CN117078792B - 正则项自适应优化的磁粒子图像重建系统、方法及设备 - Google Patents
正则项自适应优化的磁粒子图像重建系统、方法及设备 Download PDFInfo
- Publication number
- CN117078792B CN117078792B CN202311330185.8A CN202311330185A CN117078792B CN 117078792 B CN117078792 B CN 117078792B CN 202311330185 A CN202311330185 A CN 202311330185A CN 117078792 B CN117078792 B CN 117078792B
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic particle
- layer
- group
- electromagnetic coils
- 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
- 239000006249 magnetic particle Substances 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 238000003384 imaging method Methods 0.000 claims abstract description 80
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 46
- 230000003044 adaptive effect Effects 0.000 claims description 39
- 230000015556 catabolic process Effects 0.000 claims description 28
- 238000006731 degradation reaction Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 230000005284 excitation Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- WTFXARWRTYJXII-UHFFFAOYSA-N iron(2+);iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[O-2].[Fe+2].[Fe+3].[Fe+3] WTFXARWRTYJXII-UHFFFAOYSA-N 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 229940031182 nanoparticles iron oxide Drugs 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003325 tomography 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于磁粒子成像技术领域,具体涉及一种正则项自适应优化的磁粒子图像重建系统、方法及设备,旨在解决现有技术无法根据重建对象迭自动调整正则项及其参数实现MPI的快速、高质量重建的问题。本发明系统包括:磁粒子成像设备,用于对待成像对象进行扫描,得到电压响应信号;信号处理器,用于构建系统矩阵;控制处理器,用于结合任意选取的正则项进行磁粒子图像重建,重建后输入正则项自适应优化神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;计算第一图像与初始图像的损失值,获取最终重建的磁粒子图像。本发明通过神经网络模型自动学习的方式来替代人工选择正则项并调整参数的方式,提高了磁粒子图像的重建效率及质量。
Description
技术领域
本发明属于磁粒子成像技术领域,具体涉及一种正则项自适应优化的磁粒子图像重建系统、方法及设备。
背景技术
在临床诊断和检测中,如何准确、客观的定位肿瘤及其他病灶一直是国际上的研究热点和挑战性问题。现有的医学影像技术如CT,MRI,SPECT等方法均存在危害大,定位差,精度低等问题。而在近些年,一种全新的基于示踪剂的成像方式——磁粒子成像技术(MPI)被提出。利用断层成像技术,MPI可以通过检测对人体无害的超顺磁氧化铁纳米颗粒(SPIONs)的空间浓度分布,对肿瘤或目标物进行精准定位,具有三维成像、高时空分辨率和高灵敏度的特点。此外,MPI不显示解剖结构并且无背景信号干扰,因此信号的强度与示踪剂的浓度直接成正比,是一种颇具医学应用潜力的新方法。
现今的MPI技术还处于发展阶段,硬件上还在不断的完善。现有MPI的重建算法主要分为两大类,X-space和系统矩阵重建方法,其中系统矩阵方法是基于频域信号构建系统的系统矩阵,系统矩阵描述了MPI系统的参数信息、扫描信息以及磁粒子的粒子特性等信息,因此有潜力重建得到更精准的图像。然而由于系统矩阵的特性,其信息比较稀疏,因此求解磁粒子分布的过程具有病态性。现有方法常使用不同的正则项对求解过程进行约束,其中不同的正则项有不同的作用,但都存在一些不足,比如噪声抑制能力不足,边缘重建过平滑或灰度分布重建不准等等。因此针对不同情况下的重建,往往需要尝试不同的正则项,并根据重建结果经验调整正则项参数来获得更优的重建图像。这往往需要大量的时间,同时是否选择多个正则项的组合来约束求解过程也是一个问题。因此需要一种能自动根据重建对象迭代调整正则项及其参数的方法,快速的重建得到高精度的磁粒子图像。基于此,本发明提出了一种正则项自适应优化的磁粒子图像重建方法、系统及设备。
发明内容
为了解决现有技术中的上述问题,即为了解决现有基于系统矩阵重建磁粒子图像的技术无法根据重建对象自动调整正则项及其参数实现MPI的快速、高质量重建的问题,本发明提出了一种正则项自适应优化的磁粒子图像重建系统,该系统包括:
所述磁粒子图像重建系统包括:磁粒子成像设备、待成像对象、信号处理器和控制处理器;
所述磁粒子成像设备、所述信号处理器和所述控制处理器两两之间分别通过线缆或无线的方式进行通信连接;
所述控制处理器生成所述磁粒子成像设备的扫描参数并通过线缆或无线通信进行所述磁粒子成像设备的参数设置;
所述待成像对象设置于所述磁粒子成像设备的成像视场中心,当所述磁粒子成像设备接收到所述控制处理器发送的成像指令时,对所述待成像对象进行扫描,得到所述待成像对象对应的电压响应信号,并通过线缆或无线通信将所述电压响应信号发送至所述控制处理器;
所述信号处理器将所述磁粒子成像设备成像时的视场区域划分为N个等大的像素块;将所述待成像对象放入视场区域,控制磁场自由区遍历N个等大的像素块并获得N组感应电压信号;分别对每个感应电压信号做傅里叶变换,得到N组频谱序列,进而构建系统矩阵,并通过线缆或无线通信将所述系统矩阵发送至所述控制处理器;
所述控制处理器包括图像重建模块、图像增强模块、误差计算模块;
所述图像重建模块,配置为基于所述系统矩阵和所述待成像对象对应的电压响应信号,结合任意选取的正则项进行磁粒子图像重建,将重建后的磁粒子图像作为初始图像,并输入所述图像增强模块;
所述图像增强模块,配置为将所述初始图像输入训练好的正则项自适应优化神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;
