超快速的多对比度核磁共振联合成像深度学习方法

本发明属于医学核磁共振成像，具体涉及超快速的多对比度核磁共振联合成像深度学习方法。

背景技术：

1、核磁共振成像是一种广泛使用的非侵入性、无辐射的成像技术。核磁共振图像提供高软组织对比度以及丰富的解剖和功能信息用于医学诊断。一个典型的核磁共振成像协议包括具有相同解剖结构的多种对比度序列，以提供更加全面的影像数据，例如，t1加权成像可用于描述形态学信息，包括评估灰质和白质以及识别脂肪组织。t2加权成像有助于描绘水肿和炎症。液体衰减反转恢复(flair)序列用于抑制脑脊液(csf)对图像的影响，以检测脑成像中的脑室周围高信号病变。然而，由于核磁共振成像技术的物理和生理限制使其扫描过程十分耗时，造成病人严重不适。基于此，出现了快速核磁共振成像技术，主要分为两类，具体如下：

2、压缩传感核磁共振技术是一种假设图像在某个变换域中具有稀疏表示，通过从欠采样数据中重建高质量图像来加速核磁共振成像的有效方法。基于模型的压缩传感核磁共振方法主要通过设计先验或正则化来约束解空间以获得令人满意的重建图像，例如，非局部相似性和字典学习被引入到核磁共振成像中，在一定程度上提高了重建图像的质量。然而，得到合理的先验或正则化仍然是一项很有挑战的任务。深度学习方法则是通过设计各种深度网络结构(例如，cnn，u-net和gan)学习一个从欠采样数据重建的低质量图像到全采样数据重建的高质量重建图像之间的映射。虽然深度学习方法相比传统的基于模型的压缩传感核磁共振方法计算速度快，但是深度学习是黑盒模式，使其缺乏理论基础、可解释性差，限制其在临床诊断中的可靠性。最近，模型驱动的深度学习方法建立了传统基于模型的方法与基于数据驱动的深度学习方法的有机结合，进一步降低对采样数据量的依赖。这些压缩传感核磁共振方法仅考虑利用单一对比度序列重建核磁共振图像，加速倍数和重建精度都是有限的。

3、然而，核磁共振成像采集过程可以获得同一解剖结构的多个对比度的核磁共振图像，每个对比度捕获特定的解剖信息。因此，这些多对比度核磁共振图像是互补的且高度非线性相关。利用多对比核磁共振图像之间的相关性可以潜在地提高核磁共振图像采集速度和重建质量。现有的多对比核磁共振图像重建方法主要分为两类：第一类是引导图像重建方法：在另一个完全采样的对比度核磁共振图像引导下，从欠采样的k-空间数据中重建目标对比度核磁共振图像；第二类是联合重建方法：从多个对比度欠采样的k-空间数据中联合重建相应的多对比度核磁共振图像。对于第一类方法，目标对比度核磁共振图像通过使用结构引导全变分(stv)、强度加权相似度、字典学习和深度学习方法进行重建。对于第二类方法，传统的联合重建方法通过梯度域稀疏性、组小波稀疏性、联合全变分(jtv)和字典学习对多对比度核磁共振图像的相关性进行建模。最近，基于深度学习的方法采用特征共享策略、特征交互和增强的去噪自动编码器先验来实现多对比度核磁共振图像的联合重建。虽然这些多对比度核磁共振图像重建方法取得了良好的重建结果，但是如何有效地学习多对比度之间的正则关系来进一步提高重建质量仍然是一个有待解决的问题。

技术实现思路

1、本发明的目的是提供超快速的多对比度核磁共振联合成像深度学习方法，能够有效地学习多对比度之间的正则关系，从而提高重建质量。

2、本发明所采用的技术方案是，超快速的多对比度核磁共振联合成像深度学习方法，具体按照以下步骤实施：

3、步骤1，构造多对比度核磁共振图像联合重建模型；

4、步骤2，构造多对比度核磁共振图像联合重建网络，包括基于图-注意力的邻近点网络模块和多对比度数据一致性模块；

5、步骤3，构造基于图-注意力的邻近点网络模块，包括特征编码器、多对比度特征交互模块和特征解码器；

6、步骤4，训练多对比度核磁共振图像联合重建网络；

7、步骤5，应用训练好的多对比度核磁共振图像联合重建网络进行超快速核磁共振成像。

8、本发明的特点还在于，

9、步骤1中多对比度核磁共振图像联合重建模型是基于核磁共振并行成像机理和压缩传感理论进行构造的，模型表达式如下：

10、

11、式(1)中，是第i个对比度c个通道的灵敏度图；是k个对比度的待重建核磁共振图像；是傅里叶变换；是k-空间的采样矩阵；λ是一个正则化参数，用于平衡数据项和正则项；r(·)是多对比度联合正则项；yi为第i个对比度核磁图像所对应的k-空间欠采样数据。

12、步骤2的具体过程为：将优化步骤1得到的多对比度核磁共振图像联合重建模型的半二次分裂迭代算法中的两步操作展开并推广为由一个基于图-注意力的邻近点网络模块和一个多对比度数据一致性模块构成的多对比度核磁共振图像联合重建网络。

