技术领域
[0001] 本
发明涉及
磁共振成像系统技术领域，特别是一种磁共振弥散张量成像方法和装置、纤维束追踪方法和装置、及存储介质。
背景技术
[0002] 磁共振弥散张量成像(Diffusion Tensor Imaging，DTI)是
核磁共振成像(Magnetic Resonance Imaging,MRI)的一种特殊形式，由于其能够无创地显示组织的形态结构，目前已被广泛应用于临床。它在脑部、心肌纤维、脊髓、肾脏、肌肉和周围神经等部位的
疾病诊疗中发挥了重要作用，尤以脑部神经病变的应用最为广泛。
[0003] 弥散张量纤维束成像(diffusion tensor tractography，DTT)技术，也称纤维束追踪技术(Fiber Tracking，FT)是DTI技术的进一步发展，其可以显示三维神经纤维束走形，为临床手术提供指导，避免手术过程中损伤重要的神经束支，从而确保病人
预后。然而该技术需要大量的
数据采集时间来确保纤维束追踪的准确性，因此限制了该技术的临床应用。
发明内容
[0004] 本发明
实施例中一方面提出了一种磁共振弥散张量成像方法和装置，另一方面提出了一种纤维束追踪方法和装置，此外还提出了一种存储介质，用以提高磁共振弥散张量成像的效率，进而提高纤维束追踪的效率，并降低成本。
[0005] 本发明实施例中提出的一种磁共振弥散张量成像方法，包括：获取复数个训练样本的全方向
采样的弥散加权图像；针对每个训练样本，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合，得到所述训练样本的全方向采样的弥散张量图像；并在弥散加权方向维度，对所述训练样本的全方向采样的弥散加权图像进行欠采样，得到所述训练样本的欠方向采样的弥散加权图像；将所述复数个训练样本的全方向采样的弥散张量图像作为训练目标，将所述复数个训练样本的欠方向采样的弥散加权图像作为
训练数据，对
深度学习网络进行训练；获取目标对象的欠方向采样的弥散加权图像；将所述目标对象的欠方向采样的弥散加权图像输入训练好的深度学习网络中，得到所述深度学习网络预测出的全方向采样的弥散张量图像，将所述预测出的全方向采样的弥散张量图像作为所述目标对象的弥散张量图像。
[0006] 在一个实施方式中，所述获取复数个训练样本的全方向采样的弥散加权图像包括：针对每个训练样本，获取磁共振
扫描仪输出的全方向采样的弥散加权图像；或者，获取来自人脑连接组计划，HCP，公开数据中的设定b值复数个训练样本的全方向采样的弥散加权图像。
[0007] 在一个实施方式中，所述设定b值为对应临床应用成像需求的b值。
[0008] 本发明实施例中提出的一种纤维束追踪方法，包括：获取目标对象的欠方向采样的弥散加权图像；将所述欠方向采样的弥散加权图像输入一训练好的深度学习网络中，得到所述深度学习网络预测出的一全方向采样的弥散张量图像，将所述全方向采样的弥散张量图像作为所述目标对象的弥散张量图像；对所述目标对象的弥散张量图像进行纤维束追踪。
[0009] 在一个实施方式中，所述训练好的深度学习网络通过如下方法得到：获取复数个训练样本的全方向采样的弥散加权图像；针对每个训练样本，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合，得到所述训练样本的全方向采样的弥散张量图像；在弥散加权方向维度，对所述训练样本全方向采样的弥散加权图像进行欠采样，得到所述训练样本的欠方向采样的弥散加权图像；将所述复数个训练样本的全方向采样的弥散张量图像作为训练目标，将所述复数个训练样本的欠方向采样的弥散加权图像作为训练数据，对深度学习网络进行训练。
[0010] 在一个实施方式中，所述获取复数个训练样本的全方向采样的弥散加权图像包括：针对每个训练样本，获取磁共振扫描仪输出的全方向采样的弥散加权图像；或者，获取来自人脑连接组计划，HCP，公开数据中的设定b值复数个训练样本的全方向采样的弥散加权图像。
[0011] 本发明实施例中提出的一种磁共振弥散张量成像装置，包括：全采样弥散加权图像获取模
块，用于获取复数个训练样本的全方向采样的弥散加权图像；全采样弥散张量图像生成模块，用于针对每个训练样本，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合，得到所述训练样本的全方向采样的弥散张量图像；欠采样弥散加权图像生成模块，用于针对每个训练样本，在弥散加权方向维度，对所述训练样本的全方向采样的弥散加权图像进行欠采样，得到所述训练样本的欠方向采样的弥散加权图像；训练模块，用于将所述复数个训练样本的全方向采样的弥散张量图像作为训练目标，将所述复数个训练样本的欠方向采样的弥散加权图像作为训练数据，对深度学习网络进行训练；欠采样弥散加权图像获取模块，用于获取目标对象的欠方向采样的弥散加权图像；全采样弥散张量图像预测模块，用于将所述目标对象的欠方向采样的弥散加权图像输入训练好的深度学习网络中，得到所述深度学习网络预测出的全方向采样的弥散张量图像，将所述预测出的全方向采样的弥散张量图像作为所述目标对象的弥散张量图像。
[0012] 在一个实施方式中，所述全采样弥散加权图像获取模块针对每个训练样本，获取磁共振扫描仪输出的全方向采样的弥散加权图像；或者，获取来自人脑连接组计划，HCP，公开数据中的设定b值的复数个训练样本的全方向采样的弥散加权图像。
[0013] 本发明实施例中提出的一种纤维束追踪装置，包括：欠采样弥散加权图像获取模块，用于获取目标对象的欠方向采样的弥散加权图像；全采样弥散张量图像预测模块，用于将所述欠方向采样的弥散加权图像输入一训练好的深度学习网络中，得到所述深度学习网络预测出的一全方向采样的弥散张量图像，将所述全方向采样的弥散张量图像作为所述目标对象的弥散张量图像；追踪模块，用于对所述目标对象的弥散张量图像进行纤维束追踪。
[0014] 在一个实施方式中，进一步包括：全采样弥散加权图像获取模块，用于获取复数个训练样本的全方向采样的弥散加权图像；全采样弥散张量图像生成模块，用于针对每个训练样本，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合，得到所述训练样本的全方向采样的弥散张量图像；欠采样弥散加权图像生成模块，用于针对每个训练样本，在弥散加权方向维度，对所述训练样本的全方向采样的弥散加权图像进行欠采样，得到所述训练样本的欠方向采样的弥散加权图像；训练模块，用于将所述复数个训练样本的全方向采样的弥散张量图像作为训练目标，将所述复数个训练样本的欠方向采样的弥散加权图像作为训练数据，对一深度学习网络进行训练。
[0015] 在一个实施方式中，所述全采样弥散加权图像获取模块针对每个训练样本，获取磁共振扫描仪输出的全方向采样的弥散加权图像；或者，获取来自人脑连接组计划，HCP，公开数据中的设定b值的复数个训练样本的全方向采样的弥散加权图像。
[0016] 本发明实施例中还提出一种磁共振弥散张量成像装置，包括：至少一个
存储器和至少一个处理器，其中，所述至少一个存储器用于存储
计算机程序；所述至少一个处理器用于调用所述至少一个存储器中存储的计算机程序，以执行上述任一实施方式中的磁共振弥散张量成像方法。
[0017] 本发明实施例中还提出一种纤维束追踪装置，包括：至少一个存储器和至少一个处理器，其中：所述至少一个存储器用于存储计算机程序；所述至少一个处理器用于调用所述至少一个存储器中存储的计算机程序，以执行上述任一实施方式中的纤维束追踪方法。
[0018] 本发明实施例中提出的一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序能够被一处理器执行并实现如上任一实施方式中的磁共振弥散张量成像方法或如上任一实施方式中的纤维束追踪方法。
[0019] 从上述方案中可以看出，由于本发明实施例中首先通过获取多个训练样本的全方向采样的弥散加权图像，然后采用传统的处理方式生成全方向采样的弥散张量图像，并对全方向采样的弥散加权图像进行欠采样处理，得到欠方向采样的弥散加权图像，之后将多个训练样本的全方向采样的弥散张量图像作为训练目标，将欠方向采样的弥散加权图像作为训练数据，对深度学习网络进行训练，从而得到训练好的深度学习网络。之后进行目标对象的磁共振张量成像时，可无需再获取目标对象的全方向采样的弥散加权图像，而只需获取较少方向的欠方向采样的弥散加权图像即可，输入到训练好的深度学习网络后直接输出全方向采样的弥散张量图像。该过程大大降低的数据的采集时间，并且还能保证磁共振弥散张量图像的成像
质量，从而提高了磁共振弥散张量图像的成像效率。
[0020] 此外，在采集多个训练样本的全方向采样的弥散加权图像时，通过从人脑连接组计划HCP的公开数据中直接获取设定b值的全方向采样的弥散加权图像，可充分利用现有资源，节约通过磁共振扫描仪重新获取弥散加权图像的成本。
