CN115511996A - 一种基于深度学习的压缩感知磁共振图像快速重建方法 - Google Patents

一种基于深度学习的压缩感知磁共振图像快速重建方法 Download PDF

Info

Publication number
CN115511996A
CN115511996A CN202211296545.2A CN202211296545A CN115511996A CN 115511996 A CN115511996 A CN 115511996A CN 202211296545 A CN202211296545 A CN 202211296545A CN 115511996 A CN115511996 A CN 115511996A
Authority
CN
China
Prior art keywords
image
data
undersampled
space
img
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
CN202211296545.2A
Other languages
English (en)
Inventor
侯学文
姜小平
聂生东
杨光
蔡昕
苏新宇
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.)
Shanghai Kangda Colorful Medical Technology Co ltd
Original Assignee
Shanghai Kangda Colorful Medical Technology Co ltd
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 Shanghai Kangda Colorful Medical Technology Co ltd filed Critical Shanghai Kangda Colorful Medical Technology Co ltd
Priority to CN202211296545.2A priority Critical patent/CN115511996A/zh
Publication of CN115511996A publication Critical patent/CN115511996A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • G06T11/006Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20056Discrete and fast Fourier transform, [DFT, FFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明一种基于深度学习的压缩感知磁共振图像快速重建方法,包括:S1:采集磁共振K空间原始数据,得到K空间原始数据Kfid;S2:基于压缩感知理论构建欠采样模板mask,通过欠采样模板mask模拟欠采样K空间数据,得到欠采样K空间数据Kcs‑fid;S3:对K空间原始数据Kfid和欠采样K空间数据Kcs‑fid进行预处理得到全采样图像Iimg与欠采样图像Ics‑img,并对全采样图像Iimg与欠采样图像Ics‑img进行归一化处理,并保留归一化参数;S4:基于Unet构建重建网络,通过重建网络对归一化处理后的全采样图像Iimg与欠采样图像Ics‑img进行处理得到重建图像Irecon;S5:对重建图像Irecon进行保真操作,得到保真图像Idata‑consistency。本发明通过Unet构建重建网络可以实现任意部位、任意模态以及任意矩阵大小的数据的磁共振图像快速重建。

