一种基于深度先验学习的头颈联合成像方法和装置制造方法及图纸

本申请提供了一种基于深度先验学习的头颈联合成像方法和装置，其中，该方法包括：获取待重建的头颈联合的磁共振图像；将所述待重建的头颈联合的磁共振图像输入预先建立的复数卷积神经网络模型，其中，所述复数卷积神经网络模型中设置有复数残差块；通过所述复数卷积神经网络模型，对所述待重建的头颈联合的磁共振图像进行重建，得到无伪影的高分辨率头颈联合图像。通过上述方案解决了现有的头颈联合成像中所存在的无法同时保证成像精度和成像时间需求的问题，达到了在保证成像精度的情况下，可以有效缩短成像时间的技术效果。

A Head-Neck Joint Imaging Method and Device Based on Depth Priori Learning

This application provides a method and apparatus for head-neck joint imaging based on depth prior learning, which includes: acquiring the MR image of the head-neck joint to be reconstructed; inputting the MR image of the head-neck joint to be reconstructed into a pre-established complex convolution neural network model, in which a complex residual block is set up; The complex convolution neural network model is used to reconstruct the MR image of the head-neck joint to be reconstructed, and a high resolution head-neck joint image without artifacts is obtained. Through the above scheme, the problem that the existing head and neck joint imaging can not guarantee the imaging accuracy and imaging time at the same time is solved, and the technical effect that the imaging time can be effectively shortened under the condition of ensuring the imaging accuracy is achieved.

