基于深度学习的磁共振CEST图像重建方法、装置及设备

基于深度学习的磁共振cest图像重建方法、装置及设备
技术领域
1.本发明属于磁共振成像领域，特别是涉及结合深度神经网络和并行成像重建的快速化学交换饱和转移成像技术。


背景技术：

2.化学交换饱和转移(chemical exchange saturation transfer,cest)成像通过对特定内源性质子的选择性饱和，并利用水质子和内源性质子相互交换的现象，积累和放大内源性质子产生的磁共振(magnetic resonance,mr)信号，因此能从分子水平灵敏地探测到活体内低浓度代谢物质的空间分布，实现对代谢产物和ph等重要生理参数的成像。目前，cest成像技术在多种疾病的诊断和治疗方面展现出巨大潜力，例如酰胺质子转移(amide proton transfer,apt)技术已被用于肿瘤诊断，谷氨酸化学交换饱和转移技术被用于癫痫诊断，糖胺聚糖化学交换饱和转移技术被用于骨关节炎症诊断等。
3.然而，cest成像信息的高丰富度是以较长的成像时间为代价的，为保证cest成像的质量和可靠性，往往需要在较大的饱和偏移频率范围内采集多帧图像。因此，尽管cest成像具有很好的应用前景，但成像时间长的弊端严重制约了它的发展和临床推广。
4.为解决上述问题，以变加速敏感度编码(vsense)为代表的并行成像方法被用于加速cest成像，此类方法通过利用多通道线圈的空间灵敏度差异，有效缩减了cest成像时间，但其图像重建质量易受到噪声放大等因素的影响，可实现的加速倍数有限；基于图像稀疏性的压缩感知(cs)重建方法减少了cest图像中的噪声，但此类方法在图像重建环节需经历耗时的非线性迭代过程，且重建出的图像常出现细节信息丢失的情况，这些弊端限制了cs算法在cest成像领域的应用；近年来，基于cest-propeller欠采样的深度学习算法被用于加速cest成像，但通过该方法只能得到cest对比度图，难以满足cest实际的定量分析需求。
5.此外，不同频率cest源图像包含的结构信息具有高度相似性，而上述现有的图像重建算法均未能充分发掘和利用频率维度的冗余信息。因此，如何在保证图像质量和重建效率的前提下充分利用数据自身的冗余信息、实现更快速的cest成像依然是亟待解决的问题。


技术实现要素：

6.本发明目的在于提供一种成像时间短、重建效果好且具备较高临床及商业价值的磁共振cest图像重建方法、装置、介质及设备，用于解决cest成像时间长的问题。
7.本发明所采用的具体技术方案如下：
8.第一方面，本发明提供了一种基于深度学习的磁共振cest图像重建方法，其包括：
9.s1、针对待进行磁共振cest成像的目标对象，获取目标对象的多通道欠采样k空间数据以及对应的线圈灵敏度图；所述多通道欠采样k空间数据由采集到的所有cest饱和偏移频率下的欠采样k空间数据帧组成；
10.s2、获取经过训练的深度神经网络；所述深度神经网络的输入为多通道欠采样k空
间数据以及对应的线圈灵敏度图，输出为网络重建的cest源图像；
11.s3、将s1中获取的多通道欠采样k空间数据和对应的线圈灵敏度图输入所述经过训练的深度神经网络中，得到重建后的cest源图像。
12.作为上述第一方面的优选，所述s2中的深度神经网络由一个数据共享模块和级联于数据共享模块之后的若干个迭代模块构成；
13.其中，所述数据共享模块针对输入的各帧欠采样k空间数据中的缺失部分，利用相邻帧欠采样k空间数据对应位置的有值数据进行填充，得到经填充的k空间数据，之后再对经填充的k空间数据进行傅里叶逆变换和多通道合并，将所得混叠图像作为该模块的输出s1；
14.各迭代模块具有相同的结构，任意第k个迭代模块的输入包括上一个级联模块的输出sk、所述多通道欠采样k空间数据以及所述线圈灵敏度图，其输出s
k 1
为：
[0015][0016]
式中：k＝1,
…
k；γk为网络可学习的权重系数；编码算子e＝mfc，其中m表示k空间欠采样掩膜矩阵，f表示傅里叶编码矩阵，c表示网络输入中的线圈灵敏度图矩阵；e