所述误差计算模块,配置为计算所述第一图像与所述初始图像的损失值,作为第一损失;并判断当前迭代次数k是否大于等于2,若否,则令k=k+1,将所述第一图像作为初始图像,跳转所述图像增强模块,否则,判断第k次迭代计算的第一损失与第k-1次迭代计算的第一损失之间的差的绝对值是否小于设定的误差阈值,若小于,则将所述第一图像作为最终重建的磁粒子图像,否则,令k=k+1,将所述第一图像作为初始图像,跳转所述图像增强模块;
所述正则项自适应优化神经网络模型采用编码器-解码器结构构建。
在一些优选的实施方式中,所述磁粒子成像设备为基于磁场自由线的MPI设备;所述磁粒子成像设备包括梯度模块、激励模块和接收模块;
所述梯度模块由两组电磁铁构成;第一组电磁铁用于生成磁场自由线,第二组电磁铁用于旋转磁场自由线;
所述第一组电磁铁由四个椭圆形电磁线圈构成,两两一组,分别作为第一组椭圆形电磁线圈、第二组椭圆形电磁线圈;所述第一组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第二组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第一组椭圆形电磁线圈、所述第二组椭圆形电磁线圈置于所述激励模块和所述接收模块的两侧且关于所述接收模块的轴线对称设置;所述第一组电磁铁中各椭圆形电磁线圈的长轴方向与所述接收模块的轴线方向平行;所述第一组电磁铁中每一组的两个椭圆形电磁线圈中通入等大方向相反的直流电流,所述第一组椭圆形电磁线圈和所述第二组椭圆形电磁线圈中相对的两个椭圆形电磁线圈中通入等大方向相同的直流电流,以在成像视场中心生成磁场自由线;
所述第二组电磁铁由四个椭圆形电磁线圈构成,两两一组,分别作为第三组椭圆形电磁线圈、第四组椭圆形电磁线圈;所述第三组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第四组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第三组椭圆形电磁线圈、所述第四组椭圆形电磁线圈分别置于所述激励模块和所述接收模块的两侧且关于所述接收模块的轴线对称设置;所述第二组电磁铁中各椭圆形电磁线圈的长轴方向与所述接收模块的轴线方向垂直;所述第三组椭圆形电磁线圈位于所述第一组椭圆形电磁线圈的外侧;所述第四组椭圆形电磁线圈位于所述第二组椭圆形电磁线圈的外侧;
所述第二组电磁铁中每一组的两个椭圆形电磁线圈中通入等大方向相反的直流电流,所述第三组椭圆形电磁线圈和所述第四组椭圆形电磁线圈中相对的两个椭圆形电磁线圈中通入等大方向相同的直流电流,以驱动成像视场中心的磁场自由线旋转,扫描二维成像视场;
所述激励模块由激励线圈组成;其中,所述激励线圈为闭孔式圆柱形电磁线圈,置于所述梯度模块的中间;所述激励线圈,通过通入高频交变电流以驱动磁粒子产生响应电压信号;
所述接收模块由接收线圈组成;所述接收模块整体为闭孔式圆柱形电磁线圈,置于所述激励线圈内侧,包括接收和补偿两部分,由一根线反向绕制组成,补偿部分位于接收部分的两端;所述补偿部分用于抵消所述接收部分直接接收到的由所述激励线圈产生的馈通信号。
本发明的第二方面,提出了一种正则项自适应优化的磁粒子图像重建方法,用于将任意正则项下重建的磁粒子图像作为初始输入,通过预构建的正则项自适应优化神经网络模型迭代求解,进而得到边缘清晰、分布准确的无噪磁粒子重建图像,基于上述的正则项自适应优化的磁粒子图像重建系统实施,所述方法包括:
步骤S10,基于所述磁粒子成像设备成像时的视场区域,构建系统矩阵;
步骤S20,将所述待成像对象放置于所述磁粒子成像设备的成像视场中心并进行扫描,得到所述待成像对象对应的电压响应信号;
步骤S30,基于所述系统矩阵、所述电压响应信号,结合任意选取的正则项及参数进行磁粒子图像重建,将重建后的磁粒子图像作为初始图像;
步骤S40,将所述初始图像输入训练好的正则项自适应优化神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;
步骤S50,计算所述第一图像与所述初始图像的损失值,作为第一损失;并判断当前迭代次数k是否大于等于2,若否,则令k=k+1,将所述第一图像作为初始图像,跳转步骤S40,否则,判断第k次迭代计算的第一损失与第k-1次迭代计算的第一损失之间的差的绝对值是否小于设定的误差阈值,若小于,则将所述第一图像作为最终重建的磁粒子图像,否则,令k=k+1,将所述第一图像作为初始图像,跳转步骤S40;
所述正则项自适应求解神经网络模型采用编码器-解码器结构构建。
在一些优选的实施方式中,基于所述磁粒子成像设备成像时的视场区域,构建系统矩阵,其方法为:
将所述磁粒子成像设备成像时的视场区域划分为N个等大的像素块;所述N为成像分辨率;
将所述待成像对象放入视场区域,控制磁场自由区遍历N个等大的像素块并获得N组感应电压信号;其中,当磁场自由区为磁场自由线时,在扫描第w个像素块时,通过控制磁场自由线沿成像视场中心旋转获得不同角度下的信号;所述不同角度为将360°划分为设定个角度;即扫描得到N组感应电压信号,每组感应电压信号包括在相同位置磁场自由线不同角度i的信号为;
分别对每组中各感应电压信号做傅里叶变换,得到N组频谱序列;
分别提取每组频谱序列中主倍频和周围窄带频点,并将每组中i个感应电压信号的频点依序拼接成一个一维频谱向量;所述主倍频和周围窄带内的频点共m个频点;
将N个一维频谱向量组合为一个M×N大小的系统矩阵,每一行代表不同像素块位置对应的同一频点,每一列为每个像素块对应的频谱向量;其中,M= i×m。
在一些优选的实施方式中,所述正则项自适应优化神经网络模型中的编码器结构对输入的图像的处理过程为:
将输入的图像I分成等大的块Pinput,每个块之间互相重叠,重叠比例为r;
将每个块由二维向量转换为一维向量,转换后通过全连接层进行编码,得到第一向量,同时对每个块进行位置编码得到与所述第一向量等大的第二向量,将所述第一向量和所述第二向量通过相加的方式融合,融合后输入y个transformer块;每个transformer块包括一个自注意力层和一个前馈网络;
所述自注意力层,包括顺次连接的自注意力层输入端、多头注意力层、第一加和单元、层归一化层、前馈网络、第二加和单元、层归一化层和自注意力层输出端;所述自注意力层输入端的输入与所述多头注意力层的输出通过所述第一加和单元进行加和;所述自注意力层中的前馈网络的输入与所述自注意力层中的前馈网络的输出通过所述第二加和单元进行加和;
所述多头注意力层包括顺次连接的多头注意力层的输入端、x个并行的点积注意力块、特征连接层、全连接层和多头注意力层的输出端;所述点积注意力块包括并行的点积第一全连接层、点积第二全连接层和点积第三全连接层,所述点积第一全连接层和所述点积第二全连接层的输出共同连接至矩阵乘法单元,并依次连接归一化层和softmax层,所述softmax层的输出与所述点积第三全连接层共同连接至矩阵乘法单元并连接点积注意力块的输出端;
所述前馈网络包括顺次连接的全连接层、GeLU层和全连接层。
在一些优选的实施方式中,所述正则项自适应优化神经网络模型中的解码器结构对输入的向量的处理过程为:
首先将所述编码器结构输出的向量输入一个全连接层,降低特征向量的通道数,与Pinput大小匹配,作为第三向量;
将所述第三向量转换为与Pinput大小相同的块,进入图像学习支路、噪声学习支路恢复;
所述图像学习支路包括连续的S个自注意力去噪模块,及最后的1×1卷积层;其中,所述自注意力去噪模块由顺次连接的自注意力去噪模块输入端、第一3×3卷积层、第一ReLU激活函数层、第二3×3卷积层、第一通道注意力层、第二ReLU激活函数层和自注意力去噪模块输出;所述自注意力去噪模块输入端和所述第一通道注意力层的输出通过跳层连接相加;
