1.一种面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,包括以下步骤:
S1、获取一名患者的低分辨率SWI体数据,对切片进行多尺度坐标采样,包括:
局部稀疏坐标采样:在每张切片上重复采样多个不同的空洞补丁,每个空洞补丁提供包含中心像素及其周边稀疏分布像素的一级坐标集合;
三维径向坐标采样:对于每个一级坐标集合中的各坐标,以其为球心、在预设半径的三维球形空间内采样多个第一采样点,并将它们的笛卡尔坐标构成二级坐标集合;
将由一个所述空洞补丁所对应的全部二级坐标集合,聚合为一个样本;
S2、构建一个神经辐射场模型,其中的多层感知机用于学习从笛卡尔坐标到颜色值和体密度的映射;
将所述样本中的每个二级坐标集合输入所述模型,并结合球面体渲染技术,生成对应像素的最终渲染值,并输出;
所述步骤S2中,将所述样本中的每个二级坐标集合输入所述模型,并结合球面体渲染技术,生成对应像素的最终渲染值的具体过程为:S21、将所述样本中的每个二级坐标集合输入所述模型中的第一多层感知机,得到所述第一采样点的第一颜色值和第一体密度;
S22、基于所述第一体密度,在同一三维球形空间内采样多个第二采样点;
所述步骤S22中第二采样点的采样过程为:
S221、基于所有第一采样点的第一体密度,计算所有第一采样点各自的第一加权值;
S222、将所有第一采样点的第一加权值按降序排列,取靠前的若干个第一加权值对应的第一采样点在其所处三维球形空间内的径向距离;
S223、根据引入的两个相互独立且均服从[0,1]均匀分布的随机变量,分别计算方位角和极角,并结合步骤S222得到的径向距离,确定一个第二采样点;
S224、重复步骤S223的过程,在不同径向距离下各采样多个第二采样点;
S23、将两类采样点的笛卡尔坐标输入所述模型中的第二多层感知机,得到对应采样点的第二颜色值和第二体密度,并通过球面体渲染技术,生成所有采样点对应像素的最终渲染值;
S3、按预设的Z轴超分倍数a,从低分辨率SWI体数据中每间隔a-1张选取1张切片,选取的所有切片对应的样本构成训练集,剩余的所有切片对应的样本构成待重建集;
S4、基于训练集对所述模型进行训练,获得训练好的模型;
S5、利用训练好的模型对待重建集进行预测,依据输出的最终渲染值,生成空洞补丁对应的重建图像块,进而得到Z轴切片数量提升的高分辨率SWI体数据。
2.根据权利要求1所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述步骤S1中空洞补丁的采样过程为:在所述切片中随机选择一个像素作为中心像素,并围绕所述中心像素,根据预设的补丁尺寸因子h和预设的空洞系数d,采样一个大小为((h-1)d+1)×((h-1)d+1)的空洞补丁。
3.根据权利要求1所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述步骤S1中三维球形空间内采样一个第一采样点的过程为:根据引入的三个相互独立且均服从[0,1]均匀分布的随机变量,分别计算径向距离、方位角和极角,以此确定一个第一采样点。
4.根据权利要求3所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述径向距离r=R×u1/3,所述方位角θ=2π×δ,所述极角φ=arccos(2η-1),其中,u、δ、η为三个随机变量,R表示预设半径。
5.根据权利要求1所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述第一加权值ωi,1=Ti,1(1-exp(-σi,1(ri+1-ri))),其中,i=1,2,…,Nc,Nc表示第一采样点的个数,ωi,1表示第i个第一采样点的第一加权值,Ti,1表示第i个第一采样点的第一透射率,,σi,1表示第i个第一采样点的第一体密度,ri表示第i个第一采样点在其所处三维球形空间内的径向距离,i=1,2,…,Nc-1时ri+1表示第i+1个第一采样点在其所处三维球形空间内的径向距离,i=Nc时ri+1=ri。
6.根据权利要求5所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述步骤S23中通过球面体渲染技术,生成所有采样点所对应像素的最终渲染值的公式为:,其中,Pz表示所有采样点所对应像素的最终渲染值,rj表示第j个采样点在其所处三维球形空间内的径向距离,ωj,2表示第j个采样点的第二加权值,ωj,2=Tj,2(1-exp(-σj,2(rj+1-rj))),Tj,2表示第j个采样点的第二透射率,,σj,2表示第j个采样点的第二体密度,j=1,2,…,Nc+Nf-1时rj+1表示第j+1个采样点在其所处三维球形空间内的径向距离,j=Nc+Nf时rj+1=rj,σk,2表示第k个采样点的第二体密度,cj,2表示第j个采样点的第二颜色值。
7.根据权利要求1所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述模型训练时以由所述空洞补丁中的所有像素构成的图像块为真实标签,且在每轮训练结束后计算网络损失,其为自适应多尺度结构相似性损失和自适应均方误差损失的加权和。
8.根据权利要求7所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述自适应多尺度结构相似性损失的计算公式为:,其中,LAM-SSIM表示自适应多尺度结构相似性损失,Num表示每轮训练的批次大小,AM-SSIM(Bn,pred,Bn,g.t.)表示一批次中第n个重建图像块Bn,pred与对应的真实标签Bn,g.t.之间的多尺度结构相似性,,M表示多尺度分解的尺度数,briM(Bn,pred,Bn,g.t.)、conm(Bn,pred,Bn,g.t.)、strm(Bn,pred,Bn,g.t.)对应表示Bn,pred与Bn,g.t.在对应尺度下的亮度、对比度、结构分量之间的结构相似性,αM、βm、τm对应表示在对应尺度下的亮度、对比度、结构分量的可学习权重参数。
9.根据权利要求8所述的面向脑微出血检测的神经辐射场体积超分辨率重建方法,其特征在于,所述自适应均方误差损失的计算公式为:,其中,LA-MSE表示自适应均方误差损失,A-MSE(Bn,pred,Bn,g.t.)表示一批次中第n个重建图像块Bn,pred与对应的真实标签Bn,g.t.之间的均方误差,,B表示Bn,pred与Bn,g.t.中的像素个数,,Pb,g.t.表示Bn,g.t.中的第b个像素的像素值,Pb,z表示Bn,pred中的第b个像素的像素值,Pb,s表示与Bn,g.t.对应的初步渲染图像块Bn,s,pred中的第b个像素的像素值,所述初步渲染图像块由训练集中一样本对应的空洞补丁中的所有像素的初步渲染值构成。