[发明专利]一种基于级联并行卷积网络的磁共振图像重建方法

权利要求书

1.一种基于级联并行卷积网络的磁共振图像重建方法，其特征在于：包括如下步骤：

第一步，构建脑部数据集并进行数据预处理：

选取全采样的脑部图像数据集并进行归一化处理，数据集分为100个训练数据集和8个测试数据集,对训练数据集和测试数据集进行傅里叶变换得到k空间数据，在不同加速因子下用高斯欠采样伪影对k空间数据欠采样得到欠采样数据，然后逆傅里叶变换得到零填充图像数据；

第二步，通过深度学习框架PyTorch搭建基于Cascaded PCK-Net的磁共振图像的重建网络，基于Cascaded PCK-Net的磁共振图像的重建网络包括二个部分，并行卷积网络PCK-Net和数据一致性DC模块：

(1)PCK-Net：此网络的编码器和解码器由重复的模块组成:

在编码器端，基本模块由3×3卷积、并行卷积运算、1×1卷积和2×2最大池化运算组成,最大池化运算的下采样步长为2,并行卷积运算PCO包含两条路径：一条路径包含三个3×3卷积和一个1×1卷积；另一条路径包含两个3×3卷积和一个1×1卷积,将两条路径的输出连接起来，然后进行1×1卷积,所有卷积后均跟随一个激活函数ReLU；

在解码器端，基本模块由一个上采样的特征图和对应级别的1×1卷积输出的复制的特征图连接起来、3×3卷积、PCO、“Global shortcut”、PCO的输出和1×1卷积组成，上采样方法使用Upsample函数代替传统的Deconv函数，另外，“Global shortcut”连接编码器和解码器的相应级别，以防止过拟合；

(2)DC模块：表示数据一致性层，将PCK-Net输出的图像进行傅里叶变换得到k空间数据，与原始的欠采样k空间数据合并，得到新的k空间数据，再对该新的k空间数据进行傅里叶逆变换后得到重构图像，DC模块的目的是将图像进行保真处理，公式如下：

其中，表示待重构的2D图像数据堆叠为N点的列向量，m和n是图像的长和宽，N＝m×n表示图像所有像素点数，表示欠采样的k空间数据，是傅里叶变换矩阵，F^-1是逆傅里叶变换，表示欠采样矩阵，P^T是P的转置，I是单位矩阵，λ为正则化参数，用于平衡正则化项和保真项，f_DL是由θ参数化的深度学习网络的前向映射，包括数百万个可调整的网络权重，其中θ是网络权重参数，网络接收零填充图像x_u作为输入，并生成重建结果作为输出；

第三步，模型训练：

把训练数据集输入到基于Cascaded PCK-Net的磁共振图像的重建网络中，通过正向传播得到高质量的脑部图像，根据高质量的脑部图像和全采样脑部图像的误差进行反向传播，不断更新网络权重参数直至误差不再减小，将训练好的网络权重参数保存为模型；

参数设置：目标函数使用逐像素平方误差，由于Cascaded PCK-Net模型需要耗费大量的显存，因此在实验中使用batch_size＝1来训练网络，这并不会影响模型的收敛性，使用Xavier初始化权重，用Adam优化器训练整个模型，α＝5×10^-4，表示学习率，β₁＝0.9，表示第一次估计的指数衰减率，β₂＝0.999，表示第二次估计的指数衰减率，l₂参数权重衰减为1×10^-7，将训练好的网络权重参数保存为模型；

第四步，输入欠采样的测试数据集，加载第三步训练好的模型，输出重建的高质量脑部图像。