CN116919380A - 压缩感知磁共振成像方法、模型训练方法及其成像装置 - Google Patents

压缩感知磁共振成像方法、模型训练方法及其成像装置 Download PDF

Info

Publication number
CN116919380A
CN116919380A CN202311190713.4A CN202311190713A CN116919380A CN 116919380 A CN116919380 A CN 116919380A CN 202311190713 A CN202311190713 A CN 202311190713A CN 116919380 A CN116919380 A CN 116919380A
Authority
CN
China
Prior art keywords
image
magnetic resonance
layer
resonance imaging
iteration 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
Application number
CN202311190713.4A
Other languages
English (en)
Inventor
殷俊
耿嘉诚
王康
陈波扬
刘德龙
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202311190713.4A priority Critical patent/CN116919380A/zh
Publication of CN116919380A publication Critical patent/CN116919380A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • A61B5/7264—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

Landscapes

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

Abstract

本申请提出一种基于压缩感知磁共振成像的模型训练方法、压缩感知磁共振成像方法、压缩感知磁共振成像装置以及计算机存储介质。所述模型训练包括：按照迭代次数建立包括对应数量迭代阶段的数据流图，其中，数据流图中的图像节点对应成像模型的每个迭代阶段的各个网络层；将磁共振成像的欠采样数据输入数据流图，获取每一迭代阶段的重建层输出的重建图像；利用重建图像和完全采样图像对数据流图中各个网络层的网络参数进行训练。通过上述模型训练方法，通过设计压缩感知磁共振成像算法迭代步骤对应的数据流图来有效地构建和训练磁共振成像的成像模型，网络参数通过训练得到，利用该成像模型以更快的计算速度得到高精度的重建磁共振图像。

