CN104027113B - 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 - Google Patents
一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 Download PDFInfo
- Publication number
- CN104027113B CN104027113B CN201410310987.7A CN201410310987A CN104027113B CN 104027113 B CN104027113 B CN 104027113B CN 201410310987 A CN201410310987 A CN 201410310987A CN 104027113 B CN104027113 B CN 104027113B
- Authority
- CN
- China
- Prior art keywords
- pulmonary
- magnetic resonance
- sparse sampling
- priori
- imaging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于先验知识和稀疏采样的肺部快速磁共振成像方法。超极化气体造影剂的出现使得肺部磁共振成像成为可能。成像过程中需要成像对象屏住呼吸减少运动伪影的产生,同时超极化气体的极化度会随时间迅速衰减,降低图像的信噪比。因此加快成像速度有很大意义。本发明公开的成像方法首先对肺部区域进行氢质子磁共振成像,随后通过图像处理方法提取肺部区域信号分布的先验信息。据此生成自适应的超极化气体稀疏采样脉冲序列,并在成像对象吸入超极化气体后对肺部进行成像。由于采样点数量的减少缩短了成像时间。同时由于先验信息的指导,气体造影剂的极化度得到了更加合理的利用,图像质量和全采样相比相当甚至更佳。
Description
技术领域
本发明属于磁共振成像领域,具体涉及一种基于先验知识和稀疏采样的肺部快速磁共振成像方法。适用于肺部结构和功能检测,肺部疾病诊断,及肺部手术术前规划等领域。
背景技术
随着经济的快速发展和大气环境污染的日益严重,肺癌已经成为发病率和死亡率增长最快,对人群健康和生命威胁最大的恶性肿瘤。近50年来许多国家都报道肺癌的发病率和死亡率均明显增高,男性肺癌发病率和死亡率均占所有恶性肿瘤的第一位,女性发病率占第二位,死亡率占第二位。
磁共振成像(MagneticResonanceImaging,简称MRI),是利用核磁共振(NuclearMagneticResonance,简称NMR)原理,依据所释放的能量在物质内部不同结构环境中不同的衰减,进而通过外加梯度磁场检测所发射出的电磁波,了解构成该物质原子核的位置和种类,据此呈现物体内部结构图像的技术。
MRI因为其无放射、非侵入等诸多无法比拟的优越性在医学诊断和研究中占据着重要位置,并已经在人类健康和公共卫生事业中发挥了巨大的作用。然而传统的MRI都是针对人体中的水质子(1H)信号进行成像,对于充满气体和空腔结构的肺部,其质子浓度约为正常组织的千分之一,所以肺部是人体中唯一被传统MRI技术视为“盲区”的器官。
为了克服传统MRI技术在肺部不能进行成像的困难,科学家们发展了利用超极化惰性气体(如3He和129Xe)作为造影剂,通过人吸入造影剂气体来对肺部进行磁共振成像的新技术。因为超极化气体的磁共振信号能够被极大的增强,所以超极化气体MRI的信号强度能够达到与传统1H相当的水平,从而获得肺部清晰的图像。
一般来说,磁共振成像的时间相对其他影像技术较长,病人在吸入超极化气体后需要屏气相当长的时间并保持身体静止等待磁共振扫描完成。这个要求对于幼儿、危重病人或失去知觉的病人有很大难度。对于这类的病人需要通过麻醉和呼吸机来辅助成像。同时超极化气体造影剂的极化度随时间会迅速下降,过长的扫描时间会造成气体造影剂极化度的显著下降,降低磁共振信号的信噪比,使得图像质量变差。
虽然肺部的氢质子成像不能提供肺部的空腔信息,但是仍然可以提供肺部轮廓和血管等组织的结构信息。本发明公开的基于先验知识和稀疏采样的肺部磁共振快速成像方法,希望通过肺部的氢质子成像为超极化气体造影剂成像过程提供先验知识,据此合理利用超极化气体的极化度,从而在图像质量不变甚至更佳的情况下缩短使用超极化气体造影剂成像的时间,实现快速成像。
发明内容
