CN108535675A - 一种基于深度学习和数据自洽的磁共振多通道重建方法 - Google Patents

Abstract

本发明公开了一种基于深度学习和数据自洽的磁共振多通道重建方法，涉及磁共振重建方法领域；包括1：采集多通道全采样训练集数据，将其中的欠采样数据转换为卷褶图像作为重建网络的输入，将其中的全采样数据作为训练标记数据并基于其生成卷积核；2：输入步骤1数据，通过重复叠加的SC层、CNN网络和DC层构建的重建网络，将训练标记数据作为目标，通过反向传播训练网络参数得到重建网络输入输出的映射关系；3：将测试集数据输入重建网络进行前向传播得到未知映射数据完成磁共振的重建；解决了现有磁共振重建方法只能处理单通道数据的问题，能够获得更为稳定、精准的端到端映射关系，从根本上提高磁共振重建的质量，更明显缩短磁共振扫描的时间。

Description

一种基于深度学习和数据自洽的磁共振多通道重建方法

技术领域

本发明涉及磁共振重建方法领域，尤其是一种基于深度学习和数据自洽的磁共振多通道重建方法。

背景技术

磁共振成像技术是利用氢质子的核磁共振现象进行成像的一种技术；人体内包含单数质子的原子核，例如广泛存在的氢原子核，其质子具有自旋运动；带电原子核的自旋运动，在物理上类似于单独的小磁体，而且在没有外部条件影响下小磁体的方向性分布是随机的；当人体置于外部磁场中时，小磁体将按照外部磁场的磁力线重新排列具体为在平行于或反平行于外在磁场磁力线的两个方向排列，将上述平行于外在磁场磁力线的方向称为正纵向轴，将上述反平行于外在磁场磁力线的方向称为负纵向轴，原子核只具有纵向磁化分量，该纵向磁化分量既具有方向又具有幅度。用特定频率的射频脉冲激发处于外在磁场中的原子核，使原子核的自旋轴偏离正纵向轴或负纵向轴，产生共振，这就是磁共振现象；被激发原子核的自旋轴偏离正纵向轴或负纵向轴之后，原子核具有了横向磁化分量。停止发射射频脉冲后，被激发的原子核发射回波信号，将吸收的能量逐步以电磁波的形式释放出来，其相位和能级都恢复到激发前的状态，将原子核发射的回波信号经过空间编码等进一步处理即可重建图像。

受到磁共振物理特性及被扫描人体的限制，磁共振成像扫描需要很长的时间来采集K空间数据进行图像重建。过长的扫描时间，导致医院扫描诊断的效率较低，而且在扫描过程中容易引起病人不适。另外，较长的扫描时间，导致磁共振扫描难以处理人体运动组织，例如腹部、心脏等部位的成像。因此，并行成像技术应运而生，并行成像技术依赖于多个相控阵接收线圈，通过有效的并行成像处理算法，将欠采样的信号进行复原或者将由于欠采样导致的图像混叠解开，最终实现了更短的图像采集时间。其中1999年，K.P.Pruessmann等人提出了SENSE技术：该技术依赖于多通道相控阵线圈，将线圈灵敏度的空间编码能力与梯度脉冲的编码能力相结合，进而减少数据的采集，缩短扫描时间。SENSE技术能有效的缩短扫描时间，但也会带来图像信噪比的损失；图像扫描的加速倍数直接受到所使用的接收线圈的数目、几何结构等的影响；需要预先得到较为精确的线圈灵敏度空间分布，而错误的估计线圈灵敏度会使解卷褶质量的下降。2002年，M.A.Griswold等人提出了GRAPPA技术：GRAPPA技术同样利用多通道相控阵线圈，但不需要额外计算线圈的空间灵敏度分布，而是利用K空间数据的相关性恢复欠采样的数据；GRAPPA技术在对K空间进行欠采样的同时，会保留K空间中心的数据，这部分数据叫做ACS信号；然后，根据ACS信号计算出代表K空间数据之间相关性的卷积核；最后，使用估计出的卷积核以及已采集数据，重建欠采样的数据，进而得到完整的K空间数据即没有卷褶的图像。GRAPPA技术避免了精确的估计线圈灵敏度的空间分布，不过其重建质量也直接受到接收线圈以及卷积核的影响。2010年，MichaelLustig等人提出了基于信号域数据自洽的SPIRiT技术：该技术将欠采样K空间的重建问题定义为一个优化问题，优化的目标是保证ACS信号与欠采样信号有最好的自洽性；SPIRiT技术在K空间欠采样的同时，也需要保留K空间中心的ACS数据为全采样，不过SPIRiT技术可以兼容任意的欠采样模式；对于任意形式的K空间填充都是适用的，而且能够在求解过程中方便的融合先验知识，能够有效的提高重建的精确性；综上所述：基于数据自洽的重建方法即SPIRiT技术相对于SENSE和GRAPPA技术来说其因为需要迭代法不断重复计算因此重建时间比较长；所有的并行成像技术因其受接收线圈等因素影响导致其加速倍数都不够高。

