买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门大学

摘要：一种即插即用的生成数据深度学习快速磁共振成像方法，涉及磁共振图像的重建方法。依据磁共振图像特性，生成全采样无噪图像仿真数据，再添加高斯白噪声生成对应的带噪声的图像仿真数据，然后进行随机一维数据提取操作，建立包含全采样无噪的一维图像仿真数据、带噪声的一维图像仿真数据的训练集；设计深度去伪影网络、损失函数及网络参数更新方式；利用获得的训练集，求解深度去伪影网络的最优参数；将训练好的深度去伪影网络插入基于近端梯度下降的迭代重建算法中；将待重建的欠采样的磁共振傅里叶空间数据输入迭代重建算法，通过迭代求解，实现快速磁共振图像重建。具有重建质量高、重建速度快和对不同采样模式鲁棒的特点。

主权项：1.一种即插即用的生成数据深度学习快速磁共振成像方法，其特征在于包括以下步骤：1依据磁共振图像特性，生成全采样无噪图像仿真数据，再添加高斯白噪声生成对应的带噪声的图像仿真数据，然后进行随机一维数据提取操作，建立包含全采样无噪的一维图像仿真数据、带噪声的一维图像仿真数据的训练集，具体方法如下：首先，依据磁共振图像特性，将全采样无噪图像仿真数据分解成如下两个部分：X＝G⊙P1其中，为幅值，为相位，表示全采样图像仿真数据，表示实数域，表示复数域，M,N分别表示数据中行数、列数，符号⊙表示逐元素点乘；接下来，生成带噪声的一维图像仿真数据表示为： 其中，表示从图像数据中按行依次抽取一行的操作算子，为全采样无噪的一维图像仿真数据，为加性高斯白噪声；基于公式1和2，生成仿真数据的全流程为：1随机生成大量带有不同信号强度的灰度图像，作为仿真数据的幅度2使用大小为r×r的方形核对随机生成的复数高斯白噪声信号进行傅里叶截断，作为仿真数据的相位3按照公式1将步骤1和2生成的幅度和相位随机组合，然后按行提取一维图像4添加随机信噪比的高斯加性白噪声，得到带噪声的一维图像仿真数据通过上述操作，建立T对全采样无噪的一维图像仿真数据xref、带噪声的一维图像仿真数据xnoisy的训练集其中xnoisy和xref分别为神经网络的输入和标签数据；2设计深度去伪影网络、网络训练方式、损失函数及网络参数更新方式；所述深度去伪影网络的网络结构如下：由两个LB层一维卷积神经网络和自适应阈值选择网络组成，其中一维卷积神经网络的卷积核大小为IB，自适应阈值选择网络的卷积核大小为1；一维卷积神经网络中层与层之间使用线性整流函数连接，每层输入是上一层的输出，并选择在部分卷积层之间加入跳连结构，由此得到第一个一维卷积神经网络的输出e；对上一个卷积神经网络最后一层的输出e进行软阈值计算soft·；θ，其中θ是自适应阈值选择网络计算得到的阈值，其中softx；θ＝max{|x|-θ}·x|x|为逐元素运算，软阈值计算整体过程如下：1对输入自适应阈值选择网络的所有元素取绝对值；2对其进行全局均值池化输出得到c；3将c输入到LG层的一维卷积神经网络，最后经过Sigmoid非线性激活函数激活，得到度量变量α；4最终阈值将计算的结果输入到下一个一维卷积神经网络的第一层，中层与层之间以线性整流函数连接，每层的输入都是前一层网络的输出，并选择在部分卷积层之间加入跳连结构，最后得到深度去伪影网络的输出结果x；将公式2生成的数据输入深度去伪影网络f·，整体写成如下形式： 其中，Θ表示上述深度去伪影网络f·的内部参数；网络的训练方式是通过将深度去伪影网络的输出x与全采样无噪的一维图像xref进行比较，然后反向梯度传播来更新深度去伪影网络的参数；损失函数定义如下： 其中，t＝1,2,...,T表示第t个训练样本，T表示训练样本总数，||·||2表示二范数项，Σ表示求和运算；3利用步骤1获得的训练集，求解深度去伪影网络的最优参数；使用Adam优化器对步骤1中生成的训练集进行训练，通过最小化公式4的损失函数来获得最优参数集合4将训练好的深度去伪影网络插入基于近端梯度下降的迭代重建算法中，该算法包含两个交替计算操作，具体如下：第一个步骤涉及数据校验操作d·： 其中，k＝1,2,...,K表示迭代次数，γ表示步长，Y是欠采样傅里叶空间数据，是前向编码算子，是对应的反向编码算子，是灵敏度算子，是傅里叶变换，是欠采样算子；第二个步骤涉及图像去伪影操作h·，由插入的已训练的深度去伪影网络来完成： 其中，fvertical·表示深度去伪影网络f·在图像垂直方向上操作，而fhorizontal·表示深度去伪影网络f·在图像水平方向上操作；5将待重建的欠采样的磁共振傅里叶空间数据输入迭代重建算法，通过迭代求解，最终实现快速磁共振图像重建，具体来说，最终得到重建后的磁共振图像的整体过程表示为：

全文数据：

权利要求：

百度查询： 厦门大学 一种即插即用的生成数据深度学习快速磁共振成像方法