CN115345952B - 一种基于神经网络的磁共振图像处理方法及系统 - Google Patents

一种基于神经网络的磁共振图像处理方法及系统 Download PDF

Info

Publication number
CN115345952B
CN115345952B CN202210957070.0A CN202210957070A CN115345952B CN 115345952 B CN115345952 B CN 115345952B CN 202210957070 A CN202210957070 A CN 202210957070A CN 115345952 B CN115345952 B CN 115345952B
Authority
CN
China
Prior art keywords
magnetic resonance
resonance image
image
module
model
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
Application number
CN202210957070.0A
Other languages
English (en)
Other versions
CN115345952A (zh
Inventor
邱迎伟
林晓珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Union Shenzhen Hospital of Huazhong University of Science and Technology
Original Assignee
Union Shenzhen Hospital of Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Union Shenzhen Hospital of Huazhong University of Science and Technology filed Critical Union Shenzhen Hospital of Huazhong University of Science and Technology
Priority to CN202210957070.0A priority Critical patent/CN115345952B/zh
Publication of CN115345952A publication Critical patent/CN115345952A/zh
Application granted granted Critical
Publication of CN115345952B publication Critical patent/CN115345952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于神经网络的磁共振图像处理方法及系统，方法包括：S1，获取原始的磁共振图像；S2，对磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；S3，采用基于注意力机制的磁共振图像增强算法对目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；S4，对原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；S5，对去噪后的磁共振图像和增强后的目标磁共振图像进行融合得到融合后的磁共振图像。本发明可通过神经网络对磁共振图像去噪，提高磁共振图像的质量。

