基于MRI的CT图像重建方法与流程

本发明涉及医学图像处理技术领域，具体地说是一种基于mri的ct图像重建方法。

背景技术：

新冠肺炎传染性强、致死率高，早发现、早诊断、早治疗、早隔离是目前防控治疗的最有效手段。相比核酸检查的种种受限，ct(computedtomography)检查及时、准确、快捷、阳性率高、肺部病变范围与临床症状密切相关，因此成为新型冠状病毒肺炎患者早期筛查与诊断的主要参考依据。根据新型冠状病毒肺炎诊疗方案(试行第六版)，新冠肺炎早期呈现多发小斑片影及间质改变，以肺外带明显。进而发展为双肺多发磨玻璃影、浸润影，严重者可出现肺实变，胸腔积液少见。患者从入院的ct扫描初评、到了解病变进展、直至治愈出院，少则2次ct检查，多则3～4次ct检查。由于存在电离辐射，儿童和孕妇等人群不适合做ct检查。磁共振成像(magneticresonanceimaging,mri)具有软组织对比度高、无电离辐射、高分辨率和任意方向断层扫描等优点，是现代医学成像中的一项重要技术。mri通常作为胸部平片和ct的重要补充，对于鉴别胸内外病变、纵膈内外病变，膈上下病变，了解病变的起源有很大帮助。对于新冠肺炎的影像学检查，与ct相比，mri的缺陷主要在于成像速度慢，对肺部细微结构的显示差。

技术实现要素：

有鉴于此，本发明针对上述mri成像速度慢，对肺部细微结构的显示差的问题，提供了一种成像速度快、对肺部细微结构显示效果好的基于mri的ct图像重建方法。

本发明的技术解决方案是，提供一种以下步骤的基于mri的ct图像重建方法，包括以下步骤：

1)利用深度学习网络重建mri，包括以下步骤：

获取样本物体的全采样的线下k空间数据，所述全采样是指k空间数据采集满足奈奎斯特采样定理，可以通过全采样k空间数据恢复样本物体的图像，所述线下k空间数据是指从磁共振设备获取的k空间数据；

对所述全采样的线下k空间数据进行逆傅里叶变换得到全采样的线下多对比度mri；所述多对比度mri是指用多种成像序列进行扫描，得到不同的对比度，如t1w、t2w等；

在k空间对所述全采样的线下k空间数据进行欠采样，以获取欠采样的线下k空间数据，所述欠采样是指k空间数据采集不满足奈奎斯特采样定理，直接用来进行图像重建时会产生混叠伪影；

根据所述欠采样的线下k空间数据和所述全采样的线下多对比度mri，训练深度学习网络；

获取待测物体的欠采样k空间数据；

将所述待测物体的欠采样k空间数据输入至训练好的深度学习网络，以获取所述待测物体的线上mri；

2)利用双向生成对抗网络，由线上mri重建ct图像；所述双向生成对抗网络由两个生成器和两个判别器构成，第一生成器ga为由线上mri映射到ct图像，第二生成器gb为由ct图像映射到线上mri，所述判别器包括ct判别器和mri判别器，所述ct判别器dct用于区分由第一生成器ga生成的ct图像和真实ct图像，mri判别器dmri用于区分由第二生成器gb生成的mri和真实mri；利用双向生成对抗网络由mri重建ct图像包括以下步骤：

分别获取未标记未配对的mri和ct图像；

真实mri通过生成器ga转换为生成ct图像ga(imri)；

生成ct图像ga(imri)再通过生成器gb转换为重建mri；

真实ct图像ict通过生成器gb转换为生成mri；

生成mri再通过生成器ga转换为重建ct图像ga(gb(ict))；

第一生成器ga和第二生成器gb组成的生成器网络与ct判别器和mri判别器组成判别器网络相互对抗、不断调整参数，最终优化使得判别网络无法判断生成网络的输出结果是否真实，同时最小化重建损失||gb(ga(imri))-imri||和||ga(gb(ict))-ict||。

采用以上方法，本发明与现有技术相比，具有以下优点：(1)成像速度快；(2)应用范围广，可以用于肺部成像，也可以用于人体其他部位成像；(3)由mri重建得到ct图像，避免了ct检查的电离辐射；(4)重建得到的ct图像还可以用于放射治疗计划制定，以及pet(positronemissiontomography)衰减校正。

作为改进，在步骤2)中，所述双向生成对抗网络为wasserstein双向生成对抗网络，用wasserstein距离代替双向生成对抗网络中的jensen–shannon散度，损失函数为：λ1||gb(ga(imri))-imri||+λ2||ga(gb(ict))-ict||-dmri(gb(ict))-dct(ga(imri))，其中λ1和λ2为正则化参数，可以根据经验选择。

