磁共振成像（MRI）是一種廣泛使用的神經(jīng)影像技術(shù),可以提供相同解剖結(jié)構(gòu)不同對比度（模態(tài)）的圖像,為醫(yī)生提供多樣化的診斷信息。但是獲取多模態(tài)的MR圖像十分耗時,并且某些模態(tài)的圖像可能具有大量噪聲或者偽影,嚴(yán)重影響圖像質(zhì)量。所以合成缺失模態(tài)的圖像或者恢復(fù)質(zhì)量不好模態(tài)的圖像具有十分重要的意義,能夠一定程度上提高診斷的效用。對于不同模態(tài)MR圖像的合成,現(xiàn)有的方法主要通過非線性回歸和深度學(xué)習(xí)算法來學(xué)習(xí)不同模態(tài)圖像之間的非線性映射關(guān)系。但是大部分算法都是基于單模態(tài)的圖像信息進行合成成像,合成的圖像上存在細節(jié)結(jié)構(gòu)信息損失的問題,并且基于深度學(xué)習(xí)的算法大多都是大型網(wǎng)絡(luò),具有較多參數(shù),在小型的數(shù)據(jù)集上面臨過擬合的問題,故針對以上問題,本文以合成T2加權(quán)圖像為例,提出以下的解決方案:1.本文基于深度學(xué)習(xí)算法提出了一個利用T1加權(quán)圖像和降采樣T2加權(quán)圖像多模態(tài)信息的小型網(wǎng)絡(luò)——基于多特征融合模塊的雙通道網(wǎng)絡(luò)（DCMFF）,在網(wǎng)絡(luò)的設(shè)計中利用了雙通道網(wǎng)絡(luò)和基于空洞卷積的殘差密集模塊,雙通道的設(shè)計可以更好地學(xué)習(xí)每個單一模態(tài)的特征,空洞卷積的加入也能保證在不損失圖像分辨率和增加模型參數(shù)的情況下獲得圖像多尺度的信息... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１同一個人配對的Ｔ１加權(quán)圖像和Ｔ２加權(quán)圖像（ａ）?Ｔ１加權(quán)圖像；（ｂ）?１／８降采??Ｔ２Ｔ２

圖２－１?１０層的ＦＣＮ網(wǎng)絡(luò)闡??

?第二章合成磁共振成像的相關(guān)理論介紹???級特征，增加了信息量，很適合用于醫(yī)學(xué)圖像的合成任務(wù)，但是Ｕｎｅｔ中使用了池??化層對圖像降維，一定程度上損失了圖像的局部信息。??文獻［３０］中的Ｕｎｅｔ模型如圖２－２所示，實現(xiàn)了從降采樣的Ｔ２加權(quán)圖像生成全??采樣的Ｔ２加權(quán)圖像。該網(wǎng)絡(luò)由卷積層，批處理歸一化層，ＲｅＬＵ激活層，池化層，??上采樣層和收縮路徑（虛線箭頭）組成，利用池化層和上采樣層實現(xiàn)多尺度表示，??學(xué)習(xí)圖像的多尺度特征，在圖２－２中使用了四個尺度，利用收縮路徑將前一部分網(wǎng)??絡(luò)中同一尺寸的輸出沿通道連接到相應(yīng)的后一部分，將低級特征與高級特征融合??在一起，從而達到更好的實驗效果。??２ｘ２?Ｐｏｏｌｉｎｇ?Ｃｏｎｔｒａｃｔｉｎｇ?Ｐａｔｈ＋Ｃｏｎｃａｔ??—？?２ｘ２?Ｕｎｐｏｏｌｉｎｇ?—？?３ｘ３?Ｃｏｎｖ＋ＢＮ＋ＲｅＬＵ??Ｉｄｅｎｔｉｔｙ?—？?ｌｘｌ?Ｃｏｎｖ???＾＾１：１??ＩｇｌｉｍＢＵＯＪｙ—ａｎ?．ｉＪＪ?ｉｙｉｉＭＴＯＦ??Ｓｃａｌｅ?０?Ｓｃａｌｅ?１?Ｓｃａｌｅ?２?Ｓｃａｌｅ?３?Ｓｃａｌｅ?４?Ｓｃａｌｅ?３?Ｓｃａｌｅ?２?Ｓｃａｌｅ?１?Ｓｃａｌｅ?０??圖２－２?Ｕｎｅｔ模型網(wǎng)??２．２．３生成對抗網(wǎng)絡(luò)??以上提到的ＦＣＮ和Ｕｎｅｔ網(wǎng)絡(luò)都屬于ＣＮＮ網(wǎng)絡(luò)，大多面臨合成圖像較模糊，??不真實等問題，所以Ｇｏｏｄｆｅｌｌｏｗ等人在２０１４年提出了?ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ??Ｎｅｔｓ），該網(wǎng)絡(luò)可以生成視覺上與真實圖像更接近的合成圖像。ＧＡＮ中包含兩個模??型：生成模型和判別模型，這兩個模型都由深度神經(jīng)網(wǎng)絡(luò)構(gòu)成，ＧＡＮ可看成兩個??ＣＮ


本文編號：3334355