[发明专利]基于人工智能的肺部多核MRI双域超分辨率重建方法

说明书

本发明提供了基于人工智能的肺部多核MRI双域超分辨率重建方法，包括构建k空间重建网络和图像域重建网络。利用k空间重建网络重建上采样的多核低分辨率k空间域的数据，再利用k空间重建网络和图像域重建网络得到超分辨率的多核图像。本发明采用双域重建网络，有效地利用了数据在k空间及图像域中各自的特征；采用图像融合技术，有效利用了多核数据彼此在空间中的关联性。相比于传统的超分辨率重建方法，本发明可学习更丰富的特征，有效提高肺部多核磁共振图像的超分辨率重建效果。

技术领域

本发明属于成像技术领域，具体涉及基于人工智能的肺部多核MRI双域超分辨率重建方法。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入、无放射性的特，可以在整体水平上提供丰富的结构和功能信息，在临床诊断和临床前研究等领域有着重要且广泛的应用[Mehmet A,Steen M,Sebastian W,et al.Magn.Reson. Med.,2019,439:453.]。质子(¹H)是活体含量最高的磁共振可观测核，且具有最高的旋磁比，经典MRI通常以质子(¹H)作为成像观测核。而多核元素相比¹H具有更大的化学位移范围，从而能够提供更全面的功能和代谢信息。近年来，磁共振可观测多核元素的MRI能力正在不断被研究探索，特别地，针对于肺部 MRI技术的发展。

肺部疾病如慢性阻塞性肺部疾病(Chronic Obstructive Pulmonary Diseases,COPD)、肺癌等是威胁我国人民生命健康的重大疾病。其中COPD目前在国内有近1亿患者，肺癌的发病率及死亡率在全部恶性肿瘤中占17.9％及23.8％[https://gco.iarc.fr/]，居恶性肿瘤之首。[Spinelli A,Pellino G.Brit.J. Surg.,2020,107:785.]。多核MRI技术有望为肺部重大疾病的诊断和治疗提供有效支持。

然而，多核MRI技术受限于采集数据量大、耗费时间长、超极化气体极化度在成像过程中不可恢复等因素，难以获取高质量的肺部多核磁共振数据。最近，深度学习在超分辨率图像重建领域取得了成功[Wei.L,Jia.H,Narendra.A.IEEE Trans.Pattern Anal.,2019,41:2599]，通过卷积神经网络训练成对的低分辨率及高分辨率图像，可有效将低分辨率数据提升为高分辨率数据，提升数据质量。尽管深度学习算法能够得到较高质量的超分辨率重建图像，但是，仍然需要大量高分辨率图像作为标签，多核MRI易受噪声和伪影的影响，高质量的多核MRI图像较少，较少的训练集数据难以提取到丰富的图像特征，影响最终的超分辨率重建结果。

发明内容

本发明的目的在于针对现有技术存在的上述缺陷，提供基于人工智能的肺部多核MRI双域超分辨率重建方法，利用复值卷积层保留了k空间中的相位信息，同时学习分割和重建任务，使卷积神经网络能够充分利用多核数据的空间关联性，以及k空间域、图像域的双域信息，并学习更丰富的特征，有效提高图像超分辨率重建效果。

本发明的上述目的通过以下技术方案实现：

基于人工智能的肺部多核MRI双域超分辨率重建方法，包括以下步骤：

步骤1、构建训练集和测试集，训练集和测试集均包括多个样本对，样本对包括多核高分辨率k空间数据和对应的多核低分辨率k空间数据，将训练集中多核高分辨率k空间数据做傅里叶逆变换得到多核高分辨率图像，再将多核高分辨率图像取最大值，得到多核高分辨率融合图像；

步骤2、构建k空间重建网络；

步骤3、将步骤1生成的训练集中多核低分辨率k空间数据输入到步骤2构建的k空间重建网络中得到重建多核k空间数据；

步骤4、构建图像域重建网络；