[发明专利]一种磁共振图像重建方法、装置、设备和介质

说明书

本发明实施例公开了一种磁共振图像重建方法、装置、设备和介质。其中，方法包括：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。本发明实施例解决了磁共振图像重建过程中，ADMM‑net方法适用的模型中的数据保真项采用重建的k空间与采样点之间的2范数来表征，不是最有效的数据一致性保障方法，不适用于全部的图像重建情况的问题；可以提高基于ADMM算法的图像重建后的图像质量。

技术领域

本发明实施例涉及医学成像技术，尤其涉及一种磁共振图像重建方法、装置、设备和介质。

背景技术

磁共振利用静磁场和射频磁场对人体组织成像，它不仅提供了丰富的组织对比度，且对人体无副作用，因此成为医学临床诊断的一种强有力的工具。

为了提高磁共振成像速度以及成像质量，现多采用的深度学习方法进行图像重建，如利用神经网络，从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系，从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数。

其中，ADMM算法，即交替方向乘子方法，是一种求解优化问题的计算框架，适用于求解分布式凸优化问题。ADMM算法通过分解协调(Decomposition-Coordination)过程，将大的全局问题分解为多个较小、较容易求解的局部子问题，并通过协调子问题的解而得到大的全局问题的解。将深度学习与ADMM算法结合的ADMM-net方法采用深度神经网络来学习算法中的参数，解决了优化问题中参数难以调节、迭代时间长的问题。

但是，ADMM-net方法适用的模型中的数据保真项，采用重建的k空间与采样点之间的2范数来表征，这种最小二乘约束是建立在线性无偏估计的前提下，并不是最有效的数据一致性保障方法，不适用于全部的图像重建情况，导致重建图像的成像质量还有待提高。

发明内容

本发明实施例提供一种磁共振图像重建方法、装置、设备和介质，以实现提高神经网络的网络自由度，学习到更多的先验信息，提高图像质量。

第一方面，本发明实施例提供了一种磁共振图像重建方法，该方法包括：

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。

可选的，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；

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。

可选的，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；