一种基于AI的人体多核DWI联合重建方法技术

本发明专利技术公开了一种基于AI的人体多核DWI联合重建方法，建立人体多核DWI图像训练集；建立人体多核DWI联合重建模型；定义人体多核DWI联合重建模型的损失函数；采用梯度下降算法训练人体多核DWI联合重建模型；给训练后的人体多核DWI联合重建模型输入新的欠采样DWI图像，经过模型正向传播，即可得到包含不同

An AI based method for human multi-core DWI joint reconstruction

【技术实现步骤摘要】
一种基于AI的人体多核DWI联合重建方法
本专利技术涉及多核磁共振成像(magneticresonanceimaging，MRI)、人工智能(artificialintelligence，AI)、深度学习、欠采样重建等
，具体涉及一种基于AI的人体多核DWI联合重建方法，适用于加快人体多核(如129Xe、3He等)DWI的成像速度，或在同等时间内获得更多的数据。
技术介绍
多核MRI可以提供丰富的生理和病理信息，例如超极化气体(129Xe、3He)肺部MRI可以提供高分辨率的肺部结构和功能影像。特别地，超极化气体肺部DWI可以灵敏地评估肺部疾病有关的结构和功能改变。结合气体弥散理论模型，多b值DWI可以非侵入、定量地获得肺泡水平的肺部形态学参数，如肺泡气道内径(acinarlumenradius，r)、气道外径(acinarductradius，R)、肺泡深度(alveolarsleevedepth，h)、平均线性截距(meanlinearintercept，Lm)、肺泡表面体积比(surface-to-volumeratio，SVR)。本文档来自技高网...

【技术保护点】
1.一种基于AI的人体多核DWI联合重建方法，其特征在于，包括以下步骤：/n步骤1、建立人体多核DWI图像训练集，人体多核DWI图像训练集包括欠采样DWI图像y和全采样DWI图像x，/n步骤2，建立人体多核DWI联合重建模型，人体多核DWI联合重建模型表示为G(·,θ)，·表示模型输入，θ为模型参数，/n步骤3，定义人体多核DWI联合重建模型G(·,θ)的损失函数L(θ)/nL(θ)＝E[||x-G(y,θ)||

【技术特征摘要】
1.一种基于AI的人体多核DWI联合重建方法，其特征在于，包括以下步骤：
步骤1、建立人体多核DWI图像训练集，人体多核DWI图像训练集包括欠采样DWI图像y和全采样DWI图像x，
步骤2，建立人体多核DWI联合重建模型，人体多核DWI联合重建模型表示为G(·,θ)，·表示模型输入，θ为模型参数，
步骤3，定义人体多核DWI联合重建模型G(·,θ)的损失函数L(θ)
L(θ)＝E[||x-G(y,θ)||l2]+ηE[||Ψ(x)-Ψ(G(y,θ))||l2]
其中，表示期望操作，y为欠采样DWI图像，||·||l2表示L2范数，Ψ表示表观扩散系数的估计函数，η为表观扩散系数损失的权重系数，
步骤4，采用梯度下降算法训练人体多核DWI联合重建模型，寻找使损失函数L(θ)最小的模型参数θ，损失函数L(θ)最小的模型参数θ为
步骤5，给输入新的欠采样DWI图像y，经过模型正向传播，即可得到包含不同b值的最终重建图像


2.根据权利要求1所述的一种基于AI的人体多核DWI联合重建方法，其特征在于，所述的步骤1包括以下步骤：
步骤1.1、从磁共振成像仪上获取全采样的扩散敏感因子b值为0的DWI图像xb，
步骤1.2、生成全采样DWI图像x，利用扩散敏感因子b值为0的DWI图像xb、DWI信号扩散模型，获得各个b值的DWI图像xb，各个b值的DWI图像xb组合为全采样DWI图像x，
步骤1.3、建立人体多核DWI图像训练集，生成欠采样矩阵U，对全采样DWI图像x利用欠采样矩阵U进行回顾性欠采样，获得欠采样DWI图像y。欠采样DWI图像y和...

【专利技术属性】
技术研发人员：周欣，段曹辉，邓鹤，娄昕，孙献平，叶朝辉，
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