Description

一种基于神经网络的磁共振图像处理方法及系统
技术领域
本发明涉及磁共振图像处理技术领域，尤其是一种基于神经网络的磁共振图像处理方法及系统。
背景技术
在众多医学影像技术中，磁共振图像技术是针对人体组织和器官的高分辨率医学成像技术，能对人体各部位多角度、全方位成像，获取比较完整的医学图像信息。但磁共振图像在采集、存储和传输中，会受到噪声的污染，影响磁共振图像的后期处理，最终的磁共振图像质量较差，导致医生不能准确度诊断。因此，对磁共振图像的去噪处理显得尤为重要。
发明内容
针对现有技术中的缺陷，本发明提供了一种基于神经网络的磁共振图像处理方法及系统，可通过神经网络对磁共振图像去噪，提高磁共振图像的质量。
第一方面：
本发明提供了一种基于神经网络的磁共振图像处理方法，包括：
S1，获取原始的磁共振图像；
S2，对所述磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；
S3，采用基于注意力机制的磁共振图像增强算法对所述目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；
S4，对所述原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；
S5，对所述去噪后的磁共振图像和所述增强后的目标磁共振图像进行融合，得到融合后的磁共振图像。
优选地，所述步骤S3包括：
S31，采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；
S32，将所述目标磁共振图像输入所述注意力机制模型，得到增强后的目标磁共振图像。
优选地，所述步骤S31具体包括：
S311，获取训练模型和验证模型所需的数据集；
S312，构建稠密级联残差模块作为网络的基本组成模块；
S313，构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；
S314，构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将所述数据集输入所述金字塔网络模型进行训练，得到注意力机制模型。
优选地，所述步骤S4包括：
S41，将所述原始的磁共振图像输入训练好的卷积神经网络中，从所述原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；
S42，从卷积神经网络中选定M个卷积层，对所述每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。
优选地，所述步骤S5包括：
S51，将所述去噪后的磁共振图像中每个点的灰度值与所述增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
S52，将所述灰度平均值与预设系数相乘得到融合后的像素点；
S53，将所述融合后的像素点代替所述去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。
第二方面：
本发明提供了一种基于神经网络的磁共振图像处理系统，包括：
获取模块，用于获取原始的磁共振图像；
分割模块，用于对所述磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；
增强模块，用于采用基于注意力机制的磁共振图像增强算法对所述目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；
去噪模块，用于对所述原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；
融合模块，用于对所述去噪后的磁共振图像和所述增强后的目标磁共振图像进行融合，得到融合后的磁共振图像。
优选地，所述增强模块包括：
模型构建模块，用于采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；
输入输出模块，将所述目标磁共振图像输入所述注意力机制模型，得到增强后的目标磁共振图像。
优选地，所述模型构建模块具体用于：
获取训练模型和验证模型所需的数据集；
构建稠密级联残差模块作为网络的基本组成模块；
构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；
构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将所述数据集输入所述金字塔网络模型进行训练，得到注意力机制模型。
优选地，所述去噪模块具体用于：
将所述原始的磁共振图像输入训练好的卷积神经网络中，从所述原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；
从卷积神经网络中选定M个卷积层，对所述每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。
优选地，所述融合模块具体用于：
将所述去噪后的磁共振图像中每个点的灰度值与所述增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
将所述灰度平均值与预设系数相乘得到融合后的像素点；
将所述融合后的像素点代替所述去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。
本发明的有益效果为：
通过对原始的磁共振图像进行分割，可根据图像的灰度、纹理和位置等信息将目标磁共振图像从背景磁共振图像中抽取出来，简单、有效、快速，且实时性较好；通过基于注意力机制的磁共振图像增强算法对目标磁共振图像进行图像增强，可以保留细粒度的图像细节信息，同时增强对比度信息，有利于医生对疾病的诊断；通过对原始的磁共振图像进行神经网络去噪、将去噪后的磁共振图像和增强后的目标磁共振图像进行融合，提高了图像的质量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一的流程示意图；
图2为本发明实施例二的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明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发明。如在本发明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。
还应当进一步理解，本发明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。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例一：
如图1所示，本发明提供了一种基于神经网络的磁共振图像处理方法，包括：
S1，获取原始的磁共振图像；
S2，对磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；
S3，采用基于注意力机制的磁共振图像增强算法对目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；
S4，对原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；
S5，对去噪后的磁共振图像和增强后的目标磁共振图像进行融合得到融合后的磁共振图像。
本发明实施例的步骤S2中，采用基于过渡区域的图像阈值分割方法对磁共振图像进行分割。首先依据预设规则将磁共振图像的过渡区域提取出来，再将过渡区域像素点的灰度平均值或者直方图峰值所对应点灰度级作为分割阈值对磁共振图像进行分割，提取出目标磁共振图像和背景磁共振图像。本发明实施例中，采用基于过渡区域的图像阈值分割方法，可根据图像的灰度、纹理和位置等信息将目标磁共振图像从背景磁共振图像中抽取出来，简单、有效、快速，且实时性较好。
步骤S3包括：
S31，采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；
S32，将目标磁共振图像输入注意力机制模型，得到增强后的目标磁共振图像。
具体地，步骤S31具体包括：
步骤S31具体包括：
S311，获取训练模型和验证模型所需的数据集；
S312，构建稠密级联残差模块作为网络的基本组成模块；
S313，构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；
S314，构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将数据集输入金字塔网络模型进行训练，得到注意力机制模型。
本发明实施例构建的注意力机制模型，可以保留细粒度的图像细节信息，同时增强对比度信息，有利于医生对疾病的诊断和治疗。
本发明实施例中，步骤S4包括：
S41，将原始的磁共振图像输入训练好的卷积神经网络中，从原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；
S42，从卷积神经网络中选定M个卷积层，对每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。
在图像去噪中，映射后的向量表示去噪后的图像块，卷积层通过每次映射对图像做一次去噪处理。本发明实施例中，选定M个卷积层，可对图像进行M此去噪，提高网络去噪结果。
本发明实施例中，神经网络还包括池化层，池化层设置在卷积层后面。池化层的设计可保留原始图像有用信息，通过降低特征维度减少训练数据量。
本发明实施例中，步骤S5包括：
S51，将去噪后的磁共振图像中每个点的灰度值与增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
S52，将灰度平均值与预设系数相乘得到融合后的像素点；
S53，将融合后的像素点代替去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。
本发明实施例通过将融合像素点的灰度平均值与权系数相乘得到融合后的像素点。可以加强磁共振图像中的一些细节特征，提高磁共振图像的质量。
实施例二：
本发明实施例提供了一种基于神经网络的磁共振图像处理系统，如图2所示，包括：
获取模块，用于获取原始的磁共振图像；
分割模块，用于对磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；
增强模块，用于采用基于注意力机制的磁共振图像增强算法对目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；
去噪模块，用于对原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；
融合模块，用于对去噪后的磁共振图像和增强后的目标磁共振图像进行融合，得到融合后的磁共振图像。
本发明实施例中，分割模块采用基于过渡区域的图像阈值分割方法对磁共振图像进行分割。分割模块首先依据预设规则将磁共振图像的过渡区域提取出来，再将过渡区域像素点的灰度平均值或者直方图峰值所对应点灰度级作为分割阈值对磁共振图像进行分割，提取出目标磁共振图像和背景磁共振图像。本发明实施例中，采用基于过渡区域的图像阈值分割方法，可根据图像的灰度、纹理和位置等信息将目标磁共振图像从背景磁共振图像中抽取出来，简单、有效、快速，且实时性较好。
增强模块包括：
模型构建模块，用于采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；
输入输出模块，将目标磁共振图像输入注意力机制模型，得到增强后的目标磁共振图像。
模型构建模块具体用于：
获取训练模型和验证模型所需的数据集；
构建稠密级联残差模块作为网络的基本组成模块；
构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；
构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将数据集输入金字塔网络模型进行训练，得到注意力机制模型。
本发明实施例构建的注意力机制模型，可以保留细粒度的图像细节信息，同时增强对比度信息，有利于医生对疾病的诊断和治疗。
去噪模块具体用于：
将原始的磁共振图像输入训练好的卷积神经网络中，从原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；
从卷积神经网络中选定M个卷积层，对每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。
在图像去噪中，映射后的向量表示去噪后的图像块，卷积层通过每次映射对图像做一次去噪处理。本发明实施例中，选定M个卷积层，可对图像进行M此去噪，提高网络去噪结果。
本发明实施例中，神经网络还包括池化层，池化层设置在卷积层后面。池化层的设计可保留原始图像有用信息，通过降低特征维度减少训练数据量。
融合模块具体用于：
将去噪后的磁共振图像中每个点的灰度值与增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
将灰度平均值与预设系数相乘得到融合后的像素点；
将融合后的像素点代替去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。
本发明实施例通过将融合像素点的灰度平均值与权系数相乘得到融合后的像素点可以加强磁共振图像中的一些细节特征，提供磁共振图像的质量。
本发明实施例提供的一种基于神经网络的磁共振图像处理方法及系统，通过对原始的磁共振图像进行分割，可根据图像的灰度、纹理和位置等信息将目标磁共振图像从背景磁共振图像中抽取出来，简单、有效、快速，且实时性较好；通过基于注意力机制的磁共振图像增强算法对目标磁共振图像进行图像增强，可以保留细粒度的图像细节信息，同时增强对比度信息，有利于医生对疾病的诊断；通过对原始的磁共振图像进行神经网络去噪、将去噪后的磁共振图像和增强后的目标磁共振图像进行融合，提高了图像的质量。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (6)

