[发明专利]一种X空间磁粒子成像解卷积方法

说明书

本发明公开了一种X空间磁粒子成像解卷积方法，包括：获取X空间原生图像；神经网络结构设置，设置卷积和反卷积层，相对应的卷积层和反卷积层之间有跳跃连阶层；神经网络训练，网络输入是仿真的原生图像，将对应的原清晰图像作为标签训练神经网络，损失函数采用均方误差；神经网络检测，选取均方根误差、峰值信噪比和结构相似指数测度三个指标对图像质量进行定量评价并且根据评价结果修改网络训练参数，使得重构图像更接近于原始图像；X空间解卷积，将待解卷积的原生图像输入训练和检测完成的神经网络模型进行预测，得到解卷积结果。该方法极大的降低了系统噪声对重建过程的影响，提高了X空间重建的磁粒子成像系统的分辨率。

技术领域

本发明属于磁粒子成像领域，具体涉及到一种X空间磁粒子成像解卷积方法。

背景技术

磁纳米粒子成像(MPI)是一种基于示踪剂的、功能性的、层析成像方式，可以直接检测磁性纳米颗粒的空间分布，并显示出作为碘或钆造影的安全替代品的巨大潜力。磁性纳米粒子(MNPs)——也称为超顺磁氧化铁纳米粒子(SPIOs)——通常被用作示踪剂。MPI可以检测纳米颗粒造影剂，没有任何背景，没有深度衰减。此外，MPI不施加电离辐射，因此，如果所施加的磁场不超过安全限度，MPI对患者和医务人员是安全的。

在MPI图像重建领域，现在大多采取系统矩阵和X空间两种重建方式，其中系统矩阵方法计算量巨大，X空间方法虽然具有更高的重建速度，但是其重建图像的分辨率有待提升。X空间产生的原生MPI图像实际上是磁粒子浓度与点扩散函数(PSF)的卷积，现有的X空间重建方法是直接使用传统的解卷积方法，但是传统的解卷积方法需要对点扩散函数进行准确的估计，这在实验中是难以测量的，产生的误差会导致解卷积后的图像质量降低。并且由于问题的病态性，传统解卷积算法往往会引入无法预计的噪声，对重建结果造成较大的影响。传统的非盲解卷积方法，例如维纳滤波，太过于依赖卷积核，并且解卷积的效果不理想。

发明内容

为克服现有技术的不足，本发明提出了一种基于深度学习算法代替X空间重建过程中的传统解卷积的方法，其提出了一个卷积神经网络框架，利用卷积神经网络对X空间重建过程中产生的较模糊的原生MPI图像进行解卷积，提高了精确度。

本发明采用的技术方案为：

一种X空间磁粒子成像解卷积方法，包括以下步骤：

S1、获取X空间原生图像：仿真磁纳米粒子成像(MPI)原生图像，使用仿真程序生成电压信号，对信号进行速度补偿，直接映射到被扫描点的瞬时位置，获得X空间原生图像，作为训练集和测试集；

S2、神经网络结构设置：设置卷积层和反卷积层，相对应的卷积层和反卷积层之间有跳跃连阶层；

S3、神经网络训练：采用所述训练集中的X空间原生图像作为网络输入训练神经网络；

S4、神经网络检测：在所述测试集上对神经网络进行检测，通过图像质量进行定量评价，并且根据评价结果修改网络训练参数；

S5、X空间解卷积：将待解卷积的原生图像输入训练和检测完成的所述神经网络模型进行预测，得到解卷积结果。

所述步骤S1，所述获取X空间原生图像具体为：

获得信号：

获得X空间原生图像：

其中，s(t)为电压信号；B₁为接收线圈的灵敏度，单位为T/A；m为纳米颗粒的磁矩，单位为A·m²；ρ(x)为粒子浓度；x_s(t)为FFR的瞬时位置；为FFR速度矢量；H_sat为磁性纳米颗粒示踪剂的饱和场，单位为A/m；h(x)代表PSF函数，是朗之万函数的导数；为X空间原生图像。