本發(fā)明屬于磁共振醫(yī)學(xué)圖像處理領(lǐng)域，特別涉及一種混合域彌散磁共振圖像去噪的方法及相關(guān)裝置。

背景技術(shù)：

1、磁共振成像技術(shù)領(lǐng)域內(nèi)的彌散加權(quán)成像(dmri)是探究生物組織微結(jié)構(gòu)特性的關(guān)鍵技術(shù)，尤其在神經(jīng)科學(xué)研究中占據(jù)核心地位。它憑借對水分子擴散動態(tài)的高靈敏度捕捉，實現(xiàn)了對人體特別是腦白質(zhì)復(fù)雜架構(gòu)的無創(chuàng)性可視化，促進(jìn)了我們對大腦功能組織及發(fā)育進(jìn)程的深刻理解。dmri技術(shù)使得科學(xué)家能夠詳盡描繪大腦的微觀線路圖，追蹤白質(zhì)纖維束路徑，監(jiān)控與年齡、疾病或康復(fù)相關(guān)聯(lián)的微觀結(jié)構(gòu)變遷，以及精確識別異常連接模式，成為研究神經(jīng)系統(tǒng)疾病不可或缺的工具。在dmri實踐中，一個核心參數(shù)——b值，扮演著調(diào)控彌散敏感度的關(guān)鍵角色。增強b值雖能提升圖像對細(xì)微彌散特性的分辨力，卻也同時放大了由水分子自然隨機運動導(dǎo)致的信號散射現(xiàn)象，這一物理過程在最終圖像上體現(xiàn)為增加的背景噪聲，從而降低了圖像的清晰度和信噪比。噪聲不僅模糊了組織邊界與細(xì)微特征，還可能誤導(dǎo)對彌散參數(shù)的量化分析，影響診斷精度和科研數(shù)據(jù)的可靠性。鑒于此，有效地抑制dmri圖像中的噪聲污染成為了該領(lǐng)域亟待解決的課題。當(dāng)前，重復(fù)掃描疊加平均策略是最為廣泛采納的降噪手段，通過累積多次掃描數(shù)據(jù)以統(tǒng)計方式減少隨機噪聲，但其伴隨的時間消耗和資源密集型特點，限制了其在臨床實踐中的廣泛應(yīng)用性和效率。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種混合域彌散磁共振圖像去噪的方法及相關(guān)裝置，以解決臨床環(huán)境中獲取到的圖像數(shù)據(jù)受噪聲嚴(yán)重影響而導(dǎo)致的數(shù)據(jù)可用性差的問題。

2、為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、第一方面，本發(fā)明提供一種混合域彌散磁共振圖像去噪的方法，包括：

4、獲取彌散磁共振成像dmri數(shù)據(jù)，預(yù)處理后得到模型訓(xùn)練所需的dmri圖像；

5、將預(yù)處理后得到模型訓(xùn)練所需的dmri圖像，通過預(yù)構(gòu)建的頻域去噪子網(wǎng)模塊、空間域去噪子網(wǎng)模塊和頻域-空間域融合子網(wǎng)模塊，進(jìn)行去噪；

6、將頻域去噪子網(wǎng)模塊與空間域去噪子網(wǎng)模塊并行連接，聯(lián)合輸出后再與頻域-空間域融合子網(wǎng)模塊串接，構(gòu)建dmri去噪模型；

7、構(gòu)建多尺度結(jié)構(gòu)相似度損失函數(shù)，訓(xùn)練構(gòu)建的dmri去噪模型，通過dmri去噪模型從低信噪比的噪聲圖像中恢復(fù)得到高信噪比的輸出圖像。

8、進(jìn)一步的，獲取彌散磁共振成像dmri數(shù)據(jù)，預(yù)處理后得到模型訓(xùn)練所需的dmri圖像，包括：

9、將人類連接組項目hcp原始的多殼數(shù)據(jù)先按b值的大小進(jìn)行提取，獲得按b值聚合的單殼數(shù)據(jù)集；然后，在每個b值的數(shù)據(jù)集內(nèi)使用了k-mean聚類算法，選取了4個典型的b向量方向，作為聚類的中心向量，進(jìn)行聚類，獲得4個含有多個單殼體數(shù)據(jù)的簇，然后，在每個簇中執(zhí)行幾何平均，這樣便獲得了更干凈的圖像用作模型的訓(xùn)練；在訓(xùn)練時，依照b值的不同，在平均后的數(shù)據(jù)中分別添加了[0,20]％和[0,50]％范圍內(nèi)的噪聲，在測試時，以相同方式在hcp原始數(shù)據(jù)集中添加噪聲，將其作為網(wǎng)絡(luò)的輸入數(shù)據(jù)；

