一种基于深度学习的快速磁共振图像重建方法与流程

本发明属于医学图像领域，涉及一种图像重建方法，特别是一种基于深度学习的快速磁共振图像重建方法。

背景技术：

磁共振成像(magneticresonanceimaging，mri)是一种重要的临床医学影像检查手段，它通过信号采集和计算处理完成成像，具有无辐射危害及多参数成像等优点，尽管mri已经广泛应用到临床诊断中，但是核磁共振扫描的速度是核磁共振成像在很多应用中的一大瓶颈，缓慢的扫描速度导致运动伪影的产生，也给动态成像带来了困难。不断提高的高精度检测定位与高分辨率成像需求，同时也对核磁共振成像提出了更高的要求，因此如何在保证图像质量的情况下提高成像速度已经成为mri技术中一个亟待解决的问题。现有的基于k空间的快速磁共振成像技术，如并行成像(parallelimaging，pi)以及半傅里叶成像(partialfourier，pf)等等已经得到了广泛的应用，它们利用k空间数据的冗余性减少采样数量从而提升采样速度。然而无论是并行成像还是半傅里叶成像，它们的加速效果都具有一定的局限性，例如，并行成像加速因子受限于并行线圈数量，而半傅里叶成像仅支持大约两倍的速度提升。如何能够提升mri重建质量和成像速度，对于mri的发展有着重要的意义。这也正是本文研究mri快速成像技术的目的。近几年来，基于深度学习的磁共振图像重建方法得到了快速的发展，这使得加速磁共振图像的获取具有很大的前景。本文就现有的基于深度学习重建方法进行改进，直接将欠采样的k空间数据作为输入，通过神经网络预测出全k空间数据，旨在为快速磁共振重建找到另一种解决方案。

技术实现要素：

本发明提供了一种基于深度学习的快速磁共振图像重建方法，以找到另一种重建磁共振图像的思路。

为了实现上述目的，本发明包括以下步骤：

步骤(1)对k空间数据进行处理：先对训练集中的k空间数据进行掩膜处理，掩膜掉的地方采用零填充，接着进行剪裁和标准化；

步骤(2)训练神经网络：将处理好的k空间数据作为u-net网络的输入，将未处理的全采样k空间作为gt训练神经网络；

步骤(3)检测神经网络：将验证集的全采样k空间数据通过预处理输入u-net神经网络，检测神经网络的泛化能力的和过拟合情况；

步骤(4)测试结果：将测试集的欠采样k空间数据输入上述模型进行预测，得到全采样的k空间数据；

步骤(5)转化成图像：将k空间数据通过ifft转换成图像数据。

在步骤(1)中k空间数据是一个[numberofslices,h,w]包含若干切片的三维数据，我们需要对单个切片数据分别进行处理，随机生成一个与k空间数据有相同的h，w的欠采样掩码，在掩膜掉的k空间数据处用零填充，其余地方保持原始数据不变。

在步骤(1)中标准化指的是(数据-均值)/标准差，注意到k空间数据是复数，我们需要将实部和虚部分开标准化。

在步骤(2)中u-net网络是一种图形分割网络，先通过卷积核大小为3×3进行两次卷积，接着用relu函数进行修正，最后用max-pooling进行特征提取，这样循环四次之后，再通过上采样恢复到原始分辨率，为了得到更精确的输出，还将下采样的高分辨率特征与上采样相结合；将处理过后的k空间数据作为神经网络的输入，全采样的k空间数据作为gt，最小化损失函数训练神经网络。

在步骤(2)中处理过后的k空间数据维度是[batchsize，2，h，w]，2是指k空间数据的实部和虚部，全采样的k空间数据作为gt，最小化损失函数训练神经网络。

在步骤(3)中验证集可以找到最优的模型并且检测神经网络的泛化能力。

在步骤(4)测试集本身就是欠采样的k空间数据，只需对其进行剪裁和标准化即可输入u-net神经网络，注意输入之前需要进行维度变换以匹配神经网络输入数据的维度，最后得到全采样的k空间数据。

在步骤(5)将k空间数据通过ifft转换为图像域，再通过根和平方函数将各个切片结合，最后可视化出来。

附图说明

图1为数据训练和重建过程

图2为待重建的欠采样磁共振图像

图3为基于深度学习的重建图像

具体实施方式

如图1所示对本发明做进一步说明，所描述的具体实施方式用来解释本发明但不仅限于本发明。

一种基于深度学习的快速磁共振图像重建方法，具体实施步骤：

步骤(1)对k空间数据进行处理：先对训练集中的k空间数据进行掩膜处理，掩膜掉的地方采用零填充，接着进行剪裁和标准化；

步骤(2)训练神经网络：将处理好的k空间数据作为u-net网络的输入，将未处理的全采样k空间作为gt训练神经网络；

步骤(3)检测神经网络：将验证集的全采样k空间数据通过预处理输入u-net神经网络，检测神经网络的泛化能力的和过拟合情况；

步骤(4)测试结果：将测试集的欠采样k空间数据输入上述模型进行预测，得到全采样的k空间数据；

步骤(5)转化成图像：将k空间数据通过ifft转换成图像数据。

在步骤(1)中k空间数据是一个[numberofslices,h,w]包含若干切片的三维数据，我们需要对单个切片数据分别进行处理，随机生成一个与k空间数据有相同的h，w的欠采样掩码，在掩膜掉的k空间数据处用零填充，其余地方保持原始数据不变。

在步骤(1)中标准化指的是(数据-均值)/标准差，注意到k空间数据是复数，我们需要将实部和虚部分开标准化。

在步骤(2)中u-net网络是一种图形分割网络，先通过卷积核大小为3×3进行两次卷积，接着用relu函数进行修正，最后用max-pooling进行特征提取，这样循环四次之后，再通过上采样恢复到原始分辨率，为了得到更精确的输出，还将下采样的高分辨率特征与上采样相结合；将处理过后的k空间数据作为神经网络的输入，全采样的k空间数据作为gt，最小化损失函数训练神经网络。

在步骤(2)中处理过后的k空间数据维度是[batchsize，2，h，w]，2是指k空间数据的实部和虚部，全采样的k空间数据作为gt，最小化损失函数训练神经网络。

在步骤(3)中验证集可以找到最优的模型并且检测神经网络的泛化能力。

在步骤(4)测试集本身就是欠采样的k空间数据，只需对其进行剪裁和标准化即可输入u-net神经网络，注意输入之前需要进行维度变换以匹配神经网络输入数据的维度，最后得到全采样的k空间数据。

在步骤(5)将k空间数据通过ifft转换为图像域，再通过根和平方函数将各个切片结合，最后可视化出来。

以上具体实施方式只是用来帮助理解本发明的核心思想，对于本领域的技术人员可结合本说明书的思想对其进行延伸。