所述第一通道注意力层包括顺次连接的第一通道注意力层输入端、全局平均池化层、激活函数层及第一通道注意力层输出端,其中所述第一通道注意力层输入端与所述激活函数层的输出通过跳层连接进行元素级别的矩阵相乘;
所述噪声学习支路包括连续的S’个自注意力噪声提取模块,以及最后的1×1卷积层;其中,所述自注意力噪声提取模块由顺次连接的自注意力噪声提取模块输入端、第三3×3卷积层、第三ReLU激活函数层、第四3×3卷积层、第二通道注意力层、第四ReLU激活函数层和自注意力去噪模块输出端;其中,所述自注意力去噪模块输入端和所述第二通道注意力层的输出通过跳层连接相减;
将所述Pinput减去所述噪声学习支路的输出Pnoise,得到增强特征P, noise;
将所述P, noise、所述图像学习支路的输出Pimage分别恢复成与所述输入的图像I长宽相同的二维图像,得到噪声学习支路输出特征图Inoise和图像学习支路输出特征图Iimage;
将所述Inoise、所述Iimage进行特征连接并通过一个1×1卷积层进行融合,得到所述正则项自适应优化神经网络模型最终的输出结果Ioutput。
在一些优选的实施方式中,所述正则项自适应优化神经网络模型,其训练方法为:
步骤A10,获取仿体图;所述仿体图包括手写数字、字母图像及散点图;将所述仿体图转换为二值图并设置不同的灰度值模拟浓度,得到具有浓度梯度的仿真图;
步骤A20,通过预构建的退化模型集合中选取一种退化模型对所述具有浓度梯度的仿真图进行退化处理,得到退化图像;
步骤A30,将所述退化图像输入预构建的正则项自适应优化神经网络模型进行增强处理,得到增强图像;基于所述增强图像与其对应的具有浓度梯度的仿真图,计算损失值,作为第二损失,进而更新模型参数;
步骤A40,判断当前循环次数是否小于设定的循环次数及所述增强图像与其对应的具有浓度梯度的仿真图的误差是否大于等于预设值,若是,将所述增强图像作为所述退化图像,跳转步骤A30,否则,将训练好的正则项自适应优化神经网络模型进行输出。
在一些优选的实施方式中,所述退化模型包括了高斯模糊和高斯噪声;
所述退化模型为:
其中,J表示具有浓度梯度的仿真图,表示高斯模糊,表示高斯噪声,/>表示高斯核大小,/>表示高斯噪声的强度。
在一些优选的实施方式中,所述正则项自适应优化神经网络模型其在训练过程中的损失函数为:
其中,表示总损失,/>表示P, noise与其对应的真实标签之间的平均均方误差,/>表示Pimage与其对应的真实标签之间的平均均方误差,/>表示Ioutput与其对应的真实标签之间的平均均方误差,α、β和γ为设定的常数,α和β小于γ。
本发明的第三方面,提出了一种正则项自适应优化的磁粒子图像重建设备,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正则项自适应优化的磁粒子图像重建方法。
本发明的有益效果:
本发明通过神经网络模型自动学习的方式来替代人工选择正则项并调整参数的方式,提高了磁粒子图像的重建效率及质量。
本发明构建退化模型,来模拟不同正则项在非最佳参数下的低质量重建,通过神经网络模型来学习从低质量的重建图像到高质量的重建图像的过程,来模拟人工选择正则项并调整参数的过程。本发明将任意正则项及参数下获得的重建图像作为初始输入,通过神经网络模型将上一轮的输出作为当前轮的输入,利用神经网络模型来迭代求解最优的重建图像,集成了不同正则项的优势,并能自适应的拟合得到最佳参数对应的重建图像,即边缘清晰,分布准确的无噪重建图像,极大地简化了人工选择正则项并调整参数的过程,提高了重建效率,并可以泛化至不同的磁粒子系统。通过简单的网络自动迭代,得到高质量的重建图像。
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正则项自适应优化的磁粒子图像重建系统的框架示意图;
图2 是本发明一种实施例的磁粒子成像设备的立体示意图;
图3是本发明一种实施例的正则项自适应优化神经网络模型的训练过程的示意图;
图4为本发明一种实施例的正则项自适应优化的磁粒子图像重建方法的流程示意图;
图5是本发明一种实施例的基于训练好的正则项自适应优化神经网络模型获取最终重建的磁粒子图像的流程示意图;
图6是本发明一种实施例的Transformer块中的自注意力层的结构示意图;
图7是本发明一种实施例的多头注意力层的结构示意图。
图8是本发明一种实施例的图像/噪声学习支路的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
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仅用于解释相关发明,而非对该发明的限定。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。
本发明第一实施例的一种正则项自适应优化的磁粒子图像重建系统,如图1所示,所述磁粒子图像重建系统包括:磁粒子成像设备、待成像对象、信号处理器和控制处理器;
所述磁粒子成像设备、所述信号处理器和所述控制处理器两两之间分别通过线缆或无线的方式进行通信连接;
所述控制处理器生成所述磁粒子成像设备的扫描参数并通过线缆或无线通信进行所述磁粒子成像设备的参数设置;
所述待成像对象设置于所述磁粒子成像设备的成像视场中心,当所述磁粒子成像设备接收到所述控制处理器发送的成像指令时,对所述待成像对象进行扫描,得到所述待成像对象对应的电压响应信号,并通过线缆或无线通信将所述电压响应信号发送至所述控制处理器;
所述信号处理器将所述磁粒子成像设备成像时的视场区域划分为N个等大的像素块;将所述待成像对象放入视场区域,控制磁场自由区遍历N个等大的像素块并获得N组感应电压信号;分别对每个感应电压信号做傅里叶变换,得到N组频谱序列,进而构建系统矩阵,并通过线缆或无线通信将所述系统矩阵发送至所述控制处理器;
所述控制处理器包括图像重建模块、图像增强模块、误差计算模块;
所述图像重建模块,配置为基于所述系统矩阵和所述待成像对象对应的电压响应信号,结合任意选取的正则项进行磁粒子图像重建,将重建后的磁粒子图像作为初始图像,并输入所述图像增强模块;
所述图像增强模块,配置为将所述初始图像输入训练好的正则项自适应优化神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;
所述误差计算模块,配置为计算所述第一图像与所述初始图像的损失值,作为第一损失;并判断当前迭代次数k是否大于等于2,若否,则令k=k+1,将所述第一图像作为初始图像,跳转所述图像增强模块,否则,判断第k次迭代计算的第一损失与第k-1次迭代计算的第一损失之间的差的绝对值是否小于设定的误差阈值,若小于,则将所述第一图像作为最终重建的磁粒子图像,否则,令k=k+1,将所述第一图像作为初始图像,跳转所述图像增强模块;
所述正则项自适应优化神经网络模型采用编码器-解码器结构构建。
在本发明中,所述磁粒子成像设备为基于磁场自由线的MPI设备;所述磁粒子成像设备包括梯度模块、激励模块和接收模块;
所述梯度模块由两组电磁铁构成,如图2所示;第一组电磁铁用于生成磁场自由线(为x方向的磁场自由线),第二组电磁铁用于旋转磁场自由线;
