CN114241078A - 一种加速磁共振超分辨率成像方法、装置、设备及介质 - Google Patents
一种加速磁共振超分辨率成像方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114241078A CN114241078A CN202210164397.2A CN202210164397A CN114241078A CN 114241078 A CN114241078 A CN 114241078A CN 202210164397 A CN202210164397 A CN 202210164397A CN 114241078 A CN114241078 A CN 114241078A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- resonance image
- super
- resolution
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000001133 acceleration Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 235000007164 Oryza sativa Nutrition 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 235000009566 rice Nutrition 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000005658 nuclear physics Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种加速磁共振超分辨率成像方法、装置、设备及介质,包括:获取目标患者待检测区域的部分K空间频域数据,得到目标加速磁共振图像;将目标加速磁共振图像输入至利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像。本申请通过基于标准序列磁共振图像合成的仿真加速磁共振图像集对预先创建的生成对抗网络进行训练,能够模拟真实加速磁共振图像,提高加速磁共振图像的成像质量,减小图像噪声,提高图像分辨率。
Description
技术领域
本申请涉及磁共振图像处理技术领域,特别涉及一种加速磁共振超分辨率成像方法、装置、设备及介质。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)是一种利用原子核在强磁场内发生共振产生的信号经图像重建的一种成像技术,是一种核物理现象。磁共振成像原理是利用射频脉冲对置于磁场中含有自旋不为零的原子核进行激励,当射频脉冲停止后,原子核进行弛豫,在进行弛豫过程中用感应线圈进行信号采集,并按一定的数学方法重建形成数学图像。
磁共振成像技术不同于其他成像技术,它提供的信息量通常远远大于医学影像学中的其他成像技术,因此在信号的采集和处理过程中需要消耗较多的时间。在磁共振成像过程中,所采集的信号为频域的K空间数据,然后经傅立叶变换获得病人的结构图像信息。针对上述问题,目前提出了多种仅使用较少K空间数据即可得出磁共振成像的算法,但上述仅使用较少K空间数据得出磁共振成像的算法在提高成像速度的同时,降低了图像质量,同时,生成的图像存在噪声大,分辨率低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种加速磁共振超分辨率成像方法、装置、设备及介质,能够提高加速磁共振图像的成像质量,减小图像噪声,提高图像分辨率。其具体方案如下:
第一方面,本申请公开了一种加速磁共振成像方法,包括:
获取目标患者待检测区域的部分K空间频域数据,以得到目标加速磁共振图像;
将所述目标加速磁共振图像输入至训练后的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像;其中,所述目标神经网络模型为利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的模型。
可选的,所述基于标准序列磁共振图像合成的仿真加速磁共振图像集,包括:
采集未加速的标准序列磁共振图像;
按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理,以得到模糊序列磁共振图像;所述高斯模糊类型包括各向同性高斯分布、各向异性高斯分布和广义高斯分布中的任意一种;
按照预设的插值算法对所述模糊序列磁共振图像进行降采样,得到插值序列磁共振图像;
对所述插值序列磁共振图像进行加噪处理,得到初始加速磁共振图像集,并按照预设的仿真次数对所述初始加速磁共振图像集进行所述高斯模糊处理和所述降采样,得到仿真加速磁共振图像集。
可选的,所述按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理,以得到模糊序列磁共振图像,包括:
在预设的第一范围内生成随机大小模糊核;
按照预设的高斯模糊类型并基于所述随机大小模糊核对所述标准序列磁共振图像进行高斯模糊处理,得到模糊序列磁共振图像。
可选的,所述对所述插值序列磁共振图像进行加噪处理,得到初始加速磁共振图像集,包括:
在预设的第二范围内生成随机大小标准差;
按照所述随机大小标准差将预设噪声添加至所述插值序列磁共振图像中,得到初始加速磁共振图像集;所述预设噪声包括高斯白噪声、莱斯噪声和泊松噪声中的任意一种或几种。
