一种MRI成像的信号均衡方法与流程

本发明涉及磁共振成像，具体涉及一种mri成像的信号均衡方法。

背景技术：

1、mri成像技术能够对实验室动物的生理和病理进行深入研究，详细了解动物模型的解剖结构，对于疾病模型的创建和研究至关重要，以及通过动态和静态成像，研究动物模型在特定生理或病理条件下的改变，并跟踪基因修饰动物模型中的疾病进展，揭示疾病的分子机制，mri成像技术对研究和理解实验动物的生理和病理状态大有裨益，能够识别和量化动物模型中的病变，推动医学研究和新疗法的开发。

2、例如，申请号为cn202280018914.3公开了磁共振成像mri信号的均衡技术，即包括了一种磁共振系统及方法，通过改善mri线圈的性能和校准天线的协作、电子信号处理链设有均衡滤波器来均衡mr频带上的所述mr通道，以解决射频rf线圈的不均匀激励造成的mri成像系统不灵敏的问题，但是对于实验室不同物种动物进行mri成像时而言，由于待测实验动物受到体积、器官或组织尺寸影响，受到活体呼吸、心跳、任何肢体动作的运动伪影，甚至实验动物个体磁场和不同组织间的磁化率差异等影响，均会在mri成像过程中因信号不均匀而产生模糊的图像或重影现象。

3、现有技术存在以下不足：针对实验室动物进行mri成像时，除了通过改良mri设备，利用消融器改善磁场均匀性和强度或者改进适宜实验动物使用的线圈设计以外，还存在因实验室动物的不同种类、饲养空间的环境和动物行为的伪影影响，以及图像处理技术的分析和校正缺陷而导致的信号不均匀、伪影和辨识率低图像不清晰问题。

4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的是提供一种mri成像的信号均衡方法，本发明通过采用二维傅里叶变换算法、深度学习模型cnn、gan评估模型和优化函数，以解决上述背景技术中的问题。

2、为了实现上述目的，本发明提供如下技术方案：一种mri成像的信号均衡方法，包括步骤如下：

3、s1、预处理：建立动物模型并提供成像环境，根据实验动物的成像部位调整mri设备的扫描参数，包括磁场强度、梯度脉冲强度和序列等参数；

4、s2、扫描收集数据：启动预处理后的mri设备并扫描动物模型，接收适配实验动物的高灵敏线圈收集mri数据，并对mri数据应用二维傅里叶变换算法进行图像重建，获得待评估图像信号；

5、s3、伪影识别和信号不均匀分析：对待评估图像采用深度学习模型cnn检测出图像存在的信号不均匀性和伪影的异常信号；

6、s4、图像矫正处理：采用噪声抑制、均匀性矫正、去伪影和边缘增强算法对待评估图像中识别的伪影和分析的信号不均匀进行图像校正和多模态融合处理，获得高质量图像信号；

7、s5、图像的质量评估：建立生成对抗网络gan评估模型，评估高质量图像的图像清晰度和整体信号均衡参数，参数包括清晰度、对比度、信号均衡和伪影，生成质量评估系数；

8、s6、反馈监控并优化模型：根据质量评估系数对比量化指标snr和cnr，并反馈至伪影识别和信号不均匀分析步骤中持续优化，迭代图像校正和质量评估处理，获得最终的mri图像信号。

9、可选地，所述建立动物模型并提供成像环境的步骤如下：

10、按照mri成像研究实验动物的病理需求，选择实验动物的组织、器官或全身部位，采取麻醉剂、镇静剂或者实验动物定位装置使得实验动物保持静止舒适、无生理应激反应和处于体征稳定的状态，再进行磁共振成像检查，并且通过识别成像图片进行实验动物的病理分析；

11、成像环境与实验动物的饲养居住环境内温湿度、气压、空气流动速率和音频空间相同。

12、可选地，所述mri数据的收集步骤如下：

13、mri扫描过程中，磁场和射频rf脉冲激发体内氢原子核，氢原子核在回到平衡状态时释放出信号为mri数据、标定为s(u,v)n，并被接收线圈捕获，存储于k-space的参数空间中，k-space是一个频率空间，包括mri数据内图像的低频信息和高频信息，(u,v)表示为k-space的一个点数据，n表示为k-space空间中有n个点，s(u,v)n表示为k-space内储存的所有mri数据的集合；

