[发明专利]一种基于深度学习的K空间欠采样轨迹的方法

权利要求书

1.一种基于深度学习的K空间欠采样轨迹的方法，其特征在于：该方法包括以下步骤：

步骤一、准备k空间为全采样、尺寸相同的MRI重建图像数据集作为训练集，经过快速傅里叶变换到k空间域；

步骤二、增加与待训练图像同样尺寸大小的权重变量作为可训练变量并初始化，初始化方式为变量中的数据符合[0,1]区间上的均匀分布；

步骤三、创建阈值模板，模板尺寸同图像尺寸，模板中数据为[0,1]区间上的均匀分布；

步骤四、将欠采样模板与输入全采样图像的k空间域进行点乘，得到欠采的k空间域，进行IFFT变换后的图像输入至全卷积神经网络Unet网络中；

步骤五、误差反向传播至初始设置的欠采样二值模板，至权重变量，更新权重值后再进行新一轮的前向传播：与全采样图像点乘，得到新的欠采样k空间数据，输入至Unet网络；

步骤六、Unet中的卷积层采用3x3大小的卷积核，激活函数为ReLU；

步骤七、以从训练好的网络中得到优化后的k空间欠采轨迹的结果Undersample k-space。

2.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤二中还可以再根据所需稀疏度R，将数据范围进行放缩。

3.根据权利要求1所的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤三中还可以将权重变量与阈值模板中的对应位置数值大小进行比较，若大于模板中数值则设为1，反之为0，进行随机亚采样，得到欠采样模板。

4.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的Unet网络通过该图像与真实值图像即全采的图像之间的误差来学习。

5.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤六中还可以将整个网络所采用的优化方法为Adam算法。

6.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤中中U-net网络的输出图像即为用该欠采样轨迹重建的图像。