[发明专利]基于深度学习的超快速磁共振成像高精度仿真方法及系统

说明书

基于深度学习的超快速磁共振成像高精度仿真方法及系统，涉及磁共振成像仿真成像。制作虚拟成像对象；根据仿真的磁共振序列对虚拟成像对象Bloch仿真，得磁共振图像并保留磁共振序列成像参数、不理想因素；使用位置编码模板、虚拟成像对象、磁共振序列成像参数构成的动态卷积核、不理想因素及磁共振图像制作训练样本；构建Simu‑Net用于同时接受一维的磁共振序列成像参数、二维的位置编码模板和虚拟成像对象模板；训练Simu‑Net；构建指定磁共振序列成像参数和不理想因素条件下的样本，使用Simu‑Net进行虚拟磁共振成像。实现任意长度的动态成像参数下的磁共振成像仿真，实现超快速磁共振成像高精度仿真。

技术领域

本发明涉及磁共振成像的仿真成像领域，特别是涉及一种基于深度学习的超快速磁共振成像高精度仿真方法及系统。

背景技术

磁共振成像是医学诊断的一项重要手段。随着深度学习领域的快速发展，基于深度学习的磁共振重建技术得到越来越多的关注。但是往往这些基于深度学习的磁共振重建技术需要大量的磁共振数据用以训练，而现实中大量的实采数据难以获得，这限制许多基于深度学习的磁共振重建技术的发展。所以越来越多的研究者将目光转向仿真数据。

传统的磁共振仿真方法是利用Bloch公式或者EPG进行仿真。对于传统的Bloch仿真方法而言，为了获得足够高的精度，需要根据脉冲、梯度的作用逐个计算数以千计的质子的状态(质子数量与虚拟成像对象的尺寸的大小呈正相关)，并通过对整个视野内的所有质子进行不断求和，以获取磁共振信号并填充至k空间，但即使在GPU加速的条件下，传统的Bloch仿真方法速度依然非常慢。对于另一种EPG的仿真方法而言，它往往是用于确定磁共振成像中回波的类型与强度，但并不适合用于仿真成像。

发明内容

本发明的目的在于提供能够极大地提高生成仿真磁共振图像的速度，用以满足其它基于深度学习的磁共振重建技术对仿真数据依赖与要求的一种基于深度学习的超快速磁共振成像高精度仿真方法及系统。

所述基于深度学习的超快速磁共振成像高精度仿真方法，包括如下步骤：

S1：制作虚拟成像对象；

S2：根据仿真的磁共振序列对虚拟成像对象进行传统的Bloch仿真，得到磁共振图像并保留磁共振序列成像参数、不理想因素；

S3：使用一个位置编码模板、与所述虚拟成像对象、磁共振序列成像参数、不理想因素以及磁共振图像制作训练样本；

S4：针对磁共振成像的特点，构建一个特殊的深度神经网络仿真器Simu-Net；

S5：使用所述训练样本对深度神经网络仿真器Simu-Net进行训练，得到训练好的深度神经网络仿真器Simu-Net；

S6：构建指定磁共振序列成像参数和不理想因素条件下的样本，使用所述深度神经网络仿真器Simu-Net进行磁共振成像仿真，得到磁共振图像

优选的，步骤S1中，制作虚拟成像对象，具体为：

S11：使用成对的磁共振T2加权图像(T2 Weighted Image,T2-W)与磁共振PD加权图像(PD Weighted Image,PD-W)，对于磁共振PD加权图像，根据如下磁共振信号公式：

反向求得PD，即质子密度图，并归一化作为虚拟成像对象的质子密度图；

S12：对于磁共振T2加权图像，可根据如下磁共振信号公式：

反向求得T2，即横向弛豫时间图，并对T2进行缩放，缩放至人体合理的T2值范围，作为虚拟成像对象的T2图；

S13：根据已经获得的PD，根据如下公式：