具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

参见图1，本发明提供一种用于扩散加权磁共振成像的数据处理方法，包括如下步骤：

步骤A1，使用扩散加权成像序列获取各方向的扩散加权的磁共振图像；

步骤A2，将磁共振图像输入已经训练好的深度学习网络模型中运行，分别输出对应各方向的矫正参数和高分辨率图像；

步骤A3，对于每个方向的所述高分辨率图像，采用对应方向的所述矫正参数进行矫正，以获得各个方向的具有高分辨率的扩散加权的所述磁共振图像。

在人体中，由于受到各种细胞结构的影响，水分子不能自由自在的随机活动，而是只能在有限的环境和范围内活动。水分子的活动可能在某一方向上活动较多而在另一个方向上活动受到限制较多。DWI就是通过检测人体组织中水分子扩散运动受限的方向和程度等信息，间接反应微观组织的变化。

具体的，常用的DWI序列例如是GRE序列、SE序列、FSE序列、T1WI、T2WI或T2*WI序列。

参见图2，进一步的，深度学习网络模型的训练过程包括如下步骤：

步骤B1，获取具有一般分辨率的各方向的扩散加权的磁共振图像作为第一图像数据集，并获取第一图像数据集对应的具有高分辨率的扩散加权的磁共振图像作为第二图像数据集，以及获取与第一图像数据集对应的无扩散加权的磁共振图像作为第三图像数据集；

步骤B2，构建深度学习网络模型；

步骤B3，将第一图像数据集输入深度学习网络模型，深度学习网络模型以第一特征数据作为第一输出，以及第二特征数据作为第二输出，第一特征数据为预测的各方向的矫正参数，第二特征数据为预测的各个方向的高分辨率图像；

步骤B3，对第一图像数据集中的图像基于相应方向的第一特征数据进行矫正；

步骤B4，基于第一损失函数计算矫正后的第一图像数据集与第三图像数据集的第一损失值，基于第二损失函数计算第二特征数据与第二图像数据集的第二损失值；

步骤B5，根据第一损失值和第二损失值优化深度学习网络模型的参数，直到第一损失值和第二损失值达到预设标准，完成对深度学习网络模型的训练。

具体的，高分辨率图像是指图像分辨率是指大于预设分辨率的图像，一般分辨率是指低于预设分辨率的图像。

具体的，使用步骤A3中获得的高分辨率的各方向的扩散加权的磁共振图像，进一步计算其对应的高分辨率的MD图(Mean diffusivity map，平均扩散图)、FA图(Fractionalanisotropy map，各向异性分数图)、ADC图 (apparent diffusion coefficient map，表观扩散系数图)。

本发明利用人工神经网络(被称为深度学习网络模型)同时预测矫正参数即变形场和高分辨率的扩散加权的磁共振图像，充分利用不同方向扩散加权图的互补信息，在配准的同时进行超分辨率计算，既得到每个方向图像的高分辨率估计，也提升了配准的准确性，提升DWI的成像效果，从而得到更清晰的MD、FA、ADC图，有利于更准确的病情诊断和更深入的科学研究。也可以用于取得相似成像效果的前提下，缩短成像时间，提高机器利用率，减少检查成本，提升MRI普及性。

具体的，从真实磁共振扫描仪中获得的训练数据集，包括第一图像数据集和第二图像数据集的获取，根据目标应用场景的不同数据可以从人类志愿者上采集，也可能是从某种实验动物上或非生物体上采集。使用常规的扩散加权成像序列获取一般分辨率的扩散加权的磁共振图像，使用多次激发、读出方向多次激发、多次平均等方法的一种或几种的组合(这些方法通常很费时间)，获取高分辨率的扩散加权的磁共振图像。将一般分辨率图像和对应的高分辨率图像作为一组训练数据。