10、對于臨床質(zhì)量的dmri數(shù)據(jù)，首先需要對dmri數(shù)據(jù)進(jìn)行運動校正、空間配準(zhǔn)、畸變矯正以及渦流矯正等處理；在將低信噪比噪聲數(shù)據(jù)恢復(fù)為高信噪比輸出數(shù)據(jù)時，需要將三維體數(shù)據(jù)進(jìn)行切片處理，將得到的切片以32為一個批次輸入至模型中；二維數(shù)據(jù)在輸入模型時和輸出結(jié)果前都需要通過一個額外的卷積層以進(jìn)行特征通道數(shù)的轉(zhuǎn)變，以契合模型中所需的數(shù)據(jù)格式。

11、進(jìn)一步的，構(gòu)建頻域去噪子網(wǎng)模塊，使模型學(xué)習(xí)圖像的頻域特征信息，分離在頻域范圍內(nèi)的有效信號與噪聲信號：

12、對偶離散余弦變換ddct由兩個尺度的dct塊組合而成，分別在不同的范圍內(nèi)執(zhí)行dct變換，并獲得相應(yīng)的頻率系數(shù)矩陣；對于獲得的多尺度并行數(shù)據(jù)，將其分別輸入不同的支路進(jìn)行特征學(xué)習(xí)，每個支路上都由四個個頻率模塊塊fmb組成；每個fmb由若干感受野為3×3的四擴展卷積和常規(guī)卷積以及一個多尺度快速通道注意力組合而成，用于高效的提取數(shù)據(jù)特征；然后，對于獲得的各支路上的結(jié)果，通過另一個卷積層進(jìn)行融合，并輸入至下一個ddct結(jié)構(gòu)；在經(jīng)過所有的模塊處理之后，得到一個學(xué)習(xí)了頻域特征信息的頻域子網(wǎng)模型，獲得頻域子網(wǎng)的輸出結(jié)果。

13、進(jìn)一步的，構(gòu)建空間域去噪子網(wǎng)模塊，在空間域中去除圖像中的噪聲：

14、空間域子網(wǎng)模塊采用了卷積神經(jīng)網(wǎng)絡(luò)式的構(gòu)造，其由12個空間模塊塊smb構(gòu)成；每個smb由3×3卷積、四擴展卷積以及多尺度空間注意力構(gòu)成；smb的輸入經(jīng)過依次一個3×3卷積與一個四擴展卷積進(jìn)行特征提取，并通過一個多尺度空間注意力進(jìn)行特征加權(quán)，再與smb的輸入通過一個殘差連接相連，最后，通過以另一個3×3卷積、批量歸一化以及激活函數(shù)，獲得smb的最終的輸出結(jié)果；在通過所有的smb的處理后，獲得空間域子網(wǎng)的最終輸出結(jié)果。

15、進(jìn)一步的，構(gòu)建頻域-空間域融合子網(wǎng)模塊，融合頻域子網(wǎng)和空間域子網(wǎng)的結(jié)果：

16、頻域-空間域融合子網(wǎng)模塊采用卷積神經(jīng)網(wǎng)絡(luò)，由兩個融合塊fb組成；每個fb由一個四擴展卷積與若干常規(guī)卷積串聯(lián)而成，并集成了殘差連接；每個fb的輸入將首先通過四擴展卷積進(jìn)行多尺度的特征提取，以加強捕獲特征的能力；然后，將輸入依次通過三個常規(guī)卷積進(jìn)行進(jìn)一步的特征提取與融合，并將結(jié)果與fb的輸入通過一個殘差連接相連；最后，通過3×3卷積、批量歸一化以及激活函數(shù)，獲得fb的最終的輸出結(jié)果。

17、進(jìn)一步的，將多尺度快速通道注意力模塊與多尺度空間注意力模塊分別集成進(jìn)頻域去噪子網(wǎng)模塊、空間域去噪子網(wǎng)模塊：

18、多尺度快速通道注意力將被集成至fmb中，而多尺度空間注意力將被集成至smb中；多尺度快速通道注意力模塊由三部分組成：多尺度特征提取部分、及通道注意力計算部分以及通道注意力加權(quán)部分；多尺度特征提取部分主要是由多個并行的擁有不同尺寸的卷積核組合而成，用于提取不同尺度的特征信息；通道注意力計算部分需要通過自適應(yīng)平均池化將不同尺度的二維特征圖降維為一維特征向量并通過1維卷積學(xué)習(xí)特征向量間的相互作用，再將各尺度的特征向量進(jìn)行拼接并通過sigmoid激活函數(shù)進(jìn)行非線性映射，得到計算所得的通道注意力；通道注意力加權(quán)部分將各尺度特征信息拼接并與通道注意力進(jìn)行通道間相乘，得到通道特征加權(quán)后的特征立方體；設(shè)計四條支路，每一條支路上都有兩個包含擴展率分別為d＝1,2,3,4的3×3卷積構(gòu)成；多尺度空間注意力的輸入將被分別輸入至各支路中，分別進(jìn)行特征提取與學(xué)習(xí)，最后拼接這些支路的輸出，并通過以外一個卷積進(jìn)行特征融合，獲得一個二維的特征分布圖；對獲得的二維特征分布圖通過sigmoid激活函數(shù)進(jìn)行非線性映射，獲得最終的權(quán)重分布圖；將權(quán)重分布圖與輸入相乘，獲得進(jìn)空間加權(quán)后的特征立方體。

