一种基于E-GAN网络的弥散磁共振数据修复方法技术

本发明专利技术属于智能信息处理领域，具体是一种基于E‑GAN网络的弥散磁共振数据修复方法。包括：S1：获取大脑成对的n个数据集，每个数据集包括dMRI图像数据和T1加权像数据；S2：对dMRI图像数据和T1加权像数据进行预处理，分别得到两个沿冠状面切片的高b值像和T1加权图像；S3：构建神经网络用于训练dMRI图像数据集和T1加权像数据集；S4：利用dMRI图像数据集和T1加权像数据集获取成对的高b值像和T1加权图像，在S3构建的神经网络上进行训练，得到最终的模型；S5：选择最终模型预测目标模态的三维图像数据，并用评价指标对数据进行评价。本发明专利技术有效地保留了医学图像中的低维形态信息与高维纹理特征相结合，充分利用了多模态数据的不同特征。

【技术实现步骤摘要】

本专利技术属于智能信息处理领域，具体是一种基于e-gan网络的弥散磁共振数据修复方法。

技术介绍

1、弥散磁共振成像(diffusion magnetic resonance imaging, dmri)是探索大脑连通性和跨物种比较研究的重要手段，对探索生物进化和人类疾病的诊断与治疗具有重要价值。大量研究者以计算神经科学为研究方法对大脑的dmri数据进行计算，以反映大脑神经元的结构连接特征。然而，部分dmri在采集和转录之后出现序列b0图像缺失，影响了计算神经科学的准确性。因此，修复dmri序列对当前的脑科学研究具有积极意义。

2、通过图像转换的方法从已有模态的图像生成b0像并修复dmri序列是一种解决方案。作为深度学习图像生成领域的经典网络，生成对抗网络有生成真假难辨图像的能力，这对磁共振图像转换有重要作用。在众多生成对抗网络中，无监督学习的代表cyclegan和有监督学习的代表pix2pix在计算机视觉任务上表现最为出色。

3、其中，无监督的cyclegan方法不需要成对的图像，已被广泛应用于磁共振图像转换任务上，如t1加权磁共本文档来自技高网...

【技术保护点】

1.一种基于E-GAN网络的弥散磁共振数据修复方法，其特征在于，包括：

2.根据权利要求1所述的基于E-GAN网络的弥散磁共振数据修复方法，其特征在于，所述步骤S2包括：

3.根据权利要求1所述的基于E-GAN网络的弥散磁共振数据修复方法，其特征在于，所述步骤S3中神经网络采用E-GAN网络，E-GAN网络包括E-Net生成器架构和PatchGAN鉴别器架构；

4.根据权利要求3所述的基于E-GAN网络的弥散磁共振数据修复方法，其特征在于，所述E-GAN网络中卷积模块的数学形式为：

5.根据权利要求2所述的基于E-GAN网络的弥散磁共振数据...

【技术特征摘要】

1.一种基于e-gan网络的弥散磁共振数据修复方法，其特征在于，包括：

2.根据权利要求1所述的基于e-gan网络的弥散磁共振数据修复方法，其特征在于，所述步骤s2包括：

3.根据权利要求1所述的基于e-gan网络的弥散磁共振数据修复方法，其特征在于，所述步骤s3中神经网络采用e-gan网络，e-gan网络包括e-net生成器架构和patchgan鉴别器架构；

4.根据权利要求3所述的基于e-gan网络的弥散磁共振数据修复方法，其特征在于，所述e-gan网络中卷积模块的数学形式为：

5.根据权利要求2所述的基于e-gan网络的弥散磁共振数据修复方法，其特征在于，所述步骤s4包括：

6.根据权利要求5所述的基于e-gan网络的弥散磁共振数据修复方法，其特征在于，所述步骤s42中，epoch的模型的数量为20到200。

...

【专利技术属性】
技术研发人员：王千山，陈奕飞，李雪琦，姚蓉，李海芳，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：