[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

说明书

本发明公开了一种基于深度学习和数据一致性的磁共振重建方法，涉及磁共振重建方法领域；其包括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；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，将其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，通过反向传播训练网络获得网络输入输出的映射关系；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。本发明解决了现有基于深度学习的磁共振重建方法未充分利用已采集数据且只能处理单通道导致重建性能差和稳定性差的问题，达到了实施监督，提高学习能力，从而提高重建性能的效果。

技术领域

本发明涉及磁共振重建方法领域，尤其是一种基于深度学习和数据一致性的磁共振重建方法。

背景技术

磁共振成像技术是利用氢质子的核磁共振现象进行成像的一种技术。人体内包含单数质子的原子核，例如广泛存在的氢原子核，其质子具有自旋运动。带电原子核的自旋运动，在物理上类似于单独的小磁体，而且在没有外部条件影响下这些小磁体的方向性分布是随机的。当人体置于外部磁场中时，这些小磁体将按照外部磁场的磁力线重新排列具体为在平行于或反平行于外在磁场磁力线的两个方向排列，将上述平行于外在磁场磁力线的方向称为正纵向轴，将上述反平行于外在磁场磁力线的方向称为负纵向轴，原子核只具有纵向磁化分量，该纵向磁化分量既具有方向又具有幅度；用特定频率的射频脉冲激发处于外在磁场中的原子核，使这些原子核的自旋轴偏离正纵向轴或负纵向轴产生共振，这就是磁共振现象。上述被激发原子核的自旋轴偏离正纵向轴或负纵向轴之后，原子核具有了横向磁化分量。停止发射射频脉冲后，被激发的原子核发射回波信号，将吸收的能量逐步以电磁波的形式释放出来，其相位和能级都恢复到激发前的状态，将原子核发射的回波信号经过空间编码等进一步处理即可重建图像。

近些年，以卷积神经网络为代表的深度学习在计算机视觉、语言理解等领域获得了重大进展。近两年，为了获得更高的加速比以及更好的重建效果，将深度学习的思想用于磁共振稀疏重建进而缩短扫描时间的技术不断涌现；2016年，Wang等人提出将深度学习用于磁共振稀疏重建的技术，该技术首先构造一个卷积神经网络，然后使用端到端的训练模式使得该网络能够将输入的欠采样数据转化为全采样数据，最后，将网络的输出结果作为压缩感知重建的初始值或者作为压缩感知重建的方程中新引入的正则化项，但是基于网络的重建结果仅仅作为接下来基于模型算法的正则化项，导致重建结果仍然由模型算法本身决定，不能有效的发挥网络学习的优势；该网络浅且设计过于简单，导致网络的学习能力不足，重建效果难以提高。

2017年，Dongwook Lee等人将一种具有大感受野和残差连接的卷积神经网络用于磁共振稀疏重建，该技术对于输入的多通道稀疏数据，在图像域采用端到端的训练模式，结合了U-net具有的大感受野的特性以及ResNet的残差连接来获得更好的学习效果，该技术中因未考虑已采集数据且存在对模值和相位进行单独训练带来的稳定性差的缺点，其中复数通过依赖于额外的图像分割算法，使用幅度和相位通道来处理，现有临床复杂的结构会导致算法的不确定。2017年，Chang Min Hyun等人也提出基于U-net网络进行磁共振单通道稀疏重建，同时该技术在网络训练完成后的实施阶段利用了已采样数据信息；2017年产生了网络加数据一致性层的神经网络结构，但是该结构只能处理单通道数据；综上所述现有技术中未充分利用已采集数据的信息且只能处理多通道，导致整个网络的学习能力缺乏监督信号，从而其的学习能力弱，重建性能交底以及稳定性差。因此需要一种磁共振重建方法能加强网络的学习能力并有效地提高重建性能和稳定性。

发明内容

本发明的目的在于：本发明提供了一种基于深度学习和数据一致性的磁共振重建方法，解决了现有基于深度学习的磁共振重建方法未充分利用已采集数据且只能处理单通道从而无法提升网络的学习能力导致重建性能差和稳定性差的问题。

本发明采用的技术方案如下：

一种基于深度学习和数据一致性的磁共振重建方法，包括如下步骤：