一种高保真磁共振采样信号智能重建方法技术

一种高保真磁共振采样信号智能重建方法，首先采集磁共振采样信号，根据信号特点欠采样、傅里叶变换等操作，构建由欠采样的一维磁共振采样信号、对应的一维欠采样模版和全采样的一维磁共振采样信号构成训练集，前二者作为网络模型的输入，后者作为标签；低秩模型迭代求解的最优化算法设计了深度学习神经网络结构，将该神经网络结构与最优化算法交替迭代，构成最终的网络结构，并用训练集求解网络的最优化参数，构成重建模型；最后将待重建的欠采样的磁共振采样信号输入训练完成的网络模型进行磁共振采样信号的重建。进行磁共振采样信号的重建。

【技术实现步骤摘要】
Learning Systems,2021,doi:10.1109/TNNLS.2021.3134717；Zi Wang,Chen Qian,Di Guo,Hongwei Sun,Rushuai Li,Bo Zhao,and Xiaobo Qu,"One
‑
dimensional deep low
‑
rank and sparse network for accelerated MRI,"IEEE Transactions on Medical Imaging,2022,doi:10.1109/TMI.2022.3203312)。但是，神经网络模型的参数学习过程严重依赖训练数据的特性和分布。当使用已训练完成的神经网络模型重建不同于训练数据特征的数据时，其重建能力大幅下降。
[0005]总而言之，在磁共振采样信号重建中，现有重建方法的重建质量和泛化性能有待提高，尚无同时利用深度学习和最优化算法，建立基于低秩模型的交替迭代深度学习网络来实现快速、高保真和泛化性好的磁共振采样信号的智能重建方法。

