(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211390760.9 (22)申请日 2022.11.08 (71)申请人 中遥天地 （北京） 信息技 术有限公司 地址 100193 北京市海淀区天秀路10号中 国农大国际创业园3号楼 2层2009 (72)发明人 周云　 (74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 专利代理师 刘琳 (51)Int.Cl. G01R 33/58(2006.01) G06T 11/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) (54)发明名称 一种基于深度学习的时空编码图像校正方 法 (57)摘要 本发明公开了一种基于深度学习的时空编 码图像校正方法， 包括构建单扫描时空编码 Nyquist伪影校正数据集； 基于时空编码特性建 立无监督残差编码映射网络； 训练无监督残差编 码映射网络直至网络收敛； 利用训练好的无监督 残差编码 映射网络对输入的奇偶回波图像进行 相位差图提取， 利用相位差图校正偶回波图像的 相位， 再与奇回波图像重组得到相位校正后的时 空编码图像； 对时空编码图像进行超分辨率得到 最终的无Nyquist伪影图像。 本发明方法构建了 无监督残差编码映射网络， 通过学习时空编码奇 偶回波图像到相位差图的映射， 采用基于多个子 网络级联的方式迭代优化预测结果， 采用受限子 空间映射的方式提高相位差图平滑度， 有效提高 了单扫描时空编码Nyquist伪影校正的准确率。 权利要求书2页 说明书7页 附图3页 CN 115494439 A 2022.12.20 CN 115494439 A 1.一种基于深度学习的时空编码图像校正方法， 其特 征在于： 所述方法包括以下步骤： S1） 构建单扫描时空编码Nyquist伪影校正数据集， 所述校正数据集包括奇偶回波图像 和参考无伪影图像； S2） 搭建基于时空编码特性的无监督残差编码映射网络， 将所述校正数据集中用于训 练的奇偶回波图像输入所述无监 督残差编码映射网络得到预测的相位差图； S3） 以奇回波图像/偶回波图像为基准， 训练所述无监督残差编码映射网络直至无监督 残差编码映射网络达到 收敛， 得到训练后的无监督残差编码映射网络模型， 并通过所述校 正数据集中用于测试 的奇偶回波图像和 参考无伪影图像对所述无监督残差编码映射网络 进行测试； S4） 利用所述训练后的无监督残差编码映射网络对实际采集的时空编码图像进行预测 的相位差图提取， 利用预测的相位差图校正偶回波图像/奇回波图像的相位， 再与奇回波图 像/偶回波图像重组得到相位校正后的时空编码图像， 对时空编码图像进行超分辨率处理 得到最终的无Nyquist伪影图像。 2.根据权利要求1所述的一种基于深度 学习的时空编码图像校正方法， 其特征在于： 步 骤S1） 构建单扫描时空编码Nyquist伪影校正数据集的具体步骤 包括： 1.1） 将单扫描时空编码图像的奇偶行 数据分离得到原 始奇偶回波图像； 1.2） 将若干张具有随机相位的相位差图与原始偶回波图像/原始奇回波图像相乘得到 相位失真的偶回波图像/相位失真的奇回波图像； 1.3） 将原始奇回波图像/原始偶回波图像与相位失真的偶回波图像/相位失真的奇回 波图像作为校正数据集中的奇偶回波图像； 1.4） 对单扫描时空编码图像进行超分辨率处理获得无伪影图像， 所述奇偶回波图像和 无伪影图像构成所述校正数据集。 3.根据权利要求2所述的一种基于深度 学习的时空编码图像校正方法， 其特征在于： 步 骤S2） 中所述无监督残差编码映射网络包括初步特征提取模块、 残差编码网络和受 限子空 间映射模块， 所述奇偶回波图像经过所述初步特征提取模块处理获得浅层回波特征， 所述 浅层回波 特征经过所述残差编 码网络处理获得深层相位特征， 所述深层相位特征经过所述 受限子空间映射模块处 理获得预测的相位差图。 4.根据权利要求1所述的一种基于深度 学习的时空编码图像校正方法， 其特征在于： 步 骤S3） 中训练所述无监督残差编码映射网络直至无监督残差编码映射网络的具体步骤包 括： S3.1） 利用步骤S2得到的预测的相位差图对偶回波图像/奇回波图像的相位进行校正， 再沿相位编码方向分别对奇回波图像/偶回波图像和相位校正后的偶回波图像/奇回波图 像进行超分辨 率处理， 其过程表示 为：    公式 （3）    公式 （4）    公式 （5）权　利　要　求　书 1/2 页 2 CN 115494439 A 2其中， Idis even为偶回波图像； Pmap为相位差图； Icos even为相位校正后的偶回波图像； e‑i2π 为复指数函数； A为超分辨率矩阵； 为高分辨率相位校正后的偶回波图像； Iorg odd为奇 回波图像； 为高分辨 率奇回波图像； 为矩阵乘法计算； S3.2） 计算超分辨率处理后的奇回波图像/偶回波图像和相位校正后的偶回波图像/奇 回波图像之间的损失， 通过优化算法迭代使网络达到 收敛， 得到训练好的无监督残差编码 映射网络模型。 5.根据权利要求1所述的一种基于深度 学习的时空编码图像校正方法， 其特征在于： 所 述步骤4） 中所述实际采集的时空编码图像经 过下述预处 理： S4.1、 对实际采集的带有相位偏差的单扫描时空编码K空间数据沿频率编码方向进行 快速傅里叶变换， 得到对应的时空编码图像； S4.2、 将所述时空编码图像进行奇偶行分离处理， 得到对应的奇偶回波图像， 并将奇偶 回波图像作为单扫描时空编码Nyquist伪影校正数据集中的输入图像。 6.根据权利要求3所述的一种基于深度 学习的时空编码图像校正方法， 其特征在于： 所 述初步特征提取模块包含若干个级联的卷积单元、 批量标准化单元和激活单元， 所述残差 编码网络包含若干个级联的残差编 码模块， 所述受限子空间映射模块包含一个卷积单元和 一对预定义的系数矩阵基。 7.根据权利要求2所述的一种基于深度 学习的时空编码图像校正方法， 其特征在于： 步 骤S1.1和S1.4中所述单扫描时空编码图像为HCP公开数据集中的T1w人脑图像进行时空编 码获得的时空编码图像。 8.根据权利要求6所述的一种基于深度 学习的时空编码图像校正方法， 其特征在于： 所 述受限子空间映射模块的处理过程为： 将预设的基矩阵B1与深层相位特征图像Id进行矩阵 乘法， 再与预设的基矩阵B2进行矩阵乘 法， 获得计算的相位差图Pmap， 尺寸为256 ×256， 其过 程表示为：     公式 （2） 其中，B1、B2为预设的基矩阵； Id为深层相位特征图像； Pmap为相位差图； 为矩阵乘法计 算。 9.一种基于深度学习的时空编码图像校正方法的计算机设备， 其包括存储器、 处理器 和存储在存储器中可供处理器运行 的程序指令， 其特征在于， 所述处理器执行所述程序指 令以实现权利要求1至8中任一项所述方法中的步骤。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现权利要求1至8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115494439 A 3