申请/专利权人：厦门大学

申请日：2023-08-18

公开（公告）日：2024-04-23

公开（公告）号：CN117078785B

主分类号：G06T11/00

分类号：G06T11/00;G06N3/045;G06N3/0455;G06N3/0464;G06N3/0495;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2023.12.05#实质审查的生效;2023.11.17#公开

摘要：一种快速非笛卡尔磁共振智能成像方法，涉及非笛卡尔采样磁共振图像的重建方法。获取非笛卡尔采样的多线圈磁共振傅里叶空间数据和采样轨迹，结合欠采样轨迹并通过密度补偿和非均匀傅里叶逆变换等操作，获得欠采样K空间数据，全采样合成图，全采样轨迹，欠采样轨迹共同组成训练集；设计基于稀疏模型展开的针对非笛卡尔采样数据的联合磁共振灵敏度估计与图像重建深度学习网络模型、网络的推理功能及损失函数；利用获得的训练集，求解基于稀疏模型展开的深度学习网络的最优参数；将待重建的非笛卡尔欠采样的磁共振傅里叶空间数据输入已训练好的网络重建磁共振图像。具有同时对线圈灵敏度估计、图像重建速度快和重建质量高的特点。

主权项：1.一种快速非笛卡尔磁共振智能成像方法，其特征在于包括以下步骤：1获取非笛卡尔采样的多线圈磁共振傅里叶空间数据和全采样轨迹，通过密度补偿和非均匀傅里叶逆变换操作生成全采样磁共振图像，再通过灵敏度映射生成全采样合成图，利用欠采样算子对每个线圈的傅里叶空间数据进行欠采样，得到欠采样K空间数据，由欠采样K空间数据，全采样合成图，全采样轨迹，欠采样轨迹共同组成训练集，具体方法为：首先，从磁共振成像仪器上获取全采样的非笛卡尔采样的多线圈磁共振傅里叶空间数据和全采样的非笛卡尔采样轨迹表示第j个线圈的全采样的非笛卡尔采样傅里叶空间数据，表示复数域，S,P,J分别表示数据中激发的次数、一次激发的采样点数和线圈数；然后，在制作训练集时，使用欠采样算子对Y中每个线圈的傅里叶空间数据和T进行欠采样操作，得到欠采样的多线圈非笛卡尔傅里叶空间数据和欠采样轨迹表示第j个线圈的欠采样非笛卡尔采样傅里叶空间数据，Su表示欠采数据中激发的次数，定义为和接着使用分别以T和作为轨迹计算插值函数得到的非均匀傅里叶算子和计算T和对应的密度补偿和和是和的共轭算子；对Y和中每个线圈的傅里叶空间数据进行密度补偿并应用非均匀傅里叶算子和可以得到和表示第j个线圈的全采样磁共振图像，表示第j个线圈的欠采样磁共振图像，定义和分别表示对Y和中每个线圈的傅里叶空间数据进行密度补偿的算子；再将全采样多线圈磁共振图像X进行平方和之后平方根得到合成线圈的实数图像其中，表示实数域，定义为然后X中各个通道的每个像素点除以中对应的像素点，定义为表示第j个线圈的全采样磁共振图像对应的灵敏度映射图，即表示全采样多线圈磁共振图像对应的灵敏度映射图；接着将全采样多线圈磁共振图像X每个线圈的像素点与其对应的共轭灵敏度映射图中相应的像素点点乘，并将不同线圈相同位置的值进行累加得到合成线圈的复数图像定义为： 其中，conj*表示对复数值取共轭操作；最后，由T，和Xcombined共同组成训练集；2设计基于稀疏模型展开的针对非笛卡尔采样数据的联合磁共振灵敏度估计与图像重建深度学习网络模型、网络的推理功能及损失函数；所述获取非笛卡尔采样的多线圈磁共振傅里叶空间数据和全采样轨迹以初始化模块I和网络主体迭代块为核心，通过串联的若干个网络主体迭代块构成；其中，初始化模块I包含线圈灵敏度映射图估计模块以及多线圈磁共振图像去伪影模块；网络主体迭代块包含数据一致性模块和稀疏重建模块；A.