(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211296545.2 (22)申请日 2022.10.21 (71)申请人 上海康达卡勒幅医疗科技有限公司 地址 200444 上海市宝山区业绩路6 01号1 幢202室 (72)发明人 侯学文　姜小平　聂生东　杨光　 蔡昕　苏新宇　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 卢泓宇 (51)Int.Cl. G06T 11/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的压缩感知磁共振图像 快速重建方法 (57)摘要 本发明一种基于深度学习的压缩感知磁共 振图像快速重建方法， 包括： S1： 采集磁共振K空 间原始数据， 得到 K空间原始数据Kfid； S2： 基于压 缩感知理论构建欠采样 模板mask， 通过欠采样模 板mask模拟欠采样K空间数据， 得到欠采样K空间 数据Kcs‑fid； S3： 对K空间原始数据Kfid和欠采样K 空间数据Kcs‑fid进行预处理得到全采样图像Iimg 与欠采样图像Ics‑img， 并对全采样图像Iimg与欠采 样图像Ics‑img进行归一化处理， 并保留归一化参 数； S4： 基于U net构建重建网络， 通过重建网络对 归一化处理后的全采样图像Iimg与欠采样图像 Ics‑img进行处理得到重建图像Irecon； S5： 对重建 图像Ir e c o n进行保真操作， 得到保真图像 Idata‑consistency。 本发明通过Unet构建重建网络可 以实现任意部位、 任意模态以及任意矩阵大小的 数据的磁共 振图像快速 重建。 权利要求书2页 说明书5页 附图4页 CN 115511996 A 2022.12.23 CN 115511996 A 1.一种基于深度学习的压缩感知磁共振图像快速重建方法， 其特征在于， 包括以下步 骤： S1： 采集磁共 振K空间原 始数据， 得到K空间原 始数据Kfid； S2： 基于压缩感知理论构 建欠采样模板mask， 通过所述欠采样模板mask模拟欠采样K空 间数据， 得到欠采样K空间数据Kcs‑fid； S3： 对所述K空间原始数据Kfid和所述欠采样K空间数据Kcs‑fid进行逆傅里叶变换处理得 到全采样图像Iimg与欠采样图像Ics‑img， 并对所述全采样图像Iimg与所述欠采样图像Ics‑img进 行归一化处理， 并保留归一 化参数； S4： 基于Unet构建重建网络， 通过所述重建网络对归一化处理后的所述全采样图像Iimg 与所述欠采样图像Ics‑img进行处理得到重建图像Irecon； S5： 对所述重建图像Irecon进行保真操作， 得到保真图像Idata‑consistency。 2.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法， 其特征 在于： 在步骤S1中， 所述K空间原始数据能够为任意部位、 任意模态以及任意矩阵大小的数 据。 3.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法， 其特征 在于： 在步骤S2中， 所述 欠采样模板mask符合高斯分布， 其第二主峰高度低于第一主峰高度。 4.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法， 其特征 在于： 在步骤S3中， 所述全采样图像Iimg与所述欠采样图像Ics‑img归一化处理后分布在[0,1] 之间。 5.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法， 其特征 在于： 在步骤S4中， 所述重建网络包括编码层和解码层， 所述编码层包含5个编码模块， 每个 模块由两个卷积层组成， 其卷积核个数分别为32、 64、 128、 256、 512， 所述解码层包含5个解 码模块， 每 个模块由两个反卷积层组成， 其卷积核个数分别为512、 25 6、 128、 64、 32， 所述解码层中最后一个卷积层使用softmax激活函数， 其 余卷积层使用adam激活函数。 6.根据权利要求5所述的基于深度学习的压缩感知磁共振图像快速重建方法， 其特征 在于： 其中， 每一所述编码模块均有一所述解码模块与之对应， 相对应的所述编码模块与所 述解码模块进行跳跃 连接。 7.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法， 其特征 在于： 在步骤S4 中， 所述重建网络的输入层为所述欠采样图像Ics‑img， 输出层为所述全采样图 像Iimg， 所述输入层数据和所述输出层数据一 一对应。 8.根据权利要求1所述的基于深度学习的压缩感知磁共振图像快速重建方法， 其特征 在于： 其中， 步骤S5包括如下子步骤：权　利　要　求　书 1/2 页 2 CN 115511996 A 2S51， 截取 所述欠采样模板mask中心连续部分， 得到低频欠采样矩阵masklow； S52， 利用所述低频欠采样矩阵masklow对所述空间K原始数据Kfid进行掩膜得到低频欠 采样K空间矩阵Kcs‑fid‑low， 对所述低频欠采样K空间矩阵Kcs‑fid‑low进行逆傅里叶变换得到低 频欠采样图像Ics‑img‑low， 求取所述低频欠采样图像Ics‑img‑low的第一相位角 S53， 利用所述归一化参数对所述重建图像Irecon进行反归一化， 并与所述第一相位角 相乘恢复所述重建图像Irecon的相位信息， 得到复数图像Irecon‑complex； S54， 对所述复数图像Irecon‑complex进行傅里叶变换得到重建后的K空间数据Krecon， 求取 所述重建后的K空间数据Krecon的第二相位角 S55， 利用所述欠采样模板m ask对所述重建后的K空间数据Krecon进行掩膜 得到欠采样重 建后的K空间数据Kcs‑recon； S56， 将所述欠采样K空间数据Kcs‑fid的模值Kcs‑fid‑abs与所述欠采样重建后的K空间数据 Kcs‑recon的模值Kcs‑recon‑abs进行线性回归操作， 线性回归公式为Kcs‑recon‑abs＝a*Kcs‑fid‑abs+b， 得到线性回归系数斜 率a和截距b的值； S57， 使用所述斜率a和所述截距b对所述重建后的K空间数据Krecon进行放缩， 放缩公式 为Kdata‑consistency＝(abs(Krecon)‑b)/a， 得到保真后的K空间数据Kdata‑consistency； S58， 所述保真后的K空间数据Kdata‑consistency与所述第二相位角 相乘恢复K空间 的相位信息， 得到保真后的复数K空间数据Kdata‑consistenc y‑complex， 并将所述欠采样K空间数据 Kcs‑fid中不为零的数据替换至所述保真后的复数 K空间数据Kdata‑consistency ‑complex中； S59， 对所述保真后的复数K空间数据Kdata‑consistency ‑complex进行逆傅里叶变换得到所述 保真图像Idata‑consistency。权　利　要　求　书 2/2 页 3 CN 115511996 A 3