CN117192458B - 基于动态跟踪技术免除运动伪影的磁共振影像生成方法 - Google Patents
基于动态跟踪技术免除运动伪影的磁共振影像生成方法 Download PDFInfo
- Publication number
- CN117192458B CN117192458B CN202311297285.5A CN202311297285A CN117192458B CN 117192458 B CN117192458 B CN 117192458B CN 202311297285 A CN202311297285 A CN 202311297285A CN 117192458 B CN117192458 B CN 117192458B
- Authority
- CN
- China
- Prior art keywords
- motion
- image
- data
- artifact
- generate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 700
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000005516 engineering process Methods 0.000 title claims abstract description 43
- 230000000737 periodic effect Effects 0.000 claims abstract description 220
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 56
- 230000000007 visual effect Effects 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims description 198
- 230000000241 respiratory effect Effects 0.000 claims description 73
- 230000004927 fusion Effects 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 37
- 238000005259 measurement Methods 0.000 claims description 31
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 238000003708 edge detection Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 230000033764 rhythmic process Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 12
- 230000000873 masking effect Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000011896 sensitive detection Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 13
- 238000002595 magnetic resonance imaging Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 210000003205 muscle Anatomy 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 208000008784 apnea Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000035565 breathing frequency Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000037023 motor activity Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及智能图像处理技术领域，尤其涉及一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法。所述方法包括以下步骤获取初始磁共振图像和用户运动数据；利用用户运动数据对初始磁共振图像进行运动周期性特征分析，生成用户运动时间序列数据；将用户运动时间序列数据与预设的标准时间序列进行对比，生成周期运动数据和非周期运动数据；基于周期运动数据和非周期运动数据进行反馈信号生成，得到实时运动反馈信号；通过三维建模技术对用户运动数据和运动增强图像进行模型区域分割，生成用户人体三维区域数据；本发明通过对伪影进行周期性特征分析和视角跟踪补偿，提高了磁共振影像的质量和可靠性。
Description
技术领域
本发明涉及智能图像处理技术领域，尤其涉及一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法。
背景技术
磁共振成像(MRI)是一种非侵入性的医学影像技术，通过利用核磁共振现象来生成高分辨率的人体组织影像，然而，在MRI图像生成过程中，常常会出现运动伪影，这是由于用户的生理运动或呼吸等因素引起的图像模糊和变形，早期的MRI技术并没有考虑到运动伪影的问题，因此图像质量受到了严重的限制，随着计算机技术的发展，图像重建算法也得到了改进，这为克服运动伪影提供了新的可能性。运用先进的运动追踪技术，MRI扫描可以实时监测患者的运动，并在图像重建过程中进行校正。这一方法显著减小了运动伪影的影响，提高了图像质量，然而目前的运动伪影免除方法通常无法有效区分这些生理性周期伪影和非周期性伪影，只依赖于静态校正方法，忽略了图像的动态特性，从而导致磁共振影像的质量较低。
发明内容
基于此，有必要提供一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法，所述方法包括以下步骤：
步骤S1：获取初始磁共振图像和用户运动数据；利用用户运动数据对初始磁共振图像进行运动周期性特征分析，生成用户运动时间序列数据；将用户运动时间序列数据与预设的标准时间序列进行对比，生成周期运动数据和非周期运动数据；基于周期运动数据和非周期运动数据进行反馈信号生成，得到实时运动反馈信号；
步骤S2：通过三维建模技术对用户运动数据和运动增强图像进行模型区域分割，生成用户人体三维区域数据；利用实时反馈信号对用户人体三维区域数据进行伪影间距测量，生成生理性周期伪影图像；对用户人体三维区域数据进行图像层级分离，生成条纹状影层级数据；将条纹状影层级数据与预设的标准层级进行对比，生成非生理性周期伪影图像；
步骤S3：根据实时运动反馈信号对生理性周期伪影图像和非生理性周期伪影图像进行信号标记，生成第一反馈信号和第二反馈信号；基于第一反馈信号对自主运动区域数据进行呼吸阶段分类，生成呼吸阶段分类数据；根据门控补偿机制对呼吸阶段分类数据进行图像视角补偿，从而生成标准周期伪影校正图像；
步骤S4：通过第二反馈信号对被动运动区域数据进行图像边缘检测，周期运动边缘图像集和周期运动时间戳；对周期运动边缘图像集进行图像差异值计算，得到周期运动差异影响系数；根据周期运动差异影响系数和周期运动时间戳对周期运动边缘图像集进行图像相减，生成运动边缘差异图像；
步骤S5：根据运动边缘差异图像进行视角锁定，生成第一锁定视角；对运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据；通过支持向量机算法对边缘像素分辨率数据进行模型预测，运动纠正重合图像；基于运动纠正重合图像进行视角锁定，生成第二锁定视角；根据第一锁定视角和第二锁定视角对运动边缘差异图像进行局部掩膜，从而生成标准非生理性伪影校正图像；
步骤S6：将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，生成伪影融合校正图像；利用HTTP协议对伪影融合校正图像进行数据传递，生成用户磁共振影像图像。
本发明通过实时地利用用户的运动数据进行反馈，可以根据用户的运动状态调整磁共振的参数，从而获取到更稳定、更高质量的图像，根据每个用户的运动时间序列数据与预设的标准时间序列的对比，可以为每位用户提供更为个性化的运动建议和反馈，从而帮助用户更有效地进行运动，通过周期运动数据和非周期运动数据的对比，可以为用户提供更为精确的运动建议，从而帮助用户提高运动效果和效率；通过三维建模和区域分割技术，可以更准确地分割用户的人体三维区域，从而有助于生成更清晰和准确的磁共振图像，过实时反馈信号对用户人体三维区域数据进行伪影间距测量，可以减少磁共振图像中的伪影，提高图像的准确性，减少误诊的可能性，通过将条纹状影层级数据与预设的标准层级进行对比，可以检测和识别非生理性周期伪影，这有助于进一步提高图像质量和减少干扰因素；通过对生理性周期伪影和非生理性周期伪影图像进行信号标记和处理，可以帮助识别和区分不同类型的伪影。这有助于减少伪影对最终图像的影响，提高图像的质量和可用性，通过基于第一反馈信号对自主运动区域数据进行呼吸阶段分类，可以更准确地将运动分为不同的呼吸阶段，有助于提高图像的空间分辨率和准确性，使用门控补偿机制对呼吸阶段分类数据进行图像视角补偿，可以校正由于呼吸运动引起的图像偏移。这有助于生成更准确的标准周期伪影校正图像，减少运动相关的图像模糊；通过对被动运动区域数据进行图像边缘检测，可以更清晰地识别出图像中的运动边缘。这有助于提高图像的分辨率和准确性，通过周期运动边缘图像集和周期运动时间戳，可以对周期性运动进行分析。这可以用于研究和了解周期性运动的特性和模式，使用图像差异影响判别公式来计算周期运动边缘图像集之间的差异值，可以量化运动的强度和变化，从而帮助理解和处理图像中的运动干扰，提高图像的质量和可用性；通过运动边缘差异图像进行视角锁定，生成第一锁定视角，并使用支持向量机算法对边缘像素分辨率数据进行模型预测，从而实现运动纠正和生成重合图像。这个过程有助于消除由于运动引起的图像模糊和畸变，提高图像的清晰度和准确性，通过支持向量机算法对边缘像素分辨率数据进行模型预测，实现运动纠正。支持向量机是一种强大的机器学习算法，可以用于复杂数据的建模和预测，这有助于提高运动纠正的精度和效率；将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，这意味着将来自不同校正方法的图像合并为一个单一的图像。这可以增加图像的信息内容，提高对生理和非生理性伪影的校正效果，有助于提高医学影像的质量和可用性，通过融合处理，生成伪影融合校正图像。这一图像通常具有更高的质量和准确性，因为它综合了多个来源的信息，有助于提高医学影像的可读性和诊断准确性。因此，本发明通过实时反馈、周期性特征分析、视角补偿、伪影纠正等多技术综合处理不同类型的运动伪影，提高了磁共振影像的质量和可靠性。
本发明的有益效果在于通过分析用户的运动数据，识别了图像中的周期性运动和非周期性运动。这有助于消除或减轻由用户运动而引入的伪影，从而提高了图像的质量和准确性，将用户的三维区域数据与实时反馈信号结合使用，以测量伪影间距并生成生理性周期伪影图像。同时，通过图像层级分离生成非生理性周期伪影图像。这有助于区分和校正不同类型的伪影，从而提高了影像的质量，利用第一反馈信号对呼吸阶段进行分类，并应用门控补偿机制进行视角补偿，生成标准周期伪影校正图像。这有助于减轻由于呼吸运动引入的伪影，提高图像的清晰度和可读性。通过第二反馈信号进行运动边缘检测，并利用图像差异值计算和图像相减来生成运动边缘差异图像。这有助于识别和纠正图像中的运动伪影，提高图像的质量。根据运动边缘差异图像生成锁定视角，并应用像素分辨率解析和支持向量机算法进行运动纠正。通过局部掩膜，可以生成标准非生理性伪影校正图像，进一步提高了图像的质量。将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合。这可以提供更全面的信息，改善图像质量和可视化效果。通过HTTP协议，最终生成的伪影融合校正图像可以传递给用户，这有助于获得高质量的磁共振影像。因此，本发明通过实时反馈、周期性特征分析、视角补偿、伪影纠正等多技术综合处理不同类型的运动伪影，提高了磁共振影像的质量和可靠性。
附图说明
图1为一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图1中步骤S3的详细实施步骤流程示意图；
图4为图3中步骤S35的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法，所述方法包括以下步骤：
步骤S1：获取初始磁共振图像和用户运动数据；利用用户运动数据对初始磁共振图像进行运动周期性特征分析，生成用户运动时间序列数据；将用户运动时间序列数据与预设的标准时间序列进行对比，生成周期运动数据和非周期运动数据；基于周期运动数据和非周期运动数据进行反馈信号生成，得到实时运动反馈信号；
步骤S2：通过三维建模技术对用户运动数据和运动增强图像进行模型区域分割，生成用户人体三维区域数据；利用实时反馈信号对用户人体三维区域数据进行伪影间距测量，生成生理性周期伪影图像；对用户人体三维区域数据进行图像层级分离，生成条纹状影层级数据；将条纹状影层级数据与预设的标准层级进行对比，生成非生理性周期伪影图像；
步骤S3：根据实时运动反馈信号对生理性周期伪影图像和非生理性周期伪影图像进行信号标记，生成第一反馈信号和第二反馈信号；基于第一反馈信号对自主运动区域数据进行呼吸阶段分类，生成呼吸阶段分类数据；根据门控补偿机制对呼吸阶段分类数据进行图像视角补偿，从而生成标准周期伪影校正图像；
步骤S4：通过第二反馈信号对被动运动区域数据进行图像边缘检测，周期运动边缘图像集和周期运动时间戳；对周期运动边缘图像集进行图像差异值计算，得到周期运动差异影响系数；根据周期运动差异影响系数和周期运动时间戳对周期运动边缘图像集进行图像相减，生成运动边缘差异图像；
步骤S5：根据运动边缘差异图像进行视角锁定，生成第一锁定视角；对运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据；通过支持向量机算法对边缘像素分辨率数据进行模型预测，运动纠正重合图像；基于运动纠正重合图像进行视角锁定，生成第二锁定视角；根据第一锁定视角和第二锁定视角对运动边缘差异图像进行局部掩膜，从而生成标准非生理性伪影校正图像；
步骤S6：将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，生成伪影融合校正图像；利用HTTP协议对伪影融合校正图像进行数据传递，生成用户磁共振影像图像。
本发明通过实时地利用用户的运动数据进行反馈，可以根据用户的运动状态调整磁共振的参数，从而获取到更稳定、更高质量的图像，根据每个用户的运动时间序列数据与预设的标准时间序列的对比，可以为每位用户提供更为个性化的运动建议和反馈，从而帮助用户更有效地进行运动，通过周期运动数据和非周期运动数据的对比，可以为用户提供更为精确的运动建议，从而帮助用户提高运动效果和效率；通过三维建模和区域分割技术，可以更准确地分割用户的人体三维区域，从而有助于生成更清晰和准确的磁共振图像，过实时反馈信号对用户人体三维区域数据进行伪影间距测量，可以减少磁共振图像中的伪影，提高图像的准确性，减少误诊的可能性，通过将条纹状影层级数据与预设的标准层级进行对比，可以检测和识别非生理性周期伪影，这有助于进一步提高图像质量和减少干扰因素；通过对生理性周期伪影和非生理性周期伪影图像进行信号标记和处理，可以帮助识别和区分不同类型的伪影。这有助于减少伪影对最终图像的影响，提高图像的质量和可用性，通过基于第一反馈信号对自主运动区域数据进行呼吸阶段分类，可以更准确地将运动分为不同的呼吸阶段，有助于提高图像的空间分辨率和准确性，使用门控补偿机制对呼吸阶段分类数据进行图像视角补偿，可以校正由于呼吸运动引起的图像偏移。这有助于生成更准确的标准周期伪影校正图像，减少运动相关的图像模糊；通过对被动运动区域数据进行图像边缘检测，可以更清晰地识别出图像中的运动边缘。这有助于提高图像的分辨率和准确性，通过周期运动边缘图像集和周期运动时间戳，可以对周期性运动进行分析。这可以用于研究和了解周期性运动的特性和模式，使用图像差异影响判别公式来计算周期运动边缘图像集之间的差异值，可以量化运动的强度和变化，从而帮助理解和处理图像中的运动干扰，提高图像的质量和可用性；通过运动边缘差异图像进行视角锁定，生成第一锁定视角，并使用支持向量机算法对边缘像素分辨率数据进行模型预测，从而实现运动纠正和生成重合图像。这个过程有助于消除由于运动引起的图像模糊和畸变，提高图像的清晰度和准确性，通过支持向量机算法对边缘像素分辨率数据进行模型预测，实现运动纠正。支持向量机是一种强大的机器学习算法，可以用于复杂数据的建模和预测，这有助于提高运动纠正的精度和效率；将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，这意味着将来自不同校正方法的图像合并为一个单一的图像。这可以增加图像的信息内容，提高对生理和非生理性伪影的校正效果，有助于提高医学影像的质量和可用性，通过融合处理，生成伪影融合校正图像。这一图像通常具有更高的质量和准确性，因为它综合了多个来源的信息，有助于提高医学影像的可读性和诊断准确性。因此，本发明通过实时反馈、周期性特征分析、视角补偿、伪影纠正等多技术综合处理不同类型的运动伪影，提高了磁共振影像的质量和可靠性。
本发明实施例中，参考图1所述，为本发明一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法的步骤流程示意图，在本实例中，所述一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法包括以下步骤：
步骤S1：获取初始磁共振图像和用户运动数据；利用用户运动数据对初始磁共振图像进行运动周期性特征分析，生成用户运动时间序列数据；将用户运动时间序列数据与预设的标准时间序列进行对比，生成周期运动数据和非周期运动数据；基于周期运动数据和非周期运动数据进行反馈信号生成，得到实时运动反馈信号；
本发明实施例中，通过使用医学设备如MRI扫描仪获取用户的磁共振图像。这些图像通常是二维或三维的，同时，收集与患者运动相关的数据。这可能包括患者的运动轨迹、姿势、呼吸频率、心跳等生理信息，对初始磁共振图像进行运动周期性特征分析。这包括检测图像中可能存在的运动伪影，这些伪影是由于患者在扫描期间的运动引起的使用图像处理和分析技术，例如图像配准、运动伪影校正算法等，来识别和量化运动伪影的性质和强度。基于运动特征分析，生成用户的运动时间序列数据。这些数据包括运动的类型、幅度和频率等信息。运动时间序列可以是连续的，记录了运动的变化情况，或者是离散的，记录了特定时间点的运动状态。将生成的用户运动时间序列数据与预设的标准时间序列进行对比。标准时间序列可能是没有运动的理想情况下的运动模式。基于对比结果，将运动数据分为周期运动数据和非周期运动数据。周期运动数据表示图像中的规律性运动，而非周期运动数据表示无规律或随机性的运动。利用周期运动数据和非周期运动数据，可以生成实时运动反馈信号。这个反馈信号可以用于多种用途，例如动态图像校正、呼吸同步扫描等。具体应用取决于医学图像处理系统的设计和需求。
步骤S2：通过三维建模技术对用户运动数据和运动增强图像进行模型区域分割，生成用户人体三维区域数据；利用实时反馈信号对用户人体三维区域数据进行伪影间距测量，生成生理性周期伪影图像；对用户人体三维区域数据进行图像层级分离，生成条纹状影层级数据；将条纹状影层级数据与预设的标准层级进行对比，生成非生理性周期伪影图像；
本发明实施例中，通过使用三维建模技术，将用户的运动数据和运动增强图像用于人体模型的区域分割。这可能包括利用计算机视觉和图像处理技术来识别和分割出人体的不同部位，例如头部、胸部、腹部等。基于模型区域分割的结果，生成用户人体的三维区域数据，这些数据可以用于后续的处理步骤。利用实时反馈信号，对用户人体三维区域数据进行测量，以识别和量化伪影的间距。伪影间距测量可以帮助确定伪影的周期性特征，以便进一步区分生理性和非生理性伪影。基于伪影间距测量的结果，生成生理性周期伪影图像。这些图像可能代表了与生理运动周期相关的伪影。对用户人体三维区域数据进行图像层级分离，将图像分解成不同的层级，以便进一步的分析和处理。将分离得到的条纹状影层级数据与预设的标准层级进行对比，以检测和识别非生理性周期伪影。基于对比的结果，生成非生理性周期伪影图像。这些图像可能代表了与非生理运动或其他因素相关的伪影。
步骤S3：根据实时运动反馈信号对生理性周期伪影图像和非生理性周期伪影图像进行信号标记，生成第一反馈信号和第二反馈信号；基于第一反馈信号对自主运动区域数据进行呼吸阶段分类，生成呼吸阶段分类数据；根据门控补偿机制对呼吸阶段分类数据进行图像视角补偿，从而生成标准周期伪影校正图像；
本发明实施例中，通过从实时运动反馈信号中检测生理活动，如呼吸、心跳等，对生理性周期伪影图像进行标记，生成第一反馈信号，对非生理性周期伪影图像进行标记，生成第二反馈信号，根据第一反馈信号(即与生理性周期伪影相关的信号)，对自主运动区域数据进行分类，将呼吸活动分为不同的阶段，例如吸气、呼气、呼吸暂停等，生成呼吸阶段分类数据，使用所谓的门控技术，这是一种在特定的呼吸阶段(例如在呼吸暂停时)获取图像的方法，从而减少由呼吸导致的运动伪影，根据门控补偿机制，对呼吸阶段分类数据进行图像视角的调整和补偿，这可以通过软件算法来实现，目的是减少或消除由于呼吸导致的图像失真。结合上述处理步骤，生成一个标准周期伪影校正图像，该图像应该尽可能减少或消除因呼吸或其他生理活动导致的图像扭曲和伪影。
步骤S4：通过第二反馈信号对被动运动区域数据进行图像边缘检测，周期运动边缘图像集和周期运动时间戳；对周期运动边缘图像集进行图像差异值计算，得到周期运动差异影响系数；根据周期运动差异影响系数和周期运动时间戳对周期运动边缘图像集进行图像相减，生成运动边缘差异图像；
本发明实施例中，通过使用图像处理技术，如Canny边缘检测算法或Sobel算子等，对被动运动区域的数据进行边缘检测，边缘检测可以帮助识别图像中的运动边缘，即物体边界或轮廓，基于第二反馈信号，确定周期性的运动边缘图像集，这些图像表示不同时间点的周期运动情况，记录每个图像对应的周期运动时间戳，以便后续的计算和分析，制定图像差异影响判别公式，这可以是一个数学方程或算法，用于计算周期运动边缘图像集中的图像之间的差异值，这个公式可能会考虑像素值的变化、颜色差异等因素，以评估图像之间的相似性或差异性，得到差异值后，可以基于这些值来计算周期运动差异影响系数，使用计算得到的差异值，根据制定的公式来计算周期运动差异影响系数，这个系数表示了周期性运动对图像的影响程度，可能在后续的步骤中用于校正图像，利用周期运动差异影响系数和周期运动时间戳，对周期运动边缘图像集中的图像进行相减操作，这个相减操作的目的是减少或消除周期性运动的影响，生成运动边缘差异图像，运动边缘差异图像应该更准确地反映出被动运动区域的实际情况，而不受周期性运动的影响。
步骤S5：根据运动边缘差异图像进行视角锁定，生成第一锁定视角；对运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据；通过支持向量机算法对边缘像素分辨率数据进行模型预测，运动纠正重合图像；基于运动纠正重合图像进行视角锁定，生成第二锁定视角；根据第一锁定视角和第二锁定视角对运动边缘差异图像进行局部掩膜，从而生成标准非生理性伪影校正图像；
本发明实施例中，通过利用运动边缘差异图像，首先确定一个初始锁定视角，这个视角通常是与运动边缘差异最小的视角，这可以通过计算运动边缘差异图像中的像素值或特征来实现，选择使差异最小的视角作为第一锁定视角，对运动边缘差异图像进行像素点分辨率解析，这意味着确定每个像素点的实际大小或物理尺寸，这可以通过已知的摄像机参数和成像条件进行计算，以便后续的运动纠正和校正图像生成，将边缘像素分辨率数据作为训练集，使用支持向量机(SVM)或其他适当的机器学习算法建立模型，模型的目标是预测图像中各像素点的分辨率，这可以帮助校正图像中的像素大小，使用模型对边缘像素分辨率进行预测，并将其应用于运动纠正重合图像，利用预测的边缘像素分辨率数据，对运动边缘差异图像进行运动纠正，运动纠正的目标是校正图像中的像素位置，以消除运动带来的影响，从而获得更准确的图像，基于运动纠正后的图像，确定第二锁定视角，可以采用与第一锁定视角选择类似的方法，但这次选择的视角应该更准确地锁定在被测对象的实际位置，使用第一锁定视角和第二锁定视角的信息，对运动边缘差异图像进行局部掩膜操作，掩膜可以是二进制图像，其中包含了哪些部分需要保留，哪些需要被遮盖或校正，最终，通过将掩膜应用于运动边缘差异图像，可以生成标准非生理性伪影校正图像，其中已经校正了运动和分辨率等问题。
步骤S6：将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，生成伪影融合校正图像；利用HTTP协议对伪影融合校正图像进行数据传递，生成用户磁共振影像图像。
本发明实施例中，通过多模态图像融合是将来自不同模态的图像合并成一个综合的图像，以获得更丰富的信息或提高图像质量。在这种情况下，要融合标准生理性伪影校正图像和标准非生理性伪影校正图像，常见的融合方法包括加权平均、图像融合算法(如拉普拉斯金字塔、小波变换等)，需要选择适合应用的方法，将两个校正图像输入到融合算法中，执行图像融合操作，结果将是一个伪影融合校正图像，其中包含了生理性和非生理性伪影的校正信息，HTTP(Hypertext Transfer Protocol)是用于在Web上传输数据的协议，需要设置一个HTTP服务器，用于接收、存储和传递伪影融合校正图像，在服务器端，可以使用Web框架(如Django、Flask等)来创建一个接受图像上传的端点，用户可以通过一个客户端应用或Web界面与HTTP服务器进行通信，用户上传相关的数据或提供必要的信息以请求生成磁共振影像图像，服务器接收请求，处理伪影融合校正图像，应用任何必要的后处理步骤(如图像重采样或格式转换)，并生成用户的磁共振影像图像，生成的用户磁共振影像图像可以通过HTTP协议返回给用户，用户可以通过浏览器或其他客户端应用程序来访问和下载这些图像。
优选地，步骤S1包括以下步骤：
步骤S11：利用图像采集设备获取初始磁共振图像；利用运动检测传感器获取用户运动数据；
步骤S12：基于数字信号处理技术对用户运动数据进行数据去噪，生成用户运动去噪数据；对用户运动去噪数据进行高斯滤波，生成用户运动滤波数据；根据最大-最小标准化方法对用户运动滤波数据进行数据标准化，生成用户运动标准数据；
步骤S13：根据用户运动标准数据对初始磁共振图像进行运动反馈，生成运动反馈图像；对运动反馈图像进行图像增强，生成运动增强图像；
步骤S14：通过信号处理方法对运动增强图像和用户运动标准数据进行运动周期性特征分析，生成用户运动周期变化图；对用户运动周期变化图进行时间序列变化特征提取，得到用户运动时间序列数据；将用户运动时间序列数据与预设的标准时间序列进行对比，当用户运动时间序列数据大于或等于标准时间序列，则标记为周期运动数据；当用户运动时间序列数据小于标准时间序列时，则标记为非周期运动数据；
步骤S15：根据周期运动数据和非周期运动数据进行用户运动轨迹构建，生成用户运动轨迹数据；基于用户运动轨迹数据和用户运动周期变化图进行反馈信号生成，从而得到实时运动反馈信号。
本发明通过综合运动数据和磁共振图像，可以减少运动伪影，提高图像质量，有助于更准确的识别图像异常，通过实时运动反馈信号可以用于引导用户在磁共振成像期间调整其运动，从而减少不必要的运动引起的问题，通过周期性特征分析和时间序列变化特征提取，可以更好地理解用户的运动模式，有助于研究运动相关的生理过程，可以提高磁共振成像的质量和准确性。
本发明实施例中，通过使用图像采集设备来获取初始磁共振图像。这可以是磁共振成像设备，用于捕捉人体内部的图像信息，使用运动检测传感器(如加速度计或陀螺仪)来获取用户的运动数据。这些传感器可以放置在用户的身体上，以测量他们的运动和姿态，对用户运动数据进行数字信号处理，以去除噪声和不必要的波动，生成用户运动去噪数据。这可以包括使用滤波技术或平滑算法，对去噪后的用户运动数据进行高斯滤波，以进一步减少噪声，生成用户运动滤波数据，使用最大-最小标准化方法对用户运动滤波数据进行标准化，以确保数据在一定范围内，并生成用户运动标准数据，基于用户运动标准数据，将其应用于初始磁共振图像，以生成运动反馈图像。这可以涉及到将运动标准数据与图像进行配准(registration)以校正图像，以消除运动引起的伪影，对生成的运动反馈图像进行图像增强处理，以提高图像的质量和清晰度，生成运动增强图像。图像增强可以包括对比度增强、噪声降低等技术，使用信号处理方法对运动增强图像和用户运动标准数据进行分析，以捕捉用户的运动周期性特征，生成用户的运动周期变化图，这可能包括运动的频率、幅度和其他周期性特征的信息，对用户运动周期变化图进行时间序列分析，以提取用户的运动时间序列数据，这可以用于描述运动的变化趋势，根据周期运动数据和非周期运动数据，构建用户的运动轨迹。这可以是用户在一段时间内的运动路径或轨迹，基于用户运动轨迹数据和用户运动周期变化图，生成实时运动反馈信号。这个信号可以用于指导用户的运动，提供实时的运动建议或改进。
优选地，步骤S2包括以下步骤：
步骤S21：通过三维建模技术对用户运动数据和运动增强图像进行三维建模，生成用户人体三维模型；基于实时运动反馈信号对用户人体三维模型进行模型区域分割，生成用户人体三维区域数据，其中用户人体三维区域数据包括自主运动区域数据和被动运动区域数据；
步骤S22：利用实时反馈信号对自主运动区域数据和被动运动区域数据进行相位编码方向分析，生成运动相位编码方向数据；
步骤S23：对运动相位编码方向数据进行伪影间距测量，得到运动伪影间距数据；对运动伪影间距数据进行间距测量，得到伪影间距测量数据；对伪影间距测量数据进行数据对比，当伪影间距测量数据相等时，则生成生理性周期伪影图像；
步骤S24：根据运动相位编码方向数据对用户人体三维区域数据进行伪影层级分割，生成条纹状影图像；对条纹状影图像进行图像层级分离，生成条纹状影层级数据；将条纹状影层级数据与预设的标准层级进行对比，当条纹状影层级数据大于或等于标准层级时，则生成非生理性周期伪影图像；当条纹状影层级数据小于标准层级时，则对条纹状影图像进行剔除。
本发明通过使用三维建模技术将用户的运动数据和运动增强图像融合，生成用户人体的三维模型，这可以提供更加准确的用户身体表面形状和姿态信息，通过模型区域分割，将用户人体三维模型划分成不同的区域，包括自主运动区域和被动运动区域。这有助于识别和分析不同部位的运动行为，利用实时运动反馈信号，对自主运动区域数据和被动运动区域数据进行相位编码方向分析。这可以帮助确定运动的方向和性质，例如自主运动和被动运动的区别，通过相位编码，可以更好地理解用户的运动模式和动作，伪影是磁共振图像中常见的问题，通常由于运动或其他因素引起。伪影间距测量是一种方法，用于测量伪影的间距和性质，当伪影间距测量数据相等时，说明可能存在生理性周期伪影，这可能与用户的生理运动周期有关。生成生理性周期伪影图像有助于识别和区分真实信号和伪影，利用运动相位编码方向数据，对用户人体三维区域数据进行伪影层级分割。这有助于将伪影与真实信号分离，以进一步分析和处理，将条纹状影层级数据与预设的标准层级进行对比，可以用于检测非生理性周期伪影。这有助于识别伪影并采取措施进行剔除或校正。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S2包括：
步骤S21：通过三维建模技术对用户运动数据和运动增强图像进行三维建模，生成用户人体三维模型；基于实时运动反馈信号对用户人体三维模型进行模型区域分割，生成用户人体三维区域数据，其中用户人体三维区域数据包括自主运动区域数据和被动运动区域数据；
