[发明专利]基于PCU-Net网络的快速多通道磁共振成像方法

权利要求书

1.基于PCU-Net网络的快速多通道磁共振成像方法，其特征在于：该方法具体包括以下步骤：

步骤一、数据处理与划分

s1.1、数据采集与预处理

对k空间数据进行全采样得到k空间多通道数据f_m(k_x,k_y)，其中m表示数据通道数，经过离散傅里叶反变换IDFT后得到全采样图像F_m(x,y)：

F_m(x,y)＝IDFT(f_m(k_x,k_y)) (1)

对k空间多通道数据f_m(k_x,k_y)进行1维随机欠采样，得到欠采样的k空间数据u_m(k_x,k_y)：

u_m(k_x,k_y)＝f_m(k_x,k_y)·mask_m(x,y) (2)

其中，·表示点乘，mask_m为每个通道的随机欠采样模板，mask_m(x,y)为采集的数据在mask矩阵中对应的值：

对欠采样的k空间数据u_m(k_x,k_y)进行离散傅里叶反变换，得到填零重建图像，即欠采样图像U_m(x,y)；将全采样图像F_m(x,y)和欠采样图像U_m(x,y)一一对应；

s1.2、复数数据归一化

将步骤1.1得到的对应的多通道全采样和欠采样图像在保留每个通道复数数据原始相位的情况下对幅值进行归一化，然后将每个通道归一化后的幅值和保留的相位重新组合成多通道复数数据：

norm_m＝(mag_m-mag_min_m)/(mag_max_m-mag_min_m) (4)

image_m＝norm_m·exp(j·phase_m) (5)

其中norm_m表示归一化后的多通道幅值数据，mag_m表示原始的多通道幅值数据，mag_min_m表示原多通道幅值数据的最小值，mag_max_m表示原多通道幅值数据的最大值，phase_m表示保留的原始多通道复数数据的相位，image_m表示经过复数数据归一化后重新得到的多通道复数数据；

s1.3、数据集划分

将步骤1.1、1.2中经过预处理和归一化后的数据的实部与虚部一一对应后分开，再将数据集分为训练集、验证集和测试集，其中全采样数据作为欠采样数据的真实值标签；

步骤二、PCU-Net网络的构建与训练优化

s2.1、PCU-Net网络构建

PCU-Net网络是一个基于多通道复数模块的U型网络，它包括四个降采样层和四个升采样层，其中每个降采样层包括多通道复数卷积、多通道复数批标准化、多通道复数激活和多通道复数池化；每个升采样层包括多通道复数卷积、多通道复数批标准化、多通道复数激活和多通道复数上采样；在每一个升采样层中，上采样输出和对应的降采样输出进行拼接；将实部与虚部分开且一一对应的多通道数据输入PCU-Net后，相应得到实部和虚部分开的多通道数据；

所述多通道复数卷积将输入特征的实数部分和虚数部分分别进行卷积；多通道复数批标准化在每个通道分别进行复数批标准化操作；多通道复数激活在每个通道分别采用modReLU激活函数，在原点创建半径为l_(m,n)的非激活区域，激活其余区域，保留预激活的相位；多通道复数池化对每个通道采用复数幅值最大值池化，将幅值最大的复数作为复数池化的结果；多通道复数上采样对每个通道采用双线性插值算法，通过插值扩大图像尺寸；

s2.2、PCU-Net网络训练

将训练集数据输入到步骤2.1构建的PCU-Net网络中，选取多通道复数均方误差函数作为反向传播的损失函数，对数据的实部与虚部分别使用均方误差后再整合，计算训练集数据真实值标签与网络预测值的损失值loss；同时在训练过程中使用验证集验证误差；

s2.3、PCU-Net网络优化

通过Adam优化器对网络参数进行循环迭代优化；将训练次数作为循环迭代的终止条件，通过网络的前向传播和误差的反向传播得到最终优化的网络模型参数θ；

所述循环迭代设置每一轮的训练次数epoch的固定值为p，进行多轮迭代；在每一轮迭代结束时保存网络参数，并在下一轮迭代训练开始时导入上一轮最后保存的网络参数，再进行新一轮的迭代训练并保存网络参数；循环迭代n次，网络的训练次数为n×p；

步骤三、多通道磁共振图像重建

在PCU-Net网络模型中导入步骤二优化后的网络模型参数θ，再输入测试集中的多通道欠采样数据T_m(x,y)，得到多通道预测数据Predict_m(x,y)：

Predict_m(x,y)＝PCU-Net(T_m(x,y),θ) (6)

对网络输出的预测数据进行一致性操作提高重建图像的质量，首先对每个通道的数据进行离散傅里叶变换DFT得到k空间数据S_m(k_x,k_y)，再用欠采样k空间数据替换S_m(k_x,k_y)中相应位置的数据，然后进行离散傅里叶反变换进行图像重建，得到重建结果Recon_m(x,y)，最后对Recon_m(x,y)使用平方和开根号方法进行合成得到最终的图像Result(x,y)：

S_m(k_x,k_y)＝DFT(Predict_m(x,y)) (7)

Recon_m(x,y)＝IDFT(u_m(k_x,k_y)+S_m(k_x,k_y)·(1-mask_m(x,y))) (8)

其中，M表示多通道数据的最大通道数。