[发明专利]基于双域交替卷积的神经网络磁共振图像的重建方法

说明书

本发明涉及一种基于双域交替卷积的神经网络磁共振图像的重建方法，其特征在于：包括如下步骤：步骤1、获取K空间数据集；步骤2、生成欠采样K空间数据；步骤3、建立双域交替卷积的编解码神经网络结构；步骤4、利用步骤2中生成的欠采样K空间数据和步骤1中K域信息经过逆傅里叶变换得到的图像域数据训练双域交替卷积的编解码神经网络模型；步骤5、使用训练好的双域交替编解码神经网络对欠采样磁共振数据进行重建，获得清晰度较高的磁共振重建图像。本发明利用在K域上的小核卷积神经网络实现磁共振成像的加速重建，在消除由于突破内奎斯特采样极限带来的伪影的同时，能够重建得到清晰的磁共振成像，提高重建精度。

技术领域

本发明属于图像处理技术领域，涉及欠采样磁共振图像的重建方法，尤其是一种基于双域交替卷积的神经网络磁共振图像的重建方法。

背景技术

目前，核磁共振成像可以实现对人体软组织实现非侵入式的可视化检查，但是由于其过长的扫描时间以及对于运动伪影的敏感性，在使用过程中患者有严重的不适感。扫描时间与测量数据的样本量直接相关，为了加速扫描速度，可进行欠采样扫描，但是受限于内奎斯特采样定理，在低于奈奎斯特采样率的采样情况下会出现伪影。

Lustig M提出了一种利用有关基础信号的先验信息从较少的测量中恢复高分辨率图像来实现快速磁共振成像的技术Compressed Sensing MRI[Lustig M,Donoho D L,Santos J M,et al.Compressed Sensing MRI[J].IEEE Signal Processing Magazine,2008,25(2):72-82.]。压缩感测算法可以通过利用某些变换域(例如，信号变换域)中信号的稀疏性，从欠采样的k空间数据中重建高分辨率图像。小波变换等。尽管CS方法表现出很高的性能，但是计算复杂度却非常高，在实践中，超参数调整是一项艰巨的任务。M.A.Griswold设计了一种通用自动校准部分并行采集(GRAPPA)的并行磁共振成像技术[M.A.Griswold,P.M.Jakob,R.M.Heidemann,M.Nittka,V.Jellus,J.Wang,B.Kiefer,andA.Haase,“Generalized autocalibrating partially parallel acquisitions(GRAPPA),”Magnetic resonance in medicine,vol.47,no.6,pp.1202–1210,2002.]。它通过利用线圈灵敏度图的多样性来插值缺失的k空间数据。该方法基于可疑区域中图像的亮度分量以及图像块的中值比较，但是该算法最终的重建结果在结构相似度以及峰值信噪比均表现较差。Jinming Duan提出提出了一种用于并行磁共振成像重建的深度学习方法，称为可变分裂网络(VS-Net)，用于对欠采样的多线圈MR数据进行高效，高质量的重建。[DuanJ,Schlemper J,Qin C,et al.VS-Net:Variable splitting network for acceleratedparallel MRI reconstruction[J].2019.]。可变分裂网络(VS-Net)是一种用于并行磁共振成像(MRI)重建的深度学习方法，用于对欠采样的多线圈磁共振数据进行高效，高质量的重建。该方法将广义并行压缩感知重建公式化为能量最小化问题，并针对此问题推导了变量拆分优化方法。但是，该算法在重建过程中需要依赖多线圈数据所生成的敏感度图，严格意义上来讲该算法不是端对端的重建。HanY提出了一种完全数据驱动的K空间插值深度学习算法[HanY,Sunwoo L,Ye J C.k-Space Deep Learning for Accelerated MRI[J].2018.]。通过使用k空间深度学习和图像域损失函数，完全数据驱动的k空间插值实现对欠采样K空间数据的插值，进而实现对磁共振成像的重建，该算法虽然实现了端对端的重建，但是由于欠采样的K空间数据是不连续的，所以该算法直接在K域进行卷积计算会导致重建图像产生伪影。

综上，在已知的基于K空间磁共振成像的重建算法中，K域卷积神经网络的有效卷积并没有得到很好的解决，现有的几种方法存在计算量大、无法真正实现端对端的重建、重建结果有伪影等缺点。

发明内容