本发明涉及医学影像，尤其涉及一种用于磁共振成像的多域级联超分辨率模型构建方法。
背景技术：
1、高分辨率的磁共振(mr)图像，能够提供更准确的诊断信息。然而，mr图像的分辨率受到硬件性能和总扫描时间的限制，使得获得具有临床可接受的扫描时间和信噪比的高分辨率mr图像具有挑战性。超分辨率是一种图像后处理技术，旨在从低分辨率图像中恢复高分辨率图像。超分辨率技术可以在原始成像条件和成像过程下生成更高的空间分辨率的mr图像，为提高空间分辨率、信噪比和总扫描时间之间的权衡提供了一种很有前途的策略。
2、目前，用于超分辨率磁共振成像的深度学习模型主要分为三类：其一是将磁共振图像视为自然图像，直接在图像域利用自然图像超分辨率的相关方法构建模型；其二是以mr图像作为模型的输入，在前向传播过程中利用傅里叶变换引入k空间域，间接的将k空间域引入超分辨率磁共振成像；其三是以k空间作为模型的输入，将k空间复值数据的实部和虚部分别作为两个独立的输入通道。以上三种用于超分辨率磁共振成像的深度学习模型没有充分利用磁共振成像的基本原理，忽略了k空间节点之间的相关性，以及k空间复值数据中与重建相关的模值和相位信息。现有的用于超分辨率磁共振成像的深度学习模型没有真正恢复出低分辨率mr图像中缺失的高频信息。
技术实现思路
1、鉴于现有方法中存在的上述缺陷或不足，本发明提供一种用于磁共振成像的多域级联超分辨率模型构建方法，使的超分辨率模型能够充分利用k空间域的信息特征，图像域和梯度域的结构特征，生成具有更好的视觉感知和数值评估的超分辨率磁共振图像，从而大幅提高临床诊疗的效率。
2、为实现上述目的，本发明采用如下技术方案：
3、一种用于磁共振成像的多域级联超分辨率模型构建方法，包括以下步骤：
4、步骤1：数据准备和预处理；
5、步骤1.1：获取多个高分辨率k空间数据，并利用二维傅里叶逆变换，将高分辨率k空间数据转换成高分辨率图像；
6、步骤1.2：获取低分辨率k空间数据；
7、步骤1.3：将步骤1.1所述的高分辨率图像作为目标并将步骤1.2所述的低分辨率k空间数据作为输入构成总数据集；
8、步骤1.4：将步骤1.3所述的总数据集按照8:1:1的比例划分为训练集，验证集和测试集；
9、步骤2：构建多域级联超分辨率模型；
10、步骤2.1：根据步骤1.1所述的高分辨率k空间数据中节点的笛卡尔坐标构建结构图；
11、步骤2.2：构建具有采样模块、聚合模块、重建模块的k空间域子网络；
12、步骤2.3：构建具有浅层结构特征提取模块和深层结构特征提取模块的图像域子网络；
13、步骤2.4：构建域交互子网络；
14、步骤2.5：构建梯度域子网络；
15、步骤2.6：构建融合模块；
16、步骤2.7：通过二维傅里叶逆变换将步骤2.2所述的k空间域子网络的输入转换成图像，与步骤2.6所述的融合模块的输出特征相加，实现全局残差学习，并重建超分辨率图像；
17、步骤3：利用步骤1.3所述的总数据集训练步骤2所述的多域级联超分辨率模型；
18、步骤3.1：设置多域级联超分辨率模型的基本参数；
19、步骤3.2：设置多域级联超分辨率模型训练的优化器和超参数；
20、步骤3.3：利用步骤1.4所述的训练集和验证集训练多域级联超分辨率模型，并在模型训练过程中优化损失函数；其中损失函数包括重建损失和梯度损失；
21、步骤3.4：根据多域级联超分辨率模型在验证集上的峰值信噪比和结构相似度保存最优模型。
22、步骤4：将步骤1.4所述的测试集送入步骤3.4所述的最优模型，得到测试集的超分辨率图像，并计算测试集上的峰值信噪比和结构相似度；
23、步骤5：判断步骤4所述的测试集上的峰值信噪比和结构相似度是否满足设计指标，若满足设计指标，则执行步骤7，否则执行步骤6；
24、步骤6：调整步骤3.1所述的模型基本参数和步骤3.2所述的超参数，并跳转至步骤3继续执行；
25、步骤7：将所述的满足设计指标的最优模型部署在磁共振成像设备，实现超分辨率磁共振成像；
26、步骤8：设计结束。
27、进一步的，步骤2.2所述的k空间域子网络根据步骤2.1所述的结构图对输入的低分辨率k空间节点进行多阶邻域采样，并逐阶聚合邻域信息；k空间域子网络在聚合邻域信息的过程中捕捉短距离内节点之间的相关信息，激活k空间高频区域的节点，并生成多阶信息特征。
28、进一步的，步骤2.2所述的k空间域子网络的采样模块和聚合模块以graphsage图神经网络框架为框架；k空间数据的实部和虚部作为结构图节点的两个特征值；前向传播过程中保留了k空间数据的模值和相位信息，结构图节点的数据始终保持复数形式。
29、进一步的，步骤2.2所述的k空间域子网络的重建模块采用复值通道注意力机制，提高复数形式的多阶信息特征的有效表达。
30、进一步的，步骤2.3所述的图像域子网络包括浅层结构特征提取模块和深层结构特征提取模块，分别用于浅层结构特征提取和深层结构特征提取。
31、进一步的，步骤2.3所述的图像域子网络的深层结构特征提取模块用混合注意力块hab替代swin-unet中的swin transformer block,增加重叠交叉注意块ocab，并在网络的输入端和输出端各添加一个卷积层用于特征分解和图像重建。
32、进一步的，步骤2.4所述的域交互子网络用于对步骤2.2的k空间域子网络和步骤2.3所述的图像域子网络中的多个关键中间特征进行多域特征融合和跨域特征转移。
33、进一步的，步骤2.5所述的梯度域子网络用于提取高级梯度特征和计算梯度损失，避免超分辨率图像中可能存在的几何变形和局部模糊的问题。
34、进一步的，步骤2.6所述的融合模块用于对步骤2.2、步骤2.3、步骤2.4、步骤2.5中所述的各个子网络输出的特征进一步融合，实现多域级联，并促进多域特征的高效表达。
35、本发明与现有技术相比较，具有以下优点：
36、第一，由于本发明在k空间域构建了k空间域子网络，使得模型能够利用graphsage图神经网络架构，根据预先设计的结构图以采样和聚合的方式获取k空间节点之间与超分辨率有关的多阶信息特征，并在反向传播过程中激活零填充区域的高频信息节点，使得模型能够真正意义上恢复出低分辨率图像中缺失的高频信息。
37、第二，由于本发明在图像域引入残差注意力机制并用hab和ocab改进swin-unet，构建了具有浅层结构特征提取模块和深层结构特征提取模块的图像域子网络，使得模型具有多尺度高阶结构特征提取能力。
38、第三，由于本发明构建了域交互子网络，使得模型能够最大程度利用k空间域和图像域的中间特征，促进跨域特征转移和多域特征融合。
39、第四，由于本发明在梯度域构建了具有多级梯度特征提取能力的梯度域子网络，一方面使得模型能够有效避免超分辨率图像中可能存在的几何失真和局部模糊的现象，另一方面利用梯度特征计算梯度损失，使得超分辨率图像的结构特征表达更加显著。
40、第五，由于本发明构建了融合模块，将图k空间域、图像域和梯度域的特征进一步融合，实现了多域级联，并促进了多域特征的高效表达，从而使得模型能够获得更好的超分辨率性能。
1.一种用于磁共振成像的多域级联超分辨率模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
3.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
4.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
5.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
6.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
7.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
8.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
9.根据权利要求1所述的多域级联超分辨率模型构建方法，其特征在于，
