【技术实现步骤摘要】
一种基于深度无监督学习的多回波欠采样重建
—
水脂分离方法
[0001]本专利技术涉及医用磁共振成像和深度学习
,具体涉及一种基于深度无监督学习的多回波欠采样重建—水脂分离方法。
技术介绍
[0002]水和脂肪的分离在许多临床MRI应用中起着重要的作用。在骨髓疾病、肾上腺腺瘤和脂肪肝等疾病的诊断中,脂肪含量和水脂比等定量信息可以为医生提供一些辅助诊断信息。目前的水脂分离方法有很多,例如利用脂肪纵向弛豫时间T1较短特性的STIR技术,利用水质子和脂肪质子化学位移频率差的化学位移选择性(CHESS)脂肪饱和技术或水激发成像,以及基于化学位移的Dixon水脂分离技术。这些方法大多基于多回波梯度回波序列(Multi
‑
echo Gradient
‑
recalled Echo Sequence,mGRE)在K空间获取数据。K空间包含了图像中的空间频率信息,并且K空间和图像空间通过逆傅立叶变换相关联。但是K空间数据的采集时间很长,在采集过程中,被测对象的生理动作会导致重建图像出现明显的伪影。有许多创新试图通过减少采集时间来解决这个问题,广泛使用的方法是依据设计的欠采样掩模(像素为1代表采集)采集部分K空间点数据,利用压缩感知CS技术重建欠采样数据,然后进行水脂分离。然而,这种采用CS的欠采样重建—水脂分离算法的迭代求解过程是耗时的,在欠采样率较高时存在重建或分离过程中的纹理细节丢失和引入不必要的伪影问题。
[0003]近年来,深度学习特别是卷积神经网络(Convo
【技术保护点】
【技术特征摘要】
1.一种基于深度无监督学习的多回波欠采样重建—水脂分离方法,其特征在于:包括以下步骤:步骤1)构建重建—水脂分离腹部MRI欠采样K空间数据集,MRI欠采样K空间数据集包括欠采样K空间数据K
u
、多回波零填充图像Z1、参考重建图像、参考水图像和参考脂肪图像;步骤2)基于梯度回波序列多回波特性建立无监督分组卷积—多回波双向卷积残差网络,分组卷积—多回波双向卷积残差网络包括分组卷积重建网络和多回波双向卷积残差网络,欠采样K空间数据K
u
和多回波零填充图像Z1经过分组卷积重建网络处理获得重建回波图像,重建回波图像经过多回波双向卷积残差网络处理获得计算的纯水信号图像、计算的纯脂肪信号图像、计算的场图和计算的弛豫时间;其中,分组卷积重建网络包括P组级联的分组卷积重建网络单元,每组分组卷积重建网络单元包括一个分组卷积单元和一个数据保真层;多回波双向卷积残差网络包括Q个级联的多回波双向卷积单元和q个级联的残差模块;步骤3)训练无监督分组卷积—多回波双向卷积残差网络直至无监督分组卷积—多回波双向卷积残差网络达到收敛,得到训练好的无监督分组卷积—多回波双向卷积残差网络模型;步骤4)在重建—水脂分离测试阶段,利用步骤3)中训练好的无监督分组卷积—多回波双向卷积残差网络对欠采样K空间数据和多回波零填充图像进行重建和水脂分离,得到测试阶段最终的纯水信号图像和纯脂肪信号图像。2.根据权利要求1所述基于深度无监督学习的多回波欠采样重建—水脂分离方法,其特征在于:所述步骤1)中,对多回波梯度回波序列的腹部全采样MRI切片图像进行裁剪,对裁剪后的腹部全采样MRI切片图像进行傅里叶变换得到全采样K空间数据,将全采样K空间数据与M倍欠采样掩模相乘得到欠采样K空间数据K
u
,对欠采样K空间数据K
u
进行逆快速傅里叶变换得到多回波零填充图像Z1,并将欠采样K空间数据K
u
和多回波零填充图像Z1作为MRI欠采样K空间数据集中的输入图像。3.根据权利要求1所述基于深度无监督学习的多回波欠采样重建—水脂分离方法,其特征在于:所述步骤1)中,对多回波梯度回波序列的腹部全采样MRI切片图像进行裁剪,将裁剪后的腹部全采样MRI切片图像作为重建—水脂分离测试阶段的参考重建图像。4.根据权利要求1所述基于深度无监督学习的多回波欠采样重建—水脂分离方法,其特征在于:所述步骤1)中,对多回波梯度回波序列的腹部全采样MRI切片图像进行裁剪,采用水脂分离方法对裁剪后的腹部全采样MRI切片图像分别进行水脂分离,获得全采样MRI切片图像对应的测试纯水信号图像和测试纯脂肪信号图像,并将全采样MRI切片图像对应的测试纯水信号图像和测试纯脂肪信号图像分别作为重建—水脂分离测试阶段的参考水图像和参考脂肪图像。5.根据权利要求1所述基于深度无监督学习的多回波欠采样重建—水脂分离方法,其特征在于:所述步骤2)中欠采样K空间数据K
u
和多回波零填充图像Z1经过分组卷积重建网络处理获得重建回波图像具体过程包括:步骤2.1.1)多回波零填充图像Z1作为第1组分组卷积重建网络单元中分组卷积单元的输入,分组卷积单元首先经过一个卷积层对输入的多回波零填充图像Z1进行通道扩增至N
×
3,N为多回波零填充图像的通道数,然后通过多个分组通道拼接、分组卷积和通道混洗的
组合充分提取多回波零填充图像Z1的特征信息,再经过两个卷积层降低特征信息的通道数至N,并将降低通道数之后的特征信息作为分组卷积单元的输出特征信息G1;步骤2.1.2)将分组卷积单元的输出特征信息G1经过傅里叶变换获得的结果和欠采样K空间数据K
u
经过一个数据保真层,得到具有数据一致性的第1组分组卷积重建网络单元的重建K空间数据K1,将重建K空间数据K1经过逆傅里叶变换获得第1组重建回波图像R1,第1组重建回波图像R1作为第1组分组卷积重建网络单元的输出,其过程为:R1=F
‑1{K1(k
x
,k
y
)}
ꢀꢀꢀꢀ
公式(2)其中,F和F
‑1分别为傅里叶变换和逆傅里叶变换;k
x
和k
y
为K空间坐标;U为二进制欠采样掩模;λ为正则化参数;步骤2.1.3)将第1组分组卷积重建网络单元输出的第1组重建回波图像R1作为第2组分组卷积重建网络单元中分组卷积单元的输入,重复步骤2.1.2)经过第2组分组卷积重建网络单元中的分组卷积单元和数据保真层处理得到第2组分组卷积重建网络单元输出的第2组重建回波图像R2;步骤2.1.4)重复步骤2.1.3)直至获得第P组分组卷积重建网络单元输出的第P组重建回波图像R
P
,将第P组分组卷积重建网络单元输出的第P组重建回波图像R
P
作为分组卷积重建网络最终输出的重建回波图像,重建回波图像作为多回波双向卷积残差网络的初始输入图像。6.根据权利要求5所述基于深度无监督学习的多回波欠采样重建—水脂分离方法,其特征在于:所述步骤2)中重建回波图像经过多回波双向卷积残差网络处理获得计算的纯水信号图像、计算的纯脂肪信号图像、计算的场图和计算的弛豫时间具体过程为:步骤2.2.1)将重建回波图像R
P
作为第1个多回波双向卷积单元的输入图像X1,输入图像X1的t个回波图像同时在正向和反向...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。