一种基于超深稠密网络的压缩感知磁共振图像重建方法技术

本发明专利技术涉及一种基于超深稠密网络的压缩感知磁共振图像重建方法。该方法通过训练一个深度网络学习图像训练数据库中多个欠采样的k空间数据和高质量磁共振图像之间的对应关系，泛化到图像测试数据库，从而实现对测试数据的重建。该深度网络有两个特征：首先，网络层数多，包含较多的复杂子网络，每个子网络可以预重建一张磁共振图像；其次，子网络之间的连接是稠密连接，这样子网络可以通过分析多张预重建图像生成一张重建质量更好的图像。只要把图像测试数据库中的欠采k空间数据作为该深度网络的输入，得到的输出就是生成的高质量磁共振图像。本发明专利技术方法可以快速地进行压缩感知磁共振图像重建，而且生成清晰度较高的磁共振图像。

A Compressed Sensing MR Image Reconstruction Method Based on Ultra-Deep Dense Network

【技术实现步骤摘要】
一种基于超深稠密网络的压缩感知磁共振图像重建方法
本专利技术属于磁共振图像重建领域，尤其涉及一种基于超深稠密网络的压缩感知磁共振图像重建方法。
技术介绍
磁共振成像(MRI)是一种相对安全的，并且能提供较高软组织对比度的医学断层成像技术。在近20年来，磁共振成像已经在生命科学和医学等领域和研究取得了飞跃性的发展，并成为临床诊断和基础研究的重要工具。然而，在临床医学成像中，受磁共振成像扫描时间长、采样对象运动引起重建图像质量差等因素的影响，限制了磁共振成像进一步的应用和发展。如何快速获得高质量的磁共振图像就一直是最受关注的前沿研究课题之一。压缩感知磁共振成像是一种快速磁共振成像技术，在只需要部分降采k空间数据的前提下，通过压缩感知理论可以重建出原始的全采重建磁共振图像。传统的压缩感知磁共振图像重建方法[1-4]都是基于压缩感知理论，探讨磁共振数据的稀疏性质，结合正则化约束，通过求解l1范数或者l0范数的数学模型，得到重建的磁共振图像。传统的压缩感知磁共振图像重建方法需要通过迭代算法求解数学模型，重建速度慢，并且在低采样率时重建图像比较模糊，存在欠采伪影。近年来，基于深度学习的压缩感知磁共振图像重建方法也被相继提出。与传统的方法比较，这类方法重建速度快，重建图像质量高。Wang等[5]提出了首个基于卷积神经网络的压缩感知磁共振重建方法，通过3层卷积神经网络，学习从降采磁共振重建图像到全采磁共振图像的端到端映射关系。Lee等[6]引入残差学习机制，采用U型网络(U-net)学习降采磁共振重建图像到欠采伪影的映射关系。这两个网络没有生成预重建图像，只在网络末端输出一张重建图像。Yang等[7]根据ADMM算法提出了ADMM-net，通过多个子网络模拟ADMM算法的迭代步骤生成多张预重建磁共振图像。Schlemper等[8]提出了基于多子网络的磁共振重建网络，并引入了k空间数据修正层DC对每个子网络生成的磁共振图像进行修正，从而最终提高网络的重建性能。自DC层被提出之后被广泛应用于后续的基于深度学习的压缩感知磁共振图像重建方法。这些包含多个子网络的压缩感知磁共振图像网络存在两个缺陷。其一，每个子网络都只是利用其前面一个子网络的结果，而没有充分利用到前面所有子网络的信息；其二，这些网络大部分是浅网络，网络层不多，并且网络结构相对简单，限制了整个网络的重建性能。
技术实现思路
本专利技术的目的在于客服现有基于深度学习的压缩感知磁共振方法的不足，把每个子网络稠密连接起来，使得每个子网络不仅可以利用前一个子网络的信息，而且可以通过融合先前所有子网络的全部信息，预重建出一张清晰的磁共振图像；基于此，本专利技术提出了一种基于超深稠密网络的压缩感知磁共振图像重建方法。为实现上述目的，本专利技术的技术方案是：一种基于超深稠密网络的压缩感知磁共振图像重建方法，以超深稠密网络作为压缩感知磁共振图像重建的深度网络，超深稠密网络首先把输入的欠采k空间数据Ku经过填零、二维反傅里叶变换得到一张模糊的带欠采伪影的磁共振重建图像X0，然后把X0作为输入，经过N个磁共振图像重建子网络进行反复地修正重建分别得到X1,X2,…,XN，最终生成一张高质量磁共振图像在本专利技术一实施例中，所述超深稠密网络包括N个磁共振图像重建子网络，其中第n个子网络会预重建一张磁共振图像Xn，其中1≤n≤N；子网络包含一个图像域重建网络和一个k空间数据修正层。