一种基于深度神经网络的压缩传感核磁共振成像方法技术

本发明专利技术公开了一种基于深度神经网络的压缩传感核磁共振成像方法，该方法可从核磁共振成像设备所采集到的k‑空间低采样数据重建出高质量的核磁共振图像。该方法主要包括交替方向乘子法深度神经网络的构造、网络参数训练过程、应用于压缩传感核磁共振成像三大步骤。采用多对低采样率下的采样数据和相应全采样数据重建的核磁共振图像为训练数据集，训练交替方向乘子法神经网络的模型参数，使该深度神经网络以低采样率下的采样数据为输入时的输出图像尽可能逼近全采样数据重建的图像；在应用中，给定低采样率下的k‑空间采样数据，将其输入到训练好的交替方向乘子法深度神经网络，该网络的输出即为重建的核磁共振图像。

A compressive sensing magnetic resonance imaging method based on deep neural network

The invention discloses a deep neural network method based on compressed sensing magnetic resonance imaging, the method from magnetic resonance imaging equipment to collect K space low sampling data to reconstruct the magnetic resonance images of high quality. The method consists of three steps: the construction of the alternating direction multiplier method, the construction of the neural network, the training process of the network parameters, and the application of the compressed sensing to the magnetic resonance imaging. Using nuclear magnetic resonance image sampling data of low sampling rate and the corresponding total sampling data reconstruction for the training data set, training model parameters alternating direction method of multipliers of the neural network, the depth of the neural network output image as input as possible approximation image sampling data reconstruction with low sampling rate data; in the application, given the lower sampling rate k spatial sampling data, the input to the trained alternating direction method of multipliers is the depth of the neural network, the output of the network is the nuclear magnetic resonance image reconstruction.

【技术实现步骤摘要】

：本专利技术属于医学核磁共振成像领域，具体涉及一种基于深度神经网络的压缩传感核磁共振成像方法，用于实现从核磁共振设备采集到的k-空间采样数据重建出高质量的核磁共振图像。
技术介绍
：核磁共振成像技术是一种无损伤的成像技术，可以为医疗诊断提供功能和解刨辅助诊断信息。成像速度慢是核磁共振成像技术存在的一个重要问题。压缩感知核磁共振技术是一种快速磁共振成像技术，该技术通过在k-空间中对样本数据进行采样，采集少量样本而不是所有样本，然后基于少量采样样本重建出清晰的核磁共振图像，由于成像设备只采样少量样本，因此可加速核磁共振成像速度。下面将简要介绍现有的压缩感知核磁共振技术。压缩感知核磁共振成像方法往往通过优化如下压缩感知模型进行图像重建：mx,zin{12||SΨx-y||22+Σl=1Lλlg(zl)

【技术保护点】
一种基于深度神经网络的压缩传感核磁共振成像方法，其特征在于，包括如下步骤：1)构造深度神经网络：将优化压缩传感能量模型的交替方向乘子迭代算法的计算过程抽象为深度神经网络，即交替方向乘子法深度神经网络；2)训练数据集构造：为训练交替方向乘子法深度神经网络，构造训练数据集，训练数据集由多个数据对构成，每个数据对由傅里叶变换域，即k‑空间采样数据和相应的全采样数据重建的核磁共振图像组成，全采样数据重建的核磁共振图像是网络训练的输出目标；3)交替方向乘子法深度神经网络参数训练过程：基于上述训练数据集，用反向传播算法学习深度神经网络模型最优参数θ*，使得深度神经网络以低采样数据为输入时的网络输出逼近相应全采样数据重建的核磁共振图像；4)应用训练好的交替方向乘子法深度神经网络进行核磁共振图像重建过程：输入k‑空间的采样数据，其网络输出即为重建的核磁共振图像。

【技术特征摘要】
1.一种基于深度神经网络的压缩传感核磁共振成像方法，其特征在于，包括如下步骤：1)构造深度神经网络：将优化压缩传感能量模型的交替方向乘子迭代算法的计算过程抽象为深度神经网络，即交替方向乘子法深度神经网络；2)训练数据集构造：为训练交替方向乘子法深度神经网络，构造训练数据集，训练数据集由多个数据对构成，每个数据对由傅里叶变换域，即k-空间采样数据和相应的全采样数据重建的核磁共振图像组成，全采样数据重建的核磁共振图像是网络训练的输出目标；3)交替方向乘子法深度神经网络参数训练过程：基于上述训练数据集，用反向传播算法学习深度神经网络模型最优参数θ*，使得深度神经网络以低采样数据为输入时的网络输出逼近相应全采样数据重建的核磁共振图像；4)应用训练好的交替方向乘子法深度神经网络进行核磁共振图像重建过程：输入k-空间的采样数据，其网络输出即为重建的核磁共振图像。2.根据权利要求1所述的基于深度神经网络的压缩传感核磁共振成像方法，其特征在于：所述步骤1)中的交替方向乘子法深度神经网络由重构层、卷积层、非线性变换层及乘子更新层共四种类型层构成，交替方向乘子迭代算法的迭代过程确定了一个由上述四种类型层组成的深度神经网...

【专利技术属性】
技术研发人员：孙剑，杨燕，李慧斌，徐宗本，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61