可选的,所述基于残差稠密网络构建的增强型超分辨率生成对抗网络,包括:
采用残差稠密网络的生成器模型,得到目标生成器,并在所述目标生成器中添加通道注意力机制;
采用马尔可夫判别器的判别器模型,得到目标判别器,通过所述目标判别器和所述目标生成器构建增强型超分辨率生成对抗网络。
可选的,所述目标生成器通过Resize-convolution层对所述仿真加速磁共振图像集进行上采样。
可选的,在对所述增强型超分辨率生成对抗网络进行训练的过程中,包括:
将所述增强型超分辨率生成对抗网络的损失函数设置为L1损失、感知损失及对抗损失;其中,所述L1损失为经过所述增强型超分辨率生成对抗网络输出的加速磁共振图像与所述标准序列磁共振图像的绝对值差异;所述感知损失为经过所述增强型超分辨率生成对抗网络输出并经过VGG网络进行特征提取后得到的特征图与所述标准序列磁共振图像经过VGG网络进行特征提取后得到的特征图的绝对值差异;所述对抗损失为Vanila GAN。
第二方面,本申请公开了一种加速磁共振超分辨率成像装置,包括:
数据获取模块,用于获取目标患者待检测区域的部分K空间频域数据,以得到目标加速磁共振图像;
超分辨处理模块,用于将所述目标加速磁共振图像输入至训练后的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像;其中,所述目标神经网络模型为利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的模型。
第三方面,本申请公开了一种电子设备,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序时实现前述的加速磁共振超分辨率成像方法。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述的加速磁共振超分辨率成像方法。
可见,本申请先获取目标患者待检测区域的部分K空间频域数据,得到目标加速磁共振图像,然后将所述目标加速磁共振图像输入至利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像。可见,本申请通过基于标准序列磁共振图像合成的仿真加速磁共振图像集对预先创建的生成对抗网络进行训练,能够模拟真实加速磁共振图像,提高加速磁共振图像的成像质量,减小图像噪声,提高图像分辨率。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种加速磁共振超分辨率成像方法流程图;
图2为本申请公开的一种具体的加速磁共振超分辨率成像方法流程图;
图3为本申请公开的一种加速磁共振超分辨率成像装置结构示意图;
图4为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本申请实施例公开了一种加速磁共振超分辨率成像方法,参见图1所示,该方法包括:
步骤S11:获取目标患者待检测区域的部分K空间频域数据,以得到目标加速磁共振图像。
本实施例中,首先对待检测目标患者的待检测区域的部分K空间频域数据进行采集,然后对采集到的上述部分K空间频域数据进行相应的处理得到加速磁共振图像。
步骤S12:将所述目标加速磁共振图像输入至训练后的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像;其中,所述目标神经网络模型为利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的模型。
本实施例中,获取到目标患者待检测区域的部分K空间频域数据得到目标加速磁共振图像之后,将上述目标加速磁共振图像输入至基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的目标神经网络模型中,然后通过上述目标神经网络模型对上述目标加速磁共振图像进行超分辨处理,输出超分辨加速磁共振图像。
本实施例中,所述基于残差稠密网络构建的增强型超分辨率生成对抗网络,具体可以包括:采用残差稠密网络的生成器模型,得到目标生成器,并在所述目标生成器中添加通道注意力机制;采用马尔可夫判别器的判别器模型,得到目标判别器,通过所述目标判别器和所述目标生成器构建增强型超分辨率生成对抗网络。由上可知,本实施例中的增强型超分辨率生成对抗网络的网络框架由生成器和判别器组成,其中生成器的模型采用残差稠密网络(Residual Dense Network),并对其进行了改进,增加了通道注意力(ChannelAttention)机制,进一步的,为了稳定对抗训练,判别器模型采用了马尔可夫判别器(PatchGAN)。其中,所述目标生成器采用的残差稠密网络包括但不限于以 RDB(ResidualDense Block,残差稠密模块)为主的网络;所述目标生成器包括但不限于所述马尔可夫判别器,也可以采用ESRGAN(Enhanced Super-Resolution Generative AdversarialNetworks,增强型超分辨率生成对抗网络)中的其他网络结构,如VGG(Visual GeometryGroup,视觉几何组)网络结构、U-Net网络结构等。
在一种具体的实施方式中,在对所述增强型超分辨率生成对抗网络进行训练的过程中,具体可以包括:将所述增强型超分辨率生成对抗网络的损失函数设置为L1损失、感知损失及对抗损失;其中,所述L1损失为经过所述增强型超分辨率生成对抗网络输出的加速磁共振图像与所述标准序列磁共振图像的绝对值差异;所述感知损失为经过所述增强型超分辨率生成对抗网络输出并经过VGG网络进行特征提取后得到的特征图与所述标准序列磁共振图像经过VGG网络进行特征提取后得到的特征图的绝对值差异;所述对抗损失为Vanila GAN。本实施例在利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练的过程中,需要对上述增强型超分辨率生成对抗网络中的参数进行相应的配置,具体包括对损失函数L1损失、感知损失及对抗损失的配置;其中,所述L1损失为经过上述增强型超分辨率生成对抗网络输出的加速磁共振图像与上述标准序列磁共振图像的绝对值差异;所述感知损失为经过上述增强型超分辨率生成对抗网络输出并经过VGG网络进行特征提取后得到的特征图与上述标准序列磁共振图像经过VGG网络进行特征提取后得到的特征图之间的绝对值差异;所述对抗损失为标准生成对抗网络的对抗损失(Vanila GAN)。需要指出的是,所述对抗损失可根据具体的应用更改为其他进阶类型,如WGAN(即Wasserstein 生成对抗网络)、RGAN(即相对生成对抗网络)、LSGAN(Least Squares GAN,最小二乘生成对抗网络)。本实施例中,所述增强型超分辨率生成对抗网络可以在Pytorch框架下搭建,并使用Adam优化器进行优化,学习率设置的范围在0.001~0.00001,采用学习率衰减,周期设置的范围在100~1000。
可见,本申请实施例先获取目标患者待检测区域的部分K空间频域数据,得到目标加速磁共振图像,然后将所述目标加速磁共振图像输入至基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像。可见,本申请实施例基于标准序列磁共振图像合成的仿真加速磁共振图像集对预先创建的生成对抗网络进行训练,能够模拟真实加速磁共振图像,提高加速磁共振图像的成像质量,减小图像噪声,提高图像分辨率。
本申请实施例公开了一种具体的基于标准序列磁共振图像合成仿真加速磁共振图像集的方法,参见图2所示,该方法包括:
步骤S21:采集未加速的标准序列磁共振图像。
本实施例中,首先在大范围内采集目标对象待检测区域(指不同组织和同一组织的不同化学结构的区域)未加速的标准序列的磁共振图像,得到标准序列磁共振图像。
步骤S22:按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理,以得到模糊序列磁共振图像;所述高斯模糊类型包括各向同性高斯分布、各向异性高斯分布和广义高斯分布中的任意一种。
本实施例中,采集到未加速的标准序列磁共振图像之后,进一步的,按照预设的高斯模糊类型对上述标准序列磁共振图像进行高斯模糊处理,得到模糊序列磁共振图像;其中,所述高斯模糊类型包括但不限于各向同性高斯分布(Isotropic GaussianDistribution)、各向异性高斯分布(Anisotropic Gaussian Distribution)和广义高斯分布(Generalized Gaussian Distribution)中的任意一种。
本实施例中,所述按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理,以得到模糊序列磁共振图像,具体可以包括:在预设的第一范围内生成随机大小模糊核;按照预设的高斯模糊类型并基于所述随机大小模糊核对所述标准序列磁共振图像进行高斯模糊处理,得到模糊序列磁共振图像。可以理解的是,为了模拟真实的加速磁共振图像,可以在预设的范围内随机选取模糊核大小,然后按照预设的所述高斯模糊类型并基于上述随机选取模糊核大小对上述标准序列磁共振图像进行高斯模糊处理,得到模糊序列磁共振图像。
步骤S23:按照预设的插值算法对所述模糊序列磁共振图像进行降采样,得到插值序列磁共振图像。
本实施例中,按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理得到模糊序列磁共振图像之后,进一步固定所述模糊序列磁共振图像的尺度并按照预设的插值算法进行插值降采样,得到插值序列磁共振图像。其中,所述插值算法包括但不限于双线性插值(Bilinear Interpolation)、双三次插值(Bicubic Interpolation)等,优选的,采用最近邻内插法(nearest neighbor)进行降采样。
步骤S24:对所述插值序列磁共振图像进行加噪处理,得到初始加速磁共振图像集,并按照预设的仿真次数对所述初始加速磁共振图像集进行所述高斯模糊处理和所述降采样,得到仿真加速磁共振图像集。
本实施例中,按照预设的插值算法对所述模糊序列磁共振图像进行降采样,得到插值序列磁共振图像之后,为了模拟真实的加速磁共振图像,可以在上述插值序列磁共振图像中随机添加噪声得到初始加速磁共振图像集,进一步的,为了使生成的加速磁共振图像更加接近于真实的加速磁共振图像,可以按照预设的仿真次数对上述初始加速磁共振图像集进行多次上述高斯模糊处理和上述降采样处理,得到更加真实的仿真加速磁共振图像集。
本实施例中,所述对所述插值序列磁共振图像进行加噪处理,得到初始加速磁共振图像集,具体可以包括:在预设的第二范围内生成随机大小标准差;按照所述随机大小标准差将预设噪声添加至所述插值序列磁共振图像中,得到初始加速磁共振图像集;所述预设噪声包括高斯白噪声、莱斯噪声和泊松噪声中的任意一种或几种。本实施例中,先在预设的范围内随机选取标准差,然后按照上述随机选取的标准差将预设的噪声添加到上述插值序列磁共振图像中,得到初始加速磁共振图像集。可以理解的是,由于真实的加速磁共振图像中包含多种噪声,因此可以模拟真实磁共振图像受到的噪声将多种预设噪声添加至所述插值序列磁共振图像中,所述预设噪声包括但不限于高斯白噪声、莱斯噪声和泊松噪声中的任意一种或几种。
