[发明专利]基于双域卷积神经网络的快速磁共振重建系统及其训练方法与应用

说明书

本发明公开了一种基于双域卷积神经网络的快速磁共振重建系统及其训练方法与应用，该快速磁共振重建系统由多个第一数据处理装置和一个第二数据处理装置以级联的方式组合而成；第一数据处理装置包括第一k空间数据处理模块、第一图像域数据处理模块、k空间数据融合模块和图像域数据融合模块；第二数据处理装置包括第二k空间数据处理模块、第二图像域数据处理模块和数据融合输出模块。本发明以并联的形式来设计双域网络结构，两个数据处理装置均可实现k空间数据和图像域数据的并行处理，并结合数据约束处理和数据融合等，重建出高质量的磁共振图像。

技术领域

本发明属于医学图像处理技术领域，涉及磁共振成像技术，尤其涉及一种基于双域卷积神经网络的快速磁共振重建系统及其构建方法与应用。

背景技术

医学影像技术凭借其可以以一种非侵入的方式为人体的内部结构提供丰富的解剖图像，可以比较直观地观察人体内部的各个病灶部位，因此，已经成为临床医学诊断和科学研究的重要辅助技术之一。

磁共振成像作为医学影像领域最重要成像技术之一，相比于其它影像技术，该成像技术有其独特的优点：(1)没有电离辐射，它是物理基础是原子核的磁共振现象，没有像X光、CT等医学图像采用X射线来进行成像的，因此该技术不存在电离辐射；(2)对软组织具有较高的分辨率；(3)可以在任意方位进行成像；(4)成像参数多，能提供更丰富、更精确的诊断信息。

虽然磁共振成像有着其它成像技术无法比拟的优势，但是该方法也存在一个极大的缺陷：成像速度慢，扫描时间长。成像时间长会导致患者的非自主运动，同时伴随自主的生理运动(比如腹部、心脏的自主运动)，从而使最终的磁共振图像含有伪影，这些伪影会导致图像质量下降，最终影响医师的诊断。同时由于其在运转过程中，伴随有巨大的噪声，这会使患者产生不适。同时在一些对动态实时性要求很高的场合，该方法根本无法发挥作用。因此，该缺点严重阻碍该成像技术的全面应用。

目前，有大量的学者研究了许多的方法来加快磁共振成像的速度，这些方法主要可以分为两类：基于系统成像的并行成像和基于信号处理的压缩感知磁共振重建。

并行成像技术使用多个相互独立的接收阵列线圈同时采集数据，同时结合每个线圈的灵敏度进行空间信息编码，最后利用相应的算法来重建出最终的图像。基于系统成像的并行成像方法主要可以分为两类：(1)基于k空间的并行重建算法，该算法最具代表性的算法是由Sodickson等人提出的SMASH算法，它是历史上第一个用于临床检查的磁共振并行成像技术；该算法通过接收线圈的灵敏度的线性组合，来恢复出欠采样导致缺失的k空间数据；(2)基于图像域的并行磁共振重建，这类算法首先将每个线圈采集的数据信号通过逆傅里叶变换得到图像域的数据，再依靠每个线圈的灵敏度信息来重建出最终的图像，这类算法代表算法是Pruessmann提出的SENSE算法；但是这类算法通常加速因子小于线圈个数。

由于采样样本的数量与扫描时间成线性关系，通过稀疏采样(减少采集的数据量)来加快磁共振成像速度已成为快速磁共振成像领域的研究热点，压缩感知理论就是其中具有代表性的工作，若信号具有可压缩性或在某一变换域具有稀疏性，该理论可以在数据采集量低于奈奎斯特采样频率时准确还原出原始信号。但是这类方法有几个缺点：(1)迭代求解的过程比较耗时；(2)超参数的选择比较困难；(3)正则项的选择比较困难。

近年来，深度学习的成功应用给压缩感知快速磁共振重建提出了新的方向并获得大量学者的关注。这类方法大致可分为5类方法：第一类方法是一种基于后处理的方法，该方法首先由欠采样数据利用逆傅里叶变换获得零填充图像(含有伪影)，然后利用神经网络来得到去除伪影的图像。第二类方法是将欠采样数据作为神经网络的输入，恢复出全采样的数据，最后利用逆傅里叶变换来得到磁共振图像。第三类方法是迭代展开的方法，这类方法将压缩感知方法利用不同的数值求解算子展开成网络和数值求解相结合的形式来进行重建。第三类方法利用神经网络直接从欠采样数据来重建出全采样的磁共振图像数据。第五类方法是基于双域的方法。这类方法首先使用是神经网络在欠采样数据上进行处理，然后使用逆傅里叶变换得到图像域数据，然后使用神经网络来重建出最终的图像。