[发明专利]一种跨对比度引导的超快速核磁共振成像深度学习方法

说明书

本发明公开了一种跨对比度引导的超快速核磁共振成像深度学习方法，该方法可以在跨对比度图像引导之下，从核磁共振成像设备所采集的高度k‑空间欠采样数据中重建出高质量的核磁共振图像。该方法主要包括跨对比度引导的图像重建模型构造、模型驱动的深度注意力网络构造、模型驱动的深度注意力网络训练过程、超快速核磁共振成像应用四大步骤。采用多组k‑空间欠采样数据、相应的全采样数据重建图像和引导核磁共振图像训练网络参数，使该网络的输出图像尽可能逼近全采样重建图像。在应用中，输入k‑空间欠采样数据及引导核磁共振图像，其网络输出即为重建的高质量核磁共振图像。

技术领域：

本发明属于医学核磁共振成像领域，具体涉及一种跨对比度引导的超快速核磁共振成像深度学习方法，用于实现跨对比度图像引导之下，从核磁共振设备采集到的k-空间高度欠采样数据重建出高质量的核磁共振图像。

背景技术：

核磁共振成像技术是一种领先的、无损伤的生物医学成像技术。一个典型的核磁共振成像协议包括相同解剖结构的多种对比度序列，可以提供互补信息加强临床诊断。然而，核磁共振成像技术存在的一个重要问题是其数据采集时间长、成像速度慢。

下面将简要介绍三类现有的快速核磁共振成像技术。

压缩传感核磁共振技术是一种加速核磁共振成像的主流方法，该技术通过在k-空间中对样本数据进行欠采样，然后基于少量采样样本重建出清晰的核磁共振图像来加速核磁共振成像速度。传统的基于模型的压缩传感核磁共振方法依赖于与图像先验相关的正则化，例如全变差正则化[1,2]、小波正则化[2,3]、非局部正则化[4,5]和字典学习[6,7]。但手工设计一个最优的正则化是具有挑战的。近年来，深度学习方法被广泛应用于压缩传感核磁共振中。它是基于训练数据利用深度神经网络学习出一个从欠采样数据重建出的低质量图像到高质量重建图像的映射[8,9,10,11,12,13]。但这些压缩传感核磁共振方法仅考虑利用单一对比度序列(如T1WI或T2WI)重建核磁共振图像，加速倍数是有限的。

另一种加速核磁共振成像的方法是通过其他对比度全采样数据生成缺失对比度的核磁共振图像。这类方法要么学习源对比度图像块的字典或稀疏表示用于目标对比度[14,15]，要么直接通过深度神经网络学习从源对比度到目标对比度的映射[16,17,18,19]。但是，这种方法，具有低的重建精度。

在临床应用中，一些对比度序列，如T1WI，需要较短的采集时间，允许全采样，而其他序列，如T2WI和FLAIR，需要较长的采集时间，可以通过欠采样加速成像。最近，Xiang等人[20]提出跨对比度引导的核磁共振图像重建方法来加速核磁共振成像。采用Dense-Unet网络融合欠采样重建的T2WI图像和全采样重建T1WI引导图像，输出重建的T2WI核磁共振图像。但这种网络既没有把核磁共振成像机理和领域知识引入网络结构的设计中，网络没有可解释性，也没有针对融合问题精心设计特殊的网络模块，图像重建质量不高。

参考文献：

[1]Block K T,Uecker M,Frahm J.Undersampled radial MRI with multiplecoils.Iterative image reconstruction using a total variation constraint[J].Magnetic Resonance in Medicine,57(6):1086-1098,2007.

[2]Huang J,Chen C,Axel L.Fast multi-contrast MRI reconstruction[J].Magnetic resonance imaging,32(10):1344-1352,2014.