基于生成对抗神经网络的核磁共振多加权成像方法

发布时间：2020-05-19 20:00

【摘要】：多种加权的核磁共振(Magnetic Resource,MR)图像能够为病情的精确诊断提供更多的参考,而核磁共振成像(Magnetic Resonance Imaging,MRI)在一次成像过程中只能实现一种加权方式,这不仅限制了病情的参考条件,也增加了患者在采集不同加权MR图像时的不适感和医疗开销。基于深度学习的医疗影像分析和计算机辅助诊断正逐渐成为医学精确诊断的解决方案,深度学习的出现解决了高维特征学习的难题。论文利用深度学习方法创新性地将T_2加权的MR图像转换为质子密度(Proton Density,PD)加权,从而在一次MRI中获得多种加权的MR图像。论文的主要研究工作和贡献如下:(1)对MRI方法进行研究,从组织弛豫过程分析T_2加权MR图像中包含的PD加权成分,为T_2加权MR图像转换为PD加权提供了理论条件,并对深度学习方法进行研究,使得这种转换具备技术实现的条件。(2)提出了保留纹理的生成对抗网络(Preserving-Texture Generative Adversarial Networks,PTGAN),将改进的U-Net模型作为PTGAN的生成模型,并将深度卷积神经网络作为PTGAN的判别模型,通过生成模型和判别模型的对抗训练来实现T_2和PD的加权转换。在改进的U-Net模型中,使用卷积层替换池化层来实现更高维的特征提取,增加批归一化层来减少数据差异,并进一步增加网络的深度。(3)将最小二乘损失作为PTGAN的基本损失来减小决策边界距离和提高模型训练的稳定性,并在生成模型中加入L2损失、频率损失和均方误差,从而在空间域和频域上确保转换过程中的结构纹理不变。利用多种数据扩充方式增加数据多样性,设计四种网络结构与PTGAN进行对比,并使用多种MR图像测试PTGAN模型。实验表明,PTGAN模型能够将T_2加权图像转换为高质量的PD加权图像,转换的PD加权图像与采集的PD加权图像相比较,结构相似性达到0.971,峰值信噪比达到32.944dB。此外,在独立的CPU下每个转换过程达到48.4ms左右,而在独立的GPU下仅为4ms左右,可以在一次成像过程中快速地为疾病诊断提供更多的参考信息。
【图文】：

加权图,学习技术

基于生成对抗网络的核磁共振多加权成像方Convolutional Neural Networks，CNN）被广泛应用到不同的巨大成功。而在医学图像处理领域，大量深度学习技术秀的模型。针对不同的医学图像处理任务，深度学习技术的数据库来进行模型训练[9]。随着计算机 CPU 处理能力用深度学习技术进行图像转换和分类的目标更加易于实现设备接收到的信号总是受质子密度的影响[10][11]，因此无论对比信息，则可以将 T2加权 MR 图像中包含的 PD 加权成这就为 T2加权 MR 图像转换为 PD 加权提供理论条件。深征映射[9]的加权转换提供了技术条件，而计算机硬件设备下将核磁共振成像设备采集得到的 T2加权MR 图像转换为成像过程中提供出两种加权图像。

强磁场,原子核

组织的弛豫和质子密度信息。2.1 MRI 原理MRI建立在 MR 原理的基础上，MR 涉及的基本物理概念包括：原子核的自旋和磁矩、自旋磁矩在外磁场中的能量状态、产生核磁共振的条件、以及射频场对磁化强度矢量的作用和弛豫过程[31]。MRI 涉及激发和测量 MR 信号的射频脉冲序列、利用 K 空间编码获取信号位置、以及利用 K 空间编码信息重建影像这三个方面的问题。2.1.1 弛豫过程当对患者进行核磁共振扫描时，患者体内的氢原子核不仅按照主磁场的方向对齐，而且会按照近似的频率进行旋进，但它们在旋进中的相位是随机的，，这将产生主磁场方向的网状纵向磁化，如图 2.1 所示。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TP391.41;R445.2

【参考文献】