CN113506258A - 多任务复值深度学习的欠采样肺部气体mri重建方法 - Google Patents

多任务复值深度学习的欠采样肺部气体mri重建方法 Download PDF

Info

Publication number
CN113506258A
CN113506258A CN202110748843.XA CN202110748843A CN113506258A CN 113506258 A CN113506258 A CN 113506258A CN 202110748843 A CN202110748843 A CN 202110748843A CN 113506258 A CN113506258 A CN 113506258A
Authority
CN
China
Prior art keywords
image
network
space data
reconstruction
loss function
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.)
Granted
Application number
CN202110748843.XA
Other languages
English (en)
Other versions
CN113506258B (zh
Inventor
周欣
李梓萌
肖洒
王成
孙献平
叶朝辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Precision Measurement Science and Technology Innovation of CAS
Original Assignee
Institute of Precision Measurement Science and Technology Innovation of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Precision Measurement Science and Technology Innovation of CAS filed Critical Institute of Precision Measurement Science and Technology Innovation of CAS
Priority to CN202110748843.XA priority Critical patent/CN113506258B/zh
Publication of CN113506258A publication Critical patent/CN113506258A/zh
Application granted granted Critical
Publication of CN113506258B publication Critical patent/CN113506258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了多任务复值深度学习的欠采样肺部气体MRI重建方法，利用k空间重建网络预测完整的k空间数据，再利用图像域重建网络得到初步的重建图像，最后利用结合分割和重建的多任务细节增强网络进一步增强图像细节，得到最终重建的肺部超极化气体MRI图像。本发明采用复数卷积层，有效地利用了k空间中的相位信息。相比于传统的重建方法，本发明在提高重建质量的同时极大地加快了成像速度。与单一训练重建任务的网络相比，本发明同时训练重建和分割两个任务，两个任务共享特征提取层，分割任务更加关注图像的细节和边缘部分，可提取更多的高频特征，重建更好的图像细节，提高重建质量。