本实施例中,在获取到上述仿真加速磁共振图像集之后,便可以将其作为训练集数据输入至所述增强型超分辨率生成对抗网络中进行训练。需要指出的是,为了防止像素重组(PixelShuffle)层或反卷积(Transpose Convolution)带来的棋盘伪影,所述增强型超分辨率生成对抗网络中的目标生成器可以采用Resize-convolution(缩放卷积)层对上述仿真加速磁共振图像集进行上采样。
其中,关于上述步骤更加具体的处理过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例通过对采集到的未加速的标准序列磁共振图像进行高斯模糊处理,得到模糊序列磁共振图像,然后按照预设的插值算法对所述模糊序列磁共振图像进行降采样,得到插值序列磁共振图像,再对所述插值序列磁共振图像进行加噪处理得到仿真加速磁共振图像集。本实施例采用复杂的退化模型制造仿真加速磁共振图像,能够提升目标神经网络模型在场景应用中的有效性和鲁棒性。
相应的,本申请实施例还公开了一种加速磁共振超分辨率成像装置,参见图3所示,该装置包括:
数据获取模块11,用于获取目标患者待检测区域的部分K空间频域数据,以得到目标加速磁共振图像;
超分辨处理模块12,用于将所述目标加速磁共振图像输入至训练后的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像;其中,所述目标神经网络模型为利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的模型。
其中,关于上述各个模块的具体工作流程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例中,先获取目标患者待检测区域的部分K空间频域数据,得到目标加速磁共振图像,然后将所述目标加速磁共振图像输入至利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像。可见,本申请实施例通过基于标准序列磁共振图像合成的仿真加速磁共振图像集对预先创建的生成对抗网络进行训练,能够模拟真实加速磁共振图像,提高加速磁共振图像的成像质量,减小图像噪声,提高图像分辨率。
在一些具体实施例中,所述基于标准序列磁共振图像合成的仿真加速磁共振图像集,具体可以包括:
图像采集单元,用于采集未加速的标准序列磁共振图像;
第一模糊处理单元,用于按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理,以得到模糊序列磁共振图像;所述高斯模糊类型包括各向同性高斯分布、各向异性高斯分布和广义高斯分布中的任意一种;
降采样单元,用于按照预设的插值算法对所述模糊序列磁共振图像进行降采样,得到插值序列磁共振图像;
第一加噪单元,用于对所述插值序列磁共振图像进行加噪处理,得到初始加速磁共振图像集,并按照预设的仿真次数对所述初始加速磁共振图像集进行所述高斯模糊处理和所述降采样,得到仿真加速磁共振图像集。
在一些具体实施例中,所述模糊处理单元,具体可以包括:
模糊核生成单元,用于在预设的第一范围内生成随机大小模糊核;
第二模糊处理单元,用于按照预设的高斯模糊类型并基于所述随机大小模糊核对所述标准序列磁共振图像进行高斯模糊处理,得到模糊序列磁共振图像。
在一些具体实施例中,所述第一加噪单元,具体可以包括:
标准差生成单元,用于在预设的第二范围内生成随机大小标准差;
第二加噪单元,用于按照所述随机大小标准差将预设噪声添加至所述插值序列磁共振图像中,得到初始加速磁共振图像集;所述预设噪声包括高斯白噪声、莱斯噪声和泊松噪声中的任意一种或几种。
在一些具体实施例中,所述基于残差稠密网络构建的增强型超分辨率生成对抗网络,具体可以包括:
第一创建单元,用于采用残差稠密网络的生成器模型,得到目标生成器,并在所述目标生成器中添加通道注意力机制;
第二创建单元,用于采用马尔可夫判别器的判别器模型,得到目标判别器,通过所述目标判别器和所述目标生成器构建增强型超分辨率生成对抗网络。
在一些具体实施例中,所述目标生成器通过Resize-convolution层对所述仿真加速磁共振图像集进行上采样。
在一些具体实施例中,在对所述增强型超分辨率生成对抗网络进行训练的过程中,具体可以包括:
设置单元,用于将所述增强型超分辨率生成对抗网络的损失函数设置为L1损失、感知损失及对抗损失;其中,所述L1损失为经过所述增强型超分辨率生成对抗网络输出的加速磁共振图像与所述标准序列磁共振图像的绝对值差异;所述感知损失为经过所述增强型超分辨率生成对抗网络输出并经过VGG网络进行特征提取后得到的特征图与所述标准序列磁共振图像经过VGG网络进行特征提取后得到的特征图的绝对值差异;所述对抗损失为Vanila GAN。
进一步的,本申请实施例还公开了一种电子设备,图4是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图4为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的加速磁共振超分辨率成像方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的加速磁共振超分辨率成像方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的加速磁共振超分辨率成像方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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加速磁共振超分辨率成像方法、装置、设备及介质进行了详细介绍,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)
1.一种加速磁共振超分辨率成像方法,其特征在于,包括:
获取目标患者待检测区域的部分K空间频域数据,以得到目标加速磁共振图像;
将所述目标加速磁共振图像输入至训练后的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像;其中,所述目标神经网络模型为利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的模型。
2.根据权利要求1所述的加速磁共振超分辨率成像方法,其特征在于,所述基于标准序列磁共振图像合成的仿真加速磁共振图像集,包括:
采集未加速的标准序列磁共振图像;
按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理,以得到模糊序列磁共振图像;所述高斯模糊类型包括各向同性高斯分布、各向异性高斯分布和广义高斯分布中的任意一种;
按照预设的插值算法对所述模糊序列磁共振图像进行降采样,得到插值序列磁共振图像;
对所述插值序列磁共振图像进行加噪处理,得到初始加速磁共振图像集,并按照预设的仿真次数对所述初始加速磁共振图像集进行所述高斯模糊处理和所述降采样,得到仿真加速磁共振图像集。
3.根据权利要求2所述的加速磁共振超分辨率成像方法,其特征在于,所述按照预设的高斯模糊类型对所述标准序列磁共振图像进行高斯模糊处理,以得到模糊序列磁共振图像,包括:
在预设的第一范围内生成随机大小模糊核;
按照预设的高斯模糊类型并基于所述随机大小模糊核对所述标准序列磁共振图像进行高斯模糊处理,得到模糊序列磁共振图像。
4.根据权利要求2所述的加速磁共振超分辨率成像方法,其特征在于,所述对所述插值序列磁共振图像进行加噪处理,得到初始加速磁共振图像集,包括:
在预设的第二范围内生成随机大小标准差;
按照所述随机大小标准差将预设噪声添加至所述插值序列磁共振图像中,得到初始加速磁共振图像集;所述预设噪声包括高斯白噪声、莱斯噪声和泊松噪声中的任意一种或几种。
5.根据权利要求1所述的加速磁共振超分辨率成像方法,其特征在于,所述基于残差稠密网络构建的增强型超分辨率生成对抗网络,包括:
采用残差稠密网络的生成器模型,得到目标生成器,并在所述目标生成器中添加通道注意力机制;
采用马尔可夫判别器的判别器模型,得到目标判别器,通过所述目标判别器和所述目标生成器构建增强型超分辨率生成对抗网络。
6.根据权利要求5所述的加速磁共振超分辨率成像方法,其特征在于,所述目标生成器通过Resize-convolution层对所述仿真加速磁共振图像集进行上采样。
7.根据权利要求1至6任一项所述的加速磁共振超分辨率成像方法,其特征在于,在对所述增强型超分辨率生成对抗网络进行训练的过程中,包括:
将所述增强型超分辨率生成对抗网络的损失函数设置为L1损失、感知损失及对抗损失;其中,所述L1损失为经过所述增强型超分辨率生成对抗网络输出的加速磁共振图像与所述标准序列磁共振图像的绝对值差异;所述感知损失为经过所述增强型超分辨率生成对抗网络输出并经过VGG网络进行特征提取后得到的特征图与所述标准序列磁共振图像经过VGG网络进行特征提取后得到的特征图的绝对值差异;所述对抗损失为Vanila GAN。
8.一种加速磁共振超分辨率成像装置,其特征在于,包括:
数据获取模块,用于获取目标患者待检测区域的部分K空间频域数据,以得到目标加速磁共振图像;
超分辨处理模块,用于将所述目标加速磁共振图像输入至训练后的目标神经网络模型中,以便通过所述目标神经网络模型对所述目标加速磁共振图像进行超分辨处理,得到超分辨加速磁共振图像;其中,所述目标神经网络模型为利用基于标准序列磁共振图像合成的仿真加速磁共振图像集对基于残差稠密网络构建的增强型超分辨率生成对抗网络进行训练后得到的模型。
9.一种电子设备,其特征在于,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的加速磁共振超分辨率成像方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的加速磁共振超分辨率成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164397.2A CN114241078A (zh) | 2022-02-23 | 2022-02-23 | 一种加速磁共振超分辨率成像方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164397.2A CN114241078A (zh) | 2022-02-23 | 2022-02-23 | 一种加速磁共振超分辨率成像方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241078A true CN114241078A (zh) | 2022-03-25 |
