买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：一种面向快速MRI的深度神经网络的多尺度序贯训练方法，该训练方法构建多尺度的MR训练图像来训练深度神经网络，首先学习从低倍欠采样的MR图像到全采样MR图像的映射关系，得到深度神经网络模型的初始参数；再逐步增大输入的MR图像的欠采样倍数，在每种欠采样尺度下，依次训练深度神经网络学习从欠采样的MR图像到全采样的MR图像的映射关系，并且每次在更低尺度下的深度神经网络模型的训练都是以前一个尺度下训练所得的网络模型为基础，从而为最终重构高倍欠采样的MR图像累积足够丰富的先验知识，有效地提升MR图像的重建精度。本发明所提供的方法能够有效地重建高倍欠采样的磁共振图像，具有很强的实用性。

主权项：1.一种面向快速MRI的深度神经网络的多尺度序贯训练方法，其特征在于，所述方法包括以下步骤：步骤1令f·；Θ表示对k空间中的任意u倍欠采样的MR图像进行重建的深度神经网络，这里，Θ为f·；Θ的参数集，表示MR图像所在的k空间，为yu的维度，N为全采样的MR图像的维度，表示MR图像所在的像素空间；本发明中，将k空间中的MR图像的维度称为其尺度；yu和x存在如下关系：yu＝Suy＝SuFx,其中，表示在k空间中的全采样图像，Su∈{0,1}M×N表示对y进行u倍欠采样的掩码矩阵，为傅里叶变换矩阵，用于将MR图像从像素空间变换到k空间；步骤2基于多尺度序贯训练方法训练f·；Θ，得到Θ的最优参数集Θ＊；所述步骤2的步骤如下：步骤2.1构建用于训练深度神经网络f·；Θ的多尺度的MR图像集T＝{T1,T2,…,TD}，这里，Td表示尺度为的训练子集，且各训练子集Td的尺度存在如下关系：M1M2…MD＝M；Td通过如下方式构建： 其中，Γ＝{1,2,…,G}为训练样本的索引集，G为训练样本的个数，为第g张全采样的MR图像，为第g张尺度为的MR图像，训练子集Td的尺度由的尺度决定，通过如下方式构建： 其中，表示对k空间中的MR图像进行ud倍欠采样的掩码矩阵；步骤2.2构建深度神经网络f·；Θ的验证集V＝{V1,V2,…,VD}这里，Λ＝{1,2,…,L}为验证样本的索引集，L为验证样本的个数；步骤2.3令d＝0，随机初始化f·；Θ的参数集Θ为Θ0；步骤2.4令迭代期数e＝0，迭代次数t＝0，d＝d+1，取训练子集Td为当前阶段的训练集；步骤2.5令e＝e+1，训练批次b＝0，将Td中训练样本的索引集Γ随机分割为B个不相交的子集：步骤2.6令t＝t+1，训练批次b＝b+1，计算 步骤2.7通过梯度下降法，优化如下损失函数 其中，为损失函数；步骤2.8在验证集Vd上评估深度神经网络f·；Θt的质量： 其中，Q·,·为质量评估函数；步骤2.9迭代执行上述步骤2.6～步骤2.8，直至b＝B；步骤2.10迭代执行上述步骤2.5～步骤2.9，直至e＝Ed，这里Ed为预设的最大训练期数；步骤2.11选取当前深度神经网络f·；Θ的最优参数集其中，步骤2.12令Θ0＝Θd，迭代执行上述步骤2.4～步骤2.11，直至d＝D；步骤2.13选取深度神经网络f·；Θ的最优参数集Θ＊＝ΘD。

全文数据：

权利要求：

百度查询： 浙江工业大学 面向快速MRI的深度神经网络的多尺度序贯训练方法