申请/专利权人：山东师范大学

申请日：2024-03-25

公开（公告）日：2024-06-14

公开（公告）号：CN117934289B

主分类号：G06T3/4076

分类号：G06T3/4076;G06N3/0455;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及医学图像处理技术领域，提供了一种集成MRI超分辨率与合成任务的系统及方法，所述系统通过图像预处理模块，对高分辨率MRI图像进行预处理，得到低分辨率MRI图像；再通过MRI超分辨率与合成模型训练模块，基于所述低分辨率MRI图像训练多任务自感知Transformer网络，得到MRI超分辨率与合成模型；最后利用图像生成模块，将实际低分辨率MRI图像输入至所述MRI超分辨率与合成模型生成超分辨率MRI图像和合成MRI图像。本发明通过设计自感知Transformer，结合通道注意力的全局信息提取能力和多头自注意力的远距离建模能力，能够充分挖掘多任务间的潜在表示；通过设计自适应高频增强重建模块，有效增强解码器的重建与合成能力，能够为精准医疗提供更准确的病理信息。

主权项：1.一种集成MRI超分辨率与合成任务的方法，其特征在于，所述方法基于一种集成MRI超分辨率与合成任务的系统，所述系统包括：图像预处理模块、MRI超分辨率与合成模型训练模块、图像生成模块，其中，所述图像预处理模块，用于对高分辨率MR图像进行预处理，得到低分辨率MR图像；所述MRI超分辨率与合成模型训练模块，用于基于所述低分辨率MR图像训练多任务自感知Transformer网络，得到MRI超分辨率与合成模型；所述图像生成模块，用于将实际低分辨率MR图像输入至所述MRI超分辨率与合成模型生成超分辨率MR图像和合成MR图像；所述MRI超分辨率与合成模型训练模块，包括：编码器和两个解码器，其中，所述编码器，用于逐层下采样所述低分辨率MR图像，提取所述低分辨率MR图像不同分辨率下的多尺度特征，并将所述多尺度特征分别作为两个解码器的输入；所述两个解码器，用于融合所述多尺度特征，分别生成超分辨率MR图像和合成MR图像；所述编码器包括第一卷积层、第二卷积层、预训练的CNN、自感知Transformer，所述第一卷积层的输出端与所述预训练的CNN的输入端相连接，所述第二卷积层的输出端与所述自感知Transformer的输入端相连接，所述第一卷积层和预训练的CNN与所述第二卷积层和自感知Transformer并行连接设置；所述第一卷积层和第二卷积层，分别用于提取输入的所述低分辨率MR图像的浅层特征，并将所述浅层特征分别输入至预训练的CNN和自感知Transformer；所述预训练的CNN，用于对所述浅层特征进行纹理提取，获取深层特征，并将所述深层特征输入至所述自感知Transformer；所述自感知Transformer，用于整合所述浅层特征和深层特征，并提取深层的多尺度特征，以重建高质量的MR图像；所述方法包括：对高分辨率MR图像进行预处理，得到低分辨率MR图像；基于所述低分辨率MR图像训练多任务自感知Transformer网络，得到MRI超分辨率与合成模型；将实际低分辨率MR图像输入至所述MRI超分辨率与合成模型生成超分辨率MR图像和合成MR图像；其中，所述基于所述低分辨率MR图像训练多任务自感知Transformer网络，得到MRI超分辨率与合成模型，具体包括：S21：所述低分辨率MR图像分别输入至第一卷积层和第二卷积层，所述第一卷积层和第二卷积层分别提取所述低分辨率MR图像的浅层特征，并分别将所述浅层特征输入至所述预训练的CNN和自感知Transformer；S22，所述预训练的CNN对所述浅层特征进行第一尺度纹理提取，获取第一深层特征，并将所述第一深层特征输出至所述自感知Transformer；S23，所述自感知Transformer整合所述浅层特征和第一深层特征，得到第一整合特征，并对所述第一整合特征进行第一次深层特征提取，得到第一整合深层特征；S24，所述预训练的CNN对所述第一深层特征进行第二尺度纹理提取，获取第二深层特征，并将所述第二深层特征输出至所述自感知Transformer；S25，所述自感知Transformer整合所述第一整合深层特征和第二深层特征，得到第二整合特征，并对所述第二整合特征进行第二次深层特征提取，得到第二整合深层特征；S26，所述预训练的CNN对所述第二深层特征进行第三尺度纹理提取，获取第三深层特征，并将所述第三深层特征输出至所述自感知Transformer；S27，所述自感知Transformer整合所述第二整合深层特征和第三深层特征，得到第三整合特征，并对所述第三整合特征进行第三次深层特征提取，得到第三整合深层特征；S28，将所述第三整合深层特征输入至两个解码器，所述两个解码器分别对所述第三整合深层特征进行第一次上采样，得到第一次上采样特征；S29，将所述第一次上采样特征与第二整合深层特征进行融合，得到第一融合特征，并对所述第一融合特征进行第二次上采样，得到第二次上采样特征；S210，将所述第二次上采样特征与第一整合深层特征进行融合，得到第二融合特征，并对所述第二融合特征进行第三次上采样，分别得到超分辨率MR图像和合成MR图像；S211，分别计算所述超分辨率MR图像和合成MR图像与超分辨率图像的目标图像和合成图像的目标图像的损失值，并通过反向梯度传播来优化所述多任务自感知Transformer网络的参数，重复步骤S21-S210，直至所述超分辨率MR图像和合成MR图像与超分辨率图像的目标图像和合成图像的目标图像的损失值符合要求，此时的多任务自感知Transformer网络即为MRI超分辨率与合成模型。

全文数据：

权利要求：

百度查询： 山东师范大学 一种集成MRI超分辨率与合成任务的系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD