【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体涉及一种集成mri超分辨率与合成任务的系统及方法。
技术介绍
1、磁共振成像（mr）图像能够在不诱导电离辐射的情况下提供良好的软组织对比度，因此在临床疾病诊断和图像引导的自适应放射治疗中有至关重要的作用。一是mri对于区分不同类型的组织，如脑组织、肌肉、髓鞘等，具有极高的敏感性。二是mri包含多个模态图像，能够提供不同的解剖结构和功能信息，有助于医生获取更全面的信息，并更好地了解组织的生理学和病理学状态。例如：t1加权图像主要用于表现解剖学，增强后也能显示病理学。t2加权图像则更适用于表现病理学，因为大多数病理变化通常伴随着组织含水量的增加，因此在t2加权图像上很明亮。
2、然而，由于mri系统的成本和信噪比之间的权衡以及图像损坏等因素，临床实践中获取的mr图像往往是低分辨率的，并且缺失其他模态图像。此外，mri在进行高分辨率成像时，数据的增加会使扫描过程变得缓慢，这可能会导致病人的不适，导致在mr图像中形成影响图像质量的运动伪影。无法采集高分辨率mr图像会对后续的图像分析（例如：病变分割、脑容量估计）造成严重困扰。因此，迫切需要缩短mr图像的成像时间、提高mr图像的分辨率。
3、为了解决上述问题，本领域技术人员在mr图像处理中引入了图像超分辨率技术和图像合成技术，以获得更全面的生理信息，提高诊断的可靠性。图像超分辨率技术能够提高mr图像的分辨率，为更精准的诊断和分析提供了关键支持；图像合成技术能够合成缺失模态图像，例如从t2加权图像合成t1加权图像。然而，现有的基于深度学
4、综上可见，亟需提供一种能够充分挖掘多任务之间的潜在表示，从而显著提高超分辨率mr图像和合成mr图像质量的能够集成mri超分辨率与合成任务的系统及方法。
技术实现思路
1、基于此，本专利技术提出一种集成mri超分辨率与合成任务的系统及方法，以解决现有技术存在的技术缺陷，所述系统及方法能够充分挖掘多任务之间的潜在表示，显著提高超分辨率的mr图像和合成的mr图像的质量，并进一步简化临床诊断的过程和提高医生诊断疾病的能力，为患者提供更好的治疗选择。
2、第一方面，本专利技术提供了一种集成mri超分辨率与合成任务的系统，包括：图像预处理模块、mri超分辨率与合成模型训练模块、图像生成模块，其中，
3、所述图像预处理模块，用于对高分辨率mr图像进行预处理，得到低分辨率mr图像；
4、所述mri超分辨率与合成模型训练模块，用于基于所述低分辨率mr图像训练多任务自感知transformer网络，得到mri超分辨率与合成模型；
5、所述图像生成模块，用于将实际低分辨率mr图像输入至所述mri超分辨率与合成模型生成超分辨率mr图像和合成mr图像。
6、在一种可能的实现方式中，所述mri超分辨率与合成模型训练模块，包括：编码器和两个解码器，其中，
7、所述编码器，用于逐层下采样所述低分辨率mr图像，提取所述低分辨率mr图像不同分辨率下的多尺度特征，并将所述多尺度特征分别作为两个解码器的输入；
8、所述两个解码器，用于融合所述多尺度特征，分别生成超分辨率mr图像和合成mr图像。
9、在一种可能的实现方式中，所述编码器包括第一卷积层、第二卷积层、预训练的cnn、自感知transformer，所述第一卷积层的输出端与所述预训练的cnn的输入端相连接，所述第二卷积层的输出端与所述自感知transformer的输入端相连接，所述第一卷积层和预训练的cnn与所述第二卷积层和自感知transformer并行连接设置；
10、所述第一卷积层和第二卷积层，分别用于提取输入的所述低分辨率mr图像的浅层特征，并将所述浅层特征分别输入至预训练的cnn和自感知transformer；
11、所述预训练的cnn，用于对所述浅层特征进行纹理提取，获取深层特征，并将所述深层特征输入至所述自感知transformer；
12、所述自感知transformer，用于整合所述浅层特征和深层特征，并提取深层的多尺度特征，以重建高质量的mr图像。
13、在一种可能的实现方式中，所述自感知transformer包括卷积层、残差块、swintransformer构建块、通道注意力模块和基于移位窗口的多头自注意力机制；
14、所述卷积层、残差块和swin transformer构建块依次连接，所述通道注意力模块和基于移位窗口的多头自注意力机制并行连接于所述swin transformer构建块中的第一个layer norm层之后。
15、在一种可能的实现方式中，所述通道注意力模块包含最大池化层、平均池化层、卷积层、多层感知机和残差连接；
16、所述最大池化层、平均池化层、卷积层和多层感知机依次相互连接，所述残差连接将所述通道注意力模块的输出与输入相加，并在残差分支上添加了一个3*3的卷积层；
17、所述通道注意力模块的输出特征为：
18、；
19、其中， mlp表示多层感知机，和分别代表最大池化操作和平均池化操作，表示layer norm层的输出特征，表示卷积层。
20、在一种可能的实现方式中，所述自感知transformer的输出特征表示如下：
21、；
22、其中，表示layer norm层的输出特征， ln表示层归一化，表示输入特征，表示中间特征，表示基于移位窗口的多头自注意力机制，为常数，表示通道注意力模块的输出特征， mlp表示多层感知机。
23、在一种可能的实现方式中，所述解码器包括依次连接的3个卷积层、3个自适应高频增强重建模块、3个残差组和深度监督机制。
24、在一种可能的实现方式中，所述自适应高频增强重建模块包括串行连接的自适应归一化模块和高频增强重建模块；
25、所述自适应归一化模块由实例归一化层和三个卷积层组成，所述自适应归一化模块的输出特征为：
26、；
27、其中， in表示实例归一化层，表示自感知transformer的输出特征，表示卷积层。
28、在一种可能的实现方式中，所述高频增强重建模块包括局部特征提取分支、高频增强本文档来自技高网...
