一种多尺度空频域特征信息引导的MRI加速重建系统技术方案

本发明专利技术公开了一种多尺度空频域特征信息引导的MRI加速重建系统，包括：图像采集模块、图像加速重建模块和预测输出模块，所述图像采集模块，用于获取原始MRI图像；所述图像加速重建模块，用于对所述原始MRI图像提取特征图，对所述特征图进行能谱加权和隐式特征对齐，预测重建MRI图像；所述输出模块，用于输出所述预测重建MRI图像。本发明专利技术提出傅里叶注意力机制，在傅里叶域提取更有利于MRI重建任务的频谱特征；本发明专利技术通过隐式神经表达实现了特征对齐，从而使得来自不同网络深度的特征很好地聚合，避免了特征模糊，从而得到更好的MRI重建效果。从而得到更好的MRI重建效果。从而得到更好的MRI重建效果。

【技术实现步骤摘要】
一种多尺度空频域特征信息引导的MRI加速重建系统


[0001]本专利技术属于医疗设备
，尤其涉及一种多尺度空频域特征信息引导的MRI加速重建系统。

技术介绍

[0002]MRI加速重建核磁共振成像(MRI)是一种重要的临床医学检查手段。但是，MRI扫描时间过长，成像缓慢，无法满足实时动态高精度成像的要求，从而严重影响了MRI的推广与发展。近年来，涌现出多种基于深度学习的MRI加速重建方法，主要有U
‑
net网络，Deep Residual网络(ResNet)，生成对抗网络(GAN)，深度级联卷积神经网络(Cascade Net)等。这类方法通常使用大量成对的低质量和高质量MRI图像作为训练样本，提取MRI图像中的浅层和深层特征，通过网络参数调整，建立欠采样有伪影图像到无伪影图像的映射。
[0003]这些主流深度学习MRI重建算法都是基于卷积神经网络。在卷积神经网络中，通常随着网络的加深，特征图成倍缩小，通道数增加，其中浅层特征通常代表浅层纹理信息，深层特征则携有高级语义信息。目前的方法通常直接对特征图进行反卷积以及上采样，从而使得不同尺度的特征图在同一分辨率对齐。这一做法往往会使得特征图中一些精确信息被模糊，导致MRI重建结果易存在人工伪影，并同时增大了计算量。因此，聚合不同尺度的特征，从而高效、精确地引导MRI重建是至关重要的。
[0004]注意力机制的本质就是使网络定位到感兴趣的信息，其关键就是学到一个权重分布并且将其作用在特征上。注意力机制主要分为空间注意力和通道注意力。其中，通道注意力建模各个特征通道的重要程度，然后针对不同的任务增强或者抑制不同的通道，从而根据输入进行特征分配，简单而有效。
[0005]注意力机制强大的特征选择和特征定位能力也应用于MRI快速重建问题。然而，目前方法仅在空域特征级别进行权重缩放，本质上只利用了特征图的平均强度来计算缩放因子，而没有利用傅里叶域中不同特征图的功率谱特征。
[0006]隐式神经表达人眼观察到的视觉世界是连续的。但由于硬件限制，图像通常处理为离散化的由有限数量像素点构成的像素阵列，因此图像的精度受到分辨率的限制。而隐式神经表达从图像表示方法的角度提出了全新的连续图像解决方法，其关键思想是将一个3D场景或2D图像表示为一个函数，该函数将坐标映射到相应的信号，并由深度神经网络来对其进行参数化拟合。隐式神经表达最初被提出用于三维形状和表面建模，并且在2D图像超分辨率任务中也表现出了极大的潜力。但目前还未有工作将隐式神经表达很好地应用于MRI加速重建问题。
[0007]综上所述，现有研究使用深度学习算法建立欠采样MRI图像与全采样MRI图像之间的映射关系从而加速MRI成像，但这些研究依然存在一些问题。首先，主流的基于卷积神经网络的方法通过上下采样和卷积将不同尺度的特征图进行对齐，这模糊了许多重要的精确信息，给MRI重建图像引入了不必要的伪影；其次，目前引入注意力机制的MRI重建方法仅在空域特征级别进行权重缩放，没有利用傅里叶域中不同特征图的功率谱特征。针对以上问
题，提出多特征信息引导的MRI重建。

