[发明专利]面向快速MRI的深度神经网络的多尺度序贯训练方法

说明书

一种面向快速MRI的深度神经网络的多尺度序贯训练方法，该训练方法构建多尺度的MR训练图像来训练深度神经网络，首先学习从低倍欠采样的MR图像到全采样MR图像的映射关系，得到深度神经网络模型的初始参数；再逐步增大输入的MR图像的欠采样倍数，在每种欠采样尺度下，依次训练深度神经网络学习从欠采样的MR图像到全采样的MR图像的映射关系，并且每次在更低尺度下的深度神经网络模型的训练都是以前一个尺度下训练所得的网络模型为基础，从而为最终重构高倍欠采样的MR图像累积足够丰富的先验知识，有效地提升MR图像的重建精度。本发明所提供的方法能够有效地重建高倍欠采样的磁共振图像，具有很强的实用性。

技术领域

本发明涉及医学成像领域，尤其是磁共振成像(Magnetic Resonance Imaging，MRI)的医学图像技术领域，主要用于加快成像速度和提高成像质量。

背景技术

磁共振成像(MRI)是目前临床医学影像中最重要的非侵入式检查方法之一，是继CT之后影像行业的又一大进步，成像质量优于B超和CT，但不会像CT等成像方式那样产生电离辐射；具有温度敏感性、多方位、多参数、多模态、多面成像能力等优点，不仅可显示人体组织的解剖信息，而且可显示功能信息；已经广泛地应用于血管造影、神经病学、心脏病学检查等多种临床应用，尤其适用于前列腺疾病、脑膜炎、肌肉骨骼系统疾病、糖尿病、心血管病等疾病的早期定性分析和治疗规划；在介入治疗中得到广泛认可，被誉为现代医学影像技术皇冠上的明珠。如今，MRI在临床上有广泛的应用，每年至少有6000万病例利用MRI技术进行检查。

尽管MRI是目前少有的对人体无伤害的安全、准确的临床诊断方法，并且具有多方位、多参数、多模态等有点，但是成像速度过慢和介电伪影较高仍然是横亘在MRI领域多年的两大困扰。MRI扫描时间过长、成像较慢会造成以下问题：(1)给病人造成额外的痛苦，尤其是对有“幽闭恐惧症”的病人；(2)器官的非自主运动(如呼吸、眨眼、吞咽等非自主运动)更容易造成图像模糊，增加伪影；(3)无法满足动态实时成像与手术导航的需要。

现有的并行成像技术和由欠采样数据快速重建磁共振(Magnetic Resonance，MR)图像的技术都取得了一定的成功，但在高倍加速因子下，仍会产生较严重的混叠伪影。因此，研究一种在高倍加速采样的同时还能保证图像精度的快速MRI方法尤为重要。最近的研究表明，利用深度学习的方法可对欠采样的MR图像实现快速、准确的重建，这为快速MR成像指明了新方向。然而，现有的深度学习算法基本上是直接学习从高倍欠采样的MR图像到全采样MR图像的映射，这就要求对高倍欠采样的MR图像进行大量的零填充，不仅增加了额外的计算开销，而且还会给重建图像带来明显的伪影，从而导致重建的MR图像的信噪比较低，病灶信息难以清晰呈现。

发明内容

为了克服已有技术的不足，为了提升深度神经网络对高倍欠采样的磁共振图像的重建精度，本发明利用k空间中不同欠采样比率下的磁共振图像相对于全采样的磁共振图像在高频空间中的信息差异，提出了一种深度神经网络的多尺度序贯训练方法，以更有效地学习高倍欠采样的磁共振图像中丢失的细节信息，从而加快磁共振成像。该训练方法通过构建多尺度的MR训练图像，使深度神经网络从低倍欠采样的MR图像到高倍欠采样的MR图像，逐步学习在不同的欠采样尺度下，欠采样的MR图像与全采样的MR图像的映射关系，从而为最终重构高倍欠采样的MR图像累积足够多的先验知识，有效地提升MR图像的重建精度。

本发明解决其技术问题所采用的技术方案是：

一种面向快速MRI的深度神经网络多尺度序贯训练方法，包括以下步骤：

步骤1令f(·；Θ)表示对k空间中的任意u倍欠采样的MR图像进行重建的深度神经网络，这里，Θ为f(·；Θ)的参数集，表示MR图像所在的k空间，为y_u的维度，N为全采样的MR图像的维度，表示MR图像所在的像素空间；本发明中，将k空间中的MR图像的维度称为其尺度；y_u和x存在如下关系：