[发明专利]基于Wasserstein生成对抗网络的MRI图像去噪模型的构建方法及应用

说明书

本发明公开了一种基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用，本发明以Wasserstein生成对抗网络作为基本模型对MRI噪声图像进行处理，利用大规模数据来进行训练，能够使模型自动从数据中学习噪声图像和无噪声图像之间潜在的关联，并将对抗损失、感知损失和MSE损失引入训练模型损失函数的构建中，使构建的模型对三维MRI图像具有很好的去噪效果。

技术领域

本发明属于MRI(核磁共振成像)图像处理技术领域，涉及一种MRI图像去噪的方法，尤其涉及一种基于Wassertein生成对抗网络的三维MRI图像去噪模型的构建方法及应用。

背景技术

在临床诊断过程中，每一个细节都会影响医师的诊断结果，这就要求更多的研究者投入时间和精力去研究新的成像技术及图像处理方法。

MRI作为医疗诊断的常规手段和医学影像界最先进的成像技术之一，具有对人体无创伤、无辐射伤害、可在任意方向直接断层成像的优点。然而，在高速成像和高分辨率成像条件下，容易出现涡流失真等问题，从而影响MRI图像的成像质量及其临床诊断价值。因此，对MRI图像进行去噪同时保留足够的细节信息是MRI成像领域的重要问题之一。

MRI图像的三维结构保留是医学图像分析中的关键步骤，为了同时在噪声抑制和结构保留两方面取得较好的效果，目前已经提出了多种MRI图像去噪方法，这些方法可以分为三类：(a)基于滤波器的方法，此类方法直接在空域对图像的像素点或图像块进行处理，典型的算法有Anisotropic diffusion filter、非局域均值(Nonlocal Means，NLM)等；(b)基于频域的方法，此类方法首先将图像通过某种变换【如离散余弦变换(Disicrete CosineTransform，DCT)、小波变换、傅里叶变化等】，将图像信息映射到频域，再对频域数据进行处理；(c)基于统计的方法，此类方法一般首先估计MRI图像中莱斯噪声参数，然后利用该参数结合统计方法(如贝叶斯、最大后验估计等)来优化图像质量。

近年来，基于图像自相似性和稀疏性的方法得到关注，许多研究者提出了非NLM方法和Block-matching and 3D(BM3D)滤波器，并将其应用到MRI图像去噪领域。非NLM方法通过搜索框口中的相似块进行加权求和来计算目标像素值，从而达到去除噪声的目的，并得到显著的效果(Manjon,J.,Carbonell-Caballero,J.,Jj,Garcia-Marti,G.,Marti-Bonmati,L., Robles,M.,2008.MRI denoising using non-local means.Med.ImageAnal.12,514-523)。 Block-matching and 3D(BM3D)滤波器结合局部性和域变换的特性，它首先将相似块组合成一个3D的数组，然后利用域变换操作(DCT，小波变换等)将该3D数组变换到频域空间来估计目标块的值(Dabov,K.,Foi,A.,Katkovnik,V.,Egiazarian,K.,2007.Image Denoising by Sparse 3-D Transform-Domain CollaborativeFiltering.IEEE Trans. Image Process.16,2080-2095)。Maggioni等人在2012年通过改进BM3D来处理三维图像(被称为BM4D)，该方法的原理和BM3D是一样的，区别在于，BM3D处理的原始数据是2D图像，而BM4D处理三维数据，它将3D的相似块组合成一个4D的数组来进行处理，该方法是目前磁共振去噪性能最好的方法之一。另一种和BM4D相似的算法是高阶奇异值分解(Higher-Order Singular Value Decomposition,HOSVD，该方法和BM4D的区别是HOSVD的基是通过学习图像得到，因此具有更强的适应性(Dabov,K.,Foi,A.,Katkovnik,V.,Egiazarian,K.,2007.Image Denoising by Sparse 3-D Transform-DomainCollaborative Filtering.IEEE Trans.Image Process.16,2080-2095)。