基于深度卷积神经网络的磁共振成像方法与流程

本发明属于磁共振成像技术领域，尤其涉及一种基于深度卷积神经网络的磁共振成像方法。

背景技术：

目前，业内常用的现有技术是这样的：磁共振成像(magneticresonanceimaging,mri)由于其无电离辐射，丰富的组织对比度信息，以及非入侵式的检测等优点，已广泛应用于临床医学影像检查。受傅里叶编码方式和奈奎斯特采样定理的限制，磁共振成像需要较长的扫描时间，不但给患者带来一定的不适，而且在重建的图像容易产生运动伪影。同时，过长的扫描时间限制了mri对运动物体的成像，如血流，心脏等。经过近几十年的发展，依靠提高硬件性能，如梯度切换率和磁场强度等，加速采集的方式受制于人类神经对磁场变换的承受能力而无进一步提升的余地。近来，深度学习方法在图像识别，分割等方向取得显著成果。由于深度学习方法往往需要巨大的训练数据来完成模型的训练。而对于医学图像处理，受制于患者隐私、部分病例罕见等问题的原因，很难搜集到大量合理分布的训练样本。因此，深度学习在医学图像，特别是在磁共振成像方面尚未有明显突破。

综上所述，现有技术存在的问题是：当前磁共振成像时间较长，通过深度学习方法在图像域进行重建能有效减少成像时间，但需要巨大的训练数据完成模型的训练；对于医学图像处理，受制于患者隐私等问题的原因，很难完成大量训练样本的搜集。

解决上述技术问题的难度和意义：若能提出无需大量训练样本的深度学习磁共振成像方法，便能让深度学习更好地在磁共振成像上获得应用，从而提高磁共振成像速度，加快磁共振设备应用效率，进一步减轻患者经济和心理负担。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于深度卷积神经网络的磁共振成像方法、图像识别系统。

本发明是这样实现的，一种基于深度卷积神经网络的磁共振成像方法统，所述基于深度卷积神经网络的磁共振成像方法首先通过k空间中间区域全采样而周围随机降采样；然后对全采样区域通过算法多次随机降采样采集训练样本来训练卷积神经网络自编码器；利用训练好的卷积神经网络自编码器模型重建周围降采样的k空间数据；最后利用反傅里叶变换得到图像并通过去除算法去除噪声。

进一步，所述基于深度卷积神经网络的磁共振成像方法包括：

(1)通过对磁共振k空间中间区域全采样而周围区域随机降采样以减少采样时间；

(2)对k空间中间全采样数据，通过算法进行伪随机降采样；

(3)对于未采集到的k空间点置0；

(4)在伪随机采样后的k空间中取大小为m*n的窗口数据，作为训练样本的输入；其对应的伪随机采样前的数据为训练样本的输出；

(5)多次重复伪随机采样，得到充足的训练样本；

(6)利用卷积神经网络自编码器进行模型训练；

(7)利用训练好的模型对周围降采样的k空间数据进行重建；

(8)通过快速傅里叶反变换得到图像；

(9)通过去噪算法去除图像中的噪声。

进一步，所述基于深度卷积神经网络的磁共振成像方法通过对磁共振k空间中间区域全采样而周围区域随机降采样。

进一步，所述基于深度卷积神经网络的磁共振成像方法k空间中间区域全采样数据，通过算法进行伪随机降采样。

进一步，所述基于深度卷积神经网络的磁共振成像方法对于未采集到的k空间点置0。

进一步，所述基于深度卷积神经网络的磁共振成像方法在伪随机采样后的k空间中依次取大小为m*n的窗口数据，作为一例训练样本的输入；其对应的伪随机采样前的数据为此例训练样本的输出。

进一步，所述基于深度卷积神经网络的磁共振成像方法多次重复伪随机采样，并每次取m*n的窗口数据，得到充足的训练样本。m为频率编码方向大小，8<m<128,n为相位编码方向大小，其值大于8，小于全采样的相位编码步个数。

进一步，所述基于深度卷积神经网络的磁共振成像方法提取训练样本的每个k空间数据的实部和虚部值。

进一步，所述基于深度卷积神经网络的磁共振成像方法对实部和虚部数据分别利用卷积神经网络自编码器进行模型训练；

卷积神经网络自编码器由编码器和解码器构成；

编码器由三层卷积层和池化层构成；

解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致；

解码网络输出层通过一个正切激励函数；

自编码网络输出的值与全采样的k空间数据值的均方根误差为损失函数，利用可变交替方向算法优化算法更新网络模型的权重参数；

利用训练好的模型对周围降采样的k空间的实部和虚部数据分别进行重建；

将重建的实部和虚部数据重组成复数k空间数据，并与全采样区域的k空间数据合并组成一幅完整的k空间数据。

本发明的另一目的在于提供一种应用所述基于深度卷积神经网络的磁共振成像方法的图像识别系统。

综上所述，本发明的优点及积极效果为：通过深度卷积网络在k空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。提出的方法无需另外采集训练数据，从而避免了基于深度神经网络模型直接在图像域进行重建的方法需要大量训练数据的难题。