Description

一种基于深度学习的压缩感知磁共振图像快速重建方法
技术领域
本发明涉及深度学习与医学图像处理技术领域,具体涉及一种基于深度学习的压缩感知磁共振图像快速重建方法。
背景技术
基于压缩感知理论,利用信号本身的稀疏性,在非相干采样条件下,即便在不满足奈奎斯特采样定理的条件下,也能使用较少的k空间数据结合最优化算法基本还原出原始图像。因此,将k空间的采样轨迹设计为非相干的欠采样轨迹,就可以将压缩感知理论用于磁共振图像的加速采集与重建。对于MRI来说,这意味着可以在确保满足图像诊断要求的情况下,显著减少k空间采集数据的行数,从而减少采样时间。其意义是非常重大的,所以压缩感知技术诞生之初就被应用在MRI中。近几年来,国内外的诸多科研机构在CS-MRI领域开展了大量工作:在应用领域上,压缩感知技术被广泛地应用到许多高级成像应用中,包括神经纤维束追踪、加速水脂分离、多维波谱成像、磁化率成像等;而在方法研究上,人们也提出了各种不同的优化重建算法,如非线性共轭梯度、迭代阈值、分裂Bregman、字典学习等,并将各种变换与各种关于磁共振成像的先验知识应用到图像重建过程中,同时对于压缩感知与现有的并行采集技术的结合进行了大量的探索。这些研究为压缩感知技术在MRI上的应用奠定了良好的基础。
虽然现已出现U-net、GAN、Transformer以及残差、注意力机制、密集连接等网络和模块用于MRI图像的快速重建,但是现有的方法大多数是在如fastmri等公共数据集上进行验证的,其对实际数据的适用性还需进一步考量。此外,对于数据一致性,即数据保真的研究,现有方法是将原始数据与重建数据进行合并,不能最大化还原原始信息。因此具有局限性。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于深度学习的压缩感知磁共振图像快速重建方法。
本发明提供了一种基于深度学习的压缩感知磁共振图像快速重建方法,具有这样的特征,包括以下步骤:S1:采集磁共振K空间原始数据,得到K空间原始数据Kfid;S2:基于压缩感知理论构建欠采样模板mask,通过欠采样模板mask模拟欠采样K空间数据,得到欠采样K空间数据Kcs-fid;S3:对K空间原始数据Kfid和欠采样K空间数据Kcs-fid进行逆傅里叶变换处理得到全采样图像Iimg与欠采样图像Ics-img,并对全采样图像Iimg与欠采样图像Ics-img进行归一化处理,并保留归一化参数;S4:基于Unet构建重建网络,通过重建网络对归一化处理后的全采样图像Iimg与欠采样图像Ics-img进行处理得到重建图像Irecon;S5:对重建图像Irecon进行保真操作,得到保真图像Idata-consistency
在本发明提供的基于深度学习的压缩感知磁共振图像快速重建方法中,还可以具有这样的特征:在步骤S1中,K空间原始数据能够为任意部位、任意模态以及任意矩阵大小的数据。
在本发明提供的基于深度学习的压缩感知磁共振图像快速重建方法中,还可以具有这样的特征:在步骤S2中,欠采样模板mask符合高斯分布,其第二主峰高度低于第一主峰高度。
在本发明提供的基于深度学习的压缩感知磁共振图像快速重建方法中,还可以具有这样的特征:在步骤S3中,全采样图像Iimg与欠采样图像Ics-img归一化处理后分布在[0,1]之间。
在本发明提供的基于深度学习的压缩感知磁共振图像快速重建方法中,还可以具有这样的特征:在步骤S4中,重建网络包括编码层和解码层,编码层包含5个编码模块,每个模块由两个卷积层组成,其卷积核个数分别为32、64、128、256、512,解码层包含5个解码模块,每个模块由两个反卷积层组成,其卷积核个数分别为512、256、128、64、32,
解码层中最后一个卷积层使用softmax激活函数,其余卷积层使用adam激活函数。
进一步地,每一编码模块均有一解码模块与之对应,相对应的编码模块与解码模块进行跳跃连接。
在本发明提供的基于深度学习的压缩感知磁共振图像快速重建方法中,还可以具有这样的特征:在步骤S4中,重建网络的输入层为欠采样图像Ics-img,输出层为全采样图像Iimg,输入层数据和输出层数据一一对应。
在本发明提供的基于深度学习的压缩感知磁共振图像快速重建方法中,还可以具有这样的特征:步骤S5包括如下子步骤:S51,截取欠采样模板mask中心连续部分,得到低频欠采样矩阵masklow;S52,利用低频欠采样矩阵masklow对空间K原始数据Kfid进行掩膜得到低频欠采样K空间矩阵Kcs-fid-low,对低频欠采样K空间矩阵Kcs-fid-low进行逆傅里叶变换得到低频欠采样图像Ics-img-low,求取低频欠采样图像Ics-img-low的第一相位角
Figure BDA0003902959250000041
S53,利用归一化参数对重建图像Irecon进行反归一化,并与第一相位角
Figure BDA0003902959250000042
相乘恢复重建图像Irecon的相位信息,得到复数图像Irecon-complex;S54,对复数图像Irecon-complex进行傅里叶变换得到重建后的K空间数据Krecon,求取重建后的K空间数据Krecon的第二相位角
Figure BDA0003902959250000043
