基于形变场的MRI图像切片间超分辨率方法和装置

本发明涉及图像处理，具体涉及一种基于非参数化形变场的mri图像切片间超分辨率方法和装置。

背景技术：

1、磁共振成像(magnetic resonance imaging，mri)是一种临床中经常使用的医学成像技术，成像后所得到的三维mr图像可被用于对肿瘤等疾病进行全方位的诊断。然而，当前临床中所采集到的三维mr图像大多是利用多切片采集技术采集得到，采用这种采集技术得到的mr图像其切片间的分辨率要比切片平面内的分辨率小很多。这主要是因为多切片采集技术中，当切片越薄时，用于编码切片所使用的射频脉冲激励就需要越接近理想的方波，因而在相同的磁场梯度强度下，需要更长的脉冲持续时间，这非常影响成像效率。因此，多切片采集技术中所选择的切片厚度一般都比较大，这也造成了切片内的分辨率一般会数倍于切片间的分辨率。这种分辨率的差异很难从改进成像技术本身来解决，因此只能通过对mr图像进行切片间超分辨率来恢复具有各向同性分辨率的mr图像。

2、现有的三维mr图像切片间超分辨率通常需要额外的数据输入。一种比较经典的方法是首先获取多组从不同角度得到的三维mr图像，然后利用成像模型构建切片间超分辨率的优化目标从而恢复各向同性分辨率的mr图像。但是获取不同角度的mr图像对病人来说昂贵而麻烦，因此设计一种不利用额外数据就能完成切片间超分辨率的方法具有重要的意义。

技术实现思路

1、针对所述缺陷，本发明实施例公开了一种基于非参数化形变场的mri图像切片间超分辨率方法和装置，其利用形变场去完成mr图像的切片间超分辨率，除了需要一定数量的三维mr图像作为训练数据集之外不需要任何额外的数据，这样可以降低切片间超分辨率的时间和成本。

2、本发明实施例第一方面公开一种基于形变场的mri图像切片间超分辨率方法，其包括：

3、使用三维样本mri图像对形变场网络进行训练，得到形变场预测模型；

4、确定目标三维mri图像中切片间需要插值出中间切片的位置；

5、选择所述目标三维mri图像中相邻切片输入所述形变场预测模型，确定双向形变场；

6、根据所述双向形变场向所述切片间需要插值出中间切片的位置插入目标切片。

7、作为较佳的实施例，在本发明实施例的第一方面中，使用三维样本mri图像对形变场网络进行训练，得到形变场预测模型，包括：

8、选择三维样本mri图像选取两两一组的切片组成切片对，所述切片对具有相同的切片方向，每个切片对中的两幅图像分别记为移动图像和固定图像；

9、将所述切片对的两幅图像的像素值进行归一化处理；

10、将归一化处理后的切片对的两幅图像输入形变场网络，比较形变场网络输出的形变图像和固定图像，通过反向传播优化所述形变场网络，得到所述形变场预测模型。

11、作为较佳的实施例，在本发明实施例的第一方面中，将归一化处理后的切片对的两幅图像输入形变场网络，比较形变场网络输出的形变图像和固定图像，通过反向传播优化所述形变场网络，得到所述形变场预测模型，包括：

12、将所述归一化处理后的切片对的两幅图像输入unet网络，得到所述形变场预测模型。

13、作为较佳的实施例，在本发明实施例的第一方面中，所述unet网络包括形变场预测模块和空间变换模块，将所述归一化处理后的切片对的两幅图像输入unet网络，得到所述形变场预测模型，包括：

14、将所述归一化处理后的切片对的两幅图像输入形变场预测模块，预测出两通道的形变矩阵，所述形变矩阵与输入图像等大小，两通道的数值分别表示x方向和y方向的偏移量；

15、将所述形变矩阵和移动图像输入空间变换模块，得到所述形变图像；

16、比对所述形变图像和固定图像，通过反向传播算法优化所述形变场网络，得到所述形变场预测模型。

17、作为较佳的实施例，在本发明实施例的第一方面中，选择所述目标三维mri图像中相邻切片输入所述形变场预测模型，确定双向形变场，包括：

18、依次选择所述三维mri图像中相邻切片输入所述形变场预测模型预测出前向形变场；

19、将所述三维mri图像中相邻切片交换位置再次输入所述形变场预测模型预测出反向形变场。

20、作为较佳的实施例，在本发明实施例的第一方面中，根据所述双向形变场向所述切片间需要插值出中间切片的位置插入目标切片，包括：

21、根据所述切片间需要插值出中间切片的位置，确定对应于双向形变场的目标形变场；

22、将所述目标形变场对应的所述三维mri图像中相邻切片中的移动图像与所述目标形变场输入所述空间变换模块，得到目标切片；

23、将所述目标切片插入所述切片间需要插值出中间切片的位置。

24、作为较佳的实施例，在本发明实施例的第一方面中，确定目标三维mri图像中切片间需要插值出中间切片的位置，包括：

25、根据目标三维mri图像的冠状位、矢状位以及轴向位三个方向体素间的物理距离分别确定切片间和切片内分辨率的相差倍数；

26、根据所述相差倍数确定目标三维mri图像中切片间需要插值出中间切片的位置。

27、本发明实施例的第二方面公开一种基于形变场的mri图像切片间超分辨率装置，包括：

28、训练单元，用于使用三维样本mri图像对形变场网络进行训练，得到形变场预测模型；

29、确定单元，用于确定目标三维mri图像中切片间需要插值出中间切片的位置；

30、选择单元，用于选择所述目标三维mri图像中相邻切片输入所述形变场预测模型，确定双向形变场；

31、插入单元，用于根据所述双向形变场向所述切片间需要插值出中间切片的位置插入目标切片。

32、作为较佳的实施例，在本发明实施例的第二方面中，所述训练单元，包括：

33、选取子单元，用于选择三维样本mri图像选取两两一组的切片组成切片对，所述切片对具有相同的切片方向，每个切片对中的两幅图像分别记为移动图像和固定图像；

34、归一化子单元，用于将所述切片对的两幅图像的像素值进行归一化处理；

35、输入子单元，用于将归一化处理后的切片对的两幅图像输入形变场网络，比较形变场网络输出的形变图像和固定图像，通过反向传播优化所述形变场网络，得到所述形变场预测模型。

36、作为较佳的实施例，在本发明实施例的第二方面中，所述形变场网络为unet网络，所述unet网络包括形变场预测模块和空间变换模块；所述输入子单元，包括：

37、将所述归一化处理后的切片对的两幅图像输入形变场预测模块，预测出两通道的形变矩阵，所述形变矩阵与输入图像等大小，两通道的数值分别表示x方向和y方向的偏移量；

38、将所述形变矩阵和移动图像输入空间变换模块，得到所述形变图像；

39、比对所述形变图像和固定图像，通过反向传播算法优化所述形变场网络，得到所述形变场预测模型。

40、本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的一种基于形变场的mri图像切片间超分辨率方法。

41、本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于形变场的mri图像切片间超分辨率方法。

42、本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于形变场的mri图像切片间超分辨率方法。

43、本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于形变场的mri图像切片间超分辨率方法。

44、与现有技术相比，本发明实施例具有以下有益效果：

45、本发明实施例通过输入mri图像中的切片对训练神经网络预测出切片间形变场，并通过插值的方式预测出中间形变场从而得到中间的目标切片，可以在不需要额外数据的情况下提升mri图像切片选择方向上的分辨率，从而得到具有各向同性分辨率的图像，便于医生的诊断，并且可以降低时间成本和经济成本。