CN113592973A - 一种基于多频复数卷积的磁共振图像重建方法及装置 - Google Patents
一种基于多频复数卷积的磁共振图像重建方法及装置 Download PDFInfo
- Publication number
- CN113592973A CN113592973A CN202110873838.1A CN202110873838A CN113592973A CN 113592973 A CN113592973 A CN 113592973A CN 202110873838 A CN202110873838 A CN 202110873838A CN 113592973 A CN113592973 A CN 113592973A
- Authority
- CN
- China
- Prior art keywords
- frequency
- convolution
- frequency complex
- image
- stage
- 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 56
- 238000012545 processing Methods 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 8
- 210000001519 tissue Anatomy 0.000 description 30
- 238000002595 magnetic resonance imaging Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000016776 visual perception Effects 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种基于多频复数卷积的磁共振图像重建方法及装置。方法包括：获得图像样本和图像处理网络；图像样本包括样本组织的多个不同的欠采样样本图像以及全采样样本图像；图像处理网络包括级联的多个多频复数卷积块以及连接在每个多频复数卷积块后的数据保真项；使用多频复数卷积块和数据保真项对欠采样样本图像进行处理，获得卷积处理结果；依据卷积处理结果和全采样样本图像确定对应于图像处理网络的损失函数；依据损失函数对图像处理网络进行训练，生成多频复数网络；获取目标组织的多个不同的欠采样目标图像；使用多频复数网络对欠采样目标图像进行处理，生成无伪影目标图像。本申请能够从多个欠采样的图像中重建出无混叠伪影的图像。
Description
技术领域
本申请涉及图像处理技术领域，特别是一种基于多频复数卷积的磁共振图像重建方法及装置。
背景技术
在过去的十年里，因为MRI(MagneticResonanceImaging，磁共振成像)具有无辐射、高空间分辨率等优势，并提供优越的软组织对比等优点而在放射学和医学中变得越来越流行。然而，MRI成像的一个主要限制是它需要比其他成像技术(例如计算机断层扫描、x射线和超声)更长的采集时间。此外，即使在没有运动伪影的情况下，也不可能让患者长时间呆在扫描仪中来获得干净的数据。因此，加速MRI重建已经成为一个迫切的研究问题，因为它可以大大加快MRI成像，改善患者的体验感。最近，研究者在这方面做了大量的工作，通常是通过从采样不足的测量数据中重建所需的完整图像来实现MRI加速。
CS(Compressive Sensing，压缩感知)在快速磁共振成像中取得了显著进展，因为奈奎斯特采样可以通过挑选一些相位信息来显著减少采集时间。具体来说，基于CS的方法通过引入图像的额外先验知识，克服了由于违反奈奎斯特-香农采样定理而引起的混叠伪影效应。基于CS的方法采用变换域(例如欠采样的K空间数据)的稀疏编码，通过离散余弦变换、离散傅里叶变换、离散小波变换或字典学习等技术压缩MRI图像。然而，这些传统的方法仅仅利用了待重建图像的先验信息，或者涉及到很少参考图像。对于临床中获取的大量医学图像，传统的基于CS的方法并没有挖掘到图像中潜在的规律。由于基于CS的方法需要大量的迭代优化才能找到最优值，即使CS只涉及少量的参考图像，它们仍然有很大的计算开销。
近年来，并行磁共振成像被认为是加速磁共振成像最重要的成就之一。并行成像的多线圈数据由多个物理接收器同时从不同角度记录而成。并行磁共振成像利用多个通道的线圈灵敏度剖面从少量的K空间数据中重建数据点。目前，并行成像是许多扫描协议的默认选项。大多数研究利用空间敏感性和梯度编码来减少重建所需的数据量，从而缩短成像时间。然而，在临床实践中，较高的加速度可能会引入伪影，并显著降低信噪比。
随着深度神经网络的复兴，深度学习技术，特别是卷积神经网络已广泛应用于磁共振成像。由于模型是在大规模数据下离线训练的，因此重构只需要少量额外的在线样本。例如基于模型的展开方法将数学结构(如变分推理、压缩感知)与深度学习结合起来，用于快速MRI图像重建。此外，现有技术引入了端到端可学习模型，以消除从欠采样多线圈空间数据重建的图像中产生的混叠效应。利用神经网络自动学习零填充空间和全采样MRI图像之间的映射，而不需要子问题划分。
以上大多数方法在MRI图像重建中直接借用了普通卷积。然而，普通卷积是为实值自然图像设计的，不能处理复值输入。为了解决这个问题，早期的研究只考虑复值图像，或者用实值卷积分别处理实值和虚值(如图1所示)。为避免信息丢失，最近提出了复数卷积来处理复值输入，并鼓励实值和虚值之间的信息交换(如图2所示)。虽然令人印象深刻，但现有的复数卷积操作忽略了MRI图像固有的多频特性，导致最终的特征表示仅仅包含有限单尺度上下文信息，以及造成高空间上的冗余，并且在卷积过程中忽略了K空间数据保真度和图像域接近度，难以实现高保真重建。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于多频复数卷积的磁共振图像重建方法及装置，包括：
一种基于多频复数卷积的磁共振图像重建方法，包括：
获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；
使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；
依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；
依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；
获取目标组织的至少两个不同的欠采样目标图像；
使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
优选地，所述使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果的步骤，包括：
