【技术实现步骤摘要】
本专利技术属于磁共振医学图像处理领域，特别涉及一种混合域弥散磁共振图像去噪的方法及相关装置。
技术介绍
1、磁共振成像
内的弥散加权成像(dmri)是探究生物组织微结构特性的关键技术，尤其在神经科学研究中占据核心地位。它凭借对水分子扩散动态的高灵敏度捕捉，实现了对人体特别是脑白质复杂架构的无创性可视化，促进了我们对大脑功能组织及发育进程的深刻理解。dmri技术使得科学家能够详尽描绘大脑的微观线路图，追踪白质纤维束路径，监控与年龄、疾病或康复相关联的微观结构变迁，以及精确识别异常连接模式，成为研究神经系统疾病不可或缺的工具。在dmri实践中，一个核心参数——b值，扮演着调控弥散敏感度的关键角色。增强b值虽能提升图像对细微弥散特性的分辨力，却也同时放大了由水分子自然随机运动导致的信号散射现象，这一物理过程在最终图像上体现为增加的背景噪声，从而降低了图像的清晰度和信噪比。噪声不仅模糊了组织边界与细微特征，还可能误导对弥散参数的量化分析，影响诊断精度和科研数据的可靠性。鉴于此，有效地抑制dmri图像中的噪声污染成为了该领域亟待解决的课题。当前，重复扫描叠加平均策略是最为广泛采纳的降噪手段，通过累积多次扫描数据以统计方式减少随机噪声，但其伴随的时间消耗和资源密集型特点，限制了其在临床实践中的广泛应用性和效率。
技术实现思路
1、本专利技术的目的在于提供一种混合域弥散磁共振图像去噪的方法及相关装置，以解决临床环境中获取到的图像数据受噪声严重影响而导致的数据可用性差的问题。
2
3、第一方面，本专利技术提供一种混合域弥散磁共振图像去噪的方法，包括：
4、获取弥散磁共振成像dmri数据，预处理后得到模型训练所需的dmri图像；
5、将预处理后得到模型训练所需的dmri图像，通过预构建的频域去噪子网模块、空间域去噪子网模块和频域-空间域融合子网模块，进行去噪；
6、将频域去噪子网模块与空间域去噪子网模块并行连接，联合输出后再与频域-空间域融合子网模块串接，构建dmri去噪模型；
7、构建多尺度结构相似度损失函数，训练构建的dmri去噪模型，通过dmri去噪模型从低信噪比的噪声图像中恢复得到高信噪比的输出图像。
8、进一步的，获取弥散磁共振成像dmri数据，预处理后得到模型训练所需的dmri图像，包括：
9、将人类连接组项目hcp原始的多壳数据先按b值的大小进行提取，获得按b值聚合的单壳数据集；然后，在每个b值的数据集内使用了k-mean聚类算法，选取了4个典型的b向量方向，作为聚类的中心向量，进行聚类，获得4个含有多个单壳体数据的簇，然后，在每个簇中执行几何平均，这样便获得了更干净的图像用作模型的训练；在训练时，依照b值的不同，在平均后的数据中分别添加了[0,20]％和[0,50]％范围内的噪声，在测试时，以相同方式在hcp原始数据集中添加噪声，将其作为网络的输入数据；
10、对于临床质量的dmri数据，首先需要对dmri数据进行运动校正、空间配准、畸变矫正以及涡流矫正等处理；在将低信噪比噪声数据恢复为高信噪比输出数据时，需要将三维体数据进行切片处理，将得到的切片以32为一个批次输入至模型中；二维数据在输入模型时和输出结果前都需要通过一个额外的卷积层以进行特征通道数的转变，以契合模型中所需的数据格式。
11、进一步的，构建频域去噪子网模块，使模型学习图像的频域特征信息，分离在频域范围内的有效信号与噪声信号：
12、对偶离散余弦变换ddct由两个尺度的dct块组合而成，分别在不同的范围内执行dct变换，并获得相应的频率系数矩阵；对于获得的多尺度并行数据，将其分别输入不同的支路进行特征学习，每个支路上都由四个个频率模块块fmb组成；每个fmb由若干感受野为3×3的四扩展卷积和常规卷积以及一个多尺度快速通道注意力组合而成，用于高效的提取数据特征；然后，对于获得的各支路上的结果，通过另一个卷积层进行融合，并输入至下一个ddct结构；在经过所有的模块处理之后，得到一个学习了频域特征信息的频域子网模型，获得频域子网的输出结果。
13、进一步的，构建空间域去噪子网模块，在空间域中去除图像中的噪声：
14、空间域子网模块采用了卷积神经网络式的构造，其由12个空间模块块smb构成；每个smb由3×3卷积、四扩展卷积以及多尺度空间注意力构成；smb的输入经过依次一个3×3卷积与一个四扩展卷积进行特征提取，并通过一个多尺度空间注意力进行特征加权，再与smb的输入通过一个残差连接相连，最后，通过以另一个3×3卷积、批量归一化以及激活函数，获得smb的最终的输出结果；在通过所有的smb的处理后，获得空间域子网的最终输出结果。
