[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

说明书

本发明涉及一种基于级联并行卷积网络的磁共振图像重建方法，属于磁共振成像技术领域。本发明是一种基于深度学习的MRI重构方法，该方法对于磁共振成像重构表现显著。受U‑Net的启发，通过引入并行卷积核，提出一种并行卷积网络(PCK‑Net)，并将其与数据一致性层相结合，得到级联并行卷积网络(Cascaded PCK‑Net)。使用高斯欠采样模式对脑部复数数据进行欠采样，并对级联CNN模型、级联U‑Net模型、新提出的Cascaded PCK‑Net的重构性能进行了测试。仿真实验结果表明，提出的Cascaded PCK‑Net的重构质量均优于级联CNN模型和级联U‑Net模型。

技术领域

本发明涉及一种基于级联并行卷积网络的磁共振图像重建方法，属于磁共振成像技术领域。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)是一种广泛应用于医疗诊断和治疗检测的医学影像技术。由于它无电离辐射危害，软组织成像分辨率高，能多序列成像和多类型成像，且能为医生提供精确的病变影像信息，目前已成为临床应用中最有效的医学成像技术之一。但是，由于物理和生理的原因，限制了磁共振图像采集的速度，导致其扫描时间过长。这成为了磁共振成像应用中最主要的缺点。压缩感知(CS)理论表明，可从少量的测量数据中重构出精确的原始信号。将压缩感知应用于磁共振成像中，从少量的采样数据中重构磁共振图像，有效的减少了磁共振成像的扫描时间，加快了磁共振成像速度。

深度学习模型在计算机视觉领域取得巨大成功，例如图像分割、超分辨率和目标检测等。它能将数据中提取的特征进行高度抽象的表示，这得益于充分利用训练数据来构建良好的网络模型。

随着深度学习的发展，近年来也有一些研究将深度学习应用到欠采样磁共振成像的重建中，能有效的去除重叠伪影。现有的基于深度学习的MRI重构方法基本都依赖于大数据集训练，而由于患者隐私等问题，大量的医学数据很难获得。

发明内容

本发明提出了一种基于级联并行卷积网络的磁共振图像重建方法，重建效果良好。

本发明采用的技术方案是：一种基于级联并行卷积网络的磁共振图像重建方法，包括如下步骤：

第一步，构建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搭建基于级联并行卷积网络的磁共振图像的重建网络，基于级联并行卷积网络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。网络架构如图2所示。

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(下采样步长为2)组成。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。PCO如图1所示。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1x1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。