CN116908760B - 一种基于深度解耦网络的mri偏置场修正方法及系统 - Google Patents
一种基于深度解耦网络的mri偏置场修正方法及系统 Download PDFInfo
- Publication number
- CN116908760B CN116908760B CN202310846071.2A CN202310846071A CN116908760B CN 116908760 B CN116908760 B CN 116908760B CN 202310846071 A CN202310846071 A CN 202310846071A CN 116908760 B CN116908760 B CN 116908760B
- Authority
- CN
- China
- Prior art keywords
- bias field
- image
- network
- bias
- training
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 49
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007667 floating Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 230000003313 weakening effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 210000001519 tissue Anatomy 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010977 unit operation Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/58—Calibration of imaging systems, e.g. using test probes, Phantoms; Calibration objects or fiducial markers such as active or passive RF coils surrounding an MR active material
-
- 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
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于深度解耦网络的MRI偏置场修正方法及系统,属于医学图像分析技术领域。本发明主要是从算法的角度,解决由于磁共振设备固有的射频线圈不均匀性、磁场分布不同质性等导致的磁共振影像灰度分布不均匀的问题。现有的偏置场修正方法认为偏置场是一种低频信息,并提出了一种“削弱低频,恢复高频”的偏置场修正框架,然而高频信息也包括噪声等干扰信息,低频信息亦包括亮度变化等有用信息,此类方法忽略了图像本身的结构细节,且处理速度慢,容易出现亮度失真等问题。本发明提出的基于深度解耦的偏置场修正方法通过无监督学习框架,挖掘图像的同质性区域分布特点和偏置场平滑性约束关系,学习并优化网络参数,能够解决现有方法所存在的共性问题,在保留图像细节的同时降低颜色失真的风险,具有泛化能力强,处理速度快,恢复效果好等特点,更适用于复杂多变的临床应用。
Description
技术领域
本发明属于医学图像分析技术领域,具体涉及一种基于深度解耦网络的MRI偏置场修正方法及系统。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)作为医学领域最重要的可视化手段之一,可以准确且清晰地反映人体器官、组织的形态、位置以及生理状态。相比其他医学成像手段,MRI具有较高的软组织对比度,能够精确地显示出器官、组织的早期病灶区域,是医生诊断的重要客观依据。
然而在基于MRI的临床诊断中,磁共振成像设备内置射频线圈分布的不均匀性、静态磁场的不同质性以及病人本身解剖结构的差异性等相关因素,会导致磁共振图像出现灰度分布不均匀的问题,即为“同类的组织、器官中存在不同的灰度分布;不同类的组织、器官中存在相同的灰度分布”。MR图像中出现的偏置场会导致磁共振图像中的组织、器官的边界不明显,不同类组织、器官之间出现特征混淆,进而严重干扰医生的判断,降低医生诊断的效率和准确率。鉴于基于硬件的偏置场修正方法存在成本高,灵活性差,无法修正病人本身结构带来的偏置场等问题,本发明从算法的角度上提出了一种基于深度解耦网络的MRI偏置场修正方法。
