自监督学习‌ 一种基于自监督学习的快速磁共振扩散成像重建方法

专利申请类型:发明专利;

地区:贵州-贵阳；

源自:贵阳高价值专利检索信息库;

专利名称：一种基于自监督学习的快速磁共振扩散成像重建方法

专利类型：发明专利

专利申请号：CN2.X

专利申请（专利权）人：贵州大学

权利人地址：贵州省贵阳市花溪区花溪大道南段2708号

专利发明（设计）人：王丽会,吴羽欣,余国珲,吴运嘉,王双兴,吴鑫凯

专利摘要：本发明公开了一种基于自监督学习的快速磁共振扩散成像重建方法，属于医学图像处理技术领域，包括：对磁共振扩散图像进行预处理得到数据##；对数据##经过FFT后，进行掩码为##的第一次欠采样操作，得到第一次欠采样后的数据##并分别进行掩码为##和##的第二次欠采样以构建数据对##和##；再分别对##和##进行IFFT后，分别输进平行网络进行训练；将第二次欠采样构建的数据对输入平行网络，以第一次欠采样后的数据##作为标签来训练ISTA‑Net网络；使用训练好的ISTA‑Net网络将欠采样数据重建为全采样数据。本发明克服了有监督学习需要大量完全采样数据作为标签的困难，仅利用欠采样数据巧妙地构建了数据对，使得二次欠采样的两个分区可以进行双向预测。

主权利要求：

1.一种基于自监督学习的快速磁共振扩散成像重建方法，其特征在于，包括以下步骤：S1、将每一张磁共振扩散图像的切片对应在q空间上不同方向的数据堆叠在一起，得到堆叠后的数据；

S2、对堆叠后的数据在其对应的图像域的方向维度进行随机换块操作，得到换块操作后的数据 ；

S3、对换块操作后的数据 经过傅里叶变换FFT后，进行掩码为 的第一次欠采样操作来模拟dMRI数据经k空间加速后的结果，得到第一次欠采样后的数据 ；

S4、对第一次欠采样后的数据 分别进行掩码为 和 的第二次欠采样以构建数据对 和 ；再分别对 和 进行逆傅里叶变换IFFT后，分别输进平行网络进行训练；

其中， 和 分别为进行掩码为 和 的第二次欠采样得到的k空间数据；

S5、将第二次欠采样构建的数据 和 对输入平行网络，以第一次欠采样后的数据 作为标签来训练ISTA‑Net网络；

S6、使用训练好的ISTA‑Net网络将欠采样数据重建为全采样数据。

2.根据权利要求1所述的一种基于自监督学习的快速磁共振扩散成像重建方法，其特征在于，步骤S2中，随机换块操作包括分块和换块；

分块是将来自 个不同方向对应的同一张切片划分为 块，其中，在每张切片对应宽的维度上划分为 块，在对应高的维度上划分为 块， ；

换块是在切片间进行随机换块操作，利用不同扩散方向切片间的信息，实现多方向辅助k空间重建的目的。

3.根据权利要求2所述的一种基于自监督学习的快速磁共振扩散成像重建方法，其特征在于，步骤S3中， 满足以下条件：内的每一张切片所使用的 均为随机掩码。

4.根据权利要求3所述的一种基于自监督学习的快速磁共振扩散成像重建方法，其特征在于，步骤S4中， 和 满足以下条件：和 互不相交； 和 均来自于 。

5.根据权利要求4所述的一种基于自监督学习的快速磁共振扩散成像重建方法，其特征在于，步骤S5中，训练ISTA‑Net网络的过程解决了以下优化问题：其中， ， 表示理论上应该一致的经平行网络重建的结果； 表示正则项；表示正则项系数。

6.根据权利要求5所述的一种基于自监督学习的快速磁共振扩散成像重建方法，其特征在于，在训练ISTA‑Net网络时，损失来自k空间和图像域，分别用损失函数 和损失函数表示；

