一种基于深度学习的磁共振图像相位复原方法技术

本发明专利技术公开了一种基于深度学习的磁共振图像相位复原方法，包括如下具体步骤：S1、仿真设计：磁共振自然图像经生成数据得到模拟相位图像，然后经模拟卷绕得到仿真卷绕相位图像；S2、预处理和模型训练：根据上述仿真卷绕相位图像中的相位值，先多层次的判断每个像素发生卷绕的可能，然后将可能发生卷绕的像素通过横纵积分整合为阶梯状的连续区域，再将这些信息输入到深度学习模型中进行训练；S3、模型训练结果：基于深度学习模型得到磁共振图像的相位复原结果。有益效果是减弱了由噪声和区域变化导致的复原效果不稳定，并降低了由于传统相位复原方法的反复迭代导致的大量时间消耗。

【技术实现步骤摘要】
一种基于深度学习的磁共振图像相位复原方法
本专利技术涉及一种磁共振图像相位复原方法，尤其涉及一种基于深度学习的磁共振图像相位复原方法，属于磁共振相位复原

技术介绍
磁共振相位复原技术主要解决的是磁共振采集到的相位信号与实际相位之间产生的卷绕问题。相位卷绕问题是指实际存在的连续相位由于采集方式的限制只能得到[-π,π]之间的值，相当于实际相位除以2π得到的余数。而相位复原技术则是指根据卷绕后的相位图像获得实际相位值的方法。通过该方法得到的实际相位可用于磁敏感加权成像(susceptibilityweightedimaging,SWI)以及定量磁化率成像(quantitativesusceptibilitymapping,QSM)中。已知磁共振相位信号的变化有一定连续性，且卷绕发生导致的变化值为2π的整数倍，所以可由此标志大致判断发生卷绕的区域。如图1所示，TruePhase是目标曲线，WrappedPhase表示卷绕曲线，相位复原的目标是从WrappedPhase恢复TruePhase，卷绕问题多发生在靠近每个2π区间边界的位置，表现出的形式是围绕0点震荡波形，而实际相位波形则是一条连续的单调线形。实际应用较多的相位复原方法也是利用这些性质，假设在相邻的一定值域的范围内不会发生卷绕，并以这个值域作为阈值划分区域，通过区域生长方法或是边界拟合的方法迭代找到最优解。2002年，MarkJenkinson[1]提出了一种快速、自动的N维解卷绕方法PRELUDE(PhaseRegionExpandingLabellerforUnwrappingDiscreteEstimates)。该方法以每π/3为区间对[-π,π]的值域进行了拆分，假设每个区域内部不存在相位卷绕问题，再结合区域生长的方式不断合并相邻区域最终合并为一块完整连续的区域。2018年JunyingCheng[2]提出了该方法的改进pixelclusteringandlocalsurfacefitting(CLOSE)，通过加入近邻点聚类的思路把分区域的阈值和合并区域后的边界进一步优化，不过由于每一个步骤都加入了近邻聚类的算法，虽然效果精细了很多，但也更大幅度地消耗了时间。2019年AnitaKarsa[3]提出SpeedyrEgion-GrowingalgorithmforUnwrappingEstimatedphase(SEGUE)方法针对相位复原技术的速度进行了优化。该方法利用3D图像连接的性质并针对每个像素周围的点加入了自定义的合并规则完成了在不降低精度情况下的算法加速。与以上传统方法不同，Spoorthi[4]通过使用深度学习算法Phasenet进行相位复原。通过使用他们提出的PhaseNet模型，可以节省传统方法中不断迭代所花费的时间，同时再通过使用显卡加速可达到传统方法几十倍的效率。但是，前述现有算法均存在其缺点，文献[1-3]中的方法均需要大量的时间迭代，并且由于它们都是基于阈值划分区域再进行整合的，因此在噪声干扰大的区域会划分出大量区域以至于迭代次数平方倍增加。文献[4]虽然极大的克服了传统方法的效率问题，但并不针对磁共振图像。其仿真数据的产生方式是通过高斯分布的随机叠加，比起磁共振数据更偏向雷达数据，并没有在真实磁共振数据上进行尝试。可见，目前相位复原技术面临的挑战是由噪声和区域变化导致的复原效果不稳定，以及由于传统相位复原方法的反复迭代导致的大量时间消耗。基于以上基本事实，本专利技术欲在如何实现高速且鲁棒的相位复原效果方面做进一步的研究。参考文献如下：[1]M.Jenkinson,"Fast,automated,N-dimensionalphase-unwrappingalgorithm,"MagnResonMed,vol.49,no.1,pp.193-7,Jan2003,doi:10.1002/mrm.10354.[2]J.Chengetal.,"Anovelphase-unwrappingmethodbasedonpixelclusteringandlocalsurfacefittingwithapplicationtoDixonwater-fatMRI:PhaseUnwrappingBasedonPixelClusteringandLocalSurfaceFitting,"vol.79,no.1,2018.[3]A.KarsaandK.Shmueli,"SEGUE:ASpeedyrEgion-GrowingAlgorithmforUnwrappingEstimatedPhase,"IEEETransMedImaging,vol.38,no.6,pp.1347-1357,Jun2019,doi:10.1109/TMI.2018.2884093.[4]G.Spoorthi,R.K.S.S.Gorthi,andS.J.I.T.o.I.P.Gorthi,"PhaseNet2.0:PhaseUnwrappingofNoisyDataBasedonDeepLearningApproach,"vol.29,pp.4862-4872,2020.
技术实现思路
针对上述现存的技术问题，本专利技术提供一种基于深度学习的磁共振图像相位复原方法，以减弱由噪声和区域变化导致的复原效果不稳定，并降低由于传统相位复原方法的反复迭代导致的大量时间消耗。为实现上述目的，本专利技术提供一种基于深度学习的磁共振图像相位复原方法，采用的磁共振相位图像复原关系式如下：其中，K(r)表示卷绕的次数，ψ(r)表示卷绕的相位，φ(r)表示实际的相位，f表示相位复原的模型。该磁共振图像相位复原方法，包括如下具体步骤：S1、仿真设计：磁共振自然图像经生成数据得到模拟相位图像，然后随机变换；S2、预处理和模型训练：根据上述仿真卷绕相位图像中的相位值，先多层次的判断每个像素发生卷绕的可能，然后将可能发生卷绕的像素通过横纵积分整合为阶梯状的连续区域，再将这些信息输入到深度学习模型中进行训练；S3、模型训练结果：基于深度学习模型得到磁共振图像的相位复原结果。进一步，步骤S1中，所述的生成数据包括如下模式：第一种是使用原本数据信息模式：除去自然图像的背景，然后选取一种卷绕模式；第二种是保留图像的边缘信息结合连续变化模式：先除去自然图像的背景，然后对图像进行随机变换，得到变换图像；接着去除变换图像的纹理信息，再选取一种卷绕模式；第三种是既保留原始图像信息也模拟连续变化模式：先除去自然图像的背景，然后对图像进行随机变换，得到变换图像；接着保留变换图像的纹理信息，再选取一种卷绕模式。更进一步，步骤S1中，所述的自然图像为有自然纹理且能够去除背景的图像。进一步，步骤S1中，所述的模拟卷绕包括如下具体步骤：S1-1、随机选取一种卷绕模式与生成数据得到的图像相乘；S1-2、将得到的图像像素值归一化，随机设置1-20的整本文档来自技高网...

