【技术实现步骤摘要】
本专利技术涉及dwi图像去噪方法，尤其是涉及一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法。
技术介绍
1、dwi作为磁共振成像基础的功能成像之一，有无创、无辐射的优点。dti(basser pj,mattiello j,lebihan d.mr diffusion tensor spectroscopy and imaging[j].biophys j,1994,66(1):259-67.)从dwi数据中拟合大脑微观结构，在脑神经科学和肿瘤诊断具有重要应用。在脑切除手术中，通过dti进行纤维束导航可以更加准确地定位病区，改善患者术后的临床状况(kokkinos v,chatzisotiriou a,seimenis i.functionalmagnetic resonance imaging and diffusion tensor imaging-tractography inresective brain surgery:lesion coverage strategies and patient outcomes[j].brain sci,2023,13(11))。与机器学习相结合的dti脑连接组特征，准确预测了原发性脑肿瘤患者神经外科手术后的语言衰退和恢复情况(levi r,politi l s.tracing thelanguage:enhancing neurosurgery with structural connectomics for predictionof language function p
2、已有dwi去噪方法主要包括基于稀疏或主元分量分析，分别以bm4d(maggioni m,katkovnik v,egiazarian k,foi a.nonlocal transform-domain filter forvolumetric data denoising and reconstruction[j].ieee transactions on imageprocessing,2013,22(1):119-33.)和tmppca(olesen j l,ianus a,shemeshn,jespersen s n.tensor denoising of multidimensional mri data[j].magn resonmed,2023,89(3):1160-72.)为代表。bm4d是一种相似块滤波方法，把去噪成了两个滤波过程，并且每个滤波过程融合了图像的局部自相似性、变换域阈值滤波和维纳滤波的优点。tmppca是一种针对高维数据的去噪方法，其独特的分维度、递归式的去噪流程使其非常适合对扩散数据进行去噪。
3、近年来，深度学习逐步应用到磁共振成像领域，去噪是mri图像后处理中一个非常重要的步骤，2018年jiang等人将深度学习推广到mri图像去噪任务中，所用的多通道dncnn网络实现了对莱斯噪声的稳健去噪。tian(tian q,bilgic b,fan q,liao c,ngamsombatc,hu y,witzel t,setsompop k,polimeni j r,huang s y.deepdti:high-fidelity six-direction diffusion tensor imaging using deep learning[j].neuroimage,2020,219:117017.)等人利用dti模型生成了dwi的金标准图像，并用3d-dncnn网络进行学习，在6个扩散方向dwi的情况下实现了扩散张量的保真。
技术实现思路
1、本专利技术的目的在于针对现有扩散重建与定量方法难以实现亚毫米的高清扩散图像的重建，尚无利用多扩散方向图像进行联合重建与定量的方法等问题，提供一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，在图像去噪效果有一定提升。
2、为实现上述目的，本专利技术采取的技术方案为：
3、一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，包括以下步骤：
4、1)设计dutd网络，该网络包含ddnet和tdnet两个子网络，ddnet用于完成对带噪声的dwi图像的去噪，tdnet用于扩散张量的去噪；
5、2)经过网络去噪后的扩散张量通过还原过程还原到图像域，得到从张量域中还原的dwi图像；
6、3)从去噪后的张量域中还原的dwi图像与直接去噪的图像域去噪的dwi图像通过加权平均，得到最终去噪的dwi图像。
7、在步骤1)中，设计ddnet网络并完成对带噪声的dwi图像的去噪，ddnet输入是1个b0图像和n个dwi图像；ddnet由以下模块组成：
8、a)跳跃和残差模块sr；
9、网络中使用的卷积大小均为n×n，编码器部分的通道数为c1，解码器特征融合部分的通道数为c2，残差和跳跃结构中的通道数为c3；
10、b)通道注意力模块；
11、对于一个通道数为c、大小为h×w的输入其中表示复数域，经过全局平均池化后得到表示每个通道特征的向量为了自适应学习每个通道的加权值，向量w1首先经过一组全连接层和relu激活函数得到向量其中r为通道压缩参数，w2再经过一组全连接层和sigmoid激活函数得到向量w3中的每个标量元素表示对应通道的权重，最后对原始输入x乘以每个通道对应的权重来差异化通道的重要性；
12、c)网络结构模块；
13、网络同时对b0图像和n个dwi图像进行去噪，这n+1个图像组合成为n+1个通道的输入网络的非线性映射函数表示为：
14、
15、其中，θx是用于dwi图像去噪的可学习的网络参数，fx示从带噪的输入图像到目标图像x之间的一个非线性映射；
16、d)损失函数模块；
17、使用l2范数约束整体的图像结构，定义表示为：
18、
19、其中，表示二范数的平方；使用l1范数约束图像的细节，并使用冗余小波变换将图像变换到小波域，定义表示为：
20、
21、其中φ本文档来自技高网...
【技术保护点】
1.一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，其去噪过程在于以下步骤：
2.如权利要求1所述一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，其去噪在于在步骤1)中，DDNet网络与TDNet网络分别完成对带噪声的DWI图像和扩散张量的去噪的流程如下：
3.如权利要求1所述一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，其特征在于在步骤2)中，所述经过网络去噪后的扩散张量通过还原过程还原到图像域，具体如下：
4.如权利要求1所述一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，其特征在于在步骤3)中，所述从去噪后的张量域中还原的DWI图像与直接去噪的图像域去噪的DWI图像通过加权平均，得到最终去噪的DWI图像，具体如下：
【技术特征摘要】
1.一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，其去噪过程在于以下步骤：
2.如权利要求1所述一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法，其去噪在于在步骤1)中，ddnet网络与tdnet网络分别完成对带噪声的dwi图像和扩散张量的去噪的流程如下：
3.如权利要求1所述一种基于图像域和张量域的双域深度...
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。