基于特征关联融合的胎儿大脑磁共振运动校正方法及装置制造方法及图纸

本发明专利技术公开了一种基于特征关联融合的胎儿大脑磁共振运动校正方法及装置。该方法首先采集胎儿大脑的磁共振结构像数据，并进行预处理和感兴趣区提取；然后通过二维卷积神经网络、双向循环神经网络提取各层面间的时空运动特征；再通过三维卷积神经网络和亲和融合模块提取各层面与参考体积在结构上的相似信息，并由全连接层根据运动特征与相似信息得到各层面的运动参数；最后根据预测的运动参数进行校正，并使用超分辨率重建得到胎儿大脑高分辨率的体积。在网络训练方面，首先利用传统的运动校正和超分辨率重建得到高分辨率的体积，然后仿真添加随机的运动。本方法有提升了运动轨迹估计的鲁棒性和准确性，能校正更大幅度的胎儿大脑运动，进而提高体积重建的成功率。进而提高体积重建的成功率。进而提高体积重建的成功率。

【技术实现步骤摘要】
基于特征关联融合的胎儿大脑磁共振运动校正方法及装置


[0001]本申请涉及胎儿大脑磁共振图像后处理领域，尤其涉及基于深度学习的磁共 振图像运动参数估计、运动校正的方法。

技术介绍

[0002]胎儿大脑磁共振成像是一种常用的产前检查方法。与传统的超声检查相比， 磁共振成像可以提供更加精确的解剖细节和更高的成像对比度，从而可以更好地 检测胎儿大脑发育中的异常。为对胎儿磁共振图像进行定量分析，需要获得胎儿 大脑高分辨率的三维图像，但直接采集三维图像较为复杂，且非常容易受到胎儿 和母体不规则运动的影响。所以常用的临床采集方法是使用单次激发快速自旋回 波序列沿大脑的不同方向进行逐层的采集，再经过后处理将采集得到的多个层面 集(slice stacks)重建为三维体积(volume)。
[0003]尽管应用单次激发快速自旋回波序列可以减少单层的采集时间，进而减弱层 内运动的影响，但层间运动仍对后处理中的三维体积重建带来很大的挑战，所以 需要在重建前进行层面间的运动校正。传统的运动校正方法基于迭代进行的切片 到体积配准(slice
‑
to
‑
volume registration，SVR)和超分辨率重建(super
‑
resolutionreconstruction，SRR)，但这种迭代的方法需要耗费大量的时间，并且以正确估 计较大幅度运动的参数，运动校正的失败率较高。
[0004]深度学习为图像配准和运动校正提供了新的解决思路。目前常应用卷积神经 网络(convolutional neural network，CNN)进行运动追踪，通过网络学习二维层 面到三维体积相似性等相关数据驱动函数来高效率地进行运动校正。但由于二维 层面的配准更类似基于图像检索的运动姿态估计而不是基于结构的方法，且配准 时缺少合适的三维参考体积，简单使用卷积神经网络进行配准的准确度不能满足 胎儿大脑磁共振图像运动校正的要求。另外，目前的研究通常仅将单个二维层面 集作为网络的输入，包含的信息量较少且边界层面的运动参数较难估计。而由于 磁共振图像采集时会采集不同方向的层面集，所以可以利用这一特点选择出一个 合适的参考，并整合各层面集的特征来进行更好的运动校正。

