论文部分内容阅读
磁共振成像(MRI)是一种广泛使用的神经影像技术,可以提供相同解剖结构不同对比度(模态)的图像,为医生提供多样化的诊断信息。但是获取多模态的MR图像十分耗时,并且某些模态的图像可能具有大量噪声或者伪影,严重影响图像质量。所以合成缺失模态的图像或者恢复质量不好模态的图像具有十分重要的意义,能够一定程度上提高诊断的效用。对于不同模态MR图像的合成,现有的方法主要通过非线性回归和深度学习算法来学习不同模态图像之间的非线性映射关系。但是大部分算法都是基于单模态的图像信息进行合成成像,合成的图像上存在细节结构信息损失的问题,并且基于深度学习的算法大多都是大型网络,具有较多参数,在小型的数据集上面临过拟合的问题,故针对以上问题,本文以合成T2加权图像为例,提出以下的解决方案:1.本文基于深度学习算法提出了一个利用T1加权图像和降采样T2加权图像多模态信息的小型网络——基于多特征融合模块的双通道网络(DCMFF),在网络的设计中利用了双通道网络和基于空洞卷积的残差密集模块,双通道的设计可以更好地学习每个单一模态的特征,空洞卷积的加入也能保证在不损失图像分辨率和增加模型参数的情况下获得图像多尺度的信息。除此之外还创新性地提出了一个多特征融合模块(MFFB),以便有效利用多模态图像之间的相关性。本文在IXI数据集和MSSEG数据集上,针对4倍降采样和8倍降采样两种情况,通过与Unet,Dense_Unet等经典网络对比,得出我们提出的DCMFF网络性能最优,参数数量只有Unet的1/5不到,在小数据集上不会出现过拟合的情况,并且从视觉上能看出我们提出的网络能够合成细节特征良好的高质量全采样T2加权图像,基本去除原始T2降采样图像中的伪影。2.针对本文合成T2加权图像的任务,我们通过在不同机器扫描的数据集上进行测试,验证了在不同扫描设备,不同磁场强度下我们提出的DCMFF模型的泛化能力,得出结论:当测试数据集与训练数据集来自不同的扫描设备,不同的磁场强度时,DCMFF网络合成的T2加权图像仍然能保持与原始的T2加权图像相似的对比度和结构信息,并且基本去除了 T2降采样加权图像中的伪影,证明DCMFF网络在其他MRI数据集上也具有不错的T2加权图像合成效果。