【技术实现步骤摘要】
一种基于高维相关性先验信息的快速磁共振成像重建算法
本专利技术属于医学图像处理研究领域，具体为一种基于高维相关性先验信息的快速磁共振成像重建算法，主要应用在医学图像重建方面。
技术介绍
磁共振成像作为当代最重要的医疗辅助手段，已逐步成为现代医疗影像技术（X射线成像、超声成像、CT和MRI等）中不可或缺的一部分，并且拥有其他生物影像技术无可比拟的优势。尽管该技术经历了几十年的长足发展，却仍然存在成像速度很慢这一大瓶颈问题，即扫描时间很长。由于成像时间过长会导致一系列的问题出现，比如患者移动肢体而造成重建图像产生的伪影；此外对于心脏动态成像、介入性成像、脑功能成像及对比度增强成像等，磁共振成像还达不到快速成像的要求，从而限制了磁共振相关技术的临床大范围应用。综上所述，磁共振成像能够提供丰富的生理结构信息，如果能实现扫描时间的显著缩短以及扫描图像的高质量重建，那么MRI技术的应用局面将会得到明显改善。因此快速磁共振图像重建一直是一个具有挑战性和吸引力的问题，具有重大的研究价值与社会意义。快速磁共振图像重建算法的研究，简单来...
【技术保护点】
1.一种基于高维相关性先验信息的快速磁共振成像重建算法，其特征在于：包括以下步骤：/n步骤A：准备开源脑部数据集SIAT并将其分为训练数据集和测试数据集两部分；/n步骤B：结合衍生的大数定律和多通道高维思想，在不同噪声水平的情况下优化多个网络模型，并形成基于相关性的高维先验信息；/n步骤C：设计一种快速提取网络模型的先验信息的迭代求解算法；/n步骤D：将迭代求解算法应用于已训练的网络模型并对图像测试数据集进行测试，输出得到最终的重建结果，以及测试重建结果图像的峰值信噪比值和结构相似性，以此进行图像质量评价。/n
【技术特征摘要】
1.一种基于高维相关性先验信息的快速磁共振成像重建算法，其特征在于：包括以下步骤：
步骤A：准备开源脑部数据集SIAT并将其分为训练数据集和测试数据集两部分；
步骤B：结合衍生的大数定律和多通道高维思想，在不同噪声水平的情况下优化多个网络模型，并形成基于相关性的高维先验信息；
步骤C：设计一种快速提取网络模型的先验信息的迭代求解算法；
步骤D：将迭代求解算法应用于已训练的网络模型并对图像测试数据集进行测试，输出得到最终的重建结果，以及测试重建结果图像的峰值信噪比值和结构相似性，以此进行图像质量评价。
2.根据权利要求1所述的基于高维相关性先验信息的快速磁共振成像重建算法，其特征在于：所述步骤A具体包括：
（1）准备开源脑部数据集SIAT共计包含500张，其中，400张用于网络训练，100张用于测试，训练数据集用来训练模型或确定模型参数，测试数据集则是为了测试已经训练好的模型的泛化能力；
（2）在训练阶段，对图片数据集进行等比例缩放处理，最终处理成大小为192×192的图片，将数据集进行扩展以及在多种采样模式和采样率下采样预处理。
3.根据权利要求1所述的基于高维相关性先验信息的快速磁共振成像重建算法，其特征在于：所述步骤B具体包括：
（1）衍生大数定律的验证：将全采样数据和包含伪影的欠采样数据相结合，并加入不同等级的噪声作为所构建的训练网络的输入，做出含噪声统计的欠采样图像的实际假设，即信号密度的期望和方差远远强过于噪声的期望和方差，它们之间的强弱关系可以忽略不计，但是不一定为0：
(1)
在真实场景中，大多数真实图像是有缺陷的，并不是一个纯粹干净的完整采样图像，其中的噪声采用零均值高斯或混合泊松和高斯建模；因此，损坏的图像应该与干净的图像有相似的期望：
(2)
该理论验证和实验结果表明，只要欠采样的样本没有受到严重的损坏，即包含的噪声和伪影是弱的，根据上述理论的推导可得知，在全采样样本不足的情况下，通过使用大量的欠采样样本所训练得到的网络效果非常接近使用全采样样本训练得到的网络效果；
（2）高维多通道思想的运用：该思想的实质是通过将多通道图像作为训练先验网络的输入，从而在一定程度上扩展了特征信息表示维度；首先将单通道图像扩展为多通道图像作为网络的输入进行训练，随后将训练所得到的多通道网络先验嵌入到重建迭代过程中，这些通道中的各个图像是相似但不一定是相同的，对于任意边界变换，增强的网络具有几何保持特性...
【专利技术属性】
技术研发人员：刘且根，官瑜，杨彩莲，廖祥昊，陶辉，张明辉，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西;36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。