[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

说明书

本发明公开了一种无监督的心脏磁共振参数定量图像重建方法。本发明方法包括：获取心脏磁共振降采样K空间数据以及对应的降采样算子，生成训练样本；利用卷积神经网络搭建迭代网络框架；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，确保二者在分布上相似；利用神经网络学习正则化算子，对重建图像进行约束；计算损失函数并在训练样本上进行训练；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；将网路框架用于新的心脏磁共振数据，进行mapping重建。本方法不需要全采样的金标准数据，能高效实现心脏磁共振mapping重建的加速，且适用于多种参数mapping重建，具有临床应用价值。

技术领域

本发明属于医疗技术领域，具体涉及一种无监督的心脏磁共振参数定量图像重建方法。

背景技术

随着磁共振成像技术的发展和在临床检测种的应用，心脏磁共振(mapping)(参数定量)成像技术也越来越受到临床医生和研究工作者的重视。磁共振mapping重建通常需要多个对比度加权的图像序列，因此采集时间较长，而采取降采样算子加速一般能有效缩短采样时间。如何从降采样的K空间数据中重建出准确的mapping图像，这是一个挑战。传统的mapping重建方法分为压缩感知和物理模型拟合两个步骤，压缩感知算法通常假定重建图像是稀疏的或者低秩的，并将此作为先验信息来约束求解过程。但是这种方法在压缩感知过程中无法利用到物理模型所涵盖的先验性息。为了解决这个问题，研究人员提出了基于物理模型的mapping重建方法，将物理模型嵌入压缩感知过程，直接对mapping参数进行求解和重建。然而这种方法所能利用到的先验信息依然是有限的，并且传统方法在新的数据上进行重建时都是一个迭代求解的过程，因此会耗费很多时间，这会降低算法的临床使用价值。随着深度学习的发展，一系列基于深度学习的方法能够更有效的利用先验信息，并且大大提高方法在新的数据上的重建耗费的时间。然而在实际的应用中，基于深度学习的方法依然具有很大的挑战，最主要是：大多数基于深度学习的方法是有监督的，需要大量心脏磁共振全采样的mapping数据，而由于心脏的运动和人体的运动，这部分的数据是很难获得的。

经过对现有研究工作的调研发现，将深度学习方法适用于心脏磁共振K空间数据进行重建，可以在无监督的情况下重建得到准确的mapping图像。然而，如何利用深度学习方法进行无监督的心脏磁共振mapping重建，依然是一个开放性的挑战。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种无监督的心脏磁共振参数定量图像重建方法。

本发明提供的无监督的心脏磁共振参数定量图像重建方法，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)将网络框架用于新的心脏磁共振数据，进行mapping重建。