技术特征：
1.一种基于深度学习的磁共振动态成像方法，其特征在于，包括：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；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；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；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；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。2.根据权利要求1所述的基于深度学习的磁共振动态成像方法，其特征在于，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，其中，n为样本的总数量。3.根据权利要求2所述的基于深度学习的磁共振动态成像方法，其特征在于，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，当p≤p1时，所述中控模块设定输出通道数基础值sz＝s0
×
p/p1；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；当p2＜p时，所述中控模块设定输出通道数基础值sz＝s0
×
p/p2；其中，s0为预设输出通道数基础值。
4.根据权利要求3所述的基于深度学习的磁共振动态成像方法，其特征在于，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，第一层的输出通道数s1＝sz
×
2，第二层的输出通道数s2＝sz
×
8，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。5.根据权利要求1所述的基于深度学习的磁共振动态成像方法，其特征在于，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，当b≥b0时，所述中控模块判定并行网络训练模型训练完成；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。6.根据权利要求5所述的基于深度学习的磁共振动态成像方法，其特征在于，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，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；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；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；其中，β1、β2以及β3表示换算系数，β1＞β2＞β3。7.根据权利要求6所述的基于深度学习的磁共振动态成像方法，其特征在于，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，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；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；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；其中，γ1、γ2以及γ3为比例调节系数，1＜γ1＜γ2＜γ3＜3。8.根据权利要求7所述的基于深度学习的磁共振动态成像方法，其特征在于，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，
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；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；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；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；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。9.根据权利要求5所述的基于深度学习的磁共振动态成像方法，其特征在于，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。10.根据权利要求9所述的基于深度学习的磁共振动态成像方法，其特征在于，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，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；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；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。
技术总结
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，包括构造全编码k空间数据以形成样本集，将样本集按预设比例分为训练集和验证集，使用训练集对并行网络训练模型进行训练并使用验证集对并行网络训练模型进行验证，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；本发明通过将全编码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，同时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。质量。质量。
技术研发人员：高而师 王立
受保护的技术使用者：中科微影（浙江）医疗科技有限公司
技术研发日：2022.09.02
技术公布日：2022/11/25