CN116012472A - 一种快速磁共振成像方法及装置 - Google Patents

一种快速磁共振成像方法及装置 Download PDF

Info

Publication number
CN116012472A
CN116012472A CN202211535706.9A CN202211535706A CN116012472A CN 116012472 A CN116012472 A CN 116012472A CN 202211535706 A CN202211535706 A CN 202211535706A CN 116012472 A CN116012472 A CN 116012472A
Authority
CN
China
Prior art keywords
complex
magnetic resonance
model
neural network
resonance imaging
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
Application number
CN202211535706.9A
Other languages
English (en)
Inventor
郑海荣
王珊珊
吴若有
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Southwest University of Science and Technology
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Southwest University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS, Southwest University of Science and Technology filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202211535706.9A priority Critical patent/CN116012472A/zh
Priority to PCT/CN2022/136813 priority patent/WO2024113395A1/zh
Publication of CN116012472A publication Critical patent/CN116012472A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及磁共振成像领域，具体涉及一种快速磁共振成像方法及装置。该方法及装置包括：在磁共振成像中引入复数卷积神经网络对成像相位信息的缺失进行弥补；复数卷积神经网络结合拉普拉斯注意力模型对成像关键特征进行学习，并提高其学习能力。本发明将复数卷积和空间拉普拉斯注意力相结合，利用复数卷积神经网络解决对相位信息的缺失问题，并结合空间拉普拉斯注意力，提高复数卷积神经网络模型对关键特征的学习能力。在提高重建质量的同时，有效去除残差伪影的影响。其目的是为了充分利用复数数据的相位信息以及提高模型对关键特征的学习能力，利用复数卷积神经网络和空间拉普拉斯注意力实现快速磁共振重建。

