一种基于深度学习的跨场强磁共振图像映射方法和系统

本发明涉及图像生成，尤其涉及一种基于深度学习的跨场强磁共振图像映射方法和系统。

背景技术：

1、磁共振成像（magnetic resonance imaging，mri）是骨肌系统疾病诊断与评估的重要影像学手段，在软组织分辨方面具有显著优势。目前临床主要采用1.5t和3.0t磁共振设备，其具有较好的稳定性及普及性，但受限于磁场强度，其图像在信噪比、空间分辨率及组织对比度等方面仍存在一定局限，尤其在软骨、半月板及韧带等精细结构的显示方面仍难以满足高精度诊断需求。

2、随着磁共振技术的发展，5.0t等超高场磁共振逐渐应用于临床研究。相较于常规场强设备，超高场磁共振具有更高的信噪比及更优的组织对比能力，能够显著提升图像分辨率及细节表现能力。然而，在实际应用中，5.0t磁共振仍存在以下问题：其设备成本较高、安装与维护条件要求严格，难以在多数医疗机构中普及；同时，在获取高分辨率图像时通常需要更长的扫描时间，这不仅增加患者检查负担，还容易引入运动伪影，从而影响图像质量及临床诊断效果，并降低设备的检查效率。

3、为弥补常规场强与超高场磁共振之间的成像差距，已有技术尝试通过图像处理或深度学习方法对低分辨率磁共振图像进行重建或增强。早期研究多采用插值重建、滤波增强及基于模型的重建方法（如双三次插值、稀疏表示等）对低分辨率磁共振图像进行处理。这类方法实现简单，但由于未能充分建模图像的复杂结构信息，在提升分辨率的同时容易导致图像模糊及细节丢失，难以满足医学影像对结构精度的要求。随着深度学习的发展，基于卷积神经网络的超分辨方法被广泛应用于医学图像重建。例如，通过构建端到端的卷积网络，将低分辨率图像映射至高分辨率图像，从而提升图像清晰度。

4、然而，现有方法多面向自然图像或通用医学图像设计，针对骨肌系统，尤其是膝关节等复杂解剖结构的磁共振图像重建研究仍相对有限。膝关节结构复杂，包含软骨、半月板、交叉韧带及滑膜等多种组织，各组织在磁共振成像中的信号特性差异显著，对图像分辨率、结构连续性及边界精度提出了更高要求。在膝关节的磁共振图像中，软骨层厚度较薄、半月板边缘结构细小、韧带附着点复杂，这些区域对高频细节信息极为敏感。现有超分辨方法在提升分辨率的同时，往往难以兼顾结构保真性，容易出现边界模糊、结构断裂或伪影增强等问题，从而影响临床诊断的可靠性。

技术实现思路

1、鉴于上述的分析，本发明实施例旨在提供一种基于深度学习的跨场强磁共振图像映射方法和系统，用以解决现有无法对磁共振图像进行高质量跨磁场重建的问题。

2、一方面，本发明实施例提供了一种跨场强磁共振图像方法，包括以下步骤：

3、收集多个个体的不同场强的磁共振图像构建训练样本集；

4、构建条件生成对抗网络，所述条件生成对抗网络包括生成器和判别器；所述生成器用于采用多阶段图像重建基于源场强磁共振图像生成目标场强磁共振图像；所述判别器用于判别生成图像的真伪；

5、基于构建的训练样本集对所述条件生成对抗网络进行训练，得到跨场强图像重建网络；

6、将目标个体的源场强磁共振图像输入所述跨场强图像重建网络，得到目标个体的目标场强磁共振图像。

7、基于上述方法的进一步改进，所述生成器包括：第一子网络和第二子网络；

8、所述第一子网络用于对输入图像进行初步重建得到初步重建图像；

9、所述第二子网络用于对初步重建图像进行精细化重建，得到目标场强磁共振图像。

10、基于上述方法的进一步改进，每个所述子网络均采用对称的编码器-解码器架构；

11、所述编码器包括多个层级的编码单元，每个编码单元均采用频率感知半实例归一化块作为基本特征提取单元，相邻层之间通过卷积层实现下采样；

12、所述解码器包括多个层级的解码单元，每个解码单元采用残差块提取高层语义特征；相邻层之间通过转置卷积实现上采样。

13、基于上述方法的进一步改进，所述频率感知半实例归一化块采用以下方式进行特征提取：

14、将输入特征分解为低频分量和高频分量；

15、对低频分量进行实例归一化；将归一化后的低频分量与高频分量进行融合得到残差特征；

16、将输入特征与残差特征相加，得到频率感知半实例归一化块的输出特征。

17、基于上述方法的进一步改进，采用以下方式将输入特征分解为低频分量和高频分量：

18、将输入特征通过深度可分离卷积层进行低通滤波，得到低频分量；

19、将输入特征减去低频分量得到高频分量。

20、基于上述方法的进一步改进，所述生成器还包括跨阶段特征融合模块；

21、所述跨阶段特征融合模块用于将第一子网络提取的多尺度特征融入第二子网络的编码特征中。

22、基于上述方法的进一步改进，所述生成器还包括监督注意力模块；所述监督注意力模块用于对第一子网络提取的第一深度特征进行注意力增强；将注意力增强后的特征输入第二子网络。

23、基于上述方法的进一步改进，所述监督注意力模块采用以下方式对第一深度特征进行注意力增强：

24、

25、

26、其中，表示第一子网络得到的初步重建图像，表示第一深度特征，表示卷积层，表示sigmoid函数，表示注意力掩码，表示注意力增强后的特征，表示逐元素相乘。

27、基于上述方法的进一步改进，采用以下公式计算训练损失：

28、

29、其中，表示像素级重建损失，表示对抗损失，表示感知损失，和表示权重系数。

30、另一方面，本发明实施例提供了一种基于深度学习的跨场强磁共振图像映射系统，包括：

31、样本集构建模块，用于收集多个个体的不同场强的磁共振图像构建训练样本集；

32、模型构建模块，用于构建条件生成对抗网络，所述条件生成对抗网络包括生成器和判别器；所述生成器用于采用多阶段图像重建基于源场强磁共振图像生成目标场强磁共振图像；所述判别器用于判别生成图像的真伪；

33、训练模块，基于构建的训练样本集对所述条件生成对抗网络进行训练，得到跨场强图像重建网络；

34、映射模块，用于将目标个体的源场强磁共振图像输入所述跨场强图像重建网络，得到目标个体的目标场强磁共振图像。

35、与现有技术相比，本发明至少可实现如下有益效果之一：

36、1、多阶段重建实现由粗到精的渐进式图像重建，可有效避免单阶段网络在同时处理全局对比度和局部细节时产生的矛盾，从而在结构保真性与细节清晰度之间取得更好的平衡。

37、2、通过跨场强图像重建网络，在无需配置高成本超高场设备的情况下快速准确得到目标个体的目标场强磁共振图像。有助于降低医疗机构设备投入成本，促进优质医疗资源的均衡配置，提高基层及欠发达地区获取高质量影像服务的能力，从而具有显著的社会效益。

38、3、频率感知半实例归一化从信号处理的角度出发，依据特征的频率域属性进行分割：低频分量（承载对比度和整体强度信息）被归一化以消除场强差异，高频分量（承载结构和边缘信息）被保留以维持解剖精度。能够有效解决传统方法在高频细节恢复与结构保真之间难以平衡的技术难题。从而更加准确的进行分量划分，进而提高重建的准确性。

39、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。