CN116563412A - 基于稀疏系统矩阵的mpi图像重建方法、系统及设备 - Google Patents
基于稀疏系统矩阵的mpi图像重建方法、系统及设备 Download PDFInfo
- Publication number
- CN116563412A CN116563412A CN202310753661.0A CN202310753661A CN116563412A CN 116563412 A CN116563412 A CN 116563412A CN 202310753661 A CN202310753661 A CN 202310753661A CN 116563412 A CN116563412 A CN 116563412A
- Authority
- CN
- China
- Prior art keywords
- system matrix
- image
- mpi
- sparse
- module
- 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.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005259 measurement Methods 0.000 claims abstract description 58
- 238000003384 imaging method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 239000004576 sand Substances 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 36
- 239000006249 magnetic particle Substances 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 230000005284 excitation Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012827 research and development 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
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0515—Magnetic particle imaging
-
- 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
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学成像技术领域,具体涉及了一种基于稀疏系统矩阵的MPI图像重建方法、系统及设备,旨在解决现有密集测量点位的系统矩阵测量耗时耗力,且硬件参数变化后,需要反复重新测量系统矩阵的问题,包括:获取不同参数变化情况下的密集测量的系统矩阵A并均匀下采样;测量仿体信号数据集U,基于系统矩阵A和均匀下采样的稀疏系统矩阵B进行图像重建,获得图像数据对集;构建生成对抗模型并进行训练;获取稀疏系统矩阵S和仿体扫描信号u,进行低分辨率图像重建;通过生成对抗模型的生成模块进行图像的源域‑目标域的映射,获得重建的高分辨率图像。本发明在保证成像分辨率的同时减少系统矩阵的测量点位,提升系统矩阵的测量速度。
Description
技术领域
本发明属于医学成像技术领域,具体涉及了一种基于稀疏系统矩阵的MPI图像重建方法、系统及设备。
背景技术
在已有的磁粒子成像(Magnetic particle Imaging, MPI)设备中,通过系统矩阵进行成像是目前可以实现高分辨率成像的常用方法。基于系统矩阵成像方法需提前进行系统矩阵的测量,该测量方式需要对成像视野中的点进行标定和逐点测量。和目前常用的X-space成像方法相比,虽然该过程可以实现MPI图像的高分率成像,但其测量过程耗时耗力。且当硬件参数(磁场、成像采用的粒子等)发生变化后,系统矩阵需进行重新测量。
因此,本领域还需要一种新的MPI图像重建方法,以有效降低系统矩阵测量时间,节省硬件成本,提高图像重建的效率和精度。
发明内容
为了解决现有技术中的上述问题,即现有MPI图像重建方法系统矩阵测量过程耗时耗力,且当硬件参数发生变化后,需要重新测量系统矩阵的问题,本发明提供了一种基于稀疏系统矩阵的MPI图像重建方法,所述MPI图像重建方法包括:
步骤S10,获取MPI成像设备不同参数变化情况下的密集测量点位的系统矩阵A,并进行所述系统矩阵A的均匀下采样,获得稀疏系统矩阵B;
步骤S20,通过MPI成像设备获取仿体信号测量数据集U,并分别基于不同参数变化情况下的密集测量点位的系统矩阵A和对应的稀疏系统矩阵B进行仿体信号测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集;
