【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 ...
【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:
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。