一种基于深度学习的磁敏感伪影校正方法和装置制造方法及图纸

本申请涉及医学图像校正技术领域，具体涉及一种基于深度学习的磁敏感伪影校正方法、装置、计算设备及存储介质。基于深度学习的磁敏感伪影校正方法，包括：获取回波平面成像集和结构成像；对上述多模态成像集进行解算，得到非均匀场；通过所述非均匀场对所述回波平面成像集进行校正与平均，得到校正图像集。本申请提供的基于深度学习的磁敏感伪影校正方案，能够快速训练伪影校正神经网络模型，并去除EPI图像中的伪影中存在信号强度和几何伪影。图像中的伪影中存在信号强度和几何伪影。图像中的伪影中存在信号强度和几何伪影。

【技术实现步骤摘要】
一种基于深度学习的磁敏感伪影校正方法和装置


[0001]本专利技术涉及医学图像校正，具体涉及一种基于深度学习的磁敏感伪影校正方法、装置、计算设备及存储介质。

技术介绍

[0002]回波平面成像(echo planar imaging,EPI)技术，由于其具有高速度、高通量的采集特征，是目前磁共振成像(magnetic resonance imaging,MRI)如弥散加权成像(diffusion
‑
weighted imaging,DWI)和功能磁共振成像(functional MRI,fMRI)的理想的成像序列。然而，EPI技术对由于脑组织(如骨、脑脊液)的磁化率不同产生的局部非均匀场很敏感，成像均会伴随几何畸变(区域拉伸压缩)和强度畸变(信号扩散叠加)。这两种畸变，被统称为磁敏感性伪影(Susceptibility Artifacts,SAs)，对人脑结构功能的活体定位、定量测量和统计分析，带来了巨大挑战。

技术实现思路

[0003]鉴于现有技术的以上问题，本申请提供一种基于深度学习技术的磁敏感伪影校正方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磁敏感伪影校正方法，其特征在于，包括：构建伪影校正模型和优化损失函数；获取预处理后的MRI数据，并构建所述伪影校正模型的训练数据集；根据所述优化损失函数和所述训练数据集，对所述伪影校正模型的参数进行训练更新；将所述MRI数据输入训练更新完成的所述伪影校正模型中并进行解算，得到非均匀场；通过可微分EPI形变模块网络利用所述非均匀场对所述MRI数据进行校正，得到校正图像集；计算所述校正图像集的平均图像，得到最终校正图像。2.根据权利要求1所述的方法，其特征在于，还包括：利用多尺度训练协议在多个尺度上训练多个所述伪影校正模型，每个尺度的所述伪影校正模型用于估计当前尺度上的残差非均匀场；利用多尺度推理协议将所述MRI数据输入到目标尺度的所述伪影校正模型中得到当前残差非均匀场，并且将当前残差非均匀场与上一个尺度输出的残差非均匀场相加得到当前尺度水平的非均匀场。3.根据权利要求1所述的方法，其特征在于，所述优化损失函数包括：微分同胚正则化函数和神经解剖学先验约束函数。4.根据权利要求1所述的方法，其特征在于，包括：基于卷积神经网络构建所述伪影校正模型。5.一种基于深度学习的磁敏感伪影校正装置，其特征在于，包括：神经网络构建模块，用于构建伪影校正模型和优化损失函数；MRI数据获取模块，用于获取预处理后的MRI数据，并构建所述伪影校正模...

【专利技术属性】
技术研发人员：曾梓龙，赵腾达，张嘉颖，张逸鹤，孙良龙，贺永，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：