S55,利用欠采样模板mask对重建后的K空间数据Krecon进行掩膜得到欠采样重建后的K空间数据Kcs-recon;S56,将欠采样K空间数据Kcs-fid的模值Kcs-fid-abs与欠采样重建后的K空间数据Kcs-recon的模值Kcs-recon-abs进行线性回归操作,线性回归公式为Kcs-recon-abs=a*Kcs-fid-abs+b,得到线性回归系数斜率a和截距b的值;S57,使用斜率a和截距b对重建后的K空间数据Krecon进行放缩,放缩公式为Kdata-consistency=(abs(Krecon)-b)a,得到保真后的K空间数据Kdata-consistency;S58,保真后的K空间数据Kdata-consistency与第二相位角
Figure BDA0003902959250000044
相乘恢复K空间的相位信息,得到保真后的复数K空间数据Kdata-consistency-complex,并将欠采样K空间数据Kcs-fid中不为零的数据替换至保真后的复数K空间数据Kdata-consistency-complex中;S59,对保真后的复数K空间数据Kdata-consistency-complex进行逆傅里叶变换得到保真图像Idata-consistency
发明的作用与效果
根据本发明所涉及的基于深度学习的压缩感知磁共振图像快速重建方法,因为包括以下步骤:S1:采集磁共振K空间原始数据,得到K空间原始数据Kfid;S2:基于压缩感知理论构建欠采样模板mask,通过欠采样模板mask模拟欠采样K空间数据,得到欠采样K空间数据Kcs-fid;S3:对K空间原始数据Kfid和欠采样K空间数据Kcs-fid进行逆傅里叶变换处理得到全采样图像Iimg与欠采样图像Ics-img,并对全采样图像Iimg与欠采样图像Ics-img进行归一化处理,并保留归一化参数;S4:基于Unet构建重建网络,通过重建网络对归一化处理后的全采样图像Iimg与欠采样图像Ics-img进行处理得到重建图像Irecon;S5:对重建图像Irecon进行保真操作,得到保真图像Idata-consistency
因此,本发明通过Unet构建重建网络可以实现任意部位、任意模态以及任意矩阵大小的数据的磁共振图像快速重建,且本发明利用低频相位信息对重建图像进行相位恢复,使其可利用线性回归方法对重建后的数据进行保真,更能体现真实的数据分布,以及本发明具有计算精度高、时间快、鲁棒性好等优点,从而能够得到更可靠、更稳定的结果。
附图说明
图1为本发明实施例中一种基于深度学习的压缩感知磁共振图像快速重建方法的流程图;
图2为本发明实施例中欠采样模板mask的示意图;
图3为本发明实施例中低频欠采样矩阵masklow的示意图;
图4为本发明实施例中全采样图像Iimg的示意图;
图5为本发明实施例中欠采样图像Ics-img的示意图;
图6为本发明实施例中重建图像Irecon的示意图;
图7为本发明实施例中保真图像Idata-consistency的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明一种基于深度学习的压缩感知磁共振图像快速重建方法作具体阐述。
在本实施例中,提供了一种基于深度学习的压缩感知磁共振图像快速重建方法。
图1为本发明一种基于深度学习的压缩感知磁共振图像快速重建方法的流程图。
如图1所示,本实施例所涉及的基于深度学习的压缩感知磁共振图像快速重建方法包括以下步骤:
S1:采集磁共振K空间原始数据,得到K空间原始数据Kfid
在本实施例中,K空间原始数据能够为任意部位、任意模态以及任意矩阵大小的数据。
图2为本发明实施例中欠采样模板mask的示意图。
S2:基于压缩感知理论构建欠采样模板mask,通过欠采样模板mask模拟欠采样K空间数据,得到欠采样K空间数据Kcs-fid
在本实施例中,欠采样模板mask符合高斯分布,且第二主峰的高度低于第一主峰的高度。
S3:对K空间原始数据Kfid和欠采样K空间数据Kcs-fid进行逆傅里叶变换处理得到全采样图像Iimg与欠采样图像Ics-img,并对全采样图像Iimg与欠采样图像Ics-img进行归一化处理,并保留归一化参数;
在本实施例中,全采样图像Iimg与欠采样图像Ics-img通过归一化公式
Figure BDA0003902959250000061
对进行归一化处理,归一化处理后的全采样图像Iimg与欠采样图像Ics-img分布在[0,1]之间。式中:Mi,j和M'i,j分别为位置(i,j)处的原始值和归一化后的值,Mmin与Mmax分别表示图像的最小值与最大值。
S4:基于Unet构建重建网络,通过重建网络对归一化处理后的全采样图像Iimg与欠采样图像Ics-img进行处理得到重建图像Irecon
在本实施例中,重建网络的输入层为欠采样图像Ics-img,输出层为全采样图像Iimg,输入层数据和输出层数据一一对应。
在本实施例中,重建网络包括编码层和解码层,编码层包含5个编码模块,每个模块由两个卷积层组成,其卷积核个数分别为32、64、128、256、512,解码层包含5个解码模块,每个模块由两个反卷积层组成,其卷积核个数分别为512、256、128、64、32,解码层中最后一个卷积层使用softmax激活函数,其余卷积层使用adam激活函数。
进一步地,每一编码模块均有一解码模块与之对应,相对应的编码模块与解码模块进行跳跃连接。
图3为本发明实施例中低频欠采样矩阵masklow的示意图。
