【技术实现步骤摘要】
本专利技术涉及cest mri成像，尤其涉及一种cest-mri超分辨率重建方法、电子设备。
技术介绍
1、在临床中，cest-mri(chemical exchange saturation transfer magneticresonance imaging，化学交换饱和转移磁共振成像)是一种新型分子成像方法，能实现对生物体内特定分子的无创、非电离的活体成像。cest-mri通过施加特定饱和脉冲序列(要检测的目标分子中氢原子的共振频率)，使目标分子中的氢原子被饱和。被饱和的氢原子与水分子中的氢原子不断地快速交换，这个过程使水信号下降，从而达到通过观测水信号来检测少量目标分子的目的。
2、由于cest-mri需要一段固定的饱和过程，并且需要持续扫描多个不同的频率点，这就造成cest-mri扫描时间整体较长。由于扫描时间在临床实践中是一个非常敏感的因素，因此cest-mri常会采集到较低分辨率的图像或者常需要降低扫描的特征频率点数，这都对于后续的cest-mri定量分析(基于频率维度f-dim中的z-谱进行定量分析)造成影响。
3、近年来，随着dl((deep learning，深度学习)方法的快速发展，大量基于图像的超分辨率重建方法在传统mri超分辨率重建领域取得了良好的表现，但并未应用到cest-mri的超分辨率重建中。经研究发现，上述用于传统mri超分辨率重建的技术，并不适用于cest-mri的超分辨率重建任务，原因是：没有针对cest-mri特殊数据结构(即未考虑频率维度和结构空间之间的差异)的设
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种基于跨空间相互学习的cest-mri超分辨率重建方法，以降低误差。
2、本专利技术的第二个目的在于提出一种电子设备。
3、为达到上述目的，本专利技术第一方面实施例提出了一种基于跨空间相互学习的cest-mri超分辨率重建方法，所述方法包括：获取待处理cest-mri图像和预置cest-mri图像，其中，所述预置cest-mri图像为包含部分z谱频率点的高分辨率cest-mri图像，所述待处理cest-mri图像为包含全z谱信息的低分辨率cest-mri图像；将所述待处理cest-mri图像和所述预置cest-mri图像输入至预先训练好的cest-mri超分辨率重建模型，得到包含全z谱信息的高分辨率cest-mri图像；其中，所述cest-mri超分辨率重建模型包括上采样模块、k个依次连接的迭代模块和重建模块，所述上采样模块用于对所述预置cest-mri图像进行上采样，第1个所述迭代模块与所述上采样模块连接，所述重建模块与第k个所述迭代模块连接，用于对第k个所述迭代模块的输出结果进行重建，得到包含全z谱信息的高分辨率cest-mri图像；每个所述迭代模块包括结构空间重建分支、频率空间重建分支、相互学习网络和融合网络，第k个所述迭代模块的结构空间重建分支用于根据z(k)和待处理cest-mri图像进行结构空间信息的重建，第k个所述迭代模块的频率空间重建分支用于根据z(k)和所述预置cest-mri图像进行频率信息的重建；所述相互学习网络分别与所述结构空间重建分支和所述频率空间重建分支连接，用于实现所述结构空间重建分支和所述频率空间重建分支的相互学习；所述融合网络分别与所述结构空间重建分支和所述频率空间重建分支连接，用于对所述结构空间重建分支和所述频率空间重建分支的重建结果进行融合处理，其中，k＝1时，z(k)表示所述上采样模块输出的上采样结果，k＞1时，z(k)表示第k-1个迭代模块输出的融合处理结果，所述待处理cest-mri图像为包含全z谱信息的低分辨率cest-mri图像。
4、为达到上述目的，本专利技术第二方面实施例提出了一种电子设备，包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被所述处理器执行时，实现上述的基于跨空间相互学习的cest-mri超分辨率重建方法。
