一种基于共享潜空间扩散模型与物理一致性约束的MRI图像重建方法、系统、终端及存储介质
本发明涉及磁共振成像,尤其涉及一种基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法、系统、终端及计算机可读存储介质。
背景技术:
1、近年来,低场磁共振成像(low-field magnetic resonance imaging)由于具有设备成本低、功耗低、便携性强、部署灵活等优点,在基层医疗、床旁成像、急诊救援以及资源受限地区逐渐受到重视。例如0.3t、0.064t等低场mri(magnetic resonance imaging)设备可以在传统高场mri难以部署的环境中完成快速扫描,尤其适用于移动医疗和实时临床辅助场景。
2、然而,相比临床常规使用的1.5t或3t高场mri系统,低场mri由于磁场强度较低,导致磁共振信号显著减弱,最终表现为图像信噪比(snr,signal-to-noise ratio)低、空间分辨率不足、边缘模糊、高频纹理缺失以及伪影明显等问题。在脑部、膝关节及软组织成像中,这种低场图像质量下降会直接影响图像中组织边界的可辨识度、细微解剖结构的可视性以及图像整体解读的清晰度。例如低场mri中白质与灰质边界模糊、小血管结构丢失、软骨边缘不清晰等问题,会降低图像中关键结构特征的可见性,进而影响基于图像的后处理分析或人工判读的准确性。因此,如何在保持低场设备低成本优势的同时,恢复接近高场mri质量的图像,成为当前医学图像重建领域的重要研究方向。
3、现有方法主要包括传统超分辨率方法、卷积神经网络重建方法、生成对抗网络(gan,generative adversarial network)方法以及近年来发展的扩散模型(diffusionmodel)方法。然而这些方法仍存在明显不足。
4、第一,传统卷积网络方法通常依赖大量严格配对的低场/高场图像作为监督数据,而真实临床场景中很难获取同一患者在相同姿态、相同层面下的低场与高场完全配准数据,因此监督训练受到严重限制。
5、第二,基于cyclegan等无配对图像翻译方法虽然能够在缺乏配对数据的条件下学习低场到高场的映射关系,但该类方法本质上属于单步生成模型,更多关注整体风格迁移,难以恢复真实高频纹理细节,生成结果容易出现结构漂移、边缘虚化以及伪纹理。
6、第三,现有扩散模型虽然在自然图像生成领域取得了较高质量的生成效果,但直接应用于低场mri增强时,往往存在以下问题:(1)、缺少磁共振成像物理模型约束;(2)、无法保证k空间(k-space)数据一致性;(3)、高频细节恢复不足;(4)、生成结果与真实采样物理过程不匹配;(5)、在真实低场数据集上的泛化能力较弱。
7、第四,目前多数医学图像翻译模型只在图像域进行优化,没有结合mri原始采样过程中的傅里叶变换、采样掩码以及线圈敏感度等物理信息,因此容易出现生成图像虽然视觉效果较好,但与实际采集数据不一致的问题。这种不一致性会降低模型在真实应用场景中的可靠性和图像重建的保真度。
8、第五,目前大多数低场增强方法只关注整体对比度提升,而没有针对“高频纹理恢复”这一关键问题进行专门设计。实际上,低场mri与高场mri最核心的差异之一正是高频信息缺失,例如细小脑沟、软骨边界、细微组织结构纹理等精细结构无法准确恢复。因此,仅提升图像亮度或整体清晰度并不能真正达到高场mri所对应的图像质量水平,难以满足后续图像分析或辅助观察的需求。
9、因此,现有技术还有待于改进和发展。
技术实现思路
1、本发明的主要目的在于提供一种基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法、系统、终端及计算机可读存储介质,旨在解决现有低场磁共振图像(mri)增强技术中存在的数据依赖性高、物理约束缺失、高频细节恢复不足以及模型泛化性差的问题。
2、为实现上述目的,本发明提供一种基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,所述基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法包括如下步骤:
3、获取低场mri图像,对所述低场mri图像进行预处理,得到预处理后的低场mri图像,将预处理后的低场mri图像输入到低场编码器,提取跨模态共享隐变量;
4、将所述跨模态共享隐变量输入到高场解码器进行解码,生成初始高场基线图像,将所述初始高场基线图像输入到结构感知扩散增强模块进行结构恢复,得到结构增强图像,并输入到细节扩散模型;