本发明实施例中，通过收集用户的运动数据，可以包括运动传感器、摄像头捕捉的视频、或其他相关数据源，获取运动增强图像，可能是通过磁共振成像(MRI)或其他医学成像技术获得的，对运动数据和图像进行预处理，以去除噪声和不必要的信息，确保数据的质量和准确性，利用三维建模技术，将运动数据和运动增强图像融合，生成用户人体的三维模型。这可以采用计算机视觉和图像处理技术，如结构光扫描、立体匹配、点云重建等方法，从运动传感器或其他实时数据源中获取运动反馈信号。这些信号可以包括关节角度、肌肉活动、运动速度等信息，用于跟踪用户的实际运动，基于实时运动反馈信号，对用户人体的三维模型进行区域分割。这可以通过识别和分割不同的身体部位来实现，例如头部、胸部、手臂、腿部等，区域分割可能需要使用计算机视觉和图像分割算法，结合运动反馈数据来确定各个区域的位置和形状，在模型区域分割的基础上，生成用户人体的三维区域数据。这包括自主运动区域数据和被动运动区域数据，根据不同区域的实时运动情况进行分类和记录。
步骤S22：利用实时反馈信号对自主运动区域数据和被动运动区域数据进行相位编码方向分析，生成运动相位编码方向数据；
本发明实施例中，通过从运动传感器或其他实时数据源中获取反馈信号。这些信号可能包括关节角度、肌肉活动、运动速度等与运动有关的数据，将反馈信号与自主运动区域数据和被动运动区域数据相对应。这可能涉及到数据对齐和校准的工作，确保反馈信号与相应的运动区域数据一一对应，利用相位编码技术对自主运动区域数据和被动运动区域数据进行分析。相位编码是一种将信号分解成不同频率成分的方法，常用于分析周期性运动或振动，在相位编码的基础上，进一步对运动方向进行分析。这可能包括确定运动的方向、速度和加速度等信息，结合相位编码和方向分析的结果，生成运动相位编码方向数据。这些数据将提供关于运动方向和速度等方面的信息。
步骤S23：对运动相位编码方向数据进行伪影间距测量，得到运动伪影间距数据；对运动伪影间距数据进行间距测量，得到伪影间距测量数据；对伪影间距测量数据进行数据对比，当伪影间距测量数据相等时，则生成生理性周期伪影图像；
本发明实施例中，通过使用适当的算法或方法对运动相位编码方向数据进行伪影间距测量。这可能涉及到信号处理和数学计算技术，用于确定在数据中的周期性伪影，对伪影间距数据进行进一步的间距测量。这可能包括测量伪影的周期、频率或其他与生理性周期相关的特征。常见的方法包括傅里叶变换或小波变换等频谱分析技术，将得到的伪影间距测量数据进行对比。这可能包括将测量数据与基准数据进行比较，或者使用预定的阈值进行判断。当伪影间距测量数据在一定范围内相等时，说明检测到了生理性周期的伪影，当伪影间距测量数据相等时，系统应该触发生成生理性周期伪影图像的过程。这可能包括将伪影数据转换为图像格式，并进行可视化呈现。图像的生成可以根据具体需求采用不同的图像处理和可视化技术，确保结果清晰可见。
步骤S24：根据运动相位编码方向数据对用户人体三维区域数据进行伪影层级分割，生成条纹状影图像；对条纹状影图像进行图像层级分离，生成条纹状影层级数据；将条纹状影层级数据与预设的标准层级进行对比，当条纹状影层级数据大于或等于标准层级时，则生成非生理性周期伪影图像；当条纹状影层级数据小于标准层级时，则对条纹状影图像进行剔除。
本发明实施例中，通过使用运动相位编码方向数据对用户人体三维区域数据进行伪影层级分割。这可能涉及到图像处理技术，例如阈值分割、边缘检测、区域生长等，以将图像中的伪影层级分离出来，生成条纹状影图像，对生成的条纹状影图像进行进一步的图像层级分离。这可以采用图像处理方法，例如多层级分割或者滤波器操作，以提取不同层级的信息，生成条纹状影层级数据，将生成的条纹状影层级数据与预设的标准层级进行对比。标准层级通常是基于先前的研究或经验确定的，用于区分生理性周期伪影和非生理性周期伪影，当条纹状影层级数据大于或等于预设的标准层级时，说明图像中存在非生理性周期伪影。此时，可以触发生成非生理性周期伪影图像的过程，将伪影层级数据转化为图像，并可视化呈现，当条纹状影层级数据小于预设的标准层级时，说明图像中不存在非生理性周期伪影，这意味着图像质量可能较好。可以选择将这些图像剔除或保留，具体取决于应用需求。
优选地，步骤S3包括以下步骤：
步骤S31：根据实时运动反馈信号对生理性周期伪影图像和非生理性周期伪影图像进行信号标记，生成第一反馈信号和第二反馈信号；
步骤S32：基于第一反馈信号对自主运动区域数据进行压敏检测，生成用户膈肌运动数据；利用膈肌运动检测装置进行运动信号采集，从而获得膈肌运动信号；
步骤S33：通过膈肌运动信号和用户膈肌运动数据进行呼吸周期检测，生成膈肌呼吸周期数据；根据快速傅里叶变换算法对膈肌呼吸周期数据进行频谱转换，生成膈肌呼吸频谱图；对膈肌呼吸频谱图进行频域峰值分析，得到呼吸节律数据；
步骤S34：对呼吸节律数据进行呼吸阶段分类，生成呼吸阶段分类数据；根据呼吸阶段分类数据对生理性周期伪影数据进行运动伪影矫正，生成生理性周期伪影校正图像；
步骤S35：根据门控补偿机制对生理性周期伪影校正图像进行图像视角补偿，从而生成标准周期伪影校正图像。
本发明通过根据实时运动反馈信号，将生理性周期伪影图像和非生理性周期伪影图像进行信号标记。这可以帮助区分图像中的生理性和非生理性伪影，生成的第一反馈信号和第二反馈信号可能包含有关伪影性质的信息，通过对自主运动区域数据进行压敏检测，生成用户膈肌运动数据。这可能是一种用于检测呼吸运动的方法，膈肌运动数据的采集可以利用膈肌运动检测装置，从而获得与呼吸相关的信号。这有助于跟踪用户的呼吸活动，使用膈肌运动信号和用户膈肌运动数据进行呼吸周期检测，生成膈肌呼吸周期数据。然后，通过快速傅里叶变换算法对这些数据进行频谱转换，生成膈肌呼吸频谱图。频域峰值分析可以用来获取呼吸节律数据，这有助于了解呼吸的频率和规律，对呼吸节律数据进行呼吸阶段分类，生成呼吸阶段分类数据。这有助于将呼吸活动分成不同的阶段。根据呼吸阶段分类数据，可以对生理性周期伪影数据进行运动伪影矫正，生成生理性周期伪影校正图像。这可以提高生理性周期伪影的可视化质量，使用门控补偿机制对生理性周期伪影校正图像进行图像视角补偿。这可能是为了纠正由于呼吸或其他因素引起的图像偏移或伪影。最终生成标准周期伪影校正图像，这将是更准确和可靠的图像。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S3包括：
步骤S31：根据实时运动反馈信号对生理性周期伪影图像和非生理性周期伪影图像进行信号标记，生成第一反馈信号和第二反馈信号；
本发明实施例中，通过需要获取待处理的图像数据，其中包括生理性周期伪影图像和非生理性周期伪影图像。这些图像可以通过医学影像设备(如X射线、CT扫描或MRI)获得，要进行信号标记，需要实时运动反馈信号。这可以通过不同的传感器或设备来获取，例如运动追踪仪器、惯性测量单元(IMU)或其他生物传感器。这些传感器可以监测患者或被测对象的身体运动，例如呼吸、心跳或其他生理参数，针对生理性周期伪影图像和非生理性周期伪影图像，根据实时运动反馈信号，将每个图像中与运动相关的部分进行标记。这些标记可以是像素级别的，用于指示图像中的伪影区域，第一反馈信号可以是伪影的位置和强度信息。例如，标记伪影的位置以及它们在图像中的相对强度或密度，第二反馈信号可能包含更详细的运动信息，如伪影的运动速度、方向等，对于每个图像，根据标记的结果，生成第一反馈信号和第二反馈信号的数据结构，这可能涉及将标记的信息编码为数字或向量，并将其与图像数据关联起来，第一反馈信号和第二反馈信号可以进一步用于后续的数据处理、图像矫正或分析步骤，以校正伪影、改进图像质量或进行其他有关生物医学图像的任务。
步骤S32：基于第一反馈信号对自主运动区域数据进行压敏检测，生成用户膈肌运动数据；利用膈肌运动检测装置进行运动信号采集，从而获得膈肌运动信号；
本发明实施例中，通过选择适当的传感器用于检测自主运动区域数据，如膈肌运动。常见的传感器包括压力传感器、应变传感器、电容传感器等，这些传感器可用于监测肌肉活动，安装传感器在用户的自主运动区域，通常是在胸部区域，以监测膈肌运动。确保传感器与用户的身体有合适的接触，并能够准确地记录运动数据，使用传感器采集到的数据，对自主运动区域的压力或应变等信号进行实时处理。这可能涉及信号放大、滤波和去噪，以确保准确的数据记录，根据压敏检测的数据，提取有关膈肌运动的特征。这些特征可以包括运动的振幅、频率、幅度等信息，基于提取的特征和第一反馈信号，生成用户膈肌运动数据。这些数据将反映用户的膈肌运动活动，与第一反馈信号相关联，使用专门的设备或装置，如电极带、表面电极、胸部传感器等，用于检测和记录用户的膈肌运动信号，安装膈肌运动检测装置，通常在用户的胸部或腹部，以监测膈肌的运动。确保设备安装位置正确，以获得准确的信号，使用膈肌运动检测装置采集膈肌运动信号。这些信号可以是肌电图(EMG)信号，记录肌肉电活动，或者其他与膈肌运动相关的生物信号，对采集到的信号进行处理，包括放大、滤波和去噪等，以获得高质量的膈肌运动数据，通过信号采集装置，获得与用户的膈肌运动相关的数据，这些数据可以包括运动的幅度、频率、时域和频域特征等。
步骤S33：通过膈肌运动信号和用户膈肌运动数据进行呼吸周期检测，生成膈肌呼吸周期数据；根据快速傅里叶变换算法对膈肌呼吸周期数据进行频谱转换，生成膈肌呼吸频谱图；对膈肌呼吸频谱图进行频域峰值分析，得到呼吸节律数据；
本发明实施例中，通过利用前述步骤S32获得的用户膈肌运动数据和膈肌运动信号。确保数据已被采样和处理，以使其适合后续的分析，使用阈值或特征提取技术来检测膈肌运动信号中的呼吸周期。这可以包括识别膈肌运动的峰值或特征点，以确定呼吸周期的起始和终止，一旦检测到呼吸周期的起始和终止，可以生成膈肌呼吸周期数据，包括呼吸周期的持续时间、频率等信息，利用前述步骤生成的呼吸周期数据，对呼吸周期数据进行快速傅里叶变换，将时域数据转换为频域数据，根据FFT变换结果，生成膈肌呼吸频谱图。频谱图显示了不同频率成分在呼吸信号中的强度，对膈肌呼吸频谱图进行分析，识别频域中的峰值。这些峰值对应于不同的呼吸频率成分，提取峰值的频率和强度信息。这些频率可以对应于不同的呼吸节律或呼吸频率，将提取的频率信息转化为呼吸节律数据，这些数据可以包括呼吸频率、呼吸深度等信息。
步骤S34：对呼吸节律数据进行呼吸阶段分类，生成呼吸阶段分类数据；根据呼吸阶段分类数据对生理性周期伪影数据进行运动伪影矫正，生成生理性周期伪影校正图像；
本发明实施例中，通过使用前一步骤S33中生成的呼吸节律数据作为输入，可以从呼吸节律数据中提取特征，例如呼吸频率、呼吸深度、呼吸持续时间等，使用适当的机器学习算法(如支持向量机、随机森林、深度学习神经网络等)进行呼吸节律数据的分类。这些算法可以将呼吸节律数据分为不同的呼吸阶段，例如深呼吸、浅呼吸、正常呼吸等，根据分类算法的结果，为每个时间段分配相应的呼吸阶段标签，生成呼吸阶段分类数据，使用呼吸阶段分类数据以及先前获取的生理性周期伪影数据，利用呼吸阶段分类数据，设计伪影校正算法。这个算法可以考虑呼吸阶段的不同特征，例如不同阶段的呼吸运动幅度和频率。校正算法的目标是将伪影数据中的呼吸相关变化消除或减小，使用伪影校正算法，对生理性周期伪影数据进行校正，生成生理性周期伪影校正图像。这些校正图像应该更准确地反映生理性信号，而不受呼吸的影响。
