【技術實現步驟摘要】
本專利技術涉及圖像超分辨重建，特別是涉及一種應用于mri醫學圖像超分辨重建方法。
技術介紹
1、核磁共振成像(mri)現已經成為醫學篩查中的重要輔助診斷技術，然而快速掃描成像的初始mri醫學圖像往往是帶有偽影的欠采樣圖像。如何消除mri醫學圖像中的偽影并獲得全采樣高清圖像是目前該領域的主要研究內容之一。mri醫學圖像超分辨重建任務包括兩個子任務，即為(1)重建任務，目標是去除mri中的偽影；(2)超分辨率任務，其目的是即將欠采樣(低分辨率圖像，lr)上采樣得到全采樣圖像(高分辨率圖像，hr)。
2、傳統的醫學圖像重建技術，例如基于序列、并形成像和基于壓縮感知等方法存在一定的局限性，它們增加了序列設計的復雜性和硬件成本，并且可能導致圖像質量下降，產生不連續的重建結果?；诰矸e神經網絡(cnn)的重構方法具有從大量訓練數據中學習重構圖像映射關系的能力，顯著提高了重建結果的質量。同時，基于cnn的srcnn、fsrcnn等方法在圖像超分辨率任務中也得到了比傳統插值方法更佳的恢復效果。edsr網絡使用殘差縮放方法來提高圖像恢復質量。在此基礎上imdn采用迭代細化和多網絡融合策略來提高所得圖像的細節水平和自然度。這些網絡模型通過增加網絡殘差塊的數量和卷積核的個數提高了模型的超分辨率性能，因此也誘發了較多的參數和計算量。這些工作都是使網絡模型分別學習超分辨率和重建兩個任務，該策略可能會導致在學習過程中缺失有益于提升單一任務指標的信息。
3、深度神經網絡引入了平滑偏差，使其能夠有效擬合單值映射。但它對多值映射的擬合能力
4、在超分辨率任務中，一張lr圖像可以被上采樣到多個不同的hr圖像，所以mri超分辨率是一個典型的不適定問題，主流方法通常只關注重建或超分辨率子任務，而忽略了它們之間潛在的相關性。
技術實現思路
1、本專利技術的目的是提供一種應用于mri醫學圖像超分辨重建方法，以解決上述現有技術存在的問題，通過分析發現混合密集網絡(mdn)能夠有效解析網絡輸出中所存在的多個分量，并基于多個分量構建多值映射模型可以更好地重建銳化邊界，同時從知識蒸餾中得到的正則化約束可以有效解決超分辨率任務中的不適定問題，并在分析重建和超分辨率子任務之間所存在一定的聯系和互補性基礎上，設計出混合密集知識蒸餾模型來更好地完成mri超分辨率重建任務。
2、為實現上述目的，本專利技術提供了如下方案：
3、一種應用于mri醫學圖像超分辨重建方法，包括：
4、獲取帶偽影且欠采樣mri醫學圖像，構建混合密集知識蒸餾模型，所述混合密集知識蒸餾模型包括：教師模型和學生模型；
5、對所述混合密集知識蒸餾模型進行訓練，將所述帶偽影且欠采樣mri醫學圖像輸入訓練后的所述混合密集知識蒸餾模型，獲取無偽影的全采樣mri醫學圖像。
6、可選地，所述教師模型包括：編碼器、第一解碼器和上采樣塊；其中，所述編碼器、所述第一解碼器和所述上采樣塊依次連接。
7、可選地，對所述教師模型進行訓練包括：
8、獲取高分辨率圖像，對所述高分辨率圖像進行數據增強處理，將數據增強后的所述高分辨率圖像輸入所述編碼器，獲取緊湊特征；
9、獲取欠采樣圖像，基于所述欠采樣圖像對所述緊湊特征進行約束，將約束后的所述緊湊特征輸入所述第一解碼器，并通過所述上采樣塊，獲取教師模型輸出圖像，同時保存所述第一解碼器的權重。
10、可選地，所述學生模型包括：第二解碼器和混合密集塊；其中，所述第二解碼器和所述混合密集塊連接。
11、可選地，對所述學生模型進行訓練包括：
12、獲取帶偽影且欠采樣mri歷史醫學圖像，將保存的第一解碼器的權重賦予所述第二解碼器，將所述帶偽影且欠采樣mri歷史醫學圖像輸入所述第二解碼器，并通過所述混合密集塊，獲取無偽影的全采樣mri歷史醫學圖像。
13、可選地，將保存的第一解碼器的權重賦予所述第二解碼器后包括：
14、通過知識蒸餾將所述教師模型的知識傳遞給所述學生模型的方法為：
15、
16、其中，ldis為蒸餾損失，w為權值，h′為高分辨率圖像的高度，w′為高分辨率圖像的寬度，σ為方差，m為蒸餾模塊的總體數量，m為第m個蒸餾模塊，c為通道數量，i為第i個通道索引，j為第j個高度像素索引，k為第k個寬度像素索引，yt為教師模型的預測，μ為學生模型預測的均值。
17、可選地，所述混合密集塊包括：卷積層、第一蒸餾子模塊和第二蒸餾子模塊；其中，通過所述卷積層獲取所述第一蒸餾子模塊和所述第二蒸餾子模塊的權重。
