CN114418900B - 一种磁共振图像降噪方法、装置、设备及存储介质 - Google Patents
一种磁共振图像降噪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114418900B CN114418900B CN202210321223.2A CN202210321223A CN114418900B CN 114418900 B CN114418900 B CN 114418900B CN 202210321223 A CN202210321223 A CN 202210321223A CN 114418900 B CN114418900 B CN 114418900B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- resonance image
- image
- noises
- noise
- 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 67
- 230000009467 reduction Effects 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 230000001133 acceleration Effects 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims description 42
- 235000007164 Oryza sativa Nutrition 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 235000009566 rice Nutrition 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 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
- 238000002595 magnetic resonance imaging Methods 0.000 abstract description 8
- 241000209094 Oryza Species 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 244000290333 Vanilla fragrans Species 0.000 description 1
- 235000009499 Vanilla fragrans Nutrition 0.000 description 1
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
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
本申请公开了一种磁共振图像降噪方法、装置、设备及存储介质，包括：获取目标对象待检测区域的部分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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型进行训练后得到的目标神经网络模型中，并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降噪处理，得到降噪后的加速磁共振图像。本申请通过标准序列磁共振图像能够合成包含多种噪声的仿真加速磁共振图像集，进而得到能够对多种噪声进行降噪处理的神经网络模型，通过上述神经网络模型能够有效地对磁共振图像进行降噪，提高磁共振成像的质量。
Description
技术领域
本申请涉及磁共振图像处理技术领域，特别涉及一种磁共振图像降噪方法、装置、设备及存储介质。
背景技术
磁共振成像（Magnetic Resonance Imaging，MRI）是一种较新的医学成像技术，通常采集的是K空间频域信息，然后经过傅里叶变换后得到对应的病人的体内结构图像信息。通常情况下，标准磁共振成像（标准序列）的信息采集需要较长时间，而降低采集时间（快速序列）所得到的序列中K空间信息较少，重建出的图像存在噪声较多，图像质量较差的问题。
目前主流的磁共振图像降噪方法包括：1、基于滤波的方法；2、基于深度学习的方法。其中，基于滤波的方法包括高斯滤波、中值滤波、小波变换阈值滤波等方法，其假定图像噪声符合一定的分布规律，并根据相应的算法更新图像中的像素值。这类方法的效果依赖于所假设模型与待降噪图像的匹配性，适用范围有一定的局限；基于深度学习的方法使用仿真数据集训练降噪模型，并用仿真数据集量化评估。然而临床数据往往不同于仿真数据，噪声类型和图像结构均较为复杂，因此好的量化指标并不代表好的临床应用价值。例如，即使降噪后的图像信噪比较高、量化指标好，但它可能存在较多的伪影，使医生分不清人体内结构。
综上所述，如何有效地对磁共振图像进行降噪是目前还有待进一步解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种磁共振图像降噪方法、装置、设备及存储介质，能够有效地对磁共振图像进行降噪，提高磁共振成像的质量。其具体方案如下：
第一方面，本申请公开了一种磁共振图像降噪方法，包括：
获取目标对象待检测区域的部分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降噪处理，得到降噪后的加速磁共振图像；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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型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包含多种噪声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，并对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像；