虽然传统的基于信号频率的偏置场修正算法能够在一定程度上缓解磁共振图像中灰度分布不均匀的问题,但是此类方法往往忽略了图像本身存在的结构信息,使得最终的偏置场修正结果出现严重的信息丢失问题,比如颜色失真,边界错位等。随着并行计算硬件的发展,基于深度学习的图像处理方法得到了长足的发展,此类方法具有准确率高,处理速度快等优点。然而基于有监督的深度学习方法只能在特定的训练数据集上表现良好,难以适用于未知数据集的图像处理任务。同时,有监督训练数据集中的图像数量和偏置场种类有限,使得此类模型难以准确地挖掘出图像和偏置场的高层信息,进而无法在实际的临床应用中得到有效的推广。
发明内容
本发明要解决的技术问题是:
本发明提出了一种基于深度解耦网络的新型磁共振图像偏置场修正方法及系统,能够快速、准确地实现MR图像中偏置场修正,也就是说,本发明目的是为解决现有偏置场修正方法无法有效保留图像结构信息、出现颜色失真、修正速度慢等相关问题。换言之,本发明主要是从算法的角度,解决由于磁共振设备固有的射频线圈不均匀性、磁场分布不同质性等导致的磁共振影像灰度分布不均匀的问题。
本发明为解决上述技术问题所采取的技术方案是:
一种基于深度解耦网络的MRI偏置场修正方法,所述方法具体包括以下步骤:
步骤S1、获取模拟的MR医学影像,并对MR影像进行切片筛选,构成原始图像数据集;利用具有平滑性约束的勒让德多项式生成与图像大小一致的偏置场,并将偏置场数值保存,构成偏置场数据集;
步骤S2、分别从MR原始图像数据集和偏置场数据集中任意选取原始MR图像和偏置场,将二者进行逐元素相乘归一化合成为具有偏置场干扰的MR影像,并加入到网络训练数据集中;
步骤S3、重复执行步骤S2,并将生成的带偏置场MR图像作为模型输入,与之对应的MR原始图像作为偏置场修正后的真实值,用来评估模型的性能;
步骤S4、构建偏置场深度解耦模型,并使用步骤S3中获得的数据集训练构建的模型,直至最大迭代次数或者能量变化小于设定的阈值范围时停止训练;
步骤S5、将具有偏置场干扰的MR影像作为模型输入,通过概率预测模型获得MR图像中每个像素点的类别概率值。借助预测概率值,偏置场估计模型获取估计的偏置场,二者共同构成深度解耦网络。最后借助估计的偏置场,完成MR影像的偏置场修正。
进一步地,所述的MR影像由磁共振成像虚拟扫描技术获取。
进一步地,生成的偏置场是与MR影像尺寸相同的浮点型数据,其中大于1的数值部分表示该点的像素值大于真实像素值;大于0,且小于1的数值部分表示该点的像素值小于真实像素值。通过偏置场的数值变化,描述MR图像中的灰度分布不均匀性。
进一步地,所述步骤S1的具体过程为:
步骤S11、利用勒让德多项式生成与图像大小一致的初始偏置场,勒让德多项式公式如下:
其中,
步骤S12、将初始偏置场的取值范围映射到设定的范围内,在本发明中,偏置场的范围为:[0.5,1.5],映射公式为:
步骤S13、将生成的偏置场数据以矩阵的形式保存到本地文件,构成偏置场数据集。
进一步地,所述步骤S2的具体步骤为:
步骤S21、依次从原始图像数据集中选出一张图像,将图像数据类型从unsignedint 8转化为浮点型数据;
步骤S22、从偏置场数据集中随机挑选n份偏置场数据(本发明中,n=9),将偏置场数据依次与上一步挑选的原始图像进行逐元素相乘,得到n张具有偏置场干扰的MR图像;
进一步地,所述步骤S3中,重复执行步骤S2的过程中,将生成的具有偏置场干扰的MR图像作为训练数据,与之对应的无偏置场原始MR图像作为真实值。训练数据和真实值数据共同组成数据集,用来训练深度解耦网络,并评估网络的性能。
进一步地,所述步骤S4中,构建用于MR偏置场修正的深度解耦网络;而后使用步骤S3获得的数据集训练并优化模型中包含的深度解耦网络中的参数。
所述的偏置场深度解耦网络包括分割网络和偏置场预测网络,分割网络用来预测每个像素属于每个类别的概率值,偏置场预测模型用来预测MR图像中每个像素点的灰度偏置值,训练偏置场深度解耦网络的流程为:
步骤S41、人为确定类别数目c,训练的总次数TN,构造目标能量函数为:
其中,uki表示第k个像素点属于第i个类别的概率,bk表示第k个像素点处的灰度偏置值,yk表示第k个像素点的灰度值,vi表示第i个类别的平均灰度值,λ为正则项的权重,p为权重指数,在本发明中p=2。需要通过网络训练确定uki,bk,vi的值,以使得能量函数Em的值最小;
步骤S42、通过对Em分别对uki,bk,vi求偏导,得到Em最小化时,uki,bk,Vi的取值。因此,有:
进一步地,对于变量uki,可以通过分割网络进行预测得到;对于变量b,则由偏置场估计网络进行估计获得。偏置场深度解耦网络的训练类似于期望最大化(ExpectationMaximization)过程,即将其中一个网络的预测结果作为真实值,监督训练另外一个网络,通过迭代优化的方式,交替更新两个网络的参数。训练分割网络的流程为:
S421、将一个batch的训练数据(batch的尺寸为1)除以255做0-1归一化处理,然后分别输入到分割网络和偏置场估计网络,得到输出结果upred和bpred;
S422、将upred的值拷贝给变量udetach,并将udetach的反向梯度传播权限关闭,通过变量udetach和bpred计算每个类别中心的平均灰度值,计算公式如下:
S423、通过计算的vi和网络预测的bpred,重新计算满足三者变量关系的uki,计算公式如下:
S424、设计损失函数如下:
通过计算损失Lossprob,利用反向传播,在固定偏置场预测网络参数的同时,更新分割网络参数;
进一步地,训练偏置场预测网络的流程为:
S425、将一个batch的训练数据(batch尺寸为1)除以255做0-1归一化处理,然后分别输入到分割网络和偏置场估计网络,得到输出结果upred和bpred;
S426、将bpred的值拷贝给变量bdetach,并将bdetach的反向梯度传播权限关闭,通过变量bdetach和upred计算每个类别中心的平均灰度值,计算公式如下:
S427、通过计算的vi和网络预测的upred,重新计算满足三者变量关系的b,计算公式如下:
S428、设计损失函数如下:
通过计算损失Lossbias,利用反向传播,在固定分割网络参数的同时,更新偏置场预测网络的参数。
S43、重复执行步骤S421到步骤S428,直至数据集中所有batch的数据均被用于网络训练,然后重新将数据集打乱划分batch进行上述训练,反复迭代直至达到最大迭代次数5000或者当前后epoch的训练loss差距小于0.001%时停止训练。
进一步地,步骤S42中,偏置场估计网络的输入图像除以对应的网络输出结果,并乘以255,然后将浮点型数据转化为无符号整型数据即为完成偏置场修正的MR图像。
进一步地,步骤S5使用偏置场深度解耦网络进行MR偏置场修正的流程为:
步骤S51、将带有灰度偏置场的MR影像数据类型从无符号整数转化为浮点型数据,然后将数据除以255进行0-1归一化,并将数据输入到偏置场估计网络;
步骤S52、偏置场估计网络输出对应的预测偏置场值,网络输入直接除以网络输出结果,得到MR偏置场修正结果;
步骤S53、将MR偏置场修正结果乘以255,并将浮点型数据转化为无符号整型数据,即可获得完成偏置场修正的MR图像。
一种基于深度解耦网络的MRI偏置场修正系统,该系统具有与上述技术方案的步骤对应的程序模块,运行时执行上述的基于深度解耦网络的MRI偏置场修正方法中的步骤。
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程序,所述计算机程序配置为由处理器调用时实现上述的基于深度解耦网络的MRI偏置场修正方法的步骤。
本发明的有益效果是:
本发明针对MRI条件下偏置场修正的任务,本发明提出了一种基于深度解耦网络的偏置场修正方法,该方法建立在无监督深度学习的框架之上,在设定的图像分布规律和偏置场平滑性的约束前提下,对网络参数进行修正,使得网络即使在有限的训练数据下,也能准确地学习到图像和偏置场分布的高层信息,从而实现原始图像与偏置场的解耦,完成磁共振医学影像下偏置场的修正任务。
本发明从算法的角度,解决了由于磁共振设备固有的射频线圈不均匀性、磁场分布不同质性等导致的磁共振影像灰度分布不均匀的问题。现有的偏置场修正方法认为偏置场是一种低频信息,并提出了一种“削弱低频,恢复高频”的偏置场修正框架,然而高频信息也包括噪声等干扰信息,低频信息亦包括亮度变化等有用信息,此类方法忽略了图像本身的结构细节,且处理速度慢,容易出现亮度失真等问题。本发明提出的基于深度解耦的偏置场修正方法通过无监督学习框架,挖掘图像的同质性区域分布特点和偏置场平滑性约束关系,学习并优化网络参数,能够解决现有方法所存在的共性问题,在保留图像细节的同时降低颜色失真的风险,具有泛化能力强,处理速度快,恢复效果好等特点,更适用于复杂多变的临床应用。
本发明方法通过磁共振成像虚拟扫描技术获取MR影像,使用MR影像与生成的偏置场带有偏置场的MR影像,并使用这些影像构成的数据集训练偏置场深度解耦模型中的分割网络和偏置场估计网络的参数,从而使偏置场估计网络能够准确且可靠地完成偏置场估计,并实现最终的偏置场修正任务。本发明提出的偏置场深度解耦模型是一个基于无监督学习框架的新型偏置场修正框架,能够解决现有偏置场修正方法无法有效保留MR图像结构信息,从而导致颜色失真、边界偏离等问题,具有处理速度快,准确率高等优点,能够在临床应用中得到更为广泛的使用。
附图说明
图1为基于分割网络和偏置场估计网络进行解耦训练的示意图;
图2为本发明偏置场估计网络进行偏置场修正的流程图;
图3至图9是利用本发明所述方法进行图像修正处理后的对比图(通过仿真试验得到的),左图为修正前图像,右图为修正后的图像(实验结果图表明,通过偏置场估计网络对MR图像进行修正,可以去除图像的灰度分布不均匀性,提高图片清晰度和图内各组织之间的对比度)。
具体实施方式
具体实施方式一、结合图1和图2说明本实施方式。本实施方式所述的一种偏置场深度解耦方法,所述方法具体包括以下步骤:
步骤S1、获取虚拟的无偏置场MR影像,并对MR影像进行筛选,获得筛选后的MR影像集合,通过勒让德多项式获取偏置场模拟结果,并对偏置场进行保存,获得偏置场数据集;
