CN115063499A - 面向磁共振成像放射状采样轨迹的切片自适应确定方法 - Google Patents

面向磁共振成像放射状采样轨迹的切片自适应确定方法 Download PDF

Info

Publication number
CN115063499A
CN115063499A CN202210587353.0A CN202210587353A CN115063499A CN 115063499 A CN115063499 A CN 115063499A CN 202210587353 A CN202210587353 A CN 202210587353A CN 115063499 A CN115063499 A CN 115063499A
Authority
CN
China
Prior art keywords
data
training
network
magnetic resonance
sampling
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
Application number
CN202210587353.0A
Other languages
English (en)
Inventor
庞彦伟
刘金枭
刘一鸣
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202210587353.0A priority Critical patent/CN115063499A/zh
Publication of CN115063499A publication Critical patent/CN115063499A/zh
Pending legal-status Critical Current

Links

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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，包括以下步骤：步骤1、获取磁共振数据，构建深度强化学习模型的训练和测试数据；步骤2、基于步骤1获得的训练数据进行重建网络的预训练；步骤3、依据步骤2得到的预训练重建网络构建强化学习系统的环境和决策网络，进而实现对放射状切片自适应的高性能k空间主动欠采样。本发明能够提高对k空间数据的利用能力，改善目前单目标奖励函数对图像质量变化表示不够充分的问题，并通过重新建立重建网络的训练模式，使得强化学习的目标明确，提高磁共振成像质量。

