一种磁共振成像算法展开网络的方法、装置及电子设备制造方法及图纸

本申请提供一种磁共振成像算法展开网络的方法、装置及电子设备，该方法包括：获取待重建图像；将待重建图像输入图像重建网络，得到重建图像；其中，图像重建网络采用基于结构纹理分解模型的压缩感知磁共振成像图像重建算法。该方案可以使得重建图像更精确，训练过程更简单。更简单。更简单。

【技术实现步骤摘要】
一种磁共振成像算法展开网络的方法、装置及电子设备


[0001]本专利技术属于图像处理
，特别涉及一种磁共振成像算法展开网络的方法、装置及电子设备。

技术介绍

[0002]相较于奈奎斯特采样定理，压缩感知(Compressed sensing，CS)理论使用特定测量矩阵能将在某个变换域具有稀疏性的信号由原高维空间映射到低维空间，获得更少的测量数据，并能通过求解有约束的优化模型解决从低维到高维的欠定病态问题得到重建图像。这种采集策略对图像采集设备更加友好。CS同时实现了采样和压缩过程，缓解了带宽需求。基于模型的压缩感知重构算法主要是利用稀疏编码和字典学习过程获取稀疏样本，进而进行图像重建。
[0003]随着深度神经网络的广泛应用，为了提升图像重建速度和重构效果，基于深度学习的压缩感知重构算法应运而生。第一类是基于数据驱动的网络映射的方法。在2015年，Mousavi等利用堆叠自编码器完成了观测值到原始信号的图像重建。在2016年，Kulkarni等人基于卷积神经网络(Convolutional Neural Network，CNN)提出了ReconNet网络，该方法基于块进行图像测量和重构，块效应比较明显。在2017年，Chen等人提出可以通过两个过程实现任意尺寸的图像重建，首先得到初步重构结构，然后通过CNN训练得到较高质量的重构结果。在2019年，Yao等人提出了一种深度残差网络Dr2
‑
Net，能有效解决重构图像的伪影问题。基于CNN的CS理论在磁共振成像上也有着广泛应用。在2017年，Yang等人利用生成对抗网络(Generative Adversanal Networks，GANs)构建DAGAN网络用于磁共振成像重建。在2018年，Hyun等人利用U
‑
net网络完成了从K空间数据到原始磁共振成像的重建。这类方法的共同特点是以复杂的训练网络为代价换来性能和重建速度的提升。大量的网络参数和复杂的网路结构能够提取复杂的图像特征，但同时对网络训练带来了更大的挑战，常常会产生梯度消失以及收敛性等问题，并且受限于黑箱结构存在解释性不足的缺点。第二类方法是将深度学习与CS重建算法相结合的方法，这类方法主要是将CS图像重建迭代优化的一部分参数用神经网络去学习，或者利用传统CS重建算法提供构建全新网络的思路。在2016年，Yang等人提出了ADMM
‑
Net网络，该网络结构基于ADMM(交替方向乘子法，Alternating Direction Method of Multipliers)算法展开深度网络进行磁共振成像重建，但该网络是专门为磁共振成像开发的，不具有通用性。在2018年，Zhang等人提出的ISTA
‑
Net则是利用ISTA算法展开为深度神经网络，不仅适用于一般的CS重构，也适用于磁共振成像。在非凸优化算法的启发下，在2021年，Sun等人提出了一个基于L0范数的ADMM展开神经网络。这些方法都利用了基于模型的压缩感知重构算法，为网络构建和学习提供了部分先验知识，使得网络规模得到简化，网络可解释性增强，并且以比较少的参数和少量的数据就可以训练出比较好的结果。

