基于深度学习的磁共振动态成像方法与流程

1.本发明涉及磁共振动态成像技术领域，尤其涉及一种基于深度学习的磁共振动态成像方法。


背景技术：

2.磁共振成像(magnetic resonance imaging，mri)作为一种多参数、多对比度的成像技术，能够反映组织的纵向弛豫时间t1、横向弛豫时间t2和质子密度等多种特性，进而为疾病的检出和诊断提供信息。目前，磁共振成像已经成为医学影像检查的重要技术手段。
3.磁共振成像的工作原理是，利用磁共振现象，采用射频激励激发人体中的氢原子，运用梯度场进行位置编码，采用接收线圈接收带有位置信息的电磁信号，最终对电磁信号进行傅里叶变换重建出图像信息。然而，磁共振成像过程中扫描速度慢、扫描时间长，限制了磁共振成像在临床上的应用。
4.中国专利公开号：cn114782567a公开了一种基于深度学习的磁共振参数成像方法、装置及智能终端,其公开的技术方案中，确定多幅第一低分辨率加权图像到第一高分辨率定量图像的正向转化关系，以及确定第一高分辨率定量图像到多幅第一高分辨率加权图像的逆向转化关系；基于定量卷积网络和物理模型，构建一体式网络；获取训练数据集；基于训练数据集，训练一体式网络；将待分析的多幅第二低分辨率加权图像输入训练完成的一体式网络，得到超分辨率定量图像。本技术具有提高训练完成后的一体式网络的性能和可解释性，并且省去了相关技术中先图像超分辨率处理再非线性拟合处理的繁琐步骤，减少整体耗时的特点。
5.然而，k空间数据做为磁共振图像的原始数据，决定了机器学习模型最终成像的真实可靠性，由此可见，以k空间数据做为机器学习模型学习的样本数据是至关重要的；现有技术中，由于缺乏对机器学习模型参数的有效优化方法，导致磁共振动态成像速率较低及成像质量较低的问题。


技术实现要素：

6.为此，本发明提供一种基于深度学习的磁共振动态成像方法，用以克服现有技术中磁共振动态成像速率较低及成像质量较低的问题。
7.为实现上述目的，本发明提供一种基于深度学习的磁共振动态成像方法，包括：
8.步骤s1，数据获取模块获取若干磁共振图像，对于任一磁共振图像，经过傅里叶逆变换得到图像的k空间数据，将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据；
9.步骤s2，样本构建模块基于任一磁共振图像构造的全编码k空间数据，提取频率域数据和图像域数据，构建频率域数据和图像域数据之间的映射关系，将频率域数据和与其具有映射关系的图像域数据作为一个样本，基于若干磁共振图像获取若干频率域数据和图像域数据形成样本集，将预设比例的样本作为训练集，其余样本作为验证集；
10.步骤s3，训练模块使用训练集对并行网络训练模型进行训练，在完成预设训练次数后，验证模块使用验证集对并行网络训练模型进行验证，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参；
11.在所述步骤s3中，所述训练模块使用训练集对并行网络训练模型进行训练时，所述中控模块计算样本集的平均复杂度p并根据p确定输出通道数基础值sz，中控模块根据sz计算并行网络训练模型各层的输出通道数；所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先根据并行网络训练模型输出的图像与验证样本之间的数据一致性判定并行网络训练模型是否训练完成，在判定模型训练未完成时，中控模块对输出通道数基础值进行修正，同时对并行网络训练模型输出通道数的比例进行调整，以及，对并行网络训练模型的学习率进行调整；在判定模型训练完成时，所述中控模块计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化；
12.步骤s4，所述训练模块以优化后的并行网络训练模型进行训练，对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像。
13.进一步地，在所述步骤s3中，所述并行网络训练模型通过频率域-图像域交替学习方式，同时学习频率域与图像域特征，充分结合频率域与图像域信息，所述训练模块使用训练集对并行网络训练模型进行训练时，样本集的平均复杂度p的计算方法为，所述中控模块获取单个样本中的总数据量ni0以及记载相同信息的数据量ni，则对于该样本的复杂度pi＝ni/ni0，对于样本集的平均复杂度p通过以下公式计算，
[0014][0015]
其中，n为样本的总数量。
[0016]
