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】
本专利技术属于医学成像,涉及磁共振成像技术,尤其涉及基于全栈学习的磁共振成像系统及方法。
技术介绍
1、磁共振成像(mri)是一种无创诊断成像技术,可以研究低对比度的软组织结构,而不会带来有害的辐射风险。然而,mri的采集时间长会导致成本增加、患者不适、运动伪影和一些时间受限的场景。许多临床指标可以使用基于压缩传感的mri(cs-mri)进行成像,以加速成像过程,而不会显着影响图像质量或诊断准确性,是近二十年来一直是医学成像领域的热门研究课题。事实上,最大限度地减少所需的mri测量数据量是一种普遍接受的做法;然而,测量数据的减少可能会导致丢失重要的解剖信息,并可能在重建图像中引入伪影,如果不克服这些问题,将对随后的分析或诊断造成不利影响。
2、受益于算法和计算机硬件的快速发展,智能快速成像和通过深度学习(dl)进行的精确自动化医学图像分析取得了重大进展。具体来说,磁共振(mr)图像需要部分测量和测量由扫描仪重建或由服务器处理和分析。虽然过去大多数图像是为了人类视觉检查而采样和重建,但在智能计算时代,越来越多的视觉图像可以同时服务于人类感知并为基于机器视觉的智能系统提供动力。目前,现有的成像方法主要针对医学图像重建或医学图像分析而设计,导致视觉处理阶段碎片化。
3、dl框架可分为以下几类:cs-mri,压缩采样学习(csl),和基于压缩传感的多任务学习(cs-mtl)。基于dl的cs-mri方法形成了手工制作的轨迹,这些轨迹是为实现所需的视觉保真度而开发的;然后,可以将重建的图像输入到机器分析任务中。通过这
技术实现思路
1、针对目前现有技术中图像重建中存在的结构失真、细节丢失,不利于分析等问题,本专利技术目的旨在提供一种基于全栈学习的磁共振成像系统及方法,通过重建分析协同抽样,同时优化可学习轨迹、重建视觉任务和分析视觉任务,使重建任务和分析任务更加高效和准确。
2、本专利技术主要动机是确定开发用于协作和可扩展模式的新型全栈mtl框架,以通过在数据域中高效表达图像重建和分析视觉来实现改进的成像性能,并建立mri管道,其中两个视觉通过大数据连接所有任务。
3、本专利技术提供的基于全栈学习的磁共振成像系统,其包括:
4、测量感知模块,用于依据上一次迭代采样图像和上一次迭代得到的语义重建图像,进行重采样,得到当前迭代过程的采样轨迹;
5、空间频率重建模块,用于依据当前迭代过程的采样轨迹确定的采样结果,进行图像重构得到粗重构图像;
6、第一语义分割模块,用于依据粗重构图像进行语义分割得到粗语义分割图像;
7、下采样模块,用于对粗语义分割图像进行不同尺度的下采样;
8、语义交互模块,用于按照下采样倍数由大到小顺序,依次对不同尺度的下采样进行残差处理,得到当前迭代过程的语义重建图像;
9、第二语义分割模块,用于依据语义重建图像再次进行语义分割得到当前迭代过程的细化语义分割图像。
10、上述测量感知模块,上一次迭代采样图像由上一次迭代得到的采样轨迹和初始全采样数据点乘得到。所述测量感知模块包括自动编码器、蒙特卡洛采样单元和轨迹学习单元;所述自动编码器对上一次迭代采样图像和上一次迭代得到的语义重建图像的拼接结果进行编码-解码操作,得到采样概率轨迹,所述蒙特卡洛采样单元用于依据采样概率轨迹进行蒙特卡洛采样;所述轨迹学习单元用于依据蒙特卡洛采样结果,进行二值化处理得到当前迭代过程的采样轨迹。所述自编码器为unet网络;所述轨迹学习单元为基于类高斯的二维轨迹学习单元或基于笛卡尔的一维轨迹学习单元。
11、上述空间频率重建模块,当前迭代过程的采样轨迹和初始全采样数据点乘得到当前迭代过程的采样结果。
12、上述下采样模块,包括若干不同采样倍数的下采样单元,用于实现粗语义分割图像的不同尺度下采样。各下采样单元按照下采样倍数由大到小顺序排列。
13、上述语义交互模块,包括与下采样单元数量相同的残差处理单元;所述残差处理单元均包括实例归一化残差块、自适应语义块和上采样单元,自适应语义块输出包括语义均值和方差,利用语义均值和方差来预测潜在语义映射,再经上采样单元得到当前残差处理单元的输出结果。
14、上述第一语义分割模块与第二语义分割模块结构相同,均采用的是unet网络。
15、本专利技术还提供了一种基于全栈学习的磁共振成像方法,其包括以下步骤:
16、s1依据上一次迭代采样图像和上一次迭代得到的语义重建图像,进行重采样,得到当前迭代过程的采样轨迹;
