基于循环网络的磁共振参数量化方法、装置、设备及介质

1.本发明属于磁共振技术领域，尤其涉及一种基于循环网络的磁共振参数量化方法、装置、设备及介质。


背景技术：

2.磁共振参数量化技术是一种从不同对比度的多幅磁共振加权图像计算得到组织物理参数的一种技术。磁共振参数图像能够反映组织中生物物理参数的空间分布，例如，组织的横向弛豫时间(t2)和纵向弛豫时间(t1)。相较于传统的定性的磁共振加权图像，定量的磁共振参数对于组织的生理变化更加敏感，同时得到的参数值在多中心之间是可比较的。磁共振参数量化技术已经被广泛应用于多发性硬化症、脑肿瘤、中风、癫痫、组织铁过载、软骨疾病和心肌病等疾病的研究中。
3.磁共振参数量化需要采集不同对比度的多幅磁共振加权图像。但是，这些图像的采集序列的采集参数是可以灵活设置的。在不同的中心、不同的磁共振扫描仪、不同的研究目的中，采集参数存在较大的差异性。近年来，许多研究都对深度学习方法在磁共振参数量化领域的应用进行了探索。例如，全连接神经网络，卷积神经网络等深度学习网络都取得了良好的效果。但是，这些深度学习网络通常都只能应用于特定采集参数采集得到的磁共振加权图像。当输入图像的采集参数发生较大变化，与训练数据使用的采集参数不同时，如输入具有不同数量的磁共振加权图像，如果不重新对深度学习网络进行训练，他们的参数量化准确度较低，甚至无法计算出合理的参数。此外，重新对深度学习网络训练通常是十分耗时的，而且对所有的不同的采集参数情况进行训练也是不现实的。


技术实现要素：

4.本发明的目的在于提供一种基于循环网络的磁共振参数量化方法、装置、设备及介质，解决了现有深度学习技术无法在输入的磁共振加权图像的采集参数发生较大改变时进行高质量参数量化的问题，避免了重新对网络进行训练，同时能够取得良好的参数量化质量。
5.本发明是通过以下技术方案实现的：
6.一种基于循环网络的磁共振参数量化方法，包括以下步骤：
7.采集不同对比度的多幅磁共振加权图像；
8.将多幅磁共振加权图像输入已构建的循环神经网络中，多次循环后，得到磁共振参数图像；其中，所述循环神经网络是基于物理模型和卷积神经网络构建而成的，对于循环神经网络的每一次循环，对应输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，对应输出为循环神经网络本次循环计算得到的磁共振参数图像和状态参数；物理模型由不同对比度的多幅磁共振加权图像的采集过程确定。
9.进一步地，状态参数包括a、b和c；
10.循环神经网络由梯度单元、hessian单元、去噪单元以及两个比例系数λ和ρ组合连
接而成；
11.对于循环神经网络的第i次循环，梯度单元的输入为循环神经网络第i-1次循环输出的状态参数a
i-1
，b
i-1
，c
i-1
和采集得到的不同对比度的多幅磁共振加权图像{q}，其输出为目标函数f(a)相对于状态参数a在a
i-1
处的梯度值其中，q＝1,
…
,nq，nq为输入的不同对比度的磁共振加权图像的数量，目标函数f(a)为：
[0012][0013]
式中，sq为第q个输入的磁共振加权图像采集过程中确定的物理模型，物理模型的输入为状态参数a，其输出为应用物理模型计算得到的磁共振加权图像；
[0014]
hessian单元的输入为循环神经网络第i-1次循环输出的状态参数a
i-1
，其输出为目标函数f(a)相对于状态参数a在a
i-1
处的hessian矩阵hf(a
i-1
)；
[0015]
去噪单元的输入为循环神经网络第i-1次循环输出的状态参数b
i-1
，其输出为对状态参数b
i-1
去除噪声后的状态参数d(b
i-1
)。
[0016]
进一步地，去噪单元为一个具有残差结构的卷积神经网络，其由多个卷积层串联而成，除最后一个卷积层外，每个卷积层后有一个线性整流激活函数，最后一个卷积层的输出与卷积神经网络的输入相加得到卷积神经网络的输出。
