第二频域信号进行处理，获得所述图像域重建结果的步骤，包括：
将所述第一频域信号输入所述第一图像域处理层，获得所述第一图像域信号；
将所述第一频域信号和所述第二频域信号输入所述第二重建引导层，获得用于指导所述第二频域信号在所述第二图像域处理层上重建的第二注意力模块；
将所述第二注意力模块和所述第二频域信号输入所述第二图像域处理层，获得所述第二图像域信号。
具体来说，将经过反傅里叶变换的所述第一频域信号送入所述第一图像域处理层，获得所述第一图像域信号，并依据所述第一图像域信号和所述全采样第一样本图像生成第一图像域损失函数
将经过反傅里叶变换的所述第一频域信号和经过反傅里叶变换的所述第二频域信号送入所述第二重建引导层，获得用于指导所述欠采样第二样本图像在所述第二图像域处理层上重建的第二注意力模块T1-GA；
将所述第二注意力模块T1-GA和经过反傅里叶变换后的所述第二频域信号输入所述第二图像域处理层，获得所述第二图像域信号，并依据所述第二图像域信号和所述全采样第二样本图像生成第二图像域损失函数
在本申请一实施例中，所述第二重建引导层包括第二模态调制层和第二指导融合层；
所述将所述第一频域信号和所述第二频域信号输入所述第二重建引导层，获得用于指导所述第二频域信号在所述第二图像域处理层上重建的第二注意力模块的步骤，包括：
将所述第一频域信号输入所述第二模态调制层，获得包含所述第一频域信号的关键特征信息的第二空间注意力模块。具体地，将所述第一频域信号输入所述第二通道调制层，获得包含所述第一频域信号的低维特征信息的第二通道注意力模块。将所述第二通道注意力模块输入所述第二空间调制层，获得所述第二空间注意力模块。所述第二空间注意力模块的构建方法可以参照上述实施例中对所述第一空间注意力模块的构建方法的说明，此处不再赘述。
将所述第二空间注意力模块和所述第二频域信号输入所述第二指导融合层，获得所述第二注意力模块。所述第二注意力模块的构建方法可以参照上述实施例中对所述第一注意力模块的构建方法的说明，此处不再赘述。
本申请提出了一种新的端到端多模态聚合网络，目的是有效地在不同的磁共振序列中学习全面和互补的特征表示。为了探索每个模态内的特定属性，以指导T2加权图像的重建，本申请设计了一个T1引导的注意力模块，在每个卷积阶段聚合T1和T2加权特征，产生多模态、多尺度表示。此外，本申请提出的混合域学习网络可以同时在频域和图像域恢复图像细节。在多模态磁共振图像数据集上进行的大量实验表明，在不同欠采样模式和加速速率下，所述混合域学习网络与最先进的方法相比都达到了领先水平。
对于装置实施例而言，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，示出了本申请一实施例提供的一种基于多模态聚合的磁共振图像重建装置，具体包括：
样本获取模块710，用于获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；
第一处理模块720，用于通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；
第二处理模块730，用于通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；
网络训练模块740，用于依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；
目标获取模块750，用于获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；
网络应用模块760，用于通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
参照图8，示出了本申请的一种基于多模态聚合的磁共振图像重建方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图8所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种基于多模态聚合的磁共振图像重建方法。
也即，上述处理单元16执行上述程序时实现：获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
在本申请一实施例中，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本申请所有实施例提供的一种基于多模态聚合的磁共振图像重建方法。
也即，给程序被处理器执行时实现：获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。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。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于多模态聚合的磁共振图像重建方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于多模态聚合的磁共振图像重建方法，其特征在于，所述方法应用于从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像，所述方法包括：
获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；
通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；
通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；
依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；
获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；
通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
2.根据权利要求1所述的磁共振图像重建方法，其特征在于，所述频域处理网络包括第一频域处理层、第一重建引导层和第二频域处理层；所述频域重建结果包括对应于所述全采样第一样本图像的第一频域信号和对应于所述欠采样第二样本图像的第二频域信号；
所述通过所述频域处理网络对所述全采样第一样本和所述欠采样第二样本图像进行处理，获得所述频域重建结果的步骤，包括：
将所述全采样第一样本图像输入所述第一频域处理层，获得所述第一频域信号；
将所述全采样第一样本图像和所述欠采样第二样本图像输入所述第一重建引导层，获得用于指导所述欠采样第二样本图像在所述第二频域处理层上重建的第一注意力模块；
将所述第一注意力模块和所述欠采样第二样本图像输入所述第二频域处理层，获得所述第二频域信号。
