一种核磁共振图像重建方法及终端与流程

1.本发明涉及医学图像处理领域，尤其涉及一种核磁共振图像重建方法及终端。


背景技术：

2.利用核磁共振成像生成人体的组织成像进行各种疾病的辅助判断是一种常用的技术手段，并且因为核磁共振成像不存在辐射暴露的问题，对于人体也更加安全。但核磁共振成像的过程中，图像重建的方式对最终的成像效果有较大的影响，常会出现图像伪影等问题，影响图像的质量。


技术实现要素：

3.本发明所要解决的技术问题是：提供一种核磁共振图像重建方法及终端，实现鲁棒性更高的核磁共振图像重建。
4.为了解决上述技术问题，本发明采用的一种技术方案为：
5.一种核磁共振图像重建方法，包括步骤：
6.获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括k空间图像样本和第一重建图像；
7.将所述k空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；
8.根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络，得到目标深度神经网络；
9.根据所述目标深度神经网络重建待处理核磁共振图像。
10.为了解决上述技术问题，本发明采用的另一种技术方案为：
11.一种核磁共振图像重建终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
12.获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括k空间图像样本和第一重建图像；
13.将所述k空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；
14.根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络，得到目标深度神经网络；
15.根据所述目标深度神经网络重建待处理核磁共振图像。
16.本发明的有益效果在于：核磁共振图像样本中包括k空间图像样本和第一重建图像，因核磁共振原始采集到的图像为频域中的k空间图像，通过获取重建效果较好的核磁共振图像样本作为训练图像，在训练过程中将灵敏度映射核集作为一个未知数参与训练优化，并根据预测得到的第二重建图像和已经确定的第一重建图像的差值对预设深度神经网络进行优化，使得最终得到的目标深度神经网络能够在不同参数的变化下保证图像重建效
果的稳定，并且不依赖于确定的灵敏度映射核集，实现高鲁棒性的核磁共振图像重建。
附图说明
17.图1为本发明实施例的一种核磁共振图像重建方法的步骤流程图；
18.图2为本发明实施例的一种核磁共振图像重建终端的结构示意图；
19.标号说明：
20.1、一种核磁共振图像重建终端；2、处理器；3、存储器。
具体实施方式
21.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
22.请参照图1，一种核磁共振图像重建方法，包括步骤：
23.获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括k空间图像样本和第一重建图像；
24.将所述k空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；
25.根据所述第一重建图像和所述第二重建图像的差优化所述深度神经网络，得到目标深度神经网络；
26.根据所述目标深度神经网络重建待处理核磁共振图像。
27.从上述描述可知，本发明的有益效果在于：核磁共振图像样本中包括k空间图像样本和第一重建图像，因核磁共振原始采集到的图像为频域中的k空间图像，通过获取重建效果较好的核磁共振图像样本作为训练图像，在训练过程中将灵敏度映射核集作为一个未知数参与训练优化，并根据预测得到的第二重建图像和已经确定的第一重建图像的差值对预设深度神经网络进行优化，使得最终得到的目标深度神经网络能够在不同参数的变化下保证图像重建效果的稳定，并且不依赖于确定的灵敏度映射核集，实现高鲁棒性的核磁共振图像重建。
28.进一步地，所述将所述k空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集包括：
29.根据所述k空间图像样本建立总优化目标
30.其中，y表示所述k空间图像样本，am表示与固定变量和采样掩膜a组成的线性算子，m表示待计算的所述预测图像，λ表示待定系数，d(m)表示在所述预设深度神经网络d中的待计算的所述预测图像；
31.通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s。
