一种超低场磁共振深度学习图像去噪方法及系统

摘要: 本发明涉及核磁共振成像(mri)、医学图像处理、计算机视觉和深度学习,具体涉及一种基于图像域-频域-空间域协同建模的超低场(ulf,ultra-low-fiel...
一种超低场磁共振深度学习图像去噪方法及系统

本发明涉及核磁共振成像(mri)、医学图像处理、计算机视觉和深度学习,具体涉及一种基于图像域-频域-空间域协同建模的超低场(ulf,ultra-low-field)磁共振深度学习图像去噪方法及系统。

背景技术:

1、超低场磁共振成像系统具有磁体结构简单、开放性好、部署成本低以及适用于床旁和便携式成像等优势。然而,受主磁场强度、接收线圈灵敏度、采集时间、环境电磁干扰和系统噪声等因素影响,超低场磁共振系统所得图像通常存在信噪比较低、背景随机噪声明显、局部颗粒状波动突出、组织边缘模糊以及细小结构易丢失等问题,进而影响图像观察、感兴趣区域测量和组织结构分析。

2、传统均值滤波、中值滤波、高斯滤波、非局部均值及小波阈值等方法,主要依据局部统计规律或预设阈值抑制噪声,在复杂噪声或低对比度条件下容易造成边缘削弱和过度平滑。卷积神经网络能够学习局部纹理特征,但对长距离结构关系和整体频率分布的建模能力有限。transformer虽可通过自注意力建立空间依赖关系,但直接处理512×512等高分辨率图像时计算量和显存占用较大,且单纯依赖空间注意力仍未充分利用磁共振图像与频率域之间的天然联系。

3、磁共振信号原始采样位于k空间,仅在图像域进行卷积处理,难以兼顾全局频率扰动与局部组织纹理;仅在频率域进行调节,又可能忽略空间位置和结构关系。因此,需要对图像域局部信息、频域复数频谱信息和空间结构信息进行协同建模。

4、此外,监督式深度学习去噪依赖数量充足且空间严格对应的退化图像—参考图像配对数据,而真实超低场与高质量图像的重复采集、严格配准及无噪声参考获取难度较大。仅向高质量图像叠加单一高斯噪声,也难以同时表征强度变化、接收不均匀、k空间高频损失、分辨率下降、模糊及rician噪声等退化因素。因而,亟需一种轻量化的图像域—频域—空间域协同去噪方法,并配套建立可重复、可追溯的复合退化配对数据构建流程,以提高超低场磁共振图像的噪声抑制、结构保持和真实设备适用能力。

技术实现思路

1、本发明的目的在于提供一种超低场磁共振深度学习图像去噪方法及系统,以克服现有技术存在的缺陷,本发明可在控制参数量和计算复杂度的同时,提高噪声抑制、组织结构恢复和边缘保持能力,降低高质量配对数据获取成本,提升超低场磁共振图像处理的准确性、稳定性及工程应用能力。

2、为达到上述目的,本发明采用如下技术方案:

3、一种超低场磁共振深度学习图像去噪方法,包括如下步骤:

4、步骤1:获取待去噪原始超低场磁共振图像并进行预处理,获得标准化磁共振图像;

5、步骤2:将标准化磁共振图像输入预训练完成的基于图像域—频域—空间域协同建模的深度学习去噪网络,得到去噪超低场磁共振图像,具体包括:

6、步骤2.1:将标准化磁共振图像输入卷积层进行浅层特征提取,获得初始空间特征;

7、步骤2.2:将所述初始空间特征输入多尺度编码部分,通过多个不同尺度的编码阶段进行逐级特征提取,获得深层编码特征;

8、步骤2.3:将深层编码特征输入瓶颈特征提取部分,得到瓶颈特征;

9、步骤2.4:将瓶颈特征通过多尺度解码,得到增强解码特征;

10、步骤2.5:将增强解码特征输入卷积层,获得网络预测残差,采用残差重建方式获得去噪超低场磁共振图像。

11、进一步地,所述步骤1具体包括:

12、对采集得到的原始磁共振图像进行幅值转换,将原始磁共振图像转换为单通道磁共振灰度图像:

13、

14、其中,表示图像灰度转换操作,表示转换后的单通道磁共振灰度图像;

15、对所述单通道磁共振灰度图像进行尺寸调整:

16、

17、其中,表示图像尺寸调整操作,为尺寸调整后的图像;

18、对尺寸调整后的图像进行归一化处理,使输入图像像素值限制在0~1范围内:

19、

20、其中,和分别表示图像灰度最小值和最大值,表示像素范围约束函数;

21、经过上述处理后,获得标准化磁共振图像,其中,和分别表示输入图像的高度和宽度。

22、进一步地,所述步骤2.1具体为:将标准化磁共振图像输入3×3卷积层进行浅层特征提取,获得初始空间特征:

23、

24、其中,表示3×3卷积操作,表示输入图像经过浅层卷积获得的初始空间特征;

25、所述步骤2.2中多尺度编码部分包括多个依次连接的编码阶段,每个编码阶段由iks block特征处理单元以及尺度变换操作组成,具体包括:

26、在第一级编码阶段中,将基础空间特征输入第一级iks block特征处理单元:

27、

28、其中,表示第一级编码阶段输出特征,表示连续进行2次第一级编码阶段中的iks block特征处理过程;

29、随后,通过第一次2×2下采样操作降低特征空间分辨率,得到尺度压缩后的特征:

30、

31、其中,表示第一次尺度变换操作,为尺度压缩后的特征;

32、将经过尺度压缩后的特征输入第二级编码阶段:

33、

34、其中,表示第二级编码阶段输出特征,表示连续进行2次第二级编码阶段中的iks block特征处理过程;

35、通过第二次2×2下采样操作降低特征空间分辨率,得到深层编码特征:

36、

37、其中,表示第二次尺度变换操作,为经过第二次尺度变换后的深层编码特征。

38、进一步地,所述步骤2.3具体为:将经过两次尺度变换后的深层编码特征输入瓶颈特征提取部分,得到瓶颈特征:

39、

40、其中,表示由4个连续iks block组成的瓶颈特征处理过程,表示网络深层语义特征;

41、所述步骤2.4具体包括:

42、首先,对瓶颈特征进行上采样:

43、

44、其中,表示第一次上采样操作,为第一次上采样后的解码特征;

45、随后,将第一次上采样后的解码特征与编码阶段对应尺度特征通过跳跃连接进行融合:

46、

47、其中,表示特征拼接操作,表示通过跳跃连接融合后的第一阶段解码特征;

48、融合后的第一阶段解码特征经过连续2次解码阶段iks block处理:

49、

50、其中,表示表示连续进行2次第一级解码阶段中的iks block特征处理过程,为连续进行2次第一级解码阶段中的iks block特征处理过程后的增强解码特征;

51、对增强解码特征进行第二次上采样:

52、

53、其中,表示第一次上采样操作,为第二次上采样后的解码特征;

54、将第二次上采样后的解码特征与编码阶段对应尺度特征通过跳跃连接进行融合:

55、

56、其中,表示通过跳跃连接融合后的第二阶段解码特征;

57、随后融合后的第二阶段解码特征经过连续2次解码阶段iks block处理:

58、

59、其中,表示连续进行2次第二级解码阶段中的iks block特征处理过程,为连续进行2次第二级解码阶段中的iks block特征处理过程后的增强解码特征;

60、所述步骤2.5具体包括:

61、将增强解码特征输入3×3卷积层,获得网络预测残差:

62、

63、其中,表示网络学习得到的噪声校正残差信息;

64、随后,采用残差重建方式获得最终网络输出:

65、

66、其中,表示输入的标准化磁共振图像,表示去噪超低场磁共振图像。

67、进一步地,所述iks block特征处理单元包括图像域局部特征处理单元、k空间频率特征处理单元以及空间transformer特征处理单元;

68、将基础空间特征输入图像域局部特征处理单元,通过卷积操作提取图像域增强特征,所述图像域局部特征处理单元的处理流程包括层归一化、逐点卷积、深度可分离卷积以及非线性激活函数;

69、将所述图像域增强特征输入k空间频率特征处理单元,得到经过频率增强后的特征;

70、将经过频率增强后的特征输入空间transformer特征处理单元,获得iks block输出特征。

71、进一步地,所述将基础空间特征输入图像域局部特征处理单元,通过卷积操作提取图像域增强特征,具体包括:

72、首先对基础空间特征进行层归一化:

73、

74、其中,表示层归一化操作,为层归一化后的特征;

75、通过1×1卷积对特征通道进行调整:

76、

77、其中,表示1×1卷积操作,用于实现特征维度映射,表示通道调整后的中间特征;

78、通过3×3深度卷积提取局部空间结构信息:

79、

80、其中,表示3×3深度可分离卷积操作,表示局部空间结构增强特征;

81、通过gelu激活函数增强网络非线性表达能力:

82、

83、并通过1×1卷积恢复特征维度:

84、

85、其中,表示非线性增强特征,表示图像域局部特征输出,表示输出映射卷积操作;

86、采用残差连接方式获得图像域增强特征:

87、

88、其中,表示可学习残差权重参数,表示经过图像域特征增强后的输出特征。

89、进一步地,所述将所述图像域增强特征输入k空间频率特征处理单元,得到经过频率增强后的特征,具体包括:

