CN110288672A - 一种基于超深稠密网络的压缩感知磁共振图像重建方法 - Google Patents
一种基于超深稠密网络的压缩感知磁共振图像重建方法 Download PDFInfo
- Publication number
- CN110288672A CN110288672A CN201910573075.1A CN201910573075A CN110288672A CN 110288672 A CN110288672 A CN 110288672A CN 201910573075 A CN201910573075 A CN 201910573075A CN 110288672 A CN110288672 A CN 110288672A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- magnetic resonance
- ultra
- reconstruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002950 deficient Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 25
- 239000000284 extract Substances 0.000 claims description 24
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000003475 lamination Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract 2
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000001646 magnetic resonance method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101000589423 Homo sapiens Proapoptotic nucleolar protein 1 Proteins 0.000 description 1
- 102100032331 Proapoptotic nucleolar protein 1 Human genes 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于超深稠密网络的压缩感知磁共振图像重建方法。该方法通过训练一个深度网络学习图像训练数据库中多个欠采样的k空间数据和高质量磁共振图像之间的对应关系,泛化到图像测试数据库,从而实现对测试数据的重建。该深度网络有两个特征:首先,网络层数多,包含较多的复杂子网络,每个子网络可以预重建一张磁共振图像;其次,子网络之间的连接是稠密连接,这样子网络可以通过分析多张预重建图像生成一张重建质量更好的图像。只要把图像测试数据库中的欠采k空间数据作为该深度网络的输入,得到的输出就是生成的高质量磁共振图像。本发明方法可以快速地进行压缩感知磁共振图像重建,而且生成清晰度较高的磁共振图像。
Description
技术领域
本发明属于磁共振图像重建领域,尤其涉及一种基于超深稠密网络的压缩感知磁共振图像重建方法。
背景技术
磁共振成像(MRI)是一种相对安全的,并且能提供较高软组织对比度的医学断层成像技术。在近20年来,磁共振成像已经在生命科学和医学等领域和研究取得了飞跃性的发展,并成为临床诊断和基础研究的重要工具。然而,在临床医学成像中,受磁共振成像扫描时间长、采样对象运动引起重建图像质量差等因素的影响,限制了磁共振成像进一步的应用和发展。如何快速获得高质量的磁共振图像就一直是最受关注的前沿研究课题之一。压缩感知磁共振成像是一种快速磁共振成像技术,在只需要部分降采k空间数据的前提下,通过压缩感知理论可以重建出原始的全采重建磁共振图像。
传统的压缩感知磁共振图像重建方法[1-4]都是基于压缩感知理论,探讨磁共振数据的稀疏性质,结合正则化约束,通过求解l1范数或者l0范数的数学模型,得到重建的磁共振图像。传统的压缩感知磁共振图像重建方法需要通过迭代算法求解数学模型,重建速度慢,并且在低采样率时重建图像比较模糊,存在欠采伪影。