17、s2依据当前迭代过程的采样轨迹确定的采样结果,进行图像重构得到粗重构图像;
18、s3依据粗重构图像进行语义分割得到粗语义分割图像;
19、s4对粗语义分割图像进行不同尺度的下采样,;
20、s5按照下采样倍数由大到小顺序,依次对不同尺度的下采样进行残差处理,得到当前迭代过程的语义重建图像;
21、s6用于依据语义重建图像再次进行语义分割得到当前迭代过程的细化语义分割图像;
22、重复上述步骤s1-s6,直至得到迭代次数上限,得到最终的语义重建图像和细化语义分割图像。
23、与现有技术相比,本专利技术提供的基于全栈学习的磁共振成像系统及方法具有如下有益效果:
24、1)本专利技术提供了一种全栈式协作框架能够增强整个成像管道中重建分析视觉的表示;通过构建测量感知模块进行图像测量,通过构建空间频率重建模块得到粗重构图像,再经语义分割和语义交互得到细化语义重建图像,之后基于细化语义重建图像得到细化语义分割图像,协作完成测量、重建、医学分割任务,使重建任务和分析任务更加高效和准确;
25、2)本专利技术采用了一种简单而新颖的端到端可微分方法,充分探索了顺序任务之间的相互影响,进一步同时提高了每个任务的性能,这不仅提高了子采样的视觉质量通过语义感知的mr图像也提高了临床任务的准确性;
26、3)在下游任务中,本专利技术提供的训练策略无需任何微调即可处理二次采样输入和全采样输入;
27、4)本专利技术提供的磁共振成像系统具有很好的普适性,具有极大的潜在医学价值。
本文档来自技高网...【技术保护点】
1.一种基于全栈学习的磁共振成像系统,其特征在于,包括:
2.根据权利要求1所述的基于全栈学习的磁共振成像系统,其特征在于,测量感知模块中,上一次迭代采样图像由上一次迭代得到的采样轨迹和初始全采样数据点乘得到。
3.根据权利要求1或2所述的基于全栈学习的磁共振成像系统,其特征在于,所述测量感知模块包括自动编码器、蒙特卡洛采样单元和轨迹学习单元;所述自动编码器对上一次迭代采样图像和上一次迭代得到的语义重建图像的拼接结果进行编码-解码操作,得到采样概率轨迹,所述蒙特卡洛采样单元用于依据采样概率轨迹进行蒙特卡洛采样;所述轨迹学习单元用于依据蒙特卡洛采样结果,进行二值化处理得到当前迭代过程的采样轨迹。
4.根据权利要求3所述的基于全栈学习的磁共振成像系统,其特征在于,所述自编码器为Unet网络。
5.根据权利要求3所述的基于全栈学习的磁共振成像系统,其特征在于,所述轨迹学习单元为基于类高斯的二维轨迹学习单元或基于笛卡尔的一维轨迹学习单元。
6.根据权利要求1所述的基于全栈学习的磁共振成像系统,其特征在于,空间频率重建模块中,当前
7.根据权利要求1所述的基于全栈学习的磁共振成像系统,其特征在于,下采样模块包括若干不同采样倍数的下采样单元,用于实现粗语义分割图像的不同尺度下采样;各下采样单元按照下采样倍数由大到小顺序排列。
8.根据权利要求7所述的基于全栈学习的磁共振成像系统,其特征在于,语义交互模块包括与下采样单元数量相同的残差处理单元。
9.根据权利要求8所述的基于全栈学习的磁共振成像系统,其特征在于,所述残差处理单元均包括实例归一化残差块、自适应语义块和上采样单元,自适应语义块输出包括语义均值和方差,利用语义均值和方差来预测潜在语义映射,再经上采样单元得到当前残差处理单元的输出结果。
10.一种基于全栈学习的磁共振成像方法,其包括以下步骤:
...【技术特征摘要】
1.一种基于全栈学习的磁共振成像系统,其特征在于,包括:
2.根据权利要求1所述的基于全栈学习的磁共振成像系统,其特征在于,测量感知模块中,上一次迭代采样图像由上一次迭代得到的采样轨迹和初始全采样数据点乘得到。
3.根据权利要求1或2所述的基于全栈学习的磁共振成像系统,其特征在于,所述测量感知模块包括自动编码器、蒙特卡洛采样单元和轨迹学习单元;所述自动编码器对上一次迭代采样图像和上一次迭代得到的语义重建图像的拼接结果进行编码-解码操作,得到采样概率轨迹,所述蒙特卡洛采样单元用于依据采样概率轨迹进行蒙特卡洛采样;所述轨迹学习单元用于依据蒙特卡洛采样结果,进行二值化处理得到当前迭代过程的采样轨迹。
4.根据权利要求3所述的基于全栈学习的磁共振成像系统,其特征在于,所述自编码器为unet网络。
5.根据权利要求3所述的基于全栈学习的磁共振成像系统,其特征在于,所述轨迹学习单元为基于类高斯的二维轨迹学习单元或基于笛卡...
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。