[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

说明书

本发明公开了一种基于深度学习的快速全身弥散加权成像方法及相关设备，该方法包括：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。通过实施本发明实施例，将深度学习技术应用于WB‑DWI快速成像中，在保证图像质量的前提下，极大的提高了WB‑DWI的采集速度，有利于WB‑DWI的推广应用，提高MRI设备的工作效率。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种基于深度学习的快速全身弥散加权成像方法及相关设备。

背景技术

弥散加权成像(Diffusion weighted imaging，DWI)是唯一能够活体检测水分子扩散情况的无创影像检查技术,也是临床应用最多的一个磁共振功能序列。全身弥散加权成像(whole-body diffusion weighted imaging，WB-DWI)是对包括头、颈、胸、腹、盆等全身各部位进行DWI检查的方法。WB-DWI是评估恶性淋巴瘤、骨髓瘤等系统性肿瘤疾病以及恶性肿瘤(前列腺癌、肺癌、黑色素瘤)全身转移的重要影像技术之一。在许多恶性疾病的诊疗中，WB-DWI有望取代18F-氟脱氧葡萄糖(18F-FDG)正电子发射断层扫描(PET-CT)。与PET-CT相比，WB-DWI具有价格低廉、无需注射对比剂、无电离辐射等优点，且对一些小的具有更高的敏感性,具有极大的临床价值与广阔的应用前景。

虽然WB-DWI具有良好临床应用前景，但是由于需要对包括头、颈、胸、腹、盆等的全身各部位进行大范围扫描，所需要的扫描时间较长，一个完整的WB-DWI扫描时间为30-60分钟。扫描时间越长，患者的耐受性越差，运动伪影也会增加，也将降低WB-DWI定量参数的可重复性和可靠性。受限于过长的扫描时间，目前WB-DWI并未广泛应用于临床中。为了缩短扫描时间，通常采用减少采集b值数目或降低图像分辨率方法，这些方法是以牺牲图像功能(不能进行多模型重建)和降低图像质量为代价的。因此，迫切需要采用新的技术和方法，在保证WB-DWI图像质量的前提下，有效缩短扫描时间。

近年来深度学习在图像分类、图像复原、超分辨率重建等领域取得很大进展，基于深度学习的MRI重建也得到了广泛的研究。基于深度学习的MRI重建使用数据驱动的方法提取深度图像特征，通过大量训练集学习欠采样图像和全采样图像之间的映射关系。相比于CS-MRI，基于深度学习的磁共振成像(Magnetic Resonance Imaging，MRI)重建方法在加速倍数、重建速度、重建质量等方面具有显著优势。目前基于深度学习的MRI重建主要以脑部、膝关节等MRI的图像为研究对象。而WB-DWI采集时间较长，可以获得的样本量较少，且全身弥散涉及人体的多个器官，解剖结构复杂，这使得将深度学习应用于WB-DWI欠采样重建面临很大困难。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种基于深度学习的快速全身弥散加权成像方法及相关设备，以在保证图像质量的前提下，提高WB-DWI的采集速度。

第一方面，本发明实施例提供了一种基于深度学习的快速全身弥散加权成像方法，该方法包括：

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。

结合第一方面，在一种可能的实施方式中，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；