其中MR影像与模拟的偏置场的尺寸均统一为256×256,以避免图像尺寸不一致导致无法合成带偏置场的MR影像。
步骤S2、分别从MR原始图像数据集和偏置场数据集中任意选取原始MR图像和偏置场,将二者进行逐元素相乘归一化合成为具有偏置场干扰的MR影像,并加入到网络训练数据集中;
步骤S3、重复执行步骤S2,并将生成的带偏置场MR图像作为模型输入,与之对应的MR原始图像作为偏置场修正后的真实值,用来评估模型的性能;
步骤S4、构建偏置场深度解耦模型,并使用步骤S3中获得的数据集训练构建的模型,直至最大迭代次数或者能量变化小于设定的阈值范围时停止训练;
步骤S5、将具有偏置场干扰的MR影像作为模型输入,通过概率预测模型获得MR图像中每个像素点的类别概率值。借助预测概率值,偏置场估计模型获取估计的偏置场,二者共同构成深度解耦网络。最后借助估计的偏置场,完成MR影像的偏置场修正。
其他进一步限定的技术内容与发明内容部分一致。
根据实际需要,图像尺寸可以统一为非256×256的其他尺寸。
具体实施方式二:本实施方式与具体实施方式一不同的是,步骤S3构建的数据集的过程中,从偏置场数据集中随机挑选n份偏置场数据(本发明中,n=9),将偏置场数据依次与上一步挑选的原始图像进行逐元素相乘,得到n张具有偏置场干扰的MR图像。
根据实际需要,用于数据合成的MR影像的数量n可修改为其他数值。
具体实施方式三、本实施方式与具体实施方式一和二之一不同的是:步骤S42中,深度解耦模型的训练迭代次数设置为5000,前后两个epoch的训练损失阈值设置为0.001%。
根据实际需要,最大迭代次数和训练损失阈值可以修改为其他数值。
具体实施方式四、本实施方式与具体实施方式一至三之一不同的是:步骤S421和S425中,分割网络由编码器和解码器组成,其中编码器包含5层网络,每层网络均含有卷积、实例归一化、修正线性单元和平均池化操作,卷积核的数量依次是64、128、256、512和1024;解码器包含4层网络,每层网络均含有上采样、卷积、实例归一化、修正线性单元操作,卷积核的数量依次是512、256、128和64。编码器和解码器的卷积核大小均为3×3。分割网络的最后一层为归一化指数函数,用以将类别概率映射到(0,1)区间。
用于将输入转化为图像信息特征的编码器可以使用其他可用于提取特征的网络单元组合代替,还可以根据训练情况和误差损失的下降趋势调节卷积层的数量。用于将图像信息特征转化为输出的解码器可以使用其他可用于信号解码的网络单元组合代替,还可以根据训练情况和误差损失的下降趋势调节卷积层或反卷积层的数量。上采样操作可以由反卷积和插值采样代替;下采样操作可以由卷积、平均池化、最大值池化操作代替;实例归一化可以由其他具有归一化功能的函数代替;修正线性单元操作可以由其他具有线性映射功能的函数代替。
具体实施方式五、本实施方式与具体实施方式一至四之一不同的是:步骤S421和S425中,偏置场预测网络由编码器和解码器组成,其中编码器包含5层网络,每层网络均含有卷积、实例归一化、修正线性单元和平均池化操作,卷积核的数量依次是64、128、256、512和1024;解码器包含4层网络,每层网络均含有上采样、卷积、实例归一化、修正线性单元操作,卷积核的数量依次是512、256、128和64。编码器和解码器的卷积核大小均为3×3。分割网络的最后一层为0-1归一化函数,用以将偏置场值映射到(0,1)区间。
用于将输入转化为图像信息特征的编码器可以使用其他可用于提取特征的网络单元组合代替,还可以根据训练情况和误差损失的下降趋势调节卷积层的数量。用于将图像信息特征转化为输出的解码器可以使用其他可用于信号解码的网络单元组合代替,还可以根据训练情况和误差损失的下降趋势调节卷积层或反卷积层的数量。上采样操作可以由反卷积和插值采样代替;下采样操作可以由卷积、平均池化、最大值池化操作代替;实例归一化可以由其他具有归一化功能的函数代替;修正线性单元操作可以由其他具有线性映射功能的函数代替。
具体实施方式六、本实施方式与具体实施方式一至五之一不同的是:步骤S421和S425中,sigmoid的权重为1.5。
在实际应用中,sigmoid的权重可以设置为其他值,以使得偏置场值的取值范围在合理范围内。
具体实施方式七、本实施方式与具体实施方式一至七之一不同的是:步骤S424和S428中,用于优化网络参数的优化器设置为Adam优化器。
用于优化网络参数的Adam优化器可以使用其他优化器代替。
经试验证明和实际使用,本发明所述方法完全达到了本发明所述技术效果。如图3至图9所示,实验结果图表明,通过偏置场估计网络对MR图像进行修正,可以去除图像的灰度分布不均匀性,提高图片清晰度和图内各组织之间的对比度。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.一种基于深度解耦网络的MRI偏置场修正方法,其特征在于,所述方法的实现过程包括以下步骤:
