[发明专利]一种核磁共振图像超分辨率重建方法

说明书

本发明公开了一种核磁共振图像超分辨率重建方法，包括以下步骤：步骤S1、将核磁共振图像进行区域等份分割得到多组局部图像，利用目标识别模型在多组局部图像中识别出局部目标区域；步骤S2、量化出每个局部图像的像素信息量，并基于像素信息量构建出超分辨率重建权重，将超分辨率重建权重与局部重建模型进行结合得到局部重建模型；步骤S3、利用局部重建模型对对应的局部图像进行超分辨率重建得到局部重建图像，并将局部重建图像进行区域组合得到核磁共振图像的超分辨率重建图像。本发明整张图片分程度的分区域重建，根据像素信息量进行差异式局部重建来实现有效病理内容的高清表征，且降低无效病理内容的重建效率损耗，提高重建效率。

技术领域

本发明涉及医疗图像重建技术领域，具体涉及一种核磁共振图像超分辨率重建方法。

背景技术

医学图像的超分辨率相比自然图像的超分辨率有其自身的特点，首先，从数据来源讲，医学图像的成像过程比较复杂，例如MRI图像，通过对静磁场中的人体施加某种特定频率的射频脉冲，使人体中的氢质子受到激励而发生磁共振现象。停止脉冲后，质子在弛豫过程中产生MR(Magnetic Resonance)信号。通过对MR信号的接收、空间编码和图像重建等处理过程，即产生MRI图像。

目前流行超分辨率方法都是基于生成对抗网络(GenerativeAdversarialNetworks，GAN)来进行的，如图1所示，GAN有两部分组成，其中G是生成器，作用是从低分辨率的输入图像生成高分辨率的输出图像，在图中表示为低分辨率图片x经过G的作用生成高分辨率G(x)；D是判别器，判断图片是真的高分辨率图片还是假的高分辨率图片，在图中表示为D对G(x)判定为假(fake)，对原始的高分辨率yr判定为真(real)；当判别器无法识别生成的图片真假的时候，认为生成的高分辨图像质量已经满足要求。

现有的基于GAN的超分辨率方法把生成器和判别器分别当作两个相对独立的网络，在模型训练过程中G和D交替优化，D没有有效的利用G中的信息，造成GAN训练参数难以调整、模型收敛慢等问题，而且G生成的高分辨率图片与低分辨率图片的匹配度较低，从现有结果的细节上来看，现有技术是对整张图片进行一个程度的超分辨率重建，而分辨率越高则模型的运算时长越长，并且其中还会对很多对诊断细节展现无帮助的无效像素内容（图像背景）进行超分辨率的重建，造成了重建模型的无效占用，进一步延长了运算时长，最终导致重建效率低且包含非必要重建。

发明内容

本发明的目的在于提供一种核磁共振图像超分辨率重建方法，以解决现有技术中是对整张图片进行一个程度的超分辨率重建，而分辨率越高则模型的运算时长越长，并且其中还会对很多对诊断细节展现无帮助的无效像素内容（图像背景）进行超分辨率的重建，造成了重建模型的无效占用，进一步延长了运算时长，最终导致重建效率低且包含非必要重建的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种核磁共振图像超分辨率重建方法，包括以下步骤：

步骤S1、将核磁共振图像进行区域等份分割得到多组局部图像，并选取多个已有的高分辨率核磁共振图像作为样本图像，对所述样本图像进行区域等份分割得到样本局部图像，以及在样本局部图像中标记出表征病理检测局部部位特征的局部目标区域，利用YOLO V5模型基于局部目标区域、样本局部图像进行病理检测局部部位特征提取的深度学习以构建出目标识别模型，再利用目标识别模型在多组局部图像中识别出表征病理检测局部部位特征的局部目标区域；

步骤S2、量化出每个局部图像的像素信息量，并基于像素信息量构建出局部图像的超分辨率重建权重，将超分辨率重建权重与预先建立的局部重建模型进行结合得到每个局部图像的局部重建模型，以根据像素信息量进行差异式局部重建来实现有效病理内容的高清表征，且降低无效病理内容的重建效率损耗；

步骤S3、利用局部重建模型对对应的局部图像进行超分辨率重建得到局部重建图像，并将局部重建图像进行区域组合得到核磁共振图像的超分辨率重建图像。