【技术实现步骤摘要】
本专利技术涉及医学图像处理，更具体地，涉及一种基于生成对抗网络的mri运动伪影校正方法。
技术介绍
1、运动伪影一直是磁共振成像中的一个常见问题，其产生会影响医生的诊断。轻微的运动伪影可能只会产生一些噪声，但严重的运动伪影可能会导致患者在成像图片上的生理结构发生改变。当然，重新采集可能得到无运动伪影的mri，但也会带来额外的时间成本和金钱成本。目前，运动伪影校正方法主要包括前瞻性校正和回溯性校正。前瞻性校正通常需要额外的设备获取实时信息来校正运动伪影，例如通过导航器、相邻采集序列或其他信息的反馈调整磁共振采集的参数以保持采集数据和患者之间的相对静止。而为了与磁共振采集过程兼容，通常需对导航器坐标进行精确校准，导航器采样速度也要尽可能快。因此，相较于无导航器的回溯性校正方法，前瞻性校正方法需要更多时间来生成mri。此外，大多数前瞻性校正方法要求导航器的跟踪装置安装在患者身体上，这也给患者带来了不适。
2、回溯性校正不需要对患者进行物理约束和额外的检查时间，因此能给患者带来最好的检查体验。为了去除mri中的运动伪影，loktyushin等提出一种迭代搜索运动轨迹的方法，采用空间梯度熵来优化模型，生成了较为清晰的图像。cheng等通过最小化局部梯度熵度量实现了一个自动聚焦算法。此外，为了在估计运动参数时限制搜索空间的大小，他们还在数据采集的过程中对运动进行监测。samsonov等提出了一种新的基于迭代的方法来进行运动伪影的去除，该方法不会受限于运动模型的构建，在任意运动模型中都能较好地对运动伪影进行校正。jang等提出了基
3、为了应对上述缺陷，研究人员开始关注基于深度学习的mri运动伪影回溯校正模型。深度学习模型能够实现端到端的训练，且测试时间相较于传统回溯校正方法较快，尤其是近年来生成对抗网络的快速发展，图像修复领域已取得了极大的进展。但是当前基于深度学习的mri运动伪影校正方法往往只针对k空间或者空域中的数据进行优化，未考虑到k空间和空域之间的数据一致性，这使得运动校正后的mri在不同的空间中不能够保证数据一致性，也就无法保证模型结果的可靠性。
技术实现思路
1、本专利技术的目的是克服上述现有技术的缺陷，提供一种基于生成对抗网络的mri运动伪影校正方法，该方法包括：
2、首先采集数据集，并进行运动伪影仿真；
3、然后通过频域生成器对k空间数据进行初步校正，以及通过空域生成器对空域中的数据进行精细校正，在优化阶段则采用域间数据一致性损失来保持k空间和空域之间的数据一致性；
4、最后利用损失函数评价本专利技术模型的应用效果。
5、与现有技术相比，本专利技术的优点在于，该模型同时对k空间和空域中的数据进行运动伪影校正，并且通过域间数据一致性损失保持k空间和空域之间的数据一致性。模型整体框架采用生成对抗网络，生成器采用了带有跳层连接和残差块的卷积神经网络，判别器则采用了带有梯度惩罚项的warsserstein-1距离进行优化。本专利技术使用了公开数据集adni1)，abide 2)，oasis 3)和brain 4)对模型进行评估，并且通过下文实验可知,本专利技术所提出的模型在客观评价指标和主观评价上都具备一定的优势。
6、通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
本文档来自技高网...【技术保护点】
1.一种基于生成对抗网络的MRI运动伪影校正方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，根据以下步骤训练所述分类模型：
3.根据权利要求1所述的方法，其特征在于，所述分类模型主要包含3个部分，分别是生成器Generator、判别器Discriminator和特征提取器VGGM，其中生成器采用了级联的生成器结构，由频域生成器Gf、空域生成器Gs以及域转换层DT layer组成，复卷积网络Gf对K空间数据进行运动伪影初步校正，深度跳层残差网络Gs对空域数据进行运动伪影精细校正，两者共同实现了由粗到细的跨域运动伪影校正，判别器Discriminator采用了WGAN-GP中的判别器结构，VGGM则是使用MRI数据集预训练的VGG-19。
4.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至3中任一项所述的方法的步骤。
5.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中
...【技术特征摘要】
1.一种基于生成对抗网络的mri运动伪影校正方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，根据以下步骤训练所述分类模型：
3.根据权利要求1所述的方法，其特征在于，所述分类模型主要包含3个部分，分别是生成器generator、判别器discriminator和特征提取器vggm，其中生成器采用了级联的生成器结构，由频域生成器gf、空域生成器gs以及域转换层dt layer组成，复卷积网络gf对k空间数据进行运动伪影初步校正，深度跳层残差网络gs对空域数据进行运动伪...
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。