CN103077544A - 一种磁共振参数匹配方法、装置及医疗图像处理设备 - Google Patents

Abstract

本发明适用于图像处理技术领域，提供了一种磁共振参数匹配方法、装置及医疗图像处理设备，所述方法包括：获取待优化的图像；将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型；根据所述重建模型对所述图像进行处理，生成重建的图像；对所述重建的图像进行拟合，获取磁共振参数。本发明在图像固定的非自适应变换域上进行自适应字典学习，在大量减少采样量和采样时间的同时，产生更好的稀疏表示结果，提高了从极少量信号重建出原信号的精确度，并且得到更精确的磁共振参数匹配。

Description

一种磁共振参数匹配方法、装置及医疗图像处理设备

技术领域

本发明属于图像处理技术领域，尤其涉及一种磁共振参数匹配方法、装置及医疗图像处理设备。

背景技术

近年来，人们越来越重视应用定量的磁共振参数来提高诊断和治疗效果，但是由于参数匹配需要在不同的参数编码维度上得到大量的成像，从而导致需要很长的采样时间，虽然可以对信号进行欠采样来减少采样时间，但是，如何通过欠采样信号来精确估计参数是一个具有挑战性的问题。

压缩感知理论提供了解决这一问题的有效方法，压缩感知理论表明，利用信号的稀疏性，可以通过对原信号少量的线性测量即可精确的重建原信号，为了获得精确的重建信号，有大量的固定的非自适应稀疏变换应用到压缩感知信号重建方法上，常用的稀疏变换有小波变换、有限差分变换、主成分分析法等。

然而，现有的非自适应的固定稀疏变换，并不能理想地稀疏表示所有的图像，导致不能在更高的欠采样率上精确的重建图像。

发明内容

本发明实施例的目的在于提供一种磁共振参数匹配方法，旨在解决现有的非自适应的固定稀疏变换，并不能理想地稀疏表示所有的图像，导致不能在更高的欠采样率上精确的重建图像的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

本发明实施例是这样实现的，一种磁共振参数获取方法，所述方法包括：

获取待优化的图像；

将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型；

根据所述重建模型对所述图像进行处理，生成重建的图像；

对所述重建的图像进行拟合，获取磁共振参数。

本发明实施例还提供了一种磁共振参数获取系统，所述系统包括：

获取单元，用于获取待优化的图像；

输入单元，用于将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型；

生成单元，用于根据所述重建模型对所述图像进行处理，生成重建的图像；

拟合单元，用于对所述重建的图像进行拟合，获取磁共振参数。

本发明实施例还提供了一种医疗图像处理设备，所述图像处理设备包括所述的磁共振参数获取系统。

本发明实施例与现有技术相比，有益效果在于：获取待优化的图像，将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型，根据所述重建模型对所述图像进行处理，生成重建的图像，对所述重建的待优化图像进行拟合，获取磁共振参数。由于在图像固定的非自适应变换域（如PCA变换，小波变换，TV等）上进行自适应字典学习，在大量减少采样量和采样时间的同时，产生更好的稀疏表示结果，提高了从极少量信号重建出原信号的精确度，并且得到更精确的磁共振参数匹配。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的磁共振参数获取方法的实现的流程图；

图2是本发明实施例一提供的生成重建的图像的流程图；

图3是本发明实施例二提供的磁共振参数获取方法的实现的流程图；

图4是本发明实施例三提供的磁共振参数获取系统的结构图；

图5是本发明实施例四提供的磁共振参数获取系统的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种磁共振参数获取方法，所述方法包括：