*
表示e的伴随矩阵；y表示网络输入中的多通道欠采样k空间数据；和分别表示第k个迭代模块中第i组可学习的三维卷积核和三维反卷积核；为分布在和之间的可学习的激活函数。
[0017]
作为上述第一方面的优选，所述s2中，深度神经网络预先采用仿真生成的多通道cest数据集进行训练，所述仿真生成的多通道cest数据集的获取方法如下：
[0018]
s11、获取多通道mr结构像数据集，并对其中各mr结构像进行数据预处理，得到尺寸统一的多通道mr结构像以及对应的经通道合并的合并mr结构像；同时，建立基于包括水分子池、酰胺质子池在内的多池bloch-mcconnell数学模型，通过在相应预设范围内对模型参数的取值进行遍历，经数值仿真生成包含大量z谱的z谱集，其中每个z谱涵盖n
ω
个频点；
[0019]
s12、利用s11中获取的每张合并mr结构像，通过图像分割分别生成肿瘤区域和非肿瘤区域的二值化掩膜，接着向两类掩膜中加入不同的随机弱纹理，融合形成一张纹理化掩膜；
[0020]
s13、遍历s12中获取的每张所述纹理化掩膜中的各像素，依据预先构建的像素灰度值与酰胺质子池溶质浓度之间的映射关系表，从s11中生成的z谱集里检索到与该像素灰度值对应的z谱，并将z谱与对应像素进行配对，每张纹理化掩膜中所有像素的配对z谱对应构成一张三维的z谱匹配图；
[0021]
s14、针对s11中获取的每张多通道mr结构像，将其中的每个通道图像按z谱的维度数n
ω
复制n
ω
层并堆叠，再将各堆叠后的通道图像分别与s13中获取的对应z谱匹配图进行点乘运算形成每个通道对应的cest源图像，最终每张多通道mr结构像对应得到一组多通道cest源图像，多通道cest源图像经过通道合并形成全采样cest源图像；
[0022]
s15、针对每组所述的多通道cest源图像，通过傅里叶变换得到对应多通道全采样k空间数据，使用预先生成的k空间欠采样掩膜对所述多通道全采样的k空间数据进行欠采样，得到多通道欠采样k空间数据；同时根据欠采样k空间数据计算对应的线圈灵敏度图；
[0023]
s16、上述每组多通道欠采样k空间数据、相应的线圈灵敏度图以及相应的全采样
cest源图像共同构成仿真生成的多通道cest数据集中的一个样本。
[0024]
作为上述第一方面的优选，所述可学习的激活函数由nw个高斯径向基函数加权组合得到，其中第k个迭代模块中的第i个激活函数的形式为：
[0025][0026]
其中，z表示激活函数的输入，固定参数δj和σ用于控制各基函数形状；各基函数的组合权重设置为可学习参数，i＝1,
…nv
，j＝1,
…nw
。
[0027]
作为上述第一方面的优选，所述深度神经网络训练期间使用的损失函数为：
[0028][0029]
其中表示网络所有可学习参数集合，dk表示第k个迭代模块中的卷积核权重系数集合，n用于对训练集样本进行计数，nn为训练集中训练样本总量；表示由深度神经网络输出的第n组cest源图像，sn表示第n组全采样cest源图像标签；表示基于计算出的第m个偏移频率对应的磁化转移率不对称效应强度谱，表示基于sn计算出的第m个偏移频率对应的磁化转移率不对称效应强度谱，nm为正负频率对总数；μ(e)表示与网络训练轮数e相关的权重系数。
[0030]
作为上述第一方面的优选，所述数据共享模块中，对于任意一欠采样k空间数据帧，遍历该帧中的所有缺失数据点，判断每一个缺失数据点在相邻帧同一位置是否存在有值数据，若存在，则将有值数据填充至该缺失数据点中，若不存在则不进行填充补全。
[0031]
作为上述第一方面的优选，所述s1中的线圈灵敏度图直接采集得到，或利用所述多通道欠采样k空间数据计算得到。
[0032]
第二方面，本发明提供了一种基于深度学习的磁共振cest图像重建数据处理装置，其包括存储器和处理器；
[0033]
所述存储器，用于存储计算机程序；
[0034]
所述处理器，用于当执行所述计算机程序时，实现如第一方面任一项方案所述的基于深度学习的磁共振cest图像重建方法。
[0035]
第三方面，本发明提供了一种计算机可读存储装置，所述存储装置上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项方案所述的基于深度学习的磁共振cest图像重建方法。
[0036]
第四方面，本发明提供了一种磁共振成像设备，其包括磁共振扫描器以及控制单元；
[0037]
所述磁共振扫描器用于通过并行成像方法，得到目标对象的cest多通道欠采样k空间数据；
[0038]
所述控制单元中存储有计算机程序，当所述计算机程序被执行时，用于实现如第一方面任一项方案所述的基于深度学习的磁共振cest图像重建方法。
[0039]
本发明相对于现有技术而言，具有以下有益效果：
[0040]
(1)本发明结合了深度学习算法和并行成像算法，一方面，借助神经网络先验和多
通道空间灵敏度差异信息，相较于现有方法，可在保证图像质量的前提下显著提高的cest成像速度，实现对cest成像至少4倍的提速；另一方面，本发明可以被直接用于重建临床采集的多通道cest源图像，具备良好的临床与商业推广潜力。
[0041]
(2)本发明充分保证了重建结果的可靠性。由于本方法借助时-频卷积核提取和优化了cest频率维度的信息，并将cest效应的重建误差作为损失函数的一部分对模型训练加以约束，因此，本发明除了高质量地重建了图像的空间维度信息，还很好地重建了频率维度上以z谱为代表的cest特征，相较于现有方法，基于本发明的重建结果可以实现更可靠的cest分析。
[0042]
(3)本发明提出的多通道cest数据仿真方法，可以简便而有效地生成网络训练数据集，该方法提高了深度神经网络算法的泛化能力，并大幅降低了深度神经网络算法对大量训练数据采集的依赖程度，确保了算法的实用性。
附图说明
[0043]
图1为基于深度学习的磁共振cest图像重建方法的步骤流程图；
[0044]
图2为深度神经网络结构图；
[0045]
图3为多通道cest数据仿真流程图；
[0046]
图4为本发明实施例的整体实施流程图；
[0047]
图5为实施例中对一例脑肿瘤患者的aptw图像重建结果。其中图(a)从左至右分别为全采样aptw参考图像、grappa算法重建结果、bcs算法重建结果、vn算法重建结果以及本发明方法的重建结果，图(b)为该实验使用的k空间欠采样掩膜，其加速因子为4，图(c)从左至右分别为grappa算法、bcs算法、vn算法和本发明重建结果相对于全采样参考图像的误差图，以及对应的归一化均方根误差值(nrmse)。
[0048]
图6为实施例中对一例脑肿瘤患者3.5ppm源图像重建结果及cest分析结果。其中从左至右依次为加速因子r＝4时grappa算法重建结果、bcs算法重建结果、vn算法重建结果和本发明方法的重建结果；第一行为各算法重建出的脑肿瘤患者3.5ppm的源图像，第二行为各算法对3.5ppm源图像的重建误差图，第三行和第四行分别为基于各算法重建结果计算出的感兴趣区域的z谱和mtrasym谱，谱图中的实线代表参考值，虚线代表对应算法重建结果。图中的量化指标包括峰值信噪比(psnr)、归一化均方根误差值(nrmse)以及平均绝对值误差(mae)。
具体实施方式
[0049]
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
[0050]
如图1所示，作为本发明的一种较佳实现方式，提供了一种基于深度学习的快速磁共振cest图像重建方法，其包括以下步骤：
[0051]
s1、针对待进行磁共振cest成像的目标对象，获取目标对象的多通道欠采样k空间数据以及对应的线圈灵敏度图；所述多通道欠采样k空间数据由采集到的所有cest饱和偏移频率下的欠采样k空间数据帧组成。
[0052]
需要注意的是，在s1步骤中，对于目标对象的多通道欠采样k空间数据，其获取方
式可以是离线的，也可以是在线的。对于离线方式而言，仅需要从存储有这些数据的存储设备中读取这些数据即可；而对于在线方式而言，则需要利用磁共振成像设备来对目标对象进行cest成像扫描，进而获取到这些数据。
[0053]
需要说明的是，在s1步骤中，线圈灵敏度图可以直接采集得到，也可利用对应的多通道欠采样k空间数据计算得到，对此不作限制。
[0054]
需要说明的是，在s1步骤中，目标对象可以是任何能够通过磁共振cest成像的对象，例如患者的脑部。
[0055]
s2、获取经过训练的深度神经网络，用于对s1中得到的数据进行图像重建，进而实现快速多通道cest成像。
[0056]
在具体叙述深度神经网络的结构之前，先对其基本的理论进行简单介绍，以便于理解本发明中所涉及的深度神经网络的原理，具体如下：
[0057]
本发明所涉及的cest源图像重建问题可由下列优化模型描述：
[0058][0059]
其中为待求解的cest源图像，为实际获取的多通道欠采样k空间数据，n
x
和ny表示cest源图像空间尺寸，n
ω
表示cest饱和偏移频率总数，nc表示线圈的通道数；编码算子e＝mfc，m表示k空间欠采样掩膜矩阵，f表示傅里叶编码矩阵，c表示线圈灵敏度图；r为正则化项，λ为正则化权重系数。本发明使用的正则化为稀疏正则化的泛化形式，其具体构造为：
[0060][0061]
式中的d表示稀疏卷积核，φ表示非线性势函数，下标i用于不同稀疏卷积核以及势函数的计数，nv为稀疏卷积核或势函数的总数。
[0062]
上述式(1)可由梯度下降算法求解：
[0063][0064]
其中e
*
表示的伴随矩阵，表示稀疏卷积核d的转置，φi′
为激活函数(即势函数的一阶导数)，αk为第k次迭代的步长。
[0065]
上述(3)式中的正则化项权重系数λ由于可以被激活函数隐式学习，上式经整理可得到如下形式：
[0066][0067]
由此，基于上述理论，即可对深度神经网络的结构进行设计。
[0068]
具体而言，将(4)式展开为深度神经网络，如图2所示。整个深度神经网络由一个数据共享模块和k个迭代模块顺次级联构成。其中数据共享模块用于利用相邻帧之间的相关信息；随后的各迭代模块分别执行一次式(4)所示的梯度下降过程，共同实现对图像的迭代优化，最终实现对cest源图像的重建。
[0069]
针对整个深度神经网络而言，网络输入为磁共振cest成像目标的多通道欠采样k空间数据y以及对应的线圈灵敏度图c，输出为网络重建后的全采样cest源图像；其中，数据共享模块的输入为多通道欠采样k空间数据y，输出为经k空间数据共享的通道合并混叠图
像s1；数据共享模块的输出s1作为第一个迭代模块的输入之一，第一个迭代模块的输出s2作为第二个迭代模块的输入之一，依次类推，前一个迭代模块的输出作为后一个迭代模块的输入之一，最后一个迭代模块的输出s
k 1
作为整个网络的重建结果，即全采样cest源图像。需要注意的是，各迭代模块的输入除了前一个迭代模块的输出外，还有多通道欠采样k空间数据y以及对应的线圈灵敏度图c。
[0070]
下面对数据共享模块和迭代模块的作用及实施细节进行介绍：
[0071]
(1)数据共享模块的作用是对输入的各帧欠采样k空间数据中的缺失部分，利用相邻帧欠采样k空间数据对应位置的有值数据进行填充，得到经填充的k空间数据。在具体实现过程中，数据共享模块先针对任意一欠采样k空间数据帧，遍历该帧中的所有缺失数据点，判断每一个缺失数据点在相两邻帧对应位置是否存在有值数据：1)若相两邻帧对应位置均存在有值数据，则取两帧中有值数据的均值填充至该缺失数据点；2)若相邻两帧中有一帧对应位置均存在有值数据，则取相应帧有值数据填充至该缺失数据点；3)若均不存在有值数据，则不进行填充。
[0072]
需要注意的是，对于第一帧和最后一帧，只存在一个相邻帧，因此数据共享过程只与相邻的一帧进行。
[0073]
完成上述工作后，再对所得到的经填充的k空间数据进行傅里叶逆变换和多通道合并，将得到的通道合并的混叠图像作为数据共享模块的输出s1。
