[发明专利]一种基于残差网络的单扫描时空编码成像重建方法

摘要

一种基于残差网络的单扫描时空编码成像重建方法，涉及基于深度学习网络的磁共振图像重建技术。提供在单次扫描中获得二维图像，再使用深度学习方法重建得到一种基于残差网络的单扫描时空编码成像重建方法。将激励脉冲替换为线性扫频脉冲，有效抵抗由于不均匀磁场及化学位移造成的图像扭曲，同时获得和EPI相似的成像速度、分辨率和信噪比。SPEN成像沿相位编码方向都是欠采样的。尽管时空编码成像信号本身无需重建就能够反映成像物的轮廓，但是该轮廓的固有分辨率通常是很低。利用深度学习从低分辨率的信号空间重建SPEN图像，大幅提高图像分辨率，呈现质子密度分布，在获得和传统反卷积重建方法相似的分辨率的同时，获得高的信噪比。

主权项

1.一种基于残差网络的单扫描时空编码成像重建方法，其特征在于包括以下步骤：1)在磁共振成像仪的操作软件中编写时空编码成像序列的代码，调试并编译通过；2)准备好实验样品，将其固定在磁共振成像仪的样品管上，放入磁共振成像仪的腔体中间；3)在磁共振成像仪的操作台上打开磁共振成像仪操作软件，首先用自旋回波序列进行定位，找到合适的成像区域，确定层选信息和感兴趣区域的大小；然后进行常规的调谐、匀场、频率校正和功率校正的操作；4)执行步骤1)所述的时空编码成像序列，设置采样带宽和相关参数，对步骤3)中的感兴趣区域进行采样，得到K空间数据；5)对步骤4)得到的K空间数据进行归一化、充零和一维傅里叶变换，得到图像域的数据；6)在数据模拟软件中生成随机样本，并在软件中对其进行模拟的采样，得到原始的SPEN的K空间数据，对K空间数据进行归一化处理，充零，和对频率编码维进行一维傅里叶变换，得到用于训练深度学习网络的训练数据；7)采用TensorFlow深度学习框架和Python搭建残差网络模型，设置好训练的相关参数；将步骤6)得到的训练数据输入网络进行训练，直至残差网络收敛并达到稳定，得到训练好的网络模型，然后利用训练好的网络模型对步骤5)得到的图像域数据进行重建，得到可靠的基于残差网络的单扫描时空编码成像。