S5:对重建图像Irecon进行保真操作,得到保真图像Idata-consistency
在本实施例中,步骤S5通过如下子步骤对重建图像Irecon进行保真操作:
S51,截取欠采样模板mask中心连续部分,得到低频欠采样矩阵masklow
S52,利用低频欠采样矩阵masklow对空间K原始数据Kfid进行掩膜得到低频欠采样K空间矩阵Kcs-fid-low,对低频欠采样K空间矩阵Kcs-fid-low进行逆傅里叶变换得到低频欠采样图像Ics-img-low,求取低频欠采样图像Ics-img-low的第一相位角
Figure BDA0003902959250000081
S53,利用归一化参数对重建图像Irecon进行反归一化,并与第一相位角
Figure BDA0003902959250000082
相乘恢复重建图像Irecon的相位信息,得到复数图像Irecon-complex
S54,对复数图像Irecon-complex进行傅里叶变换得到重建后的K空间数据Krecon,求取重建后的K空间数据Krecon的第二相位角
Figure BDA0003902959250000083
S55,利用欠采样模板mask对重建后的K空间数据Krecon进行掩膜得到欠采样重建后的K空间数据Kcs-recon
S56,将欠采样K空间数据Kcs-fid的模值Kcs-fid-abs与欠采样重建后的K空间数据Kcs-recon的模值Kcs-recon-abs进行线性回归操作,线性回归公式为Kcs-recon-abs=a*Kcs-fid-abs+b,得到线性回归系数斜率a和截距b的值;
S57,使用斜率a和截距b对重建后的K空间数据Krecon进行放缩,放缩公式为Kdata-consistency=(abs(Krecon)-b)a,得到保真后的K空间数据Kdata-consistency
S58,保真后的K空间数据Kdata-consistency与第二相位角
Figure BDA0003902959250000084
相乘恢复K空间的相位信息,得到保真后的复数K空间数据Kdata-consistency-complex,并将欠采样K空间数据Kcs-fid中不为零的数据替换至保真后的复数K空间数据Kdata-consistency-complex中;
S59,对保真后的复数K空间数据Kdata-consistency-complex进行逆傅里叶变换得到保真图像Idata-consistency
综上,本发明基于磁共振原始K空间数据,提出图像预处理方法、重建方法以及图像保真算法,从而可以实现基于压缩感知磁共振图像的快速重建。
本发明涉及的一种基于深度学习的压缩感知磁共振图像快速重建方法的效果能够通过以下实验进一步说明。
一.实验数据
脑部T1加权图像,具体参数为:TR=470ms,TE=14.5ms,Thickness=6mm,interval=1mm,NSA=2,FOV=230*230,Acquisition matrix=256*256,SW=45.5kHz。
二.仿真实验结果
图4为本发明实施例中全采样图像Iimg的示意图,图5为本发明实施例中欠采样图像Ics-img的示意图,图6为本发明实施例中重建图像Irecon的示意图,图7为本发明实施例中保真图像Idata-consistency的示意图。
通过图4和图5能够分别看出,欠采样的磁共振图像Ics-img存在严重伪影,不能区分组织信息;而通过图6可以看出,重建后的图像Irecon已经恢复其相位信息,具有明显的可区分性。
通过图6和图7能够看出,应用本发明提出的保真方法,重建后的图像又进一步增加了部分细节信息,最大限度的还原了全采样图像的细节。
三、实验分析
通过上述实验结果,我们可以得到以下结论:本发明通过Unet构建重建网络可以实现任意部位、任意模态以及任意矩阵大小的数据的磁共振图像快速重建,且本发明利用低频相位信息对重建图像进行相位恢复,使其可利用线性回归方法对重建后的数据进行保真,更能体现真实的数据分布,以及本发明具有计算精度高、时间快、鲁棒性好等优点,从而能够得到更可靠、更稳定的结果。
实施例的作用与效果
根据本发明所涉及的基于深度学习的压缩感知磁共振图像快速重建方法,因为包括以下步骤:S1:采集磁共振K空间原始数据,得到K空间原始数据Kfid;S2:基于压缩感知理论构建欠采样模板mask,通过欠采样模板mask模拟欠采样K空间数据,得到欠采样K空间数据Kcs-fid;S3:对K空间原始数据Kfid和欠采样K空间数据Kcs-fid进行逆傅里叶变换处理得到全采样图像Iimg与欠采样图像Ics-img,并对全采样图像Iimg与欠采样图像Ics-img进行归一化处理,并保留归一化参数;S4:基于Unet构建重建网络,通过重建网络对归一化处理后的全采样图像Iimg与欠采样图像Ics-img进行处理得到重建图像Irecon;S5:对重建图像Irecon进行保真操作,得到保真图像Idata-consistency
因此,本发明通过Unet构建重建网络可以实现任意部位、任意模态以及任意矩阵大小的数据的磁共振图像快速重建,且本发明利用低频相位信息对重建图像进行相位恢复,使其可利用线性回归方法对重建后的数据进行保真,更能体现真实的数据分布,以及本发明具有计算精度高、时间快、鲁棒性好等优点,从而能够得到更可靠、更稳定的结果。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。

