本发明专利技术涉及图像优化技术领域，具体涉及一种基于磁共振图像质量评价的成像优化方法，包括：步骤S1：获取含伪影的样本图像并构建数据集；步骤S2：依照数据集训练得到图像质量评价模型；步骤S3：采用数据集对待训练优化模型进行训练，得到超分辨率模型；采用图像质量评价模型作为待训练优化模型的优化目标函数；步骤S4：采用超分辨率模型对实际扫查图像进行优化。有益效果在于：引入了独立的图像质量评价模型，该模型可以实现对图像质量的多个维度的综合评估。随后，在对实际的超分辨率模型的训练过程中，引入了训练完成的图像质量评价模型作为优化目标函数，实现了对超分辨率模型生成过程的有效指导，便于提高后续超分辨率模型进行图像处理的质量。
1、磁共振(mr)图像质量对于正确诊断疾病至关重要。良好的图像质量取决于多个因素，包括设备自身的软硬件影响，如磁场强度、线圈和脉冲序列，以及医学影像处理技术的影响，如重建和优化操作。准确评价mr图像质量对于磁共振设备具有重要意义，因为成像质量越好，设备的价值和经济效益就越高。目前，mr图像质量评价主要通过定量和定性两种方法进行，其中定量指标包括图像信噪比、对比度、分辨率、均匀性和几何畸变等，而定性指标则需要人眼观察来评估清晰度和伪影等。
2、现有技术中，已存在对磁共振图像进行成像质量评价的方案。比如，中国专利cn202111425394.1公开了一种磁共振头部扫描图像质量评价方法及设备，方法包括：获取待评价磁共振头部扫描图像；基于预先划分的维度对待评价磁共振头部扫描图像进行评价分析；输出待评价磁共振头部扫描图像各维度的评价分析结果。所述预先划分的维度至少包括：扫描序列完整度、扫描范围完整度和图像质量。基于评价系统对待评价磁共振头部扫描图像进行评价分析，效率更高，且流程、评价标准规范化。并且本申请中预先划分了多个维度，从多维度对待评价磁共振头部扫描图像进行评价分析，更加全面的同时还具有更好的可扩展性和适配性。
3、但是，在实际实施过程中，专利技术人发现，上述评价结果相对模糊只能评定图像质量的某一方面，并且定性指标需要有经验的人员参与，缺乏一个综合性的客观评价指标，也难以用于指导后续的成像质量优化工作。
>技术实现思路1、针对现有技术中存在的上述问题，现提供一种基于磁共振图像质量评价的成像优化方法。
2、具体技术方案如下：
3、一种基于磁共振图像质量评价的成像优化方法，包括：
4、步骤s1：自多个外部数据源获取含伪影的样本图像并构建数据集；
5、步骤s2：依照所述数据集训练得到图像质量评价模型；
6、步骤s3：采用所述数据集对待训练优化模型进行训练，得到超分辨率模型；
7、于所述步骤s3的训练过程中，采用所述图像质量评价模型作为所述待训练优化模型的优化目标函数；
8、步骤s4：采用所述超分辨率模型对实际扫查图像进行优化。
9、另一方面，所述步骤s1包括：
10、步骤s11：自所述外部数据源获取待判别图像；
11、步骤s12：基于多个评价维度分别对所述待判别图像计算评价得分；
12、所述评价维度包括信噪比、对比度和伪影面积；
13、步骤s13：依照所述评价得分筛选得到所述样本图像。
14、另一方面，所述图像质量评价模型包括：
15、swin-transformer模块，所述swin-transformer模块分别接收所述输入图像和参考图像，所述swin-transformer模块对所述输入图像和所述参考图像映射至同一个感知特征空间；
16、分布拟合模块，所述分布拟合模块连接所述swin-transformer模块，所述分布拟合模块分别对所述输入图像计算高斯分布得到第一分布图，对所述参考图像计算高斯分布得到第二分布图；
17、降采样模块，所述降采样模块连接所述分布拟合模块，所述降采样模块对所述第一分布图进行降采样得到第一降采样图像、对所述第二分布图进行降采样得到第二降采样图像；
18、评分模块，所述评分模块连接所述降采样模块，所述评分模块对所述第一降采样图像和所述第二降采样图像计算分布距离得到所述输入图像的质量评分。
19、另一方面，所述步骤s2包括：
