[发明专利]一种基于卷积神经网络的磁共振图像合成方法和装置

权利要求书

1.一种基于卷积神经网络的磁共振图像合成方法，其特征在于，所述方法包括：

通过一次扫描获得MDME序列磁共振扫描图像信息；

对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；

将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；

获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，所述第一MRI图像包括：第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像，

所述获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，包括：

根据所述模图图像信息获得所述输入图像，其中，所述输入图像包含所述模图图像或根据所述模图图像进行解析计算获得的第一计算图像；

根据第一用户在第一扫描序列下的磁共振扫描图像，获得第一对比图像，其中，所述第一扫描序列包含DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列；

获得所述标准参考图像；

根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型；

将所述输入图像输入所述U-Net卷积神经网络模型进行回归分析，获得训练回归图像；

根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数；

根据所述U-Net卷积神经网络模型、所述第一训练参数与所述输入图像获得所述第一MRI图像，

所述第一MRI合成图像是通过同时将所述输入图像与第一标准参考图像依次输入两个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI定量图像是通过将所述输入图像与第二标准参考图像输入一个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI混合图像是通过将所述输入图像与第三标准参考图像输入一个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI加权图像是通过将所述输入图像与第四标准参考图像依次输入三个所述U-Net卷积神经网络模型进行训练而合成的。

2.如权利要求1所述的方法，其特征在于，所述根据所述模图图像进行解析计算获得的第一计算图像，包括：

根据第一计算公式对所述MDME序列对应的所述模图图像进行解析计算，获得第一计算图像，其中，所述第一计算图像包含T1/T2/PD定量图像与第二对比图像，且所述第二对比图像包含T1WI、T2WI、PDWI、T1 FLAIR、T2 FLAIR、STIR、PSIR、PSIRvessel、DIRWM supp、DIRGMsupp图像，所述第一计算公式为

其中，S为图像的信号强度，A是整体信号强度比例因子，用以校正线圈灵敏度、RF放大倍数、体素体积的影响，PD为质子密度，TR为重复时间，TE为回波时间，T₁为纵向弛豫时间，T₂为横向弛豫时间，TI为反转时间，α为激励脉冲角度，θ为饱和脉冲角度。

3.如权利要求1所述的方法，其特征在于，所述标准参考图像包含所述第一对比图像和/或根据所述模图图像进行解析计算获得的第一计算图像。

4.如权利要求1所述的方法，其特征在于，所述根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型，包括：

计算所述第一用户在所述MDME序列下扫描的磁共振图像获得所述模图图像和所述第一计算图像；

设置图像输入通道个数；

根据所述图像输入通道个数输入所述输入图像，确定第一图像；

将所述第一图像的层间顺序打乱，获得所述第一图像的卷积层、上采样层和下采样层；

根据所述卷积层和所述下采样层对所述第一图像进行特征提取和特征选择，构成第一部分卷积神经网络；

根据所述上采样层和所述卷积层进行特征融合，构成第二部分卷积神经网络；

根据所述第一部分卷积神经网络与所述第二部分卷积神经网络建立U-Net卷积神经网络模型。