Description

一种快速磁共振成像方法及装置
技术领域
本发明涉及磁共振成像领域，具体而言，涉及一种快速磁共振成像方法及装置。
背景技术
磁共振成像作为一种无创的成像方式，可以提供各种对比度的结果，是一种在医疗诊断中广泛应用的影像学方法，然而它的采集时间比较长，导致它的成像速度比较慢。经典的加速磁共振重建的方法有SENSE和GRAPPA，它们利用多个接收线圈提供的冗余信息来减少扫描时间。深度学习的引入使得加速磁共振方法得到广泛研究，首次出现了将深度学习引入到快速磁共振重建上，并且取得了较好的重建效果。在这之后，逐渐出现不同的深度学习方法应用于加速磁共振重建方面。有些方法直接利用欠采样幅值数据进行重建，忽视了相位信息的作用，可能会导致重建后的图像出现部分残差伪影。此外，现有的一些深度学习磁共振重建方法忽视了特征映射之间的层内和层间的依赖关系，对关键特征的学习能力较差，降低了重建图像质量。
综上，磁共振成像作为一种无创的成像方式在医疗诊断方面应用广泛，相较于CT等其他成像方式，磁共振成像的速度较慢，这也影响了它的应用。加速磁共振重建的速度成为亟需解决的问题，有些欠采样加速重建方法直接从幅值图像进行重建，忽略了相位信息，导致重建的图像会产生一些伪影。此外，一些深度学习重建方法忽视了特征映射之间的层间和层内的依赖关系，对关键特征的学习较差，导致重建的结果不理想。现有的一些深度学习方法直接利用幅值数据学习磁共振重建模型，忽视了相位信息的作用，导致重建图像会引入部分残差伪影，这会严重影响医生的诊断结果。此外，现有的深度学习磁共振重建方法对于关键特征的学习能力较差，忽视了特征图中层内和层间的依赖关系，降低了重建图像的质量。
发明内容
本发明实施例提供了一种快速磁共振成像方法及装置，以至少解决现有磁共振成像质量低的技术问题。
根据本发明的一实施例，提供了一种快速磁共振成像方法，包括以下步骤：
在磁共振成像中引入复数卷积神经网络对成像相位信息的缺失进行弥补；
复数卷积神经网络结合拉普拉斯注意力模型对成像关键特征进行学习，并提高其学习能力。
进一步地，方法还包括：
采用反向传播算法对复数卷积神经网络模型的参数进行更新，并使用损失最小化来获取最优模型。
进一步地，方法具体包括以下步骤：
获取欠采样的k空间数据和全采样的图像域数据，并划分对应的训练集、验证集和测试集；
构建空间注意力模块和拉普拉斯注意力模块，并搭建残差空间拉普拉斯注意力块RSLAM；
构建级联残差模块CRB，并结合数据一致性模块DC构建迭代重建网络RSL-Net；
将欠采样的k空间数据输入到迭代重建网络RSL-Net中得到重建的k空间数据，并利用IFFT变换到图像域数据。
进一步地，空间注意力模块包括自适应最大池化、自适应平均池化、复数卷积和复数激活函数；拉普拉斯注意力模块包括自适应平均池化、空洞复数卷积、复数卷积和复数激活函数；残差空间拉普拉斯注意力模块RSLAM包括复数卷积、空间注意力模块和拉普拉斯注意力模块。
进一步地，级联残差模块CRB包括两个基本块和两个复数卷积，每个基本块包括两个残差空间拉普拉斯注意力模块RSLAM和两个复数卷积，其中包括跳跃连接；
数据一致性模块DC计算如下：
Figure BDA0003977537920000031
其中frec(k)为重建后的k空间数据，f(k)为中间重建结果，kΩ为欠采样k空间数据，λ为权重参数，Ω为采样矩阵，Θ表示未采样点。
进一步地，迭代重建网络RSL-Net包括交替迭代的级联残差模块CRB和数据一致性模块DC。
进一步地，方法具体还包括以下步骤：
利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试。
进一步地，利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试包括：
计算重建图像和参考图像之间的损失，利用反向传播算法更新复数卷积神经网络模型参数从而得到最优模型，其中，损失函数如下：
Figure BDA0003977537920000032
其中，
Figure BDA0003977537920000033
表示重建图像，x表示参考图像；
将获得的测试数据送到训练好的复数卷积神经网络模型中，并利用IFFT变换得到最终的重建图像。
根据本发明的另一实施例，提供了一种快速磁共振成像装置，包括：
相位信息弥补单元，用于在磁共振成像中引入复数卷积神经网络对成像相位信息的缺失进行弥补；