技术实现思路

[0006]本专利技术的目的在于提供一种快速和泛化性好的高保真磁共振采样信号智能重建方法。
[0007]本专利技术包括以下步骤：
[0008]1)获取全采样的一维磁共振的采样信号，即仿真的一维磁共振波谱的时域数据或实采的一维多通道磁共振成像的k空间数据；
[0009]2)根据实际欠采样模板对未采集的数据位置填零操作，生成填零的一维磁共振的采样信号；
[0010]3)将步骤1)的全采样信号作为人工智能网络输出，将步骤2)中的欠采样信号、欠采样模板作为网络输入，构成训练集；
[0011]4)设计基于低秩模型的交替迭代深度学习网络模型、损失函数以及网络的反馈功能；
[0012]5)利用步骤3)获得的训练集，对基于低秩模型的交替迭代深度学习网络的可学习参数集合求解，完成神经网络训练；
[0013]6)将待重建的磁共振的欠采样信号输入到已训练的网络，重建完整的磁共振信号。
[0014]在步骤1)中，获取全采样的一维磁共振的采样信号，即仿真的一维磁共振波谱的时域数据或实采的一维多通道磁共振成像的k空间数据，具体方法为：
[0015]对于获取仿真的一维磁共振波谱的时域数据，根据指数函数模型可以仿真生成全采样的一维磁共振波谱的时域数据其表达式为：
[0016][0017]其中，表示长度为N的复数向量，J表示指数函数的个数；j＝1,
…
,J表示指数函数个数的索引；n＝0,
…
,N
‑
1表示一维磁共振波谱的时域数据x的采样点数的索引，Δt表示时间间隔，A
j
、φ
j
、τ
j
和f
j
分别表示第j个指数函数的幅度、相位、衰减因子和归一化频率；
[0018]对于获取实采的一维多通道磁共振成像的k空间数据，首先从磁共振成像扫描仪获得全采样的多线圈磁共振成像的k空间数据其中M、Z和C分别表示频率编码维长度、相位编码维长度和通道个数；沿频率编码维做一维傅里叶逆变换得到多通道
磁共振成像混合空间数据其中表示第m行的一维多通道磁共振成像混合空间数据；将多通道磁共振成像混合空间数据E沿着频率编码维拆成M个全采样的一维多通道磁共振成像的k空间数据
[0019]将全采样的一维磁共振波谱的时域数据x和全采样的一维多通道磁共振成像的k空间数据K统称为全采样的一维磁共振采样信号
[0020]在步骤2)中，根据实际欠采样模板对未采集的数据位置进行填零操作，生成填零的一维磁共振的采样信号，具体为：
[0021]对磁共振采样信号进行欠采样操作得到欠采样的一维磁共振采样信号具体为欠采样的一维磁共振波谱的时域数据或者欠采样的一维多通道磁共振成像的k空间数据
[0022]在步骤3)中，将步骤1)的全采样信号作为人工智能网络输出，将步骤2)中的欠采样信号、欠采样模板作为网络输入，构成训练集，具体是由全采样的一维磁共振采样信号欠采样操作和欠采样的一维磁共振采样信号组成训练集。
[0023]在步骤4)中，所述基于低秩模型的交替迭代深度学习网络模型由迭代块构成，通过以串联方式叠加数个迭代块作为整个网络结构，每个迭代块由子块P、子块Q、子块S和子块O构成，依次更新变量P
k+1
，Q
k+1
，其中子块P、子块Q和子块S构成深度学习模块，子块O称为最优化模块；以第k个迭代块为例所示：
[0024]a)子块P用于更新基于低秩先验求解得到的网络变量由L层密集二维卷积神经网络组成，卷积核的大小均为S
×
S，用于学习非线性映射函数每一层的输入变量依次经过一个二维卷积模块和一个线性整流函数，最后输入下一层；第一层的输入为其中表示汉克尔算子，其将一维磁共振采样信号转化为汉克尔矩阵；Q
k
均是上一个迭代块的输出变量。表示矩阵P的历史信息的集合。将密集二维卷积神经网络的输出与上一个迭代块的更新变量P
k
相加，即得到整个子块P的最终输出。完整的子块P用如下非线性映射函数表示：
[0025][0026]其中，表示第k个迭代块中子块P中的密集二维卷积神经网络所训练的非线性映射函数，表示该神经网络的参数集合；
[0027]b)子块Q用于更新基于低秩先验求解得到的网络变量结构和子块P类似，由L层密集二维卷积神经网络组成，卷积核的大小均为S
×
S，用于学习非线性映射函数每一层的输入变量依次经过一个二维卷积模块和一个线性整流函数，最后输入下一层；第一层的输入为其中上标H表示复共轭操作，是该迭代块的子块P的输出变量；表示矩阵Q的历史信息的集合；将密集二维卷积神经网络的输出与上一个迭代块的更新变量Q
k
相加，即得到整个子块Q的最终输出。完整的子块Q用如下非线性映射函数表示：
[0028][0029]其中，表示第k个迭代块中子块Q中的密集二维卷积神经网络所训练的非线性映射函数，表示该神经网络的参数集合；
[0030]c)子块S用于更新基于数据校验操作求解得到的网络变量数据校验操作用于保持中间变量和欠采样的一维磁共振采样信号的一致性，其中表示逆汉克尔算子，将矩阵转换成一维磁共振采样信号，表示填零操作。表示数据校验操作中可训练的正则化参数，其映射函数表示为：
[0031][0032]其中在索引值为n的映射函数的具体形式为：的具体形式为：
