【技术实现步骤摘要】
一种基于对偶状态强化学习的磁共振加速扫描方法
[0001]本专利技术属于信息与通信工程
,涉及一种磁共振加速扫描方法,尤其是一种基于对偶状态强化学习的磁共振加速扫描方法。
技术介绍
[0002]磁共振成像的扫描时间即k空间填充的时间,与相位编码的数量成正比。因此可以通过从k空间采集部分相位编码(如C个)的方式缩短扫描时间。若全填充的k空间中包含P个相位(L个低频相位构成自动校准信号(Auto
‑
Calibration Signal,ACS)区域),则加速倍率定义为AF=P/C。ACS区域预定义的低频相位编码称为预选相位,在所有切片中预选相位均保持固定。对于学习算法而言,需要对M=C
‑
L个相位进行决策。
[0003]依据算法的学习类型,可将候选相位决策方法分为三种:免学习方法、切片一致学习方法和切片自适应学习方法。(1)免学习方法通过简单的随机采样或等间隔采样来确定M个候选相位。由于没有利用每个切片中L个固定相位的信息,免学习方法效果较差。(2)切片一致学习方法在包含有L个低频相位的固定ACS区域的数据集上学习以确定M个候选相位。在训练阶段完成候选相位的学习后,推理阶段的所有切片均使用相同的M个相位。(3)切片自适应学习方法则在训练过程中学习相位预测模型,并在推理过程中使用该预测模型为每个切片预测其特定的M个候选相位。该预测模型可以视为由L个固定相位组成的ACS的函数。由于不同的切片具有不同的ACS,因此对于不同的切片,模型能够预测不同的相位,所以每个切片的相位各不相 ...
【技术保护点】
【技术特征摘要】
1.一种基于对偶状态强化学习的磁共振加速扫描方法,其特征在于:包括以下步骤:步骤1、采集磁共振数据集;步骤2、对步骤1采集的磁共振数据集中待输入网络的每个数据进行预处理,得到初始可视PF状态;步骤3、构建基于对偶状态的RL框架;步骤4、构建步骤3中相位选择智能体所使用的基于DNN的相位选择网络,实现可视PF状态到奖励值的累计折扣期望Q值的映射;步骤5、构建步骤3中对偶状态感知环境所包括的基于DNN的图像重建网络,实现可视PF状态到隐DNN状态的映射;步骤6、利用步骤1建立的数据集、步骤2的预处理操作依据步骤3的基于对偶状态的RL框架进行步骤4的相位选择网络和步骤5的图像重建网络的训练;步骤7、依据所得网络模型实现推理阶段磁共振图像的加速扫描与重建。2.根据权利要求1所述的一种基于对偶状态强化学习的磁共振加速扫描方法,其特征在于:所述步骤1的磁共振数据集采集的k空间为完全扫描,采集坐标系为笛卡尔坐标系。3.根据权利要求1所述的一种基于对偶状态强化学习的磁共振加速扫描方法,其特征在于:所述步骤2的具体步骤包括:(1)首先构建包含有L个低频相位编码的ACS区域的低频k空间欠采样相位指示向量L=30,P=368;相位指示向量关于k空间中心行/列对称,包含30条全1的行/列,其余部分为0;(2)然后将相位指示向量与k空间数据相乘得到初始ACS数据,初始ACS数据与其对应的相位指示向量共同组成初始可视PF状态。4.根据权利要求1所述的一种基于对偶状态强化学习的磁共振加速扫描方法,其特征在于:所述步骤3的基于对偶状态的RL框架由相位选择智能体和对偶状态感知环境组成;其中,相位选择智能体能够基于可视PF状态空间进行逐相位循环选择,对偶状态感知环境可依据相位选择智能体的决策动作,将动作对应的相位编码添加到当前部分扫描的k空间数据中,实现基于可视PF状态空间的高效状态转移;其中,对偶状态感知环境能够将可视PF状态映射为隐DNN状态,依据隐DNN状态实现面向DNN需求的奖励R的计算,通过奖励R评价相位选择智能体选择动作的有效性。5.根据权利要求1所述的一种基于对偶状态强化学习的磁共振加速扫描方法,其特征在于:所述步骤4的具体步骤包括:(1)对步骤2所述可视PF状态中的部分扫描k空间数据进行逆傅里叶变换得到对应的部分扫描图像,将其分解为图像块,并将分解的每个图像块都映射为一维向量m=512,称为图像块向量,图像块向量具有c个,对于维度为的切片,依据步长为16可分解得到c=920;(2)对于部分扫描图像对应相位指示向量则直接映射为长度为m的一维向量,称为相位指示向量;(3)设定一个类别向量,共有922个维度为m的输入向量;为了保持部分扫描图像的空间
信息,构建位置向量然后通过相加的方式嵌入到输入向量,最终形成输入矩阵并输入N=4个Transformer编码层中进行不同类型的特征交互以预测相位编码,一个Transformer编码层依顺序包括一...
【专利技术属性】
技术研发人员:刘一鸣,庞彦伟,王建,孙学斌,何宇清,
申请(专利权)人:天津天达图治科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。