将所述预处理后的标准序列磁共振图像中图像强度小于第一阈值的像素值设置为0；
根据预设的第一均值和第一标准差的高斯分布生成一个随机数，并将所述随机数作为噪声缩放因子；
利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声；
随机生成一个与所述标准序列磁共振图像的信噪比成正比的数值，并将所述多种噪声乘以所述数值，得到修正后的多种噪声；
在预设的第一范围内随机生成与所述修正后的多种噪声数量相同的多个权重值，并将所述多个权重值与所述修正后的多种噪声按照一对一的关系进行匹配，再分别利用匹配后的权重值对相应的噪声进行加权处理，得到多个加权后的噪声；
将所述多个加权后的噪声和所述标准序列磁共振图像进行叠加，得到第一仿真加速磁共振序列；
基于新噪声缩放因子和新尺寸修正因子并按照预设的仿真次数生成多种新噪声，并分别对所述多种新噪声进行加权处理，得到相应的多个新加权后的噪声，再将所述多个新加权后的噪声和所述标准序列磁共振图像进行叠加，得到多个新仿真加速磁共振序列；
将所述第一仿真加速磁共振序列和所述多个新仿真加速磁共振序列进行叠加，得到目标仿真加速磁共振序列，并将所述目标仿真加速磁共振序列中图像强度小于第二阈值的像素值设置为0，得到仿真加速磁共振图像集。
可选的，所述对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像，包括：
对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像；
按照预设的区间范围对所述归一化磁共振图像进行缩放，得到预处理后的标准序列磁共振图像。
可选的，所述对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像，包括：
获取所述标准序列磁共振图像中所有像素的强度，得到磁共振图像强度值；
从所述磁共振图像强度值中确定出最大值，并将所述标准序列磁共振图像中每个像素的强度除以所述最大值，得到归一化磁共振图像。
可选的，所述对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像，包括：
分别获取所述标准序列磁共振图像中单张图像的像素强度，并从所述单张图像的像素强度中确定出最大值，得到单张图像强度最大值；
分别将所述标准序列磁共振图像中每个单张图像的像素强度除以对应的所述单张图像强度最大值，得到归一化磁共振图像。
可选的，所述利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声，包括：
根据预设的第二均值和第二标准差的高斯分布生成一个随机数，并将所述随机数作为第三标准差；
根据预设的第三均值和所述第三标准差生成高斯噪声图像，然后根据所述噪声缩放因子和所述预设的尺寸修正因子并基于最近邻插值法将所述高斯噪声图像扩大至与所述标准序列磁共振图像相同的尺寸；
根据预设的第四均值和第四标准差并基于所述噪声缩放因子和所述预设的尺寸修正因子并基于所述最近邻插值法生成与所述标准序列磁共振图像相同尺寸的莱斯噪声图像；
按照所述噪声缩放因子和所述预设的尺寸修正因子对所述标准序列磁共振图像进行缩小，并利用缩小后的标准序列磁共振图像生成泊松噪声图像，再根据所述噪声缩放因子和所述预设的尺寸修正因子对所述泊松噪声图像进行放大。
可选的，所述目标神经网络模型的获取过程，包括：
利用所述仿真加速磁共振图像集和所述标准序列磁共振图像对基于生成对抗网络构建的初始降噪模型进行训练，并基于随机梯度下降算法或Adam优化器迭代更新所述初始降噪模型的权重，得到目标神经网络模型。
第二方面，本申请公开了一种磁共振图像降噪装置，包括：
数据获取模块，用于获取目标对象待检测区域的部分K空间频域数据，以得到目标加速磁共振图像；
图像降噪模块，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降噪处理，得到降噪后的加速磁共振图像；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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型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磁共振图像降噪方法。
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磁共振图像降噪方法。
可见，本申请先获取目标对象待检测区域的部分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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型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降噪处理，得到降噪后的加速磁共振图像。本申请通过标准序列磁共振图像能够合成包含多种噪声的仿真加速磁共振图像集，进而得到能够对多种噪声进行降噪处理的神经网络模型，通过上述神经网络模型能够有效地对磁共振图像进行降噪，提高磁共振成像的质量。
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磁共振图像降噪方法流程图；
图2为本申请公开的一种具体的仿真加速磁共振图像集获取方法流程图；
图3为本申请公开的一种磁共振图像降噪装置结构示意图；
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磁共振图像降噪方法，参见图1所示，该方法包括：
步骤S11：获取目标对象待检测区域的部分K空间频域数据，以得到目标加速磁共振图像。
本实施例中，首先获取待检测目标对象的待检测区域的K空间频域数据，然后对上述K空间频域数据进行降采集得到用于进行磁共振成像的部分K空间频域数据，再对上述部分K空间频域数据进行相应的处理，得到所述目标对象的加速磁共振图像。