近些年，以卷积神经网络为代表的深度学习在计算机视觉、语言理解等领域获得了重大进展；近两年，为了获得更高的加速比以及更好的重建效果，将深度学习的思想用于磁共振稀疏重建进而缩短扫描时间的技术不断涌现；基于深度学习的重建技术，采用端到端的学习方法，使用多种网络构造方法，能够提取、识别、恢复图像及数据，所使用的网络结构比较灵活。

2016年，Wang等人提出将深度学习用于磁共振稀疏重建的技术，该技术首先构造一个卷积神经网络，然后使用端到端的训练模式使得该网络能够将输入的欠采样数据转化为全采样数据，最后，将网络的输出结果作为压缩感知重建的初始值或者作为压缩感知重建的方程中新引入的正则化项。2017年，Jo Schlemper等人提出一种串联的深度学习网络模式用于磁共振稀疏重建，该技术将磁共振稀疏重建定义为图像域消除伪影的学习过程，构造的卷积神经网络能够通过训练过程学会如何消除由于欠采样而导致的图像伪影；该技术首先构造出较浅的卷积神经网络即CNN网络，然后在该网络后面添加专门设置的数据一致性层即DC层，用于提供已采样数据的信息；最后，将上述两个基本结构重复的串联起来，构造出更深的卷积网络。该技术的特点在于，把基于卷积神经网络的重建与已采样数据的一致性这两种独立的因素结合起来，构造出更为稳定、高效的网络结构。该方法能实现更快、更精准地重建。但是，该技术直接把CNN网络用于磁共振重建，因此只能处理单通道的数据，不能够处理多通道磁共振数据。

发明内容

本发明的目的在于：本发明提供了一种基于深度学习和数据自洽的磁共振多通道重建方法，解决了现有基于数据自洽的磁共振重建方法因受多种因素限制导致加速因子较低从而高倍欠采样数据处理能力低以及基于深度学习的磁共振重建方法只能处理单通道数据的问题。

本发明采用的技术方案如下：

一种基于深度学习和数据自洽的磁共振多通道重建方法，包括如下步骤：

步骤1：采集多通道全采样训练集K空间数据，将其中的欠采样K空间数据转换为卷褶图像作为重建网络的输入，将其中的全采样K空间数据作为重建网络的训练标记数据并基于全采样K空间数据生成卷积核；

步骤2：输入卷褶图像且融合欠采样K空间数据和卷积核后，通过重复叠加的SC层、CNN网络和DC层构建的重建网络，将训练标记数据作为目标，通过反向传播训练网络参数得到重建网络输入输出的映射关系；

步骤3：将欠采样测试集数据输入重建网络进行前向传播得到未知映射数据完成磁共振的重建。

优选地，所述步骤1包括如下步骤：

步骤1.1：采用多通道接收线圈采集全采样训练集K空间数据，通过人工欠采样生成欠采样K空间数据S_u，其的大小为N_x*N_y*N_c，其中，N_x代表采集数据的行数，N_y表示数据的列数，N_c代表接收通道的数目；

步骤1.2：欠采样K空间数据S_u通过傅里叶逆变换为卷褶图像I_u作为重建网络的输入，其的大小为：N_x*N_y*N_c；其中，N_x代表采集数据的行数，N_y表示数据的列数，N_c代表接收通道的数目；

步骤1.3：采集K空间中心区域的全采样K空间数据，其大小为N_a*N_y*N_c，其中，N_a为自校准数据的宽度，N_y表示数据的列数，N_c代表接收通道的数目；

