论文部分内容阅读
核磁共振成像(Magnetic Resonance Imaging,MRI)过程中,由于受自身成像机制的影响,以及遵循奈奎斯特采样定理将耗费大量的采集时间,长时间的扫描操作容易引起患者感到不适,并且可能会引入运动伪影。近年来,基于生成对抗网络的压缩感知(Compressed sensing,CS)核磁共振重建算法在重建时间上有了较大的提升,但是由于原始的生成对抗网络存在训练稳定性差、困难和模式崩溃以及特征提取不充分,所以在重建质量上相对于非深度学习重建方法并没有明显改善。针对上述问题,本文提出了一种基于最小二乘对抗损失的深度残差生成对抗网络(Generative Adversarial Network,GAN)快速CS-MRI重建模型。本文主要工作内容包括:
(1)生成对抗网络生成模型的设计:设计一种U形网络模型结合去除批量标准化操作的残差块来构成生成模型,首先,所提出的生成模型引用了医学图像分割U-net模型的思想,卷积层和解卷积层采用了跳跃连接的方式对称连接,形成一种U型的全卷积模型结构,以解决传统的全卷积神经网络信息传递丢失和损耗问题;其次,将去除了批标准化操作的残差块加入到U型结构中,增加了生成模型的深度,提高重建图像质量;并且图像的重建时间没有太多增加。
(2)引入最小二乘对抗损失:引入最小二乘对抗损失来代替原始GAN的交叉熵对抗损失,使用最小二乘对抗损失可以解决原始GAN训练稳定性差、生成图像质量差以及模式崩溃的问题。
(3)带病灶信息的MRIT2图像重建网络迁移模型:经过两次模型迁移来得到带病灶信息的MRIT2图像重建模型,具体来说,(a)大量无病灶信息的MRIT1图像进行重建模型预训练;(b)将预训练模型的特征提取部分进行模型迁移,用少量带病灶信息的MRIT1图像进行微调;(c)用少量带病灶信息的MRIT2图像进行微调,对MRIT2重建模型测试。
通过采用国际医学图像计算和计算机辅助干预会议(Medical Image Computing and Computer Assisted Intervention Society, MICCAI)2013竞赛的MRIT1正常脑部数据集和帝国理工大学IXI数据集中的MRIT1头部数据来对本文无病灶信息的MRIT1重建算法进行验证。实验结果表明,本文的重建算法相较于基于像素、频域及感知损失的GAN重建算法(PFPGR)不论是客观评价指标还是主观视觉效果上都有较大的提升。
通过采用MICCAI2018竞赛带病灶信息的MRIT1和MRIT2脑部数据集来对MRIT2病灶图像重建网络迁移模型进行验证。实验结果表明,在同等数据量大小的情况下,通过两次模型迁移得到的带病灶信息的MRIT2图像重建模型的重建图像质量要高于单次迁移和未迁移重建模型的重建图像。
(1)生成对抗网络生成模型的设计:设计一种U形网络模型结合去除批量标准化操作的残差块来构成生成模型,首先,所提出的生成模型引用了医学图像分割U-net模型的思想,卷积层和解卷积层采用了跳跃连接的方式对称连接,形成一种U型的全卷积模型结构,以解决传统的全卷积神经网络信息传递丢失和损耗问题;其次,将去除了批标准化操作的残差块加入到U型结构中,增加了生成模型的深度,提高重建图像质量;并且图像的重建时间没有太多增加。
(2)引入最小二乘对抗损失:引入最小二乘对抗损失来代替原始GAN的交叉熵对抗损失,使用最小二乘对抗损失可以解决原始GAN训练稳定性差、生成图像质量差以及模式崩溃的问题。
(3)带病灶信息的MRIT2图像重建网络迁移模型:经过两次模型迁移来得到带病灶信息的MRIT2图像重建模型,具体来说,(a)大量无病灶信息的MRIT1图像进行重建模型预训练;(b)将预训练模型的特征提取部分进行模型迁移,用少量带病灶信息的MRIT1图像进行微调;(c)用少量带病灶信息的MRIT2图像进行微调,对MRIT2重建模型测试。
通过采用国际医学图像计算和计算机辅助干预会议(Medical Image Computing and Computer Assisted Intervention Society, MICCAI)2013竞赛的MRIT1正常脑部数据集和帝国理工大学IXI数据集中的MRIT1头部数据来对本文无病灶信息的MRIT1重建算法进行验证。实验结果表明,本文的重建算法相较于基于像素、频域及感知损失的GAN重建算法(PFPGR)不论是客观评价指标还是主观视觉效果上都有较大的提升。
通过采用MICCAI2018竞赛带病灶信息的MRIT1和MRIT2脑部数据集来对MRIT2病灶图像重建网络迁移模型进行验证。实验结果表明,在同等数据量大小的情况下,通过两次模型迁移得到的带病灶信息的MRIT2图像重建模型的重建图像质量要高于单次迁移和未迁移重建模型的重建图像。