[发明专利]基于流形优化的用于磁共振动态成像的深度学习方法

说明书

本申请公开了一种基于流形优化的用于磁共振动态成像的深度学习方法、装置、设备及其存储介质，该方法包括：建立基于固定秩流行空间，通过将整个优化过程展开至神经网络中，获得基于流行优化的深度模型；针对帧与帧之间存在相互关系的动态MR图像，在非线性流形空间上，构建图像重建模；设计对应流形上的迭代重建算法；展开成深度神经网络。本申请提供的上述方案，避免了复杂的调参过程，且重建时间大大加快；同时，将原本在线性空间中复杂的非线性优化过程转变为在流行空间中的线性优化过程，有望进一步提升重建性能。

技术领域

本发明磁共振成像技术领域，具体涉及一种基于流形优化的用于磁共振动态成像的深度学习方法、装置、设备及其存储介质。

背景技术

磁共振动态成像(Dynamic MR Imaging，dMRI)是一种非侵入式的成像技术，例如心脏电影成像能够用于评估心功能，室壁运动异常等，为心脏临床诊断提供丰富的信息。然而，由于磁共振物理及硬件、和心脏运动周期时长的制约，磁共振心脏电影成像往往时间和空间分辨率受限，无法准确评估部分心脏疾病，如心率不齐等的心功能情况。因此，在保证成像质量的前提下，利用快速成像方法提高磁共振心脏电影成像的时间和空间分辨率尤为重要。

目前，传统的并行成像或者压缩感知技术，没有利用大数据先验，并且这种迭代优化方法往往是耗时的且参数较难选择。而基于深度学习的神经网络方法(DC-CNN、CRNN、DIMENSION)能够避免迭代求解步骤，加速了重建时间。但是，此类方法一般构建于线性欧式(图像)空间，故而难以精确刻画图像内在非线性和非局部的依赖关系,限制了重建性能的提升。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于流形优化的用于磁共振动态成像的深度学习方法、装置、设备及其存储介质。

第一方面，本申请实施例提供了一种基于流形优化的用于磁共振动态成像的深度学习方法，该方法包括：

建立基于固定秩流行空间，并在所述流行空间中展开动态优化过程，通过将整个优化过程展开至神经网络中，获得基于流行优化的深度模型；

针对帧与帧之间存在相互关系的动态MR图像，在非线性流形空间上，构建图像重建模；

设计对应流形上的迭代重建算法；

展开成深度神经网络。

在其中一个实施例中，所述构建图像重建模包括：

采用流形空间度量设计模型。

在其中一个实施例中，所述设计对应流形上的迭代重建算法包括：

根据流形结构设计迭代重建算法，即于切矢空间计算目标函数梯度，并朝负梯度方向沿流形测地线迭代更新。

在其中一个实施例中，所述展开成深度神经网络包括：

将设计对应流形上的迭代重建算法中的对应算子或者迭代规则替换为网络模块；

对所搭载的神经网络模块训练；

从训练数据中学习数据自身所包含的先验信息。

第二方面，本申请实施例还提供了一种基于流形优化的用于磁共振动态成像的深度学习装置，该装置包括：

建立单元，用于建立基于固定秩流行空间，并在所述流行空间中展开动态优化过程，通过将整个优化过程展开至神经网络中，获得基于流行优化的深度模型；

构建单元，用于针对帧与帧之间存在相互关系的动态MR图像，在非线性流形空间上，构建图像重建模；

设计单元，用于设计对应流形上的迭代重建算法；

展开单元，用于展开成深度神经网络。