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！

申请/专利权人：四川省肿瘤医院

摘要：本申请公开了NME‑DWI参数的计算系统。属于影像学技术领域。一种NME‑DWI参数的计算系统，包括：图像收集模块，用于收集患者的不同b值的扩散加权核磁共振图像；图像处理模块，与图像收集模块信号连接，用于对不同b值的扩散加权核磁共振图像进行配准；NME‑DWI参数计算模块，与图像处理模块信号连接。本申请所提供的技术方案中，通过在曲线拟合和参数估计问题中结合循环一致性损失，构建了合理的深度学习模型和联合损失函数，通过训练后的模型，在新的数据上能实现快速地且更精准的NME‑DWI参数估计，能真实地反映组织内水分子运动情况。

主权项：1.一种NME-DWI参数的计算系统，其特征在于，包括：图像收集模块，用于收集患者的不同b值的扩散加权核磁共振图像，b为扩散加权核磁共振图像的扩散敏感因子；图像处理模块，与图像收集模块信号连接，用于对不同b值的扩散加权核磁共振图像进行配准；NME-DWI参数计算模块，与图像处理模块信号连接，NME-DWI参数计算模块内置有循环一致性深度学习模型，不同b值的扩散加权核磁共振图像输入至循环一致性深度学习模型得到NME-DWI参数；其中，循环一致性深度学习模型使用循环一致性损失用于曲线拟合和参数估计，以增加参数估计精度；循环一致性深度学习模型包括输入层、与输入层信号连接的隐藏层，以及与隐藏层信号连接的输出层，隐藏层设置有多个，每个隐藏层依次连接；输入层：不同b值的扩散加权核磁共振信号输入至输入层内；扩散加权核磁共振信号为扩散加权核磁共振图像中的原始数据；隐藏层：每个隐藏层对上一个隐藏层的神经元的输出结果进行抽象特征的提取；输出层：产生未校正的NME-DWI参数；每个隐藏层有64个神经元，每个神经元后添加了指数线性单元作为激活函数ELUx；激活函数ELUx的表达式为：ELUx=x，ifx0，ELUx=aex-1，ifx≤0，x为激活函数ELU的输入，a是一个预定义的超参数，用于控制x为负值时输出的饱和度，e为自然常数；输出层中引入乘数τP来计算NME-DWI参数P；P=τP·|Xq|，X是循环一致性深度学习模型的输出，||为绝对值符号，q∈｛1，2，3...Q｝，Q为NME-DWI参数的项目数量；对于IVIM模型，P依次为Dslow、Dfast和Ffast，Q=3，对应τP分别为2，30，1，Dslow、Dfast和Ffast分别为IVIM模型中的三项NME-DWI参数，Dslow反映组织中水分子的单纯扩散成分，Dfast反映灌注相关成分，Ffast反映单纯扩散成分占总扩散的百分比；对于DKI模型，P依次为MD和MK，Q=2，对应τP分别为2，2，MD和MK分别为DKI模型中的2项NME-DWI参数，MD为平均扩散系数，MK为平均峰度；对于SEM模型，P为DDC和α，Q=2，对应τP分别为2，1，DDC和α分别为SEM模型中的2项NME-DWI参数，DDC为弥散分布指数，α为组织的复杂程度；IVIM模型中，Fslow被计算为：Fslow=ReLU1-Ffast；Ffast和Fslow为IVIM模型的NME-DWI参数，Fslow值反映单纯扩散成分占总扩散的百分比，Ffast值反映灌注成分占总扩散的百分比；其中，ReLU为线性整流激活函数，表示为：ReLUY=Y，ifY0，ReLUY=0，ifY≤0；其中，Y为ReLU输入；循环一致性深度学习模型的训练方法包括如下步骤：步骤1：采用Kaiming初始化方法对循环一致性深度学习模型中的相关参数进行初始化；步骤2：预先准备数据集对循环一致性深度学习模型进行训练；训练过程中，将循环一致性深度学习模型的输出X通过计算转化为P；步骤3：构建循环一致性深度学习模型的多重损失函数Lossmulti，计算多重损失函数Lossmulti并通过优化器，对循环一致性深度学习模型进行训练；Lossmulti=k·Lossconsistency+1-k·Lossfit；k为不同损失函数的权重，范围为0-1，Lossfit为拟合结果Snetbi的拟合方法差；Lossconsistency为X和X*的差异，X为循环一致性深度学习模型的输出，拟合结果Snetbi在训练过程中会再作为循环一致性深度学习模型输入，得到的输出记为X*； ；X*=CC-DNNSnetb1，Snetb2，Snetb3…Snetbn； ；CC-DNN为循环一致性深度学习模型；m为输出参数的索引，m∈{0，1，2，3…，M}，M为NME-DWI参数的参数数目，Xm为循环一致性深度学习模型第m个输出参数，为Xm对应的循环一致性深度学习模型输入； 为经过S0归一化后的输入扩散信号，Sbi为b值为bi时的扩散信号，S0为未加权时的扩散信号，Snetbi为构建循环一致性深度学习模型输出参数对应的扩散信号，对于Sbi和，i为输入扩散信号的索引，i∈{0，1，2，3…，n}，n为总的b值数目； ，Lossfit为拟合结果Snet的拟合方法差；其中，n为输入神经网络的扩散加权信号b值数目；在IVIM模型中，，Dslow、Dfast、Ffast，以及Fslow分别为IVIM模型的4项NME-DWI参数；在DKI模型中，，MD和MK分别为DKI模型中的2项NME-DWI参数；在SEM模型中，，DDC和α分别为SEM模型中的2项NME-DWI参数。

全文数据：

权利要求：

百度查询： 四川省肿瘤医院 NME-DWI参数的计算系统