CN115063500B - 基于生成对抗网络的磁性纳米粒子成像重建方法 - Google Patents
基于生成对抗网络的磁性纳米粒子成像重建方法 Download PDFInfo
- Publication number
- CN115063500B CN115063500B CN202210656713.8A CN202210656713A CN115063500B CN 115063500 B CN115063500 B CN 115063500B CN 202210656713 A CN202210656713 A CN 202210656713A CN 115063500 B CN115063500 B CN 115063500B
- Authority
- CN
- China
- Prior art keywords
- image
- generator
- countermeasure network
- representing
- signal
- 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 63
- 238000003384 imaging method Methods 0.000 title claims abstract description 36
- 239000002122 magnetic nanoparticle Substances 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008485 antagonism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002105 nanoparticle Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于生物医学成像技术领域，具体涉及一种基于生成对抗网络的磁性纳米粒子成像重建方法、系统、设备，旨在解决现有磁性纳米粒子成像重建方法重建时间长且重建图像的分辨率低的问题。本方法包括：获取待成像重建的一维MPI信号，作为输入信号；将输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像；其中，生成对抗网络模型包括生成器、判别器。本发明能够减少重建时间和提高重建图像的分辨率。
Description
技术领域
本发明属于生物医学成像技术领域，具体涉及一种基于生成对抗网络的磁性纳米粒子成像重建方法、系统、设备。
背景技术
磁性纳米粒子成像(MPI)是一种新的成像方式，用于重建待测物内的超顺磁纳米粒子(SPION)的浓度分布，MPI适用于实时成像，因为它可以实现高帧速率。这些特性使其成为干细胞追踪、血管造影和靶向药物输送等应用的理想模式。
MPI重建技术分为两种，一种是依赖系统矩阵预表征SPION的信号响应，系统矩阵将理想的磁场自由点扫描到SPION产生的脉冲信号的谐波定位到空间中存在SPION的位置处，系统矩阵的获取通常采用机械移动标准样品在感兴趣区域内部采集每个位置的参考信号，一旦系统矩阵被测量之后，通过矩阵的反演技术比如奇异值分解等来进行重建。图像重建通常通过求解具有系统函数的线性方程来实现，该系统函数将测量的信号频谱映射到空间浓度。该函数包括粒子的非线性磁响应以及测量条件，可以解释为正交特殊函数与朗之万函数的导数的卷积。MPI中的图像重建使用通过直接测量或基于模型的模拟创建的核矩阵。因此，由于在相对较小的纳米颗粒尺寸处出现较大的卷积效应，或者由于外部噪声，病态逆问题可能是不可避免的。解析方法不直接应用于图像重建。因此，需要一种正则化技术来检索具有高分辨率的图像。各种迭代方法已被用于成功重建粒子图像。然而，与分析技术相比，这种迭代方法存在计算成本大的问题。
MPI另一种重建技术是X-space算法，这种算法表征MPI信号在时间域内的扫描，原始的MPI信号通过使用一个快速的两步速度补偿的过程在MPI系统中得到SPION的分布信息，不需要矩阵的反演或预表征，也不需要对粒子的环境进行建模，因此X-space空间图像重建算法具有很强的鲁棒性和实时性，与谐波空间域MPI重建对比，X空间MPI重建过程仅仅涉及速度补偿和网格化，因此具有实时重建的潜力，在使用X-space重建过程中，假设SPION可以瞬间绝热并排列，在外部磁场强度大于5mT情况下会饱和，除此之外忽略粒子的驰豫效应也是本研究实施的前提条件之一，即X-space算法忽略粒子的弛豫情况。
针对上述重建技术的缺陷，目前，已有研究使用卷积神经网络和深度神经网络用于MPI图像的重建，但网络主要用来代替系统矩阵，网络层数较少，无法替代原有的重建技术，而且重建时间长，分辨率低。
生成对抗网络(GAN)是在2014年被提出的图像生成网络，它由一个生成器和一个判别器组成，生成器用于从真实图像中学习复杂的数据分布从而生成接近真实的图像，判别器用于鉴别真实的图像和生成后的图像。生成器的训练目的是判别器的犯错率最大化，判别器的训练目的是自己的犯错率最小化，二者相互对抗最终达到平衡。在原始的GAN中，输入为随机的噪声，所以无法控制生成的内容。但条件GAN的提出使得我们可以将条件输入y添加到随机噪声Z，以便生成的图像由G(z,y)定义，进而可以提升重建分辨率、缩短重建时间。基于此，本发明提出了一种基于生成对抗网络的磁性纳米粒子成像重建方法，以MPI仿真软件的一维信号作为条件y，实现从一维信号到二维图像的生成。
发明内容
为了解决现有技术中的上述问题，即为了解决现有磁性纳米粒子成像重建方法重建时间长且重建图像的分辨率低的问题，本发明第一方面，提出了一种基于生成对抗网络的磁性纳米粒子成像重建方法，该方法包括：
S100，获取待成像重建的一维MPI信号，作为输入信号；
S200，将所述输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像；
其中，所述生成对抗网络模型包括生成器、判别器；
所述生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；所述编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间；
所述判别器基于依次连接的N个卷积层、全连接层构建；N为正整数。
在一些优选的实施方式中，所述生成对抗网络模型，其训练方法为：
A100，通过MATLAB中预选取的模型生成不同种类的二值图像；对二值图像进行仿真，生成对应的一维MPI信号；所述二值图像包括几何图像、字母图像以及分辨率图像；
A200，将二值图像作为真值标签，结合对应的一维MPI信号，构建训练样本，得到训练数据集；
A300，将二值图像输入预构建的VGG16模型中，得到二值图像的类别；将所述二值图像的类别以及二值图像对应的一维MPI信号输入预构建的生成器，生成二维MPI图像，作为预测图像；
A400，基于所述预测图像，结合所述预测图像对应的真值标签，通过预构建的生成器损失函数，得到损失值，对生成器的网络参数进行更新；
A500，将所述预测图像、对应的真值标签，输入预构建的判别器，判别所述预测图像的真假；
A600，结合所述预测图像对应的真假判别结果，通过预构建的判别器损失函数，得到损失值，对判别器的网络参数进行更新；
A700，循环A300-A600，直至得到训练好的生成对抗网络模型。
在一些优选的实施方式中，所述预选取的模型包括几何模型、字母模型和分辨率模型。
在一些优选的实施方式中，所述VGG16模型中卷积层的卷积核尺寸为3×3，步长为1。
在一些优选的实施方式中，所述生成器损失函数为：
其中，表示生成器损失函数，G表示生成器，D表示判别器，y表示二值图像的类别，x表示真实图像，即真值标签，G(z|y)表示生成器生成的图像，z表示输入的一维MPI信号，/>表示x的概率分布函数，λG表示预设的第一常数系数，LMAE表示平均绝对误差函数。
在一些优选的实施方式中，所述判别器损失函数为：
若生成器的输入为字母图像的一维MPI信号，则该判别器损失函数为：
其中，表示判别器损失函数，/>表示z的概率分布函数，LBCE表示二分类交叉熵损失函数，tletter表示提取字母图像的特征，λD表示预设的第二常数系数；
若生成器的输入为几何图像的一维MPI信号，则该判别器损失函数为：
其中，tgeometry表示提取几何图像的特征；
若生成器的输入为分辨率图像的一维MPI信号，则该判别器的损失函数为：
其中，tresolution表示提取分辨率图像的特征。
本发明的第二方面，提出了一种基于生成对抗网络的磁性纳米粒子成像重建系统，包括：信号获取模块、图像重建模块；
所述信号获取模块，配置为获取待成像重建的一维MPI信号，作为输入信号；
所述图像重建模块，配置为将所述输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像；
其中，所述生成对抗网络模型包括生成器、判别器；
所述生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；所述编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间；
所述判别器基于依次连接的N个卷积层、全连接层构建；N为正整数。
本发明的第三方面，提出了一种设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于生成对抗网络的磁性纳米粒子成像重建方法。
本发明的第四方面，提出了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指令，所述计算机指令用于被所述计算机执行以实现上述的基于生成对抗网络的磁性纳米粒子成像重建方法。
本发明的有益效果：
本发明能够减少重建时间和提高重建图像的分辨率。
1)本发明生成对抗网络模型中的生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间；这样构建生成器，一方面可以降低计算和内存量；另一方面可以逐步增大特征的分辨率但是降低嵌入层的维度，更好地提取特征，提升图像重建分辨率。
2)本发明通过不同模型生成不同类型的二值图像，将二值图像通过仿真软件进行仿真，得到不同种类的一维信号，丰富了训练数据，提升了生成对抗网络模型的精度；
3)本发明在训练过程中，将二值图像的类别作为预测图像生成的约束条件，使图像生成能够朝规定的方向进行，实现从一维信号到二维图像的生成；结合生成的二维MPI图像，通过预构建的生成器损失函数、判别器损失函数对生成对抗网络模型进行训练，提升模型的精度，进一步提高重建图像的分辨率，减少重建时间。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于生成对抗网络的磁性纳米粒子成像重建方法的流程示意图；
图2是本发明一种实施例的基于生成对抗网络的磁性纳米粒子成像重建系统的框架示意图；
图3是本发明一种实施例生成对抗网络模型训练过程的简略示意图；
图4是本发明一种实施例的生成对抗网络模型的生成器的具体结构示意图；
图5是本发明一种实施例的生成对抗网络模型的判别器的具体结构示意图；
图6是本发明一种实施例的VGG16模型的具体结构示意图；
图7是本发明一种实施例的生成对抗网络模型训练过程以及验证过程的简略示意图；
图8是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于生成对抗网络的磁性纳米粒子成像重建方法，如图1所示，包括以下步骤：