具体的，训练数据也可以通过仿真算法获得，如基于第二图像数据集中的高分辨率的扩散加权的磁共振图像仿真处理得到第一图像数据集。

具体的，将深度学习网络模型权重随机初始化，使用准备好的训练数据如第一图像数据进行训练，即对权重的优化。可以使用Adam或SGD作为优化器。

具体的，也可以额外使用一个对抗生产性网络(GAN)作为第二损失函数的一部分，使得深度学习网络模型输出的高分辨率图像更为逼真。

进一步的，步骤B1还包括：以第三图像数据集为基准所述第一图像数据集进行预配准，获取包括各个方向的预矫正参数的第三特征数据；

步骤B3还包括：将第一图像数据集和第三特征数据作为深度学习网络模型的输入。

参见图3，进一步的，深度学习网络模型为卷积神经网络模型(CNN模型)，包括：

主干提取模块，以第一图像数据集作为输入，包括若干依次串行连接的卷积层；

第一分支模块，以主干提取模块的输出作为输入，输出第一特征数据，包括若干串行连接卷积层和上采样层；

第二分支模块，以主干提取模块的输出作为输入，输出第二特征数据，包括若干串行连接卷积层和上采样层。

具体的，在由若干依次单向串行连接的卷积层形成的主干提取模块后，分为两个分支输出，其中一个分支输出变形场，另一个分支输出高分辨率的扩散加权的磁共振图像。

具体的，主干提取模块也可包含残差连接层。

作为一个具体的实施方式，主干提取模块包括5个卷积层，每个卷积层有64个卷积核，卷积核大小3×3，使用LeakyReLu为激活函数。

作为一个具体的实施方式，第二分支模块依次包括：

1个卷积层，包括64个卷积核，卷积核大小为3×3，使用LeakyReLu 为激活函数；

1个2倍的上采样层；

2个卷积核，包括64个卷积核，卷积核大小为3×3，使用LeakyReLu 为激活函数；

1个2倍的上采样层；

1个卷积层，包括64个卷积核，卷积核大小为3×3，使用线性激活函数。

作为一个具体的实施方式，第一分支模块依次包括：

1个卷积层，包括64个卷积核，卷积核大小为3×3，使用LeakyReLu 为激活函数；

1个2倍的上采样层；

2个卷积核，包括64个卷积核，卷积核大小为3×3，使用LeakyReLu 为激活函数；

1个2倍的上采样层；

2个卷积层，包括64个卷积核，卷积核大小为3×3，使用线性激活函数。

作为一个具体的实施方式，例如卷积神经网络模型(CNN模型)的输入大小可以是64×64×16。第一分支模块输出大小为256×256×2。第二分支模块输出大小为256×256×16。

参见图4，进一步的，深度学习网络模型为单Unet神经网络模型，包括：

编码模块，以第一图像数据集作为输入，包括串接的若干编码层，编码层包括卷积层和下采样层；

第一解码模块，以编码模块的输出作为输入，输出第一特征数据，包括串接的若干解码层，解码层由卷积层和上采样层构成；

第二解码模块，以编码模块的输出作为输入，输出第二特征数据，包括串接的若干解码层，解码层由卷积层和上采样层构成。

具体的，在单Unet神经网络模型中，编码模块对输入进行多次卷积和下采样得到一个维度较低的嵌入，在此基础上分为两支，分别进行多次卷积和上采样，一个分支输出变形场，另一个分支输出高分辨率的扩散加权图。

具体的，每个上采样层是2倍，每个下采样层是1/2倍，第一解码模块和第二解码模块最后一个上采样层均为4倍。

具体的，所有的卷积层均采用64个卷积核，大小3×3，使用LeakyReLu 为激活函数。但最后一层的卷积核个数应该与输出通道数匹配，激活函数为线性激活。

作为一个具体的实施方式，例如单Unet神经网络模型的输入大小可以是 96×96×16。第一分支模块输出大小为192×192×16。第二分支模块输出大小为192×192×16。

