[发明专利]一种基于深度学习的压缩感知磁共振图像快速重建方法

说明书

本发明一种基于深度学习的压缩感知磁共振图像快速重建方法，包括：S1：采集磁共振K空间原始数据，得到K空间原始数据K_fid；S2：基于压缩感知理论构建欠采样模板mask，通过欠采样模板mask模拟欠采样K空间数据，得到欠采样K空间数据K_cs‑fid；S3：对K空间原始数据K_fid和欠采样K空间数据K_cs‑fid进行预处理得到全采样图像I_img与欠采样图像I_cs‑img，并对全采样图像I_img与欠采样图像I_cs‑img进行归一化处理，并保留归一化参数；S4：基于Unet构建重建网络，通过重建网络对归一化处理后的全采样图像I_img与欠采样图像I_cs‑img进行处理得到重建图像I_recon；S5：对重建图像I_recon进行保真操作，得到保真图像I_{data‑consistency}。本发明通过Unet构建重建网络可以实现任意部位、任意模态以及任意矩阵大小的数据的磁共振图像快速重建。

技术领域

本发明涉及深度学习与医学图像处理技术领域，具体涉及一种基于深度学习的压缩感知磁共振图像快速重建方法。

背景技术

基于压缩感知理论，利用信号本身的稀疏性，在非相干采样条件下，即便在不满足奈奎斯特采样定理的条件下，也能使用较少的k空间数据结合最优化算法基本还原出原始图像。因此，将k空间的采样轨迹设计为非相干的欠采样轨迹，就可以将压缩感知理论用于磁共振图像的加速采集与重建。对于MRI来说，这意味着可以在确保满足图像诊断要求的情况下，显著减少k空间采集数据的行数，从而减少采样时间。其意义是非常重大的，所以压缩感知技术诞生之初就被应用在MRI中。近几年来，国内外的诸多科研机构在CS-MRI领域开展了大量工作：在应用领域上，压缩感知技术被广泛地应用到许多高级成像应用中，包括神经纤维束追踪、加速水脂分离、多维波谱成像、磁化率成像等；而在方法研究上，人们也提出了各种不同的优化重建算法,如非线性共轭梯度、迭代阈值、分裂Bregman、字典学习等，并将各种变换与各种关于磁共振成像的先验知识应用到图像重建过程中，同时对于压缩感知与现有的并行采集技术的结合进行了大量的探索。这些研究为压缩感知技术在MRI上的应用奠定了良好的基础。

虽然现已出现U-net、GAN、Transformer以及残差、注意力机制、密集连接等网络和模块用于MRI图像的快速重建，但是现有的方法大多数是在如fastmri等公共数据集上进行验证的，其对实际数据的适用性还需进一步考量。此外，对于数据一致性，即数据保真的研究，现有方法是将原始数据与重建数据进行合并，不能最大化还原原始信息。因此具有局限性。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于深度学习的压缩感知磁共振图像快速重建方法。

本发明提供了一种基于深度学习的压缩感知磁共振图像快速重建方法，具有这样的特征，包括以下步骤：S1：采集磁共振K空间原始数据，得到K空间原始数据K_fid；S2：基于压缩感知理论构建欠采样模板mask，通过欠采样模板mask模拟欠采样K空间数据，得到欠采样K空间数据K_cs-fid；S3：对K空间原始数据K_fid和欠采样K空间数据K_cs-fid进行逆傅里叶变换处理得到全采样图像I_img与欠采样图像I_cs-img，并对全采样图像I_img与欠采样图像I_cs-img进行归一化处理，并保留归一化参数；S4：基于Unet构建重建网络，通过重建网络对归一化处理后的全采样图像I_img与欠采样图像I_cs-img进行处理得到重建图像I_recon；S5：对重建图像I_recon进行保真操作，得到保真图像I_{data-consistency}。