[发明专利]一种基于深度学习和凸集投影的磁共振重建方法

权利要求书

1.一种基于深度学习和凸集投影的磁共振重建方法，其特征在于，包括如下步骤：

S1：根据多个卷积神经网络模块和多个凸集投影层的重叠结构以及共享数据构建网络，所述共享数据包括已采集的K空间数据和线圈灵敏度信息，所述凸集投影层基于共享数据得到；

S2：网络构建完成后，通过反向传播过程训练出所有网络参数，并对网络参数进行校验；

S3：根据检验后的网络参数确定网络的结构及运算特征，输入已知的测试集数据，进行网络的前向传播，得到未知映射数据，完成磁共振的重建；

所述S1包括如下步骤：

S1.1：采集K空间中欠采样多通道数据和自校准数据，以K空间多通道数据中的中心区域为自校准数据，除去自校准数据以外的部分是欠采样多通道数据；

S1.2：通过傅立叶逆变换生成欠采样多通道数据对应的多通道卷褶图像，将该多通道卷褶图像作为重建网络的输入；

S1.3：从自校准数据中获取多通道线圈灵敏度分布信息；

S1.4：基于多通道线圈灵敏度分布信息，通过通道合成算子把多通道卷褶图像合成为图像I_comb；

S1.5：通过卷积神经网络模块CNN1，将图像I_comb映射为没有卷褶伪影或者卷褶伪影减弱的输出图像I_{cnn 1}；

S1.6：将输出图像I_{cnn 1}传入凸集投影层POCS，在凸集投影层POCS中根据线圈灵敏度分布信息和已采集的K空间多通道数据完成凸集投影过程得到图像I_{pocs 1}；

S1.7：将图像I_{pocs 1}输入卷积神经网络模块CNN2，将图像I_{pocs 1}映射为没有卷褶伪影或者卷褶伪影减弱的输出图像I_{cnn 2}；再将图像I_{cnn 2}传入凸集投影层POCS，在凸集投影层POCS中根据线圈灵敏度分布信息和已采集的K空间多通道数据完成凸集投影过程得到图像I_{pocs 2}；

S1.8：重复S1.7，构造深层次的网络结构，共计包括N_c个CNN层和N_c个POCS层，至此，网络构建完成。

2.根据权利要求1所述的一种基于深度学习和凸集投影的磁共振重建方法，其特征在于，所述S1.1中，所述S1.3包括如下步骤：

S1.3.1：根据K空间多通道数据中的自校准数据生成校正矩阵A；

S1.3.2：对校正举证A进行奇异值分解，得到右奇异矩阵V，分解公式为：

A＝U∑V^H， (1)

其中，U为左奇异矩阵，V为右奇异矩阵，奇异值按照由大到小的顺序排列在矩阵∑的主对角线上；

S1.3.3：根据右奇异矩阵V的所有列向量构造出图像域每个空间位置上的灵敏度矩阵；

S1.3.4：对每个灵敏度矩阵进行特征值分解，获得该空间位置对应的多通道线圈灵敏度分布信息。

3.根据权利要求1所述的一种基于深度学习和凸集投影的磁共振重建方法，其特征在于，所述S1.4的合成采用的公式为：

其中，N_c为通道数目，C_i为第i个通道的线圈灵敏度，C_j^H为C_i的共轭矩阵，表示归一化的第i个通道的线圈灵敏度，为的共轭矩阵，为输入的带有卷褶的第i个通道的图像，I_comb为合成后的图像。

4.根据权利要求1所述的一种基于深度学习和凸集投影的磁共振重建方法，其特征在于，所述S1.5中的卷积神经网络模块包括多个CBR单元，每个单元至少包含1个卷积层、1个规范化层和1个非线性激活层。

5.根据权利要求4所述的一种基于深度学习和凸集投影的磁共振重建方法，其特征在于，所述卷积神经网络中还包括汇聚层和反汇聚层。