基于深度学习的磁共振非笛卡尔采样密度补偿重建方法技术

本发明专利技术公开了基于深度学习的磁共振非笛卡尔采样密度补偿重建方法。首先获取配对的磁共振影像、非笛卡尔采样k空间数据和采样点极坐标的极角与极径作为训练集，构建密度补偿重建网络，然后通过所设定的总损失函数训练密度补偿重建网络。通过坐标卷积，将采样点极坐标3D数据与非笛卡尔采样k空间数据一起训练，使得卷积能够感知采样点位置，从而实现通过卷积网络学习密度补偿。网络训练完成后，将待处理的非笛卡尔采样k空间数据与采样点极坐标3D数据输入到训练好的密度补偿重建网络中，即可快速进行密度补偿并进行重建。本发明专利技术极大地减少了计算资源与时间的耗费，密度补偿与重建效果优异，应用时无需人工额外优化。

【技术实现步骤摘要】

本专利技术属于人工智能，具体涉及基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，适用于磁共振影像重建。

技术介绍

1、磁共振成像(magnetic resonance imaging，mri)中非笛卡尔采样(non-cartesian sampling)技术相比笛卡尔采样有很多优点，如成像速度更快，对运动和流体不敏感，具有更高的梯度功率利用效率等。

2、mri的一个很大的缺点是：在扫描期间，受试者的轻微运动(如受试者呼吸、心脏运动、血流、以及其它自主或不自主运动等)会导致扫描图像的模糊和ghost伪影，从而严重降低图像质量，影响读片以及图像自动分割和图像配准等后处理操作的准确性。由于传统的笛卡尔采样模式需要重复施加多次相位编码梯度来完全覆盖k空间，扫描时间比较长，因此特别容易受到运动的影响。而许多非笛卡尔采样具有很高的采集速度，从而在一定程度上减少了运动对成像的影响。

3、尽管非笛卡尔采样具有很多的优点，但它得不到快速推广，其中一个很大的原因就是非笛卡尔采样的重建速度不够快。因为非笛卡尔采样点并非落在笛卡尔网格点上，则传统的快速傅本文档来自技高网...

【技术保护点】

1.基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特征在于，所述密度补偿重建网络中密度补偿网络按次序包括一个输入层、多个坐标卷积块和多个k空间卷积块：

3.根据权利要求1所述基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特征在于，所述非均匀傅里叶变换使用NUFFT网格算法，将精确补偿的2D非笛卡尔采样k空间数据插值到笛卡尔网格上，然后进行傅里叶变换得到2D重建图像。

4.根据权利要求1所述基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特...

【技术特征摘要】

1.基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特征在于，所述密度补偿重建网络中密度补偿网络按次序包括一个输入层、多个坐标卷积块和多个k空间卷积块：

3.根据权利要求1所述基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特征在于，所述非均匀傅里叶变换使用nufft网格算法，将精确补偿的2d非笛卡尔采样k空间数据插值到笛卡尔网格上，然后进行傅里叶变换得到2d重建图像。

4.根据权利要求1所述基于深度学习的磁共振非...

【专利技术属性】
技术研发人员：周欣，赵翔，肖洒，孙献平，陈世桢，
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：