近年来,基于深度学习的压缩感知磁共振图像重建方法也被相继提出。与传统的方法比较,这类方法重建速度快,重建图像质量高。Wang等[5]提出了首个基于卷积神经网络的压缩感知磁共振重建方法,通过3层卷积神经网络,学习从降采磁共振重建图像到全采磁共振图像的端到端映射关系。Lee等[6]引入残差学习机制,采用U型网络(U-net)学习降采磁共振重建图像到欠采伪影的映射关系。这两个网络没有生成预重建图像,只在网络末端输出一张重建图像。Yang等[7]根据ADMM算法提出了ADMM-net,通过多个子网络模拟ADMM算法的迭代步骤生成多张预重建磁共振图像。Schlemper等[8]提出了基于多子网络的磁共振重建网络,并引入了k空间数据修正层DC对每个子网络生成的磁共振图像进行修正,从而最终提高网络的重建性能。自DC层被提出之后被广泛应用于后续的基于深度学习的压缩感知磁共振图像重建方法。这些包含多个子网络的压缩感知磁共振图像网络存在两个缺陷。其一,每个子网络都只是利用其前面一个子网络的结果,而没有充分利用到前面所有子网络的信息;其二,这些网络大部分是浅网络,网络层不多,并且网络结构相对简单,限制了整个网络的重建性能。
发明内容
本发明的目的在于客服现有基于深度学习的压缩感知磁共振方法的不足,把每个子网络稠密连接起来,使得每个子网络不仅可以利用前一个子网络的信息,而且可以通过融合先前所有子网络的全部信息,预重建出一张清晰的磁共振图像;基于此,本发明提出了一种基于超深稠密网络的压缩感知磁共振图像重建方法。
为实现上述目的,本发明的技术方案是:一种基于超深稠密网络的压缩感知磁共振图像重建方法,以超深稠密网络作为压缩感知磁共振图像重建的深度网络,超深稠密网络首先把输入的欠采k空间数据Ku经过填零、二维反傅里叶变换得到一张模糊的带欠采伪影的磁共振重建图像X0,然后把X0作为输入,经过N个磁共振图像重建子网络进行反复地修正重建分别得到X1,X2,…,XN,最终生成一张高质量磁共振图像
在本发明一实施例中,所述超深稠密网络包括N个磁共振图像重建子网络,其中第n个子网络会预重建一张磁共振图像Xn,其中1≤n≤N;子网络包含一个图像域重建网络和一个k空间数据修正层。
在本发明一实施例中,每个磁共振图像重建子网络是稠密连接的,使得第n个子网络可通过分析多个预重建磁共振图像X0,X1,…,Xn-1,重建出一张磁共振图像Xn,其中1≤n≤N。
在本发明一实施例中,所述图像域重建网络包括嵌入网络模块、推理网络模块和重建网络模块;
所述嵌入网络模块包括一个连接层和一个卷积层,用于收集预重建磁共振图像,并提取特征;
所述推理网络模块包括D个递归特征提取融合子模块;
所述重建网络模块包括一个连接层和卷积层,其中连接层用于收集递归特征提取融合子模块生成的特征,卷积层将这些特征卷积成一张磁共振残差图像;残差图像与前一个图像域重建网络的重建图像相加,重建出新的一张磁共振图像。
在本发明一实施例中,在第n个子网络中,
嵌入网络模块首先经过收集X0和前面n-1个子网络预重建的磁共振图像X1,X2,…,Xn-1,用一个卷积层提取这些图像的浅层特征Fn,0:
Fn,0=Wn*[X0,X1,…,Xn-1]+bn
其中Wn和bn对应卷积层的卷积核和偏移,*表示卷积层的卷积运算所述嵌入网络模块;
推理网络模块包括D个递归特征提取融合子模块,假设第d个递归特征提取融合子模块的功能用表示,其中1≤d≤D,输入为Fn,d-1,输出为Fn,d:
Fn,d-1是第d-1个递归特征提取融合子模块的输出,当d=1时,Fn,d-1是嵌入网络模块的输出Fn,0;
重建网络模块首先经过收集前面嵌入网络模块的输出Fn,0和推理网络模块中D个递归特征提取融合子模块的输出Fn,1,Fn,2,…,Fn,D,用一个卷积层生成一个残差图像Rn:
其中和对应卷积层的卷积核和偏移;最后通过一个跨层连接,把残差图像Rn和第n-1个子网络生成的磁共振图像Xn-1相加,得到一张较清晰的磁共振图像Zn=Rn+Xn-1。
在本发明一实施例中,在第n个子网络中,第d个递归特征提取融合子模块,包含H个组件,一个连接层和一个卷积层;每个组件包含一个非线性激活层LReLU和一个卷积层。
在本发明一实施例中,H个组件的参数是共享的,第h个组件输入为Fn,d,h-1,其中1≤h≤H,输出为:
Fn,d,h=Wn,d*(σ(Fn,d,h-1))+bn,d
