[发明专利]一种基于SC-GAN的膝部MRI重建技术

说明书

现有的方法重建高倍欠采图像时纹理细节丢失严重。针对这一问题，借鉴生成对抗网络的对抗学习思想，文中提出一种基于语义对比生成对抗网络的高倍欠采MRI重建方法(Semantic‑Contrast Generative Adversarial Network，SC‑GAN)。该方法由连续的两部分组成。第一部分，将笛卡尔高倍随机欠采样MRI图像输入基于U‑NET的生成器，与鉴别器不断博弈对抗生成初步重建图像，以此构建重建子网；另一部分是语义对比子网，通过VGG‑16比较初步重建图像与全采样图像的语义信息，比较结果反馈给第一部分进行参数调优，直到生成最佳的重建图像。实验结果表明，在加速因子高达7（14%）时，获得了主客观评价结果均较好的重建图像。与先进的重建方法相比，该方法的内存损耗更低、收敛速度更快且纹理细节更丰富，可为下一代MRI机器的研发提供算法支持。

技术领域

本发明属于医学图像处理技术领域，具体涉及到一种用于膝部核磁共振图像重建的方法。

背景技术

磁共振成像（MRI）和计算机断层扫描（CT）都采用非侵入式的成像手段展示了患者无颅骨伪影的高清图像。脑部疾病诊断一般使用CT和MRI图像，CT图像可以清晰的观察到骨组织形态的细微变化，但是对软组织的变化却不敏感。MRI生成的医学图像对软组织有着较高的对比度和空间分辨率，因此脑功能成像一般使用MRI。MRI在临床脑部疾病诊断中是必不可少的辅助诊断工具，为医生的临床诊断提供了重要判断依据。

磁共振成像（MRI）不同于CT成像在信号采集时对患者有辐射损害，MRI是一种可重复、非侵入和定量的组织测量方式，且对软组织具有较好的分辨力。不过，其固有的信号采集时间过长问题，不仅会给患者带来不适，而且不可避免的患者身体移动（例如心脏搏动和肠胃蠕动等）也增加了图像中存在较重混叠伪影（Aliasing Artifacts）从而造成误诊或漏诊。另外较低的检查效率会带来昂贵的检查费用。因此如何加速MRI采集信号的情况下保留图像成像质量成为近年的一大研究热点。

医学图像重建的目的是,对已经获得的医学图像进行重建处理, 以得到更具有诊断价值的图像。目前GAN在该领域的研究主要是集中于对快速MR成像产生的欠采样图像进行重建。快速MR成像可以加快成像速度, 但由于采集信号减少, 违背Nyquist-Shannon采样定理, 图像会产生混叠伪影。Yang等提出一种基于GAN的快速压缩感知磁共振图像(compressive sensing based MRI, CS-MRI) 重建模型, 重建后的图像在细节还原上取得了不错的效果;并且, 重建一幅图像只需要0.22~0.37 ms, 可以达到实时性应用的要求。Shitrit等也提出一种基于GAN的CS-MRI重建模型, 在采样率52%的1.5T MRI欠采样图像上取得了令人满意的重建结果。

GAN 是一种灵活的网络模型，通过生成器和鉴别器的博弈对抗完成训练，但存在训练困难、模式崩溃等问题。U-NET 由一个捕捉语义的收缩路径和一个精准定位的对称扩展路径构成，扩展路径和收缩路径相互联系，具有局部感知能力强、训练时间较短、结构简单、参数较少和对训练数据要求较低等优点。我们采用 U-NET 作为 GAN 的生成器，并在GAN 的基础上额外构建一个语义对比子网对 GAN 进行参数调优，在 GAN 和语义对比子网两阶段的对抗下，促使生成器生成特征更加明显、纹理细节更加丰富的图像。本发明的主要贡献概括如下：

（1）借鉴 GAN 的对抗学习思想，设计语义对比子网，以增强图像语义特征一致性，有

效提高了网络学习能力并加速收敛。

（2）为了充分利用不同尺度的高频信息，构建基于 U-NET 的重建子网，以捕获更多的纹理细节。

（3）级联重建子网和语义对比子网，进行两阶段对抗，并提出了基于语义对比生成对抗网络的 MRI 重建模型(SC-GAN)。

（4）为网络配置了合理的综合损失函数，进一步约束图像特征一致性，提高模型的准确率。

发明内容