其中，损失函数 保证了 和 在进行相互预测时，由 到 重建出的数据点与 的一致性，和由 到 重建出的数据点与 的一致性；

损失函数 保证了两条平行网络的重建结果 和 在图像域上的一致性。

7.根据权利要求6所述的一种基于自监督学习的快速磁共振扩散成像重建方法，其特征在于，损失函数 和损失函数 均为 损失，具体如下：，

其中， 和 分别表示经平行网络重建出来的k空间结果； 和 表示平行网络的k空间损失；和 表示经平行网络重建出来的图像域结果； 表示图像域损失的系数； 表示总的损失。 说明书 : 一种基于自监督学习的快速磁共振扩散成像重建方法技术领域[0001] 本发明涉及医学图像处理技术领域，尤其是涉及一种基于自监督学习的快速磁共振扩散成像重建方法。背景技术[0002] 磁共振扩散成像（，dMRI）是磁共振成像领域发展最为迅速的技术之一，该技术利用了水分子的随机扩散运动，通过对活体组织内水分子扩散运动进行观测从而检测到人体组织微观结构，包括：组织纤维方向、组织结构的完整性等。由于dMRI具有无损害检测人体组织微观结构的特点，目前已广泛应用于大脑、心肌纤维、肝脏等复杂纤维结构检测。然而，dMRI数据的采集对设备要求较高，易受运动干扰且成像时间长，因此在保持高图像保真度的同时缩短dMRI的采集时间，是当前研究的重要方向。[0003] 目前dMRI加速的研究可以概括为两类，一类是压缩感知算法，该技术提出对具有稀疏先验的信号，可以以远低于奈奎斯特采样率的频率进行非线性采样，在一定程度上缩短了dMRI采集时间，但仍不足以满足临床的实时要求。

另一类是基于深度学习的方法，这一类方法利用大量数据学习出复杂的非线性关系，对每次欠采样的dMRI数据，只需进行一次前向计算便可得到原始信号的近似，计算量小且计算速度快。[0004] 上述方法还存在以下缺陷：[0005] （1）现有基于压缩感知（，CS）的快速重建方法可以通过在MRI的k空间上减少采样，还原出MRI的原始信号，提高了MRI信号采集的速度。然而，此类算法的成像质量过于依赖人工设计的先验正则，而先验不具有普适性，无法保证不同图像重建的准确性。其次，这些算法往往需要长时间的迭代计算，导致信号还原过程的加速仍然有限，无法满足临床使用中的实时性要求。[0006] （2）基于有监督的深度学习方法实现了快速重建且取得了不错的重建效果，但这类方法需要大量的拥有完整信号的数据来支撑网络的训练。然而，现实中完全采样的数据难以获取，因此，考虑如何利用已有的非全采样数据来训练网络，以实现高质量重建具有重要意义。[0007] （3）基于无监督的深度学习方法在MRI数据上实现了较好的重建结果，然而它们无法有效地处理dMRI数据中的方向信息，即q空间信息，存在明显的局限性。

如何在MRI重建算法的框架内有效地整合和利用方向信息，以更准确地还原组织结构和水分子扩散的方向性特征具有重要意义。[0008] （4）半监督、无监督等方式的深度学习重建dMRI相关研究甚少，仍处于起步阶段。此外，现有方法鲜有联合k‑q空间信息进行重建，如何将q空间先验和k空间先验结合，设计合理的半监督或无监督策略实现dMRI的快速重建是亟待解决的难点。发明内容[0009] 本发明的目的是提供一种基于自监督学习的快速磁共振扩散成像重建方法，克服了有监督学习需要大量完全采样数据作为标签的困难，仅利用欠采样数据巧妙地构建了数据对，使得二次欠采样的两个分区可以进行双向预测。[0010] 为实现上述目的，本发明提供了一种基于自监督学习的快速磁共振扩散成像重建方法，包括以下步骤：[0011] S1、将每一张磁共振扩散图像的切片对应的多个在q空间上不同方向的数据堆叠在一起，得到堆叠后的数据；[0012] S2、对堆叠后的数据在其对应的图像域的方向维度进行随机换块操作，得到换块操作后的数据 ；[0013] S3、对换块操作后的数据 经过傅里叶变换FFT后，进行掩码为 的第一次欠采样操作来模拟dMRI数据经k空间加速后的结果，得到第一次欠采样后的数据 ；[0014] S4、对第一次欠采样后的数据 分别进行掩码为 和 的第二次欠采样以构建数据对 和 ；再分别对 和 进行逆傅里叶变换IFFT后，分别输进平行网络进行训练；[0015] 其中， 和 分别为进行掩码为 和 的第二次欠采样得到的k空间数据；[0016] S5、将第二次欠采样构建的数据 和 对输入平行网络，以第一次欠采样后的数据 作为标签来训练ISTA‑Net网络；[0017] S6、使用训练好的ISTA‑Net网络将欠采样数据重建为全采样数据。

