[发明专利]一种基于深度学习和数据一致性的磁共振重建方法

权利要求书

1.一种基于深度学习和数据一致性的磁共振重建方法，其特征在于：包括如下步骤：

步骤1：采集K空间数据并将其融入按卷积神经网络、数据一致性层顺序重复叠加组成的网络完成网络搭建；

步骤2：将K空间数据中的欠采样数据转换为卷褶图像作为已搭建网络的输入，将K空间数据中的全采样数据转换为完整图像作为已搭建网络的标记数据即输出，将标记数据作为目标通过反向传播训练网络获得网络输入输出的映射关系；

步骤3：将测试集对应图像输入已完成训练的网络进行前向传播获得输出图像完成磁共振重建。

2.根据权利要求1所述的一种基于深度学习和数据一致性的磁共振重建方法，其特征在于：所述步骤1包括如下步骤：

步骤1.1：采用多通道的接收线圈采集多通道K空间数据完成接收数据；

步骤1.2：将卷积神经网络和数据一致性层按顺序依次重复叠加组成的初步网络；

步骤1.3：将采集的多通道K空间数据融入初步网络完成网络搭建。

3.根据权利要求1所述的一种基于深度学习和数据一致性的磁共振重建方法，其特征在于：所述步骤2包括如下步骤：

步骤2.1：通过人工欠采样K空间数据获得欠采样数据即欠采样多通道K空间数据，欠采样数据大小为：N_x*N_y*N_c，其中，N_x代表欠采样数据的行数，N_y表示欠采样数据的列数，N_c代表欠采样数据接收通道的数目，K空间数据剩余区域为全采样数据；

步骤2.2：将欠采样多通道K空间数据S_u通过傅里叶变换获得其对应的多通道卷褶图像I_u，其大小为：N_x*N_y*N_c，计算如公式1所示：

I_u＝FFT[S_u]；

步骤2.3：网络中的卷积神经网络R_esu将多通道卷褶图像I_u输入分为实部和虚部转换为无卷褶图像I_ResU；

步骤2.4：将无卷褶图像I_ResU输入数据一致性层结合已采集的多通道K空间数据完成数据一致性约束得到图像I_dc；

步骤2.5：将标记数据对应的图像作为已搭建网络输出，欠采样数据对应的图像作为已搭建网络输入，通过反向传播训练网络得到网络参数从而得出输入输出的映射关系，计算如公式2如下：

其中，X_i表示网络输入即已知卷褶图像，Y_i表示网络输出即无卷褶图像，θ表示网络表征参数。

4.根据权利要求1所述的一种基于深度学习和数据一致性的磁共振重建方法，其特征在于：所述卷积神经网络包括卷积层、规范层、激活层、汇聚层、反汇聚层以及连接层。

5.根据权利要求3所述的一种基于深度学习和数据一致性的磁共振重建方法，其特征在于：所述步骤2.3包括如下步骤：

步骤2.3.1：将多通道卷褶图像I_u分为实部和虚部两个通道，计算如公式3所示：

Real_u+i*img_u＝I_u；

其中，I_u表示多通道卷褶图像，而Real_u表示I_u的实部，img_u表示I_u的虚部；

步骤2.3.2：将两个通道的数据，合成为一个通道的复数数据得到无卷褶图像I_ResU，计算如公式4所示：

Real_ResU+i*img_ResU＝I_ResU；

其中，Real_ResU表示I_ResU的实部，img_ResU表示I_ResU的虚部，I_ResU表示无卷褶图像。

6.根据权利要求3所述的一种基于深度学习和数据一致性的磁共振重建方法，其特征在于：所述步骤2.4包括如下步骤：

步骤2.4.1：将无卷褶图像I_ResU输入数据通过傅里叶变换获得K空间数据S_ResU，计算如公式5所示：

S_ResU＝FI_ResU；

步骤2.4.2：进行数据一致性约束：将K空间数据S_ResU与K空间网格上已采集数据S_u融合，计算如公式6所示：

其中，参数Λ为数据提取算子，参数λ为用于平衡图像的噪声影响的参数；

步骤2.4.3：将完成数据一致性约束的数据f_dc(S_ResU,S_u,λ)通过傅里叶逆变换将K空间数据转换为图像I_dc，计算如公式7所示：

I_dc＝F^-1f_dc(S_ResU,S_u,λ)。