CN115471580A - 一种物理智能高清磁共振扩散成像方法 - Google Patents
一种物理智能高清磁共振扩散成像方法 Download PDFInfo
- Publication number
- CN115471580A CN115471580A CN202211040703.8A CN202211040703A CN115471580A CN 115471580 A CN115471580 A CN 115471580A CN 202211040703 A CN202211040703 A CN 202211040703A CN 115471580 A CN115471580 A CN 115471580A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- module
- magnetic resonance
- diffusion
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 75
- 238000003384 imaging method Methods 0.000 title claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 230000035945 sensitivity Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000005284 excitation Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 9
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 235000020638 mussel Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 102100026933 Myelin-associated neurite-outgrowth inhibitor Human genes 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T5/80—Geometric correction
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种物理智能高清磁共振扩散成像方法，包括以下步骤：1)获取多通道的单次激发或者多次激发b值为0mm/s2的带相位的磁共振图像，并估计得到通道灵敏度；2)根据刚体运动的多项式相位模型得到仿真的运动相位；3)利用带相位的磁共振图像，通道灵敏度和仿真运动相位来生成大量多激发的扩散加权图像数据作为智能重建网络的训练数据。4)构建包含多个迭代块的智能重建网络，其中每个迭代块包含低秩模块，稀疏模块，数据校验模块。最后一个迭代块还包含去噪模块。并利用仿真数据来训练智能重建网络；5)获取待重建的多激发扩散加权数据；6)利用训练好的智能重建网络重建多激发扩散加权数据，得到重建图像。
Description
技术领域
本发明涉及一种物理智能高清磁共振扩散成像方法，尤其是包含是利用多项式仿真生成多激发扩散加权成像训练数据和基于稀疏和低秩的智能重建网络。
背景技术
扩散加权成像(Diffusion weighted imaging)是一种评估人体分子功能和微结构的方式，可以无侵入地检测组织中水分子的扩散运动(V.Baliyan et al.,“Diffusionweighted imaging: technique and applications,”World Journal of Radiology,8,785,2016)。多激发平面回波成像技术在扩散加权应用中具有提高分辨率和减少低畸的能力(H.An,X.Ma,Z.Pan,H.Guo,E.Y.P. Lee,“Qualitative and quantitative comparisonof image quality between single-shot echo-planar and interleaved multi-shotecho-planar diffusion-weighted imaging in female pelvis,”European radiology,30,1876-1884,2020)。但是，不同次激发之间存在严重的相位误差，从而导致严重的运动伪影(A.W.Anderson,J.C.Gore,“Analysis and correction of motion artifacts indiffusion weighted imaging,”Magnetic Resonance in Medicine,32,379-387,1994)。
近年来，许多基于低秩迭代模型的重建方法被用来矫正不同次激发间的运动相位，实现无运动伪影的重建。MUSSELS通过建立不同激发的图像之间的相位湮灭关系来构造结构化汉克尔矩阵，并约束矩阵的低秩，实现重建(M.Mani,M.Jacob,D.Kelley,V.Magnotta,“Multi-shot sensitivity-encoded diffusion data recovery usingstructured low-rank matrix completion(MUSSELS),”Magnetic Resonance inMedicine,78,494-507,2017)。PLRHM利用磁共振图像的光滑相位先验，构建结构化低秩矩阵，通过约束低秩矩阵的部分较大奇异值和来实现重建(Y.Huang et.al.,“Phase-constrained reconstruction for high-resolution multi-shot diffusion weightedimage,”Journal of Magnetic Resonance,312:106690,2020)。PAIR通过交替迭代重建幅值和相位来利用图像域的结构详细信息和傅里叶空间的低秩信息实现多激发扩散加权数据的重建(C.Qian et.al.,“A paired phase and magnitude reconstruction foradvanced diffusion-weighted imaging,”arXiv preprint,arXiv:2203.14559.2022)。
最近，深度学习方法在多激发扩散加权成像中显示了巨大潜力(Aggarwal.H.K.,M. Mani,M.Jacob,“MoDL-MUSSELS:Model-based deep learning for multi-shotsensitivity-encoded diffusion MRI”,IEEE Transactions on Medical Imaging,39,1268-1277,2019)。但是，多激发扩散加权图像缺少高质量的训练标签，利用传统迭代重建的方法生成的训练标签极大限制了这些智能重建方法的潜力。
总而言之，目前多激发扩散加权成像的智能重建方法受限于高质量的训练数据难以获得，无法有效地发挥智能重建方法的潜力。本发明提出了基于刚体运动的多项式仿真模型生成多激发扩散加权成像训练数据和基于稀疏和低秩的智能重建网络(Q.Yang,Z.Wang,K.Guo,C. Cai,and X.Qu,“Physics-driven syntheticdata learning forbiomedical magnetic resonance:The imaging physicsbased data synthesisparadigm for artificial intelligence,”IEEE SignalProcessing Magazine.,DOI:10.1109/MSP.2022.3183809,2022)。
发明内容
本发明的目的在于提供一种物理智能高清磁共振扩散成像方法。
本发明包括以下步骤：
1)获取多通道的单次激发或者多次激发b值为0mm/s2的带相位的扩散加权磁共振图像，并估计得到通道灵敏度；
2)根据多项式相位模型仿真得到多组运动相位；
3)利用带相位的磁共振图像，通道灵敏度，运动相位仿真得到多次激发的扩散加权图像数据作为智能重建网络的训练数据；
4)构建包含多个迭代块的智能重建网络，其中每个迭代块包含低秩模块，稀疏模块，数据校验模块。最后一个迭代块还包含去噪模块；并利用仿真训练数据训练智能重建网络；
5)获取待重建的多激发扩散加权数据；
6)利用训练好的智能重建网络重建多激发扩散加权数据，得到重建图像。
在步骤1)中，所获取的带相位的扩散加权磁共振图像
可以是单次激发的序列获得的，也可以是多次激发序列的b值为0mm/s2的数据，N和M分别是图像的频率和相位编码维度的长度，并且利用所获取数据来估计通道灵敏度
其中总通道数为H。
在步骤2)中，所述多项式相位模型仿真得到多组运动相位的具体方法如下：
多项式运动相位模型为：
其中，x,y是二维图像的坐标，i是虚数符号；
是仿真得到的相位，N和M分别是图像的频率和相位编码维度的长度；L是多项式阶数，m和l-m分别是当前第l阶多项式包含的各相的x和y幂次；Alm是的xmyl-m项的系数，
是二维高斯分布的噪声，其中μ和σ分别是均值和方差；利用多项式运动相位模型可以得到J个运动相位，构成一组多激发扩散集权数据的仿真相位数据
J等于目标待重建的多激发扩散加权数据的激发次数。
在步骤3)中，多次激发的扩散加权数据的仿真流程公式为：
其中，
是仿真得到的扩散加权傅里叶空间数据，
是仿真得到的完整的扩散加权图像，C是通道灵敏度，P是仿真得到的运动相位；m是带相位的扩散加权磁共振图像，
是多激发扩散加权数据的傅里叶空间采样模板对应的欠采样算子，
是傅里叶变换。利用公式(1)，可以得到大量仿真的多激发扩散加权作为智能重建网络的训练数据。将完整的扩散加权图像I直接经过傅里叶变换得到XGT。最后Y，XGT，C共同组成一对训练数据。
在步骤4)中，智能重建网络中包含K个迭代块，每个迭代块包含低秩模块，稀疏模块，数据校验模块，最后一个迭代块还包含去噪模块；
低秩模块LR的网络设计具体如下：
其中，
是网络中间变量，其中k表示第k个迭代块，Xk-1是上一个迭代块的输出，X0＝Y是网络初始化输入，
是低秩模块，由LLR层卷积神经网络构成，每层卷积包含多个二维卷积核，各卷积层之间由线性整流函数连接，且每层输入为上一层输出。
稀疏模块SP的网络设计具体如下：
其中，
是网络中间变量，
是上个低秩模块的输出，
和
分别是傅里叶变换和傅里叶逆变换，soft(·；θk)是软阈值操作，定义为soft(x；θk)＝max{|x|-θk}·x/|x|，其中θk是可训练的阈值；
由LSP层卷积神经网络构成，每层卷积包含多个二维卷积核，各卷积层之间由线性整流函数连接，且每层输入为上一层输出；
的输出经过软阈值操作后进入
网络，
和
具有反对称的网络结构。
数据校验模块的网络设计具体如下：
其中，
和
分别是傅里叶变换和傅里叶逆变换，
是多激发扩散加权数据的傅里叶空间采样模板对应的欠采样算子，
是其共轭算子；D是单位矩阵，λ1是可学习的正则化参数。
是稀疏模块的输出；Y是仿真得到的扩散加权傅里叶空间数据。C是通道灵敏度，C*是通道灵敏度的共轭矩阵。Xk是网络中间变量；如果当前迭代块不是最后一个迭代块，Xk将输入到下一个迭代块的低秩模块；如果当前迭代块是最后一个迭代块，即第K个迭代块，XK将输入到去噪模块。
去噪模块具体设计如下：
其中，
和
分别表示构建结构化汉克尔矩阵的算子和共轭算子；SVTr是奇异值分解和阈值操作算子，将
进行奇异值分解后，前r个奇异值保留。
是最终的输出。
智能网络训练的损失函数是：
其中，T是训练样本总个数，K是网络迭代块个数，Xk,t是第t个样本输入网络后的第k个迭代块的输出，
是第t个样本的训练标签，由前述仿真方法生成；||·||F是弗罗贝尼乌斯范数；通过深度学习常用Adam优化器来训练更新网路中的可学习卷积核和参数，最终得到训练完成的网络模型。
在步骤5)中，所获取待重建的数据是在相位编码维度分段读出的多次激发平面回波扩散加权数据。
在步骤6)中，将获取到的多次激发平面回波扩散加权数据输入训练好的智能重建网络，重建得到无运动伪影的图像。
与目前已有的深度学习多激发扩散加权图像重建相比，本发明所提出物理智能重建方案具有以下突出优点：
1、本发明通过刚体运动模型生成逼近实测数据的仿真数据，无需实测训练数据来训练网络，从而解决了多激发扩散加权图像无高质量训练数据的问题。
2.本发明设计的物理智能网络综合利用了图像域稀疏和傅里叶空间低秩两种互补先验信息。
3.本发明可以有效去除多激发扩散加权图像中存在的运动伪影，实现快速高质量重建。
附图说明
图1为用于仿真的带相位磁共振图像和估计出的通道灵敏度。
图2为一组四次激发的仿真运动相位。
图3为智能重建方法的输入，即待重建的b值1000mm/s2的四次激发扩散加权图像。
图4为智能重建方法的输出，即重建好的b值1000mm/s2的四次激发扩散加权图像。
具体实施方式
本发明实施例是一个多激发傅里叶空间信号高分辨率扩散加权重建的具体过程，结合附图，对本发明所提出的一种物理智能高清磁共振扩散成像方法进行详细描述。
具体实施过程如下：
第一步，使用磁场强度为3.0特斯拉的磁共振扫描仪对6名志愿者扫描获取带相位的b值为 0mm/s2的四次激发的扩散加权磁共振图像m，获取参数为：视野220*220mm2，层厚5mm,线圈32通道，矩阵大小经过裁剪后为180*180。6名志愿者经过扫描共得到144张带相位的磁共振图像和对应的144个通道灵敏度C。带相位磁共振图像和通道灵敏度如图1所示。
第二步，仿真运动相位。多项式相位模型具体如下：
其中，x,y是二维图像的坐标，i是虚数符号。
是仿真得到的相位，图像的频率和相位编码维度的长度都是180。多项式阶数L为7，m和l-m分别是当前第l阶多项式包含的各相的x 和y幂次。xmyl-m项的系数Alm是从[0,0.1l]的均匀分布中随机取得，
是二维高斯分布的噪声，其中均值μ和方差σ分别是0和0.01。利用多项式运动相位模型可以得到4个运动相位，构成一组多激发扩散集权数据的仿真相位数据
共仿真得到1440组运动相位。
第三步，仿真多激发扩散加权数据，仿真流程公式为：
其中，
是仿真得到的扩散加权傅里叶空间数据，
是仿真得到的完整的扩散加权图像，C是通道灵敏度，P是仿真得到的运动相位。m是带相位的扩散加权磁共振图像，
是多激发扩散加权数据的傅里叶空间采样模板对应的欠采样算子，
是傅里叶变换。利用公式(1)，可以得到大量仿真的多激发扩散加权作为智能重建网络的训练数据。将完整的扩散加权图像I直接经过傅里叶变换得到XGT。最后Y，XGT，C共同组成一对训练数据。每个带相位的幅值数据m和通道灵敏度C可以和10组仿真运动相位相组合，这样，共得到1440 组训练数据。图2展示了其中一组仿真运动相位。
第四步，搭建智能重建网络中，共包含5个迭代块，每个迭代块包含低秩模块，稀疏模块，数据校验模块。最后一个迭代块还包含去噪模块。
a)低秩模块LR的网络设计具体如下：
其中，
是网络中间变量，其中k表示第k个迭代块。Xk-1是上一个迭代块的输出，X0＝Y是网络初始化输入，图3展示了网络输入的图像域，即未经重建的多激发扩散加权磁共振数据。
是低秩模块，由6层卷积神经网络构成，每层卷积包含48个二维卷积核，各卷积层之间由线性整流函数连接，且每层输入为上一层输出。
b)稀疏模块SP的网络设计具体如下：
其中，
是网络中间变量，
是上个低秩模块的输出，
和
分别是傅里叶变换和傅里叶逆变换，soft(·；θk)是软阈值操作，定义为soft(x；θk)＝max{|x|-θk}·x/|x|，其中θk是可训练的阈值, 初始化为0.01。
由3层卷积神经网络构成，每层卷积包含48个二维卷积核，各卷积层之间由线性整流函数连接，且每层输入为上一层输出。
的输出经过软阈值操作后进入
网络，
和
具有反对称的网络结构。
c)数据校验模块的网络设计具体如下：
其中，
和
分别是傅里叶变换和傅里叶逆变换，
是多激发扩散加权数据的傅里叶空间采样模板对应的欠采样算子，
是其共轭算子。D是单位矩阵，λ1是可学习的正则化参数。
是稀疏模块的输出。Y是仿真得到的扩散加权傅里叶空间数据。C是通道灵敏度，C*是通道灵敏度的共轭矩阵。Xk是网络中间变量。如果当前迭代块不是最后一个迭代块，Xk将输入到下一个迭代块的低秩模块。如果当前迭代块是最后一个迭代块，即第K个迭代块，XK将输入到去噪模块。
d)去噪模块具体设计如下：
其中，
和
分别表示构建结构化汉克尔矩阵的算子和共轭算子，滑动窗的大小为[5,5]。SVTr是奇异值分解和阈值操作算子，将
进行奇异值分解后，前30个奇异值保留。
是最终的输出。
智能网络训练的损失函数是：
其中，训练样本总个数1200个，验证样本240个，网络迭代块个数5，Xk,t是第t个样本输入网络后的第k个迭代块的输出，
是第t个样本的训练标签，由前述仿真方法生成。||·||F是弗罗贝尼乌斯范数。通过深度学习常用Adam优化器来训练更新网路中的可学习卷积核和参数，最终得到训练完成的网络模型。
第四步，使用磁场强度为3.0特斯拉的磁共振扫描仪对1名志愿者扫描获取四次激发的扩散加权磁共振图像，获取参数为：TR/TE＝3000/60ms，b值1000mm/s2，扩散方向3个，视野 220*220mm2，层厚5mm，层数12，线圈32通道，矩阵大小经过裁剪后为180*180。并计算得到通道灵敏度。
第五步，将所采集到的四次激发扩散加权数据输入训练好的智能重建网络，重建得到无运动伪影的图像。图4展示了重建好的b值为1000mm/s2的四次激发扩散加权图像。
Claims (7)
1.一种物理智能高清磁共振扩散成像方法，其特征在于包括以下步骤：
1)获取多通道的单次激发或者多次激发b值为0mm/s2的带相位的扩散加权磁共振图像，并估计得到通道灵敏度；
2)根据刚体运动的多项式相位模型仿真得到多组运动相位；
3)利用带相位的磁共振图像，通道灵敏度，运动相位仿真得到多次激发的扩散加权图像数据作为智能重建网络的训练数据；
4)构建包含多个迭代块的智能重建网络，其中每个迭代块包含低秩模块，稀疏模块，数据校验模块，最后一个迭代块还包含去噪模块；并利用仿真训练数据训练智能重建网络；
5)获取待重建的多激发扩散加权数据；
6)利用训练好的智能重建网络重建多激发扩散加权数据，得到重建图像。
2.如权利要求1所述一种物理智能高清磁共振扩散成像方法，其特征在于在步骤1)中，所获取的带相位的扩散加权磁共振图像
为单次激发的序列获得的、或多次激发序列的b值为0mm/s2的数据，N和M分别是图像的频率和相位编码维度的长度，并且利用所获取数据来估计通道灵敏度
其中总通道数为H。
3.如权利要求1所述一种物理智能高清磁共振扩散成像方法，其特征在于在步骤2)中，多项式相位模型仿真得到多组运动相位具体如下：
基于刚体运动的多项式运动相位模型为：
其中，x,y是二维图像的坐标，i是虚数符号；
是仿真得到的相位，N和M分别是图像的频率和相位编码维度的长度；L是多项式阶数，m和l-m分别是当前第l阶多项式包含的各相的x和y幂次；Alm是的xmyl-m项的系数，
是二维高斯分布的噪声，其中μ和σ分别是均值和方差；利用多项式运动相位模型可以得到J个运动相位，构成一组多激发扩散集权数据的仿真相位数据
J等于目标待重建的多激发扩散加权数据的激发次数。
4.如权利要求1所述一种智能重建扩散加权磁共振成像方法，其特征在于在步骤3)中，多激发扩散加权数据的仿真流程公式为：
其中，
是仿真得到的各次激发的各个通道的扩散加权傅里叶空间数据，
是仿真得到的完整的扩散加权图像，C是通道灵敏度，P是仿真得到的运动相位，m是带相位的扩散加权磁共振图像，
是多激发扩散加权数据的傅里叶空间采样模板对应的欠采样算子，
是傅里叶变换，利用公式(1)，得到大量仿真的多激发扩散加权作为智能重建网络的训练数据，将完整的扩散加权图像I直接经过傅里叶变换得到XGT，最后Y，XGT，C共同组成一对训练数据。
5.如权利要求1所述一种物理智能高清磁共振扩散成像方法，其特征在于在步骤4)中，智能重建网络中包含K个迭代块，每个迭代块包含低秩模块，稀疏模块，数据校验模块，最后一个迭代块还包含去噪模块；
低秩模块LR的网络设计具体如下：
其中，
是网络中间变量，其中k表示第k个迭代块，Xk-1是上一个迭代块的输出，X0＝Y是网络初始化输入，
是低秩模块，由LLR层卷积神经网络构成，每层卷积包含多个二维卷积核，各卷积层之间由线性整流函数连接，且每层输入为上一层输出；
稀疏模块SP的网络设计具体如下：
其中，
是网络中间变量，
是上个低秩模块的输出，
和
分别是傅里叶变换和傅里叶逆变换，soft(·；θk)是软阈值操作，定义为soft(x；θk)＝max{|x|-θk}·x/|x|，其中θk是可训练的阈值；
由LSP层卷积神经网络构成，每层卷积包含多个二维卷积核，各卷积层之间由线性整流函数连接，且每层输入为上一层输出，
的输出经过软阈值操作后进入
网络，
和
具有反对称的网络结构；
数据校验模块的网络设计具体如下：
其中，
和分别是傅里叶变换和傅里叶逆变换，
是多激发扩散加权数据的傅里叶空间采样模板对应的欠采样算子，
是其共轭算子；D是单位矩阵，λ1是可学习的正则化参数；
是稀疏模块的输出，Y是仿真得到的扩散加权傅里叶空间数据，C是通道灵敏度，C*是通道灵敏度的共轭矩阵，Xk是网络中间变量；如果当前迭代块不是最后一个迭代块，Xk将输入到下一个迭代块的低秩模块，如果当前迭代块是最后一个迭代块，即第K个迭代块，XK将输入到去噪模块；
去噪模块具体设计如下：
其中，
和
分别表示构建结构化汉克尔矩阵的算子和共轭算子，SVTr是奇异值分解和阈值操作算子，将
进行奇异值分解后，前r个奇异值保留；
是最终的输出；
智能网络训练的损失函数是：
其中T是训练样本总个数，K是网络迭代块个数，Xk,t是第t个样本输入网络后的第k个迭代块的输出，
是第t个样本的训练标签，由前述仿真方法生成，||·||F是弗罗贝尼乌斯范数；通过深度学习常用Adam优化器来训练更新网路中的可学习卷积核和参数，最终得到训练完成的网络模型。
6.如权利要求1所述一种物理智能高清磁共振扩散成像方法，其特征在于在步骤5)中，所获取待重建的数据是在相位编码维度分段读出的多次激发平面回波扩散加权数据。
7.如权利要求1所述一种物理智能高清磁共振扩散成像方法，其特征在于在步骤6)中，将获取到的多次激发平面回波扩散加权数据输入训练好的智能重建网络，重建得到无运动伪影的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211040703.8A CN115471580A (zh) | 2022-08-29 | 2022-08-29 | 一种物理智能高清磁共振扩散成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211040703.8A CN115471580A (zh) | 2022-08-29 | 2022-08-29 | 一种物理智能高清磁共振扩散成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115471580A true CN115471580A (zh) | 2022-12-13 |
Family
ID=84368901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211040703.8A Pending CN115471580A (zh) | 2022-08-29 | 2022-08-29 | 一种物理智能高清磁共振扩散成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115471580A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011409A (zh) * | 2023-08-10 | 2023-11-07 | 厦门大学 | 多部位物理智能高清扩散磁共振数据生成方法 |
| CN118262004A (zh) * | 2024-05-30 | 2024-06-28 | 贵州大学 | 一种基于自监督学习的快速磁共振扩散成像重建方法 |
| CN118262004B (zh) * | 2024-05-30 | 2024-07-30 | 贵州大学 | 一种基于自监督学习的快速磁共振扩散成像重建方法 |
-
2022
- 2022-08-29 CN CN202211040703.8A patent/CN115471580A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011409A (zh) * | 2023-08-10 | 2023-11-07 | 厦门大学 | 多部位物理智能高清扩散磁共振数据生成方法 |
| CN117011409B (zh) * | 2023-08-10 | 2024-05-10 | 厦门大学 | 多部位物理智能高清扩散磁共振数据生成方法 |
| CN118262004A (zh) * | 2024-05-30 | 2024-06-28 | 贵州大学 | 一种基于自监督学习的快速磁共振扩散成像重建方法 |
| CN118262004B (zh) * | 2024-05-30 | 2024-07-30 | 贵州大学 | 一种基于自监督学习的快速磁共振扩散成像重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | RARE: Image reconstruction using deep priors learned without groundtruth | |
| CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
| Wen et al. | Transform learning for magnetic resonance image reconstruction: From model-based learning to building neural networks | |
| Lam et al. | Constrained magnetic resonance spectroscopic imaging by learning nonlinear low-dimensional models | |
| Chen et al. | Learning memory augmented cascading network for compressed sensing of images | |
| CN107274462B (zh) | 基于熵和几何方向的分类多字典学习磁共振图像重建方法 | |
| CN112150568A (zh) | 基于Transformer模型的磁共振指纹成像重建方法 | |
| Luo et al. | Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models | |
| 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 | |
| Fan et al. | A segmentation-aware deep fusion network for compressed sensing mri | |
| Benou et al. | De-noising of contrast-enhanced MRI sequences by an ensemble of expert deep neural networks | |
| CN112991483B (zh) | 一种非局部低秩约束的自校准并行磁共振成像重构方法 | |
| CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
| CN114299185A (zh) | 磁共振图像生成方法、装置、计算机设备和存储介质 | |
| Manimala et al. | Convolutional neural network for sparse reconstruction of MR images interposed with gaussian noise | |
| CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
| Li et al. | SNR enhancement for multi-TE MRSI using joint low-dimensional model and spatial constraints | |
| Klug et al. | Analyzing the sample complexity of self-supervised image reconstruction methods | |
| Gan et al. | SS-JIRCS: Self-supervised joint image reconstruction and coil sensitivity calibration in parallel MRI without ground truth | |
| CN114820636A (zh) | 一种三维医学图像分割模型及其训练方法和应用 | |
| CN113487507A (zh) | 一种基于多模块特征聚合的双域递归网络mr重建方法 | |
| CN112634385A (zh) | 一种基于深度拉普拉斯网络的快速磁共振成像方法 | |
| CN113034639B (zh) | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 | |
| CN117011409B (zh) | 多部位物理智能高清扩散磁共振数据生成方法 | |
| CN113628298B (zh) | 基于特征向量的自一致性和非局部低秩的并行mri重构方法 |
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 |