System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及影像数据分析,特别是涉及一种磁共振脑影像超分辨率重建方法、装置、设备和存储介质。
技术介绍
1、随着医疗影像学的迅速发展,磁共振成像(magnetic resonance imaging,mri)方式作为临床诊断中的辅助手段,能够从大脑形态、结构和功能等方面对其进行可视化,提供更加丰富的病理信息,在临床诊疗中极其重要。高分辨率的mri影像可以提供更清晰的病灶图像和关键的细节解剖信息,有助于确定病灶位置。
2、然而,在mri成像过程中,获取高分辨率的图像需要更长的扫描时间和更高的信噪比,但患者难以长时间保持静止不动。因此,受到硬件配置和扫描时间等多种因素的限制,实际扫描获得的脑影像极有可能是低分辨率的厚层图像,直接使用会极大限制对大脑局部结构的定量评估,无法获取到一些相关性较强的微小结构变化。
3、超分辨率重建是一种利用单幅或多幅低分辨率图像重建出高分辨率图像的技术。传统的超分辨率重建方法,如双三次插值、压缩感知和稀疏表示都属于非学习方法,由于无法建立高分辨率和低分辨率图像之间复杂的非线性映射,难以恢复图像的纹理等高频细节。近年来,随着深度学习技术的飞速发展,基于学习的超分辨率重建算法取得了较好的效果。但是基于卷积神经网络的超分辨率重建算法以提高峰值信噪比为训练目标,导致超分辨率重建结果过于平滑,丢失高频结构细节,重建精度较低。而生成式模型通过学习训练数据的分布,能够生成与训练数据相似的图像,在医学图像去噪、合成和转译等众多工作中显现出巨大潜力。然而生成式模型也存在局限性,例如生成对抗网络可以生成
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够补充脑组织微小结构和细节纹理信息、实现超分辨率脑影像重建的磁共振脑影像超分辨率重建方法、装置、设备和存储介质。
2、第一方面,本申请提供了一种磁共振脑影像超分辨率重建方法。所述方法包括:
3、基于多模态脑影像训练集中各模态脑影像数据的双向重建损失和对抗损失,训练得到各个模态脑影像的解耦自编码器;
4、分别将目标模态脑影像和辅助模态脑影像输入到对应模态的解耦自编码器中,提取所述目标模态脑影像的目标编码信息以及所述辅助模态脑影像的辅助编码信息;
5、基于所述目标编码信息和所述辅助编码信息进行正反向噪声处理,生成所述目标模态脑影像的更新目标编码信息;
6、将所述更新目标编码信息输入所述目标模态脑影像所对应的解耦自编码器中,输出得到目标模态超分辨率脑影像。
7、在其中一个实施例中,所述解耦自编码器可用于获取脑影像的脑结构信息和/或影像对比度信息;所述分别将目标模态脑影像和辅助模态脑影像输入到对应模态的解耦自编码器中,提取所述目标模态脑影像的目标编码信息以及所述辅助模态脑影像的辅助编码信息包括:
8、将所述目标模态脑影像输入对应模态的解耦自编码器中,提取所述目标模态脑影像的原始目标脑结构信息和原始目标影像对比度信息;
9、将所述辅助模态脑影像输入对应模态的解耦自编码器中,提取所述辅助模态脑影像的原始辅助脑结构信息。
10、在其中一个实施例中,所述更新目标编码信息包括更新目标脑结构信息,所述基于所述目标编码信息和所述辅助编码信息进行正反向噪声处理,生成所述目标模态脑影像的更新目标编码信息包括:
11、对所述目标模态脑影像的原始目标脑结构信息根据时间步进行正向加噪,直至所述原始目标脑结构信息服从各向同性高斯分布噪声;
12、获取所述原始目标脑结构信息在每个时间步的加噪目标脑结构信息,将所述原始辅助脑结构信息作为先验约束条件,对每个时间步的所述加噪目标脑结构信息进行反向去噪,推理得到正向加噪在每个时间步迭代添加的预测噪声;
13、基于所述预测噪声,对每个时间步的所述加噪目标脑结构信息进行采样,生成所述目标模态脑影像的更新目标脑结构信息。
14、在其中一个实施例中,所述更新目标编码信息还包括原始目标影像对比度信息,所述解耦自编码器还可以用于根据所述脑结构信息和所述影像对比度信息生成更新脑影像;所述将所述更新目标编码信息输入所述目标模态脑影像所对应的解耦自编码器中,输出得到目标模态超分辨率脑影像包括:
15、将所述更新目标脑结构信息以及所述原始目标影像对比度信息输入所述目标模态脑影像所对应的解耦自编码器中,输出得到目标模态超分辨率脑影像。
16、在其中一个实施例中,所述双向重建损失包括图像重建损失和隐式重建损失,所述基于多模态脑影像训练集中各模态脑影像数据的双向重建损失和对抗损失,训练得到各个模态脑影像的解耦自编码器包括:
17、将提取到的所述多模态脑影像训练集中第一模态脑影像的第一脑结构信息和第一影像对比度信息进行融合解码,生成第一模态更新脑影像;根据所述第一模态脑影像以及所述第一模态更新脑影像,获取所述第一模态脑影像的图像重建损失;
18、提取所述多模态脑影像训练集中第二模态脑影像的第二脑结构信息和第二影像对比度信息;将所述第一脑结构信息和所述第二影像对比度信息进行融合解码,生成交叉模态脑影像;
19、提取所述交叉模态脑影像的交叉脑结构信息和交叉影像对比度信息,分别与所述第一脑结构信息和第二影像对比度信息进行特征损失计算,得到所述第一模态脑影像的脑结构重建损失以及第二模态脑影像的对比度重建损失;所述隐式重建损失包括所述脑结构重建损失和所述对比度重建损失;
20、根据所述交叉模态脑影像的交叉脑结构信息和交叉影像对比度信息,生成第二模态更新脑影像;根据所述第二模态更新脑影像和所述第二模态脑影像,获取所述第二模态脑影像的对抗损失;
21、基于所述图像重建损失、所述脑结构重建损失、所述对比度重建损失以及所述对抗损失,训练得到所述第一模态脑影像的解耦自编码器以及所述第二模态脑影像的解耦自编码器。
22、在其中一个实施例中,所述基于所述目标编码信息和所述辅助编码信息进行正反向噪声处理,生成所述目标模态脑影像的更新目标编码信息还包括:
23、获取隐扩散模型,将所述目标编码信息和所述辅助编码信息输入所述隐扩散模型中,所述隐扩散模型对所述目标编码信息和所述辅助编码信息进行正反向噪声处理,输出所述目标编码信息中的原始目标脑结构信息在每个时间步的预测噪声;
24、基于所述预测噪声,对每个时间步的加噪目标脑结构信息进行采样,生成所述目标模态脑影像的更新目标编码信息。
25、在其中一个实施例中,所述获取隐扩散模型包括:
26、获取所述多模态脑影像训练集中第三模态本文档来自技高网...
【技术保护点】
1.一种磁共振脑影像超分辨率重建方法,其特征在于,所述方法包括:
2.根据权利要求1所述的磁共振脑影像超分辨率重建方法,其特征在于,所述解耦自编码器可用于获取脑影像的脑结构信息和/或影像对比度信息;所述分别将目标模态脑影像和辅助模态脑影像输入到对应模态的解耦自编码器中,提取所述目标模态脑影像的目标编码信息以及所述辅助模态脑影像的辅助编码信息包括:
3.根据权利要求2所述的磁共振脑影像超分辨率重建方法,其特征在于,所述更新目标编码信息包括更新目标脑结构信息,所述基于所述目标编码信息和所述辅助编码信息进行正反向噪声处理,生成所述目标模态脑影像的更新目标编码信息包括:
4.根据权利要求3所述的磁共振脑影像超分辨率重建方法,其特征在于,所述更新目标编码信息还包括原始目标影像对比度信息,所述解耦自编码器还用于根据所述脑结构信息和所述影像对比度信息生成更新脑影像;所述将所述更新目标编码信息输入所述目标模态脑影像所对应的解耦自编码器中,输出得到目标模态超分辨率脑影像包括:
5.根据权利要求1所述的磁共振脑影像超分辨率重建方法,其特征在于,所述双向
6.根据权利要求1所述的磁共振脑影像超分辨率重建方法,其特征在于,所述基于所述目标编码信息和所述辅助编码信息进行正反向噪声处理,生成所述目标模态脑影像的更新目标编码信息还包括:
7.根据权利要求6所述的磁共振脑影像超分辨率重建方法,其特征在于,所述获取隐扩散模型包括:
8.一种磁共振脑影像超分辨率重建装置,其特征在于,所述装置包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种磁共振脑影像超分辨率重建方法,其特征在于,所述方法包括:
2.根据权利要求1所述的磁共振脑影像超分辨率重建方法,其特征在于,所述解耦自编码器可用于获取脑影像的脑结构信息和/或影像对比度信息;所述分别将目标模态脑影像和辅助模态脑影像输入到对应模态的解耦自编码器中,提取所述目标模态脑影像的目标编码信息以及所述辅助模态脑影像的辅助编码信息包括:
3.根据权利要求2所述的磁共振脑影像超分辨率重建方法,其特征在于,所述更新目标编码信息包括更新目标脑结构信息,所述基于所述目标编码信息和所述辅助编码信息进行正反向噪声处理,生成所述目标模态脑影像的更新目标编码信息包括:
4.根据权利要求3所述的磁共振脑影像超分辨率重建方法,其特征在于,所述更新目标编码信息还包括原始目标影像对比度信息,所述解耦自编码器还用于根据所述脑结构信息和所述影像对比度信息生成更新脑影像;所述将所述更新目标编码信息输入所述目标模态脑影像所对应的解耦自编码器中,输出得到目标模态超分辨率脑影像包括:
5.根...
【专利技术属性】
技术研发人员:戴晶帼,张瑜,孙超良,张靖,李斯玚,程禄祺,
申请(专利权)人:之江实验室,
类型:发明
国别省市:
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。