其中σ表示LReLU函数,Wn,d和bn,d对应组件中所有卷积层的卷积核和偏移;当d>1时,Fn,d,h-1是第h-1个组件的输出,当d=1时,Fn,d,h-1是第d-1个递归特征提取融合子模块的输出Fn,d-1。
在本发明一实施例中,子模块包含一个连接层和一个卷积层;连接层收集特征Fn,d,0,Fn,d,1,…,Fn,d,H,卷积层输出Fn,d:
其中和对应卷积层的卷积核和偏移。
在本发明一实施例中,所述k空间数据修正层对图像域重建网络的输出Z在k空间进行数据修正;k空间数据修正层首先把Z转换到k空间数据K,然后根据Ku修正K,得到
其中(i,j)表示矩阵索引,Ω是k空间采样位置的集合,ρ表示噪声水平;最后再把转换回图像域,得到修正后的磁共振图像X。
在本发明一实施例中,当提供一组训练数据其中L为训练数据库中磁共振图像的数量,和Xl分别是降采k空间数据和全采重建磁共振图像,则其损失函数可以表示为:
其中是由基于超深稠密网络的压缩感知磁共振图像重建方法重建的磁共振图像。
相较于现有技术,本发明具有以下有益效果:本发明所述的基于超深稠密网络的压缩感知磁共振图像重建方法,基于稠密连接网络中每个层能够利用前面网络层的所有信息从而提高网络性能的良好特性,设计包含多个能预重建磁共振图像的复杂子网络,并通过稠密连接所有的子网络,使得每个子网络能够融合前面所有子网络的预重建磁共振图像,最终整个网络可以重建高质量的磁共振图像。
附图说明
图1是本发明中用于压缩感知磁共振图像重建的超深稠密网络(VDDCN)的示意图;
图2是本发明中磁共振图像重建子网络(FEFB)的示意图;
图3是本发明中递归特征提取融合子模块(RFEFSB)的示意图;
图4是本发明中k空间数据修正层(DC)的示意图。
图5是重建实数数据的效果示意图。
图6是重建复数数据的效果示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的目的在于客服现有基于深度学习的压缩感知磁共振方法的不足,基于稠密连接网络中每个层能够利用前面网络层的所有信息从而提高网络性能的良好特性,设计包含多个能预重建磁共振图像的多个复杂子网络,并通过稠密连接所有的子网络,使得每个子网络能够融合前面所有子网络的预重建磁共振图像,最终整个网络可以重建高质量的磁共振图像。
本发明所述的基于超深稠密网络的压缩感知磁共振图像重建方法中,超深稠密网络,如图1所示,包含一个二维反傅里叶变换(iDFT)层和N个磁共振图像重建子网络;每个子网络包含一个一个图像域重建网络(FEFB)和一个k空间数据修正(DC)层。iDFT把欠采k空间数据转换到图像域,子网络则是对图像域数据做反复地修复重建,最后生成高质量地磁共振图像。
图像域重建网络(FEFB),如图2所示,包含一个嵌入网络模块,嵌入网络模块中由一个连接(Concat)层和一个卷积(Conv)层组成;包含一个推理网络模块,推理网络模块由D个递归特征提取融合子模块(RFEFSB)组成;包含一个重建网络模块,重建网络模块由一个连接(Concat)层和一个卷积(Conv)层组成。FEFB首先通过嵌入网络模块融合前面子网络生成的预重建磁共振图像,得到数据的浅层特征,然后经过推理网络模块生成多个不同层次的特征图,最后重建网络模块融合不同层次的特征图,重建出一张磁共振图像。
递归特征提取融合子模块(RFEFSB),如图3所示,包含N个组件,一个连接层(Concat)和一个卷积(Conv)层。每个组件包含一个非线性激活层LReLU和一个卷积核大小为1×1的卷积(Conv)层。首先RFEFSB通过N个组件生成N个不同层次的特征图,最后通过Concat层和Conv层,融合这些特征图,生成更高层次的紧凑特征,为FEFB的重建网络提供更有效的重建信息。
k空间数据修正(DC)层,如图4所示,把FEFB生成的磁共振图像进行修正,重建出一行质量更好的磁共振图像。
基于上述原理,本发明所述的方法具体实施如下:
本发明中,超深稠密网络首先把输入的欠采k空间数据Ku经过填零、二维反傅里叶变换得到一张模糊的带欠采伪影的磁共振重建图像X0=iDFT(Ku),其中iDFT表示二维反傅里叶变换;然后把X0作为输入,经过N个磁共振图像重建子网络进行反复地修正重建分别得到X1,X2,…,XN,最终生成一张高质量磁共振图像其中第n个子网络(1≤n≤N)可以通过稠密连接,把多个预重建磁共振图像X0,X1,…,Xn-1作为输入,输出一张质量较好的磁共振图像Xn=fn(X0,X1,…,Xn-1),其中fn表示第n个子网络的功能函数。