20、步骤s21：将所述图像质量评价模型作为编码器，并添加对应于所述编码器的解码器以得到训练模型；
21、所述解码器包括一个全连接层；
22、步骤s22：对所述图像质量评价模型进行掩码图像自监督训练，直至满足迭代条件后输出。
23、另一方面，所述步骤s22中，采用像素均方根误差作为训练过程中的损失函数。
24、另一方面，所述超分辨率模型包括：
25、浅层特征提取模块，所述浅层提取模块接收输入图像并对输入图像提取浅层特征图；
26、深层特征提取模块，所述深层特征提取模块连接所述浅层特征提取模块，所述深层特征提取模块对所述浅层特征图进行提取得到深层特征图；
27、特征融合模块，所述特征融合模块分别连接所述浅层特征提取模块和所述深层特征提取模块，所述特征融合模块对所述浅层特征图和所述深层特征图进行卷积上采样得到超分辨率处理后的输出图像。
28、另一方面，所述浅层特征提取模块包括：
29、第一卷积层，所述第一卷积层对所述输入图像采用第一卷积核依照第一步长进行卷积处理得到第一特征图；
30、第二卷积层，所述第二卷积层连接所述第一卷积层，所述第二卷积层对所述第一特征图采用第二卷积核依照第二步长进行卷积处理得到所述浅层特征图。
31、另一方面，所述深层特征提取模块包括：
32、多个依次连接的局部注意力模块，所述局部注意力模块对所述浅层特征图进行局部注意力计算和跨窗口交互得到所述深层特征图；
33、所述局部注意力模块包括：
34、标准化层，所述标准化层对输入特征图进行批标准化处理，以实现对所述输入特征图的映射；
35、多头自注意力层，所述多头自注意力层连接所述标准化层，所述多头自注意力层对所述输入特征图进行注意力计算得到注意力图；
36、多层感知器，所述多层感知器连接所述多头自注意力层，所述多层感知器对所述注意力图进行跨窗口交互以得到输出特征图。
37、另一方面，所述步骤s3中，采用对抗损失函数作为所述待训练优化模型的整体损失函数。
38、上述技术方案具有如下优点或有益效果：
39、针对现有技术中的评价指标效果不佳，难以用于指导成像提高的问题，本实施例中，引入了独立的图像质量评价模型并通过深度学习的方式进行了训练，在训练后该模型可以实现对图像质量的多个维度的综合评估。随后，在对实际的超分辨率模型的训练过程中，引入了训练完成的图像质量评价模型作为优化目标函数，实现了对超分辨率模型生成过程的有效指导，便于提高后续超分辨率模型进行图像处理的质量。
本文档来自技高网...
【技术保护点】
1.一种基于磁共振图像质量评价的成像优化方法，其特征在于，包括：
2.根据权利要求1所述的成像优化方法，其特征在于，所述步骤S1包括：
3.根据权利要求1所述的成像优化方法，其特征在于，所述图像质量评价模型包括：
4.根据权利要求1所述的成像优化方法，其特征在于，所述步骤S2包括：
5.根据权利要求4所述的成像优化方法，其特征在于，所述步骤S22中，采用像素均方根误差作为训练过程中的损失函数。
6.根据权利要求1所述的成像优化方法，其特征在于，所述超分辨率模型包括：
7.根据权利要求6所述的成像优化方法，其特征在于，所述浅层特征提取模块包括：
8.根据权利要求6所述的成像优化方法，其特征在于，所述深层特征提取模块包括：
9.根据权利要求1所述的成像优化方法，其特征在于，所述步骤S3中，采用对抗损失函数作为所述待训练优化模型的整体损失函数。
【技术特征摘要】
1.一种基于磁共振图像质量评价的成像优化方法，其特征在于，包括：
2.根据权利要求1所述的成像优化方法，其特征在于，所述步骤s1包括：
3.根据权利要求1所述的成像优化方法，其特征在于，所述图像质量评价模型包括：
4.根据权利要求1所述的成像优化方法，其特征在于，所述步骤s2包括：
5.根据权利要求4所述的成像优化方法，其特征在于，所述步骤s22中，采用像素均方根误差作为...
【专利技术属性】
技术研发人员：肖林芳，朱瑞星，
申请(专利权)人：杭州微影医疗科技有限公司，
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。