[发明专利]一种基于深度学习的欠采样核磁共振图像重建方法

说明书

本发明提供一种基于深度学习的欠采样核磁共振图像重建方法，包括如下步骤：S1：构造深度神经网络，所述深度神经网络包括：至少1个小网络单元、至少1个压缩的小网络单元和输出模块；S2：构建候选操作池，所述候选操作池包括所述小网络单元和/或压缩小网络单元的节点之间的相互连接方式；S3：使用微分网络结构搜索算法从所述候选操作池中搜索所述节点之间的可能操作，得到最优的深度神经网络结构。在特定的计算资源情况下设计出最适合核磁共振图像重建的深度神经网络模型；调整小网络单元、压缩的小网络单元以及每个单元内部的计算节点数目，灵活限定模型所需要占据的计算资源，设计出灵活多变的高质量核磁共振重建深度网络。

技术领域

本发明涉及医学核磁共振成像技术领域，尤其涉及一种基于深度学习的欠采样核磁共振图像重建方法。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)能提供丰富的组织对比度，使得医生对病变部位能够准确鉴别诊断，但这一技术具有采集时间长的缺点。在采集过程中，硬件获取的信号图像为频域的K空间数据(Kspace Data)，而物体的结构图像与采集信号之间为傅里叶变换(Fourier Transformation)关系。现有的技术，一般都是通过采集欠采样的K空间数据，利用压缩感知、深度神经网络等技术从欠采样的K空间信号中试图恢复完整的图像。

例如由Facebook人工智能研究中心(FAIR)和纽约大学(Zbontar J,Knoll F,Sriram A,et al.fastmri:An open dataset and benchmarks for acceleratedmri.arXiv preprint arXiv:1811.08839,2018.)联合构建的fastMRI数据集以及在此数据集上公布的基准欠采样磁核共振图像深度网络重建算法模型，其重建整流程可以概括如下：使用全采样的Kspace信号重建出的磁共振图像作为重建算法的目标，将全采样信号覆盖上随机模式欠采样4倍或8倍加速的掩码——这意味着磁共振图像采集时间缩短了对应的4倍或8倍，进行补零填充后反傅里叶变换得到的带有混叠的图像作为重建算法的输入，构建起配对的磁共振图像快速重建数据集。将上述配对数据中欠采样的核磁共振图像输入到单通道的Unet网络结构中，使用L1损失作为监督，最小化输出图像和全采样核磁共振图像的L1损失来优化神经网络的权重。训练完成后，所得到的深度神经网络能够对欠采样磁共振图像起到恢复重建作用。

使用Unet结构的深度神经网络来进行磁核共振图像重建存在以下问题，由于Unet是为了语义分割任务设计的，所以采用了层次化的卷积-池化操作对特征图进行下采样以扩大感受野来提高分割效果，这样的结构并不能被确认有利于核磁共振图像的重建，所以重建图像的质量有较大的提高空间。同时由于在下采样过程中会将特征图的通道数目不断倍增，导致这样的算法在运行时需要占据大量的计算资源，训练时间长，运行速度慢。

除了网络的宏观结构之外，网络模块中的具体操作对核磁共振的重建结果也会有影响，例如，Yansun Li等人(Sun L,Fan Z,Huang Y,et al.Compressed sensing MRIusing a recursive dilated network[C]//Thirty-Second AAAI Conference onArtificial Intelligence.2018.)使用扩张卷积相对于普通卷积，除去网络中的归一化层能够提高磁共振图像的重建效果。当然除此之外，他们在网络整体设计上也做了相应的改动，把特征图使用跨接进行合并的操作改为用残差连接的方式将特征图直接相加。Li等人提出的框架是通过手动尝试设计的，Li在论文中也提出，通过在3*3扩张为1的卷积之后再添加3*3扩张为2的卷积，还能继续提高重建网络的性能，同时这一子模块重复的次数等都是不固定的。可以看出，一方面设计这样的精细网络结构是十分复杂的，需要依靠经验丰富的开发人员进行仔细地思考和多次试验尝试，另一方面，即使构建了大体网络框架，也很难把握图像重建质量和深度网络所需要的计算资源之间的平衡。