[發明專利]基于深度卷積神經網絡的磁共振成像方法

有效

• 申請號: 201811388227.2
• 申請日: 2018-11-21
• 公開（公告）號: CN109350061B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 許林;蔣濤;劉甲甲;袁建英;謝昱銳;熊良
• 申請（專利權）人: 成都信息工程大學
• 主分類號: A61B5/055
• 分類號: A61B5/055
• 代理公司: 北京元本知識產權代理事務所(普通合伙) 11308
• 代理人: 常桑

本發明屬于磁共振成像技術領域，公開了一種基于深度卷積神經網絡的磁共振成像方法；通過K空間中間區域全采樣而周圍隨機降采樣，對全采樣區域通過算法多次隨機降采樣采集訓練樣本來訓練卷積神經網絡自編碼器，利用訓練好的卷積神經網絡自編碼器模型重建周圍降采樣的K空間數據；最后利用反傅里葉變換得到圖像并通過去除算法去除噪聲；通過本發明，解決了相關技術中需要大量訓練圖像的問題，進而達到了提高磁共振成像速度的效果。本發明通過深度卷積網絡在K空間進行數據的訓練，并在隨機降采樣區域完成數據的恢復，從而完成磁共振成像的加速掃描和重建。

技術領域

本發明屬于磁共振成像技術領域，尤其涉及一種基于深度卷積神經網絡的磁共振成像方法。

背景技術

目前，業內常用的現有技術是這樣的：磁共振成像(Magnetic resonanceimaging,MRI)由于其無電離輻射，豐富的組織對比度信息，以及非入侵式的檢測等優點，已廣泛應用于臨床醫學影像檢查。受傅里葉編碼方式和奈奎斯特采樣定理的限制，磁共振成像需要較長的掃描時間，不但給患者帶來一定的不適，而且在重建的圖像容易產生運動偽影。同時，過長的掃描時間限制了MRI對運動物體的成像，如血流，心臟等。經過近幾十年的發展，依靠提高硬件性能，如梯度切換率和磁場強度等，加速采集的方式受制于人類神經對磁場變換的承受能力而無進一步提升的余地。近來，深度學習方法在圖像識別，分割等方向取得顯著成果。由于深度學習方法往往需要巨大的訓練數據來完成模型的訓練。而對于醫學圖像處理，受制于患者隱私、部分病例罕見等問題的原因，很難搜集到大量合理分布的訓練樣本。因此，深度學習在醫學圖像，特別是在磁共振成像方面尚未有明顯突破。

綜上所述，現有技術存在的問題是：當前磁共振成像時間較長，通過深度學習方法在圖像域進行重建能有效減少成像時間，但需要巨大的訓練數據完成模型的訓練；對于醫學圖像處理，受制于患者隱私等問題的原因，很難完成大量訓練樣本的搜集。

解決上述技術問題的難度和意義：若能提出無需大量訓練樣本的深度學習磁共振成像方法，便能讓深度學習更好地在磁共振成像上獲得應用，從而提高磁共振成像速度，加快磁共振設備應用效率，進一步減輕患者經濟和心理負擔。

發明內容

針對現有技術存在的問題，本發明提供了一種基于深度卷積神經網絡的磁共振成像方法、圖像識別系統。

本發明是這樣實現的，一種基于深度卷積神經網絡的磁共振成像方法統，所述基于深度卷積神經網絡的磁共振成像方法首先通過K空間中間區域全采樣而周圍隨機降采樣；然后對全采樣區域通過算法多次隨機降采樣采集訓練樣本來訓練卷積神經網絡自編碼器；利用訓練好的卷積神經網絡自編碼器模型重建周圍降采樣的K空間數據；最后利用反傅里葉變換得到圖像并通過去除算法去除噪聲。

進一步，所述基于深度卷積神經網絡的磁共振成像方法包括：

(1)通過對磁共振K空間中間區域全采樣而周圍區域隨機降采樣以減少采樣時間；

(2)對K空間中間全采樣數據，通過算法進行偽隨機降采樣；

(3)對于未采集到的K空間點置0；

(4)在偽隨機采樣后的K空間中取大小為M*N的窗口數據，作為訓練樣本的輸入；其對應的偽隨機采樣前的數據為訓練樣本的輸出；

(5)多次重復偽隨機采樣，得到充足的訓練樣本；

(6)利用卷積神經網絡自編碼器進行模型訓練；

(7)利用訓練好的模型對周圍降采樣的K空間數據進行重建；

(8)通過快速傅里葉反變換得到圖像；

(9)通過去噪算法去除圖像中的噪聲。

進一步，所述基于深度卷積神經網絡的磁共振成像方法通過對磁共振K空間中間區域全采樣而周圍區域隨機降采樣。