步骤1.4：全采样K空间数据通过公式1：变换为公式2：x＝Gx计算卷积核G，其中，是预扫描数据中对应于网格位置处的K空间数据点，R_r为提取算子，和R_r为已知，K_ij为待求解的卷积核即G，矩阵x代表所有K空间网格上的数据点，矩阵G表示对应位置的卷积算子；

步骤1.5：将全采样K空间数据作为重建网络的训练标记数据。

优选地，所述步骤2包括如下步骤：

步骤2.1：在SC层将卷褶图像I_u通过傅立叶变换变为K空间数据，然后使用卷积核G与变换后的K空间数据卷积计算欠采样K空间数据点x，卷积公式3如下：f_sc(x)＝y＝Gx，其中，x表示K空间网格上目标点周围的所有数据，y表示K空间网格上的待计算数据，矩阵G为步骤1.4计算的卷积核；

步骤2.2：将步骤2.1求解过程转换为优化问题求解得到欠采样的K空间数据点x后通过傅里叶逆变换转换为图像即SC层输出数据I_sc；

步骤2.3：将SC层的输出数据I_sc输入CNN网络经过多个CBR单元、成对汇聚层和反汇聚层和残差连接映射输出无卷褶图像I_cnn；

步骤2.4：将无卷褶图像I_cnn输入DC层经过傅里叶变换、K空间数据一致性约束和傅里叶逆变换后完成施加数据一致性约束；

步骤2.5：将训练标记数据作为目标代入最小化损失函数即公式4：后进行反向传播训练所有网络参数建立输入输出映射关系即公式5：f(θ,X):X→Y，其中，X为已知卷褶图像，Y为已知完整图像即训练标记数据，θ为表征。

优选地，所述步骤2.4包括如下步骤：

步骤2.4.1：将无卷褶图像I_cnn通过公式6：S_cnn＝FI_cnn进行傅里叶变换转换为K空间数据S_cnn；

步骤2.4.2：将步骤2.4.1输出的K空间数据S_cnn与欠采样K空间数据S_u通过公式7：融合，其中，参数Λ为数据提取算子，权重设置为参数λ无穷大；

步骤2.4.3：将步骤2.4.2的融合数据通过公式8：I_dc＝F^-1f_dc(S_cnn,S_u,λ)傅里叶逆变换得到已完成数据一致性约束的图像域数据。

优选地，所述步骤2.3中一个CBR单元加入汇聚层，下一个CBR单元则加入反汇聚层。

优选地，所述步骤2.3中残差连接一端连接CNN网络输入即输出数据I_sc，另一端与最后一个CBR单元连接构成最终输出无卷褶图像I_cnn。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明通过将SC层、CNN网络和DC层串联组成序贯模型，实现多通道的磁共振多通道重建的同时实现快速高倍欠采样，克服了处理图像域和K空间信号域的转换、前向传播和反向传播过程要在两个域中交替进行以及多个通道的处理技术等问题，解决了现有基于深度学习的磁共振重建方法只能处理单通道数据以及基于数据自洽的磁共振重建方法加速因子较低导致高倍欠采样数据处理能力低的问题，能够有效地利用磁共振数据本身的冗余特性，获得更为稳定、精准的端到端映射关系，从根本上提高磁共振重建的质量，更明显缩短磁共振扫描的时间；

2.本发明数据自洽层即SC层同传统的卷积神经网络即CNN网络和数据一致性层即DC层组成序贯模型，相对于单个的数据自洽层，本发明序贯模型的重叠结构能够有效改善网络结构的泛化能力，提升网络训练及测试的稳定性；

3.本发明数据自洽层通过序贯方式融入整个网络结构中，共享相同的基于磁共振先验知识计算出来的K空间卷积核，该卷积核代表了K空间数据的自洽性，具有广泛适用性；

4.本发明提出的网络结构中，对其中的卷积神经网络部分引入了成对的汇聚层和反汇聚层，汇聚层能够有效的增大卷积神经网络的感受野，反汇聚层用于确保输入输出数据尺寸的一致性且将网络学习到的图像特征分配到更小的像素中，提升网络的学习能力。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明的方法流程图；

图2是本发明的卷积核生成示意图；

图3是本发明的网络结构示意图；

图4是本发明的汇聚层/反汇聚层示意图；

图5是本发明的深度学习神经网络结构示意图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合图1-5对本发明作详细说明。