针对技术背景中描述的问题,加快使用超极化气体对肺部进行磁共振成像的速度有着非常重要的意义。本发明通过肺部的氢质子成像获取肺部的先验知识,据此在利用超极化气体造影剂对肺部成像的过程中使用稀疏采样技术,在减少采样点的同时合理利用造影剂的极化度,从而实现高成像质量的快速成像。
一种基于先验知识和稀疏采样的肺部快速磁共振成像方法,包含以下步骤:
步骤1、对成像对象肺部区域进行质子磁共振成像;
步骤2、通过图像处理的方法识别肺部区域肺泡及血管的轮廓位置,然后通过灰度反转和傅里叶变换将肺部图像数据转换为对应的k空间数据并筛选获取k空间中大信号的分布情况,并作为先验信息;
步骤3、根据步骤2所获得的先验信息,通过对扫描区域和扫描轨迹的调整生成调整后的肺部超极化气体的稀疏采样扫描脉冲序列,对大信号集中的区域进行重点扫描,对于信号较小或为零的区域少扫描或者不扫描;
步骤4、成像对象吸入超极化气体造影剂,在肺部充满超极化气体后成像对象屏气,使用步骤3生成的稀疏采样脉冲序列进行扫描;
步骤5、将步骤4中所获得的肺部欠采样数据通过插值方法恢复为满采样数据,并重建肺部图像。
如上所述的步骤1中对肺部进行氢质子磁共振成像时所使用的脉冲序列为SE类型序列。
如上所述的步骤2中对先验信息进行提取包括以下步骤:
步骤2.1、通过中值滤波对肺部质子图像进行滤波降噪;
步骤2.2、通过阈值分割、纹理分割相结合的方式提取肺部区域肺泡及血管轮廓信息,去除非肺部图像信息;
步骤2.3、将去除非肺部图像信息但包含肺部肺泡及血管轮廓信息的图像进行灰度反转,通过傅里叶变换将图像数据转化为对应的k空间数据;
步骤2.4、筛选并识别k空间数据中大信号的分布情况,并作为先验信息。
如上所述的步骤2.4中k空间数据中大信号分布情况通过以下方式获得,将k空间数据的按照的大小排序,并按照设定的稀疏采样比例选取较大的k空间数据作为大信号,其中a和b分别为k空间数据的实部和虚部。
如上所述的步骤4中的稀疏采样脉冲序列为UTE类型的脉冲序列。
如上所述的步骤4中输送超极化气体的管路和阀门采用的是非磁性材料,并且阀门开关控制方式为气动。
如上所述的步骤5中插值方法为Hermite插值法。
本方法中对肺部氢质子图像的分析和后续自适应扫描脉冲序列的生成自动完成,无需人为干预。这个过程所耗费时间取决于扫描图像的复杂程度。可以通过对病人不同层面扫描顺序的合理安排消除这一过程对总扫描时间的影响。
上述成像方法利用了多种原子核对肺部进行成像。通过氢质子成像为使用超极化气体造影剂成像提供了先验知识。可以在图像质量相近甚至更高的情况下,有效缩短使用造影剂成像过程的成像时间。
附图说明
图1基于先验知识和稀疏采样的肺部磁共振快速成像方法流程图;
图2肺部成像分步结果图。
具体实施方式
下面结合具体实例给出本发明的具体实施过程以及效果。
本发明公开的快速磁共振成像方法包括以下具体步骤:
步骤1、在成像对象呼吸空气的情况下,对成像对象肺部区域进行磁共振成像获取肺部的氢质子图像。质子成像过程中由于肺部氢质子含量非常少,采用SE(SpinEcho,自旋回波)类型的序列与其他类型序列相比有利于提高信噪比,得到更好的图像;
步骤2、通过图像处理的方法识别肺部区域肺泡及血管的轮廓位置,然后通过灰度反转和傅里叶变换将肺部图像数据转换为其对应的k空间数据,接着筛选获取k空间中大信号的分布情况。
步骤2的具体操作步骤如下:
步骤2.1、通过中值滤波对肺部氢质子图像进行滤波降噪。中值滤波为非线性滤波方法,和其他线性滤波方法相比,中值滤波在去除噪声的同时能够很好的保留图像中肺部区域和血管的轮廓;
步骤2.2、通过阈值分割、纹理分割相结合的方式提取肺部区域肺泡及血管轮廓信息。同时使用阈值分割或纹理分割可以更加准确的将肺部区域从图像中准确的分割出来,有效降低分割的错误率;
步骤2.3、将去除非肺部图像信息但包含肺部肺泡及血管轮廓信息的图像进行灰度反转,通过傅里叶变换将图像数据转化为其对应的k空间数据。在质子图像中肺泡由于含水量少,表现为黑色,而肺部组织含水量多表现为白色。在超极化气体成像过程中这一情况将正好相反,肺部组织表现为黑色,肺泡表现为白色。在这一步中通过对质子图像的灰度反转预测了超极化气体的成像结果,同时通过傅里叶变换得到了可能的k空间数据分布,为稀疏采样脉冲序列的生成提供了先验性的指导;
步骤2.4、筛选并识别k空间中大信号的分布情况(k空间数据为复数即a+bi形式的数据),按照的大小筛选大信号。筛选的过程即按照作为标准对k空间所有的信号值进行排序。后续的扫描过程中,不会对全部信号点位置都进行扫描,只会按照设定的稀疏采样比例选取其中排序靠前(数值较大)的那部分信号点进行扫描。表征了成像过程中所针对的原子核自旋密度的大小。这个步骤所获得的k空间的大信号的分布情况,作为先验信息指导后续扫描过程。
