[發明專利]一種基于SC-GAN的膝部MRI重建技術

在審

• 申請號: 202111006977.0
• 申請日: 2021-08-30
• 公開（公告）號: CN113744235A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 趙祥;張鑫;楊鐵軍;李冰潔
• 申請（專利權）人: 河南工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

現有的方法重建高倍欠采圖像時紋理細節丟失嚴重。針對這一問題，借鑒生成對抗網絡的對抗學習思想，文中提出一種基于語義對比生成對抗網絡的高倍欠采MRI重建方法(Semantic?Contrast Generative Adversarial Network，SC?GAN)。該方法由連續的兩部分組成。第一部分，將笛卡爾高倍隨機欠采樣MRI圖像輸入基于U?NET的生成器，與鑒別器不斷博弈對抗生成初步重建圖像，以此構建重建子網；另一部分是語義對比子網，通過VGG?16比較初步重建圖像與全采樣圖像的語義信息，比較結果反饋給第一部分進行參數調優，直到生成最佳的重建圖像。實驗結果表明，在加速因子高達7（14%）時，獲得了主客觀評價結果均較好的重建圖像。與先進的重建方法相比，該方法的內存損耗更低、收斂速度更快且紋理細節更豐富，可為下一代MRI機器的研發提供算法支持。

技術領域

本發明屬于醫學圖像處理技術領域，具體涉及到一種用于膝部核磁共振圖像重建的方法。

背景技術

磁共振成像（MRI）和計算機斷層掃描（CT）都采用非侵入式的成像手段展示了患者無顱骨偽影的高清圖像。腦部疾病診斷一般使用CT和MRI圖像，CT圖像可以清晰的觀察到骨組織形態的細微變化，但是對軟組織的變化卻不敏感。MRI生成的醫學圖像對軟組織有著較高的對比度和空間分辨率，因此腦功能成像一般使用MRI。MRI在臨床腦部疾病診斷中是必不可少的輔助診斷工具，為醫生的臨床診斷提供了重要判斷依據。

磁共振成像（MRI）不同于CT成像在信號采集時對患者有輻射損害，MRI是一種可重復、非侵入和定量的組織測量方式，且對軟組織具有較好的分辨力。不過，其固有的信號采集時間過長問題，不僅會給患者帶來不適，而且不可避免的患者身體移動（例如心臟搏動和腸胃蠕動等）也增加了圖像中存在較重混疊偽影（Aliasing Artifacts）從而造成誤診或漏診。另外較低的檢查效率會帶來昂貴的檢查費用。因此如何加速MRI采集信號的情況下保留圖像成像質量成為近年的一大研究熱點。

醫學圖像重建的目的是,對已經獲得的醫學圖像進行重建處理, 以得到更具有診斷價值的圖像。目前GAN在該領域的研究主要是集中于對快速MR成像產生的欠采樣圖像進行重建。快速MR成像可以加快成像速度, 但由于采集信號減少, 違背Nyquist-Shannon采樣定理, 圖像會產生混疊偽影。Yang等提出一種基于GAN的快速壓縮感知磁共振圖像(compressive sensing based MRI, CS-MRI) 重建模型, 重建后的圖像在細節還原上取得了不錯的效果;并且, 重建一幅圖像只需要0.22~0.37 ms, 可以達到實時性應用的要求。Shitrit等也提出一種基于GAN的CS-MRI重建模型, 在采樣率52%的1.5T MRI欠采樣圖像上取得了令人滿意的重建結果。

GAN 是一種靈活的網絡模型，通過生成器和鑒別器的博弈對抗完成訓練，但存在訓練困難、模式崩潰等問題。U-NET 由一個捕捉語義的收縮路徑和一個精準定位的對稱擴展路徑構成，擴展路徑和收縮路徑相互聯系，具有局部感知能力強、訓練時間較短、結構簡單、參數較少和對訓練數據要求較低等優點。我們采用 U-NET 作為 GAN 的生成器，并在GAN 的基礎上額外構建一個語義對比子網對 GAN 進行參數調優，在 GAN 和語義對比子網兩階段的對抗下，促使生成器生成特征更加明顯、紋理細節更加豐富的圖像。本發明的主要貢獻概括如下：

（1）借鑒 GAN 的對抗學習思想，設計語義對比子網，以增強圖像語義特征一致性，有

效提高了網絡學習能力并加速收斂。

（2）為了充分利用不同尺度的高頻信息，構建基于 U-NET 的重建子網，以捕獲更多的紋理細節。

（3）級聯重建子網和語義對比子網，進行兩階段對抗，并提出了基于語義對比生成對抗網絡的 MRI 重建模型(SC-GAN)。

（4）為網絡配置了合理的綜合損失函數，進一步約束圖像特征一致性，提高模型的準確率。

發明內容