14、在进行图像重建之前要对k-space内存储的mri数据进行校正和填充处理。

15、可选地，所述二维傅里叶变换算法进行图像重建的步骤如下：

16、将经过校正和填充处理后的mri数据s(u,v)n，采用二维傅里叶变换算法将mri数据转换为图像空间；

17、则二维傅里叶变换算法的转换公式为式中，f(x,y)表示为k-space中的一个(u,v)点数据经过二维傅里叶变换成图像空间中的对应点，f(u,v)表示为k-space中的一个(u,v)点数据，u、v表示为频率变量，x、y表示为空间变量，j表示为虚数单位，∫表示为积分符号，-∞，+∞表示为积分区域；

18、将mri数据s(u,v)n一一变换成图像空间的复数图像为f(x,y)n，则复数图像f(x,y)n包括幅度和相位，即待评估图像信号为f(x,y)n。

19、可选地，所述深度学习模型cnn检测异常信号的逻辑步骤如下：

20、收集若干个待评估图像信号f(x,y)n，且待评估图像信号f(x,y)n包含了正常信号的图像和含有不均匀性及伪影的异常图像，并进行归一化处理后形成数据集；

21、构建cnn模型，输入数据集中划分后的训练集用于训练，则cnn中的卷积层对输入的待评估图像信号f(x,y)n进行特征提取，则卷积计算公式为式中，t(i,j)l表示为第l层在位置(i,j)的特征映射输出，i(x,y)l-1表示为第l-1层的输入图像或特征图，k(i-x,j-y)l表示为卷积核的大小，bl表示为偏置项常量，σ表示为激活函数，能够将输入特征映射成一个介于0-1之间的值；

22、cnn中的池化层进行池化处理，用于降低特征图的维度，保留异常信息，则池化计算公式为p(i,j)＝max(x,y)×σ(s+x,s+y)i(x,y)，式中，p(i,j)表示为池化后的输出，max(x,y)表示为选取最大值，σ表示为激活函数，s表示为窗口步长，i(x,y)表示为池化窗口内的输入值。

23、可选地，cnn中的全连接层将训练得到的分布式特征表示映射到样本标签空间，输出预测结果，则全连接层计算公式为q(i,j)＝wx,y×i′(x,y)+b0，式中，q(i,j)表示为输出向量，wx,y表示为权重矩阵，i′(x,y)表示为特征图的输入向量，b0表示为偏置向量；

24、在cnn训练过程中，根据输出值和实际标签之间的差异，则引入交叉熵损失函数进行评估，则交叉熵损失函数的计算公式为式中，loss表示为交叉熵损失值，q表示为真实标签，qk表示为模型输出的预测标签，n表示为样本数量，p(qk)对第k个样本模型预测的概率分布；

25、根据损失函数值loss，通过反向传播算法更新网络中的权重和偏置，以减小预测误差，使用验证集评估模型性能，调整超参数以优化模型，则采用梯度下降算法以最小化损失函数，则梯度下降算法中更新权重的计算公式为w(i,j)l+1＝w(i,j)l-η×loss，式中，w(i,j)l+1表示为经过梯度下降算法调整后的权重值，w(i,j)l表示为当前l层的权重值，η表示为学习率；

26、在模型训练完成并进行了充分的评估和调优后，使用数据集中划分的测试集测试cnn模型的泛化能力，即对信号不均匀性和伪影的异常信号的识别检测能力。

27、可选地，所述图像校正和多模态融合处理的步骤如下：

28、首先对待评估图像信号f(x,y)n进行噪声抑制处理生成一次抑噪信号、标定为g(x′,y′)，采用噪声抑制的高斯滤波算法处理，即计算公式为g(x′,y′)＝f(x,y)n×k(x′,y′)，且式中，f(x,y)n表示为输入图像，k(x′,y′)表示为高斯核，ξ表示为高斯宽度，i、j表示为卷积层操作后的坐标，g(x′,y′)表示为一次抑噪信号后的输出图像；

29、然后对一次抑噪信号g(x′,y′)进行均匀性矫正生成二次矫正信号、标定为fu(x′,y′)，采用表面拟合法处理，则对一次抑噪信号g(x′,y′)进行积分计算，则积分计算公式为得到特征图fe(x,y)，再对特征图fe(x,y)进行表面拟合，则拟合计算公式为gu(x,y)＝∑fe(x,y)×w(x-i,y-j)，得到估计图像gu(x,y)，并将估计图像gu(x,y)加回到原图像上，则输出图像的计算公式为fu(x′,y′)＝gu(x,y)+g(x′,y′)，得到二次矫正信号fu(x′,y′)，式中，ψ表示为邻域的控制参数，w(x-i,y-j)表示为表面拟合算子，x-i、y-j分别表示为二维图像内水平、垂直方向上的距离；

