[发明专利]一种基于深度残差生成对抗网络的快速CS-MRI重建方法

权利要求书

1.一种基于深度残差生成对抗网络的快速CS-MRI重建方法，其特征在于该方法包括以下步骤：

步骤一：将k空间数据经过K空间欠采样、零填充处理得到零填充图像，零填充图像和K空间完全采样MRI图像X组成训练集中的训练样本对；

步骤二：MRI重建模型的设计；

搭建一个基于生成对抗网络的CS-MRI重建模型，生成模型是一种加入了改进残差块的U型网络结构，判别模型由多层卷积网络与一层全连接层组成；

所述的步骤二包括如下过程：

首先生成对抗网络生成模型的设计，搭建一个包含4个卷积模块和4个解卷积模块，每个卷积模块与其相对称的解卷积模块通过跳跃连接，把卷积路径上提取出来的特征图与之相对称解卷积路径上产生的特征图融合起来，作为下一个解卷积模块的输入；最大程度的保留了前面卷积过程提取的原始图像特征图信息；

然后生成对抗网络判别模型的设计，判别模型采用了深度卷积神经网络来进行二分类；

步骤二中生成模型中每个卷积模块包含两个卷积小块一个改进残差块，两个卷积小块的组成相同，每个卷积小块都是由一个卷积层、批规范化层和LeakyReLU激活函数构成；每个解卷积模块包含两个解卷积小块和一个改进残差块，两个解卷积小块的组成相同，每个解卷积小块都是由一个解卷积层、批规范化层和LeakyReLU激活函数构成；

步骤二中改进的残差块是对标准残差块进行改进，把原始残差块的第一个卷积小块的批规范化层去掉、第二个和第三个卷积小块的批规范化层和LeakyReLU激活函数去掉,得到三个新的卷积小块，三个新的卷积小块通过跳跃连接方式；大大减少了模型训练的计算量，从而缩短了模型的重建MRI图像的时间；

步骤三：模型损失函数的设计；

生成模型采用最小二乘对抗生成损失和内容损失相结合的复合损失函数，判别模型采用最小二乘对抗判别损失；

步骤四：对MRI重建模型进行训练；

将零填充MRI图像作为重建生成模型的输入，利用反向传播算法和adam优化算法使得复合损失函数最小来训练生成模型，将生成模型生成的MRI图像作为判别模型的输入，利用反向传播算法和adam优化算法使得最小二乘对抗判别函数来训练判别模型；

步骤五：对MRI重建模型进行测试；

将零填充MRI图像输入到训练好后的MRI重建模型，经过正向传播，即可得到重建MRI图像

2.根据权利要求1所述的一种基于深度残差生成对抗网络的快速CS-MRI重建方法，其特征在于：所述的步骤一包括如下过程：

首先，对原始的k空间完全采样MRI图像经过K空间欠采样处理，欠采样K空间数据如公式(1)所示：

f＝RF_X (1)

R表示欠采样掩模矩阵，F表示正交傅里叶矩阵；X表示k空间完全采样MRI图像，F_X表示完全采样K空间数据；

然后对欠采样K空间数据零填充处理，零填充图像可以由公式(2)确定：

H表示共轭转置，作为重建的初始图像。

3.根据权利要求1所述的一种基于深度残差生成对抗网络的快速CS-MRI重建方法，其特征在于：步骤三生成模型采用对抗损失和内容损失结合成为复合损失来对重建模型进行训练，内容损失包括像素损失、频域损失和感知损失，重建的MRI图像和完全采样K空间MRI图像之间的差距通过复合损失函数来衡量，通过反向传播算法更新生成模型的权值来最小化复合损失函数，复合损失函数如(3)所示：

ψ_Total＝α·ψ_iMSE(θ_G)+P·ψ_fMSE(θ_G)+Y·ψ_VGG(θ_G)+min_GJ(G) (3)

其中，ψ_iMSE(θ_G)表示像素损失，ψ_fMSE(θ_G)表示频域损失，ψ_VGG(θ_G)表示感知损失，min_GJ(G)表示最小二乘对抗生成损失，θ_G表示生成模型的权值参数，α，β，γ用来平衡各个损失项大小的权重。