Description

多任务复值深度学习的欠采样肺部气体MRI重建方法
技术领域
本发明属于成像技术领域，具体涉及多任务复值深度学习的欠采样肺部气体MRI重建方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入、无放射性的特点，在临床疾病诊断中具有独特的优势[Mehmet
Figure BDA0003145349840000011
Steen Moeller,Sebastian
Figure BDA0003145349840000012
et al.Magn.Reson.Med.,2019,439:453.]。但是，传统的MRI主要对氢质子(1H)成像，而肺部为空腔结构，氢质子密度低，因此，肺部是传统MRI的“盲区”。超极化气体MRI利用自旋交换光抽运技术将惰性气体(如3He或129Xe)的极化度提高4-5个量级，将MR成像的观察对象从固体(组织)和液体扩充至气体，从而实现对人体肺部结构和功能的探测。
超极化气体MRI大部分都需要在单次屏气内完成信号的采集，但长时间的屏气会令受试者负担较大，因此，减少扫描时间和提高重建图像质量具有重要的临床意义。目前，最常用的超极化气体MRI重建方法是压缩感知(Compressed Sensing,CS)方法，它以低于奈奎斯特采样率的方法对k空间数据进行欠采样，然后通过非线性最优化的方法重建图像，但其存在非线性重建时间较长、参数选择较为复杂等缺点。最近，深度学习算法在欠采样MRI重建领域已成功应用，它在重建速度，重建质量和加速倍数等方面都显著优于CS算法[Yoseob Han,Leonard Sunwoo,Jong Chul Ye,et al.IEEE Trans.Med.Imaging,2020,377:386]。目前利用深度学习进行欠采样MRI重建的方法主要可分为三类：1.利用卷积神经网络学习欠采样图像和全采样图像之间的映射关系[Caohui Duan,He Deng,Sa Xiao,etal.Magn.Reson.Med.,2019,82:2273–2285.]；2.利用卷积神经网络直接学习欠采样k空间数据和全采样k空间数据之间的映射关系，再将预测的k空间数据进行二维傅里叶反变换得到重建图像[Taejoon Eo,Yohan Jun,Taeseong Kim,et al.Magn.Reson.Med.,2018,80:2188–2201.]；3.利用卷积神经网络交替学习欠采样图像和全采样图像之间的映射关系、及欠采样k空间数据和全采样k空间数据之间的映射关系[Roy Shaul,Itamar David,OhadShitrit,et al.Med.Image Anal.,2020,65:101747.]。虽然深度学习算法能够得到较高质量的重建图像，但是需要大量高质量的全采样图像作为标签数据，而超极化气体MRI易受噪声和伪影的影响，高质量的肺部超极化气体MR图像较少，较少的训练集数据使得卷积神经网络难以提取到丰富的图像特征，会影响最终的重建结果。
发明内容
本发明的目的在于针对现有技术存在的上述问题，提出了多任务复值深度学习的欠采样肺部气体MRI重建方法，利用复值卷积层保留了k空间中的相位信息，并同时学习分割和重建任务，使卷积神经网络能够在仅有的小数据集上学习到更加丰富多样的图像特征，有效地提高了图像重建精度。
本发明的上述目的通过以下技术方案实现：
多任务复值深度学习的欠采样肺部气体MRI重建方法，包括以下步骤：
步骤1、获取3D全采样k空间数据和对应的欠采样k空间数据，逐层提取3D全采样k空间数据，获得2D全采样k空间数据和对应的欠采样k空间数据作为k空间数据对，根据k空间数据对生成训练集和测试集；将全采样k空间数据进行二维傅里叶反变换得到全采样图像，分割全采样图像，获得全采样肺实质区域图像；
步骤2、构建k空间重建网络；
步骤3、将步骤1生成的训练集中欠采样k空间数据输入到步骤2构建的k空间重建网络中得到预测的k空间数据；
步骤4、构建图像域重建网络；
步骤5、将步骤3获得的预测的k空间数据进行二维傅里叶反变换得到图像域数据，再将图像域数据与步骤1生成的训练集中欠采样k空间数据输入到步骤4构建的图像域重建网络中得到初步重建图像；
步骤6、构建多任务细节增强网络，
步骤7、将步骤5得到的初步重建图像做取模操作得到幅值图像，然后将幅值图像输入到步骤6构建的多任务细节增强网络得到最终重建的肺部超极化气体MRI图像以及肺实质区域分割结果；
步骤8、设定由k空间重建网络、图像域重建网络、以及多任务细节增强网络构成级联网络的总损失函数；
步骤9、根据步骤8设定的总损失函数，利用步骤1生成的训练集对级联网络进行训练，总损失函数的值持续稳定的收敛到设定误差范围后停止训练，保存级联网络的参数。
如上所述的步骤2中，k空间重建网络包括级联的2个残差模块和一个k空间数据一致层，
