[发明专利]面向磁共振成像放射状采样轨迹的切片自适应确定方法

权利要求书

1.一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：包括以下步骤：

步骤1、获取磁共振数据，构建深度强化学习模型的训练和测试数据；

步骤2、基于步骤1获得的训练数据进行重建网络的预训练；

步骤3、依据步骤2得到的预训练重建网络构建强化学习系统的环境和决策网络，进而实现对放射状切片自适应的高性能k空间主动欠采样。

2.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤1的具体方法为：

采集仿真磁共振数据，采集的全采样数据k1保存在k空间中，k空间为保存磁共振数据的频域空间，随后通过逆傅里叶变换生成相应的全采样图像数据x1，对以上两种数据进行存储，构建深度强化学习模型的相关训练和测试数据。

3.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤2的具体方法包括：

(1)根据k1构建k空间欠采样掩码M，M的形状与k1的形状相同，M中的全部数据点均设置为0；

(2)设加速倍率目标为N1倍，N2为单个全采样数据k1包含的放射状辐条总数，对每一个全采样数据k1随机选取|N2/N1|条辐条，并根据被选择辐条的数据位置，将M中对应的位置赋值为1，其余位置为0；

(3)将M与全采样数据k1点乘等到欠采样数据k2，并将k2做逆傅里叶变换得到欠采样图像数据x2，将x2作为训练过程中重建网络的输入，x1作为预训练重建网络使用的图像真值，进行预训练重建网络的训练。

4.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤3所构建的强化学习系统的环境如下：

在强化学习的框架下，构建放射状采样轨迹学习的交互环境，环境初始状态为只采集45°辐条构成的状态；

强化学习系统的环境能够对当前的动作决策依据重建图像质量的改善程度进行评价，并能够将当前的欠采样数据状态结合采样动作转移到下一个欠采样数据状态，终止状态为具有|N2/N1|个辐条的状态；

其中，图像重建质量的改善程度称为奖励，奖励R包含3种评价指标，结构相似度、峰值信噪比和归一化均方误差，并通过参数对三种指标进行重要性整合，该计算方式为R＝p1*S+p2*P+p3*N，式中S为结构相似度变化，P为峰值信噪比变化，N为归一化均方误差变化，其中p、p1、p2、p3分别为重要性整合参数，p为预设值，p1＝P所处的量级/S所处的量级，p2＝p，p3＝-1*P所处的量级/N所处的量级。

5.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤3所构建的决策网络如下：

决策网络包括特征提取模块和动作价值预测模块；所述特征提取模块与动作价值预测模块相连接，所述特征提取模块基于卷积神经网络，动作价值预测模块基于全连接网络；特征提取模块的输入为步骤2得到的预训练重建网络计算得到的重建图像，输出为重建图像的特征图；所述动作价值预测模块的输入为特征图的一维展开，输出为不同动作对应的预测价值；

其中，预测价值称为Q值，Q值在深度强化学习中代表奖励的累积折扣期望；训练过程中Q值结合时间差分计算值和当前奖励值，当前奖励值以时间差分的方式映射为Qtarget，将Qtarget与决策网络预测的Q值求SmoothL1loss并反馈到决策网络的各层，实现决策网络参数的优化，训练完成后网络具备根据当前的欠采样重建数据做出采样决策的能力。

6.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤3之后还包括如下步骤：

步骤4、对步骤3所构建的决策网络进行训练，得到训练好的决策网络；

步骤5、对步骤4得到的训练好的决策网络进行测试，验证网络效果。

步骤6、将训练好的采样轨迹决策模型集成到硬件设备当中，结合磁共振设备进行实际采集过程中放射状切片自适应采样轨迹的确定。

7.根据权利要求6所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤4的具体方法为：

采用学习率l，训练次数ln，决策网络的训练使用回放单元技术以及目标网络参数冻结技术，回放单元容量为lw。