[发明专利]一种基于深度学习的多回波水脂分离方法

说明书

本发明公开了一种基于深度学习的多回波水脂分离方法。包括构建水脂分离MRI图像数据集；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；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收敛；在水脂分离测试阶段，利用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。本发明的多回波双向卷积网络通过联合利用回波之间的依赖关系以及现有迭代水脂分离算法的迭代性质，有效地提高了水脂分离的鲁棒性；采用基于残差模块的迭代水脂分离结构方式迭代优化分离结果，提高了水脂分离的准确率；引入多层特征融合高效且充分利用多层级优化分离特征，提高了图像的细节质量。

技术领域

本发明涉及医用磁共振成像和深度学习技术领域，具体涉及一种基于深度学习的多回波水脂分离方法。

背景技术

在磁共振成像(MRI)的临床应用中，脂肪的强信号通常不利于病灶的识别和诊断，其中影响比较大的病症如炎症，水肿，肿瘤等。因此，抑制脂肪信号以增强组织水图像的对比度或分离水和脂肪信号具有非常重要的临床应用价值。到目前为止，世界上已经发展了多种抑制脂肪信号、增强水信号或分离水和脂肪信号的技术，包括利用脂肪纵向弛豫时间T₁较短特性的STIR技术，利用水质子和脂肪质子化学位移频率差的化学位移选择性(CHESS)脂肪饱和技术或水激发成像，以及基于化学位移的Dixon水脂分离技术。由于某些疾病的诊断(例如骨髓疾病，肾上腺腺瘤和脂肪肝)需要定量的脂肪含量信息和水与脂肪的比例信息，因此能同时获得纯水和纯脂肪图像的Dixon方法近年来越来越受欢迎。但近年来的水脂分离方法通常通过引入更多的参数(包括水和脂肪信号，主磁场不均匀性，弛豫率(R₂*)和多峰脂肪谱)和优化算法来避免严重的伪影和提高水脂分离的准确性，这也导致水脂分离处理过程相比之前的方法变得更加复杂。此外，由于需要求解迭代算法，这些方法的分离速度通常难以满足实时处理的要求。

近年来，由于深度学习方法的准确性和高效性，越来越多的研究者将其应用于各种MRI应用中。深度学习尤其是卷积神经网络(Convolutional Neural Networks，CNN)也被用于水脂分离任务。基于深度学习的水脂分离通过训练CNN学习多回波图像和参考图像(通常将传统方法分离得到的纯水信号图像和纯脂肪信号图像作为参考图像)之间的非线性映射关系。相比于传统的水脂分离方法，基于深度学习的水脂分离方法能从输入数据中隐式地学习先验信息(回波时间TEs、多峰脂肪谱的频移等)，而无需事先指定，并且在分离速度方面具有显著优势。多回波梯度回波序列(Multi-echo Gradient-recalled EchoSequence，mGRE)因其一次扫描可以获得多个不同权重的加权图像、一个定量的图像以及用于精确计算水信号图像和脂肪信号图像的基础数据而被基于深度学习的水脂分离方法广泛采用。然而这些基于深度学习的水脂分离方法所采用的卷积神经网络都是自然图像领域中通用的网络结构，并未针对多回波梯度回波序列水脂分离任务中各个回波图像水脂比例不同的特点而进行特定优化。基于以上分析，本发明提出一种联合利用回波之间依赖关系以及现有迭代水脂分离算法迭代性质的多回波双向卷积残差网络(Multi-echoBidirectional Convolutional Residual Network，MEBCRN)，其中首创性设计多回波双向卷积网络作为特征提取模块充分学习相邻回波图像之间的相似性和差异性以提取更丰富更准确的多回波特征表示；采用基于残差模块的迭代水脂分离结构方式迭代优化分离结果；引入多层特征融合高效且充分利用多层级优化分离特征进一步提高图像的细节质量。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理且兼顾分离准确率和处理速度的基于深度学习的多回波水脂分离方法。

为了解决上述技术问题，本发明所采用的技术方案是：

一种基于深度学习的多回波水脂分离方法，主要包括以下操作步骤：

步骤1、构建水脂分离MRI图像数据集；