残差模块包括5个复值卷积层，4个ReLu激活层，每个复值卷积层的卷积核大小为3×3，通道数为64，k空间数据一致层的映射函数f(KDC)由下式表示：
f(KDC)＝kr×(1-mask)+ku
其中，kr为k空间重建网络的复值卷积层重建的k空间数据，ku为k空间重建网络输入的欠采样k空间数据，mask为采样矩阵。
如上所述的步骤4中，图像域重建网络包括级联的10个残差模块和一个图像域数据一致层，
残差模块中每个复值卷积层的卷积核的大小为3×3，通道数为64，图像域数据一致层的映射函数f(IDC)由下式表示：
f(IDC)＝IFFT2(FFT2(Ir)×(1-mask)+ku)
其中，FFT2和IFFT2分别代表二维傅里叶变换和二维傅里叶反变换，Ir为图像域重建网络的复值卷积层重建的图像，ku为k空间重建网络输入的欠采样k空间数据，mask为采样矩阵。
如上所述的步骤4中，
多任务细节增强网络包含一个编码器、第一解码器和第二解码器，编码器提取的图像特征分别输入到第一解码器和第二解码器中，第一解码器输出最终重建的肺部超极化气体MRI图像，第二解码器输出肺实质区域分割结果。
如上所述的编码器包含5个实值卷积层和4个ReLu激活层，每个实值卷积层卷积核的大小为3×3，通道数为64；
所述的第一解码器包含5个实值卷积层和4个ReLu激活层，每个实值卷积层卷积核的大小为3×3，通道数为64；
所述的第二解码器包括5个实值卷积层，4个ReLu激活层和一个sigmoid激活层，每个实值卷积层卷积核的大小为3×3，通道数为64。
如上所述的总损失函数为第一损失函数，第二损失函数，第三损失函数及第四损失函数之和，第一损失函数为步骤3获得的预测的k空间数据与2D全采样k空间数据之间的均方误差损失函数，第二损失函数为步骤5获得的初步重建图像与全采样图像之间的均方误差损失函数，第三损失函数为步骤7获得的最终重建的肺部超极化气体MRI图像与全采样图像之间的均方误差损失函数，第四损失函数为步骤7获得的肺实质区域分割结果和步骤1获得的全采样肺实质区域图像之间的Dice损失函数。
如上所述的步骤8中，Dice损失函数定义如下：
Figure BDA0003145349840000041
其中，Ai为步骤1获得的全采样肺实质区域图像中属于第i个类别的像素集，Bi为步骤7获得的肺实质区域分割结果中属于第i个类别的像素集，全采样肺实质区域图像中包括2个类别的像素，分别对应肺实质区域的像素与非肺实质区域的像素，||表示像素集中像素的个数。
本发明的相对于现有技术，具有以下有益效果：
本发明将欠采样k空间数据直接输入到级联网络中得到最终重建的肺部超极化气体MRI图像，网络采用了复值卷积层，更好地利用了k空间数据中的相位信息。与传统的重建方法相比，在提高重建质量的同时极大地加快了成像速度。
本发明同时训练重建和分割两个任务，两个任务共享特征提取层，分割任务更加关注图像的细节和边缘部分。与单一训练重建任务的网络相比，能够提取更多的高频特征，有助于重建出更好的图像细节，提高重建质量。
附图说明
图1是本发明的流程图。
图2是采样矩阵的示意图。
图3是残差模块结构示意图。
图4(a)是多任务细节增强网络的总体结构示意图。
图4(b)是多任务细节增强网络中编码器结构示意图。
图4(c)是多任务细节增强网络中第一解码器结构示意图。
图4(d)是多任务细节增强网络中第二解码器结构示意图。
图5是测试集重建结果图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，多任务复值深度学习的欠采样肺部气体MRI重建方法的流程图，具体包括以下步骤：
步骤1、利用3D bSSFP序列扫描94例志愿者获得3D全采样k空间数据和对应的欠采样k空间数据，3D全采样k空间数据矩阵大小为96×96，层数为24，加速倍数为4倍，采样方式为笛卡尔采样，采样矩阵的示意图如图2所示。逐层提取3D全采样k空间数据，共获得929个2D全采样k空间数据和对应的欠采样k空间数据作为k空间数据对，其中801个k空间数据对作为训练集，128个k空间数据对作为测试集。将全采样k空间数据进行二维傅里叶反变换得到全采样图像，分割全采样图像，获得全采样肺实质区域图像。
步骤2、构建k空间重建网络，k空间重建网络包括级联的2个残差模块和一个k空间数据一致层，残差模块结构示意图如图3所示。残差模块包括5个复值卷积层，4个ReLu激活层。每个复值卷积层的卷积核大小为3×3，通道数为64。k空间数据一致层的映射函数f(KDC)由下式表示：
f(KDC)＝kr×(1-mask)+ku
其中，kr为k空间重建网络的复值卷积层重建的k空间数据，ku为k空间重建网络输入的欠采样k空间数据，mask为采样矩阵。
步骤3、将步骤1生成的训练集中欠采样k空间数据输入到步骤2构建的k空间重建网络中得到预测的k空间数据。
步骤4、构建图像域重建网络，图像域重建网络包括级联的10个残差模块和一个图像域数据一致层。残差模块中每个复值卷积层的卷积核的大小为3×3，通道数为64。图像域数据一致层的映射函数f(IDC)由下式表示：
f(IDC)＝IFFT2(FFT2(Ir)×(1-mask)+ku)
其中，FFT2和IFFT2分别代表二维傅里叶变换和二维傅里叶反变换，Ir为图像域重建网络的复值卷积层重建的图像，ku为k空间重建网络输入的欠采样k空间数据，mask为采样矩阵。
步骤5、将步骤3获得的预测的k空间数据进行二维傅里叶反变换得到图像域数据，再将图像域数据与步骤1生成的训练集中欠采样k空间数据输入到步骤4构建的图像域重建网络中得到初步重建图像。
步骤6、构建多任务细节增强网络，多任务细节增强网络总体结构示意图如图4(a)所示，多任务细节增强网络包含一个编码器和两个解码器，两个解码器分别为第一解码器和第二解码器，编码器提取的图像特征分别输入到第一解码器和第二解码器中，第一解码器输出最终重建的肺部超极化气体MRI图像，第二解码器输出肺实质区域分割结果。编码器的结构示意图如图4(b)所示，包含5个实值卷积层和4个ReLu激活层，每个实值卷积层卷积核的大小为3×3，通道数为64。编码器模块的作用是提取图像特征。第一解码器的结构示意图如图4(c)所示，包含5个实值卷积层和4个ReLu激活层，每个实值卷积层卷积核的大小为3×3，通道数为64。第二解码器的结构示意图如图4(d)所示，包含5个实值卷积层，4个ReLu激活层和一个sigmoid激活层，每个实值卷积层卷积核的大小为3×3，通道数为64。
步骤7、将步骤5得到的初步重建图像做取模操作得到幅值图像，然后将幅值图像输入到步骤6构建的多任务细节增强网络得到最终重建的肺部超极化气体MRI图像以及肺实质区域分割结果。
步骤8、设定总损失函数。总损失函数为第一损失函数，第二损失函数，第三损失函数及第四损失函数之和，第一损失函数为步骤3获得的预测的k空间数据与2D全采样k空间数据之间的均方误差(L2)损失函数，第二损失函数为步骤5获得的初步重建图像与全采样图像之间的均方误差(L2)损失函数，第三损失函数为步骤7获得的最终重建的肺部超极化气体MRI图像与全采样图像之间的均方误差(L2)损失函数，第四损失函数为步骤7获得的肺实质区域分割结果和步骤1获得的全采样肺实质区域图像之间的Dice损失函数。Dice损失函数的定义式如下：
Figure BDA0003145349840000061
其中，Ai为步骤1获得的全采样肺实质区域图像中属于第i个类别的像素集，Bi为步骤7获得的肺实质区域分割结果中属于第i个类别的像素集，i的取值范围为1～2，全采样肺实质区域图像中包括2个类别的像素，分别为肺实质区域的像素与非肺实质区域的像素。||表示像素集中像素的个数。
步骤9、根据步骤8设定的总损失函数，利用步骤1生成的训练集对步骤2构建的k空间重建网络，步骤4构建的图像域重建网络，步骤6构建的多任务细节增强网络进行端到端的训练，网络的学习率初始化为0.0005，批大小设置为10，使用ADAM优化器在Tensorflow2.0平台上进行网络的训练，直至总损失函数的值收敛到设定误差范围内后停止训练，k空间重建网络、图像域重建网络、以及多任务细节增强网络构成级联网络，保存级联网络的参数。
步骤10、将步骤1生成的测试集中的欠采样k空间数据输入到步骤9训练好的级联网络中得到最终重建的肺部超极化气体MRI图像。
步骤11、将步骤10中得到的最终重建的肺部超极化气体MRI图像与步骤1获得的全采样图像对比，计算峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)和结构相似性(Structural Similarity，SSIM)指标。
图5展示了测试集中一欠采样k空间数据的重建结果图，图像底部标注了PSNR/SSSIM值。第一列为全采样图像，第二列为零填充图像，第三列为采用本发明方法重建的肺部超极化气体MRI图像。由结果图可以看出，本发明提供的多任务复值深度学习的欠采样肺部气体MRI重建方法能够从高倍欠采样k空间数据中重建出高质量的MRI图像。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.多任务复值深度学习的欠采样肺部气体MRI重建方法，其特征在于，包括以下步骤：
步骤1、获取3D全采样k空间数据和对应的欠采样k空间数据，逐层提取3D全采样k空间数据，获得2D全采样k空间数据和对应的欠采样k空间数据作为k空间数据对，根据k空间数据对生成训练集和测试集；将全采样k空间数据进行二维傅里叶反变换得到全采样图像，分割全采样图像，获得全采样肺实质区域图像；
步骤2、构建k空间重建网络；
