[发明专利]一种磁共振图像重建方法、装置、设备和介质

权利要求书

1.一种磁共振图像重建方法，其特征在于，包括：

获取欠采样的磁共振数据；

将所述磁共振数据输入至基于交替方向乘子算法的图像重建模型，以得到重建后的目标磁共振图像，其中，所述图像重建模型是数据保真项和正则项均为不定项的数学模型经过预先训练的结果；

所述图像重建模型训练的过程包括：

获取全采样的磁共振数据，并从所述全采样的磁共振数据中提取出至少一组欠采样数据，得到至少一组欠采样数据与全采样的磁共振数据的数据对；

所述从所述全采样的磁共振数据中提取出至少一组欠采样数据，包括：按照预设的规则从所述全采样的磁共振数据中选取相应的采样线的采样数据得到欠采样数据；

将所述欠采样数据输入至所述数据保真项和正则项均为不定项的数学模型；

基于交替方向乘子算法将所述数据保真项和正则项均为不定项的数学模型分解为第一子问题、第二子问题和第三子问题，其中，所述第三子问题为所述第一子问题和所述第二子问题的解的约束条件；

采用梯度下降法求解所述第一子问题和所述第二子问题；

针对所述第一子问题的解和所述第二子问题的解，通过卷积神经网络迭代计算方法确定所述第一子问题的解和所述第二子问题的解中各参数值，完成图像重建模型的训练；

所述通过卷积神经网络迭代计算方法确定所述第一子问题的解和所述第二子问题的解中各参数值，包括：

采用卷积神经网络拟合所述第一子问题的解中的数据保真项函数的一阶偏导函数和所述第二子问题的解中的数据正则项函数的一阶偏导函数，其中，所述第一子问题和所述第二子问题的解中各参数的初始值为经验值；

经过预设迭代次数，确定所述第一子问题的解和所述第二子问题的解中各参数的数值，直到通过数据模型得到的重建图像与对应全采样磁共振数据的重建图像之间的差值满足损失函数，所述损失函数定义为均方误差：其中为经过网络输出的重建图像，x_ref为与f对应的全采样磁共振数据重建后的图像。

2.根据权利要求1所述的方法，其特征在于，在每次迭代计算中，神经网络结构中包含有重建层、优化层和参数更新层三个模块。

3.一种磁共振图像重建装置，其特征在于，包括：

数据获取模块，用于获取欠采样的磁共振数据；

图像重建模块，用于将所述磁共振数据输入至基于交替方向乘子算法的图像重建模型，以得到重建后的目标磁共振图像，其中，所述图像重建模型是数据保真项和正则项均为不定项的数学模型经过预先训练的结果；

所述装置还包括模型训练模块，用于对所述图像重建模型进行训练；所述模型训练模块具体包括：

样本数据获取子模块，获取全采样的磁共振数据，并从所述全采样的磁共振数据中提取出至少一组欠采样数据，得到至少一组欠采样数据与全采样的磁共振数据的数据对；

所述从所述全采样的磁共振数据中提取出至少一组欠采样数据，包括：按照预设的规则从所述全采样的磁共振数据中选取相应的采样线的采样数据得到欠采样数据；

样本输入子模块，用于将所述欠采样数据输入至所述数据保真项和正则项均为不定项的数学模型；

分解计算子模块，用于基于交替方向乘子算法将所述数据保真项和正则项均为不定项的数学模型分解为第一子问题、第二子问题和第三子问题，其中，所述第三子问题为所述第一子问题和所述第二子问题的解的约束条件；

子问题求解子模块，用于采用梯度下降法求解所述第一子问题和所述第二子问题；

参数求解子模块，用于针对所述第一子问题的解和所述第二子问题的解，通过卷积神经网络迭代计算方法确定所述第一子问题的解和所述第二子问题的解中各参数值，完成图像重建模型的训练；

所述参数求解子模块具体用于：

采用卷积神经网络拟合所述第一子问题的解中的数据保真项函数的一阶偏导函数和所述第二子问题的解中的数据正则项函数的一阶偏导函数，其中，所述第一子问题和所述第二子问题的解中各参数的初始值为经验值；

经过预设迭代次数，确定所述第一子问题的解和所述第二子问题的解中各参数的数值，直到通过数据模型得到的重建图像与对应全采样磁共振数据的重建图像之间的差值满足损失函数，所述损失函数定义为均方误差：其中为经过网络输出的重建图像，x_ref为与f对应的全采样磁共振数据重建后的图像。