基于Bloch仿真合成训练样本的螺旋桨欠采重建系统，涉及磁共振成像领域。系统包括原始模板生成模块、模拟采样模块、训练样本生成模块、深度神经网络训练模块和图像重建模块。方法：1)生成原始模板；2)生成既定参数的采样后的数据；3)批量生成定量的训练样本；4)深度神经网络训练；5)图像重建。具有重建图像时间短、重建图像质量高和抵抗运动伪影等优点,方便螺旋桨(PROPELLER)数据的采集和相关研究，可以在采样数据量少甚至有运动的情况下，快速地重建出质量高无运动伪影的图片，节约大量人力物力成本。力成本。力成本。
【技术实现步骤摘要】
基于Bloch仿真合成训练样本的螺旋桨欠采重建系统
[0001]本专利技术涉及磁共振成像领域，尤其是涉及一种基于Bloch仿真合成训练样本的螺旋桨欠采重建系统。
技术介绍
[0002]PROPELLER(Periodically Rotated Overlapping Parallel Lines with Enhanced Reconstruction)成像技术，又名螺旋桨成像技术，因其独特的酷似螺旋桨叶片的采样方式而得名，由James G.Pipe于1999年提出的一种磁共振成像技术。其目的在于利用中心重复采样的数据信息，对采样中发生运动进行估计和校正。已经证明，其在抵抗刚体运动伪影方面效果显著，已经大量运用在各大磁共振仪器产商高端的磁共振机器上，已于2004年推广到中国。
[0003]常规的PROPELLER成像技术包括数据采集、相位校正、旋转矫正、平移校正、相关性加权和网格化重建这几个部分。但是，PROPELLER技术也受着一些条件的制约，一方面，其需要大量的过采样数据的支持，需要耗费大量的采样时间；另一方面，网格化重建的算法的好坏也严重制约最后的成像速度和最终图像重建质量。目前，很多研究组针对PROPELLER成像算法提出一些新的序列方法来缩短PROPELLER采样的时间、提出新的运动估计和校正算法来提高对运动估计的精度以及提出新的网格化算法加快成像精度和速度等。而近年来，随着深度神经网络的兴起，深度学习成为计算机视觉方面研究的重要帮手。同样地，磁共振图像也可以通过深度学习来弥补重建时间过长、质量不高的缺点。
[0004]综上所述，需要找到更高效更高质量的方法来快速重建出PROPELLER采样数据的图像。新的方法，可以成倍的减少采样时间，不需要过多的数据点，但是又要图像重建时间短、图像质量高且对运动图像运动校正较为准确。
技术实现思路
[0005]本专利技术的目的在于提供可在采样数据量少甚至有运动的情况下，快速重建出质量高无运动伪影的图片，节约人力物力成本的一种基于Bloch仿真合成训练样本的螺旋桨欠采重建系统。
[0006]本专利技术的另一目的在于提供建图像时间短、重建图像质量高，可抵抗运动伪影的一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法。
[0007]所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建系统包括原始模板生成模块、模拟采样模块、训练样本生成模块、深度神经网络训练模块、图像重建模块；
[0008]所述原始模板生成模块用于对磁共振脑部、腹部数据集通过计算、整合，生成模拟的不同模板的完整数据集；
[0009]所述模拟采样模块用于通过建立磁场模型，结合PROPELLER序列并基于Bloch仿真对模拟数据集进行数据采样，生成既定参数的采样后的数据并保存；
[0010]所述训练样本生成模块用于将采样后数据集的k空间数据处理成特定参数维度的
数据，并对数据进行外理后批量生成定量训练样本；
[0011]所述深度神经网络训练模块用于对输入深度神经网络中的定量训练样本到进行网络拟合训练；
[0012]所述图像重建模块用于对训练好的深度神经网络，以及PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
[0013]所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，包括以下步骤：
[0014]1)生成原始模板；
[0015]2)生成既定参数的采样后的数据；
[0016]3)批量生成定量的训练样本；
[0017]4)深度神经网络训练；
[0018]5)图像重建。
[0019]在步骤1)中，所述生成原始模板，具体包括以下步骤：
[0020]1.1)获取公开的磁共振脑部、腹部数据集，并根据已有模态计算得到包括T1、T2、M0等参数。
[0021]1.2)合成固定形状的仿真水模，每个水模内部随机选取不同的T2、M0、T1组合。
[0022]1.3)合成图案随机的仿真模板，让随机图案填满整个空白矩形模板，并在其中添加来自于外部光学数据集的纹理，合成T2、M0、T1等参数的组合。
[0023]1.4)整合数据集，确定添加比例，得到有四种包括模拟人脑、模拟水膜、模拟随机图案以及模拟腹部的不同模板的完整数据集，作为原始模板。
[0024]在步骤2)中，所述生成既定参数的采样后的数据，包括以下步骤：
[0025]2.1)输入数据集样本；
[0026]2.2)将磁场进行建模处理，得到磁场模型；
[0027]2.3)利用磁场模型结合设定好的PROPELLER序列并基于Bloch仿真对对模拟数据集进行数据采样；
[0028]2.4)得到所述数据集的k空间数据；
[0029]2.5)利用所得k空间数据重建出传统非欠采样PROPELLER方法重建图像并保存；
[0030]2.6)重复步骤2.1)～2.5)，生成既定参数的采样后的数据。
[0031]在步骤3)中，所述批量生成定量的训练样本，包括以下步骤：
[0032]3.1)加载数据集的k空间数据，处理成特定参数维度的数据，包括每个Blade的矩阵大小以及Blade数量；
[0033]3.2)对所述特定参数维度的数据，加入模拟随机噪声；
[0034]3.3)对所述Blade的k空间矩形数据进行充零处理，变成方形k空间矩阵；
[0035]3.4)对所述方形k空间矩阵进行逆傅里叶变换，得到图像数据；
[0036]3.5)对图像数据添加随机旋转运动和随机平移运动，得到模拟运动后的数据；
[0037]3.6)对模拟运动后的数据进行旋转处理，并裁剪成原来方形矩阵大小；
[0038]3.7)根据欠采样倍率调整Blade数量；
[0039]3.8)对单个采样的所有Blade数据进行归一化处理，并裁剪成适合网络训练的大小，加入传统非欠采样PROPELLER方法重建图像作为Label，共同组成单个训练样本；
[0040]3.9)重复步骤3.1)～3.8)，批量生成定量的训练样本。
[0041]在步骤4)中，所述深度神经网络训练的具体步骤可为：将定量训练样本输入到深度神经网络中，将Blade作为网络输入的图像通道；网络的输出会越来越逼近网络的Label对应的图像，这也叫做网络拟合训练；
[0042]网络的Loss函数可以表示为：
[0043][0044]其中，N为每次参与训练的样本数量，i表示样本的序号，W和b分别代表深度神经网络的权重大小和偏置大小，Y是参数Label(标签)，而X代表的是输入图像，f表示网络对于输入图像的作用函数。
[0045]在步骤5)中，所述图像重建的具体步骤可为：采用训练好的深度神经网络，以及PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
[0046]与现有技术相比，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于Bloch仿真合成训练样本的螺旋桨欠采重建系统，其特征在于包括原始模板生成模块、模拟采样模块、训练样本生成模块、深度神经网络训练模块、图像重建模块；所述原始模板生成模块用于对磁共振脑部、腹部数据集通过计算、整合，生成模拟的不同模板的完整数据集；所述模拟采样模块用于通过建立磁场模型，结合PROPELLER序列并基于Bloch仿真对模拟数据集进行数据采样，生成既定参数的采样后的数据并保存；所述训练样本生成模块用于将采样后数据集的k空间数据处理成特定参数维度的数据，并对数据进行外理后批量生成定量训练样本；所述深度神经网络训练模块用于对输入深度神经网络中的定量训练样本到进行网络拟合训练；所述图像重建模块用于对训练好的深度神经网络，以及PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。2.一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于包括以下步骤：1)生成原始模板；2)生成既定参数的采样后的数据；3)批量生成定量的训练样本；4)深度神经网络训练；5)图像重建。3.如权利要求2所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于在步骤1)中，所述生成原始模板，具体包括以下步骤：1.1)获取公开的磁共振脑部、腹部数据集，并根据已有模态计算得到包括T1、T2、M0等参数；1.2)合成固定形状的仿真水模，每个水模内部随机选取不同的T2、M0、T1组合；1.3)合成图案随机的仿真模板，让随机图案填满整个空白矩形模板，并在其中添加来自于外部光学数据集的纹理，合成T2、M0、T1等参数的组合；1.4)整合数据集，确定添加比例，得到有四种包括模拟人脑、模拟水膜、模拟随机图案以及模拟腹部的不同模板的完整数据集，作为原始模板。4.如权利要求2所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于在步骤2)中，所述生成既定参数的采样后的数据，包括以下步骤：2.1)输入数据集样本；2.2)将磁场进行建模处理，得到磁场模型；2.3)利用磁场模型结合设定好的PROPELLER序列并基于Bloch仿真对对模拟...
【专利技术属性】
技术研发人员：陈忠，杜宏杰，蔡聪波，王杰超，陈欣然，
申请(专利权)人：厦门大学，
类型：发明
国别省市：
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。