1.一种基于神经网络的多次激发平面回波磁共振成像方法,其特征在于,具体步骤如下:
步骤1:利用单次激发平面回波ssh-epi弥散加权序列对第一批训练集进行多通道数据采集;
步骤2:使用这些ssh-epi序列的数据,进行msh-epi图像重建的神经网络的训练:
将ssh-epi的数据按照和msh-epi同样的激发次数方式和轨迹进行数据欠采抽取,将每次激发的混叠ssh-epi图像作为神经网络的输入,进行相位估计,其输出对照金标准目标是无混叠伪影的单次激发的弥散加权重建图像;
步骤3:将经过上一步神经网络训练好的不同次激发的相位数据和基于sense重建的幅值信息进行合并,最终完成对多次激发成像数据的解混叠过程;
步骤4:使用多次激发平面回波msh-epi弥散加权序列对另一批训练集进行多通道数据采集;
步骤5:引入msh-epi,进行神经网络的泛化训练:将msh-epi数据作为神经网络输入,进行网络泛化性能优化,最终得到较高精度的解混叠图像。
2.根据权利要求1所述的基于神经网络的多次激发平面回波磁共振成像方法,其特征在于,所述的神经网络由收缩路径和扩张路径组成;收缩路径由两个3×3的卷积层组成,每一层都包括标准化bn和一个校正的线性单元relu函数;然后采用2×2最大池化核,步长为2,进行下采样;类似地,扩张路径中的每一步都包括:特征映射的上采样,然后是2×2的上池化核,与收缩路径中相应裁剪的特征映射的连接层,以及两个3×3卷积,每个卷积后面都有一个bn和relu函数;在最后一层,使用1×1卷积;该网络共有23个卷积层;神经网络有5个表示尺度,从228×228到16×16,每个尺度的表示分辨率减半。
3.根据权利要求2所述的基于神经网络的多次激发平面回波磁共振成像方法,其特征在于,步骤5中,训练集中的每个受试的数据,就弥散加权成像的图像包含有5个b值和16层,就弥散张量扩散成像的图像则包含有24个方向,2个b值和16层;
所述神经网络由python3.7.0使用tensorflow实现,训练在nvidiateslap100×4gpu上执行;卷积层权重由高斯随机分布初始化;训练权值的损失函数为标准参考和cnn输出的l2范数;adam用于梯度下降,其学习率为10-4,β为0.90;学习率从每个历元的10−1对数降低到10−3;该神经网络的epoch数为1000,最小batchsize为50个;训练过程约10小时。