学习能力提高单元，用于复数卷积神经网络结合拉普拉斯注意力模型对成像关键特征进行学习，并提高其学习能力。
进一步地，装置还包括：
最优模型获取单元，用于采用反向传播算法对复数卷积神经网络模型的参数进行更新，并使用损失最小化来获取最优模型。
一种存储介质，存储介质存储有能够实现上述任意一项快速磁共振成像方法的程序文件。
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的快速磁共振成像方法。
本发明实施例中的快速磁共振成像方法及装置，将复数卷积和空间拉普拉斯注意力相结合，利用复数卷积神经网络解决对相位信息的缺失问题，并结合空间拉普拉斯注意力，提高复数卷积神经网络模型对关键特征的学习能力。在提高重建质量的同时，有效去除残差伪影的影响。其目的是为了充分利用复数数据的相位信息以及提高模型对关键特征的学习能力，利用复数卷积神经网络和空间拉普拉斯注意力实现快速磁共振重建。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明快速磁共振成像方法的流程图；
图2为本发明快速磁共振成像方法的优选流程图；
图3为本发明快速磁共振成像方法的具体步骤流程图；
图4为本发明中残差空间拉普拉斯注意力模块RSLAM的结构示意图；
图5为本发明中级联残差模块CRB的结构示意图；
图6为本发明中迭代重建网络RSL-Net的结构示意图；
图7为本发明快速磁共振成像装置的模块图；
图8为本发明快速磁共振成像装置的优选模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例，提供了一种快速磁共振成像方法，参见图1，包括以下步骤：
S101:在磁共振成像中引入复数卷积神经网络对成像相位信息的缺失进行弥补；
S102:复数卷积神经网络结合拉普拉斯注意力模型对成像关键特征进行学习，并提高其学习能力。
本发明实施例中的快速磁共振成像方法，将复数卷积和空间拉普拉斯注意力相结合，利用复数卷积神经网络对成像相位信息的缺失进行弥补，解决对相位信息的缺失问题，并结合空间拉普拉斯注意力，提高复数卷积神经网络模型对关键特征的学习能力。在提高重建质量的同时，有效去除残差伪影的影响。其目的是为了充分利用复数数据的相位信息以及提高模型对关键特征的学习能力，利用复数卷积神经网络和空间拉普拉斯注意力实现快速磁共振重建。
其中，参见图2，方法还包括：
S103:采用反向传播算法对复数卷积神经网络模型的参数进行更新，并使用损失最小化来获取最优模型。
其中，方法具体包括以下步骤：
获取欠采样的k空间数据和全采样的图像域数据，并划分对应的训练集、验证集和测试集；
构建空间注意力模块和拉普拉斯注意力模块，并搭建残差空间拉普拉斯注意力块RSLAM；
构建级联残差模块CRB，并结合数据一致性模块DC构建迭代重建网络RSL-Net；
将欠采样的k空间数据输入到迭代重建网络RSL-Net中得到重建的k空间数据，并利用IFFT变换到图像域数据。
其中，空间注意力模块包括自适应最大池化、自适应平均池化、复数卷积和复数激活函数；拉普拉斯注意力模块包括自适应平均池化、空洞复数卷积、复数卷积和复数激活函数；残差空间拉普拉斯注意力模块RSLAM包括复数卷积、空间注意力模块和拉普拉斯注意力模块。
其中，级联残差模块CRB包括两个基本块和两个复数卷积，每个基本块包括两个残差空间拉普拉斯注意力模块RSLAM和两个复数卷积，其中包括跳跃连接；
数据一致性模块DC计算如下：
Figure BDA0003977537920000071
其中frec(k)为重建后的k空间数据，f(k)为中间重建结果，kΩ为欠采样k空间数据，λ为权重参数，Ω为采样矩阵，Θ表示未采样点。
其中，迭代重建网络RSL-Net包括交替迭代的级联残差模块CRB和数据一致性模块DC。
其中，方法具体还包括以下步骤：
利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试。
其中，利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试包括：
计算重建图像和参考图像之间的损失，利用反向传播算法更新复数卷积神经网络模型参数从而得到最优模型，其中，损失函数如下：
Figure BDA0003977537920000072
其中，
Figure BDA0003977537920000073
表示重建图像，x表示参考图像；
将获得的测试数据送到训练好的复数卷积神经网络模型中，并利用IFFT变换得到最终的重建图像。
下面以具体实施例，对本发明的快速磁共振成像方法进行详细说明：
为了弥补相位信息的丢失和提高重建图像质量，本发明将复数卷积和空间拉普拉斯注意力相结合，利用复数卷积神经网络解决对相位信息的缺失问题，并结合空间拉普拉斯注意力，提高复数卷积神经网络模型对关键特征的学习能力。在提高重建质量的同时，有效去除残差伪影的影响。其目的是为了充分利用复数数据的相位信息以及提高模型对关键特征的学习能力，利用复数卷积神经网络和空间拉普拉斯注意力实现快速磁共振重建。
本发明提出了一种基于空间拉普拉斯注意力和复数卷积的快速磁共振成像方法，以解决重建过程中相位信息缺失和重建质量差的问题。本发明利用复数卷积神经网络弥补相位信息的缺失；利用空间拉普拉斯注意力模型提高网络对关键特征的学习能力；采用反向传播算法实现对模型参数的更新，以及损失最小化来获取最优模型。本发明的基本内容包括：
获取欠采样的k空间数据和全采样的图像域数据，并划分对应的训练集、验证集和测试集；
构建空间注意力模块和拉普拉斯注意力模块，并搭建残差空间拉普拉斯注意力块RSLAM；
构建级联残差模块CRB，并结合数据一致性模块DC构建迭代重建网络RSL-Net；
将欠采样的k空间数据输入到迭代重建网络RSL-Net中得到重建的k空间数据，并利用IFFT变换到图像域数据；
利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试。
本发明的流程图如图3所示，共分为六个步骤，具体如下：
步骤1：获取欠采样的k空间数据和全采样的图像域数据，并将其划分为训练集、验证集和测试集。
步骤2：构建空间注意力模块和拉普拉斯注意力模块，并搭建残差空间拉普拉斯注意力模块RSLAM；
如上的步骤2中，空间注意力模块由自适应最大池化、自适应平均池化、复数卷积和复数激活函数组成；
拉普拉斯注意力模块由自适应平均池化，空洞复数卷积，复数卷积和复数激活函数组成；
残差空间拉普拉斯注意力模块RSLAM由复数卷积，空间注意力模块和拉普拉斯注意力模块构成，如图4所示。
步骤3：构建级联残差模块CRB，并结合数据一致性模块DC构建迭代重建网络RSL-Net；
如上的步骤3中，级联残差模块CRB如图5所示，它由两个基本块和两个复数卷积构成，每个基本块由两个步骤2中的残差空间拉普拉斯注意力模块RSLAM和两个复数卷积构成，其中包括跳跃连接；
数据一致性模块DC计算如下：
Figure BDA0003977537920000091
其中frec(k)为重建后的k空间数据，f(k)为中间重建结果，kΩ为欠采样k空间数据，λ为权重参数，Ω为采样矩阵，Θ表示未采样点；
迭代重建网络RSL-Net如图6所示，由步骤3中的级联残差模块CRB和数据一致性模块DC交替迭代构成，交替迭代的次数可根据实际情况进行调整。
步骤4：将欠采样的k空间数据输入到步骤3中的迭代重建网络RSL-Net中得到重建的k空间数据，并利用IFFT变换到图像域获得重建图像。
步骤5：计算步骤4中的重建图像和步骤1中的参考图像(全采样的图像域数据)之间的损失，利用反向传播算法更新复数卷积神经网络模型参数从而得到最优模型，其中，损失函数如下：
Figure BDA0003977537920000101
其中，
Figure BDA0003977537920000102
表示重建图像，x表示参考图像。
步骤6：测试阶段，将步骤1获得的测试数据送到步骤5训练好的复数卷积神经网络模型中，并利用IFFT变换得到最终的重建图像。
实施例2
根据本发明的另一实施例，提供了一种快速磁共振成像装置，参见图7，包括：
相位信息弥补单元201，用于在磁共振成像中引入复数卷积神经网络对成像相位信息的缺失进行弥补；
学习能力提高单元202，用于复数卷积神经网络结合拉普拉斯注意力模型对成像关键特征进行学习，并提高其学习能力。
本发明实施例中的快速磁共振成像装置，将复数卷积和空间拉普拉斯注意力相结合，利用复数卷积神经网络解决对相位信息的缺失问题，并结合空间拉普拉斯注意力，提高复数卷积神经网络模型对关键特征的学习能力。在提高重建质量的同时，有效去除残差伪影的影响。其目的是为了充分利用复数数据的相位信息以及提高模型对关键特征的学习能力，利用复数卷积神经网络和空间拉普拉斯注意力实现快速磁共振重建。
其中，参见图8，装置还包括：
最优模型获取单元203，用于采用反向传播算法对复数卷积神经网络模型的参数进行更新，并使用损失最小化来获取最优模型。
下面以具体实施例，对本发明的快速磁共振成像装置进行详细说明：
为了弥补相位信息的丢失和提高重建图像质量，本发明将复数卷积和空间拉普拉斯注意力相结合，利用复数卷积神经网络解决对相位信息的缺失问题，并结合空间拉普拉斯注意力，提高复数卷积神经网络模型对关键特征的学习能力。在提高重建质量的同时，有效去除残差伪影的影响。其目的是为了充分利用复数数据的相位信息以及提高模型对关键特征的学习能力，利用复数卷积神经网络和空间拉普拉斯注意力实现快速磁共振重建。
本发明提出了一种基于空间拉普拉斯注意力和复数卷积的快速磁共振成像装置，以解决重建过程中相位信息缺失和重建质量差的问题。本发明利用复数卷积神经网络弥补相位信息的缺失；利用空间拉普拉斯注意力模型提高网络对关键特征的学习能力；采用反向传播算法实现对模型参数的更新，以及损失最小化来获取最优模型。本发明的基本内容包括：
获取欠采样的k空间数据和全采样的图像域数据，并划分对应的训练集、验证集和测试集；
构建空间注意力模块和拉普拉斯注意力模块，并搭建残差空间拉普拉斯注意力块RSLAM；
构建级联残差模块CRB，并结合数据一致性模块DC构建迭代重建网络RSL-Net；
将欠采样的k空间数据输入到迭代重建网络RSL-Net中得到重建的k空间数据，并利用IFFT变换到图像域数据；
利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试。
本发明的流程图如图3所示，共分为六个步骤，具体如下：
步骤1：获取欠采样的k空间数据和全采样的图像域数据，并将其划分为训练集、验证集和测试集。
步骤2：构建空间注意力模块和拉普拉斯注意力模块，并搭建残差空间拉普拉斯注意力模块RSLAM；
如上的步骤2中，空间注意力模块由自适应最大池化、自适应平均池化、复数卷积和复数激活函数组成；
拉普拉斯注意力模块由自适应平均池化，空洞复数卷积，复数卷积和复数激活函数组成；
残差空间拉普拉斯注意力模块RSLAM由复数卷积，空间注意力模块和拉普拉斯注意力模块构成，如图4所示。
步骤3：构建级联残差模块CRB，并结合数据一致性模块DC构建迭代重建网络RSL-Net；
如上的步骤3中，级联残差模块CRB如图5所示，它由两个基本块和两个复数卷积构成，每个基本块由两个步骤2中的残差空间拉普拉斯注意力模块RSLAM和两个复数卷积构成，其中包括跳跃连接；
数据一致性模块DC计算如下：
Figure BDA0003977537920000121
其中frec(k)为重建后的k空间数据，f(k)为中间重建结果，kΩ为欠采样k空间数据，λ为权重参数，Ω为采样矩阵，Θ表示未采样点；
迭代重建网络RSL-Net如图6所示，由步骤3中的级联残差模块CRB和数据一致性模块DC交替迭代构成，交替迭代的次数可根据实际情况进行调整。
步骤4：将欠采样的k空间数据输入到步骤3中的迭代重建网络RSL-Net中得到重建的k空间数据，并利用IFFT变换到图像域获得重建图像。
步骤5：计算步骤4中的重建图像和步骤1中的参考图像(全采样的图像域数据)之间的损失，利用反向传播算法更新复数卷积神经网络模型参数从而得到最优模型，其中，损失函数如下：
Figure BDA0003977537920000131
其中，
Figure BDA0003977537920000132
表示重建图像，x表示参考图像。
步骤6：测试阶段，将步骤1获得的测试数据送到步骤5训练好的复数卷积神经网络模型中，并利用IFFT变换得到最终的重建图像。
实施例3
一种存储介质，存储介质存储有能够实现上述任意一项快速磁共振成像方法的程序文件。
实施例4
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的快速磁共振成像方法。
与现有技术相比，本发明的优点至少为：
与现有成像方法相比，本发明解决了磁共振重建过程中相位偏移的问题，有利于进一步减少重建后的残差伪影，在加速磁共振重建速度的同时，也提高了医生的诊断质量。此外，本发明提出了一种新的用于复数的残差空间拉普拉斯注意力模块，提高了模型对重要特征的学习能力。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的***实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种快速磁共振成像方法，其特征在于，包括以下步骤：
在磁共振成像中引入复数卷积神经网络对成像相位信息的缺失进行弥补；
所述复数卷积神经网络结合拉普拉斯注意力模型对成像关键特征进行学习，并提高其学习能力。
2.根据权利要求1所述的快速磁共振成像方法，其特征在于，所述方法还包括：
采用反向传播算法对复数卷积神经网络模型的参数进行更新，并使用损失最小化来获取最优模型。
3.根据权利要求1所述的快速磁共振成像方法，其特征在于，所述方法具体包括以下步骤：
获取欠采样的k空间数据和全采样的图像域数据，并划分对应的训练集、验证集和测试集；
构建空间注意力模块和拉普拉斯注意力模块，并搭建残差空间拉普拉斯注意力块RSLAM；
构建级联残差模块CRB，并结合数据一致性模块DC构建迭代重建网络RSL-Net；
将欠采样的k空间数据输入到迭代重建网络RSL-Net中得到重建的k空间数据，并利用IFFT变换到图像域数据。
4.根据权利要求3所述的快速磁共振成像方法，其特征在于，所述空间注意力模块包括自适应最大池化、自适应平均池化、复数卷积和复数激活函数；所述拉普拉斯注意力模块包括自适应平均池化、空洞复数卷积、复数卷积和复数激活函数；所述残差空间拉普拉斯注意力模块RSLAM包括复数卷积、空间注意力模块和拉普拉斯注意力模块。
5.根据权利要求3所述的快速磁共振成像方法，其特征在于，所述级联残差模块CRB包括两个基本块和两个复数卷积，每个基本块包括两个残差空间拉普拉斯注意力模块RSLAM和两个复数卷积，其中包括跳跃连接；
所述数据一致性模块DC计算如下：
Figure FDA0003977537910000021
其中frec(k)为重建后的k空间数据，f(k)为中间重建结果，kΩ为欠采样k空间数据，λ为权重参数，Ω为采样矩阵，Θ表示未采样点。
6.根据权利要求3所述的快速磁共振成像方法，其特征在于，所述迭代重建网络RSL-Net包括交替迭代的级联残差模块CRB和数据一致性模块DC。
7.根据权利要求3所述的快速磁共振成像方法，其特征在于，所述方法具体还包括以下步骤：
利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试。
8.根据权利要求7所述的快速磁共振成像方法，其特征在于，所述利用训练集和验证集训练重建模型，并通过反向传播算法更新模型参数，通过损失函数最小化得到最优模型；利用训练好的模型对测试集数据进行测试包括：
计算重建图像和参考图像之间的损失，利用反向传播算法更新复数卷积神经网络模型参数从而得到最优模型，其中，损失函数如下：
Figure FDA0003977537910000022
其中，
Figure FDA0003977537910000023
表示重建图像，x表示参考图像；
将获得的测试数据送到训练好的复数卷积神经网络模型中，并利用IFFT变换得到最终的重建图像。
9.一种快速磁共振成像装置，其特征在于，包括：
相位信息弥补单元，用于在磁共振成像中引入复数卷积神经网络对成像相位信息的缺失进行弥补；
学习能力提高单元，用于复数卷积神经网络结合拉普拉斯注意力模型对成像关键特征进行学习，并提高其学习能力。
10.根据权利要求9所述的快速磁共振成像装置，其特征在于，所述装置还包括：
最优模型获取单元，用于采用反向传播算法对复数卷积神经网络模型的参数进行更新，并使用损失最小化来获取最优模型。
CN202211535706.9A 2022-12-02 2022-12-02 一种快速磁共振成像方法及装置 Pending CN116012472A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211535706.9A CN116012472A (zh) 2022-12-02 2022-12-02 一种快速磁共振成像方法及装置
PCT/CN2022/136813 WO2024113395A1 (zh) 2022-12-02 2022-12-06 一种快速磁共振成像方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211535706.9A CN116012472A (zh) 2022-12-02 2022-12-02 一种快速磁共振成像方法及装置

