基于生成对抗网络的多对比度MR图像合成方法研究

作     者：张静静 

作者单位：山东师范大学 

学位级别：硕士

导师姓名：刘丽

授予年度：2022年

学科分类：12[管理学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：卷积神经网络 深度学习 MR图像 生成对抗网络 

摘      要：目前的医疗影像任务中,磁共振（Magnetic Resonance,MR）图像的获取存在价格昂贵和耗时长的问题,需要借助技术手段获取多对比度MR图像,如今通过深度学习算法研究磁共振图像的合成以提高诊断效率成为一个炙手可热的话题。随着生成对抗网络（GAN）在近年来的图像处理领域中发挥了重要作用,本文主要将结合生成对抗的方法研究不同对比度磁共振图像的合成。现有的一对一MR图像合成方法中,多数只关注图像整体,而局部细节被忽视,各类衍生的生成对抗式的深度学习方法在MR图像合成领域基本能获得看似完整的图像,但实际上存在边缘模糊或是分辨率较低的问题,且对抗性目标函数的训练易出现崩塌现象。本文以条件生成对抗网络（CGAN）和Cycle GAN两种方法为基础,针对存在的合成图像模糊和训练不稳定问题,进行多对比度MR图像的合成研究,主要开展了以下研究工作:（1）提出一种基于边缘信息保留的多对比度MR图像合成方法,以CGAN提出的方法为指导进行多方面的改进和创新。首先,该方法的生成器被重新定义为由多个串联的编解码器组成的结构,加强网络的深度能够发掘更多的维度特征;其次,该方法使用图像的边缘特征信息进一步促进合成图像内的组织或结构边缘的完整性;最后,采用Patch GAN结构的判别器与谱归一化约束相结合稳定训练过程。结合以上的方式,并通过添加正则化器减少泛化误差,提高多对比度图像的合成效果,获得高清晰度的图像。实验结果表明,基于边缘信息保留的方法在Bra Ts2018和IXI数据集上具有良好的性能。（2）提出一种基于双向生成的多对比度MR图像合成方法,该方法使用成对的图像在图像层面上以端到端的方式运行,采用循环生成方式将给定对比度的MR图像转换为另一种对比度的MR图像。通过双向生成学习非线性映射,在获取图像特征的同时,采用扩展感受野的卷积模块（ECM）增强邻域信息的获取;另外,提出内容增强网络进一步捕捉图像细节信息。实验结果表明,双向生成网络在SSIM和PSNR指标上具有良好的表现。