作为改进，在步骤2)中，在损失函数中增加感知损失，用预训练的vgg16网络作为特征提取器，损失函数为：

其中λ1、λ2、λ3和λ4为正则化参数，可以根据经验选择。所述vgg16网络是图片分类任务中经典的深度学习模型，vgg是由simonyan和zisserman在文献《verydeepconvolutionalnetworksforlargescaleimagerecognition》中提出的卷积神经网络模型，其名称来源于论文作者所在的牛津大学视觉几何组(visualgeometrygroup)的缩写，该模型参加2014年的imagenet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。

作为改进，所述步骤1)中利用深度学习网络重建mri包括：

获取样本物体的全采样的线下k空间数据y0；

对所述全采样的线下k空间数据y0进行逆傅里叶变换得到全采样的线下多对比度磁共振图像x0；

在k空间对所述全采样的线下k空间数据y0进行欠采样，以获取欠采样的线下k空间数据y1；

对所述欠采样的线下k空间数据y1进行高通滤波得到y1*h；

根据所述高通滤波后的欠采样的线下k空间数据y1*h和所述全采样的线下多对比度磁共振图像x0，训练深度学习网络；

获取待测物体的欠采样k空间数据y2；

对所述欠采样的k空间数据y2进行高通滤波得到y2*h；

将所述待测物体的高通滤波后的欠采样k空间数据y2*h输入至训练好的深度学习网络，得到k空间填充后的k空间数据y2’*h；

对所述进行逆高通滤波得到重建k空间数据y2’；

对所述重建k空间数据y2’进行逆傅里叶变换得到线上磁共振图像。

作为改进，所述步骤1)中利用深度学习网络重建mri包括：

获取样本物体的全采样的多通道线下k空间数据y0；

对所述全采样的多通道线下k空间数据y0进行逆傅里叶变换得到全采样的多通道线下多对比度磁共振图像x0；

在k空间对所述全采样的多通道线下k空间数据y0进行欠采样，以获取欠采样的多通道线下k空间数据y1；

对所述欠采样的多通道线下k空间数据y1进行高通滤波得到y1*h；

根据所述高通滤波后的欠采样的多通道线下k空间数据y1*h和所述全采样的多通道线下多对比度磁共振图像x0，训练深度学习网络，如图3所示，分别在并行成像前后设置深度学习网络；

经过两个深度学习网络和并行成像处理后的k空间数据为y1’*h，对y1’*h进行逆高通滤波和数据一致性校正，通过将采样得到的k空间数据替换相应位置的k空间数据，保证深度学习网络仅填充未采样的k空间数据；

对数据一致性校正后的k空间数据进行逆傅里叶变换和均方根操作得到最终线下重建磁共振图像；

获取待测物体的多通道欠采样k空间数据y2；

对所述多通道欠采样的k空间数据y2进行高通滤波得到y2*h；

将所述待测物体的高通滤波后的多通道欠采样k空间数据y2*h输入至训练好的深度学习网络，得到k空间填充后的k空间数据y2’*h；

对所述进行逆高通滤波得到重建k空间数据y2’；

对所述重建k空间数据y2’进行逆傅里叶变换和均方根操作得到线上磁共振图像。

作为改进，所述并行成像方法为grappa或spirit中的一种。

作为改进，所述步骤1)中的深度学习网络由k空间域u-net和图像域u-net构成，欠采样的线下k空间数据首先输入k空间域u-net，之后进行数据一致性校正，经过逆傅里叶变换得到磁共振图像，输入图像域u-net，之后进行傅里叶变换得到k空间数据，并进行数据一致性校正；所述数据一致性校正通过将采样得到的k空间数据替换相应位置的k空间数据，保证深度学习网络仅填充未采样的k空间数据。

附图说明

图1为本发明利用深度学习网络重建mri的流程图；

图2为本发明利用生成对抗网络由mri重建ct图像的原理图；

图3为本发明实施例一中利用深度学习网络重建mri的流程图；

图4为本发明实施例一中深度学习网络的构成图。

1-mri空间，2-ct空间，31-由mri生成ct的生成器ga，32-由ct生成mri的生成器gb，41-mri判别器，42-ct判别器，11-真实mri图像，12-生成ct图像，13-重建mri图像；21-真实ct图像，22-生成mri图像，23-重建ct图像。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。

与传统的mri图像重建技术相比，基于深度学习的图像重建方法在缩短磁共振成像扫描时间，加快成像速度，提高成像质量方面具有巨大潜力。图1为本发明利用深度学习网络重建mri的流程图。在线下训练过程中，利用欠采样的线下k空间数据和全采样的线下多对比度磁共振图像训练深度学习网络，由深度学习网络获得的重建k空间数据经过逆傅里叶变换得到重建磁共振图像。在线上测试过程中，向深度学习网络输入待测物体的欠采样k空间数据，输出重建k空间数据，经过逆傅里叶变换得到重建磁共振图像。k空间是直角坐标体空间的傅里叶对偶空间，即傅里叶变换的频率空间，主要应用在磁共振成像领域。

