[发明专利]迭代优化展开的无监督深度学习磁共振重建方法及装置

权利要求书

1.一种迭代优化展开的无监督深度学习磁共振重建方法，其特征在于，包括：

获取待重建的欠采样MRI图像；

将所述欠采样MRI图像输入训练后的GAP算法模型中进行图像重建，得到磁共振重建图像；

所述GAP算法模型在图像重建过程中通过图像去噪神经网络对迭代输出的图像进行去噪处理。

2.根据权利要求1所述的方法，其特征在于，所述GAP算法模型的训练过程包括：

构建自监督网络模型；所述自监督网络模型包括并行设置的第一GAP算法模型和第二GAP算法模型；

获取多个训练样本，所述训练样本包括对欠采样k空间数据的第一子集进行傅里叶逆变换得到的第一图像，以及对所述欠采样k空间数据的第二子集进行傅里叶逆变换得到的第二图像；

利用所述多个训练样本对所述自监督网络模型进行训练，得到所述自监督网络模型的损失值，并根据所述损失值调整所述自监督网络模型的网络参数，直至所述损失值低于预设阈值时，将所述第一GAP算法模型和所述第二GAP算法模型中的任一者作为训练后的GAP算法模型。

3.根据权利要求2所述的方法，其特征在于，所述利用所述多个训练样本对所述自监督网络模型进行训练，得到所述自监督网络模型的损失值，包括：

将所述多个训练样本输入所述自监督网络模型；

根据所述第一GAP算法模型对每一所述训练样本的第一图像进行图像重建过程中迭代输出的图像，以及所述第二GAP算法模型对每一所述训练样本的第二图像进行图像重建过程中迭代输出的图像，得到所述自监督网络模型的图像域自监督损失值；

根据所述第一GAP算法模型对每一所述训练样本的第一图像进行图像重建输出的重建图像，以及所述第二GAP算法模型对每一所述训练样本的第二图像进行图像重建输出的重建图像，得到所述自监督网络模型的k空间自监督损失值和差异损失值；

将所述图像域自监督损失值、所述k空间自监督损失值以及所述差异损失值的和值作为所述自监督网络模型的损失值。

4.根据权利要求2所述的方法，其特征在于，所述获取多个训练样本，包括：

获取多个欠采样k空间数据；

分别针对每个欠采样k空间数据，执行以下步骤：

随机生成第一选择矩阵和第二选择矩阵，并根据所述欠采样k空间数据、所述第一选择矩阵和所述第二选择矩阵，得到所述欠采样k空间数据的第一子集和第二子集；

对所述第一子集进行傅里叶逆变换，得到所述欠采样k空间数据对应的第一图像；

对所述第二子集进行傅里叶逆变换，得到所述欠采样k空间数据对应的第二图像；

将所述欠采样k空间数据对应的第一图像和第二图像作为一训练样本。

5.根据权利要求1所述的方法，其特征在于，所述通过图像去噪神经网络对迭代输出的图像进行去噪处理，包括：

通过公式θ^(t)＝D_w(x^(t))对迭代输出的图像进行去噪处理；

其中，x^(t)表示所述GAP算法模型在图像重建过程中第t次迭代输出的图像，θ^(t)表示对x^(t)进行去噪处理后的图像，D_w表示图像去噪神经网络，t为整数，且0t≤T，T为预设迭代次数。

6.根据权利要求1所述的方法，其特征在于，所述图像去噪神经网络为U-Net神经网络。

7.一种迭代优化展开的无监督深度学习磁共振重建装置，其特征在于，包括：

第一获取模块，用于获取待重建的欠采样MRI图像；

重建模块，用于将所述欠采样MRI图像输入训练后的GAP算法模型中进行图像重建，得到磁共振重建图像；

所述GAP算法模型在图像重建过程中通过图像去噪神经网络对迭代输出的图像进行去噪处理。