【技术实现步骤摘要】
一种基于深度先验学习的头颈联合成像方法和装置
本申请属于图像处理
，尤其涉及一种基于深度先验学习的头颈联合成像方法和装置。
技术介绍
快速成像一直是磁共振成像中的研究热点，而头颈部位的磁共振扫描是磁共振成像领域中非常重要的一方面。头颈联合的磁共振血管壁成像的难点主要是颅内部分，一般颅内成像基本都是二维成像技术，二维成像技术只能观察某一段的断面图像，层厚一般过大，且不是各项同性，无法满足实际的应用需求。然而，颅内三维血管壁成像可以同时获取血流和出血信号，有利于斑块出血的定量检测，但存在空间分辨率较低、成像时间长及对血管壁与脑脊液对比度不足等问题。目前的头颈联合成像技术一般是采用T1加权三维快速自旋回波技术，该技术采用头颈一体化成像，最大视野为250mm，使用flip-down准备脉冲均匀抑制脑脊液信号，同时采用DANTE模块有效抑制血流信号，具有较好的对比度，全脑0.5mm各向同性分辨率，然而，由于扫描视野增大，导致在成像时间上更长，如果再加上颈动脉检查，时间会更长，更无法满足实际的应用需求。针对现有的头颈联合成像所存在无法同时满足成像精度和成像时间需求的问题，目前尚未提出有效的解决方案。
技术实现思路
本申请目的在于提供一种基于深度先验学习的头颈联合成像方法和装置，以提高头颈联合成像的成像精度和缩短成像时间。本申请提供一种基于深度先验学习的头颈联合成像方法和装置是这样实现的：一种基于深度先验学习的头颈联合成像方法，所述方法包括：获取待重建的头颈联合的磁共振图像；将所述待重建的头颈联合的磁共振图像输入预先建立的复数卷积神经网络模型，其中，所述复数卷积神经网络模型中设置有复数残差块；通过所述复数卷积神经网络模型，对所述待重建的头颈联合的磁共振图像进行重建，得到无伪影的高分辨率头颈联合图像。在一个实施方式中，所述复数卷积神经网络模型依次包括：第一复数卷积层、多个复数残差块、第二复数卷积层，其中，每个复数残差块中包括有两个复数卷积层。在一个实施方式中，复数卷积层中的复数卷积操作表示为：w*c＝(creal+icimgi)*(wreal+iwimgi)＝(wreal*creal-wimgi*cimgi)+i(wreal*creal+wimgi*cimgi)其中，w表示输入的复数图像，c表示复数卷积核，creal表示输入的复数图像的实部，cimgi表示输入的复数图像的虚部，wreal表示复数卷积核的实部，wimgi表示复数卷积核的虚部。在一个实施方式中，所述复数卷积神经网络模型是按照以下方式建立的：获取全采样样本图像，其中，所述全采样样本图像为从磁共振仪获取的头颈联合的磁共振图像；对所述全采样样本图像进行欠采样处理，得到欠采样样本图像；将所述欠采样样本图像作为训练样本，将所述全采样样本图像作为标签，对预先建立的复数卷积神经网络进行训练，得到所述复数卷积神经网络模型。在一个实施方式中，将所述欠采样样本图像作为训练样本，将所述全采样样本图像作为标签，对预先建立的复数卷积神经网络进行训练，包括：以如下函数作为目标函数，对所述预先建立的复数卷积神经网络进行训练：其中，xm表示多通道复数输入图像，ym为全采样原始图像，C(xm；θ)表示网络的预测输出，θ＝{(Ω1,b1),...,(Ωl,bl),...,(ΩL,bL)}为训练需要更新的参数，其中，Ω表示权重，b表示偏置，表示网络输出与标签之间误差最小时的权重和偏置取值，表示取网络输出与标签之间的最小误差对应的θ作为M表示训练样本的总数量，m表示当前训练样本的序号。在一个实施方式中，所述待重建的头颈联合的磁共振图像为欠采样的含伪影的图像。一种基于深度先验学习的头颈联合成像装置，包括：获取模块，用于获取待重建的头颈联合的磁共振图像；输入模块，用于将所述待重建的头颈联合的磁共振图像输入预先建立的复数卷积神经网络模型，其中，所述复数卷积神经网络模型中设置有复数残差块；重建模块，用于通过所述复数卷积神经网络模型，对所述待重建的头颈联合的磁共振图像进行重建，得到无伪影的高分辨率头颈联合图像。在一个实施方式中，所述复数卷积神经网络模型依次包括：第一复数卷积层、多个复数残差块、第二复数卷积层，其中，每个复数残差块中包括有两个复数卷积层。在一个实施方式中，复数卷积层中的复数卷积操作表示为：w*c＝(creal+icimgi)*(wreal+iwimgi)＝(wreal*creal-wimgi*cimgi)+i(wreal*creal+wimgi*cimgi)其中，w表示输入的复数图像，c表示复数卷积核，creal表示输入的复数图像的实部，cimgi表示输入的复数图像的虚部，wreal表示复数卷积核的实部，wimgi表示复数卷积核的虚部。在一个实施方式中，所述复数卷积神经网络模型是按照以下方式建立的：获取全采样样本图像，其中，所述全采样样本图像为从磁共振仪获取的头颈联合的磁共振图像；对所述全采样样本图像进行欠采样处理，得到欠采样样本图像；将所述欠采样样本图像作为训练样本，将所述全采样样本图像作为标签，对预先建立的复数卷积神经网络进行训练，得到所述复数卷积神经网络模型。在一个实施方式中，将所述欠采样样本图像作为训练样本，将所述全采样样本图像作为标签，对预先建立的复数卷积神经网络进行训练，包括：以如下函数作为目标函数，对所述预先建立的复数卷积神经网络进行训练：其中，xm表示多通道复数输入图像，ym为全采样原始图像，C(xm；θ)表示网络的预测输出，θ＝{(Ω1,b1),...,(Ωl,bl),...,(ΩL,bL)}为训练需要更新的参数，其中，Ω表示权重，b表示偏置，表示网络输出与标签之间误差最小时的权重和偏置取值，表示取网络输出与标签之间的最小误差对应的θ作为M表示训练样本的总数量，m表示当前训练样本的序号。在一个实施方式中，所述待重建的头颈联合的磁共振图像为欠采样的含伪影的图像。一种终端设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现如下方法的步骤：获取待重建的头颈联合的磁共振图像；将所述待重建的头颈联合的磁共振图像输入预先建立的复数卷积神经网络模型，其中，所述复数卷积神经网络模型中设置有复数残差块；通过所述复数卷积神经网络模型，对所述待重建的头颈联合的磁共振图像进行重建，得到无伪影的高分辨率头颈联合图像。一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现如下方法的步骤：获取待重建的头颈联合的磁共振图像；将所述待重建的头颈联合的磁共振图像输入预先建立的复数卷积神经网络模型，其中，所述复数卷积神经网络模型中设置有复数残差块；通过所述复数卷积神经网络模型，对所述待重建的头颈联合的磁共振图像进行重建，得到无伪影的高分辨率头颈联合图像。本申请提供的基于深度先验学习的头颈联合成像方法和装置，通过预先建立的复数卷积神经网络模型，对待重建的头颈联合的磁共振图像进行重建，从而得到无伪影的高分辨率头颈联合图像。因此，待重建的头颈联合的磁共振图像为欠采样的图像，复数卷积神经网络具有更好的图像重建效果，从而可以得到高精度的无伪影的高分辨率头颈联合图像，通过上述方案解决了现有的头颈联合成像中所存在的无法同时保证成像精度和成像时间需求的问题，达到了在保本文档来自技高网...

