CN111932650A - 一种基于高通量深度展开网络的核磁共振图像重建方法 - Google Patents
一种基于高通量深度展开网络的核磁共振图像重建方法 Download PDFInfo
- Publication number
- CN111932650A CN111932650A CN202010794182.XA CN202010794182A CN111932650A CN 111932650 A CN111932650 A CN 111932650A CN 202010794182 A CN202010794182 A CN 202010794182A CN 111932650 A CN111932650 A CN 111932650A
- Authority
- CN
- China
- Prior art keywords
- network
- magnetic resonance
- nuclear magnetic
- resonance image
- deep
- 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 57
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 12
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
一种基于高通量深度展开网络的核磁共振图像重建方法，通过设计了一个高通量深度展开网络来进行训练和重建，该方法包括以下步骤：步骤1构造训练数据集、步骤2构造高通量深度展开网络、步骤3高通量深度展开网络训练过程、步骤4应用训练好的高通量深度展开网络进行压缩感知磁共振图像重建过程；本发明的基于高通量深度展开网络的压缩感知核磁共振成像方法可以从观测到的K空间亚采样数据中重建出高质量的核磁共振图像，具有更快的重建速度和更高的重建精度和更好的可解释性。
Description
技术领域：
本发明属于医学核磁共振成像领域，具体涉及一种基于高通量深度展开网络的核磁共振图像重建方法，用于实现从核磁共振设备采集到的K空间亚采样数据中快速重建出高质量的核磁共振图像。
背景技术：
核磁共振成像是一种非入侵的、无游离辐射的医学成像技术，广泛运用于脊椎、脑部、头颈部和软组织病变的诊断中。为了克服核磁共振成像技术中成像速度慢的缺点，引入了压缩感知技术，该技术在K空间中对样本数据进行亚采样，然后基于采样数据重建出清晰的核磁共振图像，由于磁共振设备中进行亚采样而非全采样，因此可以大幅提升核磁共振成像速度。
下面将简要介绍现有的压缩感知核磁共振图像重建算法。
传统的压缩感知核磁共振图像重建算法往往通过优化如下压缩感知模型进行图像重建：
其中，x是核磁共振图像，y是K空间中的亚采样数据，B是采样过程中所使用的二值化采样矩阵，F是傅里叶变换操作，g(x)是先验项约束，该项对核磁共振图像x的某些先验性质进行约束，用于去除x中的伪影，提升重建精度。先验项通常选择核磁共振图像x在梯度域[1]、小波变换域[2]、离散余弦变换域[3]等变换域之下的稀疏性约束[4]，或者将上述变换域进行组合[5]，甚至使用自适应的变换域[6]。非局部方法[7,8]则利用相似图像块的协同重建来提高重建精度。字典学习方法[9]则采用图像块字典的稀疏性组合约束图像重建模型。确定先验项后需要使用适当的最优化算法迭代优化目标函数，当迭代次数达到一定值时，迭代值将逐渐收敛至目标值，从而得到核磁共振图像重建结果。上述传统算法虽然具有理论支撑，能够在理论上保证重建算法的收敛性和收敛精度，但是传统算法的计算复杂度较高，而且难以通过人的经验设计出表现最优的先验项约束。
随着深度学习技术的发展，基于端到端神经网络的压缩感知核磁共振图像重建方法的优势逐渐凸显。该方法通过全采样核磁共振数据来获得大量观测值与真值的数据对，由此创建深度神经网络训练所需要的数据集。研究人员借助深度神经网络[10,11,12,13,14,15](详见参考文献方括号内对应编号所公开文献的内容)的强大学习能力来进一步提升重建图像的质量。这类方法极大地缩短重建时间，而且不需要通过人的经验来设计目标函数的先验项，因此更加方便。但这类方法的网络结构设计缺乏指导，可解释性不足，仍有性能提升空间。
参考文献：
[1]Block K T,Uecker M,Frahm J.Undersampled Radial MRI with MultipleCoils.Iterative Image Reconstruction Using a Total Variation Constraint[J].Magnetic Resonance in Medicine:An Official Journal of the InternationalSociety for Magnetic Resonance in Medicine,2007,57(6):1086-1098.
[2]Qu X,Guo D,Ning B,et al.Undersampled MRI Reconstruction withPatch-based Directional Wavelets[J].Magnetic resonance imaging,2012,30(7):964-977.
