[发明专利]基于波浪梯度编码场和深度学习模型的磁共振成像方法

权利要求书

1.一种基于波浪梯度编码场和深度学习模型的磁共振成像方法，其特征在于，该方法包括：

在波浪梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像；

通过虚拟共轭线圈对物理线圈通道数据做共轭对称，生成虚拟共轭线圈通道数据；

将物理线圈通道数据和虚拟共轭线圈通道数据合并重建几何因子计算模型。

2.根据权利要求1所述基于波浪梯度编码场和深度学习模型的磁共振成像方法，其特征在于，所述在波浪梯度编码场的磁共振重建模型中引入深度生成网络模型之前，该方法还包括：

利用并行成像在磁共振加速成像采集多个对应于不同通道的欠采样k空间，

通过基于不同的线圈敏感度信息，得到重建后的欠采样k空间的无伪影的图像。

3.根据权利要求2所述基于波浪梯度编码场和深度学习模型的磁共振成像方法，其特征在于，所述在波浪梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像，包括：

在磁共振成像建立波浪梯度场的编码模型：wave(x，y，z)＝Em(x，y，z)，其中，E是编码矩阵，M表示在相位编码方向由可控混叠并行成像采样模式导致的偏移混叠，F_x表示在x方向的傅里叶变换，S表示线圈敏感度信息，Psf(k_x，y，z)为波浪梯度场的作用效果；

通过wave(x，y，z)＝Em(x，y，z)和得到其中，Psf[x，y，z]为Psf(k_x，y，z)在读出方向的反傅里叶变换。

4.根据权利要求3所述基于波浪梯度编码场和深度学习模型的磁共振成像方法，其特征在于，所述通过虚拟共轭线圈对物理线圈通道数据做共轭对称，生成虚拟共轭线圈通道数据，包括：

通过wave(x，y，z)＝Em(x，y，z)和得到其中，wave^*(x，y，z)表示通过虚拟共轭线圈扩展后的数据，表示在现有的Psf[x，y，z]基础上扩展通道数的Psf。

5.根据权利要求4所述基于波浪梯度编码场和深度学习模型的磁共振成像方法，其特征在于，所述生成虚拟共轭线圈通道数据之后，该方法还包括：

引入无需训练的深度生成模型。

6.根据权利要求4所述基于波浪梯度编码场和深度学习模型的磁共振成像方法，其特征在于，所述将物理线圈通道数据和虚拟共轭线圈通道数据合并重建几何因子计算模型，包括：

通过公式得到经过VCC扩展后的几何因子g-factor，其中，表示经过VCC扩展后的编码矩阵。

7.一种基于基于波浪梯度编码场和深度学习模型的磁共振成像装置，其特征在于，该装置包括：

引入单元，用于在波浪梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像；

生成单元，用于通过虚拟共轭线圈对物理线圈通道数据做共轭对称，生成虚拟共轭线圈通道数据；

重建单元，用于将物理线圈通道数据和虚拟共轭线圈通道数据合并重建几何因子计算模型。

8.根据权利要求7所述基于基于波浪梯度编码场和深度学习模型的磁共振成像装置，其特征在于，所述在波浪梯度编码场的磁共振重建模型中引入深度生成网络模型之前，该装置还包括：

利用并行成像在磁共振加速成像采集多个对应于不同通道的欠采样k空间，

通过基于不同的线圈敏感度信息，得到重建后的欠采样k空间的无伪影的图像。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1－6中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：

所述计算机程序被处理器执行时实现如权利要求1－6中任一所述的方法。