Description

压缩感知磁共振成像方法、模型训练方法及其成像装置
技术领域
本申请涉及磁共振成像技术领域，特别是涉及一种基于压缩感知磁共振成像的模型训练方法、压缩感知磁共振成像方法、压缩感知磁共振成像装置以及计算机存储介质。
背景技术
磁共振成像（MRI）是一种非侵入性成像技术，为临床诊断提供了功能及解剖学信息。成像速度是一个基本的挑战，快速磁共振成像技术本质上是为了加速数据采集，同时仍然重建出高质量的图像。在磁共振成像中用到的压缩感知（CS），是对一大类方法的统称，其基于在空间的半随机、不完整采样，来实现图像数据的扫描加速，利用傅立叶变换和给中间过程图像设置阈值，最终的图像是通过一系列迭代过程得到的。
现有技术的技术方案是一种用ADMM算法求解CS-MRI模型的方法。为优化CS-MRI模型，交替方向乘子法（ADMM）被证明是一种有效的、带收敛保证的变量分离算法，该算法考虑给定CS-MRI模型的增广拉格朗日函数，并将变量分成几个子组，这些子组可以通过求解几个简单的子问题来进行交替优化。
然而，这其中还涉及到很多参数选择的问题，如变换矩阵、收缩函数、罚参数和更新率等，若参数选择不当可能会较大程度上影响重建结果的精度，导致磁共振成像精度较低。
发明内容
为解决上述技术问题，本申请提出了一种基于压缩感知磁共振成像的模型训练方法、压缩感知磁共振成像方法、压缩感知磁共振成像装置以及计算机存储介质。
为解决上述技术问题，本申请提出了一种基于压缩感知磁共振成像的模型训练方法，所述模型训练包括：
获取磁共振成像的成像模型的迭代次数；
按照所述迭代次数建立包括对应数量迭代阶段的数据流图，其中，所述数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层；
将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像；
利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练。
其中，所述利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练，包括：
利用当前迭代阶段的重建层输出的当前重建图像和完全采样图像对所述数据流图中对当前迭代阶段的网络层，和/或当前迭代阶段的前向迭代阶段的网络层的网络参数进行训练；
其中，所述网络层包括：重建层、卷积层、非线性变换层，和/或乘子更新层。
其中，所述将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像，包括：
将所述欠采样数据输入所述数据流图中的重建层；
获取上一迭代阶段的非线性变换图像和更新乘子；
利用上一迭代阶段的非线性变换图像和更新乘子，以及当前迭代阶段的重建层中待训练的过滤器参数和/或罚参数，对所述欠采样数据进行重建，获取当前迭代阶段的重建图像。
其中，所述获取当前迭代阶段的重建图像之后，所述模型训练方法还包括：
将所述当前迭代阶段的重建图像输入所述当前迭代阶段的卷积层；
利用所述当前迭代阶段的卷积层中待训练的过滤矩阵，将所述重建图像转换到变换域，得到变换域图像。
其中，所述将所述重建图像转换到变换域，得到变换域图像之后，所述模型训练方法还包括：
将所述当前迭代阶段的变换域图像输入所述当前迭代阶段的非线性变换层；
利用所述当前迭代阶段的非线性变换层中待训练的分段线性函数，将所述变换域图像进行非线性变换，得到非线性变换图像。
其中，所述分段线性函数由一组待训练的控制点决定，其中，所述控制点中的第一控制点为预先定义的均匀分布点，第二控制点为当前迭代阶段的过滤器在所述均匀分布点上对应的值。
其中，所述将所述变换域图像进行非线性变换，得到非线性变换图像之后，所述模型训练方法还包括：
将所述当前迭代阶段的非线性变换图像和变换域图像输入所述当前迭代阶段的乘子更新层；
利用所述当前迭代阶段的乘子更新层中待训练的更新率，获取更新的拉格朗日乘子。
为解决上述技术问题，本申请还提出一种压缩感知磁共振成像方法，所述压缩感知磁共振成像方法包括：
将磁共振成像数据输入预先训练的磁共振成像的成像模型；
利用所述成像模型获取所述磁共振成像数据的重建图像；
其中，所述成像模型中各网络层的网络参数通过上述模型训练方法训练所得。
为解决上述技术问题，本申请还提出一种压缩感知磁共振成像装置，所述压缩感知磁共振成像装置包括存储器以及与所述存储器耦接的处理器；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的模型训练方法，和/或压缩感知磁共振成像方法。
为解决上述技术问题，本申请还提出一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现上述的模型训练方法，和/或压缩感知磁共振成像方法。
