[发明专利]基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法

权利要求书

1.一种基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，其特征在于该方法包括：

(1)获取MRI数据集，并分别变换为全采样的k空间数据，再通过采样生成降采样的k空间数据；

(2)分别采用同样方式将降采样的k空间数据和全采样的k空间数据分为低频数据和高频数据，并转换到图像域，得到降采样低频图像域数据、降采样高频图像域数据、全采样低频图像域数据和全采样高频图像域数据，其中，高频数据和低频数据的划分采用：将图像中间矩形区域作为低频数据，将剩余外围作为高频数据；

(3)构造迭代的卷积神经网络，并将网络参数随机初始化，其中，卷积神经网络的迭代次数为卷积神经网络所包括的浅层神经网络的个数；

(4)将降采样低频图像域数据和降采样高频图像域数据分别作为卷积神经网络的样本输入，进行前向传播得到低频输出和高频输出，将低频输出与全采样低频图像域数据计算得到低频图像的损失函数，将高频输出与全采样高频图像域数据计算得到高频图像的损失函数；

(5)对两个损失函数分别进行最小化处理，从而更新卷积神经网络中的网络参数；

(6)采用测试数据对更新过网络参数的卷积神经网络进行测试，当测试结果达到预设阈值时，则认为训练完成，训练完成后生成两个结构相同的卷积神经网络，一个用于重建低频k空间数据，一个用于重建高频k空间数据；

(7)将待重建MRI数据分为高频数据和低频数据，高频数据和低频数据分别通过对应的卷积神经网络重建图像，再将两个重建图像相加得到完整的重建结果。

2.根据权利要求1所述的基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，其特征在于：步骤(1)中MRI数据的变换采用傅里叶变换方式。

3.根据权利要求1所述的基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，其特征在于：步骤(2)中低频数据和高频数据到图像域的转换采用傅立叶逆变换方式。

4.根据权利要求1所述的基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，其特征在于：步骤(3)中构造的卷积神经网络具体由N个浅层神经网络相连得到，每个浅层神经网络包含：

一求取数据保真度项λ^tA^T(Ax^t-y)的层；

一求取正则化项的三层卷积层；

一保留当前层输入x^t的层，

一求和层，用于求取前面三项的和，作为当前浅层神经网络的输出，输出具体为：

其中，x表示待重建的MRI图像，x^t表示当前浅层神经网络的输入，x^t+1表示当前浅层神经网络的输出，t表示当前浅层神经网络的序号，λ为正则化参数，y为降采样的k空间数据，A为降采样傅里叶编码矩阵，K为正则化参数的个数，G_k为变换矩阵，y_k表示激活函数。

5.根据权利要求1所述的基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，其特征在于：步骤(4)中所述损失函数采用均方差计算，具体为：

其中D为训练数据集，包含N_D组数据y_s为降采样的k空间数据，x_s为对应的高质量的参考图像，t表示当前迭代次数，为每次迭代时网络中的参数，包括正则化参数λ^t，滤波参数和偏置表示从y_s开始到最后一次迭代后重建出的图像。