[发明专利]一种基于深度学习的磁共振指纹序列参数优化设计方法

说明书

一种基于深度学习的磁共振指纹序列参数优化设计方法，属于磁共振指纹成像领域，用以解决脉冲序列与定量成像精度关联关系不明，以及脉冲序列参数求解复杂的问题。本发明方法的技术要点包括构建脉冲序列与定量成像精度相关联的脉冲序列参数优化模型；基于磁共振脉冲激发物理原理构建脉冲序列参数生成网络；采用与脉冲序列尺度相同的高斯随机序列作为网络的输入；根据所提出的脉冲序列参数优化模型设置迭代收敛条件；将构建的输入序列输入网络，经构建的序列参数生成网络生成优化的脉冲序列参数；按照构建的脉冲序列参数优化模型对网络生成的脉冲序列参数进行评估；根据生成的优化后的序列参数评估结果，判断是否达到了所设置的迭代收敛条件，是则停止迭代并输出生成的脉冲序列参数。本发明可用于磁共振指纹脉冲序列参数的优化设计，能够在不增加其他开销的情况下，大幅提高磁共振指纹成像的参数估计精度。

技术领域

本发明涉及磁共振指纹成像技术领域，具体涉及一种基于深度学习的磁共振指纹序列参数优化设计方法。

背景技术

磁共振量化成像通过测量诸如质子密度(PD)、自旋晶格弛豫时间(T1)和自旋自旋弛豫时间(T2)等组织参数进行量化成像，能够提供更准确的组织特性信息，降低诊断的主观性，实现精准的疾病诊断与追踪。磁共振指纹成像技术^[1]作为一种全新的磁共振量化成像方案，通过全新设计的数据采集与后处理方案，克服了传统量化成像方案中成像时间长、多参数成像困难等缺点，为量化成像技术的进一步临床应用奠定了基础。在磁共振指纹成像技术中，常采用随机或伪随机变化的脉冲扫描序列，使得人体各组织的响应信号具有独特的响应信号演变，常称为组织磁共振指纹信号。同时，根据磁共振信号激发的布洛赫模型构建包含所有可能人体组织的理论磁共振信号的指纹字典，然后基于模式匹配方法，将采集的组织磁共振指纹信号与指纹字典中的条目进行匹配，实现多组织参数的同时定量成像。脉冲序列直接影响组织磁共振指纹信号的演变，对成像质量起着决定性的作用，但脉冲序列对定量成像效果的影响机理尚不明确。现有方法多依据经验生成脉冲序列，缺乏脉冲序列与定量成像精度之间的关联模型理论依据。此外，为了保证模式匹配的精度，磁共振指纹成像时需要采集较长时间帧的指纹信号，因此脉冲序列长度较长(1000)，包含参数数目多，导致磁共振指纹脉冲序列参数求解复杂度高。

因此，需要构建脉冲序列与定量成像精度的关联模型，并基于此关联模型设计一种高计算效率的磁共振指纹序列参数优化设计方法。

发明内容

本发明提出一种基于深度学习的磁共振指纹序列参数优化设计方法，用以解决脉冲序列与定量成像精度关联关系不明，以及脉冲序列参数求解复杂的问题。

本发明为解决上述问题所采取的技术方案：

一种基于深度学习的磁共振指纹序列参数优化设计方法，包括以下步骤：

步骤一、根据磁共振指纹成像模型构建脉冲序列参数优化模型，该模型包括字典可分性最优项和参数估计最优项两部分；

步骤二、基于磁共振指纹成像脉冲序列物理特性构建神经网络；

步骤三、构造神经网络输入：采用与脉冲序列尺度相同的高斯随机序列作为网络的输入；

步骤四、设置序列参数优化收敛条件；

步骤五、将输入序列输入网络，优化磁共振指纹脉冲序列参数；

步骤六、利用步骤一定义的优化模型评估网络优化后的脉冲序列参数；

步骤七、判断是否达到迭代收敛条件，是则输出最终优化的磁共振指纹脉冲序列参数；否则根据优化模型反向传播修正网络参数，并返回步骤五，继续迭代。

进一步地，步骤一构建的脉冲序列参数优化模型为：