实施例1

一种基于深度学习和数据自洽的磁共振多通道重建方法，包括如下步骤：

步骤1：采集多通道全采样训练集K空间数据，将其中的欠采样K空间数据转换为卷褶图像作为重建网络的输入，将其中的全采样K空间数据作为重建网络的训练标记数据并基于全采样K空间数据生成卷积核；

步骤2：输入卷褶图像且融合欠采样K空间数据和卷积核后，通过重复叠加的SC层、CNN网络和DC层构建的重建网络，将训练标记数据作为目标，通过反向传播训练网络参数得到重建网络输入输出的映射关系；

步骤3：将欠采样测试集数据输入重建网络进行前向传播得到未知映射数据完成磁共振的重建。

据图2-3所示：101/206-采集多通道欠采样K空间数据；102/207-基于全采样K空间数据计算卷积核；103/201-基于卷积核和已采集数据生成欠采样数据；104/204-基于欠采样K空间数据转换为卷褶图像；202-卷积神经CNN网络；203-基于DC层完成数据一致性约束；205-输出；本发明通过将SC层、CNN网络和DC层串联组成序贯模型，实现多通道的磁共振多通道重建的同时实现快速高倍欠采样，克服了处理图像域和K空间即信号域的转换、前向传播等问题完成权重参数等求解，通过反向传播过程输入测试集数据求解未知数据，完成数据重建；解决了现有基于深度学习的磁共振重建方法只能处理单通道数据以及基于数据自洽的磁共振重建方法加速因子较低导致高倍采样数据处理能力低的问题，实现多通道数据高倍欠采样完成磁共振重建。

实施例2

步骤1包括如下步骤：

步骤1.1：采用多通道接收线圈采集全采样训练集K空间数据，通过人工欠采样生成欠采样K空间数据S_u，其的大小为N_x*N_y*N_c，其中，N_x代表采集数据的行数，N_y表示数据的列数，N_c代表接收通道的数目；人工欠采样不需要人手动操作，可以用多种算法实现自动化操作；在训练阶段，欠采样数据都是通过全采样数据丢掉一些来生成；在测试阶段，磁共振扫描仪可以直接获取欠采样的数据；一个全采样数据只能有一个对应的欠采样数据，因此实际操作的时候获取一个全采样数据后，在此基础上人为的欠采样生成欠采样数据。

步骤1.2：欠采样K空间数据S_u通过傅里叶逆变换为卷褶图像I_u作为重建网络的输入，其的大小为：N_x*N_y*N_c；其中，N_x代表采集数据的行数，N_y表示数据的列数，N_c代表接收通道的数目；

步骤1.3：采集K空间中心区域的全采样K空间数据，其大小为N_a*N_y*N_c，其中，N_a为自校准数据的宽度，N_y表示数据的列数，N_c代表接收通道的数目；

步骤1.4：全采样K空间数据通过公式1：变换为公式2：x＝Gx计算卷积核G，其中，是预扫描数据中对应于网格位置处的K空间数据点，R_r为提取算子，和R_r为已知，K_ij为待求解的卷积核即G，矩阵x代表所有K空间网格上的数据点，矩阵G表示对应位置的卷积算子；公式2中两个矩阵x相同的情况下计算卷积核的细节如下：宏观意义：卷积核G即矩阵G为包含一系列未知数的卷积核，即待求出的未知的卷积核，公式右侧Gx表示将一个未知的卷积核同一些已知的数据x进行卷积，数学上表示就是相乘然后再相加，最后就得到了一个已知的数据x即公式左侧。通过这个过程构建一个方程，数据x中包含很多个数据点，比如超过1000个方程，而未知数的个数即卷积核内包含的未知数一般小于300个，通过求解超定方程即可得到最小二乘意义上的最优卷积核；微观意义：数据x通过卷积核G的作用最终仍然得到数据x即“自洽”，自洽代表着某一个点的数据可以通过周围的数据与某个卷积核“重新”生成，即为欠采样数据恢复的原理。

步骤1.5：将全采样K空间数据作为重建网络的训练标记数据。

步骤2包括如下步骤：

步骤2.1：在SC层将卷褶图像I_u通过傅立叶变换变为K空间数据，然后使用卷积核G与变换后的K空间数据卷积计算欠采样K空间数据点x，卷积公式3如下：f_sc(x)＝y＝Gx，其中，x表示K空间网格上目标点周围的所有数据，y表示K空间网格上的待计算数据，矩阵G为步骤1.4计算的卷积核；