步骤S35：根据门控补偿机制对生理性周期伪影校正图像进行图像视角补偿，从而生成标准周期伪影校正图像。
本发明实施例中，通过使用上一步骤S34生成的生理性周期伪影校正图像作为输入数据，门控补偿机制是一种根据特定条件调整图像的方法。在这个背景下，门控补偿可以是一种根据生理性周期的特定阶段或特征来调整图像的技术，确定需要补偿的生理性周期的具体因素，例如周期的特定阶段或特定频率范围，基于选择的门控因素，设计一个补偿函数，该函数的输入是生理性周期伪影校正图像，输出是根据门控因素进行调整的图像。这可以涉及到像素级别的调整，也可以是对整个图像的变换，将设计的门控补偿函数应用于生理性周期伪影校正图像。这可以通过逐像素的处理或者应用一些图像处理技术来实现，通过应用门控补偿，生成经过视角调整的标准周期伪影校正图像。这个图像应该更符合标准化的视角，减少了来自特定生理性周期阶段的影响，调整门控补偿机制中的参数，以优化图像的质量和准确性，对生成的标准周期伪影校正图像进行评估，确保门控补偿机制在各种条件下都能有效地进行图像视角的补偿。
优选地，步骤S35包括以下步骤：
步骤S351：对生理性周期伪影校正图像进行频率分析，生成第一类运动伪影校正图像；利用快速成像技术对生理性周期伪影校正图像进行信号强度区域检测，生成第二类运动伪影校正图像；基于脉冲序列技术对第二类运动伪影校正图像进行序列脉冲处理，从而确定第三类运动伪影校正图像；
步骤S352：根据第一类运动伪影校正图像设置第一门控信号；根据第二类运动伪影校正图像设置第二门控信号；根据第三类运动伪影校正图像设置第三门控信号；
步骤S353：利用门控贡献度分析公式通过膈肌运动信号对第一门控信号、第二门控信号和第三门控信号进行贡献度计算，从而生成补偿门控因子数据；
步骤S354：通过补偿门控因子数据对第一类运动伪影校正图像进行单激发序列扫描，生成第一补偿视角；通过补偿门控因子数据对第二类运动伪影校正图像进行饱和带添加，生成第二补偿视角；根据补偿门控因子数据对第三类运动伪影校正图像进行平衡式自由稳态进动序列扫描，从而生成第三补偿视角；
步骤S355：将第一补偿视角、第二补偿视角和第三补偿视角进行视角整合，生成补偿视角数据；利用补偿视角数据对生理性周期伪影校正图像进行动态跟踪，从而生成标准生理性伪影校正图像。
本发明通过对生理性周期伪影校正图像进行频率分析，可能是使用傅里叶变换等技术，以生成与特定频率成分相关的运动伪影校正图像，使用快速成像技术检测生理性周期伪影校正图像中的信号强度区域，这可以有助于检测和识别特定类型的伪影，然后生成第二类运动伪影校正图像，在第二类运动伪影校正图像的基础上，应用脉冲序列技术，可能是一种脉冲梯度图像采集方法，以进一步确定第三类运动伪影校正图像，提高生理性周期伪影校正的准确性和效率，通过不同类型的运动伪影校正图像和门控信号，更好地区分和处理不同类型的伪影，基于贡献度分析的门控因子计算，可以提高校正的精度和适应性，生成的标准校正图像可以更准确地反映患者的生理状态，有助于图像进行伪影消除。
作为本发明的一个实例，参考图4所示，在本实例中所述步骤S35包括：
步骤S351：对生理性周期伪影校正图像进行频率分析，生成第一类运动伪影校正图像；利用快速成像技术对生理性周期伪影校正图像进行信号强度区域检测，生成第二类运动伪影校正图像；基于脉冲序列技术对第二类运动伪影校正图像进行序列脉冲处理，从而确定第三类运动伪影校正图像；
本发明实施例中，通过需要获得生理性周期伪影校正图像，这可能是医学成像(如MRI、CT扫描、超声波等)中常见的问题。这些伪影可能由于生物体内的生理运动(如呼吸、心跳等)引起。生理性周期伪影通常以一定的频率出现在图像中，对生理性周期伪影校正图像进行频率分析，这可以通过傅里叶变换或其他频域分析技术来完成。频率分析的目的是确定伪影的频率和特征，根据频率分析的结果，生成第一类运动伪影校正图像，其中第一类运动伪影校正图像可能是对于呼吸运动产生的伪影。这一步可以采用滤波或其他数字信号处理技术，以抑制或减轻频率与生理周期伪影匹配的分量，从而生成第一类运动伪影校正图像，使用快速成像技术对生理性周期伪影校正图像进行信号强度区域检测。这可能包括局部对比度增强、边缘检测或其他图像分割技术，以便更好地识别图像中的信号强度变化区域，根据信号强度区域检测的结果，生成第二类运动伪影校正图像，其中第二类运动伪影校正图像可能是对于血液流动或者大血管搏动产生的伪影。这一步的目的是准确地标记和定位生理性周期伪影的区域，基于脉冲序列技术对第二类运动伪影校正图像进行序列脉冲处理。脉冲序列技术可以是一种时间序列信号处理方法，用于进一步减轻或校正伪影。这可以包括运用特殊的脉冲序列来改善图像质量，在完成序列脉冲处理后，确定第三类运动伪影校正图像，其中第三类运动伪影校正图像可能是对于脑脊液流动产生的伪影。这张图像应该是经过全面校正的，已经尽可能地消除了生理性周期伪影。
步骤S352：根据第一类运动伪影校正图像设置第一门控信号；根据第二类运动伪影校正图像设置第二门控信号；根据第三类运动伪影校正图像设置第三门控信号；
本发明实施例中，通过根据第一类运动伪影校正图像进行设置。这可能是在步骤S351中生成的校正图像之一，用于抑制或校正与生理性周期伪影相关的成分，具体实施方式可能涉及选择特定的图像处理算法或滤波器，以识别和突出第一类运动伪影的特征，门控信号的设置可能包括确定阈值或规则，以将第一类运动伪影的区域与其他区域分离开来，根据第二类运动伪影校正图像设置第二门控信号。这是根据步骤S351中生成的另一校正图像，用于识别和标记生理性周期伪影的信号强度区域，实施方式可能包括使用图像分割技术来定位和标记第二类运动伪影的区域，第二门控信号的设置可能需要阈值或特征检测算法来确定哪些区域受到门控的影响，最后，根据第三类运动伪影校正图像设置第三门控信号。这是在步骤S351中生成的图像，经过序列脉冲处理后，应尽可能校正了伪影，实施方式可能涉及进一步的信号处理或滤波，以确保第三类运动伪影校正图像质量的最大化，第三门控信号的设置可能与第一和第二门控信号的设置相互协调，以综合考虑所有类型的伪影校正。
步骤S353：利用门控贡献度分析公式通过膈肌运动信号对第一门控信号、第二门控信号和第三门控信号进行贡献度计算，从而生成补偿门控因子数据；
本发明实施例，通过使用合适的生理监测设备(例如肌电图仪)来采集膈肌运动信号。这可以通过贴附电极或其他传感器在用户身上完成，确保膈肌运动信号与第一门控信号、第二门控信号和第三门控信号的时间同步。这可以通过时间戳或其他同步机制来实现，设计门控贡献度分析公式，该公式应考虑膈肌运动信号与每个门控信号之间的关联。这可能涉及一些数学模型或统计方法，以量化它们之间的关系，使用膈肌运动信号和门控信号的数据，应用门控贡献度分析公式来计算每个门控信号的贡献度。这可能需要在一定时间范围内对信号进行分析，根据贡献度计算结果，生成补偿门控因子数据。这些因子可以用于调整相应的门控信号，以最大程度地减少膈肌运动对图像的影响，可能需要建立反馈机制，以监测图像质量的改善情况，并根据需要调整门控因子的计算。这可以通过与医学专业人员的协作来实现，以确保调整是符合医学标准的，进行验证实验，评估补偿门控因子的效果。根据实验结果进行优化，确保门控因子的计算能够在不影响图像质量的前提下最大程度地抑制膈肌运动引起的伪影。
步骤S354：通过补偿门控因子数据对第一类运动伪影校正图像进行单激发序列扫描，生成第一补偿视角；通过补偿门控因子数据对第二类运动伪影校正图像进行饱和带添加，生成第二补偿视角；根据补偿门控因子数据对第三类运动伪影校正图像进行平衡式自由稳态进动序列扫描，从而生成第三补偿视角；
本发明实施例中，通过利用第一类运动伪影校正图像的原始数据，应用事先计算得到的补偿门控因子数据，使用单激发序列扫描技术，根据补偿门控因子数据对第一类运动伪影进行校正，生成第一补偿视角的图像，对第二类运动伪影校正图像的原始数据应用补偿门控因子数据，使用饱和带添加技术，结合补偿门控因子数据对第二类运动伪影进行校正，生成第二补偿视角的图像，利用第三类运动伪影校正图像的原始数据，根据补偿门控因子数据进行校正，使用平衡式自由稳态进动序列扫描技术，应用补偿门控因子数据对第三类运动伪影进行校正，生成第三补偿视角的图像，对生成的第一、第二、第三补偿视角的图像进行质量评估，确保伪影校正和补偿门控因子的应用不影响图像质量，需要根据实际情况调整补偿门控因子数据的参数，以达到最佳的图像校正效果。
步骤S355：将第一补偿视角、第二补偿视角和第三补偿视角进行视角整合，生成补偿视角数据；利用补偿视角数据对生理性周期伪影校正图像进行动态跟踪，从而生成标准生理性伪影校正图像。
本发明实施例中，通过将第一补偿视角、第二补偿视角和第三补偿视角的图像数据整合。这可能涉及到图像的配准、坐标系的转换等处理，以确保它们在相同的视角和空间中，利用整合后的图像数据，生成补偿视角数据。这可以通过图像融合、插值等方法来获得平滑和一致的补偿视角信息，使用生成的补偿视角数据对生理性周期伪影进行动态跟踪。这可能需要考虑生理性周期的周期性变化，比如心跳、呼吸等，以及其在不同视角下的影响，采用适当的跟踪算法，可能是基于模型的跟踪、光流法等，以确保对生理性周期伪影的准确追踪，结合动态跟踪得到的补偿视角数据，对生理性周期伪影进行校正，生成标准的生理性伪影校正图像，这可能包括对图像的相位调整、形变校正等步骤，以最小化生理性周期引起的伪影效应，对生成的标准生理性伪影校正图像进行质量评估，确保伪影校正的效果满足医学成像的要求，根据实际情况调整算法参数，优化图像质量。
优选地，步骤S353中的门控贡献度分析公式具体如下：
式中，G(t)表示为门控贡献度，t表示为时间的连续范围，通常从0到T，S1(t′)表示为第一门控信号在时间t′处的值，S2(t′)表示为第二门控信号在时间t′处的值，S3(t′)表示为第三门控信号在时间t′处的值，β1表示为第一门控信号的衰减速率系数，β2表示为第二门控信号的衰减速率系数，β3表示为第三门控信号的衰减速率系数，α1表示为第一门控信号的贡献度重要权重，α2表示为第二门控信号的贡献度重要权重，α3表示为第三门控信号的贡献度重要权重，μ表示为门控贡献度分析异常调整值。
