基于图像生成的肺部多核制造技术

本发明专利技术提供了基于图像生成的肺部多核

【技术实现步骤摘要】
基于图像生成的肺部多核MRI人工智能重建方法


[0001]本专利技术属于成像
，具体涉及基于图像生成的肺部多核
MRI
人工智能重建方法
。

技术介绍

[0002]磁共振成像
(Magnetic Resonance Imaging,MRI)
是一种无电离辐射且非侵入性的影像技术，具有良好的组织对比度，故得到广泛应用
[MehmetSteen Moeller,Sebastianet al.Magn.Reson.Med.,2019,439:453.]。
多核
MRI
是指使用不同的原子核
(
如1H
，
129
Xe
等
)
进行成像，从而得到更全面的信息
。
例如1H MRI
可提供肺部的结构信息，超极化
129
Xe MRI
可提供肺部功能信息，如气
‑
气或气
‑
血交换功能信息
。
结合1H MRI
与
129
Xe MRI
可得到肺部通气功能的定量参数
,
这对于肺部检测具有重要意义
。
[0003]MRI
的扫描过程通常耗时较长，这个问题在多核磁共振成像中更为显著，因为它需要采集基于不同核的
MRI
数据，从而增加了成像所需的时间
。
此外，大多数超极化气体
MRI
方法需要在一次屏气中完成信号采集，长期屏气会给被测试者带来不适，尤其是对那些呼吸功能受损者
。
因此，加速多核
MRI
有重要意义
。
目前，深度学习方法在欠采样
MRI
重建领域展现出了巨大的潜力
。
基于深度学习的重建方法主要分为两类：数据驱动的端到端的深度学习重建方法与物理
/
模型驱动的展开式迭代深度学习方法
[Shanshan Wang,Taohui Xiao,Qiegen Liu,et al.,Biomed.Signal Proces.,2021
，
68:102579.]，其中，数据驱动的端到端的深度学习重建方法可从大量的训练数据中学习欠采样的
MRI
数据与全采样
MRI
数据之间的映射关系
[Taejoon Eo,Yohan Jun,Taeseong Kim,et al.,Magn.Reson.Med.,2018,80:2188
‑
2201.]；物理
/
模型驱动的展开式迭代深度学习方法考虑到
MRI
的物理知识和图像的先验知识，将传统的
MRI
重建模型
(
如压缩感知等
)
与深度学习方法相结合，利用神经网络学习重建模型的最优参数
[Bo Zhou,Jo Schlemper,Neel Dey,et al.,Med.Image Anal.,2022,81:102538.]。
然而，现有基于深度学习的肺部
MRI
重建方法通常是针对单核
MRI
数据而设计，没有利用多核
MRI
数据之间的相关性
[Caohui Duan,He Deng,Sa Xiao,et al.,Eur.Radiol.,2022,32:702
‑
713.]。
由于1H MRI
与
129
Xe MRI
反映了相似的肺部解剖结构，所提供的信息可相互补充，那么，在重建中结合1H MRI
的特征进行多核
MRI
重建，相比现有的肺部单核
MRI(
如
129
Xe MRI)
重建方法，可得到更高质量的重建图像
。

