一种基于收缩约束自编码器的磁共振影像去噪方法

技术领域

本发明属于人工智能技术领域，具体涉及一种基于收缩约束自编码器的磁共振影像去噪方法，适用于磁共振影像去噪。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)拍摄过程中产生的噪声会严重降低磁共振影像的质量，使得影像丢失细节或边缘信息，影响后续处理[Sagheer S V M,George S N.Biomed.,SignalProces.,2020,61.]，因此，图像去噪(Image Denoising)是磁共振影像应用必不可少的预处理步骤。通常地，磁共振影像噪声的去除可以分为两种方式，一种是硬件方式，通过改善成像设备的性能提升成像质量，比如增大磁场强度或增加扫描时间，但这种方式会耗费更多时间和资金，同时增加被拍摄者的不舒适度；另一种是图像后处理方式，将扫描获得的低质量磁共振影像利用算法进行去噪，这种做法不需要对成像设备进行处理，可以集成到现有设备中，具有实际的应用价值。

近年来，深度学习方法在磁共振影像去噪领域展现出了巨大的潜力，它在去噪效果、去噪速度和模型应用方面均有显著的优势。基于深度学习的磁共振影像去噪算法能够通过外部数据集训练，自主学习图像特征的提取方式，建立从有噪磁共振影像到无噪磁共振影像的映射模型。然而，现有的基于深度学习的磁共振影像去噪算法大多是需要配对的有噪磁共振影像和无噪磁共振影像来训练去噪网络[Augustin A M,Kesavadas C,SudeepP V.Biomed.,SignalProces.,2022,77:14.]，在实际场景中往往难以获得配对的有噪磁共振影像和无噪磁共振影像。另外，通过人工添加噪声的方式获得的配对磁共振影像，无法体现实际场景中噪声分布。这些问题限制了基于深度学习磁共振影像去噪算法在实际场景中的应用。对于缺乏无噪图像的情况，Ulyanov等人提出了一种基于深度图像先验的图像去噪方法[Ulyanov D,Vedaldi A,Lempitsky V.Int.Comput.Vis.,2020,128:7.]，此方法不需要无噪图像，但在每次应用时都需要对去噪网络进行优化，并在最优点及时停止，需要耗费大量时间，这限制了此方法在实际场景的应用。Krull等人提出了一种盲点网络用于单张有噪图像去噪[Krull A,Buchholz T O,Jug F.IEEE Conf.Comput.Vis.Pattern Recognit.,2019,pp.2124-2132.]，该方法通过自监督方式训练去噪网络，但在网络训练时需要将图像分块输入到网络，无法有效利用图像的全局信息。

综上所述，现有技术存在以下问题：

1、部分方案同时需要有噪磁共振影像和无噪磁共振影像，这在实际场景难以实现。

2、另一部分方案在应用时不需要无噪磁共振影像，但是需要进行多参数调节和优化，耗费大量的时间。

发明内容

本发明的目的在于针对现有技术存在的上述问题，提出了一种基于收缩约束自编码器的磁共振影像去噪方法，在没有无噪磁共振影像的前提下对收缩约束自编码去噪网络进行端到端的训练，并且应用时无需进行额外的参数调节和优化，去噪速度快。

本发明的上述目的通过以下技术方案实现：

一种基于收缩约束自编码器的磁共振影像去噪方法，包括以下步骤：

步骤1、获取有噪磁共振影像，并将有噪磁共振影像划分为训练集；

步骤2、构建收缩约束自编码去噪网络，收缩约束自编码去噪网络包括一个编码器和一个解码器；

步骤3、将步骤1中获得的训练集的有噪磁共振影像输入到收缩约束自编码去噪网络中，得到预测的去噪磁共振影像；

步骤4、设定总损失函数L；

步骤5、根据步骤4设定的总损失函数，利用步骤1生成的训练集对步骤2构建的收缩约束自编码去噪网络进行端到端的训练，并保存收缩约束自编码去噪网络的参数；

步骤6、将待处理的有噪磁共振影像输入到步骤5训练好的收缩约束自编码去噪网络中得到去噪磁共振影像。

如上所述收缩约束自编码去噪网络中编码器包括1个输入层和多个下采样层：

输入层包括卷积层、批归一化层和激活层，

下采样层包括卷积层、批归一化层和激活层。

如上所述收缩约束自编码去噪网络中解码器包括多个上采样层和1个输出层：

上采样层的数量与所述下采样层数量一致；

第1个上采样层包括上采样模块、卷积层、批归一化层和激活层；

除第1个上采样层，其他上采样层包括融合模块、上采样模块、卷积层、批归一化层和激活层；

输出层包括融合模块、卷积层和激活层。

如上所述解码器中第1个上采样层的输入为最后一个下采样层输出的特征图；第k个上采样层的输入即第k个上采样层中融合模块的输入，包括倒数第k个下采样层输出的特征图和第k-1个上采样层输出的特征图，融合模块将倒数第k个下采样层输出的特征图和第k-1个上采样层输出的特征图按照通道堆叠，再通过卷积将通道数减小；其中k为大于1且小于等于上采样层总个数的整数。

如上所述输出层的融合模块的输入包括最后一个上采样层输出的特征图和输入层输出的特征图。

如上所述总损失函数L为：

其中，L

如上所述步骤1中有噪磁共振影像基于以下步骤获得：

利用MATLAB中imnoise函数对磁共振影像加入高斯噪声，获得有噪磁共振影像。

本发明相对于现有技术，具有以下有益效果：

1、本发明通过搭建收缩约束自编码去噪网络，利用所设定的总损失函数在没有无噪磁共振影像的情况下训练收缩约束自编码去噪网络，并能有效保证磁共振影像去噪性能。相对于现有基于深度学习的磁共振影像去噪技术，本发明只需要有噪磁共振影像作为训练集，减少了收集无噪磁共振影像所耗费的人力资源，并且本发明能应用于难以获得无噪磁共振影像的场景，在应用时无需额外优化，具有实际应用价值。

2、相对于传统磁共振影像去噪技术，本发明方法在收缩约束自编码去噪网络训练完成后，不需要额外调节参数，去噪速度快，能较好保留影像细节，效果优异。

附图说明

图1为本发明的流程图；

图2为收缩约束自编码去噪网络的结构示意图；

图3为有噪2D磁共振脑部影像和去噪2D磁共振脑部影像；其中，(a)为有噪2D磁共振脑部影像，(b)为去噪2D磁共振脑部影像；

图4为本发明与其它方法在所构造数据集上的性能比较。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

一种基于收缩约束自编码器的磁共振影像去噪方法，具体包括以下步骤：

步骤1、获取有噪磁共振影像，本实施例将有噪磁共振影像划分为训练集、测试集。在本实施例中，从磁共振脑部公开数据集IXI中获取1842个低噪2D磁共振脑部影像，并利用MATLAB中imnoise函数对低噪2D磁共振脑部影像加入方差为0.01的高斯(Guassian)噪声，获得1842个有噪2D磁共振脑部影像。其中，将1540个有噪2D磁共振脑部影像作为训练集，302个有噪2D磁共振脑部影像作为测试集，有噪2D磁共振脑部影像大小均为256×256，有噪2D磁共振脑部影像作为训练集和测试集中的有噪磁共振影像。

步骤2、构建收缩约束自编码去噪网络，收缩约束自编码去噪网络包括一个编码器和一个解码器，如图2所示。本实例中，编码器按次序包括1个输入层和4个下采样层，解码器按次序包括4个上采样层和1个输出层。

