一种基于级联并行卷积网络的磁共振图像重建方法技术

本发明专利技术涉及一种基于级联并行卷积网络的磁共振图像重建方法，属于磁共振成像技术领域。本发明专利技术是一种基于深度学习的MRI重构方法，该方法对于磁共振成像重构表现显著。受U‑Net的启发，通过引入并行卷积核，提出一种并行卷积网络(PCK‑Net)，并将其与数据一致性层相结合，得到级联并行卷积网络(Cascaded PCK‑Net)。使用高斯欠采样模式对脑部复数数据进行欠采样，并对级联CNN模型、级联U‑Net模型、新提出的Cascaded PCK‑Net的重构性能进行了测试。仿真实验结果表明，提出的Cascaded PCK‑Net的重构质量均优于级联CNN模型和级联U‑Net模型。

【技术实现步骤摘要】
一种基于级联并行卷积网络的磁共振图像重建方法
本专利技术涉及一种基于级联并行卷积网络的磁共振图像重建方法，属于磁共振成像

技术介绍
磁共振成像(MagneticResonanceImaging,MRI)是一种广泛应用于医疗诊断和治疗检测的医学影像技术。由于它无电离辐射危害，软组织成像分辨率高，能多序列成像和多类型成像，且能为医生提供精确的病变影像信息，目前已成为临床应用中最有效的医学成像技术之一。但是，由于物理和生理的原因，限制了磁共振图像采集的速度，导致其扫描时间过长。这成为了磁共振成像应用中最主要的缺点。压缩感知(CS)理论表明，可从少量的测量数据中重构出精确的原始信号。将压缩感知应用于磁共振成像中，从少量的采样数据中重构磁共振图像，有效的减少了磁共振成像的扫描时间，加快了磁共振成像速度。深度学习模型在计算机视觉领域取得巨大成功，例如图像分割、超分辨率和目标检测等。它能将数据中提取的特征进行高度抽象的表示，这得益于充分利用训练数据来构建良好的网络模型。随着深度学习的发展，近年来也有一些研究将深度学习应用到欠采样磁共本文档来自技高网...

【技术保护点】
1.一种基于级联并行卷积网络的磁共振图像重建方法，其特征在于：包括如下步骤：/n第一步，构建脑部数据集并进行数据预处理：/n选取全采样的脑部图像数据集并进行归一化处理，数据集分为100个训练数据集和8个测试数据集,对训练数据集和测试数据集进行傅里叶变换得到k空间数据，在不同加速因子下用高斯欠采样伪影对k空间数据欠采样得到欠采样数据，然后逆傅里叶变换得到零填充图像数据；/n第二步，通过深度学习框架PyTorch搭建基于Cascaded PCK-Net的磁共振图像的重建网络，基于Cascaded PCK-Net的磁共振图像的重建网络包括二个部分，并行卷积网络PCK-Net和数据一致性DC模块：/n...

【技术特征摘要】
1.一种基于级联并行卷积网络的磁共振图像重建方法，其特征在于：包括如下步骤：
第一步，构建脑部数据集并进行数据预处理：
选取全采样的脑部图像数据集并进行归一化处理，数据集分为100个训练数据集和8个测试数据集,对训练数据集和测试数据集进行傅里叶变换得到k空间数据，在不同加速因子下用高斯欠采样伪影对k空间数据欠采样得到欠采样数据，然后逆傅里叶变换得到零填充图像数据；
第二步，通过深度学习框架PyTorch搭建基于CascadedPCK-Net的磁共振图像的重建网络，基于CascadedPCK-Net的磁共振图像的重建网络包括二个部分，并行卷积网络PCK-Net和数据一致性DC模块：
(1)PCK-Net：此网络的编码器和解码器由重复的模块组成:
在编码器端，基本模块由3×3卷积、并行卷积运算、1×1卷积和2×2最大池化运算组成,最大池化运算的下采样步长为2,并行卷积运算PCO包含两条路径：一条路径包含三个3×3卷积和一个1×1卷积；另一条路径包含两个3×3卷积和一个1×1卷积,将两条路径的输出连接起来，然后进行1×1卷积,所有卷积后均跟随一个激活函数ReLU；
在解码器端，基本模块由一个上采样的特征图和对应级别的1×1卷积输出的复制的特征图连接起来、3×3卷积、PCO、“Globalshortcut”、PCO的输出和1×1卷积组成，上采样方法使用Upsample函数代替传统的Deconv函数，另外，“Globalshortcut”连接编码器和解码器的相应级别，以防止过拟合；
(2)DC模块：表示数据一致性层，将PCK-...

【专利技术属性】
技术研发人员：段继忠，贾伟，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53