[发明专利]一种基于SC-GAN的膝部MRI重建技术

权利要求书

1.本发明公布了一种用于膝部磁共振图像的重建方法，包括以下步骤：

（1）数据预处理：从含混叠伪影的零填充图像中提取图像结构特征和纹理细节信息，零填充图像由全采样图像经过笛卡尔随机采样得到；还要对数据进行提取、分割以及数据的仿射和归一化变换等操作，最后将数据裁剪到相同的尺寸大小；

（2）训练生成对抗网络将 MRI重建任务分解为两部分；第一部分是基于 GAN 的重建子网，用于生成初始重建图像；其中，G是由改进的 U-NET 构成的生成器，D 是由标准卷积层构成的鉴别器；第二部分是语义对比子网，这一部分基于重建图像和完全采样图像应具有相同语义特征的思想构建，用于增强重建图像的纹理细节；训练流程如下：

a.训练生成网络：输入零填充MRI图像，利用反向传播算法和Adam算法使复合损失函数最小来训练生成模型，在编码解码过程中加入残差结构，防止训练过程中出现梯度消失或梯度爆炸；

b.训练判别网络：将生成模型生成的MRI图像和全采样图像作为判别模型的输入，利用反向传播算法和adam算法使得最小二乘对抗判别函数来训练判别模型；最终的训练目标是让判别器无法区分重建图像和完全采样图像；

c. 语义对比子网：为了使重建图像有更加丰富的纹理细节，受重建图像应获得与完全采样图像相同语义信息的启发，本文在重建子网的基础上设计一个附加子网，称之为语义对比子网；该子网类似于 GAN的对抗结构，进一步促进图像纹理细节的提取并约束图像语义一致性；由于 VGG-16结构简单，泛化性能较好且精度高，采用预训练的 VGG-16 模型进行微调作为语义对比子网的网络架构；首先将初始重建图像 X和全采样图像μY作为语义对比子网的输入，经过 4 次池化提取语义特征；然后，通过比较二者的语义相似性获得反馈，并对重建子网进行参数调优；

d.使用pycharm软件进行实验，数据集采用 Facebook 人工智能研究中心(FAIR)和纽约大学医学院高级成像创新与研究中心(CAI²R)分享的 Fast MRI 数据集；我们随机选用17000 幅带有或不带有脂肪抑制的冠状PD 加权的膝部全采样 MRI 图像，欠采样图像经笛卡尔欠采样得到；其中，70%作为训练集，30%作为验证集，另选50幅图像作为测试集，图像分辨率为256×256；模型初始学习率为0.0001，每5个迭代衰减率为0.5，最小批次为25，使用Adam算法优化。