获取待优化的图像；

将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型；

根据所述重建模型对所述图像进行处理，生成重建的图像；

对所述重建的图像进行拟合，获取磁共振参数。

本发明实施例还提供了一种磁共振参数获取系统，所述系统包括：

获取单元，用于获取待优化的图像；

输入单元，用于将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型；

生成单元，用于根据所述重建模型对所述图像进行处理，生成重建的图像；

拟合单元，用于对所述重建的图像进行拟合，获取磁共振参数。

本发明实施例还提供了一种医疗图像处理设备，所述图像处理设备包括所述的磁共振参数获取系统。

以下结合具体实施例对本发明的实现进行详细描述：

实施例一

图1示出了本发明实施例一提供的磁共振参数获取方法的实现的流程图，详述如下：

在S101中，获取待优化的图像；

在S102中，将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型；

本实施例中，对于任意的非自适应的稀疏变换，例如：小波变换、主成分换分析变换（PCA变换）或者全变分变换（TV变换）等，均可以适应于所述的重建模型

在S103中，根据所述重建模型对所述图像进行处理，生成重建的图像；

在S104中，对所述重建的图像进行拟合，获取磁共振参数。

可选的，本实施例中，S103具体可以为采用以下方式实现，请参阅图2示出本发明实施例一提供的生成重建的图像的流程图，详述如下：

在S201中，根据所述预设图像重建模型，对所述图像进行非自适应的稀疏变换，生成第一稀疏系数矩阵；

在S202中，根据所述预设图像重建模型，对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵；

其中，所述第二稀疏系数的稀疏度小于所述第一稀疏系数；

在S203中，根据所述第二稀疏系数矩阵，生成重建的图像。

本实施例中，获取待优化的图像，将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型，根据所述重建模型对所述图像进行处理，生成重建的图像，对所述重建的待优化图像进行拟合，获取磁共振参数。由于在图像固定的非自适应变换域（如PCA变换，小波变换，TV等）上进行自适应字典学习，在大量减少采样量和采样时间的同时，产生更好的稀疏表示结果，提高了从极少量信号重建出原信号的精确度，并且得到更精确的磁共振参数匹配。

实施例二

图3示出了本发明实施例二提供的磁共振参数获取方法的实现的流程图，详述如下：

在S301中，对k-p空间进行欠采样，得到L个参数编码维度p={p₁,p₂,…,p_L}上的欠采样K空间信号

本实施例中，对k-p空间进行欠采样，得到L个参数编码维度p={p₁,p₂,…,p_L}上对应的K空间信号

其中

其对应的向量形式为y={y₁,y₂,…,y_L}，

在S302中，对所述L个K空间信号

进行重建，生成L个临时的重建图像

将所述重建图像

作为待优化的图像；

本实施例中，从

中重建出每个参数编码维度上的一系列的图像

对应的向量形式为x={x₁,x₂,…,x_L}，

其中，重建方法包括各种线性或者非线性的重建算法，在此不用以限制本发明。

在S303中，将所述待优化的图像

转换为图像矩阵x。

本实施例中，具体可以把所有的图像

变成N维向量形式，构成一个大小为N×L的图像矩阵x。

在S304中，将所述图像矩阵x输入预设图像重建模型，所述预设图像重建模型具体为：

$\underset{X,D,\mathrm{\Γ}}{\min }\{\underset{i}{\mathrm{\Σ}}{\left|\right|D{\mathrm{\α}}_i-R_i\left(\mathrm{Px}\right)\left|\right|}_2^2+{\mathrm{\λ}}_1\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|F_u{x}_l-y_l\left|\right|}^2\}$

$s.t.{\left|\right|{\mathrm{\α}}_i\left|\right|}_0\≤T_0,\∀i---\left(1\right)$

其中，R表示图像块提取算子，R_i对应第i个图像块，D为学习字典，α为每个图像块在字典D上的稀疏系数，Γ表示所有稀疏系数的集合，x_l为参数编码维度p_l上对应的重建的图像，x_l采用向量形式表示，x={x₁,x₂,…,x_L}为所有重建的图像的集合，P表示非自适应稀疏变换算子，通过P对x的每一列做稀疏变换，得到对应的变换系数矩阵，y_l表示已知的在参数编码维度p_l上的欠采样K空间信号，以向量形式表示，y_l与真实图像

的关系为

F_u表示傅里叶欠采样算子，λ₁为正权重因子，T₀为预设的稀疏度，其值为整数。

在S305中，对所述图像矩阵x的每一列进行非自适应的稀疏变换，生成第一稀疏系数矩阵；

在S306中，对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵和稀疏表示字典D；

在S307中，固定所述第二稀疏系数矩阵和稀疏表示字典D，更新矩阵x；

在S308中，判断所述更新矩阵x是否满足预设终止条件，若是，则执行S309，若否，执行S305。

在S309中，将所述更新矩阵x转换成重建图像。

在S310中，对所述重建图像进行拟合，获取磁共振参数。

本实施例中，上述S305至S310具体为：对图像矩阵x的每一列做稀疏变换，得到稀疏变换域第一系数矩阵，对该第一系数矩阵应用自适应字典学习的方法，学习出稀疏表示字典D和稀疏系数集Γ，固定所述字典D和稀疏系数集Γ，更新矩阵x，不断重复上述步骤，直到满足终止条件。把得到的x的每一列向量恢复成图像矩阵形式即为期望的重建图像，最后，用所有的重建图像可以通过拟合获取所需要的磁共振参数。