本发明构建了一种门控贡献度分析公式，公式中的S1(t′)、S2(t′)和S3(t′)表示第一、第二和第三门控信号在时间t′处的值。通过将这些信号值与相应的权重系数α1，α2和α3相乘，可以调整每个门控信号在贡献度计算中的重要性，通过β1、β2和β3表示第一、第二和第三门控信号的衰减速率系数。衰减速率系数控制了门控信号随时间的衰减程度。通过调整这些参数，可以影响门控贡献度对不同时间点的门控信号值的敏感度，通过α1、α2和α3表示第一、第二和第三门控信号的贡献度重要权重。通过调整这些权重，可以控制每个门控信号对门控贡献度的整体贡献程度，较大的权重表示相应的门控信号对门控贡献度的贡献更重要，根据第一门控信号在时间t′处的值与以上各参数之间的相互关系构成了一种函数关系：
通过门控贡献度分析异常调整值μ，用于校正由于实际系统的复杂性和非理想性而引起的误差和偏差。它可以纠正公式中的理论假设与实际系统之间的差异，提高门控贡献度分析的准确性和可靠性，更加准确的生成门控贡献度G(t)，同时公式中的第一门控信号的衰减速率系数、第二门控信号的贡献度重要权重等参数可以根据实际情况进行调整，从而适应不同的门控贡献度分析场景，提高了算法的适用性和灵活性。该公式通过对不同门控信号的加权和衰减处理，综合考虑了门控信号在不同时间点的贡献程度，从而计算出门控贡献度。通过分析这些效果，可以获得关于门控信号的重要性和贡献度的信息，为理解系统的行为和优化门控策略提供重要参考。
优选地，步骤S4包括以下步骤：
步骤S41：通过第二反馈信号对被动运动区域数据进行周期图像采集，从而获取周期运动图像集；
步骤S42：对周期运动图像集进行图像边缘检测，生成周期运动边缘图像集；对周期运动边缘图像集进行时间戳标记，生成周期运动时间戳；
步骤S43：利用图像差异影响判别公式对周期运动边缘图像集进行图像差异值计算，得到周期运动差异影响系数；
步骤S44：根据周期运动差异影响系数和周期运动时间戳对周期运动边缘图像集进行图像筛选，从而生成高影响运动边缘图像和低影响运动边缘图像；
步骤S45：将高影响运动边缘图像和低影响运动边缘图像进行图像相减，生成运动边缘差异图像。
本发明通过第二反馈信号，系统可以针对被动运动区域数据进行周期性图像采集。这有助于捕捉周期性运动的图像数据，例如生物体内的心跳或呼吸运动。有益效果是获得周期性图像集，用于后续分析，对周期性运动图像集进行边缘检测并标记时间戳。这有助于确定图像中运动边缘的位置，并为每个图像建立时间戳以跟踪运动的时间变化。这些信息对于后续的分析和筛选是关键的，使用图像差异影响判别公式，计算周期性运动边缘图像集之间的差异值，以得到周期性运动的差异影响系数。这可以帮助系统量化运动的强度和影响程度，有助于后续的筛选和处理，根据周期性运动差异影响系数和时间戳，将周期性运动边缘图像集进行筛选，生成高影响运动边缘图像和低影响运动边缘图像。这可以帮助系统聚焦在高影响的运动边缘，以便更精确地分析和处理，将高影响运动边缘图像和低影响运动边缘图像相减，生成运动边缘差异图像。这个差异图像可能有助于可视化和分析运动的特征，以及可能的校正或处理。
本发明实施例中，通过使用摄像机或传感器来捕获被动运动区域的图像数据，采集图像的频率和持续时间根据应用的需求而定，例如，每秒采集多少帧图像，对于视频数据，可能需要进行图像帧的提取和存储，以便后续分析，周期性运动图像集需要经过边缘检测和时间戳标记。具体步骤可能包括：使用图像处理算法(如Sobel、Canny、Laplacian等)对每个周期性运动图像进行边缘检测，以突出图像中的边缘结构；对每个处理后的图像，为了跟踪时间，需要记录采集时间戳，以便后续的时间分析。这通常是以毫秒或微秒为单位的时间戳。对于每一对相邻的周期性运动边缘图像，使用特定的图像差异计算方法来计算它们之间的差异，图像差异计算可以包括计算像素级别的差异、使用特定的相似性指标(如结构相似性指数-SSIM)等，差异值的计算可以帮助量化图像之间的运动差异，这对于后续步骤非常重要，基于差异影响系数和时间戳，定义一个阈值，以将图像分为高影响和低影响两类，高影响运动边缘图像可能包含那些具有显著运动差异的图像，而低影响图像则包含较小变化的图像，这一步的目的是降低后续处理的计算复杂性，只专注于高影响的图像，对每个高影响和低影响运动边缘图像进行像素级别的相减操作，结果是一个运动边缘差异图像，其中反映了高影响运动边缘图像相对于低影响图像的运动差异，这个差异图像可能包含了与周期性运动有关的重要信息，可以用于进一步的分析或可视化。
优选地，步骤S43中的图像差异影响判别公式具体如下：
式中，D表示为图像差异影响系数，G表示为周期运动的时间范围，N表示为边缘图像集中图像数量，Ii(x,y)表示为第i张图像在坐标(x,y)处的像素值，M表示为边缘图像集中梯度模值的数量，P表示为边缘图像集中时间偏导数的数量，Bk表示为时间偏导数的权重系数，表示为第k个图像在坐标(x,y)处的时间偏导数，dg表示为积分的时间变量，ω表示为图像差异影响判别异常修正量。
本发明构建了一种图像差异影响判别公式，公式中的第一项衡量了边缘图像集中每张图像的二阶空间导数的绝对值之和的平均。它反映了图像边缘的曲率变化情况，用于捕捉图像边缘的纹理和形状差异，公式中的第二项/>衡量了边缘图像集中每张图像的时间偏导数的加权平均，它用于描述边缘图像在时间维度上的变化趋势，根据第i张图像在坐标(x,y)处的像素值与以上各参数之间的相互关系构成了一种函数关系：
边缘图像集中的图像数量N和梯度模值的数量M可以控制对图像差异的采样和分辨率。增加图像数量和梯度模值的数量可以更全面地捕捉边缘图像的特征，提高差异评估的准确性，时间偏导数的数量P和权重系数Bk可以调整对时间变化的敏感度。通过选择适当数量和权重的时间偏导数，可以更好地捕捉周期运动边缘图像的动态变化，时间范围G和积分的时间变量dg用于定义积分的范围和步长，影响了对时间维度的积分求和的精度和覆盖范围，通过图像差异影响判别异常修正量ω，可以用于校正和调整差异评估的结果，以适应特定应用场景的需求，提高图像差异影响判别的准确性和可靠性，更加准确的生成图像差异影响系数D，同时公式中的时间偏导数的权重系数、边缘图像集中时间偏导数的数量等参数可以根据实际情况进行调整，从而适应不同的图像差异影响判别场景，提高了算法的适用性和灵活性。通过调整参数和公式的组合，该图像差异影响判别公式可以量化周期运动边缘图像集的差异程度，并通过对图像差异系数的计算，提供对图像差异的定量评估，这有助于理解和分析周期运动边缘的特征变化，并在各种应用中提供有益的图像处理和分析结果。
优选地，步骤S5包括以下步骤：
步骤S51：根据运动边缘差异图像进行视角锁定，生成第一锁定视角；
步骤S52：对运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据；通过支持向量机算法对边缘像素分辨率数据进行模型训练，生成运动伪影纠正模型；
步骤S53：将运动边缘差异图像输入至运动伪影纠正模型中进行图像伪影纠正，生成伪影纠正图像；将伪影纠正图像和运动边缘差异图像进行图像重合，生成运动纠正重合图像；基于运动纠正重合图像进行视角锁定，生成第二锁定视角；
步骤S54：通过第一锁定视角和第二锁定视角进行视角移动路径确认，生成移动视角路径数据；根据移动视角路径数据对运动边缘差异图像进行局部掩膜，从而生成标准非生理性伪影校正图像。
本发明通过对运动边缘差异图像进行视角锁定，生成第一锁定视角。这个步骤的目的是确保对图像的特定部分进行准确的观察和处理，将运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据。随后，通过支持向量机(SVM)算法对边缘像素分辨率数据进行模型训练，从而生成运动伪影纠正模型。这一步骤涉及到图像分辨率的处理和机器学习模型的训练，目的是根据像素级别的数据来建立一个运动伪影的纠正模型，将运动边缘差异图像输入至运动伪影纠正模型中进行图像伪影纠正，生成伪影纠正图像。然后，将伪影纠正图像和运动边缘差异图像进行图像重合，生成运动纠正重合图像。接着，基于运动纠正重合图像进行视角锁定，生成第二锁定视角。这个步骤涉及到对图像进行多次处理，以消除或减弱伪影，并确保图像的质量，通过第一锁定视角和第二锁定视角进行视角移动路径确认，生成移动视角路径数据。然后，根据移动视角路径数据对运动边缘差异图像进行局部掩膜，从而生成标准非生理性伪影校正图像。这一步骤涉及到对图像进行路径确认和局部掩膜操作，以最终生成标准的、无生理性伪影的校正图像，从而提升图像的质量和准确性。
本发明实施例中，通过获取运动边缘差异图像，可能是通过摄像头捕捉或者其他传感器获取。对图像进行预处理，如去噪、平滑等，使用图像处理技术，提取运动边缘的特征。这可能包括使用边缘检测算法，如Canny边缘检测，通过分析运动边缘差异，确定第一锁定视角。这可能涉及到计算视角的偏移或者旋转，以最大程度地减小边缘差异，生成第一锁定视角，对运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据，使用支持向量机(SVM)算法，对边缘像素分辨率数据进行训练，生成运动伪影纠正模型。这可能包括特征选择、数据标注、模型训练等步骤，生成运动伪影纠正模型，将运动边缘差异图像输入运动伪影纠正模型中，进行图像伪影纠正。这可能是一个基于机器学习模型的图像处理过程，将伪影纠正图像和原始运动边缘差异图像进行重合，生成运动纠正重合图像，基于运动纠正重合图像进行视角锁定，生成第二锁定视角。这可能涉及到对图像特征的进一步分析，通过对第一锁定视角和第二锁定视角进行分析，确认视角的移动路径，根据确认的移动路径，生成移动视角路径数据，根据移动视角路径数据，对运动边缘差异图像进行局部掩膜操作，通过局部掩膜操作，生成标准非生理性伪影校正图像。
优选地，步骤S6包括以下步骤：
步骤S61：将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，生成伪影融合校正图像；
步骤S62：通过云计算节点对伪影融合校正图像进行并行任务分布，生成并行任务分布节点；利用HTTP协议对并行任务分布节点进行数据传递，生成用户磁共振影像图像。
本发明通过标准生理性伪影校正图像和标准非生理性伪影校正图像被融合，以生成伪影融合校正图像。多模态图像融合可以采用各种技术，如图像融合算法、深度学习模型等。这一步骤的目的是将两种不同校正方式的图像信息合并，以提高图像质量和信息的准确性，云计算节点是用于处理大规模数据和执行计算密集型任务的计算资源。在这个步骤中，伪影融合校正图像将被传输到云计算节点上进行处理，云计算节点可以并行处理多个任务，这有助于提高处理效率和速度。在这个步骤中，伪影融合校正图像可能被切分成多个子任务，并分发到多个云计算节点上并行处理。这可以通过任务调度和并行计算框架来实现，HTTP协议通常用于在互联网上传输数据。在这里，伪影融合校正图像和任务数据可以通过HTTP协议在不同的计算节点之间传递。这确保了数据的可靠传输和通信，一旦所有子任务在云计算节点上完成处理，它们的结果可以被收集和合并，生成最终的用户磁共振影像图像。这个图像可能是包含了多模态信息的，经过伪影校正和融合的高质量图像，使用云计算节点和并行任务分布可以显著提高数据处理速度，特别是对于大规模图像数据，多模态图像融合可以提高图像质量，减少伪影，并提供更准确的医学诊断信息，使用HTTP协议进行数据传递可确保数据的安全传输和接收。
