欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019113809888
申请人: 杭州电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于复数R2U_Net网络的快速磁共振成像方法,其特征在于,该方法具体包括以下步骤:

步骤1:训练数据准备

训练数据的准备包含2个步骤:数据欠采样、填零重建;

步骤1‑1:数据欠采样

全采样的k空间数据用Sk(xk,yk)表示,其中,xk表示k空间频率编码FE方向的位置,yk表示在相位编码PE方向的位置,经过离散傅里叶反变换得到参考全采样图像Iref(x,y):Iref(x,y)=IDFT(Sk(xk,yk))      [1]对k空间数据进行模拟欠采样,欠采样模式选择规则欠采样,即在k空间的PE方向每隔N行采集一行数据,其中N为大于1的整数,在k空间PE方向中心区域全采集,采集全部行数的

4%;在FE方向的数据都为全采集,用Su(xk,yk)表示采集到的欠样k空间数据;用欠采样模板mask与全采样k空间数据矩阵Sk(xk,yk)进行点乘的方式获取模拟欠采样数据,用公式表示为:

Su(xk,yk)=Sk(xk,yk).*mask(xk,yk)    [2]其中,.*表示点乘,欠采样模板mask矩阵大小和全采样k空间矩阵一样,即模板mask中的每一个点mask(xk,yk)对应矩阵Sk(xk,yk)中的每一个点,需采集k空间对应的点,则模板mask矩阵中的值表示为1,反之不采则表示为0:步骤1‑2:填零重建

对于欠采样数据Su(xk,yk),进行离散傅里叶反变换,得到填零重建图像,用Iu(x,y)表示:

Iu(x,y)=IDFT(Su(xk,yk))      [4]Iref(x,y)是全采样图像,Iu(x,y)是欠采样图像,Iref(x,y)和Iu(x,y)组成训练数据对用来训练网络;

步骤2:基于复数R2U_Net卷积神经网络模型的训练复数R2U_Net网络训练包含2个步骤:复数R2U_Net卷积神经网络的构建和训练;

步骤2‑1:复数R2U_Net卷积神经网络构建复数R2U_Net卷积神经网络构建包含2个步骤:复数U_Net卷积神经网络、复数递归残差模块;

步骤2‑1‑1:复数U_Net卷积神经网络复数U_Net卷积神经网络中包括四层复数降采样和四层复数升采样;每个复数降采样层包括复数卷积、复数批标准化、复数激活函数和复数池化,每个复数升采样层包括复数卷积、复数批标准化、复数激活函数和复数上采样,在复数升采样中,每层的复数上采样输出和上采样输出层同层的递归残差模块输出进行合并,再依次经过复数卷积、复数批标准化、复数激活函数得到复数升采样层的输出;

复数卷积公式如下:

其中,*表示卷积操作;复数卷积层的卷积核为 其中 是一个复数矩阵,WR和WI是实数矩阵;复数数据的输入特征为Cn‑1=a+ib,其中a和b是实数矩阵;Cn是经过卷积之后的第n层输出;其中第一层n=1时的Cn‑1=C0=Iu(x,y);

复数批标准化公式如下:

其中, 是计算中间值;N是复数批标准化输出;V是协方差矩阵,Vri=Vir,初始化为0,Vrr和Vii初始化为 移位参数β为复数,其实部和虚部记为R{β},I{β}均初始化为0;γ是缩放参数矩阵,γrr和γii初始为 γri初始化为0;

复数激活公式如下:

其中,θN是N的相位; 是一个可学习参数;M是复数激活函数的输出;

步骤2‑1‑2:复数递归残差模块复数递归残差模块包含2个递归计算和1个残差计算,递归计算由卷积模块组成,每个卷积模块包含复数卷积、复数批标准化、复数激活函数三个单元,复数递归计算公式如下:其中,Ct+n是递归单元的输出,t表示递归次数;

残差计算公式如下:

Rn=modReLU(yn)    [9‑2]其中,Cn和Rn分别是残差单元的输入和输出,F表示残差,h(Cn)表示输入Cn的恒等映射,yn表示残差和恒等映射的和;

步骤2‑2:复数R2U_Net卷积神经网络训练复数R2U_Net网络训练包含3个步骤:复数损失函数、计算循环的判断条件、循环迭代;

步骤2‑2‑1:复数损失函数

选取改进的复数均方误差函数作为反向传播的损失函数,通过损失函数计算输出层的损失值loss;对于训练数据集 T表示批数据大小,上标i表示批数据中第i个图像,i=1,2…T,损失值用改进的复数均方误差函数表示:其中R2U_Net表示复数R2U_Net卷积神经网络;

步骤2‑2‑2:计算循环的判断条件设循环次数为p,计算损失值和损失阈值的差值DIF作为循环的判断条件:DIF=loss‑τ       [11]其中τ表示损失阈值;

步骤2‑2‑3:循环迭代

对于训练数据集 用Adam算法进行参数优化,可表示为:其中,θt表示优化后的参数;t表示时间步;lr表示学习率,用于控制模型的学习进度,采用多项式衰减方式下降;∈表示防止分母为0的参数; 和 可用公式表示为:mt←β1*mt‑1+(1‑β1)*gt    [12‑2]2

vt←β2*vt‑1+(1‑β2)*gt   [12‑4]其中,β1表示一阶矩估计的指数衰减率,β2表示二阶矩估计的指数衰减率,mt表示gt的一矩阶估计,vt表示gt的二阶矩估计, 表示对mt的校正,表示对vt的校正,gt可用公式表示为:

其中,i表示第几张图,θ表示网络参数, 表示参数梯度,R2U_Net表示R2U_Net卷积神(i) (i)

经网络,Iu(x,y) 表示第i张输入图像,Iref(x,y) 表示第i张参考全采样图像;

学习率lr的更新可表示为:

其中,epoch表示学习轮数,max_epoch表示最大学习轮数,θ表示指数参数项,θ<1;

当参数θ没有收敛时,循环迭代地更新各个部分;即时间步t加1,更新目标函数在该时间步t上对参数θ求梯度、更新偏差的一阶矩估计gt和二阶原始矩估计vt,再计算偏差修正的一阶矩估计 和偏差修正的二阶矩估计 然后再用以上计算出来的值更新模型的参数θ;

执行步骤2‑2‑2,若DIF大于等于0,继续到执行步骤2‑2‑3,若DIF小于0,或迭代次数达到设定次数p,迭代循环结束;通过网络的反向传播训练网络得到优化的网络参数θ;

步骤3:基于复数R2U_Net卷积神经网络的图像重建用已训练好的复数R2U_Net卷积神经网络对欠采样测试数据Itest(x,y)进行重建,重建结果用Ioutput(x,y)表示:Ioutput(x,y)=R2U_Net(Itest(x,y),θ)    [13]结果Ioutput(x,y)经过离散傅里叶变换得到k空间数据,用Sp(xk,yk)表示;在k空间,用欠采样数据Su(xk,yk)中实际采集到的数据替换Sp(xk,yk)中对应位置的数据,然后利用离散傅里叶反变换进行图像重建,用Irecon(x,y)表示最终的图像重建结果:Irecon(x,y)=IDFT(Su(xk,yk)+Sp(xk,yk)(1‑mask(xk,yk)))    [14]。