[3]Lustig M,Donoho D,Pauly J M.Sparse MRI:The Application ofCompressed Sensing for Rapid MR Imaging[J].Magnetic Resonance in Medicine:AnOfficial Journal of the International Society for Magnetic Resonance inMedicine,2007,58(6):1182-1195.
[4]Usman M,Prieto C,Schaeffter T,et al.k-t Group Sparse:A Method forAccelerating Dynamic MRI[J].Magnetic Resonance in Medicine,2011,66(4):1163-1176.
[5]Yang J,Zhang Y,Yin W,et al.A Fast Alternating Direction Method forTVL1-L2Signal Reconstruction From Partial Fourier Data[J].IEEE Journal ofSelected Topics in Signal Processing,2010,4(2):288-297.
[6]Wang S,Liu J,Peng X,et al.Two-Layer Tight Frame Sparsifying Modelfor Compressed Sensing Magnetic Resonance Imaging.[J].BioMed ResearchInternational,2016.
[7]Liang D,Wang H,Chang Y,et al.Sensitivity Encoding Reconstructionwith Nonlocal Total Variation rRgularization[J].Magnetic Resonance inMedicine,2011,65(5):1384-1392.
[8]Eksioglu E M.Decoupled Algorithm for MRI Reconstruction UsingNonlocal Block Matching Model:BM3D-MRI[J].Journal of Mathematical Imaging andVision,2016,56(3):430-440.
[9]Ravishankar S,Bresler Y.MR Image Reconstruction From HighlyUndersampled k-Space Data by Dictionary Learning[J].IEEE Transactions onMedical Imaging,2011,30(5):1028-1041.
[10]Hyun C M,Kim H P,Lee S M,et al.Deep Learning for Undersampled MRIReconstruction[J].Physics in Medicine and Biology,2018,63(13).
[11]Lee D,Yoo J,Ye J C.Deep Residual Learning for Compressed SensingMRI[C]//2017IEEE 14th International Symposium on Biomedical Imaging(ISBI2017).IEEE,2017:15-18.
[12]Sun L,Fan Z,Huang Y,et al.Compressed Sensing MRI Using aRecursive Dilated Network[C].National Conference on Artificial Intelligence,2018:2444-2451.
[13]Zheng H,Fang F,Zhang G,et al.Cascaded Dilated Dense Network withTwo-step Data Consistency for MRI Reconstruction[C].Neural InformationProcessing Systems,2019:1744-1754.
[14]Sun J,Li H,Xu Z.Deep ADMM-Net for Compressive Sensing MRI[C]//Advances in Neural Information Processing Systems.2016:10-18.
[15]Zhang J,Ghanem B.ISTA-Net:Interpretable Optimization-inspiredDeep Network for Image Compressive Sensing[C]//Proceedings of the IEEEConference on Computer Vision and Pattern Recognition.2018:1828-1837.
发明内容：
本发明的目的在于克服现有的压缩感知核磁共振图像重建算法的缺陷和不足，提供一种基于高通量深度展开网络的核磁共振图像重建方法。
