CN114494014A - 一种磁共振图像超分辨率重建方法及装置 - Google Patents
一种磁共振图像超分辨率重建方法及装置 Download PDFInfo
- Publication number
- CN114494014A CN114494014A CN202210069022.8A CN202210069022A CN114494014A CN 114494014 A CN114494014 A CN 114494014A CN 202210069022 A CN202210069022 A CN 202210069022A CN 114494014 A CN114494014 A CN 114494014A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- super
- resolution image
- magnetic resonance
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
- G06T3/4076—Super resolution, i.e. output image resolution higher than sensor resolution by iteratively correcting the provisional high resolution image using the original low-resolution image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明涉及一种磁共振图像超分辨率重建方法及装置,涉及图像处理领域。其中,重建方法包括:获取磁共振样本图像;选取一张样本图像作为参考图像,并将剩余样本图像作为第一高分辨率图像;对第一高分辨率图像进行处理,生成第一低分辨率图像;将每一低分辨率图像分别与参考图像进行组合,并将每一组合分别输入超分辨率重建网络,输出第二高分辨率图像;基于第一高分辨率图像和第二高分辨率图像计算损失函数,进行优化,生成优化后的超分辨率重建网络。采用一张高分辨率图像作为参考图像,为其它的低分辨率图像提供高频信息的参考,从而使最终生成的高分辨率图像中的高频信息不再是凭空生成的,减少了细小结构模糊和额外细小结构的现象。
Description
技术领域
本发明涉及图像处理的技术领域,尤其是涉及一种基于深度学习的磁共振图像超分辨率重建方法及装置。
背景技术
磁共振成像作为一种复杂的无创检测技术,能够提供人体内部各种组织的丰富信息,以不同灰度显示不同人体结构的解剖和病理断面图像。相比于CT成像技术,磁共振成像技术具有无电离辐射和软组织对比度高等优点。然而,采集高分辨率的磁共振图像是十分耗时的,并且,由于病人身体条件的原因,最终采集到的图像可能会有运动伪影,因此,图像的高分辨率和短扫描时间之间存在着矛盾。
现有的磁共振图像超分辨率重建方法是通过学习实现从低分辨率图像到高分辨率图像的映射,然而,由于磁共振物理原理的限制,采集到的低分辨率图像并不包含高分辨率图像中的高频信息,所以,即使通过卷积神经网络学习到低分辨率图像到高分辨率图像的映射,所生成的高分辨率图像中的高频信息也是“凭空”生成的,容易出现细小结构模糊和额外细小结构的现象,这对于临床诊断来说是不可接受的。
发明内容
为了减少超分辨率重建图像存在的细小结构模糊和额外细小结构的现象,第一方面,本发明提供了一种基于深度学习的磁共振图像超分辨率重建方法,采用如下的技术方案:
一种磁共振图像超分辨率重建方法,包括:
获取磁共振样本图像,所述磁共振样本图像是高分辨率图像,且所述磁共振样本图像的数量是多张;
选取一张所述样本图像作为参考图像,并将剩余所述样本图像作为第一高分辨率图像;
对所述第一高分辨率图像进行处理,生成第一低分辨率图像;
将每一所述第一低分辨率图像分别与所述参考图像进行组合,并将每一所述组合分别输入超分辨率重建网络,输出第二高分辨率图像;
基于所述第一高分辨率图像和所述第二高分辨率图像计算损失函数,并对所述超分辨率重建网络的参数进行优化,生成优化后的超分辨率重建网络。
通过采用上述技术方案,采用一张磁共振高分辨率图像作为参考图像,为其它的低分辨率图像提供高频信息的参考,从而使最终生成的高分辨率图像中的高频信息不再是凭空生成的,减少了细小结构模糊和额外细小结构的现象,提升了磁共振图像超分辨率重建的效果。
可选的,所述方法还包括:
将每一所述组合分别输入所述优化后的超分辨率重建网络,生成第三高分辨率图像;
判断所述第三高分辨率图像与所述第一高分辨率图像的误差是否在预设范围内,若否,对所述超分辨率重建网络的参数进行二次优化,更新所述优化后的超分辨率重建网络。
通过采用上述技术方案,首先利用损失函数来对超分辨率重建网络进行优化,然后利用误差来对优化后的超分辨率重建网络进行评估,若误差不在预设范围内,对超分辨率重建网络进行二次优化,从而充分利用了参考图像中的高频信息,进一步提升了磁共振图像超分辨率重建的效果,减少了超分辨率结果出现细节模糊和额外细节的现象。
可选的,所述方法还包括:
将目标低分辨率图像和所述参考图像输入优化后的超分辨率重建网络,获得重建的高分辨率图像。
通过采用上述技术方案,利用优化后的超分辨率重建网络对用于测试的目标低分辨率图像进行超分辨率重建,从而获得重建后的超分辨率图像。
可选的,所述样本图像是磁共振加权图像。
通过采用上述技术方案,利用磁共振加权图像作为样本图像,而磁共振成像通常需要采集多个加权图像,因此,作为样本图像的磁共振加权图像具有易于获取的特点。
可选的,所述对所述第一高分辨率图像进行处理,生成第一低分辨率图像的步骤,具体包括:
对所述第一高分辨率图像进行傅里叶变换,选取K空间的中心部分进行傅里叶逆变换,生成第一低分辨率图像。
通过采用上述技术方案,利用K空间的属性,准确获取到与第一高分辨率图像对应的第一低分辨率图像。
可选的,所述损失函数是L1损失、MES损失或感知损失。
通过采用上述技术方案,对损失函数进行了具体化限定,丰富了损失函数的选择。
可选的,优化算法是Adam、随机梯度下降或AdaGrad。
通过采用上述技术方案,对优化算法进行了具体化限定,丰富了优化算法的选择。
第二方面,本发明提供了一种基于深度学习的磁共振图像超分辨率重建装置,采用如下的技术方案:
一种磁共振图像超分辨率重建装置,包括:
样本图像获取模块,用于获取磁共振样本图像,所述磁共振样本图像是高分辨率图像,且所述磁共振样本图像的数量是多张;
选取模块,用于选取一张所述样本图像作为参考图像,并将剩余所述样本图像作为第一高分辨率图像;
第一低分辨率图像生成模块,用于对所述第一高分辨率图像进行处理,生成第一低分辨率图像;
训练模块,用于将每一所述第一低分辨率图像分别与所述参考图像进行组合,并将每一所述组合分别输入超分辨率重建网络,输出第二高分辨率图像;
优化模块,用于基于所述第一高分辨率图像和所述第二高分辨率图像计算损失函数,并对所述超分辨率重建网络的参数进行优化,生成优化后的超分辨率重建网络。
第三方面,本发明提供了一种电子设备,采用如下的技术方案:
一种电子设备,包括存储器和处理器,存储器上存储有能够被处理器加载并执行所述的方法的计算机程序。
第四方面,本发明提供了一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行所述的方法的计算机程序。
综上所述,本发明采用一张磁共振高分辨率图像作为参考图像,为其它的低分辨率图像提供高频信息的参考,从而使最终生成的高分辨率图像中的高频信息不再是凭空生成的,减少了细小结构模糊和额外细小结构的现象,提升了磁共振图像超分辨率重建的效果。
附图说明
图1是本发明实施例的磁共振图像超分辨率重建方法。
图2是本发明另一实施例的磁共振图像超分辨率重建方法。
图3是本发明实施例的磁共振图像超分辨率重建装置的结构框图。
图4是本发明另一实施例的磁共振图像超分辨率重建装置的结构框图。
图5是本发明实施例的电子设备示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图1-5及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例公开一种磁共振图像超分辨率重建方法。参照图1,磁共振图像超分辨率重建方法,包括:
S11、获取磁共振样本图像,所述磁共振样本图像是高分辨率图像,且所述磁共振样本图像的数量是多张;
用于训练的磁共振样本图像是磁共振仪器扫描到的高分辨率图像,具体的,可以是磁共振仪器采集到的定量图像数据,例如,T1加权图像、T2加权图像和PD加权图像中的一种或多种,其中,T1是纵向弛豫时间,T2是横向弛豫时间,PD是质子密度。由于磁共振成像通常需要采集多个加权图像,因此,利用磁共振加权图像作为样本图像,具有易于获取的特点。
