一种基于高频保真的磁共振图像的重建方法

本发明涉及磁共振影像处理，尤其是一种基于高频保真的磁共振图像快速重建方法。

背景技术：

1、磁共振成像(mri)是一种广泛应用的医学成像技术，可提供人体器官和生理结构的详细图像。与计算机断层扫描(ct)不同，磁共振成像是无辐射的，这意味着它不会让病人受到电离辐射。磁共振图像来自频域，也称为k空间。然而，获取k空间数据是一个耗时的过程，患者可能会感到不适，并可能导致运动伪影，从而对图像质量产生负面影响。因此，迫切需要缩短采集时间。加速磁共振成像采集的两种常见方法是增加线圈数量和减少采集数据。前一种方法被称为并行成像(pi)，其重点是从多线圈k空间数据重建高质量磁共振图像。后一种方法是欠采样磁共振成像重建，主要是从欠采样k空间数据中恢复高质量磁共振成像。

2、如前所述，pi包括使用多个接收线圈获取患者数据，每个线圈覆盖部分视野。然后将来自线圈的单个信号组合起来，形成整个视野的单一图像。pi可以在图像域或k空间中运行。在图像域，它使用灵敏度编码(sense)方法，包括通过反傅里叶变换将信号转换到图像域，并使用预先计算的线圈灵敏度图(如espirit)进行伪影去除。在k空间域，pi被建模为一个插值过程，其灵感来自广义自动校准部分并行采集(grappa)方法。另一方面，欠采样磁共振成像重建涉及使用欠采样掩膜(如笛卡尔掩膜、径向掩膜或螺旋掩膜)获取较少的数据点。然而，这会导致欠采样磁共振图像中出现混叠伪影。为了获得干净、高质量的磁共振图像，需要应用重建算法。压缩感知(cs)是一种传统的磁共振成像重建方法，它利用小波或离散余弦变换等变换域中磁共振图像的稀疏性来恢复无混叠的磁共振图像。pi和cs的组合被称为pi-cs，可同时采集多个线圈的欠采样数据，与单独的pi或cs相比，mri采集速度更快。然而，pi-cs需要精心选择超参数，手动调整超参数对获得最佳结果具有挑战性。

3、深度学习(dl)凭借其强大的表征能力，在计算机视觉领域取得了令人瞩目的成就。这一成功也激发了基于深度学习的磁共振成像重建算法(dl-based mri)的发展，这些算法已显示出显著的优势。wang等人最早采用多层卷积神经网络(cnn)来学习从零填充和完全采样的k空间数据中获得的mr图像之间的映射。此后，基于cnn的磁共振成像重建算法迅速崛起。虽然cnn在这一领域大有可为，但transformer模型因其在包括计算机视觉在内的各种任务中捕捉长程依赖关系的能力而备受关注。近年来，研究人员提出了基于transformer的磁共振成像重建方法，并取得了可喜的成果。与cnn不同，transformer在复杂关系建模方面具有更强的能力。然而，基于dl的磁共振成像方法，无论是基于cnn还是基于变换器，通常都缺乏可解释性，这使得分析不同网络模块的贡献具有挑战性。此外，随着网络变得越来越深，过拟合也会成为这些方法的一个问题。

4、现有技术的磁共振成像重建算法对于图像细节和纹理结构的恢复不佳，存在着手工设计先验难和迭代时间长等问题，不能更好地保留磁共振图像的细节便于医生诊断疾病。

技术实现思路

1、本发明的目的是针对现有技术的不足而提供的一种基于高频保真的磁共振图像重建方法，采用模型驱动的高频保真方法，使得模型显式地对恢复图像的高频信息进行约束，将迭代求解算法展开到神经网络中，有效解决了传统算法对于图像细节和纹理结构的恢复不佳的问题，更好地保留磁共振图像的细节便于医生诊断疾病，方法简便，使用效果好，具有良好的应用前景。

2、实现本发明目的的具体技术方案是：一种基于高频保真的磁共振图像重建方法，其特点是该方法具体包括下述步骤：

3、步骤1、对全采样的k空间数据进行欠采样，数据预处理；

4、步骤2、根据磁共振图像重建模型设计高频保真项，建立模型；

5、步骤3、利用变量分裂方法将问题分解成多个子问题，并交替迭代求解；

6、步骤4、利用变量分裂法将问题分解成多个子问题，并交替迭代求解；

7、步骤5、使用有监督策略，利用地面真值图像对模型进行训练；

8、步骤6、根据验证集表现选取最佳模型，将测试数据输入模型得到重建后的磁共振图像；

9、所述步骤1具体包括：通过对完整的k空间数据施加掩膜，得到欠采样的k空间数据，对得到的数据进行均值方差归一化，然后通过sense算法获得估计的线圈灵敏度图，将得到的数据和估计的灵敏度图作为后续模型的输入。

10、所述步骤2具体包括：通过添加设计的高频保真项，建立由下述(a)式所示的磁共振重建模型：

11、

12、其中，算子i为单位矩阵，用于在图像域提取图像的高频信息，这里使用高斯高通滤波器来提取；β为惩罚权重，nc为线圈总数，为重建后的图像，为第i个线圈的欠采样k空间数据，为第i个线圈的线圈灵敏度图，为逆傅里叶变换，算子其中m是采样掩膜，为逆傅里叶变换；φ(x)为关于x的正则项，为对各个线圈图像的联合先验分布项。

13、所述步骤3具体包括：

14、3-1：引入辅助分裂变量u和vi，令并且添加惩罚项，模型转为下述(b)式关于x，u，vi的子问题：

15、

16、其中，为多通道线圈图像，γ1和γ2为惩罚权重。

17、3-2：变量分裂后的三个子问题通过交替迭代求解，得到下述(c)式所示的uk、和xk三个子问题形式：

18、

19、其中，k∈{1，2，...，ns}表示k次迭代。

20、步骤4：解析式展开到神经网络中，利用网络模型求解。

21、由于包含隐式正则项或者隐式先验项，关于uk和的子问题可以利用网络模型求解，xk实质上是对uk和子问题结果求加权平均，可以利用网络训练加权权重。

22、所述步骤5具体包括：首先确定损失函数、学习率和优化器，然后对模型中的参数进行初始化；模型中的惩罚权重都通过学习手段自适应确定。

23、所述步骤6具体包括：利用训练好的模型输出重建后的磁共振图像；模型训练收敛之后，保存模型的权重，推理时，加载模型权重，然后输入欠采样的图像，输出重建后的磁共振图像。

24、本发明与现有技术相比具有显式地对图像恢复的高频信息进行约束，将迭代求解算法展开到神经网络，较好的解决了传统算法对于图像细节和纹理结构的恢复不佳的问题，更好地保留磁共振图像的细节便于医生诊断疾病，方法简便，使用效果好，具有良好的应用前景。

技术特征：

1.一种基于高频保真的磁共振图像重建方法，其特征在于：该方法具体包括以下步骤：

2.根据权利要求1所述的基于高频保真的磁共振图像重建方法，其特征在于：所述步骤2具体包括：通过添加设计的高频保真项，且由下述(a)式建立磁共振图像重建模型：

3.根据权利要求1所述的基于高频保真的磁共振图像重建方法，其特征在于：所述步骤3具体包括：

4.根据权利要求1所述的基于高频保真的磁共振图像重建方法，其特征在于：所述步骤4解析式展开到神经网络中，利用网络模型对uk和的子问题求解；利用网络训练加权权重求解xk，即对uk和子问题结果求加权平均。

5.根据权利要求1所述的基于高频保真的磁共振图像重建方法，其特征在于：所述步骤5具体包括：确定损失函数、学习率和优化器，然后对磁共振图像重建模型中的参数进行初始化；通过学习手段自适应确定磁共振图像重建模型中的惩罚权重。

6.根据权利要求1所述的基于高频保真的磁共振图像重建方法，其特征在于：所述步骤6具体包括：利用训练好的模型输出重建后的磁共振图像；模型训练收敛后保存模型的权重；推理时，加载模型权重，然后输入欠采样的图像，输出重建后的磁共振图像。

技术总结
本发明公开了一种基于高频保真的磁共振图像的重建方法，其特点是该方法包括：a）对全采样的K空间数据进行欠采样；b）设计高频保真项建立模型；c）利用变量分裂法将问题分解成多个子问题并交替迭代求解；d）将子问题的求解展开到端到端神经网络中，利用网络模型求解；e）利用地面真值图像对模型进行有监督训练；f）根据验证集选取最佳模型，将测试数据输入模型得到重建后的磁共振图像。本发明与现有技术相比具有显式地对图像恢复的高频信息进行约束，将迭代求解算法展开到神经网络，有效解决了图像细节和纹理结构的恢复不佳的问题，更好地保留磁共振图像的细节便于医生诊断疾病，方法简便，使用效果好，具有良好的应用前景。

技术研发人员：杨正罡,方发明,张桂戌
受保护的技术使用者：华东师范大学
技术研发日：
技术公布日：2024/1/5