本發(fā)明涉及磁共振成像技術領域，尤其涉及一種基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像方法及裝置。

背景技術：

壓縮感知理論的成功應用，必須滿足下述三個條件：①信號具有稀疏性，②有欠采樣造成的偽影在變換域中具有非相干性，③重建結(jié)果與采樣數(shù)據(jù)具有良好的一致性。而在磁共振圖像中，能很好地滿足這三個條件。其在經(jīng)典的基于壓縮感知的快速磁共振成像模型里，通常有兩個成份：數(shù)據(jù)擬合項和稀疏正則項。假設重建后的mri圖像為m，ψ表示從像素域變換到稀疏域的稀疏變換，fu表示k空間的欠采樣算子，y是掃描中測量到k空間數(shù)據(jù)，則圖像m的重建可以通過解下面約束性優(yōu)化問題：

min||ψm||1s.t.||fum-y||2＜ε(1)

在式(1)中，||fum-y||2＜ε為數(shù)據(jù)擬合項，保證數(shù)據(jù)一致性，而||ψm||1是稀疏約束項，為最小1-范數(shù)時可以得到最稀疏解，又稱正則項，其先驗信息僅局限于少量線上數(shù)據(jù)或少數(shù)參考圖像。

但是，傳統(tǒng)的這種快速磁共振重建方法多數(shù)是基于壓縮感知框架，其僅僅利用采到的部分k空間數(shù)據(jù)和開發(fā)圖像稀疏性來約束成像模型進行磁共振圖像重建，而線下大量的磁共振數(shù)據(jù)未得到利用，先驗信息的開發(fā)仍有局限性。

技術實現(xiàn)要素：

為了克服傳統(tǒng)的壓縮感知技術的缺點，本發(fā)明實施例提出一種基于深度卷積神經(jīng)網(wǎng)絡的磁共振重建方法及裝置，以提高線上磁共振欠采倍數(shù)，并且改善磁共振成像精度。

為了達到上述目的，本發(fā)明實施例提供一種基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像方法，包括：步驟s1，構(gòu)建深度卷積神經(jīng)網(wǎng)絡；步驟s2，獲取離線磁共振圖像數(shù)據(jù)，訓練所述深度卷積神經(jīng)網(wǎng)絡，學習欠采樣磁共振圖像與全采圖像之間的映射關系；步驟s3，利用所述步驟s2中學習到的深度卷積神經(jīng)網(wǎng)絡重建磁共振圖像。

為了達到上述目的，本發(fā)明實施例還提供一種基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像裝置，包括：卷積神經(jīng)網(wǎng)絡構(gòu)建單元，用于構(gòu)建深度卷積神經(jīng)網(wǎng)絡；網(wǎng)絡模型訓練單元，用于獲取離線磁共振圖像數(shù)據(jù)，訓練所述深度卷積神經(jīng)網(wǎng)絡，學習欠采樣磁共振圖像與全采圖像之間的映射關系；磁共振圖像重建單元，用于利用學習到的深度卷積神經(jīng)網(wǎng)絡重建磁共振圖像。

本發(fā)明實施例的基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像方法及裝置，通過使用大量采集到的磁共振數(shù)據(jù)學習一個離線的深度卷積神經(jīng)網(wǎng)絡，學習欠采樣磁共振圖像與全采圖像之間的映射關系，從而充分利用線下大量的磁共振圖像，開發(fā)其先驗信息，使其離線網(wǎng)絡可從欠采磁共振數(shù)據(jù)里恢復更多的精細結(jié)構(gòu)和圖像特征，并使磁共振欠采倍數(shù)和成像精度有所提高。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例的基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像方法的處理流程圖；

圖2為本發(fā)明實施例的基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明的深度卷積神經(jīng)網(wǎng)絡的磁共振成像方法是基于傳統(tǒng)壓縮感知的快速磁共振成像方法的一些局限性，如線下大量磁共振圖像沒有得到充分利用等問題而提出的。本發(fā)明中，首先設計一個離線的卷積神經(jīng)網(wǎng)絡，再使用大量現(xiàn)有的高質(zhì)量圖像作為該離線網(wǎng)絡的訓練數(shù)據(jù)集，從而確定圖像之間的映射關系，最后重建線上的磁共振圖像。