5、引入隐空间数据一致性近端优化模块,根据所述低场mri图像对当前重建结果进行校正,得到校正图像,并将所述校正图像输入到细节扩散模型;
6、基于所述细节扩散模型根据所述结构增强图像和所述校正图像进行细节恢复处理,恢复高场mri中的局部纹理和高频结构,得到细节增强图像,并输入到残差扩散模型;
7、基于所述残差扩散模型对所述细节增强图像进行学习并补偿剩余高频残差信息,输出最终高场mri重建结果。
8、可选地,所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,其中,所述获取低场mri图像,对所述低场mri图像进行预处理,得到预处理后的低场mri图像,将预处理后的低场mri图像输入到低场编码器,提取跨模态共享隐变量,具体包括:
9、获取低场mri图像,对所述低场mri图像进行预处理,得到预处理后的低场mri图像,其中,所述预处理包括强度归一化、中心裁剪、尺寸统一、傅里叶变换标准化、多线圈重建和噪声标准化;
10、将预处理后的低场mri图像输入到低场编码器进行编码,得到共享隐变量:
11、;
12、其中,为跨模态共享隐变量,为预处理后的低场mri图像,为低场编码器。
13、可选地,所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,其中,所述将所述跨模态共享隐变量输入到高场解码器进行解码,生成初始高场基线图像,将所述初始高场基线图像输入到结构感知扩散增强模块进行结构恢复,得到结构增强图像,并输入到细节扩散模型,具体包括:
14、将跨模态共享隐变量输入到高场解码器进行解码,生成初始高场基线图像:
15、;
16、其中,为初始高场基线图像,为高场解码器;
17、将初始高场基线图像输入到结构感知扩散增强模块进行结构恢复处理,得到结构增强图像;
18、将结构增强图像输入到细节扩散模型。
19、可选地,所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,其中,所述结构感知扩散增强模块采用条件扩散模型,扩散正向过程为:
20、;
21、其中,表示真实高场mri图像,表示第个扩散时间步对应的加噪图像,表示扩散正向过程中的条件概率分布,表示高斯分布,表示第个扩散时间步的信号保留系数,表示第个扩散时间步的噪声强度,表示单位矩阵;
22、反向去噪过程为:
23、;
24、其中,表示第个扩散时间步对应的加噪图像,表示以当前加噪图像和初始高场基线图像为条件,通过可学习参数的去噪网络预测上一时刻加噪图像的条件概率分布。
25、可选地,所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,其中,所述引入隐空间数据一致性近端优化模块,根据所述低场mri图像对当前重建结果进行校正,得到校正图像,并将所述校正图像输入到细节扩散模型,具体包括:
26、引入k空间数据一致性约束,隐空间数据一致性近端优化模块采用mri前向模型,mri前向模型表示为:
27、;
28、其中,为采样掩码,为傅里叶变换,为线圈敏感度,为图像域的mri图像;为观测k空间数据;
29、数据一致性损失为:
30、;
31、其中:为生成结果;
32、根据低场mri图像对当前重建结果进行校正,得到校正图像,并将所述校正图像输入到细节扩散模型。
33、可选地,所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,其中,所述基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法还包括:
34、引入流形几何门控优化机制,将数据一致性修正方向分解为流形切向方向和流形法向方向,所述流形几何门控优化机制的表达式为
35、;
36、其中,表示第次迭代时扩散模型预测得到的当前高场清洁图像估计,表示经过流形几何门控优化后的高场图像估计,表示数据一致性修正方向沿图像流形的切向分量,表示数据一致性修正方向沿图像流形的法向分量,表示第次迭代的自适应门控系数,用于控制法向分量的引入强度;
37、根据测量一致性和结构相似度动态计算门控系数:
38、;
39、其中,表示第次迭代时的归一化测量不匹配程度,表示定义为,表示磁共振前向测量算子,用于模拟由图像到观测数据的采集过程,表示高场域编码器,用于将当前高场清洁图像估计映射到高场隐空间,表示目标域解码器或测量一致性投影解码器,用于将隐空间特征映射到与观测数据一致的图像域,表示防止分母为零的极小正整数;
40、;
41、其中,表示与的余弦相似度,表示第次迭代中由数据一致性得到的整体修正方向,表示内积运算,表示二范数;