参见图5，进一步的，深度学习网络模型为双Unet神经网络模型，包括：

第一Unet模块，由编码模块和解码模块组成，以第一图像数据集作为编码模块的输入，第二特征数据作为解码模块的输出；

第二Unet模块，由编码模块和解码模块组成，以第二特征数据和第一图像数据集作为编码模块的输入，第一特征数据作为解码模块的输出。

具体的，首先使用一个UNet得出高分辨率的图像，然后将高分辨率图像与最初的一般分辨率图像拼接，一起输入第二个UNet中得出变形场。

进一步的，第二图像数据集中的高分辨率的扩散加权的磁共振图像通过采用多次激发和/多次平均的方法获取。

进一步的，基于第二图像数据集中的高分辨率的扩散加权的磁共振图像仿真处理得到第一图像数据集。

进一步的，第一损失函数为互信息函数，第二损失函数为L1范数函数或L2范数函数。

参加图6，本发明还提供一种用于扩散加权磁共振成像的数据处理系统，包括使用前述的一种用于扩散加权磁共振成像的数据处理方法，包括：

图像采集模块(1)，用于使用扩散加权成像序列获取各方向的扩散加权的磁共振图像；

特征提取模块(2)，连接图像采集模块(1)，用于将磁共振图像输入已经训练好的深度学习网络模型中运行，分别获得对应各方向的矫正参数和高分辨率图像；

图像矫正模块(3)，连接特征提取模块(2)，用于对于每个方向的所述高分辨率图像，采用对应方向的所述矫正参数进行矫正，以获得各个方向的具有高分辨率的扩散加权的所述磁共振图像。。

参见图7，系统还包括使用如下模块对深度学习网络模型进行训练：

图像收集模块(4)，用于获取具有一般分辨率的各方向的扩散加权的磁共振图像作为图像组，获取若干图像组作为第一图像数据集，并获取第一图像数据集对应的具有高分辨率的扩散加权的磁共振图像作为第二图像数据集，以及获取与第一图像数据集对应的无扩散加权的磁共振图像作为第三图像数据集；

模型构建模块(5)，构建深度学习网络模型；

特征学习模块(6)，分别连接图像收集模块(4)和模型构建模块(5)，用于将第一图像数据集输入深度学习网络模型，深度学习网络模型以第一特征数据作为第一输出，以及第二特征数据作为第二输出，第一特征数据为预测的各方向的矫正参数，第二特征数据为预测的各个方向的高分辨率图像；

矫正学习模块(7)，分别连接特征学习模块(6)和图像收集模块(4)，用于对第一图像数据集中的图像基于相应方向的第一特征数据进行矫正；

损失计算模块(8)，分别连接图像收集模块(4)、矫正学习模块(7) 和特征学习模块(6)，基于第一损失函数计算矫正后的第一图像数据集与第三图像数据集的第一损失值，基于第二损失函数计算第二特征数据与第二图像数据集的第二损失值；

参数调整模块(9)，分别连接损失计算模块(8)和特征学习模块(6) 根据第一损失值和第二损失值优化深度学习网络模型的参数，直到第一损失值和第二损失值达到预设标准，完成对深度学习网络模型的训练。

参见图8，进一步的，系统还包括：

预配准模块(10)，连接图像收集模块(4)，用于以第三图像数据集中的至少一组图像组为基础，对图像组进行预配准，获取若干组包括各个方向的预矫正参数的第三特征数据；

特征学习模块(6)还连接预配准模块(10)，用于将第一图像数据集和第三特征数据作为深度学习网络模型的输入。

参见图8，进一步的，深度学习网络模型为卷积神经网络模型，包括：

主干提取模块，以第一图像数据集作为输入，包括若干依次串行连接的卷积层；

第一分支模块，以主干提取模块的输出作为输入，输出第一特征数据，包括若干串行连接卷积层和上采样层；

第二分支模块，以主干提取模块的输出作为输入，输出第二特征数据，包括若干串行连接卷积层和上采样层。

进一步的，深度学习网络模型为单Unet神经网络模型，包括：

编码模块，以第一图像数据集作为输入，包括串接的若干编码层，编码层包括卷积层和下采样层；

第一解码模块，以编码模块的输出作为输入，输出第一特征数据，包括串接的若干解码层，解码层由卷积层和上采样层构成；

第二解码模块，以编码模块的输出作为输入，输出第二特征数据，包括串接的若干解码层，解码层由卷积层和上采样层构成。

进一步的，深度学习网络模型为双Unet神经网络模型，包括：

第一Unet模块，由编码模块和解码模块组成，以第一图像数据集作为编码模块的输入，第二特征数据作为解码模块的输出；

第二Unet模块，由编码模块和解码模块组成，以第二特征数据作为编码模块的输入，第一特征数据作为解码模块的输出。

进一步的，第二图像数据集中的高分辨率的扩散加权的磁共振图像通过采用多次激发和/多次平均的方法获取。

进一步的，基于第二图像数据集中的高分辨率的扩散加权的磁共振图像仿真处理得到第一图像数据集。

进一步的，第一损失函数为互信息函数，第二损失函数为L1范数函数或L2范数函数。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。