一种头部三维MRI超分辨率重建方法技术

本发明专利技术公开了一种头部三维MRI超分辨率重建方法，该方法首先选取高分辨的MRI图像数据，对选取的MRI数据进行预处理得到小数据块，将得小数据块作为训练数据；然后建立基于卷积神经网络和Transformer编码器的三维MRI超分辨率重建模型，将小数据块作为输入对模型进行训练，得到三维MRI超分辨率重建模型；最后使用三个轴向MRI数据进行处理得到正方体空腔数据，将空腔数据输入到训练好的模型中得到空腔被填充小正方体，拼接空腔被填充小正方体组成完整数据空间。该方法模型规模小，图像重建速度快，重建图像质量高，为医学图像处理提供更精密数据。密数据。密数据。

【技术实现步骤摘要】
一种头部三维MRI超分辨率重建方法


[0001]本专利技术涉及医学图像处理
，具体是一种头部三维MRI超分辨率重建方法。

技术介绍

[0002]在磁共振成像（MRI）过程中，由于图像采集传感器的限制，图像的信噪比和空间分辨率会受到影响。另一方面，由于图像数据存储空间的限制，在图像采集时通过略去一些与诊断信息关联不大的影像数据以减轻医院的存储压力。例如，在鼻咽癌的MRI诊断中，医生常从冠状面、矢状面和横断面三个视图中获取临床影像信息。为了节省存储空间，这类图像数据其片内分辨率较高以满足医生诊断需求，图像层间距较大以节约存储空间，层间距通常是3
‑
10mm。在只使用一个轴向的数据进行图像处理任务中，对于现在的医学图像机器视觉任务，在经常使用的3D卷积操作中，由于图像层间距的影响，导致每一个卷积核覆盖的真实空间并不是正方体，而是一个有一个边很长的长方体，卷积核在不同轴向上提取的图像的空间分辨率不同，导致模型性能的下降。在使用三个轴向的数据进行图像处理任务时，如果不能将三个方位平面的图像信息进行有效整合，会对后续的图像处理任务造成影响，例如影响图像分割和疾病的分类问题的实验精度。有必要设计一种三维医学影像超分辨率重建方法，提高三维医学图像的分析精度。

技术实现思路

[0003]本专利技术的目的克服现有技术的不足，提供一种头部三维MRI超分辨率重建方法，该方法模型规模小，图像重建速度快，重建图像质量高。
[0004]实现本专利技术目的的技术方案是：一种头部三维MRI超分辨率重建方法，具体包括如下步骤：1）选取头部高分辨率的MRI图像数据，将该数据进行处理，去除黑色背景区域数据，并作为步骤2）的数据范围；2）对步骤1）选取的MRI数据进行预处理，在该数据上滑动选取正方体数据块，得到的正方体数据块分解为六个表面图像和表面数据覆盖的内部3D数据块，得到的数据作为步骤3）的模型训练数据；3）建立基于卷积神经网络和Transformer编码器的三维MRI超分辨率重建模型，步骤2）描述的数据块作为网络训练数据，得到三维MRI超分辨率重建模型；4）选取三个轴向的MRI数据，对三个轴向数据进行配准，将三个方向平面数据进行交叉，得到空腔数据块，将空腔数据块分解得到6个平面；5）将步骤4）得到的数据，输入到步骤3）建立的模型中，得到输出数据；6）将步骤5）所得到的输出数据进行重新整合，根据步骤4）中空腔数据块选取位置，重建整个数据空间。
[0005]所述的步骤1），具体是选取的数据为层间隔为零的高分辨率MRI数据，数据为DICOM格式图像，其每个像素真实空间大小为1mm
×
1mm
×
1mm；去除黑色背景区域数据具体
操作首先将DICOM数据转换成位图数据，将像素取值范围转换到0
‑
1之内，然后选取阈值为0.1，将背景区域噪声像素信息去除。
[0006]所述的步骤2），具体是在高分辨率数据上滑动取数据块，滑动的步进应该为（目标MRI图像层间距/目标MRI图像像素真实大小
‑
1）；对于六个表面图像和表面数据覆盖的内部3D数据块，其中六个表面图像作为步骤3）模型训练的输入数据，表面数据覆盖的内部正方体数据块作为步骤3）模型训练的目标输出。
[0007]所述的步骤3），基于卷积神经网络和Transformer编码器的三维MRI超分辨率重建模型，是由线性变换层、CNN层、DNN层和Transformer编码器层四部分共同构成，模型数据并行输入到线性变换变换层和CNN层，数据经过线性变换层处理后输入到Transformer编码器层中；经过Transformer编码器层和CNN层处理后由DNN层进行整合，输出最终结果；其中CNN层由卷积、池化、激活以及残差连接结构组成；Transformer编码器层由多个Transformer编码器串联构成，每个编码器由两个子层连接结构组成，第一个子层连接结构包括一个多头自注意力子层、标准化化层和一个残差连接，第二个子层连接结构包括一个前馈全连接子层、标准化层和一个残差连接；线性变换层的作用是将多维数据转化为一维，CNN层作用是图像轮廓和部分纹理信息提取、Transformer编码器作用是纹理信息提取，DNN层作用是信息整合；在构建好模型后，将步骤2）的数据输入模型中训练，得到MRI超分辨率重建模型，训练过程中，将由模型得到的3D数据块，与真实数据块做比较，使用绝对误差和梯度误差作为他们之间损失值的损失函数，损失值通过反向传播算法不断地迭代优化模型中的参数。
[0008]所述的步骤4），具体是横断面、冠状面和矢状面图像在成像过程中记录每张图像的空间位置关系，将所有三个轴向的MRI切片图像建立空间面方程，通过求解得到任意两个相邻横断面、任意两个相邻冠状面和任意两个相邻矢状面，相交产生的空腔正方体，通过得到的空腔正方体得到步骤3）所需要输入的数据格式。
[0009]所述的步骤6），具体是步骤5）得到的数据块与步骤4）得到的空腔数据进行组合，完成步骤4）空腔填充，然后将组合的数据重新还原到步骤4）产生空腔的位置。
[0010]有益效果：本专利技术提供的一种头部三维MRI超分辨率重建方法，该方法模型规模小，图像重建速度快，重建图像质量高，为医学图像处理提供更精密数据。
附图说明
[0011]图1为头部三维MRI超分辨率重建技术线路图；图2为冠状面、矢状面和横断面图像相交示意图；图3为重建区域示意图；图4为三维MRI超分辨率重建神经网络的示意图。
具体实施方式
[0012]下面结合附图和实施例对本专利技术进一步阐述，但不是对本专利技术的限定。
[0013]如图1所示，头部三维MRI超分辨率重建技术线路图，主要包括如下步骤：1）三个轴向MRI图像扫描使用磁共振设备采集实头部冠状面、矢状面和横断面三个方向平面的MRI图像数据。
[0014]2）三个轴向MRI图像配准磁共振设备在成像过程中会记录每张图像的空间位置关系，将所有三个轴向的MRI切片图像建立空间面方程，通过求解即可得如图2所示的到任意两个相邻横断面、任意两个相邻冠状面和任意两个相邻矢状面，相交产生的空腔正方体。
[0015]3）特征提取如图3所示，将得到的任意两个相邻横断面，任意两个相邻冠状面，任意两个相邻矢状面，相交产生的空腔正方体拆解开，得到6个小的平面图像，作为基于卷积神经网络和Transformer编码器的三维MRI超分辨率重建模型的数据输入。
[0016]4）基于卷积神经网络和Transformer编码器的三维MRI超分辨率重建模型如图4所示，为三维MRI超分辨率重建神经网络的示意图。模型主要由CNN卷积模块、线性变换模块、Transformer编码器模块和DNN深度神经网络模块构成，数据输入到模型中分为并行的两个部分，CNN模块和线性变换模块，线性变换模块部分的数据再输入Transformer编码器模块，最后将两部分的结果输入到DNN中进行特征融合，输出目标结果。
[0017]在C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种头部三维MRI超分辨率重建方法，其特征在于，包括如下步骤：1）选取头部高分辨率的MRI图像数据，将该数据进行处理，去除黑色背景区域数据，并作为步骤2）的数据范围；2）对步骤1）选取的MRI数据进行预处理，在该数据上滑动选取正方体数据块，得到的正方体数据块分解为六个表面图像和表面数据覆盖的内部3D数据块，得到的数据作为步骤3）的模型训练数据；3）建立基于卷积神经网络和Transformer编码器的三维MRI超分辨率重建模型，步骤2）描述的数据块作为网络训练数据，得到三维MRI超分辨率重建模型；4）选取三个轴向的MRI数据，对三个轴向数据进行配准，将三个方向平面数据进行交叉，得到空腔数据块，将空腔数据块分解得到6个平面；5）将步骤4）得到的数据，输入到步骤3）建立的模型中，得到输出数据；6）将步骤5）所得到的输出数据进行重新整合，根据步骤4）中空腔数据块选取位置，重建整个数据空间。2.根据权利要求1所述的一种头部三维MRI超分辨率重建方法，其特征在于，所述的步骤1），具体是选取的数据为层间隔为零的高分辨率MRI数据，数据为DICOM格式图像，其每个像素真实空间大小为1mm
×
1mm
×
1mm；去除黑色背景区域数据具体操作首先将DICOM数据转换成位图数据，将像素取值范围转换到0
‑
1之内，然后选取阈值为0.1，将背景区域噪声像素信息去除。3.根据权利要求1所述的一种头部三维MRI超分辨率重建方法，其特征在于，所述的步骤2），具体是在高分辨率数据上滑动取数据块，滑动的步进应该为（目标MRI图像层间距/目标MRI图像像素真实大小
‑
1）；对于六个表面图像和表面数据覆盖的内部3D数据块，其中六个表面图像作为步骤3）模型训练的输入数据，表面数据覆盖的内部正方体数据块作为步骤3）模型训练的目标输出。4.根据权利要求1所述的一种头部三维MRI超分辨率重...

【专利技术属性】
技术研发人员：刘伟，陈洪波，赵岩，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：