S100，获取待成像重建的一维MPI信号，作为输入信号；
S200，将所述输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像；
其中，所述生成对抗网络模型包括生成器、判别器；
所述生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；所述编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间；
所述判别器基于依次连接的N个卷积层、全连接层构建；N为正整数。
为了更清晰地对本发明基于生成对抗网络的磁性纳米粒子成像重建方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在下述实施例中，先对生成对抗网络模型的训练过程进行详述，再对基于生成对抗网络的磁性纳米粒子成像重建方法重建二维MPI图像的过程进行详述。
1、生成对抗网络模型的训练过程，如图3所示
A100，通过MATLAB中预选取的模型生成不同种类的二值图像；对二值图像进行仿真，生成对应的一维MPI信号；所述二值图像包括几何图像、字母图像以及分辨率图像；
在本实施例中，首先使用MATLAB生成10000张三种不同模型的二值图像，具体为：分别通过几何模型、字母模型和分辨率模型，得到二值图像(即二值图像包括几何图像、字母图像以及分辨率图像，如图3所示)，使用仿真软件将二值图像生成对应的一维信号(即一维MPI信号)；其中，仿真软件本发明中优选MPIRF仿真软件，在其他实施例中，可以根据实际需要进行选取。
A200，将二值图像作为真值标签，结合对应的一维MPI信号，构建训练样本，得到训练数据集；
在本实施例中，将10000个配对数据(即一维MPI信号及其对应的二值图像真值标签)中的8000对作为训练数据，剩余2000对作为测试数据集。同时，使用MPI设备实际采集10组不同模型的数据作为测试数据集，如图7所示，zsim表示仿真信号，即通过仿真软件生成的一维MPI信号，zdet表示实采信号，即通过MPI设备实际采集的一维MPI信号。
A300，将二值图像输入预构建的VGG16模型中，得到二值图像的类别；将所述二值图像的类别以及二值图像对应的一维MPI信号输入预构建的生成器，生成二维MPI图像，作为预测图像；
在本实施例中，先通过VGG16模型得到训练样本中二值图像的类别，如图3所示。由于图像有3种类型，因此需要先对二值图像进行自动的分类，比如字母图像分类结果是00，分辨率图像的分类结果是01，几何图像分类结果是10，如果没有办法分辨出类别，就是11。
其中，VGG16模型的整体结构如图6所示(图6中的size表示尺寸，conv表示卷积层，pool表示池化，fc表示全连接层，另外，例如图6中的3×3conv，64，表示卷积核尺寸为3×3的卷积层，共64个通道；fc 4096表示全连接层该层的节点数为4096，其余同理，此处不再一一陈述)，其中VGG16模型中卷积层的卷积核尺寸(kernels)为3×3，步长(stride)为1，不存在信息丢失。训练时，用多分类交叉损失函数优化，VGG16模型的损失函数为：
Loss＝α1*loss1+α2*loss2+α3*loss3 (1)
其中，lossi(i＝1，2，3)分别表示字母分支、分辨率分支和几何分支的交叉熵损失函数，α1、α2、α3表示不同分支对应的预设权重。经现有的研究表明，为多任务中不同分支设置合适的权重可以提高整个或单个任务的识别精度。
另外，在本发明中，生成对抗网络模型包括生成器、判别器；所述生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；
所述编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间、一个上采样单元(即图4中的2×上采样，2×表示将图像的维度增加，比如说输入前矩阵维度为8×8，经过上采样之后变为16×16)，如图4所示，其中，所述线性逆摊平层用于改变Transformer编码器编码后的特征矩阵的维度，将其变为二维图像。
通过上述构建的生成器的优势在于：1、可以降低计算和内存量；可以逐步增大特征的分辨率但是降低嵌入层的维度(更好地提取特征，提升图像分辨率)。生成器主要用于将输入的一维MPI信号进行图像重建，得到对应的二维MPI图像(即图3、4、7中的重建图像)。
其中，生成器在生成二维MPI图像的具体过程为：
将所述二值图像的类别以及二值图像对应的一维MPI信号(即训练样本中的一维MPI信号)输入预构建的生成器，二值图像的类别作为生成器的条件约束，使图像生成能够朝规定的方向进行，进而得到二维MPI图像。
A400，基于所述预测图像，结合所述预测图像对应的真值标签，通过预构建的生成器损失函数，得到损失值，对生成器的网络参数进行更新；
在本实施例中，生成器损失函数为：
其中，表示生成器损失函数，G表示生成器，D表示判别器，y表示二值图像的类别，x表示真实图像，即真值标签，G(z|y)表示生成器生成的图像，z表示输入的一维MPI信号，/>表示x的概率分布函数，λG表示预设的第一常数系数，LMAE表示平均绝对误差函数。
A500，将所述预测图像、对应的真值标签，输入预构建的判别器，判别所述预测图像的真假；
在本实施例中，判别器基于依次连接的N个卷积层、全连接层构建；N为正整数。在本发明中，N优选设置为4，如图5所示。
将预测图像、对应的真值标签(即真实图像，如图3、4、7所示)，输入预构建的判别器，判别所述预测图像的真假。
A600，结合所述预测图像对应的真假判别结果，通过预构建的判别器损失函数，得到损失值，对判别器的网络参数进行更新；