[0017]
进一步地，循环神经网络采用以下公式计算得到其第i次循环输出的状态参数ai、bi和ci：
[0018][0019]bi
＝[ρ(ai c
i-1
) λd(b
i-1
)]/(ρ λ)；
[0020]ci
＝c
i-1
a
i-bi；
[0021]
式中，为hessian单元的输出hessian矩阵hf(a
i-1
)的逆矩阵，d(b
i-1
)为去噪单元的输出结果，i为大于等于1的整数。
[0022]
进一步地，循环神经网络采用以下公式计算得到其第i次循环输出的磁共振参数图像xi：
[0023]
xi＝ai。
[0024]
进一步地，比例系数λ和ρ均通过一种加权的平均绝对误差损失函数来学习，其中，加权的平均绝对误差损失函数为：
[0025][0026]
式中，ns为循环神经网络的循环次数，xi为循环神经网络第i次循环计算输出的磁共振参数图像，d为去噪单元，b
i-1
为循环神经网络第i-1次循环输出的状态参数，x
gt
为真实的参数图像。
[0027]
进一步地，不同对比度的多幅磁共振加权图像为使用不同序列参数采集到的磁共振加权图像。
[0028]
本发明还提供了一种基于循环网络的磁共振参数量化装置，包括：
[0029]
采集模块，用于采集不同对比度的多幅磁共振加权图像；
[0030]
输入模块，用于将多幅磁共振加权图像输入已构建的循环神经网络中，多次循环后，得到磁共振参数图像；其中，所述循环神经网络是基于物理模型和卷积神经网络构建而
成的，对于循环神经网络的每一次循环，对应输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，对应输出为循环神经网络本次循环计算得到的磁共振参数图像和状态参数；物理模型由不同对比度的多幅磁共振加权图像的采集过程确定。
[0031]
本发明还公开了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。
[0032]
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的方法的步骤。
[0033]
相比于现有技术，本发明的有益效果为：通过将物理模型与卷积神经网络相结合得到循环神经网络，相较于现有的深度学习网络，可以使得该循环神经网络充分利用已知的磁共振信号采集所依赖的物理模型，来应对输入的磁共振加权图像的采集参数变化所带来的影响，使构建的循环神经网络对磁共振加权图像的采集参数的变化更加鲁棒，在不同的采集参数情况下都能得到良好的参数量化质量，同时循环神经网络中的卷积神经网络可以对生成的磁共振参数图像进行更加有效约束，进一步保证了高质量的磁共振参数量化。
附图说明
[0034]
图1为本发明基于循环网络的磁共振参数量化方法的步骤流程图；
[0035]
图2为本发明基于循环网络的磁共振参数量化方法的整体框架图；
[0036]
图3为本发明基于循环网络的磁共振参数量化方法中循环神经网络的结构示意图；
[0037]
图4为本发明基于循环网络的磁共振参数量化方法的循环神经网络中去噪单元的结构示意图；
[0038]
图5为本发明基于循环网络的磁共振参数量化装置的模块示意图；
[0039]
图6为本发明电子设备一实施例的结构示意图；
[0040]
图7为本发明计算机可读存储介质一实施例的结构示意框图。
具体实施方式
[0041]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和表示的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0042]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0044]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实
体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0045]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0046]
请参阅图1和图2，图1为本发明基于循环网络的磁共振参数量化方法的步骤流程图，图2为本发明基于循环网络的磁共振参数量化方法的整体框架图。一种基于循环网络的磁共振参数量化方法，包括以下步骤：
[0047]
s1、采集不同对比度的多幅磁共振加权图像；
[0048]
s2、将多幅磁共振加权图像输入已构建的循环神经网络中，多次循环后，得到磁共振参数图像；其中，循环神经网络是基于物理模型和卷积神经网络构建而成的，对于循环神经网络的每一次循环，对应输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，对应输出为循环神经网络本次循环计算得到的磁共振参数图像和状态参数；物理模型由不同对比度的多幅磁共振加权图像的采集过程确定。
[0049]
在上述步骤s1中，不同对比度的多幅磁共振加权图像为使用不同序列参数采集到的磁共振加权图像，可以采用多回波梯度回波序列获得具有不同回波时间的多幅磁共振加权图像，从而得到不同对比度的多幅磁共振加权图像。采用的多回波梯度回波序列具有适用性强，操作容易，成本低廉、采集速度快等特点。需要说明的是，获得磁共振加权图像的方法并不仅仅局限于本实施例中的多回波梯度回波序列，也可以通过单回波采集多次等获取。获得的磁共振加权图像可以具有任意大小，例如，64
×
128像素、128
×
128像素、256
×
256像素、512
×
512像素等。获得的磁共振加权图像可以为大脑、肝脏等人类组织器官的磁共振加权图像，在本实施例中，以获得的磁共振加权图像为大脑的磁共振加权图像进行说明。
[0050]
在上述步骤s2中，预先构建循环神经网络，循环神经网络是基于物理模型和卷积神经网络构建而成的。物理模型是磁共振信号采集过程中采集序列采集得到的信号变化所遵循特定的信号变化物理模型，因此，物理模型的形式由输入的不同对比度的多幅磁共振加权图像采集过程中所应用的采集序列所决定，其通过磁共振经典的bloch方程推导而来，可以通过物理公式表达，采集序列指现有的专用于参数量化的采集序列。例如，当采用多回波自旋回波序列采集磁共振加权图像对r2参数进行量化时，特定像素位置的信号变化对应的物理模型可以表示为s＝0·
xp(-·
r2)，其中s为采集得到的信号值，s0为量化得到的回波时间为0时的信号值，te为回波时间。参数量化的种类不限于r2参数，也可以是t1等弛豫参数。其他参数量化过程中对应的物理模型也是可以根据bloch方程和采集序列的形式容易推导得到的。
[0051]
在循环神经网络第一次循环时，没有循环神经网络上一次循环输出的状态参数，
因此循环神经网络第一次循环的输入为不同对比度的多幅磁共振加权图像，输入的状态参数a0均设为1,b0均设为1,c0均设为0，循环神经网络第一次循环的输出为本次循环计算得到的磁共振参数图像和状态参数。从循环神经网络的第二次循环开始，循环神经网络每次循环的输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，循环神经网络每次循环的输出为本次循环计算得到的磁共振参数图像和状态参数。从而将采集得到的多幅磁共振加权图像输入循环神经网络，经过预设的循环次数的循环后得到磁共振参数图像，具体地，预设的循环次数可根据实际情况进行设定，如在本实施例中，将循环次数设定为15次，则经过循环神经网络进行15次的循环后，将最后一次循环输出的磁共振参数图像作为最终的结果，从而得到最终输出的磁共振参数图像。磁共振参数图像为量化得到的磁共振参数所组成的图像，参数图像的每个像素的值为对应像素位置的磁共振参数。