32.由上述描述可知，通过建立总优化目标，根据总优化目标进行预设深度神经网络的学习，特别是在得到待计算的预测图像的过程中，不依赖于对灵敏度的提前预测，避免了预测灵敏度的精确度对最终结果的影响。
33.进一步地，所述通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s包括：
34.将所述总优化目标y根据所述交替选择优化算法展开得到展开式：
[0035][0036]s+
＝ds(s)；
[0037][0038]m+
＝dm(m)；
[0039]
其中，其中x表示所述预测图像m或所述预测灵敏度映射核集s，f表示傅里叶变换；s+和m+分别表示更新所述预设深度神经网络后，下一次迭代时生成的预测灵敏度映射核集和预测图像；
[0040]
根据共轭梯度算法求解所述展开式得到所述预测图像m及所述预测灵敏度映射核集s。
[0041]
由上述描述可知，通过交替优化算法对总优化目标进行展开，将对总优化目标的优化具体为对预测图像和预测灵敏度核集的优化，实现图像重建关键参数的获取，并且通过共轭梯度算法进行求解，保证最终得到的解是最优解，且尽可能接近最优结果。
[0042]
进一步地，所述根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络包括：
[0043]
设置监督损失，所述监督损失为所述第一重建图像和所述第二重建图像的结构相似性指数；
[0044]
根据所述结构相似性指数优化所述预设深度神经网络。
[0045]
由上述描述可知，模型能够通过不断的学习进行优化，增强图像重建过程中的鲁棒性，并且对不同采样参数产生的分布唯一具有稳健性。
[0046]
进一步地，根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像包括：
[0047][0048]
其中，表示所述第二重建图像，f表示傅里叶变换，n表示迭代次数，c表示，si表示所述预测灵敏度映射核集s中第i个预测灵敏度映射核。
[0049]
由上述描述可知，通过预测图像和预测灵敏度核集实现图像重建，无需提前预设或是标记设备的灵敏度矩阵，节约了进行图像重建的准备时间，提高了进行图像重建的效率，并且通过平方根估计图像训练端到端网络，增加了预设深度神经网络优化过程中的自主性，保证了最终目标深度神经网络的图像重建精度。
[0050]
请参照图2，一种核磁共振图像重建终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0051]
获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括k空间图像样本和第一重建图像；
[0052]
将所述k空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；
[0053]
根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络，得到目标深度神经网络；
[0054]
根据所述目标深度神经网络重建待处理核磁共振图像。
[0055]
本发明的有益效果在于：核磁共振图像样本中包括k空间图像样本和第一重建图像，因核磁共振原始采集到的图像为频域中的k空间图像，通过获取重建效果较好的核磁共振图像样本作为训练图像，在训练过程中将灵敏度映射核集作为一个未知数参与训练优化，并根据预测得到的第二重建图像和已经确定的第一重建图像的差值对预设深度神经网络进行优化，使得最终得到的目标深度神经网络能够在不同参数的变化下保证图像重建效果的稳定，并且不依赖于确定的灵敏度映射核集，实现高鲁棒性的核磁共振图像重建。
[0056]
进一步地，所述将所述k空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集包括：
[0057]
根据所述k空间图像样本建立总优化目标
[0058]
其中，y表示所述k空间图像样本，am表示与固定变量和采样掩膜a组成的线性算子，m表示待计算的所述预测图像，λ表示待定系数，d(m)表示在所述预设深度神经网络d中的待计算的所述预测图像；
[0059]
通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s。
[0060]
由上述描述可知，通过建立总优化目标，根据总优化目标进行深度神经网络的学习，特别是在得到待计算的预测图像的过程中，不依赖于对灵敏度的提前预测，避免了预测灵敏度的精确度对最终结果的影响。
[0061]
进一步地，所述通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s包括：
