[发明专利]一种基于深度学习的快速磁敏感加权成像方法

权利要求书

1.一种基于深度学习的快速磁敏感加权成像方法，其特征在于，包括以下步骤

步骤1、构建欠采样GRE数据的训练集；

步骤2、构建欠采样GRE数据的重建模型，重建模型为复值神经网络；

步骤3、设计基于自监督学习的训练方法；

步骤4、欠采样GRE数据重建模型训练，获得最优模型参数

步骤5、利用训练得到的重建模型对欠采样GRE数据进行重建，获得重建GRE图像；

步骤6、根据重建GRE图像重建SWI图像，

所述的步骤1包括以下步骤：

步骤1.1，使用蒙特卡洛方法生成欠采样矩阵Ω；

步骤1.2，在磁共振成像仪上，使用三维GRE序列收集欠采样矩阵Ω的欠采样GRE数据，将第i个欠采样GRE数据表示为将第i个欠采样GRE数据的编码运算符表示为将的共轭转置表示为

步骤1.3，收集的欠采样GRE数据的总数为N，将步骤1.2收集的第i个欠采样GRE数据作为训练集中第i个样本，

所述的步骤3包括以下步骤：

将欠采样矩阵Ω分为两个不相交的子集，分别为第一子集Θ和第二子集Λ，Ω＝Θ∪Λ，第一子集Θ中的k空间数据用于重建模型训练中的数据一致性操作DC，第二子集Λ中的k空间数据用于定义损失函数L(θ)，对于第i个欠采样GRE数据将第一子集Θ中的k空间数据表示为将第二子集Λ中的k空间数据表示为损失函数L(θ)表示为：

其中||||₂表示L2范数，表示第二子集Λ对应的编码运算符，表示第一子集Θ对应的编码运算符，θ为模型参数，

所述的步骤4包括以下步骤：

利用反向传播和梯度下降法训练GRE数据的重建模型，寻找使损失函数L(θ)最小的最优模型参数

2.根据权利要求1所述的一种基于深度学习的快速磁敏感加权成像方法，其特征在于，所述的步骤2中的重建模型包括复值卷积层、复值激活函数、复值批归一化层和数据一致性层。

3.根据权利要求2所述的一种基于深度学习的快速磁敏感加权成像方法，其特征在于，所述的步骤6包括以下步骤：

根据重建GRE图像的幅度和相位信息，使用SWI重建方法，对重建GRE图像的相位解缠、高通滤波产生相位掩模，然后将幅度图像和相位掩模相乘数次，获得SWI图像。