Description

面向磁共振成像放射状采样轨迹的切片自适应确定方法
技术领域
本发明属于电子与通信工程技术领域，涉及一种磁共振成像主动欠采样方法，尤其是一种面向磁共振成像放射状采样轨迹的切片自适应确定方法。
背景技术
磁共振成像是一种应用于放射学的医学成像技术，是目前临床医学和基础生命科学研究中使用最广泛的成像技术之一。磁共振成像与其他医学影像技术相比，磁共振成像的优势在于其无电离辐射、软组织对比度高、空间分辨率高、无人体创伤、成像参数丰富)等。
虽然磁共振成像具有如上多种优势，但是磁共振成像的数据是在k空间中顺序获取的，这个数据获取的时间受到硬件条件的限制十分缓慢。因此，实现MRI快速成像并保证磁共振成像质量是磁共振成像研究领域的重点和难点，具有重大的临床应用价值。
但现有实现MRI快速成像的技术中，基于深度强化学习方法的获取优秀欠采样轨迹的方法具有如下问题：1、仅针对笛卡尔采样模式进行建模，面向笛卡尔采样模式进行轨迹决策，缺乏对k空间数据的充分利用能力；2、重建网络的训练模式输入数据关联性较差，输入数据为全部可能的k空间数据的组合，强化学习的学习目标不明确，影响最终对特定加速倍率的欠采样轨迹的优化学习；3、系统使用的奖励函数仅为单目标奖励函数，对图像质量的变化评价不够充分，影响强化学习系统的学习性能。
经检索，未发现与本发明相同或相似的已公开的专利文献。
发明内容
本发明的目的在于克服现有技术的不足，提出一种面向磁共振成像放射状欠采样轨迹的切片自适应确定方法，能够提高对k空间数据的利用能力，改善目前单目标奖励函数对图像质量变化表示不够充分的问题，并通过重新建立重建网络的训练模式，使得强化学习的目标明确，提高磁共振成像质量。
本发明解决其现实问题是采取以下技术方案实现的：
一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，包括以下步骤：
步骤1、获取磁共振数据，构建深度强化学习模型的训练和测试数据；
步骤2、基于步骤1获得的训练数据进行重建网络的预训练；
步骤3、依据步骤2得到的预训练重建网络构建强化学习系统的环境和决策网络，进而实现对放射状切片自适应的高性能k空间主动欠采样。
而且，所述步骤1的具体方法为：
采集仿真磁共振数据，采集的全采样数据k1保存在k空间中，k空间为保存磁共振数据的频域空间，随后通过逆傅里叶变换生成相应的全采样图像数据x1，对以上两种数据进行存储，构建深度强化学习模型的相关训练和测试数据；
而且，所述步骤2的具体方法包括：
(1)根据k1构建k空间欠采样掩码M，M的形状与k1的形状相同，M中的全部数据点均设置为0；
(2)设加速倍率目标为N1倍，N2为单个全采样数据k1包含的放射状辐条总数，对每一个全采样数据k1随机选取|N2/N1|条辐条，并根据被选择辐条的数据位置，将M中对应的位置赋值为1，其余位置为0；
(3)将M与全采样数据k1点乘等到欠采样数据k2，并将k2做逆傅里叶变换得到欠采样图像数据x2，将x2作为训练过程中重建网络的输入，x1作为预训练重建网络使用的图像真值，进行预训练重建网络的训练。
而且，所述步骤3所构建的强化学习系统的环境如下：
在强化学习的框架下，构建放射状采样轨迹学习的交互环境，环境初始状态为只采集45°辐条构成的状态；
强化学习系统的环境能够对当前的动作决策依据重建图像质量的改善程度进行评价，并能够将当前的欠采样数据状态结合采样动作转移到下一个欠采样数据状态，终止状态为具有|N2/N1|个辐条的状态；
其中，图像重建质量的改善程度称为奖励，奖励R包含3种评价指标，结构相似度、峰值信噪比和归一化均方误差，并通过参数对三种指标进行重要性整合，该计算方式为R＝p1*S+p2*P+p3*N，式中S为结构相似度变化，P为峰值信噪比变化，N为归一化均方误差变化，其中p、p1、p2、p3分别为重要性整合参数，p为预设值，p1＝P所处的量级/S所处的量级，p2＝p，p3＝-1*P所处的量级/N所处的量级。
而且，所述步骤3所构建的决策网络如下：
决策网络包括特征提取模块和动作价值预测模块；所述特征提取模块与动作价值预测模块相连接，所述特征提取模块基于卷积神经网络，动作价值预测模块基于全连接网络；特征提取模块的输入为步骤2得到的预训练重建网络计算得到的重建图像，输出为重建图像的特征图；所述动作价值预测模块的输入为特征图的一维展开，输出为不同动作对应的预测价值；
其中，预测价值称为Q值，Q值在深度强化学习中代表奖励的累积折扣期望；训练过程中Q值结合时间差分计算值和当前奖励值，当前奖励值以时间差分的方式映射为Qtarget，将Qtarget与决策网络预测的Q值求Smooth L1 loss并反馈到决策网络的各层，实现决策网络参数的优化，训练完成后网络具备根据当前的欠采样重建数据做出采样决策的能力。
而且，所述步骤3之后还包括如下步骤：
步骤4、对步骤3所构建的决策网络进行训练，得到训练好的决策网络；
步骤5、对步骤4得到的训练好的决策网络进行测试，验证网络效果。
步骤6、将训练好的采样轨迹决策模型集成到硬件设备当中，结合磁共振设备进行实际采集过程中放射状切片自适应采样轨迹的确定。
而且，所述步骤4的具体方法为：
采用学习率l，训练次数ln，决策网络的训练使用回放单元技术以及目标网络参数冻结技术，回放单元容量为lw。
本发明的优点和有益效果：
1、本发明提出了一种基于卷积神经网络的切片自适应磁共振成像放射状采样轨迹确定方法，在每一个切片上进行自适应放射状欠采样，获得自适应放射状欠采样轨迹，提高对k空间数据的利用能力、提高磁共振成像质量。
2、本发明基于的卷积神经网络的输入是使用之前提到的预训练方法的重建网络得到的重建图像，能够根据重建图像提取特征并且输出不同动作的价值，该方法可以提取到不同切片的特征，针对不同切片生成独特的采样轨迹，可以对不同切片具有适应性，提高磁共振成像质量。
3、本发明的预训练网络的训练方法为根据加速倍率设定的训练方法，因此奖励函数计算的图像质量更有利于对该预设的加速倍率下的图像质量提升。本发明的训练方法得到的预训练重建网络计算效率高，决策网络轻量高效。
附图说明
图1是本发明的面向磁共振成像放射状采样轨迹的切片自适应确定方法流程图；
图2是本发明的基于卷积神经网络的决策网络示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，如图1所示，包括以下步骤：
步骤1、获取磁共振数据，构建深度强化学习模型的训练和测试数据；
所述步骤1的具体方法为：
采集仿真磁共振数据，采集的全采样数据k1保存在k空间中，k空间为保存磁共振数据的频域空间，随后通过逆傅里叶变换生成相应的全采样图像数据x1，对以上两种数据进行存储，构建深度强化学习模型的相关训练和测试数据；
在本实施例中，该数据集的采集方法为全采样，数据以频域形式存储。
步骤2、基于步骤1获得的训练数据进行重建网络的预训练；
所述步骤2的具体方法包括：
(1)根据k1构建k空间欠采样掩码M，M的形状与k1的形状相同，M中的全部数据点均设置为0；
