[发明专利]基于深度学习和边缘辅助的快速磁共振成像方法与系统

说明书

本发明涉及一种基于深度学习和边缘辅助的快速磁共振成像方法及系统，包括以下步骤：步骤1、搜集、组织和处理数据集；步骤2、构建基于级联的编解码卷积神经网络架构的主干图像重建分支；步骤3、构建基于渐进细化卷积神经网络架构的辅助边缘重建分支；步骤4、利用步骤1中搜集、组织和处理好的数据集训练由主干图像分支和辅助边缘分支交互的深度卷积重建网络；步骤5、生成重建后的图像。本发明能够改善欠采样磁共振图像的重建性能。

技术领域

本发明属于图像处理和模式识别技术领域，涉及磁共振成像方法与系统，尤其是一种基于深度学习和边缘辅助的快速磁共振成像方法与系统。

背景技术

近年来，医疗健康领域越发受到关注，“AI+医疗”的技术模式随之不断发展和进步。其中，基于深度学习的磁共振成像技术成为了焦点之一。

与从图像域获取信号的传统成像技术不同，MRI从频率域(K空间)采集信息，再重建得到结果图像。为得到清晰成像，采样过程需遵循奈奎斯特准则。在全采样的前提下，如不考虑设备噪声等因素，只需对原始K空间数据经过反傅里叶变换即可得到清晰的图像结果。

然而，MRI系统成像时间长，且易受运动伪影影响，以至于在部分临床应用场景中受到限制。因此，在保证成像质量的前提下，如何尽可能的降低MR采集时间，提升成像效率，成为技术人员的研究重点。

其中，对欠采样图像重建属于加速方法之一，其利用频域中的图像信息主要集中在低频，高频微弱的细节，降低采样率，只采样部分K空间数据，即多采集高频少采集低频信息。

经检索，发现以下现有技术中的专利文献：

1、一种用于磁共振欠采样成像的强化型残差级联网络模型(CN111487573A)，通过以局部密集连接与全局密集连接递归单元构成的深层网络重建欠采样磁共振图像。

2、一种基于深度学习的欠采样核磁共振图像重建方法(CN110570486A)，其构造了由小网络单元、压缩的小网络单元和输出模块构成的深度神经网络来重建磁共振图像。

但是，在上述现有技术主要局限于拟合从欠采样混叠图像到清晰目标图像的映射，存在重建困难与性能瓶颈等问题，且未能充分提取和利用有效的监督信息指导重建。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于深度学习和边缘辅助的快速磁共振成像方法与系统，设计一个辅助边缘分支以充分提取和有效利用磁共振图像的边缘信息，并将其作为监督指导欠采样磁共振图像的恢复，从而降低主干图像分支的重建难度，改善最终的图像重建性能。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于深度学习和边缘辅助的快速磁共振成像方法，包括以下步骤：

步骤1、搜集、组织和处理数据集；

步骤2、构建基于级联的编解码卷积神经网络架构的主干图像重建分支；

步骤3、构建基于渐进细化卷积神经网络架构的辅助边缘重建分支；

步骤4、利用步骤1中搜集、组织和处理好的数据集训练由主干图像分支和辅助边缘分支交互的深度卷积重建网络；

步骤5、生成重建后的图像。

而且，所述步骤1的搜集、组织和处理的数据集包括：各类矢状面、冠状面、横切面以及有、无质子密度加权脂肪抑制的磁共振图像；各样本及其标签既有复数值全采样图像域数据和K空间数据；由复数值全采样图像取模得到的实数值数据对。