所述第一组电磁铁由四个椭圆形电磁线圈(图2中的1、2、3、4)构成,两两一组,分别作为第一组椭圆形电磁线圈、第二组椭圆形电磁线圈;所述第一组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第二组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第一组椭圆形电磁线圈、所述第二组椭圆形电磁线圈置于所述激励模块和所述接收模块的两侧且关于所述接收模块的轴线对称设置;所述第一组电磁铁中各椭圆形电磁线圈的长轴方向与所述接收模块的轴线方向平行(例如,1和2为第一组椭圆形电磁线圈,3和4为第二组椭圆形电磁线圈,1、2、3、4所在的平面为同一轴方向平面,1、2位于一侧、3、4位于另一侧)。每一组(1和2为一组,3和4为一组)的两个电磁线圈中通入等大方向相反的直流电流,第一组椭圆形电磁线圈和第二组椭圆形电磁线圈中相对的两个椭圆形电磁线圈(例如1和3、2和4)中通入等大方向相同的直流电流,以在成像视场中心生成磁场自由线;
所述第二组电磁铁由四个椭圆形电磁线圈(如图2中的5、6、7、8所示)构成,两两一组,分别作为第三组椭圆形电磁线圈、第四组椭圆形电磁线圈;所述第三组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第四组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第三组椭圆形电磁线圈、所述第四组椭圆形电磁线圈分别置于所述激励模块和所述接收模块的两侧且关于所述接收模块的轴线对称设置;所述第二组电磁铁中各椭圆形电磁线圈的长轴方向与所述接收模块的轴线方向垂直;所述第三组椭圆形电磁线圈位于所述第一组椭圆形电磁线圈的外侧;所述第四组椭圆形电磁线圈位于所述第二组椭圆形电磁线圈的外侧(如图2所示,5和6为第一组椭圆形电磁线圈,7和8为第二组椭圆形电磁线圈, 5、6位于一侧、7、8位于另一侧,5、6位于1、2的外侧,7、8位于3、4的外侧);
所述第二组电磁铁中每一组(5、6为一组、7、8为一组)的两个电磁线圈中通入等大方向相反的直流电流,相对的两个电磁线圈中通入等大方向相同的直流电流,以驱动成像视场中心的磁场自由线旋转(具体为绕z轴在x-y平面内旋转),扫描二维成像视场;
所述激励模块由激励线圈(如图2中的10所示)组成;其中,所述激励线圈为闭孔式圆柱形电磁线圈,置于所述梯度模块的中间;所述激励线圈,通过通入高频交变电流以驱动磁粒子产生响应电压信号;
所述接收模块由接收线圈(如图2中的9所示)组成;所述接收模块整体为闭孔式圆柱形电磁线圈,置于所述激励线圈内侧,包括接收和补偿两部分,由一根线反向绕制组成,补偿部分位于接收部分的两端;所述补偿部分用于抵消所述接收部分直接接收到的由所述激励线圈产生的馈通信号。
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,上述描述的系统的具体的工作过程及有关说明,可以参考下述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的正则项自适应优化的磁粒子图像重建系统,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。
本发明第二实施例的一种正则项自适应优化的磁粒子图像重建方法,用于将任意正则项下重建的磁粒子图像作为初始输入,通过预构建的正则项自适应优化神经网络模型迭代求解,进而得到边缘清晰、分布准确的无噪磁粒子重建图像,基于上述的正则项自适应优化的磁粒子图像重建系统实施,如图4所示,所述方法包括:
步骤S10,基于所述磁粒子成像设备成像时的视场区域,构建系统矩阵;
步骤S20,将所述待成像对象放置于所述磁粒子成像设备的成像视场中心并进行扫描,得到所述待成像对象对应的电压响应信号;
步骤S30,基于所述系统矩阵、所述电压响应信号,结合任意选取的正则项及参数进行磁粒子图像重建,将重建后的磁粒子图像作为初始图像;
步骤S40,将所述初始图像输入训练好的正则项自适应优化神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;
步骤S50,计算所述第一图像与所述初始图像的损失值,作为第一损失;并判断当前迭代次数k是否大于等于2,若否,则令k=k+1,将所述第一图像作为初始图像,跳转步骤S40,否则,判断第k次迭代计算的第一损失与第k-1次迭代计算的第一损失之间的差的绝对值是否小于设定的误差阈值,若小于,则将所述第一图像作为最终重建的磁粒子图像,否则,令k=k+1,将所述第一图像作为初始图像,跳转步骤S40;
所述正则项自适应求解神经网络模型采用编码器-解码器结构构建。
为了更清晰地对本发明一种正则项自适应优化的磁粒子图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。
本发明提供的正则项自适应优化的磁粒子图像重建方法的核心思想就是通过神经网络模型来代替人工经验调整正则项及参数的过程,将任意正则项及参数下获得的重建图像作为初始输入,通过神经网络将上一轮的输出作为当前轮的输入,利用神经网络模型来迭代求解最优的重建图像,使网络能融合不同正则项的优点,并自适应求解,目标输出边缘清晰,分布准确的无噪重建图像,实现精确的重建。具体如下:
在下述实施例中,先对正则项自适应优化神经网络模型的训练过程进行详述,再对通过正则项自适应优化的磁粒子图像重建方法获取边缘清晰、分布准确的无噪磁粒子重建图像的过程进行描述。
1、正则项自适应求解神经网络模型的训练过程
步骤A10,获取仿体图;所述仿体图包括手写数字、字母图像及散点图;将所述仿体图转换为二值图并设置不同的灰度值模拟浓度,得到具有浓度梯度的仿真图;
在本实施例中,为了模拟不同的磁粒子分布,优选使用MNIST手写数字和字母图像以及散点图作为仿体图。基于仿体图构建训练的标签及输入数据。具体如下:
首先要让仿体图具有不同的浓度分布,即灰度分布。将仿体图转换为0-1二值图,接着根据不同的仿体图构建浓度梯度。具体来讲,对于散点图,将不同的点设置为不同的灰度值模拟不同浓度,灰度值分布在(0,1]区间。对于数字和字母图像,将其不同部分设置为不同灰度,通过给二值图乘上一个等大的均匀分布在(0,1]的矩阵,再通过最大值聚类即可获得。将具有浓度梯度的仿真图作为训练的标签数据。
步骤A20,通过预构建的退化模型集合中选取一种退化模型对所述具有浓度梯度的仿真图进行退化处理,得到退化图像;
在本实施例中,退化模型包括了高斯模糊和高斯噪声。为了模拟重建图像中模糊和噪声的情况,构建退化模型对标签数据进行两种方式的退化。第一种退化为高斯模糊,设置不同大小的高斯核来模糊原始图像。第二种退化为高斯噪声,设置不同的强度的高斯噪声来给原始图像加噪。因此退化模型中包括不同大小的高斯核以及不同强度的高斯噪声。
退化模型为:
(1)
其中,J表示具有浓度梯度的仿真图,表示高斯模糊,表示高斯噪声,/>表示高斯核大小,/>表示高斯噪声的强度。
其中第一种退化为高斯模糊,通过设置不同大小的高斯核/>来模糊原始图像,通过对原始图像I进行卷积进行模糊。第二种退化为高斯噪声,设置不同强度的高斯噪声来给模糊后的图像加噪,根据模糊后的图像以及目标的噪声强度大小/>给图像叠加高斯噪声。因此退化模型中包括用不同大小的高斯核模糊以及叠加不同强度的高斯噪声两步。
对标签数据进行退化得到输入数据。对于不同的标签图像,随机的从退化模型中选择不同的高斯模糊和高斯噪声进行退化,得到低质量的重建图像作为模型训练的输入数据。其中,高斯模糊通过对标签图像进行卷积进行退化,高斯噪声通过对标签图像进行叠加进行退化。
步骤A30,将所述退化图像输入预构建的正则项自适应求解神经网络模型进行增强处理,得到增强图像;基于所述增强图像与其对应的具有浓度梯度的仿真图,计算损失值,进而更新模型参数;
在本实施例中,正则项自适应求解神经网络模型,采用编码器-解码器结构,其中编码器结构采用基于Vision-Transformer的结构。具体结构如下:
假设输入的图像为I,首先将输入的图像分成等大的patch(块),记为Pinput,每个patch间互相重叠,重叠比例为r,将标签图像(真实标签图像)按同样的方式分成等大的块,记为Plabel。接着将每个patch由二维reshape(转换)为一维向量,通过全连接层分别对其进行编码,将一维向量的通道数编码增加,作为第一向量,同时引入了可学习的位置嵌入,得到第二向量,并通过直接添加的方式将第一向量和第二向量融合。接着将编码后的向量输入连续的y个(本发明优选为8个)transformer块,每一个块包括一个自注意力层和一个前馈网络。
所述自注意力层,包括顺次连接的自注意力层输入端、多头注意力层、第一加和单元(图7中排序靠前的加和单元)、层归一化层、前馈网络、第二加和单元、层归一化层和自注意力层输出端;所述自注意力层输入端的输入与所述多头注意力层的输出通过所述第一加和单元进行加和;所述自注意力层中的前馈网络的输入与所述自注意力层中的前馈网络的输出通过所述第二加和单元进行加和;如图6所示。
所述多头注意力层包括顺次连接的多头注意力层的输入端、x个(本发明优选为8个)并行的点积注意力块、特征连接层、全连接层和多头注意力层的输出端;所述点积注意力块包括并行的点积第一全连接层、点积第二全连接层和点积第三全连接层,所述点积第一全连接层和所述点积第二全连接层的输出共同连接至矩阵乘法单元,并依次连接归一化层和softmax层,所述softmax层的输出与所述点积第三全连接层共同连接至矩阵乘法单元并连接点积注意力块的输出端;如图7所示。
所述前馈网络包括顺次连接的全连接层、GeLU层和全连接层。
正则项自适应优化神经网络模型中的解码器结构对输入的向量的处理过程为:
首先将所述编码器结构输出的向量输入一个全连接层,降低特征向量的通道数,与Pinput大小匹配,作为第三向量;
将所述第三向量转换为与Pinput大小相同的块,进入图像学习支路、噪声学习支路恢复;
所述图像学习支路包括连续的S个自注意力去噪模块,及最后的1×1卷积层;其中,所述自注意力去噪模块由顺次连接的自注意力去噪模块输入端、第一3×3卷积层、第一ReLU激活函数层、第二3×3卷积层、第一通道注意力层、第二ReLU激活函数层和自注意力去噪模块输出;所述自注意力去噪模块输入端和所述第一通道注意力层的输出通过跳层连接相加;
所述第一通道注意力层包括顺次连接的第一通道注意力层输入端、全局平均池化层、激活函数层及第一通道注意力层输出端,其中所述第一通道注意力层输入端与所述激活函数层的输出通过跳层连接进行元素级别的矩阵相乘;
所述噪声学习支路包括连续的S’个自注意力噪声提取模块,以及最后的1×1卷积层;其中,所述自注意力噪声提取模块由顺次连接的自注意力噪声提取模块输入端、第三3×3卷积层、第三ReLU激活函数层、第四3×3卷积层、第二通道注意力层、第四ReLU激活函数层和自注意力去噪模块输出端;其中,所述自注意力去噪模块输入端和所述第二通道注意力层的输出通过跳层连接相减;
将所述Pinput减去所述噪声学习支路的输出Pnoise,得到增强特征P, noise;
将所述P, noise、所述图像学习支路的输出Pimage分别恢复成与输入的图像I长宽相同的二维图像(即与I的长宽相同,通道数不同),得到噪声学习支路输出特征图Inoise和图像学习支路输出特征图Iimage;
将所述Inoise、所述Iimage进行特征连接并通过一个1×1卷积层进行融合,得到所述正则项自适应优化神经网络模型最终的输出结果Ioutput,如图8所示。
正则项自适应优化神经网络模型其在训练过程中的损失函数为:
(2)
其中,表示总损失,/>表示P, noise与其对应的真实标签(即Plabel)之间的平均均方误差,/>表示Pimage与其对应的真实标签(即Plabel)之间的平均均方误差,/>表示Ioutput与其对应的真实标签(即真实标签图像)之间的平均均方误差,α、 β和γ为设定的常数,平衡各损失间的贡献,α和β小于γ。
步骤A40,判断当前循环次数是否小于设定的循环次数及所述增强图像与其对应的具有浓度梯度的仿真图的误差是否大于等于预设值,若是,将所述增强图像作为所述退化图像,跳转步骤A30,否则,将训练好的正则项自适应优化神经网络模型进行输出。
在本实施例中,将作为新一轮训练的输入,经过网络训练后得到输出/>,并根据/>与标签数据/>计算损失函数,更新网络权重;重复上述步骤,将/>输入网络进行第k+1次训练,得到输出/>,并根据/>与标签数据/>计算损失函数,更新网络权重,当达到设定的循环次数,或当/>与/>间的误差小于预设值时,停止迭代,输出训练好的正则项自适应求解神经网络模型,如图3所示。
2、正则项自适应优化的磁粒子图像重建方法,如图5所示
步骤S10,基于所述磁粒子成像设备成像时的视场区域,构建系统矩阵;
在本实施例中,构建系统矩阵,具体为:
将所述磁粒子成像设备成像时时的视场区域划分为N个等大的像素块;N为成像分辨率;
将所述待成像对象放入视场区域,控制磁场自由区遍历N个等大的像素块并获得N组感应电压信号;其中,当磁场自由区为磁场自由线时,在扫描第w个像素块时,通过控制磁场自由线沿成像视场中心旋转获得不同角度下的信号;所述不同角度为将360°划分为设定个角度;即扫描得到N组感应电压信号,每组感应电压信号包括在相同位置磁场自由线不同角度i的信号为;
在本实施例中,当磁场自由区为磁场自由线时,在扫描第w个像素块,通过控制磁场自由线沿中心旋转获得不同角度下的信号,其中所述不同角度为将360°按一定规律划分为不同角度,角度越多,信号信息越多,利于后续重建。
分别对每组中各感应电压信号做傅里叶变换,得到N组频谱序列;
分别提取每组频谱序列中主倍频和周围窄带频点,并将每组中i个感应电压信号的频点依序拼接成一个一维频谱向量;所述主倍频和周围窄带内的频点共m个频点;
将N个一维频谱向量组合为一个M×N大小的系统矩阵,每一行代表不同像素块位置对应的同一频点,每一列为每个像素块对应的频谱向量;其中,M= i×m。
如果磁场自由区为磁场自由点,那就直接扫描N个像素块得到N个感应电压信号做傅里叶变换,得到N组频谱序列;后续和上述磁场自由区为磁场自由线时的系统矩阵构建方法相同,此处不再一一陈述。
步骤S20,将所述待成像对象放置于所述磁粒子成像设备的成像视场中心并进行扫描,得到所述待成像对象对应的电压响应信号;
在本实施例中,通过将待测样本(即待成像对象)放置于成像视场中心,通过驱动无磁场线扫描待测样本,采集获得待测样本的电压响应信号。
步骤S30,基于所述系统矩阵、所述电压响应信号,结合任意选取的正则项进行磁粒子图像重建,将重建后的磁粒子图像作为初始图像;
在本实施例中,根据采集到的系统矩阵和响应电压信号构造求解重建磁粒子图像,任意选取使用的正则项,并随机初始化正则项参数,得到一个较差的重建磁粒子图像作为网络输入。以Tikhonov约束为例,构造求解方程:
(3)
其中,为步骤S10中采集到的系统矩阵,/>为步骤S20中采集到的响应电压信号,为正则项,/>为随机初始化的正则项参数,/>为目标重建图像。
步骤S40,将所述初始图像输入训练好的正则项自适应求解神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;
步骤S50,计算所述第一图像与所述初始图像的损失值,作为第一损失;并判断当前迭代次数k是否大于等于2,若否,则令k=k+1,将所述第一图像作为初始图像,跳转步骤S40,否则,判断第k次迭代计算的第一损失与第k-1次迭代计算的第一损失之间的差的绝对值是否小于设定的误差阈值,若小于,则将所述第一图像作为最终重建的磁粒子图像,否则,令k=k+1,将所述第一图像作为初始图像,跳转步骤S40;