本发明的一种基于高通量深度展开网络的核磁共振图像重建方法设计了一个高通量深度展开网络来进行训练和重建，不仅保持了较快的核磁共振成像速度，而且能够达到很高的核磁共振成像精度。
为了实现本发明的技术目的，所采用的技术方案如下。
一种基于高通量深度展开网络的核磁共振图像重建方法，包括以下步骤：
步骤1构造训练数据集：为了训练高通量深度展开网络，构造训练数据集，该训练数据集由多个数据对构成，每个数据对由K空间亚采样数据重建的磁共振图像和相应的全采样数据重建的磁共振图像组成；
步骤2构造高通量深度展开网络：将优化压缩感知能量模型的迭代收缩阈值算法展开为神经网络，并加入多通道技术；
步骤3高通量深度展开网络训练过程：基于上述训练数据集，给定损失函数，使用反向传播和梯度下降算法不断优化高通量深度展开网络中的参数，直至损失函数值稳定；
步骤4应用训练好的高通量深度展开网络进行压缩感知磁共振图像重建过程：输入采样矩阵和K空间亚采样数据的重建图像，其网络输出即为重建的核磁共振图像。
进一步地，所述步骤2构造高通量深度展开网络中，高通量深度展开网络由优化压缩感知能量模型的迭代收缩阈值算法展开而成，网络结构由数据一致性层和去伪影层交替堆叠而成，并且将多通道技术运用到网络中，除了网络首尾处图像之外的其它所有图像都被拓展为多通道图像。
进一步地，所述步骤3高通量深度展开网络训练过程中，采用反向传播算法计算损失函数相对于网络中各个参数的梯度，然后基于训练数据集采用梯度下降算法优化网络层的参数，直至损失函数数值稳定，获得高通量深度展开网络的最优参数。
进一步地，所述步骤4应用训练好的高通量深度展开网络进行压缩感知磁共振图像重建过程，其具体操作过程如下：在进行压缩感知核磁共振图像重建时，首先将核磁共振设备采集的K空间亚采样数据进行傅里叶逆变换得到立即重建图像，将该立即重建图像和亚采样过程所使用的采样矩阵送入训练好的高通量深度展开网络，网络输出的图像即为重建的核磁共振图像。
由于采取了上述技术方案，本发明的一种基于高通量深度展开网络的核磁共振图像重建方法具有如下有益效果：
1、本发明可以从观测到的K空间亚采样数据中重建出高质量的核磁共振图像。
2、相对于现有的传统压缩感知核磁共振图像重建算法，所提出方法具有更快的重建速度和更高的重建精度；
3、相对于现有的深度学习压缩感知核磁共振图像重建算法，所提出方法具有更好的可解释性和更高的重建精度。
附图说明：
图1是本发明的实施流程图。
图2是高通量深度展开网络的结构图。
图3a是Zero-filling重建算法的重建结果。
图3b是U-Net[10]的重建结果。
图3c是DC-CNN[11]的重建结果。
图3d是RDN[12]的重建结果。
图3e是CDDN[13]的重建结果。
图3f是ADMM-Net[14]的重建结果。
图3g是ISTA-Net[15]的重建结果。
图3h是本发明所提出的高通量深度展开网络(HiTDUN)的重建结果。
具体实施方式：
为使本发明的目的、技术方法及优点更加清晰，下面结合附图及具体实例，对本发明做进一步的详细说明。这些实例仅仅是说明性的，而并非对本发明的限制。
图1是本发明的实施流程图，如图1所示，本发明是一种基于高通量深度展开网络的核磁共振图像重建方法，包括如下步骤：
步骤1构造训练数据集S1
为确定所提出的高通量深度展开网络的最优参数，我们针对压缩感知核磁共振成像问题构造训练数据集。该训练数据集由多个数据对构成，每个数据对由K空间亚采样数据直接重建的磁共振图像和相应的全采样数据重建的磁共振图像组成。在实际构造过程中，我们首先对核磁共振成像设备在全采样设置下的K空间全采样数据进行傅里叶逆变换，从而重建出全采样数据对应的核磁共振图像xgt，然后使用某个二值化采样矩阵对K空间全采样数据进行亚采样并进行傅里叶逆变换，从而得到K空间亚采样数据直接重建的磁共振图像xu。把K空间亚采样数据直接重建的磁共振图像xu作为网络输入，把相应的全采样数据重建的磁共振图像xgt作为重建目标图像，由此构成一对训练数据(xu，xgt)，很多对这样的训练数据就构成了网络训练数据集集合Γ。
步骤2构造高通量深度展开网络S2
压缩感知核磁共振成像问题的重建图像一般通过求解如下优化问题得到：
其中，x是核磁共振图像，y是K空间中的亚采样数据，B是采样过程中所使用的二值化采样矩阵，F是傅里叶变换操作，g(x)是先验项约束，该项对核磁共振图像x的某些先验性质进行约束，用于去除x中的伪影，提升重建精度。一个简单且常见的先验项设计为：
g(x)＝||x||1#(2)
由此所获得的目标函数往往可以通过如下的迭代阈值收缩法进行迭代优化，具体步骤为：
其中，xu是对K空间亚采样数据进行傅里叶逆变换所得到的直接重建图像，ρ为步长系数，proxg，r(ri)表示对ri进行近端映射操作。本发明将上述迭代收缩阈值法的迭代计算流程，展开为一个深度神经网络，所得到的网络由数据一致性层和去伪影层交替堆叠而成，本发明还将多通道技术运用到网络中，除了网络首尾处图像之外的其它所有图像都被拓展为多通道图像，得到高通量深度展开网络。
图2是高通量深度展开网络的结构图，如图2所示，显示了所提出的高通量深度展开网络的结构，图中：Transport表示将图像传输至下一操作节点、Stage i表示第i个操作单元、1x1 Conv表示1×1的卷积、3x3 Conv表示3×3卷积层、Channel-wise Sample&Zerofill表示进行逐通道的K空间下采样和傅里叶逆变换重建、Concatenat表示在通道维度上进行合并、L Residual Blocks表示进行L次“卷积、ReLU函数激活、批归一化”操作。
