[发明专利]一种基于深度学习的多对比度MRI图像重建方法

说明书

本发明提出一种基于深度学习的多对比度MRI图像重建方法，涉及医疗影像处理的技术领域，通过采集真实的全采样MRI图像和随机在K空间下采样后的重构MRI图像组成训练集样本，训练出深度卷积神经网络，然后将不同对比度的欠采样MRI图像作为其输入，输出不同对比度初步全采样MRI图像，编码器提取不同对比度初步全采样MRI图像的结构特征和对比度特征后进行相似性约束，最后通过生成器生成最终的不同对比度的完整MRI图像，克服当前大多数模型仅利用单对比度的MRI图像进行重建，而缺少对多对比度的MRI图像关联信息的利用进行重建，提升MRI图像的重建质量，保证医疗系统诊断结果的可靠性。

技术领域

本发明涉及医疗影像处理的技术领域，更具体地，涉及一种基于深度学习的多对比度MRI图像重建方法。

背景技术

磁共振成像(Magnetic Resonance Imaging，简称MRI)是一种重要且应用广泛的医学成像技术，这种技术可用于人体内部结构的成像。通常1R扫描可以获得不同对比度的图像，如T1、T2对比度，在实际诊断中医生需结合多种对比度的完整MRI图像进行疾病诊断，因而需要对病人进行多次长时间的扫描，但增加扫描时间不仅会引起患者的不适，而且可能引入运动伪影，降低磁共振的使用效率；而降低扫描时间将减少数据的采集量，进而导致MRI图像质量的下降，不利于医疗系统的精确诊断，因此，数据的采集时间和图像质量之间的矛盾促进了对MRI图像压缩感知和图像重建技术的研究。

一般说来，MRI图像重建的方法分为两大类：第一类是基于传统的压缩感知理论，在原位实施MRI图像重建；第二类是基于深度学习技术，依赖MRI图像数据集中的信息，在大数据驱动下实施MRI图像重建。

第一类方法来源于Donoho提出的压缩感知理论[D.L.Donoho，Colpressedsensing，2006]，突破了传统采样定理的限制，充分利用了信号本身或者在变换域上可以稀疏表示这一先验信息，利用随机投影直接采样少量的数据点，在满足Tao等提出的受限等距性条件下[T.Tao，et al.Stable signal recovery frol incolplete and inaccurateleasurelents，2006]，利用非线性重建算法在原位上恢复出原始信号。该方法具有良好的可解释性，但由于MRI硬件采样系统的限制，不能做到完全的随机采样。因此，Lusfig等针对MRI图像重建这一问题对该理论做进一步的扩展，提出了在固定的变换基础上进行随机采样，以稀疏性约束对MRI图像进行重建，首次将压缩感知应用到医疗影像领域[1.Lustig，D.Donoho，and J.1.Pauly，Sparse MRI：The application of colpressed sensing forrapid 1R ilaging，2007]，但非适应性的变换基础会导致模型的表示能力受限，为提高模型的自适应能力，部分研究工作专门利用图像的几何信息进行重建[X.Qu etal.Undersalpled MRI reconstruction with patch-based directional wavelets，2012]，尽管基于自适应变换的模型具有更高的重建质量，但却要付出沉重的计算代价。