[发明专利]基于双路人工神经网络的双序列加速核磁成像优化方法

权利要求书

1.一种基于双路人工神经网络的双序列加速核磁成像优化方法，包括如下步骤：

步骤1、数据集生成：通过核磁共振设备采集T1FLAIR序列和T2FSE序列的全采样K空间数据，将数据分为训练集、验证集和测试集；

步骤2、模型构建：构建双路神经网络结构模型，该网络结模型为双路的级联网络结构，每一路分支共包含了4级子网络，每一级子网络的输入为上一级两个子网络的输出；每个子网络包含一个核心的U型网络，并且添加了一致性约束；

步骤3、模型训练：利用训练集数据对步骤2建立的模型进行训练，在训练神经网络的同时利用梯度下降法对采样掩膜的参数Θ和模型参数进行联合优化；模型训练的迭代过程中，在验证集上进行峰值信噪比(PSNR)的计算，当在验证集上重构效果及PSNR不再提升时，联合优化结束，得到最优的采样方式和重构模型；

步骤4、模型测试：将步骤3得到的采样方式和重构模型在测试集上进行评估，计算重构图像和全采样的图像的峰值信噪比(PSNR)和结构相似度(SSIM)指标，通过重构指标对重构效果进行评估；

步骤5、模型应用：核磁成像设备按照所述步骤4通过测试的模型中优化后的采样方式设置欠采样的参数并对数据进行采样，采集的K空间数据经过反傅里叶变换后，再经过步骤4通过测试的网络模型进行重构，得到最终可以用于诊断的清晰图像。

2.根据权利要求1所述的一种基于双路人工神经网络的双序列加速核磁成像优化方法，其特征在于：所述子网络迭代的表达式为：

其中和表示T1网络第i级子网络的输入，表示U型网络输出的T1重构结果对应的K空间，表示T1图像欠采样的K空间，M表示欠采样的掩模，η_i表示一个可以训练的参数，和表示傅里叶变换和反傅里叶变换，表示该级子网络输出的重构T1图像,i＝1，2，3，4，；T2网络与T1网络对称。

3.根据权利要求1所述的一种基于双路人工神经网络的双序列加速核磁成像优化方法，其特征在于，使用最小熵正则(MER)使得采样掩膜M收敛到离散的值0和1，该正则项表示为：

MER＝-Mlog M-(1-M)log(1-M)

采样掩模M的计算方法为：

其中Θ为可训练的参数，通过Sigmoid函数将参数转换为0-1之间的连续值Prob，之后通过归一化操作，使得Prob的均值可以等于1/ACC，ACC为加速倍数。

4.根据权利要求3所述的一种基于双路人工神经网络的双序列加速核磁成像优化方法，其特征在于：假设网络模型重构的结果为和网络模型输出的目标为x_T1和x_T2，则模型的损失函数可以表示为：

其中λ为正则项系数，为人工设定的参数，通过最小化该损失函数，可以对神经网络以及采样掩模M进行联合优化。