CN114663288A

CN114663288A - 一种单轴向头部mri超分辨率重建方法

Info

Publication number: CN114663288A
Application number: CN202210371270.8A
Authority: CN
Inventors: 刘伟; 李绘; 赵岩
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2022-04-11
Filing date: 2022-04-11
Publication date: 2022-06-24

Abstract

本发明公开了一种单轴向头部MRI超分辨率重建方法，该方法首先选取层间距较小高分辨的MRI图像数据，对选取的MRI数据进行预处理，得到层间距较小的MRI数据块和其对应的层间距较大的MRI数据块；然后建立基于多尺度密集连接卷积的MRI超分辨率重建模型，将预处理得到的层间距较大数据块作为输入，将层间距较小的数据块作为模型的目标输出，对模型进行训练，得到单轴向头部MRI超分辨率重建；最后将重建得到的数据块按照取样顺序进行拼接得到层间距较小的MRI数据。该方法使用密集连接卷积和多尺度采样，图像重建速度快，重建得到的图像质量高，为医学图像处理提供更精密数据。

Description

一种单轴向头部MRI超分辨率重建方法

技术领域

本发明涉及医学图像处理技术领域，具体是一种单轴向头部MRI超分辨率重建方法。

背景技术

在磁共振成像(MRI)过程中，由于图像采集传感器的限制，图像的信噪比和空间分辨率会受到影响。另一方面，由于图像数据存储空间的限制，在图像采集时通过略去一些与诊断信息关联不大的影像数据以减轻医院的存储压力。这类图像数据其片内分辨率较高以满足医生诊断需求，图像层间距较大以节约存储空间，层间距通常是3-10mm。

在只使用一个轴向的数据进行图像处理任务中，对于现在的医学图像机器视觉任务，在经常使用的3D卷积操作中，由于图像层间距的影响，导致每一个卷积核覆盖的真实空间并不是正方体，而是一个有一个边很长的长方体，卷积核在不同轴向上提取的图像的空间分辨率不同，导致模型性能的下降。

层间距越大，部分体积效应越强，当感兴趣的对象穿过相邻成像平面之间时，会影响并限制诊断质量和精度。例如在血管成像中，较大的切片厚度会对血管半径估计等任务产生不利影响，血管半径的评估对于疾病的诊断，手术计划的制定，药物流动模拟的建立等方面非常重要。

在使用单轴向的数据进行图像处理任务时，如果不能减小层间距造成的影响，会对后续的图像处理任务造成影响，例如影响图像分割和疾病的分类问题的实验精度。有必要设计一种医学影像超分辨率重建方法，提高医学图像的分析精度。

发明内容

本发明的目的克服现有技术的不足，提供一种单轴向头部MRI超分辨率重建方法，解决MRI图像层间距较大问题，该方法采用了下采样和密集卷积连接的方法，图像重建速度快，重建图像质量高。

实现本发明目的的技术方案是：

一种单轴向头部MRI超分辨率重建方法，具体包括如下步骤：

1)选取头部高分辨率层间距较小的MRI图像数据，将该数据进行预处理，得到层间距较小的MRI数据块和其对应的层间距较大的MRI数据块，并将其分为两部分，一部分作为训练集将作为步骤2)的模型训练数据，一部分作为测试集将作为步骤4)模型的测试数据；

2)建立基于多尺度密集连接卷积的MRI超分辨率重建模型，步骤1)描述训练集中的层间距较大的MRI数据块作作为步骤3)重建模型网络的输入数据，步骤1)描述的训练集中层间距较小的MRI数据块作为步骤3)重建模型网络的目标输出数据；

3)训练步骤2)所述的基于多尺度密集连接卷积的MRI超分辨率重建模型，选取合适的优化器，和优化器对应的迭代参数，通过前向传播得到模型的误差，反向传播迭代模型中的参数，不断优化模型中的参数，当误差的变化量很小之后，停止训练模型。

4)将步骤1)得到的测试集中的层间距较大的MRI数据块，输入到步骤3)建立的模型中，得到输出数据；

5)将步骤4)所得到的输出数据进行重新整合，按照步骤1)取数据的顺序拼接步骤4)所得到的输出数据，得到层间距较小的MRI图像数据。

所述的步骤1)，具体是选取的数据为层间距为1mm的高分辨率MRI数据，数据为DICOM格式图像，其每个像素真实空间大小为1mm×1mm×1mm，图像的行数为256行，列数为256列；在预处理图像过程中，首先将DICOM数据转换成位图数据，将像素取值范围转换到0-1之内，将得到的图像转化为三维数组，数组的大小为N×256×256，这里的N为DICOM图像的张数，然后在N×256×256的数组上滑动的取9×256×256的数据块作为层间距较小的MRI数据块，滑动的步进通常为8层，以方便步骤5)的数据重建过程，将滑动取出的9×256×256数据块的一个轴向上，取第1、3、5、7、9片得到5×256×256数据块，即层间距较大的MRI数据块，最后将数据块按照7：3进行分类，分为训练集和测试集，训练集将被用于训练步骤3)中的基于多尺度密集连接卷积的MRI超分辨率重建模型，测试集将被用于测试步骤3)中的基于多尺度密集连接卷积的MRI超分辨率重建模型。