【技术保护点】
1.一种基于深度学习的磁共振图像相位复原方法，其特征在于，采用的磁共振相位图像复原关系式如下：/n

【技术特征摘要】
1.一种基于深度学习的磁共振图像相位复原方法，其特征在于，采用的磁共振相位图像复原关系式如下：



subjecttoK(r)∈integers(1)
其中，K(r)表示卷绕的次数，ψ(r)表示卷绕的相位，φ(r)表示实际的相位，f表示相位复原的模型；
该方法包括如下具体步骤：
S1、仿真设计：磁共振自然图像经生成数据得到模拟相位图像，然后经模拟卷绕得到仿真卷绕相位图像；
S2、预处理和模型训练：根据上述仿真卷绕相位图像中的相位值，先多层次的判断每个像素发生卷绕的可能，然后将可能发生卷绕的像素通过横纵积分整合为阶梯状的连续区域，再将这些信息输入到深度学习模型中进行训练；
S3、模型训练结果：基于深度学习模型得到磁共振图像的相位复原结果。


2.根据权利要求1所述的一种基于深度学习的磁共振图像相位复原方法，其特征在于，步骤S1中，所述的生成数据包括如下模式：
第一种是使用原本数据信息模式：除去自然图像的背景，然后随机变换；
第二种是保留图像的边缘信息结合连续变化模式：先除去自然图像的背景，然后对图像进行随机变换，得到变换图像；接着去除变换图像的纹理信息，再选取一种卷绕模式；
第三种是既保留原始图像信息也模拟连续变化模式：先除去自然图像的背景，然后对图像进行随机变换，得到变换图像；接着保留变换图像的纹理信息，再选取一种卷绕模式。


3.根据权利要求2所述的一种基于深度学习的磁共振图像相位复原方法，其特征在于，步骤S1中，所述的模拟卷绕包括如下具体步骤：
S1-1、随机选取一种卷绕模式与生成数据得到的图像相乘；
S1-2、将得到的图像像素值归一化，随机设置1-20的整数作为卷绕强度，将像素值除以卷绕强度得到卷绕相位原图；
S1-3、将卷绕相位原图分别除以2π取余数，再平移到[-π,π]的范围，得到仿真卷绕相位图像。


4.根据权利要求3所述的一种基于深度学习的磁共振图像相位复原方法，其特征在于，所述的卷绕模式的定义方式是：假设一个光源或强信号源在图像的某一个方位，信号从该位置发出，随着距离衰减得到一个模式，再通过反转旋转放大等图像变换增加更多的泛用模式；模式示例公式如下：



其中，x、y为图像横纵坐标；a、b为随机点，用于作为光源中心坐标。


5.根据权利要求1所述的一种基于深度学习的磁共振图像相位复原方法，其特征在于，步骤S2中，所述的预处理包括如下具体步骤：
S2-1、去除噪声影...

【专利技术属性】
技术研发人员：邹超，周鸿宇，程传力，刘新，郑海荣，
申请(专利权)人：深圳高性能医疗器械国家研究院有限公司，
类型：发明
国别省市：广东;44