System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理,具体涉及一种用于脑肿瘤的从mri到脑血容量定量图像的图像合成方法。
技术介绍
1、灌注磁共振成像,无论是采用动脉自旋标记、动态对比增强,还是动态敏感性对比(dsc),都是评估中枢神经系统病理学的关键工具。灌注可用于急性中风的设置来评估高危脑的容量和评估患者恢复的可能性,也可以量化血管紊乱的生理影响,如烟雾病、动脉调节衰竭或动脉功能不全。对于新的脑肿瘤患者,灌注可以帮助预测肿瘤的分级,并确保从肿瘤最具侵袭性的部分进行活检。由于常规的mri序列区分肿瘤进展和治疗性放疗的效果十分困难。一种常用的技术是通过来自dsc mri灌注的脑血容量(cbv)来对肿瘤的进展和放射效应进行区分,这已成为已治疗的高级别胶质肿瘤影像学监测的常规方法。
2、但是对于该技术来说存在两个困难:1)灌注成像需要高流量的造影剂注入。但高流量造影剂注射容易出错,因为它对生理变化(如心输出量减少)的适应能力较差,而且需要经验丰富的技术人员进行可靠的图像后期处理。2)即使是病人的微小移动也会对后处理图像产生巨大的负面影响。尽管核磁共振成像灌注图对诊断准确性有重要贡献,但其操作繁琐,而且往往无法诊断。因此需要一种方法,可以通过常规磁共振成像序列来生成磁共振成像灌注图,从而绕过所提到的困难。
3、动脉自旋标记(asl)是一种磁共振灌注成像技术,可以在不使用静脉注射的钆造影剂的情况下量化脑血流量(cbf)。与增强技术(如动态磁敏感对比和动态对比增强灌注)相比,asl易于重复,不容易受到磁敏感伪影的影响,适用于禁用钆造影剂的情况(
技术实现思路
1、为了克服现有技术的不足,本专利技术提供了一种用于脑肿瘤的从mri到脑血容量定量图像的图像合成方法,包括1)基于gan的图像合成算法,该算法主要包括:基于特征一致性的gan网络和具有平均绝对误差损失的三维编码器-解码器网络;2)3d可增量的encoder-decoder网络,该网络主要包括对于每一个模态都存在一个编码器和一个面向cbv模态的解码器。本专利技术通过提出的基于gan的图像合成算法,可以从易获取的标准mri序列生成磁共振成像灌注图,从而提高灌注的脑血容量来对肿瘤的进展和放射效应进行区分的方法的可实施性。同时,本专利技术的3d可增量的encoder-decoder网络可以从许多只有少数有asl-cbf配对图像的受试者身上学习,从而在仅有少量asl-cbf配对图像的前提下生成cbv图像。
2、本专利技术解决其技术问题所采用的技术方案如下:
3、步骤1:mri序列的输入序列组合;
4、原始五个模态的数据,分别为t1wi、t2wi、adc、t1_c、t2_c;表示从所有五种mri序列中选择n种的mri序列,其中n为1到5;将选择的n中mri序列放入到不同的channel中得到一种mri组合,一共得到31中组合,作为模型的输入;
5、步骤2:构建生成器模块;
6、生成器模块由编码部分、传送部分和解码部分组成;编码部分使用三个卷积层从输入图像中提取信息;传送部分使用六个残差网络块将信息从编码部分传送到解码部分;解码部分使用两个反卷积层和一个卷积层构造目标图像;将所有的卷积层和反卷积层的核大小都设置为3×3×1;
7、步骤3:构建判别器模块;
8、判别器模块由5个卷积层组成;判别模型的输入是合成的cbv图像或真实的cbv图像,输出结构是二进制指标,表示输入的图像是合成的还是真实的图像;
9、步骤4:构建maeed模块;
10、maeed模块主干为gan网络中的生成器模块;将处理好的mri序列送入到maeed模块中,得到生成的cbv图像,之后将生成的cbv图像和真实的cbv图像计算平均绝对误差损失,从而约束网络生成与真实cbv图像更接近的cbv图像;
11、步骤5:构建3d可增量的encoder-decoder网络;
12、对于每一个模态都存在一个编码器对于cbv模态存在一个解码器多个编码器的潜在空间特征图被平均为一个混合特征图;表示有m个模态的一个受试者,a={a1,a2,…,am}表示是否缺少某个模态的数据,a*=1表示有该模态的数据,a*=0表示没有;生成的cbv图像被表示为:
13、
14、步骤6:基于3d可增量的encoder-decoder网络iedn,通过相同的受试者训练带有asl-cbf的模型,并设置aasl=0模拟不带asl-cbf的模型;
15、用t1wi图像/脑掩膜代替cbv图像,并重新训练iedn以获得t1wi图像/脑掩膜合成模型,这样能从任何其他模式合成t1wi图像/脑掩膜;多种模式之间的协同配准将转变为同模式t1wi配准。
16、优选地,所述生成器模块中编码部分的三个卷积层的通道数分别为16、32和64。
17、优选地,所述生成器模块中解码部分使用两个反卷积层有16个和32个通道,一个卷积层有1个通道。
18、优选地,所述判别器模块的五个卷积层的通道分别是16、32、64、128和1,卷积层核大小为4×4×1。
19、本专利技术的有益效果如下:
20、灌注成像所需要的高流量造影剂受限于心排血量减少等生理变化和经验丰富的技术人员进行可靠的图像后处理的影响,导致高流量造影剂注射出错率高。同时病人的微小移动会对后处理图像产生巨大的负面影响。以上这些原因导致灌注成像得到的磁共振成像灌注图获取困难且可能存在很高的出错率。本专利技术通过提出的基于gan的图像合成算法,可以从易获取的标准mri序列生成磁共振成像灌注图,从而提高灌注的脑血容量来对肿瘤的进展和放射效应进行区分的方法的可实施性。同时,本专利技术的3d可增量的encoder-decoder网络可以从许多只有少数有asl-cbf配对图像的受试者身上学习,从而在仅有少量asl-cbf配对图像的前提下生成cbv图像。
本文档来自技高网...【技术保护点】
1.一种用于脑肿瘤的从MRI到脑血容量定量图像的图像合成方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种用于脑肿瘤的从MRI到脑血容量定量图像的图像合成方法,其特征在于,所述生成器模块中编码部分的三个卷积层的通道数分别为16、32和64。
3.根据权利要求1所述的一种用于脑肿瘤的从MRI到脑血容量定量图像的图像合成方法,其特征在于,所述生成器模块中解码部分使用两个反卷积层有16个和32个通道,一个卷积层有1个通道。
4.根据权利要求1所述的一种用于脑肿瘤的从MRI到脑血容量定量图像的图像合成方法,其特征在于,所述判别器模块的五个卷积层的通道分别是16、32、64、128和1,卷积层核大小为4×4×1。
【技术特征摘要】
1.一种用于脑肿瘤的从mri到脑血容量定量图像的图像合成方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种用于脑肿瘤的从mri到脑血容量定量图像的图像合成方法,其特征在于,所述生成器模块中编码部分的三个卷积层的通道数分别为16、32和64。
3.根据权利要求1所述的一种用于脑肿瘤的从mri到脑...
【专利技术属性】
技术研发人员:潘永生,夏勇,马豪杰,王宝,刘英超,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
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。