进一步地，在所述步骤s3中，所述中控模块根据样本集的平均复杂度p确定并行网络训练模型各层的输出通道数时，首先计算输出通道数基础值s0，计算输出通道数基础值s0的方法为，所述中控模块中设有第一平均复杂度p1和第二平均复杂度p2，中控模块将样本集的平均复杂度p分别与p1和p2进行比对，
[0017]
当p≤p1时，所述中控模块设定输出通道数基础值sz＝s0
×
p/p1；
[0018]
当p1＜p≤p2时，所述中控模块设定输出通道数基础值sz＝s0
×
(p1+p2)/2；
[0019]
当p2＜p时，所述中控模块设定输出通道数基础值sz＝s0
×
p/p2；
[0020]
其中，s0为预设输出通道数基础值。
[0021]
进一步地，当所述中控模块完成对输出通道数基础值sz的计算时，对于并行网络训练模型各层的输出通道数，
[0022]
第一层的输出通道数s1＝sz
×
2，
[0023]
第二层的输出通道数s2＝sz
×
8，
[0024]
第m层的输出通道数采用下列公式计算：sm＝(s
m-1+s
m-2)
×
2，其中m为正整数，且m＞2。
[0025]
进一步地，在所述步骤s3中，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先将并行网络训练模型输出图像进行傅里叶逆变换获取k空间数据，计算输出图像的k空间数据与该验证样本对应的k空间数据之间的数据一致性b，设定b＝h/h0，其中h为数据一致的数据的数量，h0为k空间数据总数据量，所述中控模块将b与
预设数据一致性b0进行比对以判定并行网络训练模型是否训练完成，
[0026]
当b≥b0时，所述中控模块判定并行网络训练模型训练完成；
[0027]
当b＜b0时，所述中控模块判定并行网络训练模型训练未完成。
[0028]
进一步地，当所述中控模块判定并行网络训练模型训练未完成时，中控模块计算b与b0的比值σ，设定σ＝b0/b，中控模块根据σ将输出通道数基础值修正至对应值，所述中控模块中设有第一比值σ1和第二比值σ2，其中1＜σ1＜σ2，
[0029]
当σ≤σ1时，所述中控模块将输出通道数基础值修正至sz’＝sz
×
β1
×
σ1/σ；
[0030]
当σ1＜σ≤σ2时，所述中控模块将输出通道数基础值修正至sz’＝sz
×
β2
×
(σ1+σ2)/2；
[0031]
当σ2＜σ时，所述中控模块将输出通道数基础值修正至sz’＝sz
×
β3
×
σ/σ2；
[0032]
其中，β1、β2以及β3表示换算系数，β1＞β2＞β3。
[0033]
进一步地，对于并行网络训练模型任一层均设置四条并行线路且设定输出通道数的比例为a：b：c：d，中控模块计算修正后输出通道数基础值增加的数量δsz，设定δsz＝sz
’‑
sz，中控模块根据δsz对输出通道数的比例进行调节，中控模块中设有第一差值δsz1和第二差值δsz2，其中δsz1＜δsz2，
[0034]
当δsz≤δsz1时，所述中控模块将输出通道数的比例设置为a：b
×
γ1：c：d；
[0035]
当δsz1＜δsz≤δsz2时，所述中控模块将输出通道数的比例设置为a：b
×
γ2：c
×
γ1：d；
[0036]
当δsz2＜δsz时，所述中控模块将输出通道数的比例设置为a：b
×
γ3：c
×
γ2：d
×
γ1；
[0037]
其中，γ1、γ2以及γ3为比例调节系数，1＜γ1＜γ2＜γ3＜3。
[0038]
进一步地，所述中控模块在完成对输出通道数的比例的调节后，计算并行网络训练模型输出图像中每一个像素点灰度值fri与原始图像对应像素点的灰度值fri0的差值δfri，设定δfri＝|fri-fri0|，计算输出图像与原始图像各对应像素点的差值的和φ，设定φ＝∑δfri，中控模块中设有第一对比值φ1、第二对比值φ2、第一学习率调节系数e1、第二学习率调节系数e2以及第三学习率调节系数e3，其中φ1＜φ2，设定1＜e1＜e2＜e3＜1.5，，中控模块将φ分别与φ1和φ2进行比对，
[0039]
当φ≤φ1时，所述中控模块判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度处于第一等级，中控模块选取第一学习率调节系数e1对并行网络训练模型的学习率进行调节；
[0040]
当φ1＜φ≤φ2时，所述中控模块判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度处于第二等级，中控模块选取第二学习率调节系数e2对并行网络训练模型的学习率进行调节；
[0041]
当φ2＜φ时，所述中控模块判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度处于第三等级，中控模块选取第三学习率调节系数e3对并行网络训练模型的学习率进行调节；
