[发明专利]一种基于深度学习和凸集投影的磁共振弥散加权成像方法

权利要求书

1.一种基于深度学习和凸集投影的磁共振弥散加权成像方法，其特征在于：其包括如下步骤：

步骤1：将由凸集投影层POCS、CNN网络和相位约束层PCON组成的网络模块重复叠加完成网络构建，扫描包含导航回波的多次激发弥散加权序列得到已构建网络的输入数据和训练标记数据；

步骤2：将训练标记数据作为目标，并将通过序列生成的线圈灵敏度分布和输入数据对应的图像输入已搭建网络进行反向传播训练网络参数，得到其输入输出映射关系；

步骤3：扫描包含无导航回波的多次激发弥散加权序列得到成像信号和线圈灵敏度分布，将成像信号转换为图像后结合线圈灵敏度分布输入已完成训练的网络进行前向传播得到输出图像完成重建。

2.根据权利要求1所述的一种基于深度学习和凸集投影的磁共振弥散加权成像方法，其特征在于：所述步骤1包括如下步骤：

步骤1.1：将凸集投影层POCS、CNN网络和相位约束层PCON组成网络模块，每个网络模块中的凸集投影层POCS和CNN网络呈多对多连接，CNN网络和相位约束层PCON呈多对一连接，将网络模块重复叠加构建网络；

步骤1.2：扫描包含预扫描、导航回波的多次激发弥散加权序列，采集其中的预扫描数据，基于预扫描数据生成矫正矩阵，基于矫正矩阵计算所有接收线圈的灵敏度；

步骤1.3：采集序列中的成像信号和导航回波信号，将每次激发的成像信号作为网络的输入数据，通过导航回波信号矫正多次激发成像信号之间的相位误差，将其转换为高分辨率的磁共振弥散模值图像后作为已构建网络的训练标记数据，计算如公式1所示：

其中，g为多次激发成像信号对应的多组图像，E为由线圈灵敏度和导航回波对应的相位图计算出来的编码矩阵，Ψ是所有接收通道之间的相关矩阵，为计算出的高分辨磁共振弥散加权图像，H为厄米特矩阵操作。

3.根据权利要求2所述的一种基于深度学习和凸集投影的磁共振弥散加权成像方法，其特征在于：所述步骤2包括如下步骤：

步骤2.1：将每次激发的成像信号转换为对应的多组图像输入网络，基于接收线圈的灵敏度和已采集的多次激发成像信号，通过凸集投影层POCS将多组图像中的单次激发图像映射为卷褶伪影减弱的通道合成图像；

步骤2.2：将凸集投影层POCS的输出图像I_pocs输入CNN网络经过多个CBR单元、成对汇聚层和反汇聚层以及残差链接映射输出无卷褶或卷褶减弱的图像I_cnn；

步骤2.3：多次激发的无卷褶或卷褶减弱的图像I_cnn输入到相位约束层PCON经过激发平均、相位恢复后完成相位约束即公式2，公式2计算如下：

其中，I_cnn,i为每次激发对应图像，TV为每次激发对应图像I_cnn,i的平滑操作，N_s为激发次数，为相位图，I_pcon,i为相位约束后的各次激发的图像，I_avg为相位约束层；

步骤2.4：将训练标记数据作为目标数据代入最小化损失函数如公式3所示，进行反向传播训练所有网络参数建立输入输出的映射关系得到表征网络参数θ，公式3计算如下：

其中，X_i表示网络输入图像数据，Y_i表示网络的标记图像数据。

4.根据权利要求3所述的一种基于深度学习和凸集投影的磁共振弥散加权成像方法，其特征在于：所述步骤3包括如下步骤：

步骤3.1：根据步骤2得到的映射关系确定网络的结构和运算特征，扫描包含无导航回波的多次激发弥散加权序列得到成像信号和线圈灵敏度分布；

步骤3.2：结合线圈灵敏度分布和已采集数据，将成像信号转换为图像后输入已完成训练的网络进行前向传播根据输入输出映射关系即公式4得到输出图像即磁共振弥散模值图像完成重建，公式4计算如下：

f(θ,X_i):X_i→Y_i

其中，X_i表示网络输入图像数据，Y_i表示网络的标记图像数据，θ为表征网络参数。

5.根据权利要求3所述的一种基于深度学习和凸集投影的磁共振弥散加权成像方法，其特征在于：所述步骤2.1包括如下步骤：

步骤2.1.1：基于线圈灵敏度C_i，将输入的每次激发的通道合成图像I_pcon通过公式5生成多个单通道的图像f_csm(i)，公式5如下：

f_csm(i)＝C_iI_pcon，1≤i≤N_c

步骤2.1.2：将多个单通道的图像f_csm(i)通过公式6进行傅里叶变换转换为K空间信号S_csm(i)，公式6如下：

S_csm(i)＝Ff_csm(i)

步骤2.1.3：通过公式7进行投影后，根据已采集数据和计算出的数据构造出新的完整的K空间数据，公式7如下：

其中，S_csm为计算出的数据，S_acq为已采集数据，k代表待填充K空间的位置，Ω为给定的集合；

步骤2.1.4：通过公式8对上述构造出的完整K空间数据进行傅里叶逆变换得到图像域的多通道图像I_dp，公式8如下：

I_dp＝F^-1f_dp(S_csm,S_acq,k)

步骤2.1.5：基于线圈灵敏度的多通道合成，通过公式9合并多个通道的图像得到输出图像I_pocs，公式9如下：

其中，C_i为各个接收通道的线圈灵敏度分布，H为厄米特矩阵操作。