[发明专利]基于深度学习的快速全身弥散加权成像方法及相关设备

权利要求书

1.一种基于深度学习的快速全身弥散加权成像方法，其特征在于，包括：

获取待重建图像；

将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像。

2.根据权利要求1所述的方法，其特征在于，所述将所述待重建图像输入图像重建模型，得到重建全采样图像之前，还包括：

构建所述全身弥散加权成像图像训练集；

获取所述深度学习模型和损失函数；

以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型。

3.根据权利要求2所述的方法，其特征在于，所述构建所述全身弥散加权成像图像训练集，包括：

获取多个样本全采样图像；

分别对多个所述样本全采样图像进行回顾性下采样后进行零填充重建，得到多个零填充图像；

对多个所述样本全采样图像和对应的所述零填充图像进行冠状位重建，得到多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像；

将多个所述样本冠状位全采样图像和对应的所述冠状位零填充图像组合，得到多个所述训练样本对。

4.根据权利要求3所述的方法，其特征在于，多个所述样本全采样图像包括健康人的全采样图像和/或疾病患者的全采样图像。

5.根据权利要求2所述的方法，其特征在于，所述以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，对所述深度学习模型进行模型训练，以确定所述损失函数最小时的模型参数，得到所述图像重建模型，包括：

以所述冠状位零填充图像作为输入且所述样本冠状位全采样图像作为输出，利用反向传播算法和均方误差法确定所述损失函数最小时的模型参数。

6.根据权利要求2所述的方法，其特征在于，所述样本冠状位全采样图像和所述冠状位零填充图像均被进行归一化处理。

7.根据权利要求1-3任一所述的方法，其特征在于，所述深度学习模型为DC-CNN模型或者RDN模型。

8.一种基于深度学习的快速全身弥散加权成像装置，其特征在于，包括：

图像获取模块，用于获取待重建图像；

图像重建模块，用于将所述待重建图像输入图像重建模型，得到重建全采样图像，其中，所述图像重建模型为深度学习模型基于全身弥散加权成像图像训练集通过模型训练得到的，所述全身弥散加权成像图像训练集包括多个训练样本对，每个所述训练样本对包括样本冠状位全采样图像和对应的冠状位零填充图像。

9.一种基于深度学习的快速全身弥散加权成像装置，其特征在于，包括至少一个处理器和存储器，所述存储器和所述至少一个处理器通过线路互联，所述至少一个存储器中存储有计算机程序；所述计算机程序被所述处理器执行时，实现权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当计算机程序在处理器上运行时，实现权利要求1-7任一所述的方法。