基于深度学习的磁共振成像优化方法及其设备技术

本发明专利技术公开了一种基于深度学习的磁共振成像优化方法，同时也公开了采用该方法的磁共振成像设备。在该方法中，对磁共振图像数据分别采用对抗神经网络和卷积神经网络进行处理，可以提高磁共振成像过程中图像扫描速度和/或图像分辨率。本发明专利技术所提供的磁共振成像优化方法及其设备操作方便、处理速度快，特别适用于小脏器成像，具有很好的临床普及价值。

【技术实现步骤摘要】
基于深度学习的磁共振成像优化方法及其设备
本专利技术涉及一种磁共振成像优化方法，尤其涉及一种基于深度学习网络模型实现，可以提高磁共振成像过程中图像扫描速度和/或图像分辨率的方法，同时也涉及采用该方法的磁共振成像设备，属于医学影像

技术介绍
磁共振成像(magneticresonanceimaging，简称为MRI)是一种先进的无创医学影像技术，具有成像过程无电离辐射效应、图像软组织分辨率高和多参数成像等优点，已经成为重要的临床诊断和疗效评估工具。但是，MRI在临床诊断和科研使用过程中的最大挑战在于成像序列多、扫描速度慢。如果在使用过程中提高扫描速度，就需要降低(牺牲)图像分辨率。在现有技术中，有人先后提出了K空间填充、并行采集等技术方案，但是这些技术方案对于提高MRI扫描速度和保证图像分辨率的程度非常有限。在申请号为201910641089.2的中国专利申请中，公开了一种基于深度学习的多通道磁共振图像重建方法。该方法包括以下步骤：获取多通道的磁共振图像，由灵敏度映射图、欠采样填零的多通道磁共振图像和全采样的合成图像共同组成训练本文档来自技高网...

【技术保护点】
1.一种基于深度学习的磁共振成像优化方法，其特征在于包括如下步骤：/n对输入的磁共振图像进行预处理；/n将经过预处理后的图像数据，输入对抗神经网络进行处理，以提高扫描速度和图像分辨率。/n

【技术特征摘要】
1.一种基于深度学习的磁共振成像优化方法，其特征在于包括如下步骤：
对输入的磁共振图像进行预处理；
将经过预处理后的图像数据，输入对抗神经网络进行处理，以提高扫描速度和图像分辨率。


2.如权利要求1所述的磁共振成像优化方法，其特征在于：
将经过对抗神经网络处理后的图像数据，输入卷积神经网络进行处理，以提高图像分辨率。


3.如权利要求1所述的磁共振成像优化方法，其特征在于：
将经过预处理后的图像数据，同时输入卷积神经网络进行处理，以提高图像分辨率。


4.如权利要求1～3中任意一项所述的磁共振成像优化方法，其特征在于：
所述预处理包括对磁共振图像的图像配准、重采样、滤波和归一化操作。


5.如权利要求4所述的磁共振成像优化方法，其特征在于：
对于同一受检者的不同扫描序列的磁共振图像，首先进行不同扫描序列之间的图像配准。


6.如权利要求1～3中任意一项所述的磁共振成像优化方法，其特征在于：
所述对抗神经网络包含生成网络和判别网络，所述生成网络的训练目标是最大化判别网络犯错误...

【专利技术属性】
技术研发人员：王振常，尹红霞，刘雅文，张婷婷，任鹏玲，
申请(专利权)人：首都医科大学附属北京友谊医院，
类型：发明
国别省市：北京;11