(2)设加速倍率目标为N1倍，N2为单个全采样数据k1包含的放射状辐条总数(一个辐条表示放射状数据的一条数据)，对每一个全采样数据k1随机选取|N2/N1|(取整)条辐条，并根据被选择辐条的数据位置，将M中对应的位置赋值为1，其余位置为0；
(3)将M与全采样数据k1点乘等到欠采样数据k2，并将k2做逆傅里叶变换得到欠采样图像数据x2，将x2作为训练过程中重建网络的输入，x1作为预训练重建网络使用的图像真值，进行预训练重建网络的训练。
步骤3、依据步骤2得到的预训练重建网络构建强化学习系统的环境和决策网络；
所述步骤3所构建的强化学习系统的环境如下：
在强化学习的框架下，构建放射状采样轨迹学习的交互环境，环境初始状态为只采集45°辐条构成的状态。环境能够对当前的动作决策(某辐条的位置索引)依据重建图像(重建图像通过步骤2得到的预训练重建网络获得)质量的改善程度进行评价，并能够将当前的欠采样数据状态结合采样动作转移到下一个欠采样数据状态，终止状态为具有|N2/N1|个辐条的状态。图像重建质量的改善程度称为奖励，奖励R包含3种评价指标，结构相似度、峰值信噪比和归一化均方误差，并通过参数对三种指标进行重要性整合，该计算方式为R＝p1*S+p2*P+p3*N，式中S为结构相似度变化，P为峰值信噪比变化，N为归一化均方误差变化，其中p、p1、p2、p3分别为重要性整合参数，p为预设值，p1＝P所处的量级/S所处的量级，p2＝p，p3＝-1*P所处的量级/N所处的量级。
所述步骤3所构建的决策网络如下：
决策网络包括特征提取模块和动作价值预测模块，特征提取模块基于卷积神经网络，动作价值预测模块基于全连接网络；特征提取模块的输入为步骤2得到的预训练重建网络计算得到的重建图像，输出为重建图像的特征图；动作价值预测模块的输入为特征图的一维展开，输出为不同动作对应的预测价值。预测价值称为Q值，Q值在深度强化学习中代表奖励的累积折扣期望。训练过程中Q值结合时间差分计算值和当前奖励值(以t时刻为例，Qt＝Rt+Qt+1)，当前奖励值以时间差分的方式映射为Qtarget，将Qtarget与决策网络预测的Q值求Smooth L1 loss并反馈到决策网络的各层，实现决策网络参数的优化，训练完成后网络具备根据当前的欠采样重建数据做出采样决策的能力。
图2是本发明的基于卷积神经网络的决策网络示意图，其中分为特征提取模块和动作决策模块，左部分为特征提取模块(由m1个卷积层构成，卷积层包括卷积核、非线性激活函数、池化层)，右部分为动作决策模块(由一个输入层，m2个隐藏层和一个输出层组成)；将数据输入到特征提取模块后提取特征，并将该特征展开，展开后利用动作决策模块估计每一个动作的价值。
x，y，z...表示卷积深度，h，j...表示全连接网络隐藏层。
步骤4、对步骤3所构建的决策网络进行训练，得到训练好的决策网络；
所述步骤4的具体方法为：
采用学习率l，训练次数ln，决策网络的训练使用回放单元技术以及目标网络参数冻结技术，回放单元容量为lw；
在本实施例中，所述步骤4利用建立的数据集、预训练重建网络、放射状采样轨迹学习的交互环境对构建的决策网络进行训练。训练时采用的学习率为10-4，训练次数为106，回放单元容量为4000，据此配置训练决策网络以得到收敛的模型。
步骤5、对步骤4得到的训练好的决策网络进行测试，验证网络效果。
步骤6、将训练好的采样轨迹决策模型集成到硬件设备当中，结合磁共振设备进行实际采集过程中放射状切片自适应采样轨迹的确定。
具体来说，磁共振设备在进行放射状k空间数据采集时，进行初始数据采集(采集45°的辐条)，根据该初始欠采样k空间数据，利用预训练重建网络获得重建图像状态；然后将重建图像状态输入决策网络进行前向传播完成当前采样决策；最后循环决策直到满足规定的加速倍率(达到终止状态)，即可实现对放射状切片自适应的高性能k空间主动欠采样。
下面给出本发明的方法训练后与领域现有方法的结果对比表，其中Pineda表示Pineda等的方法，(Pineda L,Basu S,Romero A,et al.Active MR k-space samplingwith reinforcement learning[C].Proceedings of the International Conference onMedical Image Computing and Computer Assisted Intervention,2020:23-33.)，表格中分为对结构相似度SSIM，峰值信噪比PSNR和归一化均方误差NMSE的对比，SSIM和PSNR越高越好，NMSE越低越好。
表格分为4加速倍率和8加速倍率的对比结果，在4加速倍率时，本发明的SSIM高出Pineda方法3.18％，PSNR高出Pineda方法1.23dB，NMSE低于Pineda方法0.77％；在8加速倍率时，本发明的SSIM高出Pineda方法1.82％，PSNR高出Pineda方法0.65dB，NMSE低于Pineda方法0.69％；本发明在两种加速倍率和三种评价指标上均优于Pineda方法，获得了更高的图像重建质量。
Figure BDA0003663466540000091
本发明的创新之处在于：
1、本发明提出一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，通过获得优化过的放射状欠采样轨迹，可以提高磁共振成像质量。放射状自适应采样轨迹确定问题的部分可观察马尔可夫决策过程建模如下：状态空间：由历史辐条信息和原始k空间数据构成的状态空间；动作空间：所有辐条的位置信息构成的动作空间；观测空间：预训练的重建网络根据状态空间中的数据转换得到的欠采样图像，获得欠采样重建图像作为观测值；状态转换：状态转换过程为根据动作，将指定辐条位置处的数据进行更新。
2、本发明采用的指定加速倍率放射状采样轨迹预训练重建网络的训练方式为根据预设的加速倍率调整，根据加速倍率的目标设定训练方法，例如加速倍率目标为N1倍，从每一个放射状k空间数据中随机选取N2/N1条的数据作为欠采样训练数据，将该欠采样训练数据做傅里叶逆变换得到欠采样图像数据，输入到重建网络。
3、多目标奖励函数：奖励函数包含3种评价指标，结构相似度、峰值信噪比和归一化均方误差，并通过参数对三种指标进行重要性整合，奖励函数R包含3种评价指标，结构相似度、峰值信噪比和归一化均方误差，并通过参数对三种指标进行重要性整合，该计算方式为R＝p1*S+p2*P+p3*N，式中S为结构相似度变化，P为峰值信噪比变化，N为归一化均方误差变化，其中p、p1、p2、p3分别为重要性整合参数，p为预设值，p1＝P所处的量级/S所处的量级，p2＝p，p3＝-1*P所处的量级/N所处的量级。
4、本发明提出的基于卷积神经网络的轻量级决策网路，卷积深度低于4层，全连接隐藏层低于3层。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (7)

