基于隐表示模型的脑磁共振图像超分辨率重建方法及系统技术方案

技术编号:44935129 阅读:25 留言:0更新日期:2025-04-12 01:13
本发明专利技术提供基于隐表示模型的脑磁共振图像超分辨率重建方法及系统,包括步骤:获取不同层厚的各向异性脑磁共振图像,分为训练数据和测试数据;对脑磁共振图像进行预处理;对预处理后的训练数据进行处理,以生成训练样本;采用训练样本对基于隐表示模型的超分辨率重建模型进行训练;将预处理后的测试数据输入训练好的模型,进行堆叠得到三维图像,再进行平均,最终得到各向同性脑磁共振图像。本发明专利技术使用深度学习超分辨率重建方法进行不同层厚各向异性脑磁共振图像的超分辨率重建,通过设计基于隐表示模型的可学习坐标编码模块,充分利用图像特征和坐标信息间的相关性,设计了混合损失函数,提升不同层厚各向异性脑磁共振图像超分辨率重建的准确性。

【技术实现步骤摘要】

本专利技术涉及医学影像处理,特别涉及基于隐表示模型的脑磁共振图像超分辨率重建方法及系统


技术介绍

1、磁共振成像是一种无创、无辐射的医学成像技术,广泛应用于疾病的检测、诊断、治疗进展和预后的监测。然而,由于设备限制和成像条件等因素,临床通常采用基于二维扫描协议来获取脑mr图像。通过这种方式得到脑mr图像具有各向异性体素分辨率的特点,具体表现为层间(即扫描层面选择方向)图像的分辨率相对较低,层内(即垂直于扫描层面选择方向)图像的分辨率相对较高。由于这些各向异性脑mr图像的层厚较大,在扫描层面选择方向会因混叠现象而呈现出不自然的图像纹理。此外,不同医院的扫描参数也会存在差异,使得即使是同一个脑部磁共振序列,也会得到具有不同层厚的各向异性脑mr数据。这些各向异性脑mr数据容易产生部分容积效应,对后续图像处理、分析和疾病诊断等带来了诸多困难。因此,改善mr图像的质量和分辨率在临床上具有十分重要的意义。

2、作为后处理工作,超分辨率(sr)技术已被广泛用于提高磁共振图像的质量。传统的超分辨率方法包括两类:一类是基于插值的方法,例如最近邻插值和双三次插值本文档来自技高网...

【技术保护点】

1.一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于,包括以下步骤:

2.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于,所述对所述各向异性脑磁共振图像进行预处理步骤包括:

3.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于,所述对预处理后的训练数据进行处理,以生成训练样本步骤包括:

4.如权利要求3所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于:所述基于隐表示模型的超分辨率重建模型包括图像特征提取模块、可学习坐标编码模块和解码模块;其中

5....

【技术特征摘要】

1.一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于,包括以下步骤:

2.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于,所述对所述各向异性脑磁共振图像进行预处理步骤包括:

3.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于,所述对预处理后的训练数据进行处理,以生成训练样本步骤包括:

4.如权利要求3所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于:所述基于隐表示模型的超分辨率重建模型包括图像特征提取模块、可学习坐标编码模块和解码模块;其中,

5.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于:所述图像特征提取模块采用以edsr为基础的网络结构,其包含卷积层、残差块和跳跃连接,所述残差块内部依次包含卷积、线性整流单元、卷积和恒定缩放层,所述跳跃连接将第一个卷积层输出的特征图与倒数第二个卷积层的输出特征图连接,将连接的特征送入最后一个卷积层。

6.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法,其特征在于:所述可学习坐标编码模块包含多个全连接层,其输入特征维度对应于图像中每个像素的坐标,第一个全连接层将输入特征映射到第一预设维度空间中,并经过激活函数进行非线性变换,中间的全连接...

【专利技术属性】
技术研发人员:戴亚康彭博程健刘苏锐周志勇耿辰陈鸣伸
申请(专利权)人:中国科学院苏州生物医学工程技术研究所
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1