[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

说明书

本发明提出了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，使用核磁成像设备收集T1FLIR和T2FSE两个序列的核磁数据人脑部核磁数据，构建数据集；构建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。网络训练时联合优化网络参数和K空间采样的方式，实现双序列图像的采样方式优化和双序列图像的同时重构。本发明方法对网络参数和K空间采样方式进行联合优化，通过不同序列图像采样信息的互补，实现了更高质量的图像重构，相比以往的加速核磁共振成像方法，较大程度的提高了加速核磁共振成像的图像重建质量和加速倍数。

技术领域

本发明属于医学图像成像领域，具体涉及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。

背景技术

核磁共振成像(Magnetic Resonance Imaging)作为一种没有辐射损伤、软组织成像能力强、能多序列成像的医学成像方式，为许多疾病的诊断提供了影像学的依据，但是由于其较长的采集时间使得核磁成像设备的吞吐量低、患者体验差。为了加速核磁共振成像的速度，研究人员提出在K空间(核磁成像中的频域)进行欠采样，通过数据采集量的降低实现成像过程的加速。直接重建自欠采样K空间的图像存在细节丢失、混叠、Gibbs效应等缺陷，所以需要重建算法补全未采样的K空间才能重建出清晰的图像。图像重建算法一般分为传统的压缩感知算法和深度学习算法。

文献[1]和[2]中的压缩感知算法引入稀疏性约束，通过迭代优化的方式求解K空间补全的欠定问题。尽管压缩感知算法可以实现2-3倍的核磁共振成像加速，但是由于算法对参数选择的依赖程度大，并且迭代算法的速度慢，相关算法存在较大的局限性。深度学习算法通过数据驱动的方式，利用大量数据训练神经网络，使得神经网络可以识别图像中的混叠等缺陷，实现较好的图像恢复和重建。文献[3]建立的大规模的核磁共振数据集，并且训练了U型网络作为重构网络，实现了优于压缩感知算法的重构效果以及加速倍数。文献[4]和[5]在U型网络的基础上对网络进行了级联，进一步优化了重构效果。

尽管深度学习已经在加速核磁共振成像领域取得了非常显著的成果，但是相关方法仍然存在两点较大的局限。首先，一般核磁共振成像都会采集多个序列成像的结果，基本都要包含T1和T2两个序列的图像，文献[3][4][5]等深度学习方法只考虑了从单序列的图像进行重构，这局限了网络的重构效果。其次，目前深度学习方法，如文献[3][4][5]中，多数局限于优化网络的结构，对于采样方式的优化工作较少，相关优化采样方式的研究也仅局限于单序列核磁数据的采样优化，如文献[6]。

参考文献

[1]Lustig M,Santos J M,Lee J H,et al.Application of compressedsensing for rapid MR imaging[J].SPARS,(Rennes,France),2005.

[2]Lustig M,Donoho D,Pauly J M.Sparse MRI:The application ofcompressed sensing for rapid MR imaging[J].Magnetic Resonance in Medicine:AnOfficial Journal of the International Society for Magnetic Resonance inMedicine,2007,58(6):1182-1195.

[3]Zbontar J,Knoll F,Sriram A,et al.fastMRI:An open dataset andbenchmarks for accelerated MRI[J].arXiv preprint arXiv:1811.08839,2018.