一种FLAIR模态磁共振影像生成方法及系统技术方案

本发明专利技术公开了一种FLAIR模态磁共振影像生成方法及系统。该方法包括：获取包括T1模态磁共振训练影像、与T1模态磁共振训练影像配对的FLAIR模态磁共振影像、年龄信息和性别信息的训练样本集；基于Pytorch框架构建生成对抗网络模型；基于训练样本集，采用反向传播算法和梯度下降算法对生成对抗网络模型进行训练得到FLAIR模态磁共振影像生成模型；采用交叉验证法对生成模型进行验证，得到验证后的FLAIR模态磁共振影像生成模型；将待测集输入至验证后的FLAIR模态磁共振影像生成模型中，得到FLAIR模态磁共振影像生成结果。本发明专利技术能生成清晰的FLAIR模态磁共振影像，提高影像的生成质量。

【技术实现步骤摘要】
一种FLAIR模态磁共振影像生成方法及系统
本专利技术涉及计算机及神经科学
，特别是涉及一种FLAIR模态磁共振影像生成方法及系统。
技术介绍
磁共振成像(Magneticresonanceimaging，MRI)以其安全性和信息丰富性在各种医学成像技术中日益突出，并广泛应用于临床诊断和治疗。磁共振成像有不同的模式，每种模式都捕捉到了底层解剖学的某些特征，并提供了内在磁共振参数的独特视图。获取具有多个不同对比度的同一解剖结构的图像可增加MRI检查中可用诊断信息的多样性。例如，在图像分割任务中，很多时候的数据只有T1模态，而在单一模态T1上分割效果不好。实验发现基于T1模态的分割倾向于过度分割图像，通过利用液体衰减反转恢复(Fluid-attenuatedinversionrecovery，FLAIR)模态影像的先验信息，可以提高分割准确率。大量研究证明T1影像结合FLAIR图像的分割结果会比单独在T1影像上分割效果要好，多模态磁共振影像结合将会提供更可靠的分割效果。然而由于后勤原因，大多数现有的数据集只包含T1影像，没有FLAIR影像，因而需要使用图像生成技术利用T1影像生成FLAIR影像。因而，T1影像生成对应的FLAIR影像是一个非常值得研究的问题，其目的是利用先验信息指导T1影像分割过程的优化。传统的机器学习的方法在跨模态图像生成任务上无法获得满意的结果。因为跨模态的图像特征的差异较大，MRI任何两种模态之间的关系都是高度非线性的，而现有传统的机器学习的方法无法较好地模拟不同模态图像间的非线性关系，因而在图像生成任务上表现不佳。
技术实现思路
基于此，有必要提供一种FLAIR模态磁共振影像生成方法及系统，以生成清晰的FLAIR模态磁共振影像，提高影像的生成质量。为实现上述目的，本专利技术提供了如下方案：一种FLAIR模态磁共振影像生成方法，包括：获取训练样本集；所述训练样本集包括T1模态磁共振训练影像、与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息；所述T1模态磁共振训练影像为配对的FLAIR模态磁共振影像已知的T1模态磁共振影像；基于Pytorch框架，构建生成对抗网络模型；所述生成对抗网络模型包括生成器和判别器；所述生成器的输出连接所述判别器的输入；所述生成器为基于ResNet的UNet结构；所述判别器包括第一网络模型和第二网络模型；所述第一网络模型的结构与所述生成器的结构相同；所述第二网络模型为卷积神经网络；基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型；采用交叉验证法对所述FLAIR模态磁共振影像生成模型进行验证，得到验证后的FLAIR模态磁共振影像生成模型；将待测集输入至所述验证后的FLAIR模态磁共振影像生成模型中，得到FLAIR模态磁共振影像生成结果；所述待测集包括T1模态磁共振测试影像、与所述T1模态磁共振测试影像对应的年龄信息和性别信息；所述T1模态磁共振测试影像为配对的FLAIR模态磁共振影像未知的T1模态磁共振影像。可选的，所述基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型，具体包括：将所述T1模态磁共振训练影像和与所述T1模态磁共振训练影对应的年龄信息和性别信息作为输入，与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像作为输出，采用反向传播算法和梯度下降算法对所述生成器进行训练，得到训练好的生成器；采用FLAIR模态磁共振训练影像、所述T1模态磁共振训练影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息对所述判别器进行训练，得到训练好的判别器；所述FLAIR模态磁共振训练影像为所述生成器输出的FLAIR模态磁共振影像或与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像；所述训练好的生成器和所述训练好的判别器构成FLAIR模态磁共振影像生成模型。可选的，所述生成器包括生成器编码部分和生成器解码部分；所述生成器编码部分包括依次连接的UNetConvBlock模块和四个降采样模块；所述UNetConvBlock模块包括两个第一卷积块；所述第一卷积块包括一个第一卷积层、一个批标准化层以及一个relu激活层；所述降采样模块包括卷积单元和一个ResidualUnit模块；所述卷积单元包括第二卷积层和dropout层；所述ResidualUnit模块包括第一分支和第二分支；所述第一分支包括两个第二卷积块；所述第二卷积块包括一个第一卷积层、一个批标准化层和一个relu激活层；所述第二分支包括一个第三卷积层、一个批标准化层和一个relu激活层；与所述T1模态磁共振训练影对应的年龄信息和性别信息均通过全连接层后输出的特征图像与第四个降采样模块的dropout层输出的特征图像合并；所述生成器解码部分包括依次连接的四个上采样模块和第四卷积层；所述上采样模块包括反卷积块和ResidualUnit模块；所述反卷积块包括一个反卷积层、一个批标准化层和一个relu激活层。可选的，所述第二网络模型包括依次连接的六个第三卷积块、一个resize操作块和三个全连接层；所述第三卷积块包括一个第五卷积层和一个leaky_relu激活层；六个第三卷积块对应的六个第五卷积层的卷积核参数分别为92、42、52、42、52、42。可选的，在所述获取训练样本集之后，还包括：对所述训练样本集进行预处理；所述预处理包括图像配准、头骨剥离、图像数据标准化以及图像块提取。本专利技术还提供了一种FLAIR模态磁共振影像生成系统，包括：训练样本集获取模块，用于获取训练样本集；所述训练样本集包括T1模态磁共振训练影像、与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息；所述T1模态磁共振训练影像为配对的FLAIR模态磁共振影像已知的T1模态磁共振影像；网络模型构建模块，用于基于Pytorch框架，构建生成对抗网络模型；所述生成对抗网络模型包括生成器和判别器；所述生成器的输出连接所述判别器的输入；所述生成器为基于ResNet的UNet结构；所述判别器包括第一网络模型和第二网络模型；所述第一网络模型的结构与所述生成器的结构相同；所述第二网络模型为卷积神经网络；训练模块，用于基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型；验证模块，用于采用交叉验证法对所述FLAIR模态磁共振影像生成模型进行验证，得到验证后的FLAIR模态磁共振影像生成模型；影像生成模块，用于将待测集输入至所述验证后的FLAIR模态磁共振影像生成模型中，得到FLAIR模态磁共振影像生成结果；所述待测集包括T1模态磁共振测试影像、与所述T1模态磁共振测试影像对应的年本文档来自技高网...