[0052]
进一步地，循环神经网络输出的状态参数包括三个，分别为a、b和c；
[0053]
请结合参阅图3，图3为本发明基于循环网络的磁共振参数量化方法中循环神经网络的结构示意图。循环神经网络构建的具体过程包括：
[0054]
循环神经网络由梯度单元g、hessian单元h、去噪单元d以及两个比例系数λ和ρ组合连接而成；
[0055]
对于循环神经网络的第i次循环，梯度单元g的输入为循环神经网络第i-1次循环输出的状态参数a
i-1
，b
i-1
，c
i-1
和不同对比度的多幅磁共振加权图像{yq}，梯度单元g的输出为目标函数f(a)相对于状态参数a在a
i-1
处的梯度值其中，q＝1,
…
,nq，nq为输入的不同对比度的磁共振加权图像的数量，目标函数f(a)为：
[0056][0057]
式中，sq为第q个输入的磁共振加权图像采集过程中对应的信号变化所遵循的物理模型，物理模型的输入为状态参数a，其输出为应用物理模型计算后得到的磁共振加权图像；具体地，在本实施例中，以大脑的横向弛豫率r2参数量化为例，其中，teq为第q个回波时间，s0和r2为期望量化的磁共振参数，a＝(s0,r2)，s0代表回波时间为0ms时(te0＝0)的磁共振加权图像的信号强度，r2代表组织横向弛豫率参数，yq为第q个回波时间采集得到的磁共振加权图像，nq为输入的不同回波时间采集得到的磁共振加权图像数量。需要说明的是，量化的参数并不仅仅局限于本实施例中的横向弛豫率r2，也可以为纵向弛豫率r1等弛豫参数，对于其他参数的量化，需要对应的现有的专用参数量化采集序列。
[0058]
通过以下公式计算的得到梯度值
[0059][0060]
式中，a
p
为第p个磁共振参数，n
p
为期望量化的磁共振参数个数。在本实施例中，以横向弛豫率r2参数量化为例，n
p
＝2，a1＝s0，a2＝r2，sq分别对a
p
求导可以得到：
[0061][0062]
[0063]
hessian单元h的输入为循环神经网络第i-1次循环输出的状态参数a
i-1
，hessian单元h的输出为目标函数f(a)相对于状态参数a在a
i-1
处的hessian矩阵hf(a
i-1
)。
[0064]
具体地，在本实施例中，以大脑的横向弛豫率r2参数量化为例，hessian矩阵可以根据高斯-牛顿法估计得到，计算公式为：
[0065][0066]
去噪单元d的输入为循环神经网络第i-1次循环输出的状态参数b
i-1
，其输出为对状态参数b
i-1
去除噪声后的状态参数d(b
i-1
)，d(b
i-1
)即为卷积神经网络的输出。
[0067]
请结合参阅图4，图4为本发明基于循环网络的磁共振参数量化方法的循环神经网络中去噪单元的结构示意图。进一步地，去噪单元d为一个具有残差结构的卷积神经网络，其由多个卷积层串联而成，除最后一个卷积层外，每个卷积层后有一个线性整流激活函数，最后一个卷积层的输出与卷积神经网络的输入相加得到卷积神经网络的输出。
[0068]
具体地，在本实施例中，去噪单元d由七个卷积层串联而成，前六个卷积层后有一个线性整流激活函数relu，卷积核的大小为3。前六个卷积层的输出的特征层数为64，最后一个卷积层输出的特征层数为n
p
，分别对应着不同的磁共振参数。同时卷积神经网络具有残差结构，即卷积神经网络最后一个卷积层的输出与卷积神经网络的输入相加得到卷积神经网络的输出。
[0069]
进一步地，循环神经网络采用以下公式计算得到其第i次循环输出的状态参数ai、bi和ci：
[0070][0071]bi
＝[ρ(ai c
i-1
) λd(b
i-1
)]/(ρ λ)；
[0072]ci
＝c
i-1
a
i-bi；
[0073]
式中，为hessian单元的输出hessian矩阵hf(a
i-1
)的逆矩阵，d(b
i-1
)为去噪单元的输出结果，i为大于等于1的整数。
[0074]