[0062]
将所述总优化目标y根据所述交替选择优化算法展开得到展开式：
[0063][0064]s+
＝ds(s)；
[0065][0066]m+
＝dm(m)；
[0067]
其中，其中x表示所述预测图像m或所述预测灵敏度映射核集s，f表示傅里叶变换；s+和m+分别表示更新所述预设深度神经网络后，下一次迭代时生成的预测灵敏度映射核集和预测图像；
[0068]
根据共轭梯度算法求解所述展开式得到所述预测图像m及所述预测灵敏度映射核集s。
[0069]
由上述描述可知，通过交替优化算法对总优化目标进行展开，将对总优化目标的优化具体为对预测图像和预测灵敏度核集的优化，实现图像重建关键参数的获取，并且通过共轭梯度算法进行求解，保证最终得到的解是最优解，且尽可能接近最优结果。
[0070]
进一步地，所述根据所述第一重建图像和所述第二重建图像的差优化所述深度神经网络包括：
[0071]
设置监督损失，所述监督损失为所述第一重建图像和所述第二重建图像的结构相似性指数；
[0072]
根据所述结构相似性指数优化所述深度神经网络。
[0073]
由上述描述可知，模型能够通过不断的学习进行优化，增强图像重建过程中的鲁棒性，并且对不同采样参数产生的分布唯一具有稳健性。
[0074]
进一步地，根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像包括：
[0075][0076]
其中，表示所述第二重建图像，f表示傅里叶变换，n表示迭代次数，c表示，si表示所述预测灵敏度映射核集s中第i个预测灵敏度映射核。
[0077]
由上述描述可知，通过预测图像和预测灵敏度核集实现图像重建，无需提前预设或是标记设备的灵敏度矩阵，节约了进行图像重建的准备时间，提高了进行图像重建的效率，并且通过平方根估计图像训练端到端网络，增加了深度神经网络的自主性，保证了最终目标深度神经网络的图像重建精度。
[0078]
本发明上述一种核磁共振图像重建方法及终端能够适用于核磁共振图像的重建过程，如并行核磁共振图像重建中，以下通过具体实施方式进行说明：
[0079]
请参照图1，本发明的实施例一为：
[0080]
一种核磁共振图像重建方法，包括步骤：
[0081]
s1、获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括k空间图像样本和第一重建图像；
[0082]
其中，k空间图像表示频域图像，如在傅里叶域中的图像；
[0083]
s2、将所述k空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像，具体为：
[0084]
s21、根据所述k空间图像样本建立总优化目标根据所述k空间图像样本建立总优化目标
[0085]
其中，y表示所述k空间图像样本，am表示与固定变量和采样掩膜a组成的线性算子，采样掩膜a可用矩阵形式表示，m表示待计算的所述预测图像，λ表示待定系数，d(m)表示在所述预设深度神经网络d中的待计算的所述预测图像；其中“‖‖”表示范数；
[0086]
根据s21中的公式，可以将每个步骤分成两个不同的子问题：第一个子问题将d(m)作为一个常数，并使用共轭梯度算法来更新m。第二个子问题将d()作为一个近端算子，并通过直接分配来求解，并不依赖于对灵敏度图的预先计算的估计，而是作为一个优化变量来对待；
[0087]
s22、通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s：
[0088]
s221、将所述总优化目标y根据所述交替选择优化算法展开得到展开式：
[0089][0090]s+
＝ds(s)(1)；
[0091]
[0092]m+
＝dm(m)
ꢀꢀꢀ
(2)；
[0093]
其中，其中x表示所述预测图像m或所述预测灵敏度映射核集s，as表示与固定变量和采样掩膜a组成的第二线性算子，am表示与固定变量和采样掩膜a组成的第一线性算子，rs(s)表示对灵敏度映射核集s强制执行先验的正则化项；rm(m)表示对预测图像m强制执行先验的正则化项；f表示傅里叶变换；s+和m+分别表示更新所述预设深度神经网络后，下一次迭代时生成的预测灵敏度映射核集和预测图像；
[0094]
并且，在所有展开中设置和j为预设深度神经网络的深度，从而可以有效地使用可学习的权重；系数λs和λm也是可学习的。优化用m
(0)
和s
(0)
初始化，即未经过深度神经网络迭代的初始值，使用平方根估计得到，公式(1)和(2)分别用共轭梯度算法的n1和n2步近似求解，s
+
和m
+
