[發(fā)明專利]基于跨域網(wǎng)絡(luò)的磁共振成像降采樣和重建方法

有效

• 申請?zhí)枺?/td>: 202210176538.2
• 申請日: 2022-02-25
• 公開（公告）號: CN114581550B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 白瑞良;程昭瑋;金心宇
• 申請（專利權(quán)）人: 浙江大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T5/10;G06N3/0464;G06N3/047;G06N3/045;G06N3/084
• 代理公司: 杭州天勤知識產(chǎn)權(quán)代理有限公司 33224
• 代理人: 白靜蘭

本發(fā)明公開了基于跨域網(wǎng)絡(luò)的磁共振成像降采樣軌跡及重建網(wǎng)絡(luò)方法，其特征在于，所述方法包括：獲取頭部MR圖像，經(jīng)過預處理后，通過傅里葉變換得到仿真全采樣k空間數(shù)據(jù)；將仿真全采樣k空間數(shù)據(jù)的實部和虛部進行分離。獨立保存在兩個同維度的矩陣中，然后合并為兩個通道作為跨域網(wǎng)絡(luò)的輸入；構(gòu)建跨域網(wǎng)絡(luò)，包括降采樣層、逆傅里葉變換層和空間域重建層，概率化降采樣層模擬降采樣軌跡；逆傅里葉變換層將降采樣后的k空間數(shù)據(jù)重建得到MR圖像；空間域重建網(wǎng)絡(luò)將模糊的MR圖像重建恢復出細節(jié)內(nèi)容；輸入進行訓練，得到訓練完成后的跨域網(wǎng)絡(luò)；使用訓練完成后的跨域網(wǎng)絡(luò)對頭部MR圖像進行采集和重建。該方法可以有效提升磁共振成像的重建效果。

技術(shù)領(lǐng)域

本發(fā)明屬于磁共振成像的技術(shù)領(lǐng)域，特別涉及基于跨域網(wǎng)絡(luò)的磁共振成像降采樣和重建。

背景技術(shù)

主流的基于深度學習的MR圖像重建方法均是研究如何設(shè)計復雜的神經(jīng)網(wǎng)絡(luò)，從而實現(xiàn)預期的重建圖像質(zhì)量的提升或完整的逆傅里葉(Fourier)變換的功能。它們只是利用已經(jīng)欠采樣的k空間數(shù)據(jù)或欠采樣的MR圖像，作為模型的輸入，而忽略了優(yōu)化降采樣軌跡(undersampled?trajectory)的重要性。降采樣軌跡是實現(xiàn)快速磁共振成像MRI并且保證高質(zhì)量重建的關(guān)鍵因素。降采樣的稀疏性決定了加速程度，例如，10％的降采樣比例對應10倍加速，20％的降采樣比例對應5倍加速。一般來說，MRI降采樣只發(fā)生在相位編碼維度上，不存在于頻率編碼維度。對于二維磁共振成像，包含一個頻率編碼和一個相位編碼維度，只能采取一維降采樣。對于傳統(tǒng)三維磁共振成像，包含一個頻率編碼維度和兩個相位編碼維度，因而降采樣一般是二維的。目前已有的二維降采樣軌跡包括徑向(radial)降采樣[P?CLauterbur.Image?formation?by?induced?local?interactions:examples?employingnuclear?magnetic?resonance[J].Nature,Mar?1973.242(5394):190–191]螺旋(spiral)降采樣[C?B?Ahn,J?H?Kim,Z?H?Cho.Highspeed?spiral-scan?echo?planar?NMR?imaging[J].IEEE?Transactions?on?Medical?Imaging,Mar?1986.5(1):2–7]、高斯(Gaussian)降采樣[Robert?L.Cook.Stochastic?sampling?in?computer?graphics[J].ACMTransactions?on?Graphics(TOG),Jan?1986.5(1):51–72]和泊松(Poisson)降采樣[Thouis?R.Jones.Efficient?generation?of?Poisson-disk?sampling?patterns[J].Journal?of?Graphics?Tools,Jan?2006.11(2):27–36]。但是，這些方法只是遵循先前研究的選擇，沒有提出確定性的理論依據(jù)，或者分析出哪一種的降采樣軌跡最適合于優(yōu)化特定的k空間數(shù)據(jù)。目前，僅有少數(shù)研究開始關(guān)注降采樣軌跡的優(yōu)化，針對特定的k空間數(shù)據(jù)，在采集階段最大程度地提升MR圖像的質(zhì)量。

ü等人[Baranü,Rabeeh?Karimi?Mahabadi,YenHuan?Li,Efe?Ilicak,Tolga?Cukur,Jonathan?Scarlett,Volkan?Cevher.Learning-based?compressive?MRI[J].IEEE?Transactions?on?Medical?Imaging,Jun2018.37(6):1394?1406]提出了一種無參數(shù)貪婪軌跡選擇方法(PFGMS)，通過逐步地更新降采樣軌跡，作用于k空間數(shù)據(jù)，搜索出能獲得較高圖像質(zhì)量的降采樣軌跡。然而，由于學習降采樣軌跡的過程中沒有可調(diào)節(jié)的參數(shù)(非神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu))，PFGMS方法只依靠貪婪迭代的方式去擴增降采樣軌跡，需要消耗大量的時間來迭代獲得最終的降采樣軌跡，不能適用于大規(guī)模數(shù)據(jù)的訓練。另外，PFGMS方法中降采樣軌跡優(yōu)化和CNN模型的訓練被分離處理，然后交替進行更新來得到近似最優(yōu)解，無法實現(xiàn)跨域聯(lián)合訓練的機制。