[發明專利]基于深度學習的超快速磁共振成像高精度仿真方法及系統

在審

• 申請號: 202210859475.0
• 申請日: 2022-07-21
• 公開（公告）號: CN115166612A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 蔡聰波;黃海濤;蔡淑惠;楊親親;陳忠
• 申請（專利權）人: 廈門大學
• 主分類號: G01R33/56
• 分類號: G01R33/56;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 廈門南強之路專利事務所(普通合伙) 35200
• 代理人: 馬應森

基于深度學習的超快速磁共振成像高精度仿真方法及系統，涉及磁共振成像仿真成像。制作虛擬成像對象；根據仿真的磁共振序列對虛擬成像對象Bloch仿真，得磁共振圖像并保留磁共振序列成像參數、不理想因素；使用位置編碼模板、虛擬成像對象、磁共振序列成像參數構成的動態卷積核、不理想因素及磁共振圖像制作訓練樣本；構建Simu?Net用于同時接受一維的磁共振序列成像參數、二維的位置編碼模板和虛擬成像對象模板；訓練Simu?Net；構建指定磁共振序列成像參數和不理想因素條件下的樣本，使用Simu?Net進行虛擬磁共振成像。實現任意長度的動態成像參數下的磁共振成像仿真，實現超快速磁共振成像高精度仿真。

技術領域

本發明涉及磁共振成像的仿真成像領域，特別是涉及一種基于深度學習的超快速磁共振成像高精度仿真方法及系統。

背景技術

磁共振成像是醫學診斷的一項重要手段。隨著深度學習領域的快速發展，基于深度學習的磁共振重建技術得到越來越多的關注。但是往往這些基于深度學習的磁共振重建技術需要大量的磁共振數據用以訓練，而現實中大量的實采數據難以獲得，這限制許多基于深度學習的磁共振重建技術的發展。所以越來越多的研究者將目光轉向仿真數據。

傳統的磁共振仿真方法是利用Bloch公式或者EPG進行仿真。對于傳統的Bloch仿真方法而言，為了獲得足夠高的精度，需要根據脈沖、梯度的作用逐個計算數以千計的質子的狀態(質子數量與虛擬成像對象的尺寸的大小呈正相關)，并通過對整個視野內的所有質子進行不斷求和，以獲取磁共振信號并填充至k空間，但即使在GPU加速的條件下，傳統的Bloch仿真方法速度依然非常慢。對于另一種EPG的仿真方法而言，它往往是用于確定磁共振成像中回波的類型與強度，但并不適合用于仿真成像。

發明內容

本發明的目的在于提供能夠極大地提高生成仿真磁共振圖像的速度，用以滿足其它基于深度學習的磁共振重建技術對仿真數據依賴與要求的一種基于深度學習的超快速磁共振成像高精度仿真方法及系統。

所述基于深度學習的超快速磁共振成像高精度仿真方法，包括如下步驟：

S1：制作虛擬成像對象；

S2：根據仿真的磁共振序列對虛擬成像對象進行傳統的Bloch仿真，得到磁共振圖像并保留磁共振序列成像參數、不理想因素；

S3：使用一個位置編碼模板、與所述虛擬成像對象、磁共振序列成像參數、不理想因素以及磁共振圖像制作訓練樣本；

S4：針對磁共振成像的特點，構建一個特殊的深度神經網絡仿真器Simu-Net；

S5：使用所述訓練樣本對深度神經網絡仿真器Simu-Net進行訓練，得到訓練好的深度神經網絡仿真器Simu-Net；

S6：構建指定磁共振序列成像參數和不理想因素條件下的樣本，使用所述深度神經網絡仿真器Simu-Net進行磁共振成像仿真，得到磁共振圖像

優選的，步驟S1中，制作虛擬成像對象，具體為：

S11：使用成對的磁共振T2加權圖像(T2 Weighted Image,T2-W)與磁共振PD加權圖像(PD Weighted Image,PD-W)，對于磁共振PD加權圖像，根據如下磁共振信號公式：

反向求得PD，即質子密度圖，并歸一化作為虛擬成像對象的質子密度圖；

S12：對于磁共振T2加權圖像，可根據如下磁共振信號公式：

反向求得T2，即橫向弛豫時間圖，并對T2進行縮放，縮放至人體合理的T2值范圍，作為虛擬成像對象的T2圖；

S13：根據已經獲得的PD，根據如下公式：