技术实现思路

[0004]本说明书实施例的目的是提供一种磁共振成像算法展开网络的方法、装置及电子设备。
[0005]为解决上述技术问题，本申请实施例通过以下方式实现的：
[0006]第一方面，本申请提供一种磁共振成像算法展开网络的方法，该方法包括：
[0007]获取待重建图像；
[0008]将所述待重建图像输入图像重建网络，得到重建图像；
[0009]其中，所述图像重建网络采用基于结构纹理分解模型的压缩感知磁共振成像图像重建算法。
[0010]在其中一个实施例中，获取待重建图像之前，该方法还包括：
[0011]获取原始图像；
[0012]所述原始图像通过矩阵F
u
＝PF，得到k空间欠采样数据；其中，P为欠采样矩阵，F为离散傅里叶变换；
[0013]对所述k空间欠采样数据进行傅里叶反变换转换，得到所述待重建图像。
[0014]在其中一个实施例中，重建图像和所述原始图像之间的均方误差作为所述图像重建网络的损失函数。
[0015]在其中一个实施例中，待重建图像包括卡通分量和纹理分量：
[0016]所述基于结构纹理分解模型的压缩感知磁共振成像图像重建算法，包括：
[0017]基于所述卡通分量和所述纹理分量，提出非凸优化问题；
[0018]基于所述非凸优化，分别迭代更新求解更新后卡通分量和更新后纹理分量；
[0019]根据所述更新后卡通分量和所述更新后纹理分量，确定所述重建图像。
[0020]在其中一个实施例中，待重建图像z为：
[0021][0022]其中，表示纹理分量，N表示待求信号维度，D
L
表示纹理分量的字典，α
i
表示纹理分量的稀疏系数，表示将第i个位置放入D
L
α
i
并用零填充其余条目的运算符；z
C
表示卡通分量；
[0023]提出的非凸优化问题定义如下：
[0024][0025]其中，λ1和λ2是超参数；Ω1是施加在具有l0范数的列向量上的稀疏约束；Ω2是指示函数；F
u
为测量矩阵；b为测量值。
[0026]在其中一个实施例中，基于所述非凸优化，分别迭代更新求解更新后卡通分量和更新后纹理分量，包括：
[0027]为了使用卷积字典学习算法求解卡通分量，引入各向异性TV图像恢复定义法：
[0028][0029]公式(2)等价于：
[0030]TV
aniso
(z
C
)＝‖D
υ
(z
C
)‖1+‖D
h
(z
C
)‖1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0031]其中，
[0032]p＝D
υ
(z
C
):R
m
×
n
→
R
(m
‑
1)
×
n
，p
i,j
＝z
i+1,j
‑
z
i,j
,i＝1,
…
,m
‑
1,j＝1,
…
,n,
[0033]q＝D
h
(z
C
):R
m
×
n
→
R
m
×
(n
‑
1)
，q
i,j
＝z
i,j+1
‑
z
i,j
,i＝1,
…
,m,j＝1,
…
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磁共振成像算法展开网络的方法，其特征在于，所述方法包括：获取待重建图像；将所述待重建图像输入图像重建网络，得到重建图像；其中，所述图像重建网络采用基于结构纹理分解模型的压缩感知磁共振成像图像重建算法。2.根据权利要求1所述的方法，其特征在于，所述获取待重建图像之前，所述方法还包括：获取原始图像；所述原始图像通过矩阵F
u
＝PF，得到k空间欠采样数据；其中，P为欠采样矩阵，F为离散傅里叶变换；对所述k空间欠采样数据进行傅里叶反变换转换，得到所述待重建图像。3.根据权利要求2所述的方法，其特征在于，所述重建图像和所述原始图像之间的均方误差作为所述图像重建网络的损失函数。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述待重建图像包括卡通分量和纹理分量：所述基于结构纹理分解模型的压缩感知磁共振成像图像重建算法，包括：基于所述卡通分量和所述纹理分量，提出非凸优化问题；基于所述非凸优化，分别迭代更新求解更新后卡通分量和更新后纹理分量；根据所述更新后卡通分量和所述更新后纹理分量，确定所述重建图像。5.根据权利要求4所述的方法，其特征在于，所述待重建图像z为：其中，表示纹理分量，N表示待求信号维度，D
L
表示纹理分量的字典，α
i
表示纹理分量的稀疏系数，表示将第i个位置放入D
L
α
i
并用零填充其余条目的运算符；z
C
表示卡通分量；提出的非凸优化问题定义如下：其中，λ1和λ2是超参数；Ω1是施加在具有l0范数的列向量上的稀疏约束；Ω2是指示函数；F
u
为测量矩阵；b为测量值。6.根据权利要求5所述的方法，其特征在于，所述基于所述非凸优化，分别迭代更新求解更新后卡通分量和更新后纹理分量，包括：为了使用卷积字典学习算法求解卡通分量，引入各向异性TV图像恢复定义法：公式(2)等价于：TV
aniso
(z
C
)＝‖D
υ
(z
C
)‖1+‖D
h
(z
C
)‖1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，p＝D
υ
(z
C
):R
m
×
n
→
R
(m
‑
1)
×
n
，p
i,j
＝z
i+1,j
...

【专利技术属性】
技术研发人员：李静，魏晓，李秋会，李泽，
申请(专利权)人：燕山大学，
类型：发明
国别省市：