本发明涉及磁共振成像，尤其是涉及一种基于深度学习和线圈灵敏度的腹部器官成像方法及装置。
背景技术：
1、临床上常规的弥散加权图像采集方法是通过单次激发平面回波成像(single-shot echo planar imaging，ssh-epi)实现，但其图像空间分辨率低，导致重建后图像几何失真严重，图像清晰度低。因此目前的改进策略是通过多次激发(沿相位编码方向或者频率编码方向两种)实现，如多次激发平面回波弥散加权成像(multi-shot echo planarimaging diffusion weighted imaging，msh-epidwi)技术，其通过完成较高的空间分辨率采集，从而重建出较少的几何变形和高分辨率图像，为临床诊断提供更精细的解剖信息。
2、但是，对多次激发技术而言，不同次激发之间会存在线性和非线性相位变化，扩散梯度则放大了这种相位差异进而造成多次激发的图像重建中的混叠伪影，而腹部器官相比于头部和四肢等其他部位，在成像中不可避免的会由于呼吸、心跳等运动的存在加剧这种相位差异，从而引入更多的运动伪影，使得腹部器官高分辨弥散成像极具挑战。
3、目前传统的高分辨率弥散重建方法，如muse及一系列的变种算法：pocs-muse、self-feeding muse和dl-muse都是针对脑部等运动很微小部位的高分辨率弥散成像的重建方法，但在运动剧烈且复杂的腹部器官的应用中，效果并不理想，仍然存在非常严重的图像伪影。
技术实现思路
1、本发明的目的是提供基于深度学习和线圈灵敏度的腹部器官成像方法及装置，通过对成对的高质量伪影较少的图像和对应的的带伪影的图像进行深度学习网络训练和模型构建，提高重建后的高分辨弥散加权图像质量，为临床诊断提供更精细的解剖信息。
2、为实现上述目的，本发明提供了一种基于深度学习和线圈灵敏度的腹部器官成像方法，步骤包括：
3、s1、采集进行多次激发的腹部器官高分辨弥散加权数据；
4、s2、通过传统高分辨率弥散重建方法对采集的数据进行图像重建；
5、s3、选择重建后伪影少、质量高的图像；
6、s4、使用步骤s3选择的图像和与选择图像对应的线圈灵敏度图，进行腹部器官运动伪影仿真和图像重建自身过程的混叠伪影仿真，生成对应的被伪影污染的高分辨率弥散图像；
7、s5、将步骤s3和步骤s4生成的成对图像输入深度学习网络进行泛化和训练，构建高分辨弥散图像伪影矫正的网络模型；
8、s6、将基于传统高分辨率弥散重建的腹部器官多次激发弥散加权图像输入步骤s5构建的网络模型，得到高信噪比、高分辨率及残留伪影少的腹部器官高分辨弥散加权图像。
9、优选的，所述步骤s3具体包括：
10、s31、对重建后的图像进行分割；
11、s32、基于预训练的分割模型计算图像评价指标；
12、s33、按照图像评价指标的某个阈值进行图像筛选。
13、优选的，所述图像筛选基于伪影信号比gsr、信噪比snr、对比度噪声比cnr中一种或多种类似图像评价指标的组合作为图像质量筛选方法。
14、优选的，所述步骤s6中基于传统高分辨率弥散重建的腹部器官多次激发弥散加权图像存在的问题包括但不限于存在严重伪影的、信噪比低、因运动而出现信号缺失和图像模糊。
15、一种基于深度学习和线圈灵敏度的腹部器官成像装置，包括图像准备模块、运动仿真模块和图像矫正模块；
16、图像准备模块，用于对被测目标进行多次激发弥散数据的磁共振信号的激发、采集和重建；
17、运动仿真模块，用于通过对被测目标的各种运动情况进行仿真；
18、图像矫正模块，用于根据图像准备模块和运动仿真模块提供的信息，使用矫正算法或者网络模型来对高分辨弥散加权图像进行图像伪影矫正。
19、优选的，所述图像准备模块包括高分辨弥散数据重建单元和图像筛选单元；
20、高分辨弥散数据重建单元，用于重建高分辨弥散加权图像；
21、图像筛选单元，用于筛选高质量的高分辨弥散加权图像。
22、优选的，所述运动仿真模块包括物体运动仿真单元和重建运动仿真单元；
23、物体运动仿真单元，用于利用仿真运动来直接模拟被测物体运动对采集信号的影响；
24、重建运动仿真单元，用于利用仿真运动来模拟被测腹部器官的运动对高分辨率弥散重建方法本身的影响。
25、优选的，所述图像矫正模块包括对图像本身幅值、伪影、相位进行计算矫正的模块。
26、因此，本发明采用上述结构的基于深度学习和线圈灵敏度的腹部器官成像方法及装置，具有以下有益效果：
27、(1)使用深度学习方式代替传统高分辨率弥散重建方法基于数学模型的近似求解方式，能够更加准确有效的消除挑战性更高的腹部器官的高分辨弥散加权图像重建中的伪影，且重建结果质量更高，同时速度更快；
28、(2)传统高分辨率弥散成像重建方法重建的图像质量和加速倍数会受到g-factor的制约，因此在多次弥散加权序列应用中，其激发次数有限，限制了分辨率的提高，本发明提出的基于深度学习的方法则不受这种模型计算的制约，可以对更高激发次数、更高分辨率的应用有效；
29、(3)成熟稳健的网络模型将大大缩减腹部器官的重建时间并提高其重建精度。
30、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.基于深度学习和线圈灵敏度的腹部器官成像方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于深度学习和线圈灵敏度的腹部器官成像方法，其特征在于，所述步骤s3具体包括：
3.根据权利要求2所述的基于深度学习和线圈灵敏度的腹部器官成像方法，其特征在于：所述图像筛选基于伪影信号比gsr、信噪比snr、对比度噪声比cnr中一种或多种类似图像评价指标的组合作为图像质量筛选方法。
4.基于深度学习和线圈灵敏度的腹部器官成像装置，其特征在于：包括图像准备模块、运动仿真模块和图像矫正模块；
5.根据权利要求4所述的基于深度学习和线圈灵敏度的腹部器官成像装置，其特征在于：所述图像准备模块包括高分辨弥散数据重建单元和图像筛选单元；
6.根据权利要求4所述的基于深度学习和线圈灵敏度的腹部器官成像装置，其特征在于：所述运动仿真模块包括物体运动仿真单元和重建运动仿真单元；
7.根据权利要求4所述的基于深度学习和线圈灵敏度的腹部器官成像装置，其特征在于：所述图像矫正模块包括对图像本身幅值、伪影、相位进行计算矫正的模块。