【技术保护点】
1.一种FLAIR模态磁共振影像生成方法，其特征在于，包括：/n获取训练样本集；所述训练样本集包括T1模态磁共振训练影像、与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息；所述T1模态磁共振训练影像为配对的FLAIR模态磁共振影像已知的T1模态磁共振影像；/n基于Pytorch框架，构建生成对抗网络模型；所述生成对抗网络模型包括生成器和判别器；所述生成器的输出连接所述判别器的输入；所述生成器为基于ResNet的UNet结构；所述判别器包括第一网络模型和第二网络模型；所述第一网络模型的结构与所述生成器的结构相同；所述第二网络模型为卷积神经网络；/n基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型；/n采用交叉验证法对所述FLAIR模态磁共振影像生成模型进行验证，得到验证后的FLAIR模态磁共振影像生成模型；/n将待测集输入至所述验证后的FLAIR模态磁共振影像生成模型中，得到FLAIR模态磁共振影像生成结果；所述待测集包括T1模态磁共振测试影像、与所述T1模态磁共振测试影像对应的年龄信息和性别信息；所述T1模态磁共振测试影像为配对的FLAIR模态磁共振影像未知的T1模态磁共振影像。/n...

【技术特征摘要】
1.一种FLAIR模态磁共振影像生成方法，其特征在于，包括：
获取训练样本集；所述训练样本集包括T1模态磁共振训练影像、与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息；所述T1模态磁共振训练影像为配对的FLAIR模态磁共振影像已知的T1模态磁共振影像；
基于Pytorch框架，构建生成对抗网络模型；所述生成对抗网络模型包括生成器和判别器；所述生成器的输出连接所述判别器的输入；所述生成器为基于ResNet的UNet结构；所述判别器包括第一网络模型和第二网络模型；所述第一网络模型的结构与所述生成器的结构相同；所述第二网络模型为卷积神经网络；
基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型；
采用交叉验证法对所述FLAIR模态磁共振影像生成模型进行验证，得到验证后的FLAIR模态磁共振影像生成模型；
将待测集输入至所述验证后的FLAIR模态磁共振影像生成模型中，得到FLAIR模态磁共振影像生成结果；所述待测集包括T1模态磁共振测试影像、与所述T1模态磁共振测试影像对应的年龄信息和性别信息；所述T1模态磁共振测试影像为配对的FLAIR模态磁共振影像未知的T1模态磁共振影像。


2.根据权利要求1所述的一种FLAIR模态磁共振影像生成方法，其特征在于，所述基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型，具体包括：
将所述T1模态磁共振训练影像和与所述T1模态磁共振训练影对应的年龄信息和性别信息作为输入，与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像作为输出，采用反向传播算法和梯度下降算法对所述生成器进行训练，得到训练好的生成器；
采用FLAIR模态磁共振训练影像、所述T1模态磁共振训练影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息对所述判别器进行训练，得到训练好的判别器；所述FLAIR模态磁共振训练影像为所述生成器输出的FLAIR模态磁共振影像或与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像；所述训练好的生成器和所述训练好的判别器构成FLAIR模态磁共振影像生成模型。


3.根据权利要求1所述的一种FLAIR模态磁共振影像生成方法，其特征在于，所述生成器包括生成器编码部分和生成器解码部分；
所述生成器编码部分包括依次连接的UNetConvBlock模块和四个降采样模块；所述UNetConvBlock模块包括两个第一卷积块；所述第一卷积块包括一个第一卷积层、一个批标准化层以及一个relu激活层；所述降采样模块包括卷积单元和一个ResidualUnit模块；所述卷积单元包括第二卷积层和dropout层；所述ResidualUnit模块包括第一分支和第二分支；所述第一分支包括两个第二卷积块；所述第二卷积块包括一个第一卷积层、一个批标准化层和一个relu激活层；所述第二分支包括一个第三卷积层、一个批标准化层和一个relu激活层；与所述T1模态磁共振训练影对应的年龄信息和性别信息均通过全连接层后输出的特征图像与第四个降采样模块的dropout层输出的特征图像合并；
所述生成器解码部分包括依次连接的四个上采样模块和第四卷积层；所述上采样模块包括反卷积块和ResidualUnit模块；所述反卷积块包括一个反卷积层、一个批标准化层和一个relu激活层。


4.根据权利要求1所述的一种FLAIR模态磁共振影像生成方法，其特征在于，所述第二网络模型包括依次连接的六个第三卷积块、一个resize操作块和三个全连接层；所述第三卷积块包括一个第五卷积层和一个leaky_relu激活层；六个第三卷积块对应的六个第五卷积层的卷积核参数分别为92、42、52、42、52、42。


5.根据权利要求1所述的一种FLAIR模态磁共振影像生成方法，其特征在于，在所述获取训练样本集之后，还包括：
对所述训练样本集进行预处理；所述预处理包括图像配准、头骨剥离、图像数据标准化以及图像块提取。


6.一种FLAI...

【专利技术属性】
技术研发人员：刘涛，程健，张心雨，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11