CN115082576B 用相敏结构相似度指数量度处理磁共振图像的系统和方法 （通 用电气精准医疗有限责任公司）

JPH1115973A,1999.01.22用相敏结构相似度指数量度处理磁共振图本发明提供了一种处理复合磁共振(MR)图网络模型处理该损坏复合数据以导出该损坏复合图像和每个输出复合图像的对应目标复合图像之间的相敏结构相似度指数量度(PS-SSIM)来其中该PS-SSIM是实值的并且随该输出复合图像2接收一对损坏复合数据和原有复合图像，所述原有复合图像对应于所述损坏复合数将所述原有复合图像设置为所述神经网络模使用所述神经网络模型处理所述损坏复合数据以导出所述损坏复合数据的输出复合通过计算所述输出复合图像中的每个输出复合图像和所述每个输出复合图像的对应目标复合图像之间的相敏结构相似度指数量度来将所述输出复合图像与所述目标输出进所述亮度比较函数随所述输出复合图像的所述相位和所述目标复合图像的所3.根据权利要求2所述的方法，其中当所述输出复合图像中的图像补丁的均值等于所4.根据权利要求2所述的方法，其中当所述输出复合图像中的图像补丁的实分量的均5.根据权利要求1所述的方法，其中所述相敏结构相似度指数量度包括对比度比较函6.根据权利要求5所述的方法，其中当所述输出复合图像中的图像补丁的标准差等于7.根据权利要求5所述的方法，其中当所述输出复合图像中的图像补丁的实分量的标所述结构比较函数随所述输出复合图像的相位和所述目标复合图像9.根据权利要求8所述的方法，其中当所述输出复合图像中的图像补丁的实分量线性3接收一对损坏复合数据和原有复合图像，所述原有复合图像对应于所述损坏复合数将所述原有复合图像设置为所述神经网络模使用所述神经网络模型处理所述损坏复合数据以导出所述损坏复合数据的输出复合通过计算所述输出复合图像中的每个输出复合图像和所述每个输出复合图像的对应目标复合图像之间的相敏结构相似度指数量度来将所述输出复合图像与所述目标输出进14.根据权利要求13所述的系统，其中所述相敏结构相似度指数量度包括亮度比较函15.根据权利要求14所述的系统，其中当所述输出复合图像中的图像补丁的均值等于16.根据权利要求13所述的系统，其中所述相敏结构相似度指数量度包括对比度比较17.根据权利要求16所述的系统，其中当所述输出复合图像中的图像补丁的标准差等18.根据权利要求13所述的系统，其中所述相敏结构相似度指数量度包括结构比较函19.根据权利要求18所述的系统，其中当所述输出复合图像中的图像补丁的实分量线4接收粗复合数据，所述粗复合数据是指损坏复合图像或根据其重使用神经网络模型处理所述粗复合数据，其中所述神经网络所述目标输出的损失函数包括所述输出复合图像中的每个输出复合图像和所述每个输出指数量度是实值的并且随所述输出复合图像的相位和所述目标复合图像的相位变化并且5方法还包括：通过以下方式使用该对损坏复合数据和原有复合图像来训练神经网络模型：将损坏复合数据输入到神经网络模型，将原有复合图像设置为神经网络模型的目标输出，应目标复合图像之间的相敏结构相似度指数量度(PS-SSIM)来将输出复合图像与目标输出每个输出复合图像和每个输出复合图像的对应目标复合图像之间的PS-SSIM将输出复合图像与目标输出进行比较来训练神经网络模型，其中PS-SSIM是实值的并且随输出复合图像型处理粗复合数据，其中神经网络模型利用一对损坏复合数据和原有复合图像进行训练，6经网络模型的输出和神经网络模型的目标输出的损失函数包括输出复合图像中的每个输[0011]图3B是包括训练图3A所示的神经网络模型的另一个示例性图像处理方法的流程[0012]图3C是包括使用图3A所示的神经网络模型的又一个示例性图像处理方法的流程[0013]图3D是由图3A所示的神经网络模型重建的图像与由常规神经网络模型重建的图[0018]本公开包括使用相敏结构相似度指数量度(PS-SSIM)处理磁共振(MR)图像的系统7检测到的响应MR信号由RF系统30接收，在由脉冲序列服务器20产生的命令的指示下被放8根据从工作站12下载的指令对MR数据进行处理。此类处理可以包括例如对原始k空间MR数出)中，实时图像可从该数据库存储器高速缓存输出到操作者显示器14或位于磁体组件34[0031]可以使用过程诸如傅里叶变换，基于I正交MR信号和Q正交MR信号重建复合MR图像。复合MR图像P(X,Y)是所具有的每个像素由复数表示的MR图像，该复数具有实分量(称为量值图像)生成为也可生成并使用相位图引起对信号的过度估计，并且在导出的定量标测图中引入显著的偏差，尤其是在信噪比不一致的背景相位可导致信号消除或相消干涉。9相位)来针对复合图像计算常规SSIM，则所得SSIM值将是复数。复合SSIM并不用于比较目[0037]考虑MR图像的相位信息并且仍然输出实值SSIM，本文公开的系统和方法提供PS-[0038]图2A是示例性图像处理方法100的流程图。方法100用于计算两个复合图像的PS-图像补丁对计算PS-SSIM用于聚焦于局部相似度上。一个图像中的图像补丁对应于另一个[0040]图2B示出了在度量两个复合图像152-1、152-2的相似度时常规SSIM和PS-SSIM的考虑复合图像152-1、152-2的相位并且随图像的相位变化。因此，所计算的PS-SSIM为比较函数。当用作用于训练用于由下采样k空间数据进行MR图像重建的神经网络的损失函[0048]b)在图像补丁的均值相等的情形下并且/或者在图像补丁的实分量的均值相等并[0052]b)在图像补丁的标准差相等的情形下并且/或者在图像补丁的实分量的标准差相[0056]b)当图像补丁的实分量线性地相关并且图像补丁的虚分量是线性地依赖的并且/且第一图像补丁x的虚分量Im(x)是在相同像素位置处第二图像补丁y的虚分量Im(y)的线性[0059]当第一图像补丁x的实分量Re(x)和第二图像补丁y的实分量Re(y)之间的互相关中COV(Re(x),Re(y))是实分量Re(x)和Re(y)之间的方差，并且σRe(x)和σRe(y)分别是实分量Re(x)和Re(y)的方差。当第一图像补丁x的虚分量Im(x)和第二图像补丁的虚分量Im(y)之y图像补丁是线性地依赖的情形下并且/或者在图像补丁完全正相关的情形下达到其最大当第一图像补丁x和第二图像补丁y之间的(归一化)互相关值为1时，两个图像补丁x和y完y[0061]在另一个示例中，另外的条件在于如果图像补丁是实值的，则PS-SSIM等于常规分别是图像补μx＝-μyL)2中[0104]满足条件3.a-条件3.d的又一个示例性和是满足条件1-条件3的示例性相敏SSIM。203可用于训练神经网络模型204，并且图像处理计算设备202然后可使用所训练的神经网备203可以是与图像处理计算设备202分开的计算设备，使得神经网络模型204的训练和使[0115]在一个示例中，损坏复合数据是受检者的来自下采样k空间的MR信号。如本文所动伪影的MR头部图像，并且对应的原有复合图像是具有减小运动或无运动的MR头部图像。可通过向原有图像添加模拟运动生成的不一致性来生成损坏复合数据输入254神经网络模型。训练253还包括将原有复合图像设置256为神经网络模型的每个输出复合图像的对应目标输出之间计算PS-SSIM来将输出复合图像与目标输出进行比于训练数据集中的全部训练输入的表现。成本函数可以是训练数据集上损失函数的总和。成本函数是神经网络模型的训练输入、目标输出和参数(诸如神经网络模型中神经元的权[0117]图3C是使用PS-SSIM处理复合图像的另一个示例性方法270的流程图。与方法250[0118]图3D是使用PS-SSIM作为损失函数的神经网络模型204和使用L1损失函数的神经的预测值之间的绝对差异的总和。神经网络模型204和L1神经网络模型两者的输入是下采小是256x256。神经网络模型204和L1神经网络模型两者是被配置为从下采样k空间数据重输入的其他神经网络模型的输出图像相比，神经网络模型204的输出图像更清晰并且具有[0127]相敏SSIM(PS-SSIM)可用于在不使用神经网络模型的情况下去噪复值图像。图像补丁，并且v(j)是在从图像v得到的像素j中心周围的图像补丁。如果像素i和像素j是远隔[0140]相敏SSIM(PS-SSIM)可用于图像复原。图像复原算法的示例是基于字典的稀疏表使用变形参数作为M(X)进行变形并且被显示。模型204所使用的元素的数量在训练过程期间改变，并且如果例如在神经网络的执行期间[0152]在示例性实施方案中，隐藏层504-1至504-n中的每个神经元处理来自输入层502的一个或多个输入和/或来自其中一个先前隐藏层中的神经元的一个或多个输出，以生成[0155]图4B描绘了根据一个实施方案的对应于在图4A中的隐藏层504-1中标注为“1,1”p入)进行加权，使得输入a1至ap对应于在神经网络模型204的训练过程期间所确定的权重w1p[0161]本文所述的计算设备202、203和工作站12可以是任何合适的计算设备800和在其[0162]此外，在该示例性实施方案中，计算设备800包括向用户呈现信息诸如输入事件[0163]计算设备800还包括处理器814和存储器设备818。处理器814经由系统总线820联[0164]在示例性实施方案中，存储器设备818包括使信息(诸如可执行指令和/或其他数[0165]在示例性实施方案中，处理器814可通过使用一个或多个可执行指令对操作进行之后执行或实施特定操作在本发明的各方面的[0167]图6示出了服务器计算设备1001的示例性配置，诸如基于云的图像处理计算设备设备或另一服务器计算机设备1001通信以接收和输出数据[0169]处理器1005也可被操作地联接到存储设备1034。存储设备1034是适合于存储和/存储设备1034可在廉价磁盘冗余阵列(RAID)配置中包括多个存储单元(诸如硬盘和/或固[0170]在一些实施方案中，处理器1005经由存储接口1020操作地联接到存储设备103可包括例如高级技术附件(ATA)适配器、串行ATA(SATA)适配器、小型计算机系统接口于本文所述的特定实施方案，而是系统的部件和/或方法的操作可与本文所述的其他部件[0173]尽管本发明的各种实施方案的特定特征可在一些附图中而不是在其他附图中示