一种基于深度学习的核磁共振图像的降采样伪影去除方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109242924A(43)申请公布日2019.01.18(21)申请号201811012505.4(22)申请日2018.08.31(71)申请人南方医科大学地址510515广东省广州市白云区沙太南路1023号-1063号(72)发明人冯衍秋阮国辉张倩倩(74)专利代理机构北京科亿知识产权代理事务所(普通合伙)11350代理人赵蕊红(51)Int.Cl.G06T11/00(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于深度学习的核磁共振图像的降采样伪影去除方法(57)摘要一种基于深度学习的核磁共振图像的降采样伪影去除方法,包括如下步骤：步骤一，通过带伪影的样本磁共振图像获得最优模型；步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。该基于卷积神经网络的模型能有效地去除磁共振图像中由于降采样导致的伪影，并且不会造成明显的模糊以及对比度的损失，同时很好地保留图像的细节，并且具有高的鲁棒性和高效性。CN109242924ACN109242924A权利要求书1/2页1.一种基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，包括如下步骤：步骤一，通过带伪影的样本磁共振图像获得最优模型；步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。2.根据权利要求1所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤一具体包括有：步骤1.1，对带伪影的样本磁共振图像预处理；步骤1.2，构建卷积神经网络的基本构架；步骤1.3，使用经过预处理带伪影的样本磁共振图像训练卷积神经网络调节参数获得最优模型。3.根据权利要求2所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.1具体包括有：步骤1.1.1，对带伪影的样本磁共振图像和对应的无伪影的样本参考磁共振图像通过公式(Ⅰ)进行标准化处理，得到均值为0和方差为1的参考图像，其中y为标准化之前的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，z为标准化之后的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，μ为标准化之前的均值，σ为标准化之前的标准差；步骤1.1.2，将步骤1.1.1得到的参考图像整合成卷积神经网络的训练数据集。4.根据权利要求3所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.2的卷积神经网络的基本构架设置有n层，且n为大于1的正整数；所述步骤1.2具体为：按顺序定义n层基本构架，分别为第1层、第2层，……，第n-1层，第n层，将第1层、第2层，……，第n-1层通过公式(Ⅱ)表示，Fi(X)＝max(0,BN(Wi*Fi-1(X)+bi)),1≤i≤n-1公式(Ⅱ)，其中Fi(X)表示第i层的输出特征图，Wi表示第i层的滤波器，*为卷积操作，bi表示第i层的偏置，BN(x)表示批标准化，max(0,x)为激活函数ReLU的表达式，F0(X)等于输入图像X。5.根据权利要求4所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤二具体为根据公式(Ⅲ)计算第i＝n层的输出图像，得到估计伪影图像Fn(X):Fn(X)＝Wn*Fn-1(X)+bn公式(Ⅲ)。6.根据权利要求5所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于：所述步骤三具体为输入步骤1.2得到的图像X与所述步骤二的估计伪影图像Fn(X)相减，然后用测量数据代替对应的k空间数据得到去伪影图像Y；所述n＝3～2000。2CN109242924A权利要求书2/2页7.根据权利要求6所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于：所述公式(Ⅱ)通过公式(Ⅳ)批标准化操作得到：其中G为标准化权重常数的卷积核，b’标准化权重常数偏置参数，x为待标准化的特征图组，μx为x的均值，σx为x的方差。8.根据权利要求7所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.3具体包括：步骤1.3.1，定义总迭代次数为M，当前迭代次数为m，1≤m≤M；步骤1.3.2，初始化卷积神经网络模型的参数；步骤1.3.3，令m＝1，将预处理完后的样本训练集作为输入数据，得到输出图像；步骤1.3.4，计算输出图像与参考图像之间的均方误差和平均误差，并以m为X轴，均方