[发明专利]基于空间及时间信息的W型网络结构的DCE-MRI图像生成方法

说明书

本发明公开了基于空间及时间信息的W型网络结构的DCE‑MRI图像生成方法，包括以下步骤：获取训练数据集；根据所述训练数据集训练W型神经网络结构模型，及采集造影剂注射前T₀时相的三维MRI图像数据I₀，将图像数据I₀输入至训练好的所述基于空间及时间信息的W型神经网络结构模型，生成造影剂注射后Ti与Ti+1时四维DCE‑MRI时间‑空间序列图像I_i与I_i+1。该方法针对相邻时相DCE‑MRI图像间的相互关系，提出基于空间及时间信息的W型图像生成网络，该网络同时提取相邻时相图像的低维与高维特征，并利用这些特征及其相关信息生成四维DCE‑MRI时间‑空间序列图像。

技术领域

本发明公开涉及医学图像处理技术领域，尤其涉及基于空间及时间信息的W型网络结构的DCE-MRI图像生成方法。

背景技术

影像学检查不仅能通过图像发现病灶的存在，定位病灶的位置，还能观察病灶的大小、形态及密度等物理特征。其中，平扫核磁共振(MRI)可以根据病变位置、形态及与周围组织的关系来检测肿瘤及其对周围组织的侵及情况。但由于肿瘤组织内部的代谢变化可能远远早于其形态变化，所以平扫MRI对肿瘤的诊断可能与实际情况存在差异。而注射造影剂后的动态对比度增强磁共振(Dynamic contrast-enhanced magnetic resonanceimaging,DCE-MRI)通过连续快速地序列成像，获得注入造影剂前、中、后各时期组织的连续动态增强图像，从而反映病灶组织的生理代谢变化。

注射造影剂被认为是一种常规及安全的检查方法，但对造影剂(如碘)过敏或者心肝肺肾功能差的患者不能做DCE-MRI检查。如果能够根据平扫MRI图像，利用计算机后处理技术代替注射造影剂后的多次MRI扫描操作来生成DCE-MRI的图像，不仅能够提供患者(特别是由于身体条件原因无法注射造影剂的患者)病灶组织的生理代谢变化，还无需注射造影剂进行二次MRI动态扫描，由于其具有上述优点，对生成DCE-MRI图像的计算机后处理技术的研究正将成为各国学者研究的热点。

目前还没有研究者将深度学习方法应用于不同时相的DCE-MRI图像的生成，但其已经被广泛用于生成无遮挡、更高质量的医学图像。Yang等人根据正常的胸部X光图像，在梯度域中利用级联CNNs生成无骨骼遮挡的软组织图像。北卡罗莱纳大学沈定刚教授团队根据常规平扫MRI脑图像，利用CNNs生成脑部7T MRI、CT及PET图像。随着基于CNNs的超分辨率图像重构算法的提出，Oktaty等人根据三维MRI低分辨率图像重构生成高分辨率心脏MRI图像。并且，深度学习方法不仅可以重构生成具有空间灰度信息的图像，还可以推断生成高分辨率图像涉及到的成像参数。虽然，深度学习方法在多种图像生成领域均取得令人瞩目的成果，但这些算法均是利用CNNs生成二维或三维图像。

发明内容

鉴于此，本发明公开提供了基于空间及时间信息的W型网络结构的DCE-MRI图像生成方法，该方法可以提取相邻时相图像的低维与高维特征，并利用这些特征及其相关信息生成四维DCE-MRI图像。

本发明提供的技术方案，具体为，基于空间及时间信息的W型网络结构的DCE-MRI图像生成方法，其特征在于，所述W型神经网络结构模型的训练过程包括：

获取训练数据集；

根据所述训练数据集训练W型神经网络结构模型；所述W型神经网络结构模型由一条收缩路径及两条上升扩张路径构成组成；

根据两条上升路径的输出与相邻两时相金标准乳腺DCE-MRI图像之间的差来计算损失函数；

根据损失函数的值利用反向传播方法更新W型网络参数的值；

通过多次迭代更新，使得损失函数值逐渐收敛，最终完成W型网络模型的训练。