[发明专利]基于AR2 U-Net神经网络的快速磁共振成像方法

说明书

本发明公开了一种基于AR2 U‑Net神经网络的快速磁共振成像方法，对现有的R2U‑Net卷积神经网络加以改进，在R2U‑Net卷积神经网络的基础上，加入了注意门模块，用AG训练的模型隐含地学习抑制输入图像中的不相关区域，同时突出显示对特定任务有用的显着特征，因此AR2 U‑Net卷积神经网络在重建同质量图像的情形下，只需要少量的训练数据。对于优化损失函数在更新中存在摆动幅度过大的问题，本发明采用Adam优化算法来取代常规的SGD优化算法，可进一步加快卷积网络的收敛速度，且能有效防止训练过早结束的问题，对于学习率的处理上，采用多项式衰减策略，使得学习能够平稳下降，且随着轮数的增加下降越快。

技术领域

本发明属于磁共振成像领域，涉及一种基于AR2 U-Net卷积神经网络的快速磁共振成像方法。

背景技术

1946年，磁共振成像(Magnetic Resonance Imaging，MRI)原理被两位美国科学家布洛赫和珀塞尔发现。MRI，因其具有较高的软组织分辨率，对人体没有电离辐射损伤等优点，应用范围日益广泛，已成为一项常规医学检查方法。但由于MRI在应用中常存在扫描速度慢的缺点，容易产生运动伪影，且难以满足实时成像的要求，因此如何加快MRI的成像速度是MRI领域的热点之一。

以往研究员通常从三个方面来加速MRI的成像时间，一是提高MRI硬件的性能，但人体的生理效应限制了MRI硬件的磁场强度和磁场梯度的切换率，二是采用并行成像(Parallel Imaging，PI)技术，PI技术受限于线圈敏感度分布的准确测量，三是减少MRI频域空间(k-Space,k空间)的数据采集量，但是数据采集量的大量减少，会带来图像质量的显著下降，尽管研究员可通过多种重建算法提高欠采样图像重建的质量，但是往往需要较长的重建时间，难以满足实时成像的临床需求。

近些年来，卷积神经网络(Convolutional Neural Network，CNN)在医学影像领域中，成了新的研究热点，是一种具有良好前景的MRI快速成像方法。

目前已申请的基于卷积神经网络的MRI快速成像方面的专利有：磁共振成像方法和系统(申请号：CN201310633874.6)，基于深度网络模型来估计k空间中已采样点和未采样点之间的映射关系，从而估计出完整的k空间数据来重建磁共振图像，基于残差U-Net卷积神经网络的快速磁共振成像方法(申请号：CN 201910201305.1)，通过将残差模块加入U-Net卷积神经网络，可解决U-Net卷积神经网络的梯度消失、过拟合及收敛速度慢等问题，提高基于U-Net卷积神经网络的进行快速MRI成像的质量，基于递归残差U型网络的快速磁共振成像方法(申请号：CN201910304369.4)，通过将残差模块加入U-Net卷积神经网络(R2U-Net)，可解决U-Net卷积神经网络的梯度消失、过拟合及收敛速度慢等问题，提高基于U-Net卷积神经网络的进行快速MRI成像的质量，一种基于深度卷积神经网络的快速磁共振成像方法及装置(申请号：CN201580001261.8)，提出基于深度卷积神经网络来实现快速磁共振成像，一种磁共振成像方法及装置(申请号：CN201710236330.4)，提出基于多对比度的欠采和全采MRI图像来训练网络，一种基于卷积神经网络的多对比度磁共振图像重建方法(申请号：CN201711354454.9)，提出利用多对比度MRI图像来训练卷积神经网络，一种磁共振成像方法和系统(申请号：CN201611006925.2)，基于深度学习方法提高CS-MRI图像重建的质量和速度，基于机器学习的并行磁共振成像GRAPPA方法(申请号：CN201210288373.4)，提供一种基于机器学习的并行磁共振成像GRAPPA方法，基于深度卷积网的一维部分傅里叶并行磁共振成像方法(申请号：CN201710416357.1)和一种基于深度学习和凸集投影的磁共振重建方法(申请号：CN201810306848.5)，这两个专利将深度学习方法应用于磁共振并行成像领域，一种基于增强递归残差网络的磁共振图像超分辨重建方法(申请号：CN201810251558.5)，以反复递归的残差模块为基本单元建立递归残差网络，获得磁共振超分辨重建效果。