步骤S30,基于生成对抗网络构建源域到目标域的生成对抗模型,并通过所述源域-目标域磁粒子分布图像数据对集进行所述生成对抗模型的训练;
步骤S40,获取不同变化参数下的稀疏测量点位MPI成像设备的稀疏系统矩阵S和仿体扫描信号u,并基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建;
步骤S50,通过训练好的生成对抗模型的生成模块进行所述低分辨率图像的源域-目标域的映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
在一些优先的实施例中,所述生成对抗模型包括生成模块和对抗模块;
所述生成模块包括多尺度特征提取模块、多头注意力特征提取模块和上采样模块,用于实现源域到目标域的图像映射;
所述对抗模块包括5个堆叠结构的卷积层和1个全连接层,用于区分生成模块生成的目标域图像和真实的目标域图像。
在一些优先的实施例中,所述生成对抗模型,其训练中的损失函数为多损失优化函数:
;
其中,为生成对抗模型的多损失优化函数,/>为像素损失函数,/>为对抗损失函数,/>为结构相似性损失函数,/>、/>、/>分别为像素损失函数、对抗损失函数和结构相似性损失函数在生成对抗模型的多损失优化函数中的占比系数。
在一些优先的实施例中,所述像素损失函数为:
;
其中,为训练集中源域-目标域磁粒子分布图像数据对的数量,/>为生成对抗模型的生成模块根据源域磁粒子分布图像/>产生的目标域映射,/>和/>分别为目标域与源域磁粒子分布图像。
在一些优先的实施例中,所述对抗损失函数为:
;
其中,代表生成对抗模型的对抗模块判定生成模块基于/>生成的图像为真实目标域图像的概率。
在一些优先的实施例中,所述结构相似性损失函数为:
;
其中,是生成图像/>像素的均值,/>是标签图像/>像素的均值,/>和/>分别是生成图像/>和标签图像/>的方差,/>是生成图像/>和标签图像/>的协方差,/>、、/>、/>和/>是预先设定的常数项。
在一些优先的实施例中,步骤S40中基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建,其方法为:
;
其中,为初始低质量磁粒子图,/>为正则化项,/>为预设的正则化项权重,为二范数运算。
本发明的另一方面,提出了一种基于稀疏系统矩阵的MPI图像重建系统,所述MPI图像重建系统包括:
采样模块,配置为获取MPI成像设备不同参数变化情况下的密集测量点位的系统矩阵A,并进行所述系统矩阵A的均匀下采样,获得稀疏系统矩阵B;
传统成像模块,配置为通过MPI成像设备获取仿体信号测量数据集U,并分别基于不同参数变化情况下的密集测量点位的系统矩阵A和对应的稀疏系统矩阵B进行仿体信号测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集;
模型构建与训练模块,配置为基于生成对抗网络构建源域到目标域的生成对抗模型,并通过所述源域-目标域磁粒子分布图像数据对集进行所述生成对抗模型的训练;
初步重建模块,配置为获取不同变化参数下的稀疏测量点位MPI成像设备的稀疏系统矩阵S和仿体扫描信号u,并基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建;
高质量映射模块,配置为通过训练好的生成对抗模型的生成模块进行所述低分辨率图像的源域-目标域的映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
本发明的第三方面,提出了一种电子设备,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稀疏系统矩阵的MPI图像重建方法。
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稀疏系统矩阵的MPI图像重建方法。
本发明的有益效果:
本发明基于稀疏系统矩阵的MPI图像重建方法,在几乎不降低重建图像质量的前提下,极大降低了系统矩阵测量时间。在临床应用中,当探针中的磁粒子发生变化或者磁场设置发生变化时,将发明提出的装置融合到现有MPI设备中,可缩短MPI图像重建时间,提高MPI设备在临床应用中的使用效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于稀疏系统矩阵的MPI图像重建方法的流程示意图;
图2是本发明基于稀疏系统矩阵的MPI图像重建方法一种实施例的低分辨图像到高分辨图像的生成模块结构示意图。
具体实施方式
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。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于稀疏系统矩阵的MPI图像重建方法,本方法旨在减少系统矩阵的测量点位,得到对应稀疏系统矩阵,然后利用生成对抗模型的生成模块将稀疏系统矩阵下的低分辨图像生成对应完全测量系统矩阵下的高分辨图像,从而在保证成像分辨率的基础上减少降低系统矩阵的测量点位,提升系统矩阵的测量速度。
