[发明专利]一种无监督的心脏磁共振参数定量图像重建方法

权利要求书

1.一种无监督的心脏磁共振参数定量图像重建方法，其特征在于，具体步骤如下：

(1)获取心脏磁共振降采样的K空间数据以及对应的降采样算子，生成训练样本；

(2)利用卷积神经网络学习梯度，并利用学习到的梯度搭建迭代网络框架；

(3)利用对抗网络对真实梯度和学习到的梯度的分布进行判别，并确保二者在分布上相似；

(4)利用磁共振mapping图像的稀疏性先验信息，通过卷积神经网络学习到一个稀疏正则化算子，并将该卷积神经网络称作邻近差分网络，利用稀疏正则化算子对图像进行约束；

(5)计算损失函数，并在训练样本上进行训练；

(6)基于物理模型对重建得到的图像序列进行拟合，计算mapping参数图；

(7)将上述网络框架用于新的心脏磁共振数据，进行mapping图像重建；

步骤(2)中，所述卷积网络采用UNet结构，UNet结构由四层向下卷积池化层和四层向上卷积层组成。如图2所示，每一次向下卷积池化层采用两次卷积并采用进行激活，以及一个最大值池化过程；每一次向上卷积层包括两次卷积并采用进行激活，以及向上卷积；此外，为了更多的保留经过向下卷积池化层之后的数据信息，向下卷积过程在最大值池化之前的数据作为额外的数据输入到同深度的向上卷积层。输入图像经过UNet之后输出梯度，图像在步长v的条件下经过梯度下降之后得到本次迭代过程的输出图像，亦为下次迭代过程的输入图像，以上过程称为一个迭代的子网络，如图3所示。N个迭代的子网络以集联的方式构成完整的迭代网络框架；

步骤(2)中，所述卷积网络采用UNet结构，UNet结构由四层向下卷积池化层和四层向上卷积层组成；每一次向下卷积池化层采用两次卷积并进行激活，以及一个最大值池化过程；每一次向上卷积层包括两次卷积并进行激活，以及向上卷积；此外，为了更多的保留经过向下卷积池化层之后的数据信息，向下卷积过程在最大值池化之前的数据作为额外的数据输入到同深度的向上卷积层；输入图像经过UNet之后输出梯度，图像在步长v的条件下经过梯度下降之后得到本次迭代过程的输出图像，亦为下次迭代过程的输入图像，以上过程称为一个迭代的子网络；N个迭代的子网络集联，即构成完整的迭代网络框架。

2.根据权利要求1所述的无监督的心脏磁共振参数定量图像重建方法，其特征在于，步骤(3)中所述对抗网络采用如下损失函数：

其中，A＝UFS：U是降采样算子，F是离散傅立叶变换算子，S是线圈敏感度算子；m是重建得到的图像；d是降采样的K空间训练数据；R(m)是步骤(4)中所描述的神经网络学习到的稀疏正则化算子，λ是其对λR(m)应的权重；具体来说，图像m经过线圈敏感度算子计算之后得到多线圈的图像，然后傅立叶变换F之后得到K空间域的多线圈数据，经过降采样算子U之后即得到降采样的多线圈K空间数据；目标函数中的第一项是数据保真项，用于保证重建的图像和训练数据d的一致性，第二项是步骤(4)中的稀疏正则化算子，用于保证重建图像的稀疏性。

3.根据权利要求3所述的无监督的心脏磁共振参数定量图像重建方法，其特征在于，步骤(4)中所述邻近差分网络由编码器和解码器组成，编码器是一个单独的卷积激活层，解码器是一个卷积层，解码器和编码器参数共享，差别在于解码器的核矩阵由编码器的核矩阵依次经过上下、左右翻转得到；输入图像经过编码器后的输出，即该邻近差分网络学习得到的稀疏正则化算子。

4.根据权利要求4所述的无监督的心脏磁共振参数定量图像重建方法，其特征在于，步骤(5)中，所述计算损失函数，在训练样本上进行训练，最小化这个损失函数，其中训练过程中的损失函数为：

其中，A＝uFS：U是降采样算子，F是离散傅立叶变换算子，S是线圈敏感度算子；m是重建得到的图像；d是降采样的K空间训练数据；r(m)是神经网络学习到的正则化算子，λ是其对应的权重。