[發(fā)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?zhí)枺?/td>: 202211296545.2
• 申請日: 2022-10-21
• 公開（公告）號: CN115511996A
• 公開（公告）日: 2022-12-23
• 發(fā)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(yī)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

本發(fā)明一種基于深度學習的壓縮感知磁共振圖像快速重建方法，包括：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K空間原始數據K_fid和欠采樣K空間數據K_cs?fid進行預處理得到全采樣圖像I_img與欠采樣圖像I_cs?img，并對全采樣圖像I_img與欠采樣圖像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，通過重建網絡對歸一化處理后的全采樣圖像I_img與欠采樣圖像I_cs?img進行處理得到重建圖像I_recon；S5：對重建圖像I_recon進行保真操作，得到保真圖像I_{data?consistency}。本發(fā)明通過Unet構建重建網絡可以實現任意部位、任意模態(tài)以及任意矩陣大小的數據的磁共振圖像快速重建。

技術領域

本發(fā)明涉及深度學習與醫(yī)學圖像處理技術領域，具體涉及一種基于深度學習的壓縮感知磁共振圖像快速重建方法。

背景技術

基于壓縮感知理論，利用信號本身的稀疏性，在非相干采樣條件下，即便在不滿足奈奎斯特采樣定理的條件下，也能使用較少的k空間數據結合最優(yōu)化算法基本還原出原始圖像。因此，將k空間的采樣軌跡設計為非相干的欠采樣軌跡，就可以將壓縮感知理論用于磁共振圖像的加速采集與重建。對于MRI來說，這意味著可以在確保滿足圖像診斷要求的情況下，顯著減少k空間采集數據的行數，從而減少采樣時間。其意義是非常重大的，所以壓縮感知技術誕生之初就被應用在MRI中。近幾年來，國內外的諸多科研機構在CS-MRI領域開展了大量工作：在應用領域上，壓縮感知技術被廣泛地應用到許多高級成像應用中，包括神經纖維束追蹤、加速水脂分離、多維波譜成像、磁化率成像等；而在方法研究上，人們也提出了各種不同的優(yōu)化重建算法,如非線性共軛梯度、迭代閾值、分裂Bregman、字典學習等，并將各種變換與各種關于磁共振成像的先驗知識應用到圖像重建過程中，同時對于壓縮感知與現有的并行采集技術的結合進行了大量的探索。這些研究為壓縮感知技術在MRI上的應用奠定了良好的基礎。

雖然現已出現U-net、GAN、Transformer以及殘差、注意力機制、密集連接等網絡和模塊用于MRI圖像的快速重建，但是現有的方法大多數是在如fastmri等公共數據集上進行驗證的，其對實際數據的適用性還需進一步考量。此外，對于數據一致性，即數據保真的研究，現有方法是將原始數據與重建數據進行合并，不能最大化還原原始信息。因此具有局限性。

發(fā)明內容

本發(fā)明是為了解決上述問題而進行的，目的在于提供一種基于深度學習的壓縮感知磁共振圖像快速重建方法。

本發(fā)明提供了一種基于深度學習的壓縮感知磁共振圖像快速重建方法，具有這樣的特征，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K空間原始數據K_fid和欠采樣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，并對全采樣圖像I_img與欠采樣圖像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，通過重建網絡對歸一化處理后的全采樣圖像I_img與欠采樣圖像I_cs-img進行處理得到重建圖像I_recon；S5：對重建圖像I_recon進行保真操作，得到保真圖像I_{data-consistency}。