步骤S1、获取模拟的医学MR图像,并对所述MR图像进行切片筛选,构成原始图像数据集;利用具有平滑性约束的勒让德多项式生成与MR图像大小一致的偏置场,并将偏置场数值保存,构成偏置场数据集;
步骤S2、分别从原始MR图像数据集和偏置场数据集中任意选取原始MR图像和偏置场,将二者进行逐元素相乘归一化合成为具有偏置场干扰的MR图像,并加入到网络训练数据集中;
步骤S3、重复执行步骤S2,并将生成的具有偏置场干扰的MR图像作为训练数据,与之对应的无偏置场原始MR图像作为真实值;训练数据和真实值数据共同组成数据集,用来训练偏置场深度解耦网络,并评估网络的性能;
步骤S4、构建偏置场深度解耦网络,并使用步骤S3中获得的数据集训练构建的模型,直至最大迭代次数或者能量变化小于设定的阈值范围时停止训练;
所述的偏置场深度解耦网络包括分割网络和偏置场估计模型,分割网络用来预测每个像素属于每个类别的概率值,偏置场估计模型用来预测MR图像中每个像素点的灰度偏置值,训练偏置场深度解耦网络的流程为:
步骤S41、人为确定类别数目c,训练的总次数N,构造目标能量函数为:
其中,uki表示第k个像素点属于第i个类别的概率,bk表示第k个像素点处的灰度偏置值,yk表示第k个像素点的灰度值,vi表示第i个类别的平均灰度值,λ为正则项的权重,p为权重指数,需要通过网络训练确定uki,bk,vi的值,以使得能量函数Em的值最小;
步骤S42、通过对Em分别对uki,bk,vi求偏导,得到Em最小化时,uki,bk,vi的取值;公式如下:
对于变量uki,通过分割网络进行预测得到;对于变量bk,则由偏置场估计模型进行估计获得;偏置场深度解耦网络的训练类似于期望最大化过程,即将其中一个网络的预测结果作为真实值,监督训练另外一个网络,通过迭代优化的方式,交替更新两个网络的参数,训练分割网络的流程为:
S421、将一个batch的训练数据除以255做0-1归一化处理,然后分别输入到分割网络和偏置场估计模型,得到输出结果upred和bpred;
S422、将upred的值拷贝给变量udetach,并将udetach的反向梯度传播权限关闭,通过变量udetach和bpred计算每个类别中心的平均灰度值,计算公式如下:
S423、通过计算的vi和网络预测的bpred,重新计算满足三者变量关系的uki,计算公式如下:
S424、设计损失函数如下:
通过计算损失Lossprob,利用反向传播,在固定偏置场估计模型参数的同时,更新分割网络参数;
训练偏置场估计模型的流程为:
S425、将一个batch的训练数据除以255做0-1归一化处理,然后分别输入到分割网络和偏置场估计模型,得到输出结果upred和bpred;
S426、将bpred的值拷贝给变量bdetach,并将bdetach的反向梯度传播权限关闭,通过变量bdetach和upred计算每个类别中心的平均灰度值,计算公式如下:
S427、通过计算的vi和网络预测的upred,重新计算满足三者变量关系的bk,计算公式如下:
S428、设计损失函数如下:
通过计算损失Lossbias,利用反向传播,在固定分割网络参数的同时,更新偏置场估计模型的参数;
S43、重复执行步骤S421到步骤S428,直至数据集中所有batch的数据均被用于网络训练,然后重新将数据集打乱划分batch进行上述训练,反复迭代直至达到最大迭代次数5000或者当前后epoch的训练loss差距小于0.001%时停止训练;
步骤S5、使用偏置场深度解耦网络进行MR偏置场修正的流程为:
步骤S51、将带有灰度偏置场的MR图像数据类型从无符号整数转化为浮点型数据,然后将数据除以255进行0-1归一化,并将数据输入到偏置场估计模型;
步骤S52、偏置场估计模型输出对应预测偏置场值,偏置场估计模型的输入直接除以偏置场估计模型的输出结果,得到MR偏置场修正结果;
步骤S53、将MR偏置场修正结果乘以255,并将浮点型数据转化为无符号整型数据,即可获得完成偏置场修正的MR图像。
2.根据权利要求1所述的一种基于深度解耦网络的MRI偏置场修正方法,其特征在于,
在步骤S1中,所述的MR图像由磁共振成像虚拟扫描技术获取;
在步骤S1中,生成的偏置场是与MR图像尺寸相同的浮点型数据,其中大于1的数值部分表示该点的像素值大于真实像素值;大于0、且小于1的数值部分表示该点的像素值小于真实像素值;通过偏置场的数值变化,描述MR图像中的灰度分布不均匀性。
3.根据权利要求1所述的一种基于深度解耦网络的MRI偏置场修正方法,其特征在于,所述步骤S2的具体步骤为:
步骤S21、依次从原始MR图像数据集中选出一张MR图像,将MR图像数据类型从unsignedint 8转化为浮点型数据;
步骤S22、从偏置场数据集中随机挑选n份偏置场数据,n大于等于1,将偏置场数据依次与上一步挑选的原始MR图像进行逐元素相乘,得到n张具有偏置场干扰的MR图像。
4.一种基于深度解耦网络的MRI偏置场修正系统,其特征在于:该系统具有与上述权利要求1-3任一项权利要求的步骤对应的程序模块,运行时执行上述的基于深度解耦网络的MRI偏置场修正方法中的步骤。
