一种基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建方法

技术领域

本发明涉及磁共振指纹成像技术领域，具体涉及一种基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建方法。

背景技术

磁共振指纹成像(Magnetic resonance fingerprinting，MRF)[1]是2013年提出的一种基于模式匹配的快速定量磁共振成像技术，可以在新型脉冲序列下实现多个组织参数同时定量成像，对于不同成像条件以及噪声干扰具有一定的鲁棒性，在欠采样数据采集方式下也可获得较好的成像效果。磁共振指纹成像技术可对多种组织参数进行快速定量成像，因此具有广泛的应用前景。磁共振指纹成像技术提出了全新的数据获取以及参数重构方法，主要包括数据获取、数据重建以及参数重构三个部分。首先，磁共振指纹成像采用伪随机变化的脉冲序列使得不同组织产生独特的响应信号，即组织磁共振指纹信号，同时，根据磁共振信号激发的布洛赫模型构建包含所有可能人体组织的理论磁共振信号的指纹字典，然后基于模式匹配方法，将采集的组织磁共振指纹信号与指纹字典中的条目进行匹配，实现多组织参数的同时定量成像。

为了实现高精度的多参数定量成像，需要构建高维磁共振指纹信号字典，字典维度由组织种类和磁共振指纹信号长度决定(组织指纹种类×指纹信号长度，～10

发明内容

本发明要解决的技术问题是：

本发明的目的是提供一种基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建方法，为了解决目前磁共振指纹成像中模式匹配算法存在的局限性问题，以及为了提高重建参数图的质量并缩短重建时间。

本发明为解决上述问题所采取的技术方案是：

(1)获取磁共振指纹k空间欠采样数据；

(2)从欠采样数据中重建时域磁共振指纹数据；

(3)构建基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建网络；

(4)利用已有数据训练网络，得到网络模型；

(5)将时域磁共振指纹数据输入训练好的网络，重建磁共振指纹图像。

进一步地，上述步骤(1)中利用磁共振成像设备采集磁共振指纹数据，为了加速数据采集，可应用远低于奈奎斯特采样定律的高倍欠采样技术，仅采集少量数据(5％～8％)进行定量成像，也就是说，为加速数据采集应用欠采样的数据采集方式进行数据采集，仅采集全部磁共振指纹数据(全部数据)的5％～8％进行定量成像，采集过程可由下式表示：

其中，

进一步地，上述步骤(2)中从欠采样数据中重建时域磁共振指纹数据，可利用特定的重建算法实现，一种简单的重建方法可以表示为：

其中，H表示埃尔米特伴随算子(Hermitian adjoint operator)；

进一步地，上述步骤(3)中本发明基于视觉变换器(vision transformer，VIT)[2]，提出了一种用于磁共振指纹参数重建的新型端到端神经网络，能够捕获磁共振指纹数据在时间和空间维度的局部和全局的相关特征。重建的时域的磁共振指纹数据首先按照一定大小划分为若干局部块，所有的局部数据块被并行送入局部变换器编码器以提取局部块内的时空相关特征，得到更低维的局部特征图。随后，局部块特征输入全局变换器编码器，捕获局部特征块之间的全局相关特征，得到全局特征图。最后，充分利用低维的局部和全局特征信息，从局部和全局特征中重建多个组织参数图。所提出的网络模型采用了分块并行的数据特征提取方案，能够从局部和全局两个层级充分捕获数据的相关特征，并避免高维数据伴随的高计算开销，实现快速的端到端参数重建。

进一步地，上述步骤(4)中利用预先构建的数据集训练构建的网络，以获得最佳的网络参数，用于后续磁共振指纹参数的快速精确重建。为保证网络的重建性能，使用的数据集包含的磁共振指纹数据应不少于150组，本发明在实验中使用了共计380组磁共振指纹数据。

进一步地，上述步骤(5)中将重建的时域磁共振指纹数据输入训练好的网络中，即可获得相应的参数图重建结果，该过程可表示为：

其中，f

一种基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建生系统，其特征在于：该系统具有与上述步骤对应的程序模块，运行时执行上述的基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建方法中的步骤。

一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现上述的基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建方法的步骤。

本发明具有以下有益技术效果：

本发明有效解决了目前磁共振指纹成像中现有模式匹配方法在较高的字典维度下匹配速度较慢，以及在高倍欠采样混叠伪影下匹配精度较低的问题。本发明包括以下步骤：(1)获取磁共振指纹k空间欠采样数据；(2)从欠采样数据中重建时域磁共振指纹数据；(3)构建基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建网络；(4)利用已有数据训练网络，得到网络模型；(5)将时域磁共振指纹数据输入训练好的网络，重建磁共振指纹图像。本发明可在同等条件下重建高质量的磁共振指纹图像，并大幅缩短重建时间。本发明是一种深度学习理论下的基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建方法。本发明提供的基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建方法能够快速的重建高质量的磁共振指纹参数图。本发明所提出的算法计算效率较高，可以方便的使用GPU进行加速，是一种高效的算法。实验表明，与现有最先进的基于深度学习的方法相比，本发明能够显著的提高重建参数图的质量并大幅度的缩短算法重建时间。

附图说明

图1为本发明方法流程图；

图2为本发明所提出网络的整体结构示意图(本发明所提出的基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建网络的整体结构示意图)；

