公开/公告号CN112686874A
专利类型发明专利
公开/公告日2021-04-20
原文格式PDF
申请/专利权人 苏州朗润医疗系统有限公司;
申请/专利号CN202011641598.4
申请日2020-12-31
分类号G06T7/00(20170101);G16H30/20(20180101);G06N3/04(20060101);G06N3/08(20060101);
代理机构32301 苏州科仁专利代理事务所(特殊普通合伙);
代理人郭杨
地址 215123 江苏省苏州市工业园区新发路27号C栋1、2、3、层
入库时间 2023-06-19 10:41:48
技术领域
本发明涉及一种MR图像处理技术,尤其涉及一种基于卷积神经网络的MR图像自适应窗宽窗位计算方法。
背景技术
MRI(Magnetic Resonance Imaging)技术与其它扫描技术相比,具有无辐射,良好的空间分辨率、软组织成像能力等优点,在现代医学诊断中占据越来越重要的地位;对于MR图像,反映的是MR时间的不同或者弛豫时间T1与T2的长短,所以其图像为灰度图,不包括RGB彩色信息。
MR图像格式以DICOM医学图像格式为主,其灰阶层次通常达到4096灰度级甚至更高,与普通显示器256阶的显示灰级相差较大,所以一般通过加窗的方式查看MR图像的显示结果。
在屏幕上,可以调整图像灰度,通常这种技术被称为加窗。窗口化通过将灰度上的某些级别归因于某些信号强度来影响图像对比度。窗口化完全独立于MR图像的采集和处理,只是屏幕上的图像对比度操纵。它将高动态范围图像更改为较低动态范围图像。窗口的中心和宽度则决定了图像的灰度,不同的图像如果要相互比较,应始终具有相同的窗口宽度和中心。否则,具有不同信号强度的结构可能会产生误导。在这个前提下,图像默认窗宽窗位的选择显得尤为重要,默认窗宽窗位下能够显示的图像细节越多、图像越清晰,越能提高临床诊断的效率,以及避免手动调整窗宽窗位可能造成的误诊。
现有方法大多基于MR图像的直方图特征或者其他的需要手动提取的特征,并且受到MR图像类型的限制,在MR图像显示以及后续诊断中需要专业人员手动调节。
发明内容
本发明目的是提出一种有效的自适应窗宽窗位计算方法,通过改善默认窗宽窗位达到图像最优显示的结果,从而提高诊断效率和准确度。
本发明的技术方案是:一种基于卷积神经网络的MRI自适应窗宽窗位提取方法,其特征在于,建立图像和窗宽关系的卷积神经网络模型(深度CNN模型结构),形成从图像到窗宽窗位的映射,卷积神经网络模型完成并测试后加载MR图像计算得到窗宽窗位参数。
优选的,所述卷积神经网络模型包括:
卷积模块,加载MR图像,利用构建模块提取MR图像数据的特征图;
非线性校正模块,采用ReLU非线性校正进行处理卷积后的MR图像数据的特征图;
池化模块,采用最大值池化对特征图进行下采样提取图像特征;
全连接模块,对提取的图像特征进行线性校正得到窗宽窗位参数。
卷积神经网络模型计算步骤是:1)加载MR图像,人工设定最优窗宽窗位作为期望值;2)利用卷积神经网络计算特征并学习特征与期望值之间的关系;3)通过学习得到模型参数集,输入测试集数据进行测试。
采用卷积神经网络训练窗宽窗位参数,选取鲁棒性更强的损失函数,在一定程度上避免了窗宽窗位受到主观干扰;同时本发明基于卷积神经网络选取图像特征,避免了不同MR图像类型的干扰,并最大程度保留图像显示的质量。
窗宽指MR图像所显示的图像灰度值范围。
窗位(窗中心)指窗宽范围内的中心值。
通过线性拉伸或将全像素强度范围的子范围缩小到显示范围[0,255],简单地实现了重映射过程:
上式各符号含义如下:
x为MR图像中的一个像素;x'为x的重映射,用来形成显示的图像;a为窗位减去窗宽的1/2;b为窗位加上窗宽的1/2。
优选的,所述卷积模块包括三个卷积层,采用3×3卷积核。每个卷积层后面均有一个非线性校正单元(ReLU),令x
x为给定输入图像,w
优选的,全连接模块的每个连接层可以匹配不同数量的神经元,最后一个连接层只有两个神经元,即窗宽窗位,[y
优选的,所述的池化模块的池化层采用2×2的最大值池化,步长为2。
优选的,具体计算步骤如下:
(1)加载MR图像训练集;
(2)调整最优窗宽窗位,记为y=[y
(3)使用卷积神经网络提取训练集数据特征,并根据y'=f(x;Θ)得到确定模型的参数Θ,完成卷积神经网络的训练,其中y'是设置的窗口参数y=[y
(4)加载MR图像,对MR图像数据进行去均值化以及降低图像空间分辨率;
(5)利用训练完毕的卷积神经网络提取图像特征,并通过全连接层的线性变换得到窗宽窗位参数。
优选的,所述降低图像的空间分辨率的算法为TensorFlow:tf.space_to_depth函数算法。
本发明采用卷积神经网络训练窗宽窗位参数,选取鲁棒性更强的损失函数,在一定程度上避免了窗宽窗位受到主观干扰;同时本发明基于卷积神经网络选取图像特征,避免了不同MR图像类型的干扰,并最大程度保留图像显示的质量。与现有方法相比,基于卷积神经网络的MR自适应窗宽窗位计算方法显示图像细节更为完善,图像质量更好。
附图说明
图1为本发明基于卷积神经网络的MRI自适应窗宽窗位计算方法中计算过程流程图。
图2为本发明基于卷积神经网络的MRI自适应窗宽窗位计算方法卷积神经网络结构图。
图3为本发明基于卷积神经网络的MRI自适应窗宽窗位计算方法中模型训练阶段流程图。
图4为本发明基于卷积神经网络的MRI自适应窗宽窗位计算方法与现有方法图像对比。
具体实施方式
下面结合附图本发明作进一步描述。本发明的基于卷积神经网络的MRI自适应窗宽窗位计算方法的框图,参见图2,如下模块:模块s201,加载降低空间分辨率的MR图像。构建模块s202,包括了卷积模块,非线性校正模块和池化模块,利用构建模块提取MR图像数据的特征图,其中构建模块包括三个卷积层,采用3×3卷积核;每次卷积后,采用ReLU非线性校正进行处理;最后采用最大值池化对特征图进行下采样。模块s203,构建模块提取利用MR图像数据的特征图完毕,进入全连接层进行线性校正,最后一层全连接层只包含两个神经元,即[y
模型训练过程如图3所示,对于原始样本进行训练时,包括如下步骤:步骤s301,加载MR图像训练集;
步骤s302,由专业人员手动调整最优窗宽窗位,记为y=[y
步骤s303、s304,使用卷积神经网络提取训练集数据特征,并根据y'=f(x;Θ)得到确定模型的参数Θ;其中y'是由专业人员设置的窗口参数y=[y
如图1所示,计算方法中计算步骤如下:
步骤s101,加载MR图像。
步骤s102、s103,对MR图像数据进行去均值化,以及降低图像空间分辨率,以提高运算速度并降低内存占用。
步骤s104,利用训练完毕的卷积神经网络提取图像特征,并通过全连接层的线性变换得到窗宽窗位参数。
图4为本方法效果图图4(b)与现有方法图4(a)对比。与现有方法相比,基于卷积神经网络的MR自适应窗宽窗位计算方法显示图像细节更为完善,图像质量更好,降低了多余信号(如脂肪信号)的干扰,有利于临床诊断。
机译: 用于基于多位卷积神经网络的基于多位卷积神经网络的存储单元的存储单元,用于基于多位卷积神经网络的基于存储的内存应用的存储器阵列结构及其计算方法
机译: 基于物体刚度和车窗位置的带捏力的自适应车窗升降控制
机译: 基于物体刚度和车窗位置的带捏力的自适应车窗升降控制