步骤3、根据步骤2所获得的先验信息,调整后续脉冲序列中的扫描轨迹,对大信号集中的区域进行重点扫描,而对于信号较小或为零的区域少扫描或者不扫描。通过对扫描区域和扫描轨迹的针对性调整生成调整后的肺部超极化气体的稀疏采样扫描脉冲序列。肺部超极化气体的稀疏采样扫描脉冲序列为UTE(ultrashortTE,超短回波)类型的脉冲序列。超极化气体的极化度在肺部会非常迅速的降低,采用UTE类型的脉冲序列可以获得具有更高性噪比的图像;
步骤4、成像对象吸入超极化造影剂气体,在肺部充满超极化气体后对肺部使用步骤3生成的稀疏采样扫描脉冲序列进行扫描,获得肺部欠采样数据。不均匀的磁场会迅速降低超极化气体的极化度,所以在超极化气体的输送过程中,其管道和阀门都应该采用非磁性材料,例如聚四氟乙烯,同时阀门应该采用气动阀门而不是电磁类阀门。
步骤5、将步骤4中所获得的肺部欠采样数据通过插值恢复为满采样数据并重建肺部图像。通过实验证明和其他插值方法相比,Hermite插值获得的图像更加平滑,图像质量更好。
实例中是对成像对象肺部进行磁共振成像,由于肺部和其他部位相比水含量很少所以难以获取肺部的空腔信息,而需要借助超极化气体进行成像,超极化气体的极化度在制备完成后随时间会不断下降。并且肺部在成像过程中由于呼吸运动会产生运动伪影造成图像模糊。所以快速成像对肺部磁共振成像和身体其他部位相比具有更大的意义。
实例中的所使用的快速成像方法操作流程如图1所示。实例首先采集了肺部针对氢质子的磁共振图像,如图2(a)所示。利用图像处理算法对其进行分析后提取了肺部区域,并通过灰度反转使图像表现出肺部的轮廓信息,如图2(b)所示。通过傅里叶变换将处理后的氢质子扫描图像映射到k空间,并以幅值作为标准筛选出对图像空间肺部区域影响较大的点,如图2(c)所示。通过扫描轨迹优化计算,生成自适应的稀疏采样脉冲序列。在成像对象吸入超极化气体后,利用新的脉冲序列对肺部进行扫描。得到扫描数据后,通过插值将数据恢复为满采样水平并重建图像,如图2(d)所示。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于先验知识和稀疏采样的肺部快速磁共振成像方法,其特征在于,包含以下步骤:
步骤1、对成像对象肺部区域进行质子磁共振成像;
步骤2、通过图像处理的方法识别肺部区域肺泡及血管的轮廓位置,然后通过灰度反转和傅里叶变换将肺部图像数据转换为对应的k空间数据并筛选获取k空间中大信号的分布情况,作为先验信息;
步骤3、根据步骤2所获得的先验信息,通过对扫描区域和扫描轨迹的调整生成调整后的肺部超极化气体的稀疏采样扫描脉冲序列,对大信号集中的区域进行重点扫描,对于信号较小或为零的区域少扫描或者不扫描;
步骤4、成像对象吸入超极化气体造影剂,在肺部充满超极化气体后成像对象屏气,使用步骤3生成的稀疏采样扫描脉冲序列进行扫描,获得肺部欠采样数据;
步骤5、将步骤4中所获得的肺部欠采样数据通过插值方法恢复为满采样数据,并重建肺部图像,
k空间数据中大信号分布情况通过以下方式获得,将k空间数据的按照的大小排序,并按照设定的稀疏采样比例选取较大的k空间数据作为大信号,其中a和b分别为k空间数据的实部和虚部。
2.根据权利要求1所述的一种基于先验知识和稀疏采样的肺部快速磁共振成像方法,其特征在于,所述的步骤1中对肺部进行氢质子磁共振成像时所使用的脉冲序列为SE类型序列。
3.根据权利要求1所述的一种基于先验知识和稀疏采样的肺部快速磁共振成像方法,其特征在于,所述的步骤2中对先验信息进行提取包括以下步骤:
步骤2.1、通过中值滤波对肺部质子图像进行滤波降噪;
步骤2.2、通过阈值分割、纹理分割相结合的方式提取肺部区域肺泡及血管轮廓信息,去除非肺部图像信息;
步骤2.3、将去除非肺部图像信息但包含肺部肺泡及血管轮廓信息的图像进行灰度反转,通过傅里叶变换将图像数据转化为对应的k空间数据;
步骤2.4、筛选并识别k空间数据中大信号的分布情况,并作为先验信息。
4.根据权利要求1所述的一种基于先验知识和稀疏采样的肺部快速磁共振成像方法,其特征在于,所述的步骤4中的稀疏采样扫描脉冲序列为UTE类型的脉冲序列。
5.根据权利要求1所述的一种基于先验知识和稀疏采样的肺部快速磁共振成像方法,其特征在于,所述的步骤4中输送超极化气体的管路和阀门采用的是非磁性材料,并且阀门开关控制方式为气动。
