[发明专利]基于空间及时间信息的W型网络结构的DCE-MRI图像生成方法

权利要求书

1.基于空间及时间信息的W型网络结构的DCE-MRI图像生成方法，其特征在于，所述W型网络结构的训练过程包括：

获取训练数据集；

根据所述训练数据集训练W型神经网络结构模型；

所述W型神经网络结构模型由一条收缩路径及两条上升扩张路径构成组成；

根据两条上升路径的输出与相邻两时相金标准乳腺DCE-MRI图像之间的差来计算损失函数；

根据损失函数的值利用反向传播方法更新W型网络参数的值；

通过多次迭代更新，使得损失函数值逐渐收敛，最终完成W型网络模型的训练。

2.根据权利要求1所述的方法，其特征在于，所述W型神经网络结构模型的测试过程包括：采集造影剂注射前T₀时相的三维MRI图像数据I₀，将图像数据I₀输入至训练好的所述基于空间及时间信息的W型神经网络结构模型，生成造影剂注射后Ti与Ti+1时四维DCE-MRI时间-空间序列图像I_i与I_i+1。

3.根据权利要求1所述的方法，其特征在于，所述收缩路径同时提取相邻两时相图像的低维特征，紧跟的两条扩张路径分别提取相邻两时相图像的高维特征，通过跳跃连接将收缩路径上卷积层的输出分别与两条扩张路径上卷积层的输入相连接，且两条扩张路径上卷积层的输入相连。

4.根据权利要求2所述的方法，其特征在于，根据不同的特征体分辨率，W型神经网络结构的路径分为不同状态，每个状态由2个块组成，每个块含有一个3×3×3的卷积层及紧跟的一个BN层和一个ReLu层，在收缩下降路径上，第二个块后连接一个核大小为2×2×2的最大下采样层；两条扩张上升路径的最后一层均为1×1×1的卷积层，再分别经过激活函数Tanh输出一组三维MRI图像。

5.根据权利要求1所述的方法，其特征在于，根据所述训练数据集，训练3个不同W型神经网络来生成注射照影剂后的5个不同时相的图像。

6.根据权利要求1所述的方法，其特征在于，在所述训练数据集训练W型神经网络结构模型中，使用平均绝对误差MAE作为回归损失函数，其定义如下：

其中，M为同时生成相邻时相图像的数目，W、H与D分别表示三维MRI增强图像的长、宽与高，V_gi为第i时相金标准MRI图像的像素值，V_pi为相应的生成图像的像素值。