[發明專利]一種磁共振圖像降噪方法、裝置、設備及存儲介質

有效

• 申請號: 202210321223.2
• 申請日: 2022-03-30
• 公開（公告）號: CN114418900B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 朱集;潘博洋
• 申請（專利權）人: 南昌睿度醫療科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 呂鑫

本申請公開了一種磁共振圖像降噪方法、裝置、設備及存儲介質，包括：獲取目標對象待檢測區域的部分K空間頻域數據，得到目標加速磁共振圖像；將目標加速磁共振圖像輸入至利用基于標準序列磁共振圖像合成的包含多種噪聲的仿真加速磁共振圖像集對基于生成對抗網絡構建的初始降噪模型進行訓練后得到的目標神經網絡模型中，并通過所述目標神經網絡模型對所述目標加速磁共振圖像進行降噪處理，得到降噪后的加速磁共振圖像。本申請通過標準序列磁共振圖像能夠合成包含多種噪聲的仿真加速磁共振圖像集，進而得到能夠對多種噪聲進行降噪處理的神經網絡模型，通過上述神經網絡模型能夠有效地對磁共振圖像進行降噪，提高磁共振成像的質量。

技術領域

本申請涉及磁共振圖像處理技術領域，特別涉及一種磁共振圖像降噪方法、裝置、設備及存儲介質。

背景技術

磁共振成像（Magnetic Resonance Imaging，MRI）是一種較新的醫學成像技術，通常采集的是K空間頻域信息，然后經過傅里葉變換后得到對應的病人的體內結構圖像信息。通常情況下，標準磁共振成像（標準序列）的信息采集需要較長時間，而降低采集時間（快速序列）所得到的序列中K空間信息較少，重建出的圖像存在噪聲較多，圖像質量較差的問題。

目前主流的磁共振圖像降噪方法包括：1、基于濾波的方法；2、基于深度學習的方法。其中，基于濾波的方法包括高斯濾波、中值濾波、小波變換閾值濾波等方法，其假定圖像噪聲符合一定的分布規律，并根據相應的算法更新圖像中的像素值。這類方法的效果依賴于所假設模型與待降噪圖像的匹配性，適用范圍有一定的局限；基于深度學習的方法使用仿真數據集訓練降噪模型，并用仿真數據集量化評估。然而臨床數據往往不同于仿真數據，噪聲類型和圖像結構均較為復雜，因此好的量化指標并不代表好的臨床應用價值。例如，即使降噪后的圖像信噪比較高、量化指標好，但它可能存在較多的偽影，使醫生分不清人體內結構。

綜上所述，如何有效地對磁共振圖像進行降噪是目前還有待進一步解決的問題。

發明內容

有鑒于此，本申請的目的在于提供一種磁共振圖像降噪方法、裝置、設備及存儲介質，能夠有效地對磁共振圖像進行降噪，提高磁共振成像的質量。其具體方案如下：

第一方面，本申請公開了一種磁共振圖像降噪方法，包括：

獲取目標對象待檢測區域的部分K空間頻域數據，以得到目標加速磁共振圖像；

將所述目標加速磁共振圖像輸入至訓練后的目標神經網絡模型中，以便通過所述目標神經網絡模型對所述目標加速磁共振圖像進行降噪處理，得到降噪后的加速磁共振圖像；其中，所述目標神經網絡模型為利用基于標準序列磁共振圖像合成的包含多種噪聲的仿真加速磁共振圖像集對基于生成對抗網絡構建的初始降噪模型進行訓練后得到的模型。

可選的，所述基于標準序列磁共振圖像合成的包含多種噪聲的仿真加速磁共振圖像集，包括：

采集未加速的標準序列磁共振圖像，并對所述標準序列磁共振圖像進行預處理，得到預處理后的標準序列磁共振圖像；

將所述預處理后的標準序列磁共振圖像中圖像強度小于第一閾值的像素值設置為0；

根據預設的第一均值和第一標準差的高斯分布生成一個隨機數，并將所述隨機數作為噪聲縮放因子；

利用所述噪聲縮放因子和預設的尺寸修正因子生成多種噪聲；

隨機生成一個與所述標準序列磁共振圖像的信噪比成正比的數值，并將所述多種噪聲乘以所述數值，得到修正后的多種噪聲；

在預設的第一范圍內隨機生成與所述修正后的多種噪聲數量相同的多個權重值，并將所述多個權重值與所述修正后的多種噪聲按照一對一的關系進行匹配，再分別利用匹配后的權重值對相應的噪聲進行加權處理，得到多個加權后的噪聲；