[发明专利]一种基于多模态聚合的磁共振图像重建方法及装置

说明书

本申请提供一种基于多模态聚合的磁共振图像重建方法及装置。方法包括：获取样本图像和图像处理网络；样本图像包括全采样第一样本图像，全采样第二样本图像和欠采样第二样本图像；图像处理网络包括频域处理网络和图像域处理网络；将样本图像输入频域处理网络，依据频域重建结果生成频域损失函数；将频域重建结果输入图像域处理网络，依据图像域重建结果生成图像域损失函数；依据频域损失函数和图像域损失函数对图像处理网络进行训练，生成混合域学习网络；获取全采样第一目标图像和欠采样第二目标图像并输入混合域学习网络，生成无伪影第二目标图像。本申请能够从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像。

技术领域

本申请涉及图像处理技术领域，特别是一种基于多模态聚合的磁共振图像重建方法及装置。

背景技术

MRI(MagneticResonanceImaging，磁共振成像)是一种常用的扫描技术，可以用于肌肉骨骼，神经系统和肿瘤疾病的扫描。MRI扫描仪获得的原始数据是二维的复值数据，收集到的K空间信号通过二维反傅里叶变换转换到图像域。然而，MRI数据采集过程的物理性质使得扫描时间长达数十分钟，造成不舒服的检查体验和高昂的医疗费用。因此，加速MRI重建成为改善患者体验的主要研究目标。从欠采样的K空间测量中重构图像是一个标准的方法，以加快磁共振成像。然而，从零填充的K空间数据重建的图像往往会表现出混叠效应，这使得它们无法用于临床诊断。因此，如何减少这些混叠伪影，从采样不足的K空间测量值中恢复出高保真的图像成为磁共振图像重建系统的目标。

CS(Compressive Sensing，压缩感知)和并行成像依靠K空间的冗余特点，在MRI图像重建中取得了显著的进展。与传统的信号处理方法相比，基于CS的方法可以通较少的采样量来加快MRI图像的采集速度。此外，通过结合图像的先验知识，CS可以通过违反奈奎斯特-香农采样定理来解决混叠效应。然而，基于CS的MRI图像重建方法需要大量的时间来迭代最小化，这导致需要接近实时的MRI图像场景(例如功能磁共振成像和心血管磁共振成像)变得十分困难。并行成像可以通过多通道的线圈灵敏度轮廓从多通道的混叠图像中重建图像，但如果平面内加速度高于2，依然会产生伪影。

近年来，深度学习技术在MRI图像重建方面得到了广泛的应用。然而，这些方法大多侧重于利用单模态采集的欠采样数据去重建高质量的MRI图像(如图1所示)。因此，利用采集时间较短的模态来辅助其他具有密切结构信息的模态是加快磁共振成像的一种新思路。例如，T1和T2加权图像是两个密切相关的MRI模态，但是T2加权成像比T1加权成像慢，因为其TRs(Repetition Time，重复时间)和TEs(Echo Time，回波时间)相对较长。因此，可以使用T1模态作为补充信息来指导T2模态的重建。具体地说，图2显示了来自同一受试者的两个不同模态的MRI图像。图像(a)为全采样的T1加权图像，用于识别脂肪组织，获取形态学信息，并进行造影后成像；图像(b)为全采样的T2加权图像，用于检测水肿、炎症和评估解剖结构。图像(c)为3×倍加速度的1D随机欠采样模式下的具有混叠伪影的T2加权图像。在深度学习方面，只有少数研究尝试在不同的MRI模态之间进行多模态融合来加速图像重建。现有技术根据T1与T2图像的高度耦合关系，重构出高质量的T2加权图像；或直接将T1、T2图像整合为双通道输入(如图3所示)。所有这些方法都遵循早期融合机制。这些方法虽然令人印象深刻，但都忽略了对多模态关键特征级聚合的探索。

发明内容

鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于多模态聚合的磁共振图像重建方法及装置，包括：

一种基于多模态聚合的磁共振图像重建方法，包括：

获取样本图像和图像处理网络；其中，所述样本图像包括样本组织经T1加权成像生成的全采样第一样本图像，所述样本组织经T2加权成像生成的全采样第二样本图像，以及所述样本组织经T2加权成像生成的欠采样第二样本图像；所述图像处理网络包括频域处理网络和图像域处理网络；