[发明专利]基于PCU-Net网络的快速多通道磁共振成像方法

说明书

本发明公开了基于PCU‑Net网络的快速多通道磁共振成像方法，包括数据处理与划分、PCU‑Net网络的构建与训练优化以及多通道磁共振图像重建三个步骤。本方法将复数U型卷积神经网络拓展至多通道数据的训练和预测，通过多通道复数模块提取多个通道间的特征，基于多通道复数均方误差训练网络，以用于多通道欠采样数据的磁共振图像重建，并通过循环导入网络参数的方法加速网络收敛。实验结果表明，本发明方法不仅能高质量重建多通道磁共振图像，而且基于训练后的优化参数，可快速重建多通道图像，以满足实时在线重建的需求。

技术领域

本发明属于磁共振成像领域，具体涉及一种基于PCU-Net网络的快速多通道磁共振成像方法。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)是一种无电离辐射的非侵入式医学成像方法，现在已经广泛应用于临床辅助诊断中。但在实际应用中，由于磁共振成像速度较慢、易于产生运动伪影等缺点，使得该技术的应用受到一定的限制。

并行磁共振成像(pMRI)和压缩感知(CS)都是重要的MRI加速方法，pMRI采用了多个并行线圈同时接收空间的感应信号，根据获得的各个线圈的空间灵敏度的差异信息来实现空间信息的编码，可减少对k空间相位编码线的填充，从而加快磁共振成像的速度。

传统的并行磁共振成像算法可分为基于图像域和基于k空间域两大类，它们的代表算法分别是SENSE和GRAPPA，其中SENSE算法需要获取并行线圈的敏感度分布，而GRAPPA算法也需要额外扫描k空间中心区域的数据行，计算并行线圈的权重系数，这额外增加了数据采集时间，而且在高加速因子下，成像质量会显著下降。深度学习是利用深度神经网络来解决特征表达的一种自动学习过程，现在已经被广泛应用于目标分割、语音识别等领域，由于其独特的优势，近年来，研究者开始把深度学习应用到pMRI中来。

目前已申请的基于深度学习的快速并行磁共振成像方面的专利有：

基于深度卷积网的一维部分傅里叶并行磁共振成像方法(申请号：CN201710416357.1)，通过构建多层的卷积神经网络，重建出效果不错的单通道全采样图像。一种基于生成式对抗网络的并行磁共振成像方法(申请号：CN201910630400.3)，提出了一种基于生成式对抗网络的并行磁共振成像方法，其中判别网络模型采用卷积神经网络，生成网络模型采用卷积自编码器，该方法用于解决现有基于深度学习的并行磁共振成像方法需要大量训练样本而导致成像时间长的问题。

国内外已发表的基于深度学习的快速并行磁共振成像方面的文章有：