CN114445273A - 磁共振图像处理方法、计算机设备及存储介质 - Google Patents
磁共振图像处理方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114445273A CN114445273A CN202011212543.1A CN202011212543A CN114445273A CN 114445273 A CN114445273 A CN 114445273A CN 202011212543 A CN202011212543 A CN 202011212543A CN 114445273 A CN114445273 A CN 114445273A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- magnetic resonance
- quantitative parameter
- neural network
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 48
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000005865 ionizing radiation Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T3/60—Rotation of whole images or parts thereof
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)
- Image Analysis (AREA)
Abstract
本申请公开了一种磁共振图像处理方法、计算机设备及存储介质，该方法包括：获取磁共振仪器采集的加权图像；生成所述加权图像对应的第一分辨率定量参数图像，以及生成所述加权图像对应的第二分辨率定量参数图像，其中，所述第二分辨率低于所述第一分辨率；根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集；将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练；将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像。因此，实现了提高磁共振图像的分辨率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种磁共振图像处理方法、计算机设备及存储介质。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)技术是一种以核磁共振原理为基础的诊断技术，它没有电离辐射，可以通过任意断面进行成像，并且可以进行立体重建，获得组织和器官的解剖结构和功能结构，以此提供对病变的诊断信息。目前，临床上进行磁共振成像时，得到高分辨率的磁共振图像往往需要较长的采集时间，因而实际应用中，通常会降低某一空间维度(如层选方向)的分辨率，从而减少采集时间。不过，由于分辨率降低，会造成图像中对应的高频细节信息丢失，从而导致磁共振图像模糊。
因此，如何提高磁共振图像的分辨率成为亟需解决的问题。
发明内容
本申请实施例提供一种磁共振图像处理方法、计算机设备及存储介质，可以实现提高磁共振图像的分辨率。
第一方面，本申请实施例提供了一种磁共振图像处理方法，包括：
获取磁共振仪器采集的加权图像；
生成所述加权图像对应的第一分辨率定量参数图像，以及生成所述加权图像对应的第二分辨率定量参数图像，其中，所述第二分辨率低于所述第一分辨率；
根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集；
将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练；
将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像。
第二方面，本申请实施例还提供了一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时，实现如上述的磁共振图像处理方法。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的磁共振图像处理方法。
本申请实施例提供了一种磁共振图像处理方法、计算机设备及存储介质，通过获取磁共振仪器采集的加权图像，生成加权图像对应的第一分辨率定量参数图像以及第二分辨率定量参数图像(第二分辨率低于第一分辨率)，并根据第一分辨率定量参数图像和第二分辨率定量参数图像，生成训练数据集，之后将训练数据集输入卷积神经网络模型进行训练，获得训练好的卷积神经网络模型，将待超分辨率处理的第一磁共振图像(低分辨率)输入训练好的卷积神经网络模型，输出高分辨率的第二磁共振图像，从而实现了提高磁共振图像的分辨率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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是本申请一实施例提供的一种磁共振图像处理方法的步骤示意流程图；
图2是本申请一实施例提供的一种生成所述加权图像对应的第二分辨率定量参数图像的步骤示意流程图；
图3是本申请一实施例提供的一种根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集的步骤示意流程图；
图4是本申请一实施例提供的一种将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练的步骤示意流程图；
图5是本申请一实施例提供的一种卷积神经网络模型训练的示意图；
图6是本申请一实施例提供的一种将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像的步骤示意流程图；
图7是本申请一实施例提供的一种生成高分辨率磁共振图像的流程示意图；
图8是通过不同方式对磁共振图像进行处理的对比效果示意图；
图9是本申请实施例提供的一种计算机设备的示意性框图。
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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
磁共振成像技术是一种以核磁共振原理为基础的诊断技术，它没有电离辐射，可以通过任意断面进行成像，并且可以进行立体重建，获得组织和器官的解剖结构和功能结构，以此提供对病变的诊断信息。目前，临床上进行磁共振成像时，得到高分辨率的磁共振图像往往需要较长的采集时间，因而实际应用中，通常会降低某一空间维度(如层选方向)的分辨率，从而减少采集时间。不过，由于分辨率降低，会造成图像中对应的高频细节信息丢失，从而导致磁共振图像模糊。
为了解决上述问题，本申请的实施例提供了一种磁共振图像处理方法、计算机设备及存储介质，用于实现提高磁共振图像的分辨率。其中，该磁共振图像处理方法可以应用于计算机设备中，该计算机设备可以为平板电脑、笔记本电脑、台式电脑、个人数字助理等设备。
请参阅图1，图1是本申请一实施例提供的磁共振图像处理方法的流程示意图。
如图1所示，该磁共振图像处理方法具体包括步骤S101至步骤S105。
S101、获取磁共振仪器采集的加权图像。
磁共振成像(Magnetic Resonance Imaging，MRI)技术是多参数成像，出于分析磁共振图像的方便，希望磁共振图像的灰度主要由一个特定的成像参数决定，这就是加权图像(weighted imaging，WI)。示例性的，在磁共振仪器上进行一系列加权图像的采集，然后获取磁共振仪器采集的至少一张加权图像。
S102、生成所述加权图像对应的第一分辨率定量参数图像，以及生成所述加权图像对应的第二分辨率定量参数图像，其中，所述第二分辨率低于所述第一分辨率。
对获取到的加权图像进行不同的图像处理操作，生成加权图像对应的不同分辨率定量参数图像。示例性的，对所获取到的一系列加权图像进行拟和计算处理，生成对应的第一分辨率定量参数图像，将第一分辨率定量参数图像作为训练数据集的标签数据。以及对所获取到的一系列加权图像进行降采、插值、拟和等处理，生成对应的第二分辨率定量参数图像，将第二分辨率定量参数图像作为训练数据集的输入数据。
在一些实施例中，获取磁共振仪器采集的加权图像之后，可以先对加权图像进行图像预处理，图像预处理包括但不限于图像去噪处理。
示例性的，根据加权图像中的噪声强度，对信噪比(SNR)较低的加权图像进行去噪处理。例如，将加权图像输入AONLM滤波器进行去噪处理。
之后，根据图像预处理后的加权图像，比如去噪处理后的加权图像，生成第一分辨率定量参数图像、第二分辨率定量参数图像等不同分辨率定量参数图像。
在一些实施例中，如图2所示，所述步骤S102可以包括子步骤S1021至子步骤S1023。
S1021、将图像预处理后的所述加权图像在层选方向进行降采处理，获得对应的降采图像。
假设层选方向对应的图像分辨率需放大K倍，则将图像预处理后的加权图像在层选方向进行K倍双立方/双三次降采处理，获得对应降采处理后的加权图像。为了便于描述，下文将降采处理后的加权图像称为降采图像。
S1022、将所述降采图像进行插值处理，获得对应的插值图像。
将图像预处理后的加权图像在层选方向进行K倍双立方/双三次降采处理，获得对应的降采图像后，将降采图像进行行K倍双立方/双三次插值处理，获得对应插值处理后的图像，为了便于描述，下文将插值处理后的图像称为插值图像。
S1023、将所述插值图像进行拟和计算，生成所述第二分辨率定量参数图像。
之后，将所获得的插值图像进行拟和计算，生成第二分辨率定量参数图像，作为训练数据集的输入数据。
S103、根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集。
在一些实施例中，如图3所示，所述步骤S103可以包括子步骤S1031和子步骤S1032。
S1031、对所述第一分辨率定量参数图像和所述第二分辨率定量参数图像进行数据增强处理，获得所述第一分辨率定量参数图像和所述第二分辨率定量参数图像对应的多组训练数据。
其中，数据增强处理包括但不限于对第一分辨率定量参数图像和第二分辨率定量参数图像进行翻转、镜像处理。
示例性的，分别对第一分辨率定量参数图像和第二分辨率定量参数图像进行多个角度的旋转操作，例如，进行0度、90度、180度、270度等多个角度的旋转操作，获得旋转后对应的多张图像，为了便于描述，下文将旋转后对应的图像称为旋转图像。然后对多张旋转图像分别进行水平方向和/或垂直方向的镜面对称操作，获得对应的多张镜面图像。将获得的多张旋转图像和镜面图像作为多组训练数据。
例如，若分别对第一分辨率定量参数图像和第二分辨率定量参数图像进行0度、90度、180度、270度四个角度的旋转操作，获得对应的4组旋转图像。之后对这4组旋转图像进行水平方向和垂直方向的镜面对称操作，获得对应的8组镜面图像，并将4组旋转图像和8组镜面图像作为12组训练数据。
S1032、根据所述多组训练数据，生成所述训练数据集。
基于获得的多组训练数据，生成用于训练的训练数据集。其中，训练数据集中包括通过对第一分辨率定量参数图像进行数据增强处理获得的图像，将其作为标签数据；训练数据集中还包括通过对第二分辨率定量参数图像进行数据增强处理获得的图像，将其作为输入数据。
S104、将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练。
示例性的，卷积神经网络模型包括多层卷积层，其中，卷积层的卷积核以及通道数可以根据实际情况进行灵活设置。例如，卷积神经网络模型包括8层卷积层，其中第1层卷积层的卷积核大小为3x3，通道数为1，第2至第7层卷积层的卷积核大小为3x3,通道数为64，第8层卷积层的卷积核大小为3x3，通道数为1。通常，卷积神经网络模型的卷积层数量为6及以上，卷积核大小不限于3x3。
将获得的训练数据集输入卷积神经网络模型进行训练，直至卷积神经网络模型收敛，获得训练好的卷积神经网络模型。
在一些实施例中，如图4所示，所述步骤S104包括子步骤S1041至子步骤S1043。
S1041、将所述训练数据集中的输入数据通过所述多层卷积层后的残差与所述输入数据相加，获得处理数据。
将获得的训练数据集输入卷积神经网络模型，采用残差学习的方式，对训练数据集中的输入数据，也即对第二分辨率定量参数图像进行数据增强处理获得的图像，通过多层卷积层获得对应的残差，将残差与输入数据进行相加，获得对应的和值，将该和值作为处理数据。
S1042、确定所述处理数据与所述训练数据集中的标签数据之间的损失值。
将残差与输入数据进行相加得到的处理数据，与输入数据对应的标签数据，也即对第一分辨率定量参数图像进行数据增强处理获得的图像进行对比，确定处理数据与标签数据之间的损失值。示例性的，计算处理数据与标签数据之间的L1 loss损失值，或者，计算处理数据与标签数据之间的L2 loss损失值等。
例如，如图5所示，卷积神经网络模型包括8层卷积层，其中第1层卷积层的卷积核conv大小为3x3，通道数为1，第2至第7层卷积层的卷积核conv大小为3x3,通道数为64，第8层卷积层的卷积核conv大小为3x3，通道数为1。将输入数据依次通过卷积神经网络模型的每一层卷积层处理，获得L1 loss损失值。
S1043、若所述损失值大于预设阈值，则对所述卷积神经网络模型的参数进行优化，直至所述损失值小于或等于所述预设阈值。
若计算得到的损失值大于预设阈值，也即说明卷积神经网络模型还未收敛，则对卷积神经网络模型的参数进行优化。例如，采用Adam优化器对卷积神经网络模型的参数进行优化。又如，采用随机梯度下降法对卷积神经网络模型的参数进行优化。又如，采用AdaGrad算法对卷积神经网络模型的参数进行优化。本实施例中对卷积神经网络模型的参数进行优化的方式不作具体限制。
将训练数据集输入进行了参数优化后的卷积神经网络模型，重复上述操作过程，计算新的损失值。若新的损失值仍旧大于预设阈值，则继续重复操作，直至计算的新的损失值小于或等于预设阈值，说明卷积神经网络模型收敛，也即卷积神经网络模型训练完成。
S105、将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像。
对于待进行超分辨率处理的低分辨率磁共振图像，为了便于区分描述，下文将待处理的磁共振图像称为第一磁共振图像，第一磁共振图像的分辨率低，将该第一磁共振图像输入上述训练好的卷积神经网络模型，通过卷积神经网络模型处理，输出对应的高分辨率的磁共振图像，为了便于区分描述，下文将输出的高分辨率的磁共振图像称为第二磁共振图像。
在一些实施例中，如图6所示，所述步骤S105可以包括子步骤S1051和子步骤S1052。
S1051、对所述第一磁共振图像进行插值处理。
示例性的，将待进行超分辨率处理的第一磁共振图像在层选方向进行K倍双立方/双三次插值处理，得到层选方向对应的图像分辨率与层面内对应的图像分辨率相同。
S1052、将插值处理后的所述第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的所述第二磁共振图像。
示例性的，对插值处理后的第一磁共振图像进行拟和计算得到对应的定量参数图像，将该定量参数图像输入训练好的卷积神经网络模型进行处理，输出对应的高分辨的定量参数图像，即第二磁共振图像。
如图7所示，生成高分辨率的磁共振图像的具体流程如下：
步骤A、计算机设备获取一组低分辨率加权图像；
步骤B、将加权图像输入AONLM滤波器进行去噪处理；
步骤C、对去噪后的加权图像拟和对应的第一分辨率定量参数图像，作为卷积神经网络模型训练的标签数据；
步骤D、对去噪后的加权图像进行K倍双三次降采后，再进行K倍双三次插值，得到的结果计算其拟和对应的第二分辨率定量参数图像，作为卷积神经网络模型训练的输入数据；
步骤E、进行卷积神经网络模型训练；
步骤F、训练完成后，对待超分辨率的磁共振图像进行K倍双三次插值；
步骤G、将插值后的图像输入训练好的卷积神经网络模型，输出高分辨的磁共振图像。
实践中，通过采用不同方式对低分辨率的加权图像进行处理，得到的map图如图8所示。其中，(a)为原始加权图像算出的map图，(b)为去噪后加权图像算出的map图，(c)为(b)直接插值后的map图，(d)为对原始加权图像插值后算出的map图，(e)为本发明中通过卷积神经网络模型处理输出的map图。比较可知，(e)图分辨率高，图像最清晰，质量佳。
