一种基于优化正则化和CNN的欠采样磁共振图像的高性能重建方法技术

本发明专利技术公开了基于正则化和CNN的欠采样磁共振图像的高性能重建方法，所述方法以高质量的磁共振图像作为训练集，设计并训练了离线卷积神经网络来映射从欠采样的k空间数据和高质量图像中获得的低质量MR图像。本发明专利技术的网络模型轻便且端到端进行，成像时间快，重建效果可以显示更多的局部细节，训练好的模型可以处理患者新扫描的低采样率的磁共振图像，减轻磁共振扫描时间过长的问题，辅助医生对病情的判断。断。断。

【技术实现步骤摘要】
一种基于优化正则化和CNN的欠采样磁共振图像的高性能重建方法


[0001]本专利技术涉及一种基于优化正则化和CNN的欠采样磁共振图像的高性能重建方法，属于图像处理领域。

技术介绍

[0002]磁共振成像时间过长，会带来众多临床问题，目前研究的方向为降低K空间的采样率来加快扫描时间，但当采样率不满足奈奎斯特定律时，图像重建过程中会产生明显的伪影。自2004年压缩感知问世后，压缩感知技术以更少的K空间样本无失真的重建医学图像，因为需要捕获的样本大大减少，从而加快成像时间。
[0003]因为未考虑到不同人体相同器官和组织信息之间的相似性，算法上有许多冗余计算。深度学习近些年来在医学图像领域快速发展，通过大量的数据集可以从中学习特征表达，获取先验知识。其中卷积神经网络(CNN)有着出色的特征学习和特征表达功能，通过欠采样和全采样图像的成对输入，网络可以学习之间的映射关系，通过梯度下降算法的参数计算，形成泛化性能良好的模型，可以实现欠采样磁共振图像的高性能重建。
[0004]因此，本申请提出一种基于优化正则化和卷积神经网络的欠采样磁共振图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化正则化和CNN的欠采样磁共振图像的高性能重建方法，其特征在于包括以下步骤：步骤一：将优化正则化引入到深度学习当中，使之成为卷积神经网络处理欠采样磁共振的前处理，给之后的网络提供输入图像；其中使用通用模型来解决欠采样MR图像的最稀疏解，一般公式为：其中，I∈C
N
是具有N个像素的重构MR图像，y∈C
M
是获取的欠采样k空间MR图像数据，K是观察矩阵，表示为：K＝MF
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，M是K空间中欠采样掩膜的对角矩阵，F是二维离散傅里叶变换；步骤二：设计并训练出一个离线的卷积神经网络模型来获取由欠采样K空间数据获取的磁共振图像和高质量图像之间的映射关系。2.根据权利要求1所述的一种基于优化正则化和CNN的欠采样磁共振图像的高性能重建方法，其特征在于，所述步骤一中，将L0范数优化转变为求解L1范数优化问题，得到：I可稀疏地表示为：I＝Ψθ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，Ψ＝[ψ1,ψ2,K,ψ
N
]∈R
N
×
N
，θ是稀疏变换域中的投影系数；因此，(4)可以改写成：其中，KΨ
T
表示编码矩阵：T＝F
u
Ψ
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)由于系统的不确定性以及成像过程中产生的噪声，可对上式(5)进行以下约束：将式(7)用拉格朗日乘子法进行约束，得到式(8)：正则化参数λ，用于平衡式(8)前后两项的比例，以获得如下最优解θ：将代入式(4)便可重建出原始信号。3.根据权利要求1所述的一种基于优化正则化和CNN的欠采样磁共振图像的高性能重建方法，其特征在于，所述步骤二中，利用caffe框架进行模型的处理；将步骤一作为模型的预处理，将高质量磁共振图像记为Y，通过将Y的K空间数据按照掩模的不同采样率进行采样，傅里叶...

【专利技术属性】
技术研发人员：王伟，冯锐，吴小玲，李修寒，曹达，
申请(专利权)人：南京医科大学，
类型：发明
国别省市：