基于深度卷积神经网络的快速磁共振成像方法研究

Magnetic resonance imaging (MRI) is an important tool for clinical diagnosis and scientific research. However, its low scanning speed severely impedes the application of its advanced imaging techniques to clinics. Partial K-space imaging is an essential technique for fast MR imaging, which accelerates MR scan by reducing the measurements and constraining the reconstruction model with prior knowledge. Nevertheless, existing methods are still limited in exploring the prior knowledge. To address this issue, we propose to investigate deep convolutional neural network (CNN) for partial K-space magnetic resonance imaging. We plan to construct a complex-valued magnetic resonance image database; design and train a four-channel deep convolutional neural network; utilize the learned prior information for fast online imaging; and furthermore develop undersampling sequences to achieve partial K-space sampling. We will figure out how offline MRI datasets and undersampling trajectory affect the abstraction and mapping capability of the CNN and other key scientific problems. It is expected that this project can further enrich fast magnetic resonance imaging theory, promote new developments in MRI, and open up more promising and broader application prospects.

磁共振成像是一种重要的科学研究和临床诊断工具。然而，成像速度慢严重限制了它的许多高级成像技术的临床应用。部分K空间数据成像通过减少采集的数据量并利用先验知识约束重建模型来加速磁共振扫描，是提升磁共振成像速度的重要研究方向，但现存方法开发有效先验仍有局限性。针对这一问题，本项目计划开展基于深度卷积神经网络的部分K空间数据磁共振成像方法研究。拟建立磁共振复数离线数据库；设计并训练四通道深度卷积神经网络；利用离线学到的有效先验（即深度卷积神经网络）辅助线上精准的部分K空间数据磁共振重建，进一步开发实现欠采样序列。阐明磁共振离线数据库及欠采样轨迹与深度卷积神经网络表达抽象能力的相互作用机制等核心科学问题。项目的成果有望为发展快速磁共振成像提供新技术，丰富快速磁共振成像理论及其生物医学应用价值。

磁共振成像是一种重要的临床影像诊断和科学研究工具，然而，扫描时间长严重限制了许多高级磁共振成像技术的应用。传统的部分K空间数据成像通过减少采集数据量并利用先验知识约束重建模型来加速磁共振扫描，是提升磁共振成像速度的重要研究方向，但这类方法开发有效先验仍有局限性，在高倍加速时重建效果不理想。针对该问题，本项目开展了基于深度学习与传统方法相结合的快速磁共振成像研究，主要研究内容分成像和图像分析两方面，在成像方向有：基于特征细化和无校准的并行磁共振成像方法研究、基于复数残差网络学习的并行磁共振成像研究、基于深度学习的血管壁磁共振成像研究、基于模型的深度学习快速磁共振成像研究、基于多监督训练的动态磁共振加速成像方法研究。提出了一种无校准并行磁共振成像的联合稀疏编码学习方法、面向特征细化的压缩感知并行磁共振成像理论框架、基于模型的深度学习并行磁共振成像研究方法、一种多监督训练的心脏动态电影磁共振重建方法、一种复数卷积网络的快速成像方法，所提出的各类图像重建方法相比传统压缩感知及当前其他深度学习方法能在更短的时间内能获得更高质量的结果。在图像分析方向有：基于卷积神经网络的乳腺肿瘤分类和分割影像组学研究、基于卷积神经网络的乳腺密度分级影像组学研究、基于深度学习的乳腺肿块分割及脑卒中病变区域分割研究、基于影像组学和深度学习方法的脑胶质瘤分级研究，提出了一种维度融合U型网络、X-Net网络结构、多尺度深度融合神经网络、跨层融合和上下文推理网络、有监督的主辅模态信息融合处理方法、注意力引导的密集上采样不对称编码网络等，所提出的各类图像分类、分割方法均取得了比现有方法更好的效果。此外，本项目构建了磁共振成像单通道、多通道数据库以及心脏动态成像数据库，乳腺癌钼靶、超声数据库，脑中风病变区域磁共振成像数据库。本项目研究丰富了快速磁共振成像理论，有助于推动人工智能快速磁共振成像与分析技术的进步及临床深入应用。