基于深度卷积神经网络的磁共振成像方法技术

本发明专利技术属于磁共振成像技术领域，公开了一种基于深度卷积神经网络的磁共振成像方法；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随机降采样采集训练样本来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；最后利用反傅里叶变换得到图像并通过去除算法去除噪声；通过本发明专利技术，解决了相关技术中需要大量训练图像的问题，进而达到了提高磁共振成像速度的效果。本发明专利技术通过深度卷积网络在K空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。

Magnetic Resonance Imaging Based on Deep Convolution Neural Network

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
针对现有技术存在的问题，本专利技术提供了一种基于深度卷积神经网络的磁共振成像方法、图像识别系统。本专利技术是这样实现的，一种基于深度卷积神经网络的磁共振成像方法统，所述基于深度卷积神经网络的磁共振成像方法首先通过K空间中间区域全采样而周围随机降采样；然后对全采样区域通过算法多次随机降采样采集训练样本来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；最后利用反傅里叶变换得到图像并通过去除算法去除噪声。进一步，所述基于深度卷积神经网络的磁共振成像方法包括：(1)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以减少采样时间；(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；其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。进一步，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。进一步，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。进一步，所述基于深度卷积神经网络的磁共振成像方法对于未采集到的K空间点置0。进一步，所述基于深度卷积神经网络的磁共振成像方法在伪随机采样后的K空间中依次取大小为M*N的窗口数据，作为一例训练样本的输入；其对应的伪随机采样前的数据为此例训练样本的输出。进一步，所述基于深度卷积神经网络的磁共振成像方法多次重复伪随机采样，并每次取M*N的窗口数据，得到充足的训练样本。M为频率编码方向大小，8<M<128,N为相位编码方向大小，其值大于8，小于全采样的相位编码步个数。进一步，所述基于深度卷积神经网络的磁共振成像方法提取训练样本的每个K空间数据的实部和虚部值。进一步，所述基于深度卷积神经网络的磁共振成像方法对实部和虚部数据分别利用卷积神经网络自编码器进行模型训练；卷积神经网络自编码器由编码器和解码器构成；编码器由三层卷积层和池化层构成；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；自编码网络输出的值与全采样的K空间数据值的均方根误差为损失函数，利用可变交替方向算法优化算法更新网络模型的权重参数；利用训练好的模型对周围降采样的K空间的实部和虚部数据分别进行重建；将重建的实部和虚部数据重组成复数K空间数据，并与全采样区域的K空间数据合并组成一幅完整的K空间数据。本专利技术的另一目的在于提供一种应用所述基于深度卷积神经网络的磁共振成像方法的图像识别系统。综上所述，本专利技术的优点及积极效果为：通过深度卷积网络在K空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。提出的方法无需另外采集训练数据，从而避免了基于深度神经网络模型直接在图像域进行重建的方法需要大量训练数据的难题。附图说明图1是本专利技术实施例提供的基于深度卷积神经网络的磁共振成像方法流程图。图2是本专利技术实施例提供的基于深度卷积神经网络的磁共振成像方法实现流程图。图3是本专利技术实施例提供的卷积神经网络自编码器结构组成示意图。图4是本专利技术实施例提供的K空间采样示意图。图5是本专利技术实施例提供的输出结果示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。针对目前的深度学习方法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的问题。本专利技术通过深度卷积网络在K空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。下面结合附图对本专利技术的应用原理作详细的描述。如图1所示，本专利技术实施例提供的基于深度卷积神经网络的磁共振成像方法包括以下步骤：S101：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以减少采样时间；S102：对K空间中间全采样数据，通过算法进行伪随机降采样；S103：对于未采集到的K空间点置0；S104：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；其对应的伪随机采样前的数据为训练样本的输出；S105：多次重复伪随机采样，得到充足的训练样本；S106：利用卷积神经网络自编码器进行模型训练；S107：利用训练好的模型对周围降采样的K空间数据进行重建；S108：通过快速傅里叶反变换得到图像；S109：通过去噪算法去除图像中的噪声。下面结合附图对本专利技术的应用原理作进一步的描述。如图2所示，本专利技术实施例提供的基于深度卷积神经网络的磁共振成像方法包括以下步骤：步骤一，对磁共振K空间中间区域全采样而周围区域随机降采样以减少采样时间，包括：先设计出采样矩阵，其中间区域为全采样区域，周边进行降采样。定义降采样区域的采样因子为R＝采集数/K空间总数，先生成元素值在0到1之间均匀分布的，且矩阵大小与K空间一致的随机矩阵，其符合均匀随机分布。然后取阀值R，小于R的将其元素置为0，大于等于R的元素置为1，且中间全采样区域的元素全置为1。最后，根据随机矩阵中1的位置，生成对应的磁共振采样序列。(1本文档来自技高网...

【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