基于自监督学习的超极化气体肺部MRI重建方法技术

本发明专利技术公开了一种基于自监督学习的超极化气体肺部MRI重建方法。首先获取2D欠采样超极化气体MRI k空间数据作为训练集，构建联合采样自监督重建网络，然后通过设定的损失函数训练联合采样自监督重建网络；通过联合采样自监督重建网络中的采样子网络优化自监督训练过程，并使用加权损失减轻噪声与伪影对重建的影像，从而进一步提高重建质量。本发明专利技术只需欠采样磁共振影像数据作为训练集，减少收集全采样磁共振影像时的人力资源的耗费，可应用在难以获得高质量全采样磁共振影像的实际场景。完成联合采样自监督重建网络训练后，无需人工额外优化，且重建效果优异。

【技术实现步骤摘要】

本专利技术基于人工智能，具体涉及基于自监督学习的超极化气体肺部mri重建方法。

技术介绍

1、超极化气体磁共振成像(hyperpolarized gas magnetic resonance imaging,hpmri)通过提高惰性气体的极化度，将超极化气体作为造影剂，使得可以直接对肺部空腔结构进行成像。然而采样过程中超极化气体的纵向磁化矢量无法恢复，因此长时间成像容易受到噪声与伪影的影响，导致图像信噪比降低。此外，大部分超极化气体mri方法需要在一次屏气内完成，而较长的屏气时间会给受试者带来很大的负担。因此发展快速成像技术对超极化气体mri具有重要意义。

2、压缩感知(compressed sensing,cs)重建技术利用信号的稀疏性，在低于奈奎斯特采样率的条件下采集不相关信号，再通过非线性重建算法准确重建出原始信号。ajraoui等人首次将压缩感知cs应用于超极化3he肺部mri。然而，cs方法存在参数不易调整，常用稀疏变换不足以描述复杂生物组织结构，非线性重建算法计算时间长等缺点。

3、深度学习重建方法在加速超极化气体mri本文档来自技高网...

【技术保护点】

1.基于自监督学习的超极化气体肺部MRI重建方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于自监督学习的超极化气体肺部MRI重建方法，其特征在于，所述采样子网络按次序包括采样权重矩阵层，激活层，归一化层，随机矩阵变换层、二值化层和欠采样矩阵划分模块；

3.根据权利要求2所述基于自监督学习的超极化气体肺部MRI重建方法，其特征在于，所述归一化层的输出为：

4.根据权利要求2所述基于自监督学习的超极化气体肺部MRI重建方法，其特征在于，所述二值化层使用类sigmoid函数B(x)：

5.根据权利要求2所述基于自监督学习的超极化气体肺...

【技术特征摘要】

1.基于自监督学习的超极化气体肺部mri重建方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于自监督学习的超极化气体肺部mri重建方法，其特征在于，所述采样子网络按次序包括采样权重矩阵层，激活层，归一化层，随机矩阵变换层、二值化层和欠采样矩阵划分模块；

3.根据权利要求2所述基于自监督学习的超极化气体肺部mri重建方法，其特征在于，所述归一化层的输出为：

4.根据权利要求2所述基于自监督学习的超极化气体肺部mri重建方法，其特征在于，所述二值化层使用类sigmoid函数b(x)：

5.根据权利要求2所述基于自监督学习的超极化气体肺部mri重建方法，其特征在于，所述采样权重矩阵层输出采样权重矩阵、随机矩阵变换层输出随机矩阵，采样权重矩阵以及随机矩阵均与2d欠采样超极化气体mri k空间数据尺寸相同。

6.根据权利要求1所述基于自监督学习的超极化气体肺部mri重建方法，其特征在于，所述重建子网络包括二维逆傅里叶变换模块以及多个级联的残差网络，每个残差网络中依次级联...

【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：