可选的，所述多对比度图像包括t1加权图像、t2加权图像和质子密度图像，所述多对比度图像的视野和矩阵尺寸相同。其中，所述t1加权图像主要突出所述样本物体中组织的纵向弛豫差别，尽量减少组织其他特性如横向弛豫等对图像的影响。所述t2加权图像主要突出所述样本物体中组织的横向弛豫差别。所述质子密度图像主要反映所述样本物体中组织的质子含量差别。

图2为本发明利用生成对抗网络由mri重建ct图像的原理图。1-mri空间，2-ct空间，31-由mri生成ct的生成器ga，32-由ct生成mri的生成器gb，41-mri判别器，42-ct判别器，11-真实mri图像，12-生成ct图像，13-重建mri图像；21-真实ct图像，22-生成mri图像，23-重建ct图像。

根据一个实施例，分别获取未标记未配对的mri和ct图像；

真实mri图像imri通过生成器ga转换为生成ct图像ga(imri)；

生成ct图像ga(imri)再通过生成器gb转换为重建mri图像gb(ga(imri))；

类似地，真实ct图像ict通过生成器gb转换为生成mri图像gb(ict)；

生成mri图像gb(ict)再通过生成器ga转换为重建ct图像ga(gb(ict))；

生成器网络和判别器网络相互对抗、不断调整参数，最终优化使得判别网络无法判断生成网络的输出结果是否真实。

线上测试时，输入mri图像，通过生成器ga得到相应的ct图像。

根据一个实施例，线上测试时，输入输入待测物体的欠采样k空间数据，经过磁共振图像重建深度学习网络得到重建磁共振图像，将重建得到的磁共振图像输入生成对抗网络，得到最终的ct图像。

根据一个实施例，ct图像重建方法包括以下步骤：

获取样本物体的全采样的线下k空间数据y0；

对所述全采样的线下k空间数据y0进行逆傅里叶变换得到全采样的线下多对比度磁共振图像x0；

在k空间对所述全采样的线下k空间数据y0进行欠采样，以获取欠采样的线下k空间数据y1；

对所述欠采样的线下k空间数据y1进行高通滤波得到y1*h；

根据所述高通滤波后的欠采样的线下k空间数据y1*h和所述全采样的线下多对比度磁共振图像x0，训练深度学习网络；

获取待测物体的欠采样k空间数据y2；

对所述欠采样的k空间数据y2进行高通滤波得到y2*h；

将所述待测物体的高通滤波后的欠采样k空间数据y2*h输入至训练好的深度学习网络，得到k空间填充后的k空间数据y2’*h；

对所述进行逆高通滤波得到重建k空间数据y2’；

对所述重建k空间数据y2’进行逆傅里叶变换得到线上磁共振图像。

将所述线上磁共振图像输入生成对抗网络，得到最终ct图像。

根据一个实施例，针对多通道磁共振成像，结合并行成像和深度学习的mri成像步骤包括：

获取样本物体的全采样的多通道线下k空间数据y0；

对所述全采样的多通道线下k空间数据y0进行逆傅里叶变换得到全采样的多通道线下多对比度磁共振图像x0；

在k空间对所述全采样的多通道线下k空间数据y0进行欠采样，以获取欠采样的多通道线下k空间数据y1；

对所述欠采样的多通道线下k空间数据y1进行高通滤波得到y1*h；

根据所述高通滤波后的欠采样的多通道线下k空间数据y1*h和所述全采样的多通道线下多对比度磁共振图像x0，训练深度学习网络，如图3所示，分别在并行成像前后设置深度学习网络；

经过两个深度学习网络和并行成像处理后的k空间数据为y1’*h，对y1’*h进行逆高通滤波和数据一致性校正，通过将采样得到的k空间数据替换相应位置的k空间数据，保证深度学习网络仅填充未采样的k空间数据；

对数据一致性校正后的k空间数据进行逆傅里叶变换和均方根操作得到最终线下重建磁共振图像；

获取待测物体的多通道欠采样k空间数据y2；

对所述多通道欠采样的k空间数据y2进行高通滤波得到y2*h；

将所述待测物体的高通滤波后的多通道欠采样k空间数据y2*h输入至训练好的深度学习网络，得到k空间填充后的k空间数据y2’*h；

对所述进行逆高通滤波得到重建k空间数据y2’；

对所述重建k空间数据y2’进行逆傅里叶变换和均方根操作得到线上磁共振图像。

将所述线上磁共振图像输入生成对抗网络，得到最终ct图像。

根据一个实施例，如图4所示，深度学习网络包括k空间域u-net和图像域u-net，欠采样的线下k空间数据首先输入k空间域u-net，之后进行数据一致性校正，经过逆傅里叶变换得到磁共振图像，输入图像域u-net，之后进行傅里叶变换得到k空间数据，并进行数据一致性校正；所述数据一致性校正通过将采样得到的k空间数据替换相应位置的k空间数据，保证深度学习网络仅填充未采样的k空间数据。

基于上述重建方法可以形成基于mri的ct图像重建系统。

以上仅就本发明较佳的实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例，其具体结构允许有变化。总之，凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。