[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

说明书

本发明请求保护一种基于特征聚合的双域递归网络MR重建方法。其实现步骤为：1)数据预处理:对K空间数据进行预处理，包括构建欠采样模板、模拟欠采样过程、归一化、截取切片、二维小波变换、构建训练集和测试集；2)构建网络模型:模型包括小波域多模块特征融合网络与图像域多模块特征融合网络；3)训练神经网络:将处理好的小波域数据、欠采样模板(mask)和欠采样K空间数据作为本网络的输入，原始的磁共振图像数据作为GT训练该模型；4)测试网络模型:将测试集的欠采样小波域数据输入上述模型中进行测试，得到高质量的重建图像；5)评价重建图像质量:本实验用PSNR和SSIM评价重建后图像质量。

技术领域

本发明属于医学图像处理技术领域，具体的说是一种多模块特征聚合的双域递归网络MR重建方法。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)是一种非侵入式的活体成像技术，它通过组织细胞内的原子核在强大的磁场作用下发生共振，再经过信号采集和计算机处理，从而形成了磁共振医学影像。与CT影像相比，它具有无辐射、对比度高和多参数成像等特点，更容易发现病变位置。但磁共振扫描速度缓慢，从而产生运动伪影，因此我们解决的主要问题是磁共振图像重建速度与质量。

传统磁共振重建方法则是基于压缩感知(Compressed Sensing,CS)理论，信号采集可以低于奈奎斯特采样定律进行采样，CS_MRI利用数据的稀疏性和数据采样的非相关性，通过观测矩阵对稀疏信号压缩采样，从欠采的信号中通过非线性优化重建MR图像,但传统方法的重建速度和精度不高。近几年深度学习方法已经应用于磁共振图像重建，与传统方法相比，深度学习通过对数据的浅层特征提取，形成更抽象的特征信息，能够有效提高MR重建精度。本文就现有的基于深度学习重建方法进行改进，引入小波域，与图像域进行结合，对小波域的多个模块与图像域的多个模块，分别进行多模块特征聚合，对多张MR切片进行重建。图像预处理阶段保持一定比例的低频信息来维持图像的基础结构，大量包含组织细节的高频信息丢失，经网络训练后可重建出高质量、高精度的磁共振图像。本文旨在为磁共振重建找到其他解决方案。

发明内容

本发明提供一种基于多模块特征聚合的双域递归网络MR重建方法，以找到另一种重建MR图像的思路。

为了实现上述目的，本发明包括以下步骤：

S1)构建数据及并进行预处理：将原始K空间数据集通过不同加速因子下的欠采样模板(mask)模拟欠采样过程，得到欠采样的K空间数据，将欠采样K空间数据集经傅里叶逆变换(Inverse Fourier Transform,IFT)转换为图像域数据集，接着进行归一化、截取序列等操作，再将图像域数据集经过二维小波变换(Discrete Wavelet Transform,DWT)转换成小波域数据集，该数据集划分为训练集和测试集。

S2)重建模型的搭建：通过深度学习框架PyTorch搭建一种基于多模块特征融合的双域递归网络用于MR图像重建,该网络包括三个部分，分别为小波域多模块特征聚合网络，图像域多模块特征聚合网络，构造损失函数以及数据一致性层(DC)。

1)小波域多模块特征聚合网络：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，最后进行跨层跳跃连接。