圖1為本發(fā)明實施例的基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像方法的處理流程圖。如圖1所示，本實施例的基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像方法包括：步驟s101，構(gòu)建深度卷積神經(jīng)網(wǎng)絡；步驟s102，獲取離線磁共振圖像數(shù)據(jù)，訓練所述深度卷積神經(jīng)網(wǎng)絡，學習欠采樣磁共振圖像與全采圖像之間的映射關系；步驟s103，利用所述步驟s102中學習到的深度卷積神經(jīng)網(wǎng)絡重建磁共振圖像。

在本發(fā)明實施例中，定義欠采樣的k空間為：

f＝pfu(2)

式(2)中，p代表欠采模型的對角矩陣，f是通過f^hf＝i歸一化后的全采傅里葉編碼矩陣，u是原始圖像或線下圖像，則fu表示全采的k空間數(shù)據(jù)；h代表hermitian變換，其零填充磁共振圖像z可通過已觀察到的數(shù)據(jù)直接逆變換得到，其表達式如下所示：

z＝f^hpfu(3)

根據(jù)線性代數(shù)可知，一個信號u加一個突變信號p的循環(huán)卷積可以表示為f^hpfu，式中p是傅里葉變換p的對角項，其是非零項。

本發(fā)明的目的是盡量從欠采的傅里葉數(shù)據(jù)中學習一個全局的卷積神經(jīng)網(wǎng)絡來重建磁共振圖像。但考慮事先獲得的磁共振圖像的數(shù)據(jù)有線下真實的和破損的，故通過以下目標函數(shù)來最小化誤差。

式(4)中，c是用隱層參數(shù)θ＝{(w1,b1),...(wl,bl),...(wl,bl)}來估計的端對端的映射關系，t是訓練樣本的全部數(shù)量。

為了增加網(wǎng)絡的魯棒性，通過分離整個成對圖像的重疊成對的子圖像xt,n和yt,n來獲得更多訓練樣本，得到

在以下的敘述中，為了表達方便，只采用一對x，y。

在步驟s101中，離線構(gòu)建一個l層的卷積神經(jīng)網(wǎng)絡來學習映射關系。首先考慮特征產(chǎn)生的問題，每個提取的圖像塊是基于先前訓練的模型大約近似得到的。使用等效的卷積運算和轉(zhuǎn)換來優(yōu)化來網(wǎng)絡學習過程。因此，第一層網(wǎng)絡定義為：

c1＝σ(w1*x+b1)(6)

式(6)中，w1是大小為c×m1×m1×n1的卷積算子，b1是與元素相關的n1維偏置。c是圖像通道的數(shù)量，m1是濾波器的大小，n1是濾波器的數(shù)量。

對于非線性響應，為了更有效地計算，采用整流線性單元。

接著考慮非線性映射的問題。進一步進行非線性映射，從nl-1維映射到n1，可通過下式定義圖像特征和結(jié)構(gòu)來代表全部數(shù)據(jù)重建的圖像：

cl＝σ(wl*cl-1+bl)(7)

式(7)中，wl的大小為nl-1×ml×ml×nl。

最后需考慮最后一層的卷積問題。為了從卷積神經(jīng)網(wǎng)絡重建最終預測的圖像，需構(gòu)建另一層卷積，期待通過學習一系列可以從系數(shù)投射到圖像域的線性濾波器ml。

cl＝σ(wl*cl-1+bl)(8)

式(8)中，ml的大小為nl-1×ml×ml×c。

最后，設計了一個l層的卷積神經(jīng)網(wǎng)絡來學習映射關系，即：

其中，x為第一層的輸入樣本；c是用隱層參數(shù)θ＝{(w1,b1),...(wl,bl),...(wl,bl)}來估計的端對端的映射關系；σ表示非線性激勵函數(shù)。

在本發(fā)明的步驟s102中，獲取離線磁共振圖像數(shù)據(jù)，訓練所述深度卷積神經(jīng)網(wǎng)絡，學習欠采樣磁共振圖像與全采圖像之間的映射關系，包括：采用反向傳播法訓練所述深度卷積神經(jīng)網(wǎng)絡，通過反向傳播計算相應梯度，具體包括：

考慮到成對的訓練(x,y)，其反向傳播通過式(5)-(8)計算激勵和輸出值。為了更新網(wǎng)絡參數(shù)，通過反向傳播來計算相應梯度。先考慮單一的成對的目標，式(4)可以轉(zhuǎn)換為下式表示：