技术实现思路

[0005]针对传统的胎儿大脑磁共振图像后处理时间长且难以校正胎儿较大幅度运 动的缺点和现有的神经网络不能有效地得到各层运动参数的缺点，本专利技术提出了 一种基于特征关联融合的胎儿大脑磁共振运动校正方法及装置。
[0006]为了达到上述目的，本专利技术采用以下技术方案予以实现：
[0007]第一方面，本专利技术提供了一种基于特征关联融合的胎儿大脑磁共振运动校正 方法，用于迭代地校正磁共振图像中随机的层间运动，其包括以下步骤：
[0008]S1、获取包含不同磁共振图像样本的第一数据集，其中每一个磁共振图像样 本均包含沿胎儿大脑横断面、冠状面和矢状面方向分别采集得到的三个层面集； 对第一数据集
中每个磁共振图像样本进行预处理，各自获得超分辨率的各向同性的胎儿大脑体积，形成第二数据集；
[0009]S2、仿真获得胎儿大脑随机初始的运动参数，每组运动参数包含三个旋转参数和三个平移参数；根据仿真获得的运动参数对第二数据集中的胎儿大脑体积以三维刚性变换形式进行采样，每一组运动参数对一幅胎儿大脑体积进行采样后得到一个采集方向上受运动影响的层面集；由一系列受运动影响的层面集组成训练数据，且三个方向上受运动影响的层面集通过离散数据估计方法(scattereddataapproximation，SDA)得到的各向同性的参考体积，训练数据中的单个训练样本包含一个受运动影响的层面集以及该层面集对应的参考体积；
[0010]S3、利用所述训练数据对深度学习网络进行训练，得到运动参数估计模型；
[0011]所述深度学习网络的网络输入分为两部分，第一部分输入为单个层面集，第二部分输入为与第一部分中层面集对应的参考体积；所述深度学习网络中的运动参数估计流程如a)～c)：
[0012]a)、将第一部分输入中的每个层面图像分别通过二维卷积神经网络提取得到各自对应的二维特征图，二维特征图分别通过双向循环神经网络提取得到各层面二维特征图间的序列关系；将第二部分输入中的参考体积通过三维卷积神经网络提取得到三维特征图；二维特征图和三维特征图通过亲和融合模块提取得到各层面与参考体积在结构上的相似关系，最后通过全连接层根据所述序列关系与所述相似关系估计得到每个层面对应的运动参数；
[0013]b)、基于a)中估计得到的每个层面对应的运动参数，对第一部分中三个层面集分别进行校正，通过离散数据估计方法将三个层面集重建为各向同性的参考体积；
[0014]c)、迭代执行a)和b)若干次，且每一次迭代前以最新的参考体积更新所述第二部分输入，全部迭代完毕后将最新的每个层面对应的运动参数作为网络输出；
[0015]S4、在实际应用时，获取针对目标对象采集得到的层面集，并通过离散数据估计方法得到各向同性的参考体积，将目标对象的层面集与参考体积一起作为所述运动参数估计模型的网络输入，估计得到层面集中各层面对应的运动参数，进而基于估计得到的运动参数对针对目标对象采集得到的层面集进行重建，得到目标对象的各向同性的体积。
[0016]基于该方案，各步骤还可以进一步提供以下优选的实现方式。需要注意的是，各优选方式中的技术特征在没有冲突的情况下均可进行相互组合。当然这些优选方式也可以通过其他能够实现相同技术效果的方式实现，不构成限制。
[0017]作为上述第一方面的优选，所述S1中，对每个磁共振图像样本进行预处理获得胎儿大脑体积的方法如下：
[0018]S11、对磁共振图像样本中的三个层面集，使用N4偏差校正进行层面的全局不均匀性校正；
[0019]S12、利用掩模提取S11处理后的每个层面中的胎儿大脑部分，并进行三维非局部均值去噪；
[0020]S13、将S12处理后的三个层面集分别进行归一化，再对其进行层间运动校正和超分辨率重建，获得满足目标分辨率的各向同性体积；
[0021]S14、将S13重建得到的各向同性体积根据对应胎儿的孕周刚性配准到胎儿大脑
时空图谱上，并保证配准后的体积中心对齐，再通过在体积周围区域填充0 的方法将所有数据的体积大小设置为一致，最终得到各向同性的胎儿大脑体积。
[0022]作为上述第一方面的优选，所述S2的实现方法如下：