进一步地，循环神经网络采用以下公式计算得到其第i次循环输出的磁共振参数图像xi：
[0075]
xi＝ai。
[0076]
循环神经网络构建完成后，需要使用一定数量的样本进行训练，学习可学习参数λ和ρ以及去噪单元中卷积神经网络中的权重系数，才能用于磁共振参数量化。进一步地，学习是通过使用一种加权的平均绝对误差损失函数来进行的，其中，加权的平均绝对误差损失函数为：
[0077][0078]
式中，ns为循环神经网络的循环次数，xi为循环神经网络第i次循环计算输出的磁共振参数图像，d为去噪单元，b
i-1
为循环神经网络第i-1次循环输出的状态参数，x
gt
为真实的参数图像。
[0079]
上述的循环神经网络融合了磁共振信号采集过程中所遵循的物理模型和卷积神
经网络，使得构建的循环神经网络能对磁共振加权图像采集过程中使用的采集参数信息进行充分利用，从而使其能够应用于不同的采集参数获取的磁共振加权图像，同时具有较强的鲁棒性。此外，可学习的卷积神经网络的加入进一步提升了参数量化的准确性。
[0080]
请结合参阅图5，图5为本发明基于循环网络的磁共振参数量化装置的模块示意图。本发明还提供了一种基于循环网络的磁共振参数量化装置，包括：
[0081]
采集模块1，用于采集不同对比度的多幅磁共振加权图像；
[0082]
输入模块2，用于将多幅磁共振加权图像输入已构建的循环神经网络中，多次循环后，得到磁共振参数图像；其中，循环神经网络是基于物理模型和卷积神经网络构建而成的，对于循环神经网络的每一次循环，对应输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，对应输出为循环神经网络本次循环计算得到的磁共振参数图像和状态参数；物理模型由不同对比度的多幅磁共振加权图像的采集过程确定。
[0083]
不同对比度的多幅磁共振加权图像为使用不同序列参数采集到的磁共振加权图像，获取模块1可以采用多回波梯度回波序列获得具有不同回波时间的多幅磁共振加权图像，从而得到不同对比度的多幅磁共振加权图像。采用的多回波梯度回波序列具有适用性强，操作容易，成本低廉、采集速度快等特点。需要说明的是，获得磁共振加权图像的方法并不仅仅局限于本实施例中的多回波梯度回波序列，也可以通过单回波采集多次等获取。获得的磁共振加权图像可以具有任意大小，例如，64
×
128像素、128
×
128像素、256
×
256像素、512
×
512像素等。获得的磁共振加权图像可以为大脑、肝脏等人类组织器官的磁共振加权图像，在本实施例中，以获得的磁共振加权图像为大脑的磁共振加权图像进行说明。
[0084]
在上述输入模块2中，预先构建循环神经网络，循环神经网络是一种结合物理模型和卷积神经网络构建而成的。物理模型是磁共振信号采集过程中采集序列采集得到的信号变化所遵循特定的信号变化物理模型，因此，物理模型的形式由输入的不同对比度的多幅磁共振加权图像采集过程中所应用的采集序列所决定，其通过磁共振经典的bloch方程推导而来，可以通过物理公式表达，采集序列指现有的专用于参数量化的采集序列。例如，当采用多回波自旋回波序列采集磁共振加权图像对r2参数进行量化时，特定像素位置的信号变化对应的物理模型可以表示为s＝0·
xp(-·
r2)，其中s为采集得到的信号值，s0为量化得到的回波时间为0时的信号值，te为回波时间。参数量化的种类不限于r2参数，也可以是t1等弛豫参数。其他参数量化过程中对应的物理模型也是可以根据bloch方程和采集序列的形式容易推导得到的。
[0085]
