一种基于深度学习的多回波水脂分离方法技术

本发明专利技术公开了一种基于深度学习的多回波水脂分离方法。包括构建水脂分离MRI图像数据集；搭建基于梯度回波序列多回波特性的多回波双向卷积残差网络；使用损失函数和优化算法迭代训练多回波双向卷积残差网络直至收敛；在水脂分离测试阶段，利用训练好的多回波双向卷积残差网络对输入MRI图像进行分离得到对应的纯水信号图像和纯脂肪信号图像。本发明专利技术的多回波双向卷积网络通过联合利用回波之间的依赖关系以及现有迭代水脂分离算法的迭代性质，有效地提高了水脂分离的鲁棒性；采用基于残差模块的迭代水脂分离结构方式迭代优化分离结果，提高了水脂分离的准确率；引入多层特征融合高效且充分利用多层级优化分离特征，提高了图像的细节质量。

A multi echo water lipid separation method based on deep learning

【技术实现步骤摘要】
一种基于深度学习的多回波水脂分离方法
本专利技术涉及医用磁共振成像和深度学习
，具体涉及一种基于深度学习的多回波水脂分离方法。
技术介绍
在磁共振成像(MRI)的临床应用中，脂肪的强信号通常不利于病灶的识别和诊断，其中影响比较大的病症如炎症，水肿，肿瘤等。因此，抑制脂肪信号以增强组织水图像的对比度或分离水和脂肪信号具有非常重要的临床应用价值。到目前为止，世界上已经发展了多种抑制脂肪信号、增强水信号或分离水和脂肪信号的技术，包括利用脂肪纵向弛豫时间T1较短特性的STIR技术，利用水质子和脂肪质子化学位移频率差的化学位移选择性(CHESS)脂肪饱和技术或水激发成像，以及基于化学位移的Dixon水脂分离技术。由于某些疾病的诊断(例如骨髓疾病，肾上腺腺瘤和脂肪肝)需要定量的脂肪含量信息和水与脂肪的比例信息，因此能同时获得纯水和纯脂肪图像的Dixon方法近年来越来越受欢迎。但近年来的水脂分离方法通常通过引入更多的参数(包括水和脂肪信号，主磁场不均匀性，弛豫率(R2*)和多峰脂肪谱)和优化算法来避免严重的伪影和提高水脂分离的准确性，这也导致水脂分离处本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多回波水脂分离方法，其特征在于包括以下步骤：/n步骤1、构建水脂分离MRI图像数据集；/n步骤2、搭建基于梯度回波序列多回波特性的多回波双向卷积残差网络，多回波双向卷积残差网络包括多回波双向卷积网络和残差网络；/n步骤3、使用损失函数和优化算法迭代训练多回波双向卷积残差网络直至多回波双向卷积残差网络达到收敛；/n步骤4、在水脂分离测试阶段，利用步骤3中训练好的多回波双向卷积残差网络对输入MRI图像进行分离得到对应的纯水信号图像和纯脂肪信号图像。/n

【技术特征摘要】
1.一种基于深度学习的多回波水脂分离方法，其特征在于包括以下步骤：
步骤1、构建水脂分离MRI图像数据集；
步骤2、搭建基于梯度回波序列多回波特性的多回波双向卷积残差网络，多回波双向卷积残差网络包括多回波双向卷积网络和残差网络；
步骤3、使用损失函数和优化算法迭代训练多回波双向卷积残差网络直至多回波双向卷积残差网络达到收敛；
步骤4、在水脂分离测试阶段，利用步骤3中训练好的多回波双向卷积残差网络对输入MRI图像进行分离得到对应的纯水信号图像和纯脂肪信号图像。


2.根据权利要求1所述的一种基于深度学习的多回波水脂分离方法，其特征在于：所述步骤1包括以下步骤：
步骤1.1、对MRI图像进行裁剪，将裁剪后的MRI图像作为水脂分离MRI图像数据集中的输入图像；
步骤1.2、采用水脂分离方法对步骤1.1得到的输入图像进行水脂分离，获得MRI图像对应的纯水信号图像和纯脂肪信号图像，并将MRI图像对应的纯水信号图像和纯脂肪信号图像分别作为数据集中的参考水图像和参考脂肪图像；
步骤1.3、将获得的输入图像和对应的参考水图像和参考脂肪图像组成水脂分离MRI图像数据集中的样本对。


3.根据权利要求1所述的一种基于深度学习的多回波水脂分离方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1、使用包含若干个级联的多回波双向卷积单元的多回波双向卷积网络学习多回波的输入图像中相邻回波图像之间的相似性和差异性，提取多回波特征，并将多回波特征输入到残差网络；
步骤2.2、利用包括若干个级联的残差模块的残差网络对多回波双向卷积网络提取得到的多回波特征进行处理获得各个残差模...

【专利技术属性】
技术研发人员：刘朝阳，李小军，刘可文，李钊，鲍庆嘉，陈亚雷，杨春升，
申请(专利权)人：中国科学院武汉物理与数学研究所，
类型：发明
国别省市：湖北;42