CN111812569A - 一种基于深度学习的k空间欠采样轨迹的方法 - Google Patents
一种基于深度学习的k空间欠采样轨迹的方法 Download PDFInfo
- Publication number
- CN111812569A CN111812569A CN202010717644.8A CN202010717644A CN111812569A CN 111812569 A CN111812569 A CN 111812569A CN 202010717644 A CN202010717644 A CN 202010717644A CN 111812569 A CN111812569 A CN 111812569A
- Authority
- CN
- China
- Prior art keywords
- space
- image
- undersampled
- template
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000009827 uniform distribution Methods 0.000 claims abstract description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
- G01R33/4838—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective suppression or saturation of MR signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于深度学习的K空间欠采样轨迹的方法，涉及磁共振成像，该方法包括以下步骤：步骤一、准备k空间为全采样、尺寸相同的MRI重建图像数据集作为训练集，经过快速傅里叶变换到k空间域；步骤二、增加与待训练图像同样尺寸大小的权重变量作为可训练变量并初始化，初始化方式为变量中的数据符合[0,1]区间上的均匀分布；步骤三、创建阈值模板，模板尺寸同图像尺寸，模板中数据为[0,1]区间上的均匀分布；在高欠采样倍数的情况下，与现有的磁共振欠采样轨迹相比，按照该技术得到的欠采样轨迹进行重建后的图像无混叠伪影，能够得到最佳质量的重建图像。
Description
技术领域
本发明涉及磁共振成像，具体涉及一种基于深度学习的K空间欠采样轨迹的方法。
背景技术
磁共振成像因其能够进行多方向断层扫描、多参数成像及无电离辐射、高软组织对比度等优点，已成为当代医学影像学中常用的诊断技术之一。
不同的采样轨迹重建出的图像质量有很大的差别，采样轨迹的设计严重影响了成像质量。目前在磁共振领域被广泛应用的采样轨迹有：笛卡尔均匀欠采、螺旋式欠采、随机欠采等。这些常用的采样轨迹在高欠采倍数的情况下会导致重建出的图像存在混叠伪影等现象。
但因为扫描时间过长，导致磁共振成像有成本较高、重建出的图像有运动伪影等问题，影响了它在临床上的广泛应用，为了解决上述技术问题，特提出一种新的技术方案。
发明内容
本发明的目的在于提供一种基于深度学习的K空间欠采样轨迹的方法，能够并行成像与压缩感知均为较有代表性的快速磁共振成像技术。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的K空间欠采样轨迹的方法，该方法包括以下步骤：
步骤一、准备k空间为全采样、尺寸相同的MRI重建图像数据集作为训练集，经过快速傅里叶变换到k空间域；
步骤二、增加与待训练图像同样尺寸大小的权重变量作为可训练变量并初始化，初始化方式为变量中的数据符合[0,1]区间上的均匀分布；
步骤三、创建阈值模板，模板尺寸同图像尺寸，模板中数据为[0,1]区间上的均匀分布；
步骤四、将欠采样模板与输入全采样图像的k空间域进行点乘，得到欠采的k空间域，进行IFFT变换后的图像输入至全卷积神经网络Unet网络中；
步骤五、误差反向传播至初始设置的欠采样二值模板，至权重变量，更新权重值后再进行新一轮的前向传播：与全采样图像点乘，得到新的欠采样k空间数据，输入至Unet网络；
步骤六、Unet中的卷积层采用3x3大小的卷积核，激活函数为ReLU；
步骤七、以从训练好的网络中得到优化后的k空间欠采轨迹的结果Undersamplek-space。
所述的步骤二中还可以再根据所需稀疏度R，将数据范围进行放缩。
所述的步骤三中还可以将权重变量与阈值模板中的对应位置数值大小进行比较，若大于模板中数值则设为1，反之为0，进行随机亚采样，得到欠采样模板。
所述的Unet网络通过该图像与真实值图像即全采的图像之间的误差来学习。
所述的步骤六中还可以将整个网络所采用的优化方法为Adam算法。
所述的步骤中中U-net网络的输出图像即为用该欠采样轨迹重建的图像。
与现有技术相比，本发明的有益效果是：在高欠采样倍数的情况下，与现有的磁共振欠采样轨迹相比，按照该技术得到的欠采样轨迹进行重建后的图像无混叠伪影，能够得到最佳质量的重建图像。
附图说明
图1为本发明结构框图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一一种基于深度学习的K空间欠采样轨迹的方法，该方法包括以下步骤：
步骤一、准备k空间为全采样、尺寸相同的MRI重建图像数据集作为训练集，经过快速傅里叶变换到k空间域；
步骤二、增加与待训练图像同样尺寸大小的权重变量作为可训练变量并初始化，初始化方式为变量中的数据符合[0,1]区间上的均匀分布；
步骤三、创建阈值模板，模板尺寸同图像尺寸，模板中数据为[0,1]区间上的均匀分布；
步骤四、将欠采样模板与输入全采样图像的k空间域进行点乘，得到欠采的k空间域，进行IFFT变换后的图像输入至全卷积神经网络Unet网络中；
步骤五、误差反向传播至初始设置的欠采样二值模板，至权重变量，更新权重值后再进行新一轮的前向传播：与全采样图像点乘，得到新的欠采样k空间数据，输入至Unet网络；
步骤六、Unet中的卷积层采用3x3大小的卷积核，激活函数为ReLU；
步骤七、以从训练好的网络中得到优化后的k空间欠采轨迹的结果Undersamplek-space。
所述的步骤二中还可以再根据所需稀疏度R，将数据范围进行放缩。
所述的步骤三中还可以将权重变量与阈值模板中的对应位置数值大小进行比较，若大于模板中数值则设为1，反之为0，进行随机亚采样，得到欠采样模板。
所述的Unet网络通过该图像与真实值图像即全采的图像之间的误差来学习。
所述的步骤六中还可以将整个网络所采用的优化方法为Adam算法。
所述的步骤中中U-net网络的输出图像即为用该欠采样轨迹重建的图像。