与现有技术相比，本申请的有益效果是：压缩感知磁共振成像装置获取磁共振成像的成像模型的迭代次数；按照所述迭代次数建立包括对应数量迭代阶段的数据流图，其中所述数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层；将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像；利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练。通过上述模型训练方法，通过设计压缩感知磁共振成像算法迭代步骤对应的数据流图来有效地构建和训练磁共振成像的成像模型，网络参数通过训练得到，利用该成像模型以更快的计算速度得到高精度的重建磁共振图像。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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。其中：
图1是本申请提供的基于压缩感知磁共振成像的模型训练方法一实施例的流程示意图；
图2是本申请提供的数据流图一实施例的框架示意图；
图3是本申请提供的数据流图具体实施例的框架示意图；
图4是本申请提供的基于压缩感知磁共振成像的模型训练方法另一实施例的流程示意图；
图5是本申请提供的由一组控制点决定的分段线性函数的示意图；
图6是本申请提供的压缩感知磁共振成像方法一实施例的流程示意图；
图7是本申请提供的压缩感知磁共振成像装置的一实施例的结构示意图；
图8是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，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做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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
其中，ADMM算法求解CS-MRI模型的详细过程如下：假设是要重建的MRI图像，/>是欠采样的/>空间数据，根据压缩感知理论，可以通过求解以下优化问题来估计重建的图像：
（1）
其中，是观测矩阵，/>是下采样矩阵，/>是傅里叶变换，/>表示过滤操作的变换矩阵，例如离散小波变换（DWT）、离散余弦变换（DCT）等，/>是由先验数据导出的正则项函数，如针对稀疏先验数据的/>范数（/>），/>是正则项参数。
上述优化问题可以利用ADMM算法来高效求解，通过引入辅助变量，问题表达式（1）可以等效成：
它的增广拉格朗日函数为：
其中，是拉格朗日乘子，/>是罚参数，ADMM通过求解如下3个子问题来交替地优化/>：
其中，表示第/>次迭代。为了简单起见，令/>，并将/>代入上述子问题，那么这3个子问题有如下解：
其中，可以用快速傅里叶变换来高效计算，/>是一个非线性收缩函数，它通常是对应于/>范数或/>范数稀疏正则项的软阈值或硬阈值函数，参数/>是更新率。
通常情况下，对于公式（2）给出的优化问题（1）的解，需要迭代数十次才能得到满足精度要求的重建MR图像，这其中还涉及到很多参数选择的问题，如变换矩阵、收缩函数、罚参数/>和更新率/>等，若参数选择不当可能会较大程度上影响重建结果的精度。尽管ADMM算法通常是有效的，但确定影响CS-MRI精度的最优参数(如更新率、罚参数等)并非易事。
因此，为解决现有技术方案存在的问题，本申请旨在设计一种快速且高精度的方法从欠采样的空间数据中重建出高质量的MR图像，且尽量规避手动调参。
具体请参阅图1，图1是本申请提供的基于压缩感知磁共振成像的模型训练方法一实施例的流程示意图。
本申请的模型训练方法应用于压缩感知磁共振成像装置，其中，本申请的压缩感知磁共振成像装置可以为服务器，也可以为终端设备，还可以为由服务器和终端设备相互配合的系统。相应地，压缩感知磁共振成像装置包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
如图1所示，其具体步骤如下：
步骤S11：获取磁共振成像的成像模型的迭代次数。
步骤S12：按照迭代次数建立包括对应数量迭代阶段的数据流图，其中，数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层。
在本申请实施例中，受用于优化一般CS-MRI模型的ADMM算法迭代过程的启发，本申请提出了一种新的深度架构，称为深度ADMM网络，即磁共振成像的成像模型，该深度架构由多个阶段组成，每个阶段对应ADMM算法中的一次迭代。