在获取用于训练的磁共振样本图像时,可以从本地数据库或远程服务器获取,也可以从磁共振仪器实时获取,若是实时获取,本申请的磁共振图像超分辨率重建方法可用于线上实时训练和重建。
磁共振样本图像的数量是多张,例如,可以是5、6或7,具体的,可根据实际应用场景确定磁共振样本图像的数量,在此不作限定。
S12、选取一张所述样本图像作为参考图像,并将剩余所述样本图像作为第一高分辨率图像;
在从多张样本图像中选取一张作为参考图像时,可以是随机选取,也可以是根据预设规则自动选取,或人为指定。其中,预设规则是根据分辨率、对比度、时间和其它属性中的一个或多个对每张样本图像进行加权求和,选取权值最大的一张样本图像作为参考图像,其它属性包括T1加权、T2加权或PD加权等。
在选取出一张样本图像作为参考图像之后,将剩余的其它样本图像作为第一高分辨率图像,第一高分辨率图像的数量是至少一张。其中,参考图像和第一高分辨率图像在超分辨率重建网络的训练过程中,具有不同的用途,具体的,参考图像用于提供训练所需的真实高频信息,第一高分辨率图像用于超分辨率重建网络的优化。本领域技术人员应当理解,高频信息对应的是磁共振图像中的细小结构信息。
为了对参考图像和第一高分辨率图像进行区分,在获取到参考图像和第一高分辨率图像之后,利用标签对参考图像和第一高分辨率图像分别进行标注。
S13、对所述第一高分辨率图像进行处理,生成第一低分辨率图像;
对所述第一高分辨率图像进行处理的目的是去除高频信息,从而生成对应的第一低分辨率图像。
由于在K空间中,外围数据对应图像的高频信息,中心数据对应图像的低频信息,因此,在本申请中,通过将第一高分辨率图变换到K空间来去除高频信息。具体的,对第一高分辨率图像进行傅里叶变换,将第一高分辨率图像中的各像素映射到K空间各点中,选取K空间的中心部分进行傅里叶逆变换,生成第一低分辨率图像。作为一种示例,对第一高分辨率图像进行傅里叶变换,在K空间得到100*100的频域分量,取中心50*50的频域分量进行逆傅里叶变换,从而得到对应的第一低分辨率图像。
S14、将每一所述第一低分辨率图像分别与所述参考图像进行组合,并将每一所述组合分别输入超分辨率重建网络,输出第二高分辨率图像;
超分辨率重建网络是预先构建的深度学习网络,深度学习网络可以根据实际需求进行选择,例如,可以是EDSR、WDSR、SRCNN等。并且,在构建深度学习网络时,可以对深度学习网络的结构进行适应性的变化,例如,增加或减少卷积模块的数量、改变卷积模块中卷积层的个数、改变卷积层的输出通道的数量、改变卷积核大小等。
在该步骤中,将每一低分辨率图像和参考图像进行组合,生成多个组合,并将每一组合分别输入超分辨率重建网络进行训练,输出的是多张第二高分辨率图像。其中,第二高分辨率图像的数量和第一低分辨率图像的数量相同。也就是说,在训练阶段,每次输入的是两张图像的组合,每一组合包括参考图像和对应的第一低分辨率,每次输出的一张第二高分辨率图像。
S15、基于所述第一高分辨率图像和所述第二高分辨率图像计算损失函数,并对所述超分辨率重建网络的参数进行优化,生成优化后的超分辨率重建网络。
第一高分辨率图像是原始的高分辨率图像,第二高分辨率图像是经过超分辨率重建网络生成的高分辨率图像,根据二者计算损失函数,其结果更接近于实际损失。
其中,损失函数和优化算法均可根据实际需求选择,例如,损失函数可以是L1损失、MES损失、感知损失等,优化算法可以是Adam、随机梯度下降、AdaGrad等,在此不作具体限定。
本领域技术人员应当理解,步骤S15是迭代执行的过程。
在优化完成之后,得到训练好的超分辨率重建网络。将用于测试的目标低分辨率图像和所述参考图像输入优化后的超分辨率重建网络,即可获得重建的高分辨率图像。
需要说明的是,在训练阶段和测试阶段,每次输入的均是两张图像的组合,一张是高分辨率的参考图像,一张是低分辨率图像。
在本实施例中,采用一张磁共振高分辨率图像作为参考图像,为其它的低分辨率图像提供高频信息的参考,从而使最终生成的高分辨率图像中的高频信息不再是凭空生成的,减少了细小结构模糊和额外细小结构的现象,提升了磁共振图像超分辨率重建的效果。
作为另一种实施例,磁共振图像超分辨率重建方法还包括评估过程,参照图2,具体包括:
S21、将每一所述组合分别输入所述优化后的超分辨率重建网络,生成第三高分辨率图像;
S22、判断所述第三高分辨率图像与所述第一高分辨率图像的误差是否在预设范围内;
其中,误差是用于对优化后的超分辨率重建网络进行评估,误差的计算方法选用的是现有技术中的方法,在此不做限定。预设范围可根据实际需求设定,在此不作限定。