Family
ID=80747743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164397.2A Pending CN114241078A (zh) | 2022-02-23 | 2022-02-23 | 一种加速磁共振超分辨率成像方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241078A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419183A (zh) * | 2022-03-31 | 2022-04-29 | 南昌睿度医疗科技有限公司 | 一种mra加速图像的优化方法、系统、设备及存储介质 |
CN114418900A (zh) * | 2022-03-30 | 2022-04-29 | 南昌睿度医疗科技有限公司 | 一种磁共振图像降噪方法、装置、设备及存储介质 |
CN116721316A (zh) * | 2023-08-11 | 2023-09-08 | 之江实验室 | 一种模型训练和地磁图优化方法、装置、介质及设备 |
CN116797457A (zh) * | 2023-05-20 | 2023-09-22 | 北京大学 | 一种同时实现磁共振影像超分辨和伪影去除的方法和系统 |
CN117649344A (zh) * | 2024-01-29 | 2024-03-05 | 之江实验室 | 磁共振脑影像超分辨率重建方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
CN110610464A (zh) * | 2019-08-15 | 2019-12-24 | 天津中科智能识别产业技术研究院有限公司 | 一种基于稠密残差神经网络的人脸图像超分辨率方法 |
CN111105352A (zh) * | 2019-12-16 | 2020-05-05 | 佛山科学技术学院 | 超分辨率图像重构方法、系统、计算机设备及存储介质 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
CN113469884A (zh) * | 2021-07-15 | 2021-10-01 | 长视科技股份有限公司 | 基于数据仿真的视频超分辨方法、系统、设备及存储介质 |
CN113538616A (zh) * | 2021-07-09 | 2021-10-22 | 浙江理工大学 | 一种联合PUGAN与改进U-net的磁共振图像重构方法 |
-
2022
- 2022-02-23 CN CN202210164397.2A patent/CN114241078A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
CN110610464A (zh) * | 2019-08-15 | 2019-12-24 | 天津中科智能识别产业技术研究院有限公司 | 一种基于稠密残差神经网络的人脸图像超分辨率方法 |
CN111105352A (zh) * | 2019-12-16 | 2020-05-05 | 佛山科学技术学院 | 超分辨率图像重构方法、系统、计算机设备及存储介质 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
CN113538616A (zh) * | 2021-07-09 | 2021-10-22 | 浙江理工大学 | 一种联合PUGAN与改进U-net的磁共振图像重构方法 |
CN113469884A (zh) * | 2021-07-15 | 2021-10-01 | 长视科技股份有限公司 | 基于数据仿真的视频超分辨方法、系统、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
WENZHE SHI ET AL: "Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network", 《IEEE》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418900A (zh) * | 2022-03-30 | 2022-04-29 | 南昌睿度医疗科技有限公司 | 一种磁共振图像降噪方法、装置、设备及存储介质 |
CN114418900B (zh) * | 2022-03-30 | 2022-07-01 | 南昌睿度医疗科技有限公司 | 一种磁共振图像降噪方法、装置、设备及存储介质 |
CN114419183A (zh) * | 2022-03-31 | 2022-04-29 | 南昌睿度医疗科技有限公司 | 一种mra加速图像的优化方法、系统、设备及存储介质 |
CN114419183B (zh) * | 2022-03-31 | 2022-07-01 | 南昌睿度医疗科技有限公司 | 一种mra加速图像的优化方法、系统、设备及存储介质 |
WO2023185605A1 (zh) * | 2022-03-31 | 2023-10-05 | 上海影动医疗科技有限公司 | 一种mra加速图像的优化方法、系统、设备及存储介质 |
CN116797457A (zh) * | 2023-05-20 | 2023-09-22 | 北京大学 | 一种同时实现磁共振影像超分辨和伪影去除的方法和系统 |