在本实施例中，针对生成器不同的输入，构建不同的判别器损失函数。
若生成器的输入为字母图像的一维MPI信号，则判别器损失函数如公式(3)所示：
其中，表示判别器损失函数，/>表示z的概率分布函数，LBCE表示二分类交叉熵损失函数，tletter表示提取字母图像的特征，λD表示预设的第二常数系数；
若生成器的输入为几何图像的一维MPI信号，则判别器损失函数如公式(4)所示：
其中，tgeometry表示提取几何图像的特征；
若生成器的输入为分辨率图像的一维MPI信号，则判别器的损失函数如公式(5)所示：
其中，tresolution表示提取分辨率图像的特征。
A700，循环A300-A600，直至得到训练好的生成对抗网络模型。
在本实施例中，循环更新生成器、判别器的网络参数，直至得到训练好的生成对抗网络模型。
2、基于生成对抗网络的磁性纳米粒子成像重建方法
S100，获取待成像重建的一维MPI信号，作为输入信号；
S200，将所述输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像。
在本实施例中，先获取待成像重建的一维MPI信号，将其输入上述训练好的生成对抗网络模型的生成器，进行图像重建，得到二维MPI图像。
本发明第二实施例的一种基于生成对抗网络的磁性纳米粒子成像重建系统，如图2所示，包括：信号获取模块100、图像重建模块200；
所述信号获取模块100，配置为获取待成像重建的一维MPI信号，作为输入信号；
所述图像重建模块200，配置为将所述输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像；
其中，所述生成对抗网络模型包括生成器、判别器；
所述生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；所述编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间；
所述判别器基于依次连接的N个卷积层、全连接层构建；N为正整数。
需要说明的是，上述实施例提供的基于生成对抗网络的磁性纳米粒子成像重建系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于生成对抗网络的磁性纳米粒子成像重建方法。
本发明第四实施例的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指令，所述计算机指令用于被所述计算机执行以实现上述的基于生成对抗网络的磁性纳米粒子成像重建方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图8，其示出了适于用来实现本申请系统、方法、设备实施例的服务器的计算机系统的结构示意图。图8示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)801，其可以根据存储在只读存储器(ROM，Read Only Memory)802中的程序或者从存储部分808加载到随机访问存储器(RAM，Random Access Memory)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有系统操作所需的各种程序和数据。CPU801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O，Input/Output)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管、液晶显示器等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如局域网卡、调制解调器等的网络接口卡的通讯部分809。通讯部分809经由诸如因特网的网络执行通讯处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被CPU801执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、ROM、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言，如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网或广域网连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于生成对抗网络的磁性纳米粒子成像重建方法，其特征在于，该方法包括以下步骤：
S100，获取待成像重建的一维MPI信号，作为输入信号；
S200，将所述输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像；
其中，所述生成对抗网络模型包括生成器、判别器；
所述生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；所述编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间；
所述判别器基于依次连接的N个卷积层、全连接层构建；N为正整数。
2.根据权利要求1所述的基于生成对抗网络的磁性纳米粒子成像重建方法，其特征在于，所述生成对抗网络模型，其训练方法为：
A100，通过MATLAB中预选取的模型生成不同种类的二值图像；对二值图像进行仿真，生成对应的一维MPI信号；所述二值图像包括几何图像、字母图像以及分辨率图像；
A200，将二值图像作为真值标签，结合对应的一维MPI信号，构建训练样本，得到训练数据集；
