买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙江大学申请的专利基于深度学习的磁共振CEST图像重建方法、装置及设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114820849B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210410394.2，技术领域涉及：G06F17/10；该发明授权基于深度学习的磁共振CEST图像重建方法、装置及设备是由张祎;徐健平;祖涛设计研发完成，并于2022-04-19向国家知识产权局提交的专利申请。

本基于深度学习的磁共振CEST图像重建方法、装置及设备在说明书摘要公布了：本发明公开了一种基于深度学习的磁共振CEST图像重建方法、装置、介质及设备，方法包括：获取待成像对象的磁共振CEST降采样k空间数据；获取经训练的深度神经网络，该网络由数据共享模块和若干迭代模块组成；利用神经网络进行CEST源图像的重建。本方法结合了线圈灵敏度编码和神经网络先验，并充分利用了CEST频率维度上的冗余信息，进而在保证图像质量的前提下，提高了CEST成像速度。此外，本发明还提出了一种多通道CEST数据仿真方法，大幅降低了本方法对大量训练数据采集的依赖程度。

本发明授权基于深度学习的磁共振CEST图像重建方法、装置及设备在权利要求书中公布了：1.一种基于深度学习的磁共振CEST图像重建方法，其特征在于，包括：S1、针对待进行磁共振CEST成像的目标对象，获取目标对象的多通道欠采样k空间数据以及对应的线圈灵敏度图；所述多通道欠采样k空间数据由采集到的所有CEST饱和偏移频率下的欠采样k空间数据帧组成；S2、获取经过训练的深度神经网络；所述深度神经网络的输入为多通道欠采样k空间数据以及对应的线圈灵敏度图，输出为网络重建的CEST源图像；S3、将S1中获取的多通道欠采样k空间数据和对应的线圈灵敏度图输入所述经过训练的深度神经网络中，得到重建后的CEST源图像；所述S2中的深度神经网络由一个数据共享模块和级联于数据共享模块之后的若干个迭代模块构成；其中，所述数据共享模块针对输入的各帧欠采样k空间数据中的缺失部分，利用相邻帧欠采样k空间数据对应位置的有值数据进行填充，得到经填充的k空间数据，之后再对经填充的k空间数据进行傅里叶逆变换和多通道合并，将所得混叠图像作为该模块的输出S1；各迭代模块具有相同的结构，任意第k个迭代模块的输入包括上一个级联模块的输出Sk、所述多通道欠采样k空间数据以及所述线圈灵敏度图，其输出Sk+1为： 式中：k＝1,…K；γk为网络可学习的权重系数；编码算子E＝MFC，其中M表示k空间欠采样掩膜矩阵，F表示傅里叶编码矩阵，C表示网络输入中的线圈灵敏度图矩阵；E*表示E的伴随矩阵；Y表示网络输入中的多通道欠采样k空间数据；和分别表示第k个迭代模块中第i组可学习的三维卷积核和三维反卷积核；为分布在和之间的可学习的激活函数；所述S2中，深度神经网络预先采用仿真生成的多通道CEST数据集进行训练，所述仿真生成的多通道CEST数据集的获取方法如下：S11、获取多通道MR结构像数据集，并对其中各MR结构像进行数据预处理，得到尺寸统一的多通道MR结构像以及对应的经通道合并的合并MR结构像；同时，建立基于包括水分子池、酰胺质子池在内的多池Bloch-McConnell数学模型，通过在相应预设范围内对模型参数的取值进行遍历，经数值仿真生成包含大量z谱的z谱集，其中每个z谱涵盖Nω个频点；S12、利用S11中获取的每张合并MR结构像，通过图像分割分别生成肿瘤区域和非肿瘤区域的二值化掩膜，接着向两类掩膜中加入不同的随机弱纹理，融合形成一张纹理化掩膜；S13、遍历S12中获取的每张所述纹理化掩膜中的各像素，依据预先构建的像素灰度值与酰胺质子池溶质浓度之间的映射关系表，从S11中生成的z谱集里检索到与该像素灰度值对应的z谱，并将z谱与对应像素进行配对，每张纹理化掩膜中所有像素的配对z谱对应构成一张三维的z谱匹配图；S14、针对S11中获取的每张多通道MR结构像，将其中的每个通道图像按z谱的维度数Nω复制Nω层并堆叠，再将各堆叠后的通道图像分别与S13中获取的对应z谱匹配图进行点乘运算形成每个通道对应的CEST源图像，最终每张多通道MR结构像对应得到一组多通道CEST源图像，多通道CEST源图像经过通道合并形成全采样CEST源图像；S15、针对每组所述的多通道CEST源图像，通过傅里叶变换得到对应多通道全采样k空间数据，使用预先生成的k空间欠采样掩膜对所述多通道全采样的k空间数据进行欠采样，得到多通道欠采样k空间数据；同时根据欠采样k空间数据计算对应的线圈灵敏度图；S16、上述每组多通道欠采样k空间数据、相应的线圈灵敏度图以及相应的全采样CEST源图像共同构成仿真生成的多通道CEST数据集中的一个样本；所述可学习的激活函数由Nw个高斯径向基函数加权组合得到，其中第k个迭代模块中的第i个激活函数的形式为： 其中，z表示激活函数的输入，固定参数δj和σ用于控制各基函数形状；各基函数的组合权重设置为可学习参数，i＝1,…Nv，j＝1,…Nw；所述深度神经网络训练期间使用的损失函数为： 其中表示网络所有可学习参数集合，dk表示第k个迭代模块中的卷积核权重系数集合，n用于对训练集样本进行计数，Nn为训练集中训练样本总量；表示由深度神经网络输出的第n组CEST源图像，Sn表示第n组全采样CEST源图像标签；表示基于计算出的第m个偏移频率对应的磁化转移率不对称效应强度谱，表示基于Sn计算出的第m个偏移频率对应的磁化转移率不对称效应强度谱，NM为正负频率对总数；μe表示与网络训练轮数e相关的权重系数；所述数据共享模块中，对于任意一欠采样k空间数据帧，遍历该帧中的所有缺失数据点，判断每一个缺失数据点在相邻帧同一位置是否存在有值数据，若存在，则将有值数据填充至该缺失数据点中，若不存在则不进行填充补全。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。