本实施例中，当所述图像矩阵x输入公式（1）后，具体可以应用Bregman技术进行求解。求解公式（1）的算法交替更新图像矩阵和变换域系数矩阵的稀疏表示，算法的具体描述如下：

引入辅助变量w=Px，方程（1）可以改写如下：

$\underset{X,D,\mathrm{\Γ}}{\min }\{\underset{i}{\mathrm{\Σ}}{\left|\right|D{\mathrm{\α}}_i-R_i\left(w\right)\left|\right|}_2^2+{\mathrm{\λ}}_1\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|F_u{x}_l-y_l\left|\right|}^2\}$

$s.t.{\left|\right|{\mathrm{\α}}_i\left|\right|}_0\≤T_0,\∀i;w=\mathrm{Px}---\left(2\right)$

通过应用Bregman方法，对（2）求解问题可以转化为如下子问题：

$\{x^{k+1},w^{k+1},D^{k+1},{{\mathrm{\α}}_i}^{k+1}\}=\underset{x,w,D,\mathrm{\Γ}}{\arg \min }\left\{\begin{array}{c}\underset{i}{\mathrm{\Σ}}{\left|\right|D{\mathrm{\α}}_i-R_i\left(w\right)\left|\right|}_2^2+{\mathrm{\λ}}_1\underset{l}{\mathrm{\Σ}}{\left|\right|F_u{x}_l-y_l\left|\right|}_2^2+{\mathrm{\λ}}_2{\left|\right|b^k+\mathrm{Px}-w\left|\right|}_2^2\\ s.t.{\left|\right|{\mathrm{\α}}_i\left|\right|}_0\≤T_0,\∀i\end{array}\right\}---\left(3\right)$

b^k+1=b^k+Px^k+1-w^k+1,         (4)

其中λ₂定义为正罚参数，应用交替方向法（Alternating Direction Method，ADM）来求解问题（3），求解过程如下：

1、更新图像矩阵x

在第k次迭代，固定w,D,α_i，假设他们的值分别为w^k,D^k,去除常量，更新x的目标函数为：

$x^{k+1}=\underset{x}{\arg \min }\{{\mathrm{\λ}}_1\underset{l}{\mathrm{\Σ}}{\left|\right|F_u{x}_l-y_l\left|\right|}_2^2+{\mathrm{\λ}}_2{\left|\right|b^k+\mathrm{Px}-w^k\left|\right|}_2^2\}---\left(5\right)$

2、更新变换域系数矩阵w

求解方程如下：

$w^{k+1}=\underset{w}{\arg \min }\{\underset{i}{\mathrm{\Σ}}{\left|\right|D^k{{\mathrm{\α}}_i}^k-R_i\left(w\right)\left|\right|}_2^2+{\mathrm{\λ}}_2{\left|\right|b^k+{\mathrm{Px}}^{k+1}-w\left|\right|}_2^2\}---\left(6\right)$

上述（6）最小二乘问题的解析解如下：

$w^{k+1}=\frac{{\mathrm{\λ}}_2[b^k+{\mathrm{Px}}^{k+1}]+\underset{i}{\mathrm{\Σ}}{R}_i^T{D}^k{{\mathrm{\α}}_i}^k/\mathrm{\β}}{{\mathrm{\λ}}_2+1}---\left(7\right)$

3、更新变换域系数矩阵的稀疏表示（D和α_i）

$\{D^{k+1},{{\mathrm{\α}}_i}^{k+1}\}=\underset{D,\mathrm{\Γ}}{\arg \min }\left\{\begin{array}{c}\underset{i}{\mathrm{\Σ}}{\left|\right|D{\mathrm{\α}}_i-R_i{\left(w\right)}^{k+1}\left|\right|}_2^2\\ s.t.{\left|\right|{\mathrm{\α}}_i\left|\right|}_0\≤T_0,\∀i\end{array}\right\}---\left(8\right)$

求解（8）的方法可以使用K-奇异值分解（K-sigular value decomposition,K-SVD）方法，即交替更新字典D和系数矩阵α_i，在稀疏编码阶段，固定字典D，通过贪婪算法正交匹配追踪（Orthogonal Matching Pursuit，OMP）来更新α_i；在字典更新阶段，固定系数α_i，通过SVD来逐列更新字典的每一列，从而最小化近似误差，以上即为求解问题（8）的过程。