在本实施例中,将输入训练好的正则项自适应优化神经网络模型,得到输出,计算/>与/>间的损失值(优选为平均绝对误差),即第一损失,作为/>;
再将作为第二轮迭代的输入,输入到正则项自适应求解神经网络模型中,得到输出/>,计算/>与/>间的平均绝对误差,作为/>;
循环此过程,即迭代的第k+1轮,将第k轮的输出作为输入,得到第k+1轮的输出,根据/>和/>得到当前轮的误差/>。当/>时,停止迭代,其中/>为预设的误差阈值。此时,/>为经过网络自动学习后,得到的高质量重建图像,即最终重建的磁粒子图像。
本发明第三实施例的一种电子设备,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正则项自适应优化的磁粒子图像重建方法。
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正则项自适应优化的磁粒子图像重建方法。
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,上述描述的电子设备、计算机可读存储介质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。
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”、“第三”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。
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 (9)
1.一种正则项自适应优化的磁粒子图像重建系统,其特征在于,所述磁粒子图像重建系统包括:磁粒子成像设备、待成像对象、信号处理器和控制处理器;
所述磁粒子成像设备、所述信号处理器和所述控制处理器两两之间分别通过线缆或无线的方式进行通信连接;
所述控制处理器生成所述磁粒子成像设备的扫描参数并通过线缆或无线通信进行所述磁粒子成像设备的参数设置;
所述待成像对象设置于所述磁粒子成像设备的成像视场中心,当所述磁粒子成像设备接收到所述控制处理器发送的成像指令时,对所述待成像对象进行扫描,得到所述待成像对象对应的电压响应信号,并通过线缆或无线通信将所述电压响应信号发送至所述控制处理器;
所述信号处理器将所述磁粒子成像设备成像时的视场区域划分为N个等大的像素块;将所述待成像对象放入视场区域,控制磁场自由区遍历N个等大的像素块并获得N组感应电压信号;分别对每个感应电压信号做傅里叶变换,得到N组频谱序列,进而构建系统矩阵,并通过线缆或无线通信将所述系统矩阵发送至所述控制处理器;
所述控制处理器包括图像重建模块、图像增强模块、误差计算模块;
所述图像重建模块,配置为基于所述系统矩阵和所述待成像对象对应的电压响应信号,结合任意选取的正则项进行磁粒子图像重建,将重建后的磁粒子图像作为初始图像,并输入所述图像增强模块;
所述图像增强模块,配置为将所述初始图像输入训练好的正则项自适应优化神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;
所述误差计算模块,配置为计算所述第一图像与所述初始图像的损失值,作为第一损失;并判断当前迭代次数k是否大于等于2,若否,则令k=k+1,将所述第一图像作为初始图像,跳转所述图像增强模块,否则,判断第k次迭代计算的第一损失与第k-1次迭代计算的第一损失之间的差的绝对值是否小于设定的误差阈值,若小于,则将所述第一图像作为最终重建的磁粒子图像,否则,令k=k+1,将所述第一图像作为初始图像,跳转所述图像增强模块;
所述正则项自适应优化神经网络模型采用编码器-解码器结构构建;
所述磁粒子成像设备为基于磁场自由线的MPI设备;所述磁粒子成像设备包括梯度模块、激励模块和接收模块;
所述梯度模块由两组电磁铁构成;第一组电磁铁用于生成磁场自由线,第二组电磁铁用于旋转磁场自由线;
所述第一组电磁铁由四个椭圆形电磁线圈构成,两两一组,分别作为第一组椭圆形电磁线圈、第二组椭圆形电磁线圈;所述第一组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第二组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第一组椭圆形电磁线圈、所述第二组椭圆形电磁线圈置于所述激励模块和所述接收模块的两侧且关于所述接收模块的轴线对称设置;所述第一组电磁铁中各椭圆形电磁线圈的长轴方向与所述接收模块的轴线方向平行;所述第一组电磁铁中每一组的两个椭圆形电磁线圈中通入等大方向相反的直流电流,所述第一组椭圆形电磁线圈和所述第二组椭圆形电磁线圈中相对的两个椭圆形电磁线圈中通入等大方向相同的直流电流,以在成像视场中心生成磁场自由线;
所述第二组电磁铁由四个椭圆形电磁线圈构成,两两一组,分别作为第三组椭圆形电磁线圈、第四组椭圆形电磁线圈;所述第三组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第四组椭圆形电磁线圈中的两个椭圆形电磁线圈位于同一平面并沿椭圆形电磁线圈的短轴方向并列设置;所述第三组椭圆形电磁线圈、所述第四组椭圆形电磁线圈分别置于所述激励模块和所述接收模块的两侧且关于所述接收模块的轴线对称设置;所述第二组电磁铁中各椭圆形电磁线圈的长轴方向与所述接收模块的轴线方向垂直;所述第三组椭圆形电磁线圈位于所述第一组椭圆形电磁线圈的外侧;所述第四组椭圆形电磁线圈位于所述第二组椭圆形电磁线圈的外侧;
所述第二组电磁铁中每一组的两个椭圆形电磁线圈中通入等大方向相反的直流电流,所述第三组椭圆形电磁线圈和所述第四组椭圆形电磁线圈中相对的两个椭圆形电磁线圈中通入等大方向相同的直流电流,以驱动成像视场中心的磁场自由线旋转,扫描二维成像视场;
所述激励模块由激励线圈组成;其中,所述激励线圈为闭孔式圆柱形电磁线圈,置于所述梯度模块的中间;所述激励线圈,通过通入高频交变电流以驱动磁粒子产生响应电压信号;
所述接收模块由接收线圈组成;所述接收模块整体为闭孔式圆柱形电磁线圈,置于所述激励线圈内侧,包括接收和补偿两部分,由一根线反向绕制组成,补偿部分位于接收部分的两端;所述补偿部分用于抵消所述接收部分直接接收到的由所述激励线圈产生的馈通信号。
2.一种正则项自适应优化的磁粒子图像重建方法,用于将任意正则项下重建的磁粒子图像作为初始输入,通过预构建的正则项自适应优化神经网络模型迭代求解,进而得到边缘清晰、分布准确的无噪磁粒子重建图像,其特征在于,基于权利要求1所述的正则项自适应优化的磁粒子图像重建系统实施,所述方法包括:
步骤S10,基于所述磁粒子成像设备成像时的视场区域,构建系统矩阵;
步骤S20,将所述待成像对象放置于所述磁粒子成像设备的成像视场中心并进行扫描,得到所述待成像对象对应的电压响应信号;
步骤S30,基于所述系统矩阵、所述电压响应信号,结合任意选取的正则项进行磁粒子图像重建,将重建后的磁粒子图像作为初始图像;
步骤S40,将所述初始图像输入训练好的正则项自适应优化神经网络模型进行增强处理,将增强后的磁粒子图像作为第一图像;
步骤S50,计算所述第一图像与所述初始图像的损失值,作为第一损失;并判断当前迭代次数k是否大于等于2,若否,则令k=k+1,将所述第一图像作为初始图像,跳转步骤S40,否则,判断第k次迭代计算的第一损失与第k-1次迭代计算的第一损失之间的差的绝对值是否小于设定的误差阈值,若小于,则将所述第一图像作为最终重建的磁粒子图像,否则,令k=k+1,将所述第一图像作为初始图像,跳转步骤S40;
所述正则项自适应优化神经网络模型采用编码器-解码器结构构建。