编码器按次序包括1个输入层和多个下采样层，本实施例中，编码器按次序包括输入层和四个下采样层。输入层包括卷积层、批归一化层和激活层，输入层的卷积层中卷积核大小为7×7，输入通道数为1，输出通道数为64，输入特征图大小为256×256，输出特征图大小为256×256。四个下采样层都包括卷积层、批归一化层和激活层；第一个下采样层的卷积层中卷积核大小为4×4，输入通道数为64，输出通道数为128，输入特征图大小为256×256，输出特征图大小为128×128；第二个下采样层的卷积层中卷积核大小为4×4，输入通道数为128，输出通道数为256，输入特征图大小为128×128，输出特征图大小为64×64；第三个下采样层的卷积层中卷积核大小为4×4，输入通道数为256，输出通道数为512，输入特征图大小为64×64，输出特征图大小为32×32；第四个下采样层的卷积层中卷积核大小为4×4，输入通道数为512，输出通道数为1024，输入特征图大小为32×32，输出特征图大小为16×16；编码器中，每个激活层的激活函数为ReLU函数。

解码器按次序包括多个上采样层和1个输出层，其中上采样层的个数与下采样层的个数一致。本实施例中，解码器按次序包括四个上采样层和1个输出层。

第一个上采样层包括上采样模块、卷积层、批归一化层和激活层，最后一个下采样层输出的特征图作为第一个上采样层的输入，上采样模块的上采样方式为双线性插值，上采样模块输出特征图大小是输入特征图大小4倍，输入特征图大小为16×16，输出特征图大小为32×32，第一个上采样层的卷积层中卷积核大小为5×5，输入通道数为1024，输出通道数为512，第一个上采样层输入特征图大小为16×16，输出特征图大小为32×32；

第二个上采样层包括融合模块、上采样模块、卷积层、批归一化层和激活层，第三个下采样层输出的特征图和第一个上采样层输出的特征图作为第二个上采样层中融合模块的输入，融合模块将第三个下采样层输出的特征图和第一个上采样层输出的特征图按照通道堆叠，再通过1×1卷积将通道数减小至一半，融合模块输入通道数为1024，输出通道数为512，上采样模块的上采样方式为双线性插值，上采样模块输出特征图大小是输入特征图大小4倍，输入特征图大小为32×32，输出特征图大小为64×64，第二个上采样层的卷积层中卷积核大小为5×5，输入通道数为512，输出通道数为256，第二个上采样层输入特征图大小为32×32，输出特征图大小为64×64；

第三个上采样层包括融合模块、上采样模块、卷积层、批归一化层和激活层，第二个下采样层输出的特征图和第二个上采样层输出的特征图作为第三个上采样层中融合模块的输入，融合模块将第二个下采样层输出的特征图和第二个上采样层输出的特征图按照通道堆叠，再通过1×1卷积将通道数减小至一半，融合模块输入通道数为512，输出通道数为256，上采样模块的上采样方式为双线性插值，上采样模块输出特征图大小是输入特征图大小4倍，输入特征图大小为64×64，输出特征图大小为128×128，第三个上采样层的卷积层中卷积核大小为5×5，输入通道数为256，输出通道数为128，第三个上采样层输入特征图大小为64×64，输出特征图大小为128×128；

第四个上采样层包括融合模块、上采样模块、卷积层、批归一化层和激活层，第一个下采样层输出的特征图和第三个上采样层输出的特征图作为第四个上采样层中融合模块的输入，融合模块将第一个下采样层输出的特征图和第三个上采样层输出的特征图按照通道堆叠，再通过1×1卷积将通道数减小至一半，融合模块输入通道数为256，输出通道数为128，上采样模块的上采样方式为双线性插值，上采样模块输出特征图大小是输入特征图大小4倍，输入特征图大小为128×128，输出特征图大小为256×256，第四个上采样层的卷积层中卷积核大小为5×5，输入通道数为128，输出通道数为64，第四个上采样层输入特征图大小为128×128，输出特征图大小为256×256；

依次类推，如含有更多的上采样层，如图2所示，则对于第k个上采样层，倒数第k个下采样层输出的特征图和第k-1个上采样层输出的特征图作为第k个上采样层的输入即第k个上采样层中融合模块的输入，融合模块将倒数第k个下采样层输出的特征图和第k-1个上采样层输出的特征图按照通道堆叠，再通过卷积减少通道数。其中k为大于1且小于等于上采样层总个数M的整数。