将前一级所述多频复数卷积块和对应于前一级所述多频复数卷积块的所述数据保真项的输出以及所述欠采样样本图像作为后一级所述多频复数卷积块和对应于后一级所述多频复数卷积块的所述数据保真项的输入，并将最后一级所述多频复数卷积块和对应于最后一级所述多频复数卷积块的所述数据保真项的输出作为所述卷积处理结果；其中，第一级所述多频复数卷积块和对应于第一级所述多频复数卷积块的所述数据保真项的输入为所述欠采样样本图像。
优选地，所述将前一级所述多频复数卷积块和对应于前一级所述多频复数卷积块的所述数据保真项的输出以及所述欠采样样本图像作为后一级所述多频复数卷积块和对应于后一级所述多频复数卷积块的所述数据保真项的输入的步骤，包括：
将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入；
将对应于前一级所述多频复数卷积块的所述数据保真项的输出作为后一级所述多频复数卷积块的输入；其中，第一级所述多频复数卷积块的输入为所述欠采样样本图像。
优选地，每个所述多频复数卷积块均包括级联的至少两个多频复数卷积层；
所述将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入的步骤包括：
将前一级所述多频复数卷积块中的前一级所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并将前一级所述多频复数卷积块中的最后一级所述多频复数卷积层的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入；其中，第一级所述多频复数卷积块中的第一级所述多频复数卷积层的输入为所述欠采样样本图像。
优选地，所述多频复数卷积层包括高频实部卷积核、低频实部卷积核、高频虚部卷积核和低频虚部卷积核；
所述将前一级所述多频复数卷积块中的前一级所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入的步骤，包括：
将前一级所述多频复数卷积块中的前一级所述低频虚部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频虚部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述低频实部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频实部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述低频虚部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频虚部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述高频实部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述低频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频实部卷积核的输入；
其中，第一级所述多频复数卷积块中的第一级所述高频实部卷积核的输入为所述欠采样样本图像中的高频实部图像分量；第一级所述多频复数卷积块中的第一级所述低频实部卷积核的输入为所述欠采样样本图像中的低频实部图像分量；第一级所述多频复数卷积块中的第一级所述高频虚部卷积核的输入为所述欠采样样本图像中的高频虚部图像分量；第一级所述多频复数卷积块中的第一级所述低频虚部卷积核的输入为所述欠采样样本图像中的低频虚部图像分量。
优选地，每个所述多频复数卷积块均包括级联的至少两个多频复数卷积层；
所述将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入的步骤包括：
将前一级所述多频复数卷积块中的之前全部所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并依据前一级所述多频复数卷积块中的最后一级所述多频复数卷积层的输出生成对应于前一级所述多频复数卷积块的所述数据保真项的输入；其中，第一级所述多频复数卷积块中的第一级所述多频复数卷积层的输入为所述欠采样样本图像。
优选地，所述多频复数卷积层包括高频实部卷积核、低频实部卷积核、高频虚部卷积核和低频虚部卷积核；
所述将前一级所述多频复数卷积块中的之前全部所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入的步骤，包括：
将前一级所述多频复数卷积块中的之前全部所述低频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频虚部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述低频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频实部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频虚部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述高频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频实部卷积核的输入；
其中，第一级所述多频复数卷积块中的第一级所述高频实部卷积核的输入为所述欠采样样本图像中的高频实部图像分量；第一级所述多频复数卷积块中的第一级所述低频实部卷积核的输入为所述欠采样样本图像中的低频实部图像分量；第一级所述多频复数卷积块中的第一级所述高频虚部卷积核的输入为所述欠采样样本图像中的高频虚部图像分量；第一级所述多频复数卷积块中的第一级所述低频虚部卷积核的输入为所述欠采样样本图像中的低频虚部图像分量。
一种基于多频复数卷积的磁共振图像重建装置，包括：
样本获取模块，用于获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；
卷积处理模块，用于使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；
损失确定模块，用于依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；
训练处理模块，用于依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；
目标获取模块，用于获取目标组织的至少两个不同的欠采样目标图像；
网络应用模块，用于使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的一种基于多频复数卷积的磁共振图像重建方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种基于多频复数卷积的磁共振图像重建方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；获取目标组织的至少两个不同的欠采样目标图像；使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像，充分考虑了所述欠采样目标图像的原始空间信息，能够有效减少混叠伪影，从至少两个不同的所述欠采样目标图像中重建出高保真的图像。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术中的一种实值卷积网络的结构示意图；
图2是现有技术中的一种复数卷积网络的结构示意图；
图3是本申请一实施例提供的一种基于多频复数卷积的磁共振图像重建方法的步骤流程图；
图4是本申请一实施例提供的一种图像处理网络的结构示意图；
图5是本申请一实施例提供的一种多频复数卷积块的结构示意图；
图6是本申请一实施例提供的一种多频复数卷积核的结构示意图；
图7是本申请一实施例提供的一种基于多频复数卷积的磁共振图像重建装置的结构框图；
图8是本申请一实施例提供的一种计算机设备的结构示意图。
说明书附图中的附图标记如下：
12、计算机设备；14、外部设备；16、处理单元；18、总线；20、网络适配器；22、I/O接口；24、显示器；28、内存；30、随机存取存储器；32、高速缓存存储器；34、存储系统；40、程序/实用工具；42、程序模块。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本申请任一实施例中，所述方法应用于从至少两个欠采样的图像中重建出无混叠伪影的图像。
参照图3，示出了本申请一实施例提供的一种基于多频复数卷积的磁共振图像重建方法；
所述方法包括：
S310、获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；
S320、使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；
S330、依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；
S340、依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；
S350、获取目标组织的至少两个不同的欠采样目标图像；
S360、使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
在本申请的实施例中，通过获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；获取目标组织的至少两个不同的欠采样目标图像；使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像，充分考虑了所述欠采样目标图像的原始空间信息，能够有效减少混叠伪影，从至少两个不同的所述欠采样目标图像中重建出高保真的图像。
下面，将对本示例性实施例中一种基于多频复数卷积的磁共振图像重建方法作进一步地说明。
如所述步骤S310所述，获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项。
通过磁共振扫描仪的多个接收线圈对所述样本组织进行采样，获得所述欠采样样本图像以及所述全采样样本图像。需要说明的是，通过磁共振扫描仪的接收线圈可以获取K空间信号，然后利用多维反傅里叶变换获得最终的磁共振图像，而在磁共振并行成像中，通过多个接收线圈可以同时获取扫描目标的空间数据。令A＝MF∈CM×N为欠采样的傅里叶编码矩阵，其中F为多维傅里叶变换，M为欠采样掩模算子，在并行成像中，所有线圈都使用相同的欠采样掩模算子，因此，每个线圈的欠采样K空间数据可以表示为：
yi＝A(Six) (公式1)
其中，i＝1,2,...,c，c表示线圈数，x∈CN×1为真实磁共振图像，yi∈CM×1(M<<N)为第i个线圈的欠采样K空间数据，Si为编码第i个线圈的灵敏度映射的复值对角矩阵。每个线圈测量的线圈灵敏度可控制K空间数据，线圈的结构以及与扫描下的解剖结构的相互作用会影响线圈的灵敏度，因此在不同的扫描中会发生变化。此外，如果直接将反傅里叶变换应用于欠采样的K空间数据，得到的图像将包含混叠伪影。
为了去除混叠伪影，利用
的先验知识对其进行重构，可以表述为以下优化问题：
其中Ψ是正则化函数，λ是控制这两项的参数。
利用包含级联的所述多频复数卷积块的所述图像处理网络可以有效地解决公式2中提出的问题，避免了耗时的数值优化和对线圈灵敏度的需求。
如所述步骤S320所述，使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果。
图4给出了所述图像处理网络的架构，同时考虑K空间数据保真度和图像域接近度，实现高保真重建。具体来说，将所述欠采样样本图像输入到级联的所述多频复数卷积块以及所述数据保真项中，以获得所述获得卷积处理结果；所述数据保真项有助于在训练过程中保留原始空间信息。
如所述步骤S330所述，依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数。
所述损失函数λ表示测量所述图像处理网络重建的损失函数，可表示多种损失(例如λ1，λ2和SSIM(StructuralSimilarity，结构相似性)损耗)；其中，λ1损失函数基于逐像素比较差异，然后取绝对值；λ2损失函数基于逐像素比较差异，然后取平方；SSIM损失函数则考虑了亮度(luminance)、对比度(contrast)和结构(structure)指标，即考虑了人类视觉感知，因此得到的结果比λ1，λ2的结果更具细节。
如所述步骤S340所述，依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络。
在训练期间，通过最小化损失函数λ来更新所述图像处理网络的网络权值：
其中y’(n)是由零填充K空间数据得到的第n个多通道图像，x’(n)是第n个多通道真实图像，N是训练样本总数，fθ(·)是一个由参数θ控制的端到端映射函数，其中包含大量可调网络权值。训练好所述图像处理网络后，得到重建多通道图像的最优参数集合
并通过
预测该图像。最后，使用自适应线圈组合方法从
中获得期望的磁共振图像。
如所述步骤S350所述，获取目标组织的至少两个不同的欠采样目标图像。
在所述多频复数网络的应用阶段，通过磁共振扫描仪的多个接收线圈对所述目标组织进行采样，获得所述欠采样目标图像。所述目标组织优选为软组织(例如血管、肌肉等)。所述多频复数网络在多尺度表示学习方面具有强大的能力，因此可以更好地捕获软组织大小和不同形状。
如所述步骤S360所述，使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
所述多频复数网络包含级联的所述多频复数卷积块，能够对所述欠采样目标图像进行多尺度的重构，并且每一所述多频复数卷积块后均设有所述数据保真项，能够在重构过程中保留所述欠采样目标图像的原始空间信息，生成高质量的重建图像。
在本申请一实施例中，所述“使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果”的步骤包括：
将前一级所述多频复数卷积块和对应于前一级所述多频复数卷积块的所述数据保真项的输出以及所述欠采样样本图像作为后一级所述多频复数卷积块和对应于后一级所述多频复数卷积块的所述数据保真项的输入，并将最后一级所述多频复数卷积块和对应于最后一级所述多频复数卷积块的所述数据保真项的输出作为所述卷积处理结果；其中，第一级所述多频复数卷积块和对应于第一级所述多频复数卷积块的所述数据保真项的输入为所述欠采样样本图像。
具体来说，将所述欠采样样本图像作为输入，首先通过反傅里叶变换将其转换为有混叠伪影的多通道图像；然后所述多通道图像和所述欠采样样本图像输入到第一级的所述多频复数卷积块及其对应的所述数据保真项中，并依次将前一级所述多频复数卷积块及其对应的所述数据保真项的输出以及所述欠采样样本图像作为后一级所述多频复数卷积块及其对应的所述数据保真项的输入，并将最后一级所述多频复数卷积块及其对应的所述数据保真项的输出作为所述卷积处理结果。
在本申请一实施例中，所述“将前一级所述多频复数卷积块和对应于前一级所述多频复数卷积块的所述数据保真项的输出以及所述欠采样样本图像作为后一级所述多频复数卷积块和对应于后一级所述多频复数卷积块的所述数据保真项的输入”的步骤包括：
将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入；
将对应于前一级所述多频复数卷积块的所述数据保真项的输出作为后一级所述多频复数卷积块的输入；其中，第一级所述多频复数卷积块的输入为所述欠采样样本图像。
具体来说，将所述欠采样样本图像作为输入，首先通过反傅里叶变换将其转换为有混叠伪影的多通道图像；然后将转换后的所述多通道图像输入到第一级的所述多频复数卷积块中，以获得卷积输出图像；将所述卷积输出图像和所述欠采样样本图像输入到与第一级的所述多频复数卷积块对应的所述数据保真项中，以获得保留所述欠采样样本图像原始空间信息的所述保真输出图像；依次将对应于前一级所述多频复数卷积块的所述数据保真项输出的所述保真输出图像作为后一级所述多频复数卷积块的输入，并将对应于最后一级所述多频复数卷积块的所述数据保真项输出的所述保真输出图像作为所述卷积处理结果。
形式上，所述数据保真项可以表示如下：
其中
为第t个多频复数卷积块的重建输出图像，Xt第t个数据保真项后的输出，并且被输入到第t+1个多频复数卷积块中，F-1表示反傅里叶变换。
在本申请一实施例中，每个所述多频复数卷积块均包括级联的至少两个多频复数卷积层；
所述“将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入”的步骤包括：
将前一级所述多频复数卷积块中的前一级所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并将前一级所述多频复数卷积块中的最后一级所述多频复数卷积层的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入；其中，第一级所述多频复数卷积块中的第一级所述多频复数卷积层的输入为所述欠采样样本图像。
如图5所示，每个所述多频复数卷积块由K个所述多频复数卷积层
组成，所述多频复数卷积层以顺序排列的方式将X作为输入，
作为重建的输出。具体来说，将所述多通道图像输入至第一级所述多频复数卷积块中的第一级所述多频复数卷积层中，以获得卷积输出子图像；依次将前一级所述多频复数卷积块中的前一级所述多频复数卷积层输出的所述卷积输出子图像作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并将前一级所述多频复数卷积块中的最后一级所述多频复数卷积层输出的所述卷积输出子图像和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入。
在本申请一实施例中，所述多频复数卷积层包括高频实部卷积核、低频实部卷积核、高频虚部卷积核和低频虚部卷积核；
所述将前一级所述多频复数卷积块中的前一级所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入的步骤，包括：
将前一级所述多频复数卷积块中的前一级所述低频虚部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频虚部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述低频实部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频实部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述低频虚部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频虚部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述高频实部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述低频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频实部卷积核的输入；
其中，第一级所述多频复数卷积块中的第一级所述高频实部卷积核的输入为所述欠采样样本图像中的高频实部图像分量；第一级所述多频复数卷积块中的第一级所述低频实部卷积核的输入为所述欠采样样本图像中的低频实部图像分量；第一级所述多频复数卷积块中的第一级所述高频虚部卷积核的输入为所述欠采样样本图像中的高频虚部图像分量；第一级所述多频复数卷积块中的第一级所述低频虚部卷积核的输入为所述欠采样样本图像中的低频虚部图像分量。
具体来说，为了获得丰富的多尺度上下文信息，首先用复值滤波器处理所述多通道图像，然后将其分解为低、高空间频率两部分。令X∈Cc×h×w＝Xr(0)+iXi(0)为输入尺寸为c、h和w的复数特征图。Xr(0)和Xi(0)分别是复数的实部和虚部分量。如图4所示，最初将复值的输入特征映射分为低、高空间频率组：