所述的步骤2)，具体是构建基于多尺度密集连接卷积的MRI超分辨率重建模型，是由2D卷积层、密集连接卷积模块、转置卷积层和池化层四种结构共同组成；密集连接卷积模块是由3D卷积层、2D卷积层和一些跳跃连接构成，其模块输为64通道数据，输出也是64通道数据，模块具体由4组拥有32个卷积核的3D卷积层，和一组拥有64层的2D卷积层构成，5个卷积层串行连接，将第1次3D卷积的结果传递连接到第2、3和4次卷积结果的之后，将第2次3D卷积的结果传递连接到第3、和4次卷积结果的之后，将第3次3D卷积的结果传递连接到第4次卷积结果的之后，这样4组3D卷积之后得到的数据为160通道，经过64个卷积核的2D卷积层恢复到64通道；模型使用了三次下采样，和三次转置卷积，在每次下采样前和转置卷积后都使用了密集卷积模块，在下采样和转置卷积过程中将相同尺寸的图像进行跳跃连接；通过多级跳跃连接，加深了网络的深度，缓解了梯度消失问题，每层的输出特征图都是之后所有层的输入，从而加强了特征的传递，更有效地利用了特征。

所述的步骤3)，具体是训练步骤2)所述的基于多尺度密集连接卷积的MRI超分辨率重建模型，将步骤1)的训练集数据输入模型中训练，得到MRI超分辨率重建模型，训练过程中，将由模型得到的层间距较小数据块，与真实间距较小数据块做比较，使用Adam作为优化器，使用绝对误差和梯度误差作为他们之间损失值的损失函数，损失值通过反向传播算法不断地迭代优化模型中的参数。

所述的步骤4)，具体是将步骤1)中测试集中的层间距较大的5×256×256MRI数据块，输入到步骤3)所述训练好的于多尺度密集连接卷积的MRI超分辨率重建模型中，模型输出层间距较小的9×256×256MRI数据块。

所述的步骤5)，具体是步骤4)得到的9×256×256MRI数据块，按照步骤1)所述的滑动方向，进行重组步骤1)的滑动步进为8，按照边缘一层重复的原则重建出所有MRI数据。

有益效果：本发明提供的一种单轴向头部MRI超分辨率重建方法，解决MRI图像层间距较大问题，该方法采用了下采样和密集卷积连接的方法，图像重建速度快，重建图像质量高。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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为单轴向头部MRI超分辨率重建方法技术线路图；

图2为基于多尺度密集连接卷积的MRI超分辨率重建模型示意图。

具体实施方式

下面结合附图和实施例对本发明进一步阐述，但不是对本发明的限定。

如图1所示，单轴向头部MRI超分辨率重建方法技术线路图，主要包括如下步骤：

1)头部层间距较大MRI图像数据：

使用磁共振设备采集单轴向层间距较大的头部MRI图像数据，对数据进行预处理，首先将DICOM数据转换成位图数据，然后将图像数据转化为三维数组并对数据进行归一化，最后在三维数据中取5×256×256的数据块。

2)基于多尺度密集连接卷积的MRI超分辨率重建模型：

基于多尺度密集连接卷积的MRI超分辨率重建模型如图2基所示。图中的箭头表示数据在模型中的流向，模型由2D卷积层、密集连接卷积模块、转置卷积层和池化层四种结构共同组成，模型的输入数据尺寸为5×256×256，模型的输出数据尺寸为9×256×256；

密集连接卷积模块，是由3D卷积层、2D卷积层和一些跳跃连接构成，其模块输为64通道数据，输出也是64通道数据，模块具体由4组拥有32个卷积核的3D卷积层和一组拥有64层的2D卷积层构成，5个卷积层串行连接，将第1次3D卷积的结果传递连接到第2、3和4次卷积结果的之后，将第2次3D卷积的结果传递连接到第3、和4次卷积结果的之后，将第3次3D卷积的结果传递连接到第4次卷积结果的之后，这样4组3D卷积之后得到的数据为160通道，经过64个卷积核的2D卷积层恢复到64通道，这样的结构保证了在模块输入和输出的通道数相同；

模型使用了三次下采样，和三次转置卷积，在每次下采样前和转置卷积后都使用了密集卷积模块，在下采样和转置卷积过程中将相同尺寸的图像进行跳跃连接，在图2中由靠上方的三组箭头表示；

