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！

摘要：本发明公开了一种MRI成像的信号均衡方法，涉及磁共振成像技术领域，包括步骤如下：预处理：建立动物模型并提供成像环境，根据实验动物的成像部位调整MRI设备的扫描参数，包括磁场强度、梯度脉冲强度和序列等参数；扫描收集数据：启动预处理后的MRI设备并扫描动物模型，接收适配实验动物的高灵敏线圈收集MRI数据；本发明通过采用二维傅里叶变换算法、深度学习模型CNN方法，对实验动物进行磁共振成像设备在扫描时采集的MRI数据进行伪影识别、分析信号不均匀的异常信号，并且利用噪声抑制、均匀性矫正、去伪影和边缘增强算法对待评估图像信号进行图像校正和多模态融合处理，提高了MRI成像的质量，加快了识别分析的处理速度。

主权项：1.一种MRI成像的信号均衡方法，其特征在于，包括步骤如下：S1、预处理：建立动物模型并提供成像环境，根据实验动物的成像部位调整MRI设备的扫描参数，包括磁场强度、梯度脉冲强度和序列参数；S2、扫描收集数据：启动预处理后的MRI设备并扫描动物模型，接收适配实验动物的高灵敏线圈收集MRI数据，并对MRI数据应用二维傅里叶变换算法进行图像重建，获得待评估图像信号；S3、伪影识别和信号不均匀分析：对待评估图像采用深度学习模型CNN检测出图像存在的信号不均匀性和伪影的异常信号；所述深度学习模型CNN检测异常信号的逻辑步骤如下：收集若干个待评估图像信号Fx,yn，且待评估图像信号Fx,yn包含了正常信号的图像和含有不均匀性及伪影的异常图像，并进行归一化处理后形成数据集；构建CNN模型，输入数据集中划分后的训练集用于训练，则CNN中的卷积层对输入的待评估图像信号Fx,yn进行特征提取，则卷积计算公式为式中，Ti,jl表示为第l层在位置i,j的特征映射输出，Ix,yl-1表示为第l-1层的输入图像或特征图，Ki-x,j-yl表示为卷积核的大小，bl表示为偏置项常量，σ表示为激活函数，能够将输入特征映射成一个介于0-1之间的值；CNN中的池化层进行池化处理，用于降低特征图的维度，保留异常信息，则池化计算公式为Pi,j＝maxx,y×σs+x,s+yIx,y，式中，Pi,j表示为池化后的输出，maxx,y表示为选取最大值，σ表示为激活函数，s表示为窗口步长，Ix,y表示为池化窗口内的输入值；CNN中的全连接层将训练得到的分布式特征表示映射到样本标签空间，输出预测结果，则全连接层计算公式为Qi,j＝wx,y×I′x,y+b0，式中，Qi,j表示为输出向量，wx,y表示为权重矩阵，I′x,y表示为特征图的输入向量，b0表示为偏置向量；在CNN训练过程中，根据输出值和实际标签之间的差异，则引入交叉熵损失函数进行评估，则交叉熵损失函数的计算公式为式中，Loss表示为交叉熵损失值，Q表示为真实标签，Qk表示为模型输出的预测标签，n表示为样本数量，pQk对第k个样本模型预测的概率分布；根据损失函数值Loss，通过反向传播算法更新网络中的权重和偏置，以减小预测误差，使用验证集评估模型性能，调整超参数以优化模型，则采用梯度下降算法以最小化损失函数，则梯度下降算法中更新权重的计算公式为Wi,jl+1＝Wi,jl-η×Loss，式中，Wi,jl+1表示为经过梯度下降算法调整后的权重值，Wi,jl表示为当前l层的权重值，η表示为学习率；在模型训练完成并进行了充分的评估和调优后，使用数据集中划分的测试集测试CNN模型的泛化能力，即对信号不均匀性和伪影的异常信号的识别检测能力；S4、图像矫正处理：采用噪声抑制、均匀性矫正、去伪影和边缘增强算法对待评估图像中识别的伪影和分析的信号不均匀进行图像矫正和多模态融合处理，获得高质量图像信号；所述图像矫正和多模态融合处理的步骤如下：首先对待评估图像信号Fx,yn进行噪声抑制处理生成一次抑噪信号、标定为Gx′,y′，采用噪声抑制的高斯滤波算法处理，即计算公式为Gx′,y′＝Fx,yn×Kx′,y′，且式中，Fx,yn表示为输入图像，Kx′,y′表示为高斯核，ξ表示为高斯宽度，i、j表示为卷积层操作后的坐标，Gx′,y′表示为一次抑噪信号后的输出图像；然后对一次抑噪信号Gx′,y′进行均匀性矫正生成二次矫正信号、标定为Fux′,y′，采用表面拟合法处理，则对一次抑噪信号Gx′,y′进行积分计算，则积分计算公式为得到特征图Fex,y，再对特征图Fex,y进行表面拟合，则拟合计算公式为Gux,y＝∑Fex,y×Wx-i,y-j，得到估计图像Gux,y，并将估计图像Gux,y加回到原图像上，则输出图像的计算公式为Fux′,y′＝Gux,y+Gx′,y′，得到二次矫正信号Fux′,y′，式中，ψ表示为邻域的控制参数，Wx-i,y-j表示为表面拟合算子，x-i、y-j分别表示为二维图像内水平、垂直方向上的距离；再对二次矫正信号Fux′,y′去除图像中的伪影生成三次去伪影信号、标定为Mx,y，采用中值滤波法处理，即Mx,y＝median[Fux′-k0,y′-l0]，式中，median表示为求中值，[Fux′-k0,y′-l0]表示为二次矫正信号Fux′,y′在位置x′,y′处的强度值，k0、l0表示为邻域的大小；其次对三次去伪影信号Mx,y后的图像进行边缘增强处理生成四次边缘增强信号、标定为Lx,y，采用拉普拉斯滤波器增强图像的边缘，即式中，表示为拉普拉斯算子；最后将四次边缘增强信号Lx,y处理过的图像进行多模态融合生成最终的高质量图像信号、标定为Dx,y，采用加权平均法融合图像特征，即式中，Wi0表示为第i0个模态的权重，n0表示为需要融合的模态数量；S5、图像的质量评估：建立生成对抗网络GAN评估模型，评估高质量图像的图像清晰度和整体信号均衡参数，参数包括清晰度、对比度、信号均衡和伪影，生成质量评估系数；S6、反馈监控并优化模型：根据质量评估系数对比量化指标SNR和CNR，并反馈至伪影识别和信号不均匀分析步骤中持续优化，迭代图像矫正和质量评估处理，获得最终的MRI图像信号；所述质量评估系数对比量化指标SNR和CNR的步骤如下：使用线性回归分析法，将质量评估系数δQEC与量化指标SNR和CNR进行对比，以分析量化指标SNR和CNR对质量评估系数δQEC的影响程度，线性回归分析法的计算公式为δQEC＝β0+β1×SNR+β2×CNR+ε0，式中，β0表示为截距项，ε0表示为误差项，β1、β2分别表示为量化指标SNR和CNR的斜率；根据质量评估系数δQEC、量化指标SNR和CNR来定义一个优化函数、标定为gλ，用于迭代计算调整CNN模型参数以改善图像质量，则优化函数的计算公式为式中，t表示为迭代次数，表示为迭代T次数之和，λ表示为调节因子，Δ表示为当前质量评估系数δQEC、量化指标SNR和CNR的实际值，gλ表示为当前最优值的改进量。

全文数据：

权利要求：

百度查询： 江苏珂玛麒生物科技有限公司 一种MRI成像的信号均衡方法