采样模式与重建算法联合优化的核磁共振成像方法及系统技术方案

本发明专利技术公开了一种采样模式与重建算法联合优化的核磁共振成像方法及系统，分别构建混合拉普拉斯概率生成网络模型，可微二值化模型和MRI重建网络ADMM

【技术实现步骤摘要】
采样模式与重建算法联合优化的核磁共振成像方法及系统


[0001]本专利技术属于深度学习
，具体涉及一种采样模式与重建算法联合优化的核磁共振成像方法及系统。

技术介绍

[0002]磁共振成像(MRI)是一种非侵入式成像技术，能提供丰富的组织解剖信息。不具有电离辐射，并且能够在任意方位断层扫描，具有高分辨率和高软组织对比度。然而，其扫描时间过长，容易受到运动伪影干扰等缺点一直是制约其快速发展的关键问题。
[0003]针对此问题，快速核磁共振成像方法应用而生，其中，基于压缩感知的核磁共振成像(CS
‑
MRI)是常用的成像技术，CS
‑
MRI在k空间中进行数据欠采样，采样速率低于奈奎斯特
‑
香农速率，使用欠采样数据来重建全采样影像可以降低影像扫描时间；
[0004]近年来，随着深度学习技术的蓬勃发展，基于深度学习的核磁共振成像方法的提出能够大幅缩短扫描和重建时间。目前常用的基于数据驱动的MRI重建的网络结构有U
‑
Net、DeepcomplexMRI、ResNet、GAN、CascadeNet等。基于模型的深度学习重建方法是将传统的MRI重建模型与深度学习思想相结合，其中的典型算法包括基于ADDMM求解CS
‑
MRI优化问题的展开网络ADMM
‑
Net、基于模型的深度学习MoDL、变分网络VN
‑
Net和卷积去混叠网络ConvDe
‑
Aliasing
‑
Net等。
[0005]基于深度学习的MRI重建方法关注于重建阶段的网络优化，输入重建网络的数据是k空间欠采样数据，给定采样加速率，存在指数级的欠采样模式，不同的欠采样模式会导致不同的重建性能。一般的欠采样模式为临床上常用的笛卡尔采样方案，笛卡尔采样采取类高斯的采样方案，即在中心点附近密集采样，在周边逐渐降低采样密度。随着深度学习的不断发展，基于深度学习的采样模式与重建联合优化方法能够在低采样情况下获得更高的重建精度。根据欠采样模式的不同，将当前研究的主要内容分为以下三个方面：
[0006]1)非主动采样与重建联合优化模式：该模式为先对k空间数据进行欠采样网络学习再进行重建网络学习，主要方法包括LOUPE、J
‑
MODL、深度概率欠采样模型DPS、渐进权重剪枝采样网络等；
[0007]2)主动采样与重建联合优化模式：该模式是先进行重建网络学习进而指导k空间采样网络学习。而且，在主动采样中，采样模式不仅决定采样的数量，还决定采样的顺序，主要方法包括MCTS、evaluator、SeqMRI。
[0008]3)硬件受限的采样与重建联合优化模式：该模式所学习的轨迹形式受限于核磁共振机器物理硬件的峰值电流和梯度线圈的最大转换率等，主要方法包括SPARKLING、PILOT等。

