【技术实现步骤摘要】
本专利技术涉及mri重建，尤其涉及一种深度学习mri图像加速重建方法及系统。
技术介绍
1、磁共振成像（mri）是一种无创、无辐射的医学成像技术，广泛用于临床疾病诊断、治疗和筛查。因为mri需要多次的射频（rf）脉冲以填充k空间，与其他医学成像方式，如x射线或计算机断层扫描（ct）相比，通常需要更长的采集时间。最常用的方案是采用多线圈阵列在相位编码方向进行k空间欠采样。然而，在实际应用中，高加速系数会引起混叠干扰并降低重构图像的信噪比（snr），显著降低图像质量的同时严重影响诊断。为了提高mri图像的重建效果，人们提出了多种方法，包括部分傅里叶重建、并行成像（pi）、基于稀疏矩阵的压缩感知（cs）以及深度学习（dl）的模型。pi在加速度因子较低时表现良好，但在更高的扫描速率下出现残余混叠或噪声增强等问题。此外，基于cs的方法在加速系数变大时，容易出现模糊。
技术实现思路
1、鉴于现有技术的上述缺点、不足，本专利技术提供一种深度学习mri图像加速重建方法及系统。
2、为了达到上述目的，本专利技术采用的主要技术方案包括：
3、第一方面，本专利技术实施例提供一种深度学习mri图像加速重建方法，包括：
4、s1、获取mri扫描图像集，并对所述mri扫描图像集进行预处理，得到预处理后的mri扫描图像集；
5、s2、将预处理后的mri扫描图像集，输入到已训练好的骨干模型中，所述骨干模型输出初步的mri图像重建结果；
6、所述骨干模型依
7、s3、采用恢复模型shiftnet作为细化网络，对初步的mri图像重建结果进行细化处理，得到最终的mri图像重建结果。
8、优选地，所述预处理包括：图像增强处理、数据填充处理。
9、优选地，所述方法在s1之前还包括：
10、s0、获取初始训练数据集，并基于所述初始训练数据集，对预先获取的骨干模型进行训练，得到训练好的骨干模型。
11、优选地，所述s0具体包括：
12、s01、获取初始训练数据集，所述初始训练数据集为纽约大学fastmri initiative数据库的内部24线圈脑mri数据集；
13、所述24线圈脑mri数据集包括：多个维度的mri的图片；
14、其中，多个维度包括：时间维度、切片维度、视图维度、对比度维度、加速因子维度；
15、s02、使用基线模型caunet，采用相邻切片重建法asr对所述初始训练数据集在指定维度上进行相邻k空间的重建处理，以填充缺失的k空间数据得到重建后的初始训练数据集；
16、s03、采用预先获取的promptunet网络对重建后的初始训练数据集中的k空间域数据进行处理，得到相应的提示信息prompt；
17、所述重建后的初始训练数据集中的k空间域数据为指定的加速因子条件下的mri的图片；
18、s04、基于所述k空间域数据，以及与该k空间域数据所对应的图像域数据以及提示信息prompt，对预先获取的骨干模型进行训练，直至满足预先指定的训练结束条件，得到训练好的骨干模型；
19、所述提示信息prompt包括：提示信息的空间域数据以及提示信息的图像域数据；
20、预先指定的训练条件为：所述骨干模型的损失函数最小化。
21、优选地，预先获取的promptunet网络是由基线模型caunet扩展得到的，具体为：在基线模型caunet每个级别的upblocks分别一一对应集成用于学习输入类型提示的promptblock模块以得到提示信息prompt。
22、优选地，
23、所述骨干模型依次包括：灵敏度估计模块smeb、双域交叉注意力改进模块dcrb以及n-1个第一模块组；
24、所述灵敏度估计模块smeb，用于接收所述k空间域数据，并针对所述k空间域数据，采用以大核卷积为内核的unet网络对线圈敏感度sm进行粗略估计，得到线圈敏感度sm估计值，以及还用于将所得到的线圈敏感度sm估计值传输至与该灵敏度估计模块smeb相邻的双域交叉注意力改进模块dcrb中；
25、与该灵敏度估计模块smeb相邻的双域交叉注意力改进模块dcrb，用于接收图像域数据，并根据第一输入信息以及所接收的由该灵敏度估计模块smeb所传递的线圈敏感度sm估计值，对所述图像域数据、k空间域数据进行更新，得到更新后的图像域数据和更新后的k空间域数据，并将更新后的图像域数据、更新后的k空间域数据和所述线圈敏感度sm估计值传输至与该双域交叉注意力改进模块dcrb相邻的第一模块组中；
26、所述第一输入信息包括：提示信息的空间域数据、k空间域数据、提示信息的图像域数据；
27、所述第一模块组中的灵敏度改进模块smrb，用于基于第二输入信息和所接收到的图像域数据、k空间域数据以及线圈敏感度sm估计值，对所接收到的线圈敏感度sm估计值进行更新，得到更新后的线圈敏感度sm估计值，并将更新后的线圈敏感度sm估计值和所接收到的图像域数据、k空间域数据传输至第一模块组中的双域交叉注意力改进模块dcrb中；
28、所述第二输入信息包括k空间域数据；
29、所述第一模块组中的双域交叉注意力改进模块dcrb，用于基于第一输入信息和所接收到的图像域数据、k空间域数据以及线圈敏感度sm估计值，对所接收到的图像域数据和k空间域数据进行更新，得到更新后的图像域数据、更新后的k空间域数据，并将更新后的图像域数据、更新后的k空间域数据和所接收到的线圈敏感度sm估计值传输至相邻的下一第一模块组中。
30、优选地，
31、其中，骨干模型中的第 t+1个灵敏度改进模块smrb，采用公式（1）对所接收到的线圈敏感度sm估计值进行更新，得到更新后的线圈敏感度sm估计值；
32、所述公式（1）为：
33、；
34、其中，a*表示a的共轭转置；
35、a= mf，且m是预先设定的二进制掩码；
36、f代表傅里叶变换；
37、是骨干模型中的第t个双域交叉注意力改进模块dcrb对所接收到的图像域数据进行更新，所得到的更新后的图像域数据；
38、表示的共轭转置；
39、表示k空间域数据；
40、表示展开算子；
41、是在对接收到的线圈敏感度sm估计值进行更新时所使用到的可学习的更新步长；
42、表示第三预先设定常数；
43、骨干模型中的第t个灵敏度改进模块smrb所接收到的线圈敏感度sm估计值的正则化。
44、优选地，
45、所述骨本文档来自技高网...
【技术保护点】
1.一种深度学习MRI图像加速重建方法，其特征在于，包括：
2.根据权利要求1所述的深度学习MRI图像加速重建方法，其特征在于，所述预处理包括：图像增强处理、数据填充处理。
3.根据权利要求1所述的深度学习MRI图像加速重建方法，其特征在于，所述方法在S1之前还包括：
4.根据权利要求3所述的深度学习MRI图像加速重建方法，其特征在于，所述S0具体包括：
5.根据权利要求4所述的深度学习MRI图像加速重建方法，其特征在于，预先获取的PromptUnet网络是由基线模型CAUnet扩展得到的，具体为：在基线模型CAUnet每个级别的UpBlocks分别一一对应集成用于学习输入类型提示的PromptBlock模块以得到提示信息Prompt。
6.根据权利要求5所述的深度学习MRI图像加速重建方法，其特征在于，
7.根据权利要求6所述的深度学习MRI图像加速重建方法，其特征在于，
8.根据权利要求7所述的深度学习MRI图像加速重建方法，其特征在于，
9.根据权利要求8所述的深度学习MRI图像
10.一种深度学习MRI图像加速重建系统，其特征在于，包括：
...【技术特征摘要】
1.一种深度学习mri图像加速重建方法，其特征在于，包括：
2.根据权利要求1所述的深度学习mri图像加速重建方法，其特征在于，所述预处理包括：图像增强处理、数据填充处理。
3.根据权利要求1所述的深度学习mri图像加速重建方法，其特征在于，所述方法在s1之前还包括：
4.根据权利要求3所述的深度学习mri图像加速重建方法，其特征在于，所述s0具体包括：
5.根据权利要求4所述的深度学习mri图像加速重建方法，其特征在于，预先获取的promptunet网络是由基线模型caunet扩展得到的，具体...
【专利技术属性】
技术研发人员：张磊，齐永兴，谷双，刘建伟，关振宇，
申请(专利权)人：北京航空航天大学杭州创新研究院，
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。