本发明专利技术公开了一种基于深度学习和交替方向乘子法的磁共振成像的重构方法，包括数据融合模块，迭代重构模块和图像融合模块，所述的包括初始数据特征提取模块和迭代数据特征提取模块，所述的迭代重构模块包括图像重构模块，软阈值模块和残差模块，所述的图像融合模块包括图像拼接和图像融合两个部分。本发明专利技术通过数据融合模块，迭代重构模块和图像融合模块构建压缩感知理论中交替方向乘子法优化求解过程，实现核磁共振图像的高效重构。所述方法利用深度学习网络结构实现对整个重构过程进行训练，从而形成高效、高质量的核磁共振图像的重构方法。的重构方法。的重构方法。
【技术实现步骤摘要】
基于深度学习和交替方向乘子法的磁共振成像的重构方法
[0001]本专利技术涉及一种用于快速磁共振成像(MRI)领域的深度学习方法，尤其涉及一种传统理论重建算法与深度学习方法相结合方法，属于MRI图像快速高效重构领域。
技术介绍
[0002]磁共振成像(MRI)以其高空间分辨率、无创性、生物安全性等优点被广泛应用于临床诊断，但是成像过程中存在的采集时间长、成本高等缺点限制了其发展。
[0003]基于压缩感知理论的MRI图像重构方法(CS
‑
MRI)可以将欠采样重构过程转变为一个欠定线性系统的求解过程。此类方法，改变了传统Shannon
‑
Nyquist采样定理的要求，能够从较少采样的信号中实现源信号恢复。但是其要求的复杂、苛刻的正则化条件以及大量的耗时操作(如迭代、patch搜索、矩阵反演以及参数调整等)缺陷阻碍着临床实践与应用。
[0004]目前，基于深度学习方法的MRI图像重构(DL
‑
MRI)借助较强的学习能力，能够利用大量的历史数据，建立MRI图像的低采样图像与全采样图像之间的映射关系来获得高质量的重构。然而，DL
‑
MRI仍有许多不足。通常为了获得更好的MR图像重构性能，深度学习方法需要通过增加网络的层数和复杂度。这些操作虽然可以对MR图像进行更深层次的特征提取，但同时也增加了时间消耗和计算能力。此外，DL
‑
MRI只是建立输入和输出的映射关系，更多的是关注训练样本数据集内部数据间的分布规律，许多针对图像自身的先验理论缺乏进一步挖掘。
技术实现思路
[0005]专利技术目的：本专利技术的目的在于提供一种基于深度学习和交替方向乘子法的磁共振成像的重构方法，获得更好的MR图像重构性能。
[0006]技术方案：本专利技术利用深度学习强大的特征提取能力和压缩感知完善的理论基础，设计压缩感知理论的交替方向乘子法ADMM算法的MR欠采样图像重构模型网络架构，建立参数共享的MR欠采样图像迭代网络训练模型，实现基于深度学习模型的交替方向乘子法的求解过程，完成MR欠采样图像的精准重构。经过实验分析，本专利技术方法可以有效地减少传统压缩感知算法中大量迭代所造成的时间消耗，并为深度学习网络提供更多的先验知识，有效的提高MR图像重构质量。同时借助深度学习强大的学习和拟合能力，该方法在网络设计过程中，只需要少量迭代次数(3次)，并且在迭代过程采用共享网络参数。
[0007]本专利技术解决其技术问题所采用的技术方案是：
[0008]本专利技术提供一种基于深度学习和交替方向乘子法的磁共振成像的重构算方法，包括以下步骤：
[0009]S1：利用模拟采样掩码实现MR图像k空间数据的欠采样，利用二维逆傅里叶变换实现k空间欠采样数据频域到时域的变换，得到MR欠采样时域图像；利用基于压缩感知理论的交替方向乘子法ADMM算法，建立MR欠采样图像重构求解模型；
[0010]S2：设计压缩感知理论的交替方向乘子法ADMM算法的MR欠采样图像重构模型网络
架构，建立参数共享的MR欠采样图像迭代网络训练模型；
[0011]S3：设计融合网络架构，建立重构图像融合训练模型f
out
，实现MR图像的高质量重构；
[0012]S4：利用FastMRI数据集实现上述步骤网络的训练、验证与测试，保存预训练模型，实现MR图像的快速重构。
[0013]进一步的，所述步骤S1中的模拟采样掩码实现MR图像k空间数据的欠采样：
[0014]M
k
＝M*K
[0015]式中，M是模拟采样掩码，K是原始MR原始k空间数据，M
k
是欠采样k空间数据。
[0016]进一步的，所述步骤S1中的基于压缩感知理论MR图像求解模型为
[0017]M
k
＝F
U
x+v
[0018]其中，F
U
是二维傅里叶变换，v表示噪声，x是重构图像，y是欠采样K空间数据。对于CS
‑
MRI重构问题，公式(1)可以转换为：
[0019][0020]其中，A＝F
U
M，M是采样矩阵。