19、進(jìn)一步的，構(gòu)建整體的dmri去噪模型：

20、將頻域去噪子網(wǎng)模塊、空間域去噪子網(wǎng)模塊相并聯(lián)，構(gòu)建去噪的主體網(wǎng)絡(luò)，模型的輸入將分別送入至頻域子網(wǎng)模塊與空間域子網(wǎng)模塊分別進(jìn)行頻域與空間域內(nèi)的特征提取與學(xué)習(xí)；然后，對于頻域子網(wǎng)模塊和空間域子網(wǎng)模塊的輸出，將二者與輸入共同進(jìn)行拼接，實現(xiàn)殘差連接，然后將拼接的結(jié)果輸入至特征融合子網(wǎng)，進(jìn)行特征融合；最后在輸出最終結(jié)果之前，再次與輸入間引入了殘差連接并獲得最終的輸出結(jié)果；通過對hcp的dmri數(shù)據(jù)集進(jìn)行提取、聚類與幾何平均后獲得干凈的“ground?truth”，并在上面添加一定水平范圍內(nèi)的萊斯噪聲作為噪聲數(shù)據(jù)，獲得含有干凈-噪聲圖像對的數(shù)據(jù)集，作為模型的訓(xùn)練集；模型每次以32張二維噪聲圖像為一個批次作為輸入數(shù)據(jù)，輸出對應(yīng)批次數(shù)量的去噪后的高信噪比二維圖像；

21、將模型的輸出結(jié)果與“ground?truth”數(shù)據(jù)分別通過多尺度結(jié)構(gòu)相似度損失函數(shù)計算的損失，并在訓(xùn)練過程中通過調(diào)整模型中的參數(shù)以最小化該損失，實現(xiàn)對模型的優(yōu)化，提高模型的去噪性能。

22、第二方面，本發(fā)明提供一種彌散磁共振圖像去噪的系統(tǒng)，包括：

23、數(shù)據(jù)獲取模塊，用于獲取彌散磁共振成像dmri數(shù)據(jù)，預(yù)處理后得到模型訓(xùn)練所需的dmri圖像；

24、去噪模塊，用于將預(yù)處理后得到模型訓(xùn)練所需的dmri圖像，通過預(yù)構(gòu)建的頻域去噪子網(wǎng)模塊、空間域去噪子網(wǎng)模塊和頻域-空間域融合子網(wǎng)模塊，進(jìn)行去噪；

25、模型構(gòu)建模塊，用于將頻域去噪子網(wǎng)模塊與空間域去噪子網(wǎng)模塊并行連接，聯(lián)合輸出后再與頻域-空間域融合子網(wǎng)模塊串接，構(gòu)建dmri去噪模型；

26、輸出模塊，用于構(gòu)建多尺度結(jié)構(gòu)相似度損失函數(shù)，訓(xùn)練構(gòu)建的dmri去噪模型，通過dmri去噪模型從低信噪比的噪聲圖像中恢復(fù)得到高信噪比的輸出圖像。

27、第三方面，本發(fā)明提供一種計算機設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)一種混合域彌散磁共振圖像去噪的方法的步驟。

28、第四方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)一種混合域彌散磁共振圖像去噪的方法的步驟。

29、與現(xiàn)有技術(shù)相比，本發(fā)明有以下技術(shù)效果：

30、本發(fā)明通過深度學(xué)習(xí)技術(shù)在空間域與域組合而成的混合域中對彌散磁共振圖像進(jìn)行去噪。與傳統(tǒng)的彌散磁共振圖像去噪的方法相比，該方法具有顯著的去噪性能優(yōu)勢。首先，本發(fā)明設(shè)計了一種新的空間域子網(wǎng)模塊，由若干空間域塊(sb)組成。每個sb包含若干卷積塊、殘差連接和多尺度的空間注意力機制，能夠充分利用彌散磁共振圖像在空間域中的有效信號和噪聲特征，從而有效降低噪聲。其次，本發(fā)明提出了一種新的頻域子網(wǎng)模塊，由多個雙離散余弦變換模塊(ddctb)構(gòu)成。每個ddctb包含兩條支路，每條支路包括離散余弦變換(dct)、若干卷積模塊、殘差連接和多尺度快速通道注意力機制。該設(shè)計將空間域中的原始數(shù)據(jù)轉(zhuǎn)換至頻域，使模型高效學(xué)習(xí)并區(qū)分頻域中的有效信息和噪聲特征，實現(xiàn)頻域內(nèi)的噪聲去除。最后，本發(fā)明設(shè)計了一個融合網(wǎng)絡(luò)，通過若干卷積塊和殘差連接構(gòu)成融合塊(fb)，并在融合子網(wǎng)中串聯(lián)若干fb。由于頻域子網(wǎng)和空間域子網(wǎng)分別在各自域內(nèi)處理數(shù)據(jù)并提取特征，融合子網(wǎng)能夠充分結(jié)合這兩個子網(wǎng)模塊的優(yōu)勢，進(jìn)一步提升整體模型的去噪性能。