[0042]
其中，第一等级的相似度大于第二等级的相似度，第二等级的相似度大于第三等级的相似度；
[0043]
当所述中控模块选取第r学习率调节系数er对所述学习率进行调节时，设定r＝1，
2，3，中控模块将调节后的学习率记为a1，设定a1＝a0
×
er，其中a0为预设并行网络训练模型的学习率，所述训练模块以调节后的学习率进行模型训练。
[0044]
进一步地，当所述中控模块判定并行网络训练模型训练完成时，中控模块计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化，对于任一通道重建的图像，中控模块计算该图像中每一个像素点的灰度值frj，所述中控模块通过以下公式计算输出通道关联度δ，设定
[0045][0046]
其中，fri0为原始图像任一像素点的灰度值，sm为第m层的输出通道数。
[0047]
进一步地，所述中控模块完成输出通道关联度δ的计算时，将δ与预设输出通道关联度δ0进行比对，
[0048]
当δ≥δ0时，所述中控模块判定该通道的输出通道关联度符合标准；
[0049]
当δ＜δ0时，所述中控模块判定该通道的输出通道关联度不符合标准，对该通道进行剔除；
[0050]
所述训练模块以优化后的并行网络训练模型进行训练，对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像。
[0051]
与现有技术相比，本发明的有益效果在于，本发明通过深度学习的原理构建并行网络训练模型，将磁共振图像经过傅里叶逆变换得到图像的k空间数据，然后将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据，以全编码k空间数据作为样本集对并行网络训练模型进行训练和验证，通过对k空间数据的深度学习，使并行网络训练模型在磁共振动态成像时能够快速输出高分辨率的磁共振图像，本发明并行网络训练模型对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像，提高了成像速度，同时提高了本发明所述方法对磁共振动态成像的质量。
[0052]
进一步地，本发明所述所述训练模块使用训练集对并行网络训练模型进行训练时，所述中控模块计算样本集的平均复杂度p并根据p确定输出通道数基础值sz，中控模块根据sz计算并行网络训练模型各层的输出通道数，若输出通道数过多，模型过于复杂，则造成计算过程时间长，成像效率降低，若输出通道数不足，模型过于简单，则造成成像分辨率低，成像效果差，本发明根据样本集的平均复杂度确定并行网络训练模型各层的输出通道数，有效避免了以上问题，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0053]
进一步地，本发明所述并行网络训练模型通过频率域-图像域交替学习方式，同时学习频率域与图像域特征，充分结合频率域与图像域信息，频率域数据用于预测全采的k空间，图像域数据用于提取图像特征，两种数据通过傅里叶逆变换进行连接。频率域网络和图像域网络均使用了数据一致层，用于纠正k空间数据。对不同阶段的重建结果加以约束，保证不同网络深度的重建结果尽可能地近似全采图像，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0054]
进一步地，本发明所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先根据并行网络训练模型输出图像与验证样本之间的数据一致性判定并行网络训练模型是否训练完成，在判定模型训练未完成时，中控模块对输出通道数基础值进行修正，通过对并行网络训练模型参数的调整，优化模型，进一步提高了本发明所述方法
对磁共振动态成像的质量。
[0055]
进一步地，本发明所述中控模块在完成对输出通道数基础值的修正后，计算调节后输出通道数基础值增加的数量δsz，中控模块根据δsz对并行网络训练模型输出通道数的比例进行调节以进一步优化模型，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0056]
进一步地，本发明所述中控模块在完成对输出通道数的比例的调节后，通过判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度所处的等级，选取对应的学习率调节系数对并行网络训练模型的学习率进行调节以进一步优化模型，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0057]