在高欠采样倍数的情况下，与现有的磁共振欠采样轨迹相比，按照该技术得到的欠采样轨迹进行重建后的图像无混叠伪影，能够得到最佳质量的重建图像。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于深度学习的K空间欠采样轨迹的方法，其特征在于：该方法包括以下步骤：
步骤一、准备k空间为全采样、尺寸相同的MRI重建图像数据集作为训练集，经过快速傅里叶变换到k空间域；
步骤二、增加与待训练图像同样尺寸大小的权重变量作为可训练变量并初始化，初始化方式为变量中的数据符合[0,1]区间上的均匀分布；
步骤三、创建阈值模板，模板尺寸同图像尺寸，模板中数据为[0,1]区间上的均匀分布；
步骤四、将欠采样模板与输入全采样图像的k空间域进行点乘，得到欠采的k空间域，进行IFFT变换后的图像输入至全卷积神经网络Unet网络中；
步骤五、误差反向传播至初始设置的欠采样二值模板，至权重变量，更新权重值后再进行新一轮的前向传播：与全采样图像点乘，得到新的欠采样k空间数据，输入至Unet网络；
步骤六、Unet中的卷积层采用3x3大小的卷积核，激活函数为ReLU；
步骤七、以从训练好的网络中得到优化后的k空间欠采轨迹的结果Undersample k-space。
2.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤二中还可以再根据所需稀疏度R，将数据范围进行放缩。
3.根据权利要求1所的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤三中还可以将权重变量与阈值模板中的对应位置数值大小进行比较，若大于模板中数值则设为1，反之为0，进行随机亚采样，得到欠采样模板。
4.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的Unet网络通过该图像与真实值图像即全采的图像之间的误差来学习。
5.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤六中还可以将整个网络所采用的优化方法为Adam算法。
6.根据权利要求1所述的基于深度学习的K空间欠采样轨迹的方法，其特征在于：所述的步骤中中U-net网络的输出图像即为用该欠采样轨迹重建的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010717644.8A CN111812569A (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的k空间欠采样轨迹的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010717644.8A CN111812569A (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的k空间欠采样轨迹的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111812569A true CN111812569A (zh) | 2020-10-23 |
Family
ID=72862467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010717644.8A Pending CN111812569A (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的k空间欠采样轨迹的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111812569A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112763958A (zh) * | 2020-12-10 | 2021-05-07 | 复旦大学 | 一种基于神经网络的多次激发平面回波磁共振成像方法 |
| CN114021485A (zh) * | 2021-12-01 | 2022-02-08 | 厦门大学 | 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
| CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
| CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
| CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
| CN110916664A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于深度学习的快速磁共振图像重建方法 |
| US20200134887A1 (en) * | 2018-10-25 | 2020-04-30 | The Board Of Trustees Of The Leland Stanford Junior University | Reinforcement Learning for Online Sampling Trajectory Optimization for Magnetic Resonance Imaging |
| CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN111123183A (zh) * | 2019-12-27 | 2020-05-08 | 杭州电子科技大学 | 基于复数R2U_Net网络的快速磁共振成像方法 |
| US20200217914A1 (en) * | 2019-01-08 | 2020-07-09 | Shanghai Neusoft Medical Technology Co., Ltd. | Magnetic resonance imaging with deep neutral networks |
-
2020
- 2020-07-23 CN CN202010717644.8A patent/CN111812569A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
| CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
| US20200134887A1 (en) * | 2018-10-25 | 2020-04-30 | The Board Of Trustees Of The Leland Stanford Junior University | Reinforcement Learning for Online Sampling Trajectory Optimization for Magnetic Resonance Imaging |
| CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
| CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
| US20200217914A1 (en) * | 2019-01-08 | 2020-07-09 | Shanghai Neusoft Medical Technology Co., Ltd. | Magnetic resonance imaging with deep neutral networks |
| CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN110916664A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于深度学习的快速磁共振图像重建方法 |
| CN111123183A (zh) * | 2019-12-27 | 2020-05-08 | 杭州电子科技大学 | 基于复数R2U_Net网络的快速磁共振成像方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112763958A (zh) * | 2020-12-10 | 2021-05-07 | 复旦大学 | 一种基于神经网络的多次激发平面回波磁共振成像方法 |
| CN114021485A (zh) * | 2021-12-01 | 2022-02-08 | 厦门大学 | 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12105173B2 (en) | Self ensembling techniques for generating magnetic resonance images from spatial frequency data | |
| CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
| Kwon et al. | A parallel MR imaging method using multilayer perceptron | |
| Wen et al. | Transform learning for magnetic resonance image reconstruction: From model-based learning to building neural networks | |
| CN111047660B (zh) | 图像重建方法、装置、设备及存储介质 | |
| Hammernik et al. | Machine learning for image reconstruction | |
| Hyun et al. | Deep learning-based solvability of underdetermined inverse problems in medical imaging | |
| Pawar et al. | A deep learning framework for transforming image reconstruction into pixel classification | |
| CN111812569A (zh) | 一种基于深度学习的k空间欠采样轨迹的方法 | |
| CN112370040B (zh) | 磁共振成像方法、装置、存储介质及电子设备 | |
| CN114119791A (zh) | 一种基于交叉域迭代网络的mri欠采样图像重建方法 | |
| KR102584166B1 (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
| Ragab et al. | Compressive sensing MRI reconstruction using empirical wavelet transform and grey wolf optimizer | |
| Oh et al. | A k‐space‐to‐image reconstruction network for MRI using recurrent neural network | |
| Lv et al. | Parallel imaging with a combination of sensitivity encoding and generative adversarial networks | |
| Ouchi et al. | Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain | |
| CN117011409B (zh) | 多部位物理智能高清扩散磁共振数据生成方法 | |
| US20220198725A1 (en) | Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images | |
| WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
| US20230380714A1 (en) | Method and system for low-field mri denoising with a deep complex-valued convolutional neural network | |
| CN112116674A (zh) | 图像重建方法、装置、终端及存储介质 | |
| CN114998460B (zh) | 核磁共振图像重建的动态欠采样方法及装置 | |
| Li et al. | Highly undersampled MR image reconstruction using an improved dual-dictionary learning method with self-adaptive dictionaries | |
| CN112669400B (zh) | 基于深度学习预测和残差架构的动态mr重建方法 | |
| An et al. | A structural oriented training method for gan based fast compressed sensing mri |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201023 |