本发明的一种基于稀疏系统矩阵的MPI图像重建方法,所述MPI图像重建方法包括:
步骤S10,获取MPI成像设备不同参数变化情况下的密集测量点位的系统矩阵A,并进行所述系统矩阵A的均匀下采样,获得稀疏系统矩阵B;
步骤S20,通过MPI成像设备获取仿体信号测量数据集U,并分别基于不同参数变化情况下的密集测量点位的系统矩阵A和对应的稀疏系统矩阵B进行仿体信号测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集;
步骤S30,基于生成对抗网络构建源域到目标域的生成对抗模型,并通过所述源域-目标域磁粒子分布图像数据对集进行所述生成对抗模型的训练;
步骤S40,获取不同变化参数下的稀疏测量点位MPI成像设备的稀疏系统矩阵S和仿体扫描信号u,并基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建;
步骤S50,通过训练好的生成对抗模型的生成模块进行所述低分辨率图像的源域-目标域的映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
为了更清晰地对本发明基于稀疏系统矩阵的MPI图像重建方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于稀疏系统矩阵的MPI图像重建方法,包括步骤S10-步骤S50,各步骤详细描述如下:
步骤S10,获取MPI成像设备不同参数变化情况下的密集测量点位的系统矩阵A,并进行所述系统矩阵A的均匀下采样,获得稀疏系统矩阵B。所述不同参数变化情况包括但不限于磁场强度变化,扫描粒子类型变化等。
系统矩阵,稀疏系统矩阵/>,对系统矩阵A进行均匀采样,获得稀疏系统矩阵B,如式(1)所示:
(1)
其中,代表系统矩阵A在/>处的值,/>代表稀疏系统矩阵B在处的值,/>分别代表矩阵索引值,/>代表矩阵维度为/>,分别代表矩阵的频率数、行数、列数。
步骤S20,通过MPI成像设备获取仿体信号测量数据集U,并分别基于不同参数变化情况下的密集测量点位的系统矩阵A和对应的稀疏系统矩阵B进行仿体信号测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集。
采用上述设备对不同仿体进行扫描,获得测量信号数据集,共10000例测量数据。
根据测量信号数据集U产生相应的图像数据集:
根据系统矩阵A与测量信号数据集U,利用传统重建算法如Kaczmarz方法求解基于L2约束的最小二乘形式的逆问题,获得代表磁粒子分布的图像数据集/>。
同样的,根据稀疏系统矩阵B与信号数据集U获得图像数据集。
本发明拟建立从 到/>的映射,因此在/>与/>基础上构建成对数据集,并将/>划分为训练集、测试集与验证集,分别为8000例,1000例与1000例。
步骤S30,基于生成对抗网络构建源域到目标域的生成对抗模型,并通过所述源域-目标域磁粒子分布图像数据对集进行所述生成对抗模型的训练。
源域到目标域的生成对抗模型生成模块用于实现低分辨率图像到高分辨率的重建,如图2所示,为本发明基于稀疏系统矩阵的MPI图像重建方法一种实施例的低分辨图像到高分辨图像的生成模块结构示意图,生成对抗模型包括生成模块和对抗模块:
生成模块包括多尺度特征提取模块、多头注意力特征提取模块和上采样模块,用于实现源域到目标域的图像映射。
本发明的生成模块包括一个多尺度特征提取模块、多头注意力特征提取模块与上采样模块。
具体来说,多尺度特征提取模块,其中,表示第/>个尺度的图像特征,/>表示该尺度的特征提取器参数,/>表示卷积操作。
多头注意力特征表示为,其中,为多头注意力机制,/>为注意力机制模块对应的参数。
上采样模块表示为,其中,/>表示上采样模块的参数。
最终生成的图像可以表示为,/>为拼接模块的参数,/>为生成模块。
对抗模块包括5个堆叠结构的卷积层和1个全连接层,用于区分生成模块生成的目标域图像和真实的目标域图像。
卷积层用于进行特征提取,本发明采用LeakyReLU作为激活函数。全连接层负责判别图像是否属于真实目标域,本发明采用sigmoid作为激活函数。
生成对抗模型,其训练中的损失函数为多损失优化函数,如式(2)所示:
(2)
其中,为生成对抗模型的多损失优化函数,/>为像素损失函数,/>为对抗损失函数,/>为结构相似性损失函数,/>、/>、/>分别为像素损失函数、对抗损失函数和结构相似性损失函数在生成对抗模型的多损失优化函数中的占比系数。
本发明一个实施例中,将、/>、/>设置为1。
像素损失函数如式(3)所示:
(3)
其中,为训练集中源域-目标域磁粒子分布图像数据对的数量,/>为生成对抗模型的生成模块根据源域磁粒子分布图像/>产生的目标域映射,/>和/>分别为目标域与源域磁粒子分布图像。
对抗损失函数如式(4)所示:
(4)
其中,代表生成对抗模型的对抗模块判定生成模块基于/>生成的图像为真实目标域图像的概率。
结构相似性损失函数(定义为)。结构相似性损失函数的值域为[0, 1], 值越大说明生成图像(为了后续便于描述,此处定义为/>),的细节和标签(此处定义为/>)相比失真越小。