进一步地，本发明所述中控模块判定并行网络训练模型训练完成时，计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化，增加了运算速率，进一步提高了本发明所述方法的成像速度。
附图说明
[0058]
图1为本发明实施例基于深度学习的磁共振动态成像方法的流程图；
[0059]
图2为本发明实施例应用基于深度学习的磁共振动态成像方法的系统的结构框图。
具体实施方式
[0060]
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0061]
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
[0062]
请参阅图1所示，其为本发明实施例基于深度学习的磁共振动态成像方法的流程图，本发明所述基于深度学习的磁共振动态成像方法包括：
[0063]
步骤s1，数据获取模块获取若干磁共振图像，对于任一磁共振图像，经过傅里叶逆变换得到图像的k空间数据，将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据；
[0064]
步骤s2，样本构建模块将基于任一磁共振图像构造的全编码k空间数据作为一个样本，基于若干磁共振图像获取若干样本形成样本集，将预设比例的样本作为训练集，其余样本作为验证集；
[0065]
步骤s3，样本构建模块基于任一磁共振图像构造的全编码k空间数据，提取频率域数据和图像域数据，构建频率域数据和图像域数据之间的映射关系，将频率域数据和与其具有映射关系的图像域数据作为一个样本，基于若干磁共振图像获取若干频率域数据和图像域数据形成样本集，将预设比例的样本作为训练集，其余样本作为验证集；
[0066]
在所述步骤s3中，所述训练模块使用训练集对并行网络训练模型进行训练时，所述中控模块计算样本集的平均复杂度p并根据p确定输出通道数基础值sz，中控模块根据sz计算并行网络训练模型各层的输出通道数；所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先根据并行网络训练模型输出的图像与验证样本之间的
数据一致性判定并行网络训练模型是否训练完成，在判定模型训练未完成时，中控模块对输出通道数基础值进行修正，同时对并行网络训练模型输出通道数的比例进行调整，以及，对并行网络训练模型的学习率进行调整；在判定模型训练完成时，所述中控模块计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化；
[0067]
步骤s4，所述训练模块以优化后的并行网络训练模型进行训练，对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像。
[0068]
请参阅图2所示，其为本发明实施例应用基于深度学习的磁共振动态成像方法的系统的结构框图，本发明提供一种应用基于深度学习的磁共振动态成像方的系统，包括：
[0069]
数据获取模块，用以获取磁共振图像，并将磁共振图像经过傅里叶逆变换得到图像的k空间数据，将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据；
[0070]
样本构建模块，其与所述数据获取模块相连，用以构建样本集，并将样本集按预设比例划分为训练集和验证集；
[0071]
训练模块，其与所述样本构建模块相连，用以通过训练集对并行网络训练模型进行训练；
[0072]
验证模块，其与所述训练模块相连，用以通过验证集对训练后的并行网络训练模型进行验证并输出验证结果；
[0073]
中控模块，其与所述训练模块和所述验证模块相连，中控模块用以根据验证模块输出的验证结果对并行网络训练模型调参。
[0074]
本发明通过深度学习的原理构建并行网络训练模型，将磁共振图像经过傅里叶逆变换得到图像的k空间数据，然后将基于时间交叉采样的相邻帧的k空间数据进行合并,构造全编码k空间数据，以全编码k空间数据作为样本集对并行网络训练模型进行训练和验证，通过对k空间数据的深度学习，使并行网络训练模型在磁共振动态成像时能够快速输出高分辨率的磁共振图像，本发明并行网络训练模型对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像，提高了成像速度，同时提高了本发明所述方法对磁共振动态成像的质量。
[0075]