S23、若否,对所述超分辨率重建网络的参数进行二次优化,更新所述优化后的超分辨率重建网络;
二次优化算法与步骤S15中的优化算法可以相同,也可以不同,具体的,可以是Adam、随机梯度下降、AdaGrad等。
本领域技术人员应当理解,步骤S21-S23是迭代执行的过程。
S24、若是,结束评估过程。
在评估过程完成之后,将用于测试的目标低分辨率图像和所述参考图像输入优化后的超分辨率重建网络,即可得到重建的高分辨率图像。
在本实施例中,首先利用损失函数来对超分辨率重建网络进行优化,然后利用误差对优化后的超分辨率重建网络进行评估,若误差不在预设范围内,对超分辨率重建网络进行二次优化,从而充分利用了参考图像中的高频信息,进一步提升了磁共振图像超分辨率重建的效果,减少了超分辨率结果出现细节模糊和额外细节的现象。
本发明实施例公开一种磁共振图像超分辨率重建装置。参照图3,磁共振图像超分辨率重建装置包括:
样本图像获取模块10,用于获取磁共振样本图像,所述磁共振样本图像是高分辨率图像,且所述磁共振样本图像的数量是多张;
用于训练的磁共振样本图像是磁共振仪器扫描到的高分辨率图像,具体的,可以是磁共振仪器采集到的定量图像数据,例如,T1加权图像、T2加权图像和PD加权图像中的一种或多种,其中,T1是纵向弛豫时间,T2是横向弛豫时间,PD是质子密度。由于磁共振成像通常需要采集多个加权图像,因此,利用磁共振加权图像作为样本图像,具有易于获取的特点。
在获取用于训练的磁共振样本图像时,可以从本地数据库或远程服务器获取,也可以从磁共振仪器实时获取,若是实时获取,本申请的磁共振图像超分辨率重建装置可用于线上实时训练和重建,具有即插即用的特点。
磁共振样本图像的数量是多张,例如,可以是5、6或7,具体的,可根据实际应用场景确定磁共振样本图像的数量,在此不作限定。
选取模块20,用于选取一张所述样本图像作为参考图像,并将剩余所述样本图像作为第一高分辨率图像;
在从多张样本图像中选取一张作为参考图像时,可以是随机选取,也可以是根据预设规则自动选取,或人为指定。其中,预设规则是根据分辨率、对比度、时间和其它属性中的一个或多个对每张样本图像进行加权求和,选取权值最大的一张样本图像作为参考图像,其它属性包括T1加权、T2加权或PD加权等。
在选取出一张样本图像作为参考图像之后,将剩余的其它样本图像作为第一高分辨率图像,第一高分辨率图像的数量是至少一张。其中,参考图像和第一高分辨率图像在超分辨率重建网络的训练过程中,具有不同的用途,具体的,参考图像用于提供训练所需的真实高频信息,第一高分辨率图像用于超分辨率重建网络的优化。本领域技术人员应当理解,高频信息对应的是磁共振图像中的细小结构信息。
为了对参考图像和第一高分辨率图像进行区分,在获取到参考图像和第一高分辨率图像之后,利用标签对参考图像和第一高分辨率图像分别进行标注。
第一低分辨率图像生成模块30,用于对所述第一高分辨率图像进行处理,生成第一低分辨率图像;
对所述第一高分辨率图像进行处理的目的是去除高频信息,从而生成对应的第一低分辨率图像。
由于在K空间中,外围数据对应图像的高频信息,中心数据对应图像的低频信息,因此,在本发明中,通过将第一高分辨率图变换到K空间来去除高频信息。具体的,对第一高分辨率图像进行傅里叶变换,将第一高分辨率图像中的各像素映射到K空间各点中,选取K空间的中心部分进行傅里叶逆变换,生成第一低分辨率图像。作为一种示例,对第一高分辨率图像进行傅里叶变换,在K空间得到100*100的频域分量,取中心50*50的频域分量进行逆傅里叶变换,从而得到对应的第一低分辨率图像。
训练模块40,用于将每一所述第一低分辨率图像分别与所述参考图像进行组合,并将每一所述组合分别输入超分辨率重建网络,输出第二高分辨率图像;
超分辨率重建网络是预先构建的深度学习网络,深度学习网络可以根据实际需求进行选择,例如,可以是EDSR、WDSR、SRCNN等。并且,在构建深度学习网络时,可以对深度学习网络的结构进行适应性的变化,例如,增加或减少卷积模块的数量、改变卷积模块中卷积层的个数、改变卷积层的输出通道的数量、改变卷积核大小等。
将参考图像和第一低分辨率图像分别输入超分辨率重建网络,输出的是高分辨率图像,将生成的与所述第一低分辨率对应的图像作为第二高分辨率图像,以用于后续对超分辨率重建网络的优化。
优化模块50,用于基于所述第一高分辨率图像和所述第二高分辨率图像计算损失函数,并对所述超分辨率重建网络的参数进行优化,生成优化后的超分辨率重建网络;