18、可選地，對所述學生模型進行訓練還包括：
19、將上采樣mri歷史醫學圖像輸入所述卷積層進行權重計算，獲取第一權重和第二權重；
20、將所述上采樣mri歷史醫學圖像分別輸入所述第一蒸餾子模塊和所述第二蒸餾子模塊進行均值和方差計算，獲取第一均值、第二均值、第一方差和第二方差，根據所述第一均值和所述第一方差，獲取第一拉普拉斯分布，根據所述第二均值和所述第二方差，獲取第二拉普拉斯分布；
21、根據所述第一權重和所述第二權重，分別對所述第一拉普拉斯分布和所述第二拉普拉斯分布進行加權，獲取混合密集分布；
22、計算所述混合密集分布的微分熵，獲取可視化的偶然不確定性圖。
23、可選地，獲取可視化的偶然不確定性圖的方法為：
24、h＝-∫p(xi；θ)logp(xi；θ)dxih＝-∫p(xi；θ)logp(xi；θ)dxi
25、其中，p為拉普拉斯分布，h為偶然不確定性值，xi為第i個帶偽影且欠采樣mri醫學圖像，θ為混合密集塊的參數。
26、本專利技術的有益效果為：
27、本專利技術將每個分量建模為相應的分布(如高斯分布或拉普拉斯分布)，然后將每個分布按照相應的權值進行加權融合，以提高mri邊界重建質量。
28、本專利技術將從教師那里獲得的超分辨率知識傳遞給學生以進行超分辨率重建，有效解決mri超分辨率任務中的不適定問題。
29、本專利技術將教師模型充當輔助任務以學習超分辨任務，將學生模型作為主任務以進行超分辨重建任務，利用從教師中所獲得的超分辨率知識來指導學生重建帶有偽影的欠采樣mri醫學圖像。
本文檔來自技高網...【技術保護點】
1.一種應用于MRI醫學圖像超分辨重建方法，其特征在于，包括：
2.根據權利要求1所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，所述教師模型包括：編碼器、第一解碼器和上采樣塊；其中，所述編碼器、所述第一解碼器和所述上采樣塊依次連接。
3.根據權利要求2所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，對所述教師模型進行訓練包括：
4.根據權利要求1所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，所述學生模型包括：第二解碼器和混合密集塊；其中，所述第二解碼器和所述混合密集塊連接。
5.根據權利要求4所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，對所述學生模型進行訓練包括：
6.根據權利要求5所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，將保存的第一解碼器的權重賦予所述第二解碼器后包括：
7.根據權利要求4所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，所述混合密集塊包括：卷積層、第一蒸餾子模塊和第二蒸餾子模塊；其中，通過所述卷積層獲取所述第一蒸餾子模塊和所述第二蒸餾子模塊
8.根據權利要求7所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，對所述學生模型進行訓練還包括：
9.根據權利要求1所述的應用于MRI醫學圖像超分辨重建方法，其特征在于，獲取可視化的偶然不確定性圖的方法為：
...【技術特征摘要】
1.一種應用于mri醫學圖像超分辨重建方法，其特征在于，包括：
2.根據權利要求1所述的應用于mri醫學圖像超分辨重建方法，其特征在于，所述教師模型包括：編碼器、第一解碼器和上采樣塊；其中，所述編碼器、所述第一解碼器和所述上采樣塊依次連接。
3.根據權利要求2所述的應用于mri醫學圖像超分辨重建方法，其特征在于，對所述教師模型進行訓練包括：
4.根據權利要求1所述的應用于mri醫學圖像超分辨重建方法，其特征在于，所述學生模型包括：第二解碼器和混合密集塊；其中，所述第二解碼器和所述混合密集塊連接。
5.根據權利要求4所述的應用于mri醫學圖像超分辨重建方法，其特征在于...
【專利技術屬性】
技術研發人員：于祥春，周寧寧，鄭劍，梁苗苗，邱流進，許晴，
申請(專利權)人：江西理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。