[0021]进一步的，所述步骤S1中的基于压缩感知理论的ADMM算法的MR图像求解模型为：
[0022]x
k+1
＝(A
T
A+ρI)
‑1(A
T
b+ρDX
k
)
[0023][0024]u
k+1
＝u
k
+ρ(Dx
k+1
‑
z
k+1
)
[0025]其中，x
k+1
代表第k次迭代后重构图像，A和D是变换矩阵，A
T
是A的转置矩阵，X
k
＝z
k
‑
u
k
为每次迭代后得到的下一迭代的输入，S是软阈值操作，u是对偶变量的拉格朗日算符的乘数，λ和ρ是可调参数(初始值为λ＝2.0，ρ＝1.0)，k>0。
[0026]进一步的，所述步骤S2中的压缩感知理论的交替方向乘子法ADMM算法的MR欠采样图像重构模型为：
[0027]x
k+1
＝f
net
(x0,X
k
)
[0028][0029]u
k+1
＝R(u
k
,x
k+1
,z
k+1
,ρ)
[0030]其中，f
net
是MR图像重构层,S是软阈值计算层，R是残差计算层，λ和ρ是可训练参数(初始值为λ＝2.0，ρ＝1.0)。k是迭代次数且k>0；进一步的，所述S3中的融合网络模型示：
[0031]x＝f
out
(C(x1,x2,x3))(3)
[0032]其中x1,x2,x3为第1，2，3次迭代后的重构图像，C为拼接操作(Concatnate)，x为最终输出的MR重构图像；
[0033]有益效果：与现有方法相比，该方法具有更短的重构时间和更好的图像质量。
附图说明
[0034]图1为本专利技术原理示意图
[0035]图2为本专利技术重构MRI图像的效果图以及与其他算法的比较
具体实施方式
[0036]下面结合附图对本专利技术的技术方案作进一步说明。
[0037]如图1所示，本专利技术提供一种基于深度学习和交替方向乘子法的磁共振成像的重构算方法，包括数据融模块f
data
，ADMM重构模块f
admm
以及输出融合模块f
out
。
[0038]所述的数据融模块f
data
包括相同网络结构的f
neta
和f
net本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习和交替方向乘子法的磁共振成像的重构方法，其特征在于，建立迭代方式的交替方向乘子法与深度学习的结合方法模型，包括如下步骤：S1：利用模拟采样掩码实现MR图像k空间数据的欠采样，利用二维逆傅里叶变换实现k空间欠采样数据频域到时域的变换，得到MR欠采样时域图像；利用基于压缩感知理论的交替方向乘子法ADMM算法，建立MR欠采样图像重构求解模型；所述的基于压缩感知理论的交替方向乘子法ADMM算法建立MR欠采样图像重构求解模型如式(1)所示：其中，x
k+1
代表第k次迭代后重构图像，A和D是变换矩阵，A
T
是A的转置矩阵，X
k
＝z
k
‑
u
k
为每次迭代后得到的下一迭代的输入，S是软阈值操作，u是对偶变量的拉格朗日算符的乘数，λ和ρ是可调参数，其中初始值为λ＝2.0，ρ＝1.0，k是迭代次数且k>0；S2：设计压缩感知理论的交替方向乘子法ADMM算法的MR欠采样图像重构模型网络架构，建立参数共享的MR欠采样图像迭代网络训练模型；所述的参数共享的MR欠采样图像迭代网络训练模型包括MR图像重构层f
net
，软阈值计算层S和残差计算层R三个部分，分别实现式(1)中的三个步骤；基于压缩感知理论的交替方向乘子法ADMM算法MR欠采样图像重构模型网络架构如式(2)所示：其中，f
net
是MR图像重构层,S是软阈值计算层，R是残差计算层，λ和ρ是可训练参数，其中初始值为λ＝2.0，ρ＝1.0，k是迭代次数且k>0；S3：设计融合网络架构，建立重构图像融合训练模型f
out
，实现MR图像的高质量重构；组成形式如式(3)所示：x＝f
out
(C(x1,x2,x3))(3)其中x1,x2,x3为第1，2，3次迭代后的重构图像，C为拼接操作(Concatnate)，x为最终输出的MR重构图像；S4：利用FastMRI数据集实现上述步骤网络的训练、验证与测试，保存预训练模型，实现MR图像的快速重构。2.根据权利要求1所述的所述的基于深度学习和交替方向乘子法的磁共振成像的重构方法，其特征在于，所述的步骤S2中的基于压缩感知理论的交替方向乘子法ADMM算法MR欠采样图像重构模型，包括数据融模块f
...
【专利技术属性】
技术研发人员：卞聪超，曹宁，冯晔，毛明禾，
申请(专利权)人：河海大学，
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。