每个子网络包含一个图像域重建网络和一个k空间数据修正层。假设第n个子网络(1≤n≤N)中,图像域重建网络和k空间数据修正层的功能函数分别用gn和dc表示,则函数Xn=fn(X0,X1,…,Xn-1)可以分解成Zn=gn(X0,X1,…,Xn-1)和Xn=dc(Zn)两个函数。
在第n个子网络(1≤n≤N)中,图像域重建网络又分为嵌入网络模块、推理网络模块和重建网络模块。首先嵌入网络模块收集X0和前面n-1个子网络预重建的磁共振图像X1,X2,…,Xn-1,用一个卷积层提取这些图像的浅层特征Fn,0:
Fn,0=Wn*[X0,X1,…,Xn-1]+bn
其中Wn和bn对应卷积层的卷积核和偏移,*表示卷积层的卷积运算所述嵌入网络模块;其次推理网络模块包括D个递归特征提取融合子模块,其中第d个递归特征提取融合子模块(1≤d≤D)的功能用表示,输入为Fn,d-1,输出为Fn,d:
Fn,d-1是第d-1个递归特征提取融合子模块的输出,当d=1时,Fn,d-1是嵌入网络模块的输出Fn,0;然后经过重建网络模块收集前面嵌入网络模块的输出Fn,0和推理网络模块中D个递归特征提取融合子模块的输出Fn,1,Fn,2,…,Fn,D,并生成一个残差图像Rn:
其中和对应卷积层的卷积核和偏移;最后通过一个跨层连接,把残差图像Rn和第n-1个子网络生成的磁共振图像Xn-1相加,得到一张较清晰的磁共振图像Zn=Rn+Xn-1。
在第n个子网络(1≤n≤N)的第d个递归特征提取融合子模块(1≤d≤D),包含H个组件,一个连接层和一个卷积层;每个组件包含一个非线性激活层LReLU和一个卷积层。H个组件的参数是共享的,第h个组件(1≤h≤H)输入为Fn,d,h-1,输出为:
Fn,d,h=Wn,d*(σ(Fn,d,h-1))+bn,d
其中σ表示LReLU函数,Wn,d和bn,d对应组件中所有卷积层的卷积核和偏移;当d>1时,Fn,d,h-1是第h-1个组件的输出,当d=1时,Fn,d,h-1是第d-1个递归特征提取融合子模块的输出Fn,d-1。然后递归特征提取融合子模块最后收集特征Fn,d,0,Fn,d,1,…,Fn,d,H,并通过卷积得到
其中和对应卷积层的卷积核和偏移。
在第n个子网络(1≤n≤N)中,k空间数据修正层对图像域重建网络的输出Z在k空间进行数据修正;k空间数据修正层首先把Z转换到k空间数据K,然后根据Ku修正K,得到
其中(i,j)表示矩阵索引,Ω是k空间采样位置的集合,ρ表示噪声水平;最后再把转换回图像域,得到修正后的磁共振图像X。
当提供一组训练数据其中L为训练数据库中磁共振图像的数量,和Xl分别是降采k空间数据和全采重建磁共振图像,则其损失函数可以表示为:
其中是由基于超深稠密网络的压缩感知磁共振图像重建方法重建的磁共振图像。
基于本发明所述的方法进行如下实验:
本实施例的超深稠密网络中,卷积层卷积核大小为3×3。对于每个图像域重建网络的最后一个卷积层,当只需要重建磁共振幅值图像时,输出通道数目为1;如果需要重建复数形式的磁共振图像时,输出通道数目为2,分别输出磁共振图像的实部和虚部。除了每个图像域重建网络的最后一个卷积层,其余卷积层输出通道数目均为64。子网络个数是15。数据集包括两个,一个是实数数据集,包含3000张脑部图像作为训练集,200张脑部图像作为测试集;另一个是复数数据集,包含200张膝盖图像,其中150张作为训练集,另外50张作为测试集。采样模式采用辐射采样(radial sampling)和一维随机采样,采样率分别为10%,20%,30%,40%,50%。本发明在深度学习框架Tensorflow下使用Adam优化器,学习率设置为10-4,每批训练样本个数设为1。
表1
表2
为了显示本发明所述方法的有效性,实验把本方法现有的六种代表性压缩感知磁共振图像重建方法做横向比较。这六种方法包括四种传统方法(PANO[1]、PBDW[2]、FDLCP[3]和BM3D-MRI[4])和两种基于深度学习的方法(U-net[5]和DCCNN[8])。
在重建实数数据的实验中,六种代表性压缩感知磁共振图像重建方法与本发明的方法定量效果对比如表1和表2所示,评价指标为峰值信噪比(PSNR)和结构相似度(SSIM),示值为测试数据集的压缩感知磁共振图像重建结果均值。表1显示在辐射采样的情况下各个方法的对比,表2显示在一维随机采样的情况下各个方法的对比。