其中,损失函数和优化算法均可根据实际需求选择,例如,损失函数可以是L1损失、MES损失、感知损失等,优化算法可以是Adam、随机梯度下降、AdaGrad等,在此不作具体限定。
在优化过程完成之后,训练过程结束,得到优化后的超分辨率重建网络。
作为一种实施方式,磁共振图像超分辨率重建装置还包括测试模块,用于将目标低分辨率图像和所述参考图像输入优化后的超分辨率重建网络,获得重建的高分辨率图像;其中,所述目标低分辨率图像是用于测试的低分辨率图像。
在本实施例中,采用一张磁共振高分辨率图像作为参考图像,为其它的低分辨率图像提供高频信息的参考,从而使最终生成的高分辨率图像中的高频信息不再是凭空生成的,减少了细小结构模糊和额外细小结构的现象,提升了磁共振图像超分辨率重建的效果。
参照图4,作为另一种实施例,磁共振图像超分辨率重建装置还包括:
第三高分辨率图像生成模块60,用于将每一所述组合分别输入所述优化后的超分辨率重建网络,生成第三高分辨率图像;
更新模块70,用于判断所述第三高分辨率图像与所述第一高分辨率图像的误差是否在预设范围内;若否,对所述超分辨率重建网络的参数进行二次优化,更新所述优化后的超分辨率重建网络;若是,结束评估过程。
其中,误差是用于对优化后的超分辨率重建网络进行评估,误差的计算方法选用的是现有技术中的方法,在此不做限定。预设范围可根据实际需求设定,在此不作限定。
二次优化算法与优化模块50中的优化算法可以相同,也可以不同,具体的,可以是Adam、随机梯度下降、AdaGrad等。
评估过程完成之后,作为一种实施方式,磁共振图像超分辨率重建装置还包括测试模块,用于将目标低分辨率图像和所述参考图像输入优化后的超分辨率重建网络,获得重建的高分辨率图像;其中,所述目标低分辨率图像是用于测试的低分辨率图像。
在本实施例中,首先利用损失函数来对超分辨率重建网络进行优化,然后利用误差对优化后的超分辨率重建网络进行评估,若误差不在预设范围内,对超分辨率重建网络进行二次优化,从而充分利用了参考图像中的高频信息,进一步提升了磁共振图像超分辨率重建的效果,减少了超分辨率结果出现细节模糊和额外细节的现象。
基于同一技术构思,本公开实施例还提供了一种电子设备500。参照图5所示,电子设备500包括处理器501、存储器502和总线503。其中,存储器502用于存储计算机程序,包括内部存储器5021和外部存储器5022;内部存储器5021用于暂时存放处理器501中的运算数据,以及与硬盘等外部存储器5022交换的数据,处理器501通过内部存储器5021与外部存储器5022进行数据交换。
本申请实施例中,存储器502具体用于存储执行本申请技术方案的计算机程序,并由处理器501来控制执行。也即,当电子设备500运行时,处理器501与存储器502之间通过总线503通信,使得处理器501执行存储器502中存储的计算机程序,进而执行前述任一实施例中所述的方法。
其中,存储器502可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM)等。
处理器501可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
可以理解的是,本申请实施例示意的结构并不构成对电子设备500的具体限定。在本申请另一些实施例中,电子设备500可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或软件和硬件的组合实现。
本实施例还提供了一种计算机可读存储介质,如软盘、光盘、硬盘、闪存、U盘、SD(Secure Digital Memory Card,安全数码卡)卡、MMC(Multimedia Card,多媒体卡)卡等,在该可读存储介质中存储有实现上述各个步骤的计算机程序,该计算机程序可被一个或者多个处理器执行,以实现上述实施例中的方法。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (10)
1.一种磁共振图像超分辨率重建方法,其特征在于,包括:
获取磁共振样本图像,所述磁共振样本图像是高分辨率图像,且所述磁共振样本图像的数量是多张;
选取一张所述样本图像作为参考图像,并将剩余所述样本图像作为第一高分辨率图像;
对所述第一高分辨率图像进行处理,生成第一低分辨率图像;
