【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
‑ ...
【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)
...
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。