[0021] 另外，采用对应临床应用成像需求的b值的全方向采样的弥散加权图像，可使得该训练好的深度学习网络直接应用于临床中，并且随着临床成像需求的b值的改变，可动态更新深度学习网络。
[0022] 进一步地，训练好的深度学习网络可应用于纤维束追踪技术中，从而可提高纤维束追踪的效率。
附图说明
[0023] 下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：
[0024] 图1为本发明实施例中一种磁共振弥散张量成像方法的示例性
流程图。
[0025] 图2为本发明实施例中一种磁共振弥散张量成像装置的示例性结构图。
[0026] 图3为本发明实施例中又一种磁共振弥散张量成像装置的示例性结构图。
[0027] 图4为本发明实施例中一种纤维束追踪方法的示例性流程图。
[0028] 图5为本发明实施例中一种纤维束追踪装置的示例性结构图。
[0029] 图6为本发明实施例中又一种纤维束追踪装置的示例性结构图。
[0030] 其中，如图标记如下：
[0031]标号 含义
100、400 方法
101～106、401～403 步骤
200、300、500、600 装置
201 全采样弥散加权图像获取模块
202 全采样弥散张量图像生成模块
203 欠采样弥散加权图像生成模块
204 训练模块
205、501 欠采样弥散加权图像获取模块
206、502 全采样弥散张量图像预测模块
301、601 存储器
302、602 处理器
303、603 总线
503 追踪模块
具体实施方式
[0032] 本发明实施例中，考虑到纤维束追踪技术对磁共振弥散张量成像的图像质量要求较高，因此在获取磁共振弥散张量图像时，需要首先获取尽可能多的扫描次数的弥散加权图像，为描述方便，本文中将满足设定高扫描次数要求(例如，高于或等于第一设定扫描次数)或高扫描方向数要求(例如，高于或等于第一设定扫描方向数)的弥散加权图像称为全方向采样的弥散加权图像，然后对所述全方向采样的弥散加权图像进行弥散张量模型拟合，得到全方向采样的弥散张量图像，进而基于全方向采样的弥散张量图像进行纤维束追踪。
[0033] 然而，考虑到全方向采样的弥散加权图像需要磁共振成像系统进行较多次的扫描，效率较低，且成本较高，本发明实施例中考虑利用上述的全方向采样的弥散张量图像作为训练目标，并在弥散加权方向维度，对上述的全方向采样的弥散加权图像进行欠采样，得到欠方向采样的弥散加权图像，并利用该欠方向采样的弥散加权图像作为训练数据，以基于
卷积神经网络理论，对深度学习网络进行训练，得到深度学习模型；之后可直接获取测试对象或诊断对象等目标对象的欠方向采样的弥散加权图像，输入训练好的深度学习模型中，预测出目标对象的全方向采样的弥散张量图像；然后对深度学习网络预测出的弥散张量图像进行纤维束追踪。本文中，为描述方便，将满足设定低扫描次数要求(例如，低于或等于第二设定扫描次数)或低扫描方向数要求(例如，低于或等于第二设定扫描方向数)的弥散加权图像称为欠方向采样的弥散加权图像。其中，第一设定扫描次数大于第二设定扫描次数，第一设定扫描方向数大于第二设定扫描方向数。本发明实施例中，在进行每次弥散加权图像扫描时，都会改变弥散加权的方向，因此扫描次数等于扫描方向数。
[0034] 为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。
[0035] 图1为本发明实施例中磁共振弥散张量成像方法100的示例性流程图。如图1所示，该方法100可包括如下步骤：
[0036] 步骤101、获取复数个训练样本的全方向采样的弥散加权图像。
[0037] 本步骤中，全方向采样的弥散加权图像可以由磁共振扫描仪扫描每个作为训练样本的对象得到，也可以是获取来自人脑连接组计划(HCP，Human Connectome Project)公开数据中的设定b值的复数个训练样本的图像。
[0038] 其中，考虑到本实施例中的磁共振弥散张量成像方法主要应用于临床中的相关应用中，如纤维束追踪等，因此b值可选取对应临床应用成像需求的b值。举例说明，在HCP数据中，存在各种b值的图像，不同的b值对应不同方向数量的采样。例如，存在1000s/mm2、3000s/mm2、5000s/mm2和10000s/mm2的b值等，且分别对应的方向数量为64、64、128和128。本实施中，如考虑到目前临床应用中多采用800～1500s/mm2的b值，因此目前可从HCP中获取b
2