实验数据表明,不管是辐射采样还是一维随机采样,还是不同的采样率,与其他压缩感知磁共振图像重建方法比较,本发明(VDDCN)性能更好,PSNR比次优的方法DCCNN至少提高2dB。
在重建复数数据的实验中,六种代表性压缩感知磁共振图像重建方法与本发明的方法定量效果对比如表3所示。表格3显示了采样率为10%,不同的采样模式下不同方法的压缩感知磁共振图像重建效果比较。与重建实数数据的实验相同,本发明(VDDCN)在重建复数数据时,客观评价指标也是最高的。
表3
在重建视觉效果方面,不同方法在采样率为10%,六种代表性压缩感知磁共振图像重建方法与本发明的方法在重建实数数据的效果对比如图5所示,在重建复数数据的效果对比如图6所示。由图5和图6可以看出,本发明基于超深稠密网络的压缩感知磁共振图像重建方法能更好地重建出精确的组织结构。
可见通过稠密连接,本发明中VDDCN的每个子网络能够利用更多的信息,使得整个网络的性能得到提升,得益于网络层数的大量增加,重建效果明显比其它方法更好。
上述实施例仅是用来说明本发明,而并非用作对本发明的限定。只要是依据本发明的技术实质,对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
参考文献:
[1]X.Qu,Y.Hou,F.Lam,D.Guo,J.Zhong,and Z.Chen,“Magnetic resonanceimage reconstruction from undersampled measurements using a patch-basednonlocal operator,”Medical ImageAnalysis,vol.18,no.6,pp.843-856,2014.
[2]X.Qu,D.Guo,B.Ning,Y.Hou,Y.Lin,S.Cai and Z.Chen,“Undersampled mrireconstruction with patch-based directional wavelets,”Magnetic ResonanceImaging,vol.30,no.7,pp.964-977,2012.
[3]Z.Zhan,J.Cai,D.Guo,Y.Liu,Z.Chen,and X.Qu,“Fast multiclassdictionaries learning with geometrical directions in mri reconstruction,”IEEETransactions on Biomedical Engineering,v ol.63,no.9,pp.1850-1861,2016.
[4]E.Eksioglu,“Decoupled algorithm for mri reconstruction usingnonlocal block matching model:bm3d-mri,”Journal ofMathematical ImagingandVision,pp.1-11,2016.
[5]S.Wang,Z.Su,L.Ying,X.Peng,S.Zhu,F.Liang,D.Feng,and D.Liang,“Accelerating magnetic resonance imaging via deep learning,”in IEEEInternational Symposium on Biomedical Imaging,pp.514-517,2016.
[6]D.Lee,J.Yoo,and J.Ye,“Deep residual learning for compressedsensing mri,”in IEEE International Symposium on Biomedical Imaging,pp.15-18,2017.
[7]Y.Yang,J.Sun,H.Li,and Z.Xu,“ADMM-CSNet:a deep learning approachfor image compressive sensing,”IEEE Transactions on Pattern Analysis andMachine Intelligence,DOI:10.1109/TPAMI.2018.2883941,2019.