Claims (8)

1.一种基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于,包括以下步骤:
S1:采集磁共振K空间原始数据,得到K空间原始数据Kfid
S2:基于压缩感知理论构建欠采样模板mask,通过所述欠采样模板mask模拟欠采样K空间数据,得到欠采样K空间数据Kcs-fid
S3:对所述K空间原始数据Kfid和所述欠采样K空间数据Kcs-fid进行逆傅里叶变换处理得到全采样图像Iimg与欠采样图像Ics-img,并对所述全采样图像Iimg与所述欠采样图像Ics-img进行归一化处理,并保留归一化参数;
S4:基于Unet构建重建网络,通过所述重建网络对归一化处理后的所述全采样图像Iimg与所述欠采样图像Ics-img进行处理得到重建图像Irecon
S5:对所述重建图像Irecon进行保真操作,得到保真图像Idata-consistency
2.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于:
在步骤S1中,所述K空间原始数据能够为任意部位、任意模态以及任意矩阵大小的数据。
3.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于:
在步骤S2中,所述欠采样模板mask符合高斯分布,其第二主峰高度低于第一主峰高度。
4.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于:
在步骤S3中,所述全采样图像Iimg与所述欠采样图像Ics-img归一化处理后分布在[0,1]之间。
5.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于:
在步骤S4中,所述重建网络包括编码层和解码层,所述编码层包含5个编码模块,每个模块由两个卷积层组成,其卷积核个数分别为32、64、128、256、512,所述解码层包含5个解码模块,每个模块由两个反卷积层组成,其卷积核个数分别为512、256、128、64、32,
所述解码层中最后一个卷积层使用softmax激活函数,其余卷积层使用adam激活函数。
6.根据权利要求5所述的基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于:
其中,每一所述编码模块均有一所述解码模块与之对应,相对应的所述编码模块与所述解码模块进行跳跃连接。
7.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于:
在步骤S4中,所述重建网络的输入层为所述欠采样图像Ics-img,输出层为所述全采样图像Iimg,所述输入层数据和所述输出层数据一一对应。
8.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法,其特征在于:
其中,步骤S5包括如下子步骤:
S51,截取所述欠采样模板mask中心连续部分,得到低频欠采样矩阵masklow
S52,利用所述低频欠采样矩阵masklow对所述空间K原始数据Kfid进行掩膜得到低频欠采样K空间矩阵Kcs-fid-low,对所述低频欠采样K空间矩阵Kcs-fid-low进行逆傅里叶变换得到低频欠采样图像Ics-img-low,求取所述低频欠采样图像Ics-img-low的第一相位角
Figure FDA0003902959240000031
S53,利用所述归一化参数对所述重建图像Irecon进行反归一化,并与所述第一相位角
Figure FDA0003902959240000032
相乘恢复所述重建图像Irecon的相位信息,得到复数图像Irecon-complex
S54,对所述复数图像Irecon-complex进行傅里叶变换得到重建后的K空间数据Krecon,求取所述重建后的K空间数据Krecon的第二相位角
Figure FDA0003902959240000033
S55,利用所述欠采样模板mask对所述重建后的K空间数据Krecon进行掩膜得到欠采样重建后的K空间数据Kcs-recon
S56,将所述欠采样K空间数据Kcs-fid的模值Kcs-fid-abs与所述欠采样重建后的K空间数据Kcs-recon的模值Kcs-recon-abs进行线性回归操作,线性回归公式为Kcs-recon-abs=a*Kcs-fid-abs+b,得到线性回归系数斜率a和截距b的值;
S57,使用所述斜率a和所述截距b对所述重建后的K空间数据Krecon进行放缩,放缩公式为Kdata-consistency=(abs(Krecon)-b)/a,得到保真后的K空间数据Kdata-consistency
S58,所述保真后的K空间数据Kdata-consistency与所述第二相位角
Figure FDA0003902959240000041
相乘恢复K空间的相位信息,得到保真后的复数K空间数据Kdata-consistency-complex,并将所述欠采样K空间数据Kcs-fid中不为零的数据替换至所述保真后的复数K空间数据Kdata-consistency-complex中;
S59,对所述保真后的复数K空间数据Kdata-consistency-complex进行逆傅里叶变换得到所述保真图像Idata-consistency
CN202211296545.2A 2022-10-21 2022-10-21 一种基于深度学习的压缩感知磁共振图像快速重建方法 Pending CN115511996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211296545.2A CN115511996A (zh) 2022-10-21 2022-10-21 一种基于深度学习的压缩感知磁共振图像快速重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211296545.2A CN115511996A (zh) 2022-10-21 2022-10-21 一种基于深度学习的压缩感知磁共振图像快速重建方法

