技术摘要：
一种基于空间自适应网络的定量磁化率图像重建方法，空间自适应网络直接学习场图到定量磁化率图像的映射，其包括编码器和解码器，在编码器部分通过级联Inception模块提高网络抓取不同层次特征的能力；在解码器部分使用工作在不同分辨率的空间自适应模块进行信息补充并增  全部
背景技术：
磁共振成像是一种可以绘制物体内部组织结构图像的成像技术，由于其在检查过 程中对人体没有任何伤害并且能提供清晰精细的组织结构图像，磁共振成像成为常规的、 重要的临床诊断工具，而且已被广泛地应用于脑功能、精神疾病、认知神经科学及化学等科 研领域。定量磁化率成像(Quantitative  Susceptibility  Mapping ,QSM)是近年来磁共振 成像技术上的重大进展。磁化率是物质放入外磁场后的一种物理特性，物质根据磁化率特 性可分为顺磁性、逆磁性和铁磁性。同时磁化率也是组织的一种内在特性，如果能有效地加 以利用，可以为研究组织的结构和功能提供重要的信息。QSM通过测量局部场的分布来确定 组织磁化率的分布，可以对组织的铁含量、钙化、血氧饱和度等进行有效的定量分析，对脑 出血、多发性硬化症及帕金森综合症等脑神经疾病的研究和诊断也具有重要意义，因此QSM 在科学和医学领域受到了越来越多的重视。 通常来说，组织的磁化率信息包含在磁共振图像的相位图中，但大多数磁共振成 像技术是依赖幅度信息成像，含丰富磁化率信息的相位图通常被舍弃。QSM可以充分利用相 位图像中的信息，最终得到定量磁化率图像。首先，系统所能记录的相位信息与真实相位之 间存在不同程度的相位周期模糊，称为相位缠绕。在计算磁化率分布之前，需要通过相位解 缠绕，恢复失去的相位周期。然后，由于磁共振中匀场不完全及组织与空气交界处磁化率变 化等，均会使得背景磁场产生强烈变化，进而掩盖局部组织间磁化率对比度，使得相位缠绕 更为严重。因此，在相位解缠绕后，需要区分背景场与磁敏感物质产生的局部场，即去除背 景场，以获得高质量的局部场分布图(场图)。最后通过特有的重建算法由场图得到定量磁 化率图像。 由于偶极子卷积核中奇异角的存在，从场图重建出定量磁化率图像是一个病态的 逆问题。人们已经提出了许多方法来解决这个问题，如基于分片常数先验,阈值截断法 (TKD) ,从幅值图像提取边缘结构信息先验的正则化方法,但这些方法都需要人工设计特征 提取规则，流程繁琐。目前通过多方向采样来计算磁化率(COSMOS)是一种较为有效的方法， 可以有效地抑制重建出磁化率图像中的伪影，但是COSMOS需要不同方向的采样数据，在临 床中难以实现。 近年来，随着硬件计算能力的提高，深度学习技术在图像处理领域取得了巨大成 功。深度学习方法通常训练深度神经网络直接学习输入数据与标签数据之间特征分布的变 换，不再需要人工设计特征提取规则。在图像超分辨、压缩感知重建等图像重建的病态逆问 题上，深度学习方法已经取得超越传统方法的重建效果。在QSM领域，2018年Jongho  Lee等 人首次提出了基于深度神经网络的定量磁化率成像，2019年Steffen  Bollmann等人使用模 拟数据训练出了可重建真实人脑磁化率图像的网络。但是上述深度学习方法使用的网络结 4 CN 111598964 A 说　明　书 2/6 页 构均基于传统U-Net，并且在网络结构的设计上没有利用到幅值图中的结构信息。
技术实现要素：
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种能够利用幅值图中 结构信息，基于空间自适应网络的定量磁化率图像重建方法。 本发明采用如下技术方案： 一种基于空间自适应网络的定量磁化率图像重建方法,其特征在于：采用空间自 适应网络实现将输入的场图重建为磁化率图像，其包括编码器和解码器；编码器中，首先使 用一个卷积核为3×3×3的卷积层将场图映射到特征图，将所得特征图依次通过3组 Inception模块,将每组Inception模块的输出级联，并且在通道维度上乘以一个可训练的 权值进行特征选择，再输入到多尺度编码层进一步编码；解码器部中，在每次上采样前使用 空间自适应模块，该空间自适应模块包括空间自适应归一化和残差模块，空间自适应归一 化为自适应的从场图和幅值图中提取信息对网络进行信息补充，残差模块通过批归一化对 学习到的残差进行拉伸来增强纹理。 