[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

说明书

本发明公开了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，该方法首先准备一个数据集，包括训练数据和测试数据，训练数据用于训练网络，测试数据用于测试训练好的网络，每组数据都包含一组样本和标签，样本为将高度降采样的k空间数据分为低频数据和高频数据，分别进行填零重建得到的具有噪声和伪影的低质量的高频图像和低频图像，标签为该低质量图像对应的没有噪声与伪影的高质量MR图像。分别利用低频数据和高频数据训练出两个结构相同的网络，一个用于重建高频k空间数据，一个用于重建低频k空间数据，两个重建结果相加就是最终需要的重建结果。本发明利用更少的k空间数据，重建速度更快，图像质量更高。

技术领域

本发明涉及图像处理，尤其涉及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。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)是通过体外高频磁场作用，由体内物质向周围环境辐射能量产生信号实现的，成像过程与图像重建和CT相近，与CT相比，其主要优点是：离子化放射对脑组织无放射性损害，也无生物学损害。可以直接做出横断面、矢状面、冠状面和各种斜面的体层图像，没有CT图像中那种射线硬化等伪影。显示疾病的病理过程较CT更广泛，结构更清楚。能发现CT显示完全正常的等密度病灶。但是由于生理学和硬件条件的限制，MRI的主要问题就是扫描所需的时间较长，所以目前提出了很多有效的加速成像的方法。主要为并行成像(parallel MR imaging)和基于压缩感知的磁共振成像(CS-MRI),其中CS-MRI可以利用数据某个变换域的稀疏性，从随机降采样的k空间数据中重建出高分辨率的图像。目前CS-MRI的方法中，稀疏变换主要分为两类：第一类为固定的分析变换，比如小波变换，全变差等，此类方法主要基于图像的局部信息，忽略了图像中重要的非局部性质，难以达到满意的效果。例如，无法取出MR图像中由于降采样而产生的混叠伪影或者线装伪影，还有可能在图像处理的过程中产生新的伪影部分，或是模糊图像的边缘细节信息。第二类为自适应的稀疏变换，比如字典，该方法将参考图像拆分为很多小的图像块，通过训练得到一组过完备字典(字典的列数大于行数)，然后对训练得到的过完备字典进行稀疏编码，可以表示出图像。该方法可以较好的去除图像中的噪声和伪影，但是当进一步减小采样率以加速磁共振成像速度的时候，该方法除噪和去伪影的能力明显减弱，并且图像中的细节会丢失，所以需要寻找稀疏能力更强的基来对图像进行稀疏表示。

发明内容

发明目的：本发明针对现有技术中成像慢的问题，提供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，本发明在压缩感知理论的支持下，结合深度学习，提出了使用卷积神经网络来学习图像的稀疏表示，(图像的稀疏表示是压缩感知理论用于降采样的MRI重建的关键点，图像的稀疏度越高，图像中的噪声和伪影能更好的去除，图像中的结构能更好的恢复出来。)通过少量的k空间数据(原始MRI数据)，高效地重建出质量等同于全采样情况的磁共振图像。由于一般的卷积神经网络方法重建出的图像中细节容易丢失，经实验观察是因为k空间数据中的高频信息在处理的过程中容易丢失，导致了图像上细节的丢失，于是本发明中提出了一种新的训练神经网络的方法：将降采样得到的k空间数据分为高频k空间数据和低频k空间数据(低频k空间数据决定图像域的主要的轮廓和对比度，高频k空间数据决定图像的边缘和细节信息)，然后分别训练出一个低频神经网络和高频神经网络，两个网络重建出的结果进行相加就能得到高质量的MR图像。

技术方案：本发明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；

(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；