是直接分配的傅里叶变换；这两个神经网络用于的广义去噪器，并在展开若干n个外部步骤的交替优化后，以端到端的方式进行训练；共轭梯度算法根据欠采样数据y和测量矩阵as和am给出的损失执行，每个块都与其对应的方程相匹配；
[0095]
s222、根据共轭梯度算法求解所述展开式得到所述预测图像m及所述预测灵敏度映射核集s；
[0096]
s23、根据预测图像和预测灵敏度映射核集得到第二重建图像
[0097]
其中，表示所述第二重建图像，f表示傅里叶变换，n表示预设深度神经网络的迭代次数，c表示，si表示所述预测灵敏度映射核集s中第i个预测灵敏度映射核；
[0098]
s3、根据所述第一重建图像和所述第二重建图像的差优化所述深度神经网络，得到目标深度神经网络，包括：
[0099]
s31、设置监督损失，所述监督损失为所述第一重建图像和所述第二重建图像的结构相似性指数；
[0100]
s32、根据所述结构相似性指数(ssim)优化所述预设深度神经网络，即其中x标识第一重建图像；
[0101]
s4、根据所述目标深度神经网络重建待处理核磁共振图像。
[0102]
本发明的实施例二为：
[0103]
一种核磁共振图像重建方法，其与实施例一的不同之处在于，s4包括：
[0104]
s41、接收待处理核磁共振图像，并对待处理核磁共振图像进行预处理：
[0105]
预生成采样掩码，采样掩码相当于一个mask，在这个范围内处理图像数据；
[0106]
获取相关参数：mri(magnetic resonance imaging，核磁共振成像)样本列表index，mri切片数量nums，mri中心切片数量center_slice_idx，下采样因子，采样掩码，方向y；并预估计灵敏度图maps；
[0107]
将mri样本列表中待处理核磁共振图像对应的数据转换为数字化张量；
[0108]
分离切片和样品；map总是从零开始计数，计数参数初始值count＝0；
[0109]
加载待处理核磁共振图像；
[0110]
获取特定切片的k空间，特定切片为感兴趣区域对应的切片；
[0111]
存储核心文件，核心文件包括核磁共振图、采样掩码、灵敏度图、数字化张量文件
等；
[0112]
判断是否需要加载外部灵敏度贴图，若是，加载外部灵敏度贴图；在一种可选的实施方式中，在正则化处理和优化时加载外部灵敏度贴图；
[0113]
获取特定切片对应的的灵敏度贴图；
[0114]
计算mri设备线圈中线的总能量；line_energy；范围为line_energy《1e-16；
[0115]
填充数据基础，即计算过程中需要用到的参数；
[0116]
始终移除偶数条线，以保持图像原始居中；
[0117]
存储接收待处理核磁共振图像对应的所有k空间数据；
[0118]
完全清除死线，即计算过程中用不到的线，也从贴图的频率表示中删除；
[0119]
存储不带零行的k空间数据；
[0120]
获取中心和非中心的位置；
[0121]
设置中心线的固定百分比；
[0122]
(1)给出的固定数量的中心线，即预设一定数量，获取对应数量的中心线；
[0123]
下采样，拾取线以确保r＝下采样；其中r表示对灵敏度映射核集s或预测图像m强制执行先验的正则化项
[0124]
计算中心区域以外的候选区域，即除了(1)以外的区域；
[0125]
如果没有掩码，立即生成掩码mask；
[0126]
在中心位置外拾取随机线；
[0127]
创建采样掩码和下采样的k空间数据k_sampling_mask；
[0128]
使用相应的掩码数据；
[0129]
规范化k空间；
[0130]
缩放k空间数据的平方根估计；
[0131]
获取初始灵敏度图；
[0132]
计算复杂到真实的k空间；
[0133]
s42、根据目标深度神经网络重建预处理后的待处理核磁共振图像。
[0134]
请参照图2，本发明的实施例三为：
[0135]
一种核磁共振图像重建终端1，包括处理器2、存储器3及存储在存储器3上并可在所述处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现实施例一中的各个步骤。
[0136]
综上所述，本技术提供了一种核磁共振图像重建方法及终端，通过一种深度学习方法建立在展开交替最小化的基础上实现核磁共振的图像重建，并增强重建过程的鲁棒性，将一种可学习的模型与优化步骤交织，整个系统是端到端训练与监督损失。利用并行核磁共振(mri)模型中结构的无校准方法，灵敏度映射在空间上平滑变化，并施加低秩结构。通过交替优化，直接解决k空间中的图像和灵敏度图核。对不同采样参数产生的分布位移具有稳健性。
[0137]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。