使用 CC-359 数据集进行 MRI 重建（三）

在上一篇中，我们观察了 CC-359 数据集。

本篇，我们将利用 CC-359 数据集进行 MRI 的重建。关于 MRI 的重建，我将提供两种方法：

方法一：直接建立 零填充的欠采样图像 到 全采样图像 之间的映射，具体操作如下，对于 CC-359 数据集中的原始数据(target-k-space，256x256x2)，经欠采样得到(under-K-space，256x256x2)，对它们进行逆傅里叶变换，分别得到 全采样图像(target-img，256x256) 和 零填充的欠采样图像(under-img，256x256)，然后直接训练从 under-img 映射到 target-img 的网络，网络的输入为 under-img(256x256)，输出为 rec-img(256,256)，目标为 target-img(256x256)。这种方法将 MRI的重建 退化成一个普通的图像问题，操作简单，但是在网络结构中并没有很好的用到 MRI 的频域信息。

方法二：网络的输入是 under-K-space(256x256x2) 与 under-img(256,256)，输出为 rec-img(256,256)，目标为 target-img(256x256)。这种方法在网络结构上会有图像频域信息与时域信息之间的融合。

本篇将介绍方法一，下一篇介绍方法二。

这里主要是将 fastMRI 的代码进行了一些改写，我感觉他们的代码比较方便扩展，可以让我们只关注于网络的结构，其它的部分都是通用的。

改写后的代码放在我的 github 上，代码组织结构上与 fastMRI的代码一致，主要内容如下：

checkpoints文件夹 是 “模型保存” 和 “tensorboard 记录训练过程”的地方。

data文件夹 存放了相关的数据处理函数。

evaluate_result文件夹 存放了重建图像的重建效果指标(PSNR 与 SSIM)，由 utils/evaluate_from_i.py 生成。

mask文件夹 存放了一些欠采样所用的模板。

reconstructions_val文件夹 是用训练好的网络对 欠采样后的Val数据 进行重建时，生成的重建图像，由下图中的 run.py 生成。

utils文件夹 存放了一些辅助函数。

models文件夹 存放了网络模型以及训练网络的文件，如下：

其中 unet_model.py  是扩展自己的模型时，需重点改动的地方。

注：

1、本代码使用了  Tensorboard 与 visdom 两种方法记录训练时的情况，其中 Tensorboard 是默认使用的，visdom 可以通过输入参数 use-visdom 选择是否使用，visdom 对于使用远程服务器训练的情况比较方便（若使用 visdom，请先在服务器上开启 visdom 服务）。

2、在 第一幅图所在的目录下，使用如下命令，进行训练(train)，测试Val(run)，评价重建效果(evaluate)：

(1)、train

python models/Unet/train.py --data-path /home/jinfeng/Desktop/Brain_workplace/Brain_datasets  --exp-dir checkpoints/unet  --use-visdom True

(2)、run

python models/Unet/run.py  --data-path '/home/jinfeng/Desktop/Brain_workplace/Brain_datasets' --checkpoint 'checkpoints/unet/best_model.pt'  --out-dir reconstructions_val/unet

(3)、evaluate

python utils/evaluate_from_i.py --target-path /home/jinfeng/Desktop/Brain_workplace/Brain_datasets/Val --predictions-path reconstructions_val/unet --name unet  --i 0

当在训练过程中按下 Ctrl+c 中断训练后，可用如下命令恢复训练：

python models/Unet/train.py --data-path /home/jinfeng/Desktop/Brain_workplace/Brain_datasets  --use-visdom True  --resume  --checkpoint checkpoints/unet/model.pt

3、 使用 Val 进行 零填充重建 ，用如下命令：

python models/zero_filled/run_zero_filled.py --out-path reconstructions_val/zero_filled

 

下图是在训练过程中，visdom 所显示的图像：