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降噪处理，得到降噪后的加速磁共振图像；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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型进行训练后得到的模型。
本实施例中，获取目标对象待检测区域的部分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利用基于标准序列磁共振图像合成的包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型进行训练后得到的目标神经网络模型中，然后通过所述目标神经网络模型对所述目标加速磁共振图像中包含的多种噪声进行降噪处理，得到降噪后的加速磁共振图像。其中，用于对所述目标神经网络模型进行训练的训练集的获取过程是基于采样得到包含较少噪声的标准序列磁共振图像，然后在所述标准序列磁共振图像中添加多种不同类型的噪声后得到的仿真加速磁共振图像集。
本实施例中，所述目标神经网络模型采用生成对抗网络，所述生成对抗网络的网络框架具体包括生成器和判别器。所述生成器的模型可以为所有类型的图像恢复网络中的一种，如增强型超分辨生成对抗网络（Enhanced Super-Resolution GenerativeAdversarial Networks，ESRGAN）、VGG（Visual Geometry Group，视觉几何组）网络结构、U-Net网络结构等。所述判别器的模型包括但不限于马尔可夫判别器（Patch GAN）等。进一步的，在构建完所述目标神经网络模型的网络架构之后，还需要对上述目标神经网络模型的损失函数进行相应的设置，所述损失函数可由一种或多种构成。在一种具体的实施方式中，所述目标神经网络模型的损失函数由像素特征损失、感知特征损失和对抗生成损失组成，其中，所述像素特征损失的设置应使在训练过程中通过所述目标神经网络模型输出的图像与对应的初始采样得到的标准序列磁共振图像所有像素点之间的差异尽可能小，如采用L1loss；所述感知特征损失的设置应使经过所述目标神经网络模型进行特征提取后得到的特征与对应的所述标准序列磁共振图像在所有像素点上的差异尽可能小，包括但不限于VGGloss、PSNR loss（Peak Signal to Noise Ratio loss，峰值信噪比损失）等；所述对抗生成损失由可训练的判别器网络和GAN损失构成，既可以为标准生成对抗网络的对抗损失（Vanilla GAN），也可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，所述目标神经网络模型的获取过程，具体可以包括：利用所述仿真加速磁共振图像集和所述标准序列磁共振图像对基于生成对抗网络构建的初始降噪模型进行训练，并基于随机梯度下降算法或Adam优化器迭代更新所述初始降噪模型的权重，得到目标神经网络模型。具体的，在构建完上述生成对抗网络之后，可以利用包含多种噪声的所述仿真加速磁共振图像集和所述标准序列磁共振图像对基于上述生成对抗网络构建的初始降噪模型进行训练，并在训练的过程中对模型的参数进行优化。在一种具体的实施方式中，使用Adam优化器迭代更新模型的权重，并将学习率设置为0.00001，采用学习率衰减，迭代周期为200。
可见，本申请实施例先获取目标对象待检测区域的部分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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型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降噪处理，得到降噪后的加速磁共振图像。本申请实施例通过标准序列磁共振图像能够合成包含多种噪声的仿真加速磁共振图像集，进而得到能够对多种噪声进行降噪处理的神经网络模型，通过上述神经网络模型能够有效地对磁共振图像进行降噪，提高磁共振成像的质量。
本申请实施例公开了一种具体的仿真加速磁共振图像集获取方法，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，并对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像。
本实施例中，首先在大范围内采集未加速的包含较少噪声的标准序列磁共振图像，其中，所述大范围可以为不同组织和同一组织的不同化学结构的区域，然后对所述标准序列磁共振图像进行相应的预处理，得到预处理后的标准序列磁共振图像。
本实施例中，所述对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像，具体可以包括：对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像；按照预设的区间范围对所述归一化磁共振图像进行缩放，得到预处理后的标准序列磁共振图像。也即，对所述标准序列磁共振图像（多张二维图像）进行归一化处理，然后按照预设的区间范围对归一化后的磁共振图像进行缩放，如将缩放之后的磁共振图像中长或宽较长的一边范围控制在512~640像素之间，进而得到预处理后的标准序列磁共振图像。
在一种具体的实施方式中，所述对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像，具体可以包括：获取所述标准序列磁共振图像中所有像素的强度，得到磁共振图像强度值；从所述磁共振图像强度值中确定出最大值，并将所述标准序列磁共振图像中每个像素的强度除以所述最大值，得到归一化磁共振图像。具体的，先确定出所述标准序列磁共振图像中每张图像的像素的强度，得到所有所述标准序列磁共振图像对应的磁共振图像强度值，然后从所有上述磁共振图像强度值中确定出最大值，再将所述标准序列磁共振图像中每个像素的强度除以上述最大值，得到归一化磁共振图像。即利用所有图像中像素强度的最大值对所有图像进行归一化处理。
