一种用于脑小血管病核磁影像的清晰度优化方法与流程
本发明涉及影像优化领域,具体来说,尤其涉及一种用于脑小血管病核磁影像的清晰度优化方法。
背景技术:
1、脑小血管病是指累及脑内小动脉、微动脉、毛细血管和小静脉的一组病理过程,以血管壁玻璃样变、管腔狭窄或闭塞为主要特征,常见影像学表现包括腔隙性梗死、白质高信号、脑微出血和血管周围间隙扩大;该病起病隐匿,与年龄和高血压密切相关,是导致认知功能下降、步态障碍和卒中的重要原因。
2、上述病灶通常尺寸微小、分布分散,在常规核磁影像中极易因信噪比不足或运动伪影干扰而模糊不清甚至被掩盖,清晰度优化的目的在于提升影像整体画质的同时,有针对性地增强微小病灶的结构特征,使各类病变能够被清晰呈现,从而提高临床诊断的准确性和效率。
3、然而,现有核磁影像清晰化方法去模糊多依赖盲估计,融合策略固定,且缺乏对微小病灶的针对性保护,易导致病灶模糊或细节丢失,难以满足上述需求。
4、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、为了克服以上问题,本发明旨在提出一种用于脑小血管病核磁影像的清晰度优化方法,目的在于解决现有核磁影像清晰化方法去模糊多依赖盲估计,融合策略固定,且缺乏对微小病灶的针对性保护,易导致病灶模糊或细节丢失,难以满足上述需求的问题。
2、为此,本发明采用的具体技术方案如下:
3、一种用于脑小血管病核磁影像的清晰度优化方法,该方法包括:
4、采集脑小血管病患者的脑部多时相核磁影像,获取扫描过程中的头部运动数据,按采集时刻将影像帧与运动参数进行配对,构建运动与影像同步序列;
5、提取运动与影像同步序列中每帧影像的浅层特征图,利用运动参数对所有帧的浅层特征图进行旋转与平移对齐,统一至参考帧坐标系后得到多帧补偿特征图;
6、将多帧补偿特征输入运动强度感知门控网络,根据每帧运动幅度计算融合权重,生成融合特征图,并通过多尺度感受野分支提取脑小血管病相关多维度结构特征,经通道注意力机制与融合特征图加权融合,输出增强融合特征图;
7、对增强融合特征图上采样并映射至图像域,得到优化后的核磁影像。
8、可选地,构建运动与影像同步序列的方法为:
9、采用多时相快速扫描序列对脑小血管病患者脑部进行连续采集,得到多帧脑部核磁快照影像及各帧对应的采集时刻;
10、在扫描采集的同时记录各采集时刻对应的患者头部运动参数;
11、将同一采集时刻对应的脑部核磁快照影像与头部运动参数进行绑定,构建运动与影像同步序列。
12、可选地,提取运动与影像同步序列中每帧影像的浅层特征图,包括:
13、从运动与影像同步序列中逐帧读取脑部核磁快照影像;
14、将读取的脑部核磁快照影像输入浅层特征提取网络,通过卷积层提取低级视觉特征及运动影响下的影像细节信息,得到初始特征图;
15、对运动与影像同步序列中的每一帧重复执行特征提取与初始特征图生成操作,逐帧提取初始特征图,汇总得到浅层特征图集合。
16、可选地,得到初始特征图的方法为:
17、将读取的脑部核磁快照影像输入浅层特征提取网络的第一卷积层,第一卷积层通过多个卷积核对脑部核磁快照影像进行滤波处理,提取包括边缘、纹理和局部对比度的低级视觉特征,得到第一层特征图;
18、将第一层特征图依次送入浅层特征提取网络的中间卷积层,通过逐层卷积操作提取区域形状和结构信息,得到深层特征图;
19、通过跳跃连接将第一层特征图中受运动影响区域的细节特征传递至深层网络,与深层特征图进行融合,得到初始特征图。
20、可选地,得到多帧补偿特征的方法为:
21、从统计量校准后的浅层特征图集合中逐帧读取浅层特征图,并从运动与影像同步序列中读取对应帧的运动参数;
22、以运动幅度最小的帧作为参考帧,将参考帧的浅层特征图所在空间坐标系确定为参考帧坐标系;
23、结合参考帧坐标系,根据运动参数获取每帧浅层特征图的旋转量和平移量;
24、按照旋转量和平移量,对每帧浅层特征图逐一进行空间变换,对齐至参考帧坐标系,汇总得到多帧补偿特征图集合。
25、可选地,生成融合特征图的方法为:
26、从多帧补偿特征图集合中逐帧读取补偿特征图,并从运动与影像同步序列中读取对应帧的运动参数;
27、根据每帧的运动参数计算运动幅度,并将运动幅度输入运动强度感知门控网络,经全连接层输出每帧的初始权重;
28、对所有帧的初始权重进行归一化处理,得到每帧的融合权重;
29、按照融合权重对每帧补偿特征图进行加权求和,生成融合特征图,其计算过程的表达式为:
30、
31、式中,表示第
i帧影像对应的平移幅度;表示第
i帧影像沿
x轴的平移分量;表示第
i帧影像沿
y轴的平移分量;表示第
i帧影像沿
z轴的平移分量;表示第
i帧影像对应的旋转幅度;表示第
i帧影像绕
x轴的旋转角度分量;表示第
i帧影像绕
y轴的旋转角度分量;表示第
i帧影像绕
z轴的旋转角度分量;表示第
i帧影像的综合运动幅度;表示平移幅度的权重系数;表示旋转幅度的权重系数;表示第
i帧影像经门控网络输出的初始权重;表示激活函数;表示全连接层的权重矩阵;表示全连接层的偏置项;表示第
i帧影像归一化后的融合权重;表示参与融合的总帧数;表示第帧影像;表示融合特征图的第个通道;表示第帧影像;表示第
i帧补偿特征图的第个通道。
32、可选地,提取脑小血管病相关多维度结构特征的方法为:
33、构建多个并行的卷积分支,各分支采用不同尺寸的卷积核,分别提取不同空间尺度下的影像特征;
34、将融合特征图分别输入各卷积分支,经不同尺寸卷积核提取得到不同空间尺度的结构特征图;
35、将各分支输出的结构特征图在通道维度上进行拼接,通过卷积层对拼接后的特征进行融合压缩,得到多尺度结构特征图。
36、可选地,输出增强融合特征图的方法为:
37、对融合特征图和多尺度结构特征图分别进行全局平均池化,将每张特征图压缩为通道描述符;
38、将各通道描述符分别输入全连接层,经激活函数进行非线性变换,生成各自对应的通道注意力权重;
39、利用各自的通道注意力权重,分别对融合特征图和多尺度结构特征图进行逐通道加权;
40、将加权后的融合特征图与加权后的多尺度结构特征图在通道维度上进行拼接,经卷积层调整通道数并完成特征融合,得到增强融合特征图。
41、相较于现有技术,本技术具有以下有益效果:本技术通过将硬件实测的运动参数与深度学习紧密耦合,一方面以运动参数驱动浅层特征图的刚体空间变换,在特征层面实现精确的运动补偿,另一方面将运动幅度引入门控网络,自适应地为低运动帧分配更高融合权重,实现运动感知的多帧信息融合;同时通过多尺度感受野分支与通道注意力机制,针对脑小血管病病灶多尺度、易丢失的特点进行结构特征增强,在提升整体画质的同时有效保持病灶细节,重建出画质优化且病灶结构保真的核磁影像。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com