(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210165276.X (22)申请日 2022.02.16 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 马伟　蒲泽栋　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 专利代理师 刘萍 (51)Int.Cl. G06T 5/00(2006.01) G06T 7/00(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于参考跨序列图像的MRI图像复原方 法 (57)摘要 本发明公开了一种基于参考跨序列图像的 MRI图像复原方法， 为了更好地参考跨序列图像， 通过对抗性域适应的卷积神经网络框架， 对 退化 的输入图像提取浅层特征， 同时将跨序列图像也 提取特征进行特征表示， 通过域判别器引导跨序 列图像的参考域转换到输入低质量图像对应的 真值域， 减少跨序列参考图像和低质量图像在特 征空间上的差异， 从而能更好地参考跨序列图像 的有用信息辅助低质量MRI图像复原。 该方法使 网络能够去除噪声和尽可能地恢复图像中模糊 部分原本的细节， 从而更好地对低质量图像进行 复原。 权利要求书1页 说明书3页 附图1页 CN 114549354 A 2022.05.27 CN 114549354 A 1.一种基于参 考跨序列图像的MRI图像复原方法， 其特 征在于步骤如下： 步骤1： 制作训练集 取N张参考图像， 每张记为Reference_Image1,Reference_Image2,...Reference_ ImageN； 取N张真值图像， 每张记为GT_Ima ge1,GT_Ima ge2,...,GT_Ima geN； 步骤1.2： 将图像GT_Image1,GT_Image2,...,GT_ImageN分别加入角度θ为45， 长度l为 12的运动模糊， 记为模糊图像Blur_Ima ge1,Blur_Ima ge2,...Blur_Ima geN； 步骤1.3： 将图像Blur_Image1,Blur_Image2,...Blur_ImageN加入sigma值为20的莱斯 噪声， 记为退化图像L Q_image1,LQ_image2,...LQ_imageN； 步骤1 .4： 选取N张退化图像， 对应真值图像， 对应参考图像作为训练集， 记为 步骤2： 训练网络 步骤2.1： 将训练集 输入到网络； 步骤2.2： 约定真值图像来自清晰的真值 域， 参考图像来自参 考域； 步骤2.3： 对输入退化 图像 将残差密集块作为基础卷积模块来提取浅层 特征FS， 对参考图像 同样提取浅层特 征FRS； 步骤2.4： 将参考图像分支提取的特征FRS和从退化图像提取的特征FS通过特征融合模 块进行特征融合， 并且再通过由多个卷积层组成的重建模块恢复出清晰图像 参 考图像分支也 通过重建模块重建出相应图像 步骤2.5： 参考图像分支重建图像 和真值图像 输入 到域判别器， 在域判别器作用下， 将参 考图像域 转到真值 域， 在特征空间减小两者的差异； 步骤3： 求取损失函数值并确定网络模型 步骤3.1： 为参考图像分支重建图像和真值添加生成对抗损失； 为从退化图像恢复出的 清晰图像和真值图像添加L2  Loss； 步骤3.2： 计算总损失函数值Loss； 若迭代次数达到500次以上， 则网络停止训练， 保存 最后一次迭代后得到的训练模型为网络模型； 否则再一次进入步骤2， 循环重复训练。权　利　要　求　书 1/1 页 2 CN 114549354 A 2一种基于参考跨序列图像的MRI图像复原方 法 技术领域 [0001]本发明属于及医学影像处理技术领域， 具体涉及一种基于参考跨序列图像 的MRI 图像复原方法。 背景技术 [0002]医学影像在医学中被广泛使用， 其中， 由于核磁共振成像具有无辐射损害， 对软组 织结构的分辨率 非常高等优点， 被广泛应用于临床检查中。 但是， 医学图像在实际成像过程 中， 会受到各种因素影响而 出现图像噪声、 伪影或模糊等。 图像噪声 是由于异常干扰信号而 降低图像的信噪比， 影响图像的密度分辨率； 伪影或模糊是 由于医疗设备与人体之间的相 对运动而产生的， 包括扫描时患者身体的运动， 或因患者屏气失败引起的胸腔的运动， 或因 心跳引起的自发运动。 图像噪声、 伪影或模糊现象会大大降低图像质量， 使一些组织边界或 精细结构难以识别， 从而影响医学诊断， 故需要对此类图像进 行复原。 传统医学图像复原方 法包括维纳滤波法、 小波变换等， 大多基于先验知识建立图像退化模 型， 并采用各种逆退化 处理方法进行恢复。 近几年 随着深度学习的迅猛发展， 许多基于神经网络的方法也都在各 种图像恢复任务中都取得了良好的效果， 比如Zhang等人发表的 “RDN:Residual  Dense  Network for Image Super‑Resolution ”。 然后更多的方法使用卷积神 经网络(CNN)进行 MRI图像重建。 MRI图像数据一般是多序列图像， 其他序列图像对当前序列图像有相同的解 剖结构， 有一定的参考价值， 但因为成像参数或者药剂作用等因素造成和当前序列图像表 观差异大， 所以参考跨序列图像有一定的挑战。 然而， 以上方法却往往只能恢复一种退化类 型， 对于往往不止一种退化类型的MRI图像复原效果欠佳， 参考MRI跨序列图像的方法很少 且有一定的困难。 发明内容 [0003]本发明是为了解决现有技术所存在的上述技术问题， 提供一种基于参考跨序列图 像的MRI图像复原方法。 [0004]本发明的技术解决方案是： 一种基于参考跨序列图像的M RI图像复原方法， 是将待 复原的MRI图像输入网络模型中完成图像复原， 所述网络模型及训练过程依次按照如下步 骤建立： [0005]步骤1： 制作训练集 [0006]取N张MRI肝癌数据集延迟期图像作为参考图像， 每张记为Reference_Image1, Reference_Image2,...Reference_ImageN； 取N张MRI肝癌数据集动脉期图像作为真值图 像， 每张记为GT_Ima ge1,GT_Ima ge2,...,GT_Ima geN； [0007]步骤1.2： 将图像 GT_Image1,GT_Image2,...,GT_ImageN分别加入角度 θ为45， 长度 l为12的运动模糊， 记为模糊图像Blur_Ima ge1,Blur_Ima ge2,...Blur_Ima geN； [0008]步骤1.3： 将图像Blur_Image1,Blur_Image2,...Blur_ImageN加入sigma值为20的 莱斯噪声， 记为退化图像L Q_image1,LQ_image2,...LQ_imageN；说　明　书 1/3 页 3 CN 114549354 A 3