磁共振参数成像模型的无监督训练方法及无监督训练装置

技术领域

本发明属于磁共振参数成像信号的图像重建技术领域，具体地讲，涉及磁共振参数成像模型的无监督训练方法及训练装置、计算机可读存储介质、计算机设备。

背景技术

定量磁共振参数成像(Quantitative Magnetic Resonance ParametricMapping)是用于评估和确定组织基本生物学特性的新兴工具。它旨在测量磁共振的绝对弛豫，从而提供跨站点和时间点的可比测量。获取磁共振参数图的最常见方法是获取具有变化的成像参数的加权图像(例如，T1映射中的反转时间(TI)，T2映射中的回波时间(TE)或T1ρ映射中的自旋锁定时间(TSL)。然后通过将这些图像逐像素与相应的物理指数模型拟合来估计参数图。因此，在磁共振参数成像中，扫描时间与获取的加权图像数量成正比，比一般的结构成像需要更长的扫描时间，这极大地阻碍了其在临床应用中的广泛使用。。

在快速成像方面，目前常用的技术是并行成像和压缩感知。并行成像是利用多通道线圈之间的相关性来加速采集，而压缩感知则是利用被成像物体的稀疏性这一先验信息来减少k空间采样点。但是受硬件等条件限制，并行成像加速倍数有限，而压缩感知技术由于采用迭代重建使得重建时间非常长，且较难选择稀疏变换和重建参数。近年来，采用深度学习方法进行磁共振图像重建受到越来越多的关注。深度学习方法利用神经网络，从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系，从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数。

深度学习的方法尽管弥补了传统快速成像方法的不足，但同时也存在一些问题，例如数据驱动的深度学习缺乏理论指导，往往需要大量的训练数据才能获得较好的效果。在现有的深度学习磁共振参数成像方法中，需要全采的参数图作为参考图，而实际扫描中全采数据往往很难获得，这样不利于进行网络训练。

发明内容

(一)本发明所要解决的技术问题

本发明解决的技术问题是：针对基于深度学习的磁共振参数成像模型，如何在没有全采图像数据的条件下，对磁共振参数成像模型进行无监督训练。

(二)本发明所采用的技术方案

一种磁共振参数成像模型的无监督训练方法，所述无监督训练方法包括：

将获取的欠采k空间数据输入到待训练的磁共振参数成像模型，以得到参数加权图像数据；

根据所述获取的欠采k空间数据和所述参数加权图像数据更新损失函数；

根据更新后的所述损失函数对所述待训练的磁共振参数成像模型的网络参数进行更新。

优选地，所述损失函数的计算公式为：

其中，L(m；Θ)表示损失函数，f表示欠采k空间数据，m表示参数加权图像数据，A表示编码矩阵，Θ表示网络参数，Ψ表示稀疏变换。

优选地，所述待训练成像模型包括重建网络和参数拟合网络，所述将获取的欠采k空间数据输入到待训练的磁共振参数成像模型，以得到参数加权图像数据的方法包括：

将获取的欠采k空间数据、第一参数加权图像初始数据和第二参数加权图像初始数据输入到所述重建网络，以得到第一参数加权图像更新数据；

将所述第一参数加权图像更新数据输入到所述参数拟合网络，以得到第二参数加权图像更新数据，将所述第二参数加权图像更新数据作为所述参数加权图像数据。

优选地，所述参数拟合网络包括拟合子网络和信号弛豫物理模型，其中，将所述第一参数加权图像更新数据输入到所述参数拟合网络，以得到第二参数加权图像更新数据的方法包括：

将所述第一参数加权图像更新数据输入到所述拟合子网络，以得到参数图像数据和基准图像数据；

将所述参数图像数据和所述基准图像数据输入到所述信号弛豫物理模型，以得到第二参数加权图像更新数据。

优选地，在得到所述第二参数加权图像更新数据之后，所述训练方法还包括：

将本次迭代得到的所述第一参数加权图像更新数据和所述第二参数加权图像更新数据分别作为下一次迭代的第一参数加权图像初始数据和第二参数加权图像初始数据，并与新获取的欠采k空间数据输入到所述重建网络中，以得到下一次迭代的第一参数加权图像数据，并将所述下一次迭代的第一参数加权图像更新数据输入到所述参数拟合网络，以得到下一次迭代的第二参数加权图像更新数据；

按照预定迭代次数重复上述步骤，以获得预定迭代次数的第二参数加权图像更新数据。

优选地，根据所述获取的欠采k空间数据和所述参数加权图像数据更新损失函数的方法为：根据获取的欠采k空间数据和所述预定迭代次数的第二参数加权图像更新数据计算损失函数。

本申请还公开了一种磁共振参数成像模型的无监督训练装置，所述无监督训练装置包括：

数据输入模块，用于将获取的欠采k空间数据输入到待训练成像模型，以得到参数加权图像数据；

损失函数计算模块，用于根据所述获取的欠采k空间数据和所述参数加权图像数据更新损失函数；

网络参数更新模块，用于根据所述损失函数对所述待训练成像模型的网络参数进行更新。

本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有磁共振参数成像模型的训练程序，所述磁共振参数成像模型的训练程序被处理器执行时实现任一种上述的磁共振参数成像模型的无监督训练方法。

本发明还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的磁共振参数成像模型的训练程序，所述同时多层成像信号的重建程序被处理器执行时实现任一种上述的磁共振参数成像模型的无监督训练方法。

(三)有益效果

本发明公开了一种磁共振参数成像模型的无监督训练方法，相对于传统的训练方法，具有如下技术效果：

本发明的无监督训练方法通过引入基于参数加权图像的损失函数，利用欠采k空间数据、以及根据欠采k空间数据得到的参数加权图像数据即可完成对损失函数的计算，不需要采用全采k空间数据，实现了模型的无监督训练。

附图说明

图1为本发明的实施例的磁共振参数成像模型的无监督训练方法的流程图；

图2为本发明的实施例的参数加权图像数据的计算流程图；

图3为本发明的实施例的磁共振参数成像模型的训练架构图；

图4为本发明的实施例的重建网络的结构示意图；

图5为本发明的实施例的拟合子网络的结构示意图；

图6为本发明的实施例的对比实验结果图；

图7为本发明的实施例的磁共振参数成像模型的训练装置的示意图；

图8为本发明的实施例的计算机设备原理框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在详细描述本申请的各个实施例之前，首先简单描述本申请的发明构思：基于深度学习的磁共振参数成像模型在进行训练时往往需要采用全采的k空间数据，而在训练过程中往往难以获取全采k空间数据。本申请通过采用基于参数加权图像的损失函数，利用欠采k空间数据、以及根据欠采k空间数据得到的参数加权图像数据即可完成对损失函数的计算，从而实现模型的无监督训练。

具体地，如图1所示，本申请磁共振参数成像模型的无监督训练方法包括如下步骤：

步骤S10：将获取的欠采k空间数据输入到待训练的磁共振参数成像模型，以得到参数加权图像数据。

在本实施例中，欠采k空间数据可通过多种实施方式获取，例如从全采k空间数据中手动欠采获得，或者直接采集设备获取欠采k空间数据，在此不做具体限定。

步骤S20：根据所述获取的欠采k空间数据和所述参数加权图像数据更新损失函数。

本实施例中的损失函数采用基于参数加权图像的损失函数。示例性地，损失函数优选采用如下形式：

其中，L(m；Θ)表示损失函数，f表示欠采k空间数据，m表示参数加权图像数据，A表示编码矩阵，Θ表示网络参数，Ψ表示稀疏变换，从该损失函数的形式可知，只需要欠采k空间数据、根据欠采k空间数据得到的参数加权图像数据即可完成对损失函数的计算。

步骤S30：根据更新后的所述损失函数对所述待训练的磁共振参数成像模型的网络参数进行更新。

作为其中一个实施例，进一步地，如图2和图3所示，待训练的磁共振参数成像模型包括重建网络(Recon-net)和参数拟合网络(Mapping)，其中参数拟合网络包括拟合子网络(Mapping-net)和信号弛豫物理模型(MR signal model)，将获取的欠采k空间数据输入到待训练成像模型，以得到参数加权图像数据的方法包括：

步骤S101：将获取的欠采k空间数据、第一参数加权图像初始数据和第二参数加权图像初始数据输入到所述重建网络，以得到第一参数加权图像更新数据。

步骤S102：将所述第一参数加权图像更新数据输入到所述参数拟合网络，以得到第二参数加权图像更新数据，将所述第二参数加权图像更新数据作为所述参数加权图像数据。

其中，步骤S102包括如下步骤：将所述第一参数加权图像更新数据输入到所述拟合子网络，以得到参数图像数据和基准图像数据；将所述参数图像数据和所述基准图像数据输入到所述信号弛豫物理模型，以得到第二参数加权图像更新数据。

进一步地，在得到所述第二参数加权图像更新数据之后，所述训练方法还包括：

将本次迭代得到的所述第一参数加权图像更新数据和所述第二参数加权图像更新数据分别作为下一次迭代的第一参数加权图像初始数据和第二参数加权图像初始数据，并与欠采k空间数据输入到所述重建网络中，以得到下一次迭代的第一参数加权图像数据，并将所述下一次迭代的第一参数加权图像更新数据输入到所述参数拟合网络，以得到下一次迭代的第二参数加权图像更新数据；

按照预定迭代次数重复上述步骤，以获得预定迭代次数的第二参数加权图像更新数据。

具体地，上述迭代过程可采用如下形式表示：

其中，n为迭代次数，m为第一参数加权图像更新数据，f为欠采k空间数据，Π表示重建网络，M

进一步地，重建网络的网络结构如图4所示，重建网络采用改进的原始对偶算法网络化方法，将传统原始对偶算法展开到网络上，通过神经网络学习算法中的近似算子和参数间的组合关系，从而可以直接从欠采的k空间数据重建得到参数加权图像。具体重建过程可表示为如下形式：

其中，d

进一步地，拟合子网络采用优化的端到端的Unet网络，具体网络结构如图5所示。为降低训练参数量，拟合子网络采用参数共享。

作为一个实施例，在步骤S20中，根据所述获取的欠采k空间数据、预定迭代次数的第二参数加权图像更新数据计算损失函数。其中，预定迭代次数优选为5次。

进一步地，由于参数拟合未涉及到迭代优化算法，因此参数拟合网络拟采用优化的端到端的Unet网络，具体网络结构如图5所示。下采样由步长为2的卷积来实现，左侧特征直接与右侧特征相加而不是堆叠，从而减少训练参数量，双线性二次插值用来作为上采样层来降低棋盘状伪影。由于结构图像是复数的而参数图总是非负的，因此最后生成参数图的网络层需要使用激活函数进行处理。为降低训练参数量，且网络生成的参数图通过信号驰豫模型生成参数加权图像进行下一步迭代，拟合子网络Mapping-net拟采用参数共享。

本实施例的无监督训练方法通过引入基于参数加权图像的损失函数，利用欠采k空间数据、以及根据欠采k空间数据得到的参数加权图像数据即可完成对损失函数的计算，不需要采用全采k空间数据，实现了模型的无监督训练。

为了验证本实施例的无监督训练方法训练得到的磁共振参数成像模型具有有益效果，申请人进行了对比实验，以T

进一步地，另一实施例公开了一种磁共振参数成像模型的无监督训练装置，如图7所示，所述无监督训练装置包括：

数据输入模块100，用于将获取的欠采k空间数据输入到待训练成像模型，以得到参数加权图像数据；

损失函数计算模块200，用于根据所述获取的欠采k空间数据和所述参数加权图像数据更新损失函数；

网络参数更新模块300，用于根据所述损失函数对所述待训练成像模型的网络参数进行更新。

其中，所述数据输入模块100还用于：

将获取的欠采k空间数据、第一参数加权图像初始数据和第二参数加权图像初始数据输入到所述重建网络，以得到第一参数加权图像更新数据；以及

将所述第一参数加权图像更新数据输入到所述参数拟合网络，以得到第二参数加权图像更新数据，将所述第二参数加权图像更新数据作为所述参数加权图像数据。

进一步地，所述数据输入模块100还用于：将作为下一次迭代的第一参数加权图像初始数据的所述第一参数加权图像更新数据、作为下一次迭代的第二参数加权图像初始数据的所述第二参数加权图像更新数据以及欠采k空间数据输入到所述重建网络中，以得到下一次迭代的第一参数加权图像更新数据，以及用于将所述下一次迭代的第一参数加权图像更新数据输入到所述参数拟合网络，以得到下一次迭代的第二参数加权图像更新数据。

另一实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储有磁共振参数成像模型的无监督训练程序，所述磁共振参数成像模型的无监督训练程序被处理器执行时实现上述的磁共振参数成像模型的无监督训练方法。

另一实施例还公开了一种计算机设备，在硬件层面，如图8所示，该计算机设备包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有磁共振参数成像模型的无监督训练程序，所述磁共振参数成像模型的无监督训练程序被处理器执行时实现上述的磁共振参数成像模型的无监督训练方法。

计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。