[發明專利]基于人工智能的肺部多核MRI雙域超分辨率重建方法

在審

• 申請號: 202111371902.2
• 申請日: 2021-11-18
• 公開（公告）號: CN114140404A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 周欣;肖灑;李梓萌;王成;孫獻平;葉朝輝
• 申請（專利權）人: 中國科學院精密測量科學與技術創新研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T3/40;G06N3/08;G06N3/04;A61B5/055;A61B5/00
• 代理公司: 武漢宇晨專利事務所(普通合伙) 42001
• 代理人: 李鵬

1.基于人工智能的肺部多核MRI雙域超分辨率重建方法，其特征在于，包括以下步驟：

步驟1、構建訓練集和測試集，訓練集和測試集均包括多個樣本對，樣本對包括多核高分辨率k空間數據和對應的多核低分辨率k空間數據，將訓練集中多核高分辨率k空間數據做傅里葉逆變換得到多核高分辨率圖像，再將多核高分辨率圖像取最大值，得到多核高分辨率融合圖像；

步驟2、構建k空間重建網絡；

步驟3、將步驟1生成的訓練集中多核低分辨率k空間數據輸入到步驟2構建的k空間重建網絡中得到重建多核k空間數據；

步驟4、構建圖像域重建網絡；

步驟5、將步驟3得到的重建多核k空間數據進行二維傅里葉反變換得到多核圖像域數據，再將再將多核圖像域數據取最大值，得到多核融合數據，將多核圖像域數據及多核融合數據輸入到步驟4構建的圖像域重建網絡中得到超分辨率多核重建圖像及超分辨率多核融合圖像I_A，再將超分辨率多核重建圖像取最大值進行融合，得到融合的超分辨率多核重建圖像I_B；

步驟6、定義損失函數；

步驟7、根據步驟6設定的損失函數，利用步驟1生成的訓練集對步驟2中的k空間重建網絡及步驟4中的圖像域重建網絡進行整體訓練，訓練完成后保存模型參數。

2.根據權利要求1所述的基于人工智能的肺部多核MRI雙域超分辨率重建方法，其特征在于，所述的步驟2包括以下步驟：

k空間重建網絡包括級聯的多個復值卷積層、多個ReLu激活層、一個上采樣模塊和一個k空間數據一致層，

k空間重建網絡中的上采樣模塊包括上采樣層和復值卷積層，

k空間重建網絡的輸入通道數為多核k空間數據中核的數目，

k空間數據一致層的映射函數f(KDC)由下式表示：

f(KDC)＝k_r×(1-mask1)+k_u

其中，k_r為k空間重建網絡中上采樣模塊輸出的k空間數據，k_u為k空間重建網絡輸入的多核低分辨率k空間數據，mask1是中心區域數值為1，其余數值均為0的矩陣。

3.根據權利要求2所述的基于人工智能的肺部多核MRI雙域超分辨率重建方法，其特征在于，所述的步驟4中圖像域重建網絡包括級聯的多個殘差模塊、多個復值卷積模塊、一個上采樣模塊和一個圖像域數據一致層，

殘差模塊包括多個復值卷積層及ReLu激活層，

圖像域重建網絡中的上采樣模塊包括一個上采樣層和復值卷積層，

圖像域數據一致層的映射函數f(IDC)由下式表示：

f(IDC)＝IFFT2(FFT2(I_r)×(1-mask2)+k_l)

其中，FFT2和IFFT2分別代表二維傅里葉變換和二維傅里葉反變換，I_r為圖像域重建網絡的上采樣模塊輸出的圖像，k_l為步驟3中的重建多核k空間數據，Mask2是尺寸與步驟1中多核高分辨率圖像尺寸相同的矩陣，中心區域的數值為1，其余數值均為0。

4.根據權利要求1所述的基于人工智能的肺部多核MRI雙域超分辨率重建方法，其特征在于，所述的步驟6中損失函數為以下五部分的任意組合，上述五部分分別為：步驟3中的重建多核k空間數據與步驟1中對應的多核高分辨率k空間數據之間的均方誤差損失；步驟5中得到的超分辨率多核重建圖像與步驟1中對應的多核高分辨率圖像的平均絕對誤差損失；步驟5中圖像域重建網絡輸出的超分辨率多核融合圖像I_A與步驟1中對應的多核高分辨率融合圖像之間的L1損失；步驟5中圖像域重建網絡輸出的超分辨率多核融合圖像I_A與步驟5中融合的超分辨率多核重建圖像I_B之間的L1損失；步驟1中對應的多核高分辨率融合圖像與步驟5中融合的超分辨率多核重建圖像I_B之間的L1損失。