科创中国

本发明公开一种基于图像和特征双域约束的自监督磁共振图像重建方法。该方法包括：构建图像重建模型，包括第一分支和第二分支，第一分支包含第一重建网络和第一特征提取器，第一重建网络以第一欠采数据子集作为输入获得第一重建图像，第一特征提取器针对第一重建图像提取特征；第二分支包含第二重建网络和第二特征提取器，第二重建网络以第二欠采数据子集作为输入获得第二重建图像，第二特征提取器针对第二重建图像提取特征；以设定的损失函数作为优化目标，训练所述图像重建模型；利用经训练的图像重建模型对目标磁共振图像进行重建。本发明仅利用欠采数据即可实现相比于监督学习算法的图像重建性能。

1.一种基于图像和特征双域约束的自监督磁共振图像重建方法，包括以下步骤： 构建图像重建模型，该图像重建模型包括第一分支和第二分支，第一分支包含第一重建网络和第一特征提取器，第一重建网络以第一欠采数据子集作为输入获得第一重建图像，第一特征提取器针对第一重建图像提取特征；第二分支包含第二重建网络和第二特征提取器，第二重建网络以第二欠采数据子集作为输入获得第二重建图像，第二特征提取器针对第二重建图像提取特征，其中第一欠采数据子集和第二欠采数据子集基于欠采k空间数据获得； 以设定的损失函数作为优化目标，训练所述图像重建模型； 利用经训练的图像重建模型对目标磁共振图像进行重建。 2.根据权利要求1所述的方法，其特征在于，所述损失函数包括第一重建损失、第二重建损失、一致性损失和特征损失，第一重建损失用于表征第一重建图像与所述欠采k空间数据之间的损失，第二重建损失用于表征第二重建图像与所述欠采k空间数据之间的损失，所述一致性损失用于表征第一重建图像与第二重建图像之间的损失，所述特征损失用于表征第一特征提取器所提取的特征以及第二特征提取器所提取的特征之间的损失。

磁共振图像在临床上有广泛应用，但由于采集端的限制，全采样的磁共振数据不容易获得，因而有必要研究欠采倍率下的深度学习快速磁共振图像重建。目前，基于深度学习的快速磁共振重建已有很多应用，如MoDL、ADMM-Net、AUTOMAP、U-Net等各种网络。但是这些方法都是基于监督学习的深度学习，同样需要全采样磁共振数据作为标签来进行学习。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

与现有技术相比，本发明的优点在于，针对目前在深度学习磁共振重建算法中，对于真实全采样图像作为标签的依赖问题，提出了一种不需要全采样数据作为标签的自监督并行网络的磁共振快速重建新方法；所设计的并行网络框架，对于两支网络的重建输出中相比于全采样数据一开始就没有采样到的数据点进行一致性损失。此外，对于两支网络的重建输出提取特征，对于特征进行约束，进一步挖掘了磁共振图像的深层语义信息。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

技术合作

本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。