在另一种具体的实施方式中，所述对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像，具体可以包括：分别获取所述标准序列磁共振图像中单张图像的像素强度，并从所述单张图像的像素强度中确定出最大值，得到单张图像强度最大值；分别将所述标准序列磁共振图像中每个单张图像的像素强度除以对应的所述单张图像强度最大值，得到归一化磁共振图像。本实施例中，先分别确定出所述标准序列磁共振图像中单张图像的像素强度，然后分别从所有所述单张图像的像素强度中确定出最大值，得到单张图像强度最大值，再分别将上述标准序列磁共振图像中每个单张图像的像素强度除以对应的所述单张图像强度最大值，得到归一化磁共振图像。即分别利用单张图像像素强度的最大值对相应的单张图像进行归一化处理。
步骤S22：将所述预处理后的标准序列磁共振图像中图像强度小于第一阈值的像素值设置为0。
本实施例中，采集未加速的标准序列磁共振图像，并对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像之后，为了方便后续的处理可以先将上述预处理后的标准序列磁共振图像中的背景噪声进行过滤，具体的，可以将上述预处理后的标准序列磁共振图像中图像强度，即图像中每个像素的强度，小于第一阈值的像素值设置为0；其中，上述第一阈值选择可根据实际应用情况而定，如将所述第一阈值设置为0，或将所有所述标准序列磁共振图像中像素强度最大值的5%作为背景像素，再将上述背景像素的像素值设置为0。
步骤S23：根据预设的第一均值和第一标准差的高斯分布生成一个随机数，并将所述随机数作为噪声缩放因子。
本实施例中，将所述预处理后的标准序列磁共振图像中图像强度小于第一阈值的像素值设置为0之后，可以进一步的根据预设的第一均值和第一标准差的高斯分布生成一个随机数，并将上述随机数作为噪声缩放因子。例如，可以根据均值为2，标准差为0.23的高斯分布生成一个随机数，并将上述随机数作为噪声缩放因子。
步骤S24：利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声。
本实施例中，根据预设的第一均值和第一标准差的高斯分布生成一个随机数，并将所述随机数作为噪声缩放因子之后，利用上述噪声缩放因子和预设的尺寸修正因子便可以生成多种不同类型的噪声。可以理解的是，所述多种不同类型的噪声应根据实际噪声存在的情况进行选取，综合考虑实际加速磁共振图像中可能存在的各种类型的噪声以及各种噪声所占的比重。其中，所述多种噪声包括但不限于高斯噪声、莱斯噪声、泊松噪声、椒盐噪声和斑点噪声等噪声中的任意多种。
在一种具体的实施方式中，所述利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声，具体可以包括：根据预设的第二均值和第二标准差的高斯分布生成一个随机数，并将所述随机数作为第三标准差；然后根据预设的第三均值和所述第三标准差生成高斯噪声图像，并根据所述噪声缩放因子和所述预设的尺寸修正因子并基于最近邻插值法将所述高斯噪声图像扩大至与所述标准序列磁共振图像相同的尺寸；根据预设的第四均值和第四标准差并基于所述噪声缩放因子和所述预设的尺寸修正因子并基于最近邻插值法生成与所述标准序列磁共振图像相同尺寸的莱斯噪声图像；按照所述噪声缩放因子和所述预设的尺寸修正因子对所述标准序列磁共振图像进行缩小，并利用缩小后的标准序列磁共振图像生成泊松噪声图像，再根据所述噪声缩放因子和所述预设的尺寸修正因子对所述泊松噪声图像进行放大。例如，根据均值为0，标准差为0.005~0.08中任意值的高斯分布生成一个随机数，然后根据均值为0，标准差为上述随机数生成一个高斯噪声图像，再将上述噪声缩放因子乘以预设的尺寸修正因子，然后根据相乘的结果并基于最近邻插值法（NearestNeighbor）将上述高斯噪声图像扩大至与所述标准序列磁共振图像相同的尺寸；进一步的，采用与上述高斯噪声图像相同的生成方式生成莱斯噪声图像，即根据均值为0，标准差为0.005~0.08中任意值的莱斯分布生成一个随机数，然后根据均值为0，标准差为上述随机数生成一个莱斯噪声图像，再根据所述噪声缩放因子与上述预设的尺寸修正因子相乘的结果将上述莱斯噪声图像扩大至与所述标准序列磁共振图像相同的尺寸，最后按照所述噪声缩放因子与上述预设的尺寸修正因子相乘的结果对所述标准序列磁共振图像进行缩小，然后利用缩小后的标准序列磁共振图像生成泊松噪声图像，再利用所述噪声缩放因子与上述预设的尺寸修正因子相乘的结果并基于最近邻插值法将上述泊松噪声图像扩大到与所述标准序列磁共振图像相同的尺寸。
步骤S25：随机生成一个与所述标准序列磁共振图像的信噪比成正比的数值，并将所述多种噪声乘以所述数值，得到修正后的多种噪声。
本实施例中，利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声之后，为了进一步的对上述多种噪声的强度和信噪比进行修正，可以随机的生成一个与上述标准序列磁共振图像的信噪比成正比的数值，然后将所述多种噪声乘以上述数值，得到修正后的多种噪声。
步骤S26：在预设的第一范围内随机生成与所述修正后的多种噪声数量相同的多个权重值，并将所述多个权重值与所述修正后的多种噪声按照一对一的关系进行匹配，再分别利用匹配后的权重值对相应的噪声进行加权处理，得到多个加权后的噪声。
本实施例中，随机生成一个与所述标准序列磁共振图像的信噪比成正比的数值，并将所述多种噪声乘以所述数值得到修正后的多种噪声之后，可以进一步的在预设的第一范围内随机生成与上述修正后的多种噪声的噪声数量相同的多个权重值，如在0.005~1之间随机生成三个值，分别作为莱斯权重、高斯权重和泊松权重，然后将上述三个权重值分别与上述高斯噪声图像、上述莱斯噪声图像和上述泊松噪声图像进行一对一匹配，再利用匹配后的权重值对相应的噪声图像进行加权处理，得到相应的多个加权后的噪声。
步骤S27：将所述多个加权后的噪声和所述标准序列磁共振图像进行叠加，得到第一仿真加速磁共振序列。
本实施例中，在预设的第一范围内随机生成与所述修正后的多种噪声数量相同的多个权重值，并将所述修正后的多个权重值与所述多种噪声按照一对一的关系进行匹配，再分别利用匹配后的权重值对相应的噪声进行加权处理，得到多个加权后的噪声之后，进一步的，将上述多个加权后的噪声和所述标准序列磁共振图像进行叠加，得到所述第一仿真加速磁共振序列。例如，当所述多种噪声分别为高斯噪声、莱斯噪声和泊松噪声时，令所述仿真加速磁共振序列=所述标准序列磁共振图像+高斯权重*高斯噪声+莱斯权重*莱斯噪声+泊松权重*泊松噪声。
步骤S28：基于新噪声缩放因子和新尺寸修正因子并按照预设的仿真次数生成多种新噪声，并分别对所述多种新噪声进行加权处理，得到相应的多个新加权后的噪声，再将所述多个新加权后的噪声和所述标准序列磁共振图像进行叠加，得到多个新仿真加速磁共振序列。
本实施例中，将所述多个加权后的噪声和所述标准序列磁共振图像进行叠加，得到第一仿真加速磁共振序列之后，进一步的，可以基于新噪声缩放因子和新尺寸修正因子并按照预设的仿真次数生成多种新噪声，然后分别对上述多种新噪声进行加权处理，得到相应的多个新加权后的噪声，再将上述多个新加权后的噪声和上述标准序列磁共振图像进行叠加，得到相应的多个新仿真加速磁共振序列。需要指出的是，上述多个新仿真加速磁共振序列的获取过程与上述第一仿真加速磁共振序列的获取步骤相同，在此不再进行赘述，但是对应的具体参数及噪声可以根据实际应用进行调整。例如，当所述预设的尺寸修正因子为1、多种噪声为高斯噪声、莱斯噪声和泊松噪声时，在基于新噪声缩放因子和新尺寸修正因子生成多种新噪声的过程中，可以重新选择泊松噪声、椒盐噪声和斑点噪声作为新的多种噪声，并设置新尺寸修正因子为0.5或0.25。
步骤S29：将所述第一仿真加速磁共振序列和所述多个新仿真加速磁共振序列进行叠加，得到目标仿真加速磁共振序列，并将所述目标仿真加速磁共振序列中图像强度小于第二阈值的像素值设置为0，得到仿真加速磁共振图像集。
本实施例中，将所述多个新加权后的噪声和所述标准序列磁共振图像进行叠加，得到多个新仿真加速磁共振序列之后，为了便于后续的网络模型的训练可以进一步的对上述仿真加速磁共振序列中的背景噪声进行过滤。具体的，可以将上述仿真加速磁共振序列中图像强度小于第二阈值的像素值作为背景噪声并设置为0，得到用于模型训练的仿真加速磁共振图像集。其中，所述第二阈值的确定方法可参见上述第一阈值的获取过程，在此不再进行赘述。
可见，本申请实施例利用基于预设的第一均值和第一标准差的高斯分布生成的噪声缩放因子生成多种噪声，并在预设的第一范围内随机生成与所述多种噪声数量相同的多个权重值，然后利用所述多个权重值对所述多种噪声进行加权处理，再将多次加权叠加得到的不同尺寸的块状噪声进行混合得到能够模拟真实的仿真加速磁共振图像，进而得到能够降低多种类型噪声的深度神经网络模型，通过复杂的添噪模型仿真加速磁共振图像能够提升模型在不同场景应用的有效性和鲁棒性。
相应的，本申请实施例还公开了一种磁共振图像降噪装置，参见图3所示，该装置包括：
数据获取模块11，用于获取目标对象待检测区域的部分K空间频域数据，以得到目标加速磁共振图像；
图像降噪模块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降噪处理，得到降噪后的加速磁共振图像；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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型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，先获取目标对象待检测区域的部分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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型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降噪处理，得到降噪后的加速磁共振图像。本申请实施例通过标准序列磁共振图像能够合成包含多种噪声的仿真加速磁共振图像集，进而得到能够对多种噪声进行降噪处理的神经网络模型，通过上述神经网络模型能够有效地对磁共振图像进行降噪，提高磁共振成像的质量。
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包含多种噪声的仿真加速磁共振图像集，具体可以包括：
数据采集单元，用于采集未加速的标准序列磁共振图像；
图像预处理单元，用于对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像；
第一设置单元，用于将所述预处理后的标准序列磁共振图像中图像强度小于第一阈值的像素值设置为0；
第一数据生成单元，用于根据预设的第一均值和第一标准差的高斯分布生成一个随机数，并将所述随机数作为噪声缩放因子；
第一噪声生成单元，用于利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声；
噪声修正单元，用于随机生成一个与所述标准序列磁共振图像的信噪比成正比的数值，并将所述多种噪声乘以所述数值，得到修正后的多种噪声；
噪声加权单元，用于在预设的第一范围内随机生成与所述修正后的多种噪声数量相同的多个权重值，并将所述多个权重值与所述修正后的多种噪声按照一对一的关系进行匹配，再分别利用匹配后的权重值对相应的噪声进行加权处理，得到多个加权后的噪声；
第一叠加单元，用于将所述多个加权后的噪声和所述标准序列磁共振图像进行叠加，得到第一仿真加速磁共振序列；
第二噪声生成单元，用于基于新噪声缩放因子和新尺寸修正因子并按照预设的仿真次数生成多种新噪声，并分别对所述多种新噪声进行加权处理，得到相应的多个新加权后的噪声，再将所述多个新加权后的噪声和所述标准序列磁共振图像进行叠加，得到多个新仿真加速磁共振序列；
第二叠加单元，用于将所述第一仿真加速磁共振序列和所述多个新仿真加速磁共振序列进行叠加，得到目标仿真加速磁共振序列；
第二设置单元，用于将所述目标仿真加速磁共振序列中图像强度小于第二阈值的像素值设置为0，得到仿真加速磁共振图像集。
在一些具体实施例中，所述图像预处理单元，具体可以包括：
第一图像归一化单元，用于对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像；
图像缩放单元，用于按照预设的区间范围对所述归一化磁共振图像进行缩放，得到预处理后的标准序列磁共振图像。
在一些具体实施例中，所述第一图像归一化单元，具体可以包括：
像素强度获取单元，用于获取所述标准序列磁共振图像中所有像素的强度，得到磁共振图像强度值；
第二图像归一化单元，用于从所述磁共振图像强度值中确定出最大值，并将所述标准序列磁共振图像中每个像素的强度除以所述最大值，得到归一化磁共振图像。
