技术特征：
1.一种基于深度展开神经网络的实时磁共振图像重建方法，其特征在于，包括如下步骤：步骤s1：搭建基于低秩和稀疏分解的深度展开神经网络；步骤s2：采用仿真数据训练搭建的深度展开神经网络；步骤s3：利用训练好的深度展开神经网络进行图像实时重建。2.根据权利要求1所述的基于深度展开神经网络的实时磁共振图像重建方法，其特征在于，所述步骤s1包括如下步骤：步骤s1.1：在磁共振成像中，从介入图像序列x中，将变化的背景和持续动态变化的介入特征分解为低秩矩阵l和稀疏矩阵s，即x＝l+s，通过利用l和s的空间稀疏特性，用于磁共振介入图像重建基于低秩和稀疏分解的模型；步骤s1.2：将基于低秩和稀疏分解的模型展开到深度神经网络中；深度展开神经网络由多个迭代块组成，每个迭代块对应基于低秩和稀疏分解的迭代算法中的一次迭代，基于低秩和稀疏分解的迭代算法中的稀疏变换ψ由多个卷积层和激活函数组成的结构替换，卷积层中卷积核的权重参数在深度展开神经网络训练时学习，基于低秩和稀疏分解的迭代算法中的正则化参数在深度展开神经网络训练时学习；步骤s1.3：第一个迭代块的第一输入为网络初始化后的参数，第二个及第二个之后的迭代块的第一输入均为上一个迭代块的输出，且每个迭代块的第二输入均包括径向采样得到的k空间数据和线圈敏感度图，最终经过所有迭代块后输出重建图像。3.根据权利要求2所述的基于深度展开神经网络的实时磁共振图像重建方法，其特征在于，在所述步骤s1.1中，用于磁共振介入图像重建的基于低秩和稀疏分解的模型为：其中，e＝ωfc是k空间编码算子，c是线圈敏感度，f是傅里叶变换，ω为采样方式；d是获取的k空间数据；是沿着s时间方向的tv变换；ψ是稀疏变换，λ
l
、λ
s
、以及是正则化参数；k空间表示傅里叶空间。4.根据权利要求1所述的基于深度展开神经网络的实时磁共振图像重建方法，其特征在于，所述步骤s2包括如下步骤：步骤s2.1：通过仿真得到介入图像序列作为训练集，对介入图像序列作非均匀傅里叶变换，得到仿真的径向采样k空间数据；步骤s2.2：将仿真的径向采样k空间数据和线圈敏感度图作为待训练的深度展开神经网络的输入，深度展开神经网络输出重建图像；步骤s2.3：深度展开神经网络输出的重建图像与介入图像序列计算损失，根据损失通过反向传播的方式更新深度展开神经网络中的参数，深度展开神经网络中的参数包括卷积层中卷积核的权重，以及正则化参数；经过多轮更新训练后得到训练后的网络参数，即得到训练后的深度展开神经网络模型。5.根据权利要求1所述的基于深度展开神经网络的实时磁共振图像重建方法，其特征在于，所述步骤s3包括如下步骤：步骤s3.1：在进行实时成像之前，采集全采样的参考图像，用于估计线圈敏感度图；
步骤s3.2：在进行实时介入成像时，实时采集径向k空间数据，采集到的k空间数据和估计的线圈敏感度图作为已训练好的深度展开神经网络的输入，进而实时重建磁共振介入图像。6.一种基于深度展开神经网络的实时磁共振图像重建系统，其特征在于，包括如下模块：模块m1：搭建基于低秩和稀疏分解的深度展开神经网络；模块m2：采用仿真数据训练搭建的深度展开神经网络；模块m3：利用训练好的深度展开神经网络进行图像实时重建。7.根据权利要求6所述的基于深度展开神经网络的实时磁共振图像重建系统，其特征在于，所述模块m1包括如下模块：模块m1.1：在磁共振成像中，从介入图像序列x中，将变化的背景和持续动态变化的介入特征分解为低秩矩阵l和稀疏矩阵s，即x＝l+s，通过利用l和s的空间稀疏特性，用于磁共振介入图像重建基于低秩和稀疏分解的模型；模块m1.2：将基于低秩和稀疏分解的模型展开到深度神经网络中；深度展开神经网络由多个迭代块组成，每个迭代块对应基于低秩和稀疏分解的迭代算法中的一次迭代，基于低秩和稀疏分解的迭代算法中的稀疏变换ψ由多个卷积层和激活函数组成的结构替换，卷积层中卷积核的权重参数在深度展开神经网络训练时学习，基于低秩和稀疏分解的迭代算法中的正则化参数在深度展开神经网络训练时学习；模块m1.3：第一个迭代块的第一输入为网络初始化后的参数，第二个及第二个之后的迭代块的第一输入均为上一个迭代块的输出，且每个迭代块的第二输入均包括径向采样得到的k空间数据和线圈敏感度图，最终经过所有迭代块后输出重建图像。8.根据权利要求7所述的基于深度展开神经网络的实时磁共振图像重建系统，其特征在于，在所述模块m1.1中，用于磁共振介入图像重建的基于低秩和稀疏分解的模型为：其中，e＝ωfc是k空间编码算子，c是线圈敏感度，f是傅里叶变换，ω为采样方式；d是获取的k空间数据；是沿着s时间方向的tv变换；ψ是稀疏变换，λ
l
、λ
s
、以及是正则化参数；k空间表示傅里叶空间。9.根据权利要求6所述的基于深度展开神经网络的实时磁共振图像重建系统，其特征在于，所述模块m2包括如下模块：模块m2.1：通过仿真得到介入图像序列作为训练集，对介入图像序列作非均匀傅里叶变换，得到仿真的径向采样k空间数据；模块m2.2：将仿真的径向采样k空间数据和线圈敏感度图作为待训练的深度展开神经网络的输入，深度展开神经网络输出重建图像；模块m2.3：深度展开神经网络输出的重建图像与介入图像序列计算损失，根据损失通过反向传播的方式更新深度展开神经网络中的参数，深度展开神经网络中的参数包括卷积层中卷积核的权重，以及正则化参数；经过多轮更新训练后得到训练后的网络参数，即得到训练后的深度展开神经网络模型。
10.根据权利要求6所述的基于深度展开神经网络的实时磁共振图像重建系统，其特征在于，所述模块m3包括如下模块：模块m3.1：在进行实时成像之前，采集全采样的参考图像，用于估计线圈敏感度图；模块m3.2：在进行实时介入成像时，实时采集径向k空间数据，采集到的k空间数据和估计的线圈敏感度图作为已训练好的深度展开神经网络的输入，进而实时重建磁共振介入图像。
技术总结
本发明提供了一种基于深度展开神经网络的实时磁共振图像重建方法及系统，包括如下步骤：步骤S1：搭建基于低秩和稀疏分解的深度展开神经网络；步骤S2：采用仿真数据训练搭建的深度展开神经网络；步骤S3：利用训练好的深度展开神经网络进行图像实时重建。本发明通过采用将基于低秩和稀疏分解的迭代算法展开到一个深度神经网络中的方式，解决了迭代算法应用于磁共振实时成像中重建时间较长的问题；实现磁共振介入图像的实时重建。磁共振介入图像的实时重建。磁共振介入图像的实时重建。
技术研发人员：冯原 何钊
受保护的技术使用者：上海交通大学
技术研发日：2022.08.31
技术公布日：2022/12/5