[发明专利]基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质

权利要求书

1.一种基于深度学习的弥散微循环模型驱动参数估计方法，用于估计弥散微循环模型的模型参数，其特征在于，包括以下步骤：

S1、对多b值下采集的磁共振弥散加权图像进行多b值间的循环配准，对配准后的图像进行感兴趣区域的划分；

S2、以S1中得到的多b值下图像感兴趣区域中体素的信号值为拟合数据，采用贝叶斯估计方法对弥散微循环模型进行参数拟合，得到视为金标准的弥散微循环模型的模型参数；

S3、在S1采集的磁共振弥散加权图像基础上，取其中部分b值作为b值组合，将b值组合中每一个b值对应的图像感兴趣区域结合S2中拟合得到的模型参数作为真值标签，构建为缺省b值的训练数据；利用缺省b值的训练数据训练一个弥散微循环模型驱动的深度学习网络，训练完毕后得到参数估计模型；

所述深度学习网络由编码器部分和一个基于弥散微循环模型的稀疏编码深度神经网络(SCDNN)解码器组成；在编码器部分中，输入训练数据中不同b值下以每个待估计体素为中心的图像块，先经过图像块编码后，再依次经过多个Transformer编码器，将最后一个Transformer编码器的输出作为解码器的输入；在解码器中，将通过稀疏编码深度神经网络迭代单元的信号与未经过迭代的输出信号相叠加，反复迭代后输出待估计体素对应的模型参数估计值；

S4、获取待估计对象在所述b值组合中每个b值下采集的磁共振弥散加权图像，通过配准、感兴趣区域划分后，输入参数估计模型中，估计得到弥散微循环模型的模型参数。

2.根据权利要求1所述的基于深度学习的弥散微循环模型驱动参数估计方法，其特征在于，所述S1的实现方法如下：

针对每个被试个体，分别获得多个b值各自对应的磁共振弥散加权图像(DWI)，并通过循环配准对各b值图像之间进行运动伪影校正；循环配准时，首先对各b值的图像进行平均，得到平均模板，再通过刚体变换和仿射变换将所有b值的图像与平均模板进行比对配准，然后将配准之后得到的图像再次进行平均，得到新的平均模板，得到新的平均模板后再次进行比对配准，如此循环6～10次，得到每个b值下扩散加权图像的配准结果；最终在配准结果基础上对感兴趣区域进行划分。

3.根据权利要求1所述的基于深度学习的弥散微循环模型驱动参数估计方法，其特征在于，所述S2中，所述的弥散微循环模型如下所示：

其中：S_b为b值下的信号值，S₀为没有扩散加权时的信号值，f是微循环的体积分数，D是组织水分子的弥散系数，D^*是微循环血液中水分子的伪弥散系数，f,D,D^*均为待拟合的模型参数。

4.根据权利要求1所述的基于深度学习的弥散微循环模型驱动参数估计方法，其特征在于，所述S3中，缺省b值的训练数据中的每一个样本均包含一个体素x的序列数据组合以及该体素x对应的模型参数真值标签，体素x的序列数据组合包括所述b值组合中不同b值对应的序列数据，且每一个b值对应的序列数据由该b值对应的磁共振弥散加权图像中以该体素x为中心的图形块中每一个体素的归一化弥散加权信号S_b/S₀按序组成；所述b值组合中的b值数量优选为不小于3。

5.根据权利要求1所述的基于深度学习的弥散微循环模型驱动参数估计方法，其特征在于，所述S3中，所述编码器部分由全连接层以及多个Transformer编码器连接而成，输入样本中的序列数据组合通过全连接层进行编码后，再依次经过多个Transformer编码器，且前一个Transformer编码器的输出作为下一个Transformer编码器的输入，最后一个Transformer编码器的输出作为编码器部分的输出，用于输入解码器；在每一个Transformer编码器中，Transformer编码器的原始输入先通过层归一化后输入多头注意力机制层，再通过残差连接将多头注意力机制层的输出和未经过层归一化的原始输入进行叠加，得到新的输入，随后将这个新的输入依次通过层归一化层和两层全连接层后，再将得到的输出与所述新的输入相加得到该Transformer编码器的最终输出。