15、进一步的，构建频域-空间域融合子网模块，融合频域子网和空间域子网的结果：
16、频域-空间域融合子网模块采用卷积神经网络，由两个融合块fb组成；每个fb由一个四扩展卷积与若干常规卷积串联而成，并集成了残差连接；每个fb的输入将首先通过四扩展卷积进行多尺度的特征提取，以加强捕获特征的能力；然后，将输入依次通过三个常规卷积进行进一步的特征提取与融合，并将结果与fb的输入通过一个残差连接相连；最后，通过3×3卷积、批量归一化以及激活函数，获得fb的最终的输出结果。
17、进一步的，将多尺度快速通道注意力模块与多尺度空间注意力模块分别集成进频域去噪子网模块、空间域去噪子网模块：
18、多尺度快速通道注意力将被集成至fmb中，而多尺度空间注意力将被集成至smb中；多尺度快速通道注意力模块由三部分组成：多尺度特征提取部分、及通道注意力计算部分以及通道注意力加权部分；多尺度特征提取部分主要是由多个并行的拥有不同尺寸的卷积核组合而成，用于提取不同尺度的特征信息；通道注意力计算部分需要通过自适应平均池化将不同尺度的二维特征图降维为一维特征向量并通过1维卷积学习特征向量间的相互作用，再将各尺度的特征向量进行拼接并通过sigmoid激活函数进行非线性映射，得到计算所得的通道注意力；通道注意力加权部分将各尺度特征信息拼接并与通道注意力进行通道间相乘，得到通道特征加权后的特征立方体；设计四条支路，每一条支路上都有两个包含扩展率分别为d＝1,2,3,4的3×3卷积构成；多尺度空间注意力的输入将被分别输入至各支路中，分别进行特征提取与学习，最后拼接这些支路的输出，并通过以外一个卷积进行特征融合，获得一个二维的特征分布图；对获得的二维特征分布图通过sigmoid激活函数进行非线性映射，获得最终的权重分布图；将权重分布图与输入相乘，获得进空间加权后的特征立方体。
19、进一步的，构建整体的dmri去噪模型：
20、将频域去噪子网模块、空间域去噪子网模块相并联，构建去噪的主体网络，模型的输入将分别送入至频域子网模块与空间域子网模块分别进行频域与空间域内的特征提取与学习；然后，对于频域子网模块和空间域子本文档来自技高网...
【技术保护点】
1.一种混合域弥散磁共振图像去噪的方法，其特征在于，包括：
2.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，获取弥散磁共振成像dMRI数据，预处理后得到模型训练所需的dMRI图像，包括：
3.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，构建频域去噪子网模块，使模型学习图像的频域特征信息，分离在频域范围内的有效信号与噪声信号：
4.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，构建空间域去噪子网模块，在空间域中去除图像中的噪声：
5.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，构建频域-空间域融合子网模块，融合频域子网和空间域子网的结果：
6.根据权利要求3或4所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，将多尺度快速通道注意力模块与多尺度空间注意力模块分别集成进频域去噪子网模块、空间域去噪子网模块：
7.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，构建整体的dMRI去噪模型：
<...【技术特征摘要】
1.一种混合域弥散磁共振图像去噪的方法，其特征在于，包括：
2.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，获取弥散磁共振成像dmri数据，预处理后得到模型训练所需的dmri图像，包括：
3.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，构建频域去噪子网模块，使模型学习图像的频域特征信息，分离在频域范围内的有效信号与噪声信号：
4.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，构建空间域去噪子网模块，在空间域中去除图像中的噪声：
5.根据权利要求1所述的一种混合域弥散磁共振图像去噪的方法，其特征在于，构建频域-空间域融合子网模块，融合频域子网和空间域子网的结果：
6.根据权利要求3或4所述的一种混合域...
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。