A300，将二值图像输入预构建的VGG16模型中，得到二值图像的类别；将所述二值图像的类别以及二值图像对应的一维MPI信号输入预构建的生成器，生成二维MPI图像，作为预测图像；
A400，基于所述预测图像，结合所述预测图像对应的真值标签，通过预构建的生成器损失函数，得到损失值，对生成器的网络参数进行更新；
A500，将所述预测图像、对应的真值标签，输入预构建的判别器，判别所述预测图像的真假；
A600，结合所述预测图像对应的真假判别结果，通过预构建的判别器损失函数，得到损失值，对判别器的网络参数进行更新；
A700，循环A300-A600，直至得到训练好的生成对抗网络模型。
3.根据权利要求2所述的基于生成对抗网络的磁性纳米粒子成像重建方法，其特征在于，所述预选取的模型包括几何模型、字母模型和分辨率模型。
4.根据权利要求2所述的基于生成对抗网络的磁性纳米粒子成像重建方法，其特征在于，所述VGG16模型中卷积层的卷积核尺寸为3×3，步长为1。
5.根据权利要求4所述的基于生成对抗网络的磁性纳米粒子成像重建方法，其特征在于，所述生成器损失函数为：
其中，表示生成器损失函数，G表示生成器，D表示判别器，y表示二值图像的类别，x表示真实图像，即真值标签，G(z|y)表示生成器生成的图像，z表示输入的一维MPI信号，表示x的概率分布函数，λG表示预设的第一常数系数，LMAE表示平均绝对误差函数。
6.根据权利要求5所述的基于生成对抗网络的磁性纳米粒子成像重建方法，其特征在于，所述判别器损失函数：
若生成器的输入为字母图像的一维MPI信号，则判别器损失函数为：
其中，表示判别器损失函数，/>表示z的概率分布函数，LBCE表示二分类交叉熵损失函数，tletter表示提取字母图像的特征，λD表示预设的第二常数系数；
若生成器的输入为几何图像的一维MPI信号，则判别器损失函数为：
其中，tgeometry表示提取几何图像的特征；
若生成器的输入为分辨率图像的一维MPI信号，则判别器损失函数为：
其中，tresolution表示提取分辨率图像的特征。
7.一种基于生成对抗网络的磁性纳米粒子成像重建系统，其特征在于，该系统包括：信号获取模块、图像重建模块；
所述信号获取模块，配置为获取待成像重建的一维MPI信号，作为输入信号；
所述图像重建模块，配置为将所述输入信号输入训练好的生成对抗网络模型的生成器进行图像重建，得到二维MPI图像；
其中，所述生成对抗网络模型包括生成器、判别器；
所述生成器基于依次连接的全连接层、编码模块、线性逆摊平层构建；所述编码模块包括四个Transformer编码器、三个上采样单元，上采样单元位于两两Transformer编码器之间；
所述判别器基于依次连接的N个卷积层、全连接层构建；N为正整数。
8.一种设备，其特征在于，包括：
至少一个处理器；以及与至少一个所述处理器通信连接的存储器；
其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-6任一项所述的基于生成对抗网络的磁性纳米粒子成像重建方法。
9.一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存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-6任一项所述的基于生成对抗网络的磁性纳米粒子成像重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210656713.8A CN115063500B (zh) | 2022-06-10 | 2022-06-10 | 基于生成对抗网络的磁性纳米粒子成像重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210656713.8A CN115063500B (zh) | 2022-06-10 | 2022-06-10 | 基于生成对抗网络的磁性纳米粒子成像重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063500A CN115063500A (zh) | 2022-09-16 |
| CN115063500B true CN115063500B (zh) | 2024-06-07 |
Family
ID=83199907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210656713.8A Active CN115063500B (zh) | 2022-06-10 | 2022-06-10 | 基于生成对抗网络的磁性纳米粒子成像重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063500B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019238976A1 (en) * | 2018-06-15 | 2019-12-19 | Université de Liège | Image classification using neural networks |
| CN113628296A (zh) * | 2021-08-04 | 2021-11-09 | 中国科学院自动化研究所 | 一种从时频域信号到二维图像的磁粒子成像重建方法 |
| CN113850883A (zh) * | 2021-10-14 | 2021-12-28 | 北京航空航天大学 | 基于注意力机制的磁粒子成像重建方法 |
-
2022
- 2022-06-10 CN CN202210656713.8A patent/CN115063500B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019238976A1 (en) * | 2018-06-15 | 2019-12-19 | Université de Liège | Image classification using neural networks |
| CN113628296A (zh) * | 2021-08-04 | 2021-11-09 | 中国科学院自动化研究所 | 一种从时频域信号到二维图像的磁粒子成像重建方法 |
| CN113850883A (zh) * | 2021-10-14 | 2021-12-28 | 北京航空航天大学 | 基于注意力机制的磁粒子成像重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Modified LSR Algorithm Based on the Critical Value of Characteristic Slopes for RAIM;JING ZHAO等;IEEE Access;20190610;全文 * |
| 基于系统矩阵优化的二维磁性粒子成像研究;高雅等;南京师大学报( 自然科学版);20190630;第42卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115063500A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12067486B2 (en) | Systems and methods for fault diagnosis | |
| US10867384B2 (en) | System and method for automatically detecting a target object from a 3D image | |
| CN116503507B (zh) | 基于预训练模型的磁粒子图像重建方法 | |
| CN112396613A (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
| CN110490947B (zh) | 核磁共振图像重建方法、装置、存储介质及终端设备 | |
| CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN111507262B (zh) | 用于检测活体的方法和装置 | |
| Huang et al. | Machine learning using U-net convolutional neural networks for the imaging of sparse seismic data | |
| CN115526946A (zh) | 基于特征融合的磁粒子成像图像去噪声方法、系统、设备 | |
| CN117216546A (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
| CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
| CN114723729A (zh) | 基于Transformer的MPI图像重建方法 | |
| CN117036181A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| Patel et al. | Cross attention transformers for multi-modal unsupervised whole-body pet anomaly detection | |
| Collins et al. | Machine-learning compression for particle physics discoveries | |
| CN117058262A (zh) | 一种磁性纳米粒子成像重建的方法、系统及装置 | |
| CN117665734A (zh) | 一种海面小目标异常检测方法及系统 | |
| CN115063500B (zh) | 基于生成对抗网络的磁性纳米粒子成像重建方法 | |
| CN112101396A (zh) | 一种分类方法、装置、设备和存储介质 | |
| Simona Răboacă et al. | A new adaptive spatial filtering method in the wavelet domain for medical images | |
| KR102454742B1 (ko) | 뇌 피질 영역의 두께를 분석하는 방법 | |
| CN114863521A (zh) | 表情识别方法、表情识别装置、电子设备及存储介质 | |
| Gundersen et al. | A variational auto-encoder for reservoir monitoring | |
| Deng et al. | Approximate sparsity and nonlocal total variation based compressive MR image reconstruction | |
| Rahman | Fast Magnetic Resonance Image Reconstruction with Deep Learning using an Efficientnet Encoder |
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 |