[发明专利]一种基于深度学习的多对比度MRI图像重建方法

权利要求书

1.一种基于深度学习的多对比度MRI图像重建方法，其特征在于，至少包括：

S1.采集真实的全采样MRI图像组成训练集真实标签作为监督，利用训练集样本训练出深度卷积神经网络Convnet(·)；

S2.将T₁对比度欠采样MRI图像作为深度卷积神经网络Convnet(·)的输入，输出T₁对比度初步全采样MRI图像；将T₂对比度欠采样MRI图像作为深度卷积神经网络Convnet(·)的输入，输出T₂对比度初步全采样MRI图像，T₁与T₂表示不同对比度的MRI图像；

S3.利用编码器对T₁对比度初步全采样MRI图像进行结构特征和对比度特征的提取；利用编码器对T₂对比度初步全采样MRI图像进行结构特征和对比度特征的提取；

S4.将提取的T₁对比度初步全采样MRI图像的结构特征与T₂对比度初步全采样MRI图像的结构特征进行相似性约束；

S5.将相似性约束后的T₁对比度初步全采样MRI图像的结构特征与T₁对比度初步全采样MRI图像的对比度特征输入生成器，生成最终的完整T₁对比度MRI图像；将相似性约束后的T₂对比度初步全采样MRI图像的结构特征与T₂对比度初步全采样MRI图像的对比度特征输入生成器，生成最终的完整T₂对比度MRI图像。

2.根据权利要求1所述的基于深度学习的多对比度MRI图像重建方法，其特征在于，还包括：将真实的T₁对比度全采样MRI图像、由生成器生成的完整T₁对比度MRI图像输入判别器，将真实的T₂对比度全采样MRI图像、由生成器生成的完整T₂对比度MRI图像输入判别器，均进行对抗训练，形成重建模型，以提升生成器最终的重建功能。

3.根据权利要求2所述的基于深度学习的多对比度MRI图像重建方法，其特征在于，步骤S1所述的深度卷积神经网络Convnet(·)采用梯度下降法训练。

4.根据权利要求3所述的基于深度学习的多对比度MRI图像重建方法，其特征在于，所述深度卷积神经网络Convnet(·)将不同对比度的欠采样MRI图像映射到全采样MRI图像。

5.根据权利要求4所述的基于深度学习的多对比度MRI图像重建方法，其特征在于，步骤S2所述T₁对比度欠采样MRI图像由真实的T₁对比度全采样MRI图像经第一处理流程获得；T₂对比度欠采样MRI图像由真实的T₂对比度全采样MRI图像经第二处理流程获得；所述第一处理流程的过程包括：

1)对真实的T₁对比度全采样MRI图像进行傅里叶变换；

2)对K空间下的T₁对比度全采样MRI图像按照M比例进行随机下采样；

3)将经过随机下采样后丢失的K空间下的傅里叶系数用零代替；

4)进行逆傅里叶变换，得到T₁对比度欠采样MRI图像；

所述第二处理流程的过程包括：

A.对真实的T₂对比度全采样MRI图像进行傅里叶变换；

B.对K空间下的T₂对比度全采样MRI图像按照M比例进行随机下采样；

C.将经过随机下采样后丢失的K空间下的傅里叶系数用零代替；

D.进行逆傅里叶变换，得到T₂对比度欠采样MRI图像。

6.根据权利要求5所述的基于深度学习的多对比度MRI图像重建方法，其特征在于，真实的T₁对比度全采样MRI图像和真实的T₂对比度全采样MRI图像为成对出现，采集自同一人体部位。