6.根据权利要求1所述的一种基于先验知识和稀疏采样的肺部快速磁共振成像方法,其特征在于,所述的步骤5中插值方法为Hermite插值法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410310987.7A CN104027113B (zh) | 2014-07-01 | 2014-07-01 | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410310987.7A CN104027113B (zh) | 2014-07-01 | 2014-07-01 | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104027113A CN104027113A (zh) | 2014-09-10 |
CN104027113B true CN104027113B (zh) | 2016-03-16 |
Family
ID=51458276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410310987.7A Active CN104027113B (zh) | 2014-07-01 | 2014-07-01 | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104027113B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104042216B (zh) * | 2014-07-01 | 2015-12-30 | 中国科学院武汉物理与数学研究所 | 一种基于预扫描和非均匀采样的薄层快速磁共振成像方法 |
CN104825161B (zh) * | 2015-06-04 | 2017-06-09 | 中国科学院武汉物理与数学研究所 | 基于过完备字典与先验知识的高质量肺部磁共振成像方法 |
WO2017113205A1 (zh) * | 2015-12-30 | 2017-07-06 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
CN106377263A (zh) * | 2016-12-07 | 2017-02-08 | 中国科学院武汉物理与数学研究所 | 一种基于超极化气体磁共振测量肺部气血交换功能的方法 |
CN106772645B (zh) * | 2016-12-15 | 2018-10-12 | 中国石油大学(北京) | 基于一般先验信息约束的核磁共振数据反演方法和装置 |
CN107067393B (zh) * | 2017-04-14 | 2019-08-20 | 大连理工大学 | 一种基于用户交互和形状先验知识的三维医学图像分割方法 |
CN107123097B (zh) * | 2017-04-26 | 2019-08-16 | 东北大学 | 一种基于优化的测量矩阵的成像方法 |
CN109164403B (zh) * | 2018-08-10 | 2019-10-25 | 中国科学院武汉物理与数学研究所 | 一种基于降升频的磁共振成像方法 |
CN109493394A (zh) * | 2018-10-26 | 2019-03-19 | 上海东软医疗科技有限公司 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
CN109256023B (zh) * | 2018-11-28 | 2020-11-24 | 中国科学院武汉物理与数学研究所 | 一种肺部气道微结构模型的测量方法 |
CN110031786B (zh) | 2019-05-14 | 2022-01-11 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、磁共振成像方法、设备及介质 |
CN113100741B (zh) * | 2020-01-13 | 2024-02-27 | 上海联影医疗科技股份有限公司 | 一种磁共振扫描方法、设备及存储介质 |