CN116797457B (zh) * | 2023-05-20 | 2024-05-14 | 北京大学 | 一种同时实现磁共振影像超分辨和伪影去除的方法和系统 |
CN116721316A (zh) * | 2023-08-11 | 2023-09-08 | 之江实验室 | 一种模型训练和地磁图优化方法、装置、介质及设备 |
CN117649344A (zh) * | 2024-01-29 | 2024-03-05 | 之江实验室 | 磁共振脑影像超分辨率重建方法、装置、设备和存储介质 |
CN117649344B (zh) * | 2024-01-29 | 2024-05-14 | 之江实验室 | 磁共振脑影像超分辨率重建方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114241078A (zh) | 一种加速磁共振超分辨率成像方法、装置、设备及介质 | |
Pierre et al. | Multiscale reconstruction for MR fingerprinting | |
US20200126190A1 (en) | Systems and methods for denoising medical images with deep learning network | |
JP2007503903A (ja) | 局所適応的な非線形ノイズ削減 | |
EP2904971A1 (en) | Magnetic resonance imaging device and image processing device | |
KR101351583B1 (ko) | 의료 영상 이미징 방법, 그에 따른 의료 진단 장치 및 그에 따른 기록 매체 | |
CN107205686B (zh) | 去除在磁共振成像的重影伪影的方法及为此的磁共振装置 | |
CN113920213B (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
JP7466141B2 (ja) | 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置 | |
US10359492B2 (en) | Magnetic resonance imaging apparatus with eddy current correction using magnetic resonance signals in which influence of metabolite is suppressed | |
CN114419176A (zh) | 一种螺旋桨磁共振成像的重建系统和方法 | |
EP3660789B1 (en) | Model-based image reconstruction using analytic models learned by artificial-neural-networks | |
JP2020103890A (ja) | 医用情報処理装置、医用情報処理方法、およびプログラム | |
CN114418900B (zh) | 一种磁共振图像降噪方法、装置、设备及存储介质 | |
EP4177625A1 (en) | Magnetic resonance imaging apparatus, image processing apparatus, and image processing method | |
CN113558600A (zh) | 磁共振成像装置以及图像处理方法 | |
JP2015104668A (ja) | 画像アーチファクト除去方法及び画像アーチファクト除去装置 | |
Kamesh Iyer et al. | Split Bregman multicoil accelerated reconstruction technique: A new framework for rapid reconstruction of cardiac perfusion MRI | |
US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
Lu et al. | A dictionary learning method with total generalized variation for MRI reconstruction | |
Zeng et al. | Non‐iterative reconstruction with a prior for undersampled radial MRI data | |
JP7369572B2 (ja) | Mri装置、画像処理装置および画像処理方法 | |
Curtis et al. | Random volumetric MRI trajectories via genetic algorithms | |
CN113030816B (zh) | 提高磁共振弹性成像模量计算分辨率的方法、系统及介质 | |
CN103236049A (zh) | 基于序列相似性插值的部分k空间图像重构方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |
|
RJ01 | Rejection of invention patent application after publication |