【技术实现步骤摘要】
一种基于深度学习的核磁共振图像的降采样伪影去除方法
本专利技术涉及医疗设备
，特别是涉及一种基于深度学习的核磁共振图像的降采样伪影去除方法。
技术介绍
核磁共振成像在如今的医学诊断和临床试验中有着重要的地位，然而，由于磁共振成像速度慢，全采样很多时候不满足临床应用所需的速度，所以为了提高速度，在成像过程中经常选择降采样而不是全采样。但这会导致图像质量下降，比如由于k空间的有限采样导致的高频数据的丢失造成的吉布斯伪影，并行成像中的由于降采导致的混叠伪影以及噪声，进行Radial/Spiral扫描时图像中出现的细条纹伪影等等。在临床实践中，振荡伪影可能会干扰诊断。比如，在对比增强动态心肌成像中会产生暗缘伪影。除此之外，在DW图像中该伪影的振荡强度可能影响扩散相关参数的后续量化。因此，找到一个能有效去除伪影的方法是非常有必要的。直到目前为止，已经有大量有关去除磁共振图像降采样伪影的算法被提出来并得到很好地发展，比如对于吉布斯伪影来说，基于吉布斯伪影是与矩形采样窗口的锐截止有关的观点，可以通过使用平滑低通滤波器来减少该伪影，但会导致图像模糊。目前已经有许多基于模型的...
【技术保护点】
1.一种基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，包括如下步骤：步骤一，通过带伪影的样本磁共振图像获得最优模型；步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。
【技术特征摘要】
1.一种基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，包括如下步骤：步骤一，通过带伪影的样本磁共振图像获得最优模型；步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。2.根据权利要求1所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤一具体包括有：步骤1.1，对带伪影的样本磁共振图像预处理；步骤1.2，构建卷积神经网络的基本构架；步骤1.3，使用经过预处理带伪影的样本磁共振图像训练卷积神经网络调节参数获得最优模型。3.根据权利要求2所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.1具体包括有：步骤1.1.1，对带伪影的样本磁共振图像和对应的无伪影的样本参考磁共振图像通过公式(Ⅰ)进行标准化处理，得到均值为0和方差为1的参考图像，其中y为标准化之前的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，z为标准化之后的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，μ为标准化之前的均值，σ为标准化之前的标准差；步骤1.1.2，将步骤1.1.1得到的参考图像整合成卷积神经网络的训练数据集。4.根据权利要求3所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.2的卷积神经网络的基本构架设置有n层，且n为大于1的正整数；所述步骤1.2具体为：按顺序定义n层基本构架，分别为第1层、第2层，……，第n-1层，第n层，将第1层、第2层，……，第n-1层通过公式(Ⅱ)表示，Fi(X)＝max(0,BN(Wi*Fi-1(X)+bi)),1≤i≤n-1公式(Ⅱ)，其中Fi(X)表示第i层的输出特征图，Wi表示第i层的滤波器，*为卷积操作，bi表示第i层的偏置，BN(x)表示批标准化，max(0,x)为激活函数ReLU的表达式，F0(X)等于输入图像X。5.根据权利要求4所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤二具体为根据公式(Ⅲ)计算第i＝n层的输出图像，得到估计伪影图像Fn(X):Fn(X)＝Wn*Fn-1(X)+bn公式(Ⅲ)。6.根据权利要求5所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于：所述步骤三具体为输入步骤1.2得到的图像X与所述步骤二的估计伪影图像Fn(X)相减，然后用测量数据代替对应的k...
【专利技术属性】
技术研发人员：冯衍秋，阮国辉，张倩倩，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。