30、再对二次矫正信号fu(x′,y′)去除图像中的伪影生成三次去伪影信号、标定为m(x,y)，采用中值滤波法处理，即m(x,y)＝median[fu(x′-k0,y′-l0)]，式中，median表示为求中值，[fu(x′-k0,y′-l0)]表示为二次矫正信号fu(x′,y′)在位置(x′,y′)处的强度值，k0、l0表示为邻域的大小；

31、其次对三次去伪影信号m(x,y)后的图像进行边缘增强处理生成四次边缘增强信号、标定为l(x,y)，采用拉普拉斯滤波器增强图像的边缘，即l(x,y)＝▽2×m(x,y)，式中，▽2表示为拉普拉斯算子；

32、最后将四次边缘增强信号l(x,y)处理过的图像进行多模态融合生成最终的高质量图像信号、标定为d(x,y)，采用加权平均法融合图像特征，即式中，wi0表示为第i0个模态的权重，n0表示为需要融合的模态数量。

33、可选地，所述对抗网络gan评估模型的建立步骤如下：

34、收集待评估图像信号f(x,y)n和高质量图像信号d(x,y)的数据训练集，并构建gan模型，包含生成器和判别器；

35、为gan模型定义损失函数，损失函数采用峰值信噪比psnr损失函数；

36、用数据训练集训练gan模型，在训练过程中，生成器和判别器将交替进行优化；

37、使用独立的测试集评估模型性能，并根据评估结果对gan模型进行必要的调整；

38、当gan模型训练完成后，采用判别器为新的图像提供质量评估，并将输出的评估结果作为质量评估系数。

39、可选地，所述质量评估系数的获取逻辑如下：

40、根据待评估图像信号f(x,y)n和高质量图像信号d(x,y)，定义峰值信噪比psnr损失函数，则损失函数公式为且式中，l(mse)表示为预测高质量图像信号d(x,y)与真实待评估图像信号f(x,y)n之间均方误差，n表示为样本数量，l(psnr)表示为峰值信噪比，maxi表示为图像的最大像素值；

41、确定gan目标函数，以反映生成器和判别器之间的对抗过程，则目标函数计算公式为f(s,p)＝min{s}×e(lnp(d(x,y)))×(d(x,y))+min{p,z}×e(ln(1-p(s(z))))，式中，f(s,p)表示为目标函数，s、p分别表示为生成器和判别器，d(x,y)表示为输入高质量图像信号的真实图像，z表示为生成器的输入噪声，e表示为期望值；

42、质量评估系数是对判别器对于输入图像的真实输出概率，即质量评估系数的计算公式为δ(qec)＝100p(d(x,y))，且p(d(x,y))∈[0,1]，式中，δ(qec)表示为判别器输出映射后的质量评估系数，p(d(x,y))表示为判别器对于输入图像的真实输出概率。

43、可选地，所述质量评估系数对比量化指标snr和cnr的步骤如下：

44、使用线性回归分析法，将质量评估系数δ(qec)与量化指标snr和cnr进行对比，以分析量化指标snr和cnr对质量评估系数δ(qec)的影响程度，线性回归分析法的计算公式为δ(qec)＝β0+β1×snr+β2×cnr+ε0，式中，β0表示为截距项，ε0表示为误差项，β1、β2分别表示为量化指标snr和cnr的斜率；

45、根据质量评估系数δ(qec)、量化指标snr和cnr来定义一个优化函数、标定为g(λ)，用于迭代计算调整模型参数以改善图像质量，则优化函数的计算公式为式中，t表示为迭代次数，表示为迭代t次数之和，λ表示为调节因子，δ表示为当前质量评估系数δ(qec)、量化指标snr和cnr的实际值，g(λ)表示为当前最优值的改进量。

46、在上述技术方案中，本发明提供的技术效果和优点：

47、本发明通过采用二维傅里叶变换算法、深度学习模型cnn方法，对实验动物进行磁共振成像设备在扫描时采集的mri数据进行伪影识别、分析信号不均匀的异常信号，并且利用噪声抑制、均匀性矫正、去伪影和边缘增强算法对待评估图像信号进行图像校正和多模态融合处理，提高了mri成像的质量，加快了识别分析的处理速度，提供更全面的实验动物诊断视图，推动研究和临床应用的发展；

48、本发明还通过gan评估模型和优化函数，进一步均衡信号生成了高质量图像，实现了调整模型参数以改善图像质量的功能，提高图像清晰度和细节的可见度，并达到了数据集训练的多样性效果，有助于训练更健壮的诊断模型，为动物模型临床诊断提高了准确性和效率。