【技术实现步骤摘要】
本专利技术涉及深度学习，具体涉及一种基于深度学习的磁共振成像超分辨率图像重建方法。
技术介绍
1、近年来，低场(low field，lf)、超低场(ultra low field,ulf)磁共振成像技术引起了国内外的广泛关注。相关技术的的发展可以使磁共振成像具备开放性好、超静音、无需电磁屏蔽、小型轻型化、可移动至患者床旁等特点，在低场或超低场条件下实现包括t1加权、t2加权、液体衰减反转恢复(fluid attenuated inversion recovery，flair)和扩散加权成像(diffusion weighted imaging，dwi)等临床常见对比度的成像，为脑卒中和肿瘤诊断提供有临床价值的信息，有利于磁共振成像技术的普及。然而，低场或超低场条件下获得的磁共振成像信号较低，限制了磁共振图像的信噪比和分辨率。
2、现有技术中，已存在有针对磁共振成像的空间分辨率进行改善的技术方案，比如，中国专利cn202210684345.8公开了一种核磁共振图像超分辨率重建方法，包括以下步骤：步骤s1、将核磁共振图像进行区域等份分割得到多组局部图像，利用目标识别模型在多组局部图像中识别出局部目标区域；步骤s2、量化出每个局部图像的像素信息量，并基于像素信息量构建出超分辨率重建权重，将超分辨率重建权重与局部重建模型进行结合得到局部重建模型；步骤s3、利用局部重建模型对对应的局部图像进行超分辨率重建得到局部重建图像，并将局部重建图像进行区域组合得到核磁共振图像的超分辨率重建图像。
3、包括该方法在内的已有超分
技术实现思路
1、针对现有技术中存在的上述问题，现提供一种基于深度学习的磁共振成像超分辨率图像重建方法。
2、具体技术方案如下：
3、一种基于深度学习的磁共振成像超分辨率图像重建方法，包括：
4、步骤s1：对患者进行扫描，以获得低分辨率的磁共振成像数据；
5、步骤s2：对所述磁共振成像数据进行处理得到预重建图像；
6、步骤s3：将所述预重建图像输入超分辨率图像重建模型得到目标重建图像并输出；
7、所述超分辨率图像重建模型为预先训练的深度学习模型，所述超分辨率图像重建模型的输入为上述预重建的低场磁共振图像，输出为高分辨率的高场磁共振图像。
8、另一方面，所述步骤s2包括：
9、步骤s21：自所述磁共振成像数据，进行处理获取k空间数据；
10、当所述磁共振成像数据为笛卡尔采样数据时，依照一定顺序排列；
11、当所述磁共振成像数据为非笛卡尔采样数据时，进行k空间插值；
12、步骤s22：对所述k空间数据进行补零得到补零数据，使得其k空间数据矩阵大小满足所述超分辨率图像重建模型的要求；
13、步骤s23：对所述补零数据进行逆傅里叶变换，生成所述预重建图像；
14、所述预重建图像显示空间分辨率和所要获得的超分辨率图像重建结果的空间分辨率一致。
15、所述步骤s2还包括：
16、对所述k空间数据进行逆傅里叶变换获得图像，然后在图像域进行线性插值、立方插值、样条插值等操作提高显示分辨率，从而获得显示分辨率和超分辨率图像重建结果的空间分辨率一致的所述预重建图像。
17、另一方面，所述超分辨率图像重建模型包括依次设置的：
18、输入层，将预重建图像进行向量化以后作为模型的输入；对于复数图像，可以将其实部和虚部作为两个通道输入，可以将其幅值和相位角作为两个通道输入，还可以只将其幅值输入。对于多对比度图像，可以将不同对比度的图像作为不同的通道输入。
19、多个跨步卷积层，所述跨步卷积层依照第一预设步长采用第一卷积核对相应层输入进行下采样，减小输出相对输入的矩阵大小，并使得相应层输出相对输入的通道数扩增；
20、多个转置卷积层，所述转置卷积层依照第二预设步长采用第二卷积核对所述输入图像进行上采样，增大输出相对输入的矩阵大小，并使得所述输入图像的通道数减少；
21、多个信息多重蒸馏模块，包括多个卷积层和激活函数。
22、另一方面，所述第一卷积核为2×2，所述第二卷积核为2×2。
23、另一方面，所述信息多重蒸馏模块为残差结构，包括：
