[发明专利]一种基于深度学习的多回波水脂分离方法

权利要求书

1.一种基于深度学习的多回波水脂分离方法，其特征在于包括以下步骤：

步骤1、构建水脂分离MRI图像数据集；

步骤2、搭建基于梯度回波序列多回波特性的多回波双向卷积残差网络，多回波双向卷积残差网络包括多回波双向卷积网络和残差网络；

步骤3、使用损失函数和优化算法迭代训练多回波双向卷积残差网络直至多回波双向卷积残差网络达到收敛；

步骤4、在水脂分离测试阶段，利用步骤3中训练好的多回波双向卷积残差网络对输入MRI图像进行分离得到对应的纯水信号图像和纯脂肪信号图像，

所述步骤1包括以下步骤：

步骤1.1、对MRI图像进行裁剪，将裁剪后的MRI图像作为水脂分离MRI图像数据集中的输入图像；

步骤1.2、采用水脂分离方法对步骤1.1得到的输入图像进行水脂分离，获得MRI图像对应的纯水信号图像和纯脂肪信号图像，并将MRI图像对应的纯水信号图像和纯脂肪信号图像分别作为数据集中的参考水图像和参考脂肪图像；

步骤1.3、将获得的输入图像和对应的参考水图像和参考脂肪图像组成水脂分离MRI图像数据集中的样本对，

所述步骤2包括以下步骤：

步骤2.1、使用包含若干个级联的多回波双向卷积单元的多回波双向卷积网络学习多回波的输入图像中相邻回波图像之间的相似性和差异性，提取多回波特征，并将多回波特征输入到残差网络；

步骤2.2、利用包括若干个级联的残差模块的残差网络对多回波双向卷积网络提取得到的多回波特征进行处理获得各个残差模块对应的优化分离特征；

步骤2.3、通过多层特征融合对步骤2.2中每个残差模块对应的优化分离特征融合，得到多层级深度融合特征；再将多层级深度融合特征经过若干个串联的卷积层，得到最终的纯水信号图像和纯脂肪信号图像。

2.根据权利要求1所述的一种基于深度学习的多回波水脂分离方法，其特征在于：所述步骤2.1包括以下步骤：

步骤2.1.1、第j个多回波双向卷积单元中的第t个回波图像同时在正向和反向分别进行输入卷积计算、回波卷积计算和迭代卷积计算获得正向多回波特征和反向多回波特征，并且将正向多回波特征和反向多回波特征的和作为第j个多回波双向卷积单元中的第t个回波图像的最终特征信息

步骤2.1.2、将第t个回波图像的最终特征信息与输入图像中第t个回波图像先进行通道级联得到第j个多回波双向卷积单元中的第t个回波特征信息，再将通道级联后的各个回波特征信息进行合并得到第j个多回波双向卷积单元的多回波特征F^j，将第j个多回波双向卷积单元的多回波特征F^j输入下一个多回波双向卷积单元，其中i为回波图像对应的输入图像序号。

3.根据权利要求2所述的一种基于深度学习的多回波水脂分离方法，其特征在于：所述步骤2.2包括以下步骤：

步骤2.2.1、第b个残差模块通过两个串联的卷积层对输入特征F_b-1进行水脂分离，得到分离特征Q_b-1，第一个残差模块的输入特征F₀为多回波双向卷积网络的最后一个多回波双向卷积单元输出的多回波特征；

步骤2.2.2、以残差形式将分离特征Q_b-1与输入特征F_b-1相加，得到第b个残差模块的优化分离特征F_b，将第b个残差模块的优化分离特征F_b作为下一个残差模块的输入特征。