Publications (1)

Publication Number Publication Date
CN115511996A true CN115511996A (zh) 2022-12-23

Family

ID=84510050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211296545.2A Pending CN115511996A (zh) 2022-10-21 2022-10-21 一种基于深度学习的压缩感知磁共振图像快速重建方法

Country Status (1)

Country Link
CN (1) CN115511996A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830172A (zh) * 2023-02-20 2023-03-21 泰山学院 迭代细化压缩感知欠采样磁共振图像重构方法、重构系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830172A (zh) * 2023-02-20 2023-03-21 泰山学院 迭代细化压缩感知欠采样磁共振图像重构方法、重构系统

Similar Documents

Publication Publication Date Title
Lyu et al. Multi-contrast super-resolution MRI through a progressive network
Quan et al. Compressed sensing MRI reconstruction using a generative adversarial network with a cyclic loss
Eo et al. KIKI‐net: cross‐domain convolutional neural networks for reconstructing undersampled magnetic resonance images
Bahadir et al. Deep-learning-based optimization of the under-sampling pattern in MRI
CN109325985B (zh) 磁共振图像重建方法、装置和计算机可读存储介质
Wen et al. Transform learning for magnetic resonance image reconstruction: From model-based learning to building neural networks
Ravishankar et al. Data-driven learning of a union of sparsifying transforms model for blind compressed sensing
Zhou et al. Parallel imaging and convolutional neural network combined fast MR image reconstruction: Applications in low‐latency accelerated real‐time imaging
Luo et al. Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models
CN113379867A (zh) 一种基于联合优化采样矩阵的核磁共振图像重建方法
Hyun et al. Deep learning-based solvability of underdetermined inverse problems in medical imaging
CN109345473B (zh) 一种基于自适应快速迭代收缩阈值算法的图像处理方法
CN111487573B (zh) 一种用于磁共振欠采样成像的强化型残差级联网络模型
CN112946545B (zh) 基于PCU-Net网络的快速多通道磁共振成像方法
Liu et al. A deep framework assembling principled modules for CS-MRI: unrolling perspective, convergence behaviors, and practical modeling
Baltruschat et al. 3d-SMRnet: Achieving a new quality of MPI system matrix recovery by deep learning
Zhang et al. High-dimensional embedding network derived prior for compressive sensing MRI reconstruction
Wahid et al. Multi-layer basis pursuit for compressed sensing MR image reconstruction
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
CN114119791A (zh) 一种基于交叉域迭代网络的mri欠采样图像重建方法
Manimala et al. Sparse MR image reconstruction considering Rician noise models: A CNN approach
Ekanayake et al. Multi-branch Cascaded Swin Transformers with Attention to k-space Sampling Pattern for Accelerated MRI Reconstruction
Fan et al. An interpretable MRI reconstruction network with two-grid-cycle correction and geometric prior distillation
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
CN115471580A (zh) 一种物理智能高清磁共振扩散成像方法

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