【技术保护点】
1.一种集成MRI超分辨率与合成任务的系统，其特征在于，包括：图像预处理模块、MRI超分辨率与合成模型训练模块、图像生成模块，其中，
2.根据权利要求1所述的一种集成MRI超分辨率与合成任务的系统，其特征在于，所述MRI超分辨率与合成模型训练模块，包括：编码器和两个解码器，其中，
3.根据权利要求2所述的一种集成MRI超分辨率与合成任务的系统，其特征在于，所述编码器包括第一卷积层、第二卷积层、预训练的CNN、自感知Transformer，所述第一卷积层的输出端与所述预训练的CNN的输入端相连接，所述第二卷积层的输出端与所述自感知Transformer的输入端相连接，所述第一卷积层和预训练的CNN与所述第二卷积层和自感知Transformer并行连接设置；
4.根据权利要求3所述的一种集成MRI超分辨率与合成任务的系统，其特征在于，所述自感知Transformer包括卷积层、残差块、Swin Transformer构建块、通道注意力模块和基于移位窗口的多头自注意力机制；
5.根据权利要求4所述的一种集成MRI超分辨率与合成任务的系统，
6.根据权利要求4所述的一种集成MRI超分辨率与合成任务的系统，其特征在于，所述自感知Transformer的输出特征表示如下：
7.根据权利要求2所述的一种集成MRI超分辨率与合成任务的系统，其特征在于，所述解码器包括依次连接的3个卷积层、3个自适应高频增强重建模块、3个残差组和深度监督机制。
8.根据权利要求7所述的一种集成MRI超分辨率与合成任务的系统，其特征在于，所述自适应高频增强重建模块包括串行连接的自适应归一化模块和高频增强重建模块；
9.根据权利要求8所述的一种集成MRI超分辨率与合成任务的系统，其特征在于，所述高频增强重建模块包括局部特征提取分支、高频增强分支、连接操作和3*3卷积层；
10.基于权利要求3-6任一项所述的一种集成MRI超分辨率与合成任务的系统的集成MRI超分辨率与合成任务的方法，其特征在于，所述方法包括：
...【技术特征摘要】
1.一种集成mri超分辨率与合成任务的系统，其特征在于，包括：图像预处理模块、mri超分辨率与合成模型训练模块、图像生成模块，其中，
2.根据权利要求1所述的一种集成mri超分辨率与合成任务的系统，其特征在于，所述mri超分辨率与合成模型训练模块，包括：编码器和两个解码器，其中，
3.根据权利要求2所述的一种集成mri超分辨率与合成任务的系统，其特征在于，所述编码器包括第一卷积层、第二卷积层、预训练的cnn、自感知transformer，所述第一卷积层的输出端与所述预训练的cnn的输入端相连接，所述第二卷积层的输出端与所述自感知transformer的输入端相连接，所述第一卷积层和预训练的cnn与所述第二卷积层和自感知transformer并行连接设置；
4.根据权利要求3所述的一种集成mri超分辨率与合成任务的系统，其特征在于，所述自感知transformer包括卷积层、残差块、swin transformer构建块、通道注意力模块和基于移位窗口的多头自注意力机制；
5.根据权利要求...
【专利技术属性】
技术研发人员：虞刚，李欣阳，朱健，朱世腾，张德康，孔维鹏，王志武，李志勇，王笑宇，李登旺，
申请(专利权)人：山东师范大学，
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。