步骤3、将步骤1生成的训练集中欠采样k空间数据输入到步骤2构建的k空间重建网络中得到预测的k空间数据；
步骤4、构建图像域重建网络；
步骤5、将步骤3获得的预测的k空间数据进行二维傅里叶反变换得到图像域数据，再将图像域数据与步骤1生成的训练集中欠采样k空间数据输入到步骤4构建的图像域重建网络中得到初步重建图像；
步骤6、构建多任务细节增强网络，
步骤7、将步骤5得到的初步重建图像做取模操作得到幅值图像，然后将幅值图像输入到步骤6构建的多任务细节增强网络得到最终重建的肺部超极化气体MRI图像以及肺实质区域分割结果；
步骤8、设定由k空间重建网络、图像域重建网络、以及多任务细节增强网络构成级联网络的总损失函数；
步骤9、根据步骤8设定的总损失函数，利用步骤1生成的训练集对级联网络进行训练，总损失函数的值持续稳定的收敛到设定误差范围后停止训练，保存级联网络的参数。
2.根据权利要求1所述的多任务复值深度学习的欠采样肺部气体MRI重建方法，其特征在于，所述的步骤2中，k空间重建网络包括级联的2个残差模块和一个k空间数据一致层，
残差模块包括5个复值卷积层，4个ReLu激活层，每个复值卷积层的卷积核大小为3×3，通道数为64，k空间数据一致层的映射函数f(KDC)由下式表示：
f(KDC)＝kr×(1-mask)+ku
其中，kr为k空间重建网络的复值卷积层重建的k空间数据，ku为k空间重建网络输入的欠采样k空间数据，mask为采样矩阵。
3.根据权利要求1所述的多任务复值深度学习的欠采样肺部气体MRI重建方法，其特征在于，所述的步骤4中，图像域重建网络包括级联的10个残差模块和一个图像域数据一致层，
残差模块中每个复值卷积层的卷积核的大小为3×3，通道数为64，图像域数据一致层的映射函数f(IDC)由下式表示：
f(IDC)＝IFFT2(FFT2(Ir)×(1-mask)+ku)
其中，FFT2和IFFT2分别代表二维傅里叶变换和二维傅里叶反变换，Ir为图像域重建网络的复值卷积层重建的图像，ku为k空间重建网络输入的欠采样k空间数据，mask为采样矩阵。
4.根据权利要求1所述的多任务复值深度学习的欠采样肺部气体MRI重建方法，其特征在于，所述的步骤4中，
多任务细节增强网络包含一个编码器、第一解码器和第二解码器，编码器提取的图像特征分别输入到第一解码器和第二解码器中，第一解码器输出最终重建的肺部超极化气体MRI图像，第二解码器输出肺实质区域分割结果。
5.根据权利要求4所述的多任务复值深度学习的欠采样肺部气体MRI重建方法，其特征在于，
所述的编码器包含5个实值卷积层和4个ReLu激活层，每个实值卷积层卷积核的大小为3×3，通道数为64；
所述的第一解码器包含5个实值卷积层和4个ReLu激活层，每个实值卷积层卷积核的大小为3×3，通道数为64；
所述的第二解码器包括5个实值卷积层，4个ReLu激活层和一个sigmoid激活层，每个实值卷积层卷积核的大小为3×3，通道数为64。
6.根据权利要求1所述的多任务复值深度学习的欠采样肺部气体MRI重建方法，其特征在于，所述的总损失函数为第一损失函数，第二损失函数，第三损失函数及第四损失函数之和，第一损失函数为步骤3获得的预测的k空间数据与2D全采样k空间数据之间的均方误差损失函数，第二损失函数为步骤5获得的初步重建图像与全采样图像之间的均方误差损失函数，第三损失函数为步骤7获得的最终重建的肺部超极化气体MRI图像与全采样图像之间的均方误差损失函数，第四损失函数为步骤7获得的肺实质区域分割结果和步骤1获得的全采样肺实质区域图像之间的Dice损失函数。
7.根据权利要求6所述的多任务复值深度学习的欠采样肺部气体MRI重建方法，其特征在于，所述的步骤8中，Dice损失函数定义如下：
Figure FDA0003145349830000031
其中，Ai为步骤1获得的全采样肺实质区域图像中属于第i个类别的像素集，Bi为步骤7获得的肺实质区域分割结果中属于第i个类别的像素集，全采样肺实质区域图像中包括2个类别的像素，分别对应肺实质区域的像素与非肺实质区域的像素，| |表示像素集中像素的个数。
CN202110748843.XA 2021-07-02 2021-07-02 多任务复值深度学习的欠采样肺部气体mri重建方法 Active CN113506258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110748843.XA CN113506258B (zh) 2021-07-02 2021-07-02 多任务复值深度学习的欠采样肺部气体mri重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110748843.XA CN113506258B (zh) 2021-07-02 2021-07-02 多任务复值深度学习的欠采样肺部气体mri重建方法