5、根据本专利技术实施例的cest-mri超分辨率重建方法、电子设备，获取待处理cest-mri图像和预置cest-mri图像，其中，预置cest-mri图像为包含部分z谱频率点的高分辨率cest-mri图像，待处理cest-mri图像为包含全z谱信息的低分辨率cest-mri图像；将待处理cest-mri图像和预置cest-mri图像输入至预先训练好的cest-mri超分辨率重建模型，得到包含全z谱信息的高分辨率cest-mri图像；其中，cest-mri超分辨率重建模型包括上采样模块、k个依次连接的迭代模块和重建模块，上采样模块，用于对预置cest-mri图像进行上采样；k个依次连接的迭代模块，第1个迭代模块与上采样模块连接，每个迭代模块包括结构空间重建分支、频率空间重建分支、相互学习网络和融合网络，第k个迭代模块的结构空间重建分支用于根据z(k)和待处理cest-mri图像进行结构空间信息的重建，第k个迭代模块的频率空间重建分支用于根据z(k)和预置cest-mri图像进行频率信息的重建；相互学习网络分别与结构空间重建分支和频率空间重建分支连接，用于实现结构空间重建分支和频率空间重建分支的相互学习；融合网络分别与结构空间重建分支和频率空间重建分支连接，用于对结构空间重建分支和频率空间重建分支的重建结果进行融合处理，其中，k＝1时，z(k)表示上采样模块输出的上采样结果，k＞1时，z(j)表示第k-1个迭代模块输出的融合处理结果，待处理cest-mri图像为包含全z谱信息的低分辨率cest-mri图像；重建模块，与第k个迭代模块连接，用于对第k个迭代模块的输出结果进行重建，得到包含全z谱信息的高分辨率cest-mri图像。由此，设置重建模型包括上采样模块、k个依次连接的迭代模块和重建模块，在迭代模块中设置相互学习网络，充分考虑频率维度和结构空间之间的差异和相关性，从而实现降低误差。
6、本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，针对第k个所述迭代模块，所述结构空间重建分支包括：
3.根据权利要求2所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，所述空间-频率串行互提取网络包括：
4.根据权利要求3所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，每个所述第一渐进融合残差模块包括：第一渐进融合残差子模块、第二渐进融合残差子模块、第一卷积层、第二卷积层和第三卷积层；
5.根据权利要求3所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，针对第k个所述迭代模块，所述频率空间重建分支包括：
6.根据权利要求5所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，所述空间-频率并行互提取网络包括：两个第二渐进融合残差模块，以及依次连接的非局部模块和频率维度上采样子网；
7.根据权利要
8.根据权利要求7所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，CT包括级联的6个卷积层与反卷积层，R包括2D卷积层，所述重建模块、所述融合网络、所述第一重建子网、所述第二重建子网和所述第三重建子网均采用级联有3D卷积层的U-net网络。
9.根据权利要求7所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法，其特征在于，所述使用1范数损失函数求出差异并加入最终的损失函数之前，还通过下式对所述1范数损失函数进行标准化处理：
10.一种电子设备，包括存储器、处理器和存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如权利要求1-9中任一项所述的基于跨空间相互学习的CEST-MRI超分辨率重建方法。
...【技术特征摘要】
1.一种基于跨空间相互学习的cest-mri超分辨率重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于跨空间相互学习的cest-mri超分辨率重建方法，其特征在于，针对第k个所述迭代模块，所述结构空间重建分支包括：
3.根据权利要求2所述的基于跨空间相互学习的cest-mri超分辨率重建方法，其特征在于，所述空间-频率串行互提取网络包括：
4.根据权利要求3所述的基于跨空间相互学习的cest-mri超分辨率重建方法，其特征在于，每个所述第一渐进融合残差模块包括：第一渐进融合残差子模块、第二渐进融合残差子模块、第一卷积层、第二卷积层和第三卷积层；
5.根据权利要求3所述的基于跨空间相互学习的cest-mri超分辨率重建方法，其特征在于，针对第k个所述迭代模块，所述频率空间重建分支包括：
6.根据权利要求5所述的基于跨空间相互学习的cest-mri超分辨率重建方法，其特征在于，所述空间-频率并行互提取网络包括：两个第二渐进融合残差模块，以及依次连接的非局部模块和频率维度上采样子网；
7.根据权利要求...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。