【技术实现步骤摘要】
基于图像和特征双域约束的自监督磁共振图像重建方法
[0001]本专利技术涉及医学图像处理
，更具体地，涉及一种基于图像和特征双域约束的自监督磁共振图像重建方法。
技术介绍
[0002]磁共振图像在临床上有广泛应用，但由于采集端的限制，全采样的磁共振数据不容易获得，因而有必要研究欠采倍率下的深度学习快速磁共振图像重建。目前，基于深度学习的快速磁共振重建已有很多应用，如MoDL、ADMM
‑
Net、AUTOMAP、U
‑
Net等各种网络。但是这些方法都是基于监督学习的深度学习，同样需要全采样磁共振数据作为标签来进行学习。
[0003]为了解决对于全采样磁共振数据标签的依赖，研究者转向不需要全采样数据作为标签的无监督深度学习的方法，无监督方法主要分为自监督方法和基于生成模型的两种类型。例如，目前应用广泛的无监督磁共振重建方法是称为SSDU的自监督学习方法，这种方法将欠采倍率下的磁共振图像作为学习目标，随机选取欠采倍率图像频域的一部分点作为神经网络的输入，剩下没有被选取的点用于计算训...
【技术保护点】
【技术特征摘要】
1.一种基于图像和特征双域约束的自监督磁共振图像重建方法，包括以下步骤：构建图像重建模型，该图像重建模型包括第一分支和第二分支，第一分支包含第一重建网络和第一特征提取器，第一重建网络以第一欠采数据子集作为输入获得第一重建图像，第一特征提取器针对第一重建图像提取特征；第二分支包含第二重建网络和第二特征提取器，第二重建网络以第二欠采数据子集作为输入获得第二重建图像，第二特征提取器针对第二重建图像提取特征，其中第一欠采数据子集和第二欠采数据子集基于欠采k空间数据获得；以设定的损失函数作为优化目标，训练所述图像重建模型；利用经训练的图像重建模型对目标磁共振图像进行重建。2.根据权利要求1所述的方法，其特征在于，所述损失函数包括第一重建损失、第二重建损失、一致性损失和特征损失，第一重建损失用于表征第一重建图像与所述欠采k空间数据之间的损失，第二重建损失用于表征第二重建图像与所述欠采k空间数据之间的损失，所述一致性损失用于表征第一重建图像与第二重建图像之间的损失，所述特征损失用于表征第一特征提取器所提取的特征以及第二特征提取器所提取的特征之间的损失。3.根据权利要求2所述的方法，其特征在于，第一重建损失是第一重建图像与所述欠...
【专利技术属性】
技术研发人员：郑海荣，王珊珊，刘雪，李程，
申请(专利权)人：中国科学院深圳先进技术研究院，
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。