3.根据权利要求2所述的正则项自适应优化的磁粒子图像重建方法,其特征在于,基于所述磁粒子成像设备成像时的视场区域,构建系统矩阵,其方法为:
将所述磁粒子成像设备成像时的视场区域划分为N个等大的像素块;所述N为成像分辨率;
将所述待成像对象放入视场区域,控制磁场自由区遍历N个等大的像素块并获得N组感应电压信号;其中,当磁场自由区为磁场自由线时,在扫描第w个像素块时,通过控制磁场自由线沿成像视场中心旋转获得不同角度下的信号;所述不同角度为将360°划分为设定个角度;即扫描得到N组感应电压信号,每组感应电压信号包括在相同位置磁场自由线不同角度i的信号为;
分别对每组中各感应电压信号做傅里叶变换,得到N组频谱序列;
分别提取每组频谱序列中主倍频和周围窄带频点,并将每组中i个感应电压信号的频点依序拼接成一个一维频谱向量;所述主倍频和周围窄带内的频点共m个频点;
将N个一维频谱向量组合为一个MN大小的系统矩阵,每一行代表不同像素块位置对应的同一频点,每一列为每个像素块对应的频谱向量;其中,M= i/>m。
4.根据权利要求2所述的正则项自适应优化的磁粒子图像重建方法,其特征在于,所述正则项自适应求解神经网络模型中的编码器结构对输入的图像的处理过程为:
将输入的图像I分成等大的块Pinput,每个块之间互相重叠,重叠比例为r;
将每个块由二维向量转换为一维向量,转换后通过全连接层进行编码,得到第一向量,同时对每个块进行位置编码得到与所述第一向量等大的第二向量,将所述第一向量和所述第二向量通过相加的方式融合,融合后输入y个transformer块;每个transformer块包括一个自注意力层和一个前馈网络;
所述自注意力层,包括顺次连接的自注意力层输入端、多头注意力层、第一加和单元、层归一化层、前馈网络、第二加和单元、层归一化层和自注意力层输出端;所述自注意力层输入端的输入与所述多头注意力层的输出通过所述第一加和单元进行加和;所述自注意力层中的前馈网络的输入与所述自注意力层中的前馈网络的输出通过所述第二加和单元进行加和;
所述多头注意力层包括顺次连接的多头注意力层的输入端、x个并行的点积注意力块、特征连接层、全连接层和多头注意力层的输出端;所述点积注意力块包括并行的点积第一全连接层、点积第二全连接层和点积第三全连接层,所述点积第一全连接层和所述点积第二全连接层的输出共同连接至矩阵乘法单元,并依次连接归一化层和softmax层,所述softmax层的输出与所述点积第三全连接层共同连接至矩阵乘法单元并连接点积注意力块的输出端;
所述前馈网络包括顺次连接的全连接层、GeLU层和全连接层。
5.根据权利要求4所述的正则项自适应优化的磁粒子图像重建方法,其特征在于,所述正则项自适应优化神经网络模型中的解码器结构对输入的向量的处理过程为:
首先将所述编码器结构输出的向量输入一个全连接层,降低特征向量的通道数,与Pinput大小匹配,作为第三向量;
将所述第三向量转换为与所述Pinput大小相同的块,进入图像学习支路、噪声学习支路恢复;
所述图像学习支路包括连续的S个自注意力去噪模块,及最后的11卷积层;其中,所述自注意力去噪模块由顺次连接的自注意力去噪模块输入端、第一3/>3卷积层、第一ReLU激活函数层、第二3/>3卷积层、第一通道注意力层、第二ReLU激活函数层和自注意力去噪模块输出;所述自注意力去噪模块输入端和所述第一通道注意力层的输出通过跳层连接相加;
所述第一通道注意力层包括顺次连接的第一通道注意力层输入端、全局平均池化层、激活函数层及第一通道注意力层输出端,其中所述第一通道注意力层输入端与所述激活函数层的输出通过跳层连接进行元素级别的矩阵相乘;
所述噪声学习支路包括连续的S’个自注意力噪声提取模块,以及最后的11卷积层;其中,所述自注意力噪声提取模块由顺次连接的自注意力噪声提取模块输入端、第三3/>3卷积层、第三ReLU激活函数层、第四3/>3卷积层、第二通道注意力层、第四ReLU激活函数层和自注意力去噪模块输出端;其中,所述自注意力去噪模块输入端和所述第二通道注意力层的输出通过跳层连接相减;
将所述Pinput减去所述噪声学习支路的输出Pnoise,得到增强特征P, noise;
将所述P, noise、所述图像学习支路的输出Pimage分别恢复成与所述输入的图像I长宽相同的二维图像,得到噪声学习支路输出特征图Inoise和图像学习支路输出特征图Iimage;
将所述Inoise、所述Iimage进行特征连接并通过一个11卷积层进行融合,得到所述正则项自适应优化神经网络模型最终的输出结果Ioutput。
6.根据权利要求5所述的正则项自适应优化的磁粒子图像重建方法,其特征在于,所述正则项自适应优化神经网络模型,其训练方法为:
步骤A10,获取仿体图;所述仿体图包括手写数字、字母图像及散点图;将所述仿体图转换为二值图并设置不同的灰度值模拟浓度,得到具有浓度梯度的仿真图;
步骤A20,通过预构建的退化模型集合中选取一种退化模型对所述具有浓度梯度的仿真图进行退化处理,得到退化图像;
步骤A30,将所述退化图像输入预构建的正则项自适应优化神经网络模型进行增强处理,得到增强图像;基于所述增强图像与其对应的具有浓度梯度的仿真图,计算损失值,作为第二损失,进而更新模型参数;
步骤A40,判断当前循环次数是否小于设定的循环次数及所述增强图像与其对应的具有浓度梯度的仿真图的误差大于等于预设值,若是,将所述增强图像作为所述退化图像,跳转步骤A30,否则,将训练好的正则项自适应优化神经网络模型进行输出。
7.根据权利要求6所述的正则项自适应优化的磁粒子图像重建方法,其特征在于,所述退化模型包括了高斯模糊和高斯噪声;
所述退化模型为:
;
其中,J表示具有浓度梯度的仿真图,表示高斯模糊,表示高斯噪声,/>表示高斯核大小,/>表示高斯噪声的强度。
8.根据权利要求6所述的正则项自适应优化的磁粒子图像重建方法,其特征在于,所述正则项自适应优化神经网络模型其在训练过程中的损失函数为:
;
其中,表示总损失,/>表示P, noise与其对应的真实标签之间的平均均方误差,/>表示Pimage与其对应的真实标签之间的平均均方误差,/>表示Ioutput与其对应的真实标签之间的平均均方误差,α、β和γ为设定的常数,α和β小于γ。
9.一种正则项自适应优化的磁粒子图像重建设备,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2-8任一项所述的正则项自适应优化的磁粒子图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330185.8A CN117078792B (zh) | 2023-10-16 | 2023-10-16 | 正则项自适应优化的磁粒子图像重建系统、方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330185.8A CN117078792B (zh) | 2023-10-16 | 2023-10-16 | 正则项自适应优化的磁粒子图像重建系统、方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078792A CN117078792A (zh) | 2023-11-17 |
CN117078792B true CN117078792B (zh) | 2023-12-12 |
Family
