基于深度学习的磁共振动态成像方法技术

本发明专利技术涉及磁共振动态成像技术领域，尤其涉及一种基于深度学习的磁共振动态成像方法，包括构造全编码k空间数据以形成样本集，将样本集按预设比例分为训练集和验证集，使用训练集对并行网络训练模型进行训练并使用验证集对并行网络训练模型进行验证，中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参；本发明专利技术通过将全编码k空间数据作为样本集对并行网络训练模型进行训练和验证，同时本发明专利技术并行网络训练模型对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像，提高了成像速度，同时提高了本发明专利技术所述方法对磁共振动态成像的质量。质量。质量。

【技术实现步骤摘要】
基于深度学习的磁共振动态成像方法


[0001]本专利技术涉及磁共振动态成像
，尤其涉及一种基于深度学习的磁共振动态成像方法。

技术介绍

[0002]磁共振成像(Magnetic Resonance Imaging，MRI)作为一种多参数、多对比度的成像技术，能够反映组织的纵向弛豫时间T1、横向弛豫时间T2和质子密度等多种特性，进而为疾病的检出和诊断提供信息。目前，磁共振成像已经成为医学影像检查的重要技术手段。
[0003]磁共振成像的工作原理是，利用磁共振现象，采用射频激励激发人体中的氢原子，运用梯度场进行位置编码，采用接收线圈接收带有位置信息的电磁信号，最终对电磁信号进行傅里叶变换重建出图像信息。然而，磁共振成像过程中扫描速度慢、扫描时间长，限制了磁共振成像在临床上的应用。
[0004]中国专利公开号：CN114782567A公开了一种基于深度学习的磁共振参数成像方法、装置及智能终端,其公开的技术方案中，确定多幅第一低分辨率加权图像到第一高分辨率定量图像的正向转化关系，以及确定第一高分辨率定量图像到多幅第一高分辨率加权图像的逆向转化关系；基于定量卷积网络和物理模型，构建一体式网络；获取训练数据集；基于训练数据集，训练一体式网络；将待分析的多幅第二低分辨率加权图像输入训练完成的一体式网络，得到超分辨率定量图像。本申请具有提高训练完成后的一体式网络的性能和可解释性，并且省去了相关技术中先图像超分辨率处理再非线性拟合处理的繁琐步骤，减少整体耗时的特点。
[0005]然而，k空间数据做为磁共振图像的原始数据，决定了机器学习模型最终成像的真实可靠性，由此可见，以k空间数据做为机器学习模型学习的样本数据是至关重要的；现有技术中，由于缺乏对机器学习模型参数的有效优化方法，导致磁共振动态成像速率较低及成像质量较低的问题。

