一种基于深度无监督学习的去伪影方法和系统技术方案

本发明专利技术公开了一种基于深度无监督学习的去伪影方法和系统，构建基于深度无监督学习的去伪影网络模型；利用多份全采样

【技术实现步骤摘要】
一种基于深度无监督学习的去伪影方法和系统


[0001]本专利技术属于医用磁共振成像和深度学习
，具体涉及一种基于深度无监督学习的去伪影方法和系统
。

技术介绍

[0002]钆塞酸二钠是一种常见的肝脏特异性磁共振造影剂，被广泛用于肝脏移植任务
、
肝癌和其他疾病的诊断
。
但是，尽管其在
MR
成像中具有优势，但仍有患者在注射后会在动脉期出现急性瞬时呼吸困难或瞬时剧烈运动的现象，这会导致图像出现运动伪影，质量下降，影响诊断准确性
。
因此需要合适的运动伪影校正算法来去除伪影，得到清晰的图像
。
[0003]目前有多种传统方法被用来去除运动伪影
。
一类是对采集到的
K
空间数据进行修改，从而重建出无伪影的图像
。
如通过交换相位编码的方向采集得到正交的
K
空间数据，根据两者的相位差来校正运动伪影
。
该算法可以明显减少运动伪影；另一类是直接对重建之后的带有运动伪影的图像进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度无监督学习的去伪影方法，其特征在于，包括如下步骤：
S1、
构建基于深度无监督学习的去伪影网络模型；所述去伪影网络模型包括
MNet
网络和无伪影图像生成器；所述
MNet
网络用于对全采样
MRI
图像进行下采样
、
上采样和卷积操作，得到第一参数化掩码
M
mnet
；所述第一参数化掩码
M
mnet
用于对全采样
MRI
图像中的全采样
MRI
有伪影图像或全采样
MRI
无伪影图像进行欠采样操作，得到欠采样
MRI
有伪影图像或欠采样
MRI
无伪影图像；所述无伪影图像生成器用于对欠采样
MRI
有伪影图像或欠采样
MRI
无伪影图像进行去伪影操作，得到去除了伪影的全采样
MRI
无伪影图像；
S2、
利用多份全采样
MRI
图像中的全采样
MRI
有伪影图像和或全采样
MRI
无伪影图像对所述去伪影网络模型进行训练，得到训练完成的去伪影网络模型；所述去伪影网络模型用于去除全采样
MRI
图像中的伪影，得到去除了伪影的全采样
MRI
无伪影图像
。2.
如权利要求1所述的基于深度无监督学习的去伪影方法，其特征在于，所述无伪影图像生成器包括第一内容编码器
E
F
和无伪影图像解码器
G
F
；所述第一内容编码器
E
F
用于将输入的欠采样
MRI
有伪影图像或欠采样
MRI
无伪影图像的内容部分进行编码得到内容编码；所述无伪影图像解码器
G
F
用于对输入的内容编码进行解码，得到全采样
MRI
无伪影图像；所述欠采样
MRI
有伪影图像或欠采样
MRI
无伪影图像的内容部分即图像中不包括伪影部分的其它部分
。3.
如权利要求2所述的基于深度无监督学习的去伪影方法，其特征在于，所述第一内容编码器
E
F
对输入的1×
128
×
128
的图像，经过多次卷积操作变为
256
×
32
×
32
的图像；将所述
256
×
32
×
32
的图像依次输入多个残差结构进行卷积操作后输出
256
×
32
×
32
的内容编码
Z
F
。4.
如权利要求1所述的基于深度无监督学习的去伪影方法，其特征在于，所述去伪影网络模型还包括无伪影图像鉴别器
D
y
，用于鉴别所输入的图像是无伪影图像生成器输出的全采样
MRI
无伪影图像还是真实的全采样
MRI
无伪影图像，其作用是提高无伪影图像生成器的输出精度，使无伪影图像生成器输出更趋向于真实图像的图像
。5.
如权利要求4所述的基于深度无监督学习的去伪影方法，其特征在于，所述去伪影网络模型还包括伪影图像生成器，用于对欠采样
MRI
有伪影图像或欠采样
MRI
无伪影图像的伪影部分和内容部分进行分离与合并，得到全采样
MRI
有伪影图像
。6.
如权利要求5所述的基于深度无监督学习的去伪影方法，其特征在于，所述伪影图像生成器包括第二内容编码器
E
c
，伪影编码器
E
a
和伪影图像解码器
G
c
；第二内容编码器
E
c
对输入的1×
128
×
128
的欠采样
...

【专利技术属性】
技术研发人员：刘可文，饶兴龙，鲍庆嘉，谢寒，刘朝阳，熊红霞，傅作铭，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：