一种延迟增强磁共振图像降噪与重建方法及系统技术方案

本发明专利技术提供了一种延迟增强磁共振图像的降噪与重建方法及系统，包括如下步骤：使用DnCNN对DE

【技术实现步骤摘要】
一种延迟增强磁共振图像降噪与重建方法及系统


[0001]本专利技术涉及边坡工程安全性评估
，特别涉及一种延迟增强磁共振图像降噪与重建方法及系统。

技术介绍

[0002]延迟增强磁共振(Delayed
‑
enhanced Magnetic Resonance Image，DE
‑
MRI)技术是分析心肌疾病的有效技术，例如心肌纤维化，心肌梗死等。在DE
‑
MRI图像中，正常心肌信号显示为暗信号，而心肌纤维化组织和坏死的心肌组织显示为亮信号，来生成DE
‑
MRI。医生能够通过DE
‑
MRI获得诊疗心脏类疾病及其病理分析过程中所需的决策信息。但是，由于成像设备精确度限制、患者难以配合和操作人员操作误差等原因，不可避免地产生低质量的DE
‑
MRI，有低分辨率、心脏模糊等情况。所以对DE
‑
MRI的重建实现自动化在临床上占有重大意义。
[0003]目前，有大量的算法应用于图像降噪，例如非局部自相似性、稀疏表示、马尔可夫随机场等方法。非局部自相似性是指在一定范围内，与当前块有相似的结构(一般用欧式距离衡量)的图像块，非局部相似块不一定与当前块相邻或者有重叠，是通过一定的准则搜索得到的。然而，以上方法存在着难以优化、耗时长等问题。Chen等人提出了一种可训练的非线性反应扩散模型，该模型通过展开固定数目的梯度下降推断步骤的前馈深层网络。随着机器学习和深度学习的发展，多层感知器(MLP)被成功地应用于图像降噪。Yang等人采用基于生成对抗网络(Generative Adversarial Network,GAN)的具有Wasserstein距离和感知相似度的CT图像降噪方法。在建立的特征空间中，将感知相似性损失与降噪输出的感知特征进行比较，利用真实图像的感知特征抑制噪声。以上方法不可忽视的缺点是它们针对特定噪声水平训练特定模型，并且在盲图像降噪方面受到限制。
[0004]超分辨率是通过硬件或软件的方法提高原有图像的分辨率，依靠一系列的操作让低分辨率的图像来得到高分辨率的图像过程就是超分辨率重建。在实际的DE
‑
MRI图像诊断过程中，低分辨率图像质量差，纹理细节太少，影响心肌疾病诊断的准确性。因此，在扎造影剂的DE
‑
MRI图像中，有必要将低质量的DE
‑
MRI心脏图像转换成高质量、高分辨率DE
‑
MRI图像。Harris和Goodman等人提出了超分辨率，认为低分辨率图像与高分辨率图像之间存在相关的映射关系。如果可以通过深度学习模型训练大量的图像来学习这些映射关系，那么使用低分辨率图像就可以重建真正的高分辨率图像。Dong等人使用深度学习模型来解决超分辨率问题，并使用三层卷积神经网络(CNN)来学习低分辨率图像和高分辨率图像之间的映射关系，并添加均方误差作为损失函数来获得高质量图像。
[0005]在现有阶段，图像降噪和图像超分辨率方面有很多的发展。有通过机器学习降噪，也有通过传统的算法降噪，例如使用opencv完成降噪的操作。但是这些算法大多是通过相邻的阶段推断出当前点是什么颜色，如果一个节点的周围是蓝色，而自身是白色，那么很有可能就是噪点，会被除掉变为蓝色。Viren Jain等提出用CNN处理自然图像的降噪问题，得到了与常规方法(如小波变换和马尔可夫随机场)相近或更优的结果，并说明了特定形式的
CNN可以被视为图像降噪的马尔可夫模型推断的结果的一种近似，且可以避免马尔可夫模型在概率学习和推断过程中的计算困难，降低了计算的复杂度。
[0006]在超分辨率中，使用对抗神经网络完成训练，但原始GAN的训练不稳定，容易给生成的图像中有不存在的特征，导致图像重建精度下降，这个问题是GAN一直面临的一个开放性和挑战性的问题。Arjovsky等人提出WGAN解决原始GAN训练中的不稳定性问题，利用近似最优鉴别器对发生器进行优化，减小Wasserstein距离，使生成图像的分布趋于真实图像的分布。Gulrajani等人发现WGAN存在的缺陷，只能生成低质量的样本，模型收敛困难等。

技术实现思路

[0007]本专利技术的目的是：针对上述
技术介绍
中存在的不足，提供一种改进的、对DE
‑
MRI图像进行降噪与重建的方法及系统，将模糊或者低分辨率的DE
‑
MRI图像变为高分辨率的DE
‑
MRI图像，用于病人的治疗和医生的诊断。
[0008]为了达到上述目的，本专利技术提供了一种延迟增强磁共振图像的降噪与重建方法，包括如下步骤：
[0009]S1，使用DnCNN对DE
‑
MRI图像进行预处理；
[0010]S2，使用SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，采用梯度惩罚解决梯度消失的问题；
[0011]S3，在原SRGAN损失函数的基础上添加WGAN损失函数监测梯度下降，提高图像重建的准确性。
[0012]进一步地，S1中DnCNN的网络结构是级联结构，采用BN层和残差学习，以提高运算性能。
[0013]进一步地，S2中在鉴别器中添加梯度惩罚，并使用Adam优化器对生成器进行优化。
[0014]进一步地，S3中总损失函数如下式所示：
[0015][0016]其中，C
‑
MSE为高分辨率DE
‑
MRI图像与低分辨率DE
‑
MRI图像的MSE损失，λ1和λ1为比例系数，C
‑
MSE损失函数如下：
[0017][0018]其中，W和H均为图像的大小，D代表的是鉴别器，G代表的是生成器，代表的是低分辨率的DE
‑
MRI图像，代表经过降噪之后的高分辨率的DE
‑
MRI图像；
[0019]VGG损失函数的等式如下：
[0020][0021]其中，φ
i,j
是通过第j个卷积和第i个池化层获取的特征；
[0022]WGAN损失函数的等式如下：
[0023][0024]其中，代表的是真实图像。
[0025]本专利技术还提供了一种延迟增强磁共振图像的降噪与重建系统，包括图像预处理模块和图像重建模块，所述图像预处理模块用于对真实图像进行降噪处理，所述图像重建模块依靠SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，所述图像重建模块采用梯度惩罚解决梯度消失的问题，同时通过WGAN损失函数监测梯度下降，提高图像重建的准确性。
[0026]本专利技术的上述方案有如下的有益效果：
[0027]本专利技术首先对DE
‑
MRI图像进行DnCNN降噪，得到高峰值信噪比的图像，作为SRGAN训练图像，增加DE
‑
CMR训练集，增强了模型的泛化能力；其次，通过最小化Wasserstein距离，并使用梯度惩罚，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种延迟增强磁共振图像的降噪与重建方法，其特征在于，包括如下步骤：S1，使用DnCNN对DE
‑
MRI图像进行预处理；S2，使用SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，采用梯度惩罚解决梯度消失的问题；S3，在原SRGAN损失函数的基础上添加WGAN损失函数监测梯度下降，提高图像重建的准确性。2.根据权利要求1所述的一种延迟增强磁共振图像的降噪与重建方法，其特征在于，S1中DnCNN的网络结构是级联结构，采用BN层和残差学习，以提高运算性能。3.根据权利要求2所述的一种延迟增强磁共振图像的降噪与重建方法，其特征在于，S2中在鉴别器中添加梯度惩罚，并使用Adam优化器对生成器进行优化。4.根据权利要求1所述的一种延迟增强磁共振图像的降噪与重建方法，其特征在于，S3中总损失函数如下式所示：其中，C
‑
MSE为高分辨率DE
‑
MRI图像与...

【专利技术属性】
技术研发人员：黄建龙，刘伟利，廖志芳，
申请(专利权)人：中南大学，
类型：发明
国别省市：