[发明专利]一种基于结构相似性的MRI图像重建方法

权利要求书

1.一种基于结构相似性的MRI图像重建方法，其特征在于，包括如下步骤：

S1.对多个对比度的全采样MRI图像进行预处理，获得模拟欠采样MRI图像；

S2.建立多个单对比度重建模型，所述单对比度重建模型的损失函数为单对比度损失函数L_pri；

S3.基于同一部位多个单对比度图像的结构相似性构建相似性约束；具体包括步骤：设计图像梯度信息提取算子，利用所述图像梯度信息提取算子获取图像的边缘信息，将不同对比度MRI图像梯度信息的相似性作为约束条件，构建由强梯度相似性约束L_S、弱梯度相似性约束L_W和引导滤波型相似约束L_GF共同组成的相似性约束损失函数L_cst；

S4.利用单对比度重建模型，融合训练多对比度融合重建模型；具体包括步骤：对单对比度损失函数L_pri和相似性约束损失函数L_cst作加权求和，得到该多对比度融合重建模型的总损失函数L_total；通过梯度下降法进行模型优化，得到多对比度融合重建模型；

S5.将同一部位多个对比度的欠采样MRI图像输入多对比度融合重建模型，获得各个对比度的MRI图像重建结果。

2.根据权利要求1所述的一种基于结构相似性的MRI图像重建方法，其特征在于，步骤S1所述预处理流程为：首先对全采样MRI图像原始的单通道二维图像数据做二维傅里叶变换，以得到K空间下的频域数据，再对K空间下的频域数据作随机下采样，并将丢失数据用零进行填充，最后对经零填充后的数据作二维逆傅里叶变换，得到模拟欠采样MRI图像。

3.根据权利要求1所述的一种基于结构相似性的MRI图像重建方法，其特征在于，步骤S2所述多个单对比度重建模型包括T1对比度重建模型和T2对比度重建模型，所述T1对比度重建模型和T2对比度重建模型用于在步骤S4构建多对比度融合重建模型。

4.根据权利要求3所述的一种基于结构相似性的MRI图像重建方法，其特征在于，步骤S2所述单对比度重建模型函数为：

y_i＝Single_recon(x_i)

其中，x_i∈R^N为欠采样MRI图像，所述欠采样MRI图像包括T1对比度欠采样MRI图像或T2对比度欠采样MRI图像，欠采样MRI图像是模型的输入；y_i∈R^N为最终获得的单对比度重建MRI图像；Single_recon(·)为将欠采样MRI图像映射到单对比度重建MRI图像的深度卷积神经网络模型。

5.根据权利要求4所述的一种基于结构相似性的MRI图像重建方法，其特征在于，步骤S2所述单对比度重建模型的构建流程为，利用卷积神经网络对模拟欠采样MRI图像进行特征提取，并依次对模拟欠采样MRI图像作三次下采样操作和三次上采样操作，以维持图像的原始尺寸；下采样的方式为最大池化操作，上采样的方式为反卷积操作；将下采样最大池化层的输出特征连接到上采样反卷积操作层的初始输入特征，共同作为反卷积层的输入。

6.根据权利要求5所述的一种基于结构相似性的MRI图像重建方法，其特征在于，步骤S2所述单对比度重建模型的单对比度损失函数L_pri定义为：

其中，为单对比度的欠采样MRI图像，所述欠采样MRI图像包括T1对比度欠采样MRI图像和T2对比度欠采样MRI图像；为单对比度的全采样MRI图像，所述全采样MRI图像包括T1对比度全采样MRI图像和T2对比度全采样MRI图像；F_u(·)为下采样的傅里叶变换函数，将全采样MRI图像或单对比度重建MRI图像转换为在K空间下的表现形式并下采样；n为样本总数；L_pri1为空间域保真项；L_pri2为傅里叶域保真项，θ₁和θ₂分别为L_pri1和L_pri2的权重系数。