[发明专利]基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法

摘要

本发明公开了一种基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，该方法首先准备一个数据集，包括训练数据和测试数据，训练数据用于训练网络，测试数据用于测试训练好的网络，每组数据都包含一组样本和标签，样本为将高度降采样的k空间数据分为低频数据和高频数据，分别进行填零重建得到的具有噪声和伪影的低质量的高频图像和低频图像，标签为该低质量图像对应的没有噪声与伪影的高质量MR图像。分别利用低频数据和高频数据训练出两个结构相同的网络，一个用于重建高频k空间数据，一个用于重建低频k空间数据，两个重建结果相加就是最终需要的重建结果。本发明利用更少的k空间数据，重建速度更快，图像质量更高。

主权项

1.一种基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，其特征在于该方法包括：(1)获取MRI数据集，并分别变换为全采样的k空间数据，再通过采样生成降采样的k空间数据；(2)分别采用同样方式将降采样的k空间数据和全采样的k空间数据分为低频数据和高频数据，并转换到图像域，得到降采样低频图像域数据、降采样高频图像域数据、全采样低频图像域数据和全采样高频图像域数据；(3)构造迭代的卷积神经网络，并将网络参数随机初始化，其中，卷积神经网络的迭代次数为卷积神经网络所包括的浅层神经网络的个数；(4)将降采样低频图像域数据和降采样高频图像域数据分别作为卷积神经网络的样本输入，进行前向传播得到低频输出和高频输出，将低频输出与全采样低频图像域数据计算得到低频图像的损失函数，将高频输出与全采样高频图像域数据计算得到高频图像的损失函数；(5)对两个损失函数分别进行最小化处理，从而更新卷积神经网络中的网络参数；(6)采用测试数据对更新过网络参数的卷积神经网络进行测试，当测试结果达到预设阈值时，则认为训练完成，训练完成后生成两个结构相同的卷积神经网络，一个用于重建低频k空间数据，一个用于重建高频k空间数据；(7)将待重建MRI数据分为高频数据和低频数据，高频数据和低频数据分别通过对应的卷积神经网络重建图像，再将两个重建图像相加得到完整的重建结果。