密集连接卷积网络，主要特点是将每一层的特征都输入给之后的所有层，在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来。为了能够保证前馈的特性，每一层将之前所有层的输入进行拼接，之后将输出的特征图传递给之后的所有层。这样的密集连接卷积网络可以缓解梯度消失问题、加强特征传播、一定程度上减少参数数量。种连接方式使得特征和梯度的传递更加有效，每一层都可以直接利用损失函数的梯度以及最开始的输入信息，相当于是一种隐形的深度监督，这有助于训练更深的网络，从而缓解了梯度消失问题。每层的输出特征图都是之后所有层的输入，从而加强了特征的传递，更有效地利用了特征；

如图2所示，模型使用密集连接卷积网络作为基础模块，进行了多尺度信息融合。通过降低图像的尺寸增大卷积核的感受野，又由于使用了跳跃连接，池化操作并没有降低超分辨网络的特征提取能力。由于MRI图像相邻切片之间存在相关性，在密集连接卷积网络模块中使用到的卷积均为3D卷积。

3)层间距减小的MRI图像：

模型的输出为9×256×256数据块，将数据块按照其生成位置，进行重新拼接，得到整个空间中的MRI数据。

4)MRI图像数据的可视化：

由于，在整个过程中数据进行了归一化，首先需要将三维数组重新映射到0-255的范围上，然后将三维数组沿着某一个方向进行切片得到二维数组，最后将二维数组转化为图片。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims

1.一种单轴向头部MRI超分辨率重建方法，具体包括如下步骤：

2.根据权利要求1所述的一种单轴向头部MRI超分辨率重建方法，其特征在于，所述的步骤1)，具体是选取的数据为层间距为1mm的高分辨率MRI数据，数据为DICOM格式图像，其每个像素真实空间大小为1mm×1mm×1mm，图像的行数为256行，列数为256列；在预处理图像过程中，首先将DICOM数据转换成位图数据，将像素取值范围转换到0-1之内，将得到的图像转化为三维数组，数组的大小为N×256×256，这里的N为DICOM图像的张数，然后在N×256×256的数组上滑动的取9×256×256的数据块作为层间距较小的MRI数据块，滑动的步进通常为8层，以方便步骤5)的数据重建过程，将滑动取出的9×256×256数据块的一个轴向上，取第1、3、5、7、9片得到5×256×256数据块，即层间距较大的MRI数据块，最后将数据块按照7：3进行分类，分为训练集和测试集，训练集将被用于训练步骤3)中的基于多尺度密集连接卷积的MRI超分辨率重建模型，测试集将被用于测试步骤3)中的基于多尺度密集连接卷积的MRI超分辨率重建模型。

3.根据权利要求1所述的一种单轴向头部MRI超分辨率重建方法，其特征在于，所述的步骤2)，具体是构建基于多尺度密集连接卷积的MRI超分辨率重建模型，是由2D卷积层、密集连接卷积模块、转置卷积层和池化层四种结构共同组成；密集连接卷积模块是由3D卷积层、2D卷积层和一些跳跃连接构成，其模块输为64通道数据，输出也是64通道数据，模块具体由4组拥有32个卷积核的3D卷积层，和一组拥有64层的2D卷积层构成，5个卷积层串行连接，将第1次3D卷积的结果传递连接到第2、3和4次卷积结果的之后，将第2次3D卷积的结果传递连接到第3、和4次卷积结果的之后，将第3次3D卷积的结果传递连接到第4次卷积结果的之后，这样4组3D卷积之后得到的数据为160通道，经过64个卷积核的2D卷积层恢复到64通道；模型使用了三次下采样，和三次转置卷积，在每次下采样前和转置卷积后都使用了密集卷积模块，在下采样和转置卷积过程中将相同尺寸的图像进行跳跃连接；通过多级跳跃连接，加深了网络的深度，缓解了梯度消失问题，每层的输出特征图都是之后所有层的输入，从而加强了特征的传递，更有效地利用了特征。

4.根据权利要求1所述的一种单轴向头部MRI超分辨率重建方法，其特征在于，所述的步骤3)，具体是训练步骤2)所述的基于多尺度密集连接卷积的MRI超分辨率重建模型，将步骤1)的训练集数据输入模型中训练，得到MRI超分辨率重建模型，训练过程中，将由模型得到的层间距较小数据块，与真实间距较小数据块做比较，使用Adam作为优化器，使用绝对误差和梯度误差作为他们之间损失值的损失函数，损失值通过反向传播算法不断地迭代优化模型中的参数。

5.根据权利要求1所述的一种单轴向头部MRI超分辨率重建方法，其特征在于，所述的步骤4)，具体是将步骤1)中测试集中的层间距较大的5×256×256MRI数据块，输入到步骤3)所述训练好的于多尺度密集连接卷积的MRI超分辨率重建模型中，模型输出层间距较小的9×256×256MRI数据块。

6.根据权利要求1所述的一种单轴向头部MRI超分辨率重建方法，其特征在于，所述的步骤5)，具体是步骤4)得到的9×256×256MRI数据块，按照步骤1)所述的滑动方向，进行重组步骤1)的滑动步进为8，按照边缘一层重复的原则重建出所有MRI数据。