其中高空间频率组XH∈C(1-α)c×h×w捕捉数据的高频细节，低空间频率组XL∈Cαc×0.5h×0.5w决定了低频图像对比度。这里的α∈[0,1]控制分配给低、高空间频率特征图的通道比例。当α＝0时所述多频复数卷积层退化成普通的复数卷积。对于第k个多频复数卷积层Dk，有：
其中，
为输入，
为Dk的输出。然后对于每个块，在第K个多频复数卷积层得到最终的特征表示，合并后得到重构结果：
其中u(·,z)被定义为倍数是z的上采样操作，本实施例中使用的是最近邻插值方式。c(·,·)表示为连接合并操作。输出
被送入到所述数据保真层以及后续的所述多频复数卷积块中用于构建整个级联的重建网络。
在本申请另一实施例中，每个所述多频复数卷积块均包括级联的至少两个多频复数卷积层；
所述将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入的步骤包括：
将前一级所述多频复数卷积块中的之前全部所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并依据前一级所述多频复数卷积块中的最后一级所述多频复数卷积层的输出生成对应于前一级所述多频复数卷积块的所述数据保真项的输入；其中，第一级所述多频复数卷积块中的第一级所述多频复数卷积层的输入为所述欠采样样本图像。
前述实施例提到的顺序结构逐层进行单独的特征学习，忽略了不同层之间的特征融合，而多层之间的联合往往产生更全面的特征表示。为此，本实施例中改进了所述多频复数卷积块的顺序连接方式，引入交错的密集连接方式。具体来说，将所述多通道图像输入至第一级所述多频复数卷积块中的第一级所述多频复数卷积层中，以获得卷积输出子图像；依次将前一级所述多频复数卷积块中的之前全部所述多频复数卷积层输出的所述卷积输出子图像作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并将前一级所述多频复数卷积块中的最后一级所述多频复数卷积层输出的所述卷积输出子图像和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入。
在本申请一实施例中，所述多频复数卷积层包括高频实部卷积核、低频实部卷积核、高频虚部卷积核和低频虚部卷积核；
所述将前一级所述多频复数卷积块中的之前全部所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入的步骤，包括：
将前一级所述多频复数卷积块中的之前全部所述低频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频虚部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述低频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频实部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频虚部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述高频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频实部卷积核的输入；
其中，第一级所述多频复数卷积块中的第一级所述高频实部卷积核的输入为所述欠采样样本图像中的高频实部图像分量；第一级所述多频复数卷积块中的第一级所述低频实部卷积核的输入为所述欠采样样本图像中的低频实部图像分量；第一级所述多频复数卷积块中的第一级所述高频虚部卷积核的输入为所述欠采样样本图像中的高频虚部图像分量；第一级所述多频复数卷积块中的第一级所述低频虚部卷积核的输入为所述欠采样样本图像中的低频虚部图像分量。
对于第k(k≥1)个所述多频复数卷积层的输出，其特征表示如下：
在这里，第k层的特征映射首先将之前所有层的特征连接起来，然后使用函数Ck进行处理，从所有这些特征映射中学习集体知识。Ck可以表示为：BN-ReLU-Conv(1×1)-BN-ReLU-Conv(3×3)。由于不需要重新学习冗余的特征映射，这种密集的连接使我们的模型能够以很高的计算效率重用以前的层的特征。当所述多频复数卷积层的数量增加时，这种方法也有助于缓解梯度消失的问题。
下面将对上述实施例中提到的所述多频复数卷积层作进一步地说明。
所述多频复数卷积层融合了复值输入的实部和虚部。对于第k层Dk，我们定义X(k-1)＝Xr(k-1)+iXi(k-1)作为输入。我们通过复值滤波矩阵K(k)＝Kr(k)+iKi(k)来卷积X(k-1)
其中矩阵Kr(k)和Ki(k)分别表示实部和虚部分量的卷积核。注意，所有的卷积核和特征映射都由实矩阵表示，因为复值的算法是由实值体模拟的。如图6所示，复值滤波矩阵进一步表示为
以此来卷积特征矩阵
和
该层卷积Dk可以表示为：
其中f(X；K)表示滤波器为K的卷积，u(X,k)代表上采样因子为k的上采样操作，p(X,z)表示滤波器大小为z×z的平均池化层。实部和虚部通过运算融合在一起，{L→L,H→H}，{H→L,L→H}，分别对应于高和低空间频率特征图之间的信息更新和交换。因此，所述多频复数卷积层能够扩大低频特征图的实部和虚部的接受域。从这个角度来看，在对实部和虚部的低频特征映射
与卷积核z×z进行卷积之后，与普通的卷积相比，两者的接受野都达到了2×倍放大。因此，所述多频复数卷积具有很强的可以捕获丰富的不同尺度的上下文信息的能力。
本申请提出了一种具有一系列新的多频复数卷积的网络结构，用于处理复值数据在多个空间频率上的实部和虚部分量。通过对不同空间分辨率下的实部分量和虚部分量的特征映射进行卷积，提出的所述多频复数卷积块有助于网络学习更全面的特征表示，获得更高质量的重建图像，显著减少伪影。在不同的欠采样模式和加速度设置下，将所述多频复数卷积网络在活体膝关节和fastMRI数据集上进行了广泛的实验，结果表明，所述多频复数卷积网络优于在加速磁共振图像重建方面的最新方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图7，示出了本申请一实施例提供的一种基于多频复数卷积的磁共振图像重建装置，具体包括：
样本获取模块710，用于获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；
卷积处理模块720，用于使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；
损失确定模块730，用于依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；
训练处理模块740，用于依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；
目标获取模块750，用于获取目标组织的至少两个不同的欠采样目标图像；
网络应用模块760，用于使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
参照图8，示出了本申请的一种基于多频复数卷积的磁共振图像重建方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图8所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种基于多频复数卷积的磁共振图像重建方法。
也即，上述处理单元16执行上述程序时实现：获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；获取目标组织的至少两个不同的欠采样目标图像；使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
在本申请一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的一种基于多频复数卷积的磁共振图像重建方法。
也即，给程序被处理器执行时实现：获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；获取目标组织的至少两个不同的欠采样目标图像；使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于多频复数卷积的磁共振图像重建方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于多频复数卷积的磁共振图像重建方法，其特征在于，所述方法应用于从至少两个欠采样的图像中重建出无混叠伪影的图像，所述方法包括：
获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；
使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；
依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；
依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；
获取目标组织的至少两个不同的欠采样目标图像；
使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
2.根据权利要求1所述的磁共振图像重建方法，其特征在于，所述使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果的步骤，包括：
将前一级所述多频复数卷积块和对应于前一级所述多频复数卷积块的所述数据保真项的输出以及所述欠采样样本图像作为后一级所述多频复数卷积块和对应于后一级所述多频复数卷积块的所述数据保真项的输入，并将最后一级所述多频复数卷积块和对应于最后一级所述多频复数卷积块的所述数据保真项的输出作为所述卷积处理结果；其中，第一级所述多频复数卷积块和对应于第一级所述多频复数卷积块的所述数据保真项的输入为所述欠采样样本图像。
3.根据权利要求2所述的磁共振图像重建方法，其特征在于，所述将前一级所述多频复数卷积块和对应于前一级所述多频复数卷积块的所述数据保真项的输出以及所述欠采样样本图像作为后一级所述多频复数卷积块和对应于后一级所述多频复数卷积块的所述数据保真项的输入的步骤，包括：
将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入；
将对应于前一级所述多频复数卷积块的所述数据保真项的输出作为后一级所述多频复数卷积块的输入；其中，第一级所述多频复数卷积块的输入为所述欠采样样本图像。
4.根据权利要求3所述的磁共振图像重建方法，其特征在于，每个所述多频复数卷积块均包括级联的至少两个多频复数卷积层；
所述将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入的步骤包括：
将前一级所述多频复数卷积块中的前一级所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并将前一级所述多频复数卷积块中的最后一级所述多频复数卷积层的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入；其中，第一级所述多频复数卷积块中的第一级所述多频复数卷积层的输入为所述欠采样样本图像。
5.根据权利要求4所述的磁共振图像重建方法，其特征在于，所述多频复数卷积层包括高频实部卷积核、低频实部卷积核、高频虚部卷积核和低频虚部卷积核；
所述将前一级所述多频复数卷积块中的前一级所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入的步骤，包括：
将前一级所述多频复数卷积块中的前一级所述低频虚部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频虚部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述低频实部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频实部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述低频虚部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频虚部卷积核的输入；
将前一级所述多频复数卷积块中的前一级所述高频实部卷积核的输出以及前一级所述多频复数卷积块中的前一级所述低频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频实部卷积核的输入；
其中，第一级所述多频复数卷积块中的第一级所述高频实部卷积核的输入为所述欠采样样本图像中的高频实部图像分量；第一级所述多频复数卷积块中的第一级所述低频实部卷积核的输入为所述欠采样样本图像中的低频实部图像分量；第一级所述多频复数卷积块中的第一级所述高频虚部卷积核的输入为所述欠采样样本图像中的高频虚部图像分量；第一级所述多频复数卷积块中的第一级所述低频虚部卷积核的输入为所述欠采样样本图像中的低频虚部图像分量。
6.根据权利要求3所述的磁共振图像重建方法，其特征在于，每个所述多频复数卷积块均包括级联的至少两个多频复数卷积层；
所述将前一级所述多频复数卷积块的输出和所述欠采样样本图像作为对应于前一级所述多频复数卷积块的所述数据保真项的输入的步骤包括：
将前一级所述多频复数卷积块中的之前全部所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入，并依据前一级所述多频复数卷积块中的最后一级所述多频复数卷积层的输出生成对应于前一级所述多频复数卷积块的所述数据保真项的输入；其中，第一级所述多频复数卷积块中的第一级所述多频复数卷积层的输入为所述欠采样样本图像。
