基于量子卷积神经网络的磁共振成像方法、装置

本申请涉及磁共振成像领域，具体而言，本申请涉及一种基于量子卷积神经网络的磁共振成像方法、装置、电子设备及存储介质。

背景技术：

1、磁共振利用静磁场和射频磁场对人体组织成像，它不仅提供了丰富的组织对比度，且对人体无害，因此成为医学临床诊断的一种强有力的工具。但是，成像速度慢一直是制约其快速发展的一大瓶颈，如何在成像质量为临床可接受的前提下，提高扫描速度，从而减少扫描时间尤为重要。

2、自深度学习出现以来，利用深度神经网络加速磁共振影像重建已经成为了研究快速磁共振成像的主流方法。深度学习算法利用神经网络，从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系，从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数。

3、传统并行成像利用线圈的敏感度信息来进行加速，加速倍数有限，且随着加速倍数的增加，图像会出现噪声放大的现象；压缩感知技术由于采用非线性重建往往需要较长的重建时间，且重建参数较难选择；深度学习的方法尽管弥补了传统快速成像方法的不足，但同时也存在一些问题，例如数据驱动的深度学习缺乏理论指导，往往需要大量的训练数据才能获得较好的效果，而仅学习重建参数的模型驱动深度学习算法虽然需要的训练数据量较少，但是成像质量不会特别高。

4、由此可知，传统的深度神经网络需要大量的训练数据才能保证成像质量，从而导致成像上的效率偏低，对此情况有待进一步改善。

技术实现思路

1、本申请提供了一种基于量子卷积神经网络的磁共振成像方法、装置、电子设备及存储介质，可以解决相关技术中存在的成像上的效率偏低的问题。所述技术方案如下：

2、根据本申请的一个方面，一种基于量子卷积神经网络的磁共振成像方法，包括：获取量子卷积层；将所述量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络，其中，卷积神经网络包括全连接层、卷积层和最后的反卷积层；获取欠采样k空间图像，并将所述欠采样k空间图像输入到量子卷积神经网络获取对应的全采样重建图像。

3、根据本申请的一个方面，一种基于量子卷积神经网络的磁共振成像装置，包括：

4、量子卷积层获取模块，用于获取量子卷积层；

5、量子卷积神经网络获取模块，将所述量子卷积层将卷积神经网络中的卷积层替换用于获取对应的量子卷积神经网络，其中，卷积神经网络包括全连接层、卷积层和最后的反卷积层；

6、重建图像获取模块，获取欠采样k空间图像，并将所述欠采样k空间图像输入到量子卷积神经网络用于获取对应的全采样重建图像。

7、在一示例性实施例中，装置还包括但不限于：

8、函数获取模块，用于获取双曲正切函数；

9、激活函数确定模块，用于将所述双曲正切函数确定为激活函数；

10、替换模块，在所述量子卷积神经网络训练过程时，获取均方误差，并用于将均方误差替换损失函数。

11、在一示例性实施例中，装置还包括但不限于：

12、所述量子卷积神经网络包括三层所述全连接层、两层所述量子卷积层和一层所述反卷积层。

13、在一示例性实施例中，装置还包括但不限于：在量子卷积核接收到由所述欠采样k空间图像提取到的特征数据之后，所述量子卷积层按照感受野以及步幅遍历特征数据，然后用所述量子卷积层编码模块将数值化后的特征数据编码到量子比特的量子态上，纠缠后的量子态经测量获取特征图。

14、在一示例性实施例中，装置还包括但不限于：所述步幅大小为1，量子卷积核为采用2x2的大小。

15、根据本申请的一个方面，一种电子设备，包括至少一个处理器以及至少一个存储器，其中，所述存储器上存储有计算机可读指令；所述计算机可读指令被一个或多个所述处理器执行，使得电子设备实现如上所述的基于量子卷积神经网络的磁共振成像方法。

16、根据本申请的一个方面，一种存储介质，其上存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行，以实现如上所述的基于量子卷积神经网络的磁共振成像方法。

17、根据本申请的一个方面，一种计算机程序产品，计算机程序产品包括计算机可读指令，计算机可读指令存储在存储介质中，电子设备的一个或多个处理器从存储介质读取计算机可读指令，加载并执行该计算机可读指令，使得电子设备实现如上所述的基于量子卷积神经网络的磁共振成像方法。

18、本申请提供的技术方案带来的有益效果是：相比于传统的深度网络，量子卷积神经网络中的量子卷积操作是一种可逆操作，它将输入态映射到输出态，并且可以通过调节权重来实现不同的变换，引入的量子卷积层利用量子力学的概念，如纠缠、叠加和干涉，做到了更快、更强大的处理能力，从而在加快磁共振成像时的计算能力，提高磁共振成像的效率。

19、在上述技术方案中，通过获取量子卷积层，然后将所述量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络，在确定量子卷积神经网络之后，可以将获取的欠采样k空间图像输入到量子卷积神经网络获取对应的全采样重建图像，通过量子卷积核的纠缠、叠加和干涉，做到了更快、更强大的处理能力，可以提高磁共振成像的成像效率，从而能够有效地解决相关技术中存在的成像上的效率偏低的问题。

技术特征：

1.一种基于量子卷积神经网络的磁共振成像方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，在所述获取对应的量子卷积神经网络的方法中，所述方法还包括：

3.如权利要求1所述的方法，其特征在于，在所述获取对应的量子卷积神经网络的方法中，所述量子卷积神经网络包括三层所述全连接层、两层所述量子卷积层和一层所述反卷积层。

4.如权利要求1所述的方法，其特征在于，在所述将所述欠采样k空间图像输入到量子卷积神经网络获取对应的全采样重建图像的方法中，所述方法还包括：

5.如权利要求4所述的方法，其特征在于，在所述量子卷积层按照野大小以及步幅大小遍历特征数据的方法中，所述方法还包括：所述步幅大小为1，量子卷积核为采用2x2的大小。

6.一种基于量子卷积神经网络的磁共振成像装置，其特征在于，包括：

7.如权利要求6所述的装置，其特征在于，所述装置还包括：

8.如权利要求7所述的装置，其特征在于，所述装置还包括：所述量子卷积神经网络包括三层所述全连接层、两层所述量子卷积层和一层所述反卷积层。

9.一种电子设备，其特征在于，包括：至少一个处理器以及至少一个存储器，其中，

10.一种存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被一个或多个处理器执行，以实现如权利要求1至5中任一项所述的基于量子卷积神经网络的磁共振成像方法。

技术总结
本申请提供了一种基于量子卷积神经网络的磁共振成像方法、装置，涉及磁共振成像领域。其中，该方法包括：获取量子卷积层；将所述量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络，其中，卷积神经网络包括全连接层、卷积层和最后的反卷积层；获取欠采样K空间图像，并将所述欠采样K空间图像输入到量子卷积神经网络获取对应的全采样重建图像。本申请解决了相关技术中成像上的效率偏低的问题。

技术研发人员：郑海荣,梁栋,王海峰,周谊航,赵挺
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：
技术公布日：2024/3/17