[发明专利]一种基于结构相似性的MRI图像重建方法

说明书

本发明公开了一种基于结构相似性的MRI图像重建方法，属于医学图像优化技术领域。所述方法包括步骤：对全采样MRI图像进行模拟欠采样预处理；建立T1和T2对比度的单对比度重建模型；构建相似性约束损失函数；融合训练多对比度融合重建模型；将同一部位多个对比度的欠采样MRI图像输入多对比度融合重建模型。本发明利用拟合能力强大的深度学习技术，为不同对比度的MRI图像建立单对比度重建模型，并使用结构相似性约束对不同对比度的单对比度重建模型进行融合训练，与单一对比度重建神经网络模型相比达到更高质量的重建效果。

技术领域

本发明涉及医学图像优化技术领域，更具体地，涉及一种基于结构相似性的MRI图像重建方法。

背景技术

磁共振成像技术是现代医疗领域一种重要的医学成像技术，广泛应用于生成精确的活体解剖图像等工作。在通常的MRI扫描中可以获得不同对比度的图像，如T1对比度和T2对比度，实际诊断时医生需结合多种对比度的完整MRI图像进行疾病诊断：T1对比度有利于观察解剖结构，T2对比度有利为观察患者病灶；因而需要对病人进行多次长时间的扫描，以获取足够的数据供医生诊断分析，但长时间的扫描不仅会影响患者健康，还可能引入运动伪影，不利于图像数据的精确性；而降低扫描时间将减少数据的采集量，会导致MRI图像质量下降。

为了解决这一矛盾，相关领域的学者利用现代计算科学，进行了许多对医疗影像重建方法的研究与探索。

现有的基于深度学习技术重建MRI图像的研究中，有研究人员提出单纯利用卷积神经网络对欠采样MRI图像进行重建的方法[S.Wang et al.Accelerating magneticresonance imaging via deep learning,2016]，还有研究人员在卷积神经网络的模型设计上做出改进，提出一种级联卷积神经网络进行MRI图像的重建[J.Schlemper,et al.Adeep cascade of convolutional neural networks for MR image reconstruction,2017]。然而现有的基于深度学习MRI图像的重建方法普遍仅在单对比度的MRI图像重建中取得了较好的重建效果，没能将不同对比度的MRI图像重建网络进行融合训练，无法利用同一人体部位不同对比度MRI图像结构相似性这一特点来提升图像重建的速度和质量。

发明内容

本发明为克服上述现有技术所述的无法利用同一人体部位不同对比度MRI图像结构相似性，图像重建质量较差的缺陷，本发明提供了一种基于结构相似性的MRI图像重建方法，技术方案如下：

一种基于结构相似性的MRI图像重建方法，包括步骤：

S1.对多个对比度的全采样MRI图像进行预处理，获得模拟欠采样MRI图像；

S2.建立多个单对比度重建模型，所述单对比度重建模型的损失函数为单对比度损失函数L_pri；

S3.基于同一部位多个单对比度图像的结构相似性构建相似性约束；具体包括步骤：设计图像梯度信息提取算子，利用所述图像梯度信息提取算子获取图像的边缘信息，将不同对比度MRI图像梯度信息的相似性作为约束条件，构建相似性约束损失函数L_cst；

S4.利用单对比度重建模型，融合训练多对比度融合重建模型；具体包括步骤：对单对比度损失函数L_pri和相似性约束损失函数L_cst作加权求和，得到该多对比度融合重建模型的总损失函数L_total；通过梯度下降法进行模型优化，得到多对比度融合重建模型；

S5.将同一部位多个对比度的欠采样MRI图像输入多对比度融合重建模型，获得各个对比度的MRI图像重建结果。