在循环神经网络第一次循环时，没有循环神经网络上一次循环输出的状态参数，因此循环神经网络第一次循环的输入为不同对比度的多幅磁共振加权图像，输入的状态参数a0均设为1,b0均设为1,c0均设为0，循环神经网络第一次循环的输出为本次循环计算得到的磁共振参数图像和状态参数。从循环神经网络的第二次循环开始，循环神经网络每次循环的输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，循环神经网络每次循环的输出为本次循环计算得到的磁共振参数图像和状态参数。从而将采集得到的多幅磁共振加权图像输入循环神经网络，经过预设的循环次数的循环后得到磁共振参数图像，具体地，预设的循环次数可根据实际情况进行设定，如在本实施例中，将循环次数设定为15次，则经过循环神经网络进行15次的循环后，将最后一次循环输出的
磁共振参数图像作为最终的结果，从而得到最终输出的磁共振参数图像。磁共振参数图像为量化得到的磁共振参数所组成的图像，参数图像的每个像素的值为对应像素位置的磁共振参数。
[0086]
进一步地，在上述输入模块2中，循环神经网络输出的状态参数包括三个，分别为a、b和c；
[0087]
请结合参阅图3，图3为本发明基于循环网络的磁共振参数量化方法中循环神经网络的结构示意图。循环神经网络构建的具体过程包括：
[0088]
循环神经网络由梯度单元g、hessian单元h、去噪单元d以及两个比例系数λ和ρ组合连接而成；
[0089]
对于循环神经网络的第i次循环，梯度单元g的输入为循环神经网络第i-1次循环输出的状态参数a
i-1
，b
i-1
，c
i-1
和不同对比度的多幅磁共振加权图像{yq}，梯度单元g的输出为目标函数f(a)相对于状态参数a在a
i-1
处的梯度值其中，q＝1,
…
,nq，nq为输入的不同对比度的磁共振加权图像的数量，目标函数f(a)为：
[0090][0091]
式中，sq为第q个输入的磁共振加权图像获取过程中对应的信号变化所遵循的物理模型，物理模型的输入为状态参数a，其输出为应用物理模型计算得到的磁共振参数图像；具体地，在本实施例中，以大脑的横向弛豫率r2参数量化为例，其中，teq为第q个回波时间，s0和r2为期望量化的磁共振参数，a＝(s0,r2)，s0代表回波时间为0ms时(te0＝0)的磁共振加权图像的信号强度，r2代表组织横向弛豫率参数，yq为第q个回波时间采集得到的磁共振加权图像，nq为输入的不同回波时间采集得到的磁共振加权图像数量。需要说明的是，量化的参数并不仅仅局限于本实施例中的横向弛豫率r2，也可以为纵向弛豫率r1等弛豫参数，对于其他参数的量化，需要对应的现有的专用采集序列。
[0092]
通过以下公式计算的得到梯度值
[0093][0094]
式中，a
p
为第p个磁共振参数，n
p
为期望量化的磁共振参数个数。在本实施例中，以横向弛豫率r2参数量化为例，n
p
＝2，a1＝s0，a2＝r2，sq分别对a
p
求导可以得到：
[0095][0096][0097]
hessian单元h的输入为循环神经网络第i-1次循环输出的状态参数a
i-1
，hessian单元h的输出为目标函数f(a)相对于状态参数a在a
i-1
处的hessian矩阵hf(a
i-1
)。
[0098]
具体地，在本实施例中，以大脑的横向弛豫率r2参数量化为例，hessian矩阵可以根据高斯-牛顿法估计得到，计算公式为：
[0099][0100]
去噪单元d的输入为循环神经网络第i-1次循环输出的状态参数b
i-1
，去噪单元的输出为对状态参数b
i-1
去除噪声后的状态参数d(b
i-1
)，d(b
i-1
)即为卷积神经网络的输出。
[0101]
请结合参阅图4，图4为本发明基于循环网络的磁共振参数量化方法的循环神经网络中去噪单元的结构示意图。进一步地，去噪单元d为一个具有残差结构的卷积神经网络，其由多个卷积层串联而成，除最后一个卷积层外，每个卷积层后有一个线性整流激活函数，最后一个卷积层的输出与卷积神经网络的输入相加得到卷积神经网络的输出。
[0102]
具体地，在本实施例中，去噪单元d由七个卷积层串联而成，前六个卷积层后有一个线性整流激活函数relu，卷积核的大小为3。前六个卷积层的输出的特征层数为64，最后一个卷积层输出的特征层数为n
