赵地 赵莉芝 甘永进 覃斌毅

1) (玉林师范学院,广西高校复杂系统优化与大数据处理重点实验室,玉林 537000)

2) (中央民族大学信息工程学院,北京 100081)

3) (玉林师范学院物理与电信工程学院,玉林 537000)

基于深度学习的磁共振成像(magnetic resonance imaging,MRI)方法需要大规模、高质量的病患数据样本集进行预训练.然而,由于病患隐私及设备等因素限制,获取大规模、高质量的磁共振数据集在实际临床应用中面临挑战.本文提出一种新的基于深度学习的欠采样磁共振图像重建方法,该方法无需预训练、不依赖训练数据集,而是充分利用待重建的目标MR 图像的结构先验和支撑先验,并将其引入深度图像先验(deep image prior,DIP)框架,从而削减对训练数据集的依赖,提升学习效率.基于参考图像与目标图像的相似性,采用高分辨率参考图像作为深度网络输入,将结构先验信息引入网络;将参考图像在小波域中幅值大的系数索引集作为目标图像的已知支撑集,构造正则化约束项,将网络训练转化为网络参数的最优化求解过程.实验结果表明,本文方法可由欠采样k 空间数据重建得到更精确的磁共振图像,且在保留组织特征、细节纹理方面具有明显优势.

1 引言

磁共振成像(magnetic resonance imaging,MRI)是一种非入侵性成像技术,可为临床诊断提供结构、功能及解剖信息.MR 成像时间与k空间采样数据量直接相关,高质量成像需大量k空间采样数据,导致数据采集时间长,严重制约了MRI临床吞吐量和成像质量.为加速MR 成像,可通过……