值为1000s/mm的全方向采样的弥散加权图像。当然，随着磁共振成像技术的发展，临床应用中通常采用的b值可能会发生变化，相应地，进行本步骤中获取的全方向采样的弥散加权图像的b值也会相应发生变化。这样，一方面可可使得该深度学习网络可直接应用于临床中，另一方面也可随着临床成像需求的b值的改变，而动态更新深度学习网络。
[0039] 步骤102、针对每个训练样本，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合，得到所述训练样本的全方向采样的弥散张量图像。
[0040] 本步骤中，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合的方法可有多种，可根据公式自行实现
算法并以
体素为单位进行弥散张量模型拟合，或者也可采用现成的公开
软件实现，此处不对其进行限定。
[0041] 其中，弥散张量图像可包括
各向异性程度(FA)、平均弥散系数(MD)、轴向弥散系数(DA)、径向弥散系数(DR)和
特征向量等参数，其中，特征向量用于指示纤维束的方向。
[0042] 步骤103、针对每个训练样本，在弥散加权方向维度，对所述训练样本的全方向采样的弥散加权图像进行欠采样，得到所述训练样本的欠方向采样的弥散加权图像。
[0043] 本步骤中，主要是对步骤101中的全方向采样的弥散加权图像进行欠采样处理，例如，可从所述全方向采样的弥散加权图像随机提取部分弥散加权图像形成欠方向采样的弥散加权图像。举例说明，对于前述提到的64向的全方向采样的弥散加权图像，进行欠采样处理时，可从中随机提取6个方向的弥散加权图像，得到欠方向采样的弥散加权图像数据。其中，这6个方向可以是均匀分布的方向，也可以是非均匀分布的方向。
[0044] 其中，针对一个训练样本，欠方向采样的弥散加权图像可仅获取一组或者也可获取多组，具体可根据实际需要确定。
[0045] 步骤104，将所述复数个训练样本的全方向采样的弥散张量图像作为训练目标，将所述复数个训练样本的欠方向采样的弥散加权图像作为训练数据，对深度学习网络进行训练。
[0046] 本步骤中，可基于神经网络理论进行深度学习网络训练，以得到训练好的深度学习网络。进行训练时，同一训练样本的全方向采样的弥散张量图像与欠方向采样的弥散加权图像之间建立有对应关系。
[0047] 下述步骤105～步骤106主要涉及对目标对象(如病人)进行实际扫描时应用上述训练好的深度学习网络实现全方向采样的弥散张量图像的成像过程。
[0048] 步骤105，获取目标对象的欠方向采样的弥散加权图像。
[0049] 本步骤中，目标对象可以是对训练好的深度学习网络进行测试的测试对象，也可以临床应用中进行疾病诊断的诊断对象。
[0050] 可见本发明实施例中，在对目标对象进行磁共振成像时，可无需进行全方向采样的高次数扫描，而仅需进行欠方向采样的低次数扫描即可，例如仅进行6个方向的扫描采样等。
[0051] 步骤106，将所述目标对象的欠方向采样的弥散加权图像输入训练好的深度学习网络中，得到所述深度学习网络预测出的全方向采样的弥散张量图像，将所述预测出的全方向采样的弥散张量图像作为所述目标对象的弥散张量图像。
[0052] 以上对本发明实施例中的磁共振弥散张量成像方法进行了详细描述，下面再对本发明实施例中的磁共振弥散张量成像装置进行详细描述，本发明实施例中的磁共振弥散张量成像装置可用于实现本发明实施例中的磁共振弥散张量成像方法，对于本发明装置实施例中未披露的细节请参考本发明方法实施例中的相应描述，此处不再一一赘述。
[0053] 图2为本发明实施例中一种磁共振弥散张量成像装置200的示例性结构图。如图2所示，该磁共振弥散张量成像装置200可包括：全采样弥散加权图像获取模块201、全采样弥散张量图像生成模块202、欠采样弥散加权图像生成模块203、训练模块204、欠采样弥散加权图像获取模块205和全采样弥散张量图像预测模块206。
[0054] 其中，全采样弥散加权图像获取模块201用于获取复数个训练样本的全方向采样的弥散加权图像。具体实现时，全采样弥散加权图像获取模块201可针对每个训练样本，获取磁共振扫描仪输出的全方向采样的弥散加权图像；或者，获取来自人脑连接组计划HCP公开数据中的设定b值的复数个训练样本的全方向采样的弥散加权图像。
[0055] 全采样弥散张量图像生成模块202用于针对每个训练样本，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合，得到所述训练样本的全方向采样的弥散张量图像。