本发明实施例中，通过获取标准生理性伪影校正图像和标准非生理性伪影校正图像。这些图像通常以数字形式存储在计算机系统中，将两种不同的伪影校正图像进行图像注册，以确保它们具有相同的空间坐标系。这可以使用图像处理软件和算法来完成，采用适当的图像融合算法，将已注册的生理性和非生理性伪影校正图像合并成伪影融合校正图像。这可以是像素级融合，基于权重的融合或深度学习方法，具体取决于应用需求和图像性质，保存伪影融合校正图像以供后续处理使用，建立云计算环境，包括云计算节点的配置和设置。这些节点可以是虚拟机实例或物理服务器，具体根据计算需求和可扩展性决定，将伪影融合校正图像划分为多个子任务。每个子任务都包含对图像的一部分处理。使用并行计算框架(如Apache Spark或Hadoop)来分发这些任务到不同的云计算节点上，通过HTTP协议将图像数据传输到各个云计算节点。这可以通过HTTP POST或PUT请求来实现，确保数据的可靠传递和安全性，每个云计算节点接收到任务后，执行伪影融合校正图像的处理。这些节点可以同时处理多个子任务，以提高处理速度，云计算节点将处理后的数据存储在适当的存储位置，并将处理结果返回给主控制节点，主控制节点收集来自各个云计算节点的处理结果，并将它们合并以生成用户磁共振影像图像。这个图像是包含了多模态信息的高质量图像，已经完成了伪影校正和融合。
本发明的有益效果在于通过分析用户的运动数据，识别了图像中的周期性运动和非周期性运动。这有助于消除或减轻由用户运动而引入的伪影，从而提高了图像的质量和准确性，将用户的三维区域数据与实时反馈信号结合使用，以测量伪影间距并生成生理性周期伪影图像。同时，通过图像层级分离生成非生理性周期伪影图像。这有助于区分和校正不同类型的伪影，从而提高了影像的质量，利用第一反馈信号对呼吸阶段进行分类，并应用门控补偿机制进行视角补偿，生成标准周期伪影校正图像。这有助于减轻由于呼吸运动引入的伪影，提高图像的清晰度和可读性。通过第二反馈信号进行运动边缘检测，并利用图像差异值计算和图像相减来生成运动边缘差异图像。这有助于识别和纠正图像中的运动伪影，提高图像的质量。根据运动边缘差异图像生成锁定视角，并应用像素分辨率解析和支持向量机算法进行运动纠正。通过局部掩膜，可以生成标准非生理性伪影校正图像，进一步提高了图像的质量。将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合。这可以提供更全面的信息，改善图像质量和可视化效果。通过HTTP协议，最终生成的伪影融合校正图像可以传递给用户，这有助于获得高质量的磁共振影像。因此，本发明通过实时反馈、周期性特征分析、视角补偿、伪影纠正等多技术综合处理不同类型的运动伪影，提高了磁共振影像的质量和可靠性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，包括以下步骤：
步骤S1：获取初始磁共振图像和用户运动数据；利用用户运动数据对初始磁共振图像进行运动周期性特征分析，生成用户运动时间序列数据；将用户运动时间序列数据与预设的标准时间序列进行对比，生成周期运动数据和非周期运动数据；基于周期运动数据和非周期运动数据进行反馈信号生成，得到实时运动反馈信号；
步骤S2：通过三维建模技术对用户运动数据和运动增强图像进行模型区域分割，生成用户人体三维区域数据；利用实时反馈信号对用户人体三维区域数据进行伪影间距测量，生成生理性周期伪影图像；对用户人体三维区域数据进行图像层级分离，生成条纹状影层级数据；将条纹状影层级数据与预设的标准层级进行对比，生成非生理性周期伪影图像；
步骤S3：根据实时运动反馈信号对生理性周期伪影图像和非生理性周期伪影图像进行信号标记，生成第一反馈信号和第二反馈信号；基于第一反馈信号对自主运动区域数据进行呼吸阶段分类，生成呼吸阶段分类数据；根据门控补偿机制对呼吸阶段分类数据进行图像视角补偿，从而生成标准周期伪影校正图像；
步骤S4：通过第二反馈信号对被动运动区域数据进行图像边缘检测，生成周期运动边缘图像集和周期运动时间戳；对周期运动边缘图像集进行图像差异值计算，得到周期运动差异影响系数；根据周期运动差异影响系数和周期运动时间戳对周期运动边缘图像集进行图像相减，生成运动边缘差异图像；
步骤S5：根据运动边缘差异图像进行视角锁定，生成第一锁定视角；对运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据；通过支持向量机算法对边缘像素分辨率数据进行模型预测，运动纠正重合图像；基于运动纠正重合图像进行视角锁定，生成第二锁定视角；根据第一锁定视角和第二锁定视角对运动边缘差异图像进行局部掩膜，从而生成标准非生理性伪影校正图像；
步骤S6：将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，生成伪影融合校正图像；利用HTTP协议对伪影融合校正图像进行数据传递，生成用户磁共振影像图像。
2.根据权利要求1所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S1包括以下步骤：
步骤S11：利用图像采集设备获取初始磁共振图像；利用运动检测传感器获取用户运动数据；
步骤S12：基于数字信号处理技术对用户运动数据进行数据去噪，生成用户运动去噪数据；对用户运动去噪数据进行高斯滤波，生成用户运动滤波数据；根据最大-最小标准化方法对用户运动滤波数据进行数据标准化，生成用户运动标准数据；
步骤S13：根据用户运动标准数据对初始磁共振图像进行运动反馈，生成运动反馈图像；对运动反馈图像进行图像增强，生成运动增强图像；
步骤S14：通过信号处理方法对运动增强图像和用户运动标准数据进行运动周期性特征分析，生成用户运动周期变化图；对用户运动周期变化图进行时间序列变化特征提取，得到用户运动时间序列数据；将用户运动时间序列数据与预设的标准时间序列进行对比，当用户运动时间序列数据大于或等于标准时间序列，则标记为周期运动数据；当用户运动时间序列数据小于标准时间序列时，则标记为非周期运动数据；
步骤S15：根据周期运动数据和非周期运动数据进行用户运动轨迹构建，生成用户运动轨迹数据；基于用户运动轨迹数据和用户运动周期变化图进行反馈信号生成，从而得到实时运动反馈信号。
3.根据权利要求2所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S2包括以下步骤：
步骤S21：通过三维建模技术对用户运动数据和运动增强图像进行三维建模，生成用户人体三维模型；基于实时运动反馈信号对用户人体三维模型进行模型区域分割，生成用户人体三维区域数据，其中用户人体三维区域数据包括自主运动区域数据和被动运动区域数据；
步骤S22：利用实时反馈信号对自主运动区域数据和被动运动区域数据进行相位编码方向分析，生成运动相位编码方向数据；
步骤S23：对运动相位编码方向数据进行伪影间距测量，得到运动伪影间距数据；对运动伪影间距数据进行间距测量，得到伪影间距测量数据；对伪影间距测量数据进行数据对比，当伪影间距测量数据相等时，则生成生理性周期伪影图像；
步骤S24：根据运动相位编码方向数据对用户人体三维区域数据进行伪影层级分割，生成条纹状影图像；对条纹状影图像进行图像层级分离，生成条纹状影层级数据；将条纹状影层级数据与预设的标准层级进行对比，当条纹状影层级数据大于或等于标准层级时，则生成非生理性周期伪影图像；当条纹状影层级数据小于标准层级时，则对条纹状影图像进行剔除。
4.根据权利要求3所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S3包括以下步骤：
步骤S31：根据实时运动反馈信号对生理性周期伪影图像和非生理性周期伪影图像进行信号标记，生成第一反馈信号和第二反馈信号；
步骤S32：基于第一反馈信号对自主运动区域数据进行压敏检测，生成用户膈肌运动数据；利用膈肌运动检测装置进行运动信号采集，从而获得膈肌运动信号；
步骤S33：通过膈肌运动信号和用户膈肌运动数据进行呼吸周期检测，生成膈肌呼吸周期数据；根据快速傅里叶变换算法对膈肌呼吸周期数据进行频谱转换，生成膈肌呼吸频谱图；对膈肌呼吸频谱图进行频域峰值分析，得到呼吸节律数据；
步骤S34：对呼吸节律数据进行呼吸阶段分类，生成呼吸阶段分类数据；根据呼吸阶段分类数据对生理性周期伪影数据进行运动伪影矫正，生成生理性周期伪影校正图像；
步骤S35：根据门控补偿机制对生理性周期伪影校正图像进行图像视角补偿，从而生成标准周期伪影校正图像。
5.根据权利要求4所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S35包括以下步骤：
步骤S351：对生理性周期伪影校正图像进行频率分析，生成第一类运动伪影校正图像；利用快速成像技术对生理性周期伪影校正图像进行信号强度区域检测，生成第二类运动伪影校正图像；基于脉冲序列技术对第二类运动伪影校正图像进行序列脉冲处理，从而确定第三类运动伪影校正图像；
步骤S352：根据第一类运动伪影校正图像设置第一门控信号；根据第二类运动伪影校正图像设置第二门控信号；根据第三类运动伪影校正图像设置第三门控信号；
步骤S353：利用门控贡献度分析公式通过膈肌运动信号对第一门控信号、第二门控信号和第三门控信号进行贡献度计算，从而生成补偿门控因子数据；
步骤S354：通过补偿门控因子数据对第一类运动伪影校正图像进行单激发序列扫描，生成第一补偿视角；通过补偿门控因子数据对第二类运动伪影校正图像进行饱和带添加，生成第二补偿视角；根据补偿门控因子数据对第三类运动伪影校正图像进行平衡式自由稳态进动序列扫描，从而生成第三补偿视角；
步骤S355：将第一补偿视角、第二补偿视角和第三补偿视角进行视角整合，生成补偿视角数据；利用补偿视角数据对生理性周期伪影校正图像进行动态跟踪，从而生成标准生理性伪影校正图像。
6.根据权利要求5所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S353中的门控贡献度分析公式如下所示：
式中，/>表示为门控贡献度，/>表示为时间的连续范围，通常从0到/>，/>表示为第一门控信号在时间/>处的值，/>表示为第二门控信号在时间/>处的值，/>表示为第三门控信号在时间/>处的值，/>表示为第一门控信号的衰减速率系数，/>表示为第二门控信号的衰减速率系数，/>表示为第三门控信号的衰减速率系数，/>表示为第一门控信号的贡献度重要权重，/>表示为第二门控信号的贡献度重要权重，/>表示为第三门控信号的贡献度重要权重，/>表示为门控贡献度分析异常调整值。
