检索历史 清除

摘要磁共振成像(MRI)是医学成像等领域的一种重要技术，其主要缺点是数据采集时间长、成像速度不够快。压缩感知磁共振成像(CS-MRI)极大地加快了采集过程，并生成可观的重建图像。深度学习被引入到CS-MRI中，进一步地加快了重建过程，提高了图像质量。<br>　　近年来，利用二级级联U-net结构作为生成器的生成对抗网络(GAN)被证明在MRI重建中是有效的。然而，以前的级联结构仅限于少数特征信息传播通道，因此可能导致信息丢失。本文提出了一种基于改进二级级联U-net结构的生成对抗网络DBGAN，用于从欠采样的k空间数据重建磁共振图像。该模型在生成器中构建了双分支解码器，引入了双线性插值解码器来补充反卷积解码器的缺失信息，而且在两个端到端级联U-net之间使用跨级跳跃连接(CSSC)来拓宽特征传播的通道;此外，为了避免训练和测试之间的不一致性，采用实例归一化(IN)替换经典的批量归一化(BN);最后，在损失函数中引入阶段损失，以提高网络性能。<br>　　通过五种不同欠采样模式、四种欠采样率下进行测试的实验结果表明，在T1加权正常脑部数据集上，与最先进的ESSGAN相比，所提出的DBGAN模型在峰值信噪比(PSNR)和归一化均方误差(NMSE)方面实现了3.65dB和0.016的平均提升。此外，DBGAN参数少、速度快——模型参数不到ESSGAN的一半，每个256×256大小的二维图像在60毫秒内可以完成重建，适合实时处理。<br>　　进一步地，我们验证了DBGAN在多模态欠采样脑部磁共振图像上的重建效果，实验结果表明DBGAN对于不同模态的脑部病理图像都有可观的重建表现(在T1、T2、T1c和Flair四种模态上分别比ESSGAN降低了0.003、0.011、0.013和0.004的NMSE和提升了0.89dB、1.83dB、1.75dB和0.79dB的PSNR)。紧接着我们在DBGAN的基础上利用跨级跳跃连接(CSSC)对网络进行加深，构建双分支多级级联U-net作为生成器，提出DBGAN+和DBGAN++。结果表明，对于T1加权正常脑部数据集，所提出的DBGAN+和DBGAN++的重建表现对比起DBGAN有一定的提升(DBGAN+比DBGAN平均提升了0.57dB的PSNR，降低了0.005的NMSE; DBGAN++比DBGAN平均提升了0.88dB的PSNR，降低了0.008的NMSE)。