一种基于深度卷积神经网络的快速磁共振成像方法及装置

摘要

本发明提供了一种基于深度卷积神经网络的快速磁共振成像方法及装置。所述方法包括：步骤S1，构建深度卷积神经网络；步骤S2，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；步骤S3，利用所述步骤S2中学习到的深度卷积神经网络重建磁共振图像。本发明实施例的基于深度卷积神经网络的快速磁共振成像方法及装置，通过使用大量采集到的磁共振数据学习一个离线的深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，从而充分利用线下大量的磁共振图像，开发其先验信息，使其离线网络可从欠采磁共振数据里恢复更多的精细结构和图像特征，并使磁共振欠采倍数和成像精度有所提高。

说明书

技术领域

本发明涉及磁共振成像技术领域，尤其涉及一种基于深度卷积神经网络的快速磁共振成像方法及装置。

背景技术

压缩感知理论的成功应用，必须满足下述三个条件：①信号具有稀疏性，②有欠采样造成的伪影在变换域中具有非相干性，③重建结果与采样数据具有良好的一致性。而在磁共振图像中，能很好地满足这三个条件。其在经典的基于压缩感知的快速磁共振成像模型里，通常有两个成份：数据拟合项和稀疏正则项。假设重建后的MRI图像为m，ψ表示从像素域变换到稀疏域的稀疏变换，F_u表示K空间的欠采样算子，y是扫描中测量到K空间数据，则图像m的重建可以通过解下面约束性优化问题：

min||ψm||₁s.t.||F_um-y||₂＜ε(1)

在式(1)中，||F_um-y||₂＜ε为数据拟合项，保证数据一致性，而||ψm||₁是稀疏约束项，为最小1-范数时可以得到最稀疏解，又称正则项，其先验信息仅局限于少量线上数据或少数参考图像。

但是，传统的这种快速磁共振重建方法多数是基于压缩感知框架，其仅仅利用采到的部分K空间数据和开发图像稀疏性来约束成像模型进行磁共振图像重建，而线下大量的磁共振数据未得到利用，先验信息的开发仍有局限性。

发明内容

为了克服传统的压缩感知技术的缺点，本发明实施例提出一种基于深度卷积神经网络的磁共振重建方法及装置，以提高线上磁共振欠采倍数，并且改善磁共振成像精度。

为了达到上述目的，本发明实施例提供一种基于深度卷积神经网络的快速磁共振成像方法，包括：步骤S1，构建深度卷积神经网络；步骤S2，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；步骤S3，利用所述步骤S2中学习到的深度卷积神经网络重建磁共振图像。

为了达到上述目的，本发明实施例还提供一种基于深度卷积神经网络的快速磁共振成像装置，包括：卷积神经网络构建单元，用于构建深度卷积神经网络；网络模型训练单元，用于获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；磁共振图像重建单元，用于利用学习到的深度卷积神经网络重建磁共振图像。

本发明实施例的基于深度卷积神经网络的快速磁共振成像方法及装置，通过使用大量采集到的磁共振数据学习一个离线的深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，从而充分利用线下大量的磁共振图像，开发其先验信息，使其离线网络可从欠采磁共振数据里恢复更多的精细结构和图像特征，并使磁共振欠采倍数和成像精度有所提高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的基于深度卷积神经网络的快速磁共振成像方法的处理流程图；

图2为本发明实施例的基于深度卷积神经网络的快速磁共振成像装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明的深度卷积神经网络的磁共振成像方法是基于传统压缩感知的快速磁共振成像方法的一些局限性，如线下大量磁共振图像没有得到充分利用等问题而提出的。本发明中，首先设计一个离线的卷积神经网络，再使用大量现有的高质量图像作为该离线网络的训练数据集，从而确定图像之间的映射关系，最后重建线上的磁共振图像。

图1为本发明实施例的基于深度卷积神经网络的快速磁共振成像方法的处理流程图。如图1所示，本实施例的基于深度卷积神经网络的快速磁共振成像方法包括：步骤S101，构建深度卷积神经网络；步骤S102，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；步骤S103，利用所述步骤S102中学习到的深度卷积神经网络重建磁共振图像。

在本发明实施例中，定义欠采样的K空间为：

f＝PFu(2)

式(2)中，P代表欠采模型的对角矩阵，F是通过F^HF＝I归一化后的全采傅里叶编码矩阵，u是原始图像或线下图像，则Fu表示全采的K空间数据；H代表Hermitian变换，其零填充磁共振图像z可通过已观察到的数据直接逆变换得到，其表达式如下所示：

z＝F^HPFu(3)

根据线性代数可知，一个信号u加一个突变信号p的循环卷积可以表示为F^HPFu，式中P是傅里叶变换p的对角项，其是非零项。

本发明的目的是尽量从欠采的傅里叶数据中学习一个全局的卷积神经网络来重建磁共振图像。但考虑事先获得的磁共振图像的数据有线下真实的和破损的，故通过以下目标函数来最小化误差。

