【技术实现步骤摘要】
一种磁共振成像模型的训练方法及装置
本申请涉及计算机
,尤其涉及一种磁共振成像模型的训练方法、装置、电子设备以及计算机可读存储介质。
技术介绍
磁共振成像(MagneticResonanceImaging,MRI)技术是利用核磁共振现象重建出人体组织图像的技术,可以提供丰富的人体组织图像信息且对人体没有电离损伤,是我国广泛应用的临床医学检查手段。然而,由于MRI技术需要较长的图像数据采集时间,使得成像速度较慢,在成像过程中会因为被检查者的生理性运动而在生成的图像中引入较多伪影,降低图像质量,影响临床诊断。要减少图像中伪影的出现,需要提高成像速度,也即缩短MRI的图像数据采集时间。目前缩短MRI的图像数据采集时间的方式,主要为减少图像数据的采集量,比如基于部分k空间的规则欠采样、基于压缩感知(CompressedSensing,CS)理论的随机欠采样、以及基于非笛卡尔采样轨迹的Radial和Spiral欠采样等。然而,图像数据采集量的减少,势必会降低图像清晰程度。近几年,将卷积神经网络、U-net卷积神经网络或残差卷积神经网络等深度学习方法应用至快速磁共振成像领域中,可以在采集少量图像数据的情况下,利用训练好的神经网络,快速重建出高质量MRI图像,是一种很有应用潜力的快速磁共振图像生成方法。目前,采用的深度学习方法主要学习从欠采样图像数据到全采样图像数据映射关系实现成像,但这种学习方式学习效率不高,生成的图像质量也相对较低。
技术实现思路
本说明书实施例提供一种 ...
【技术保护点】
1.一种磁共振成像模型的训练方法,其特征在于,包括:/n获取磁共振图像数据集;其中,所述磁共振图像数据集包括:欠采样磁共振图像和全采样磁共振图像;/n构建待训练的环形深度神经网络;其中,所述环形深度神经网络包括两侧神经网络以及两个输入口;所述两个输入口用于分别输入所述欠采样磁共振图像和所述全采样磁共振图像;/n所述两侧神经网络的一侧神经网络用于:根据所述欠采样磁共振图像生成第一模拟全采样磁共振图像,根据所述两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像,生成第二模拟全采样磁共振图像;所述另一侧神经网络用于:根据所述全采样磁共振图像生成所述第一模拟欠采样磁共振图像,根据所述一侧神经网络生成的第一模拟全采样磁共振图像,生成第二模拟欠采样磁共振图像;/n将所述欠采样磁共振图像和所述全采样磁共振图像,分别通过待训练的环形深度神经网络的两个输入口,分别输入至所述待训练的环形深度神经网络包含的两侧神经网络中,以生成各模拟磁共振图像;所述各模拟磁共振图像包括:所述第一模拟欠采样磁共振图像、所述第一模拟全采样磁共振图像、所述第二模拟欠采样磁共振图像以及所述第二模拟全采样磁共振图像;/n将所 ...
【技术特征摘要】 【专利技术属性】
1.一种磁共振成像模型的训练方法,其特征在于,包括:
获取磁共振图像数据集;其中,所述磁共振图像数据集包括:欠采样磁共振图像和全采样磁共振图像;
构建待训练的环形深度神经网络;其中,所述环形深度神经网络包括两侧神经网络以及两个输入口;所述两个输入口用于分别输入所述欠采样磁共振图像和所述全采样磁共振图像;
所述两侧神经网络的一侧神经网络用于:根据所述欠采样磁共振图像生成第一模拟全采样磁共振图像,根据所述两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像,生成第二模拟全采样磁共振图像;所述另一侧神经网络用于:根据所述全采样磁共振图像生成所述第一模拟欠采样磁共振图像,根据所述一侧神经网络生成的第一模拟全采样磁共振图像,生成第二模拟欠采样磁共振图像;
将所述欠采样磁共振图像和所述全采样磁共振图像,分别通过待训练的环形深度神经网络的两个输入口,分别输入至所述待训练的环形深度神经网络包含的两侧神经网络中,以生成各模拟磁共振图像;所述各模拟磁共振图像包括:所述第一模拟欠采样磁共振图像、所述第一模拟全采样磁共振图像、所述第二模拟欠采样磁共振图像以及所述第二模拟全采样磁共振图像;
将所述第一模拟全采样磁共振图像和所述全采样磁共振图像,输入至预先构建的第一模拟磁共振图像类别判别模型,以得到对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果;
将所述第一模拟欠采样磁共振图像和所述欠采样磁共振图像,输入至预先构建的第二模拟磁共振图像类别判别模型,以得到对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果;
根据预设损失函数、所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像,调整所述环形深度神经网络的网络参数,以得到训练好的磁共振成像模型。
2.如权利要求1所述的方法,其特征在于,所述根据预设损失函数、所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像,调整所述环形深度神经网络的网络参数,以得到训练好的磁共振成像模型,具体包括:
将所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像分别代入至预设损失函数中得到损失值;
根据所述损失值,调整所述环形深度神经网络的网络参数,以得到训练好的磁共振成像模型。
3.如权利要求1所述的方法,其特征在于,所述一侧神经网络包括:第一降采样层、第一残差网络层、第一升采样层;所述另一侧神经网络包括:第二降采样层、第二残差网络层、第二升采样层;
所述第一降采样层,用于提取所述欠采样磁共振图像的第一特征图,提取所述第一模拟欠采样磁共振图像的第二特征图;
所述第一残差网络层,用于对所述第一特征图和所述第二特征图进行残差处理,得到残差处理后的第一特征图和残差处理后的第二特征图;
所述第一升采样层,用于根据所述残差处理后的第一特征图生成所述第一模拟全采样磁共振图像,根据所述残差处理后的第二特征图生成所述第二模拟全采样磁共振图像;
所述第二降采样层,用于提取所述全采样磁共振图像的第三特征图,提取所述第一模拟全采样磁共振图像的第四特征图;
所述第二残差网络层,用于对所述第三特征图和第四特征图进行残差处理,得到残差处理后的第三特征图和残差处理后的第四特征图;
所述第二升样层,用于根据所述残差处理后的第三特征图生成所述第一模拟欠采样磁共振图像,根据所述残差处理后的第四特征图生成所述第二模拟欠采样磁共振图像。
4.如权利要求1所述的方法,其特征在于,所述预设损失函数具体包括:
第一损失函数,用于根据对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果,确定第一损失值;
第二损失函数,用于根据对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果,确定第二损失值;
第三损失函数,用于根据所述第二模拟全采样磁共振图像与所述全采样磁共振图像之间的平均绝对值误差,以及所述第二模拟欠采样磁共振图像与所述欠采样磁共振图像之间的平均绝对值误差,确定第三损失值。
5.如权利要求4所述的方法,其特征在于,
所述第一损失函数为
技术研发人员:郑海荣,刘新,张娜,胡战利,陈其航,梁栋,杨永峰,
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
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。