[0056] 欠采样弥散加权图像生成模块203用于针对每个训练样本，在弥散加权方向维度，对所述训练样本的全方向采样的弥散加权图像进行欠采样，得到所述训练样本的欠方向采样的弥散加权图像。
[0057] 训练模块204用于将所述复数个训练样本的全方向采样的弥散张量图像作为训练目标，将所述复数个训练样本的欠方向采样的弥散加权图像作为训练数据，对深度学习网络进行训练。
[0058] 欠采样弥散加权图像获取模块205用于获取目标对象的欠方向采样的弥散加权图像。
[0059] 全采样弥散张量图像预测模块206用于将所述目标对象的欠方向采样的弥散加权图像输入训练好的深度学习网络中，得到所述深度学习网络预测出的全方向采样的弥散张量图像，将所述预测出的全方向采样的弥散张量图像作为所述目标对象的弥散张量图像。
[0060] 图3为本发明实施例中又一种磁共振弥散张量成像装置300的示例性结构图。如图3所示，该磁共振弥散张量成像装置300可包括：至少一个存储器301和至少一个处理器302。
当然，该磁共振弥散张量成像装置300还可包括一些其他的组件，例如通信端口等。这些组件可通过总线303进行通信。
[0061] 其中，至少一个存储器301用于存储计算机程序。在一个实施方式中，该计算机程序可以理解为包括图2所示的磁共振弥散张量成像装置的各个模块，即全采样弥散加权图像获取模块201、全采样弥散张量图像生成模块202、欠采样弥散加权图像生成模块203、训练模块204、欠采样弥散加权图像获取模块205和全采样弥散张量图像预测模块206。
[0062] 此外，至少一个存储器301还可存储
操作系统等。操作系统包括但不限于：Android操作系统、Symbian操作系统、Windows操作系统、Linux操作系统等等。
[0063] 至少一个处理器302用于调用至少一个存储器301中存储的计算机程序，以基于至少一个端口接收数据的功能执行本发明实施例中图1中所述的磁共振弥散张量成像方法。处理器602可以为CPU，处理单元/模块，ASIC，逻辑模块或可编程
门阵列等。
[0064] 图4为本发明实施例中纤维束追踪方法400的示例性流程图。如图4所示，该方法400可包括如下步骤：
[0065] 步骤401，获取目标对象的欠方向采样的弥散加权图像。
[0066] 本步骤中，在对目标对象进行磁共振成像时，可无需进行全方向采样的高次数扫描，而仅需进行欠方向采样的低次数扫描即可，例如仅进行6个方向的采样等。
[0067] 步骤402，将所述欠方向采样的弥散加权图像输入一训练好的深度学习网络中，得到所述深度学习网络预测出的一全方向采样的弥散张量图像，将所述全方向采样的弥散张量图像作为所述目标对象的弥散张量图像。
[0068] 步骤403，对所述目标对象的弥散张量图像进行纤维束追踪。
[0069] 其中，所述训练好的深度学习网络可通过如图1所示方法中步骤101至步骤104中描述的方法得到：即获取复数个训练样本的全方向采样的弥散加权图像；针对每个训练样本，对所述训练样本的全方向采样的弥散加权图像进行弥散张量模型拟合，得到所述训练样本的全方向采样的弥散张量图像；并在弥散加权方向维度，对所述训练样本的全方向采样的弥散加权图像进行欠采样，得到所述训练样本的欠方向采样的弥散加权图像；将所述复数个训练样本的全方向采样的弥散张量图像作为训练目标，将所述复数个训练样本的欠方向采样的弥散加权图像作为训练数据，对深度学习网络进行训练。
[0070] 以上对本发明实施例中的纤维束追踪方法进行了详细描述，下面再对本发明实施例中的纤维束追踪装置进行详细描述，本发明实施例中的纤维束追踪装置可用于实现本发明实施例中的纤维束追踪方法，对于本发明装置实施例中未披露的细节请参考本发明方法实施例中的相应描述，此处不再一一赘述。
[0071] 图5为本发明实施例中纤维束追踪装置500的示例性结构图。如图5所示，该纤维束追踪装置500可如图中的实线部分所示包括：欠采样弥散加权图像获取模块501、全采样弥散张量图像预测模块502和追踪模块503。
[0072] 其中，欠采样弥散加权图像获取模块501用于获取目标对象的欠方向采样的弥散加权图像。
[0073] 全采样弥散张量图像预测模块502用于将所述欠方向采样的弥散加权图像输入一训练好的深度学习网络中，得到所述深度学习网络预测出的一全方向采样的弥散张量图像，将所述全方向采样的弥散张量图像作为所述目标对象的弥散张量图像。
[0074] 追踪模块503用于对所述目标对象的弥散张量图像进行纤维束追踪。
[0075] 在其他实施方式中，该纤维束追踪装置可进一步如图中的虚线部分所示，包括图2中所示的全采样弥散加权图像获取模块201、全采样弥散张量图像生成模块202、欠采样弥散加权图像生成模块203和训练模块204。
[0076] 图6为本发明实施例中又一种纤维束追踪装置600的示例性结构图。如图6所示，该纤维束追踪装置600可包括：至少一个存储器601和至少一个处理器602。当然，该分层架构软件中代码评估装置的还可包括一些其他的组件，例如通信端口等。这些组件可通过总线603进行通信。
[0077] 其中，至少一个存储器601用于存储计算机程序。在一个实施方式中，该计算机程序可以理解为包括图5所示的纤维束追踪装置的各个模块，即欠采样加权图像获取模块501、全采样张量图像预测模块502和追踪模块503。在其他实施方式中，还可进一步包括：全采样加权图像获取模块201、全采样张量图像生成模块202、欠采样加权图像生成模块203和训练模块204。
[0078] 此外，至少一个存储器601还可存储操作系统等。操作系统包括但不限于：Android操作系统、Symbian操作系统、Windows操作系统、Linux操作系统等等。
[0079] 至少一个处理器602用于调用至少一个存储器601中存储的计算机程序，以基于至少一个端口接收数据的功能执行本发明实施例中图4中所述的纤维束追踪方法。处理器602可以为CPU，处理单元/模块，ASIC，逻辑模块或可编程门阵列等。
[0080] 需要说明的是，上述各流程和各结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分，实际实现时，一个模块可以分由多个模块实现，多个模块的功能也可以由同一个模块实现，这些模块可以位于同一个设备中，也可以位于不同的设备中。
[0081] 可以理解，上述各实施方式中的
硬件模块可以以机械方式或
电子方式实现。例如，一个硬件模块可以包括专门设计的永久性
电路或逻辑器件(如专用处理器，如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的
可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。
[0082] 本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本发明所述方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外，还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施方式中任一实施方式的功能。用于提供程序代码的存储介质实施方式包括
软盘、
硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从
服务器计算机上下载程序代码。
[0083] 从上述方案中可以看出，由于本发明实施例中首先通过获取多个训练样本的全方向采样的弥散加权图像，然后采用传统的处理方式生成全方向采样的弥散张量图像，并对全方向采样的弥散加权图像进行欠采样处理，得到欠方向采样的弥散加权图像，之后将多个训练样本的全方向采样的弥散张量图像作为训练目标，将欠方向采样的弥散加权图像作为训练数据，对深度学习网络进行训练，从而得到训练好的深度学习网络。之后进行目标对象的磁共振张量成像时，可无需再获取目标对象的全方向采样的弥散加权图像，而只需获取较少方向的欠方向采样的弥散加权图像即可，输入到训练好的深度学习网络后直接输出全方向采样的弥散张量图像。该过程大大降低的数据的采集时间，并且还能保证磁共振弥散张量图像的成像质量，从而提高了磁共振弥散张量图像的成像效率。
[0084] 此外，在采集多个训练样本的全方向采样的弥散加权图像时，通过从人脑连接组计划HCP的公开数据中直接获取设定b值的全方向采样的弥散加权图像，可充分利用现有资源，节约通过磁共振扫描仪重新获取弥散加权图像的成本。
[0085] 另外，采用对应临床应用成像需求的b值的全方向采样的弥散加权图像，可使得该训练好的深度学习网络直接应用于临床中，并且随着临床成像需求的b值的改变，可动态更新深度学习网络。
[0086] 进一步地，训练好的深度学习网络可应用于纤维束追踪技术中，从而可提高纤维束追踪的效率。
[0087] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