[0033][0034]d)子块O用于更新基于低秩最优化求解器求解得到的网络变量P
k+1
，Q
k+1
，其输入的变量包括本迭代块中子块Q的输出变量子块S的输出变量和欠采样的一维磁共振采样信号变量β
k
和λ
k
是可训练的正则化参数，其映射函数表示为：
[0035][0036]其表示的具体形式为：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高保真磁共振采样信号智能重建方法，其特征在于包括以下步骤：1)获取全采样的一维磁共振的采样信号，即仿真的一维磁共振波谱的时域数据或实采的一维磁共振成像的k空间数据；2)根据实际欠采样模板对未采集的数据位置进行填零操作，生成填零的一维磁共振的采样信号；3)将步骤1)的全采样信号作为人工智能网络输出，将步骤2)中的欠采样信号、欠采样模板作为网络输入，构成训练集；4)设计基于低秩模型的交替迭代深度学习网络模型、损失函数以及网络的反馈功能；5)利用步骤3)获得的训练集，对基于低秩模型的交替迭代深度学习网络的可学习参数集合进行求解，完成神经网络训练；6)将待重建的磁共振的欠采样信号输入到已训练的网络，重建完整的磁共振信号。2.如权利要求1所述一种高保真磁共振采样信号智能重建方法，其特征在于在步骤1)获取全采样的一维磁共振的采样信号，即仿真的一维磁共振波谱的时域数据或实采的一维磁共振成像的k空间数据；对于获取仿真的一维磁共振波谱的时域数据，根据指数函数模型仿真生成全采样的一维磁共振波谱的时域数据其表达式为：其中，表示长度为N的复数向量，J表示指数函数的个数；j＝1,
…
,J表示指数函数个数的索引；n＝0,
…
,N
‑
1表示一维磁共振波谱的时域数据x的采样点数的索引，Δt表示时间间隔，A
j
、φ
j
、τ
j
和f
j
分别表示第j个指数函数的幅度、相位、衰减因子和归一化频率；对于获取实采的一维多通道磁共振成像的k空间数据，首先从磁共振成像扫描仪获得全采样的多线圈磁共振成像的k空间数据其中M、Z和C分别表示频率编码维长度、相位编码维长度和通道个数；接着沿频率编码维做一维傅里叶逆变换得到多通道磁共振成像混合空间数据其中表示第m行的一维多通道磁共振成像混合空间数据；最后将多通道磁共振成像混合空间数据E沿着频率编码维拆成M个全采样的一维多通道磁共振成像的k空间数据将全采样的一维磁共振波谱的时域数据x和全采样的一维多通道磁共振成像的k空间数据K统称为全采样的一维磁共振采样信号3.如权利要求1所述一种高保真磁共振采样信号智能重建方法，其特征在于在步骤2)根据实际欠采样模板对未采集的数据位置进行填零操作，生成填零的一维磁共振的采样信号：对磁共振采样信号进行欠采样操作得到欠采样的一维磁共振采样信号具体为欠采样的一维磁共振波谱的时域数据或者欠采样的一维多通道磁共振成像的k空间数据4.如权利要求1所述一种高保真磁共振采样信号智能重建方法，其特征在于在步骤3)中，将步骤1)的全采样信号作为人工智能网络输出，将步骤2)中的欠采样信号、欠采样模板
作为网络输入，构成训练集：由全采样的一维磁共振采样信号欠采样操作和欠采样的一维磁共振采样信号组成训练集。5.如权利要求1所述的一种高保真磁共振采样信号智能重建方法，其特征在于在步骤4)中，所述基于低秩模型的交替迭代深度学习网络模型由迭代块构成，通过以串联方式叠加数个迭代块作为整个网络结构，每个迭代块由四个子块构成。6.如权利要求5所述的一种高保真磁共振采样信号智能重建方法，其特征在于单个迭代块的内部结构，由子块P、子块Q、子块S和子块O构成，依次更新变量P
k+1
，Q
k+1
，其中子块P、子块Q和子块S构成深度学习模块，子块O称为最优化模块，以第k个迭代块为例所示：a)子块P用于更新基于低秩先验求解得到的网络变量由L层密集二维卷积神经网络组成，卷积核的大小均为S
×
S，用于学习非线性映射函数每一层的输入变量依次经过一个二维卷积模块和一个线性整流函数，最后输入下一层；第一层的输入为Q
k
,其中表示汉克尔算子，其将一维磁共振采样信号转化为汉克尔矩阵；Q
k
均是上一个迭代块的输出变量，表示矩阵P的历史信息的集合，将密集二维卷积神经网络的输出与上一个迭代块的更新变量P
k
相加，即得到整个子块P的最终输出，完整的子块P用如下非线性映射函数表示：其中，表示第k个迭代块中子块P中的密集二维卷积神经网络所训练的非线性映射函数，表示该神经网络的参数集合；b)子块Q用于更新基于低秩先验求解得到的网络变量结构和子块P类似，由L层密集二维卷积神经网络组成，卷积核的大小均为S
×
S，用于学习非线性映射函数每一层的输入变量依次经过一个二维卷积模块和一个线性整流函数，最后输入下一层；第一层的输入为其中上标H表示复共轭操作，是该迭代块的子块P的输出变量；表示矩阵Q的历史信息的集合；将密集二维卷积神经网络的输出与上一个迭代块的更新变量Q
k
相加，即得到整个子块Q的最终输出；完整的子块Q用如下非线性映射函数表示：其中，表示第k个迭代块中子块Q中...

【专利技术属性】
技术研发人员：屈小波，黄奕晖，
申请(专利权)人：厦门大学，
类型：发明
国别省市：