7.根据权利要求6所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S4包括以下步骤：
步骤S41：通过第二反馈信号对被动运动区域数据进行周期图像采集，从而获取周期运动图像集；
步骤S42：对周期运动图像集进行图像边缘检测，生成周期运动边缘图像集；对周期运动边缘图像集进行时间戳标记，生成周期运动时间戳；
步骤S43：利用图像差异影响判别公式对周期运动边缘图像集进行图像差异值计算，得到周期运动差异影响系数；
步骤S44：根据周期运动差异影响系数和周期运动时间戳对周期运动边缘图像集进行图像筛选，从而生成高影响运动边缘图像和低影响运动边缘图像；
步骤S45：将高影响运动边缘图像和低影响运动边缘图像进行图像相减，生成运动边缘差异图像。
8.根据权利要求7所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S43中的图像差异影响判别公式如下所示：
式中，/>表示为图像差异影响系数，/>表示为周期运动的时间范围，/>表示为边缘图像集中图像数量，/>表示为第/>张图像在坐标/>处的像素值，/>表示为边缘图像集中梯度模值的数量，/>表示为边缘图像集中时间偏导数的数量，/>表示为时间偏导数的权重系数，/>表示为第/>个图像在坐标/>处的时间偏导数，/>表示为积分的时间变量，/>表示为图像差异影响判别异常修正量。
9.根据权利要求7所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S5包括以下步骤：
步骤S51：根据运动边缘差异图像进行视角锁定，生成第一锁定视角；
步骤S52：对运动边缘差异图像进行像素点分辨率解析，得到边缘像素分辨率数据；通过支持向量机算法对边缘像素分辨率数据进行模型训练，生成运动伪影纠正模型；
步骤S53：将运动边缘差异图像输入至运动伪影纠正模型中进行图像伪影纠正，生成伪影纠正图像；将伪影纠正图像和运动边缘差异图像进行图像重合，生成运动纠正重合图像；基于运动纠正重合图像进行视角锁定，生成第二锁定视角；
步骤S54：通过第一锁定视角和第二锁定视角进行视角移动路径确认，生成移动视角路径数据；根据移动视角路径数据对运动边缘差异图像进行局部掩膜，从而生成标准非生理性伪影校正图像。
10.根据权利要求9所述的基于动态跟踪技术免除运动伪影的磁共振影像生成方法，其特征在于，步骤S6包括以下步骤：
步骤S61：将标准生理性伪影校正图像和标准非生理性伪影校正图像进行多模态图像融合，生成伪影融合校正图像；
步骤S62：通过云计算节点对伪影融合校正图像进行并行任务分布，生成并行任务分布节点；利用HTTP协议对并行任务分布节点进行数据传递，生成用户磁共振影像图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311297285.5A CN117192458B (zh) | 2023-10-09 | 2023-10-09 | 基于动态跟踪技术免除运动伪影的磁共振影像生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311297285.5A CN117192458B (zh) | 2023-10-09 | 2023-10-09 | 基于动态跟踪技术免除运动伪影的磁共振影像生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117192458A CN117192458A (zh) | 2023-12-08 |
| CN117192458B true CN117192458B (zh) | 2024-03-26 |
Family
ID=88983424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311297285.5A Active CN117192458B (zh) | 2023-10-09 | 2023-10-09 | 基于动态跟踪技术免除运动伪影的磁共振影像生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117192458B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119205820B (zh) * | 2024-10-25 | 2025-03-07 | 东莞市松山湖中心医院 | 卵巢组织分析的卵泡区域图像分割方法 |
| CN120198420B (zh) * | 2025-05-23 | 2025-08-01 | 大连智驱科技有限公司 | 一种用于精神疾病检查的核磁共振图像分析处理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101600473A (zh) * | 2007-02-07 | 2009-12-09 | 皇家飞利浦电子股份有限公司 | 定量数据分析中的运动补偿及治疗 |
| CN103315739A (zh) * | 2013-05-22 | 2013-09-25 | 华东师范大学 | 基于动态跟踪技术免除运动伪影的磁共振影像方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11175366B2 (en) * | 2019-02-05 | 2021-11-16 | Siemens Healthcare Gmbh | Free-breathing MRI with motion compensation |
-
2023
- 2023-10-09 CN CN202311297285.5A patent/CN117192458B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101600473A (zh) * | 2007-02-07 | 2009-12-09 | 皇家飞利浦电子股份有限公司 | 定量数据分析中的运动补偿及治疗 |
| CN103315739A (zh) * | 2013-05-22 | 2013-09-25 | 华东师范大学 | 基于动态跟踪技术免除运动伪影的磁共振影像方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117192458A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117192458B (zh) | 基于动态跟踪技术免除运动伪影的磁共振影像生成方法 | |
| EP4213705B1 (en) | Motion-compensated laser speckle contrast imaging | |
| Tasli et al. | Remote PPG based vital sign measurement using adaptive facial regions | |
| US9665935B2 (en) | Image processing device and program | |
| EP3057487B1 (en) | Device and method for obtaining a vital sign of a subject | |
| RU2625947C2 (ru) | Устройство и способ для извлечения информации из дистанционно обнаруживаемых характеристических сигналов | |
| JP6772908B2 (ja) | 動態解析システム及びプログラム | |
| Datcu et al. | Noncontact automatic heart rate analysis in visible spectrum by specific face regions | |
| JP5828649B2 (ja) | 画像処理装置、画像処理方法、及びコンピュータプログラム | |
| JP7099542B2 (ja) | 脈拍推定装置、脈拍推定方法、及びプログラム | |
| CN108471967B (zh) | 用于测量提取的信号的质量的装置和方法 | |
| JP7266599B2 (ja) | 患者の身体運動を検知するためのデバイス、システム及び方法 | |
| Rahman et al. | Non-contact heart vibration measurement using computer vision-based seismocardiography | |
| CN117036310A (zh) | 一种dicom影像外围轮廓的识别提取方法 | |
| CN118717107A (zh) | 一种局部脑组织血氧饱和度的检测方法 | |
| Centonze et al. | Feature extraction using MS Kinect and data fusion in analysis of sleep disorders | |
| EP3405098B1 (en) | Signal processing method and apparatus | |
| JP2009172190A (ja) | 画像生成装置、プログラム、画像生成方法 | |
| US20250040894A1 (en) | Personalized chest acceleration derived prediction of cardiovascular abnormalities using deep learning | |
| Christodoulou et al. | AI-enhanced healthcare IoT system: advanced ML detection and classification algorithms for real-time cardiovascular monitoring | |
| JP5051025B2 (ja) | 画像生成装置、プログラム、および画像生成方法 | |
| CN116869516A (zh) | 一种基于多源异构数据的综合运动评估方法及系统 | |
| CN119136734A (zh) | 运动补偿的激光散斑对比成像 | |
| CN109643459A (zh) | 用于从pet图像中检测总头部运动的数据分析的系统和方法 | |
| JP2016171961A (ja) | 画像処理装置、画像処理方法、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |