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：南昌睿度医疗科技有限公司

摘要：本发明提供了一种核磁共振图像伪影去除方法及系统，所述方法包括对历史无伪影MRI数据图像进行归一化处理；对无伪影归一化图像进行伪影模拟，将无伪影归一化图像与模拟伪影图像存入训练数据集中；将训练数据集输入第一训练模型中进行训练，以得到大参数去伪影模型；将训练数据集输入第二训练模型中进行训练，得到小参数去伪影模型；将测试数据集输入小参数去伪影模型中进行去伪影处理，以得到去伪影图像数据，本发明可很好的去除或减小核磁共振图像中存在的伪影，且本发明所提供的方法具备更强的普适性同时也能够保证结果的真实性。

主权项：1.一种核磁共振图像伪影去除方法，其特征在于，包括：获取历史无伪影MRI数据图像，对所述历史无伪影MRI数据图像进行归一化处理，以得到无伪影归一化图像；对所述无伪影归一化图像进行伪影模拟，以得到模拟伪影图像，将所述无伪影归一化图像与所述模拟伪影图像存入训练数据集中；构建第一训练模型，将所述训练数据集输入第一训练模型中进行训练，以得到大参数去伪影模型；基于所述大参数去伪影模型以及其参数构建第二训练模型，将所述训练数据集输入第二训练模型中进行训练，以得到小参数去伪影模型；获取测试数据集，将所述测试数据集输入所述小参数去伪影模型中进行去伪影处理，以得到去伪影图像数据；所述构建第一训练模型，将所述训练数据集输入第一训练模型中进行训练，以得到大参数去伪影模型的步骤包括：构建LLM模型与VQ-GAN模型，将所述LLM模型插入至所述VQ-GAN模型中的编码器与解码器之间，以得到第一训练模型，将所述训练数据集输入所述VQ-GAN模型中，通过VQ-GAN模型中的编码器对所述训练数据集进行编码，以得到在连续空间中的高维感知特征；通过医学大模型PubMedCLIP计算所述训练数据集中各数据之间的相似度，以得到若干候选词，将若干所述候选词存入码本中；将所述码本替换所述LLM模型中的预训练固定码本对所述高维感知特征进行离散化处理，以得到离散化特征，将所述离散化特征输入所述解码器中对所述离散化特征进行复原，以得到高维复原特征，基于所述高维复原特征、所述高维感知特征以及金字塔语义损失对所述第一训练模型进行迭代训练，以得到大参数去伪影模型，其中金字塔语义损失为： ；式中，表示医学大模型PubMedCLIP计算得到的相似度，表示第层的文本嵌入，表示标记生成文本嵌入的函数，表示码本，表示嵌入层的数量，表示第个训练数据的相似度，表示码本中的第个候选词；所述基于所述大参数去伪影模型以及其参数构建第二训练模型，将所述训练数据集输入第二训练模型中进行训练，以得到小参数去伪影模型的步骤包括：通过所述大参数去伪影模型以及其参数构建可将MRI图像编码为连续感知特征和离散文本标记的MRI自动编码器，以得到第二训练模型；通过冻结的MRI自动编码器对训练数据集进行损失计算，以得到dabs损失： ；式中，表示训练数据集中的无伪影归一化图像经过冻结的MRI自动编码器输出的连续空间内的数据，表示训练数据集中的模拟伪影图像经过冻结的MRI自动编码器输出的连续空间内的数据，表示经过量化器得到的离散空间内的数据，表示经过量化器得到的离散空间内的数据；将所述dabs损失、L1损失与感知损失进行加权和，以得到最终损失函数，基于所述最终损失函数对所述第二训练模型进行迭代训练，以得到小参数去伪影模型。

全文数据：

权利要求：

百度查询： 南昌睿度医疗科技有限公司 一种核磁共振图像伪影去除方法及系统