[发明专利]弥散加权图像重建模型的生成方法及装置

权利要求书

1.一种弥散加权图像重建模型的生成方法，其特征在于，所述方法包括：

构建深度学习网络模型，所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块，每个子模型对应一个输入；以及设置所述深度学习网络模型的初始参数值；

获取样本数据，每组样本数据包括多个输入图像以及一个标签图像，所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像，所述标签图像为相应的多次激发DWI图像；

利用所述样本数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型；

其中，所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块，所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连，所述幅值获取模块与所述深度卷积神经网络模块相连，所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连；

所述幅值获取模块用于从输入图像中提取幅值信息；所述深度卷积神经网络模块用于对幅值图形进行处理以提高图像质量，得到新幅值图像；所述相位获取模块用于从输入图像中提取相位信息；第二合成模块用于根据所述新幅值图像和所述相位信息合成单次激发DWI图像。

2.根据权利要求1所述的方法，其特征在于，所述子模型还包括顺次相连的地图获取模块、校正模块和原始K空间数据生成模块，所述校正模块和所述原始K空间数据生成模块位于所述相位获取模块与所述第二合成模块之间；

其中，所述地图获取模块用于从输入图像中获取线圈敏感度地图；所述校正模块用于根据所述相位获取模块获取的相位信息对所述线圈敏感度地图进行校正；所述原始K空间数据生成模块用于根据校正后的线圈敏感度地图获取单次激发的原始K空间数据，以使得第二合成模块根据所述新幅值图像和所述单次激发的原始K空间数据合成单次激发DWI图像。

3.根据权利要求1所述的方法，其特征在于，利用所述样本数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型，包括：

在训练过程中，第1组样本数据对应的深度学习网络模型中的参数值为所述初始参数值，第j组样本数据对应的深度学习网络模型中的参数值为经第j-1组样本数据训练后调整的参数值，j为自然数，且j≥2；对于每组样本数据，执行如下操作：

将该组样本数据中的多个输入图像分别输入该组样本数据对应的深度学习网络模型中的对应子模型，得到各个子模型对应的初始重建图像；

将所有子模型对应的初始重建图像输入该组样本数据对应的深度学习网络模型中的第一合成模块，得到该组样本数据对应的输出重建图像；

获取所述输出重建图像与该组样本数据中的标签图像的差异值；

若所述差异值大于预设阈值，根据所述差异值调整所述深度学习网络模型的参数值；若所述差异值小于或等于所述预设阈值，停止训练，以该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。

4.根据权利要求3所述的方法，其特征在于，所述训练过程还包括：

预先设置损失函数，所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量；

获取所述输出重建图像与该组样本数据中标签图像的差异值，包括：

以所述输出重建图像作为所述损失函数中第一变量的值，以该组样本数据中的标签图像作为所述损失函数中第二变量的值，计算损失函数的函数值，以损失函数的函数值作为所述输出重建图像与该组样本数据中标签图像的差异值。