[发明专利]一种基于深度学习和数据自洽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数据自洽的磁共振弥散加权成像方法，其特征在于：包括如下步骤：

步骤1：通过由数据自洽层、CNN网络和相位约束层组成的网络模块重复叠加构建网络后，执行包含预扫描和导航回波的多次激发弥散加权序列，获得多次激发成像信号和数据自洽卷积核，并确定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，将输入数据对应的图像、多次激发成像信号和数据自洽卷积核输入已构建的网络，通过反向传播训练得到网络的输入输出映射关系；

步骤3：执行包含预扫描和无导航回波的多次激发弥散加权序列，获得成像信号和数据自洽卷积核，将成像信号对应的图像输入已完成训练的网络并融入数据自洽卷积核，通过前向传播映射获得输出图像，完成重建。

2.根据权利要求1所述的一种基于深度学习和数据自洽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：将由数据自洽层、CNN网络和相位约束层组成的网络模块依次叠加初步完成网络构建，每个网络模块中数据自洽层与CNN网络多对多连接，CNN网络与相位约束层多对一连接；

步骤1.2：采集多次激发弥散加权序列中的预扫描数据，基于预扫描数据生成矫正矩阵和数据自洽方程；

步骤1.3：基于矫正矩阵计算所有接收线圈的灵敏度分布，基于数据自洽方程计算卷积核；

步骤1.4：采集多次激发弥散加权序列中的导航回波信号和成像信号，将成像信号作为已构建网络的输入数据，通过导航回波信号矫正多次激发成像信号之间的相位差获得磁共振弥散模值图像并将其作为已构建网络的训练标记数据，矫正相位差如公式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为所有接收通道的相关矩阵，H为厄米特矩阵运算符，为磁共振弥散模值图像，E^H为对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进行厄米特矩阵运算，Ψ^-1为所有接收通道的相关矩阵的逆矩阵。

3.根据权利要求1所述的一种基于深度学习和数据自洽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：将输入数据转换为图像输入已构建的网络，将已采集的多次激发成像信号和数据自洽卷积核融入已构建网络，通过数据自洽层进行数据自洽，将每次激发的多通道图像映射为卷褶伪影减弱的多通道图像；

步骤2.2：将卷褶伪影减弱的多通道图像通过CNN网络映射获得无卷褶或卷褶减弱的图像I_cnn；

步骤2.3：将无卷褶或卷褶减弱的图像I_cnn输入相位约束层，经过激发平均和相位恢复完成相位约束，将训练标记数据作为目标代入最小化损失函数，进行反向传播训练获得输入输出的映射关系，最小化损失函数如公式2所示：

其中，X_i为成像信号对应的图像，Y_i为已知的训练标记图像，θ为网络表征参数，n为单次训练过程中，输入的图像的组，即表示此次训练过程使用了n组图像，f(θ,X_i)表示以X_i为输入，θ为神经网络过程的输出结果。

4.根据权利要求1所述的一种基于深度学习和数据自洽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数据自洽卷积核；

步骤3.2：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3得到磁共振弥散模值图像，完成重建，公式3计算如下：

f(θ,X):X→Y

其中，X为成像信号对应的图像，Y为磁共振弥散模值图像，θ为网络表征参数，f(θ,X)为以X为输入，θ为神经网络过程的输出。