p
，分别对应着不同的磁共振参数。同时卷积神经网络具有残差结构，即卷积神经网络最后一个卷积层的输出与卷积神经网络的输入相加得到卷积神经网络的输出。
[0103]
进一步地，循环神经网络采用以下公式计算得到其第i次循环输出的状态参数ai、bi和ci：
[0104][0105]bi
＝[ρ(ai c
i-1
) λd(b
i-1
)]/(ρ λ)；
[0106]ci
＝c
i-1
a
i-bi；
[0107]
式中，为hessian单元的输出hessian矩阵hf(a
i-1
)的逆矩阵，d(b
i-1
)为去噪单元的输出结果，i为大于等于1的整数。
[0108]
进一步地，循环神经网络采用以下公式计算得到其第i次循环输出的磁共振参数图像xi：
[0109]
xi＝i。
[0110]
循环神经网络构建完成后，需要使用一定数量的样本进行训练，学习可学习参数λ和ρ以及去噪单元中卷积神经网络中的权重系数，才能用于磁共振参数量化。进一步地，学习通过一种加权的平均绝对误差损失函数来进行的，其中，加权的平均绝对误差损失函数为：
[0111][0112]
式中，ns为循环神经网络的循环次数，xi为循环神经网络第i次循环计算输出的磁共振参数图像，d为去噪单元，b
i-1
为循环神经网络第i-1次循环输出的状态参数，x
gt
为真实的参数图像。
[0113]
请结合参阅图6，图6为本发明电子设备一实施例的结构示意框图。本发明一实施例还提出一种电子设备1001，包括存储器1003和处理器1002，存储器1003存储有计算机程序1004，处理器1002执行计算机程序1004时实现上述任一项基于循环网络的磁共振参数量化方法的步骤，包括：s1、采集不同对比度的多幅磁共振加权图像；s2、将多幅磁共振加权图像输入已构建的循环神经网络中，多次循环后，得到磁共振参数图像；其中，循环神经网络
是基于物理模型和卷积神经网络构建而成的，对于循环神经网络的每一次循环，对应输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，对应输出为循环神经网络本次循环计算得到的磁共振参数图像和状态参数；物理模型由不同对比度的多幅磁共振加权图像的采集过程确定
[0114]
请结合参阅图7，图7为本发明计算机可读存储介质一实施例的结构示意框图。本发明一实施例还提供一种计算机可读存储介质2001，其上存储有计算机程序1004，计算机程序1004被处理器1002执行时实现上述任一项基于循环网络的磁共振参数量化方法的步骤，包括：s1、采集不同对比度的多幅磁共振加权图像；s2、将多幅磁共振加权图像输入已构建的循环神经网络中，多次循环后，得到磁共振参数图像；其中，循环神经网络是基于物理模型和卷积神经网络构建而成的，对于循环神经网络的每一次循环，对应输入为不同对比度的多幅磁共振加权图像和循环神经网络上一次循环输出的状态参数，对应输出为循环神经网络本次循环计算得到的磁共振参数图像和状态参数；物理模型由不同对比度的多幅磁共振加权图像的采集过程确定。
[0115]
相比于现有技术，本发明的有益效果为：通过将物理模型与卷积神经网络相结合得到循环神经网络，相较于现有的深度学习网络，可以使得该循环神经网络充分利用已知的磁共振信号采集所依赖得物理模型，来应对输入的磁共振加权图像的采集参数变化所带来的影响，使构建的循环神经网络对磁共振加权图像的采集参数的变化更加鲁棒，在不同的采集参数情况下都能得到良好的参数量化质量，同时循环神经网络中的卷积神经网络可以对生成的磁共振参数图像进行更加有效约束，进一步保证了高质量的磁共振参数量化。
[0116]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0117]
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。