在一些具体实施例中，所述第一图像归一化单元，具体可以包括：
最大值确定单元，用于分别获取所述标准序列磁共振图像中单张图像的像素强度，并从所述单张图像的像素强度中确定出最大值，得到单张图像强度最大值；
第三图像归一化单元，用于分别将所述标准序列磁共振图像中每个单张图像的像素强度除以对应的所述单张图像强度最大值，得到归一化磁共振图像。
在一些具体实施例中，所述第一噪声生成单元，具体可以包括：
第二数据生成单元，用于根据预设的第二均值和第二标准差的高斯分布生成一个随机数，并将所述随机数作为第三标准差；
第三噪声生成单元，用于根据预设的第三均值和所述第三标准差生成高斯噪声图像；
图像放大单元，用于根据所述噪声缩放因子和所述预设的尺寸修正因子并基于最近邻插值法将所述高斯噪声图像扩大至与所述标准序列磁共振图像相同的尺寸；
第四噪声生成单元，用于根据预设的第四均值和第四标准差并基于所述噪声缩放因子和所述预设的尺寸修正因子并基于所述最近邻插值法生成与所述标准序列磁共振图像相同尺寸的莱斯噪声图像；
第五噪声生成单元，用于按照所述噪声缩放因子和所述预设的尺寸修正因子对所述标准序列磁共振图像进行缩小，并利用缩小后的标准序列磁共振图像生成泊松噪声图像，再根据所述噪声缩放因子和所述预设的尺寸修正因子对所述泊松噪声图像进行放大。
在一些具体实施例中，所述目标神经网络模型的获取过程，具体可以包括：
模型训练单元，用于利用所述仿真加速磁共振图像集和所述标准序列磁共振图像对基于生成对抗网络构建的初始降噪模型进行训练，并基于随机梯度下降算法或Adam优化器迭代更新所述初始降噪模型的权重，得到目标神经网络模型。
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磁共振图像降噪方法中的相关步骤。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执行的磁共振图像降噪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磁共振图像降噪方法。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磁共振图像降噪方法、装置、设备及存储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 (9)
1.一种磁共振图像降噪方法，其特征在于，包括：
获取目标对象待检测区域的部分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降噪处理，得到降噪后的加速磁共振图像；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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型进行训练后得到的模型；
其中，所述基于标准序列磁共振图像合成的包含多种噪声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，并对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像；将所述预处理后的标准序列磁共振图像中图像强度小于第一阈值的像素值设置为0；根据预设的第一均值和第一标准差的高斯分布生成一个随机数，并将所述随机数作为噪声缩放因子；利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声；随机生成一个与所述标准序列磁共振图像的信噪比成正比的数值，并将所述多种噪声乘以所述数值，得到修正后的多种噪声；在预设的第一范围内随机生成与所述修正后的多种噪声数量相同的多个权重值，并将所述多个权重值与所述修正后的多种噪声按照一对一的关系进行匹配，再分别利用匹配后的权重值对相应的噪声进行加权处理，得到多个加权后的噪声；将所述多个加权后的噪声和所述标准序列磁共振图像进行叠加，得到第一仿真加速磁共振序列；基于新噪声缩放因子和新尺寸修正因子并按照预设的仿真次数生成多种新噪声，并分别对所述多种新噪声进行加权处理，得到相应的多个新加权后的噪声，再将所述多个新加权后的噪声和所述标准序列磁共振图像进行叠加，得到多个新仿真加速磁共振序列；将所述第一仿真加速磁共振序列和所述多个新仿真加速磁共振序列进行叠加，得到目标仿真加速磁共振序列，并将所述目标仿真加速磁共振序列中图像强度小于第二阈值的像素值设置为0，得到仿真加速磁共振图像集。
2.根据权利要求1所述的磁共振图像降噪方法，其特征在于，所述对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像，包括：
对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像；
按照预设的区间范围对所述归一化磁共振图像进行缩放，得到预处理后的标准序列磁共振图像。
3.根据权利要求2所述的磁共振图像降噪方法，其特征在于，所述对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像，包括：
获取所述标准序列磁共振图像中所有像素的强度，得到磁共振图像强度值；
从所述磁共振图像强度值中确定出最大值，并将所述标准序列磁共振图像中每个像素的强度除以所述最大值，得到归一化磁共振图像。
4.根据权利要求2所述的磁共振图像降噪方法，其特征在于，所述对所述标准序列磁共振图像进行归一化处理，得到归一化磁共振图像，包括：
分别获取所述标准序列磁共振图像中单张图像的像素强度，并从所述单张图像的像素强度中确定出最大值，得到单张图像强度最大值；
分别将所述标准序列磁共振图像中每个单张图像的像素强度除以对应的所述单张图像强度最大值，得到归一化磁共振图像。
5.根据权利要求1所述的磁共振图像降噪方法，其特征在于，所述利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声，包括：
根据预设的第二均值和第二标准差的高斯分布生成一个随机数，并将所述随机数作为第三标准差；
根据预设的第三均值和所述第三标准差生成高斯噪声图像，然后根据所述噪声缩放因子和所述预设的尺寸修正因子并基于最近邻插值法将所述高斯噪声图像扩大至与所述标准序列磁共振图像相同的尺寸；
根据预设的第四均值和第四标准差并基于所述噪声缩放因子和所述预设的尺寸修正因子并基于所述最近邻插值法生成与所述标准序列磁共振图像相同尺寸的莱斯噪声图像；
按照所述噪声缩放因子和所述预设的尺寸修正因子对所述标准序列磁共振图像进行缩小，并利用缩小后的标准序列磁共振图像生成泊松噪声图像，再根据所述噪声缩放因子和所述预设的尺寸修正因子对所述泊松噪声图像进行放大。
6.根据权利要求1至5任一项所述的磁共振图像降噪方法，其特征在于，所述目标神经网络模型的获取过程，包括：
利用所述仿真加速磁共振图像集和所述标准序列磁共振图像对基于生成对抗网络构建的初始降噪模型进行训练，并基于随机梯度下降算法或Adam优化器迭代更新所述初始降噪模型的权重，得到目标神经网络模型。
7.一种磁共振图像降噪装置，其特征在于，包括：
数据获取模块，用于获取目标对象待检测区域的部分K空间频域数据，以得到目标加速磁共振图像；
图像降噪模块，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降噪处理，得到降噪后的加速磁共振图像；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包含多种噪声的仿真加速磁共振图像集对基于生成对抗网络构建的初始降噪模型进行训练后得到的模型；
其中，所述磁共振图像降噪装置，具体用于采集未加速的标准序列磁共振图像，并对所述标准序列磁共振图像进行预处理，得到预处理后的标准序列磁共振图像；将所述预处理后的标准序列磁共振图像中图像强度小于第一阈值的像素值设置为0；根据预设的第一均值和第一标准差的高斯分布生成一个随机数，并将所述随机数作为噪声缩放因子；利用所述噪声缩放因子和预设的尺寸修正因子生成多种噪声；随机生成一个与所述标准序列磁共振图像的信噪比成正比的数值，并将所述多种噪声乘以所述数值，得到修正后的多种噪声；在预设的第一范围内随机生成与所述修正后的多种噪声数量相同的多个权重值，并将所述多个权重值与所述修正后的多种噪声按照一对一的关系进行匹配，再分别利用匹配后的权重值对相应的噪声进行加权处理，得到多个加权后的噪声；将所述多个加权后的噪声和所述标准序列磁共振图像进行叠加，得到第一仿真加速磁共振序列；基于新噪声缩放因子和新尺寸修正因子并按照预设的仿真次数生成多种新噪声，并分别对所述多种新噪声进行加权处理，得到相应的多个新加权后的噪声，再将所述多个新加权后的噪声和所述标准序列磁共振图像进行叠加，得到多个新仿真加速磁共振序列；将所述第一仿真加速磁共振序列和所述多个新仿真加速磁共振序列进行叠加，得到目标仿真加速磁共振序列，并将所述目标仿真加速磁共振序列中图像强度小于第二阈值的像素值设置为0，得到仿真加速磁共振图像集。
8.一种电子设备，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6任一项所述的磁共振图像降噪方法。
9.一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6任一项所述的磁共振图像降噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321223.2A CN114418900B (zh) | 2022-03-30 | 2022-03-30 | 一种磁共振图像降噪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321223.2A CN114418900B (zh) | 2022-03-30 | 2022-03-30 | 一种磁共振图像降噪方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114418900A CN114418900A (zh) | 2022-04-29 |
| CN114418900B true CN114418900B (zh) | 2022-07-01 |
Family
ID=81263207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210321223.2A Active CN114418900B (zh) | 2022-03-30 | 2022-03-30 | 一种磁共振图像降噪方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114418900B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345952B (zh) * | 2022-08-10 | 2023-08-11 | 华中科技大学协和深圳医院 | 一种基于神经网络的磁共振图像处理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149608A (zh) * | 2020-10-09 | 2020-12-29 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置和存储介质 |
| 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 |
| CN114241078A (zh) * | 2022-02-23 | 2022-03-25 | 南昌睿度医疗科技有限公司 | 一种加速磁共振超分辨率成像方法、装置、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7455508B2 (ja) * | 2018-12-26 | 2024-03-26 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置および医用複素数画像処理装置 |
| CN111860273B (zh) * | 2020-07-14 | 2022-07-05 | 吉林大学 | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 |
| CN113920212B (zh) * | 2021-09-27 | 2022-07-05 | 深圳技术大学 | 磁共振重建模型训练方法、计算机装置及存储介质 |
-
2022
- 2022-03-30 CN CN202210321223.2A patent/CN114418900B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149608A (zh) * | 2020-10-09 | 2020-12-29 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置和存储介质 |
| 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 |
| CN114241078A (zh) * | 2022-02-23 | 2022-03-25 | 南昌睿度医疗科技有限公司 | 一种加速磁共振超分辨率成像方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| A kind of effective method of removing compound noise in image;Hongyan Chen;《2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI)》;20170216;第157-161页 * |
| 基于神经网络的全天时天文导航图像去噪方法;刘宇宸等;《光学学报》;20190630;第39卷(第6期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114418900A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | An improved fractional-order differentiation model for image denoising | |
| EP2993642B1 (en) | Method and apparatus for generating sharp image based on blurry image | |
| CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
| CN114241078A (zh) | 一种加速磁共振超分辨率成像方法、装置、设备及介质 | |
| Liu et al. | Functional overestimation due to spatial smoothing of fMRI data | |
| KR20190038333A (ko) | 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체 | |
| CN117495714B (zh) | 基于扩散生成先验的人脸图像复原方法、装置及可读介质 | |
| Zeng et al. | Image super-resolution employing a spatial adaptive prior model | |
| Gamini et al. | Homomorphic filtering for the image enhancement based on fractional-order derivative and genetic algorithm | |
| CN114418900B (zh) | 一种磁共振图像降噪方法、装置、设备及存储介质 | |
| CN112634180B (zh) | 一种图像增强方法、图像增强装置和计算机可读存储介质 | |
| CN116503507A (zh) | 基于预训练模型的磁粒子图像重建方法 | |
| Zhou et al. | Nonlocal means filtering based speckle removal utilizing the maximum a posteriori estimation and the total variation image prior | |
| CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
| CN116957964A (zh) | 一种基于扩散模型的小样本图像生成方法及系统 | |
| US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
| Radhika et al. | An adaptive optimum weighted mean filter and bilateral filter for noise removal in cardiac MRI images | |
| 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 | |
| CN107292847B (zh) | 一种数据降噪方法及系统 | |
| CN111815692A (zh) | 无伪影数据及有伪影数据的生成方法、系统及存储介质 | |
| EP4343680A1 (en) | De-noising data | |
| Zhang et al. | Multi-scale network with the deeper and wider residual block for MRI motion artifact correction | |
| Ward et al. | Optimal isotropic wavelets for localized tight frame representations | |
| Devasena et al. | FPGA Implementation of Speckle noise removal in Real Time Medical Images | |
| WO2023119653A1 (ja) | 疑似血管パターン生成装置及び疑似血管パターンの生成方法 |
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 |