7.根据权利要求6所述的磁共振图像重建方法，其特征在于，所述多频复数卷积层包括高频实部卷积核、低频实部卷积核、高频虚部卷积核和低频虚部卷积核；
所述将前一级所述多频复数卷积块中的之前全部所述多频复数卷积层的输出作为前一级所述多频复数卷积块中的后一级所述多频复数卷积层的输入的步骤，包括：
将前一级所述多频复数卷积块中的之前全部所述低频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频虚部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述低频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述低频实部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述高频虚部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频虚部卷积核的输入；
将前一级所述多频复数卷积块中的之前全部所述高频实部卷积核的输出作为前一级所述多频复数卷积块中的后一级所述高频实部卷积核的输入；
其中，第一级所述多频复数卷积块中的第一级所述高频实部卷积核的输入为所述欠采样样本图像中的高频实部图像分量；第一级所述多频复数卷积块中的第一级所述低频实部卷积核的输入为所述欠采样样本图像中的低频实部图像分量；第一级所述多频复数卷积块中的第一级所述高频虚部卷积核的输入为所述欠采样样本图像中的高频虚部图像分量；第一级所述多频复数卷积块中的第一级所述低频虚部卷积核的输入为所述欠采样样本图像中的低频虚部图像分量。
8.一种基于多频复数卷积的磁共振图像重建装置，其特征在于，包括：
样本获取模块，用于获得图像样本和图像处理网络；其中，所述图像样本包括样本组织的至少两个不同的欠采样样本图像以及所述样本组织的全采样样本图像；所述图像处理网络包括级联的至少两个多频复数卷积块，以及连接在每个所述多频复数卷积块后的用于保留所述欠采样样本图像原始空间信息的数据保真项；
卷积处理模块，用于使用所述多频复数卷积块和所述数据保真项对所述欠采样样本图像进行处理，获得卷积处理结果；
损失确定模块，用于依据所述卷积处理结果和所述全采样样本图像，确定对应于所述图像处理网络的损失函数；
训练处理模块，用于依据所述损失函数对所述图像处理网络进行训练，生成从至少两个欠采样的图像中重建出无混叠伪影的图像的多频复数网络；
目标获取模块，用于获取目标组织的至少两个不同的欠采样目标图像；
网络应用模块，用于使用所述多频复数网络对所述欠采样目标图像进行处理，生成无伪影目标图像；其中，所述无伪影目标图像为去除混叠伪影后的所述欠采样目标图像。
9.一种设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873838.1A CN113592973A (zh) | 2021-07-30 | 2021-07-30 | 一种基于多频复数卷积的磁共振图像重建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873838.1A CN113592973A (zh) | 2021-07-30 | 2021-07-30 | 一种基于多频复数卷积的磁共振图像重建方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113592973A true CN113592973A (zh) | 2021-11-02 |
Family
ID=78252846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110873838.1A Pending CN113592973A (zh) | 2021-07-30 | 2021-07-30 | 一种基于多频复数卷积的磁共振图像重建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592973A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024021796A1 (zh) * | 2022-07-25 | 2024-02-01 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备、存储介质及程序产品 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180285695A1 (en) * | 2017-03-28 | 2018-10-04 | Siemens Healthcare Gmbh | Magnetic Resonance Image Reconstruction System and Method |
| CN109671129A (zh) * | 2018-12-14 | 2019-04-23 | 深圳先进技术研究院 | 一种自适应参数学习的动态磁共振图像重建方法和装置 |
| WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
| US20200355774A1 (en) * | 2017-06-06 | 2020-11-12 | Shenzhen Institutes Of Advanced Technology | One-dimensional partial fourier parallel magnetic resonance imaging method based on deep convolutional network |
| CN111951344A (zh) * | 2020-08-09 | 2020-11-17 | 昆明理工大学 | 一种基于级联并行卷积网络的磁共振图像重建方法 |
| WO2021077557A1 (zh) * | 2019-10-23 | 2021-04-29 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
| CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
| CN113096208A (zh) * | 2021-03-16 | 2021-07-09 | 天津大学 | 基于双域交替卷积的神经网络磁共振图像的重建方法 |
-
2021
