CN113240763B 基于sprnn和多尺度参考模态的多模态mri辅助重建方法 （浙江工业大学）

基于SPRNN和多尺度参考模态的多模态MRI一种基于SPRNN和多尺度参考模态的快速欠采样的参考模态图像y,ek"和全采样的参考模态图像yek";步骤2由深度亚像素递归神经网络得到重构后的待定模态图像图1给算子、多尺度参考模态与多模态MRI辅助重建技2y'ek",y,ek"表示k空间中的u倍欠采样的待定模态的MRI图像，K表示MRI图像所uSPRNN为重构模块，2.如权利要求1所述的基于SPRNN和多尺度参考模态的多模态MRI辅助重建方法，其特3.如权利要求1所述的基于SPRNN和多尺度参考模态的多模态MRI辅助重建方法，其特到倍欠采样的MRI图像，为其参数，对于输入的MRI图像zek-1,定义如下：34.如权利要求1所述的基于SPRNN和多尺度参考模态的多模态MRI辅助重建方法，其特5.如权利要求1所述的基于SPRNN和多尺度参考S,():K"→"表示对k空间中的的表示对像素域中的MRIvbe(1,2,…,B,子模块定义如下：A为激活函数。6.如权利要求3所述的基于SPRNN和多尺度参考模态的多模态MRI辅助重建方法，其特l7.如权利要求1或2所述的基于SPRNN和多尺度参4为MRI图像的不同的欠采样倍数，y"ek"为参考模态数据，为第γ张全采样的待定模态的MRI图像，为维度为的待定模态的其中，表示对k空间中的MRI图像进行倍欠采样的其中，(:)表示两幅图像之间的距离度量5[0002]磁共振成像(MagneticResonanceImaging，MRI)是目前临床医学影像中最临床中往往需要使用多模态MRI(这也是磁共振成像相对于其它成像方式的一个主要优其中一种成像速度较快的模态(通常选用T1WI)进行全采样，并将这种模态称为“参考模6多尺度参考模态和多尺度监督的训练方法，提出了一种基于深度亚像素递归神经网络多尺度监督能够逐步重建高倍欠采样MRI图像[0007]一种基于深度亚像素递归神经网络(Sub-PixelRecursiveNeuralNetwork，[0008]步骤1输入u倍欠采样的参考模态图像y,ek"和全采样的参考模态图像y'ek",Y,ek"表示k空间中的u倍欠采样的待定模态的MRI图像，K表示MRI图像所在u[0012]其中，yek"表示yu在k空间中的全采样图像，xeI"表示yu在像素空间中的全Fec[0015]其中，Θ={Θ1,…,ΘD}为深度亚像素递归神经网络fSPRNN的参数集，H表示d)为fSPRNN的第d个子网，定义如输入的MRI图像zeke,定义如下：7块M定义如下：A为激活函数。集>…>uD为MRI图像的不同的欠采样倍数，y"ek"为参考模态数据，x'eI"为第γ张8素卷积是为了避免对待定模态的MRI数据进行大量的零填充，避免大量的零填充所引入的积一次性地预估待定模态中未被采集的所有k空间数据(这样做的计算代价和错误估计率针对性地辅助重建待定模态中对应区间的未采样[0042]相比较现有的基于深度学习的多模态MRI辅助重建方法，本发明的有益效果主要9大地节省网络模型的存储空间和训练数据的规模；(3)同时提升了参考模态和待定模态在入的k空间中的u倍欠采样的MRI图像，和分别为输出的k空间和像素空间中的yu的重构[0044]图2(a)为fSPRNN的第d个子vie(1,2,…,n,Convb-i表示Cb的第i个卷积层。[0045]图3(a)和(b)分别为k空间中的8倍欠采样的MRI图像和全采样的MRI图像的示例，[0049]图7是对两种激活函数ReLU和LReLU的曲线图比较，子图(a)展示的是ReLU的曲线(b)为重构的MRI图像，子图(c)是使用子图(a)中的信息对子图(b)进行数据的MRI图像。数据一致性算子在本质上就是用输入的欠采样的MRI图像所具有的频率信息[0051]图9是对数据一致性算子fDC的效果展示：前两列对比了的3个子网(每一行的前两列的子图为一个子网的输出)在使用fDC处理前后所得到的MRI图像的变化，可以看出：在使用数据一致性处理之前(第一列)所得到的MRI图像主要是其细节，而在使用数据一致性处理之后(第二列)所得到的MRI图像更加接近于真实图像(第三[0052]图10是用于训练深度亚像素递归神经网络的5个MR训练样本的示例，每一行为一[0053]图11是本发明所提出的深度亚像素递归神经网络(SPRNN)与传统的零填充方法[0054]图12是本发明所提出的深度亚像素递归神经网络(SPRNN)基于多尺度参考模态对网对输入的欠采样待定模态图像重建到尺度ud后的结果，X和xu表示在尺度ud下的参考[0055]图13是本发明所提出的深度亚像素递归神经网络(SPRNN)及对比方法(ZF、UNet、[0057]参照图1～图13，一种基于深度亚像素递归神经网络(Sub-PixelRecursive[0058]步骤1输入u倍欠采样的参考模态图像y,ek"和全采样的参考模态图像y'ek";(KK",K")⃞T",得到y,ek"表示k空间中的u倍的欠采样的MRI图像，K表MRI图像yu与全采样的MRI图像存在如下关系：[0062]其中，yek"表示yu在k空间中的全采样MRI图像，xeT"表示yu在像素空间中样(N＝336)的MRI图像y和x的示例；掩码矩阵Mu可以使用中心欠采样矩阵或高斯欠采样矩[0065]其中，Θ={Θ1,…,ΘD}为深度亚像素递归神经网络fSPRNN的参数集，H表示d)为fSPRNN的第d个子网，定义如[0068]进一步地，(2)式中的l,(:.):k"→T"为亚像素上采样算子，表示将k空vbe{1,2,…,B},子模块M,定义如下：为激活函数，常用的激活函数有据一致性算子在本质上就是用输入的MRI图像所具有的频率信息(主要是低频信息)替换掉素递归神经网络的3个子网在使用数据一致性处理前后所得到的MRI图像的变化，可以看集>…>uD为MRI图像的不同的欠采样倍数，s,ek"为待定模态数据，y"ek"为参考模[0085]其中，表示对k空间中的MRI图像进行ud倍欠采网络的重建性能，使用峰值信噪比(PSNR)和结构相似度(SSIM)对重构的MRI图像进行质量[0096]图12进一步展示了本发明所提出的SPRNN使用多尺度参考模态数据对8倍欠采样[0097]图13展示了本发明所提出的SPRNN及其对比方法(ZF、UNet、DenseUNet、