技术实现思路

[0006]为此，本专利技术提供一种基于深度学习的磁共振动态成像方法，用以克服现有技术中磁共振动态成像速率较低及成像质量较低的问题。
[0007]为实现上述目的，本专利技术提供一种基于深度学习的磁共振动态成像方法，包括：
[0008]步骤S1，数据获取模块获取若干磁共振图像，对于任一磁共振图像，经过傅里叶逆变换得到图像的k空间数据，将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据；
[0009]步骤S2，样本构建模块基于任一磁共振图像构造的全编码k空间数据，提取频率域数据和图像域数据，构建频率域数据和图像域数据之间的映射关系，将频率域数据和与其具有映射关系的图像域数据作为一个样本，基于若干磁共振图像获取若干频率域数据和图像域数据形成样本集，将预设比例的样本作为训练集，其余样本作为验证集；
[0010]步骤S3，训练模块使用训练集对并行网络训练模型进行训练，在完成预设训练次数后，验证模块使用验证集对并行网络训练模型进行验证，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参；
[0011]在所述步骤S3中，所述训练模块使用训练集对并行网络训练模型进行训练时，所述中控模块计算样本集的平均复杂度P并根据P确定输出通道数基础值Sz，中控模块根据Sz计算并行网络训练模型各层的输出通道数；所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先根据并行网络训练模型输出的图像与验证样本之间的数据一致性判定并行网络训练模型是否训练完成，在判定模型训练未完成时，中控模块对输出通道数基础值进行修正，同时对并行网络训练模型输出通道数的比例进行调整，以及，对并行网络训练模型的学习率进行调整；在判定模型训练完成时，所述中控模块计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化；
[0012]步骤S4，所述训练模块以优化后的并行网络训练模型进行训练，对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像。
[0013]进一步地，在所述步骤S3中，所述并行网络训练模型通过频率域
‑
图像域交替学习方式，同时学习频率域与图像域特征，充分结合频率域与图像域信息，所述训练模块使用训练集对并行网络训练模型进行训练时，样本集的平均复杂度P的计算方法为，所述中控模块获取单个样本中的总数据量Ni0以及记载相同信息的数据量Ni，则对于该样本的复杂度Pi＝Ni/Ni0，对于样本集的平均复杂度P通过以下公式计算，
[0014][0015]其中，n为样本的总数量。
[0016]进一步地，在所述步骤S3中，所述中控模块根据样本集的平均复杂度P确定并行网络训练模型各层的输出通道数时，首先计算输出通道数基础值S0，计算输出通道数基础值S0的方法为，所述中控模块中设有第一平均复杂度P1和第二平均复杂度P2，中控模块将样本集的平均复杂度P分别与P1和P2进行比对，
[0017]当P≤P1时，所述中控模块设定输出通道数基础值Sz＝S0
×
P/P1；
[0018]当P1＜P≤P2时，所述中控模块设定输出通道数基础值Sz＝S0
×
(P1+P2)/2；
[0019]当P2＜P时，所述中控模块设定输出通道数基础值Sz＝S0
×
P/P2；
[0020]其中，S0为预设输出通道数基础值。
[0021]进一步地，当所述中控模块完成对输出通道数基础值Sz的计算时，对于并行网络训练模型各层的输出通道数，
[0022]第一层的输出通道数S1＝Sz
×
2，
[0023]第二层的输出通道数S2＝Sz
×
8，
[0024]第m层的输出通道数采用下列公式计算：Sm＝(S
m
‑
1+S
m
‑
2)
×
2，其中m为正整数，且m＞2。
[0025]进一步地，在所述步骤S3中，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先将并行网络训练模型输出图像进行傅里叶逆变换获取k空间数据，计算输出图像的k空间数据与该验证样本对应的k空间数据之间的数据一致性B，设定B＝H/H0，其中H为数据一致的数据的数量，H0为k空间数据总数据量，所述中控模块将B与
预设数据一致性B0进行比对以判定并行网络训练模型是否训练完成，
[0026]当B≥B0时，所述中控模块判定并行网络训练模型训练完成；
[0027]当B＜B0时，所述中控模块判定并行网络训练模型训练未完成。
[0028]进一步地，当所述中控模块判定并行网络训练模型训练未完成时，中控模块计算B与B0的比值σ，设定σ＝B0/B，中控模块根据σ将输出通道数基础值修正至对应值，所述中控模块中设有第一比值σ1和第二比值σ2，其中1＜σ1＜σ2，
[0029]当σ≤σ1时，所述中控模块将输出通道数基础值修正至Sz
’
＝Sz
×
β1
×
σ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磁共振动态成像方法，其特征在于，包括：步骤S1，数据获取模块获取若干磁共振图像，对于任一磁共振图像，经过傅里叶逆变换得到图像的k空间数据，将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据；步骤S2，样本构建模块基于任一磁共振图像构造的全编码k空间数据，提取频率域数据和图像域数据，构建频率域数据和图像域数据之间的映射关系，将频率域数据和与其具有映射关系的图像域数据作为一个样本，基于若干磁共振图像获取若干频率域数据和图像域数据形成样本集，将预设比例的样本作为训练集，其余样本作为验证集；步骤S3，训练模块使用训练集对并行网络训练模型进行训练，在完成预设训练次数后，验证模块使用验证集对并行网络训练模型进行验证，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参；在所述步骤S3中，所述训练模块使用训练集对并行网络训练模型进行训练时，所述中控模块计算样本集的平均复杂度P并根据P确定输出通道数基础值Sz，中控模块根据Sz计算并行网络训练模型各层的输出通道数；所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先根据并行网络训练模型输出的图像与验证样本之间的数据一致性判定并行网络训练模型是否训练完成，在判定模型训练未完成时，中控模块对输出通道数基础值进行修正，同时对并行网络训练模型输出通道数的比例进行调整，以及，对并行网络训练模型的学习率进行调整；在判定模型训练完成时，所述中控模块计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化；步骤S4，所述训练模块以优化后的并行网络训练模型进行训练，对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像。2.根据权利要求1所述的基于深度学习的磁共振动态成像方法，其特征在于，在所述步骤S3中，所述并行网络训练模型通过频率域
‑
图像域交替学习方式，同时学习频率域与图像域特征，充分结合频率域与图像域信息，所述训练模块使用训练集对并行网络训练模型进行训练时，样本集的平均复杂度P的计算方法为，所述中控模块获取单个样本中的总数据量Ni0以及记载相同信息的数据量Ni，则对于该样本的复杂度Pi＝Ni/Ni0，对于样本集的平均复杂度P通过以下公式计算，其中，n为样本的总数量。3.根据权利要求2所述的基于深度学习的磁共振动态成像方法，其特征在于，在所述步骤S3中，所述中控模块根据样本集的平均复杂度P确定并行网络训练模型各层的输出通道数时，首先计算输出通道数基础值S0，计算输出通道数基础值S0的方法为，所述中控模块中设有第一平均复杂度P1和第二平均复杂度P2，中控模块将样本集的平均复杂度P分别与P1和P2进行比对，当P≤P1时，所述中控模块设定输出通道数基础值Sz＝S0
×
P/P1；当P1＜P≤P2时，所述中控模块设定输出通道数基础值Sz＝S0
×
(P1+P2)/2；当P2＜P时，所述中控模块设定输出通道数基础值Sz＝S0
×
P/P2；其中，S0为预设输出通道数基础值。
4.根据权利要求3所述的基于深度学习的磁共振动态成像方法，其特征在于，当所述中控模块完成对输出通道数基础值Sz的计算时，对于并行网络训练模型各层的输出通道数，第一层的输出通道数S1＝Sz
×
2，第二层的输出通道数S2＝Sz
×
8，第m层的输出通道数采用下列公式计算：Sm＝(S
m
‑
1+S
m
‑
2)
×
2，其中m为正整数，且m＞2。5.根据权利要求1所述的基于深度学习的磁共振动态成像方法，其特征在于，在所述步骤S3中，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先将并行网络训练模型输出图像进行傅里叶逆变换获取k空间数据，计算输出图像的k空间数据与该验证样本对应的k空间数据之间的数据一致性B，设定B＝H/H0，其中H为数据一致的数据的数量，H0为k空间数据总数据量，所述中控模块将B与预设数据一致性B0进行比对以判定并行网络训练模型是否训练完成，当B≥B0时，所述中控模块判定并行网络训练模型训练完成；当B＜B0时，所述中控模块判定并行网络训练模型训练未完成。6.根据权利要求5所述的基于深度学习的磁共振动态成像方法，其特征在于，当所述中控模块判定并行网络训练模型训练未完成时，中控模块计算B与B...

【专利技术属性】
技术研发人员：高而师，王立，
申请(专利权)人：中科微影浙江医疗科技有限公司，
类型：发明
国别省市：