一种基于欠采样的快速磁粒子成像重建方法

技术领域

本发明属于磁粒子成像(Magnetic Particle Image，MPI)图像重建技术领域，尤其涉及一种基于欠采样的快速磁粒子成像重建方法。

背景技术

MPI是一种新型的，前沿的层析成像方式，对具有生物相容性的超顺磁纳米粒子进行浓度分布成像，具有高灵敏度，高分辨率，无辐射等特征。一般来说，理想的血管造影方法是只能看到示踪剂而不能看到组织，在MPI中，组织对低频磁场是透明的。因此，MPI可以检测纳米颗粒造影剂并且没有任何背景和零深度衰减。MPI得益于高时间分辨率和潜在的高空间分辨率，这使得它适用于多种体内应用，如血流成像，使用循环示踪剂进行长期监测，流量估计，跟踪/引导医疗器械，癌症检测，用热疗治疗癌症。此外，开发MPI的潜在医疗应用还在不断增加。

在MPI中，两个重要成像特征是分辨率和灵敏度。MPI成像时，速度指标是个重要指标，如果采集时间过慢，成像系统会产生更多的噪声，系统的热效应也会产生热噪声，这样会造成重建的MPI图像灵敏度降低，另外如果是动物实验，动物的呼吸和轻微移动都会造成图像的伪影和模糊，这样会造成重建的MPI图像分辨率降低。

发明内容

为了解决上述已有技术存在的不足，本发明提出一种基于欠采样的快速磁粒子成像重建方法，将图像重建作为数据驱动的监督学习任务，使得电压信号和图像域之间从训练数据语料库中产生映射，使用欠采样的电压信号可以生成全采样高分辨率的MPI图像。本发明的具体技术方案如下：

一种基于欠采样的快速磁粒子成像重建方法，包括以下步骤：

S1：基于朗之万顺磁模型采集MPI欠采样电压信号，经过傅里叶变换,将时域信号转换成频域信号；

S2：根据MPI系统矩阵重建算法，生成全采样MPI图像；

S3：对步骤S1得到的频域信号和步骤S2得到的图像实施归一化，得到

S4：生成深度神经网络；

以

S5：图像重建；

对任意MPI欠采样电压信号，进行图像重建，将电压信号进行傅里叶变换后，输入步骤S4预训练的深度神经网络中，得到未知磁纳米粒子浓度的重建结果。

进一步地，所述步骤S1的具体过程为：

S1-1：基于顺磁性的朗之万模型进行电压仿真；

S1-2：在仿真的MPI欠采样电压信号中加入高斯噪声，仿真更加真实的电压信号；

S1-3：将电压信号的实部和虚部分离并向量化；

S1-4：傅里叶变换，将时域信号转换成频域信号。

进一步地，所述步骤S3的具体过程为：

其中，SIG为MPI欠采样电压信号，

其中，IMG为全采样MPI图像，

进一步地，所述步骤S4的具体过程为：

S4-1：获取初始深度神经网络模型及训练数据集，其中，训练数据集是步骤S3得到的

S4-2：通过两个全连接层进行域变换，实现MPI欠采样电压信号到全采样MPI图像的映射；

S4-3：通过后处理层进行图像增强，获得更精确的MPI图像重建；

S4-4：基于步骤S3的

S4-5：基于神经网络损失值loss更新神经网络参数，直至神经网络产生误差小于设定阈值的图像即完成训练。

进一步地，所述神经网络损失值loss的计算为均方差MSE、结构相似度SSIM或峰值信噪比PSN。

进一步地，所述步骤S4-3中的后处理层包括两个子卷积网络，一个子卷积网络包括卷积层、池化层和反卷积层，另一个子卷积网络由卷积层和反卷积层构成。

本发明的有益效果在于：

1.与传统的人工重建方法相比，本发明的方法能够有效减少采集MPI信号的时间，直接使电压信号映射到MPI图像域，并且在几毫秒内就可以重建。

2.从对大量数据集进行的广泛评估表明，本发明的方法可以将欠采样的电压信号重建全采样高分辨率MPI图像，具有较好的抗噪能力、鲁棒性和抗伪影能力。本发明的方法不仅具有良好的泛化能力，并且测试阶段在网络上执行前馈传播，计算开销非常低，所以该方法具有较快的重建速度和较高的精度，提高了磁粒子成像系统的成像潜力，克服了MPI设备由于采集时间过长而引入大量噪声的问题。

3.本发明的方法将图像重建作为数据驱动的监督学习任务，使得接收线圈中产生的感应电压和图像域之间从训练数据语料库中产生映射，使用欠采样的电压信号可以生成全采样高分辨率的MPI图像。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：

图1是本发明的方法流程图；

图2是本发明的训练深度神经网络流程图；

图3是本发明的深度神经网络的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1-2所示，一种基于欠采样的快速磁粒子成像重建方法，包括以下步骤：

S1：基于朗之万顺磁模型采集MPI欠采样电压信号，经过傅里叶变换,将时域信号转换成频域信号；

S1-1：基于顺磁性的朗之万模型进行电压仿真；

S1-2：在仿真的MPI欠采样电压信号中加入高斯噪声，仿真更加真实的电压信号；

S1-3：将电压信号的实部和虚部分离并向量化；

S1-4：傅里叶变换，将时域信号转换成频域信号；

S2：根据MPI系统矩阵重建算法，生成全采样MPI图像；

S3：对步骤S1得到的频域信号和步骤S2得到的图像实施归一化，得到

具体过程为：

其中，SIG为MPI欠采样电压信号，

其中，IMG为全采样MPI图像，

S4：生成深度神经网络；

以

S4-1：获取初始深度神经网络模型及训练数据集，其中，训练数据集是步骤S3得到的

S4-2：通过两个全连接层进行域变换，实现MPI欠采样电压信号到全采样MPI图像的映射；

S4-3：通过后处理层进行图像增强，获得更精确的MPI图像重建；

S4-4：基于步骤S3的

S4-5：基于神经网络损失值loss更新神经网络参数，直至神经网络产生误差小于设定阈值的图像即完成训练。

S5：图像重建；

对任意MPI欠采样电压信号，进行图像重建，将电压信号进行傅里叶变换后，输入步骤S4预训练的深度神经网络中，得到未知磁纳米粒子浓度的重建结果。

在一些实施方式中，神经网络损失值loss的计算为均方差MSE、结构相似度SSIM或峰值信噪比PSN。

在一些实施方式中，步骤S4-3中的后处理层包括两个子卷积网络，一个子卷积网络包括卷积层、池化层和反卷积层，另一个子卷积网络由卷积层和反卷积层构成。

为了方便理解本发明的上述技术方案，以下通过具体实施例对本发明的上述技术方案进行详细说明。

为了验证本发明提出的基于多尺度神经网络的MPI图像重建的有效性，首先在仿真系统中仿真电压信号，然后使用深度神经网络进行图像重建，并进行了仿真实验,具体过程如下：

仿真系统：首先定义系统参数，包括玻尔兹曼常数1.3806488e-23，真空磁导率4×π×1e-7，粒子直径20nm,二维视场尺寸为20x20mm，电压信号的仿真是基于顺磁性的朗之万模型，场强梯度设置为3T/m，模拟笛卡尔轨迹。

在仿真欠采样电压信号时，为了减少采集时间，降低采样频率，使得采样频率不满足奈奎斯特采样定理，在此条件下，获得欠采样电压信号。

此外，在实际采集到的电压信号中存在系统噪声，为了生成与实际的MPI图像有相同规律和性质的仿真数据集，说明网络的鲁棒性，在仿真电压信号过程中加入30dB的高斯白噪声。

获得对应图像域的目标图像时，场强梯度设置为6T/m，提高采样频率，使得采样频率满足奈奎斯特采样定理，将全采样电压信号使用系统矩阵重建算法重建为清晰图像，其他参数保持不变。

网络架构：网络由全连接层和后处理层组成，其中，全连接层进行域变换，从信号域转到图像域；后处理层主要用来恢复图像质量，后处理层包含两个子网络，两个子网络都采用了卷积反卷积结构。

在子网络后面接了卷积层进一步提高网络恢复图像质量的性能。

在模型设计方面，将网络卷积层，反卷积层，残差学习，线性单元和池化层整合到网络中，一个子网络不包含池化层，不损失MPI图像的有用信息，另一个子网络包含池化层，提取重要信息同时删除无用的信息,因为全连接层的输出图像存在大量的伪影,因此添加池化层可以消除伪影。在子网络后经过卷积层将双通道融合为单通道网络以提高性能，得到清晰的MPI重建图像。

在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。