基于人工智能的肺部多核MRI双域超分辨率重建方法技术

本发明专利技术提供了基于人工智能的肺部多核MRI双域超分辨率重建方法，包括构建k空间重建网络和图像域重建网络。利用k空间重建网络重建上采样的多核低分辨率k空间域的数据，再利用k空间重建网络和图像域重建网络得到超分辨率的多核图像。本发明专利技术采用双域重建网络，有效地利用了数据在k空间及图像域中各自的特征；采用图像融合技术，有效利用了多核数据彼此在空间中的关联性。相比于传统的超分辨率重建方法，本发明专利技术可学习更丰富的特征，有效提高肺部多核磁共振图像的超分辨率重建效果。多核磁共振图像的超分辨率重建效果。多核磁共振图像的超分辨率重建效果。

【技术实现步骤摘要】
基于人工智能的肺部多核MRI双域超分辨率重建方法


[0001]本专利技术属于成像
，具体涉及基于人工智能的肺部多核MRI双域超分辨率重建方法。

技术介绍

[0002]磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入、无放射性的特，可以在整体水平上提供丰富的结构和功能信息，在临床诊断和临床前研究等领域有着重要且广泛的应用[Mehmet A,Steen M,Sebastian W,et al.Magn.Reson. Med.,2019,439:453.]。质子(1H)是活体含量最高的磁共振可观测核，且具有最高的旋磁比，经典MRI通常以质子(1H)作为成像观测核。而多核元素相比1H具有更大的化学位移范围，从而能够提供更全面的功能和代谢信息。近年来，磁共振可观测多核元素的MRI能力正在不断被研究探索，特别地，针对于肺部 MRI技术的发展。
[0003]肺部疾病如慢性阻塞性肺部疾病(Chronic Obstructive Pulmonary Diseases, COPD)、肺癌等是威胁我国人民生命健康的重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的肺部多核MRI双域超分辨率重建方法，其特征在于，包括以下步骤：步骤1、构建训练集和测试集，训练集和测试集均包括多个样本对，样本对包括多核高分辨率k空间数据和对应的多核低分辨率k空间数据，将训练集中多核高分辨率k空间数据做傅里叶逆变换得到多核高分辨率图像，再将多核高分辨率图像取最大值，得到多核高分辨率融合图像；步骤2、构建k空间重建网络；步骤3、将步骤1生成的训练集中多核低分辨率k空间数据输入到步骤2构建的k空间重建网络中得到重建多核k空间数据；步骤4、构建图像域重建网络；步骤5、将步骤3得到的重建多核k空间数据进行二维傅里叶反变换得到多核图像域数据，再将再将多核图像域数据取最大值，得到多核融合数据，将多核图像域数据及多核融合数据输入到步骤4构建的图像域重建网络中得到超分辨率多核重建图像及超分辨率多核融合图像I
A
，再将超分辨率多核重建图像取最大值进行融合，得到融合的超分辨率多核重建图像I
B
；步骤6、定义损失函数；步骤7、根据步骤6设定的损失函数，利用步骤1生成的训练集对步骤2中的k空间重建网络及步骤4中的图像域重建网络进行整体训练，训练完成后保存模型参数。2.根据权利要求1所述的基于人工智能的肺部多核MRI双域超分辨率重建方法，其特征在于，所述的步骤2包括以下步骤：k空间重建网络包括级联的多个复值卷积层、多个ReLu激活层、一个上采样模块和一个k空间数据一致层，k空间重建网络中的上采样模块包括上采样层和复值卷积层，k空间重建网络的输入通道数为多核k空间数据中核的数目，k空间数据一致层的映射函数f(KDC)由下式表示：f(KDC)＝k
r
×
(1
‑
mask1)+k
u
其中，k
r
为k空间重建网络中上采样模块输出的k空间数据，k
u
为k空间重...

【专利技术属性】
技术研发人员：周欣，肖洒，李梓萌，王成，孙献平，叶朝辉，
申请(专利权)人：中国科学院精密测量科学与技术创新研究院，
类型：发明
国别省市：