基于深度学习的EPRI快速成像方法研究

摘要

电子顺磁共振成像（ElectronParamagneticResonanceImaging，EPRI）是一种先进的活体代谢信息成像技术。当前EPRI的瓶颈问题是扫描速度过慢，其原因是每个角度下的投影信号需要被重复采集几千次，以压制随机噪声，获得高信噪比的投影信号。一种实现快速扫描的方法是减少每个投影信号的重复采集次数，然而如此采样导致投影信号的信噪比降低，致使重建出来的图像噪声较大。因此，快速EPRI成像的去噪技术尤为重要。　　虽然传统的图像去噪方法有较好的去噪性能，但是，因为EPRI图像的噪声类型不确定且分布不均匀，致使该类方法在EPRI图像去噪中表现一般。深度学习是一种万能函数逼近器，可以学习到复杂的、难以被数学建模的输入输出之间的非线性映射，在图像处理中已经得到广泛应用。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种深度神经网络，尤其适用于图像处理，在图像去噪中已经展现了其优良的性能。　　面向EPRI图像的去噪任务，基于现有的深度学习去噪成果，本文研究了两种基于CNN的EPRI图像去噪技术，主要工作如下：　　（1）比较了六种经典的去噪网络：DnCNN、RED-CNN、UNet、CBDNet、BRDNet及PRIDNet在EPRI图像去噪中的性能。实验结果表明，CBDNet、BRDNet和PRIDNet网络优于前三种网络。本文依据这三种网络所采用的构建机制构建一种双通道CNN（Two-ChannelCNN,2C-CNN）去噪网络。该网络由两部分构成：特征图生成网络和双通道去噪网络。特征图生成网络从输入图像生成特征图像。特征图像和输入图像拼接构成新的输入图像，传入双通道网络。特征图图像与输入图像的拼接及双通道技术的综合应用，进一步提高了网络的去噪能力。　　（2）在（1）的基础上，构建了基于多通道、多尺度、多拼接的卷积网络（Multi-Channel,Multi-Scale,Multi-Concatenation,convolutionalnetwork,3MNet）模型，实现了EPRI图像的高精度去噪。该网络由三部分构成，第一个子网络是基于注意力机制的全卷积网络；第二个子网络是三通道卷积网络；第三个子网络是多尺度卷积网络。

目录