在本专利技术一实施例中，每个磁共振图像重建子网络是稠密连接的，使得第n个子网络可通过分析多个预重建磁共振图像X0,X1,…,Xn-1，重建出一张磁共振图像Xn，其中1≤n≤N。在本专利技术一实施例中，所述图像域重建网络包括嵌入网络模块、推理网络模块和重建网络模块；所述嵌入网络模块包括一个连接层和一个卷积层，用于收集预重建磁共振图像，并提取特征；所述推理网络模块包括D个递归特征提取融合子模块；所述重建网络模块包括一个连接层和卷积层，其中连接层用于收集递归特征提取融合子模块生成的特征，卷积层将这些特征卷积成一张磁共振残差图像；残差图像与前一个图像域重建网络的重建图像相加，重建出新的一张磁共振图像。在本专利技术一实施例中，在第n个子网络中，嵌入网络模块首先经过收集X0和前面n-1个子网络预重建的磁共振图像X1,X2,…,Xn-1，用一个卷积层提取这些图像的浅层特征Fn,0：Fn,0＝Wn*[X0,X1,…,Xn-1]+bn其中Wn和bn对应卷积层的卷积核和偏移，*表示卷积层的卷积运算所述嵌入网络模块；推理网络模块包括D个递归特征提取融合子模块，假设第d个递归特征提取融合子模块的功能用表示，其中1≤d≤D，输入为Fn,d-1，输出为Fn,d：Fn,d-1是第d-1个递归特征提取融合子模块的输出，当d＝1时，Fn,d-1是嵌入网络模块的输出Fn,0；重建网络模块首先经过收集前面嵌入网络模块的输出Fn,0和推理网络模块中D个递归特征提取融合子模块的输出Fn,1,Fn,2,…,Fn,D，用一个卷积层生成一个残差图像Rn：其中和对应卷积层的卷积核和偏移；最后通过一个跨层连接，把残差图像Rn和第n-1个子网络生成的磁共振图像Xn-1相加，得到一张较清晰的磁共振图像Zn＝Rn+Xn-1。在本专利技术一实施例中，在第n个子网络中，第d个递归特征提取融合子模块，包含H个组件，一个连接层和一个卷积层；每个组件包含一个非线性激活层LReLU和一个卷积层。在本专利技术一实施例中，H个组件的参数是共享的，第h个组件输入为Fn,d,h-1，其中1≤h≤H，输出为：Fn,d,h＝Wn,d*(σ(Fn,d,h-1))+bn,d其中σ表示LReLU函数，Wn,d和bn,d对应组件中所有卷积层的卷积核和偏移；当d＞1时，Fn,d,h-1是第h-1个组件的输出，当d＝1时，Fn,d,h-1是第d-1个递归特征提取融合子模块的输出Fn,d-1。在本专利技术一实施例中，子模块包含一个连接层和一个卷积层；连接层收集特征Fn,d,0,Fn,d,1,…,Fn,d,H，卷积层输出Fn,d：其中和对应卷积层的卷积核和偏移。在本专利技术一实施例中，所述k空间数据修正层对图像域重建网络的输出Z在k空间进行数据修正；k空间数据修正层首先把Z转换到k空间数据K，然后根据Ku修正K，得到其中(i,j)表示矩阵索引，Ω是k空间采样位置的集合，ρ表示噪声水平；最后再把转换回图像域，得到修正后的磁共振图像X。在本专利技术一实施例中，当提供一组训练数据其中L为训练数据库中磁共振图像的数量，和Xl分别是降采k空间数据和全采重建磁共振图像，则其损失函数可以表示为：其中是由基于超深稠密网络的压缩感知磁共振图像重建方法重建的磁共振图像。相较于现有技术，本专利技术具有以下有益效果：本专利技术所述的基于超深稠密网络的压缩感知磁共振图像重建方法，基于稠密连接网络中每个层能够利用前面网络层的所有信息从而提高网络性能的良好特性，设计包含多个能预重建磁共振图像的复杂子网络，并通过稠密连接所有的子网络，使得每个子网络能够融合前面所有子网络的预重建磁共振图像，最终整个网络可以重建高质量的磁共振图像。附图说明图1是本专利技术中用于压缩感知磁共振图像重建的超深稠密网络(VDDCN)的示意图；图2是本专利技术中磁共振图像重建子网络(FEFB)的示意图；图3是本专利技术中递归特本文档来自技高网...