将每一所述第一低分辨率图像分别与所述参考图像进行组合,并将每一所述组合输入超分辨率重建网络,输出第二高分辨率图像;
基于所述第一高分辨率图像和所述第二高分辨率图像计算损失函数,并对所述超分辨率重建网络的参数进行优化,生成优化后的超分辨率重建网络。
2.根据权利要求1所述的方法,其特征在于,还包括:
将每一所述组合分别输入所述优化后的超分辨率重建网络,生成第三高分辨率图像;
判断所述第三高分辨率图像与所述第一高分辨率图像的误差是否在预设范围内,若否,对所述超分辨率重建网络的参数进行二次优化,更新所述优化后的超分辨率重建网络。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
将目标低分辨率图像和所述参考图像输入优化后的超分辨率重建网络,获得重建的高分辨率图像。
4.根据权利要求1或2所述的方法,其特征在于:所述样本图像是磁共振加权图像。
5.根据权利要求1或2所述的方法,其特征在于,所述对所述第一高分辨率图像进行处理,生成第一低分辨率图像的步骤,具体包括:
对所述第一高分辨率图像进行傅里叶变换,选取K空间的中心部分进行傅里叶逆变换,生成第一低分辨率图像。
6.根据权利要求1或2所述的方法,其特征在于,所述损失函数是L1损失、MES损失或感知损失。
7.根据权利要求1或2所述的方法,其特征在于,优化算法是Adam、随机梯度下降或AdaGrad。
8.一种磁共振图像超分辨率重建装置,其特征在于,包括:
样本图像获取模块,用于获取磁共振样本图像,所述磁共振样本图像是高分辨率图像,且所述磁共振样本图像的数量是多张;
选取模块,用于选取一张所述样本图像作为参考图像,并将剩余所述样本图像作为第一高分辨率图像;
第一低分辨率图像生成模块,用于对所述第一高分辨率图像进行处理,生成第一低分辨率图像;
训练模块,用于将每一所述第一低分辨率图像分别与所述参考图像进行组合,并将每一所述组合分别输入超分辨率重建网络,输出第二高分辨率图像;
优化模块,用于基于所述第一高分辨率图像和所述第二高分辨率图像计算损失函数,并对所述超分辨率重建网络的参数进行优化,生成优化后的超分辨率重建网络。
9.一种电子设备,其特征在于:包括存储器和处理器,存储器上存储有能够被处理器加载并执行如权利要求1-7任一项所述的方法的计算机程序。
10.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1-7任一项所述的方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069022.8A CN114494014A (zh) | 2022-01-21 | 2022-01-21 | 一种磁共振图像超分辨率重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069022.8A CN114494014A (zh) | 2022-01-21 | 2022-01-21 | 一种磁共振图像超分辨率重建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494014A true CN114494014A (zh) | 2022-05-13 |
Family
ID=81473488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210069022.8A Pending CN114494014A (zh) | 2022-01-21 | 2022-01-21 | 一种磁共振图像超分辨率重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082310A (zh) * | 2022-06-07 | 2022-09-20 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种卫星视频的超分辨率重建方法、装置及处理设备 |
-
2022
- 2022-01-21 CN CN202210069022.8A patent/CN114494014A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082310A (zh) * | 2022-06-07 | 2022-09-20 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种卫星视频的超分辨率重建方法、装置及处理设备 |