初始化模块I包括结构如下：a线圈灵敏度映射图估计模块：用于从获取的非笛卡尔傅里叶数据中获取估计的线圈灵敏度映射图；通过计算欠采样数据的加速倍数得到裁剪半径r表示傅里叶空间的半径，以rc为半径在欠采样K空间的中心提取出一个圆形低频区域；然后进行非均匀傅里叶变换得到多线圈低频磁共振图像XZ；再将多线圈低频磁共振图像XZ进行平方和之后平方根得到合成线圈的实数图像然后XZ各个通道的每个像素点除以中对应的像素点得到带波纹伪影的低频线圈灵敏度映射图；线圈灵敏度映射图矫正模块E主要包含M个不同尺度的编码器E、M个不同尺度的解码器D和深度信息卷积器H；不同尺度的编码器E之间有一层最大池化层，不同尺度的解码器D之间有一层反卷积层；第m个编码器Em，解码器Dm和深度信息卷积器H是由K个卷积层拼接组成，除解码器DM的最后一层，每个卷积层后都有一个带泄露修正线性函数LeakyRectifiedLinearUnit，LeakyReLU，卷积层的卷积核的大小为h×h；全采样的线圈灵敏度映射图矫正模块E用如下非线性映射函数表示：CR＝fRCl|ΘR其中，CR表示去除了波纹伪影的低频线圈灵敏度映射图，fR·表示线圈灵敏度映射图矫正模块所训练的非线性映射，ΘR表示该模块中的内部参数；b多线圈磁共振图像去伪影模块：用于去除多线圈欠采样磁共振图像的部分伪影，为后续重建提供较好的初始解；去伪影模块包含一个由N个卷积层组成的过滤器，其中除最后一层外，每个卷积层后均连接一个归一化函数和一个非线性整流函数，卷积核的大小为h×h；该模块将多线圈欠采样磁共振图像输入过滤器，得到过滤的伪影图像A，令减去A，得到用于后续重建的初始多线圈磁共振图像0表示为初始化模块I输出的图像；多线圈磁共振图像去伪影模块用如下非线性函数表示： 其中，ΘF表示过滤器的可学习参数集合，表示网络学习到的伪影和噪声；将步骤b中得到的初始多线圈磁共振图像每个线圈的像素点与步骤a中得到的CR所对应的共轭灵敏度映射图中相应的像素点点乘，并将不同线圈相同位置的值进行累加得到合成线圈的复数图像定义为初始化模块I用如下非线性映射表示： 其中Θinitialization是初始化模块I中的可学习参数集合；B.迭代块的网络结构如下：基于稀疏模型展开的迭代网络的迭代块包含两个子块，即数据一致性模块DC和稀疏重建块NS，a数据一致性模块DC由基于稀疏先验的算法推导而来，用于保持重建图像与欠采样图像在非笛卡尔傅里叶空间采样点上的一致性，其定义如下： 其中，为第k块稀疏重建块NSk重建得到合并线圈磁共振图像，βk为第k个数据一致性模块DCk可学习的权重参数；b稀疏重建块NS用于磁共振图像稀疏重建；由前向稀疏学习项软阈值算子反向稀疏学习项共计三个部分依次连接组成；所述前向稀疏学习项由L个卷积层组成，除最后一个卷积层外，每个卷积层后均连接一个非线性整流函数，卷积核的大小为h×h，第一层的输入为数据一致性模块DC的输出，其定义如下： 所述软阈值算子针对前向稀疏学习项的输出的每个像素进行软阈值操作，其定义为： 其中sgn·是符号函数，θk是第k次迭代生成的自适应软阈值；所述反向稀疏学习项由L个卷积层组成，除最后一个卷积层外，每个卷积层后均连接一个非线性整流函数RectifiedLinearUnit，ReLU，卷积核的大小为h×h，第一层的输入为软阈值算子的输出，反向稀疏学习项将软阈值的结果非线性映射到图像域，即将以上三项即级联，单个稀疏重建模块整体用如下非线性映射函数组表示： 其中ΘNS表示稀疏重建块NS中的可学习参数集合；将以上两个子块即数据一致性模块DC和稀疏重建块NS级联，单个迭代块整体可以用如下非线性映射函数组表示： 其中Θiter代表迭代网络训练参数的集合；F·表示迭代块各模块的级联；表示所训练的从Xk到Xk+1的非线性映射；将初始化模块I和基于稀疏模型展开的网络迭代块级联，设计的一种快速非笛卡尔磁共振成像网络模型整体表示为： 其中，Θ表示重建网络的可学习参数集合，K表示第K次迭代；3利用步骤1获得的训练集，求解基于稀疏模型展开的深度学习网络的最优参数；4将待重建的非笛卡尔欠采样的磁共振数据输入已训练的网络重建非笛卡尔磁共振图像。

全文数据：

权利要求：

百度查询： 厦门大学 一种快速非笛卡尔磁共振智能成像方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD