本發(fā)明涉及一種基于tc-kanrecon模型的加速高質(zhì)量mri圖像重建方法，屬于圖像恢復(fù)與重建。

背景技術(shù)：

1、磁共振成像(magnetic?resonance?imaging,mri)是一種先進(jìn)的醫(yī)學(xué)成像技術(shù)，以其高分辨率和多種對比機(jī)制在臨床診斷和研究中占據(jù)重要地位。mri能夠提供精確的解剖結(jié)構(gòu)和功能信息，使其成為診斷神經(jīng)系統(tǒng)疾病、心血管疾病以及癌癥的重要工具。與其他成像方式相比，mri具有無輻射、高軟組織對比度等顯著優(yōu)點(diǎn)，這使得其在神經(jīng)影像學(xué)、心臟影像學(xué)和腫瘤學(xué)等領(lǐng)域的應(yīng)用越來越廣泛。然而，mri的應(yīng)用也面臨諸多挑戰(zhàn)，特別是其較長的采集時間，這不僅增加了患者的不適感，還限制了機(jī)器的使用效率。較長的掃描時間可能導(dǎo)致患者在檢查過程中難以保持靜止，從而產(chǎn)生運(yùn)動偽影，影響圖像質(zhì)量。這一問題在老年人和兒童中尤為突出，因其更難以長時間保持不動。此外，長時間的掃描也增加了醫(yī)療成本，降低了設(shè)備的周轉(zhuǎn)效率。因此，為了提高mri的效率，研究人員不斷探索加速mri采集和重建的方法，以期在保持圖像質(zhì)量的同時，縮短掃描時間。

2、傳統(tǒng)mri的采集過程緩慢，主要是由于完整采集k空間數(shù)據(jù)需要較長的時間。k空間是mri圖像的頻域表示，通過對k空間數(shù)據(jù)進(jìn)行逆傅里葉變換可以得到最終的圖像。為了獲得高質(zhì)量的圖像，通常需要對整個k空間進(jìn)行全面采集，這導(dǎo)致了掃描時間的延長。這種延長的采集時間不僅給患者帶來負(fù)擔(dān)，還可能因為患者的運(yùn)動導(dǎo)致圖像偽影，降低診斷的準(zhǔn)確性。為了解決這一問題，欠采樣k空間數(shù)據(jù)成為一種常用的加速手段。該方法通過對k空間的信號進(jìn)行欠采樣，并通過后重建算法來恢復(fù)信號。

3、雖然欠采樣通過減少采集的數(shù)據(jù)量縮短了掃描時間，但其違反了nyquist-shannon采樣定理，容易引入混疊偽影。為了在欠采樣情況下仍能獲得高質(zhì)量的圖像，研究人員提出了壓縮感知(compressed?sensing,cs)技術(shù)。cs通過將圖像重建表述為優(yōu)化問題，并引入稀疏性和不相干性的假設(shè)，有效地緩解了欠采樣帶來的混疊偽影。

4、盡管cs技術(shù)在一定程度上改善了欠采樣帶來的問題，但其復(fù)雜性和局限性限制了其廣泛應(yīng)用。cs算法通常需要進(jìn)行多次迭代計算，這不僅增加了計算時間，還對計算資源提出了較高要求。此外，cs方法在超參數(shù)的選擇上高度依賴經(jīng)驗，且不同掃描條件下需要進(jìn)行個性化調(diào)整，增加了應(yīng)用難度。為了進(jìn)一步提升mri的加速能力，研究人員探索了其他方法，如低秩約束、自適應(yīng)稀疏建模和并行成像技術(shù)。這些方法通過不同的技術(shù)手段提高圖像重建的質(zhì)量和速度，但在高加速因子下仍然存在混疊偽影問題。并行成像技術(shù)通過同時使用多個接收線圈采集信號，可以在一定程度上提高采集速度和圖像質(zhì)量。然而，并行成像的效果依賴于線圈的配置和成像參數(shù)的選擇，同樣需要經(jīng)驗豐富的操作人員進(jìn)行調(diào)試。

5、近年來，人工智能技術(shù)在磁共振成像領(lǐng)域的引入，為mri加速和重建帶來了新的希望。通過訓(xùn)練深度學(xué)習(xí)模型，研究人員能夠在欠采樣的k空間數(shù)據(jù)基礎(chǔ)上，實現(xiàn)高質(zhì)量的圖像重建。深度學(xué)習(xí)模型通過學(xué)習(xí)大量的樣本數(shù)據(jù)，可以自動提取特征和優(yōu)化參數(shù)，大大減少了人工調(diào)參的復(fù)雜性。同時，深度學(xué)習(xí)方法可以在短時間內(nèi)完成圖像重建，顯著縮短了重建時間。然而，盡管現(xiàn)有方法如擴(kuò)散模型在一定程度上推動了圖像重建技術(shù)的進(jìn)步，但它們常面臨噪聲敏感、結(jié)構(gòu)信息保持不足以及魯棒性不強(qiáng)等問題。

6、總的來說，目前在技術(shù)上的問題如下所示：

7、1)偽影與噪聲抑制：mri圖像中常出現(xiàn)的偽影(如運(yùn)動偽影、金屬偽影、化學(xué)位移偽影等)和噪聲嚴(yán)重影響了圖像質(zhì)量，而現(xiàn)有的重建技術(shù)往往難以有效抑制這些不利因素。2)重建速度與計算復(fù)雜度：高質(zhì)量的mri重建通常需要較長的計算時間和復(fù)雜的算法，這限制了其在需要快速成像的場景(如緊急醫(yī)療情況)中的應(yīng)用。如何在保證圖像質(zhì)量的同時提高重建速度是一個亟待解決的問題。3)細(xì)節(jié)保留與分辨率提升：mri圖像的分辨率和細(xì)節(jié)保留對于精確診斷至關(guān)重要。然而，現(xiàn)有的重建技術(shù)有時難以在減少噪聲和偽影的同時，保持或提升圖像的細(xì)節(jié)和分辨率。4)模型的魯棒性與穩(wěn)定性：mri重建模型在面對不同噪聲水平、掃描參數(shù)變化或患者特定條件時，需要表現(xiàn)出良好的魯棒性和穩(wěn)定性，以確保重建結(jié)果的可靠性和一致性。5)患者安全與舒適度：mri掃描過程中，患者需長時間保持靜止，且可能受到磁場和射頻輻射的影響。如何在保證圖像質(zhì)量的同時，提高患者的舒適度和安全性，也是mri重建技術(shù)需要考慮的問題之一。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有研究的不足，本發(fā)明提供了一種基于tc-kanrecon模型的加速高質(zhì)量mri圖像重建方法，其包含mf-ukan框架及其配套的噪聲裁剪策略。該方法通過輸入欠采樣的k空間數(shù)據(jù)，自動生成高分辨率、高清晰度和具有紋理細(xì)節(jié)的mri圖像。

2、一種基于tc-kanrecon模型的加速高質(zhì)量mri圖像重建方法，包括如下步驟：

3、步驟一、收集圖像數(shù)據(jù)并預(yù)處理；

4、s1.1、我們所用的數(shù)據(jù)集來自兩個公開數(shù)據(jù)集，分別是fastmri數(shù)據(jù)集和skm-tea數(shù)據(jù)集。

5、1)fastmri數(shù)據(jù)集包含了膝蓋，腦部，前列腺，胸部數(shù)據(jù)的原始k空間數(shù)據(jù)以及dicom圖像數(shù)據(jù)。我們采用了其中的單線圈膝蓋數(shù)據(jù)集，包括了1172名受試者，每名受試者約有35張切片，其中973名受試者(約34055張切片)數(shù)據(jù)用于訓(xùn)練，199名受試者(約6965張切片)用于評估。

6、2)skm-tea數(shù)據(jù)集是來自155名患者在兩臺tesla(3t)ge?mr750掃描儀下掃描生成的dicom圖像數(shù)據(jù)，我們使用了在其中挑選出的單線圈數(shù)據(jù)，包括了515名受試者，每名受試者約有160張切片，其中129名受試者(約20640張切片)數(shù)據(jù)用于訓(xùn)練，26名受試者(約4160張切片)數(shù)據(jù)用于評估。

7、s1.2、關(guān)于數(shù)據(jù)預(yù)處理，在訓(xùn)練之前我們將所使用的數(shù)據(jù)全部統(tǒng)一中心裁剪為256*256大小。

8、步驟二、搭建基于tc-kanrecon模型的加速高質(zhì)量mri圖像重建模型，所述基于tc-kanrecon模型的加速高質(zhì)量mri圖像重建方法的模型總體框架主要包括三個關(guān)鍵組件：一個用于編碼和解碼圖像數(shù)據(jù)以降低計算力的變分自編碼器(variational?auto-enconder，vae)模塊，一個用于接收條件圖像以增強(qiáng)圖像定向生成的條件編碼器模塊mc-model，以及一個集成kan網(wǎng)絡(luò)和mf?model模塊以更好地預(yù)測噪聲的擴(kuò)散骨干mf-ukan。

9、其中的mf-ukan集成了kan網(wǎng)絡(luò)和mfmodel模塊，其能夠平衡噪聲消除與圖像結(jié)構(gòu)信息保存之間的關(guān)系，大大提高了重建圖像中結(jié)構(gòu)信息和細(xì)節(jié)特征的保存性。其核心思想是用kan網(wǎng)絡(luò)取代傳統(tǒng)u-net網(wǎng)絡(luò)架構(gòu)中的多層感知機(jī)(multilayerperceptron，mlp)，同時結(jié)合多頭注意力機(jī)制和標(biāo)量因子對骨干和跳躍特征進(jìn)行的細(xì)粒度控制，增強(qiáng)模型在復(fù)雜噪聲環(huán)境下的魯棒性。具體來說，k層kan可以用多個kan層的嵌套來描述，數(shù)學(xué)表達(dá)式如下：

10、

11、其中φi表示整個kan網(wǎng)絡(luò)的第i層，每個kan層有nin維輸入和nout·輸出，φ＝{φq，p}，p＝1，2，…，nin，q＝1，2…，nout，φ：含有nin*nout的可學(xué)習(xí)激活函數(shù)φ。kan網(wǎng)絡(luò)從第k層到第k+1層的計算結(jié)果可用矩陣表示：

12、

13、在引入kan網(wǎng)絡(luò)的基礎(chǔ)上，我們還引入了多頭注意力機(jī)制以及兩個關(guān)鍵的標(biāo)量調(diào)制因子。這兩個因子——主干特征縮放因子(bl)與跳越特征縮放因子(sl)——被設(shè)計用于精確調(diào)整信息流：bl旨在增強(qiáng)主干特征圖xl的表達(dá)能力，以鞏固其在去噪任務(wù)中的核心作用；而sl則負(fù)責(zé)適度衰減跳躍特征圖hl的影響，避免高頻信息的過度干擾，從而確保主干網(wǎng)絡(luò)的語義特征不被邊緣化。對于bl的設(shè)定，我們采用了自適應(yīng)調(diào)整策略，該策略基于樣本均值等統(tǒng)計信息，動態(tài)地調(diào)整比例因子，以實現(xiàn)對主干特征圖xl的智能化放大：

14、

15、其中，xl，i，i表示特征映射xl的第i個通道。c表示xl中的通道總數(shù)。αl表示主干因子，bl是一個標(biāo)量常數(shù)。在優(yōu)化骨干特征調(diào)制策略時，雖然強(qiáng)化骨干特征能夠顯著提升模型的去噪效能，但這一過程往往伴隨著對圖像高頻細(xì)節(jié)的潛在損害，導(dǎo)致合成圖像出現(xiàn)過度平滑。為了精妙地平衡這一矛盾，我們采取了特征縮放策略：將縮放操作的選擇性地應(yīng)用于特征映射xl的一半通道上，既增強(qiáng)了對去噪至關(guān)重要的主干特征，又巧妙地保留了另一半通道中的高頻細(xì)節(jié)信息，從而在去噪與保留圖像細(xì)節(jié)之間找到了一個優(yōu)雅的平衡點(diǎn)：

16、

17、對于sl，我們進(jìn)一步在傅里葉域采用光譜調(diào)制來選擇性地減少跳躍特征的低頻分量來進(jìn)一步緩解增強(qiáng)去噪導(dǎo)致的過光滑紋理問題，具體操作如下：

18、

19、其中，fft和ifft分別為傅里葉變換和傅里葉反變換。⊙表示像素級乘法，βl，i是一個傅里葉掩模，設(shè)計為傅里葉系數(shù)大小的函數(shù)，用于實現(xiàn)與頻率相關(guān)的比例因子sl。r是半徑。rthresh是閾值頻率。隨后，我們將經(jīng)過增強(qiáng)的跳躍特征圖與經(jīng)過精細(xì)調(diào)制的主干特征圖進(jìn)行拼接融合，用作u-net架構(gòu)中后續(xù)層的輸入。

20、另外關(guān)于mc-model模塊，其能夠更好的控制mri圖像的定向生成，我們利用全采樣的k空間信息作為條件引導(dǎo)。首先我們將全采樣k空間信息xobs進(jìn)行傅里葉逆變換，隨后將其與mri圖像進(jìn)行拼接融合，這個過程表示如下：

21、

22、其中ifft表示傅里葉逆變換，表示拼接操作，表示拼接過后的條件信息，隨后對進(jìn)行加噪得到最后為了保持與擴(kuò)散主干的輸入一致，我們采用一個額外的卷積模塊來壓縮我們采用核大小為3，步長為1，填充為1的卷積層進(jìn)行初始壓縮然后是relu和群歸一化層，該序列執(zhí)行三次，最終得到與擴(kuò)散主干形狀相同的特征圖，然后傳入后面的模塊中，最終得到的特征向量z表示為：

23、

24、其中conv()表示卷積操作。與利用交叉注意、串聯(lián)或clip圖像編碼器來提取和傳輸圖像中的高級語義信息的替代方法不同，我們直接使用了mf-ukan的編碼器階段，mf-ukan的編碼器階段由3個下采樣塊和2個tok-kan模塊組成。每個卷積塊由卷積層、批處理歸一化層和relu激活函數(shù)，內(nèi)核大小為3，步長為1，填充為1。該模塊接收經(jīng)過傅里葉變換后的全采樣k空間信息和mri圖像信息，然后將所得的潛在特征通過下采樣塊和中間塊進(jìn)行傳輸，并仔細(xì)記錄所有的中間特征映射，最后將這些記錄的特征映射引入擴(kuò)散主干的上采樣段。

25、步驟三、裁剪閾值線性減小的噪聲裁剪策略。裁剪閾值在生成過程中平衡圖像質(zhì)量和多樣性方面至關(guān)重要，較高的裁剪閾值保留了更多的預(yù)測噪聲和變化，導(dǎo)致生成的圖像具有多樣化的風(fēng)格和細(xì)節(jié)，但它也可能引入不希望的噪聲或模糊，影響整體圖像質(zhì)量；相反，較低的裁剪閾值減少了噪聲，產(chǎn)生更清晰、更穩(wěn)定的圖像，但過度限制會導(dǎo)致缺乏細(xì)節(jié)和多樣性，使圖像看起來過于平滑。因此，選擇合適的裁剪閾值對于在圖像質(zhì)量和多樣性之間實現(xiàn)最佳平衡至關(guān)重要。該策略允許根據(jù)模型的訓(xùn)練進(jìn)度和圖像生成的階段靈活調(diào)整裁剪閾值。在擴(kuò)散模型采樣的早期階段，當(dāng)模型從純噪聲中生成模糊、低分辨率的初始圖像結(jié)構(gòu)時，需要更大的裁剪閾值來增加自由度并減少信息損失，從而有助于捕捉整體形狀。隨著采樣的進(jìn)行和圖像分辨率及細(xì)節(jié)的增加，裁剪閾值應(yīng)逐漸減小以限制噪聲并增強(qiáng)圖像的精細(xì)度和質(zhì)量。因此，我們提出的線性模型公式為：

26、s＝-ω·t+b.

27、這個線性模型允許裁剪閾值s隨著采樣步驟t的增加而線性減小。這種動態(tài)裁剪策略在擴(kuò)散模型采樣的初始階段保留了圖像的多樣性，并在采樣深入時保留了圖像的細(xì)節(jié)和精度。因此，它產(chǎn)生的圖像與真實世界的圖像更加吻合。當(dāng)模型訓(xùn)練完成后，在采樣過程的每一步中，根據(jù)采樣步驟的當(dāng)前進(jìn)度采用線性遞減裁剪策略。該策略應(yīng)用于mf-ukan擴(kuò)散主干產(chǎn)生的噪聲估計，以產(chǎn)生具有更好視覺效果的mri圖像。

28、步驟四、將預(yù)處理后的mri圖像和全采樣k空間數(shù)據(jù)作為輸入對擴(kuò)散模型和vae模塊進(jìn)行反復(fù)訓(xùn)練，優(yōu)化網(wǎng)絡(luò)參數(shù)，不斷進(jìn)行迭代優(yōu)化；

29、步驟五、使用欠采樣的k空間數(shù)據(jù)輸入至完成訓(xùn)練的基于tc-kanrecon模型的加速高質(zhì)量mri圖像重建模型中，并應(yīng)用配套的裁剪閾值線性減小的噪聲裁剪策略最終生成高質(zhì)量的mri圖像。

30、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

31、采用上述技術(shù)方案，本發(fā)明真正實現(xiàn)了根據(jù)欠采樣k空間數(shù)據(jù)自動生成高質(zhì)量磁共振圖像的醫(yī)學(xué)需求，具體包括：

32、1.顯著提升重建效率：通過深度學(xué)習(xí)的優(yōu)化算法，本發(fā)明大幅縮短了mri圖像的采集與重建時間，有效解決了傳統(tǒng)mri技術(shù)中采集時間長、患者舒適度差的問題。這一改進(jìn)使得mri檢查更為高效，減少了患者等待時間，提高了醫(yī)療服務(wù)的整體效率。

33、2.保持并提升圖像質(zhì)量：mf-ukan框架內(nèi)的多頭注意力機(jī)制和標(biāo)量調(diào)制因子設(shè)計，使得模型在去除噪聲的同時，能夠精準(zhǔn)保留圖像的結(jié)構(gòu)信息，確保了重建圖像的高分辨率和清晰度。這對于臨床診斷尤為重要，能夠幫助醫(yī)生更準(zhǔn)確地識別病灶細(xì)節(jié)，提高診斷的精確性和可靠性。

34、3.增強(qiáng)復(fù)雜環(huán)境下的魯棒性：本發(fā)明的模型在處理高噪聲、低采樣率等復(fù)雜mri數(shù)據(jù)時展現(xiàn)出卓越的性能，有效克服了傳統(tǒng)方法在惡劣成像條件下的局限性。這一特點(diǎn)使得mri技術(shù)能夠應(yīng)用于更多樣化的臨床場景。

35、4.減少圖像細(xì)節(jié)損失：噪聲裁剪策略根據(jù)采樣步驟智能調(diào)整裁剪區(qū)間，有效避免了傳統(tǒng)裁剪方法可能導(dǎo)致的圖像細(xì)節(jié)損失問題。這一創(chuàng)新不僅豐富了圖像的視覺特征，還提升了圖像的整體觀感和診斷價值。5.提升患者體驗與安全性：由于mri檢查時間的縮短，患者無需長時間保持靜止，減輕了檢查過程中的不適感和焦慮情緒。同時，避免了長時間暴露于磁場中可能帶來的潛在風(fēng)險，提升了檢查過程的安全性和患者的舒適度。