综上所述，完整的求解公式（1）的算法可归纳如下：

算法1：

1：初始化：Γ⁰=0,D⁰,b⁰=0,

2：For k=1,2,…直到满足终止准则：

3： $w^{k+1}=\underset{w}{\arg \min }\{\underset{i}{\mathrm{\Σ}}{\left|\right|D^k{{\mathrm{\α}}_i}^k-R_i\left(w\right)\left|\right|}_2^2+{\mathrm{\λ}}_2{\left|\right|b^k+{\mathrm{Px}}^{k+1}-w\left|\right|}_2^2\}$

4：更新

5：更新图像序列矩阵x^k+1

6：b^k+1=b^k+Px^k+1-w^k+1

7：End

8:输出x^k+1

本发明实施例中，获取待优化的图像，将所述图像输入预设图像重建模型，通过所述重建模型，对图像在图像固定的非自适应变换域（如PCA变换，小波变换，TV等）上进行自适应字典学习，在大量减少采样量和采样时间的同时，产生更好的稀疏表示结果，提高了从极少量信号重建出原信号的精确度，并且得到更精确的磁共振参数匹配。

实施例三

图4示出了本发明实施例三提供的磁共振参数获取系统的结构图，为了便于说明，仅示出了与本发明实施例相关的部分，该装置可以是内置于医疗图像处理设备的软件单元、硬件单元或者软硬结合单元。

所述系统包括：获取单元41、输入单元42、生成单元43及拟合单元44。

获取单元41，用于获取待优化的图像；

输入单元42，用于将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型；

生成单元43，用于根据所述重建模型对所述图像进行处理，生成重建的图像；

可选的，所述生成单元43包括：非自适应稀疏变换模块、字典学习模块以及重建模块。

非自适应稀疏变换模块，用于根据所述预设图像重建模型，对所述图像进行非自适应的稀疏变换，生成第一稀疏系数矩阵；

字典学习模块，根据所述预设图像重建模型，对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵；

重建模块，用于根据所述第二稀疏系数矩阵，生成重建的图像。

拟合单元44，用于对所述重建的图像进行拟合，获取磁共振参数。

本发明实施例提供的磁共振参数获取系统可以使用在前述对应的方法实施例一中，详情参见上述实施例一的描述，在此不再赘述。

实施例四

图5示出了本发明实施例四提供的磁共振参数获取系统的结构图，为了便于说明，仅示出了与本发明实施例相关的部分，该装置可以是内置于医疗图像处理设备的软件单元、硬件单元或者软硬结合单元。

所述系统包括：获取单元51、输入单元52、生成单元53及拟合单元54。

可选的，所述预设图像重建模型具体为：

$\underset{X,D,\mathrm{\Γ}}{\min }\{\underset{i}{\mathrm{\Σ}}{\left|\right|D{\mathrm{\α}}_i-R_i\left(\mathrm{Px}\right)\left|\right|}_2^2+{\mathrm{\λ}}_1\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|F_u{x}_l-y_l\left|\right|}^2\}$

$s.t.{\left|\right|{\mathrm{\α}}_i\left|\right|}_0\≤T_0,\∀i$

可选的，所述获取单元51，具体包括：采样模块511、生成模块512及转换模块513。

采样模块511，用于对k-p空间进行欠采样，得到L个参数编码维度p={p₁,p₂,…,p_L}上的欠采样K空间信号

生成模块512，用于对所述L个K空间信号

进行重建，生成L个临时的重建图像

将所述重建图像作为待优化的图像；

转换模块513，用于将所述待优化的图像

转换为图像矩阵x；

所述生成单元53，具体包括：第一变换模块531、第二变换模块532、更新模块533及判断模块534。

第一变换模块531，用于对所述图像矩阵x的每一列进行非自适应的稀疏变换，生成第一稀疏系数矩阵；

第二变换模块532，用于对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵和稀疏表示字典D；

更新模块533，用于固定所述第二稀疏系数矩阵和稀疏表示字典D，更新矩阵x；

判断模块534，用于判断所述更新矩阵x是否满足预设终止条件，若是，则将所述更新矩阵x转换成重建图像，若否，启动第一变换模块531。

本发明实施例提供的磁共振参数获取系统可以使用在前述对应的方法实施例二中，详情参见上述实施例二的描述，在此不再赘述。

值得注意的是，上述装置和系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种磁共振参数获取方法，其特征在于，所述方法包括： 

获取待优化的图像； 

将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型； 

根据所述重建模型对所述图像进行处理，生成重建的图像； 

对所述重建的图像进行拟合，获取磁共振参数。 

2.如权利要求1所述的方法，其特征在于，所述根据所述重建模型对所述图像进行处理，生成重建的图像具体为： 

根据所述预设图像重建模型，对所述图像进行非自适应的稀疏变换，生成第一稀疏系数矩阵； 

根据所述预设图像重建模型，对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵； 

根据所述第二稀疏系数矩阵，生成重建的图像。 

3.如权利要求1所述的方法，其特征在于，所述预设图像重建模型具体为： 

其中，R表示图像块提取算子，R_i对应第i个图像块，D为学习字典，α为每个图像块在字典D上的稀疏系数，Γ表示所有稀疏系数的集合，x_l为参数编码维度p_l上对应的重建的图像，x_l采用向量形式表示，x={x₁,x₂,…,x_L}为所有重建的图像的集合，P表示非自适应稀疏变换算子，通过P对x的每一列做稀疏变换，得到对应的变换系数矩阵，y_l表示已知的在参数编码维度p_l上的欠采样K空间信号，以向量形式表示，y_l与真实图像的关系为

F_u表示傅里叶欠采样算子，λ₁为正权重因子，T₀为预设的稀疏度，其值为整数。 

4.如权利要求3所述的方法，其特征在于，所述获取待优化的图像具体为： 

对k-p空间进行欠采样，得到L个参数编码维度p={p₁,p₂,…,p_L}上的欠采样K空间信号

对所述L个K空间信号

进行重建，生成L个临时的重建图像 

将所述重建图像

作为待优化的图像； 

将所述待优化的图像

转换为图像矩阵x； 

所述根据所述重建模型对所述图像进行处理，生成重建的图像具体包括： 

a1、对所述图像矩阵x的每一列进行非自适应的稀疏变换，生成第一稀疏系数矩阵； 

a2、对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵和稀疏表示字典D； 

a3、固定所述第二稀疏系数矩阵和稀疏表示字典D，更新矩阵x； 

a4、判断所述更新矩阵x是否满足预设终止条件，若是，则将所述更新矩阵x转换成重建图像，若否，执行a1。 

5.如权利要求1至4任一权利要求所述的方法，其特征在于，所述非自适应的稀疏变换为：小波变换、PCA变换、主成分换分析变换或者TV变换。 

6.一种磁共振参数获取系统，其特征在于，所述系统包括： 

获取单元，用于获取待优化的图像； 

输入单元，用于将所述图像输入预设图像重建模型，所述预设图像重建模型为根据非自适应的稀疏变换及自适应的字典学习生成的重建模型； 

生成单元，用于根据所述重建模型对所述图像进行处理，生成重建的图像； 

拟合单元，用于对所述重建的图像进行拟合，获取磁共振参数。 

7.如权利要求6所述的系统，其特征在于，所述生成单元包括： 

非自适应稀疏变换模块，用于根据所述预设图像重建模型，对所述图像进行非自适应的稀疏变换，生成第一稀疏系数矩阵； 

字典学习模块，根据所述预设图像重建模型，对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵； 

重建模块，用于根据所述第二稀疏系数矩阵，生成重建的图像。 

8.如权利要求6所述的系统，其特征在于，所述预设图像重建模型具体为： 

。

9.如权利要求8所述的系统，其特征在于，所述获取单元，具体包括： 

采样模块，用于对k-p空间进行欠采样，得到L个参数编码维度p={p₁,p₂,…,p_L}上的欠采样K空间信号

生成模块，用于对所述L个K空间信号进行重建，生成L个临时的重建图像

将所述重建图像

作为待优化的图像； 

转换模块，用于将所述待优化的图像

转换为图像矩阵x； 

所述生成单元，具体包括： 

第一变换模块，用于对所述图像矩阵x的每一列进行非自适应的稀疏变换，生成第一稀疏系数矩阵； 

第二变换模块，用于对所述第一稀疏系数进行自适应的字典学习，生成第二稀疏系数矩阵和稀疏表示字典D； 

更新模块，用于固定所述第二稀疏系数矩阵和稀疏表示字典D，更新矩阵x； 

判断模块，用于判断所述更新矩阵x是否满足预设终止条件，若是，则将所述更新矩阵x转换成重建图像，若否，启动第一变换模块。 

10.一种医疗图像处理设备，其特征在于，所述图像处理设备包括权利要求6至9任一权利要求所述的磁共振参数获取系统。 

Images