[发明专利]基于深度学习进行薄层磁共振图像重建的方法

摘要

本发明公开了一种基于深度学习进行薄层磁共振图像重建的方法。其具体步骤如下：1)在脑部的轴向面和矢状面采集厚层磁共振图像；2)将厚层磁共振图像进行配准和归一化预处理；3)利用配对的配准后厚层磁共振图像训练基于3D U‑net的图像融合网络，生成薄层磁共振图像初步重建结果；4)利用薄层磁共振图像初步重建结果和对应的矢状厚层磁共振图像训练细节重建网络，获得最终重建结果。在青少年脑部磁共振图像的数据集中，本发明方法可以提供更好的薄层磁共振图像重建结果，重建的磁共振图像可以更好地显示脑部的结构和细节，并且可以大大提高磁共振图像中灰质、白质和全部脑容积的估计准确率。

主权项

1.一种基于深度学习进行薄层磁共振图像重建的方法，其特征在于，具体步骤如下：1)在脑部的轴向面和矢状面采集厚层磁共振图像；2)将采集的厚层磁共振图像进行配准和归一化预处理；3)利用配对的配准后厚层磁共振图像训练具有深层架构的基于3D U‑net的图像融合网络，以融合不同平面上的厚层磁共振图像并且校正配对图像之间的误差，生成薄层磁共振图像初步重建结果；其中：所述图像融合网络由一个用于稳健的上下文捕获的聚焦路径和一个用于精确定位的对称扩展路径组成；图像融合网络包括核大小为3×3×3的三维卷积块、核大小为3×3×3以及步长为2×2×2的三维最大池化、连结、核大小为2×2×2的三维卷积转置和核大小为3×3×3的线性卷积块；在图像融合网络的聚焦路径中，轴向面和矢状面的厚层磁共振图像在同一个尺度上并联在一起，并依次通过具有32个滤波器的三维卷积块、三维最大池化、具有64个滤波器的三维卷积快、三维最大池化、具有128个滤波器的三维卷积块和三维最大池化；在图像融合网络的扩展路径中，聚焦路径的最终输出依次通过具有256个滤波器的三维卷积块，具有256个滤波器的三维卷积转置，具有128个滤波器的三维卷积块，具有128个滤波器的三维卷积转置，具有64个滤波器的三维卷积块，具有64个滤波器的三维卷积转置，具有32个滤波器的三维卷积块和具有1个滤波器的三维卷积；聚焦路径中三组三维卷积块的输出和扩展路径中尺度相同的三组三维卷积转置输出通过连结进行并联；4)利用由步骤3)获得的薄层磁共振图像初步重建结果和对应的矢状厚层磁共振图像训练细节重建网络，获得最终的薄层磁共振图像重建结果；其中：所述细节重建网络呈编码‑解码架构，由一个全卷积网络和一个卷积长短记忆网络LSTM模块构建，所述细节重建网络包括具有核大小为3×3的卷积快，核大小为3×3以及时间长度为2的卷积LSTM，核大小为4×4以及步长为2的卷积转置和跳跃连接；在细节重建网络的编码结构中，初步重建结果和高分辨率的矢状面厚层磁共振图像并联在一起，并依次通过具有32个滤波器并且步长为1的卷积块，具有64个滤波器并且步长为2的卷积块，具有64个滤波器并且步长为1的卷积块，具有128个滤波器并且步长为2的卷积块；编码结构的输出输入到具有128个滤波器的卷积LSTM，并且两个对应于同一层初步重建结果的高分辨率矢状厚层磁共振图像的输出结果被设置为循环紧邻结构，在细节重建网络的解码结构中，卷积LSTM的输出依次通过具有128个滤波器并且步长为1的卷积块，具有64个滤波器的卷积转置，具有64个滤波器的并且步长为1的卷积块，具有32个滤波器的卷积转置和具有1个滤波器的并且步长为1的卷积块；原图像和编码结构与解码结构中三组尺度相同的卷积块输出通过跳跃连接加性相连。