3.根据权利要求2所述的磁共振图像重建方法，其特征在于，所述第一重建引导层包括第一模态调制层和第一指导融合层；
所述将所述全采样第一样本图像和所述欠采样第二样本图像输入所述第一重建引导层，获得用于指导所述欠采样第二样本图像在所述第二频域处理层上重建的第一注意力模块的步骤，包括：
将所述全采样第一样本图像输入所述第一模态调制层，获得包含所述全采样第一样本图像的关键特征信息的第一空间注意力模块；
将所述第一空间注意力模块和所述欠采样第二样本图像输入所述第一指导融合层，获得所述第一注意力模块。
4.根据权利要求3所述的磁共振图像重建方法，其特征在于，所述第一模态调制层包括第一通道调制层和第一空间调制层；
所述将所述全采样第一样本图像输入所述第一模态调制层，获得包含所述全采样第一样本图像的关键特征信息的第一空间注意力模块的步骤，包括：
将所述全采样第一样本图像输入所述第一通道调制层，获得包含所述全采样第一样本图像的低维特征信息的第一通道注意力模块；
将所述第一通道注意力模块输入所述第一空间调制层，获得所述第一空间注意力模块。
5.根据权利要求4所述的磁共振图像重建方法，其特征在于，所述图像域处理网络包括第一图像域处理层、第二重建引导层和第二图像域处理层；所述图像域重建结果包括对应于所述第一频域信号的第一图像域信号和所述第二频域信号的第二图像域信号；
所述通过所述图像域处理网络对所述第一频域信号和所述第二频域信号进行处理，获得所述图像域重建结果的步骤，包括：
将所述第一频域信号输入所述第一图像域处理层，获得所述第一图像域信号；
将所述第一频域信号和所述第二频域信号输入所述第二重建引导层，获得用于指导所述第二频域信号在所述第二图像域处理层上重建的第二注意力模块；
将所述第二注意力模块和所述第二频域信号输入所述第二图像域处理层，获得所述第二图像域信号。
6.根据权利要求5所述的磁共振图像重建方法，其特征在于，所述第二重建引导层包括第二模态调制层和第二指导融合层；
所述将所述第一频域信号和所述第二频域信号输入所述第二重建引导层，获得用于指导所述第二频域信号在所述第二图像域处理层上重建的第二注意力模块的步骤，包括：
将所述第一频域信号输入所述第二模态调制层，获得包含所述第一频域信号的关键特征信息的第二空间注意力模块；
将所述第二空间注意力模块和所述第二频域信号输入所述第二指导融合层，获得所述第二注意力模块。
7.根据权利要求6所述的磁共振图像重建方法，其特征在于，所述第二模态调制层包括第二通道调制层和第二空间调制层；
所述将所述第一频域信号输入所述第二模态调制层，获得包含所述第一频域信号的关键特征信息的第二空间注意力模块的步骤，包括：
将所述第一频域信号输入所述第二通道调制层，获得包含所述第一频域信号的低维特征信息的第二通道注意力模块；
将所述第二通道注意力模块输入所述第二空间调制层，获得所述第二空间注意力模块。
8.一种基于多模态聚合的磁共振图像重建装置，其特征在于，包括：
样本获取模块，用于获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；
第一处理模块，用于通过所述频域处理网络对所述全采样第一样本图像和所述欠采样第二样本图像进行处理，获得频域重建结果，并依据所述频域重建结果和所述全采样第二样本图像，确定对应于所述频域处理网络的频域损失函数；
第二处理模块，用于通过所述图像域处理网络对所述频域重建结果进行处理，获得图像域重建结果，并依据所述图像域重建结果和所述全采样第二样本图像，确定对应于所述图像域处理网络的图像域损失函数；
网络训练模块，用于依据所述频域损失函数和所述图像域损失函数对所述图像处理网络进行训练，生成从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像的混合域学习网络；
目标获取模块，用于获取目标组织经T1加权成像生成的全采样第一目标图像和所述目标组织经T2加权成像生成的欠采样第二目标图像；
网络应用模块，用于通过所述混合域学习网络对所述全采样第一目标图像和所述欠采样第二目标图像进行处理，生成无伪影第二目标图像；其中，所述无伪影第二目标图像为去除混叠伪影后的所述欠采样第二目标图像。
9.一种计算机设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873802.3A CN113592972B (zh) | 2021-07-30 | 2021-07-30 | 一种基于多模态聚合的磁共振图像重建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873802.3A CN113592972B (zh) | 2021-07-30 | 2021-07-30 | 一种基于多模态聚合的磁共振图像重建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592972A CN113592972A (zh) | 2021-11-02 |
| CN113592972B true CN113592972B (zh) | 2023-11-14 |
Family
ID=78252897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110873802.3A Active CN113592972B (zh) | 2021-07-30 | 2021-07-30 | 一种基于多模态聚合的磁共振图像重建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592972B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023102782A1 (zh) * | 2021-12-08 | 2023-06-15 | 深圳先进技术研究院 | 用于磁共振参数定量成像的重建方法、系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110338795A (zh) * | 2019-07-11 | 2019-10-18 | 中国科学院深圳先进技术研究院 | 一种径向黄金角磁共振心脏电影成像方法、装置和设备 |
| CN111047660A (zh) * | 2019-11-20 | 2020-04-21 | 深圳先进技术研究院 | 图像重建方法、装置、设备及存储介质 |
| WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
| CN111598966A (zh) * | 2020-05-18 | 2020-08-28 | 中山大学 | 一种基于生成对抗网络的磁共振成像方法及装置 |
| WO2021077557A1 (zh) * | 2019-10-23 | 2021-04-29 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
| CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
-
2021
- 2021-07-30 CN CN202110873802.3A patent/CN113592972B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
| CN110338795A (zh) * | 2019-07-11 | 2019-10-18 | 中国科学院深圳先进技术研究院 | 一种径向黄金角磁共振心脏电影成像方法、装置和设备 |
| WO2021077557A1 (zh) * | 2019-10-23 | 2021-04-29 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
| CN111047660A (zh) * | 2019-11-20 | 2020-04-21 | 深圳先进技术研究院 | 图像重建方法、装置、设备及存储介质 |
| CN111598966A (zh) * | 2020-05-18 | 2020-08-28 | 中山大学 | 一种基于生成对抗网络的磁共振成像方法及装置 |
| CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592972A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Johnson et al. | Conditional generative adversarial network for 3D rigid‐body motion correction in MRI | |
| Liu et al. | Perception consistency ultrasound image super-resolution via self-supervised CycleGAN | |
| CN109344833B (zh) | 医学图像分割方法、分割系统及计算机可读存储介质 | |
| JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
| Liu et al. | Learning MRI artefact removal with unpaired data | |
| KR102622283B1 (ko) | 맥스웰 병렬 이미징 | |
| CN113496495B (zh) | 可缺失输入的医学图像分割模型建立方法及分割方法 | |
| CN112767504A (zh) | 用于图像重建的系统和方法 | |
| Liu et al. | Exploring multi-scale deep encoder-decoder and patchgan for perceptual ultrasound image super-resolution | |
| CN113592972B (zh) | 一种基于多模态聚合的磁共振图像重建方法及装置 | |
| Zou et al. | Multi-scale deformable transformer for multi-contrast knee MRI super-resolution | |
| Wang et al. | MHAN: Multi-Stage Hybrid Attention Network for MRI reconstruction and super-resolution | |
| Aggarwal et al. | Developing and deploying deep learning models in brain magnetic resonance imaging: A review | |
| CN110717958A (zh) | 一种图像重建方法、装置、设备及介质 | |
| Kushol et al. | SF2Former: Amyotrophic lateral sclerosis identification from multi-center MRI data using spatial and frequency fusion transformer | |
| Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
| Zhu et al. | Make-a-volume: Leveraging latent diffusion models for cross-modality 3d brain mri synthesis | |
| La Rosa et al. | MPRAGE to MP2RAGE UNI translation via generative adversarial network improves the automatic tissue and lesion segmentation in multiple sclerosis patients | |
| Morales et al. | Present and Future Innovations in AI and Cardiac MRI | |
| Yin et al. | Super resolution reconstruction of CT images based on multi-scale attention mechanism | |
| Yan et al. | DC-SiamNet: Deep contrastive Siamese network for self-supervised MRI reconstruction | |
| WO2021129235A1 (zh) | 三维磁共振快速参数成像方法和装置 | |
| Gasimova et al. | Spatial semantic-preserving latent space learning for accelerated dwi diagnostic report generation | |
| Yu et al. | Universal generative modeling in dual domains for dynamic MRI | |
| Chan et al. | Synthesis of diffusion-weighted MRI scalar maps from FLAIR volumes using generative adversarial networks |
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 |