结构相似性损失函数如式(5)所示:
(5)
其中,是生成图像/>像素的均值,/>是标签图像/>像素的均值,/>和/>分别是生成图像/>和标签图像/>的方差,/>是生成图像/>和标签图像/>的协方差,/>、、/>、/>和/>是预先设定的常数项。
本发明一个实施例中,将、/>、/>、/>和/>设置为1。
生成对抗模型训练步骤。基于上述构建好的模型采用上述设备采集的数据集D(步骤S20)进行模型训练,其中训练集、测试集、验证集分别有8000例、1000例与1000例。
训练步骤包括:对抗模块的预训练、生成模块的预训练以及生成对抗交替训练。
具体来说,首先利用训练对抗模块,如式(6)所示:
(6)
其中,为对抗模块参数,共进行1000轮迭代训练。
然后利用训练生成模块,优化函数为/>,共进行1000轮迭代训练。
最后进行生成对抗交替训练:
①利用训练生成模块,优化函数为/>;
②利用生成模块输出结果训练对抗模块,如式(7)所示:
(7)
③交替①、②500次。
步骤S40,获取不同变化参数下的稀疏测量点位MPI成像设备的稀疏系统矩阵S和仿体扫描信号u,并基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建。
本发明方法可以有效移植到各种MPI设备,即生成对抗模型的生成模块面向新的稀疏系统矩阵依然有效。
基于稀疏系统矩阵S进行测量数据集u的低分辨率图像重建,如式(8)所示:
(8)
其中,为初始低质量磁粒子图,/>为正则化项,/>为预设的正则化项权重,为二范数运算。
步骤S50,通过训练好的生成对抗模型的生成模块进行所述低分辨率图像的源域-目标域的映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
通过训练好的生成对抗模型的生成模块进行初步图像重建结果的源域-目标域映射,如式(9)所示:
(9)
其中,为重建并映射后的高质量磁粒子图像。
本发明第二实施例的基于稀疏系统矩阵的MPI图像重建系统,所述MPI图像重建系统包括:
原始系统矩阵测量设备,用于测量不同参数变化情况下的密集测量点位的系统矩阵A和稀疏测量点位的稀疏系统矩阵S,以及测量仿体信号测量数据集U和仿体扫描信号u。
原始系统矩阵测量设备(原始MPI成像设备)可以为外部采购设备,也可以为自主研发设备,包括信号激励模块、信号接收模块及信号处理模块。
信号激励模块包括梯度部分、激励部分、扫描部分:所述梯度部分由一对平行放置的同性相对的永磁体构成,用于产生无磁场点;所述激励部分由电磁线圈组成,通过输入高频交变电流,产生高频激励磁场,用于驱动无磁场线在平行于永磁体平面方向快速移动;所述扫描部分由电磁线圈组成,通过输入低频交变电流,产生低频扫描磁场,用于驱动无磁场线在垂直于永磁体平面方向移动,完成二维平面扫描。所述交变电流可为正弦波、方波或三角波。
所述激励部分和扫描部分设置于梯度部分内测。
所述信号激励模块通过产生磁场自由点并驱动其在扫描视场中移动完成二维扫描,并激励磁粒子产生感应电压信号。
所述信号接收模块由接收部分和补偿部分组成。所述接收部分和补偿部分由等直径的电磁线圈组成,两部分长度不一,两部分同轴设置于激励部分的内侧,其中,所述接收部分用于接收由所述信号激励模块激励磁粒子产生的信号,所述补偿部分用于抵消接收部分中直接接收到的激励信号。
所述直接接收到的激励信号为激励部分产生的高频信号,为干扰信号。
所述接收部分和补偿部分串联设置,所述补偿部分通过产生反向的电流抵消干扰信号。
所述信号处理模块由滤波部分、放大部分及采集部分。其中,所述滤波部分由陷波滤波器构成,用于进一步去除直接接收到的激励信号。所述放大部分由运算放大器组成,用于对所述陷波滤波器过滤后的感应电压信号进行放大;所述采集部分由数据采集卡组成,用于采集所述放大部分输出的感应电压信号,将模拟信号转换成数字信号。
所述滤波部分、放大部分及采集部分依次连接,将信号接收模块接收到的模拟信号转换成数字信号用于进一步的处理。
采样设备,用于对原始系统矩阵测量设备测量的不同参数变化情况下的密集测量点位的系统矩阵A,进行均匀下采样,获得系统矩阵A对应的稀疏系统矩阵B。
采样设备的采样过程参照式(1)所述的采样方法,本发明在此不再赘述。
传统成像设备,用于根据原始系统矩阵测量设备测量的仿体信号测量数据集U,分别结合系统矩阵A和稀疏系统矩阵B进行测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集。
传统成像设备的成像方法为传统方法,如利用传统重建算法如Kaczmarz方法求解基于L2约束的最小二乘形式的逆问题,获得代表磁粒子分布的图像数据集。
模型构建与训练设备,基于生成对抗网络构建源域到目标域的图像生成模型,并通过传统成像设备获取的所述源域-目标域磁粒子分布图像数据对集进行所述图像生成模型的训练。
初步重建设备,用于根据原始系统矩阵测量设备测量的稀疏测量点位的稀疏系统矩阵S,以及仿体扫描信号u,进行低分辨率图像重建,获得仿体扫描信号u对应的重建后的低分辨率图像。
高质量映射设备,通过训练好的生成对抗模型的生成模块进行低分辨率图像的源域-目标域映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
高质量映射设备的图像映射过程参照式(9)所述的映射方法,本发明在此不再赘述。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第三实施例的基于稀疏系统矩阵的MPI图像重建系统,所述MPI图像重建系统包括:
采样模块,配置为获取MPI成像设备不同参数变化情况下的密集测量点位的系统矩阵A,并进行所述系统矩阵A的均匀下采样,获得稀疏系统矩阵B;
传统成像模块,配置为通过MPI成像设备获取仿体信号测量数据集U,并分别基于不同参数变化情况下的密集测量点位的系统矩阵A和对应的稀疏系统矩阵B进行仿体信号测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集;
模型构建与训练模块,配置为基于生成对抗网络构建源域到目标域的生成对抗模型,并通过所述源域-目标域磁粒子分布图像数据对集进行所述生成对抗模型的训练;
初步重建模块,配置为获取不同变化参数下的稀疏测量点位MPI成像设备的稀疏系统矩阵S和仿体扫描信号u,并基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建;
高质量映射模块,配置为通过训练好的生成对抗模型的生成模块进行所述低分辨率图像的源域-目标域的映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于稀疏系统矩阵的MPI图像重建系统,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。
本发明第四实施例的一种电子设备,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稀疏系统矩阵的MPI图像重建方法。
本发明第五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稀疏系统矩阵的MPI图像重建方法。
所属技术领域的技术人员可以清楚地了解到,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施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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做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 (10)
1.一种基于稀疏系统矩阵的MPI图像重建方法,其特征在于,所述MPI图像重建方法包括:
步骤S10,获取MPI成像设备不同参数变化情况下的密集测量点位的系统矩阵A,并进行所述系统矩阵A的均匀下采样,获得稀疏系统矩阵B;
步骤S20,通过MPI成像设备获取仿体信号测量数据集U,并分别基于不同参数变化情况下的密集测量点位的系统矩阵A和对应的稀疏系统矩阵B进行仿体信号测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集;
步骤S30,基于生成对抗网络构建源域到目标域的生成对抗模型,并通过所述源域-目标域磁粒子分布图像数据对集进行所述生成对抗模型的训练;
步骤S40,获取不同变化参数下的稀疏测量点位MPI成像设备的稀疏系统矩阵S和仿体扫描信号u,并基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建;
步骤S50,通过训练好的生成对抗模型的生成模块进行所述低分辨率图像的源域-目标域的映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
2.根据权利要求1所述的基于稀疏系统矩阵的MPI图像重建方法,其特征在于,所述生成对抗模型包括生成模块和对抗模块;
所述生成模块包括多尺度特征提取模块、多头注意力特征提取模块和上采样模块,用于实现源域到目标域的图像映射;
所述对抗模块包括5个堆叠结构的卷积层和1个全连接层,用于区分生成模块生成的目标域图像和真实的目标域图像。
3.根据权利要求2所述的基于稀疏系统矩阵的MPI图像重建方法,其特征在于,所述生成对抗模型,其训练中的损失函数为多损失优化函数:
;
其中,为生成对抗模型的多损失优化函数,/>为像素损失函数,/>为对抗损失函数,/>为结构相似性损失函数,/>、/>、/>分别为像素损失函数、对抗损失函数和结构相似性损失函数在生成对抗模型的多损失优化函数中的占比系数。
4.根据权利要求3所述的基于稀疏系统矩阵的MPI图像重建方法,其特征在于,所述像素损失函数为:
;
其中,为训练集中源域-目标域磁粒子分布图像数据对的数量,/>为生成对抗模型的生成模块根据源域磁粒子分布图像/>产生的目标域映射,/>和/>分别为目标域与源域磁粒子分布图像。
5.根据权利要求4所述的基于稀疏系统矩阵的MPI图像重建方法,其特征在于,所述对抗损失函数为:
;
其中,代表生成对抗模型的对抗模块判定生成模块基于/>生成的图像为真实目标域图像的概率。
6.根据权利要求5所述的基于稀疏系统矩阵的MPI图像重建方法,其特征在于,所述结构相似性损失函数为:
;
其中,是生成图像/>像素的均值,/>是标签图像/>像素的均值,/>和/>分别是生成图像/>和标签图像/>的方差,/>是生成图像/>和标签图像/>的协方差,/>、/>、、/>和/>是预先设定的常数项。
7.根据权利要求1所述的基于稀疏系统矩阵的MPI图像重建方法,其特征在于,步骤S40中基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建,其方法为:
;
其中,为初始低质量磁粒子图,/>为正则化项,/>为预设的正则化项权重,/>为二范数运算。
8.一种基于稀疏系统矩阵的MPI图像重建系统,其特征在于,所述MPI图像重建系统包括:
采样模块,配置为获取MPI成像设备不同参数变化情况下的密集测量点位的系统矩阵A,并进行所述系统矩阵A的均匀下采样,获得稀疏系统矩阵B;
传统成像模块,配置为通过MPI成像设备获取仿体信号测量数据集U,并分别基于不同参数变化情况下的密集测量点位的系统矩阵A和对应的稀疏系统矩阵B进行仿体信号测量数据集U的图像重建,获得源域-目标域磁粒子分布图像数据对集;
模型构建与训练模块,配置为基于生成对抗网络构建源域到目标域的生成对抗模型,并通过所述源域-目标域磁粒子分布图像数据对集进行所述生成对抗模型的训练;
初步重建模块,配置为获取不同变化参数下的稀疏测量点位MPI成像设备的稀疏系统矩阵S和仿体扫描信号u,并基于稀疏系统矩阵S进行仿体扫描信号u的低分辨率图像重建;
高质量映射模块,配置为通过训练好的生成对抗模型的生成模块进行所述低分辨率图像的源域-目标域的映射,获得重建的高分辨率图像,完成基于稀疏系统矩阵的MPI图像重建。
9.一种电子设备,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1-7任一项所述的基于稀疏系统矩阵的MPI图像重建方法。
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1-7任一项所述的基于稀疏系统矩阵的MPI图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753661.0A CN116563412B (zh) | 2023-06-26 | 2023-06-26 | 基于稀疏系统矩阵的mpi图像重建方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753661.0A CN116563412B (zh) | 2023-06-26 | 2023-06-26 | 基于稀疏系统矩阵的mpi图像重建方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563412A true CN116563412A (zh) | 2023-08-08 |
CN116563412B CN116563412B (zh) | 2023-10-20 |
Family
ID=87503787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753661.0A Active CN116563412B (zh) | 2023-06-26 | 2023-06-26 | 基于稀疏系统矩阵的mpi图像重建方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563412B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
CN113344793A (zh) * | 2021-08-04 | 2021-09-03 | 深圳市安软科技股份有限公司 | 图像超分辨率重建方法、装置、设备及存储介质 |
CN114786018A (zh) * | 2022-06-16 | 2022-07-22 | 湖北大学 | 基于贪婪随机稀疏Kaczmarz的图像重建方法 |
CN115601621A (zh) * | 2022-10-17 | 2023-01-13 | 湖北工业大学(Cn) | 基于条件生成对抗网络的强散射介质主动单像素成像方法 |
CN115880440A (zh) * | 2023-01-31 | 2023-03-31 | 中国科学院自动化研究所 | 一种基于生成对抗网络的磁粒子三维重建成像方法 |
-
2023
- 2023-06-26 CN CN202310753661.0A patent/CN116563412B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
CN113344793A (zh) * | 2021-08-04 | 2021-09-03 | 深圳市安软科技股份有限公司 | 图像超分辨率重建方法、装置、设备及存储介质 |
CN114786018A (zh) * | 2022-06-16 | 2022-07-22 | 湖北大学 | 基于贪婪随机稀疏Kaczmarz的图像重建方法 |
CN115601621A (zh) * | 2022-10-17 | 2023-01-13 | 湖北工业大学(Cn) | 基于条件生成对抗网络的强散射介质主动单像素成像方法 |
CN115880440A (zh) * | 2023-01-31 | 2023-03-31 | 中国科学院自动化研究所 | 一种基于生成对抗网络的磁粒子三维重建成像方法 |
Non-Patent Citations (1)
Title |
---|
黄炜钦;黄德天;柳培忠;顾培婷;刘晓芳;: "联合稀疏表示和总变分正则化的超分辨率重建方法", 海峡科学, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563412B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111513716B (zh) | 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统 | |
CN111081354B (zh) | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 | |
CN106485764B (zh) | Mri图像的快速精确重建方法 | |
KR20210141550A (ko) | 공간 주파수 데이터로부터 자기 공명 이미지를 생성하기 위한 딥 러닝 기법 | |
Lam et al. | Constrained magnetic resonance spectroscopic imaging by learning nonlinear low-dimensional models | |
KR20130058004A (ko) | 자화율 가중 이미징 및 자화율 매핑(swim)을 이용한 핵 자기 공명 영상 생성 방법 | |
Ilbey et al. | Comparison of system-matrix-based and projection-based reconstructions for field free line magnetic particle imaging | |
RU2626184C2 (ru) | Способ, устройство и система для реконструкции магнитно-резонансного изображения | |
CN103140167B (zh) | 化学物类的磁共振成像 | |
CN104749538A (zh) | 一种并行磁共振成像相位处理方法 | |
CN116503507B (zh) | 基于预训练模型的磁粒子图像重建方法 | |
CN104267361A (zh) | 基于结构特征的自适应定量磁化率分布图复合重建的方法 | |
CN103584864A (zh) | 一种磁共振成像方法和装置 | |
CN113628296B (zh) | 一种从时频域信号到二维图像的磁粒子成像重建方法 | |
CN117078792B (zh) | 正则项自适应优化的磁粒子图像重建系统、方法及设备 | |
CN105738847A (zh) | 一种在强不均匀磁场下磁共振图像扭曲的矫正方法 | |
CN103400360A (zh) | 基于Wedgelet和NSCT的多源图像融合方法 | |
CN110942496A (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
CN116563412B (zh) | 基于稀疏系统矩阵的mpi图像重建方法、系统及设备 | |
CN107942271B (zh) | 基于迭代的speed快速磁共振成像方法 | |
Li et al. | A tailor-made 3-dimensional directional Haar semi-tight framelet for pMRI reconstruction | |
CN106137199B (zh) | 扩散磁共振成像中的广义球面去卷积 | |
JP6730995B2 (ja) | 環境内に動きがある物体のmr画像を生成する方法及びシステム | |
CN106361278A (zh) | 一种单次激励的感应式磁声快速成像方法 | |
Dhollander et al. | Feasibility and advantages of diffusion weighted imaging atlas construction in Q-space |
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 |