ID=88710155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311330185.8A Active CN117078792B (zh) | 2023-10-16 | 2023-10-16 | 正则项自适应优化的磁粒子图像重建系统、方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078792B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117653070B (zh) * | 2024-01-31 | 2024-05-10 | 北京航空航天大学 | 一种基于多磁场自由线并行扫描的磁粒子成像装置 |
CN117689761B (zh) * | 2024-02-02 | 2024-04-26 | 北京航空航天大学 | 基于扩散模型的即插即用磁粒子成像重建方法、系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103124517A (zh) * | 2010-10-07 | 2013-05-29 | 杜克大学 | Mri图像的多维迭代相位循环重构 |
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和系统 |
CN110559006A (zh) * | 2018-06-06 | 2019-12-13 | 通用电气公司 | 被配置为在不同的能级下且在不同的焦点位置处成像的计算机断层摄影系统和方法 |
CN116503507A (zh) * | 2023-06-26 | 2023-07-28 | 中国科学院自动化研究所 | 基于预训练模型的磁粒子图像重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4144087A1 (en) * | 2020-04-29 | 2023-03-08 | Deep Render Ltd | Image compression and decoding, video compression and decoding: methods and systems |
-
2023
- 2023-10-16 CN CN202311330185.8A patent/CN117078792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103124517A (zh) * | 2010-10-07 | 2013-05-29 | 杜克大学 | Mri图像的多维迭代相位循环重构 |
CN110559006A (zh) * | 2018-06-06 | 2019-12-13 | 通用电气公司 | 被配置为在不同的能级下且在不同的焦点位置处成像的计算机断层摄影系统和方法 |
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和系统 |
CN116503507A (zh) * | 2023-06-26 | 2023-07-28 | 中国科学院自动化研究所 | 基于预训练模型的磁粒子图像重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117078792A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
RU2709437C1 (ru) | Способ обработки изображений, устройство обработки изображений и носитель данных | |
Wang et al. | 3D conditional generative adversarial networks for high-quality PET image estimation at low dose | |
KR102260802B1 (ko) | 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정 | |
Pierre et al. | Multiscale reconstruction for MR fingerprinting | |
US11341616B2 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
KR20210141550A (ko) | 공간 주파수 데이터로부터 자기 공명 이미지를 생성하기 위한 딥 러닝 기법 | |
CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
CN111081354A (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 | |
CN115640506B (zh) | 基于时频谱信号增强的磁粒子分布模型重建方法和系统 | |
CN116503507B (zh) | 基于预训练模型的磁粒子图像重建方法 | |
Hammernik et al. | Machine learning for image reconstruction | |
CN107705261B (zh) | 一种图像重建方法和装置 | |
Deora et al. | Structure preserving compressive sensing MRI reconstruction using generative adversarial networks | |
CN108648247B (zh) | 一种图像重建方法、系统及计算机可读介质 | |
US10617365B2 (en) | System and method for motion estimation using artificial intelligence in helical computed tomography | |
Tian et al. | Boosting magnetic resonance image denoising with generative adversarial networks | |
CN111275783B (zh) | 磁共振图像的相位解缠方法、装置及磁共振成像系统 | |
CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
CN111161182A (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
Yim et al. | A deep convolutional neural network for simultaneous denoising and deblurring in computed tomography | |
CN116503506B (zh) | 一种图像重建方法、系统、装置及存储介质 | |
Lyu et al. | Motion-blind blur removal for CT images with Wasserstein generative adversarial networks | |
EP4057292A1 (en) | On-site training of a machine-learning algorithm for generating synthetic imaging data | |
Koppers et al. | Sodium image denoising based on a convolutional denoising autoencoder |
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 |