[0023]S21、在所述运动参数的预设均匀分布内随机选择一组运动参数作为第1个 控制点，然后以迭代的方式，依次从所述运动参数变化量的预设均匀分布内随机 选择一组运动参数变化量并将其叠加至第前一个控制点的运动参数上，从而一组 新的运动参数作为下一个控制点，最终形成多个控制点组成的集合；对集合中的 多个控制点进行平滑拟合得到运动曲线，并加入一个随机偏移量以改变运动曲线 的均值，再对偏移后的运动曲线按照所述层面集中的层面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征关联融合的胎儿大脑磁共振运动校正方法，用于迭代地校正磁共振图像中随机的层间运动，其特征在于，包括以下步骤：S1、获取包含不同磁共振图像样本的第一数据集，其中每一个磁共振图像样本均包含沿胎儿大脑横断面、冠状面和矢状面方向分别采集得到的三个层面集；对第一数据集中每个磁共振图像样本进行预处理，各自获得超分辨率的各向同性的胎儿大脑体积，形成第二数据集；S2、仿真获得胎儿大脑随机初始的运动参数，每组运动参数包含三个旋转参数和三个平移参数；根据仿真获得的运动参数对第二数据集中的胎儿大脑体积以三维刚性变换形式进行采样，每一组运动参数对一幅胎儿大脑体积进行采样后得到一个采集方向上受运动影响的层面集；由一系列受运动影响的层面集组成训练数据，且三个方向上受运动影响的层面集通过离散数据估计方法得到的各向同性的参考体积，训练数据中的单个训练样本包含一个受运动影响的层面集以及该层面集对应的参考体积；S3、利用所述训练数据对深度学习网络进行训练，得到运动参数估计模型；所述深度学习网络的网络输入分为两部分，第一部分输入为单个层面集，第二部分输入为与第一部分中层面集对应的参考体积；所述深度学习网络中的运动参数估计流程如a)～c)：a)、将第一部分输入中的每个层面图像分别通过二维卷积神经网络提取得到各自对应的二维特征图，二维特征图分别通过双向循环神经网络提取得到各层面二维特征图间的序列关系；将第二部分输入中的参考体积通过三维卷积神经网络提取得到三维特征图；二维特征图和三维特征图通过亲和融合模块提取得到各层面与参考体积在结构上的相似关系，最后通过全连接层根据所述序列关系与所述相似关系估计得到每个层面对应的运动参数；b)、基于a)中估计得到的每个层面对应的运动参数，对第一部分中三个层面集分别进行校正，通过离散数据估计方法将三个层面集重建为各向同性的参考体积；c)、迭代执行a)和b)若干次，且每一次迭代前以最新的参考体积更新所述第二部分输入，全部迭代完毕后将最新的每个层面对应的运动参数作为网络输出；S4、在实际应用时，获取针对目标对象采集得到的层面集，并通过离散数据估计方法得到各向同性的参考体积，将目标对象的层面集与参考体积一起作为所述运动参数估计模型的网络输入，估计得到层面集中各层面对应的运动参数，进而基于估计得到的运动参数对针对目标对象采集得到的层面集进行重建，得到目标对象的各向同性的体积。2.根据权利要求1所述的基于特征关联融合的胎儿大脑磁共振运动校正方法，其特征在于，所述S1中，对每个磁共振图像样本进行预处理获得胎儿大脑体积的方法如下：S11、对磁共振图像样本中的三个层面集，使用N4偏差校正进行层面的全局不均匀性校正；S12、利用掩模提取S11处理后的每个层面中的胎儿大脑部分，并进行三维非局部均值去噪；S13、将S12处理后的三个层面集分别进行归一化，再对其进行层间运动校正和超分辨率重建，获得满足目标分辨率的各向同性体积；S14、将S13重建得到的各向同性体积根据对应胎儿的孕周刚性配准到胎儿大脑时空图谱上，并保证配准后的体积中心对齐，再通过在体积周围区域填充0的方法将所有数据的体
积大小设置为一致，最终得到各向同性的胎儿大脑体积。3.根据权利要求1所述的基于特征关联融合的胎儿大脑磁共振运动校正方法，其特征在于，所述S2的实现方法如下：S21、在所述运动参数的预设均匀分布内随机选择一组运动参数作为第1个控制点，然后以迭代的方式，依次从所述运动参数变化量的预设均匀分布内随机选择一组运动参数变化量并将其叠加至第前一个控制点的运动参数上，从而一组新的运动参数作为下一个控制点，最终形成多个控制点组成的集合；对集合中的多个控制点进行平滑拟合得到运动曲线，并加入一个随机偏移量以改变运动曲线的均值，再对偏移后的运动曲线按照所述层面集中的层面数量进行均匀采样，得到每一个层面对应的运动参数；一个层面对应的运动参数包括三个旋转参数θ＝(θ
x
,θ
y
,θ
z
)
T
和三个平移参数d＝(d
x
,d
y
,d
z
)
T
；S22、针对第二数据集中的一个胎儿大脑体积，利用S21中生成的各层面对应的运动参数...

【专利技术属性】
技术研发人员：吴丹，许浩安，施文，
申请(专利权)人：浙江大学，
类型：发明
国别省市：