上述实施例提供的磁共振图像处理方法，通过获取磁共振仪器采集的加权图像，生成加权图像对应的第一分辨率定量参数图像以及第二分辨率定量参数图像(第二分辨率低于第一分辨率)，并根据第一分辨率定量参数图像和第二分辨率定量参数图像，生成训练数据集，之后将训练数据集输入卷积神经网络模型进行训练，获得训练好的卷积神经网络模型，将待超分辨率处理的第一磁共振图像(低分辨率)输入训练好的卷积神经网络模型，输出高分辨率的第二磁共振图像，从而实现了提高磁共振图像的分辨率。
请参阅图9，图9为本申请实施例提供的一种计算机设备的示意性框图。
如图9所示，该计算机设备可以包括处理器、存储器和网络接口。处理器、存储器和网络接口通过系统总线连接，该系统总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取磁共振仪器采集的加权图像；
生成所述加权图像对应的第一分辨率定量参数图像，以及生成所述加权图像对应的第二分辨率定量参数图像，其中，所述第二分辨率低于所述第一分辨率；
根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集；
将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练；
将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像。
在一些实施例中，所述处理器在实现所述获取磁共振仪器采集的加权图像之后，还实现：
对所述加权图像进行图像预处理；
所述处理器在实现所述生成所述加权图像对应的第二分辨率定量参数图像时，具体实现：
根据图像预处理后的所述加权图像，生成所述第二分辨率定量参数图像。
在一些实施例中，所述处理器在实现所述根据图像预处理后的所述加权图像，生成所述第二分辨率定量参数图像时，具体实现：
将图像预处理后的所述加权图像在层选方向进行降采处理，获得对应的降采图像；
将所述降采图像进行插值处理，获得对应的插值图像；
将所述插值图像进行拟和计算，生成所述第二分辨率定量参数图像。
在一些实施例中，所述处理器在实现所述对所述加权图像进行图像预处理时，具体实现：
将所述加权图像输入AONLM滤波器进行去噪处理。
在一些实施例中，所述处理器在实现所述根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集时，具体实现：
对所述第一分辨率定量参数图像和所述第二分辨率定量参数图像进行数据增强处理，获得所述第一分辨率定量参数图像和所述第二分辨率定量参数图像对应的多组训练数据；
根据所述多组训练数据，生成所述训练数据集。
在一些实施例中，所述处理器在实现所述对所述第一分辨率定量参数图像和所述第二分辨率定量参数图像进行数据增强处理，获得所述第一分辨率定量参数图像和所述第二分辨率定量参数图像对应的多组训练数据时，具体实现：
分别对所述第一分辨率定量参数图像和所述第二分辨率定量参数图像进行多个角度的旋转操作，获得对应的多张旋转图像；
对所述多张旋转图像进行水平方向和/或垂直方向的镜面对称操作，获得所述多组训练数据。
在一些实施例中，所述卷积神经网络模型包括多层卷积层，所述处理器在实现所述将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练时，具体实现：
将所述训练数据集中的输入数据通过所述多层卷积层后的残差与所述输入数据相加，获得处理数据；
确定所述处理数据与所述训练数据集中的标签数据之间的损失值；
若所述损失值大于预设阈值，则对所述卷积神经网络模型的参数进行优化，直至所述损失值小于或等于所述预设阈值。
在一些实施例中，所述处理器在实现所述将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像时，具体实现：
对所述第一磁共振图像进行插值处理；
将插值处理后的所述第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的所述第二磁共振图像。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的计算机设备的具体工作过程，可以参考前述磁共振图像处理方法实施例中的对应过程，在此不再赘述。
本申请的实施例中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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的磁共振图像处理方法的步骤。例如，该计算机程序被处理器加载，可以执行如下步骤：
获取磁共振仪器采集的加权图像；
生成所述加权图像对应的第一分辨率定量参数图像，以及生成所述加权图像对应的第二分辨率定量参数图像，其中，所述第二分辨率低于所述第一分辨率；
根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集；
将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练；
将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，计算机可读存储介质可以是前述实施例的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
由于该计算机可读存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种磁共振图像处理方法，因此，可以实现本申请实施例所提供的任一种磁共振图像处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅是本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种磁共振图像处理方法，其特征在于，包括：
获取磁共振仪器采集的加权图像；
生成所述加权图像对应的第一分辨率定量参数图像，以及生成所述加权图像对应的第二分辨率定量参数图像，其中，所述第二分辨率低于所述第一分辨率；
根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集；
将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练；
将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像。
2.根据权利要求1所述的方法，其特征在于，所述获取磁共振仪器采集的加权图像之后，包括：
对所述加权图像进行图像预处理；
所述生成所述加权图像对应的第二分辨率定量参数图像，包括：
根据图像预处理后的所述加权图像，生成所述第二分辨率定量参数图像。
3.根据权利要求2所述的方法，其特征在于，所述根据图像预处理后的所述加权图像，生成所述第二分辨率定量参数图像，包括：
将图像预处理后的所述加权图像在层选方向进行降采处理，获得对应的降采图像；
将所述降采图像进行插值处理，获得对应的插值图像；
将所述插值图像进行拟和计算，生成所述第二分辨率定量参数图像。
4.根据权利要求2所述的方法，其特征在于，所述对所述加权图像进行图像预处理，包括：
将所述加权图像输入AONLM滤波器进行去噪处理。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一分辨率定量参数图像和所述第二分辨率定量参数图像，生成训练数据集，包括：
对所述第一分辨率定量参数图像和所述第二分辨率定量参数图像进行数据增强处理，获得所述第一分辨率定量参数图像和所述第二分辨率定量参数图像对应的多组训练数据；
根据所述多组训练数据，生成所述训练数据集。
6.根据权利要求4所述的方法，其特征在于，所述对所述第一分辨率定量参数图像和所述第二分辨率定量参数图像进行数据增强处理，获得所述第一分辨率定量参数图像和所述第二分辨率定量参数图像对应的多组训练数据，包括：
分别对所述第一分辨率定量参数图像和所述第二分辨率定量参数图像进行多个角度的旋转操作，获得对应的多张旋转图像；
对所述多张旋转图像进行水平方向和/或垂直方向的镜面对称操作，获得所述多组训练数据。
7.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括多层卷积层，所述将所述训练数据集输入卷积神经网络模型，对所述卷积神经网络模型进行训练，包括：
将所述训练数据集中的输入数据通过所述多层卷积层后的残差与所述输入数据相加，获得处理数据；
确定所述处理数据与所述训练数据集中的标签数据之间的损失值；
若所述损失值大于预设阈值，则对所述卷积神经网络模型的参数进行优化，直至所述损失值小于或等于所述预设阈值。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述将低分辨率的第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的第二磁共振图像，包括：
对所述第一磁共振图像进行插值处理；
将插值处理后的所述第一磁共振图像输入训练好的所述卷积神经网络模型，输出高分辨率的所述第二磁共振图像。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，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8中任一项所述的磁共振图像处理方法。
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有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至8中任一项所述的磁共振图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011212543.1A CN114445273A (zh) | 2020-11-03 | 2020-11-03 | 磁共振图像处理方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011212543.1A CN114445273A (zh) | 2020-11-03 | 2020-11-03 | 磁共振图像处理方法、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114445273A true CN114445273A (zh) | 2022-05-06 |
Family
ID=81360655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011212543.1A Pending CN114445273A (zh) | 2020-11-03 | 2020-11-03 | 磁共振图像处理方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445273A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
| WO2024038990A1 (ko) * | 2022-08-17 | 2024-02-22 | 주식회사 넥스트칩 | 영상 개선 뉴럴 네트워크 모델의 학습 방법 및 장치 |
-
2020
- 2020-11-03 CN CN202011212543.1A patent/CN114445273A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
| WO2024038990A1 (ko) * | 2022-08-17 | 2024-02-22 | 주식회사 넥스트칩 | 영상 개선 뉴럴 네트워크 모델의 학습 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rodríguez | Total variation regularization algorithms for images corrupted with different noise models: a review | |
| CN111932460B (zh) | Mr图像超分辨率重建方法、装置、计算机设备及存储介质 | |
| WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
| WO2024066049A1 (zh) | 一种pet图像去噪的方法、终端设备及可读存储介质 | |
| CN114445273A (zh) | 磁共振图像处理方法、计算机设备及存储介质 | |
| CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
| CN112712537B (zh) | 视频时空超分辨率实现方法及装置 | |
| US20240185484A1 (en) | System and method for image reconstruction | |
| CN110246200B (zh) | 磁共振心脏电影成像方法、装置及磁共振扫描仪 | |
| Akbarzadeh et al. | Medical image magnification based on original and estimated pixel selection models | |
| CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
| Lu et al. | A novel 3D medical image super-resolution method based on densely connected network | |
| CN107895387B (zh) | Mri图像重建方法及装置 | |
| Muhammad et al. | IRMIRS: Inception-ResNet-Based Network for MRI Image Super-Resolution. | |
| CN111462004B (zh) | 图像增强方法和装置、计算机设备、存储介质 | |
| Mandal et al. | Employing structural and statistical information to learn dictionary (s) for single image super-resolution in sparse domain | |
| CN114494011B (zh) | 图像插值方法及装置、处理设备、存储介质 | |
| Yu et al. | Single-image super-resolution based on regularization with stationary gradient fidelity | |
| Kim et al. | Robust learning-based super-resolution | |
| US10347014B2 (en) | System and method for image reconstruction | |
| CN105894481B (zh) | 用于视频监控设备的直方图均衡化方法及装置 | |
| Patil et al. | A Review on Disease Prediction using Image Processing | |
| CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
| Chen et al. | Multi-channel framelet denoising of diffusion-weighted images | |
| Dogra et al. | Effective image fusion strategies in scientific signal processing disciplines: Application to cancer and carcinoma treatment planning |
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 |