基于磁共振指纹快速成像和深度学习模型的图像重建方法技术

本申请提供了一种基于磁共振指纹快速成像和深度学习模型的图像重建方法、设备以及存储介质。该图像重建方法包括：获取磁共振指纹成像数据集，以及基于磁共振指纹成像数据集重建的磁共振图像；提取磁共振图像的驰豫特征；基于磁共振图像的驰豫特征以及磁共振图像的时间信息构建基于部分可观察马尔可夫决策过程的映射函数；利用深度强化学习模型求解映射函数，并从求解结果中选择优化轨迹，用于磁共振指纹成像的图像重建。本申请通过将磁共振图像重建映射转化为部分可观察的马尔可夫决策过程求解，提高了在高倍速映射下对K空间信息的利用，使模型学习过程中学到更加丰富的细节信息，减少重建后图像细节的丢失，使得磁共振指纹成像在高倍速重建具有更好的效果。指纹成像在高倍速重建具有更好的效果。指纹成像在高倍速重建具有更好的效果。

【技术实现步骤摘要】
基于磁共振指纹快速成像和深度学习模型的图像重建方法


[0001]本申请涉及磁共振成像
，特别是涉及一种基于磁共振指纹快速成像和深度学习模型的图像重建方法、设备以及存储介质。

技术介绍

[0002]定量MRI在检测和诊断各种疾病(包括癌症、水肿和硬化)方面具有巨大潜力。尽管其重要性早已被认识，但在临床实践中采用定量成像仍然是一个挑战，这主要是由于采集时间较长。磁共振指纹成像(MRF)是定量MRI的一种相对较新的MRI框架，可以快速、同时量化多种组织特性。与传统的定量成像方法相比，MRF技术使用伪随机采集参数，如翻转角度和TRs，获得每种组织类型的独特信号演变，并使用模板匹配方法估计组织属性值。具体地说，每个观察到的信号演化都与预先计算的MRF字典相匹配，该字典包含大量的组织属性值及其由Bloch方程模拟的相应信号演化。在模板匹配过程中，选择与观察信号相关性最高的字典条目，并检索相应的组织属性值。
[0003]磁共振指纹打印技术(MRF)是一种可以同时测量人体多个重要组织特性的定量成像技术。与传统磁共振成像技术(MRI)相比，该技术虽然大幅提高了扫描效率，但仍需要进一步加速才能转化为常规的临床实践。目前现有的大部分工作都集中在预先确定的Spiral轨迹上，利用每一个像素上的MRF信号演化来估计组织特性来设计重建的深度学习模型，而没有考虑轨迹优化问题。

