[发明专利]一种磁共振图像超分辨率重建方法、系统及装置

说明书

本发明提供了一种磁共振图像超分辨率重建方法、系统及装置，主要包括以下步骤：将3D磁共振图像分割成多张2D磁共振图像；将2D磁共振图像作为单通道输入，利用神经网络对其特征深度提取；使用参数共享的上采样结构对特征进行上采样；集成处理后输出高分辨率的磁共振图像。本方案的级联模块与多尺度上采样的组合能提取不同深度的高、低频特征，使模型具有充足的表达能力，共享上采样结构参数，使模型极大轻量化。通过实验证明，本发明方法在重建质量、成像时间、模型参数方面均优于现有技术，减少了检查时间，并能生成与人类视觉相符的图像细节，避免产生不利于图像观察的伪影。

技术领域

本发明涉及图像增强技术领域，尤其是涉及一种磁共振图像超分辨率重建的方法、系统及装置。

背景技术

目前，磁共振成像(MRI)广泛用于医学成像领域，与计算机断层扫描(CT/PET)相比，MRI没有辐射损伤，可用于多方面、多参数成像。然而，由于硬件设备、扫描时间、信号噪声比和患者身体运动等因素，往往很难快速的获得高成像质量的MRI。同时，长时间的扫描可能会导致一些患者的不适。

在纽约大学和facebook合作的临床研究中，计算机科学家和放射学家组成的团队证明，深度学习的方法可以使用传统上完整MRI所需原始数据的约四分之一来生成同样高精度的MRI。由于需要的数据较少，因此磁共振机器扫描的运行速度几乎快4倍。超分辨率方法有望在不升级硬件的情况下提高磁共振图像质量。

在以往的研究中，传统的超分辨算法大致分为两类：基于插值的算法和基于学习的算法。插值算法已广泛应用于医疗图像的超分辨率重建。但是，由于高清图像的像素是由低清图像的像素按照特定的数学方法插值得到的，所以在细节处往往模糊不清。基于学习的方法通常需要大量的数据作为支撑，如果数据不完整或数据不匹配(例如使用自然图像作为字典来表示MR图像)，图像效果往往不好。

随着人工智能的发展，各种基于深度学习的算法已经成为超分辨领域的研究热点。其中，基于卷积神经网络(CNN)的方法包括SRCNN和FSRCNN，它们较早被提出并应用于MR图像的超分辨问题。算法VDSR和EDSR采用残差结构防止网络丢失低频信息，构建更深的网络。在此基础上，算法RCAN和SAN引入了通道注意力机制和二阶注意力机制，以提高网络效率，并在自然图像中取得良好效果。为了快速重建图像，还有许多方法考虑到了网络的轻量化，例如CARN、LESRCNN、IMDN和RFDN，这些方法侧重于以更少的参数高效完成超分辨任务。生成对抗网络(GAN)在超分辨领域也做了大量工作，并应用于MRI的超分辨任务。通过引入对抗性损失、感知性损失和排名损失，使图像细节更丰富，更符合人类的视野。

但是，这些方法的主要目的是提高自然图像超分辨任务的性能指标，对MR图像的超分辨任务没有针对性的改进。对于MR图像的超分辨任务，应考虑在生成高分辨率图像的同时缩短成像时间，减少患者在检查过程中的痛苦，并尽可能生成与人类视觉相符的图像细节，避免生成不利于医生观察的伪影。虽然生成对抗网络在许多实验中已经证明，重建的图像在视觉上更符合人类观感，但网络结构通常很大。对于轻量级网络，由于参数数量的限制，它们通常没有足够的表达能力，对抗损失将影响图像的主要指标(PSNR和SSIM)。而较深的残差网络，必须在上一个节点计算完毕才能进行下一步，需要较长的成像时间，导致等待时间长。

发明内容

本发明的目的在于提供一种磁共振图像超分辨率重建方法、系统及装置，以解决现有技术中存在的至少一种上述技术问题。

为解决上述技术问题，本发明提供的一种磁共振图像超分辨率重建的方法，包括以下步骤：

步骤一、将3D的MR图像分割成2D的MR图像作为超分辨网络的单通道输入。

优选的，在网络训练时将高清MR图像进行双三次插值下采样2、4或8倍作为输入，从而创造出更平滑的图像边缘。

优选的，在网络训练时将高清MR图像进行频域内的下采样2、4或8倍作为输入，从而便于分析处理。