一种基于TC-DiffRecon模型的纹理协调的MRI图像重建方法

本发明涉及计算机视觉深度学习和医学图像处理，具体指一种基于tc-diffrecon模型的纹理协调的mri图像重建方法。

背景技术：

1、mri是一种尖端的医学成像技术，已经在临床诊断和治疗过程中被广泛使用。然而mri采集时间较长，容易使得生成的图片产生由于患者运动所导致的伪影。为了解决这个问题，通常是通过欠采样k空间来实现mri的加速。mri重建试图通过使用欠采样k空间来创建去锯齿的mri图像以克服这个问题。这种方法不仅保留了原始信号，以供给临床使用，同时减少了mri图像的获取时间。因此，mri重建方法对疾病的检测和治疗中起着至关重要的作用，具有重大的研究意义和应用价值。

2、但是，mri实际成像过程中对高频信号的采集往往是不完备的，会导致经ft重建后的mri图像边缘存在环状伪影。提高采集分辨率可以减轻环状伪影，但会增加扫描时间以及降低信噪比。传统mri重建方法至今仍面临着成像时间、图像分辨率和信噪比之间的权衡问题。目前基于深度学习的mri重建已经开始进入临床应用，在缩短成像时间、提升信噪比、提高分辨率和消除伪影方面均发挥了重要作用。但是，目前的基于深度学习的mri重建方法得到的重建结果质量通常不高，且存在细节确实与纹理不协调等问题，因此，一个纹理协调的高质量的mri重建方法具有重要意义。

技术实现思路

1、本发明针对现有技术的不足，提出一种基于tc-diffrecon模型的纹理协调的mri图像重建方法，实现了较高质量的纹理协调的mri重建结果。

2、为了解决上述技术问题，本发明的技术方案为：

3、一种基于tc-diffrecon模型的纹理协调的mri图像重建方法，包括如下步骤：

4、步骤1、获取数据集并将数据集划分为训练集和验证集；

5、步骤2、构建并训练tc-diffuserecon网络模型，所述tc-diffuserecon网络模型包括mf-unet网络、tckg模块和从粗到细采样模块；

6、所述mf-unet网络为以u-net网络为主干网络，对mf-unet网络的超参数进行设置，通过超参数设置后的mf-unet网络输出的主干特征和跳跃特征进行调节，所述超参数包括主干特征缩放因子和跳跃特征因子；

7、步骤3、将数据集中图像数据输入到mf-unet网络中输出预测噪声∈θ(yt，t)，其中yt指的是输入的图像数据，t指的是通过mf-unet网络进行第t步噪声预测；

8、步骤4、mf-unet网络输出的预测噪声∈θ(yt，t)以及数据集中欠采样的k空间图像xobs作为输入通过tckg模块得到初步预测结果yt-1，表达式如下：

9、

10、

11、其中，

12、其中，αt表示噪声调度，σt是与αt相关的一个参数，与表示傅里叶变化与逆傅里叶变换，表示欠采样掩模，由欠采样掩模函数生成，表示

13、对于在t步生成的yt-1，再次对其应用一个随机生成且服从标准正态分布分布的高斯噪声，得到一个新的图像数据y″t，表达式如下：

14、

15、其中指的是高斯噪声，然后新的图像数据y″t作为输入重复步骤4进行去噪，一共重复q次，其中q为超参数；

16、步骤5、通过从粗到细采样模块，将k组数据图像通过t/k次步骤3和步骤4得到k个初步预测结果yt-1进行平均得到

17、步骤6、将步骤5的输出采样结果作为输入重复步骤3和步骤4，一共重复trefine次，得到最终的mri重建结果。

18、作为优选，所述mf-unet网络输出的主干特征的调节方法为：

19、对于mf-unet中的解码器的第1个卷积块，对于主干特征，根据样本均值自适应地调整主干特征：

20、

21、其中，xl表示前面块上的主干特征，bl为针对xl的主干特征缩放因子，是一个标量常数；

22、将缩放操作限制在xl的半通道上，表达式如下：

23、

24、其中，xl，i表示特征映射xl的第i个通道，c表示xl中的通道总数，αl表示主干因子。

25、作为优选，所述mf-unet网络输出的跳跃特征的调节方法为：

26、对于mf-unet中的解码器的第1个卷积块，对于跳跃特征，通过傅里叶变换将空间域的图像转换为频域图像，然后用特征因子sl来减少跳跃特征的低频成分，表达式如下：

27、

28、

29、其中，hl表示相应的跳跃特征，sl为针对hl的跳跃特征缩放因子，⊙表示像素级乘法，和分别表示傅里叶变换与傅里叶逆变换，βl，i是一个傅里叶掩模函数，决定了跳跃特征缩放因子sl在傅里叶变换后图像上的作用范围，r是半径，rthresh是阈值频率。

30、作为优选，所述tc-diffuserecon网络模型的训练方法为：

31、采用pytorch框架来构建tc-diffuserecon网络模型，并借助nvidia geforce rtx3090gpu对模型进行训练，在训练过程中将dropout设置为0.3，diffusion_setps设置为4000，学习率设置为0.0001，训练时间为48h。

32、本发明具有以下的特点和有益效果：

33、采用上述技术方案，在mf-unet中，主干特征有助于去噪，而跳跃特征有助于将高频特征引入解码器，加速模型对噪声的收敛，但是也会导致其忽视基本的主干语义，使得骨干网络的去噪能力减弱。因此实例化了两个专门的调制因子，能够动态平衡主干特征和跳跃连接特征的贡献。主干特征因子，能够放大主主干特征，从而增强去噪过程。为了防止因放大导致采样过程中对图像造成不可逆的损害，只对主干特征的一半乘以主干特征因子。然而，虽然包含主干特征缩放因子会产生显著的改进，但它可能会导致生成的图像纹理过度平滑。跳过特征缩放因子能够缓解这个问题，解决纹理过平滑的问题。

34、tckg模块中的数据一致性策略能够将数据一致性注入到模型所生成的图像中，同时，纹理协调策略能够通过循环加噪去噪的过程，显著地解决数据一致性策略所导致的纹理不协调问题，提高语义精度。

35、从粗到细采样方案能够通过并行多个更短采样步骤来加速采样过程，同时将多个样本取平均的操作有助于减小图片中的噪声并且使得图片的纹理更加协调。最后，再通过额外的步骤来细化平均后得到的结果。细化步骤有助于消除样本平均过程引入的模糊度，从而得到更真实的重建结果。

36、值得注意的是，tc-diffrecon模型具有较强的泛用性，即经过在数据集上的训练后，tc-diffrecon模型能够针对不同程度的欠采样图像重建出高质量的mri重建结果，无需针对不同的欠采样状况进行额外训练。

37、通过测试集验证tc-diffuserecon重建结果的质量。分别使用4x,6x,8x,10x加速度因子的处理下的欠采样k空间作为输入，并使用psnr与ssim两个评价指标来评价本发明方法的重建结果。在4x加速度因子的情况下，psnr达到29.73，ssim达到0.739。同时，重建的结果与原图相比，细节还原到位，并且纹理协调，重建质量很高。