技术实现思路

[0004]本专利技术的目的在于有效利用多核
MRI
数据之间的互补信息进一步提升重建质量，提出基于图像生成的肺部多核
MRI
人工智能重建方法
。
[0005]本专利技术的上述目的通过以下技术方案实现：
[0006]基于图像生成的肺部多核
MRI
人工智能重建方法，包括如下步骤：
[0007]步骤
1、
获取训练集及测试集，其中训练集及测试集均包括多个样本组，每个样本组均包括
2D
全采样参考模态图像
、2D
全采样目标模态
k
空间数据
、
与
2D
全采样目标模态
k
空
间数据对应的
2D
欠采样目标模态
k
空间数据以及
2D
全采样目标模态图像；
[0008]步骤
2、
构建跨模态生成网络；
[0009]步骤
3、
将步骤1生成的训练集中
2D
全采样参考模态图像输入到步骤2构建跨模态生成网络中得到对应合成的全采样目标模态图像；
[0010]步骤
4、
构建
k
空间重建网络；
[0011]步骤
5、
将步骤3获得的合成的全采样目标模态图像进行二维傅里叶变换得到合成的全采样目标模态
k
空间数据，再将合成的全采样目标模态
k
空间数据与步骤1生成的训练集中的
2D
欠采样目标模态
k
空间数据进行通道拼接操作，得到的联合
k
空间数据输入到步骤4构建的
k
空间重建网络中得到对应重建的目标模态
k
空间数据；
[0012]步骤
6、
构建图像域重建网络；
[0013]步骤
7、
将步骤5获得的重建的目标模态
k
空间数据进行二维傅里叶反变换得到重建的目标模态图像域数据，再将重建的目标模态图像域数据与步骤3获得的合成的全采样目标模态图像进行通道拼接操作，得到的联合图像数据输入到步骤6构建的图像域重建网络中得到对应最终重建的目标模态图像；
[0014]步骤
8、
设定总损失函数；
[0015]步骤
9、
根据步骤8设定的总损失函数，对跨模态生成网络，
k
空间重建网络及图像域重建网络进行训练，并保存所有网络的参数；
[0016]步骤
10、
将步骤1生成的测试集中
2D
全采样参考模态图像，
2D
欠采样目标模态
k
空间数据输入到步骤9训练完成的网络中，获得测试最终重建的目标模态图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于图像生成的肺部多核
MRI
人工智能重建方法，其特征在于，包括如下步骤：步骤
1、
获取训练集及测试集，其中训练集及测试集均包括多个样本组，每个样本组均包括
2D
全采样参考模态图像
、2D
全采样目标模态
k
空间数据
、
与
2D
全采样目标模态
k
空间数据对应的
2D
欠采样目标模态
k
空间数据以及
2D
全采样目标模态图像；步骤
2、
构建跨模态生成网络；步骤
3、
将步骤1生成的训练集中
2D
全采样参考模态图像输入到步骤2构建跨模态生成网络中得到对应合成的全采样目标模态图像；步骤
4、
构建
k
空间重建网络；步骤
5、
将步骤3获得的合成的全采样目标模态图像进行二维傅里叶变换得到合成的全采样目标模态
k
空间数据，再将合成的全采样目标模态
k
空间数据与步骤1生成的训练集中
2D
欠采样目标模态
k
空间数据进行通道拼接操作，得到的联合
k
空间数据输入到步骤4构建的
k
空间重建网络中得到对应重建的目标模态
k
空间数据；步骤
6、
构建图像域重建网络；步骤
7、
将步骤5获得的重建的目标模态
k
空间数据进行二维傅里叶反变换得到重建的目标模态图像域数据，再将重建的目标模态图像域数据与步骤3获得的合成的全采样目标模态图像进行通道拼接操作，得到的联合图像数据输入到步骤6构建的图像域重建网络中得到对应最终重建的目标模态图像；步骤
8、
设定总损失函数；步骤
9、
根据步骤8设定的总损失函数，对跨模态生成网络，
k
空间重建网络及图像域重建网络进行训练，并保存所有网络的参数；步骤
10、
将步骤1生成的测试集中
2D
全采样参考模态图像，
2D
欠采样目标模态
k
空间数据输入到步骤9训练完成的网络中，获得测试最终重建的目标模态图像
。2.
根据权利要求1所述基于图像生成的肺部多核
MRI
人工智能重建方法，其特征在于，所述步骤1的样本组由以下步骤获得：步骤
1.1、
扫描多个志愿者获得
3D
全采样参考模态
k
空间数据，及
3D
全采样目标模态
k
空间数据；步骤
1.2、
逐层提取
3D
全采样参考模态
k
空间数据，获得多个
2D
全采样参考模态
k
空间数据，逐层提取
3D
全采样目标模态
k
空间数据，获得多个
2D
全采样目标模态
k
...

【专利技术属性】
技术研发人员：周欣，李梓萌，肖洒，王成，邓依凡，孙献平，叶朝辉，
申请(专利权)人：中国科学院精密测量科学与技术创新研究院，
类型：发明
国别省市：