90、对经过图像域特征增强后的输出特征进行二维快速傅里叶变换:

91、

92、其中,表示二维快速傅里叶变换,表示转换后的频率域特征;

93、由于傅里叶变换结果为复数形式,进一步表示为:

94、

95、其中,表示频谱实部,表示频谱虚部;

96、将频谱实部和虚部进行通道维度拼接:

97、

98、其中,表示频域实部与虚部拼接特征;

99、通过1×1卷积和gelu激活函数实现频率特征映射:

100、

101、其中,表示第一层通道映射层,表示第二层通道映射层,表示经过频率域特征变换后的频谱特征;

102、通过逆傅里叶变换将频率域信息转换回空间域:

103、

104、其中,表示频域增强后的空间特征,表示逆快速傅里叶变换;

105、将频率增强特征与经过图像域特征增强后的输出特征进行残差融合:

106、

107、其中,表示频域融合权重,表示融合k空间频率信息后的特征。

108、进一步地,所述将经过频率增强后的特征输入空间transformer特征处理单元,获得iks block输出特征,具体包括:

109、将融合k空间频率信息后的特征进行层归一化处理:

110、

111、其中,表示经过层归一化后的频率增强特征

112、通过窗口多头自注意力机制计算空间关联关系:

113、

114、其中,表示窗口多头自注意力操作;表示注意力残差权重;表示经过空间注意力增强后的特征;

115、将经过空间注意力增强后的特征输入门控深度卷积前馈网络,通过卷积操作增强局部空间表达能力:

116、

117、其中,、表示门控分支特征;表示逐元素乘法;表示输出映射卷积;表示前馈网络融合权重;表示经过空间建模增强后的特征;

118、最终获得iks block输出特征:

119、

120、其中,表示经过图像域、k空间频率域以及空间域协同增强后的最终特征表示。

121、进一步地,所述基于图像域—频域—空间域协同建模的深度学习去噪网络的训练方法,包括以下步骤:

122、获取高场磁共振图像作为训练目标参考图像并进行预处理;

123、基于预处理后的训练目标参考图像进行复合退化处理,得到无随机噪声复合退化图像;

124、基于所述无随机噪声复合退化图像进行噪声模拟,得到超低场磁共振模拟退化图像;

125、基于所述超低场磁共振模拟退化图像及对应训练目标参考图像构建配对训练数据集;

126、基于所述配对训练数据集对基于图像域—频域—空间域协同建模的深度学习去噪网络进行前向传播,得到预测去噪图像;

127、基于所述预测去噪图像和训练目标参考图像计算联合损失,并更新网络参数;

128、基于迭代训练结果确定最优网络参数,得到训练完成的基于图像域—频域—空间域协同建模的深度学习去噪网络。

129、一种超低场磁共振深度学习图像去噪系统,包括:

130、数据获取及预处理模块:用于获取待去噪原始超低场磁共振图像并进行预处理,获得标准化磁共振图像;

131、去噪模块:用于将标准化磁共振图像输入预训练完成的基于图像域—频域—空间域协同建模的深度学习去噪网络,得到去噪超低场磁共振图像;

132、所述去噪模块具体包括:

133、浅层提取模块:用于将标准化磁共振图像输入卷积层进行浅层特征提取,获得初始空间特征;

134、深层提取模块:用于将所述初始空间特征输入多尺度编码部分,通过多个不同尺度的编码阶段进行逐级特征提取,获得深层编码特征;

135、瓶颈特征提取模块:用于将深层编码特征输入瓶颈特征提取部分,得到瓶颈特征;

136、解码模块:用于将瓶颈特征通过多尺度解码,得到增强解码特征;

137、处理模块:用于将增强解码特征输入卷积层,获得网络预测残差,采用残差重建方式获得去噪超低场磁共振图像。

138、与现有技术相比,本发明具有以下有益的技术效果:

139、本发明通过对高质量磁共振参考图像施加强度变化、低频偏置场、k空间高频损失、分辨率退化、空间模糊及复数域rician噪声等处理,构建退化参数可追溯的超低场近似退化—参考配对数据,能够模拟超低场磁共振成像中的复合退化,降低真实配对数据的获取与配准难度。与仅在单一特征域进行处理的方法相比,本发明通过图像域局部特征处理、频域复数频谱调制和窗口空间特征处理,对组织边缘、频谱分布及空间结构关系进行协同建模;并结合多尺度编码器—解码器、跳跃连接和全局残差学习,在控制模型参数量和计算复杂度的同时,能够提高噪声抑制、边缘保持和细节恢复能力,减少过度平滑及结构信息丢失,从而提升床旁式、开放式和便携式超低场磁共振系统的图像处理准确性、模型适用性及工程应用能力。