[0074]
(2)对于迭代模块，为了不失普遍性，下面以k(k＝1,
…
k)来指代任意一个迭代模块的编号。对于第k个迭代模块，其输入为前一个级联模块的输出sk、所述多通道欠采样k空间数据y以及所述线圈灵敏度图c，输出则记为s
k 1
，其执行的具体计算如公式(5)所示：
[0075][0076]
式中：γk为网络可学习的权重系数；编码算子e和其伴随矩阵e
*
的定义如前所述；e
*
表示e的伴随矩阵；y表示网络输入中的多通道欠采样k空间数据；和分别表示第k个迭代模块中第i组可学习的三维卷积核和三维反卷积核，为时-频卷积核，为时-频反卷积核；为分布在和之间的可学习的激活函数。
[0077]
需要说明的是，不同迭代模块中的di、φ
′i虽具有相同结构，但由于各迭代模块中可学习参数通常是不共享的，为此，式(5)在对可学习结构di、φ
′i加上了上标k，便于区分，即分别表示第k个迭代模块对应的di、φ
′i。
[0078]
需要注意的是，不同迭代模块的前一个级联模块是不同的，对于第k＝1个迭代模块而言，前一个级联模块为数据共享模块，但对于其他第k＝2,
…
k迭代模块而言，前一个级联模块为第k-1个迭代模块。
[0079]
此外，各迭代模块中的di、φ
′i、γk(i＝1,
…nv
)均为网络的可学习部分，具体形式如下：
[0080]
1)卷积核di和反卷积核
[0081]
为了同时实现对源图像空间维度和频率维度信息的提取和重建，本发明中卷积核di使用尺寸为n
x
×
ny×nω
的三维的时-频卷积核，即其中n
x
、ny和n
ω
分别
为卷积核尺寸参数，具体取值可根据实际进行优化。为重建复数源图像，di包含两个通道，分别用于处理源图像矩阵的实部和虚部数据。
[0082]
此外，反卷积核可直接采用di的转置实现，不再赘述。各迭代模块中均具有nv组卷积核di和反卷积核其中包含的所有卷积核的权重系数d设置为学习的。
[0083]
2)激活函数φ
′i(i＝1,
…nv
)：
[0084]
非线性激活函数φ
′i设置在卷积核di和反卷积核之间，用于促使图像信息在稀疏域的高效表达。实际地，φ
′i可由nw个高斯径向基函数加权组合得到，以第k个迭代模块中的第i(i＝1,
…nv
)个激活函数为例，其形式为：
[0085][0086]
其中z表示激活函数的输入，固定参数δj和σ用于控制各基函数形状；各基函数的组合权重设置为可学习参数。
[0087]
3)数据项权重系数γk：
[0088]
γk训练的初始值设为1，网络训练期间对其不加其他约束。
[0089]
至此，各迭代模块中执行的式(4)计算过程可用下列的参数化非线性映射f表示：
[0090]sk 1
＝fk(sk|θk),
ꢀꢀꢀꢀꢀꢀ
(7)
[0091]
其中sk和s
k 1
分别为第k个迭代模块fk的输入与输出，表示第k个迭代模块中包含的可训练参数(dk表示第k个迭代模块中的卷积核权重系数集合)。在此基础上，整个深度神经网络f的重建过程可表示为：
[0092][0093]
其中表示网络中所有可训练参数集合。
[0094]
在使用上述深度神经网络进行图像重建前，需要预先进行网络参数优化。网络参数优化的具体方式可参照深度神经网络的常规训练方法，即设置损失函数，并利用优化器对网络可训练参数集合θ进行优化，直至得到最优参数集合
[0095]
网络训练使用的损失函数可根据实际进行调整和优化，在本发明中提供的一种复合损失函数：
[0096][0097]
其中表示网络所有可学习参数集合，n用于对训练集样本进行计数，nn为训练集中训练样本总量；表示由深度神经网络输出的第n组cest源图像，sn表示第n组全采样cest源图像标签；表示基于计算出的第m个偏移频率对应的磁化转移率不对称效应强度谱，表示基于sn计算出的第m个偏移频率对应的磁化转移率不对称效应强度谱，nm为正负频率对总数；v(e)表示与网络训练轮数e相关的权重系数。
[0098]
当得到的最优网络参数集合后，即可通过含有该最优参数的网络，对实际欠采样
的cest源图像进行重建。
[0099]
s3、将s1中获取的目标对象的多通道欠采样数据y输入所述s2中经过训练的深度神经网络中，得到重建后的全采样cest源图像该过程可表示如下：
[0100][0101]
上述网络重建得到的全采样cest源图像，可根据实际需求做进一步的处理与cest分析。
[0102]
此外，上述深度神经网络的训练数据集需要大规模样本构建，该样本可以通过磁共振实验采集得到。然而，当前实际可用的cest多通道数据相对匮乏，通常难以满足网络的训练需求。针对此问题，本发明同时还提出了一种多通道cest训练数据集生成的方法，该方法利用易得的多通道mr结构像数据集，通过bloch-mcconnell模型的数值仿真得到多通道cest源图像数据，由此大幅降低了深度神经网络算法对大量训练数据采集的依赖程度，确保了算法的实用性。
[0103]
作为本发明的另一较佳实施方式中，上述深度神经网络预先采用仿真生成的多通道cest数据集进行训练。仿真过程如图3所示，具体步骤如下：
[0104]
s11、获取多通道mr结构像数据集，并对其中各mr结构像进行裁剪、缩放等必要的数据预处理，得到尺寸统一的多通道mr结构像(包含多张不同通道的通道图像)以及对应的经通道合并的合并mr结构像；同时，建立基于包括水分子池、酰胺质子池在内的多池bloch-mcconnell数学模型，通过在相应预设范围(每个模型参数的具体范围可根据实际进行设定)内对模型参数的取值进行遍历，每一组模型参数均可作为数值仿真的一组基础数据用于生成对应的z谱，由此经数值仿真生成包含大量z谱的z谱集，其中每个z谱涵盖n
ω
个频点；；
[0105]
s12、利用s11中获取的每张合并mr结构像，通过图像分割分别生成肿瘤区域和非肿瘤区域的二值化掩膜，接着向两类掩膜中加入不同的随机弱纹理，进而融合形成一张纹理化掩膜。
[0106]
需要说明的是，上述二值化掩膜的生成，可通过人工分割实现，也可以利用k-means等聚类算法自动实现。
[0107]
另外，上述随机弱纹理可来自于大量包含丰富信息的自然场景图像，亦可随机生成。但优选采用自然场景图像进行生成。随机弱纹理的具体生成方式如下：首先获取含有较丰富纹理特征的自然场景图像，并对图像统一进行灰度化处理，再将灰度化的自然场景图像进行平滑滤波处理，之后将其叠加至所述二值化掩膜中，形成纹理化掩膜。
[0108]
s13、遍历s12中获取的每张所述纹理化掩膜中的各像素，依据预先构建的像素灰度值与酰胺质子池溶质浓度之间的映射关系表，从s11中生成的z谱集里检索到与该像素灰度值对应的z谱，并将z谱与对应像素加以配对，纹理化掩膜中每一个像素均匹配一条z谱，由此每张纹理化掩膜中所有像素的配对z谱对应构成一张三维的z谱匹配图。
[0109]
s14、针对s11中获取的每张多通道mr结构像，将其中的每个通道图像按z谱的维度数n
ω
复制n
ω
层并堆叠，再将各堆叠后的通道图像与s13中获取的z谱匹配图进行点乘运算形成每个通道对应的cest源图像，最终每张多通道mr结构像对应得到一组多通道cest源图像，多通道cest源图像经过通道合并形成全采样cest源图像。
[0110]
需注意的是，由于多通道mr结构像以及合并mr结构像是成组匹配的，而每一张z谱
匹配图也对应于一张合并mr结构像，因此在s14步骤进行点乘运算时，需要取与这一组多通道mr结构像和合并mr结构像对应的z谱匹配图用于与堆叠后的通道图像进行点乘。
[0111]
s15、针对每组所述的多通道cest源图像，通过傅里叶变换得到对应多通道全采样k空间数据，使用预先生成的k空间欠采样掩膜对所述多通道全采样的k空间数据进行欠采样，得到多通道欠采样k空间数据；同时根据欠采样k空间数据计算对应的线圈灵敏度图；
[0112]
需要注意的是，为了在图像重建过程中充分利用cest频率维度的冗余信息，不同帧的k空间欠采样掩膜应存在欠采样模式的差异。未被采到的k空间部分使用0加以填充，由此模拟实际的k空间数据欠采样过程。
[0113]
s16、上述每组多通道欠采样k空间数据、相应的线圈灵敏度图以及相应的全采样cest源图像共同构成仿真生成的多通道cest数据集中的一个样本。
[0114]
下面基于上述s1～s3以及s11～s16所记载的方法，将其结合至具体实施例展示其具体的技术效果，以便本领域技术人员更好地理解本发明的实质。
[0115]
实施例
[0116]
下面将上述s1～s3所述的基于深度学习的快速磁共振cest图像重建方法，应用于一个具体实施例中，以展示其所能达到的技术效果。此外，为了说明所提出的多通道cest数据集仿真方法的有效性，本实施例使用按照s11～s16流程仿真生成的cest数据集训练网络。上述s1～s3以及s11～s16所记载方法的具体框架流程如前所述，本实施例中不再完全赘述，下面侧重展示各步骤的具体实现细节和技术效果。本实施例的完整流程如图4所示。
[0117]
1、数据准备
[0118]
1.1训练数据仿真
[0119]
1)预备工作：一方面，获取fastmri开源结构像数据集，并对其中每一张结构像进行裁剪、缩放等必要的预处理，得到尺寸统一的多通道mr结构像以及对应的经通道合并的合并mr结构像；另一方面，建立包含水质子池、酰胺质子池和磁化转移(magnetization transfer,mt)池的三池bloch-mcconnell模型，通过在预设范围内遍历仿真参数取值，经数值仿真生成包含大量z谱的z谱集，其中每个z谱涵盖-6～6ppm内的53个频点。
[0120]
2)肿瘤的识别、分割和纹理化掩膜生成：利用改进的k-means聚类算法，识别和分割1)中得到的各合并mr结构像中的肿瘤区域，分别生成肿瘤区域和非肿瘤区域的二值化掩膜，接着向两类掩膜中分别加入不同的随机弱纹理，得到纹理化掩膜。其中，纹理来自于大量包含丰富信息的自然场景图像。
[0121]
3)生成z谱匹配图：遍历每张所述纹理化掩膜中的各像素，依据预先构建的像素灰度值与酰胺质子池溶质浓度之间的映射关系表，从1)中生成z谱集里检索到与该像素灰度值对应的z谱，并将z谱与对应像素加以配对；每张纹理化掩膜中所有像素的z谱对应构成一张三维的z谱匹配图。
[0122]
4)生成多通道cest源图像：将1)中的每组多通道mr结构像作为未饱和图像(s0)，使用3)中生成的z谱匹配图对未饱和图像进行饱和调制，得到以-6～6ppm频率饱和后的多通道cest源图像。具体的饱和调制方式为：先将多通道mr结构像各通道图像按z谱的维度数n
ω
＝53复制和叠加为53层，之后再将各堆叠后的通道图像与和结构像对应的z谱匹配图进行逐点相乘(哈达玛积)运算。多通道cest源图像通过进行傅里叶变换，即可对应得到多通道全采样的k空间数据。
autocalibrating partially parallel acquisitions)算法、结合并行成像的bcs(blind compressed sensing)算法、以及未改进的vn(variational network)算法对相同的欠采样数据进行图像重建。
[0137]
此外，为消除b0场不均匀性的影响，使用wassr方法对各种算法重建出的cest源图像进行b0校正，之后通过式(11)计算aptw图像：
[0138][0139]
并以aptw图像为例，进行cest分析。
[0140]
4、结果分析
[0141]
图5展示了本算法对一例脑肿瘤患者cest图像的重建结果。该实验结果表明，同样在4倍欠采样模式下，相比较grappa、bcs和vn等先进图像重建算法，使用本重建算法可以达到明显更高的cest图像质量，重建出的图像与全采样图像之间差异极小。
[0142]
图6展示了本算法重建出的 3.5ppm处的cest源图像，以及基于重建结果计算出的感兴趣区域的z谱和mtrasym谱。该实验结果表明，相比较其余先进算法，本算法可以更好地重建出图像的细节信息，具有更强大的去除图像伪影能力，同时，本算法得到的z谱和mtrasym谱更接近参考情形，故基于本算法重建的源图像可以进行更可靠的cest分析。
[0143]
此外，实施例中使用仿真数据训练出的网络，可以实现对实采cest图像的高质量重建，其一表明本网络具有出色的泛化性能，其二也间接说明本发明提出的多通道cest数据集仿真方法的有效性，可以很好满足深度神经网络训练需求。
[0144]
同样的，基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于深度学习的磁共振cest图像重建方法对应的一种基于深度学习的磁共振cest成像数据处理装置，其包括存储器和处理器；
[0145]
所述存储器，用于存储计算机程序；
[0146]
所述处理器，用于当执行所述计算机程序时，实现如前述所述的基于深度学习的磁共振cest图像重建方法。
[0147]
同样的，基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于深度学习的磁共振cest图像重建方法对应的一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如前述所述的基于深度学习的磁共振cest图像重建方法。
[0148]
可以理解的是，上述存储介质可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。同时存储介质还可以是u盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。当然，随着云服务器的广泛应用，上述软件程序也可以搭载于云平台上，提供相应的服务，因此计算机可读存储介质并不限于本地硬件的形式。
[0149]
可以理解的是，上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signalprocessing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0150]
另外需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本技术所提供的各实施例中，所述的装置和方法中对于步骤或者模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或步骤可以结合或者可以集成到一起，一个模块或者步骤亦可进行拆分。
[0151]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0152]
同样的，基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于深度学习的磁共振cest图像重建方法对应的一种磁共振成像设备，其包括磁共振扫描器以及控制单元。其中：
[0153]
磁共振扫描器用于通过并行成像方法，得到目标对象在所有频率偏移下的k空间数据欠采样帧、k空间欠采样掩膜以及对应的线圈灵敏度图；
[0154]
而控制单元中存储有计算机程序，当所述计算机程序被执行时，用于实现如前述所述的基于深度学习的磁共振cest图像重建方法。
[0155]
需注意的是，磁共振成像设备可以是任意能够实现并行成像方法的磁共振扫描器，其结构属于现有技术，可采用成熟商用产品，具体型号不限。另外，磁共振成像设备的控制单元中除了存储有上述计算机程序之外，还应当具有实现cest成像所必要的成像序列以及其他软件程序。
[0156]
当然，上述控制单元可以是独立的控制单元，也可以是磁共振扫描器自带的控制单元，即上述基于深度学习的磁共振cest图像重建方法可以以数据处理程序的形式集成于磁共振成像设备的控制单元中，使得无需额外新增控制单元即可由磁共振扫描器直接输出重建结果。
[0157]
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。