5.一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程序,所述计算机程序配置为由处理器调用时实现权利要求1-3中任一项所述的基于深度解耦网络的MRI偏置场修正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846071.2A CN116908760B (zh) | 2023-07-11 | 2023-07-11 | 一种基于深度解耦网络的mri偏置场修正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846071.2A CN116908760B (zh) | 2023-07-11 | 2023-07-11 | 一种基于深度解耦网络的mri偏置场修正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116908760A CN116908760A (zh) | 2023-10-20 |
CN116908760B true CN116908760B (zh) | 2024-05-14 |
Family
ID=88352392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310846071.2A Active CN116908760B (zh) | 2023-07-11 | 2023-07-11 | 一种基于深度解耦网络的mri偏置场修正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116908760B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208138B1 (en) * | 1998-06-11 | 2001-03-27 | Siemens Corporate Research, Inc. | Bias field estimation for intensity inhomogeneity correction in MR images |
DE10141803A1 (de) * | 2000-08-30 | 2002-10-02 | Nmr Holdings No 2 Pty Ltd New | Asymmetrische zonale Shimspulen für Magnetresonanz |
CN102135606A (zh) * | 2010-12-13 | 2011-07-27 | 电子科技大学 | 一种基于knn分类算法的mr图像灰度不均匀性校正分割方法 |
CN109242850A (zh) * | 2018-10-11 | 2019-01-18 | 黑龙江大学 | 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110930397A (zh) * | 2019-12-06 | 2020-03-27 | 陕西师范大学 | 一种磁共振图像分割方法、装置、终端设备及存储介质 |
CN114140341A (zh) * | 2021-10-29 | 2022-03-04 | 厦门大学 | 一种基于深度学习的磁共振图像非均匀场校正方法 |
CN114627006A (zh) * | 2022-02-28 | 2022-06-14 | 复旦大学 | 一种基于深度解耦网络的渐进式图像修复方法 |
CN114859278A (zh) * | 2022-05-31 | 2022-08-05 | 深圳航天科技创新研究院 | 磁共振主磁体磁场均匀度检测方法 |
CN114881885A (zh) * | 2022-05-25 | 2022-08-09 | 南京邮电大学 | 一种基于解耦深度字典学习的图像去噪方法 |
CN115311182A (zh) * | 2022-08-08 | 2022-11-08 | 广东工业大学 | 一种基于深度学习的mri图像合成ct图像的方法及系统 |
CN115526948A (zh) * | 2022-11-04 | 2022-12-27 | 上海联影医疗科技股份有限公司 | 磁共振图像的射频场均匀性校正方法、装置及磁共振系统 |
CN116071383A (zh) * | 2023-02-23 | 2023-05-05 | 重庆邮电大学 | 一种基于超高场磁共振影像重建的海马亚区分割方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7099499B2 (en) * | 2002-08-15 | 2006-08-29 | General Electric Company | Fat/water separation and fat minimization magnetic resonance imaging systems and methods |
