基于卷积神经网络去除磁共振图像降采样伪影的方法.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CN107507148A(43)申请公布日2017.12.22(21)申请号201710762719.2(22)申请日2017.08.30(71)申请人南方医科大学地址510515广东省广州市白云区广州大道北1838号南方医科大学(72)发明人冯衍秋张倩倩(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.G06T5/00(2006.01)G06N3/04(2006.01)权利要求书3页说明书6页附图3页(54)发明名称基于卷积神经网络去除磁共振图像降采样伪影的方法(57)摘要基于卷积神经网络去除磁共振图像降采样伪影的方法，将带有伪影的样本磁共振图像作为输入图像，通过卷积神经网络框架进行处理，最终得到无伪影的结果图像，(一)获取最优模型，T1、对样本磁共振图像进行预处理；T2、搭建卷积神经网络基本框架；T3、对卷积神经网络基本框架参数进行初始化；T4、通过训练数据对卷积神经网络基本框架参数进行优化，得到最优模型；(二)通过最优模型对待处理图像进行去伪影得到目标图像，T5、将经过预处理的待处理图像数据代入最优模型中，输出结果图像。该发明建立的最优模型可以有效去除降采样造成的伪影，获得较高的分辨率以及对比度，并很好的保留图像的细节。CN107507148ACN107507148A权利要求书1/3页1.基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：将带有伪影的磁共振图像通过卷积神经网络处理得到无伪影的结果图像。2.根据权利要求1所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：将带有伪影的样本磁共振图像作为输入图像，通过卷积神经网络框架进行处理获得最优模型，再将待处理的磁共振图像输入最优模型得到无伪影的结果图像。3.根据权利要求2所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：具体步骤如下：(一)获取最优模型T1、对样本磁共振图像进行预处理；T2、搭建卷积神经网络的基本框架；T3、对卷积神经网络基本框架参数进行优化，得到最优模型；(二)通过最优模型对待处理图像进行去伪影得到目标图像T4、将经过预处理的待处理图像数据代入最优模型中，输出结果图像。4.根据权利要求3所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：步骤T1的预处理操作步骤如下：T11、将带有伪影的样本磁共振图像和没有伪影的样本参考图像作为样本输入数据，根据式(1)进行归一标准化处理，得到方差为0，均值为1的样本输出数据；式(1)中y和z分别为样本输入数据和样本输出数据，μ和σ分别为样本输入数据的均值和方差；T12、根据步骤T11中得到的样本输出数据，建立训练模型的样本训练数据。5.根据权利要求4所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：步骤T2中搭建卷积神经网络基本构架的处理步骤是：T21，根据公式(2)依次计算第1层至第i-1层的输出数据；Fl(Y)＝max(0，BN(Wl*Fl-1(Y)+Bl))，l＝1，2,......i-1……式(2)；其中，i为卷积神经网络基本构架搭建的层数，i为正整数，“*”表示卷积操作，BN(x)为批量标准化操作，max(0，x)为激活函数表达式，l为所在层的顺序号，第一层的顺序号为1，第二层的顺序号为2，第i层的序号为i，Wl和Bl分别为第l层的卷积核和偏置参数，Fl-1(Y)为第l层的输入数据，Fl(Y)为第l层的输出数据；FO(Y)为输出的预测图像；T22，根据公式(3)计算第i层的输出数据，作为输出的预测图像FO(Y)；F0(Y)＝Wl*Fi-1(Y)+Bl,l＝i，……式(3)。6.根据权利要求5所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：i为3至2000。7.根据权利要求6所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：式(2)中的批量标准化操作具体如下：2CN107507148A权利要求书2/3页式(4)中G和b’为标准化权重常数的卷积核和偏置参数，x为待标准化的特征图组，μx和σx分别为x的均值和方差。8.根据权利要求7所述的基于卷积神经网络去除磁共振图像降采样伪影的方法，其特征在于：步骤T3的具体操作如下：T31、对卷积神经网络基本框架参数进行初始化；T32、设迭代次数为Q，当前迭代次数为k，1≤k≤Q，Q为正整数；T33、令k＝1，以样本训练数据作为当前样本训练数据，进入步骤T34；T34、将当前样本训练数据作为输入数据进行操作，得到输出图像数据；T35、计算输出图像数据与样本参考数据之间的均方误差值和平均误差值，统计并以k为X轴，均方误差值、平均误差值为Y轴制作成曲线图