Publications (2)

Publication Number Publication Date
CN113506258A true CN113506258A (zh) 2021-10-15
CN113506258B CN113506258B (zh) 2022-06-07

Family

ID=78009615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110748843.XA Active CN113506258B (zh) 2021-07-02 2021-07-02 多任务复值深度学习的欠采样肺部气体mri重建方法

Country Status (1)

Country Link
CN (1) CN113506258B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272510A (zh) * 2022-08-08 2022-11-01 中国科学院精密测量科学与技术创新研究院 基于编码增强复值网络的肺部气体mri重建方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240533A1 (en) * 2007-03-27 2008-10-02 Cameron Anthony Piron Post-acquisition adaptive reconstruction of mri data
US20190059780A1 (en) * 2017-08-25 2019-02-28 Samsung Electronics Co., Ltd. Magnetic resonance imaging apparatus and method of reconstructing mr image by using neural network
CN109712119A (zh) * 2018-12-13 2019-05-03 深圳先进技术研究院 一种磁共振成像及斑块识别方法和装置
US20200033431A1 (en) * 2018-07-30 2020-01-30 Jo Schlemper Deep learning techniques for magnetic resonance image reconstruction
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
CN111513716A (zh) * 2019-02-05 2020-08-11 通用电气精准医疗有限责任公司 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
US20200349697A1 (en) * 2019-05-02 2020-11-05 Curacloud Corporation Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network
CN111899165A (zh) * 2020-06-16 2020-11-06 厦门大学 一种基于功能模块的多任务图像重建卷积网络模型
CN112946545A (zh) * 2021-01-28 2021-06-11 杭州电子科技大学 基于PCU-Net网络的快速多通道磁共振成像方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240533A1 (en) * 2007-03-27 2008-10-02 Cameron Anthony Piron Post-acquisition adaptive reconstruction of mri data
US20190059780A1 (en) * 2017-08-25 2019-02-28 Samsung Electronics Co., Ltd. Magnetic resonance imaging apparatus and method of reconstructing mr image by using neural network
US20200033431A1 (en) * 2018-07-30 2020-01-30 Jo Schlemper Deep learning techniques for magnetic resonance image reconstruction
CN109712119A (zh) * 2018-12-13 2019-05-03 深圳先进技术研究院 一种磁共振成像及斑块识别方法和装置
CN111513716A (zh) * 2019-02-05 2020-08-11 通用电气精准医疗有限责任公司 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
US20200349697A1 (en) * 2019-05-02 2020-11-05 Curacloud Corporation Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network
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
CN111899165A (zh) * 2020-06-16 2020-11-06 厦门大学 一种基于功能模块的多任务图像重建卷积网络模型
CN112946545A (zh) * 2021-01-28 2021-06-11 杭州电子科技大学 基于PCU-Net网络的快速多通道磁共振成像方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JIFENG DAI, ET.AL: "Instance-aware semantic segmentation via multi-task network cascades", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
ZISHUN FENG, ET.AL: "Semi-supervised learning for pelvic MR image segmentation based on multi-task residual fully convolutional networks", 《IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》 *
唐子惠: "《医学人工智能导论》", 30 April 2020, 上海科学技术出版社 *
徐夏俊: "基于深度神经网络的乳腺癌病灶分割系统的研究开发", 《电脑知识与技术》 *
燕树林等: "《医学影像技术学术语详解》", 31 July 2010, 人民军医出版社 *
王洪: "《医用磁共振成像设备（MRI）设备技术学》", 30 September 2011, 中国医药科技出版社 *
郑树泉等: "《工业智能技术与应用》", 31 January 2019, 上海科学技术出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272510A (zh) * 2022-08-08 2022-11-01 中国科学院精密测量科学与技术创新研究院 基于编码增强复值网络的肺部气体mri重建方法
CN115272510B (zh) * 2022-08-08 2023-09-22 中国科学院精密测量科学与技术创新研究院 基于编码增强复值网络的肺部气体mri重建方法