附图说明

图1是本发明实施例提供的基于深度卷积神经网络的磁共振成像方法流程图。

图2是本发明实施例提供的基于深度卷积神经网络的磁共振成像方法实现流程图。

图3是本发明实施例提供的卷积神经网络自编码器结构组成示意图。

图4是本发明实施例提供的k空间采样示意图。

图5是本发明实施例提供的输出结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对目前的深度学习方法需要巨大的训练数据完成模型的训练；对于医学图像处理，受制于患者隐私等问题的原因，很难完成大量训练样本的搜集的问题。本发明通过深度卷积网络在k空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于深度卷积神经网络的磁共振成像方法包括以下步骤：

s101：通过对磁共振k空间中间区域全采样而周围区域随机降采样以减少采样时间；

s102：对k空间中间全采样数据，通过算法进行伪随机降采样；

s103：对于未采集到的k空间点置0；

s104：在伪随机采样后的k空间中取大小为m*n的窗口数据，作为训练样本的输入；其对应的伪随机采样前的数据为训练样本的输出；

s105：多次重复伪随机采样，得到充足的训练样本；

s106：利用卷积神经网络自编码器进行模型训练；

s107：利用训练好的模型对周围降采样的k空间数据进行重建；

s108：通过快速傅里叶反变换得到图像；

s109：通过去噪算法去除图像中的噪声。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于深度卷积神经网络的磁共振成像方法包括以下步骤：

步骤一，对磁共振k空间中间区域全采样而周围区域随机降采样以减少采样时间，包括：

先设计出采样矩阵，其中间区域为全采样区域，周边进行降采样。定义降采样区域的采样因子为r＝采集数/k空间总数，先生成元素值在0到1之间均匀分布的，且矩阵大小与k空间一致的随机矩阵，其符合均匀随机分布。然后取阀值r，小于r的将其元素置为0，大于等于r的元素置为1，且中间全采样区域的元素全置为1。最后，根据随机矩阵中1的位置，生成对应的磁共振采样序列。

(1)利用全采样k空间数据，通过模拟随机降采样,对未采集到的k空间点置0，包括：

同生成随机矩阵一样，先生成与全采矩阵大小一致的零一矩阵，然后与全采样的k空间数据相乘，得到采样后的k空间数据。

(2)在伪随机采样后的k空间中依次取大小为m*n的窗口数据，作为训练样本的输入；其对应的伪随机采样前的数据为训练样本的输出；

在伪随机采样后的k空间中，依次选取大小为m*n的窗口内的所有数据，作为训练样本的输入；其对应的伪随机采样前的全采样数据作为训练样本的输出；m为频率编码方向大小，8<m<128,n为相位编码方向大小，其值大于8，小于全采样的相位编码步个数。

优选地，在本实施例中，m和n的大小取为28。

(3)多次重复步骤(1)和(2)；

为了得到更多的训练样本数据，多次重复步骤(1)和(2)。并将训练样本的每个k空间的复数值的实部和虚部值分别提取出来组成两组全为实数的训练数据。

(4)利用卷积神经网络自编码器进行模型训练；

自编码器由编码器和解码器两部分组成。其中，编码器含有三层卷积层，每一层卷积层后有一层池化层，解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致。解码网络输出层通过一个正切激励函数。

优选地，自编码器网络输出的值与全采样的k空间数据值的均方根误差为损失函数，深度学习的网络参数利用可变方向交替算法(admm)优化算法更新网络模型的权重参数。批大小设置为50，权重衰减因子为0.0005。整个网络通过tensorflow1.0平台实现。

(5)利用训练好的模型重建未采样点；

利用训练好的模型对周围降采样的k空间的实部和虚部数据分别进行重建。并将重建的实部和虚部数据重组成复数k空间数据，并与全采样区域的k空间数据合并组成一幅完整的k空间数据。

(6)利用快速反傅里叶变换，得到图像信息。

(7)利用去噪声算法去除噪声。

重建的图像中含有少量的噪声，为了进一步提高重建图像质量，可采用局部非均值，bm3d等方法去除噪声。

实施例2

通过本发明方法，对一幅k空间大小为256*256的图像，对其中间区域的50条相位编码进行全采样，对其它区域进行随机采样，r＝0.25，其k空间采样示意图如图4所示。

实施例3

通过本发明的方法对加速采集到的k空间数据进行了重建实验，本实施例选取其中部分实验结果进行分析比较。

图5为自旋回波(se)序列扫描的头部数据的重建实验结果。其中第一行为全采样数据重建的参考图像，第二行为外部采样加速因子r＝0.5时采用本发明的方法获得的重建结果图及其与参考图像的差值图像，第三行为外部采样加速因子r＝0.3时采用本发明的方法获得的重建结果图及其与参考图像的差值图像。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。