[发明专利]一种基于卷积神经网络的图像合成方法

说明书

本发明公开了一种基于卷积神经网络的图像合成方法，包括以下步骤：步骤1，对3T‑7T训练图像对和测试3T磁共振图像进行预处理，得到预处理后的3T‑7T训练图像对和预处理后的测试3T磁共振图像；步骤2，构建双域卷积神经网络模型，将预处理后的3T‑7T训练图像对输入双域卷积神经网络模型中进行训练，得到训练后的双域卷积神经网络模型；步骤3，将预处理后的测试3T磁共振图像作为当前3T磁共振图像，将当前图像输入训练后的双域卷积神经网络模型中，得到与当前3T磁共振图像所对应的7T磁共振图像。

技术领域

本发明属于图像处理领域，具体涉及一种基于卷积神经网络的图像合成方法。

背景技术

随着磁共振成像技术的迅速发展，磁共振图像的分辨率、信噪比和扫描速度都有了较大提高。然而，目前7T磁共振成像扫描仪价格极其昂贵，分布非常稀少，全世界不足100台。与此对比，作为一种临床常规选择，3T磁共振扫描仪从20世纪初开始成为行业的金标准，至今仍普遍用于科学研究和临床实践。为了提高磁共振图像质量，临床常用措施是使用尺寸较小的体素进行图像采集，能够获得更多的图像细节、更高的分辨率和对比度，但同时造成信噪比较低和扫描时间较长的问题。

现有技术通常采用图像合成的方法来获取7T磁共振图像，图像合成的目标是利用低分辨率3T磁共振图像重建高分辨率7T磁共振图像。由于7T磁共振图像外观和对比度不同于3T磁共振图像外观和对比度，图像合成问题与图像超分辨率问题不同。为了解决这个问题，近年出现了很多基于机器学习的方法，并取得较好效果。这些方法大致可以分为两大类：基于模型的方法和基于深度学习的方法。

其中，基于模型的方法包括基于稀疏表示的方法和基于级联回归的方法。基于稀疏表示的方法，通过对输入图像或外部训练图像学习配对的低分辨率和高分辨率字典，利用稀疏表示对输入的低分辨率图像进行高分辨率重建。然而，基于稀疏表示的方法假设低分辨率图像和高分辨率图像的稀疏系数相同，这与实际情况不符。基于级联回归的方法，通过挖掘输入低分辨率图像和低分辨率训练图像之间的结构相似性先验，利用级联的线性回归模型学习配对的低分辨率训练图像和高分辨率训练图像之间的映射关系，将学习的回归模型用于高分辨率图像重建。但基于级联回归的方法只适用于线性映射建模，难于准确表达3T与7T模态磁共振图像之间复杂的非线性映射关系。基于深度学习的方法能够从训练数据中自适应学习图像模型，其中具有代表性的方法是基于卷积神经网络的方法，其性能通常超过基于模型的方法。基于卷积神经网络的方法，先利用卷积神经网络模型学习一组配对的3T训练磁共振图像亮度及其解剖结构与7T磁共振图像亮度之间的映射关系，然后将学习的网络模型用于7T图像合成。然而，基于卷积神经网络的方法对7T图像合成时需要同时输入3T图像及其组织解剖结构标记，严重制约了该方法的应用范围，其中3T磁共振图像的组织解剖结构标记误差会降低7T磁共振图像合成效果。此外，基于模型的方法，采用手工刻画特征用于图像建模，难以自适应表达图像的复杂分布，从而限制了其应用范围，并且存在参数调节困难和测试计算量大的问题。现有基于卷积神经网络的方法可以避免基于模型的方法存在的弊端，但需要合理高效的网络模型来表达3T与7T模态磁共振图像之间的复杂映射关系。

发明内容

针对现有技术中存在的不足，本发明的目的在于，提供一种基于卷积神经网络的图像合成方法，解决现有技术无法高效利用3T磁共振图像来获取7T磁共振图像的技术问题。

为了解决上述技术问题，本申请采用如下技术方案予以实现：

一种基于卷积神经网络的图像合成方法，包括以下步骤：

步骤1，获取多个三维3T磁共振图像组成三维3T磁共振图像训练集，获取多个三维7T磁共振图像组成三维7T磁共振图像训练集；

将三维3T磁共振图像训练集中的M个连续二维3T磁共振图像切片作为一个3T图像块和三维7T磁共振图像训练集中的M个连续二维7T磁共振图像切片作为一个7T图像块，所述一个3T图像块和一个7T图像块组成一对3T-7T训练图像对；