1.一种基于神经网络的磁共振图像处理方法，其特征在于，包括：
S1，获取原始的磁共振图像；
S2，对所述磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；
S3，采用基于注意力机制的磁共振图像增强算法对所述目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；
S4，对所述原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；
S5，对所述去噪后的磁共振图像和所述增强后的目标磁共振图像进行融合，得到融合后的磁共振图像；
其中，所述步骤S3包括：
S31，采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；
S32，将所述目标磁共振图像输入所述注意力机制模型，得到增强后的目标磁共振图像；
其中，所述步骤S31具体包括：
S311，获取训练模型和验证模型所需的数据集；
S312，构建稠密级联残差模块作为网络的基本组成模块；
S313，构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；
S314，构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将所述数据集输入所述金字塔网络模型进行训练，得到注意力机制模型。
2.根据权利要求1所述的一种基于神经网络的磁共振图像处理方法，其特征在于，所述步骤S4包括：
S41，将所述原始的磁共振图像输入训练好的卷积神经网络中，从所述原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；
S42，从卷积神经网络中选定M个卷积层，对所述每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。
3.根据权利要求1所述的一种基于神经网络的磁共振图像处理方法，其特征在于，所述步骤S5包括：
S51，将所述去噪后的磁共振图像中每个点的灰度值与所述增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
S52，将所述灰度平均值与预设系数相乘得到融合后的像素点；
S53，将所述融合后的像素点代替所述去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。
4.一种基于神经网络的磁共振图像处理系统，其特征在于，包括：
获取模块，用于获取原始的磁共振图像；
分割模块，用于对所述磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；
增强模块，用于采用基于注意力机制的磁共振图像增强算法对所述目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；
去噪模块，用于对所述原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；
融合模块，用于对所述去噪后的磁共振图像和所述增强后的目标磁共振图像进行融合，得到融合后的磁共振图像；
其中，所述增强模块包括：
模型构建模块，用于采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；
输入输出模块，将所述目标磁共振图像输入所述注意力机制模型，得到增强后的目标磁共振图像；
所述模型构建模块具体用于：
获取训练模型和验证模型所需的数据集；
构建稠密级联残差模块作为网络的基本组成模块；
构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；
构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将所述数据集输入所述金字塔网络模型进行训练，得到注意力机制模型。
5.根据权利要求4所述的一种基于神经网络的磁共振图像处理系统，其特征在于，所述去噪模块具体用于：
将所述原始的磁共振图像输入训练好的卷积神经网络中，从所述原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；
从卷积神经网络中选定M个卷积层，对所述每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。
6.根据权利要求4所述的一种基于神经网络的磁共振图像处理系统，其特征在于，所述融合模块具体用于：
将所述去噪后的磁共振图像中每个点的灰度值与所述增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；
将所述灰度平均值与预设系数相乘得到融合后的像素点；
将所述融合后的像素点代替所述去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。
CN202210957070.0A 2022-08-10 2022-08-10 一种基于神经网络的磁共振图像处理方法及系统 Active CN115345952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210957070.0A CN115345952B (zh) 2022-08-10 2022-08-10 一种基于神经网络的磁共振图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210957070.0A CN115345952B (zh) 2022-08-10 2022-08-10 一种基于神经网络的磁共振图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN115345952A CN115345952A (zh) 2022-11-15
CN115345952B true CN115345952B (zh) 2023-08-11