步骤2.2：将步骤2.1求解过程转换为优化问题求解得到欠采样的K空间数据点x后通过傅里叶逆变换转换为图像即SC层输出数据I_sc；为了避免数据噪声和控制矫正误差，将上述求解过程转换为优化问题，如公式9：其中，参数ε用于控制自矫正阶段与数据前采样阶段的一致性；可以基于已知在优化问题中设置限制条件，则将优化问题转换为如公式10：其中R(x)代表已知信息的正规则化项，其可来自图像域也可来自K空间域，典型的正规则化项包括L2正则化如公式11：R(x)＝||x||₂，L1正则化如公式12：R(x)＝||Ψ{IFFT(x)}||₁；其中求解欠采样K空间数据通过公式3完成，公式3代表一个有约束的优化问题，能够被直接转化为无约束的拉格朗日形式即公式9的形式，在公式9后面添加一个正则化项即公式10，其中公式3转换为公式9、公式9转换为公式10以及求解过程均为数学领域现有算法，在此不做详细描述；

步骤2.3：将SC层的输出数据I_sc输入CNN网络经过多个CBR单元、成对汇聚层和反汇聚层和残差连接映射输出无卷褶图像I_cnn；一个CBR单元加入汇聚层，下一个CBR单元则加入反汇聚层；汇聚层用来把输入的图像变小，对图像进行特征压缩和特征提取，图4显示的2*2汇聚层，从左到右把输入的四个元素影射为输出的一个元素，常用的映射方式有取平均即平均汇聚或取最大值即最大值汇聚；反汇聚层等价于汇聚层的逆操作，对图像进行放大，图4显示的是2*2反汇聚层，从右到左把输入的一个元素影射为输出的四个元素，同理存在平均反汇聚和最大值反汇聚操作；残差连接一端连接CNN网络输入即输出数据I_sc，另一端与最后一个CBR单元连接构成最终输出无卷褶图像I_cnn；

步骤2.4：将无卷褶图像I_cnn输入DC层经过傅里叶变换、K空间数据一致性约束和傅里叶逆变换后完成施加数据一致性约束；

步骤2.4包括如下步骤：

步骤2.4.1：将无卷褶图像I_cnn通过公式6：S_cnn＝FI_cnn进行傅里叶变换转换为K空间数据S_cnn；

步骤2.4.2：将步骤2.4.1输出的K空间数据S_cnn与欠采样K空间数据S_u通过公式7：I_dc＝F^-1f_dc(S_cnn,S_u,λ)融合，其中，参数Λ为数据提取算子，权重设置为参数λ无穷大；

步骤2.4.3：将步骤2.4.2的融合数据通过公式8：I_dc＝F^-1f_dc(S_cnn,S_u,λ)傅里叶逆变换得到已完成数据一致性约束的图像域数据；

步骤2.5：将训练标记数据作为目标代入最小化损失函数即公式4：后进行反向传播训练所有网络参数建立输入输出映射关系即公式5：f(θ,X):X→Y，其中，X为已知卷褶图像，Y为已知完整图像即训练标记数据，θ为表征。如图5所示，一个神经网络结构包含三个层次，输入层，包含三个输入i1，i2，b1；中间层，包括h1，h2，b2；输出层，包括o1，o2；层与层之间连接的权重为标记的w1，w2；训练过程即为给定匹配的输入和输出，求解未知的权重能够将输入精确地映射为输出；反向传播：在神经网络训练阶段，给定已知的输入和输出，以最小化损失函数为目标，通过链式法则递归求解权重w参数和b参数；因此，反向传播即为通过链式法则计算参数w和b相对于损失函数的梯度确定最优的参数。

步骤3：将欠采样测试集数据输入重建网络进行前向传播得到未知映射数据完成磁共振的重建。根据图5所示，前向传播：已知权重w参数和b参数即前期训练阶段求得的，给定输入i1和i2即欠采样测试集数据，通过网络的逐层计算，得到精确的输出结果即未知映射数据完成磁共振的重建，因此前向传播即为已经完成训练的神经网络将给定的输入映射为输出的过程。

Claims (6)

1.一种基于深度学习和数据自洽的磁共振多通道重建方法，其特征在于：包括如下步骤：

步骤1：采集多通道全采样训练集K空间数据，将其中的欠采样K空间数据转换为卷褶图像作为重建网络的输入，将其中的全采样K空间数据作为重建网络的训练标记数据并基于全采样K空间数据生成卷积核；

