一种自适应参数学习的动态磁共振图像重建方法和装置制造方法及图纸

本申请提供了一种自适应参数学习的动态磁共振图像重建方法和装置，其中，该方法是对CS‑MRI模型中的正则化项进行改进，包括在空间域使用DCT和在时间域使用TV对动态磁共振图像进行去冗余，并且利用卷积神经网络来对CS‑MRI中大量的参数进行自适应学习，建立磁共振图像重建模型；通过建立的磁共振重建模型对样本图像进行重建，得到重建图像；计算全采样图像与重建图像的差值；根据差值，利用网络中的反向传播算法，对模型中的参数，包括DCT、TV滤波算子和正则化参数等进行更新。通过上述方式建立的磁共振图像重建模型可以对高度欠采样图像进行高效的重建，得到重建精度和重建速度很高的图像，从而可以在不损失空间分辨率的情况下有效缩短磁共振扫描的时间。

An adaptive parameter learning method and device for dynamic magnetic resonance image reconstruction

This application provides an adaptive parameter learning method and device for dynamic magnetic resonance image reconstruction, in which the method improves the regularization items in the CS MRI model, including the use of DCT in spatial domain and TV in temporal domain to de-redundant dynamic magnetic resonance images, and the use of convolutional neural networks to self-adaptively learn a large number of parameters in CS MRI. MR image reconstruction model; reconstruct the sample image through the established MR reconstruction model, and get the reconstructed image; calculate the difference between the fully sampled image and the reconstructed image; according to the difference, update the parameters of the model, including DCT, TV filter operator and regularization parameters, using the back propagation algorithm in the network. The MR image reconstruction model can efficiently reconstruct highly under-sampled images and obtain images with high reconstruction accuracy and speed, thus effectively shortening the time of MR scanning without losing spatial resolution.

【技术实现步骤摘要】
一种自适应参数学习的动态磁共振图像重建方法和装置
本申请属于图像处理
，尤其涉及一种自适应参数学习的动态磁共振图像重建方法和装置。
技术介绍
磁共振成像(MagneticResonanceImaging，简称为MRI)可以准确获取人体器官和组织的生理功能、解剖结构、病变和功能信息。然而，传统的磁共振信号的扫描和图像的重建需要很长的时间。例如：心脏、灌注和功能成像这些对实时性要求比较高的项目，磁共振成像往往无法满足。进一步的，由于扫描时间长，患者可能会感到不舒服并引入运动伪影。然而，针对如何缩短磁共振扫描的时间提升重建图像的精度，目前上述提出有效的解决方案。
技术实现思路
本申请目的在于提供一种自适应参数学习的动态磁共振图像重建方法和装置，通过建立的磁共振图像重建模型可以对欠采样图像进行高效的重建，得到所需的图像，从而可以有效缩短磁共振扫描的时间。本申请提供一种自适应参数学习的动态磁共振图像重建方法和装置是这样实现的：一种自适应参数学习的动态磁共振图像重建方法，所述方法包括：将空间域的DCT滤波算子和时间域的TV滤波算子，作为CS-MRI的正则化项；根据引入DCT滤波算子和TV滤波算本文档来自技高网...

【技术保护点】
1.一种自适应参数学习的动态磁共振图像重建方法，其特征在于，所述方法包括：将空间域的离散余弦DCT滤波算子和时间域的总变差TV滤波算子，作为压缩感知‑磁共振成像CS‑MRI的正则化项；根据引入DCT滤波算子和TV滤波算子的正则化项，建立磁共振图像重建模型；通过建立的磁共振重建模型对样本图像进行重建，得到重建图像；计算所述样本图像对应的全采样图像与所述重建图像之间的差值；根据所述差值，利用网络中的反向传播算法，对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新，实现对所述磁共振重建模型的优化训练，直至磁共振图像重建模型满足预设精度要求；根据满足预设精度要求的磁共振图像重建模...

【技术特征摘要】
1.一种自适应参数学习的动态磁共振图像重建方法，其特征在于，所述方法包括：将空间域的离散余弦DCT滤波算子和时间域的总变差TV滤波算子，作为压缩感知-磁共振成像CS-MRI的正则化项；根据引入DCT滤波算子和TV滤波算子的正则化项，建立磁共振图像重建模型；通过建立的磁共振重建模型对样本图像进行重建，得到重建图像；计算所述样本图像对应的全采样图像与所述重建图像之间的差值；根据所述差值，利用网络中的反向传播算法，对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新，实现对所述磁共振重建模型的优化训练，直至磁共振图像重建模型满足预设精度要求；根据满足预设精度要求的磁共振图像重建模型，进行磁共振图像重建。2.根据权利要求1所述的方法，其特征在于，根据引入DCT滤波算子和TV滤波算子的正则化项，建立磁共振图像重建模型，包括：利用联合稀疏模型，在空间域利用DCT滤波，在时间域利用TV滤波来增强图像的稀疏性，得到稀疏性表达公式；对所述稀疏性表达公式进行融合转换，得到目标公式；利用交替方向乘子法，将所述目标公式转换为多个子问题求解公式；将所述多个子问题求解公式进行网络化，得到磁共振图像重建模型。3.根据权利要求2所述的方法，其特征在于，利用联合稀疏模型，在空间域利用DCT滤波，在时间域利用TV滤波来增强图像的稀疏性，得到稀疏性表达公式，包括：将如下公式的滤波算子设置为DCT滤波算子和TV滤波算子：其中，argminf(x)表示使得函数f(x)取得其最小值的所有自变量x的集合，是重建的磁共振图像，Nt＝{x1,x2,...,xT}，表示时间方向共有T帧图像，y表示欠采样的k空间数据，A＝PF，其中，P为一个欠采样矩阵，F表示傅里叶变换，Φ表示滤波算子，λ表示参数；得到如下公式：其中，表示空间域的图像，表示时间域的图像，Φ1表示DCT滤波算子、Φ2表示TV滤波算子，||·||DCT表示离散余弦变换，||·||TV表示总变差变换，λ1、λ2为平衡数据保真项与正则化项的参数。4.根据权利要求3所述的方法，其特征在于，所述目标公式为：其中，z表示辅助变量，α表示拉格朗日乘子，g(·)表示l2,p范数的一个近似函数，ρ表示惩罚参数。5.根据权利要求4所述的方法，其特征在于，多个子问题求解公式为：其中，T表示转置，β表示拉格朗日乘子的缩放因子，k∈{1,2,...,Nt}表示梯度下降中的迭代次数，n表示第n层，μ1＝(1-lrρ)，μ2＝lrρ，分别表示可学习的权重参数，lr表示步长的大小，表示更新率，H(·)表示g(·)的梯度，D1表示变换矩阵。6.根据权利要求5所述的方法，其特征在于，将所述多个子问题求解公式进行网络化得到：其中，I表示单位矩阵，C1、C2分别表示两个卷积层，w1对应于DCT和TV滤波器的组合，大小为3*3*1*L，b1表示L维的偏置向量，w2对应于DCT和TV滤波器的组合，大小为3*3*L，b2表示1维偏置向量，SPLF(·)表示一个由点控制的分段线性函数，NC是一个参数，用于控制分段线性函数中的点，Recon表示重建层，Addition表示叠加层，Conv1表示卷积层，Nonlinear表示非线性变换层，Conv2表示卷积层，Multi表示乘子更新层。7.一种自适应参数学习的动态磁共振图像重建装置，其特征在于，包括：替换模块，用于将空间域的DCT滤波算子和...

【专利技术属性】
技术研发人员：王珊珊，陈艳霞，郑海荣，梁栋，刘新，肖韬辉，柯子文，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44