一种基于全局特征和局部特征的MRI图像重建方法及系统

本发明涉及图像优化，特别是涉及一种基于全局特征和局部特征的mri图像重建方法及系统。

背景技术：

1、磁共振成像（magneticresonanceimaging，mri）是一种基于核磁共振原理的成像方式，通过对成像对象在外加磁场下产生的核磁共振信号进行采集并重建，可获得具有较高对比度和丰富结构信息的mri图像，是图像处理与分析领域的重要研究对象之一。mri图像在采集过程中需要在k空间中按照预设轨迹逐点扫描，完整采样所需时间较长，导致采集效率低、且容易受到运动伪影的干扰。为提高mri图像的采集效率，通常对k空间数据进行欠采样，并利用图像重建方法从欠采样k空间数据中恢复出高质量的mri图像，因此，mri图像重建方法的研究具有重要意义。

2、mri图像在结构上同时呈现局部特性与全局特性。从局部特性来看，mri图像中包含丰富的边缘、纹理和细小结构，这些细节信息分布于图像的局部邻域内，对图像的清晰度和可辨识度起到关键作用；从全局特性来看，mri图像中不同区域之间存在长程依赖关系和整体结构一致性，对图像的连贯性与重建保真度至关重要。因此，mri图像重建方法需要同时具备对局部特征和全局特征的有效提取与融合能力。

技术实现思路

1、本发明为克服上述mri图像局部-全局特征提取与自适应融合不足，提供一种基于全局特征和局部特征的mri图像重建方法及系统。

2、为解决上述技术问题，本发明的技术方案如下：

3、本发明提供一种基于全局特征和局部特征的mri图像重建方法，包括：

4、获取欠采样mri图像集及其对应的全采样mri图像集；

5、构建基于全局特征和局部特征的mri图像重建模型，将所述欠采样mri图像集输入所述基于全局特征和局部特征的mri图像重建模型，得到重建的mri图像集；

6、根据所述全采样mri图像集和重建的mri图像集构建损失函数，对所述基于全局特征和局部特征的mri图像重建模型进行训练，得到训练好的基于全局特征和局部特征的mri图像重建模型；

7、将待重建的欠采样mri图像输入所述训练好的基于全局特征和局部特征的mri图像重建模型，得到待重建的欠采样mri图像的重建结果。

8、优选地，所述基于全局特征和局部特征的mri图像重建模型包括初步特征提取模块、全局特征提取模块、局部特征提取模块、全局特征与局部特征自适应融合模块、数据一致性模块和图像重建输出模块；

9、所述初步特征提取模块、全局特征提取模块、全局特征与局部特征自适应融合模块、数据一致性模块、图像重建输出模块依次连接；

10、所述初步特征提取模块的第二输出端与所述局部特征提取模块的输入端连接；

11、所述局部特征提取模块的输出端与所述全局特征与局部特征自适应融合模块的第二输入端连接。

12、优选地，所述初步特征提取模块包括依次连接的第一卷积层、第一批归一化层、第一relu激活函数、第二卷积层、第二批归一化层、第二relu激活函数和第一通道分离单元；

13、所述第一通道分离单元的第一输出端与所述全局特征提取模块的输入端连接，所述第一通道分离单元的第二输出端与所述局部特征提取模块的输入端连接。

14、优选地，所述全局特征提取模块包括第一线性嵌入层、第一位置编码单元、第一层归一化层、第一线性投影层、第二线性投影层、第三线性投影层、注意力计算单元、第四线性投影层、第一残差相加单元、第二层归一化层、第五线性投影层、第一gelu激活函数、第六线性投影层和第二残差相加单元；

15、第一线性嵌入层、第一位置编码单元、第一层归一化层、第一线性投影层、注意力计算单元、第四线性投影层、第一残差相加单元、第二层归一化层、第五线性投影层、第一gelu激活函数、第六线性投影层和第二残差相加单元依次连接；

16、所述第一层归一化层的第二输出端、第三输出端、第四输出端分别与所述第一残差相加单元的第二输入端、第二线性投影层的输入端、第三线性投影层的输入端连接；

17、所述第二线性投影层的输出端、第三线性投影层的输出端分别与所述注意力计算单元的第二输入端、第三输入端连接；

18、所述第一残差相加单元的第二输出端与所述第二残差相加单元的第二输入端连接。

19、优选地，所述局部特征提取模块包括依次连接的第三卷积层、第三批归一化层、第三relu激活函数、第一深度卷积分离单元、第二深度卷积分离单元、第三深度卷积分离单元、第一拼接单元、第四卷积层、第二gelu激活函数、第五卷积层和第三残差相加单元；

20、所述第三卷积层、第三批归一化层、第三relu激活函数、第一深度卷积分离单元、第一拼接单元、第四卷积层、第二gelu激活函数、第五卷积层和第三残差相加单元依次连接；

21、所述第三relu激活函数的第二输出端、第三输出端、第四输出端分别与第二深度卷积分离单元的输入端、第三深度卷积分离单元的输入端和第三残差相加单元的第二输入端连接；

22、所述第二深度卷积分离单元的输出端、第三深度卷积分离单元的输出端分别与第一拼接单元的第二输入端、第三输入端连接。

23、优选地，所述全局特征与局部特征自适应融合模块包括第二拼接单元、第六卷积层、第四批归一化层、第四relu激活函数、第七卷积层、sigmoid激活函数、第二通道分离单元、第一相乘单元、第二相乘单元和第四残差相加单元；

24、所述第二拼接单元、第六卷积层、第四批归一化层、第四relu激活函数、第七卷积层、sigmoid激活函数、第二通道分离单元、第一相乘单元、第四残差相加单元依次连接；

25、所述第二通道分离单元的第二输出端与所述第二相乘单元的输入端连接；

26、所述第二相乘单元的输出端与所述第四残差相加单元的输入端连接。

27、优选地，所述数据一致性模块包括依次连接的第十卷积层、第六批归一化层、第六relu激活函数、第十一卷积层、第七批归一化层、第七relu激活函数。

28、优选地，所述图像重建输出模块包括依次连接的第十二卷积层、第八relu激活函数、第十三卷积层和tanh激活函数。

29、优选地，所述损失函数表达式如下所示：

30、

31、

32、

33、

34、其中，为图像域损失，为频域损失，为结构相似性损失，n为样本数量，为重建的mri图像集中第i张mri图像，为全采样mri图像集中第i张mri图像，为快速傅里叶变换算子，为l1范数，、为预设的损失权重。

35、本发明还提供了一种基于全局特征和局部特征的mri图像重建系统，包括：

36、数据获取模块，用于获取欠采样mri图像集及其对应的全采样mri图像集；

37、预测图像获取模块，用于构建基于全局特征和局部特征的mri图像重建模型，将所述欠采样mri图像集输入所述基于全局特征和局部特征的mri图像重建模型，得到重建的mri图像集；

38、模型训练模块，用于根据所述全采样mri图像集和重建的mri图像集构建损失函数，对所述基于全局特征和局部特征的mri图像重建模型进行训练，得到训练好的基于全局特征和局部特征的mri图像重建模型；

39、重建模块，用于将待重建的欠采样mri图像输入所述训练好的基于全局特征和局部特征的mri图像重建模型，得到待重建的欠采样mri图像的重建结果。

40、与现有技术相比，本发明技术方案的有益效果是：

41、本发明提供了一种基于全局特征和局部特征的mri图像重建方法及系统，包括：获取欠采样mri图像集及其对应的全采样mri图像集；构建基于全局特征和局部特征的mri图像重建模型，将所述欠采样mri图像集输入所述基于全局特征和局部特征的mri图像重建模型，得到重建的mri图像集；根据所述全采样mri图像集和重建的mri图像集构建损失函数，对所述基于全局特征和局部特征的mri图像重建模型进行训练，得到训练好的基于全局特征和局部特征的mri图像重建模型；将待重建的欠采样mri图像输入所述训练好的基于全局特征和局部特征的mri图像重建模型，得到待重建的欠采样mri图像的重建结果。本发明通过构建基于全局特征和局部特征的mri图像重建模型，对欠采样mri图像的全局特征与局部特征进行分支提取并自适应融合，实现了mri图像中长程结构信息与多尺度局部细节信息的协同利用，提高了mri图像重建的准确性与稳定性。