[发明专利]一种基于生成式对抗网络的并行磁共振成像方法

说明书

本发明属于磁共振成像技术领域，公开了一种基于生成式对抗网络的并行磁共振成像方法，用于解决现有基于深度学习的并行磁共振成像方法需要大量训练样本而导致成像速度慢的问题。本发明方法包括：对并行磁共振K空间数据的中间区域进行全采样而获取全采样数据，对并行磁共振K空间数据的周围区域间隔降采样获取降采样数据；利用生成网络模型重建并行磁共振K空间数据的周围区域的未采样数据；将全采样数据、降采样数据和未采样数据进行合并组成完整的并行磁共振K空间数据；利用傅里叶反变换将所述完整的并行磁共振K空间数据转换成图像。

技术领域

本发明属于磁共振成像技术领域，具体涉及一种基于生成式对抗网络的并行磁共振成像方法。

背景技术

虽然磁共振成像(Magnetic resonance imaging,MRI)有着无电离辐射，丰富的组织对比度信息，以及非入侵式的检测等优点，但较长的扫描时间限制其进一步推广和应用。

并行磁共振成像技术能在扫描视野和空间分辨率保持不变的情况下有效地减少磁共振成像时间，从而受到广泛关注。然而，受重建过程中混叠伪影和噪声放大的影响，现有并行磁共振成像方法只能在很较小的采样加速因子下才能取得较好的图像质量，其成像速度和重建质量有待进一步提高。

近来，深度神经网络是当前机器视觉及人工智能领域的一个研究热点。在磁共振成像领域，结合深度学习和压缩感知技术的磁共振成像方法，能在保证图像质量基本不变的情况下一定程度上减少成像时间。

然而，当前结合深度学习和压缩感知的磁共振成像方法需要大量的标注好的临床医学图像，而且压缩感知技术需要磁共振设备进行随机采样，这使得当前基于深度学习的磁共振成像方法很难应用于临床之中。

因此，若能无需大量训练样本，能采样现有并行磁共振成像采样方式一致的深度学习磁共振成像方法，便能让深度学习更好的在磁共振成像上获得应用，从而提高磁共振成像速度，进一步减轻患者经济和心理负担。

发明内容

本发明为了解决基于深度学习的磁共振成像方法由于需要大量的训练样本而导致成像速度慢的问题，而提供一种基于生成式对抗网络的并行磁共振成像方法。

为解决技术问题，本发明所采样的技术方案是：

一种基于生成式对抗网络的并行磁共振成像方法，其特征在于，所述方法至少由一个处理器完成，所述方法包括：

对并行磁共振K等空间数据的中间区域进行全采样获取全采样数据，对并行磁共振K空间数据的周围区域等间隔降采样获取降采样数据；

对全采样数据和降采样数据进行处理后作为训练样本训练判别网络模型；

利用训练好的判别网络模型和经过处理后的全采样数据来训练生成网络模型；

利用训练好的生成网络模型重建并行磁共振K空间数据的周围区域的未采样数据；

将全采样数据、降采样数据和未采样数据进行合并组成完整的并行磁共振K空间数据；

利用傅里叶反变换将所述完整的并行磁共振K空间数据转换成图像。

在一些实施例中，所述训练样本包括I类样本数据、II类样本数据和III类样本数据；所述判别网络模型基于I类样本数据、II类样本数据和III类样本数据训练得到；所述生成网络模型基于判别网络模型和I类样本数据训练得到。

在一些实施例中，所述I类样本数据、II类样本数据和III类样本数据由如下方法得到：

对全采样数据设置一些数据为0进行伪降采样从而获得伪降采样数据；

在伪降采样数据中依次取大小为M*N的窗口数据作为判别网络模型和生成网络模型的训练样本的输入，对应标签为0，并记为I类样本数据；