1.一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：包括以下步骤：
步骤1、获取磁共振数据，构建深度强化学习模型的训练和测试数据；
步骤2、基于步骤1获得的训练数据进行重建网络的预训练；
步骤3、依据步骤2得到的预训练重建网络构建强化学习系统的环境和决策网络，进而实现对放射状切片自适应的高性能k空间主动欠采样。
2.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤1的具体方法为：
采集仿真磁共振数据，采集的全采样数据k1保存在k空间中，k空间为保存磁共振数据的频域空间，随后通过逆傅里叶变换生成相应的全采样图像数据x1，对以上两种数据进行存储，构建深度强化学习模型的相关训练和测试数据。
3.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤2的具体方法包括：
(1)根据k1构建k空间欠采样掩码M，M的形状与k1的形状相同，M中的全部数据点均设置为0；
(2)设加速倍率目标为N1倍，N2为单个全采样数据k1包含的放射状辐条总数，对每一个全采样数据k1随机选取|N2/N1|条辐条，并根据被选择辐条的数据位置，将M中对应的位置赋值为1，其余位置为0；
(3)将M与全采样数据k1点乘等到欠采样数据k2，并将k2做逆傅里叶变换得到欠采样图像数据x2，将x2作为训练过程中重建网络的输入，x1作为预训练重建网络使用的图像真值，进行预训练重建网络的训练。
4.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤3所构建的强化学习系统的环境如下：
在强化学习的框架下，构建放射状采样轨迹学习的交互环境，环境初始状态为只采集45°辐条构成的状态；
强化学习系统的环境能够对当前的动作决策依据重建图像质量的改善程度进行评价，并能够将当前的欠采样数据状态结合采样动作转移到下一个欠采样数据状态，终止状态为具有|N2/N1|个辐条的状态；
其中，图像重建质量的改善程度称为奖励，奖励R包含3种评价指标，结构相似度、峰值信噪比和归一化均方误差，并通过参数对三种指标进行重要性整合，该计算方式为R＝p1*S+p2*P+p3*N，式中S为结构相似度变化，P为峰值信噪比变化，N为归一化均方误差变化，其中p、p1、p2、p3分别为重要性整合参数，p为预设值，p1＝P所处的量级/S所处的量级，p2＝p，p3＝-1*P所处的量级/N所处的量级。
5.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤3所构建的决策网络如下：
决策网络包括特征提取模块和动作价值预测模块；所述特征提取模块与动作价值预测模块相连接，所述特征提取模块基于卷积神经网络，动作价值预测模块基于全连接网络；特征提取模块的输入为步骤2得到的预训练重建网络计算得到的重建图像，输出为重建图像的特征图；所述动作价值预测模块的输入为特征图的一维展开，输出为不同动作对应的预测价值；
其中，预测价值称为Q值，Q值在深度强化学习中代表奖励的累积折扣期望；训练过程中Q值结合时间差分计算值和当前奖励值，当前奖励值以时间差分的方式映射为Qtarget，将Qtarget与决策网络预测的Q值求SmoothL1loss并反馈到决策网络的各层，实现决策网络参数的优化，训练完成后网络具备根据当前的欠采样重建数据做出采样决策的能力。
6.根据权利要求1所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤3之后还包括如下步骤：
步骤4、对步骤3所构建的决策网络进行训练，得到训练好的决策网络；
步骤5、对步骤4得到的训练好的决策网络进行测试，验证网络效果。
步骤6、将训练好的采样轨迹决策模型集成到硬件设备当中，结合磁共振设备进行实际采集过程中放射状切片自适应采样轨迹的确定。
7.根据权利要求6所述的一种面向磁共振成像放射状采样轨迹的切片自适应确定方法，其特征在于：所述步骤4的具体方法为：
采用学习率l，训练次数ln，决策网络的训练使用回放单元技术以及目标网络参数冻结技术，回放单元容量为lw。
CN202210587353.0A 2022-05-26 2022-05-26 面向磁共振成像放射状采样轨迹的切片自适应确定方法 Pending CN115063499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210587353.0A CN115063499A (zh) 2022-05-26 2022-05-26 面向磁共振成像放射状采样轨迹的切片自适应确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210587353.0A CN115063499A (zh) 2022-05-26 2022-05-26 面向磁共振成像放射状采样轨迹的切片自适应确定方法