技术实现思路

[0004]本申请提供了一种基于磁共振指纹快速成像和深度学习模型的图像重建方法、设备以及存储介质。
[0005]本申请提供了一种基于磁共振指纹快速成像和深度学习模型的图像重建方法，所述图像重建方法包括：
[0006]获取磁共振指纹成像数据集，以及基于所述磁共振指纹成像数据集重建的磁共振图像；
[0007]提取所述磁共振图像的驰豫特征；
[0008]基于所述磁共振图像的驰豫特征以及所述磁共振图像的时间信息构建基于部分可观察马尔可夫决策过程的映射函数；
[0009]利用深度强化学习模型求解所述映射函数，并从求解结果中选择优化轨迹，用于磁共振指纹成像的图像重建。
[0010]其中，所述基于所述磁共振指纹成像数据集重建的磁共振图像，包括：
[0011]采用非均匀快速傅里叶变换对所述磁共振指纹成像数据集进行图像重建，以得到所述磁共振图像。
[0012]其中，所述提取所述磁共振图像的驰豫特征，包括：
[0013]采用全连接神经网络将所述磁共振图像的高位信号转化为低维特征向量；
[0014]从所述低维特征向量中筛选出预设的组织属性，包括第一驰豫特征和第二驰豫特征。
[0015]其中，所述从所述低维特征向量中筛选出预设的组织属性，包括第一驰豫特征和第二驰豫特征，包括：
[0016]将互相关设置为相似性度量；
[0017]基于所述相似性度量选择观察信号在所述磁共振图像的每一个像素点最匹配的字典信号；
[0018]将所述字典信号中的第一驰豫时间分配给该像素点，以产生所述第一驰豫特征的映射；
[0019]将所述字典信号中的第二驰豫时间分配给该像素点，以产生所述第二驰豫特征的映射。
[0020]其中，所述基于所述磁共振图像的驰豫特征以及所述磁共振图像的时间信息构建基于部分可观察马尔可夫决策过程的映射函数，包括：
[0021]将所述磁共振图像的驰豫特征作为所述映射函数的输入，设置所述映射函数的输出为去混叠的图像；
[0022]在所述映射函数中引入所述时间信息，构建最终的映射函数。
[0023]其中，所述将所述磁共振图像的驰豫特征作为所述映射函数的输入，包括：
[0024]构建全采样K空间；
[0025]利用部分可观察K空间掩码掩盖所述全采样K空间，模拟出部分观察到的K空间产生的部分可观察全采样K空间；
[0026]对所述部分可观察全采样K空间进行非均匀快速傅里叶变换得到所述磁共振图像的驰豫特征。
[0027]其中，所述基于部分可观察马尔可夫决策过程的映射函数表示为：
[0028][0029]其中，为去混叠的图像，M
t
为部分可观察K空间掩码，y为全采样K空间，t表示采集过程中的时间。
[0030]其中，所述利用深度强化学习模型求解所述映射函数，包括：
[0031]利用深度强化学习模型学习求解所述映射函数的策略函数，将所述去混叠的图像以及部分可观察K空间掩码映射到动作；
[0032]每当观察到一个动作时，对所述去混叠的图像以及部分可观察K空间掩码基于时间进行更新，以观察下一个动作；
[0033]在预设时间段内，通过观察获取的一系列的动作轨迹。
[0034]本申请还提供了一种终端设备，所述终端设备包括存储器和处理器，其中，所述存储器与所述处理器耦接；
[0035]其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的图像重建方法。
[0036]本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现上述的图像重建方法。
[0037]本申请的有益效果是：终端设备获取磁共振指纹成像数据集，以及基于磁共振指纹成像数据集重建的磁共振图像；提取磁共振图像的驰豫特征；基于磁共振图像的驰豫特征以及磁共振图像的时间信息构建基于部分可观察马尔可夫决策过程的映射函数；利用深度强化学习模型求解映射函数，并从求解结果中选择优化轨迹，用于磁共振指纹成像的图像重建。本申请通过将磁共振图像重建映射转化为部分可观察的马尔可夫决策过程求解，提高了在高倍速映射下对K空间信息的利用，使模型学习过程中学到更加丰富的细节信息，减少重建后图像细节的丢失，使得磁共振指纹成像在高倍速重建具有更好的效果。
附图说明
[0038]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
[0039]图1是本申请提供的基于磁共振指纹快速成像和深度学习模型的图像重建方法一实施例的流程示意图；
[0040]图2是本申请提供的不同轴面的脑部MRF成像示意图；
[0041]图3是本申请提供的不同片层的脑部MRF成像示意图；
[0042]图4是本申请提供的腹部肝脏的MRF成像示意图；
[0043]图5是本申请提供的终端设备一实施例的结构示意图；
[0044]图6是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
[0045]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于磁共振指纹快速成像和深度学习模型的图像重建方法，其特征在于，所述图像重建方法包括：获取磁共振指纹成像数据集，以及基于所述磁共振指纹成像数据集重建的磁共振图像；提取所述磁共振图像的驰豫特征；基于所述磁共振图像的驰豫特征以及所述磁共振图像的时间信息构建基于部分可观察马尔可夫决策过程的映射函数；利用深度强化学习模型求解所述映射函数，并从求解结果中选择优化轨迹，用于磁共振指纹成像的图像重建。2.根据权利要求1所述的图像重建方法，其特征在于，所述基于所述磁共振指纹成像数据集重建的磁共振图像，包括：采用非均匀快速傅里叶变换对所述磁共振指纹成像数据集进行图像重建，以得到所述磁共振图像。3.根据权利要求1所述的图像重建方法，其特征在于，所述提取所述磁共振图像的驰豫特征，包括：采用全连接神经网络将所述磁共振图像的高位信号转化为低维特征向量；从所述低维特征向量中筛选出预设的组织属性，包括第一驰豫特征和第二驰豫特征。4.根据权利要求3所述的图像重建方法，其特征在于，所述从所述低维特征向量中筛选出预设的组织属性，包括第一驰豫特征和第二驰豫特征，包括：将互相关设置为相似性度量；基于所述相似性度量选择观察信号在所述磁共振图像的每一个像素点最匹配的字典信号；将所述字典信号中的第一驰豫时间分配给该像素点，以产生所述第一驰豫特征的映射；将所述字典信号中的第二驰豫时间分配给该像素点，以产生所述第二驰豫特征的映射。5.根据权利要求1所述的图像重建方法，其特征在于，所述基于所述磁共振图像的驰豫特征以及所述磁共振图像的时间信息构建基于部分可观察马尔可夫决策过程的映射函数，包括：将所述磁共振图像的驰豫特征作为所述映射函数的输入...

【专利技术属性】
技术研发人员：郑海荣，梁栋，刘新，王海峰，郭一凡，刘聪聪，
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：