一种基于深度学习的磁敏感伪影校正方法和装置制造方法及图纸

本申请涉及医学图像校正技术领域，具体涉及一种基于深度学习的磁敏感伪影校正方法、装置、计算设备及存储介质。基于深度学习的磁敏感伪影校正方法，包括：获取回波平面成像集和结构成像；对上述多模态成像集进行解算，得到非均匀场；通过所述非均匀场对所述回波平面成像集进行校正与平均，得到校正图像集。本申请提供的基于深度学习的磁敏感伪影校正方案，能够快速训练伪影校正神经网络模型，并去除EPI图像中的伪影中存在信号强度和几何伪影。图像中的伪影中存在信号强度和几何伪影。图像中的伪影中存在信号强度和几何伪影。

【技术实现步骤摘要】
一种基于深度学习的磁敏感伪影校正方法和装置


[0001]本专利技术涉及医学图像校正，具体涉及一种基于深度学习的磁敏感伪影校正方法、装置、计算设备及存储介质。

技术介绍

[0002]回波平面成像(echo planar imaging,EPI)技术，由于其具有高速度、高通量的采集特征，是目前磁共振成像(magnetic resonance imaging,MRI)如弥散加权成像(diffusion
‑
weighted imaging,DWI)和功能磁共振成像(functional MRI,fMRI)的理想的成像序列。然而，EPI技术对由于脑组织(如骨、脑脊液)的磁化率不同产生的局部非均匀场很敏感，成像均会伴随几何畸变(区域拉伸压缩)和强度畸变(信号扩散叠加)。这两种畸变，被统称为磁敏感性伪影(Susceptibility Artifacts,SAs)，对人脑结构功能的活体定位、定量测量和统计分析，带来了巨大挑战。