Also Published As

Publication number Publication date
CN113506258B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN108460726B (zh) 一种基于增强递归残差网络的磁共振图像超分辨重建方法
WO2018099321A1 (zh) 一种基于广义树稀疏的权重核范数磁共振成像重建方法
CN111028306A (zh) 基于AR2 U-Net神经网络的快速磁共振成像方法
CN109214989B (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
CN113077527A (zh) 一种基于欠采样的快速磁共振图像重建方法
CN112819949B (zh) 一种基于结构化低秩矩阵的磁共振指纹图像重建方法
CN111161146A (zh) 一种由粗糙到精细的单张图像超分辨率重建方法
Curtis et al. Primer and historical review on rapid cardiac CINE MRI
CN105931242B (zh) 基于字典学习和时间梯度的动态核磁共振图像重建方法
CN115578427A (zh) 基于深度学习的无监督单模态医学图像配准方法
CN113506258B (zh) 多任务复值深度学习的欠采样肺部气体mri重建方法
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
CN109934884B (zh) 一种基于变换学习和联合稀疏性的迭代自一致性并行成像重构方法
Lv et al. Parallel imaging with a combination of sensitivity encoding and generative adversarial networks
CN112669209B (zh) 一种三维医学图像超分辨率重建方法和系统
Fan et al. An interpretable MRI reconstruction network with two-grid-cycle correction and geometric prior distillation
Qian et al. Physics-informed deep diffusion MRI reconstruction: Break the bottleneck of training data in artificial intelligence
CN111161370B (zh) 一种基于ai的人体多核dwi联合重建方法
CN114140404A (zh) 基于人工智能的肺部多核mri双域超分辨率重建方法
CN112669400B (zh) 基于深度学习预测和残差架构的动态mr重建方法
CN113920211B (zh) 一种基于深度学习的快速磁敏感加权成像方法
CN115311135A (zh) 一种基于3dcnn的各向同性mri分辨率重建方法
CN114693823A (zh) 一种基于空频双域并行重建的磁共振图像重建方法
CN115272510B (zh) 基于编码增强复值网络的肺部气体mri重建方法
Cao et al. CS-GAN for high-quality diffusion tensor imaging

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
GR01 Patent grant
GR01 Patent grant