具体地，如图2所示，图2是本申请提供的数据流图一实施例的框架示意图。本申请为ADMM迭代过程定义了一个由数据流图表示的深度架构：ADMM中的操作用图节点表示，两个操作之间的数据流用有向边表示。因此，ADMM迭代过程自然地确定了数据流图上的深层架构。
其中，一般CS-MRI模型ADMM优化的数据流图，由4类节点组成：重建（X）、卷积（C）、非线性变换（Z）和乘子更新（M），按照该图依次处理k空间中的欠采样数据，最终生成一张MR图像，深度ADMM网络是通过该数据流图定义的。
给定空间中的欠采样数据，它经过数据流图并生成重建图像。深度架构中的所有参数(如变换矩阵、收缩函数、罚参数等)都可以通过训练空间中欠采样数据对来有区别地学习，通过数据流图上的反向传播利用全采样数据重建图像。
本申请基于图2所示的数据流图定义了一个深度ADMM网络来有区别地学习上面所有的变换矩阵、函数和参数。
具体地，压缩感知磁共振成像装置将上述公式（2）中的ADMM迭代步骤映射成一个如图2的数据流图。其中，数据流图中包含的节点对应ADMM中不同的操作，有向边对应不同操作之间的数据流向，在这种情况下，ADMM算法的第次迭代对应数据流图的第/>个阶段。
步骤S13：将磁共振成像的欠采样数据输入数据流图，获取每一迭代阶段的重建层输出的重建图像。
在本申请实施例中，请继续参阅图3，图3是本申请提供的数据流图具体实施例的框架示意图。图3给出了包含3个阶段的深度ADMM网络的例子，空间欠采样的数据按带圆圈的数字从1到12的顺序经过3个阶段，紧接着最后的一个带圆圈数字13的重建层后生成一张重建的图像，每个阶段即时的重建结果在每个重建层下面显示。
其中，图3中包含3个阶段的深度ADMM网络的例子，依次用1到12对应的操作处理k空间中的采样数据，接着经过一个重建层X(4)输出最终的重建图像，每个阶段的重建图像在每个重建层下面显示。
步骤S14：利用重建图像和完全采样图像对数据流图中各个网络层的网络参数进行训练。
在本申请实施例中，压缩感知磁共振成像装置把使用空间中完全采样的数据重建出的MR图像作为ground-truth MR图像，把空间中的欠采样数据作为输入，则训练集可由欠采样的数据和ground-truth MR图像对构建而成。压缩感知磁共振成像装置利用重建图像和完全采样图像对数据流图中各个网络层的网络参数进行训练，以使重建图像与完全采样图像的差距越来越小。
具体地，压缩感知磁共振成像装置利用当前迭代阶段的重建层输出的当前重建图像和完全采样图像对所述数据流图中对当前迭代阶段的网络层，和/或当前迭代阶段的前向迭代阶段的网络层的网络参数进行训练。例如，如图3中的X（3）的重建层输出的重建图像可以用于第一迭代阶段和/或第二迭代阶段的网络层的模型训练。
在本申请实施例中，压缩感知磁共振成像装置获取磁共振成像的成像模型的迭代次数；按照所述迭代次数建立包括对应数量迭代阶段的数据流图，其中所述数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层；将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像；利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练。通过上述模型训练方法，通过设计压缩感知磁共振成像算法迭代步骤对应的数据流图来有效地构建和训练磁共振成像的成像模型，网络参数通过训练得到，利用该成像模型以更快的计算速度得到高精度的重建磁共振图像。
请继续参阅图4，图4是本申请提供的基于压缩感知磁共振成像的模型训练方法另一实施例的流程示意图。
在本申请实施例中，图2所示的数据流图中第个阶段，有由ADMM算法中4类操作映射的4类节点，这4类操作分别是重建操作（/>）、由/>定义的卷积操作（/>）、由/>定义的非线性变换操作（/>）以及公式（2）中的乘子更新操作（/>）。整个数据流图是上述阶段的多次重复，对应于ADMM算法中的连续迭代。给定/>空间中的欠采样数据，它经过数据流图后最终生成重建的图像。
用这种方法，本申请把ADMM迭代映射成一个数据流图，这对于本提案定义和训练深度ADMM网络很有帮助。本申请设计的深度ADMM网络基于该数据流图，它在保持数据流图结构的同时将4种类型的操作推广到具有可学习参数的网络层，即把这些操作推广成重建层、卷积层、非线性变换层和乘子更新层。
如图4所示，其具体步骤如下：
步骤S21：将欠采样数据输入数据流图中的重建层。
步骤S22：获取上一迭代阶段的非线性变换图像和更新乘子。
步骤S23：利用上一迭代阶段的非线性变换图像和更新乘子，以及当前迭代阶段的重建层中待训练的过滤器参数和/或罚参数，对欠采样数据进行重建，获取当前迭代阶段的重建图像。
在本申请实施例中，重建层（）：该层根据公式（2）中的重建操作重建出MRI图像，给定/>，即上一迭代阶段的非线性变换图像和/>，即上一迭代阶段的更新乘子。该重建层的输出定义为：
其中，是第/>个过滤器，/>是第/>个罚参数，/>，/>是/>空间中的输入欠采样数据。
需要说明的是，在第一个阶段（），/>和/>初始化为0，因此：
步骤S24：将当前迭代阶段的重建图像输入当前迭代阶段的卷积层。
步骤S25：利用当前迭代阶段的卷积层中待训练的过滤矩阵，将重建图像转换到变换域，得到变换域图像。
在本申请实施例中，卷积层（）：它执行卷积操作把图像转换到变换域，给定图像/>，也就是阶段/>的重建图像，它的输出为
其中，是阶段/>可学习的过滤矩阵，与原始的ADMM算法不同，深度ADMM网络不要求过滤器/>和/>相同，从而提升网络兼容性。
步骤S26：将当前迭代阶段的变换域图像输入当前迭代阶段的非线性变换层。
步骤S27：利用当前迭代阶段的非线性变换层中待训练的分段线性函数，将变换域图像进行非线性变换，得到非线性变换图像。
在本申请实施例中，非线性变换层（）：该层执行受公式（2）/>中收缩函数/>启发的非线性变换，本申请没有把它设置成由公式（1）中正则项/>确定的收缩函数，而是设置成利用线性分段函数定义的可学习的一般函数，给定/>和/>，该层的输出定义为：
其中，是由一组控制点/>决定的分段线性函数，即：
其中，，/>是均匀分布在[-1,1]中的预先定义的位置；/>是阶段的第/>个过滤器在这些位置对应的值，对此，图5给出了一个解释性的示例，图5是本申请提供的由一组控制点决定的分段线性函数的示意图。
由于分段线性函数可以近似估计任意函数，本申请没有采用现有的硬阈值或软阈值函数，而是从数据中学习得到灵活的非线性变换函数。
步骤S28：将当前迭代阶段的非线性变换图像和变换域图像输入当前迭代阶段的乘子更新层。
步骤S29：利用当前迭代阶段的乘子更新层中待训练的更新率，获取更新的拉格朗日乘子。
在本申请实施例中，乘子更新层（）：该层根据公式（2）中的拉格朗日乘子更新步骤/>来定义，该层在阶段/>的输出定义为：
其中，是可学习的参数。
网络参数：上面这些层被组织成如图2所示的数据流图，在深层架构中，本申请主要学习如下参数：重建层中的和/>、卷积层中的过滤器/>、非线性变换层中的以及乘子更新层中的/>，其中/>和/>分别是过滤器和阶段的索引。所有这些参数都是网络要学习的参数。
具体地，本申请选择归一化均方误差（NMSE）作为网络训练中的损失函数，给定训练数据对，深度ADMM网络的输出和ground-truth的损失函数定义为：
其中，是基于网络参数/>和/>空间中的欠采样数据/>得到的网络输出。本申请通过最小化关于参数/>的损失函数/>来学习网络参数：
本申请为求解CS-MRI模型通过将ADMM算法重新表示成深度网络的形式提出了一个新颖的深度ADMM网络，主要是通过设计ADMM算法迭代步骤对应的数据流图来有效地构建和训练深度ADMM网络，网络参数通过训练得到，利用该深度ADMM网络以更快的计算速度得到高精度的重建MR图像。
请继续参阅图6，图6是本申请提供的压缩感知磁共振成像方法一实施例的流程示意图。
如图6所示，其具体步骤如下：
步骤S31：将磁共振成像数据输入预先训练的磁共振成像的成像模型。
步骤S32：利用成像模型获取磁共振成像数据的重建图像。
在本申请实施例中，成像模型的网络层参数通过图1至图5所示的模型训练方法训练所得，其训练过程在此不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
为实现上述模型训练方法，和/或压缩感知磁共振成像方法，本申请还提出了一种压缩感知磁共振成像装置，具体请参阅图7，图7是本申请提供的压缩感知磁共振成像装置的一实施例的结构示意图。
本实施例的压缩感知磁共振成像装置400包括处理器41、存储器42、输入输出设备43以及总线44。
该处理器41、存储器42、输入输出设备43分别与总线44相连，该存储器42中存储有程序数据，处理器41用于执行程序数据以实现上述实施例所述的模型训练方法，和/或压缩感知磁共振成像方法。
在本申请实施例中，处理器41还可以称为CPU（Central Processing Unit，中央处理单元）。处理器41可能是一种集成电路芯片，具有信号的处理能力。处理器41还可以是通用处理器、数字信号处理器（DSP，Digital Signal Process）、专用集成电路（ASIC，Application Specific Integrated Circuit）、现场可编程门阵列（FPGA，FieldProgrammable Gate Array）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器41也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，请继续参阅图8，图8是本申请提供的计算机存储介质一实施例的结构示意图，该计算机存储介质600中存储有计算机程序61，该计算机程序61在被处理器执行时，用以实现上述实施例的模型训练方法，和/或压缩感知磁共振成像方法。
本申请的实施例以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于压缩感知磁共振成像的模型训练方法，其特征在于，所述模型训练包括：
获取磁共振成像的成像模型的迭代次数；
按照所述迭代次数建立包括对应数量迭代阶段的数据流图，其中，所述数据流图中的图像节点对应所述成像模型的每个迭代阶段的各个网络层；
将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像；
利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练。
2.根据权利要求1所述的模型训练方法，其特征在于，
所述利用所述重建图像和完全采样图像对所述数据流图中各个网络层的网络参数进行训练，包括：
利用当前迭代阶段的重建层输出的当前重建图像和完全采样图像对所述数据流图中对当前迭代阶段的网络层，和/或当前迭代阶段的前向迭代阶段的网络层的网络参数进行训练；
其中，所述网络层包括：重建层、卷积层、非线性变换层，和/或乘子更新层。
3.根据权利要求2所述的模型训练方法，其特征在于，
所述将所述磁共振成像的欠采样数据输入所述数据流图，获取每一迭代阶段的重建层输出的重建图像，包括：
将所述欠采样数据输入所述数据流图中的重建层；
获取上一迭代阶段的非线性变换图像和更新乘子；
利用上一迭代阶段的非线性变换图像和更新乘子，以及当前迭代阶段的重建层中待训练的过滤器参数和/或罚参数，对所述欠采样数据进行重建，获取当前迭代阶段的重建图像。
4.根据权利要求3所述的模型训练方法，其特征在于，
所述获取当前迭代阶段的重建图像之后，所述模型训练方法还包括：
将所述当前迭代阶段的重建图像输入所述当前迭代阶段的卷积层；
利用所述当前迭代阶段的卷积层中待训练的过滤矩阵，将所述重建图像转换到变换域，得到变换域图像。
5.根据权利要求4所述的模型训练方法，其特征在于，
所述将所述重建图像转换到变换域，得到变换域图像之后，所述模型训练方法还包括：
将所述当前迭代阶段的变换域图像输入所述当前迭代阶段的非线性变换层；
利用所述当前迭代阶段的非线性变换层中待训练的分段线性函数，将所述变换域图像进行非线性变换，得到非线性变换图像。
6.根据权利要求5所述的模型训练方法，其特征在于，
所述分段线性函数由一组待训练的控制点决定，其中，所述控制点中的第一控制点为预先定义的均匀分布点，第二控制点为当前迭代阶段的过滤器在所述均匀分布点上对应的值。
7.根据权利要求5或6所述的模型训练方法，其特征在于，
所述将所述变换域图像进行非线性变换，得到非线性变换图像之后，所述模型训练方法还包括：
将所述当前迭代阶段的非线性变换图像和变换域图像输入所述当前迭代阶段的乘子更新层；
利用所述当前迭代阶段的乘子更新层中待训练的更新率，获取更新的拉格朗日乘子。
8.一种压缩感知磁共振成像方法，其特征在于，所述压缩感知磁共振成像方法包括：
将磁共振成像数据输入预先训练的磁共振成像的成像模型；
利用所述成像模型获取所述磁共振成像数据的重建图像；
其中，所述成像模型中各网络层的网络参数通过权利要求1至7任一项所述模型训练方法训练所得。
9.一种压缩感知磁共振成像装置，其特征在于，所述压缩感知磁共振成像装置包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1至7任一项所述模型训练方法，和/或权利要求8所述的压缩感知磁共振成像方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现如权利要求1至7任一项所述模型训练方法，和/或权利要求8所述的压缩感知磁共振成像方法。
CN202311190713.4A 2023-09-15 2023-09-15 压缩感知磁共振成像方法、模型训练方法及其成像装置 Pending CN116919380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311190713.4A CN116919380A (zh) 2023-09-15 2023-09-15 压缩感知磁共振成像方法、模型训练方法及其成像装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311190713.4A CN116919380A (zh) 2023-09-15 2023-09-15 压缩感知磁共振成像方法、模型训练方法及其成像装置

Publications (1)

Publication Number Publication Date
CN116919380A true CN116919380A (zh) 2023-10-24

Family

ID=88377510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311190713.4A Pending CN116919380A (zh) 2023-09-15 2023-09-15 压缩感知磁共振成像方法、模型训练方法及其成像装置

Country Status (1)

Country Link
CN (1) CN116919380A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111714124A (zh) * 2020-06-18 2020-09-29 中国科学院深圳先进技术研究院 磁共振电影成像方法、装置、成像设备及存储介质
CN115170691A (zh) * 2022-08-04 2022-10-11 河海大学 基于深度学习和交替方向乘子法的磁共振成像的重构方法
CN115830153A (zh) * 2022-12-14 2023-03-21 燕山大学 一种磁共振成像算法展开网络的方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111714124A (zh) * 2020-06-18 2020-09-29 中国科学院深圳先进技术研究院 磁共振电影成像方法、装置、成像设备及存储介质
CN115170691A (zh) * 2022-08-04 2022-10-11 河海大学 基于深度学习和交替方向乘子法的磁共振成像的重构方法
CN115830153A (zh) * 2022-12-14 2023-03-21 燕山大学 一种磁共振成像算法展开网络的方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG Y，ET.AL: "Deep ADMM-Net for Compressive Sensing MRI", PROCEEEDINGS OF THE 30TH INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, pages 10 - 18 *

Similar Documents

Publication Publication Date Title
CN107610194B (zh) 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN110675321B (zh) 一种基于渐进式的深度残差网络的超分辨率图像重建方法
CN108090871B (zh) 一种基于卷积神经网络的多对比度磁共振图像重建方法
CN107064845B (zh) 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN106127688B (zh) 一种超分辨率图像重建方法及其系统
CN109633502B (zh) 磁共振快速参数成像方法及装置
CN106373167A (zh) 一种基于深度神经网络的压缩传感核磁共振成像方法
CN109636721B (zh) 基于对抗学习和注意力机制的视频超分辨率方法
CN106204447A (zh) 基于总变差分和卷积神经网络的超分辨率重建方法
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
CN111861886B (zh) 一种基于多尺度反馈网络的图像超分辨率重建方法
CN114202459B (zh) 一种基于深度先验的盲图像超分辨率方法
Baltruschat et al. 3d-SMRnet: Achieving a new quality of MPI system matrix recovery by deep learning
Kelkar et al. Prior image-constrained reconstruction using style-based generative models
CN105118078A (zh) 欠采样的ct图像重建方法
CN111553867A (zh) 一种图像去模糊方法、装置、计算机设备及存储介质
CN112101089B (zh) 信号降噪方法、装置、电子设备及存储介质
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
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
Song et al. Fs-ncsr: Increasing diversity of the super-resolution space via frequency separation and noise-conditioned normalizing flow
CN113379647B (zh) 一种优化psf估计的多特征图像复原方法
Qin et al. Multi-resolution space-attended residual dense network for single image super-resolution
KR20230069501A (ko) 스코어 기반의 확산 모델을 이용한 자기공명영상 복원 방법 및 그 장치
CN117788284A (zh) 一种基于双通道滤波器的dem超分辨率重建方法及系统
Yang et al. A novel regularized K-SVD dictionary learning based medical image super-resolution algorithm

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20231024

RJ01 Rejection of invention patent application after publication