The invention belongs to the field of magnetic resonance imaging technology, and discloses a method of magnetic resonance imaging based on deep convolution neural network. The convolution neural network self-encoder is trained by sampling in the middle area of K space and sampling randomly in the surrounding area, sampling training samples in the whole sampling area through arithmetic and sampling randomly for many times, and reconstructing the self-encoder model of the convolution neural network by using the trained self-encoder model. The K-space data is downsampled around; the image is obtained by inverse Fourier transform and the noise is removed by the algorithm; the problem that a large number of training images are needed in the relevant technology is solved by the present invention, and the effect of improving the speed of magnetic resonance imaging is achieved. The method trains data in K space by deep convolution network, and restores data in random downsampling area, thus completing accelerated scanning and reconstruction of magnetic resonance imaging.
【技术实现步骤摘要】
基于深度卷积神经网络的磁共振成像方法
本专利技术属于磁共振成像
,尤其涉及一种基于深度卷积神经网络的磁共振成像方法。
技术介绍
目前,业内常用的现有技术是这样的:磁共振成像(Magneticresonanceimaging,MRI)由于其无电离辐射,丰富的组织对比度信息,以及非入侵式的检测等优点,已广泛应用于临床医学影像检查。受傅里叶编码方式和奈奎斯特采样定理的限制,磁共振成像需要较长的扫描时间,不但给患者带来一定的不适,而且在重建的图像容易产生运动伪影。同时,过长的扫描时间限制了MRI对运动物体的成像,如血流,心脏等。经过近几十年的发展,依靠提高硬件性能,如梯度切换率和磁场强度等,加速采集的方式受制于人类神经对磁场变换的承受能力而无进一步提升的余地。近来,深度学习方法在图像识别,分割等方向取得显著成果。由于深度学习方法往往需要巨大的训练数据来完成模型的训练。而对于医学图像处理,受制于患者隐私、部分病例罕见等问题的原因,很难搜集到大量合理分布的训练样本。因此,深度学习在医学图像,特别是在磁共振成像方面尚未有明显突破。综上所述,现有技术存在的问题是:当前磁共振成像时间较长,通过深度学习方法在图像域进行重建能有效减少成像时间,但需要巨大的训练数据完成模型的训练;对于医学图像处理,受制于患者隐私等问题的原因,很难完成大量训练样本的搜集。解决上述技术问题的难度和意义:若能提出无需大量训练样本的深度学习磁共振成像方法,便能让深度学习更好地在磁共振成像上获得应用,从而提高磁共振成像速度,加快磁共振设备应用效率,进一步减轻患者经济和心理负担。
技术实现思路
针对现有技 ...
【技术保护点】
1.一种基于深度卷积神经网络的磁共振成像方法,其特征在于,所述基于深度卷积神经网络的磁共振成像方法包括:通过K空间中间区域全采样而周围随机降采样;对全采样区域通过算法多次伪随机降采样采集训练样本以训练卷积神经网络自编码器;利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据;自编码器由编码器和解码器两部分组成;其中,编码器含有三层卷积层,每一层卷积层后有一层池化层,解码器由三层反卷积层和反池化层构成,与编码器成一一对应关系,且输出大小与输入训练样本大小一致;解码网络输出层通过一个正切激励函数;利用反傅里叶变换得到图像并通过去除算法去除噪声。
【技术特征摘要】
1.一种基于深度卷积神经网络的磁共振成像方法,其特征在于,所述基于深度卷积神经网络的磁共振成像方法包括:通过K空间中间区域全采样而周围随机降采样;对全采样区域通过算法多次伪随机降采样采集训练样本以训练卷积神经网络自编码器;利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据;自编码器由编码器和解码器两部分组成;其中,编码器含有三层卷积层,每一层卷积层后有一层池化层,解码器由三层反卷积层和反池化层构成,与编码器成一一对应关系,且输出大小与输入训练样本大小一致;解码网络输出层通过一个正切激励函数;利用反傅里叶变换得到图像并通过去除算法去除噪声。2.如权利要求1所述的基于深度卷积神经网络的磁共振成像方法,其特征在于,所述基于深度卷积神经网络的磁共振成像方法具体包括:(1)通过对磁共振K空间中间区域全采样,周围区域随机降采样;(2)对K空间中间全采样数据,通过算法进行伪随机降采样;(3)对于未采集到的K空间点置0;(4)在伪随机采样后的K空间中取大小为M*N的窗口数据,作为训练样本的输入;对应的伪随机采样前的数据为训练样本的输出;(5)多次重复伪随机采样,得到充足的训练样本;(6)利用卷积神经网络自编码器进行模型训练;(7)利用训练好的模型对周围降采样的K空间数据进行重建;(8)通过快速傅里叶反变换得到图像;(9)通过去噪算法去除图像中的噪声。3.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法,其特征在于,所述基于深度卷积神经网络的磁共振成像方法通过对磁共振K空间中间区域全采样而周围区域随机降采样。4.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法,其特征在于,所述基于深度卷积神经网络的磁共振成像方法K空间中间区域全采样数据,通过算法进行伪随机降采样。5.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法,...
【专利技术属性】
技术研发人员:许林,蒋涛,刘甲甲,袁建英,谢昱锐,熊良,
申请(专利权)人:成都信息工程大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。