基于稀疏复数U型网络的快速磁共振成像方法

摘要

本发明公开了基于稀疏复数U型网络的快速磁共振成像方法，本发明包括数据采集、模拟欠采样、填零重建、复数差分变换、SCUNet网络构建、SCUNet网络训练、复数稀疏数据伪影抑制和逆滤波重建一共8个步骤。首次提出利用复数差分变换对图像空间的复数图像数据进行稀疏变换，对稀疏复数数据进行训练，基于逆滤波算法重建复数磁共振图像，从而使得训练网络SCUNet能更有效地提取复数数据的特征，提高最终磁共振欠采样复数重建图像的质量，既保留了磁共振欠采样图像的幅值信息又保留了相位信息,是一种很有应用潜力的快速复数磁共振成像方法。

说明书

技术领域

本发明属于磁共振成像领域，涉及一种基于稀疏复数U型网络的快速磁共振成像方法。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)因其具有较高的空间分辨率、软组织对比度和无辐射损伤等优点，已广泛应用于临床，但是其昂贵的设备价格和较慢的成像时间制约了它的应用。如何在确保图像质量的同时，又能提高MRI的成像速度一直是MRI研究领域的热点之一。

近几年来，随着计算机硬件性能的提高，尤其是GPU(Graphic Processing Unit)的运算能力的飞速发展，研究工作者开始将基于卷积神经网络的深度学习方法应用于快速磁共振成像领域。但目前基于卷积神经网络的快速MRI成像方法绝大多数是针对幅值图像(即实数数据)展开训练，其重建的图像无法获取相位信息。MRI采集的k空间数据是复数，经过经典的离散傅里叶重建法，得到的是复数数据，因此既有幅值信息，也有相位信息。相位信息在磁敏感加权成像等多种应用中有着重要作用，因此，基于复数卷积神经网络和复数训练的快速MRI成像方法有着更广泛的应用场合。

目前已申请的基于复数卷积神经网络的快速磁共振成像方面的专利有：

基于深度卷积神经网络的磁共振成像方法(申请号：CN201811388227.2)，提出通过深度卷积神经网络在k空间进行训练，将复数值分为实部和虚部，分别作为实数图像进行训练。一种基于深度先验学习的头颈联合成像方法和装置(申请号：CN201811525187.1)提供一种基于复数残差神经网络和先验学习的头颈联合成像方法，解决了现有的头颈联合成像中所存在的无法同时保证成像精度和成像时间需求的问题。基于复数R2U-Net网络的快速磁共振成像方法(申请号：2019122800376560)，提出基于复数输入，复数模块计算、复数损失值和复数训练的递归残差U型卷积神经网络，可用于复数MRI成像。

国内外已发表的基于复数卷积神经网络深度学习的快速磁共振成像方面的文章有：2018年，Lee D等人提出利用残差网络分别对磁共振数据的幅值和相位分别进行训练(Lee D,Yoo J,Tak S,et al.Deep residual learning for accelerated MRI usingmagnitude and phase networks[J].IEEE Transactions on Biomedical Engineering,2018,65(9):1985-1995.)。2018年，Hammernik K人提出将复数磁共振数据分为实部和虚部，并将其分别作为实数数据对网络进行训练(Hammernik K,Klatzer T,Kobler E,RechtMP,Sodickson DK,Pock T,et al.Learning a variational network forreconstruction of accelerated MRI data.Magn Reson Med2018；79(6):3055-71.)。2018年，Dedmari M A等人提出了基于复数全卷积神经网络的磁共振图像重建方法(Dedmari M A,Conjeti S,Estrada S,et al.Complex fully convolutional neuralnetworks for MR image reconstruction[C].International workshop on machinelearning for medical image reconstruction.springer,cham,2018:30-38.)，他们用密集性全卷积神经网络对膝盖部位的复数磁共振数据进行了重建，不仅可以重建幅值图像，还可以重建相位图像。2019年，Wang S等人提出一种多通道图像重建方法，利用残差复数卷积神经网络加速并行MRI成像(Wang S,Cheng H,Ying L,Xiao T,Ke Z,Zheng H,LiangD.DeepcomplexMRI:Exploiting deep residual network for fast parallel MRimaging with complex convolution,Magnetc Resonance Imaging,2020:68:136-47.)。

以上发表的基于复数卷积神经网络方面的文章或专利，其训练数据要么是k空间数据要么是常规图像空间数据，没有出现过任何基于稀疏复数数据的神经网络训练方面的快速磁共振成像方法专利或文章。

发明内容

本发明针对现有的复数卷积神经网络在磁共振快速成像方法中的不足，提出基于稀疏复数U型网络的快速磁共振成像方法，首次提出利用复数差分变换对图像空间的复数图像数据进行稀疏变换，将稀疏的复数数据作为训练数据，基于稀疏复数U型网络(SCUNet)作为训练网络，输出的稀疏复数数据需经过逆滤波重建的快速磁共振成像方法。本发明有助于更有效地提取复数数据的特征，减少训练数据因背景组织对比造成的差异，扩大训练数据的范围，提高磁共振欠采样数据的复数图像重建质量。

基于稀疏复数U型网络的快速磁共振成像方法，具体包括以下步骤：

步骤1：数据采集

采集多组全采样的k空间数据用于训练，每组用S

I

快速MRI应用时的实际k空间欠采样数据用S

作为优选，全采样的k空间数据数量为500组以上；

步骤2：模拟欠采样

对步骤1采集得到的k空间全采样数据S

S

其中，.*表示点乘，mask(x

步骤3：填零重建

对于欠采样数据S

I

I

步骤4：复数差分变换

分别对I

E

E

E

E

E

步骤5：SCUNet网络构建

SCUNet网络是U型卷积神经网络的复数扩展，处理的输入数据都是稀疏的复数数据。网络包括复数降采样和复数升采样两部分。复数降采样层包括复数卷积、复数批标准化、复数激活和复数池化；复数升采样层包括复数上采样，复数数据合并，复数卷积、复数批标准化和复数激活。SCUNet网络构建包括以下六个步骤：。

步骤5-1：复数卷积

复数卷积公式如下：

其中，*表示卷积操作；j代表复数；卷积核为K

步骤5-2：复数批标准化

复数批标准化公式如下：

其中，CBN表示复数批标准化操作，

作为优选，将V

步骤5-3：复数激活

复数激活公式如下：

其中，CReLU代表复数激活函数；ReLU代表实数激活函数；θ

步骤5-4：复数池化

采用复数最大值池化法，根据滑动窗口的大小求窗口内复数数据模值最大的那个复数作为复数池化的输出，完成复数降采样。

步骤5-5：复数数据合并

将SCUNet网络中复数降采样层和复数升采样层中同层对应数据进行合并。

步骤5-6：复数上采样

采用复数最近邻插值法来进行复数上采样，选取幅值最大的那个复数作为插值后邻域内所有像素的值。

步骤6：SCUNet网络训练优化：

使用步骤4生成的稀疏复数训练数据，基于Adam算法和复数损失函数的计算对步骤5构建的CUNet网络进行训练优化，当复数损失函数最小时，保存SCUNet网络的参数作为优化好的网络参数θ。

复数损失函数的计算公式为：

其中T表示批数据大小，t表示批数据中第t个图像，t＝1,2…T。SCUNet表示步骤5构建的SCUNet网络。

步骤7：复数稀疏数据伪影抑制

用参数优化后的SCUNet网络对实际采集的欠采样数据填零重建图E

E

步骤8：逆滤波重建

伪影抑制后的结果E

其中，IDFT表示离散傅立叶反变换，k

本发明具有以下有益效果：

(1)本发明方法通过对大量稀疏复数数据进行训练能有效去除欠采样引起的伪影，既可重建出幅值图像，也可重建出相位图像，能满足多个快速磁共振成像领域的需求。

(2)本发明对稀疏复数数据进行训练，相比训练常规的复数图像，更易于提取有效的复数数据特征；

(3)复数差分变换使得稀疏复数数据间的对比度变小，有助于将不同采集参数的磁共振图像放在一起训练，从而增大训练数据的总量，防止过拟合；

(4)本发明对k空间中心部分数据全采集，既能够保留图像数据的对比度信息，又能避免逆滤波重建时出现分母为零的情形。

(5)本发明的SCUNet网络的训练时间虽然较长，不过重建时间可达到秒级，一旦网络训练好了，经过代码优化，成像时间可以达到实时在线的要求。

附图说明

图1是本发明数据采集重建流程图；

图2是本发明的数据欠采样示意图；

图3(a)-(j)是实施例中复数图像重建结果。

具体实施方式

以下结合附图对本发明作进一步的解释说明；

本实施例使用的显卡型号为Tesla K80 NVIDIA Geforce RTX2070 GPU，内存16GBRAM,CPU为2.21GHz。

如图1所示，本发明包含8个步骤：数据采集、模拟欠采样、填零重建、复数差分变换、SCUNet网络构建、SCUNet网络训练、复数稀疏数据伪影抑制和逆滤波重建。具体如下：

步骤1：数据采集

采集1200组全采样的磁共振脑部k空间数据用于训练，每个数据大小为256×256，每组用S

快速MRI应用的实际k空间欠采样数据用S

步骤2：模拟欠采样

如图2所示，对k空间全采样数据S

步骤3：填零重建

对于欠采样数据S

步骤4：复数差分变换

分别对I

步骤5：SCUNet网络构建

SCUNet网络是U型卷积神经网络的复数扩展，包括复数降采样和复数升采样两部分，每部分各有5层，每层间两两一一对应。复数降采样层包括复数卷积、复数批标准化、复数激活和复数池化；复数升采样层包括复数上采样，复数数据合并，复数卷积、复数批标准化和复数激活。

步骤6：SCUNet网络训练：

基于Adam算法和复数损失函数Closs的计算对SCUNet网络进行训练，当复数损失函数最小时，保存此时SCUNet网络的网络参数作为优化好的网络参数θ。SCUNet网络的训练时间约为565分钟。

步骤7：复数稀疏数据伪影抑制

用参数优化好的SCUNet网络对实际采集的欠采样数据填零重建图E

步骤8：逆滤波重建

伪影抑制后的结果E

图3(a)-(j)为本实施例的成像结果图，图3(a)-(e)为幅值图像，(f)-(j)为相位图像；(a)、(f)分别为全采样幅值图与相位参考图；(b)、(g)分别为欠采样数据经过填零重建和复数差分变换后的复数稀疏数据的幅值图与相位图；(c)、(h)分别为基于SCUNet网络的复数稀疏数据伪影抑制后的幅值图与相位图；(d)、(i)分别为逆滤波重建后的幅值图与相位图；(e)、(j)分别为的幅值误差映射图与相位误差映射图。从图3可以看出本发明方法能有效抑制欠采样带来的重叠伪影，无论是幅值误差映射图(e)还是相位误差映射图(j)中的误差都非常小，重建复数图像的客观量化误差TRE值仅为6.94e-4。