[发明专利]一种基于深度学习的快速磁敏感加权成像方法

说明书

本发明公开了一种基于深度学习的快速磁敏感加权成像方法。包括以下步骤：构建欠采样GRE数据训练集，设计欠采样GRE数据重建模型，设计基于自监督学习的训练方法，欠采样GRE数据重建模型训练，使用训练得到的重建模型获得重建GRE图像，使用重建GRE图像获得SWI图像。本发明采用复值神经网络构建重建模型，可以更准确地表示GRE数据的幅度和相位信息，并采用基于自监督学习的训练方法，不需要全采样数据作为标签。

技术领域

本发明涉及磁共振成像(Magnetic Resonance Imaging，MRI)、深度学习、欠采样重建等技术领域，具体涉及一种基于深度学习的快速磁敏感加权成像方法，适用于加快磁敏感加权成像、定量磁敏感成像等基于T₂*梯度回波序列的成像速度，并提高成像质量。

背景技术

磁敏感加权成像(Susceptibility-Weighted Imaging，SWI)是一种利用组织间的磁化率差异来增强图像对比度的磁共振成像技术。与T₂*加权梯度回波(Gradient-Recalled Echo，GRE)成像相比，SWI利用相位图像进一步增强了不同磁化率组织间的对比度，可用于评估多种病理改变，包括血管畸形、肿瘤的出血或钙化、血管病变以及与铁沉积相关的神经退行性疾病(Conklin J,et al.AJNR Am J Neuroradiol,2019,40(12):2073-2080.)。由于SWI需要较长的回波时间来建立相位对比，这样会导致较长的重复时间，最终导致扫描时间过长，而过长的扫描时间很容易导致运动伪影和病人不适。因此，发展快速成像技术对提高SWI的图像质量和临床适用性具有重要意义。

并行成像和压缩感知是目前用于加速SWI的最常用方法。并行成像技术利用相控阵线圈的空间敏感度来编码空间信息，减少成像过程中的相位编码步数，从而缩短扫描时间(Deshmane A,et al.J MagnReson Imaging,2012,36(1):55-72.)。压缩感知是近年来提出的一种新的信号采集理论，它利用信号的稀疏性，在远低于奈奎斯特采样率的条件下采集不相干的信号，然后通过非线性重建算法准确地重建出原始信号(Lustig M,et al.MagnReson Med,2007,58:1182-1195.)。虽然这两种方法已经在SWI中取得成功应用，但是仍然有很多挑战限制了其广泛应用。例如，并行成像的加速倍数受到线圈数量的限制，而且会增加重建噪声，而压缩感知需要较长的重建时间和复杂的超参数选择等(Yang G,et al.IEEETrans Med Imaging,2018,37(6):1310-1321.)。

最近，深度学习尤其是卷积神经网络在欠采样MRI重建领域得到成功应用。尽管MR数据本质上是复值的，但大多数重建网络将MR数据的实部和虚部视为两个独立通道，在空间域中采用实值卷积运算。这种方式不能充分利用复数丰富的表示能力，并且不能有效保存MRI数据的相位信息(Cole E,et al.Magn Reson Med,2021,86(2):1093-1109.)。然而，相位信息对于SWI的对比机制非常重要。另外，基于深度学习的重建方法需要大量、高质量的全采样图像作为标签进行监督训练(Yaman B,et al.Magn Reson Med,2020,84:3172-3191.)。由于SWI的扫描时间很长，很难获得全采样数据用于监督训练。

基于以上分析，本发明构造了一种基于深度学习的快速SWI方法，该方法采用复值神经网络构建重建模型，并使用基于自监督学习的训练框架进行训练。与并行成像和压缩感知方法相比，本方法可以实现更高的加速倍数(≥5倍)，并且具有更好的重建质量和重建速度。

发明内容

本发明针对现有快速SWI方法中存在的上述技术问题，提出一种基于深度学习的快速磁敏感加权成像方法。

本发明的上述目的通过以下技术方案实现：

一种基于深度学习的快速磁敏感加权成像方法，包括以下步骤

步骤1、构建欠采样GRE数据的训练集；