[发明专利]基于深度卷积神经网络的磁共振成像方法

说明书

本发明属于磁共振成像技术领域，公开了一种基于深度卷积神经网络的磁共振成像方法；通过K空间中间区域全采样而周围随机降采样，对全采样区域通过算法多次随机降采样采集训练样本来训练卷积神经网络自编码器，利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据；最后利用反傅里叶变换得到图像并通过去除算法去除噪声；通过本发明，解决了相关技术中需要大量训练图像的问题，进而达到了提高磁共振成像速度的效果。本发明通过深度卷积网络在K空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。

技术领域

本发明属于磁共振成像技术领域，尤其涉及一种基于深度卷积神经网络的磁共振成像方法。

背景技术

目前，业内常用的现有技术是这样的：磁共振成像(Magnetic resonanceimaging,MRI)由于其无电离辐射，丰富的组织对比度信息，以及非入侵式的检测等优点，已广泛应用于临床医学影像检查。受傅里叶编码方式和奈奎斯特采样定理的限制，磁共振成像需要较长的扫描时间，不但给患者带来一定的不适，而且在重建的图像容易产生运动伪影。同时，过长的扫描时间限制了MRI对运动物体的成像，如血流，心脏等。经过近几十年的发展，依靠提高硬件性能，如梯度切换率和磁场强度等，加速采集的方式受制于人类神经对磁场变换的承受能力而无进一步提升的余地。近来，深度学习方法在图像识别，分割等方向取得显著成果。由于深度学习方法往往需要巨大的训练数据来完成模型的训练。而对于医学图像处理，受制于患者隐私、部分病例罕见等问题的原因，很难搜集到大量合理分布的训练样本。因此，深度学习在医学图像，特别是在磁共振成像方面尚未有明显突破。

综上所述，现有技术存在的问题是：当前磁共振成像时间较长，通过深度学习方法在图像域进行重建能有效减少成像时间，但需要巨大的训练数据完成模型的训练；对于医学图像处理，受制于患者隐私等问题的原因，很难完成大量训练样本的搜集。

解决上述技术问题的难度和意义：若能提出无需大量训练样本的深度学习磁共振成像方法，便能让深度学习更好地在磁共振成像上获得应用，从而提高磁共振成像速度，加快磁共振设备应用效率，进一步减轻患者经济和心理负担。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度卷积神经网络的磁共振成像方法、图像识别系统。

本发明是这样实现的，一种基于深度卷积神经网络的磁共振成像方法统，所述基于深度卷积神经网络的磁共振成像方法首先通过K空间中间区域全采样而周围随机降采样；然后对全采样区域通过算法多次随机降采样采集训练样本来训练卷积神经网络自编码器；利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据；最后利用反傅里叶变换得到图像并通过去除算法去除噪声。

进一步，所述基于深度卷积神经网络的磁共振成像方法包括：

(1)通过对磁共振K空间中间区域全采样而周围区域随机降采样以减少采样时间；

(2)对K空间中间全采样数据，通过算法进行伪随机降采样；

(3)对于未采集到的K空间点置0；

(4)在伪随机采样后的K空间中取大小为M*N的窗口数据，作为训练样本的输入；其对应的伪随机采样前的数据为训练样本的输出；

(5)多次重复伪随机采样，得到充足的训练样本；

(6)利用卷积神经网络自编码器进行模型训练；

(7)利用训练好的模型对周围降采样的K空间数据进行重建；

(8)通过快速傅里叶反变换得到图像；

(9)通过去噪算法去除图像中的噪声。

进一步，所述基于深度卷积神经网络的磁共振成像方法通过对磁共振K空间中间区域全采样而周围区域随机降采样。