技术实现思路

[0008]为解决上述技术问题，本专利技术提出了一种多尺度空频域特征信息引导的MRI加速重建系统，通过使用基于隐式神经表达的方法将编码得到的不同尺度特征图进行特征插值，完成空域特征对齐；同时进行K空间修复，提升重建性能。
[0009]为实现上述目的，本专利技术提供了一种多尺度空频域特征信息引导的MRI加速重建系统，包括：
[0010]图像采集模块、图像加速重建模块和预测输出模块，
[0011]所述图像采集模块，用于获取原始MRI图像；
[0012]所述图像加速重建模块，用于对所述原始MRI图像提取特征图，对所述特征图进行能谱加权和隐式特征对齐，预测重建MRI图像；
[0013]所述输出模块，用于输出所述预测重建MRI图像。
[0014]可选的，所述图像加速重建模块包括：
[0015]特征提取子模块，用于对所述原始MRI图像特征提取，获取所述特征图；
[0016]傅里叶通道注意力子模块，用于对所述特征图进行能谱加权，获取加权后的所述特征图；
[0017]隐式特征函数子模块，将加权后的所述特征图进行隐式特征对齐，获取对齐后的所述特征图；
[0018]编码器，基于对齐后的所述特征图，预测重建MRI图像。
[0019]可选的，在所述特征提取子模块中，获取所述特征图包括：
[0020]将所述原始MRI图像输入所述特征提取子模块，获取不同深度信息和不同规模大小的所述特征图。
[0021]可选的，所述傅里叶通道注意力子模块包括：傅里叶变换层，所述傅里叶变换层用于对频谱图进行快速傅里叶变换。
[0022]可选的，在所述傅里叶通道注意力子模块中，获取加权后的所述特征图包括：
[0023]基于所述傅里叶变换层，将所述特征图变换成频谱图，对频谱图进行卷积核全局化处理，获取注意力系数；
[0024]将所述注意力系数和所述特征图相乘，获取加权后的所述特征图。
[0025]可选的，在所述隐式特征函数子模块中，获取对齐后的所述特征图前包括：
[0026]使用位置编码函数对MRI图像中所要查询的位置与对应特征图的相对二维坐标进行编码；
[0027]所述位置编码函数为：
[0028][0029]其中，为位置编码函数，ω1、ω2、ω
L
均为频率参数，x为坐标。
[0030]可选的，所述隐式特征函数子模块中，通过隐式特征函数将加权后的所述特征图进行隐式特征对齐，获取对齐后的所述特征图；
[0031]其中，所述隐式特征函数为：
[0032][0033]其中，M(x
q
)为隐式特征值，f
θ
为解码函数，x
q
为待求特征值M的坐标，z
*
为与M最接近的特征向量，x
*
为z
*
的坐标，x
q
‑
x
*
为相对坐标，为位置编码。
[0034]可选的，所述预测重建MRI图像包括：
[0035]基于对齐后的所述特征图，获取不同特征图中对应的特征向量、原始相对坐标以及编码后的相对坐标；
[0036]基于不同特征图中对应的所述特征向量、原始相对坐标以及编码后的相对坐标，获取对应的预测强度值；
[0037]解码所述预测强度值，预测重建MRI图像。
[0038]可选的，所述MRI加速重建系统还包括：K空间校正模块，通过计算输出的所述预测重建MRI图像和所述预测重建MRI图像对应的高质量图像之间的损失，对所述MRI加速重建系统进行优化。
[0039]与现有技术相比，本专利技术具有如下优点和技术效果：
[0040]本专利技术提出傅里叶通道注意力机制，高效利用傅里叶域中不同特征图的能谱特征，更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度空频域特征信息引导的MRI加速重建系统，其特征在于，包括：图像采集模块、图像加速重建模块和预测输出模块，所述图像采集模块，用于获取原始MRI图像；所述图像加速重建模块，用于对所述原始MRI图像提取特征图，对所述特征图进行能谱加权和隐式特征对齐，预测重建MRI图像；所述输出模块，用于输出所述预测重建MRI图像。2.基于权利要求1所述的一种多尺度空频域特征信息引导的MRI加速重建系统，其特征在于，所述图像加速重建模块包括：特征提取子模块，用于对所述原始MRI图像特征提取，获取所述特征图；傅里叶通道注意力子模块，用于对所述特征图进行能谱加权，获取加权后的所述特征图；隐式特征函数子模块，将加权后的所述特征图进行隐式特征对齐，获取对齐后的所述特征图；编码器，基于对齐后的所述特征图，预测重建MRI图像。3.基于权利要求2所述的一种多尺度空频域特征信息引导的MRI加速重建系统，其特征在于，在所述特征提取子模块中，获取所述特征图包括：将所述原始MRI图像输入所述特征提取子模块，获取不同深度信息和不同规模大小的所述特征图。4.基于权利要求2所述的一种多尺度空频域特征信息引导的MRI加速重建系统，其特征在于，所述傅里叶通道注意力子模块包括：傅里叶变换层，所述傅里叶变换层用于对频谱图进行快速傅里叶变换。5.基于权利要求4所述的一种多尺度空频域特征信息引导的MRI加速重建系统，其特征在于，在所述傅里叶通道注意力子模块中，获取加权后的所述特征图包括：基于所述傅里叶变换层，将所述特征图变换成频谱图，对频谱图进行卷积核全局化处理，获取注意力系数；将所述注意力系数和所述特征图相乘，获取加权后的所述特征图。6.基于权利要求2所述的一种多尺度空频域特征信息引导的MRI加速重建系统，...

【专利技术属性】
技术研发人员：史勇红，孟玉聪，段明宏，傅科学，
申请(专利权)人：复旦大学，
类型：发明
国别省市：