System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于医学影像处理,具体涉及一种基于分数生成模型的快速并行磁共振成像方法及系统。
技术介绍
1、并行磁共振成像(parallel magnetic resonance imaging,pmri)是一种用于加速磁共振成像(magnetic resonance imaging,mri)数据采集的技术。传统的mri采集数据时,需要对目标区域进行多次扫描,而pmri通过同时采集多个信号通道的数据来减少扫描时间,通常使用多通道接收线圈(表面线圈或阵列线圈)来接收信号。这些线圈位于患者身体周围或磁共振仪器的近距离,可以提高信号接收的灵敏度和空间选择性。每个接收线圈都可以看作一个独立的信号通道,可以同时采集不同位置的信号,从而加速扫描过程。采集的信号数据可以通过重建算法进行合成,生成最终的图像。并行磁共振成像技术的应用可以显著减少扫描时间,提高病人的舒适性和成像效率。它在临床诊断、功能性磁共振成像、扫描动态过程等领域都具有广泛的应用前景。与压缩感知相结合,并行成像可以通过在k空间中欠采样来实现进一步加速。然而,过低的采样率会导致重建图像产生严重的伪影和噪声,影响图像的质量和成像的准确性。
2、传统的并行成像算法根据重建过程中线圈灵敏度的角色分为三类:第一类方法是显式校准方法,它要求线圈灵敏度图由预扫描灵敏度图像估计。该方法基于最小均方误差的原理应用于各种k空间采样模式进行最优重建。然而,校准扫描和随后的加速成像之间的失调会导致灵敏度错误校准误差,导致图像质量下降,重建的图像中存在伪影。为了缓解这个问题,自动校准方法应用而生
3、近年来,深度学习已成为解决反问题的有效工具,并已成功地应用于并行mr成像。这些深度学习方法的基本思想是使用具有大量参数的通用深度神经网络,直接拟合从多通道欠采样k空间数据到无混叠多通道灵敏度编码图像或全采样k空间数据的映射。然而以监督学习为主的深度学习方法需要高质量的成对样本才能获得较好的重建性能。
4、最近,无监督深度学习方法,特别是深度生成模型,在学习分布方面显示出了巨大的潜力,解决了监督学习中成对样本、泛化性弱等方面的不足。
技术实现思路
1、为了解决现有技术中存在的问题,本专利技术提供一种基于分数生成模型的快速并行磁共振成像方法,能够有效泛化到不同的mri数据或场景,显著的减少采集时间从而实现更快速的成像,提供更准确更清晰的图像结果。
2、为了实现上述目的,本专利技术采用的技术方案是:一种基于分数生成模型的快速并行磁共振成像方法,包括以下步骤:
3、s1,构建核磁共振并行成像结合压缩传感理论模型,采用能量模型求解,同时引入图像和灵敏度正则化项对其解空间进行约束;
4、s2,训练图像的去噪分数匹配网络sθ(u,t)和灵敏度的去噪分数匹配网络sθ(s,t);图像去噪分数匹配网络sθ(u,t)从全采样图像加噪进行训练,灵敏度去噪分数匹配网络sθ(s,t)从估计的灵敏度图像中加噪进行训练,将k空间中心区域预估的欠采样图像us作为条件输入灵敏度去噪分数匹配网络sθ(s,t)中;
5、s3,通过图像的去噪分数匹配网络sθ(u,t)和灵敏度的去噪分数匹配网络sθ(s,t),得到图像和灵敏度后验均值和
6、s4,分别对图像和灵敏度从高斯噪声采样,生成图像和灵敏度的采样值后,利用贝叶斯理论从欠采样k空间测量值建立与图像和灵敏度之间的关系,
7、s5,利用概率分布的似然函数分别对图像和灵敏度图求梯度做梯度下降;
8、s6,循环s3-s5,确定从高斯噪声到生成图像或灵敏度图的采样步数,得到最终的mri成像。
9、进一步的,核磁共振并行成像结合压缩传感理论的模型如下:
10、
11、其中,y为欠采样k空间测量值,m是k空间的采样矩阵,s是通道灵敏度,u是的待重建核磁共振图像,是傅里叶变换;b是加性噪声;
12、采用如下能量模型求解核磁共振并行成像结合压缩传感理论的模型,分别引入图像和灵敏度正则化项对其解空间进行约束:
13、
14、其中,sl是第l个通道的灵敏度图;nc为通道总数;λ和r是正则化参数,用于平衡数据项和正则项;p(u)是核磁共振图像正则项;r(sl)是灵敏度正则项;yl为第l个通道核磁图像所对应的k空间欠采样数据;e为构建成像模型标识符;
15、先验项p(u)和通过分别训练一个基于分数网络的扩散先验模型,具体如下:
16、在贝叶斯理论框架下,并行成像的前向概率模型为:
17、
18、其后验概率分布为:
19、p(u,s|y)∝p(y|u,s)·p(u)·p(s)
20、为p(u)和·p(s)使用隐式扩散先验,即分别训练一个基于分数网络的图像扩散模型和灵敏度图扩散模型,进而能从后验分布p(y|u,s)中进行采样;p(u)和·p(s)使用预先训练的分数网络构建图像和灵敏度图的扩散模型,即图像去噪分数网络sθ(u,t)和灵敏度的去噪分数网络sθ(s,t)。
21、进一步的,分别对图像和灵敏度从高斯噪声采样,得到图像和灵敏度的采样值后,从欠采样k空间测量值建立与图像和灵敏度之间的关系包括:
22、根据分数扩散模型的逆随机微分方程及u和s的独立性,构造两个相同形式的独立的逆扩散过程,根据后验概率分布建立y,u和s之间的关系,对后验概率分布p(u,s|y)等式右边求关于u和s的分数,则有:
23、
24、
25、和分别是训练好的图像去噪分数网络sθ(u,t)和灵敏度的去噪分数网络sθ(s,t),
26、
27、
28、通过训练好的图像去噪分数网络sθ(u,t)和灵敏度的去噪分数网络sθ(s,t)计算图像和灵敏度的后验均值,分别是:
29、
30、
31、进一步的,利用概率分布的似然函数对图像和灵敏度图分别求梯度做梯度下降包括:利用和代替ut和st,则有:
32、
33、
34、假设前向加噪过程中,噪声为高斯噪声,则正向概率分布的似然函数为:
35、
36、分别对ut,st求梯度,得到:
37、
38、
39、进一步的,图像和灵敏度的逆随机微分方本文档来自技高网...
【技术保护点】
1.一种基于分数生成模型的快速并行磁共振成像方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,核磁共振并行成像结合压缩传感理论的模型如下:
3.根据权利要求1所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,分别对图像和灵敏度从高斯噪声采样,得到图像和灵敏度的采样值后,从欠采样k空间测量值建立与图像和灵敏度之间的关系包括:
4.根据权利要求3所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,利用概率分布的似然函数对图像和灵敏度图分别求梯度做梯度下降包括:利用和代替ut和St,则有:
5.根据权利要求3所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,图像和灵敏度的逆随机微分方程为:
6.根据权利要求1所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,对图像和灵敏度从高斯噪声采样时,采用祖先采样算法进行采样。
7.一种基于分数生成模型的快速并行磁共振成像系统,其特征在于,包括模型构建模块、网络训练模块、后验均值
8.一种计算机设备,其特征在于,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取所述计算机可执行程序并执行,处理器执行计算可执行程序时能实现权利要求1~6中任一项所述基于分数生成模型的快速并行磁共振成像方法。
9.一种计算机可读存储介质,其特征在于,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现如权利要求1~6中任一项所述的基于分数生成模型的快速并行磁共振成像方法。
...【技术特征摘要】
1.一种基于分数生成模型的快速并行磁共振成像方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,核磁共振并行成像结合压缩传感理论的模型如下:
3.根据权利要求1所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,分别对图像和灵敏度从高斯噪声采样,得到图像和灵敏度的采样值后,从欠采样k空间测量值建立与图像和灵敏度之间的关系包括:
4.根据权利要求3所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,利用概率分布的似然函数对图像和灵敏度图分别求梯度做梯度下降包括:利用和代替ut和st,则有:
5.根据权利要求3所述的基于分数生成模型的快速并行磁共振成像方法,其特征在于,图像和灵敏度的逆随机微分方程为:
6....
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。