US20220398737A1 (en) * | 2021-06-10 | 2022-12-15 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-network |
-
2023
- 2023-07-11 CN CN202310846071.2A patent/CN116908760B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208138B1 (en) * | 1998-06-11 | 2001-03-27 | Siemens Corporate Research, Inc. | Bias field estimation for intensity inhomogeneity correction in MR images |
DE10141803A1 (de) * | 2000-08-30 | 2002-10-02 | Nmr Holdings No 2 Pty Ltd New | Asymmetrische zonale Shimspulen für Magnetresonanz |
CN102135606A (zh) * | 2010-12-13 | 2011-07-27 | 电子科技大学 | 一种基于knn分类算法的mr图像灰度不均匀性校正分割方法 |
CN109242850A (zh) * | 2018-10-11 | 2019-01-18 | 黑龙江大学 | 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110930397A (zh) * | 2019-12-06 | 2020-03-27 | 陕西师范大学 | 一种磁共振图像分割方法、装置、终端设备及存储介质 |
CN114140341A (zh) * | 2021-10-29 | 2022-03-04 | 厦门大学 | 一种基于深度学习的磁共振图像非均匀场校正方法 |
CN114627006A (zh) * | 2022-02-28 | 2022-06-14 | 复旦大学 | 一种基于深度解耦网络的渐进式图像修复方法 |
CN114881885A (zh) * | 2022-05-25 | 2022-08-09 | 南京邮电大学 | 一种基于解耦深度字典学习的图像去噪方法 |
CN114859278A (zh) * | 2022-05-31 | 2022-08-05 | 深圳航天科技创新研究院 | 磁共振主磁体磁场均匀度检测方法 |
CN115311182A (zh) * | 2022-08-08 | 2022-11-08 | 广东工业大学 | 一种基于深度学习的mri图像合成ct图像的方法及系统 |
CN115526948A (zh) * | 2022-11-04 | 2022-12-27 | 上海联影医疗科技股份有限公司 | 磁共振图像的射频场均匀性校正方法、装置及磁共振系统 |
CN116071383A (zh) * | 2023-02-23 | 2023-05-05 | 重庆邮电大学 | 一种基于超高场磁共振影像重建的海马亚区分割方法及系统 |
Non-Patent Citations (5)
Title |
---|
A Robust Spatial Information-Theoretic GMM Algorithm for Bias Field Estimation and Brain MRI Segmentation;Yunjie Chen,等;《IEEE Access 》;第8卷;全文 * |
Flexible ConvNext Block Based Multi-task Learning Framework for Liver MRI Images Analysis;Dong Sui等;《2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》;全文 * |
一种MR图像灰度偏差场的修正方法;周震,等;《中国组织工程研究与临床康复》;第14卷(第26期);全文 * |
基于级联随机森林与活动轮廓的3D MR图像分割;马超,等;《自动化学报》;第45卷(第5期);全文 * |
面向脑MR影像分割与偏置场修正的FCM方法;陆海青,等;《重庆邮电大学学报(自然科学版)》;第30卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116908760A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Seeger et al. | Large scale Bayesian inference and experimental design for sparse linear models | |