42、;
43、其中,表示测量不匹配项的温度系数,用于控制数据一致性误差对门控系数的抑制强度,表示修正方向与流形切方向之间的几何相似度,表示几何相似度阈值,表示几何相似度项的温度系数,用于控制门控函数随变化的平滑程度,表示sigmoid函数。
44、可选地,所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,其中,所述基于所述残差扩散模型对所述细节增强图像进行学习并补偿剩余高频残差信息,输出最终高场mri重建结果,具体包括:
45、利用高场图像构造高频残差:
46、;
47、其中,表示高频残差,表示高通滤波;为真实高场图像;为结构增强图像;
48、利用残差扩散模型学习高频残差分布:
49、;
50、其中,表示高频残差分布,为高斯噪声;
51、基于学习高频残差分布后的残差扩散模型对细节增强图像进行学习并补偿剩余高频残差信息,输出最终高场mri重建结果。
52、此外,为实现上述目的,本发明还提供一种基于共享潜空间扩散模型与物理一致性约束的mri图像重建系统,其中,所述基于共享潜空间扩散模型与物理一致性约束的mri图像重建系统用于实现所述基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法,所述基于共享潜空间扩散模型与物理一致性约束的mri图像重建系统包括:
53、隐变量提取模块,用于获取低场mri图像,对所述低场mri图像进行预处理,得到预处理后的低场mri图像,将预处理后的低场mri图像输入到低场编码器,提取跨模态共享隐变量;
54、图像增强模块,用于将所述跨模态共享隐变量输入到高场解码器进行解码,生成初始高场基线图像,将所述初始高场基线图像输入到结构感知扩散增强模块进行结构恢复,得到结构增强图像,并输入到细节扩散模型;
55、图像校正模块,用于引入隐空间数据一致性近端优化模块,根据所述低场mri图像对当前重建结果进行校正,得到校正图像,并将所述校正图像输入到细节扩散模型;
56、细节增强模块,用于基于所述细节扩散模型根据所述结构增强图像和所述校正图像进行细节恢复处理,恢复高场 mri 中的局部纹理和高频结构,得到细节增强图像,并输入到残差扩散模型;
57、图像重建模块,用于基于所述残差扩散模型对所述细节增强图像进行学习并补偿剩余高频残差信息,输出最终高场mri重建结果。
58、此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于共享潜空间扩散模型与物理一致性约束的mri图像重建程序,所述基于共享潜空间扩散模型与物理一致性约束的mri图像重建程序被所述处理器执行时实现如上所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法的步骤。
59、此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于共享潜空间扩散模型与物理一致性约束的mri图像重建程序,所述基于共享潜空间扩散模型与物理一致性约束的mri图像重建程序被处理器执行时实现如上所述的基于共享潜空间扩散模型与物理一致性约束的mri图像重建方法的步骤。
60、本发明中,获取低场mri图像,对所述低场mri图像进行预处理,得到预处理后的低场mri图像,将预处理后的低场mri图像输入到低场编码器,提取跨模态共享隐变量;将所述跨模态共享隐变量输入到高场解码器进行解码,生成初始高场基线图像,将所述初始高场基线图像输入到结构感知扩散增强模块进行结构恢复,得到结构增强图像,并输入到细节扩散模型;引入隐空间数据一致性近端优化模块,根据所述低场mri图像对当前重建结果进行校正,得到校正图像,并将所述校正图像输入到细节扩散模型;基于所述细节扩散模型根据所述结构增强图像和所述校正图像进行细节恢复处理,恢复高场 mri 中的局部纹理和高频结构,得到细节增强图像,并输入到残差扩散模型;基于所述残差扩散模型对所述细节增强图像进行学习并补偿剩余高频残差信息,输出最终高场mri重建结果。本发明首先利用共享潜变量编码器将低场mri映射到共享潜空间,通过高场解码器生成初始高场图像,随后利用结构扩散模型恢复高场结构信息,再利用高频残差扩散模型恢复边缘与纹理细节,之后,通过mri物理前向模型进行k空间数据一致性优化,并结合流形几何门控机制对生成结果进行迭代修正,从而得到最终高场mri重建结果。
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