[发明专利]一种深度学习的高欠采样超极化气体肺部MRI重建方法

权利要求书

1.一种深度学习的高欠采样超极化气体肺部MRI重建方法，其特征在于，包括以下步骤：

步骤1、收集多组全采样超极化气体肺部磁共振k空间数据和相应的质子图像，将每组全采样超极化气体肺部磁共振k空间数据进行快速傅里叶变换，获得的重建结果作为训练集中的参考图像y，分割质子图像，获得肺部实质区域mask，对每组全采样超极化气体肺部磁共振k空间数据进行欠采样后进行零填充重建获得零填充图像，将零填充图像作为超极化气体肺部MRI图像训练集中的输入图像x，输入图像x和对应的参考图像y组成训练集中的训练样本对，对于第i个训练样本对，输入图像x表示为xⁱ，参考图像y表示为yⁱ，对应的肺部实质区域mask表示为maskⁱ；

步骤2、设计级联CNN模型，级联CNN模型包括第一级网络f_cnn1(·,θ₁)和第二级网络f_cnn2(·,θ₂)，其中θ₁、θ₂分别为第一级网络和第二级网络的参数，·表示网络输入；

步骤3、训练级联CNN模型：

根据训练样本对中的输入图像xⁱ作为第一级网络f_cnn1(·,θ₁)的输入，利用反向传播算法和基于动量的随机梯度下降法寻找损失函数最小对应的θ₁作为第一级网络的最优参数θ₁'，

根据训练样本对中的输入图像xⁱ作为第一级网络f_cnn1(·,θ′₁)的输入，得到初始重建图像然后将作为第二级网络f_cnn2(·,θ₂)的输入，利用反向传播算法和基于动量的随机梯度下降法寻找损失函数最小对应的θ₂作为第二级网络的最优参数θ₂'，

步骤4、将输入图像x输入到训练后的级联CNN模型，经过正向传播，即可得到重建图像，

所述的步骤3包括以下步骤：

步骤3.1、对第一级网络的进行训练，包括以下步骤：

步骤3.1.1、首先从训练集中随机挑选数量为n的训练样本对的输入图像xⁱ作为第一级网络的输入，i∈{1…n}，经过正向传播得到初始重建图像

步骤3.1.2、通过公式计算损失函数值为第t次迭代θ₁的取值；

步骤3.1.3、通过公式和公式获得第t+1次迭代θ₁的取值迭代次数t加1并返回步骤3.1.2，直至损失函数值最小，损失函数值最小时对应的即为第一级网络的最优参数θ₁'；

其中，μ为动量，η为学习率，t为迭代次数，和分别是第t和t-1次迭代参数θ₁的更新值，和分别表示第t和t+1次迭代θ₁的取值；

步骤3.2、对第二级网络进行训练，具体包括以下步骤：

步骤3.2.1、首先从训练集中随机挑选数量为n的训练样本对的输入图像xⁱ作为训练得到的第一级网络f_cnn1(·,θ′₁)的输入，i∈{1…n}，经过正向传播得到初始重建图像作为第二级网络输入；

步骤3.2.2、利用公式计算损失函数值为第t次迭代θ₂的取值，·为点乘，l2表示L2范数；

步骤3.2.3、通过公式和公式获得第t+1次迭代θ₂的取值迭代次数t加1并返回步骤3.2.2，直至损失函数值最小，损失函数值最小时对应的即为第二级网络的最优参数θ₂'；

其中，μ为动量，η为学习率，t为迭代次数，和分别是第t和t-1次迭代参数θ₂的更新值，和分别表示第t和t+1次迭代θ₂的取值。