24、第一特征提取卷积层，所述第一特征提取卷积层对所述输入图像进行特征提取，得到第一特征图；
25、第一分离节点，所述第一分离节点接收所述第一特征图；
26、第二特征提取卷积层，所述第二特征提取卷积层对所述第一特征图进行特征提取得到第二特征图；
27、第二分离节点，所述第二分离节点接收所述第二特征图；
28、第三特征提取卷积层，所述第三特征提取卷积层对所述第二特征图进行特征提取，得到第三特征图；
29、第三分离节点，所述第三分离节点接收所述第三特征图；
30、第四特征提取卷积层，所述第四特征提取卷积层对所述第三特征图进行特征提取得到第四特征图；
31、连接层，所述连接层分别连接所述第一分离节点、所述第二分离节点、所述第三分离节点和所述第四特征提取卷积层，所述连接层依照所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行特征融合得到融合特征；
32、降维卷积层，所述降维卷积层对所述融合特征调整融合特征通道数目，得到和输入通道数目一致的第二融合特征；
33、相加模块，所述相加模块对所述输入图像和所述第二融合特征进行相加得到处理后的模块输出。
34、另一方面，所述第一特征提取卷积层、所述第二特征提取卷积层、所述第三特征提取卷积层和所述第四特征提取卷积层的输出端设置有泄露修正线性单元；
35、所述泄露修正线性单元对特征图进行带泄露的非线性映射后输出。
36、另一方面，所述第一特征提取卷积层、所述第二特征提取卷积层、所述第三特征提取卷积层和所述第四特征提取卷积层采用3×3的卷积核。
37、一种所述超分辨率图像重建模型的训练方法，包括：
38、步骤1：对志愿者进行低分辨率的低场磁共振成像和高分辨率的高场磁共振成像；其中低场磁共振成像和高场磁共振成像具有一致的视野大小(field of view，fov)。
39、步骤2：由于所述低场磁共振成像和高场磁共振成像在不同的磁共振成像系统中进行，无法保证两者的扫描方位完全一致。因此，高场磁共振图像则需要和低场磁共振图像进行图像配准操作，获得对应的刚本文档来自技高网...
【技术保护点】
1.一种基于深度学习的磁共振成像超分辨率图像重建方法，其特征在于，包括：
2.根据权利要求1所述的磁共振成像超分辨率图像重建方法，其特征在于，所述步骤S2包括：
3.根据权利要求2所述的磁共振成像超分辨率图像重建方法，其特征在于，所述步骤S2还包括：
4.根据权利要求3所述的磁共振成像超分辨率图像重建方法，其特征在于，所述超分辨率图像重建模型包括依次设置的：
5.根据权利要求4所述的磁共振超分辨率图像重建方法，其特征在于，所述第一卷积核为2×2，所述第二卷积核为2×2。
6.根据权利要求3所述的磁共振成像超分辨率图像重建方法，其特征在于，所述信息多重蒸馏模块为残差结构，包括：
7.根据权利要求6所述的磁共振成像超分辨率图像重建方法，其特征在于，所述第一特征提取卷积层、所述第二特征提取卷积层、所述第三特征提取卷积层和所述第四特征提取卷积层的输出端设置有泄露修正线性单元；
8.根据权利要求6所述的磁共振成像超分辨率图像重建方法，其特征在于，所述第一特征提取卷积层、所述第二特征提取卷积层、所述第三特征提
...【技术特征摘要】
1.一种基于深度学习的磁共振成像超分辨率图像重建方法，其特征在于，包括：
2.根据权利要求1所述的磁共振成像超分辨率图像重建方法，其特征在于，所述步骤s2包括：
3.根据权利要求2所述的磁共振成像超分辨率图像重建方法，其特征在于，所述步骤s2还包括：
4.根据权利要求3所述的磁共振成像超分辨率图像重建方法，其特征在于，所述超分辨率图像重建模型包括依次设置的：
5.根据权利要求4所述的磁共振超分辨率图像重建方法，其特征在于，所述第一卷积核为2×2，所述第二卷积核为2×2。<...
【专利技术属性】
技术研发人员：肖林芳，朱瑞星，请求不公布姓名，
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。