降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法技术

本发明专利技术公开了降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，包括如下步骤：建立的MDNet去噪模型包括图像域子模型和小波域子模型，训练集经两个子模型分别处理后的去噪数据连接后传入采样优化的非局部注意力模块，得到最终去噪后的脑部MR图像数据；设定MDNet去噪模型的损失函数MSE，以损失函数MSE的loss值收敛到低于预设值为MDNet去噪模型训练停止的判断标准，保存MDNet去噪模型的参数。本发明专利技术在图像域基础上，加入小波域对上述网络进行训练，使小波域子模型能够关注到图像的结构级相似性，而去噪结果经过采样优化的非局部注意力模块进一步提升，大大降低MR图像的噪声污染。污染。污染。

【技术实现步骤摘要】
降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法


[0001]本专利技术属于核磁共振医学影像处理领域，涉及人工智能、卷积神经网络、图像去噪等方法，以及深度学习在脑部核磁共振影像上去除莱斯噪声的应用技术，具体涉及一种降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法。

技术介绍

[0002]磁共振成像(Magnetic Resonance Imaging，MRI)是一种医学影像放射学中用生成解剖和生理图像的成像技术。具有许多优点：1.无电离辐射，安全无创；2.相比于CT、超声、X
‑
Ray等其他成像技术，对脑部及软组织图像分辨率较高；3，多方位成像，直观呈现解剖结构和病变空间相互位置关系。一般来说，MRI中的噪声主要是由于扫描系统的器件，周遭环境，扫描对象等因素造成，且由于初始的采样信号携带的高斯噪声经由K空间数据变换后，在所得图像中噪声演变为复杂的莱斯分布。被噪声污染严重的脑部MR图像数据甚至会对后续看片医生的分析诊断带来不利影响，因此，针对于MR图像中的莱斯噪声降低处理十分重要。
[0003]目前，流行的去噪方法是对于MRI成像后期处理的模式。传统的去噪方法是基于图像空间域、频域以及统计方法三类的，利用神经网络方案的深度学习方法相对较少，对实际中的去噪应用并不广泛，同时因为医学数据的敏感性和稀少性，利用有限样本开展深度学习的MRI有关降噪研究是存在挑战的。

