磁共振并行成像方法及相关设备技术

本发明专利技术提供了一种磁共振并行成像方法，该方法获得并行的多个通道的线圈在K空间上采集的欠采样图像数据，将各通道的欠采样图像数据输入至预构建的神经网络综合模型，该模型中除了包括神经网络之后还包括K空间一致层，神经网络可以对欠采样图像数据进行重建，K空间一致层可以使用欠采样图像数据对神经网络重建的图像数据进行回代处理，从而得到目标重建图像数据，最后将所有通道的目标重建图像数据进行合并便可以得到单通道图像。可见，本发明专利技术在神经网络模型中添加了K空间一致层，该层使用重建前的欠采样图像数据对重建后的图像数据进行回代处理，从而保留了更多的图像细节，提高了图像重建效果。另外本发明专利技术还提供了磁共振并行成像相关设备。

【技术实现步骤摘要】
磁共振并行成像方法及相关设备
本专利技术涉及磁共振图像处理
，更具体地，是磁共振并行成像方法及相关设备。
技术介绍
磁共振成像系统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不会对人体产生副作用危害，因此成为医学临床诊断的一种常用工具。磁共振成像系统主要包括两个装置：图像采集装置及并行成像装置。图像采集装置包括多个并行的通道，不同的通道对应不同的采集线圈，不同的采集线圈位于不同的采集位置，用于从不同方向上采集人体组织的图像数据。并行成像装置应用的是并行成像(Parallelimaging,PI)算法，即对每个并行通道采集到的图像数据进行重建，以得到展示效果更佳的图像数据。传统的并行成像算法主要分为两类：一种基于K空间重建，如空间谐波同步采集(SMASH)、广义自动校准部分并行采集(GRAAPA)、自一致性并行成像(SPIRiT)等；另一种基于图像域重建，如敏感度编码(SENSitivityEncoding,SENSE)等。另外，压缩感知的出现也较大地改善了并形成像的重建，其中典型的重建算法有L1-SP本文档来自技高网...

【技术保护点】
1.一种磁共振并行成像方法，其特征在于，包括：/n获得并行的多个通道的磁共振线圈在K空间上采集的欠采样图像数据；/n获得预先构建的神经网络综合模型；其中所述神经网络综合模型包括相互连接的神经网络以及K空间一致层；/n将各个通道的欠采样图像数据输入至所述神经网络综合模型中，以使所述神经网络综合模型执行下述步骤：/n神经网络依据各个所述欠采样图像数据之间的相关性，分别对每个所述欠采样图像数据进行重建，得到每个通道对应的初步重建图像数据；/nK空间一致层分别依据每个通道的欠采样图像数据，对每个通道的初步重建图像数据进行回代处理，得到每个通道对应的目标重建图像数据；/n合并所有通道的目标重建图像数据，...

【技术特征摘要】
1.一种磁共振并行成像方法，其特征在于，包括：
获得并行的多个通道的磁共振线圈在K空间上采集的欠采样图像数据；
获得预先构建的神经网络综合模型；其中所述神经网络综合模型包括相互连接的神经网络以及K空间一致层；
将各个通道的欠采样图像数据输入至所述神经网络综合模型中，以使所述神经网络综合模型执行下述步骤：
神经网络依据各个所述欠采样图像数据之间的相关性，分别对每个所述欠采样图像数据进行重建，得到每个通道对应的初步重建图像数据；
K空间一致层分别依据每个通道的欠采样图像数据，对每个通道的初步重建图像数据进行回代处理，得到每个通道对应的目标重建图像数据；
合并所有通道的目标重建图像数据，以得到单通道的图像数据。


2.根据权利要求1所述的磁共振并行成像方法，其特征在于，所述神经网络综合模型包括级联的多个残差模块，每个残差模块均包括相互连接的神经网络以及K空间一致层。


3.根据权利要求1所述的磁共振并行成像方法，其特征在于，所述神经网络具体包括卷积神经网络。


4.根据权利要求3所述的磁共振并行成像方法，其特征在于，所述神经网络综合模型中神经网络的训练过程包括：
获得每个通道的全采样图像数据；
对每个通道的全采样图像数据进行欠采样处理，得到每个通道的欠采样图像数据样本；
使用卷积神经网络训练算法，对所述欠采样图像数据样本进行训练，以得到损失值最小的权重参数；
使用所述权重参数构建卷积神经网络其中x为待输入的欠采样图像数据，为卷积神经网络的权重参数。


5.根据权利要求4所述的磁共振并行成像方法，其特征在于，
所述卷积神经网络具体为：
其中，C0为第一层卷积神经网络重建的图像数据；Xu为欠采样图像数据样本；
Cl为第l层卷积神经网络重建的图像数据；σl为非线性激活函数；Ωl为维度为FWl×FHl×Kl-1×Kl的卷积核，FWl×FHl为第l层卷积神经网络卷积核的大小，Kl-1为第l-1层卷积神经网络特征图的数量，Kl为第l层卷积神经网络特征图的数量；Cl-1为第l-1层卷积神经网络重建的图像数据；bl为Kl维的偏置；L为卷积神经网络的层数；
CL为第L层卷积神经网络重建的图像数据；ΩL为维度为FWL×FHL×KL-1×KL的卷积核，FWL×FHL为第L层卷积神经网络卷积核的大小，KL-1为第L-1层卷积神经网络特征图的数量，KL为第L层卷积神经网络特征图的数量；CL-1为第L-1层卷积神经网络重建的图像数据；bL为KL维的偏置。


6.根据权利要求4所述的磁共振并行成像方法，其特征在于，
所述损失值通过损失函数计算得到，所述损失函数为平均绝对值误差函数其中M为一个批次输入至卷积神经网络中的同一通道的欠采样图像数据的数量；m为一个批次输入至卷积神经网络中的同一通道的欠采样图像数据的序号；C(xm；θ)为卷积神经网络对序号为m的欠采样图像数据重...

【专利技术属性】
技术研发人员：梁栋，王珊珊，程慧涛，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