【技术实现步骤摘要】
本专利技术涉及医学影像处理，特别涉及基于隐表示模型的脑磁共振图像超分辨率重建方法及系统。
技术介绍
1、磁共振成像是一种无创、无辐射的医学成像技术，广泛应用于疾病的检测、诊断、治疗进展和预后的监测。然而，由于设备限制和成像条件等因素，临床通常采用基于二维扫描协议来获取脑mr图像。通过这种方式得到脑mr图像具有各向异性体素分辨率的特点，具体表现为层间(即扫描层面选择方向)图像的分辨率相对较低，层内(即垂直于扫描层面选择方向)图像的分辨率相对较高。由于这些各向异性脑mr图像的层厚较大，在扫描层面选择方向会因混叠现象而呈现出不自然的图像纹理。此外，不同医院的扫描参数也会存在差异，使得即使是同一个脑部磁共振序列，也会得到具有不同层厚的各向异性脑mr数据。这些各向异性脑mr数据容易产生部分容积效应，对后续图像处理、分析和疾病诊断等带来了诸多困难。因此，改善mr图像的质量和分辨率在临床上具有十分重要的意义。
2、作为后处理工作，超分辨率(sr)技术已被广泛用于提高磁共振图像的质量。传统的超分辨率方法包括两类：一类是基于插值的方法，例如最近邻插值和双三次插值等；另一类是基于正则化的方法，通过整合先验知识或引入正则项来有效约束解的范围，从而提升重建图像的质量，例如非局部均值和低秩全变分等。近年来，随着深度学习技术的发展，尤其是卷积神经网络凭借其卓越的高级抽象表征学习能力直接学习从低分辨率(lr)图像到高分辨率(hr)图像的映射，尽管取得了显著的图像恢复结果，但这些基于深度学习的方法通常着重于同一层厚固定的上采样因子，灵活性有限，限制
3、相关技术中，如申请号为cn202410001400.8，专利技术名称为基于特征融合transformer的多对比度核磁共振图像超分辨率方法的中国专利技术专利，申请号为cn202210049071.5，专利技术名称为一种脑部磁共振图像超分辨率重建方法的中国专利技术专利，以及申请号为cn202311439600.3，专利技术名称为一种基于多尺度注意力的磁共振图像超分辨率重建方法的中国专利技术专利等。
4、上述方法需要配对的高分辨率和低分辨率磁共振图像，采用监督训练策略进行训练，而在临床实际应用中，往往缺乏配对的高分辨率和低分辨率磁共振图像。现有的基于自监督学习的超分辨率重建方法，利用各向异性磁共振图像本身信息生成配对的训练样本，通过从层内高分辨率的切片中生成低分辨率图像进行训练，然后将训练好的模型用于另外两个层间切片，但这类方法通常针对每个各向异性磁共振图像进行个性化模型训练，灵活性受限。将隐式神经表示与自监督学习方法相结合的方法，通过将图像特征与坐标信息融合，实现不同层厚各向异性磁共振图像的超分辨率重建，但该方法在特征融合时采用直接地特征拼接方式，难以充分利用二者之间的相关性关系。
技术实现思路
1、为了实现本专利技术的上述目的和其他优点，本专利技术的第一目的是提供一种基于隐表示模型的脑磁共振图像超分辨率重建方法，包括以下步骤：
2、获取不同层厚的各向异性脑磁共振图像，分为训练数据和测试数据；
3、对所述各向异性脑磁共振图像进行预处理；
4、对预处理后的训练数据进行处理，以生成训练样本；
5、采用所述训练样本对基于隐表示模型的超分辨率重建模型进行训练；
6、将所述预处理后的测试数据输入训练好的模型，输出重建图像切片图像，进行堆叠得到三维图像；
7、再将得到的三维图像进行平均，最终得到各向同性脑磁共振图像。
8、进一步地，所述对所述各向异性脑磁共振图像进行预处理步骤包括：
9、对所述各向异性脑磁共振图像进行偏置场矫正；
10、对所述各向异性脑磁共振图像像素值采用最大最小归一化处理。
11、进一步地，所述对预处理后的训练数据进行处理，以生成训练样本步骤包括：
12、从高分辨率的层内切片中按预设尺寸提取高分辨率图像块；
13、根据层间和层内体素分辨率的比值，对所述高分辨率图像块进行高斯模糊和一维降采样，降采样尺度为比值大小；
14、对降采样后的图像块进行上采样操作，得到与高分辨率图像块尺寸相同的低分辨率图像块，并构成一组训练样本。
15、进一步地，所述基于隐表示模型的超分辨率重建模型包括图像特征提取模块、可学习坐标编码模块和解码模块；其中，
16、所述图像特征提取模块用于从图像块中提取图像特征；
17、所述可学习坐标编码模块用于从图像块坐标中提取坐标编码；
18、所述解码模块用于对所述图像特征与所述坐标编码的融合特征进行解码。
19、进一步地，所述图像特征提取模块采用以edsr为基础的网络结构，其包含卷积层、残差块和跳跃连接，所述残差块内部依次包含卷积、线性整流单元、卷积和恒定缩放层，所述跳跃连接将第一个卷积层输出的特征图与倒数第二个卷积层的输出特征图连接，将连接的特征送入最后一个卷积层。
20、进一步地，所述可学习坐标编码模块包含多个全连接层，其输入特征维度对应于图像中每个像素的坐标，第一个全连接层将输入特征映射到第一预设维度空间中，并经过激活函数进行非线性变换，中间的全连接层将上一全连接层的多维度特征进一步扩展到更多维度，同样后接激活函数，倒数第二个全连接层保持上一全连接层的多维度特征，同样后接激活函数，最后一个连接层将多维度特征映射到最终的输出特征维度。
21、进一步地，所述解码模块包含多个全连接层，每个全连接层后都紧接激活函数，所述解码模块中还引入残差连接，将输入信息与中间激活层的输出进行相加。
22、进一步地，采用所述训练样本对基于隐表示模型的超分辨率重建模型进行训练的损失函数采用融合内容损失和脑组织边缘感知损失的混合损失函数，公式定义如下：