[0018] 优选的，步骤S2中，随机换块操作包括分块和换块；[0019] 分块是将来自 个不同方向对应的同一张切片划分为 块，其中，在每张切片对应宽的维度上划分为 块，在对应高的维度上划分为 块， ；[0020] 换块是在切片间进行随机换块操作，利用不同扩散方向切片间的信息，实现多方向辅助k空间重建的目的。[0021] 优选的，步骤S3中， 满足以下条件：内的每一张切片所使用的 均为随机掩码。[0022] 优选的，步骤S4中， 和 满足以下条件：[0023] 和 互不相交； 和 均来自于 。[0024] 优选的，步骤S5中，训练ISTA‑Net网络的过程解决了以下优化问题：[0025] （1）[0026] 其中， ， 表示理论上应该一致的经平行网络重建的结果； 表示正则项；表示正则项系数。[0027] 优选的，在训练ISTA‑Net网络时，损失来自k空间和图像域，分别用损失函数 和损失函数 表示；[0028] 其中，损失函数 保证了 和 在进行相互预测时，由 到 重建出的数据点与的一致性，和由 到 重建出的数据点与 的一致性；[0029] 损失函数 保证了两条平行网络的重建结果 和 在图像域上的一致性。

[0030] 优选的，损失函数 和损失函数 均为 损失，具体如下：[0031] （2）[0032] （3）[0033] （4）[0034] （5）[0035] （6）[0036] 其中， 和 分别表示经平行网络重建出来的k空间结果； 和表示平行网络的k空间损失； 和 表示经平行网络重建出来的图像域结果； 表示图像域损失的系数； 表示总的损失。[0037] 因此，本发明采用上述一种基于自监督学习的快速磁共振扩散成像重建方法，其技术效果如下：[0038] （1）本发明克服了有监督学习需要大量完全采样数据作为标签的困难，仅利用欠采样数据巧妙地构建了数据对，使得二次欠采样的两个分区可以进行双向预测；[0039] （2）本发明不仅使用了k空间来进行一致性约束，还使用了图像域来进行约束，实现了较好的重建结果；[0040] （3）本发明将自监督策略拓展到了多方向数据上，在数据预处理时将不同扩散方向对应的同一切片堆叠在一起，并结合换块操作，有效利用了不同方向之间的互补信息，实现了多方向辅助k空间重建。[0041] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明[0042] 图1为本发明一种基于自监督学习的快速磁共振扩散成像重建方法的框架图；[0043] 图2为本发明一种基于自监督学习的快速磁共振扩散成像重建方法的流程图；[0044] 图3为ISTA‑Net网络图；[0045] 图4为换块操作过程图；[0046] 图5为不同模型重建的DW图像对比；[0047] 图6为扩散参数图对比。

具体实施方式[0048] 以下通过附图和实施例对本发明的技术方案作进一步说明。[0049] 除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。[0050] 实施例一[0051] 如图1所示，本发明提出了一种基于自监督学习的快速磁共振扩散成像重建方法，根据dMRI在k空间的数据特点，在没有全采样数据的情况下，设计合适的自监督学习策略以及合适的损失函数，最大可能利用欠采样数据本身的信息来训练网络，使得网络可以直接通过欠采样数据预测出未经采样的数据，从而重建出全采样数据。此外，在数据预处理时，利用方向间数据的相关性构造数据对，使得网络能够利用不同扩散方向数据之间的关系，实现通过q空间上的多方向数据信息来辅助k空间进行重建，并尽可能保证重建结果的微观组织参数信息的正确性。具体包括以下步骤（如图2所示）：[0052] S1、将每一张磁共振扩散图像的切片对应的多个在q空间上相近的不同方向的数据堆叠在一起，得到堆叠后的数据；[0053] S2、对堆叠后的数据在其对应的图像域的方向维度进行随机换块操作，得到换块操作后的数据 ；[0054] 随机换块操作包括分块和换块；如图4所示。

[0055] 分块是将来自 个不同方向对应的同一张切片划分为 块，其中，在每张切片对应宽的维度上划分为 块，在对应高的维度上划分为 块， ；[0056] 换块是在切片间进行随机换块操作，利用不同扩散方向切片间的信息，实现多方向辅助k空间重建的目的。[0057] S3、对换块操作后的数据 经过傅里叶变换FFT后，进行掩码为 的第一次欠采样操作来模拟dMRI数据经k空间加速后的结果，得到第一次欠采样后的数据 ；[0058] 满足以下条件：内的每一张切片所使用的 均为随机掩码。[0059] S4、对第一次欠采样后的数据 分别进行掩码为 和 的第二次欠采样以构建数据对 和 ；再分别对 和 进行逆傅里叶变换IFFT后，分别输进平行网络进行训练；[0060] 和 分别为进行掩码为 和 的第二次欠采样得到的k空间数据；[0061] 和 满足以下条件：[0062] 和 互不相交； 和 均来自于 。[0063] S5、将第二次欠采样构建的数据 和 对输入平行网络，以第一次欠采样后的数据 作为标签来训练ISTA‑Net网络；ISTA‑Net网络如图3所示。其中，Conv表示卷积，Relu表示网络中所使用的激活函数， 表示稀疏变换， 表示其逆变换， 表示软阈值运算， 是收缩阈值， 表示第k个迭代阶段的输入， 表示第k个迭代阶段的输出。

[0064] 训练ISTA‑Net网络的过程解决了以下优化问题：[0065] （1）[0066] 其中， ， 表示理论上应该一致的经平行网络重建的结果； 表示正则项；表示正则项系数。[0067] S6、使用训练好的ISTA‑Net网络将欠采样数据重建为全采样数据。[0068] 在训练ISTA‑Net网络时，损失来自k空间和图像域，分别用损失函数 和损失函数表示；[0069] 其中， 保证了 和 在进行相互预测时，由 到 重建出的数据点与 的一致性，和由 到 时重建出的数据点与 的一致性；[0070] 保证了两条平行网络的重建结果 和 在图像域上的一致性。[0071] 损失函数 和损失函数 均为 损失，具体如下：[0072] （2）[0073] （3）[0074] （4）[0075] （5）[0076] （6）[0077] 其中， 和 分别表示经平行网络重建出来的k空间结果； 和表示平行网络的k空间损失； 和 表示经平行网络重建出来的图像域结果； 表示图像域损失的系数； 表示总的损失。[0078] 下面通过具体实例来对本发明进行说明。[0079] 针对本方法，目前已通过自监督学习的方式对网络进行了训练，实验证明，本方法所设计的自监督学习策略能达到较好的重建结果。

在实验过程中，k空间以0.25的采样率进行降采样，实现了四倍加速的效果。图5展示了本方法与其他自监督策略的重建结果对比，可以看出，本方法在所有方法中得到的重建结果最好。虽然从残差图上看，本方法的残差图稍微逊色于方法，但是从重建出的灰度细节图来看，方法得到的结果中出现一些噪声，而本方法的结果更接近于真实值。此外，方法是通过分阶段训练并使用精细化的数据来进行训练，只在第一个迭代阶段使用自监督数据对 ，而在后续的训练阶段使用的数据对都是 ，其中 表示上一阶段训练保存的模型，其输入网络的数据比本方法使用的数据质量更高，因此在某些切片上其得到的结果比本方法好是合理的。况且，从表1中评价指标的平均值来看，本方法在所有方法中结果最好，由此可见，本方法重建结果更稳定，可信度更高。[0080] 表1不同模型在HCP数据集上的定量评价指标[0081] ；[0082] 此外，还对不同方法的参数图结果进行了可视化，如图6所示。从重建的参数图可以看出，本方法的重建结果是最好的，同时也最接近真实值。[0083] 因此，本发明采用上述一种基于自监督学习的快速磁共振扩散成像重建方法，克服了有监督学习需要大量完全采样数据作为标签的困难，仅利用欠采样数据巧妙地构建了数据对，使得二次欠采样的两个分区可以进行双向预测。[0084] 最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

专利地区：贵州

323AI导航网发布