[发明专利]一种基于神经网络的磁共振图像处理方法及系统

权利要求书

1.一种基于神经网络的磁共振图像处理方法，其特征在于，包括：

S1，获取原始的磁共振图像；

S2，对所述磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；

S3，采用基于注意力机制的磁共振图像增强算法对所述目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；

S4，对所述原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；

S5，对所述去噪后的磁共振图像和所述增强后的目标磁共振图像进行融合，得到融合后的磁共振图像；

其中，所述步骤S3包括：

S31，采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；

S32，将所述目标磁共振图像输入所述注意力机制模型，得到增强后的目标磁共振图像；

其中，所述步骤S31具体包括：

S311，获取训练模型和验证模型所需的数据集；

S312，构建稠密级联残差模块作为网络的基本组成模块；

S313，构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；

S314，构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将所述数据集输入所述金字塔网络模型进行训练，得到注意力机制模型。

2.根据权利要求1所述的一种基于神经网络的磁共振图像处理方法，其特征在于，所述步骤S4包括：

S41，将所述原始的磁共振图像输入训练好的卷积神经网络中，从所述原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；

S42，从卷积神经网络中选定M个卷积层，对所述每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。

3.根据权利要求1所述的一种基于神经网络的磁共振图像处理方法，其特征在于，所述步骤S5包括：

S51，将所述去噪后的磁共振图像中每个点的灰度值与所述增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；

S52，将所述灰度平均值与预设系数相乘得到融合后的像素点；

S53，将所述融合后的像素点代替所述去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。

4.一种基于神经网络的磁共振图像处理系统，其特征在于，包括：

获取模块，用于获取原始的磁共振图像；

分割模块，用于对所述磁共振图像进行分割得到目标磁共振图像和背景磁共振图像；

增强模块，用于采用基于注意力机制的磁共振图像增强算法对所述目标磁共振图像进行图像增强，得到增强后的目标磁共振图像；

去噪模块，用于对所述原始的磁共振图像进行神经网络去噪得到去噪后的磁共振图像；

融合模块，用于对所述去噪后的磁共振图像和所述增强后的目标磁共振图像进行融合，得到融合后的磁共振图像；

其中，所述增强模块包括：

模型构建模块，用于采用基于注意力机制的磁共振图像增强算法构建注意力机制模型；

输入输出模块，将所述目标磁共振图像输入所述注意力机制模型，得到增强后的目标磁共振图像；

所述模型构建模块具体用于：

获取训练模型和验证模型所需的数据集；

构建稠密级联残差模块作为网络的基本组成模块；

构建基于注意力机制的金字塔网络模型，金字塔网络模型包括两个粗糙特征提取分支和一个结构细化重建分支；

构建损失函数，初始化金字塔网络模型的权重系数，通过反向传播算法不断更新参数，直至损失函数最小，将所述数据集输入所述金字塔网络模型进行训练，得到注意力机制模型。

5.根据权利要求4所述的一种基于神经网络的磁共振图像处理系统，其特征在于，所述去噪模块具体用于：

将所述原始的磁共振图像输入训练好的卷积神经网络中，从所述原始的磁共振图像中提取图像块特征，将每个图像块表示为一个高维向量，得到卷积特征图像；

从卷积神经网络中选定M个卷积层，对所述每个图像块进行一个卷积层到另一个卷积层的映射，将一个高维向量映射成另一个高维向量，得到去噪后的磁共振图像。

6.根据权利要求4所述的一种基于神经网络的磁共振图像处理系统，其特征在于，所述融合模块具体用于：

将所述去噪后的磁共振图像中每个点的灰度值与所述增强后的目标磁共振图像中相应点的灰度值相加并计算融合像素点的灰度平均值；

将所述灰度平均值与预设系数相乘得到融合后的像素点；

将所述融合后的像素点代替所述去噪后的磁共振图像中的相应像素点得到融合后的磁共振图像。