[8]J.Schlemper,J.Caballero,J.V.Hajnal,A.N.Price,and D.Rueckert,“Adeep cascade of convolutional neural networks for dynamic mr imagereconstruction,”IEEE Transactions on Medical Imaging,vol.37,no.2,pp.491-503,2017.。
Claims (10)
1.一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,以超深稠密网络作为压缩感知磁共振图像重建的深度网络,超深稠密网络首先把输入的欠采k空间数据Ku经过填零、二维反傅里叶变换得到一张模糊的带欠采伪影的磁共振重建图像X0,然后把X0作为输入,经过N个磁共振图像重建子网络进行反复地修正重建分别得到X1,X2,…,XN,最终生成一张高质量磁共振图像
2.根据权利要求1所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,所述超深稠密网络包括N个磁共振图像重建子网络,其中第n个子网络会预重建一张磁共振图像Xn,其中1≤n≤N;子网络包含一个图像域重建网络和一个k空间数据修正层。
3.根据权利要求1所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,每个磁共振图像重建子网络是稠密连接的,使得第n个子网络可通过分析多个预重建磁共振图像X0,X1,…,Xn-1,重建出一张磁共振图像Xn,其中1≤n≤N。
4.根据权利要求2所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,所述图像域重建网络包括嵌入网络模块、推理网络模块和重建网络模块;
所述嵌入网络模块包括一个连接层和一个卷积层,用于收集预重建磁共振图像,并提取特征;
所述推理网络模块包括D个递归特征提取融合子模块;
所述重建网络模块包括一个连接层和卷积层,其中连接层用于收集递归特征提取融合子模块生成的特征,卷积层将这些特征卷积成一张磁共振残差图像;残差图像与前一个图像域重建网络的重建图像相加,重建出新的一张磁共振图像。
5.根据权利要求4所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,在第n个子网络中,
嵌入网络模块首先经过收集X0和前面n-1个子网络预重建的磁共振图像X1,X2,…,Xn-1,用一个卷积层提取这些图像的浅层特征Fn,0:
Fn,0=Wn*[X0,X1,…,Xn-1]+bn
其中Wn和bn对应卷积层的卷积核和偏移,*表示卷积层的卷积运算所述嵌入网络模块;
推理网络模块包括D个递归特征提取融合子模块,假设第d个递归特征提取融合子模块的功能用表示,其中1≤d≤D,输入为Fn,d-1,输出为Fn,d:
Fn,d-1是第d-1个递归特征提取融合子模块的输出,当d=1时,Fn,d-1是嵌入网络模块的输出Fn,0;
重建网络模块首先经过收集前面嵌入网络模块的输出Fn,0和推理网络模块中D个递归特征提取融合子模块的输出Fn,1,Fn,2,…,Fn,D,用一个卷积层生成一个残差图像Rn:
其中和对应卷积层的卷积核和偏移;最后通过一个跨层连接,把残差图像Rn和第n-1个子网络生成的磁共振图像Xn-1相加,得到一张较清晰的磁共振图像Zn=Rn+Xn-1。
6.根据权利要求5所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,在第n个子网络中,第d个递归特征提取融合子模块,包含H个组件,一个连接层和一个卷积层;每个组件包含一个非线性激活层LReLU和一个卷积层。
7.根据权利要求6所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,H个组件的参数是共享的,第h个组件输入为Fn,d,h-1,其中1≤h≤H,输出为:
Fn,d,h=Wn,d*(σ(Fn,d,h-1))+bn,d
其中σ表示LReLU函数,Wn,d和bn,d对应组件中所有卷积层的卷积核和偏移;当d>1时,Fn,d,h-1是第h-1个组件的输出,当d=1时,Fn,d,h-1是第d-1个递归特征提取融合子模块的输出Fn,d-1。
8.根据权利要求7所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,子模块包含一个连接层和一个卷积层;连接层收集特征Fn,d,0,Fn,d,1,…,Fn,d,H,卷积层输出Fn,d:
其中和对应卷积层的卷积核和偏移。
9.根据权利要求2所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,所述k空间数据修正层对图像域重建网络的输出Z在k空间进行数据修正;k空间数据修正层首先把Z转换到k空间数据K,然后根据Ku修正K,得到
其中(i,j)表示矩阵索引,Ω是k空间采样位置的集合,ρ表示噪声水平;最后再把转换回图像域,得到修正后的磁共振图像X。
10.根据权利要求1所述的一种基于超深稠密网络的压缩感知磁共振图像重建方法,其特征在于,当提供一组训练数据其中L为训练数据库中磁共振图像的数量,和Xl分别是降采k空间数据和全采重建磁共振图像,则其损失函数可以表示为:
其中是由基于超深稠密网络的压缩感知磁共振图像重建方法重建的磁共振图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573075.1A CN110288672A (zh) | 2019-06-28 | 2019-06-28 | 一种基于超深稠密网络的压缩感知磁共振图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573075.1A CN110288672A (zh) | 2019-06-28 | 2019-06-28 | 一种基于超深稠密网络的压缩感知磁共振图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288672A true CN110288672A (zh) | 2019-09-27 |
Family
ID=68019416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910573075.1A Pending CN110288672A (zh) | 2019-06-28 | 2019-06-28 | 一种基于超深稠密网络的压缩感知磁共振图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288672A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766768A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN112116674A (zh) * | 2020-08-13 | 2020-12-22 | 香港大学 | 图像重建方法、装置、终端及存储介质 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569880A (zh) * | 2014-12-31 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种磁共振快速成像方法及*** |
CN109410114A (zh) * | 2018-09-19 | 2019-03-01 | 湖北工业大学 | 基于深度学习的压缩感知图像重建算法 |
US20190172230A1 (en) * | 2017-12-06 | 2019-06-06 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
-
2019
- 2019-06-28 CN CN201910573075.1A patent/CN110288672A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569880A (zh) * | 2014-12-31 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种磁共振快速成像方法及*** |
US20190172230A1 (en) * | 2017-12-06 | 2019-06-06 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
CN109410114A (zh) * | 2018-09-19 | 2019-03-01 | 湖北工业大学 | 基于深度学习的压缩感知图像重建算法 |
Non-Patent Citations (1)
Title |
---|
KUN ZENG 等: "A Very Deep Densely Connected Network for Compressed Sensing MRI", 《IEEE ACCESS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766768A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN110766768B (zh) * | 2019-10-23 | 2023-08-04 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN112116674A (zh) * | 2020-08-13 | 2020-12-22 | 香港大学 | 图像重建方法、装置、终端及存储介质 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghodrati et al. | MR image reconstruction using deep learning: evaluation of network structure and loss functions | |
Zhang et al. | A fast medical image super resolution method based on deep learning network | |
CN109350061B (zh) | 基于深度卷积神经网络的磁共振成像方法 | |
CN113077527B (zh) | 一种基于欠采样的快速磁共振图像重建方法 | |
CN106780372B (zh) | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 | |
CN110378980A (zh) | 一种基于深度学习的多通道磁共振图像重建方法 | |
CN105046672B (zh) | 一种图像超分辨率重建方法 | |
CN110443768B (zh) | 基于多重一致性约束的单帧图像超分辨率重建方法 | |
CN110310227A (zh) | 一种基于高低频信息分解的图像超分辨率重建方法 | |
CN110288672A (zh) | 一种基于超深稠密网络的压缩感知磁共振图像重建方法 | |
CN106056647B (zh) | 一种基于卷积稀疏双层迭代学习的磁共振快速成像方法 | |
CN108717717A (zh) | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及*** | |
CN107563965A (zh) | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
CN106373167A (zh) | 一种基于深度神经网络的压缩传感核磁共振成像方法 | |
CN110942496B (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** | |
CN112435162A (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN109118554A (zh) | 基于低秩稀疏分解的电阻抗图像重建方法 | |
CN115375785A (zh) | 一种基于人工神经网络的磁共振图像重建方法及设备 | |
CN111161370B (zh) | 一种基于ai的人体多核dwi联合重建方法 | |
CN116863024A (zh) | 一种磁共振图像重建方法、***、电子设备及存储介质 | |
CN106651983A (zh) | 磁共振图像重建方法及装置 | |
CN114693823B (zh) | 一种基于空频双域并行重建的磁共振图像重建方法 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |
|
RJ01 | Rejection of invention patent application after publication |