基于参考图像和数据修正的欠采样磁共振图像重建方法技术

本发明专利技术提供了一种基于参考图像和数据修正的欠采样磁共振图像重建方法，包括：获取全采样T1加权图像作为参考图像I

【技术实现步骤摘要】
cross
‑
modality synthesis of 3D medical images using weakly
‑
supervised joint convolutional sparse coding[J].arXiv preprint arXiv:1705.02596,2017.
[0011][6].Schlemper J,Caballero J,Hajnal J V,et al.A deep cascade of convolutional neural networks for dynamic MR image reconstruction[J].IEEE transactions on medical imaging,2018,37(2):491
‑
503.
[0012][7].X.Du and Y.He,“Gradient
‑
guided convolutional neural network for mri image super
‑
resolution,”Applied Sciences,vol.9,no.22,p.4874,2019.
[0013][8].B.Yaman,S.A.H.Hosseini,and M.“Zero
‑
shot self
‑
supervised learning for mri reconstruction,”arXiv preprint arXiv:2102.07737,2021.
[0014][9].D.Ulyanov,A.Vedaldi,and V.Lempitsky,“Deep image prior,”in Proceedings of the IEEE conference on computer vision and pattern recognition,2018,pp.9446
–
9454.
[0015][10].D.Zhao,F.Zhao,and Y.Gan,“Reference
‑
driven compresse dsensing mr image reconstruction using deep convolutional neural networks without pre
‑
training,”Sensors,vol.20,no.1,p.308,2020.
[0016][11].F.Hashimoto,K.Ote,T.Oida,A.Teramoto,and Y.Ouchi,“Compressed
‑
sensing magnetic resonance image reconstruction using an iterative convolutional neural network approach,”Applied Sciences,vol.10,no.6,p.1902,2020.

技术实现思路

[0017]本专利技术的目的在于克服现有方法的不足，提供一种基于参考图像和数据修正的欠采样磁共振图像重建方法，方法收敛速度快，重建精度高。
[0018]为了实现上述专利技术目的，采用的技术方案如下：
[0019]一种基于参考图像和数据修正的欠采样磁共振图像重建方法，包括如下步骤：
[0020]获取全采样T1加权图像作为参考图像I
ref
；获取全采样T2加权图像I
T2
，并转换为欠采样k空间数据y；
[0021]初始化图像序列I
s
和初始化互信息值序列MI
s
；
[0022]使用基于残差模块的卷积神经网络，建立基于参考图像I
ref
和欠采样k空间数据y的欠采样磁共振图像重建模型；
[0023]训练欠采样磁共振图像重建模型；
[0024]记录重建过程中的重建图像及其与参考图像的互信息值；
[0025]基于所述互信息值选择最佳的重建图像；
[0026]对所述最佳的重建图像进行迭代k
‑
空间数据修正，获得最终的重建图像。
[0027]优选的，获取全采样T2加权图像I
T2
，并转换为欠采样k空间数据y，具体包括：
[0028]将加权图像I
T2
傅里叶变换到k空间，再将k空间数据与欠采样掩码M点乘，得到对应的欠采样k空间数据y，如下：
[0029]y＝M
⊙
FI
T2
[0030]其中，F表示傅里叶变换。
[0031]优选的，所述欠采样掩码M为笛卡尔欠采样掩码，采样率为10％。
[0032]优选的，使用基于残差模块的卷积神经网络，建立基于参考图像I
ref
和欠采样k空间数据y的欠采样磁共振图像重建模型，具体包括：
[0033]卷积神经网由多个残差模型堆叠而成，输入为参考图像I
ref
，输出为重建的图像I
t
；从输入端到输出端的映射函数为f(Θ|I
ref
)，该映射函数具有参数Θ＝{W1,W2,
…
W
L
；B1,B2,
…
B
L
}，其中W
l
表示第l层的权值矩阵，B
l
表示第l层的偏置，L是网络模型的总层数；给定欠采样k空间数据y和它对应的参考图像I
ref
作为网络输入，将重建的图像作为网络输出，损失函数定义为：
[0034]I
′
＝f(Θ|I
ref
)
[0035]I
t
＝f
dc
(I
′
)＝|F
‑1((1
‑
M)
⊙
FI
′
+y)|
[0036]E(Θ)＝‖y
‑
M
⊙
Ff
dc
(I
′
)‖2[0037]其中，F表示傅里叶变换，FI
′
表示对图像I
′
进行傅里叶变换，F
‑1表示傅里叶逆变换，1表示值全为的与M同大小的矩阵，
⊙
表示矩阵之间的点乘，f
dc
表示数据修正操作，||
·
||2表示矩阵范数的平方。
[0038]优选的，训练欠采样磁共振图像重建模型，具体包括：
[0039]通过最小化损失函数E(Θ)来估计映射函数f(Θ|I
ref
)中参数Θ的最优取值损失函数的最小化由自适应梯度下降算法和标准的反向传播算法实现。
[0040]优选的，记录重建过程中的重建图像及其与参考图像的互信息值，具体包括：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参考图像和数据修正的欠采样磁共振图像重建方法，其特征在于，包括如下步骤：获取全采样T1加权图像作为参考图像I
ref
；获取全采样T2加权图像I
T2
，并转换为欠采样k空间数据y；初始化图像序列I
s
和初始化互信息值序列MI
s
；使用基于残差模块的卷积神经网络，建立基于参考图像I
ref
和欠采样k空间数据y的欠采样磁共振图像重建模型；训练欠采样磁共振图像重建模型；记录重建过程中的重建图像及其与参考图像的互信息值；基于所述互信息值选择最佳的重建图像；对所述最佳的重建图像进行迭代k
‑
空间数据修正，获得最终的重建图像。2.根据权利要求1所述的基于参考图像和数据修正的欠采样磁共振图像重建方法，其特征在于，获取全采样T2加权图像I
T2
，并转换为欠采样k空间数据y，具体包括：将加权图像I
T2
傅里叶变换到k空间，再将k空间数据与欠采样掩码M点乘，得到对应的欠采样k空间数据y，如下：y＝M
⊙
FI
T2
其中，F表示傅里叶变换。3.根据权利要求2所述的基于参考图像和数据修正的欠采样磁共振图像重建方法，其特征在于，所述欠采样掩码M为笛卡尔欠采样掩码，采样率为10％。4.根据权利要求1所述的基于参考图像和数据修正的欠采样磁共振图像重建方法，其特征在于，使用基于残差模块的卷积神经网络，建立基于参考图像I
ref
和欠采样k空间数据y的欠采样磁共振图像重建模型，具体包括：卷积神经网由多个残差模型堆叠而成，输入为参考图像I
ref
，输出为重建的图像I
t
；从输入端到输出端的映射函数为f(Θ|I
ref
)，该映射函数具有参数Θ＝{W1，W2，...W
L
；B1，B2，...B
L
}，其中W
l
表示第l层的权值矩阵，B
l
表示第l层的偏置，L是网络模型的总层数；给定欠采样k空间数据y和它对应的参考图像I
ref
作为网络输入，将重建的图像作为网络输出，损失函数定义为：I
′
＝f(Θ|I
ref
)I
t
＝f
dc
(I
′
)＝|F
‑1((1
‑
M)
⊙
FI...

【专利技术属性】
技术研发人员：杜晓凤，何一凡，满旺，李白云，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：