基于深度学习和轮廓信息的磁共振同时多层快速成像方法技术

本发明专利技术公开了基于深度学习和轮廓信息的磁共振同时多层快速成像方法，涉及磁共振医学成像技术领域；包括构建SMS重建网络；构建网络训练集所需的模拟的SMS全采样图像数据标签、K空间欠采样模板及模拟混叠SMS图像数据；并直接从MRI系统获取前瞻性SMS欠采样的K空间数据并得到对应前瞻性欠采样的混叠SMS图像数据，通过在MRI系统中装配磁兼容的深度相机获取对应被测量部位轮廓信息，最终利用SMS重建网络输出解缠绕的清晰SMS图像；通过在磁共振系统中内置深度相机，在SMS重建过程中引入轮廓信息作为重建网络的物理先验，利用轮廓信息实现SMS成像片间混叠的解耦，实现无需校准数据、无需灵敏度图的SMS快速重建。

【技术实现步骤摘要】

本专利技术涉及磁共振医学成像，具体为基于深度学习和轮廓信息的磁共振同时多层快速成像方法。

技术介绍

1、功能磁共振成像(fmr i)是一种重要的探究大脑功能的磁共振成像模式。其中，同时多层(sms)成像是fmr i常用的成像方法，sms成像具有快速、高分辨率、全脑覆盖等特点，推动fmr i进一步探索大脑功能。

2、现有的sms重建算法主要包括传统重建算法以及基于深度学习的重建算法；基于传统方法的sms重建需要预先获得校准数据，但是预先获得校准数据并生成线圈灵敏度图存在时间开销，且成像速度慢。基于深度学习的sms重建需要预先获得线圈灵敏度图作为重建网络的先验信息，需要消耗大量的计算时间和计算资源，灵敏度图的获取和存储也需要付出很大的计算代价。为此，我们提供一种基于深度学习和轮廓信息的磁共振同时多层快速成像方法，实现更快、更低计算开销的sms重建。

技术实现思路

1、本专利技术的目的在于提供了基于深度学习和轮廓信息的磁共振同时多层快速成像方法，通过在磁共振系统中内置深度相机，在基于深度学习的sms重建本文档来自技高网...

【技术保护点】

1.基于深度学习和轮廓信息的磁共振同时多层快速成像方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的基于深度学习和轮廓信息的磁共振同时多层快速成像方法，其特征在于，所述第一个U-Net深且窄，负责初步恢复输入的混叠SMS图像数据的低频信息，实现初步混叠解耦以及粗粒度的重建。第二个U-Net浅且宽，负责对初步混叠解耦以及粗粒度的重建后的图像进行细粒度的优化，恢复SMS图像中的高频信息。

3.根据权利要求1所述的基于深度学习和轮廓信息的磁共振同时多层快速成像方法，其特征在于，所述全采样SMS图像数据利用fastMR I公开数据集中多线圈大脑T2图像数据来...

【技术特征摘要】

1.基于深度学习和轮廓信息的磁共振同时多层快速成像方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的基于深度学习和轮廓信息的磁共振同时多层快速成像方法，其特征在于，所述第一个u-net深且窄，负责初步恢复输入的混叠sms图像数据的低频信息，实现初步混叠解耦以及粗粒度的重建。第二个u-net浅且宽，负责对初步混叠解耦以及粗粒度的重建后的图像进行细粒度的优化，恢复sms图像中的高频信息。

3.根据权利要求1所述的基于深度学习和轮廓信息的磁共振同时多层快速成像方法，其特征在于，所述全采样sms图像数据利用fastmr i公开数据集中多线圈大脑t2图像数据来构建：具体地，挑选并保留其中采集自3t磁共振系统且接收线圈通道数为16的.h5格式t2的k空间数据，进行反傅里叶变换，得到t2图像域数据，对其进行中心裁剪并在图像域上进行caip i位移并拼接，最后进行图像数据归一化操作得到模拟的全采样sms图像数据，并按比例划分至训练集和验证集。

4.根据权利要求3所述的基于深度学习和轮廓信息的磁共振同时多层快速成像方法，其特征在于，为匹配全采样sms图像数据获取过程中在t2图像域上进行的拼接操作，对普通单切片t2数据k空间欠采样模板...

【专利技术属性】
技术研发人员：宋梦蝶，郝小涵，张华彬，罗鹏辉，祁甫浪，
申请(专利权)人：安徽福晴医疗装备有限公司，
类型：发明
国别省市：