图3为本发明方法与其它目前先进方法的重建结果对比图，图中：第一行和第三行分别显示了各方法重建的纵向弛豫时间(T1)和横向弛豫时间(T2)参数图，第二行和第四行显示了与一、三行相对应的归一化均方误差(Normalized Mean Square Error，NMSE)误差图。

具体实施方式

下面结合附图和实例对本发明进行详细说明。

本发明方法流程图参见图1，具体实施步骤如下：

(1)获取磁共振指纹k空间欠采样数据；

(2)从欠采样数据中重建时域磁共振指纹数据；

(3)构建基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建网络；

(4)利用已有数据训练网络，得到网络模型；

(5)将时域磁共振指纹数据输入训练好的网络，重建磁共振指纹图像。

上述步骤(1)按照如下方式进行：

利用磁共振成像设备采集磁共振指纹数据，为了加速数据采集，可应用远低于奈奎斯特采样定律的高倍欠采样技术，仅采集少量数据(5％～8％)进行定量成像，采集过程可由下式表示：

其中，

上述步骤(2)按照如下方式进行：

从欠采样数据中重建时域磁共振指纹数据，可利用特定的重建算法实现，一种简单的重建方法可以表示为：

其中，H表示埃尔米特伴随算子(Hermitian adjoint operator)

上述步骤(3)按照如下方式进行：

本发明基于视觉变换器(vision transformer，VIT)，提出了一种用于磁共振指纹参数重建的新型端到端神经网络，能够捕获磁共振指纹数据在时间和空间维度的局部和全局的相关特征。图1展示了所提出的基于视觉变换器以及局部和全局关联特征的磁共振指纹参数重建网络的示意图。重建的时域的磁共振指纹数据首先按照一定大小划分为若干局部块，所有的局部数据块被并行送入局部变换器编码器以提取局部块内的时空相关特征，得到更低维的局部特征图。随后，局部块特征输入全局变换器编码器，捕获局部特征块之间的全局相关特征，得到全局特征图。最后，充分利用低维的局部和全局特征信息，从局部和全局特征中重建多个组织参数图。所提出的网络模型采用了分块并行的数据特征提取方案，能够从局部和全局两个层级充分捕获数据的相关特征，并避免高维数据伴随的高计算开销，实现快速的端到端参数重建。

上述步骤(4)按照如下方式进行：

构建的网络可以利用预先构建的数据集进行训练，以获得最佳的网络参数，用于后续磁共振指纹参数的快速精确重建。为保证网络的重建性能，使用的数据集包含的磁共振指纹数据应不少于150组，本发明在实验中使用了共计380组磁共振指纹数据。

上述步骤(5)按照如下方式进行：

将重建的时域磁共振指纹数据输入训练好的网络中，即可获得相应的参数图重建结果，该过程可表示为：

其中，f

为了定量评估本发明所提出方法的性能，实验中采用了归一化均方误差(Normalized Mean Square Error，NMSE)定量评价指标，评估重建参数图的精度，NMSE定义如下：

其中，m

图3展示了本发明方法与其它目前先进深度学习方法的重建结果对比图。从左到右每一列分别对应的是真值图以及由Drone[3]、SCQ[4]、CONV-ICA[5]和本发明所提出方法重建的参数图。第一行和第三行分别显示了各方法重建的纵向弛豫时间(T1)和横向弛豫时间(T2)参数图，第二行和第四行显示了与一、三行相对应的归一化均方误差(NormalizedMean Square Error，NMSE)误差图。从图中可以看出利用本发明所提出方法进行磁共振指纹参数重建，能够获得精度最高的组织参数图，显著改善了重建参数图的质量。

表1列举了本发明方法于其它目前先进深度学习方法的重建量化对比结果，包括重建参数图的归一化均方误差以及重建所用时间。定量对比结果显示，与现有的基于深度学习的方法相比，本发明能够显著的提高重建参数图的精度并大幅度的缩短算法重建时间。

表格1不同方法在测试数据集上的定量比较结果

表1列举了本发明方法于其它目前先进方法的重建量化对比结果，包括重建参数图的归一化均方误差以及重建所用时间。

本发明中援引的参考文献：

[1]D.Ma,V.Gulani,N.Seiberlich,and et al.,“Magnetic resonancefingerprinting,”Nature,vol.495,no.7440,pp.187–192.

[2]Kai Han,Yunhe Wang,and et al.,“A survey on vision transformer,”IEEE transactions onpattern analysis and machine intelligence,2022.

[3]Ouri Cohen,Bo Zhu,and et al.,“MR fingerprinting deepreconstruction network(DRONE),”Magnetic resonance in medicine,vol.80,no.3,pp.885–894,2018.

[4]Z.Fang,Y.Chen,and et al.,“Deep learning for fast and spatiallyconstrained tissuequantification from highly accelerated data in magneticresonance fingerprinting,”IEEEtransactions on medical imaging,vol.38,no.10,pp.2364–2374,2019.

Refik Soyak,Ebru Navruz,and et al.,“Channel Attention Networks forRobust MRFingerprint Matching,”IEEE Transactions on Biomedical Engineering,vol.69,no.4,pp.1398–1405,2021.