优选的，所述Inception模块包括3个支路，一支路的卷积核为1×1×1的卷积、一 支路的卷积核为3×3×3的卷积，另一支路的包含两组卷积核为3×3×3的卷积，每个卷积 层后均连接批归一化层及激活函数RELU。 优选的，所述可训练的权值为一维的可训练变量，将其与3组Inception模块级联 后的特征图相乘，通过调整权值确定该特征图的重要程度；然后使用卷积核为1×1×1的卷 积对经过特征选择的特征图进行降维，再将所得特征图送入多尺度编码层中进一步编码。 优选的，多尺度编码层为传统U-Net的编码器部分，包括10个卷积层，其中3个卷积 层的步长为2以实现下采样，，每个卷积层后均连接批归一化层及激活函数RELU。 优选的，所述空间自适应模块还包括卷积核为3×3×3的卷积和激活函数RELU；使 用3×3×3的卷积对输入到空间自适应模块的特征图进行解码，再将解码后的特征图进行 空间自适应归一化处理；空间自适应归一化处理中，首先对经过3×3×3的卷积后的特征图 进行批归一化 其中M为输入特征图的批大小，x为输入特征图即x＝{x1，x2，...xM}，μ和σ2分别为x 的均值及方差，∈为机器零以防止0值的出现，γ1和β1为一维的可训练变量对标准化后的数 据进行缩放和平移，其维度与x的通道数相同，批归一化的输出为 然后再使用含有场图与幅值图空间信息的可训练变量γ2和β2分别与yBN相乘与相加得到空 5 CN 111598964 A 说　明　书 3/6 页 间自适应归一化的输出y y＝γ2yBN β2 其中可训练变量γ2和β2由场图与幅值图映射而来，γ2和β2的尺寸与yBN相同。 优选的，空间自适应归一化中的可训练变量γ2和β2通过场图与幅值图映射得到； 首先，使用不同次数的平均池化操作改变场图和幅值图的分辨率，再通过卷积核为3×3×3 的卷积将场图和幅值图分别映射到特征图空间，使用可训练的权值进行特征选择及卷积核 为1×1×1的卷积进行降维，每个卷积层后连接激活函数RELU，最后使用卷积核为3×3×3 卷积从降维后的特征图中分别映射出具有场图和幅值图空间信息的γ2和β2。 优选的，所述空间自适应网络的总损失函数包括均方误差Lmse(w)和梯度损失Lgdl (w)： 其中Y为标签图像， 为网络的输出图像， 和 为使 用[-1,1]梯度算子分别在Y和 的x、y、z方向进行卷积运算得到梯度分量；训练空间自适应 网络的总损失函数为Ltotal(w)＝w1Lmse(w) w2Lgdl(w) 其中w1和w2为平衡两部分损失的权值。 由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果： 本发明针对从场图重建定量磁化率图像这一病态逆问题，采用空间自适应网络实 现定量磁化率图像重建，不需要人工设计特征提取规则；空间自适应网络在编码器部分通 过级联Inception模块提高网络抓取不同层次特征的能力；在解码器部分使用工作在不同 分辨率的空间自适应模块进行信息补充并增加训练稳定性，其能够充分使用场图中幅值、 对比度等信息，同时还可以为网络提供幅值图中结构信息，提高磁化率图像的重建质量；与 其他方法相比，空间自适应网络在健康人脑及病患数据上均能够重建出伪影更少、准确度 更高的磁化率图像。 附图说明 图1为空间自适应网络网络结构图； 图2通过MSSIM-epoch、PSNR-epoch曲线显示分别移除本发明方法SAQSM中 Inception模块、权值及残差模块对重建结果的影响； 图3为不同方法在健康人脑数据上的磁化率重建结果； 图4为不同方法在病患人脑数据上的磁化率重建结果； 图5为不同方法在2019  QSM挑战赛数据上的结果。 以下结合附图和具体实施例对本发明作进一步详述。