[发明专利]一种基于参考跨序列图像的MRI图像复原方法

说明书

本发明公开了一种基于参考跨序列图像的MRI图像复原方法，为了更好地参考跨序列图像，通过对抗性域适应的卷积神经网络框架，对退化的输入图像提取浅层特征，同时将跨序列图像也提取特征进行特征表示，通过域判别器引导跨序列图像的参考域转换到输入低质量图像对应的真值域，减少跨序列参考图像和低质量图像在特征空间上的差异，从而能更好地参考跨序列图像的有用信息辅助低质量MRI图像复原。该方法使网络能够去除噪声和尽可能地恢复图像中模糊部分原本的细节，从而更好地对低质量图像进行复原。

技术领域

本发明属于及医学影像处理技术领域，具体涉及一种基于参考跨序列图像的MRI图像复原方法。

背景技术

医学影像在医学中被广泛使用，其中，由于核磁共振成像具有无辐射损害，对软组织结构的分辨率非常高等优点，被广泛应用于临床检查中。但是，医学图像在实际成像过程中，会受到各种因素影响而出现图像噪声、伪影或模糊等。图像噪声是由于异常干扰信号而降低图像的信噪比，影响图像的密度分辨率；伪影或模糊是由于医疗设备与人体之间的相对运动而产生的，包括扫描时患者身体的运动，或因患者屏气失败引起的胸腔的运动，或因心跳引起的自发运动。图像噪声、伪影或模糊现象会大大降低图像质量，使一些组织边界或精细结构难以识别，从而影响医学诊断，故需要对此类图像进行复原。传统医学图像复原方法包括维纳滤波法、小波变换等，大多基于先验知识建立图像退化模型，并采用各种逆退化处理方法进行恢复。近几年随着深度学习的迅猛发展，许多基于神经网络的方法也都在各种图像恢复任务中都取得了良好的效果，比如Zhang等人发表的“RDN:Residual DenseNetwork for Image Super-Resolution”。然后更多的方法使用卷积神经网络(CNN)进行MRI图像重建。MRI图像数据一般是多序列图像，其他序列图像对当前序列图像有相同的解剖结构，有一定的参考价值，但因为成像参数或者药剂作用等因素造成和当前序列图像表观差异大，所以参考跨序列图像有一定的挑战。然而，以上方法却往往只能恢复一种退化类型，对于往往不止一种退化类型的MRI图像复原效果欠佳，参考MRI跨序列图像的方法很少且有一定的困难。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于参考跨序列图像的MRI图像复原方法。

本发明的技术解决方案是：一种基于参考跨序列图像的MRI图像复原方法，是将待复原的MRI图像输入网络模型中完成图像复原，所述网络模型及训练过程依次按照如下步骤建立：

步骤1：制作训练集

取N张MRI肝癌数据集延迟期图像作为参考图像，每张记为Reference_Image1,Reference_Image2,...Reference_ImageN；取N张MRI肝癌数据集动脉期图像作为真值图像，每张记为GT_Image1,GT_Image2,...,GT_ImageN；

步骤1.2：将图像GT_Image1,GT_Image2,...,GT_ImageN分别加入角度θ为45，长度l为12的运动模糊，记为模糊图像Blur_Image1,Blur_Image2,...Blur_ImageN；

步骤1.3：将图像Blur_Image1,Blur_Image2,...Blur_ImageN加入sigma值为20的莱斯噪声，记为退化图像LQ_image1,LQ_image2,...LQ_imageN；

步骤1.4：选取N张退化图像，对应真值图像，对应参考图像作为训练集，记为

步骤2：训练网络

步骤2.1：将训练集输入到网络；

步骤2.2：约定真值图像来自清晰的真值域，参考图像来自参考域；

步骤2.3：对输入退化图像将残差密集块作为基础卷积模块来提取浅层特征F_S，对参考图像同样提取浅层特征F_RS；