[发明专利]基于卷积神经网络的核磁共振图像运动伪影校正

说明书

本发明公开了一种基于卷积神经网络的运动伪影校正方法。包括步骤：将数据集按一定比例随机分为训练集、验证集和测试集；设计一个可以进行端到端训练的卷积神经网络；由Kaiming网络参数初始化方法初始化卷积神经网络；向初始化后的卷积神经网络中输入带运动伪影的核磁共振图像，在输出端与不带运动伪影的核磁共振图像计算损失并反向更新网络梯度；在测试集上对训练好的网络进行评估，并输出对应的测试结果。本发明将减少核磁共振图像在拍摄过程中对于传统辅助手段的依赖，同时提高被拍摄者的舒适度。此外，在训练数据集丰富的情况下，本发明可以适用于不同型号的核磁共振图像设备，相较于传统的运动伪影校正方法具有更高的通用性。

技术领域

本发明涉及核磁共振图像运动伪影校正技术领域，具体是一种基于卷积神经网络的核磁共振图像运动伪影校正方法。

背景技术

运动伪影是核磁共振图像采集中一种常见的影响图像质量的伪影形式，其中大概10％～42％的脑部检查会带来运动伪影，而这些运动伪影为医生的诊断带来了较多的干扰。造成该类伪影的主要原因有：非自愿的周期运动，例如心脏和呼吸活动；打喷嚏、咳嗽、打哈欠和吞咽、眨眼等突然不自主运动；由于身体不舒服带来的有意识运动等。由于核磁共振图像的运动伪影有时不可避免，为了使医生在诊断过程中尽可能免受运动伪影带来的影响，对其进行校正是必要的。

当前，相关研究人员针对核磁共振图像运动伪影的问题已经提出了很多方法，其中包括使用软垫和头部固定器固定以限制头部运动，快速的单脉冲序列以冻结头部运动，对运动敏感度较低的非笛卡尔K空间采集策略，通过在图像空间或K空间中实时测量头部姿态来指导数据采集等。由于在核磁共振图像采集过程中，其运动伪影的影响因素较为复杂，对于该问题目前还没有简单有效的通用解决方法。此外，上述提到的运动伪影校正方法的可用性在核磁共振图像设备制造商之间有所不同，这将阻碍它们在临床中的应用。

基于卷积神经网络的方法在图像处理的诸多任务中表现出了优异的效果。在医学图像领域，基于卷积神经网络的方法也已用于减少大脑成像中的运动伪影和吉布斯伪影，减少肝脏成像中的呼吸运动和模糊等。但是这些方法缺乏泛化能力，并可能带来新的伪影，例如图像对比度的损失，边缘的过度增强以及减少小解剖结构的显著程度。因此，开发更通用的算法以获得更好的图像质量是必要的。

发明内容

本发明提出一种基于卷积神经网络的核磁共振图像运动伪影校正方法，该方法利用无运动伪影的核磁共振图像及其对应的有运动伪影的核磁共振图像进行端到端的训练以对其运动伪影进行校正。本方法采用的技术方案包含以下步骤：

步骤1：将数据集按一定比例随机分为训练集、验证集和测试集；

步骤2：设计一个可以进行端到端训练的卷积神经网络；

步骤3：由Kaiming网络参数初始化方法初始化步骤2的卷积神经网络；

步骤4：向初始化后的卷积神经网络中输入带运动伪影的核磁共振图像，在输出端与不带运动伪影的核磁共振图像计算损失并反向更新网络梯度；

步骤5：在测试集上对步骤4得到的算法进行评估，并输出对应的测试结果；

进一步地，在步骤2中，为了关注对运动伪影校正有主要作用的特征，该网络嵌入了空间注意力模块和通道注意力模块，并在网络连接中使用残差连接和密集连接。

本发明提出的基于卷积神经网络的核磁共振图像运动伪影校正方法，相对于传统核磁共振图像运动伪影校正方法有以下优点：

(1)本发明针对核磁共振图像运动伪影问题，提出一种基于卷积神经网络的运动伪影自动化校正方法，这将减少核磁共振图像在拍摄过程中对于传统辅助手段的依赖，同时提高被拍摄者的舒适度。

(2)本发明提出的核磁共振图像运动伪影校正方法，在训练数据集丰富的情况下，可以适用于不同型号的核磁共振图像设备，相较于传统的运动伪影校正方法具有更高的通用性。

附图说明