网络输入xin即为前述的直接重建图像xu，该图像为单通道图像，因此在网络入口处具备一个3×3卷积层(3x3 Conv)，用来将xin转换成通道数为Nf的多通道图像x0：
所提出的高通量深度展开网络的结构主体由N个操作单元组成，每个操作单元包含一个数据一致性层和一个去伪影层。针对第i个操作单元(Stage i)，具体介绍如下：
数据一致性层xi：这个网络层来源于公式(3)中的第一行运算，经过这层操作，可以保证重建图像不会偏离观测数据内容，从而保持重建图像与观测数据内容的一致性。对于第i个数据一致性层，给定输入xi-1和x0，则这层的输出为：
其中，xi-1为第i个去伪影层的输出，(BF)TBFxi-1表示对多通道图像xi-1进行逐通道的K空间下采样和傅里叶逆变换重建(Channel-wise Sample&Zerofill)操作，所得到的多通道图像记为
Concatenate表示在通道维度上进行合并，所得到的图像的通道数为3Nf，
表示进行卷积核为1×1的卷积(1x1Conv)操作，用来将通道数为3Nf的图像转化为通道数为Nf的图像。请注意这里的xi-1、x0、ri都是多通道图像。
去伪影层xi：这个网络层来源于公式(3)中的第二行运算，经过这层操作，可以使重建图像更满足公式(1)所示目标问题中的先验项约束。对于第i个去伪影层，给定输入ri，则这层的输出为：
其中，
表示将ri先进行L次“卷积、ReLU函数激活和批归一化”操作(L Residual Blocks)，再进行一次卷积。
最后，所提出的高通量深度展开网络在网络出口处还需要使用3×3卷积层(3x3Conv)将第N层输出的多通道图像xN转为网络最终输出的单通道图像xout：
综上所述，本发明所提出的高通量深度展开网络需要学习的参数有：网络入口处的
数据一致性层中的
去伪影层中的
和Convi，网络出口处的
其中，i∈{1，2，...，N}，l∈{1，2，...，L}，N为操作单元总数，L为每个去伪影层中进行“卷积、ReLU函数激活和批归一化操作”的次数。
步骤3高通量深度展开网络训练过程S3
以Γ为训练数据集，采用均方误差作为网络的损失函数：
其中，|Γ|表示训练样本对的总数，H(xu，θ)表示高通量深度展开网络输出的重建结果，θ为网络参数。通过反向传播算法计算损失函数相对于网络中各个参数的梯度，然后基于训练数据集采用梯度下降算法优化网络层的参数，直至损失函数数值稳定，获得高通量深度展开网络的最优参数。
步骤4应用训练好的高通量深度展开网络进行压缩感知磁共振图像重建过程S4
通过步骤三的训练过程，我们可以确定最优的高通量深度展开网络参数，基于训练好的模型，在进行压缩感知核磁共振图像重建时，首先将核磁共振设备采集的K空间亚采样数据进行傅里叶逆变换得到立即重建图像，将该立即重建图像和亚采样过程所使用的采样矩阵送入训练好的高通量深度展开网络，网络输出的图像即为重建的核磁共振图像。由于步骤三的网络训练过程使得该网络的输出能够与全采样数据重建图像尽可能接近，因此训练好的网络可以在数据亚采样情况下仍然获得高质量的重建图像。
在实验中，我们分别在大脑MRI数据集、心脏MRI数据集和膝盖MRI数据集上进行训练和测试，这三个数据集分别包含3000、1000、4501张训练图像和300、50、657张测试图像。实验中的K空间采样模式选择拟径向采样，采样率涵盖了5％、10％、15％、20％、30％。为了客观评价不同方法的重建精度，使用峰值信噪比(PSNR)作为对比的指标。所有实验在NVIDIA Tesla V100的服务器上运行。实验中所使用的高通量深度展开网络中N＝9，L＝2。
表一：不同方法在不同数据集和不同采样率下的重建精度比较结果(峰值信噪比)
如上表一所示，将本发明所提出的高通量深度展开网络(HiTDUN)与六种深度学习重建方法在不同数据集和不同采样率下进行对比，对比的方法包括：U-Net[10]、DC-CNN[11]、RDN[12]、CDDN[13]、ADMM-Net[14]、ISTA-Net[15]，这六种深度学习重建方法详见参考文献列举的文献资料，文献资料后的方括号内标记了编号。同时也对比了传统的Zero-filling重建算法，Zero-filling即直接对下采样K空间数据进行傅里叶逆变换得到重建图像。本发明所提出的高通量深度展开网络(HiTDUN)在各个数据集和各个采样率下都达到了最高的重建精度。
图3a-h是实验中的各个重建算法在10％采样率下大脑磁共振重建图像的可视化对比结果，每个算法都展示了重建图像及其与目标图像的残差图和峰值信噪比(PSNR)。其中：图3a是Zero-filling重建算法的重建结果，即直接对下采样K空间数据进行傅里叶逆变换所得到的重建结果；图3b是U-Net[10]的重建结果；图3c是DC-CNN[11]的重建结果；图3d是RDN[12]的重建结果；图3e是CDDN[13]的重建结果；图3f是ADMM-Net[14]的重建结果；图3g是ISTA-Net[15]的重建结果；图3h是本发明所提出的高通量深度展开网络(HiTDUN)的重建结果。
如图3a-h所示，各方法在10％采样率下大脑磁共振重建图像的可视化对比结果，每个重建图像下方是其与目标图像的残差图，可以看到，Zero-filling重建算法的重建图像比较模糊，且带有严重的伪影，其残差图中白色区域也较多，表明重建结果与原始图像的残差较大；U-Net[10]、DC-CNN[11]、RDN[12]、CDDN[13]、ADMM-Net[14]和ISTA-Net[15]虽然相比Zero-filling方法能够重建出更高质量的图像，但是从残差图来看，这些算法的重建结果对原始图像的拟合程度仍然比不上本发明所提出的高通量深度展开网络(HiTDUN)。由此可见，相比目前最先进的几种重建算法，本发明所提出的高通量深度展开网络能够更好地重建核磁共振图像中的细节信息，取得更高的重建精度。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (4)
1.一种基于高通量深度展开网络的核磁共振图像重建方法，其特征在于，包括以下步骤：
步骤1构造训练数据集：为了训练高通量深度展开网络，构造训练数据集，该训练数据集由多个数据对构成，每个数据对由K空间亚采样数据重建的磁共振图像和相应的全采样数据重建的磁共振图像组成；
步骤2构造高通量深度展开网络：将优化压缩感知能量模型的迭代收缩阈值算法展开为神经网络，并加入多通道技术；
步骤3高通量深度展开网络训练过程：基于上述训练数据集，给定损失函数，使用反向传播和梯度下降算法不断优化高通量深度展开网络中的参数，直至损失函数值稳定；
步骤4应用训练好的高通量深度展开网络进行压缩感知磁共振图像重建过程：输入采样矩阵和K空间亚采样数据的重建图像，其网络输出即为重建的核磁共振图像。
2.根据权利要求1所述的基于高通量深度展开网络的核磁共振图像重建方法，其特征在于：所述步骤2构造高通量深度展开网络中，高通量深度展开网络由优化压缩感知能量模型的迭代收缩阈值算法展开而成，网络结构由数据一致性层和去伪影层交替堆叠而成，并且将多通道技术运用到网络中，除了网络首尾处图像之外的其它所有图像都被拓展为多通道图像。
3.根据权利要求1所述的基于高通量深度展开网络的核磁共振图像重建方法，其特征在于：所述步骤3高通量深度展开网络训练过程中，采用反向传播算法计算损失函数相对于网络中各个参数的梯度，然后基于训练数据集采用梯度下降算法优化网络层的参数，直至损失函数数值稳定，获得高通量深度展开网络的最优参数。
4.根据权利要求1所述的基于高通量深度展开网络的核磁共振图像重建方法，其特征在于：所述步骤4应用训练好的高通量深度展开网络进行压缩感知磁共振图像重建过程，其具体操作过程如下：在进行压缩感知核磁共振图像重建时，首先将核磁共振设备采集的K空间亚采样数据进行傅里叶逆变换得到立即重建图像，将该立即重建图像和亚采样过程所使用的采样矩阵送入训练好的高通量深度展开网络，网络输出的图像即为重建的核磁共振图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010794182.XA CN111932650A (zh) | 2020-08-10 | 2020-08-10 | 一种基于高通量深度展开网络的核磁共振图像重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010794182.XA CN111932650A (zh) | 2020-08-10 | 2020-08-10 | 一种基于高通量深度展开网络的核磁共振图像重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111932650A true CN111932650A (zh) | 2020-11-13 |
Family
ID=73307087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010794182.XA Pending CN111932650A (zh) | 2020-08-10 | 2020-08-10 | 一种基于高通量深度展开网络的核磁共振图像重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932650A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884851A (zh) * | 2021-01-27 | 2021-06-01 | 武汉大学 | 一种展开迭代优化算法的深度压缩感知网络 |
| CN113284202A (zh) * | 2021-06-11 | 2021-08-20 | 北京大学深圳研究生院 | 一种基于内容自适应的可伸缩网络的图像压缩感知方法 |
| CN113341357A (zh) * | 2021-06-07 | 2021-09-03 | 浙江大学 | 一种基于vBM3d的磁共振图像重建方法 |
| CN113379867A (zh) * | 2021-07-05 | 2021-09-10 | 北京大学深圳研究生院 | 一种基于联合优化采样矩阵的核磁共振图像重建方法 |
| CN113476029A (zh) * | 2021-06-25 | 2021-10-08 | 陕西尚品信息科技有限公司 | 一种基于压缩感知的核磁共振成像方法 |
| CN113567921A (zh) * | 2021-07-21 | 2021-10-29 | 中国人民解放军国防科技大学 | 一种基于深度展开网络的混合源定位方法及系统 |
| CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
| CN114841901A (zh) * | 2022-07-01 | 2022-08-02 | 北京大学深圳研究生院 | 一种基于通用化深度展开网络的图像重建方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
| US20200011951A1 (en) * | 2018-07-06 | 2020-01-09 | The Board Of Trustees Of The Leland Stanford Junior University | Deep Learning based Methods to Accelerate Multi-Spectral Imaging |
| US20200205692A1 (en) * | 2017-09-06 | 2020-07-02 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and apparatus for accelerated magnetic resonance imaging |
-
2020
- 2020-08-10 CN CN202010794182.XA patent/CN111932650A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200205692A1 (en) * | 2017-09-06 | 2020-07-02 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and apparatus for accelerated magnetic resonance imaging |
| CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
| US20200011951A1 (en) * | 2018-07-06 | 2020-01-09 | The Board Of Trustees Of The Leland Stanford Junior University | Deep Learning based Methods to Accelerate Multi-Spectral Imaging |
Non-Patent Citations (3)
| Title |
|---|
| 熊承义;李世宇;高志荣;金鑫;: "级联模型展开与残差学习的压缩感知重构", 中南民族大学学报(自然科学版), no. 02 * |
| 王水花;张煜东;: "压缩感知磁共振成像技术综述", 中国医学物理学杂志, no. 02 * |
| 王翰林;周宇轩;王伟;: "基于curvelet变换快速迭代收缩阈值算法的压缩采样磁共振图像重建", 北京生物医学工程, no. 04 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884851A (zh) * | 2021-01-27 | 2021-06-01 | 武汉大学 | 一种展开迭代优化算法的深度压缩感知网络 |
| CN113341357B (zh) * | 2021-06-07 | 2022-03-04 | 浙江大学 | 一种基于vBM3d的磁共振图像重建方法 |
| CN113341357A (zh) * | 2021-06-07 | 2021-09-03 | 浙江大学 | 一种基于vBM3d的磁共振图像重建方法 |
| CN113284202A (zh) * | 2021-06-11 | 2021-08-20 | 北京大学深圳研究生院 | 一种基于内容自适应的可伸缩网络的图像压缩感知方法 |
| CN113284202B (zh) * | 2021-06-11 | 2022-10-25 | 北京大学深圳研究生院 | 一种基于内容自适应的可伸缩网络的图像压缩感知方法 |
| CN113476029A (zh) * | 2021-06-25 | 2021-10-08 | 陕西尚品信息科技有限公司 | 一种基于压缩感知的核磁共振成像方法 |
| CN113476029B (zh) * | 2021-06-25 | 2024-02-02 | 陕西尚品信息科技有限公司 | 一种基于压缩感知的核磁共振成像方法 |
| CN113379867A (zh) * | 2021-07-05 | 2021-09-10 | 北京大学深圳研究生院 | 一种基于联合优化采样矩阵的核磁共振图像重建方法 |
| CN113379867B (zh) * | 2021-07-05 | 2023-09-12 | 北京大学深圳研究生院 | 一种基于联合优化采样矩阵的核磁共振图像重建方法 |
| CN113567921B (zh) * | 2021-07-21 | 2023-08-01 | 中国人民解放军国防科技大学 | 一种基于深度展开网络的混合源定位方法及系统 |
