[发明专利]一种深度学习的高欠采样超极化气体肺部MRI重建方法

摘要

本发明公开了一种深度学习的高欠采样超极化气体肺部MRI重建方法。包括以下步骤：构建构建超极化气体肺部MRI图像训练集，设计级联CNN模型，进行CNN模型训练，根据训练得到的级联CNN模型获得重建图像，本发明利用级联CNN模型，而且在损失函数中加入肺部轮廓信息，能够在高欠采样倍数下得到精确的重建图像，显著地加快成像速度。

主权项

1.一种深度学习的高欠采样超极化气体肺部MRI重建方法，其特征在于，包括以下步骤：步骤1、收集多组全采样超极化气体肺部磁共振k空间数据和相应的质子图像，将每组全采样超极化气体肺部磁共振k空间数据进行快速傅里叶变换，获得的重建结果作为训练集中的参考图像y，分割质子图像，获得肺部实质区域mask，对每组全采样超极化气体肺部磁共振k空间数据进行欠采样后进行零填充重建获得零填充图像，将零填充图像作为超极化气体肺部MRI图像训练集中的输入图像x，输入图像x和对应的参考图像y组成训练集中的训练样本对，对于第i个训练样本对，输入图像x表示为xi，参考图像y表示为yi，对应的肺部实质区域mask表示为maski；步骤2、设计级联CNN模型，级联CNN模型包括第一级网络fcnn1(·,θ1)和第二级网络fcnn2(·,θ2)，其中θ1、θ2分别为第一级网络和第二级网络的参数，·表示网络输入；步骤3、训练级联CNN模型：根据训练样本对中的输入图像xi作为第一级网络fcnn1(·,θ1)的输入，利用反向传播算法和基于动量的随机梯度下降法寻找损失函数最小对应的θ1作为第一级网络的最优参数θ1'，根据训练样本对中的输入图像xⁱ作为第一级网络f_cnn1(·,θ₁')的输入，得到初始重建图像然后将作为第二级网络f_cnn2(·,θ₂)的输入，利用反向传播算法和基于动量的随机梯度下降法寻找损失函数最小对应的θ₂作为第一级网络的最优参数θ₂'，步骤4、将输入图像x输入到训练后的级联CNN模型，经过正向传播，即可得到重建图像。