【技术保护点】
1.一种基于超深稠密网络的压缩感知磁共振图像重建方法，其特征在于，以超深稠密网络作为压缩感知磁共振图像重建的深度网络，超深稠密网络首先把输入的欠采k空间数据Ku经过填零、二维反傅里叶变换得到一张模糊的带欠采伪影的磁共振重建图像X0，然后把X0作为输入，经过N个磁共振图像重建子网络进行反复地修正重建分别得到X1,X2,…,XN，最终生成一张高质量磁共振图像

【技术特征摘要】
1.一种基于超深稠密网络的压缩感知磁共振图像重建方法，其特征在于，以超深稠密网络作为压缩感知磁共振图像重建的深度网络，超深稠密网络首先把输入的欠采k空间数据Ku经过填零、二维反傅里叶变换得到一张模糊的带欠采伪影的磁共振重建图像X0，然后把X0作为输入，经过N个磁共振图像重建子网络进行反复地修正重建分别得到X1,X2,…,XN，最终生成一张高质量磁共振图像2.根据权利要求1所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法，其特征在于，所述超深稠密网络包括N个磁共振图像重建子网络，其中第n个子网络会预重建一张磁共振图像Xn，其中1≤n≤N；子网络包含一个图像域重建网络和一个k空间数据修正层。3.根据权利要求1所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法，其特征在于，每个磁共振图像重建子网络是稠密连接的，使得第n个子网络可通过分析多个预重建磁共振图像X0,X1,…,Xn-1，重建出一张磁共振图像Xn，其中1≤n≤N。4.根据权利要求2所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法，其特征在于，所述图像域重建网络包括嵌入网络模块、推理网络模块和重建网络模块；所述嵌入网络模块包括一个连接层和一个卷积层，用于收集预重建磁共振图像，并提取特征；所述推理网络模块包括D个递归特征提取融合子模块；所述重建网络模块包括一个连接层和卷积层，其中连接层用于收集递归特征提取融合子模块生成的特征，卷积层将这些特征卷积成一张磁共振残差图像；残差图像与前一个图像域重建网络的重建图像相加，重建出新的一张磁共振图像。5.根据权利要求4所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法，其特征在于，在第n个子网络中，嵌入网络模块首先经过收集X0和前面n-1个子网络预重建的磁共振图像X1,X2,…,Xn-1，用一个卷积层提取这些图像的浅层特征Fn,0：Fn,0＝Wn*[X0,X1,…,Xn-1]+bn其中Wn和bn对应卷积层的卷积核和偏移，*表示卷积层的卷积运算所述嵌入网络模块；推理网络模块包括D个递归特征提取融合子模块，假设第d个递归特征提取融合子模块的功能用表示，其中1≤d≤D，输入为Fn,d-1，输出为Fn,d：Fn,d-1是第d-1个递归特征提取融合子模块的输出，当d＝1时...

【专利技术属性】
技术研发人员：曾坤，肖国宝，赖桃桃，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建,35