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】
本专利技术涉及磁共振影像处理,具体涉及一种基于优化掩码模型的磁共振影像重建方法。
技术介绍
1、磁共振成像(magnetic resonance imaging,mri)是一种用于获取人体或物体内部结构的高分辨率三维图像的医学成像技术,通常用于诊断和评估疾病、内部损伤等。mri因其无创性,高分辨率,无辐射,安全等特性,得到了广泛的应用。磁共振快速重建是一种图像处理技术,用于提高mri图像的获取速度和图像质量。传统的磁共振快速重建方法包括部分傅里叶重建,并行成像重建以及压缩感知重建等。近年来与深度学习模型结合的磁共振重建方法作为一种新兴的重建方法,受到了广泛关注。与深度学习模型结合的磁共振重建方法主要包括基于优化掩码和基于欠采样数据重建两种方法。
2、掩码/掩模(mask)指的是在图像采集时用于选择部分k空间数据的欠采样模式。欠采样模式对加速磁共振成像采样时间有很大的影响,良好的采样模式可以在尽可能保留有效信息的同时,减少采样所需的时间,提高患者的舒适度。在mri重建中,固定掩码、随机掩码和优化掩码是三种常见的欠采样模式。传统的磁共振快速重建方法通常采用固定掩码和随机掩码的方式。大多数优化掩码的方法与深度学习方法相结合,通过特定的学习网络来确定优化后的掩码。例如,基于学习的欠采样模式优化模型(learning-basedoptimization of the under-sampling pattern,loupe)和迭代梯度采样(igs)等。固定掩码由于掩码是事先定义好的,容易导致估计误差,产生模糊或扭曲等伪影。随机
3、因此,如何改进基于深度学习的优化掩码模型的mri影像重建方法,能在降低采样时间的前提下达到较好的影像重建效果,成为目前亟待解决的问题。
技术实现思路
1、有鉴于此,本专利技术实施例提供了一种基于优化掩码模型的磁共振影像重建方法,以解决现有技术中基于深度学习的优化掩码模型在mri重建中对采样时间长、且对数据质量要求高,导致mri影像重建效率不够高的问题。
2、本专利技术实施例提供了一种基于优化掩码模型的磁共振影像重建方法,包括:
3、获取待重建的磁共振信号的k空间数据;
4、通过优化掩码对k空间数据进行采样,得到采样测量值和非采样测量值;
5、将采样测量值、非采样测量值、优化掩码和优化掩码的补集作为扩散模型的输入,得到与非采样测量值对应的非采样数据预测值;
6、根据编码矩阵的逆矩阵、采样测量值和非采样数据预测值得到待重建的磁共振信号的重建图像;
7、其中,优化掩码的获取过程包括:
8、输入样本k空间图像、加速倍速、样本数量、贝叶斯先验图像掩膜和迭代次数;
9、生成若干个掩膜样本,通过对数概率比得到软掩膜;
10、对软掩膜进行限制,得到二进制掩码;
11、将样本k空间图像进行扩展,以匹配二进制掩码;
12、根据二进制掩码对样本k空间图像进行计算,得到逆傅里叶变换计算全采样和欠采样的幅度图像;
13、根据样本k空间图像和幅度图像计算损失函数;
14、通过梯度下降法更新对数概率比的参数;
15、通过投影操作使更新的权重约束在合格范围内;
16、直至达到迭代次数,输出的掩码即为优化掩码。
17、可选地,扩散模型采用去噪扩散概率模型。
18、可选地,扩散模型的构建包括:
19、基于优化掩码的补集设置欠采样重建模型:
20、;
21、其中,为扩散模型输出的非采样数据预测值;是优化掩码m的补集;a为编码矩阵;x为待重建的磁共振信号的k空间数据;为噪声扰动。
22、可选地,扩散模型的构建还包括:
23、定义扩散过程:将高斯噪声逐渐加入到非采样测量值中。
24、可选地,扩散过程包括:
25、;
26、;
27、其中,t表示扩散步数;t∈[1,t];和为超参数。
28、可选地,超参数和的关系满足:。
29、可选地,扩散模型的训练过程包括:
30、从概率分布的训练集中进行采样,得到采样值;
31、输入优化掩码和优化掩码的补集;
32、从正态分布中采样得到随机噪声;
33、从均匀分布中采样得到扩散步数ts;
34、计算ts步概率扩散后的预测值;
35、执行梯度下降,直至达到收敛条件。
36、可选地,扩散模型的测试过程包括:
37、输入训练集、优化掩码和预测值;
38、从多元正态分布中采样得到任意预测值;
39、从s步开始的反向扩散过程中,从多元正态分布中采样得到噪声变量zs;
40、计算前一步的预测值并进行迭代更新;
41、当反向扩散步数为1时,将噪声变量zs置0,并将当前的预测结果映射回输入空间。
42、可选地,执行梯度下降的公式包括:
43、;
44、其中,表示采样噪声。
45、可选地,通过gumbel softmax采样得到软掩膜。
46、本专利技术的有益效果:
47、1.本专利技术实施例提供了一种基于优化掩码模型的磁共振影像重建方法,将数据优化后的掩码模型应用于定义在k空间上的扩散模型中,从而完成mri重建。将概率扩散模型的扩散和采样过程定义在k空间域而不是图像域,同时扩散过程以欠采样掩模为条件,使得数据一致性自然内在地包含在模型中,采样时不需要执行额外的数据一致性操作,简化了采样过程,提高了mri重建效率。
48、2.由于ddpm对噪声分布的控制更灵活,因此对于不同的欠采样模式有更好的适应性。本专利技术实施例采用的采样方法与随机采样相比,在相同的欠采样率的情况下,能够重建出更好图像质量。本专利技术实施例采用的基于ddpm的重建方法与传统的u-net重建方法相比,取得了更好的成像效果和评价指标。
本文档来自技高网...【技术保护点】
1.一种基于优化掩码模型的磁共振影像重建方法,其特征在于,包括:
2.根据权利要求1所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型采用去噪扩散概率模型。
3.根据权利要求2所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型的构建包括:
4.根据权利要求3所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型的构建还包括:
5.根据权利要求4所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散过程包括:
6.根据权利要求5所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,超参数和的关系满足:。
7.根据权利要求6所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型的训练过程包括:
8.根据权利要求7所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型的测试过程包括:
9.根据权利要求7所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,执行梯度下降的公式包括:
10.根
...【技术特征摘要】
1.一种基于优化掩码模型的磁共振影像重建方法,其特征在于,包括:
2.根据权利要求1所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型采用去噪扩散概率模型。
3.根据权利要求2所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型的构建包括:
4.根据权利要求3所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散模型的构建还包括:
5.根据权利要求4所述的基于优化掩码模型的磁共振影像重建方法,其特征在于,所述扩散过程包括:
6.根据权利要求5所述的基...
【专利技术属性】
技术研发人员:马晓鹏,李梦娇,齐亚飞,于德新,杨晓丽,
申请(专利权)人:山东大学,
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。