式中dl＝wl*cl-1+bl和δ^l為反向傳播“誤差項”。

首先，計算最后一層的梯度：

由于和cl＝σ(dl)，故δ^l的非線性映射層能通過下式更新：

式(12)中，*代表不同的前饋傳遞卷積層的互相關操作，ο表示數(shù)組元素依次相乘。

因此，可以得知每層的梯度為：

式(13)在訓練網(wǎng)絡過程中習慣于計算隨機梯度

在所述步驟s103中，一旦從事先獲得的數(shù)據(jù)中學到隱層參數(shù)可以用如下式約束優(yōu)化的問題來重建磁共振圖像：

其中，u為線上的磁共振圖像數(shù)據(jù)，c為所述步驟s102中學習到的深度卷積神經(jīng)網(wǎng)絡，λ為權(quán)重參數(shù)，f為采樣到的k空間數(shù)據(jù)，h代表共軛裝置，fm代表欠采傅立葉變換，m代表欠采掩膜，f^h代表傅立葉變換的共軛裝置，為學習到的深度卷積神經(jīng)網(wǎng)絡中的隱層參數(shù)。

這是一個最小二乘法確認一個解析解的問題，其最小二乘法滿足如下標準方程：

該方程(15)再通過圖像域到傅里葉空間的轉(zhuǎn)換，可得到：

式(16)中，是只包含0和1的對角矩陣，1全是對角線上的元素代表k空間采樣的數(shù)據(jù)，表示零填充的傅里葉測量。因此，有：

式(17)中，ω代表采樣位置集。

基于同樣的發(fā)明構(gòu)思，如圖2所示，為本發(fā)明實施例的基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像裝置的結(jié)構(gòu)示意圖。如圖2所示，包括：卷積神經(jīng)網(wǎng)絡構(gòu)建單元101，用于構(gòu)建深度卷積神經(jīng)網(wǎng)絡；網(wǎng)絡模型訓練單元102，用于獲取離線磁共振圖像數(shù)據(jù)，訓練所述深度卷積神經(jīng)網(wǎng)絡，學習欠采樣磁共振圖像與全采圖像之間的映射關系；磁共振圖像重建單元103，用于利用學習到的深度卷積神經(jīng)網(wǎng)絡重建磁共振圖像。

在本實施例中，所述卷積神經(jīng)網(wǎng)絡構(gòu)建單元101具體用于：

離線構(gòu)建一個l層的卷積神經(jīng)網(wǎng)絡來學習映射關系：

其中，x為第一層的輸入樣本；c是用隱層參數(shù)θ＝{(w1,b1),...(wl,bl),...(wl,bl)}來估計的端對端的映射關系；σ表示非線性激勵函數(shù)。

在本實施例中，所述網(wǎng)絡模型訓練單元102具體用于：采用反向傳播法訓練所述深度卷積神經(jīng)網(wǎng)絡，通過反向傳播計算相應梯度。

在本實施例中，所述磁共振圖像重建單元103用于重建磁共振圖像，包括：利用學習到的深度卷積神經(jīng)網(wǎng)絡，并根據(jù)利用最小二乘法重建磁共振圖像；其中，u為線上的磁共振圖像數(shù)據(jù)，c為學習到的深度卷積神經(jīng)網(wǎng)絡，λ為權(quán)重參數(shù)，f為采樣到的k空間數(shù)據(jù)，h代表共軛裝置，fm代表欠采傅立葉變換，m代表欠采掩膜，f^h代表傅立葉變換的共軛裝置，為學習到的深度卷積神經(jīng)網(wǎng)絡中的隱層參數(shù)。

本發(fā)明實施例的基于深度卷積神經(jīng)網(wǎng)絡的快速磁共振成像方法及裝置，通過使用大量采集到的磁共振數(shù)據(jù)學習一個離線的深度卷積神經(jīng)網(wǎng)絡，學習欠采樣磁共振圖像與全采圖像之間的映射關系，從而充分利用線下大量的磁共振圖像，開發(fā)其先驗信息，使其離線網(wǎng)絡可從欠采磁共振數(shù)據(jù)里恢復更多的精細結(jié)構(gòu)和圖像特征，有助于減少磁共振掃描時間，并使磁共振欠采倍數(shù)和成像精度有所提高。

本領域內(nèi)的技術人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數(shù)據(jù)處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設備上，使得在計算機或其他可編程設備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

本發(fā)明中應用了具體實施例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據(jù)本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應理解為對本發(fā)明的限制。