[发明专利]一种基于多模块特征聚合的双域递归网络MR重建方法

权利要求书

1.一种基于多模块特征融合的双域递归网络MR重建方法，其特征在于，包括如下步骤：

S1)数据预处理；

S2)构建网络模型；

S3)训练神经网络；

S4)测试网络模型；

S5)评价重建图像质量。

2.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR重建方法，其特征是，在S1)中,K空间数据维度为[number of slices,h,w,c]，包含若干切片的四维数据，c表示数据通道数，h,w分别表示高和宽，在序列中随机截取长度为s＝10的序列，即[s,h,w,c]，不仅减轻显存压力，而且在训练过程中起到数据增强的效果，接着随机生成大小与K空间数据有相同维度的欠采样模板(mask)，各序列间的欠采样模板各不相同，然后模拟欠采样过程，得到欠采样的K空间数据，将数据经过二维傅里叶转换成单通道图像数据，然后对图像数据进行归一化处理，公式如下:

接着将数据经二维小波变换转化为小波域数据。

3.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR重建方法，其特征是，在S2)中，小波域多模块特征聚合网络架构包括三个重复的小波域残差模块、每个基本的小波域残差模块由一个3×3卷积，三个并行的空洞卷积，卷积核为3×3，两个1×1卷积组成，三个空洞卷积的扩张率分别为dilation＝1,dilation＝2,dilation＝4,卷积核为3×3。首先欠采样小波数据经过3×3卷积，进行浅层特征提取，然后经过三个不同扩张率的卷积，用1×1卷积将不同尺度的信息融合到一起，最后将进行残差连接，则三个小波域残差块输出特征分别为F₀，F₁，F₂,将F₀，F₁，F₂按照通道维度拼接到一起，用1×1卷积将不同模块的特征信息融合到一起，实现了多模块的小波域的特征融合，使网络融合不同上下文信息，能够精细化特征表达，然后进行跨层跳跃连接，最后进行数据一致性，将采样K空间要替换网络重构K空间的相应位置。