- 2021-07-30 CN CN202110873838.1A patent/CN113592973A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180285695A1 (en) * | 2017-03-28 | 2018-10-04 | Siemens Healthcare Gmbh | Magnetic Resonance Image Reconstruction System and Method |
| US20200355774A1 (en) * | 2017-06-06 | 2020-11-12 | Shenzhen Institutes Of Advanced Technology | One-dimensional partial fourier parallel magnetic resonance imaging method based on deep convolutional network |
| CN109671129A (zh) * | 2018-12-14 | 2019-04-23 | 深圳先进技术研究院 | 一种自适应参数学习的动态磁共振图像重建方法和装置 |
| WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
| WO2021077557A1 (zh) * | 2019-10-23 | 2021-04-29 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
| CN111951344A (zh) * | 2020-08-09 | 2020-11-17 | 昆明理工大学 | 一种基于级联并行卷积网络的磁共振图像重建方法 |
| CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
| CN113096208A (zh) * | 2021-03-16 | 2021-07-09 | 天津大学 | 基于双域交替卷积的神经网络磁共振图像的重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHUN-MEI FENG ET AL: "Dual-Octave Convolution for Accelerated Parallel MR Image Reconstruction", 《THE THIRTY-FIFTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE (AAAI-21)》, vol. 35, no. 1, pages 116 - 120 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024021796A1 (zh) * | 2022-07-25 | 2024-02-01 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
| CN109978037B (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
| CN110766769B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
| CN110766768B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
| CN103854297B (zh) | 利用紧框架学习的动态图像重建 | |
| CN112132959A (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
| CN111047660B (zh) | 图像重建方法、装置、设备及存储介质 | |
| WO2023044605A1 (zh) | 极端环境下脑结构的三维重建方法、装置及可读存储介质 | |
| 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 | |
| CN110717958A (zh) | 一种图像重建方法、装置、设备及介质 | |
| CN106981046B (zh) | 基于多层梯度约束回归的单幅图像超分辨率重建方法 | |
| Sui et al. | Simultaneous image reconstruction and lesion segmentation in accelerated MRI using multitasking learning | |
| CN113592973A (zh) | 一种基于多频复数卷积的磁共振图像重建方法及装置 | |
| Ke et al. | CRDN: cascaded residual dense networks for dynamic MR imaging with edge-enhanced loss constraint | |
| 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 | |
| CN117197349A (zh) | 一种ct图像重建方法及装置 | |
| CN114445273A (zh) | 磁共振图像处理方法、计算机设备及存储介质 | |
| CN110728732A (zh) | 一种图像重建方法、装置、设备及介质 | |
| WO2022193378A1 (zh) | 图像重建模型生成方法及装置、图像重建方法及装置、设备、介质 | |
| US12045958B2 (en) | Motion artifact correction using artificial neural networks | |
| CN112669400B (zh) | 基于深度学习预测和残差架构的动态mr重建方法 | |
| Xie et al. | 3D few-view CT image reconstruction with deep learning | |
| CN103236049B (zh) | 基于序列相似性插值的部分k空间图像重构方法 | |
| CN115375626B (zh) | 基于物理分辨率的医学图像分割方法、系统、介质及设备 | |
| US20240062332A1 (en) | System and method for improving sharpness of magnetic resonance images using a deep learning neural network |
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 |
Application publication date: 20211102 |