23、
24、其中，y代表真实图，代表超分辨率重建的预测结果，lc表示内容损失，leg表示脑组织边缘感知损失，权重λ1和λ2用来平衡不同损失函数项；lc，leg定义如下：
25、
26、
27、其中，ch和cw分别代表水平和垂直的边缘检测prewitt算子，表示卷积运算，my和分别代表经过prewitt算子后的y真实图和预测图的梯度幅值图。
28、本专利技术的第二目的是提供一种基于隐表示模型的脑磁共振图像超分辨率重建系统，实现上述的方法，包括图像获取模块、图像预处理模块、训练样本生成模块、模型训练模块、模型测试模块、图像处理模块；其中，
29、所述图像获取模块，用于获取不同层厚的各向异性脑磁共振图像，分为训练数据和测试数据；
30、所述图像预处理模块，用于对所述各向异性脑磁共振图像进行预处理；
31、所述训练样本生成模块，用于对预处理后的训练数据进行处理，以生成训练样本；
32、所述模型训练模块，用于采用所述训练样本对基于隐表示模型的超分辨率重建模型进行训练；本文档来自技高网...
【技术保护点】
1.一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，所述对所述各向异性脑磁共振图像进行预处理步骤包括：
3.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，所述对预处理后的训练数据进行处理，以生成训练样本步骤包括：
4.如权利要求3所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于：所述基于隐表示模型的超分辨率重建模型包括图像特征提取模块、可学习坐标编码模块和解码模块；其中，
5.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于：所述图像特征提取模块采用以EDSR为基础的网络结构，其包含卷积层、残差块和跳跃连接，所述残差块内部依次包含卷积、线性整流单元、卷积和恒定缩放层，所述跳跃连接将第一个卷积层输出的特征图与倒数第二个卷积层的输出特征图连接，将连接的特征送入最后一个卷积层。
6.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超
7.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于：所述解码模块包含多个全连接层，每个全连接层后都紧接激活函数，所述解码模块中还引入残差连接，将输入信息与中间激活层的输出进行相加。
8.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，采用所述训练样本对基于隐表示模型的超分辨率重建模型进行训练的损失函数采用融合内容损失和脑组织边缘感知损失的混合损失函数，公式定义如下：
9.一种基于隐表示模型的脑磁共振图像超分辨率重建系统，实现如权利要求1～8任一项所述的方法，其特征在于：包括图像获取模块、图像预处理模块、训练样本生成模块、模型训练模块、模型测试模块、图像处理模块；其中，
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可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如权利要求1～8任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～8任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，所述对所述各向异性脑磁共振图像进行预处理步骤包括：
3.如权利要求1所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，所述对预处理后的训练数据进行处理，以生成训练样本步骤包括：
4.如权利要求3所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于：所述基于隐表示模型的超分辨率重建模型包括图像特征提取模块、可学习坐标编码模块和解码模块；其中，
5.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于：所述图像特征提取模块采用以edsr为基础的网络结构，其包含卷积层、残差块和跳跃连接，所述残差块内部依次包含卷积、线性整流单元、卷积和恒定缩放层，所述跳跃连接将第一个卷积层输出的特征图与倒数第二个卷积层的输出特征图连接，将连接的特征送入最后一个卷积层。
6.如权利要求4所述的一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于：所述可学习坐标编码模块包含多个全连接层，其输入特征维度对应于图像中每个像素的坐标，第一个全连接层将输入特征映射到第一预设维度空间中，并经过激活函数进行非线性变换，中间的全连接...
【专利技术属性】
技术研发人员：戴亚康，彭博，程健，刘苏锐，周志勇，耿辰，陈鸣伸，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
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。