具体而言，在所述步骤s3中，所述并行网络训练模型通过频率域-图像域交替学习方式，同时学习频率域与图像域特征，充分结合频率域与图像域信息，所述训练模块使用训练集对并行网络训练模型进行训练时，样本集的平均复杂度p的计算方法为，所述中控模块获取单个样本中的总数据量ni0以及记载相同信息的数据量ni，则对于该样本的复杂度pi＝ni/ni0，对于样本集的平均复杂度p通过以下公式计算，
[0076][0077]
其中，n为样本的总数量。
[0078]
本发明所述并行网络训练模型通过频率域-图像域交替学习方式，同时学习频率域与图像域特征，充分结合频率域与图像域信息，频率域数据用于预测全采的k空间，图像域数据用于提取图像特征，两种数据通过傅里叶逆变换进行连接。频率域网络和图像域网络均使用了数据一致层，用于纠正k空间数据。对不同阶段的重建结果加以约束，保证不同网络深度的重建结果尽可能地近似全采图像，进一步提高了本发明所述方法对磁共振动态
成像的质量。
[0079]
具体而言，在所述步骤s3中，所述中控模块根据样本集的平均复杂度p确定并行网络训练模型各层的输出通道数时，首先计算输出通道数基础值s0，计算输出通道数基础值s0的方法为，所述中控模块中设有第一平均复杂度p1和第二平均复杂度p2，中控模块将样本集的平均复杂度p分别与p1和p2进行比对，
[0080]
当p≤p1时，所述中控模块设定输出通道数基础值sz＝s0
×
p/p1；
[0081]
当p1＜p≤p2时，所述中控模块设定输出通道数基础值sz＝s0
×
(p1+p2)/2；
[0082]
当p2＜p时，所述中控模块设定输出通道数基础值sz＝s0
×
p/p2；
[0083]
其中，s0为预设输出通道数基础值。
[0084]
具体而言，当所述中控模块完成对输出通道数基础值sz的计算时，对于并行网络训练模型各层的输出通道数，
[0085]
第一层的输出通道数s1＝sz
×
2，
[0086]
第二层的输出通道数s2＝sz
×
8，
[0087]
第m层的输出通道数采用下列公式计算：sm＝(s
m-1+s
m-2)
×
2，其中m为正整数，且m＞2。
[0088]
本发明所述所述训练模块使用训练集对并行网络训练模型进行训练时，所述中控模块计算样本集的平均复杂度p并根据p确定输出通道数基础值sz，中控模块根据sz计算并行网络训练模型各层的输出通道数，若输出通道数过多，模型过于复杂，则造成计算过程时间长，成像效率降低，若输出通道数不足，模型过于简单，则造成成像分辨率低，成像效果差，本发明根据样本集的平均复杂度确定并行网络训练模型各层的输出通道数，有效避免了以上问题，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0089]
具体而言，在所述步骤s3中，所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先将并行网络训练模型输出图像进行傅里叶逆变换获取k空间数据，计算输出图像的k空间数据与该验证样本对应的k空间数据之间的数据一致性b，设定b＝h/h0，其中h为数据一致的数据的数量，h0为k空间数据总数据量，所述中控模块将b与预设数据一致性b0进行比对以判定并行网络训练模型是否训练完成，
[0090]
当b≥b0时，所述中控模块判定并行网络训练模型训练完成；
[0091]
当b＜b0时，所述中控模块判定并行网络训练模型训练未完成。
[0092]
具体而言，当所述中控模块判定并行网络训练模型训练未完成时，中控模块计算b与b0的比值σ，设定σ＝b0/b，中控模块根据σ将输出通道数基础值修正至对应值，所述中控模块中设有第一比值σ1和第二比值σ2，其中1＜σ1＜σ2，
[0093]
当σ≤σ1时，所述中控模块将输出通道数基础值修正至sz’＝sz
×
β1
×
σ1/σ；
[0094]
当σ1＜σ≤σ2时，所述中控模块将输出通道数基础值修正至sz’＝sz
×
β2
×
(σ1+σ2)/2；
[0095]
当σ2＜σ时，所述中控模块将输出通道数基础值修正至sz’＝sz
×
β3
×
σ/σ2；
[0096]
其中，β1、β2以及β3表示换算系数，β1＞β2＞β3。
[0097]
本发明所述中控模块根据并行网络训练模型输出的结果对并行网络训练模型调参时，首先根据并行网络训练模型输出图像与验证样本之间的数据一致性判定并行网络训练模型是否训练完成，在判定模型训练未完成时，中控模块对输出通道数基础值进行修正，
通过对并行网络训练模型参数的调整，优化模型，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0098]
具体而言，对于并行网络训练模型任一层均设置四条并行线路且设定输出通道数的比例为a：b：c：d，中控模块计算修正后输出通道数基础值增加的数量δsz，设定δsz＝sz
’‑
sz，中控模块根据δsz对输出通道数的比例进行调节，中控模块中设有第一差值δsz1和第二差值δsz2，其中δsz1＜δsz2，
[0099]
当δsz≤δsz1时，所述中控模块将输出通道数的比例设置为a：b
×
γ1：c：d；
[0100]
当δsz1＜δsz≤δsz2时，所述中控模块将输出通道数的比例设置为a：b
×
γ2：c
×
γ1：d；
[0101]
当δsz2＜δsz时，所述中控模块将输出通道数的比例设置为a：b
×
γ3：c
×
γ2：d
×
γ1；
[0102]
其中，γ1、γ2以及γ3为比例调节系数，1＜γ1＜γ2＜γ3＜3。
[0103]
本发明所述中控模块在完成对输出通道数基础值的修正后，计算调节后输出通道数基础值增加的数量δsz，中控模块根据δsz对并行网络训练模型输出通道数的比例进行调节以进一步优化模型，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0104]
具体而言，所述中控模块在完成对输出通道数的比例的调节后，计算并行网络训练模型输出图像中每一个像素点灰度值fri与原始图像对应像素点的灰度值fri0的差值δfri，设定δfri＝|fri-fri0|，计算输出图像与原始图像各对应像素点的差值的和φ，设定φ＝∑δfri，中控模块中设有第一对比值φ1、第二对比值φ2、第一学习率调节系数e1、第二学习率调节系数e2以及第三学习率调节系数e3，其中φ1＜φ2，设定1＜e1＜e2＜e3＜1.5，，中控模块将φ分别与φ1和φ2进行比对，
[0105]
当φ≤φ1时，所述中控模块判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度处于第一等级，中控模块选取第一学习率调节系数e1对并行网络训练模型的学习率进行调节；
[0106]
当φ1＜φ≤φ2时，所述中控模块判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度处于第二等级，中控模块选取第二学习率调节系数e2对并行网络训练模型的学习率进行调节；
[0107]
当φ2＜φ时，所述中控模块判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度处于第三等级，中控模块选取第三学习率调节系数e3对并行网络训练模型的学习率进行调节；
[0108]
其中，第一等级的相似度大于第二等级的相似度，第二等级的相似度大于第三等级的相似度；
[0109]
当所述中控模块选取第r学习率调节系数er对所述学习率进行调节时，设定r＝1，2，3，中控模块将调节后的学习率记为a1，设定a1＝a0
×
er，其中a0为预设并行网络训练模型的学习率，所述训练模块以调节后的学习率进行模型训练。
[0110]
本发明所述中控模块在完成对输出通道数的比例的调节后，通过判定并行网络训练模型输出图像中任一像素点灰度值之间的相似度所处的等级，选取对应的学习率调节系数对并行网络训练模型的学习率进行调节以进一步优化模型，进一步提高了本发明所述方法对磁共振动态成像的质量。
[0111]
具体而言，当所述中控模块判定并行网络训练模型训练完成时，中控模块计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化，对于任一通道重建的图像，中控模块计算该图像中每一个像素点的灰度值frj，所述中控模块通过以下公式计算输出通道关联度δ，设定
[0112][0113]
其中，fri0为原始图像任一像素点的灰度值，sm为第m层的输出通道数。
[0114]
具体而言，所述中控模块完成输出通道关联度δ的计算时，将δ与预设输出通道关联度δ0进行比对，
[0115]
当δ≥δ0时，所述中控模块判定该通道的输出通道关联度符合标准；
[0116]
当δ＜δ0时，所述中控模块判定该通道的输出通道关联度不符合标准，对该通道进行剔除；
[0117]
所述训练模块以优化后的并行网络训练模型进行训练，对每个通道的图像进行重建并将重建图像通过融合网络通道进行合并以输出最终磁共振图像。
[0118]
本发明所述中控模块判定并行网络训练模型训练完成时，计算输出通道关联度δ并剔除关联度不符合标准的输出通道以对并行网络训练模型进行优化，增加了运算速率，进一步提高了本发明所述方法的成像速度。
[0119]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0120]
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。