[發明專利]一種基于深度學習的壓縮感知磁共振圖像快速重建方法

在審

• 申請號: 202211296545.2
• 申請日: 2022-10-21
• 公開（公告）號: CN115511996A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 侯學文;姜小平;聶生東;楊光;蔡昕;蘇新宇
• 申請（專利權）人: 上海康達卡勒幅醫療科技有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/04;G06N3/08
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 盧泓宇

1.一種基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于，包括以下步驟：

S1：采集磁共振K空間原始數據，得到K空間原始數據K_fid；

S2：基于壓縮感知理論構建欠采樣模板mask，通過所述欠采樣模板mask模擬欠采樣K空間數據，得到欠采樣K空間數據K_cs-fid；

S3：對所述K空間原始數據K_fid和所述欠采樣K空間數據K_cs-fid進行逆傅里葉變換處理得到全采樣圖像I_img與欠采樣圖像I_cs-img，并對所述全采樣圖像I_img與所述欠采樣圖像I_cs-img進行歸一化處理，并保留歸一化參數；

S4：基于Unet構建重建網絡，通過所述重建網絡對歸一化處理后的所述全采樣圖像I_img與所述欠采樣圖像I_cs-img進行處理得到重建圖像I_recon；

S5：對所述重建圖像I_recon進行保真操作，得到保真圖像I_{data-consistency}。

2.根據權利要求1所述的基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于：

在步驟S1中，所述K空間原始數據能夠為任意部位、任意模態以及任意矩陣大小的數據。

3.根據權利要求1所述的基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于：

在步驟S2中，所述欠采樣模板mask符合高斯分布，其第二主峰高度低于第一主峰高度。

4.根據權利要求1所述的基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于：

在步驟S3中，所述全采樣圖像I_img與所述欠采樣圖像I_cs-img歸一化處理后分布在[0,1]之間。

5.根據權利要求1所述的基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于：

在步驟S4中，所述重建網絡包括編碼層和解碼層，所述編碼層包含5個編碼模塊，每個模塊由兩個卷積層組成，其卷積核個數分別為32、64、128、256、512，所述解碼層包含5個解碼模塊，每個模塊由兩個反卷積層組成，其卷積核個數分別為512、256、128、64、32，

所述解碼層中最后一個卷積層使用softmax激活函數，其余卷積層使用adam激活函數。

6.根據權利要求5所述的基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于：

其中，每一所述編碼模塊均有一所述解碼模塊與之對應，相對應的所述編碼模塊與所述解碼模塊進行跳躍連接。

7.根據權利要求1所述的基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于：

在步驟S4中，所述重建網絡的輸入層為所述欠采樣圖像I_cs-img，輸出層為所述全采樣圖像I_img，所述輸入層數據和所述輸出層數據一一對應。

8.根據權利要求1所述的基于深度學習的壓縮感知磁共振圖像快速重建方法，其特征在于：

其中，步驟S5包括如下子步驟：

S51，截取所述欠采樣模板mask中心連續部分，得到低頻欠采樣矩陣mask_low；

S52，利用所述低頻欠采樣矩陣mask_low對所述空間K原始數據K_fid進行掩膜得到低頻欠采樣K空間矩陣K_cs-fid-low，對所述低頻欠采樣K空間矩陣K_cs-fid-low進行逆傅里葉變換得到低頻欠采樣圖像I_cs-img-low，求取所述低頻欠采樣圖像I_cs-img-low的第一相位角

S53，利用所述歸一化參數對所述重建圖像I_recon進行反歸一化，并與所述第一相位角相乘恢復所述重建圖像I_recon的相位信息，得到復數圖像I_{recon-complex}；

S54，對所述復數圖像I_{recon-complex}進行傅里葉變換得到重建后的K空間數據K_recon，求取所述重建后的K空間數據K_recon的第二相位角

S55，利用所述欠采樣模板mask對所述重建后的K空間數據K_recon進行掩膜得到欠采樣重建后的K空間數據K_cs-recon；

S56，將所述欠采樣K空間數據K_cs-fid的模值K_cs-fid-abs與所述欠采樣重建后的K空間數據K_cs-recon的模值K_cs-recon-abs進行線性回歸操作，線性回歸公式為K_cs-recon-abs＝a*K_cs-fid-abs+b，得到線性回歸系數斜率a和截距b的值；

S57，使用所述斜率a和所述截距b對所述重建后的K空間數據K_recon進行放縮，放縮公式為K_{data-consistency}＝(abs(K_recon)-b)/a，得到保真后的K空間數據K_{data-consistency}；

S58，所述保真后的K空間數據K_{data-consistency}與所述第二相位角相乘恢復K空間的相位信息，得到保真后的復數K空間數據K_{data-consistency-complex}，并將所述欠采樣K空間數據K_cs-fid中不為零的數據替換至所述保真后的復數K空間數據K_{data-consistency-complex}中；

S59，對所述保真后的復數K空間數據K_{data-consistency-complex}進行逆傅里葉變換得到所述保真圖像I_{data-consistency}。