Liao et al. | MRI brain image segmentation and bias field correction based on fast spatially constrained kernel clustering approach | |
Chen et al. | MRI brain tissue classification using unsupervised optimized extenics-based methods | |
CN109191399B (zh) | 基于改进的多路径匹配追踪算法的磁共振图像去噪方法 | |
Ghosh et al. | Chaotic firefly algorithm-based fuzzy C-means algorithm for segmentation of brain tissues in magnetic resonance images | |
Tang et al. | Reliability-driven, spatially-adaptive regularization for deformable registration | |
CN114140341A (zh) | 一种基于深度学习的磁共振图像非均匀场校正方法 | |
US11969283B2 (en) | Generating synthetic electron density images from magnetic resonance images | |
CN107516314B (zh) | 医学图像超体素分割方法和装置 | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
MEVIS | Improved bias-corrected fuzzy c-means segmentation of brain mri data | |
CN113837179B (zh) | 一种处理图像的多判别gan网络构建方法、装置、系统和存储介质 | |
Banerjee et al. | Segmentation of bias field induced brain MR images using rough sets and stomped-t distribution | |
Fahmy et al. | Myocardial segmentation using contour-constrained optical flow tracking | |
CN110148193A (zh) | 基于自适应正交字典学习的动态磁共振并行重建方法 | |
Cong et al. | A modified brain MR image segmentation and bias field estimation model based on local and global information | |
CN116908760B (zh) | 一种基于深度解耦网络的mri偏置场修正方法及系统 | |
Liu et al. | High-fidelity MRI reconstruction using adaptive spatial attention selection and deep data consistency prior | |
CN116843679B (zh) | 基于深度图像先验框架的pet图像部分容积校正方法 | |
CN117333750A (zh) | 空间配准与局部全局多尺度的多模态医学图像融合方法 | |
Lin et al. | An efficient automatic framework for segmentation of MRI brain image | |
Seeger et al. | Large scale variational inference and experimental design for sparse generalized linear models | |
CN116188481B (zh) | 图像分割模型训练方法、图像处理方法、系统及电子设备 | |
Francis et al. | Kernel weighted FCM based MR image segmentation for brain tumor detection | |
Jiao et al. | Research on Liver Fat Sequencing Measurement Method Combined with Super-pixel Segmentation |
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 |