基于孪生神经网络的自监督快速CS-MRI重建方法技术

基于孪生神经网络的自监督快速CS

【技术实现步骤摘要】
基于孪生神经网络的自监督快速CS
‑
MRI重建方法


[0001]本专利技术涉及MRI图像重建，尤其是涉及一种基于孪生神经网络的自监督快速CS
‑
MRI重建方法。

技术介绍

[0002]磁共振成像(MRI)是一种应用非常广泛的医学成像技术，具有低辐射、对软组织的分辨率高、各种参数均可成像等优点，在医学成像领域具有重要的地位。但是由于MRI成像的机制受制于奈克斯特采样频率，导致扫描时间过长，容易引起患者不适和产生运动伪影(陈军波.基于k
‑‑
空间欠采样的动态MRI重建方法研究[D].华中师范大学)。近年来，快速MRI重建备受关注，其中一个重要的方向是探索压缩感知理论的应用，称为压缩感知MRI(CS
‑
MRI)。压缩感知MRI对k空间数据进行部分采样，利用先验知识如小波稀疏性、字典学习等来实现非线性快速MRI重建，从欠采样k空间数据中恢复图像，它允许数据采样率远低于奈奎斯特率，而不显著降低图像质量，大大减少图像采集的时间(J.Sun,H.Li,Z.Xu et al.,“Deep 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于孪生神经网络的自监督快速CS
‑
MRI重建方法，其特征在于包括以下步骤：(1)CS
‑
MRI重建网络的预训练：将欠采样k空间测量值划分为两个互不相交的向量，分别为训练分量和损失分量；重建网络以训练分量作为输入，以损失分量作为约束，网络得到的输出和损失分量作一致性惩罚，通过多次按照相同的比例随机划分不同的训练分量和损失分量对重建网络进行训练，得到一个预训练完毕的CS
‑
MRI重建网络，同时保留该重建网络的参数得到一个与其完全相同的可学习孪生网络；(2)CS
‑
MRI重建网络的训练：建立孪生自监督训练网络，前后串联网络都由步骤(1)的预训练网络初始化；在训练阶段，首先采用梯度停止的方法将其中一个CS
‑
MRI重建网络的参数冻结，下称冻结网络，另一个与其完全相同的可学习孪生神经网络，下称重建网络；将采集到的欠采样k空间数据输入冻结网络，得到伪清晰MRI重建图像；再预先设置采样规则以得到的二元掩码对伪清晰MRI图像进行k空间重采样得到人工增强视图，将重采样数据输入重建网络得到MRI重建图像，对该重建的MRI图像与准确测量的k空间值施加一致性惩罚，以此优化重建网络，在重建网络的重建能力变强后替换冻结网络的参数，以此不断迭代更新，最终得到重建效果好的CS
‑
MRI重建网络；(3)CS
‑
MRI重建网络的测试：对步骤(2)训练好的CS
‑
MRI重建网络进行测试，仅使用欠采样k空间测量数据输入CS
‑
MRI重建网络，输出高清晰度和高质量的MRI重建图像。2.如权利要求1所述基于孪生神经网络的自监督快速CS
‑
MRI重建方法，其特征在于步骤(1)中，所述CS
‑
MRI重建网络的预训练，将输入的原始自然图像进行部分k空间采样得到欠采样k空间数据，将欠采样k空间数据进行初始化后通过两个对称的非线性变换模块进行稀疏化，其中前向变换F(
·
)包括两个无偏置项的线性卷积运算符，两个线性卷积运算符由一个线性整流单元ReLu分隔；第一个线性卷积运算符对应于N
f
个大小为3
×
3的滤波器，第二个线性卷积运算符对应于N
f
个大小为3
×3×
N
f
的滤波器，N
f
为特征映射的数量；在预训练阶段，对输入的自然图像进行部分k空间采样得到欠采样k空间数据，欠采样k空间数据先被分为互不相交的训练分量和损失分量，训练分量经过初始化后输入第一个线性卷积运算符，第一次提取到的特征先通过一个线性整流函数ReLu激活，再输入第二个线性卷积运算符提取特征；后向变换与前向变换F
(k)
呈对称结构，满足对称约束I为恒等式算子，k为迭代的阶段数，前向变换和后向变换中间由带有阈值θ的软阈值运算符soft(
·
)连接；训练分量先后通过两个对称的非线性变换模块进行稀疏化，整个预训练步骤共有N
p
个阶段，每个阶段对应CS
‑
MRI重建预训练网络的一次迭代，通过对每次迭代的输出与作为约束信号的损失分量做一致性惩罚来更新网络参数；对于给定的训练数据对y

【专利技术属性】
技术研发人员：丁兴号，赖灿兴，余少聪，涂晓彤，黄悦，
申请(专利权)人：厦门大学，
类型：发明
国别省市：