[發明專利]基于卷積神經網絡去除磁共振圖像降采樣偽影的方法

有效

• 申請號: 201710762719.2
• 申請日: 2017-08-30
• 公開（公告）號: CN107507148B
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 馮衍秋;張倩倩
• 申請（專利權）人: 南方醫科大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 趙蕊紅

1.基于卷積神經網絡去除磁共振圖像降采樣偽影的方法，其特征在于：將帶有偽影的樣本磁共振圖像作為輸入圖像，通過卷積神經網絡框架進行處理獲得最優模型，再將待處理的磁共振圖像輸入最優模型得到無偽影的結果圖像；

具體步驟如下：

(一)獲取最優模型

T1、對樣本磁共振圖像進行預處理；

T2、搭建卷積神經網絡的基本框架；

T3、對卷積神經網絡基本框架參數進行優化，得到最優模型；

(二)通過最優模型對待處理圖像進行去偽影得到目標圖像

T4、將經過預處理的待處理圖像數據代入最優模型中，輸出結果圖像；

步驟T1的預處理操作步驟如下：

T11、將帶有偽影的樣本磁共振圖像和沒有偽影的樣本參考圖像作為樣本輸入數據，根據式(1)進行歸一標準化處理，得到方差為0，均值為1的樣本輸出數據；

式(1)中y和z分別為樣本輸入數據和樣本輸出數據，μ和σ分別為樣本輸入數據的均值和方差；

T12、根據步驟T11中得到的樣本輸出數據，建立訓練模型的樣本訓練數據；

步驟T2中搭建卷積神經網絡基本框架的處理步驟是：

T21，根據式(2)依次計算第1層至第i-1層的輸出數據；

F_l(Y)＝max(0，BN(W_l*F_l-1(Y)+B_l))，l＝1，2,......i-1

……式(2)；

其中，i為卷積神經網絡基本框架搭建的層數，i為正整數，“*”表示卷積操作，BN(x)為批量標準化操作，max(0，x)為激活函數表達式，l為所在層的順序號，第一層的順序號為1，第二層的順序號為2，第i層的序號為i，W_l和B_l分別為第l層的卷積核和偏置參數，F_l-1(Y)為第l層的輸入數據，F_l(Y)為第l層的輸出數據；FO(Y)為輸出的預測圖像；

T22，根據式(3)計算第i層的輸出數據，作為輸出的預測圖像FO(Y)；

F0(Y)＝W_l*F_i-1(Y)+B_l,l＝i，……式(3)；i為3至2000；

式(2)中的批量標準化操作具體如下：

式(4)中G和b’為標準化權重常數的卷積核和偏置參數，x為待標準化的特征圖組，μ_x和σ_x分別為x的均值和方差。

2.根據權利要求1所述的基于卷積神經網絡去除磁共振圖像降采樣偽影的方法，其特征在于：

步驟T3的具體操作如下：

T31、對卷積神經網絡基本框架參數進行初始化；

T32、設迭代次數為Q，當前迭代次數為k，1≤k≤Q，Q為正整數；

T33、令k＝1，以樣本訓練數據作為當前樣本訓練數據，進入步驟T34；

T34、將當前樣本訓練數據作為輸入數據進行操作，得到輸出圖像數據；

T35、計算輸出圖像數據與樣本參考數據之間的均方誤差值和平均誤差值，統計并以k為X軸，分別以均方誤差值和平均誤差值為Y軸制作成曲線圖；

T36、判定第k次迭代時搭建的卷積神經網絡的基本框架是否為最優模型，如果是，則認定第k次迭代時搭建的卷積神經網絡的基本框架為最優模型；否則，進行步驟T37；

T37、判斷k是否等于Q,如果是，則以第k次迭代時搭建的卷積神經網絡的基本框架作為最優模型；否則，進入步驟T38；

T38、以第k次得到的輸出圖像數據作為當前樣本訓練數據，令k＝k+1，返回步驟T34。

3.根據權利要求2所述的基于卷積神經網絡去除磁共振圖像降采樣偽影的方法，其特征在于：

步驟T36的判定方法具體如下：

根據式(5)或式(6)對k點和k-1點間曲線的斜率進行判斷，當斜率小于0.0001時，則判定斜率趨于零，以第k次迭代時搭建的卷積神經網絡的基本框架作為最優模型；

均方誤差函數：

平均絕對誤差函數：

其中N為輸入數據的行*列的值。

4.根據權利要求3所述的基于卷積神經網絡去除磁共振圖像降采樣偽影的方法，其特征在于：

卷積神經網絡基本框架搭建的層數i為4，

步驟T2中搭建卷積神經網絡基本框架依次經過搭建特征提取層、搭建特征增強層、搭建非線性映射層和搭建重建層；

搭建特征提取層：從輸入數據中提取特征，得到第一層輸出數據；

搭建特征增強層：對第一層輸出數據進一步提取特征，得到第二層輸出數據；

搭建非線性映射層：將第二層輸出數據組映射到無偽影的樣本參考圖像上，得到第三層輸出數據；

搭建重建層：將第三層輸出數據進行重組，輸出預測圖像；

步驟T31初始化的具體操作如下：

T311、對卷積核進行初始化；

T312、設置輸入圖像數量為2；

T313、設置迭代次數為n，學習率為0.0001，n為正整數；

步驟T311中的初始化為設定特征提取層、特征增強層、非線性映射層和重建層的卷積核尺寸分別為9*9*1*64、7*7*64*32、1*1*32*16和5*5*16*1，通過隨機的高斯生成函數進行初始化設置。