york, 1993,
”ꢀ
p. 1239.2、bammer r, keeling sl, augustin m, pruessmann kp, wolf r, stollberger r, hartung hp, fazekas f. improved diffusion-weighted single-shot echo-planar imaging (epi) in stroke using sensitivity encoding (sense). magnreson med 2001; 46: 548
–ꢀ
554.3、xie vb, lyu m, liu y, feng y, wu ex. robust epi nyquist ghost removal by incorporating phase error correction with sensitivity encoding (pec
‐
sense). magnetic resonance in medicine. 2018;79:943-951.4、专利号：cn 106574954 a，2017.04.19。


技术实现要素：

5.本发明的目的是提出一种新的基于深度学习的epi相位矫正方法，以克服上述现有技术更新显示菜单所引起困扰，对欠采的k空间进行恢复，从而消除epi图像伪影。
6.本发明提出的基于深度学习的epi相位矫正方法，具体步骤如下：（一）epi数据的采集和分离epi采用正负交替的读出梯度极性进行数据采集，如图1，采集到的回波按顺序填入k空间后的轨迹，如图2。由于相邻回波间存在相位差，导致重建后的图像出现严重的伪影。本发明首先将正负回波从k空间中分离，变成两个极性一致的k空间。分离后的正负k空间信号可用方程表示为：，（1），（2）其中，表示无伪影的图像强度，x，y分别表示k空间内沿读出和相位编码方向的k空间位置，m，n表示相应的图像域位置；分别表示读出方向和相位编码方向的采集矩阵， 表示正负回波间的相位差；和为欠采的k空间信号，直接对这两个k空间进行傅里叶变换得到的重建图像会出现由于欠采导致的卷褶伪影。
7.（二）消除以上图像中的卷褶伪影；为了将消除以上图像中的卷褶伪影，本发明利用基于神经网络的深度学习技术，通过学习满采时重建得到的无伪影图像，分别对这些带伪影的图像进行恢复，最后将恢复后的图像合并成一副图像。详细步骤描述如下：（1）选取神经网络，深度学习中，可用于数据恢复的神经网络种类繁多，包括卷积神经网络（cnn）、u-net卷积神经网络、对抗神经网络(gan)等，这些网络中的许多网络能够很好地恢复高倍（10-20倍）欠采的数据。选择好的网络主函数可表示为；
（2）采集数据，采集一组（几例或几十例）epi原始数据用于网络训练，这些数据可以是满采的，也可以是低倍欠采的；为了提高网络的泛化性，能够兼容不同对比度和几何形变的测试数据，训练数据在采集时可设置不同的te值，以获得不同对比度和几何形变的训练集；（3）计算金标准图像，为了得到没有伪影的金标准图像，对步骤2中采集到的数据用传统相位矫正方法，如线性相位矫正，熵最小化等传统方法进行相位矫正，以消除图像中的伪影，保存为金标准；（4）训练网络，如图3中实线框所示。首先，将无伪影的金标准图像由图像域转换到k空间，转换后的k空间是满采的，对满采的k空间根据加速倍数需求按正负回波进行分离，产生两个极性单一的k空间，缺失的回波位置填0以保持k空间的大小不变；然后，将分离后的k空间转换到图像域；最后，将金标准图像、正负分离后的正回波（或负回波）图像同时喂入网络，对网络进行训练，正负回波图像分两次训练。训练过程通过不断迭代对比训练结果和金标准的差异，直到差异最小时结束训练输出训练后的网络参数。其中训练所需要的图像数量可根据网络的要求而定；（5）测试网络，如图3中虚线框所示，将真实采集的数据作为测试数据，这些数据包括满采数据，2倍加速采集数据，4倍加速采集数据。对这些数据分别进行测试。首先对这些数据按正负回波分离，正回波k空间傅里叶变换后得到图像负回波傅里叶变换后得到，将这些图像分别喂入训练好的网络模型中，分离后的图像欠采方式要求与网络模型保持一致。图像经网络恢复后可以得到图像，图像 经网络恢复后可得到图像。
8.该过程可以用公式表示为：，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3），
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）最后，将恢复后的图像和通过平方和开根号进行合并，得到一幅图像，也就是最终的测试结果。
9.本发明的积极进步效果在于：不仅能够很好地恢复低倍欠采的数据，可用取代传统方法，而且对于高倍（3或4倍）欠采的数据也能获得很好的效果，从而实现epi采集加速和图像伪影消除。并且，可以不需要额外采集参考线，可以节约扫描时间。
10.本发明的消除单次激发平面回波成像（epi）过程中产生的图像伪影的方法，可用于基于epi采集模式的脑功能成像，扩散加权成像，扩散张量成像，以及传统灌注成像等磁共振技术中。
附图说明
11.图1为本发明中所使用的epi正负梯度交替采集方式示意图。
12.图2为本发明中所使用的epi的k空间中正负回波交替的采样轨迹。
13.图3为本发明中所使用的网络训练和网络测试流程图。
14.图4为本发明实施例中所使用的网络架构图。
15.图5为具体实施1中使用本发明方法达到的结果。
16.图6为具体实施2中使用本发明方法达到的结果。
具体实施方式
17.下面结合实施例和附图，进一步具体描述本发明。
18.实施例1，参考图1和图2，示出了本发明中所使用的epi采集方式和k空间填充轨迹。本实施例中使用的是基于epi序列的dwi图像。一共收集了52例数据用于网络训练，包括其中30例健康受试和22例有脑疾病的受试。所使用的系统为西门子7t terra，32通道的头线圈，采集参数：tr=11700ms,fov=220*220 mm
²
, matrix size = 158*158,b=0/1000 s/mm
²
,层数=80层，层厚=1.4mm，包含三种te值，te=84，61和50ms。金标准图像采用传统的并行重建法进行重建。
19.所使用的神经网络为卷积神经网络，网络架构参考图4，该网络由十个模块串联而成，每个模块包含卷积神经网络层和数据保真层，每个卷积神经网络层包含5个子层，前四个子层带有修正线性单元。每层的内核大小为33。
20.本实施例中，测试数据使用来自于健康受试的dwi数据，为了验证该方法的性能，将加速因子设置为4，超过传统方法所能处理的加速倍数。te=50ms，其他参数与训练数据保持一致。其结果与其他传统方法包括线性矫正法，熵最小化法，基于平行重建的pec-sense矫正法进行对比，结果见图5，从图中可以看到，对于4倍加速的数据，传统方法无法完全消除图像的伪影，而本发明获得了很好的效果。
21.实施例2，本实施例中的所使用的网络模型跟实施例1中的一样，不同的是，所使用的测试数据来自于一名患有烟雾病的患者。分别采集了1倍，2倍，4倍加速的dwi数据。测试结果参考图6。由图可知，对于有病灶的的图像，无论是1倍，2倍还是4倍，病灶都能很好的显示，图形并无明显的残余伪影，本发明对于有病灶的图形仍有很好的效果。