一种图像重建方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种图像重建方法、装置及电子设备，其中图像重建方法，包括：对获取的磁共振图像进行分块处理；对分块处理后的图像采用盲复原算法进行处理，得到多个复原的图像块；将多个所述图像块进行拼接；将拼接后的图像输入预训练的重建模型，从而得到重建图像。对图像进行分块预测并盲复原，最后进行拼接，在输入预训练的重建模型进行重建，盲复原可以利用模糊核的估计进行运动模糊修复和高分辨率预测，对存在空间移变性质的医学图像的运动伪影进行随机的轨迹预测，防止本身运动模糊在分辨率重建过程中的伪影增强，达到降低运动伪影产生加强作用的目的。生加强作用的目的。生加强作用的目的。

【技术实现步骤摘要】
一种图像重建方法、装置及电子设备


[0001]本专利技术涉及磁共振医学图像处理
，具体而言，涉及一种图像重建方法、装置及电子设备。

技术介绍

[0002]在磁共振成像过程中，扫描时间是一个很重要的参数。动辄几分钟甚至数十分钟的扫描使得病人难以忍受过长时间的保持不动，从而容易产生运动伪影。与此同时，在多数扫描中，信噪比也是一个重要的参数，但是提高信噪比往往需要增加层厚，信号空间分辨率因而降低。为了加快扫描速度并提高信噪比(Signal
‑
to
‑
Noise Ratio)下文简称SNR，在进行成像时，通常会通过层厚的增加与采样步幅的增大来缩短成像时间。但这样往往导致图像分辨率的变低以及容积效应的出现。
[0003]低空间分辨率对于组织的细节观测，譬如MRA中微型血管的显示以及后处理中的信号配准等步骤会产生较大的负面影响。因此高分辨率的图像是以扫描时间和SNR为代价的。在过去的研究中，常使用超分辨率技术改善这种问题，超分辨率技术就是从由于各类硬件与扫描条件的限制所导致的图像模糊与欠采样的低分辨率(Low
‑
Resolution,LR)图像中重建出更高分辨率(High
‑
Resolution,HR)的图像，其使用较短时间采集较低的分辨率的图像，通过神经网络训练后，给出高分辨率图像的预测输出。
[0004]2014年，Dong等人首次提出了超分辨率卷积神经网络(Super
‑
Resolution Convolutional Neural Network，简称SRCNN)，使用SRCNN模型用于图像低分辨率向高分辨率的超分辨率重建。2016年，Dong等人对SRCNN网络做了改进，提出了FSRCNN(Fast Super
‑
Resolution Convolutional Neural Network，相比于SRCNN，该网络在最后使用了一个反卷积层放大尺寸的同时，改变特征维数，用更小的卷积核并使用更多的映射层，而且可以实现映射层共享，从而加快训练速度。2016年，VDSR(Very Deep Convolutional Networks for Super
‑
Resolution)被提出，该网络首次使用残差的方法解决超分辨率问题，该方法基于同一幅图像的低分辨率和高分辨率的低频信息是相似的原理，将二者的残差信息作为学习目标，该网络越深，模型表达能力越好。
[0005]近年来的有关基于深度学习的磁共振的超分辨率重建的技术多是基于SRCNN、FSRCNN、多尺度融合CNN等。
[0006]超分辨率算法方面：目前常用的用于超分辨率重建的深度学习网络主要基于SRCNN、FSRCNN等，这类网络由于深度不够，导致感受野小，尤其在大尺度变换时，从小的图像块中无法获取深层次信息，重建质量不够好。同时，该类网络收敛很慢，而且只能实现单一尺度的超分辨率重建。
[0007]同时，由于目前的超分辨率技术多针对自然图像，仅仅利用深度学习网络进行低分辨率图像的特征学习，但是对于磁共振图像而言，由于长时间的扫描使得病人可能会出现无意识或有意识运动的情况，加有硬件等方面的原因，使得各类模糊和运动伪影较为常见，而超分辨率重建后表现在图像中可能伴随各类伪影的加强。
[0008]在盲复原方面：先前较少有将图像复原算法应用于磁共振的情况，某些应用图像复原于磁共振图像的方法的目标也都是预测PSF用于磁共振中噪声的处理，但近年来盲复原在其他领域已经证实可以用于多维度运动模糊的处理。
[0009]虽然运动模糊盲复原方法在机器视觉领域很常用，但是在磁共振领域无法普及的的原因在于，相机拍摄的自然图像和医学图像的运动模糊在某一方面差异很大，相机拍摄的图像的噪声和原始图像都取决于曝光时间和操作者的操作技巧等，譬如人们使用特定的摄像机以及已知的图像采集场景设置时，其运动参数是固定的，但是医学图像的PSF更难以预测，病人的运动模糊、硬件导致的噪声与伪影和较快的采集时间相互作用所导致的模糊核的获取需要视为一个随机过程。
[0010]磁共振的空间移变性的影响：超分辨率算法和图像复原算法都是基于全局的，但在磁共振图像中，运动与硬件导致的模糊核不具有全局性。直接对图像进行全局处理可以一定程度上加快处理速度，减少预处理步骤，同时减小计算复杂度，但是忽略了PSF本身应用于全局相对于磁共振图像本身的空间移变性的影响。
[0011]综上所述，现有技术存在以下问题：
[0012]1、目前常用的超分辨率重建的深度学习网络主要基于SRCNN、FSRCNN等，这类网络由于深度不够，导致感受野小，尤其在大尺度变换时，从小的图像块中无法获取深层次信息，重建质量不够好。同时，该类网络收敛很慢，而且只能实现单一尺度的超分辨率重建。
[0013]2、目前常用的超分辨率网络的缺点在于仅仅利用低分辨率图像作为输入，给出预测的高分辨率图像输出缺少很多必要信息，从而导致图像的边缘模糊难以改进，同时，由于磁共振图像本身运动伪影的存在，该种方法可能对运动伪影产生加强作用。
[0014]3、现有技术中将图像复原算法应用于磁共振存在困难，之所以运动模糊盲复原方法在机器视觉领域很常用，但是在磁共振领域无法普及的原因为：相机拍摄的自然图像和医学图像的运动模糊在某一方面差异很大，也就是相机拍摄的图像的噪声和原始图像都取决于曝光时间和操作者的操作技巧等，譬如人们使用特定的摄像机以及已知的图像采集场景设置时，其运动参数是固定的，但是医学图像的PSF更难以预测。
[0015]4、直接对图像进行全局处理可以一定程度上加快处理速度，减少预处理步骤，同时减小计算复杂度，但是忽略了PSF本身应用于全局相对于磁共振图像本身的空间移变性的影响，即在磁共振图像中，运动与硬件导致的模糊核不具有全局性。