CN115082310B (zh) * | 2022-06-07 | 2023-04-07 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种卫星视频的超分辨率重建方法、装置及处理设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kociołek et al. | Does image normalization and intensity resolution impact texture classification? | |
CN113344799A (zh) | 用于使用深度神经网络减少医学图像中的有色噪声的系统和方法 | |
CN111537931B (zh) | 快速磁共振多参数成像方法和装置 | |
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 | |
CN110148195B (zh) | 一种磁共振图像生成方法、系统、终端及存储介质 | |
Shen et al. | Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN) | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN113012246A (zh) | 产生合成图像数据和提供经训练的函数的方法及处理系统 | |
CN111178502A (zh) | 循环生成对抗网络模型的训练方法、系统以及电子设备 | |
Lu et al. | A novel 3D medical image super-resolution method based on densely connected network | |
Lim et al. | Motion artifact correction in fetal MRI based on a Generative Adversarial network method | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
CN111047512B (zh) | 图像增强方法、装置及终端设备 | |
US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
CN111681297A (zh) | 图像重建方法、计算机设备和存储介质 | |
US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
US20230410315A1 (en) | Deep magnetic resonance fingerprinting auto-segmentation | |
US20220076460A1 (en) | System, method and computer-accessible medium for image reconstruction of non-cartesian magnetic resonance imaging information using deep learning | |
Ravi et al. | Accelerated MRI using intelligent protocolling and subject-specific denoising applied to Alzheimer's disease imaging | |
US20220138943A1 (en) | System and method to detect abnormality of subjects directly from mri k-space data | |
CN117333571B (zh) | 磁共振图像的重建方法、系统、设备及介质 | |
Nimitha et al. | Multi image super resolution of MRI images using generative adversarial network | |
CN115578285B (zh) | 一种乳腺钼靶图像细节增强方法及系统 |
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 |