[发明专利]基于深度学习的磁共振动态成像方法

权利要求书

1.一种基于深度学习的磁共振动态成像方法，其特征在于，包括：

步骤S1，数据获取模块获取若干磁共振图像，对于任一磁共振图像，经过傅里叶逆变换得到图像的k空间数据，将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据；

步骤S2，样本构建模块基于任一磁共振图像构造的全编码k空间数据，提取频率域数据和图像域数据，构建频率域数据和图像域数据之间的映射关系，将频率域数据和与其具有映射关系的图像域数据作为一个样本，基于若干磁共振图像获取若干频率域数据和图像域数据形成样本集，将预设比例的样本作为训练集，其余样本作为验证集；

步骤S3，训练模块使用训练集对并行网络训练模型进行训练，在完成预设训练次数后，验证模块使用验证集对并行网络训练模型进行验证，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参；

在所述步骤S3中，所述训练模块使用训练集对并行网络训练模型进行训练时，所述中控模块计算样本集的平均复杂度P并根据P确定输出通道数基础值Sz，中控模块根据Sz计算并行网络训练模型各层的输出通道数；所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先根据并行网络训练模型输出的图像与验证样本之间的数据一致性判定并行网络训练模型是否训练完成，在判定模型训练未完成时，中控模块对输出通道数基础值进行修正，同时对并行网络训练模型输出通道数的比例进行调整，以及，对并行网络训练模型的学习率进行调整；在判定模型训练完成时，所述中控模块计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化；

步骤S4，所述训练模块以优化后的并行网络训练模型进行训练，对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像。

2.根据权利要求1所述的基于深度学习的磁共振动态成像方法，其特征在于，在所述步骤S3中，所述并行网络训练模型通过频率域-图像域交替学习方式，同时学习频率域与图像域特征，充分结合频率域与图像域信息，所述训练模块使用训练集对并行网络训练模型进行训练时，样本集的平均复杂度P的计算方法为，所述中控模块获取单个样本中的总数据量Ni0以及记载相同信息的数据量Ni，则对于该样本的复杂度Pi＝Ni/Ni0，对于样本集的平均复杂度P通过以下公式计算，

其中，n为样本的总数量。

3.根据权利要求2所述的基于深度学习的磁共振动态成像方法，其特征在于，在所述步骤S3中，所述中控模块根据样本集的平均复杂度P确定并行网络训练模型各层的输出通道数时，首先计算输出通道数基础值S0，计算输出通道数基础值S0的方法为，所述中控模块中设有第一平均复杂度P1和第二平均复杂度P2，中控模块将样本集的平均复杂度P分别与P1和P2进行比对，

当P≤P1时，所述中控模块设定输出通道数基础值Sz＝S0×P/P1；

当P1＜P≤P2时，所述中控模块设定输出通道数基础值Sz＝S0×(P1+P2)/2；

当P2＜P时，所述中控模块设定输出通道数基础值Sz＝S0×P/P2；

其中，S0为预设输出通道数基础值。

4.根据权利要求3所述的基于深度学习的磁共振动态成像方法，其特征在于，当所述中控模块完成对输出通道数基础值Sz的计算时，对于并行网络训练模型各层的输出通道数，

第一层的输出通道数S1＝Sz×2，

第二层的输出通道数S2＝Sz×8，

第m层的输出通道数采用下列公式计算：Sm＝(S_m-1+S_m-2)×2，其中m为正整数，且m＞2。