一种磁共振图像重建方法、装置、设备和介质制造方法及图纸

本发明专利技术实施例公开了一种磁共振图像重建方法、装置、设备和介质。其中，方法包括：获取欠采样的磁共振数据；将所述磁共振数据输入至基于交替方向乘子算法的图像重建模型，以得到重建后的目标磁共振图像，其中，所述图像重建模型是对原始图像重建模型分解并迭代求解后的迭代关系式进行泛化后求解得到的模型。本发明专利技术实施例解决了对原始图像重建模型进行分解并迭代求解过程中，分解后各子问题的解中的输入项的参数基于经验数值确定，并不能适用于所有的图像重建情况，可以提高神经网络学习的自由度，从而提高基于ADMM算法的图像重建后的图像质量。

A method, device, device and medium for MRI image reconstruction

【技术实现步骤摘要】
一种磁共振图像重建方法、装置、设备和介质
本专利技术实施例涉及医学成像技术，尤其涉及一种磁共振图像重建方法、装置、设备和介质。
技术介绍
磁共振利用静磁场和射频磁场对人体组织成像，它不仅提供了丰富的组织对比度，且对人体无副作用，因此成为医学临床诊断的一种强有力的工具。为了提高磁共振成像速度以及成像质量，现多采用的深度学习方法进行图像重建，如利用神经网络，从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系，从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数。其中，ADMM算法，即交替方向乘子方法，是一种求解优化问题的计算框架，适用于求解分布式凸优化问题。ADMM算法通过分解协调(Decomposition-Coordination)过程，将大的全局问题分解为多个较小、较容易求解的局部子问题，并通过协调子问题的解而得到大的全局问题的解。将深度学习与ADMM算法结合的ADMM-net方法采用深度神经网络来学习算法中的参数，解决了优化问题中参数难以调节、迭代时间长的问题。但是，本文档来自技高网...

【技术保护点】
1.一种磁共振图像重建方法，其特征在于，包括：/n获取欠采样的磁共振数据；/n将所述磁共振数据输入至基于交替方向乘子算法的图像重建模型，以得到重建后的目标磁共振图像，其中，所述图像重建模型是对原始图像重建模型分解并迭代求解后的迭代关系式进行泛化后求解得到的模型。/n

【技术特征摘要】
1.一种磁共振图像重建方法，其特征在于，包括：
获取欠采样的磁共振数据；
将所述磁共振数据输入至基于交替方向乘子算法的图像重建模型，以得到重建后的目标磁共振图像，其中，所述图像重建模型是对原始图像重建模型分解并迭代求解后的迭代关系式进行泛化后求解得到的模型。


2.根据权利要求1所述的方法，其特征在于，所述原始图像重建模型的数据保真项为经过泛化的不定项。


3.根据权利要求1或2所述的方法，其特征在于，所述图像重建模型训练的过程包括：
获取全采样的磁共振数据，并从所述全采样的磁共振数据中提取出至少一组欠采样数据，得到至少一组欠采样数据与全采样的磁共振数据的数据对；
将所述欠采样数据输入至所述原始图像重建模型；
基于交替方向乘子算法将所述原始图像重建模型分解为第一子问题、第二子问题和第三子问题，其中，所述第三子问题为所述第一子问题和所述第二子问题的解的约束条件；
采用梯度下降法求解所述第一子问题和所述第二子问题；
针对所述第一子问题的解和所述第二子问题的解，通过卷积神经网络迭代计算方法确定所述第一子问题的解和所述第二子问题的解中各参数值，完成图像重建模型的训练。


4.根据权利要求3所述的方法，其特征在于，所述通过卷积神经网络迭代计算方法确定所述第一子问题的解和所述第二子问题的解中各参数值，包括：
采用卷积神经网络拟合所述第一子问题的解中的数据保真项函数的一阶偏导函数和所述第二子问题的解中的数据正则项函数的一阶偏导函数；
对经过函数拟合后的所述第一子问题的解和所述第二子问题的解中的各输入项之间的关系进行泛化；
经过预设迭代次数，确定经过泛化处理的第一子问题的解和所述第二子问题的解中各参数的数值，直到通过图像重建模型得到的重建图像与对应全采样磁共振数据的重建图像之间的差值满足损失函数。


5.根据权利要求4所述的方法，其特征在于，在每次迭代计算中，神经网络结构中包含有数据层、重建层、优化层和参数更新层...

【专利技术属性】
技术研发人员：梁栋，程静，王海峰，朱燕杰，刘新，郑海荣，
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