13、基于图-注意力的邻近点网络模块学习用于学习联合正则项所对应的邻近点算子，即：

14、

15、式(7)中，为k个辅助核磁共振图像；ρ为优化过程中的惩罚系数，ρ→∞；λ是一个正则化参数，用于平衡数据项和正则项；gab-pm为基于图-注意力的邻近点网络模块；t为迭代的步数。

16、多对比度数据一致性模块用于强制确保每个对比度待重建核磁共振图像与其在k-空间中对应的测量值之间的一致性，其定义式如下：

17、

18、式(6)中，λ＝mhm+diag(ρ)是一个对角矩阵；上标h表示共轭转置运算；

19、则第i个对比度数据一致性模块为

20、其中，mc-dcm为对比度数据一致性模块。

21、特征编码器包括6个3×3步长为1的卷积层，每个卷积层后面跟着一个instance-norm层、一个relu层以及两个average-pool层；

22、所述多对比度特征交互模块包括9个1×1步长为1的卷积层和9个3×3步长为1的卷积层；

23、特征解码器包括6个3×3步长为1的卷积层，每个卷积层后面跟着一个instance-norm层、一个relu层以及两个up-sampling层，所述特征解码器与特征编码器对称；

24、每个对比度特征编码器与其对应的特征解码器之间添加有跳跃连接；

25、图像处理过程为：将多对比度的待重建核磁共振图像作为输入被送到特征编码器中生成相应的多对比度特征将对比度特征送入多对比度特征交互模块进行特征交互，输出交互的多对比度特征再将交互的多对比度特征作为输入被送到特征解码器中输出重建的辅助核磁共振图像；

26、其中，h和w表示空间分辨率，h×w＝ne；c是特征的数量。

27、多对比度特征交互模块将对比度特征f作为图节点、特征之间的关系作为边进行有向图的构建并基于注意力机制生成图节点之间的消息，进而通过消息的融合来进行图节点的更新，实现多对比图像特征的交互。

28、有向图的表达式为：g＝(f,e)，其中，f是图节点，表示多对比度特征，e为边权重矩阵，表示节点之间关系；

29、基于注意力机制生成图节点之间的消息的过程为：

30、(1)对于节点i，先生成查询键和值则：

31、

32、式(8)中，是1×1逐点卷积；是3×3逐深度卷积；和是通过从原始大小重塑产生的；

33、(2)再采用相同对比度的自注意力机制和对比度间的交叉注意力机制，为多对比度特征交互生成节点内消息和节点间消息；

34、其中，节点内消息的计算表达式为：

35、

36、式(9)中，是一个可学习的缩放参数；被重塑为节点内消息

37、从节点j到节点i(j≠i)的节点间消息的计算表达式为：

38、

39、式(10)中，是一个可学习的缩放参数；被重塑为节点间消息

40、(3)最后进行图节点特征更新，即：

41、

42、其中，

43、

44、步骤4中，训练数据集γ由若干组k个对比度核磁共振训练数据构成，每组k个对比度核磁共振训练数据由，k个对比度的k-空间欠采样数据yij、全采样k-空间数据对应的图像组成；

45、多对比度核磁共振图像联合重建网络训练的损失函数为：

46、

47、式(13)中，n表示训练数据集中数据的组数；k表示核磁共振图像对比度的个数；yij为核磁共振成像设备采集的第i个对比度第j个k-空间欠采样数据；为相应全采样数据重建的核磁共振图像；为多对比度核磁共振图像联合重建网络输出图像；θ为多对比度核磁共振图像联合重建网络的参数；

48、再利用反向传播计算损失函数关于多对比度核磁共振图像联合重建网络参数的梯度，最后将梯度作为adam算法的输入更新多对比度核磁共振图像联合重建网络参数，以得到最优参数。

49、步骤5的具体过程为：在进行核磁共振成像时，先通过核磁共振设备采集多个对比度高度欠采样k-空间数据yij，然后将多个对比度高度欠采样k-空间数据yij送入训练好的多对比度核磁共振图像联合重建网络多对比度核磁共振图像联合重建网络输出即为重建的多对比度核磁共振图像。

50、本发明的有益效果是：本发明超快速的多对比度核磁共振联合成像深度学习方法，该方法可以从核磁共振成像设备所采集的多个对比度高度k-空间欠采样数据中同时重建出高质量的多对比度核磁共振图像，相对于现有的仅考虑单对比度图像的核磁共振方法(例如基于模型的核磁共振方法和基于深度学习的核磁共振方法)，本发明方法可以实现更高的欠采样倍数和更高的重建质量；相对于现有的多对比度核磁共振图像联合重建方法，本发明方法通过图神经网络及注意力机制能更好的学习多对比度核磁共振图像之间的先验关系，进一步降低对采集量的需求，加速核磁共振数据的采集过程；本发明方法对核磁共振成像设备的研发与生产具有重要的应用价值，并为医生的后期辅助诊断提供更加全面和丰富的影像数据，提高诊断精度。