Publications (1)

Publication Number Publication Date
CN116012472A true CN116012472A (zh) 2023-04-25

Family

ID=86020667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211535706.9A Pending CN116012472A (zh) 2022-12-02 2022-12-02 一种快速磁共振成像方法及装置

Country Status (2)

Country Link
CN (1) CN116012472A (zh)
WO (1) WO2024113395A1 (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL259753A (en) * 2018-05-31 2018-07-31 Yeda Res & Dev Local transform-based information fusion for high-resolution dynamic magnetic resonance imaging
CN111353947A (zh) * 2018-12-24 2020-06-30 深圳先进技术研究院 磁共振并行成像方法及相关设备
EP3751300A1 (en) * 2019-06-13 2020-12-16 Koninklijke Philips N.V. Reconstruction of spiral k-space sampled magnetic resonance images
CN111123183B (zh) * 2019-12-27 2022-04-15 杭州电子科技大学 基于复数R2U_Net网络的快速磁共振成像方法
CN113391251B (zh) * 2020-03-12 2023-05-26 上海联影医疗科技股份有限公司 磁共振图像重建方法、装置和设备
CN112634385B (zh) * 2020-10-15 2024-05-10 浙江工业大学 一种基于深度拉普拉斯网络的快速磁共振成像方法
CN113509165B (zh) * 2021-03-23 2023-09-22 杭州电子科技大学 基于CAR2UNet网络的复数快速磁共振成像方法
CN114913262B (zh) * 2022-06-02 2023-08-18 西安交通大学 采样模式与重建算法联合优化的核磁共振成像方法及***

Also Published As

Publication number Publication date
WO2024113395A1 (zh) 2024-06-06

Similar Documents

Publication Publication Date Title
Dar et al. Prior-guided image reconstruction for accelerated multi-contrast MRI via generative adversarial networks
Chen et al. Efficient and accurate MRI super-resolution using a generative adversarial network and 3D multi-level densely connected network
US20190369191A1 (en) MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
CN110490832A (zh) 一种基于正则化深度图像先验方法的磁共振图像重建方法
Luo et al. Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models
US20200134887A1 (en) Reinforcement Learning for Online Sampling Trajectory Optimization for Magnetic Resonance Imaging
US11346911B2 (en) Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation
CN109214989A (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
Schaetz et al. Accelerated computing in magnetic resonance imaging: real‐time imaging using nonlinear inverse reconstruction
CN115564649B (zh) 一种图像超分辨率重建方法、装置及设备
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及***
Guan et al. Magnetic resonance imaging reconstruction using a deep energy‐based model
Sander et al. Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI
Ryu et al. Accelerated multicontrast reconstruction for synthetic MRI using joint parallel imaging and variable splitting networks
Lv et al. Reconstruction of undersampled radial free‐breathing 3D abdominal MRI using stacked convolutional auto‐encoders
CN112329920A (zh) 磁共振参数成像模型的无监督训练方法及无监督训练装置
CN111028147A (zh) 基于级联空洞卷积的三维医学图像超分辨率重建方法
CN116912252A (zh) 面向模态缺失的影像数据的脑图谱个体化方法及***
Noordman et al. Complexities of deep learning-based undersampled MR image reconstruction
CN116012472A (zh) 一种快速磁共振成像方法及装置
CN116778016A (zh) 一种mri图像重建方法、***及介质
Jaubert et al. HyperSLICE: HyperBand optimized spiral for low‐latency interactive cardiac examination
US11941732B2 (en) Multi-slice MRI data processing using deep learning techniques
Pan et al. Iterative self-consistent parallel magnetic resonance imaging reconstruction based on nonlocal low-rank regularization
Sun et al. DIR3D: Cascaded Dual-Domain Inter-Scale Mutual Reinforcement 3D Network for highly accelerated 3D MR image reconstruction

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