技术实现思路

[0003]鉴于现有技术的以上问题，本申请提供一种基于深度学习技术的磁敏感伪影校正方法、装置、计算设备及存储介质，其能够有效校正EPI图像中的磁敏感伪影。
[0004]为达到上述目的，本申请第一方面提供了一种基于深度学习的磁敏感伪影校正方法，包括：
[0005]构建伪影校正模型和优化损失函数；
[0006]获取预处理后的MRI数据，并构建伪影校正模型的训练数据集；
[0007]根据优化损失函数和训练数据集，对伪影校正模型的参数进行训练更新；
[0008]将MRI数据输入训练更新完成的伪影校正模型中并进行解算，得到非均匀场；
[0009]通过可微分EPI形变模块网络利用非均匀场对MRI数据进行校正，得到校正图像集；
[0010]计算校正图像集的平均图像，得到最终校正图像。
[0011]作为第一方面的一种可能的实现方式，还包括：
[0012]利用多尺度训练协议在多个尺度上训练多个所述伪影校正模型，每个尺度的所述伪影校正模型用于估计当前尺度上的残差非均匀场；
[0013]利用多尺度推理协议将所述MRI数据输入到目标尺度的所述伪影校正模型中得到当前残差非均匀场，并且将当前残差非均匀场与上一个尺度输出的的残差非均匀场相加得到当前尺度水平的非均匀场。
[0014]作为第一方面的一种可能的实现方式，所述优化损失函数包括：
[0015]微分同胚正则化函数和神经解剖学先验约束函数。
[0016]作为第一方面的一种可能的实现方式，基于卷积神经网络构建所述伪影校正模型。
[0017]本申请第二方面还提供了一种磁敏感伪影校正的装置，包括：
[0018]神经网络构建模块，用于构建伪影校正模型和优化损失函数；
[0019]MRI数据获取模块，用于获取预处理后的MRI数据，并构建伪影校正模型的训练数据集；
[0020]神经网络训练模块，用于根据优化损失函数和训练数据集，对伪影校正模型的参数进行训练更新；
[0021]非均匀场计算模块，用于将MRI数据输入训练更新完成的伪影校正模型中并进行解算，得到非均匀场；
[0022]图像校正模块，用于通过可微分EPI形变模块网络利用非均匀场对MRI数据进行校正，得到校正图像集；
[0023]图像校正模块，还用于计算校正图像集的平均图像，得到最终校正图像。
[0024]作为第二方面的一种可能的实现方式，非均匀场计算模块还包括：
[0025]多尺度训练和推理协议单元，用于利用多尺度训练协议在多个尺度上训练多个伪影校正模型，每个尺度的伪影校正模型用于估计当前尺度上的残差非均匀场；
[0026]利用多尺度推理协议将MRI数据输入到目标尺度的伪影校正模型中得到当前残差非均匀场，并且将当前残差非均匀场与上一个尺度输出的的残差非均匀场相加得到当前尺度水平的非均匀场。
[0027]本申请第三方面还提供一种计算设备，包括：
[0028]处理器，以及
[0029]存储器，其上存储有程序指令，所述程序指令当被所述处理器执行时使得所述处理器执行如上所述的基于深度学习的磁敏感伪影校正方法。
[0030]本申请第四方面还提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令当被计算机执行时使得所述计算机执行如上所述的基于深度学习的磁敏感伪影校正方法。
[0031]本专利技术的这些和其它方面在以下(多个)实施方式的描述中会更加简明易懂。
[0032]综上，本申请提出的基于深度学习的磁敏感伪影校正方案，设计了可微分EPI形变模块网络(用于去除几何伪影和信号伪影)，并设计了两个优化损失函数(微分同胚保持函数和神经解剖学先验函数)用于约束所计算的非均匀场的求解空间，并且设计了多尺度的训练和推理协议用于对伪影校正模型进行训练和推理，并最终推广到儿童脑影像发育数据中。本申请提出的伪影校正方法显著去除了回波平面成像中出现的磁敏感性伪影。
附图说明
[0033]以下参照附图来进一步说明本专利技术的各个特征和各个特征之间的联系。附图均为示例性的，一些特征并不以实际比例示出，并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征，或是额外示出了对于本申请非必要的特征，附图所示的各个特征的组合并不用以限制本申请。另外，在本说明书全文中，相同的附图标记所指代的内容也是相同的。具体的附图说明如下：
[0034]图1是本申请实施方式提供的基于深度学习的磁敏感伪影校正方法的流程；
[0035]图2是本申请实施方式提供的基于深度学习的磁敏感伪影校正模型的训练优化框架示意图；
[0036]图3是本申请实施方式提供的多尺度训练和推理协议示意图；
[0037]图4是本申请实施方式提供的可微分EPI形变模块网络示意图；
[0038]图5是本申请实施方式提供的基于深度学习的磁敏感伪影校正模型的基础神经网络架构示意图；
[0039]图6A是本申请实施方式提供的带有恒等残差连接的标准残差模块的架构示意图；
[0040]图6B是本申请实施方式提供的下采样残差模块的架构示意图；
[0041]图7A和图7B是本申请实施方式提供的使用基于深度学习的磁敏感伪影校正模型校正EPI伪影后的校正图像示例图；
[0042]图8是本申请实施方式提供的基于深度学习的磁敏感伪影校正装置的结构示意图；
[0043]图9是本申请实施方式提供的一种计算设备的结构性示意性图。
具体实施方式
[0044]下面结合附图并举实施方式，对本申请提供的技术方案作进一步说明。应理解，本申请实施方式中提供的系统结构和业务场景主要是为了说明本申请的技术方案的可能的实施方式，不应被解读为对本申请的技术方案的唯一限定。本领域普通技术人员可知，随着系统结构的演进和新业务场景的出现，本申请提供的技术方案对类似技术问题同样适用。
[0045]应理解，本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磁敏感伪影校正方法，其特征在于，包括：构建伪影校正模型和优化损失函数；获取预处理后的MRI数据，并构建所述伪影校正模型的训练数据集；根据所述优化损失函数和所述训练数据集，对所述伪影校正模型的参数进行训练更新；将所述MRI数据输入训练更新完成的所述伪影校正模型中并进行解算，得到非均匀场；通过可微分EPI形变模块网络利用所述非均匀场对所述MRI数据进行校正，得到校正图像集；计算所述校正图像集的平均图像，得到最终校正图像。2.根据权利要求1所述的方法，其特征在于，还包括：利用多尺度训练协议在多个尺度上训练多个所述伪影校正模型，每个尺度的所述伪影校正模型用于估计当前尺度上的残差非均匀场；利用多尺度推理协议将所述MRI数据输入到目标尺度的所述伪影校正模型中得到当前残差非均匀场，并且将当前残差非均匀场与上一个尺度输出的残差非均匀场相加得到当前尺度水平的非均匀场。3.根据权利要求1所述的方法，其特征在于，所述优化损失函数包括：微分同胚正则化函数和神经解剖学先验约束函数。4.根据权利要求1所述的方法，其特征在于，包括：基于卷积神经网络构建所述伪影校正模型。5.一种基于深度学习的磁敏感伪影校正装置，其特征在于，包括：神经网络构建模块，用于构建伪影校正模型和优化损失函数；MRI数据获取模块，用于获取预处理后的MRI数据，并构建所述伪影校正模...

【专利技术属性】
技术研发人员：曾梓龙，赵腾达，张嘉颖，张逸鹤，孙良龙，贺永，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：