技术实现思路

[0016]为解决上述问题，本专利技术实施例的目的在于提供一种图像重建方法、装置及电子设备，至少解决现有技术中对运动伪影产生加强作用的问题。
[0017]第一方面，本专利技术实施例公开一种图像重建方法，包括：
[0018]对获取的磁共振图像进行分块处理；
[0019]对分块处理后的图像采用盲复原算法进行处理，得到多个复原的图像块；
[0020]将多个所述图像块进行拼接；
[0021]将拼接后的图像输入预训练的重建模型，从而得到重建图像。
[0022]可选的，所述对分块处理后的图像采用盲复原算法进行处理，得到多个复原的图像块，包括：
[0023]基于采集的信号进行图像建模以及相应参数选取，所述参数为图像建模得到模型的参数；
[0024]基于图像建模预测运动模糊核；
[0025]对运动模糊核进行误差分析，基于所述误差分析创建复原
‑
误差对模型；
[0026]基于所述复原
‑
误差对模型得到精确的运动模糊核；
[0027]基于所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像重建方法，其特征在于，包括：对获取的磁共振图像进行分块处理；对分块处理后的图像采用盲复原算法进行处理，得到多个复原的图像块；将多个所述图像块进行拼接；将拼接后的图像输入预训练的重建模型，从而得到重建图像。2.根据权利要求1所述的图像重建方法，其特征在于，所述对分块处理后的图像采用盲复原算法进行处理，得到多个复原的图像块，包括：基于采集的信号进行图像建模以及相应参数选取，所述参数为图像建模得到模型的参数；基于图像建模预测运动模糊核；对运动模糊核进行误差分析，基于所述误差分析创建复原
‑
误差对模型；基于所述复原
‑
误差对模型得到精确的运动模糊核；基于所述精确的运动模糊核进行图像非盲复原，得到复原的图像。3.根据权利要求2所述的图像重建方法，其特征在于，所述基于采集的信号进行图像建模以及相应参数选取，所述参数为图像建模得到模型的参数，包括：经过时间t的信号采集，建模采集的图像为：z
t
＝k(u
t
(x)+∈(x)),x∈X，是指采样的离散网格，k用于将信号归一化到有限的动态范围内，u
t
(x)表示时变以及移变的泊松分布，∈(x)表示时不变以及移不变的高斯分布。4.根据权利要求2所述的图像重建方法，其特征在于，所述基于所述复原
‑
误差对模型得到精确的运动模糊核，包括：在有限的时间集里选择时间；基于所述时间和复原
‑
误差对模型得到复原
‑
误差平面；根据复原
‑
误差平面来进行预测的采集信号时间的选取，迭代得到最优的采集时间解；基于最优的采集时间解得到精确的运动模糊核。5.根据权利要求2所述的图像重建方法，其特征在于，所述复原
‑
误差对模型为：y为输入图像，λ,σ分别为两类核分布的用户输入参数，r为复原
‑
误...

【专利技术属性】
技术研发人员：江昕阳，吴振洲，董霖，张涛，
申请(专利权)人：上海电气控股集团有限公司智惠医疗装备分公司，
类型：发明
国别省市：