压缩感知磁共振成像方法、模型训练方法及其成像装置制造方法及图纸

本申请提出一种基于压缩感知磁共振成像的模型训练方法、压缩感知磁共振成像方法、压缩感知磁共振成像装置以及计算机存储介质。所述模型训练包括：按照迭代次数建立包括对应数量迭代阶段的数据流图，其中，数据流图中的图像节点对应成像模型的每个迭代阶段的各个网络层；将磁共振成像的欠采样数据输入数据流图，获取每一迭代阶段的重建层输出的重建图像；利用重建图像和完全采样图像对数据流图中各个网络层的网络参数进行训练。通过上述模型训练方法，通过设计压缩感知磁共振成像算法迭代步骤对应的数据流图来有效地构建和训练磁共振成像的成像模型，网络参数通过训练得到，利用该成像模型以更快的计算速度得到高精度的重建磁共振图像。的重建磁共振图像。的重建磁共振图像。

【技术实现步骤摘要】
压缩感知磁共振成像方法、模型训练方法及其成像装置


[0001]本申请涉及磁共振成像
，特别是涉及一种基于压缩感知磁共振成像的模型训练方法、压缩感知磁共振成像方法、压缩感知磁共振成像装置以及计算机存储介质。

技术介绍

[0002]磁共振成像（MRI）是一种非侵入性成像技术，为临床诊断提供了功能及解剖学信息。成像速度是一个基本的挑战，快速磁共振成像技术本质上是为了加速数据采集，同时仍然重建出高质量的图像。在磁共振成像中用到的压缩感知（CS），是对一大类方法的统称，其基于在空间的半随机、不完整采样，来实现图像数据的扫描加速，利用傅立叶变换和给中间过程图像设置阈值，最终的图像是通过一系列迭代过程得到的。
[0003]现有技术的技术方案是一种用ADMM算法求解CS
‑
MRI模型的方法。为优化CS
‑
MRI模型，交替方向乘子法（ADMM）被证明是一种有效的、带收敛保证的变量分离算法，该算法考虑给定CS
‑
MRI模型的增广拉格朗日函数，并将变量分成几个子组，这些子组可以通过求解几个简单的子问题来进行交替优化。
[0004]然而，这其中还涉及到很多参数选择的问题，如变换矩阵、收缩函数、罚参数和更新率等，若参数选择不当可能会较大程度上影响重建结果的精度，导致磁共振成像精度较低。