【技术保护点】
1.一种基于深度先验学习的头颈联合成像方法，其特征在于，所述方法包括：获取待重建的头颈联合的磁共振图像；将所述待重建的头颈联合的磁共振图像输入预先建立的复数卷积神经网络模型，其中，所述复数卷积神经网络模型中设置有复数残差块；通过所述复数卷积神经网络模型，对所述待重建的头颈联合的磁共振图像进行重建，得到无伪影的高分辨率头颈联合图像。

【技术特征摘要】
1.一种基于深度先验学习的头颈联合成像方法，其特征在于，所述方法包括：获取待重建的头颈联合的磁共振图像；将所述待重建的头颈联合的磁共振图像输入预先建立的复数卷积神经网络模型，其中，所述复数卷积神经网络模型中设置有复数残差块；通过所述复数卷积神经网络模型，对所述待重建的头颈联合的磁共振图像进行重建，得到无伪影的高分辨率头颈联合图像。2.根据权利要求1所述的方法，其特征在于，所述复数卷积神经网络模型依次包括：第一复数卷积层、多个复数残差块、第二复数卷积层，其中，每个复数残差块中包括有两个复数卷积层。3.根据权利要求2所述的方法，其特征在于，复数卷积层中的复数卷积操作表示为：w*c＝(creal+icimgi)*(wreal+iwimgi)＝(wreal*creal-wimgi*cimgi)+i(wreal*creal+wimgi*cimgi)其中，w表示输入的复数图像，c表示复数卷积核，creal表示输入的复数图像的实部，cimgi表示输入的复数图像的虚部，wreal表示复数卷积核的实部，wimgi表示复数卷积核的虚部。4.根据权利要求1所述的方法，其特征在于，所述复数卷积神经网络模型是按照以下方式建立的：获取全采样样本图像，其中，所述全采样样本图像为从磁共振仪获取的头颈联合的磁共振图像；对所述全采样样本图像进行欠采样处理，得到欠采样样本图像；将所述欠采样样本图像作为训练样本，将所述全采样样本图像作为标签，对预先建立的复数卷积神经网络进行训练，得到所述复数卷积神经网络模型。5.根据权利要求4所述的方法，其特征在于，将所述欠采样样本图像作为训练样本，将所述全采样样本图像作为标签，对预先建立的复数卷积神经网络进行训练，包括：以如下函数作为目标函数，对所述预先建立的复数卷积神经网络进行训练：其中，xm表示多通道复数输入图像，ym为全采样原始图像，C(xm；θ)表示网络的预测输出，θ＝{(Ω1,b1),...,(Ωl,bl),...,(ΩL,bL)}为训练需要更新的参数，其中，Ω表示权重，b表示偏置，表示网络输出与标签之间误差最小时的权重和偏置取值，表示取网络输出与标签之间的最小误差对应的θ作为M表示训练样本的总数量，m表示当前训练样本的序号。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述待重建的头颈联合的磁共振图像为欠采样的含伪影的图像。7.一种基于深度先验学习的头颈联合成像装置，其特征在于，包括：获取模块，用于获取待重建的头颈联合的磁共振图像；输入模块，用于将所述待重建的头颈联...

【专利技术属性】
技术研发人员：王珊珊，肖韬辉，郑海荣，刘新，梁栋，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44