式(4)中，C是用隐层参数Θ＝{(W₁,b₁),...(W_l,b_l),...(W_L,b_L)}来估计的端对端的映射关系，T是训练样本的全部数量。

为了增加网络的鲁棒性，通过分离整个成对图像的重叠成对的子图像x_t,n和y_t,n来获得更多训练样本，得到

在以下的叙述中，为了表达方便，只采用一对x，y。

在步骤S101中，离线构建一个L层的卷积神经网络来学习映射关系。首先考虑特征产生的问题，每个提取的图像块是基于先前训练的模型大约近似得到的。使用等效的卷积运算和转换来优化来网络学习过程。因此，第一层网络定义为：

C₁＝σ(W₁*x+b₁)(6)

式(6)中，W₁是大小为c×M₁×M₁×n₁的卷积算子，b₁是与元素相关的n₁维偏置。c是图像通道的数量，M₁是滤波器的大小，n₁是滤波器的数量。

对于非线性响应，为了更有效地计算，采用整流线性单元。

接着考虑非线性映射的问题。进一步进行非线性映射，从n_l-1维映射到n₁，可通过下式定义图像特征和结构来代表全部数据重建的图像：

C_l＝σ(W_l*C_l-1+b_l)(7)

式(7)中，W_l的大小为n_l-1×M_l×M_l×n_l。

最后需考虑最后一层的卷积问题。为了从卷积神经网络重建最终预测的图像，需构建另一层卷积，期待通过学习一系列可以从系数投射到图像域的线性滤波器M_L。

C_L＝σ(W_L*C_L-1+b_L)(8)

式(8)中，M_L的大小为n_L-1×M_L×M_L×c。

最后，设计了一个L层的卷积神经网络来学习映射关系，即：

其中，x为第一层的输入样本；C是用隐层参数Θ＝{(W₁,b₁),...(W_l,b_l),...(W_L,b_L)}来估计的端对端的映射关系；σ表示非线性激励函数。

在本发明的步骤S102中，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，包括：采用反向传播法训练所述深度卷积神经网络，通过反向传播计算相应梯度，具体包括：

考虑到成对的训练(x,y)，其反向传播通过式(5)-(8)计算激励和输出值。为了更新网络参数，通过反向传播来计算相应梯度。先考虑单一的成对的目标，式(4)可以转换为下式表示：

式中D_l＝W_l*C_l-1+b_l和δ^l为反向传播“误差项”。

首先，计算最后一层的梯度：

由于和C_l＝σ(D_l)，故δ^l的非线性映射层能通过下式更新：

式(12)中，*代表不同的前馈传递卷积层的互相关操作，ο表示数组元素依次相乘。

因此，可以得知每层的梯度为：

式(13)在训练网络过程中习惯于计算随机梯度

在所述步骤S103中，一旦从事先获得的数据中学到隐层参数可以用如下式约束优化的问题来重建磁共振图像：

其中，u为线上的磁共振图像数据，C为所述步骤S102中学习到的深度卷积神经网络，λ为权重参数，f为采样到的K空间数据，H代表共轭装置，F_M代表欠采傅立叶变换，M代表欠采掩膜，F^H代表傅立叶变换的共轭装置，为学习到的深度卷积神经网络中的隐层参数。

这是一个最小二乘法确认一个解析解的问题，其最小二乘法满足如下标准方程：

该方程(15)再通过图像域到傅里叶空间的转换，可得到：

式(16)中，是只包含0和1的对角矩阵，1全是对角线上的元素代表K空间采样的数据，表示零填充的傅里叶测量。因此，有：

式(17)中，Ω代表采样位置集。

基于同样的发明构思，如图2所示，为本发明实施例的基于深度卷积神经网络的快速磁共振成像装置的结构示意图。如图2所示，包括：卷积神经网络构建单元101，用于构建深度卷积神经网络；网络模型训练单元102，用于获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；磁共振图像重建单元103，用于利用学习到的深度卷积神经网络重建磁共振图像。

在本实施例中，所述卷积神经网络构建单元101具体用于：

离线构建一个L层的卷积神经网络来学习映射关系：

其中，x为第一层的输入样本；C是用隐层参数Θ＝{(W₁,b₁),...(W_l,b_l),...(W_L,b_L)}来估计的端对端的映射关系；σ表示非线性激励函数。

在本实施例中，所述网络模型训练单元102具体用于：采用反向传播法训练所述深度卷积神经网络，通过反向传播计算相应梯度。

在本实施例中，所述磁共振图像重建单元103用于重建磁共振图像，包括：利用学习到的深度卷积神经网络，并根据利用最小二乘法重建磁共振图像；其中，u为线上的磁共振图像数据，C为学习到的深度卷积神经网络，λ为权重参数，f为采样到的K空间数据，H代表共轭装置，F_M代表欠采傅立叶变换，M代表欠采掩膜，F^H代表傅立叶变换的共轭装置，为学习到的深度卷积神经网络中的隐层参数。

本发明实施例的基于深度卷积神经网络的快速磁共振成像方法及装置，通过使用大量采集到的磁共振数据学习一个离线的深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，从而充分利用线下大量的磁共振图像，开发其先验信息，使其离线网络可从欠采磁共振数据里恢复更多的精细结构和图像特征，有助于减少磁共振扫描时间，并使磁共振欠采倍数和成像精度有所提高。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

本发明中应用了具体实施例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。