输出层包括融合模块、卷积层和激活层，输出层融合模块的输入包括最后一个上采样层输出的特征图和输入层输出的特征图，在本实施例中输入层输出的特征图和第四个上采样层输出的特征图作为输出层中融合模块的输入，融合模块将输入层输出的特征图和第四个上采样层输出的特征图按照通道堆叠，再通过1×1卷积将通道数减小至一半，融合模块输入通道数为128，输出通道数为64，卷积层中卷积核大小为7×7，输入通道数为64，输出通道数为1，输出层输入的特征图大小为256×256，输出的特征图大小为256×256。

将下采样层的输出作为上采样层的输入的一部分，这有利于收缩约束自编码去噪网络充分利用磁共振影像上下文信息，更好地恢复影像细节，并能加快网络收敛。

除了第一个上采样层外，每个上采样层都有融合模块；除输出层外，每个上采样层的卷积层后都有批归一化层，且批归一化层后面加激活层，激活函数为LeakReLU函数；输出层中激活层的激活函数为tanh函数。

步骤3、将步骤1中生成的训练集中的有噪磁共振影像，本实施例中即为有噪2D磁共振脑部影像输入到收缩约束自编码去噪网络中。

步骤4、设定总损失函数。总损失函数为第一项损失函数和第二项损失函数的加权求和，在本实施例中，第一项损失函数是步骤3中预测的去噪2D磁共振脑部影像和输入的有噪2D磁共振脑部影像均方误差损失，第二项损失函数是步骤3中收缩约束自编码去噪网络输出的去噪2D磁共振脑部影像对输入的有噪2D磁共振脑部影像对应像素求偏导的平方和的均值。

将总损失函数L设定为:

其中，L

步骤5、根据步骤4设定的总损失函数，利用步骤1生成的训练集对步骤2构建的收缩约束自编码去噪网络进行端到端的训练，网络的学习率初始化为0.0001，批大小设置为1，使用ADAM优化器在PyTorch平台上进行网络的训练，总迭代次数达到200之后停止训练，保存对应的收缩约束自编码去噪网络的参数。

步骤6、将待处理的有噪磁共振影像输入到步骤5训练好的收缩约束自编码去噪网络中得到去噪影像。在本实施例中利用步骤1生成的测试集中的有噪2D磁共振脑部影像输入到步骤5训练好的收缩约束自编码去噪网络中得到对应的去噪2D磁共振脑部影像。

将步骤6中得到的去噪2D磁共振脑部影像与步骤1获得的测试集中的有噪2D磁共振脑部影像对比，分别计算去噪2D磁共振脑部影像和有噪2D磁共振脑部影像的峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)和结构相似性(Structural Similarity，SSIM)指标，如图3所示，左边是有噪2D磁共振脑部影像，右边是通过本发明方法去噪2D磁共振脑部影像。从结果图可以看出，本发明提供的一种基于收缩约束自编码器的磁共振影像去噪方法能有效去除噪声，2D磁共振脑部影像的峰值信噪比从21.2提高到28.1，由此，得到高质量的去噪2D磁共振脑部影像。

将所提出的方法与其它方法进行比较，结果如图4所示，其中NLM为非局部均值滤波算法，该方法PSNR为27.9，SSIM为0.80；DIP为基于深度图像先验的方法，该方法PSNR为25.6，SSIM为0.73；本发明方法PSNR为28.1，SSIM为0.83,相比于其它方法，本发明提供的一种基于收缩约束自编码器的磁共振影像去噪方法在实现去噪的同时，更好地保留了影像细节。

一种基于收缩约束自编码器的磁共振影像去噪装置，包括第一模块、第二模块、第三模块、第四模块、第五模块和第六模块，上述步骤1至步骤6分别由第一至第六模块实现。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。