Family

ID=83951137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210957070.0A Active CN115345952B (zh) 2022-08-10 2022-08-10 一种基于神经网络的磁共振图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN115345952B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633486A (zh) * 2017-08-14 2018-01-26 成都大学 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN110969626A (zh) * 2019-11-27 2020-04-07 西南交通大学 基于3d神经网络的人脑核磁共振影像的海马体提取方法
CN114283069A (zh) * 2022-01-17 2022-04-05 柚皮(重庆)科技有限公司 一种脑部磁共振图像超分辨率重建方法
CN114418900A (zh) * 2022-03-30 2022-04-29 南昌睿度医疗科技有限公司 一种磁共振图像降噪方法、装置、设备及存储介质
CN114612654A (zh) * 2022-03-24 2022-06-10 中科微影(浙江)医疗科技有限公司 一种基于循环深度神经网络的磁共振成像特征提取方法
CN114693561A (zh) * 2022-04-15 2022-07-01 中科微影(浙江)医疗科技有限公司 一种基于卷积神经网络的核磁共振图像处理方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633486A (zh) * 2017-08-14 2018-01-26 成都大学 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN110969626A (zh) * 2019-11-27 2020-04-07 西南交通大学 基于3d神经网络的人脑核磁共振影像的海马体提取方法
CN114283069A (zh) * 2022-01-17 2022-04-05 柚皮(重庆)科技有限公司 一种脑部磁共振图像超分辨率重建方法
CN114612654A (zh) * 2022-03-24 2022-06-10 中科微影(浙江)医疗科技有限公司 一种基于循环深度神经网络的磁共振成像特征提取方法
CN114418900A (zh) * 2022-03-30 2022-04-29 南昌睿度医疗科技有限公司 一种磁共振图像降噪方法、装置、设备及存储介质
CN114693561A (zh) * 2022-04-15 2022-07-01 中科微影(浙江)医疗科技有限公司 一种基于卷积神经网络的核磁共振图像处理方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋杰 等.基于深度学习的数字病理图像分割综述与展望.《软件学报》.2021,第32卷(第5期),1427-1460. *

Also Published As

Publication number Publication date
CN115345952A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN106339998B (zh) 基于对比度金字塔变换的多聚焦图像融合方法
CN109409503B (zh) 神经网络的训练方法、图像转换方法、装置、设备及介质
CN110648337A (zh) 髋关节分割方法、装置、电子设备和存储介质
CN110706246A (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
CN112258488A (zh) 一种医疗影像病灶分割方法
JPWO2019167883A1 (ja) 機械学習装置および方法
CN111429473A (zh) 基于多尺度特征融合的胸片肺野分割模型建立及分割方法
CN112991365B (zh) 一种冠状动脉分割方法、系统及存储介质
CN108038840B (zh) 一种图像处理方法、装置、图像处理设备及存储介质
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN115471470A (zh) 一种食管癌ct图像分割方法
CN115393239A (zh) 一种多模态眼底图像配准和融合方法及系统
CN114419000A (zh) 基于多尺度几何嵌入卷积神经网络的股骨头坏死指标预测系统
CN113658186A (zh) 一种基于深度学习的肝段分割方法及装置
CN115345952B (zh) 一种基于神经网络的磁共振图像处理方法及系统
CN115272372A (zh) 一种基于3D-UNet的膝关节CT图像分割方法及系统
CN113421212B (zh) 一种医学影像的增强方法、装置、设备和介质
CN115619943A (zh) 一种外科图像三维重建方法及系统
CN114359308A (zh) 一种基于边缘响应与非线性损失的主动脉夹层分割方法
CN114387257A (zh) 肺部影像中肺叶区域的分割方法、系统、装置和介质
Zhang et al. Blood vessel segmentation based on digital subtraction angiography sequence
CN111292270A (zh) 基于深度学习网络的三维影像血管增强方法
CN115578285B (zh) 一种乳腺钼靶图像细节增强方法及系统
Alam et al. Generalizable cone beam ct esophagus segmentation using in silico data augmentation

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