磁共振图像MRI重建实现

最近涉及到了磁共振图像MRI的重建，网络上相关的实现比较少，因此进行实现记录。

1.配置代码环境

这里介绍一个很好的开源项目，git为： https://github.com/NKI-AI/direct.git。
安装环境为：
（1）CUDA ≥ 10.2 supported GPU.
（2）Linux with Python ≥ 3.8
（3）PyTorch ≥ 1.6
可以使用Docker或Conda配置环境，这里以为Conda为例，很慢的话，可以-i 清湖镜像源：

conda create -n myenv python=3.9

conda activate myenv

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu116

git clone https://github.com/NKI-AI/direct.git
cd direct
python3 -m pip install -e ".[dev]"

2.MRI数据集处理

这里使用公开数据集，常用的为The Multi-coil Calgary-Campinas数据集，链接为： https://sites.google.com/view/calgary-campinas-dataset/download；以及FastMRI数据集，链接为： https://fastmri.med.nyu.edu/。
这里我以为FastMRI数据集中的Knee MRI为例，数据集很大，因此我下载val为例。
下载后，val文件夹一共199个.h5文件。将其划分training和validation文件夹。

下面提供一个 划分的代码。

import os
import shutil
import randomdef split_data(source_dir, train_dir, val_dir, split_ratio=0.8):# 确保源目录存在if not os.path.exists(source_dir):print(f"Source directory {source_dir} does not exist.")return# 创建训练和验证目录os.makedirs(train_dir, exist_ok=True)os.makedirs(val_dir, exist_ok=True)# 获取所有.h5文件files = [file for file in os.listdir(source_dir) if file.endswith('.h5')]random.shuffle(files)  # 打乱文件顺序# 计算划分点split_point = int(len(files) * split_ratio)# 划分文件train_files = files[:split_point]val_files = files[split_point:]# 复制文件到新的目录for file in train_files:shutil.copy(os.path.join(source_dir, file), train_dir)for file in val_files:shutil.copy(os.path.join(source_dir, file), val_dir)print(f"Files split into {len(train_files)} training and {len(val_files)} validation.")# 路径配置
source_directory = 'singlecoil_val'  # 源文件夹路径
training_directory = os.path.join(os.path.dirname(source_directory), 'training')  # 训练集文件夹路径
validation_directory = os.path.join(os.path.dirname(source_directory), 'validation')  # 验证集文件夹路径# 执行数据划分
split_data(source_directory, training_directory, validation_directory)

将singlecoil_val文件夹进行了training和validation文件夹的划分。

3.配置数据集以及模型文件

划分好数据集后，进行config.py文件的配置。
在代码根路径下新建一个config文件夹，该文件夹下以选用的模型为文件夹名进行独立配置，这里以UNet为为例。
随后，UNet下新建configs文件夹（用于存放实例化Unet模型以及数据集的配置文件）以及lists文件夹（用于存放划分好的文件夹的名字，类似于目标检测中Yolo系列的训练）。
新建好，文件夹层级关系如下：

接下来，在configs文件下新建一个Unet的 base_unet.yaml文件。这里我附上我自己（其余的模型可以参考代码根路径下的projects文件夹，不同的数据集以及模型的配置文件均不同。）

这里的字典形式的yaml文件，先找training和validation；
然后更改datasets对应的name以及filenames_lists和masking对应的name；
由于我是用的是FastMRI数据集，所以datasets对应的name更改为：FastMRI；masking对应的name更改为：FastMRIRandom。

physics:forward_operator: fft2backward_operator: ifft2
training:datasets:-   name: FastMRIfilenames_lists:- ../lists/train.lsttransforms:cropping:crop: nullsensitivity_map_estimation:estimate_sensitivity_maps: true  # Estimate the sensitivity map on the ACSnormalization:scaling_key: masked_kspace  # Compute the image normalization based on the masked_kspace maximummasking:name: FastMRIRandomaccelerations: [4]center_fractions: [0.08]batch_size: 1  # This is the batch size per GPU!optimizer: Adamlr: 0.002weight_decay: 0.0lr_step_size: 30000lr_gamma: 0.2lr_warmup_iter: 100num_iterations: 150000gradient_steps: 1gradient_clipping: 0.0gradient_debug: falsecheckpointer:checkpoint_steps: 500validation_steps: 2500loss:crop: headerlosses:-   function: l1_lossmultiplier: 1.0-   function: ssim_lossmultiplier: 1.0
validation:datasets:# Twice the same dataset but a different acceleration factor-   name: FastMRIfilenames_lists:- ../lists/val.lsttransforms:cropping:crop: nullsensitivity_map_estimation:estimate_sensitivity_maps: true  # Estimate the sensitivity map on the ACSnormalization:scaling_key: masked_kspacemasking:name: FastMRIRandomaccelerations: [4]center_fractions: [0.08]text_description: 4x  # Description for loggingcrop: header  # This sets the cropping for the DoIterationOutputmetrics:  # These are obtained from direct.functionals- fastmri_psnr- fastmri_ssim
model:model_name: unet.unet_2d.Unet2dnum_filters: 32image_initialization: SENSE
additional_models:sensitivity_model:model_name: unet.unet_2d.UnetModel2din_channels: 2out_channels: 2num_filters: 8num_pool_layers: 4dropout_probability: 0.0
logging:tensorboard:num_images: 4

这里重点要说的是filenames_lists，这个.lst类似于.txt文件，里面存放一些划分好的文件名。这里附上读取划分好数据集的文件夹来生成对应的.lst文件。

import osdef save_folder_names_to_file(directory, output_file):# 检查指定的目录是否存在if not os.path.exists(directory):print("指定的目录不存在")return# 打开输出文件，准备写入with open(output_file, 'w') as file:# 使用os.walk遍历目录for folder_name in os.listdir(directory):# 将文件夹名写入文件，每个名字一行file.write(folder_name + '\n')# 调用函数，你需要替换'directory_path'和'output_file_path'为你的实际路径
save_folder_names_to_file(r'D:\direct\MRI_dataset\training', r'D:\direct\config\Unet\lists\train.lst')
save_folder_names_to_file(r'D:\direct\MRI_dataset\validation', r'D:\direct\config\Unet\lists\val.lst')

处理好的文件夹如下：

其中，lists文件夹的.lst文件可视化为：

5.训练

下面是 训练的脚本。

direct train <experiment_directory> --training-root <training_data_root> --validation-root <validation_data_root> \
--num-gpus <number_of_gpus> --cfg <path_or_url_to_yaml_file> [--other-flags]

<experiment_directory>可以在根目录下新建一个output文件夹，用于存放模型的配置以及训练的日志；
<training_data_root> 就是指定到我们上面划分好的数据集的training的路径；
<validation_data_root> 就是指定到我们上面划分好的数据集的validation的路径；
<number_of_gpus>根据自己的算力资源进行调度分配，eg.1；
<path_or_url_to_yaml_file>就是指定到我们上面配置好的模型的yaml文件的路径；
[–other-flags]没有特殊需求，可省略。