Publications (1)

Publication Number Publication Date
CN115063499A true CN115063499A (zh) 2022-09-16

Family

ID=83199181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210587353.0A Pending CN115063499A (zh) 2022-05-26 2022-05-26 面向磁共振成像放射状采样轨迹的切片自适应确定方法

Country Status (1)

Country Link
CN (1) CN115063499A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249245A (zh) * 2022-09-22 2022-10-28 深圳华声医疗技术股份有限公司 超声成像参数优化方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249245A (zh) * 2022-09-22 2022-10-28 深圳华声医疗技术股份有限公司 超声成像参数优化方法、装置、计算机设备及存储介质
CN115249245B (zh) * 2022-09-22 2022-12-23 深圳华声医疗技术股份有限公司 超声成像参数优化方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN111445390B (zh) 基于宽残差注意力的三维医学图像超分辨率重建方法
CN109410289B (zh) 一种深度学习的高欠采样超极化气体肺部mri重建方法
CN114169110B (zh) 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法
CN111008693B (zh) 一种基于数据压缩的网络模型构建方法、系统和介质
CN114581550B (zh) 基于跨域网络的磁共振成像降采样和重建方法
CN115063499A (zh) 面向磁共振成像放射状采样轨迹的切片自适应确定方法
CN110516724A (zh) 可视化作战场景的高性能多层字典学习特征图像处理方法
CN114202017A (zh) 基于条件生成对抗网络的sar光学图像映射模型轻量化方法
Regazzoni et al. A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes
CN117200208B (zh) 基于多尺度分量特征学习的用户级短期负荷预测方法及系统
CN114067819A (zh) 基于跨层相似性知识蒸馏的语音增强方法
CN116822742A (zh) 一种基于动态分解-重构集成处理的电力负荷预测方法
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
Cao et al. An adaptive self-organizing migration algorithm for parameter optimization of wavelet transformation
CN115326397B (zh) 建立曲轴轴承磨损程度预测模型及预测方法和相关装置
CN113538612B (zh) 一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法
CN113033653B (zh) 一种边-云协同的深度神经网络模型训练方法
CN116070401A (zh) 一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法
CN115035304A (zh) 一种基于课程学习的图像描述生成方法及系统
CN115906303A (zh) 一种基于机器学习的平面微波滤波器设计方法及装置
CN114723840A (zh) 一种面向切片自适应的磁共振成像主动欠采样方法
CN113158134A (zh) 非侵入式负荷辨识模型的构建方法、装置和存储介质
CN113095328A (zh) 一种基尼指数引导的基于自训练的语义分割方法
Liu et al. SuperPruner: automatic neural network pruning via super network
CN110990766A (zh) 一种数据预测方法及存储介质

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