| CN113567921A (zh) * | 2021-07-21 | 2021-10-29 | 中国人民解放军国防科技大学 | 一种基于深度展开网络的混合源定位方法及系统 |
| CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
| CN114841901A (zh) * | 2022-07-01 | 2022-08-02 | 北京大学深圳研究生院 | 一种基于通用化深度展开网络的图像重建方法 |
| CN114841901B (zh) * | 2022-07-01 | 2022-10-25 | 北京大学深圳研究生院 | 一种基于通用化深度展开网络的图像重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932650A (zh) | 一种基于高通量深度展开网络的核磁共振图像重建方法 | |
| CN113379867B (zh) | 一种基于联合优化采样矩阵的核磁共振图像重建方法 | |
| CN110151181B (zh) | 基于递归残差u型网络的快速磁共振成像方法 | |
| Sun et al. | A deep information sharing network for multi-contrast compressed sensing MRI reconstruction | |
| CN113077527B (zh) | 一种基于欠采样的快速磁共振图像重建方法 | |
| US10740931B2 (en) | Method for performing magnetic resonance imaging reconstruction with unsupervised deep learning | |
| CN111028306A (zh) | 基于AR2 U-Net神经网络的快速磁共振成像方法 | |
| CN111123183B (zh) | 基于复数R2U_Net网络的快速磁共振成像方法 | |
| CN109598220B (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
| CN109410289A (zh) | 一种深度学习的高欠采样超极化气体肺部mri重建方法 | |
| Chen et al. | Pyramid convolutional RNN for MRI image reconstruction | |
| Ramanarayanan et al. | DC-WCNN: A deep cascade of wavelet based convolutional neural networks for MR image reconstruction | |
| CN108828483A (zh) | 一种磁共振图像的收缩阈值迭代重建算法 | |
| Ravishankar et al. | Physics-driven deep training of dictionary-based algorithms for MR image reconstruction | |
| CN114998458A (zh) | 基于参考图像和数据修正的欠采样磁共振图像重建方法 | |
| CN115829834A (zh) | 基于半耦合深度卷积字典学习的图像超分辨率重建方法 | |
| Murad et al. | Efficient reconstruction technique for multi-slice CS-MRI using novel interpolation and 2D sampling scheme | |
| Xiao et al. | SR-Net: a sequence offset fusion net and refine net for undersampled multislice MR image reconstruction | |
| Gan et al. | Image reconstruction for mri using deep cnn priors trained without groundtruth | |
| CN113284202B (zh) | 一种基于内容自适应的可伸缩网络的图像压缩感知方法 | |
| CN116823625B (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和系统 | |
| Dhengre et al. | K sparse autoencoder-based accelerated reconstruction of magnetic resonance imaging | |
| Shastri et al. | Denoising generalized expectation-consistent approximation for MR image recovery | |
| CN116626570A (zh) | 多对比度mri采样和图像重建 | |
| CN115511996A (zh) | 一种基于深度学习的压缩感知磁共振图像快速重建方法 |
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 |