步骤2：输入卷褶图像且融合欠采样K空间数据和卷积核后，通过重复叠加的SC层、CNN网络和DC层构建的重建网络，将训练标记数据作为目标，通过反向传播训练网络参数得到重建网络输入输出的映射关系；

步骤3：将欠采样测试集数据输入重建网络进行前向传播得到未知映射数据完成磁共振的重建。

2.根据权利要求1所述的一种基于深度学习和数据自洽的磁共振多通道重建方法，其特征在于：所述步骤1包括如下步骤：

步骤1.1：采用多通道接收线圈采集全采样训练集K空间数据，通过人工欠采样生成欠采样K空间数据S_u，其的大小为N_x*N_y*N_c，其中，N_x代表采集数据的行数，N_y表示数据的列数，N_c代表接收通道的数目；

步骤1.2：欠采样K空间数据S_u通过傅里叶逆变换为卷褶图像I_u作为重建网络的输入，其的大小为：N_x*N_y*N_c；

步骤1.3：采集K空间中心区域的全采样K空间数据，其大小为N_a*N_y*N_c，其中，N_a为自校准数据的宽度，N_y表示数据的列数，N_c代表接收通道的数目；

步骤1.4：全采样K空间数据通过公式1：变换为公式2：x＝Gx计算卷积核G，其中，是预扫描数据中对应于网格位置处的K空间数据点，R_r为提取算子，和R_r为已知，K_ij为待求解的卷积核即G，矩阵x代表所有K空间网格上的数据点，矩阵G表示对应位置的卷积算子；

步骤1.5：将全采样K空间数据作为重建网络的训练标记数据。

3.根据权利要求2所述的一种基于深度学习和数据自洽的磁共振多通道重建方法，其特征在于：所述步骤2包括如下步骤：

步骤2.1：在SC层将卷褶图像I_u通过傅立叶变换变为K空间数据，然后使用卷积核G与变换后的K空间数据卷积计算欠采样K空间数据点x，卷积公式3如下：f_sc(x)＝y＝Gx，其中，x表示K空间网格上目标点周围的所有数据，y表示K空间网格上的待计算数据，矩阵G为步骤1.4计算的卷积核；

步骤2.2：将步骤2.1求解过程转换为优化问题求解得到欠采样的K空间数据点x后通过傅里叶逆变换转换为图像即SC层输出数据I_sc；

步骤2.3：将SC层的输出数据I_sc输入CNN网络经过多个CBR单元、成对汇聚层和反汇聚层和残差连接映射输出无卷褶图像I_cnn；

步骤2.4：将无卷褶图像I_cnn输入DC层经过傅里叶变换、K空间数据一致性约束和傅里叶逆变换后完成施加数据一致性约束；

步骤2.5：将训练标记数据作为目标代入最小化损失函数即公式4：后进行反向传播训练所有网络参数建立输入输出映射关系即公式5：Λ，其中，X为已知卷褶图像，Y为已知完整图像即训练标记数据，θ为表征。

4.根据权利要求3所述的一种基于深度学习和数据自洽的磁共振多通道重建方法，其特征在于：所述步骤2.4包括如下步骤：

步骤2.4.1：将无卷褶图像I_cnn通过公式6：S_cnn＝FI_cnn进行傅里叶变换转换为K空间数据S_cnn，

步骤2.4.2：将步骤2.4.1输出的K空间数据S_cnn与欠采样K空间数据S_u通过公式7：I_dc＝F^-1f_dc(S_cnn,S_u,λ)融合，其中，参数Λ为数据提取算子，权重设置为参数λ无穷大；

步骤2.4.3：将步骤2.4.2的融合数据通过公式8：I_dc＝F^-1f_dc(S_cnn,S_u,λ)傅里叶逆变换得到已完成数据一致性约束的图像域数据。

5.根据权利要求3所述的一种基于深度学习和数据自洽的磁共振多通道重建方法，其特征在于：所述步骤2.3中一个CBR单元加入汇聚层，下一个CBR单元则加入反汇聚层。

6.根据权利要求3所述的一种基于深度学习和数据自洽的磁共振多通道重建方法，其特征在于：所述步骤2.3中残差连接一端连接CNN网络输入即输出数据I_sc，另一端与最后一个CBR单元连接构成最终输出无卷褶图像I_cnn。