基于深度学习的合成磁共振成像方法及应用研究

发布时间：2021-08-10 15:56

　　磁共振成像（MRI）是一种广泛使用的神经影像技术,可以提供相同解剖结构不同对比度（模态）的图像,为医生提供多样化的诊断信息。但是获取多模态的MR图像十分耗时,并且某些模态的图像可能具有大量噪声或者伪影,严重影响图像质量。所以合成缺失模态的图像或者恢复质量不好模态的图像具有十分重要的意义,能够一定程度上提高诊断的效用。对于不同模态MR图像的合成,现有的方法主要通过非线性回归和深度学习算法来学习不同模态图像之间的非线性映射关系。但是大部分算法都是基于单模态的图像信息进行合成成像,合成的图像上存在细节结构信息损失的问题,并且基于深度学习的算法大多都是大型网络,具有较多参数,在小型的数据集上面临过拟合的问题,故针对以上问题,本文以合成T2加权图像为例,提出以下的解决方案:1.本文基于深度学习算法提出了一个利用T1加权图像和降采样T2加权图像多模态信息的小型网络——基于多特征融合模块的双通道网络（DCMFF）,在网络的设计中利用了双通道网络和基于空洞卷积的残差密集模块,双通道的设计可以更好地学习每个单一模态的特征,空洞卷积的加入也能保证在不损失图像分辨率和增加模型参数的情况下获得图像多尺度的信息... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图１－１同一个人配对的Ｔ１加权图像和Ｔ２加权图像（ａ）?Ｔ１加权图像；（ｂ）?１／８降采??Ｔ２Ｔ２

图２－１?１０层的ＦＣＮ网络阐??

?第二章合成磁共振成像的相关理论介绍???级特征，增加了信息量，很适合用于医学图像的合成任务，但是Ｕｎｅｔ中使用了池??化层对图像降维，一定程度上损失了图像的局部信息。??文献［３０］中的Ｕｎｅｔ模型如图２－２所示，实现了从降采样的Ｔ２加权图像生成全??采样的Ｔ２加权图像。该网络由卷积层，批处理归一化层，ＲｅＬＵ激活层，池化层，??上采样层和收缩路径（虚线箭头）组成，利用池化层和上采样层实现多尺度表示，??学习图像的多尺度特征，在图２－２中使用了四个尺度，利用收缩路径将前一部分网??络中同一尺寸的输出沿通道连接到相应的后一部分，将低级特征与高级特征融合??在一起，从而达到更好的实验效果。??２ｘ２?Ｐｏｏｌｉｎｇ?Ｃｏｎｔｒａｃｔｉｎｇ?Ｐａｔｈ＋Ｃｏｎｃａｔ??—？?２ｘ２?Ｕｎｐｏｏｌｉｎｇ?—？?３ｘ３?Ｃｏｎｖ＋ＢＮ＋ＲｅＬＵ??Ｉｄｅｎｔｉｔｙ?—？?ｌｘｌ?Ｃｏｎｖ???＾＾１：１??ＩｇｌｉｍＢＵＯＪｙ—ａｎ?．ｉＪＪ?ｉｙｉｉＭＴＯＦ??Ｓｃａｌｅ?０?Ｓｃａｌｅ?１?Ｓｃａｌｅ?２?Ｓｃａｌｅ?３?Ｓｃａｌｅ?４?Ｓｃａｌｅ?３?Ｓｃａｌｅ?２?Ｓｃａｌｅ?１?Ｓｃａｌｅ?０??图２－２?Ｕｎｅｔ模型网??２．２．３生成对抗网络??以上提到的ＦＣＮ和Ｕｎｅｔ网络都属于ＣＮＮ网络，大多面临合成图像较模糊，??不真实等问题，所以Ｇｏｏｄｆｅｌｌｏｗ等人在２０１４年提出了?ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ??Ｎｅｔｓ），该网络可以生成视觉上与真实图像更接近的合成图像。ＧＡＮ中包含两个模??型：生成模型和判别模型，这两个模型都由深度神经网络构成，ＧＡＮ可看成两个??ＣＮ


本文编号：3334355