买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明公开了一种基于特征关联融合的胎儿大脑磁共振运动校正方法及装置。该方法首先采集胎儿大脑的磁共振结构像数据，并进行预处理和感兴趣区提取；然后通过二维卷积神经网络、双向循环神经网络提取各层面间的时空运动特征；再通过三维卷积神经网络和亲和融合模块提取各层面与参考体积在结构上的相似信息，并由全连接层根据运动特征与相似信息得到各层面的运动参数；最后根据预测的运动参数进行校正，并使用超分辨率重建得到胎儿大脑高分辨率的体积。在网络训练方面，首先利用传统的运动校正和超分辨率重建得到高分辨率的体积，然后仿真添加随机的运动。本方法有提升了运动轨迹估计的鲁棒性和准确性，能校正更大幅度的胎儿大脑运动，进而提高体积重建的成功率。

主权项：1.一种基于特征关联融合的胎儿大脑磁共振运动校正方法，用于迭代地校正磁共振图像中随机的层间运动，其特征在于，包括以下步骤：S1、获取包含不同磁共振图像样本的第一数据集，其中每一个磁共振图像样本均包含沿胎儿大脑横断面、冠状面和矢状面方向分别采集得到的三个层面集；对第一数据集中每个磁共振图像样本进行预处理，各自获得超分辨率的各向同性的胎儿大脑体积，形成第二数据集；S2、仿真获得胎儿大脑随机初始的运动参数，每组运动参数包含三个旋转参数和三个平移参数；根据仿真获得的运动参数对第二数据集中的胎儿大脑体积以三维刚性变换形式进行采样，每一组运动参数对一幅胎儿大脑体积进行采样后得到一个采集方向上受运动影响的层面集；由一系列受运动影响的层面集组成训练数据，且三个方向上受运动影响的层面集通过离散数据估计方法得到的各向同性的参考体积，训练数据中的单个训练样本包含一个受运动影响的层面集以及该层面集对应的参考体积；S3、利用所述训练数据对深度学习网络进行训练，得到运动参数估计模型；所述深度学习网络的网络输入分为两部分，第一部分输入为单个层面集，第二部分输入为与第一部分中层面集对应的参考体积；所述深度学习网络中的运动参数估计流程如a～c：a、将第一部分输入中的每个层面图像分别通过二维卷积神经网络提取得到各自对应的二维特征图，二维特征图分别通过双向循环神经网络提取得到各层面二维特征图间的序列关系；将第二部分输入中的参考体积通过三维卷积神经网络提取得到三维特征图；二维特征图和三维特征图通过亲和融合模块提取得到各层面与参考体积在结构上的相似关系，最后通过全连接层根据所述序列关系与所述相似关系估计得到每个层面对应的运动参数；b、基于a中估计得到的每个层面对应的运动参数，对第一部分中三个层面集分别进行校正，通过离散数据估计方法将三个层面集重建为各向同性的参考体积；c、迭代执行a和b若干次，且每一次迭代前以最新的参考体积更新所述第二部分输入，全部迭代完毕后将最新的每个层面对应的运动参数作为网络输出；S4、在实际应用时，获取针对目标对象采集得到的层面集，并通过离散数据估计方法得到各向同性的参考体积，将目标对象的层面集与参考体积一起作为所述运动参数估计模型的网络输入，估计得到层面集中各层面对应的运动参数，进而基于估计得到的运动参数对针对目标对象采集得到的层面集进行重建，得到目标对象的各向同性的体积。

全文数据：

权利要求：

百度查询： 浙江大学 基于特征关联融合的胎儿大脑磁共振运动校正方法及装置