技术实现思路

[0009]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种采样模式与重建算法联合优化的核磁共振成像方法及系统，。
[0010]本专利技术采用以下技术方案：
[0011]一种采样模式与重建算法联合优化的核磁共振成像方法，包括以下步骤：
[0012]S1、构建混合拉普拉斯概率生成网络模型；
[0013]S2、将步骤S1构建的混合拉普拉斯概率生成网络模型得到的概率分布作为采样点的概率值，根据可微的端到端训练准则，构建由概率到二值化的可微二值化模型；
[0014]S3、将基于压缩感知的交替方向乘子迭代重建算法的计算过程抽象为深度神经网络，将深度神经网络中的可学习proximal算子网络进行替换，构建MRI重建网络ADMM
‑
CSNET+；
[0015]S4、将步骤S1构建的混合拉普拉斯概率生成网络模型，步骤S2构建的可微二值化模型和步骤S3得到的MRI重建网络ADMM
‑
CSNET+进行端到端训练，得到可微训练框架；
[0016]S5、向步骤S4训练好的可微训练框架输入k空间的欠采样数据，输出重建后的核磁共振图像。
[0017]具体的，步骤S1中，采用混合高斯概率分布对采样概率进行建模，构建生成概率的网络参数，根据MRI采样中中间部分采样表示低频信息，做为先验添加到混合高斯网络模型，混合高斯网络模型演变为混合拉普拉斯概率生成网络模型。
[0018]进一步的，混合拉普拉斯概率生成网络模型公式如下：
[0019][0020]其中，x为k空间样本点，P(x)为采样概率值，φ
i
为混合模型权重参数，μ为均值参数，b为标准差参数，α为指数项参数，φ为混合模型权重参数。
[0021]具体的，步骤S2中，通过混合拉普拉斯概率生成网络模型得到的概率分布为对应采样点的概率值，转换{0，1}值确定采样位置，0为未被采样，1为采样；根据可微的端到端训练准则，构造由概率到二值化的可微二值化模型。
[0022]进一步的，可微二值化模型为：
[0023][0024]其中，k为伸缩因子，P
i
为由混合拉普拉斯网络模型生成的概率值，U
i
为随机生成均匀分布的值，round为可微的四舍五入算子，B为伯努利分布，为对伯努利分布的近似，M
Θ
为采样矩阵。
[0025]具体的，步骤S3中，MRI重建网络ADMM
‑
CSNET+包含重构层、辅助更新层及乘子更新层。
[0026]进一步的，重构层X
(n)
为：
[0027]x
(n)
＝(F
H
M
H
MF+ρI)
‑1[F
H
M
H
y+ρ(z
(n
‑
1)
+β
(n
‑
1)
)][0028]辅助更新层U
(n)
为：
[0029][0030]乘子更新层M
(n)
为：
[0031]β
(n)
＝β
(n
‑
1)
+η(x
(n)
‑
z
(n)
)
[0032]其中，F
H
为傅里叶逆变换，M为采样矩阵，F为傅里叶变换，ρ为惩罚系数，I为单位矩阵，y为在k
‑
空间中的欠采样数据，z
(n
‑
1)
为上一个stage辅助更新层的输出，β
(n
‑
1)
为上一个stage乘子更新层输出，η为更新率。
[0033]具体的，步骤S4中，采用规范化L2范数误差做为训练用损失函数，通过反向传播算法计算损失函数相对于网络参数的梯度，采用Adam优化器优化网络参数。
[0034]进一步的，损失函数R(θ)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采样模式与重建算法联合优化的核磁共振成像方法，其特征在于，包括以下步骤：S1、构建混合拉普拉斯概率生成网络模型；S2、将步骤S1构建的混合拉普拉斯概率生成网络模型得到的概率分布作为采样点的概率值，根据可微的端到端训练准则，构建由概率到二值化的可微二值化模型；S3、将基于压缩感知的交替方向乘子迭代重建算法的计算过程抽象为深度神经网络，将深度神经网络中的可学习proximal算子网络进行替换，构建MRI重建网络ADMM
‑
CSNET+；S4、将步骤S1构建的混合拉普拉斯概率生成网络模型，步骤S2构建的可微二值化模型和步骤S3得到的MRI重建网络ADMM
‑
CSNET+进行端到端训练，得到可微训练框架；S5、向步骤S4训练好的可微训练框架输入k空间的欠采样数据，输出重建后的核磁共振图像。2.根据权利要求1所述的采样模式与重建算法联合优化的核磁共振成像方法，其特征在于，步骤S1中，采用混合高斯概率分布对采样概率进行建模，构建生成概率的网络参数，根据MRI采样中中间部分采样表示低频信息，做为先验添加到混合高斯网络模型，混合高斯网络模型演变为混合拉普拉斯概率生成网络模型。3.根据权利要求2所述的采样模式与重建算法联合优化的核磁共振成像方法，其特征在于，混合拉普拉斯概率生成网络模型公式如下：其中，x为k空间样本点，P(x)为采样概率值，φ
i
为混合模型权重参数，μ为均值参数，b为标准差参数，α为指数项参数，φ为混合模型权重参数。4.根据权利要求1所述的采样模式与重建算法联合优化的核磁共振成像方法，其特征在于，步骤S2中，通过混合拉普拉斯概率生成网络模型得到的概率分布为对应采样点的概率值，转换{0，1}值确定采样位置，0为未被采样，1为采样；根据可微的端到端训练准则，构造由概率到二值化的可微二值化模型。5.根据权利要求4所述的采样模式与重建算法联合优化的核磁共振成像方法，其特征在于，可微二值化模型为：其中，k为伸缩因子，P
i
为由混合拉普拉斯网络模型生成的概率值，U
i
为随机生成均匀分布的值，round为可微的四舍五入算子，B为伯努利分布，为对伯努利分布的近似，M
Θ
为采样矩阵。6.根据权利要求1所述的采样模式与重建算法联合优化的核磁共振成像方法，其特征在于，步骤S3中，MRI重建网络ADMM
‑
CSNET+包含重构层、辅助更新层及乘子更新层。7.根据权利要求6所述的采样模式与重建算法联合优化的核磁共振成像方法，其特征在于，重构层X
(n)
为：
x
(n)
...

【专利技术属性】
技术研发人员：李星，杨燕，靖稳峰，徐宗本，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：