技术实现思路

[0004]本专利技术的目的是针对现有技术的不足，提供一种降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，旨在解决MR图像中受噪声污染像素的处理问题，尤其是降低脑部核磁共振影像中莱斯噪声的影响。
[0005]本专利技术降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，包含以下步骤：
[0006]步骤1、获取不同噪声水平的脑部MR图像数据，并对脑部MR图像数据进行横断方向切片处理。
[0007]步骤2、对切片处理后的数据进行去冗余处理，筛除无效切片后，划分数据集为训练集、验证集和测试集。
[0008]步骤3、建立MDNet去噪模型，包括图像域子模型和小波域子模型。
[0009]步骤4、将训练集中莱斯噪声水平为3％、5％、7％以及9％的脑部MR图像数据均输入MDNet去噪模型的图像域子模型，将得到的输出值作为图像域子模型的去噪数据。
[0010]步骤5、将训练集中莱斯噪声水平为3％、5％、7％以及9％的脑部MR图像数据均输入MDNet去噪模型的小波域子模型，将得到的输出值作为小波域子模型的去噪数据。
[0011]步骤6、将步骤4得到的去噪数据与步骤5得到的去噪数据连接作为初步去噪数据，并传入采样优化的非局部注意力模块，得到最终去噪后的脑部MR图像数据。
[0012]步骤7、设定MDNet去噪模型的损失函数MSE，用于衡量去噪后的脑部MR图像数据与训练集中莱斯噪声水平为0％的干净MR图像数据之间的误差。
[0013]步骤8、利用步骤2生成的训练集对MDNet去噪模型进行训练，同时利用验证集对训练过程进行评估，当损失函数MSE的loss值收敛到低于预设值时停止训练，保存MDNet去噪模型的参数。
[0014]优选地，执行步骤8后，将测试集输入训练好的MDNet去噪模型中，测试MDNet去噪模型性能。
[0015]优选地，所述步骤2中，训练集、验证集和测试集中均含有莱斯噪声水平为0％的干净MR图像数据，以及莱斯噪声水平为3％、5％、7％和9％的被噪声污染的脑部MR图像数据；且被噪声污染的脑部MR图像数据与干净MR图像数据中相同空间位置的切片进行配对处理，以便训练中计算损失。另外，去冗余处理为去除人体脖颈处以下的无效切片。
[0016]优选地，所述的图像域子模型包括特征修正单元和多尺度去噪模块，特征修正单元用于约束特征图谱的通道和尺寸参数，多尺度去噪模块用于捕获上下文信息和噪声分布特征。
[0017]所述的特征修正单元由1*1卷积层、批归一化层和参数修正线性单元激活函数组成。
[0018]所述多尺度去噪模块的输入经过初步3*3卷积层、批归一化层和参数修正线性单元激活函数后传入三支路结构，三支路结构组合了两路空洞卷积和一路5*5大参数卷积核的操作，其中两路空洞卷积的卷积核为3*3，其空洞率分别设置为2和3；各支路也分别经批归一化层和参数修正线性单元激活函数后在汇合层汇合，最后经过3*3卷积层、批归一化层和参数修正线性单元激活函数输出并加以残差连接以融合多种感受野下的噪声特征。
[0019]优选地，所述的小波域子模型由小波变换单元、特征修正单元、多尺度去噪模块和小波反变换单元组成。输入图像数据X经过小波变换单元的离散Haar小波变换得到小波域的四个分量数据，利用小波域的四个分量作为训练数据，相比单一图像域，其明显优势在于低频信息完善了全局拓扑性，高频信息增强了纹理信息的恢复力度。离散Haar小波变换得到小波域分量矩阵的计算公式如下：
[0020][0021]其中，Q是离散Haar小波变换的系数矩阵，Q
T
为Q的转置矩阵。离散Haar小波变换展开为：
[0022][0023]其中，A，H，V，D分别代表低频平滑输出分量，水平高频分量，垂直高频分量，对角高频分量，不同分量包含不同的细节和纹理信息。
[0024]经由离散Haar小波变换得到的小波域分量矩阵传入特征修正单元和多尺度去噪模块，最终传至小波反变换单元进行小波反变换得到去噪数据X
′
。
[0025]优选地，步骤6的计算公式如下：
[0026]F
out
＝N(Concat(F1，F2))
[0027]其中，N为采样优化的非局部注意力表达式，Concat为连接函数，F1为小波域子模型的去噪数据张量形式，F2为图像域子模型的去噪数据张量形式，F1和F2的尺寸相等，将F1与F2连接并转化格式为可视化，得到去噪后的脑部MR图像数据。
[0028]采样优化的非局部注意力模块中的非局部注意力表达式如下：
[0029]N＝softmax(W
Q
x
·
sm(W
K
x)
T
)sm(V(x))
[0030]V(x)＝W
V
x
[0031]其中，softmax为归一化指数函数，sm()为优化采样器的输出，W
Q
、W
K
和W
V
为输入的初步去噪数据x经过采样优化的非局部注意力模块中三个1*1卷积层线性变换后的三种独立特征图谱，V(x)表示输入的初步去噪数据x的特征提取信息。
[0032]优化采样器具体包含特征映射层、空间混合多层感知器、通道混合多层感知器和像素重组层；特征映射层将输入数据分割为块后转化为列表，然后依次经由一个空间混合多层感知器和一个通道混合多层感知器完成区域间信息的融合，再经像素重组层实现从通道向空间上的重组，以变换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，其特征在于：包含以下步骤：步骤1、获取不同噪声水平的脑部MR图像数据，并对脑部MR图像数据进行横断方向切片处理；步骤2、对切片处理后的数据进行去冗余处理，筛除无效切片后，划分数据集为训练集、验证集和测试集；步骤3、建立MDNet去噪模型，包括图像域子模型和小波域子模型；步骤4、将训练集中莱斯噪声水平为3％、5％、7％以及9％的脑部MR图像数据均输入MDNet去噪模型的图像域子模型，将得到的输出值作为图像域子模型的去噪数据；步骤5、将训练集中莱斯噪声水平为3％、5％、7％以及9％的脑部MR图像数据均输入MDNet去噪模型的小波域子模型，将得到的输出值作为小波域子模型的去噪数据；步骤6、将步骤4得到的去噪数据与步骤5得到的去噪数据连接作为初步去噪数据，并传入采样优化的非局部注意力模块，得到最终去噪后的脑部MR图像数据；步骤7、设定MDNet去噪模型的损失函数MSE，用于衡量去噪后的脑部MR图像数据与训练集中莱斯噪声水平为0％的干净MR图像数据之间的误差；步骤8、利用步骤2生成的训练集对MDNet去噪模型进行训练，同时利用验证集对训练过程进行评估，当损失函数MSE的loss值收敛到低于预设值时停止训练，保存MDNet去噪模型的参数。2.根据权利要求1所述降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，其特征在于：执行步骤8后，将测试集输入训练好的MDNet去噪模型中，测试MDNet去噪模型性能。3.根据权利要求1所述降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，其特征在于：所述步骤2中，训练集、验证集和测试集中均含有莱斯噪声水平为0％的干净MR图像数据，以及莱斯噪声水平为3％、5％、7％和9％的被噪声污染的脑部MR图像数据；被噪声污染的脑部MR图像数据与干净MR图像数据中相同空间位置的切片进行配对处理；去冗余处理为去除人体脖颈处以下的无效切片。4.根据权利要求1所述降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，其特征在于：所述的图像域子模型包括特征修正单元和多尺度去噪模块，特征修正单元用于约束特征图谱的通道和尺寸参数，多尺度去噪模块用于捕获上下文信息和噪声分布特征；所述的特征修正单元由1*1卷积层、批归一化层和参数修正线性单元激活函数组成；所述多尺度去噪模块的输入经过初步3*3卷积层、批归一化层和参数修正线性单元激活函数后传入三支路结构，三支路结构组合了两路空洞卷积和一路5*5大参数卷积核的操作，其中两路空洞卷积的卷积核为3*3，其空洞率分别设置为2和3；各支路也分别经批归一化层和参数修正线性单元激活函数后在汇合层汇合，最后经过3*3卷积层、批归一化层和参数修正线性单元激活函数输出并加以残差连接以融合多种感受野下的噪声特征。5.根据权利要求1所述降低脑部核磁共振影像莱斯噪声的多域优化模型构建方法，其特征在于：所述的小波域子模型由小波变换单元、特征修正单元、多尺度去噪模块和小波反变换单元组成；输入图像数据X经过小波变换单元的离散Haar小波变换得到小波域的四个分量数据，利用小波域的四个分量作为训练数据；离散Haar小波变换得到小波域分量矩阵
的计算公式如下：其中，Q是离散Haar小波变换的系数矩阵，Q
T
为Q的转置矩阵；离散Haar小波变换展开为：其中，A，H，V，D分别代表低频平滑输出分量，水平高频分量，垂...

【专利技术属性】
技术研发人员：李霞，路彤，张慧，李铁强，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：