[发明专利]一种基于深度学习的K空间欠采样轨迹的方法

说明书

一种基于深度学习的K空间欠采样轨迹的方法，涉及磁共振成像，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；在高欠采样倍数的情况下，与现有的磁共振欠采样轨迹相比，按照该技术得到的欠采样轨迹进行重建后的图像无混叠伪影，能够得到最佳质量的重建图像。

技术领域

本发明涉及磁共振成像，具体涉及一种基于深度学习的K空间欠采样轨迹的方法。

背景技术

磁共振成像因其能够进行多方向断层扫描、多参数成像及无电离辐射、高软组织对比度等优点，已成为当代医学影像学中常用的诊断技术之一。

不同的采样轨迹重建出的图像质量有很大的差别，采样轨迹的设计严重影响了成像质量。目前在磁共振领域被广泛应用的采样轨迹有：笛卡尔均匀欠采、螺旋式欠采、随机欠采等。这些常用的采样轨迹在高欠采倍数的情况下会导致重建出的图像存在混叠伪影等现象。

但因为扫描时间过长，导致磁共振成像有成本较高、重建出的图像有运动伪影等问题，影响了它在临床上的广泛应用，为了解决上述技术问题，特提出一种新的技术方案。

发明内容

本发明的目的在于提供一种基于深度学习的K空间欠采样轨迹的方法，能够并行成像与压缩感知均为较有代表性的快速磁共振成像技术。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的K空间欠采样轨迹的方法，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Undersamplek-space。

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。

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。

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。

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。

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。

与现有技术相比，本发明的有益效果是：在高欠采样倍数的情况下，与现有的磁共振欠采样轨迹相比，按照该技术得到的欠采样轨迹进行重建后的图像无混叠伪影，能够得到最佳质量的重建图像。

附图说明

图1为本发明结构框图；