一种基于交叉域迭代网络的MRI欠采样图像重建方法技术

本发明专利技术提出了一种基于交叉域迭代网络的MRI欠采样图像重建方法，准备全采样、欠采样的MRI k空间数据和图像数据集合，形成训练集和验证集数据；构建k空间域和图像域交叉的CNN稠密连接网络，预定义损失函数；将训练集数据输入网络进行训练；利用验证集测试网络的性能和泛化能力，确定网络模型和参数；将欠采样的k空间数据输入训练得到的图像重建网络重建图像。损失函数中既考虑图像域损失又考虑了k空间域的损失，使用多监督训练，有效避免梯度回传时的监督信息丢失。本发明专利技术在消除因欠采样引入的高频震荡伪影的同时可恢复图像的细节信息，从而实现加速MRI采样的同时获得高质量的图像。而实现加速MRI采样的同时获得高质量的图像。而实现加速MRI采样的同时获得高质量的图像。

【技术实现步骤摘要】
一种基于交叉域迭代网络的MRI欠采样图像重建方法


[0001]本专利技术涉及磁共振成像(Magnetic Resonance Imaging，MRI)、深度学习、欠采样重建等
，具体涉及一种基于K空间域和图像域交叉迭代网络的MRI欠采样图像重建方法。

技术介绍

[0002]MRI是一种非侵入、无电离辐射、任意切面方向、多参数影像学技术，软组织分辨率高，可以为临床诊断提供高分辨率的结构和功能信息。传统MRI需要在笛卡尔坐标系下采集2D或3D的数据矩阵，即k空间域数据，逆Fourier(傅里叶)变换后可以获得对应的图像域信息。k空间数据的每一行对应一步相位编码，不同相位编码数据的采集需要等待纵向磁化的恢复，即需要等待时间TR，根据不同的MRI成像方法，TR从数百毫秒到几秒不等，因此MRI是一种比较耗时的成像技术。常规MRI，理论前提是成像部位静止不动，否则会引入运动伪影，因此MRI检查过程中被检查者需要保持一个体位，坚持一到几分钟不动。腹部检查，需要多次屏气采集；心脏等具有自然生理运动的部位需要开发特殊的成像方法；同时MRI数据采集，病人需要处在一个半封闭的磁体空间内，这对大多病人长时间的配合是一种挑战，因此MRI迫切需要发展快速成像技术。
[0003]目前，结合多线圈单元并行成像的方法加快了成像速度，加速因子在2上下，但是这些方法依赖特殊的硬件或序列，且进一步提高采样速度的空间有限。基于压缩感知的MRI(Compressed Sensing-M,CS-MRI)是一种能够以远低于奈奎斯特采样定律下欠采样k空间数据从而加快成像速度的技术，无需特定硬件和序列。但是CS-MRI技术也存在一些限制，比如CS-MRI采样轨迹需要满足不相关性准则，典型的加速因子在2.5到3之间；CS-MRI在全局系数变换中利用到的稀疏系数较少，具有潜在隐藏图像细节结构甚至引入模糊伪影的风险，不能准确描述复杂的生物组织结构。
[0004]卷积神经网络(CNN)把局部感受野、权值共享以及时间或空间亚采样这三种思想结合起来，可获得某种程度的位移、尺度、形变不变性，更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。近年来被用于MRI欠采样重建领域，通过训练网络获得欠采样图像和参考图像(全采样图像)之间的非线性关系，基本没有充分利用采集到的k空间数据信息，且加速因子较高时不能重建出图像的细节信息。

技术实现思路

[0005]基于加速成像需求和现有的技术问题，本专利技术提出了一种基于k空间域和图像域交叉迭代网络的MRI欠采样图像重建方法。
[0006]本专利技术的技术方案是这样实现的：一种基于交叉域迭代网络的MRI欠采样图像重建方法，包括以下步骤：
[0007]步骤1：回顾性的对全采样的k空间数据进行预处理，获得训练集和验证集数据；
[0008]步骤2：构建交叉域迭代神经网络(KI网络)，KI网络由N个模块级联构成，每个模块
由k空间域CNN网络Kcnn和图像域CNN网络Icnn组成，两个网络之间通过FT(傅里叶变换)或者逆fourier变换IFT(逆傅里叶变换)连接；预定义KI网络的损失函数loss；
[0009]步骤3：训练KI网络，将训练集输入KI网络进行训练，若损失函数loss最小，则作为训练好的中间网络；若损失函数loss不是最小，则反向传播更新网络参数，返回KI网络进行训练；
[0010]步骤4：检测KI网络，将验证集输入步骤3训练好的中间网络，获得重建图像，检测神经网络的泛化能力和过拟合情况，满足评判标准就输出该网络及其参数作为图像重建网络使用；不满足评判标准，就调整网络参数和层数、扩大训练集返回步骤2；
[0011]步骤5：重建k空间欠采样的图像，将欠采样的k空间数据输入步骤4获得的的图像重建网络，重建高质量的图像。
[0012]进一步地，步骤1中，对全采样的k空间数据进行随机欠采样，获得欠采样的k空间数据k
u
，对全采样的k空间数据进行逆fourier变换IFT，获得目标图像数据x，训练集由多组欠采样的k空间数据k
u
、全采样的k空间数据和目标图像数据x构成；验证集由多组欠采样的k空间数据k
u
和目标图像数据x构成。
[0013]进一步地，步骤2中，Kcnn和Icnn网络都采用残差神经网络，均由一个输入层、多个隐藏层和一个输出层构成，隐藏层的激活函数为线性整流函数(Rectified Linear Unit,ReLU)，输出层的激活函数为softmax函数。
[0014]进一步地，Icnn网络隐藏层包含了通道注意力层CA(channel-wise attention layer)，用于调整各个通道的权重；Icnn网络输出前添加数据保真层DC层(Data consistency layer)。
[0015]进一步地，Kcnn网络的目标数据集是全采样的k空间数据，Icnn网络的目标数据是目标图像数据x；第一个模块Kcnn网络的输入层数据是训练集中的欠采样的k空间数据k
u
，将复数k空间数据分成实部和虚部分别输入网络；第n个模块中Kcnn网络的输入层数据是第n-1个模块中Icnn网路输出的图像数据x
n-1
经过FT后的数据FT(x
n-1
)和前边所有模块中Kcnn网络的输出的k空间数据k
n-1
，k
n-2
…
k1。
[0016]进一步地，第n个模块中Icnn网络的输入数据是第n个模块中Kcnn网路输出的k空间数据k
n
经过IFT后的数据IFT(k
n
)和前边所有模块中Icnn网络输出的图像数据x
n-1
，x
n-2
…
x1。
[0017]进一步地，步骤2中，预定义KI网络的损失函数loss为：
[0018][0019]其中，
[0020][0021]其中，W
k
和W
I
是权重因子，K是训练集中全采样的k空间数据，是第n个模块Kcnn网络输出的k空间数据k
n
；I是训练集中全采样的k空间数据IFT后的图像x，是第n个模块Icnn网络输出的图像数据x
n
，M是训练集数据组的总数目。
[0022]进一步地，步骤3中，将训练集中欠采样的k空间数据k
u
输入KI网络，将全采样的k
空间数据和目标图像数据x作为目标数据训练KI网络。
[0023]进一步地，步骤4中，选择重建图像和目标图像之间的峰值信噪比(PSNR)和结构相似度(SSIM)作为评判依据，评判标准为PSNR不小于35dB且结构相似度不低于0.95。
[0024]本专利技术的有益效果：
[0025]本专利技术提出了一种基于k空间域和图像域交叉迭代网络的MRI欠采样图像重建方法，准备全采样、欠采样的MRI k空间数据和图像数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交叉域迭代网络的MRI欠采样图像重建方法，其特征在于，包括以下步骤：步骤1：对全采样的k空间数据进行预处理，获得训练集和验证集数据；步骤2：构建KI网络，KI网络由N个模块级联构成，每个模块由k空间域CNN网络Kcnn和图像域CNN网络Icnn组成，两个网络之间通过FT或者IFT连接，预定义KI网络的损失函数loss；步骤3：训练KI网络，将训练集输入KI网络进行训练，若损失函数loss最小，则作为训练好的中间网络；若损失函数loss不是最小，则反向传播更新网络参数，返回KI网络进行训练；步骤4：检测KI网络，将验证集输入步骤3训练好的中间网络，获得重建图像，检测神经网络的泛化能力和过拟合情况，满足评判标准就输出该网络及其参数作为图像重建网络使用；不满足评判标准，调整网络参数和层数、扩大训练集返回步骤2；步骤5：重建k空间欠采样的图像，将欠采样的k空间数据输入步骤4获得的图像重建网络，重建高质量的图像。2.根据权利要求1所述的一种基于交叉域迭代网络的MRI欠采样图像重建方法，其特征在于：步骤1中，对全采样的k空间数据进行随机欠采样，获得欠采样的k空间数据k
u
，对全采样的k空间数据进行IFT，获得目标图像数据x，训练集由多组欠采样的k空间数据k
u
、全采样的k空间数据和目标图像数据x构成；验证集由多组欠采样的k空间数据k
u
和目标图像数据x构成。3.根据权利要求2所述的一种基于交叉域迭代网络的MRI欠采样图像重建方法，其特征在于：步骤2中，Kcnn和Icnn网络都采用残差神经网络，均由一个输入层、多个隐藏层和一个输出层构成，隐藏层的激活函数为线性整流函数，输出层的激活函数为softmax函数。4.根据权利要求3所述的一种基于交叉域迭代网络的MRI欠采样图像重建方法，其特征在于：Icnn网络隐藏层包含了通道注意力层CA，用于调整各个通道的权重；Icnn网络输出前添加数据保真层DC层。5.根据权利要求3所述的一种基于交叉域迭代网络的MRI欠采样图像重建方法，其特征在于：Kcnn的目标数据集是全采样的k空间数据，Icnn网络的...

【专利技术属性】
技术研发人员：杨春升，李钊，宋长明，郑利敏，张雪华，李利平，
申请(专利权)人：中原工学院，
类型：发明
国别省市：