技术实现思路

[0005]为解决上述技术问题，本申请提出了一种基于压缩感知磁共振成像的模型训练方法、压缩感知磁共振成像方法、压缩感知磁共振成像装置以及计算机存储介质。<br/>[0006]为解决上述技术问题，本申请提出了一种基于压缩感知磁共振成像的模型训练方法，所述模型训练包括：获取磁共振成像的成像模型的迭代次数；按照所述迭代次数建立包括对应数量迭代阶段的数据流图，其中，所述数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层；将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像；利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练。
[0007]其中，所述利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练，包括：利用当前迭代阶段的重建层输出的当前重建图像和完全采样图像对所述数据流图中对当前迭代阶段的网络层，和/或当前迭代阶段的前向迭代阶段的网络层的网络参数进行训练；其中，所述网络层包括：重建层、卷积层、非线性变换层，和/或乘子更新层。
[0008]其中，所述将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像，包括：将所述欠采样数据输入所述数据流图中的重建层；获取上一迭代阶段的非线性变换图像和更新乘子；利用上一迭代阶段的非线性变换图像和更新乘子，以及当前迭代阶段的重建层中待训练的过滤器参数和/或罚参数，对所述欠采样数据进行重建，获取当前迭代阶段的重建图像。
[0009]其中，所述获取当前迭代阶段的重建图像之后，所述模型训练方法还包括：将所述当前迭代阶段的重建图像输入所述当前迭代阶段的卷积层；利用所述当前迭代阶段的卷积层中待训练的过滤矩阵，将所述重建图像转换到变换域，得到变换域图像。
[0010]其中，所述将所述重建图像转换到变换域，得到变换域图像之后，所述模型训练方法还包括：将所述当前迭代阶段的变换域图像输入所述当前迭代阶段的非线性变换层；利用所述当前迭代阶段的非线性变换层中待训练的分段线性函数，将所述变换域图像进行非线性变换，得到非线性变换图像。
[0011]其中，所述分段线性函数由一组待训练的控制点决定，其中，所述控制点中的第一控制点为预先定义的均匀分布点，第二控制点为当前迭代阶段的过滤器在所述均匀分布点上对应的值。
[0012]其中，所述将所述变换域图像进行非线性变换，得到非线性变换图像之后，所述模型训练方法还包括：将所述当前迭代阶段的非线性变换图像和变换域图像输入所述当前迭代阶段的乘子更新层；利用所述当前迭代阶段的乘子更新层中待训练的更新率，获取更新的拉格朗日乘子。
[0013]为解决上述技术问题，本申请还提出一种压缩感知磁共振成像方法，所述压缩感知磁共振成像方法包括：将磁共振成像数据输入预先训练的磁共振成像的成像模型；利用所述成像模型获取所述磁共振成像数据的重建图像；其中，所述成像模型中各网络层的网络参数通过上述模型训练方法训练所得。
[0014]为解决上述技术问题，本申请还提出一种压缩感知磁共振成像装置，所述压缩感知磁共振成像装置包括存储器以及与所述存储器耦接的处理器；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如上述的模型训练方法，和/或压缩感知磁共振成像方法。
[0015]为解决上述技术问题，本申请还提出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，所述程序数据在被计算机执行时，用以实现上述的模型训练方法，和/或压缩感知磁共振成像方法。
[0016]与现有技术相比，本申请的有益效果是：压缩感知磁共振成像装置获取磁共振成像的成像模型的迭代次数；按照所述迭代次数建立包括对应数量迭代阶段的数据流图，其
中所述数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层；将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像；利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练。通过上述模型训练方法，通过设计压缩感知磁共振成像算法迭代步骤对应的数据流图来有效地构建和训练磁共振成像的成像模型，网络参数通过训练得到，利用该成像模型以更快的计算速度得到高精度的重建磁共振图像。
附图说明
[0017]为了更清楚地说明本申请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申请的一些实施例，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：图1是本申请提供的基于压缩感知磁共振成像的模型训练方法一实施例的流程示意图；图2是本申请提供的数据流图一实施例的框架示意图；图3是本申请提供的数据流图具体实施例的框架示意图；图4是本申请提供的基于压缩感知磁共振成像的模型训练方法另一实施例的流程示意图；图5是本申请提供的由一组控制点决定的分段线性函数的示意图；图6是本申请提供的压缩感知磁共振成像方法一实施例的流程示意图；图7是本申请提供的压缩感知磁共振成像装置的一实施例的结构示意图；图8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
[0018]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的所有其他实施例，都属于本申请保护的范围。
[0019]本申请的说明书和权利要求书及上述附图中的术语“第一”、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩感知磁共振成像的模型训练方法，其特征在于，所述模型训练包括：获取磁共振成像的成像模型的迭代次数；按照所述迭代次数建立包括对应数量迭代阶段的数据流图，其中，所述数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层；将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像；利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练。2.根据权利要求1所述的模型训练方法，其特征在于，所述利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练，包括：利用当前迭代阶段的重建层输出的当前重建图像和完全采样图像对所述数据流图中对当前迭代阶段的网络层，和/或当前迭代阶段的前向迭代阶段的网络层的网络参数进行训练；其中，所述网络层包括：重建层、卷积层、非线性变换层，和/或乘子更新层。3.根据权利要求2所述的模型训练方法，其特征在于，所述将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像，包括：将所述欠采样数据输入所述数据流图中的重建层；获取上一迭代阶段的非线性变换图像和更新乘子；利用上一迭代阶段的非线性变换图像和更新乘子，以及当前迭代阶段的重建层中待训练的过滤器参数和/或罚参数，对所述欠采样数据进行重建，获取当前迭代阶段的重建图像。4.根据权利要求3所述的模型训练方法，其特征在于，所述获取当前迭代阶段的重建图像之后，所述模型训练方法还包括：将所述当前迭代阶段的重建图像输入所述当前迭代阶段的卷积层；利用所述当前迭代阶段的卷积层中待训练的过滤矩阵，将所述重建图像转换到变换域，得到变换域图像。5.根据权利要求4所述的模型训练方法，其特征在于，所述将所述重建图像转换...

【专利技术属性】
技术研发人员：殷俊，耿嘉诚，王康，陈波扬，刘德龙，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：