CN115222805B (zh) * | 2022-09-20 | 2023-01-13 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975935B (zh) * | 2010-09-03 | 2012-12-05 | 杭州电子科技大学 | 一种基于部分回波压缩感知的快速磁共振成像方法 |
EP2681576B1 (en) * | 2011-03-01 | 2020-07-29 | Koninklijke Philips N.V. | Accelerated mr thermometry mapping involving an image ratio constrained reconstruction |
EP2503349A1 (en) * | 2011-03-24 | 2012-09-26 | Koninklijke Philips Electronics N.V. | MR image reconstruction using prior information-constrained regularization |
CN102934995B (zh) * | 2012-10-18 | 2014-11-19 | 中国科学院深圳先进技术研究院 | 基于图像低秩与稀疏特性的磁共振成像方法 |
CN103654789B (zh) * | 2013-12-10 | 2015-12-30 | 深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
-
2014
- 2014-07-01 CN CN201410310987.7A patent/CN104027113B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104027113A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104027113B (zh) | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 | |
Narayanan et al. | An approach to real-time magnetic resonance imaging for speech production | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
CN107203741B (zh) | 血管提取方法、装置及其系统 | |
Chun et al. | MRI super‐resolution reconstruction for MRI‐guided adaptive radiotherapy using cascaded deep learning: In the presence of limited training data and unknown translation model | |
CN103136773B (zh) | 一种稀疏角度x射线ct成像方法 | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
CN109350061A (zh) | 基于深度卷积神经网络的磁共振成像方法 | |
CN106558045A (zh) | 一种肺组织分割方法、装置,医学图像处理系统 | |
CN103886621B (zh) | 一种自动提取床板的方法 | |
Freedman et al. | Rapid 4D-MRI reconstruction using a deep radial convolutional neural network: Dracula | |
CN110009613A (zh) | 基于深度稠密网络的低剂量ct成像方法、装置及系统 | |
CN111652886B (zh) | 一种基于改进U-net网络的肝肿瘤分割方法 | |
Rasch et al. | Dynamic MRI reconstruction from undersampled data with an anatomical prescan | |
CN109300136A (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
CN106355624B (zh) | 一种基于变采样率的肺部超极化气体动态成像方法 | |
CN113256749A (zh) | 一种基于高维相关性先验信息的快速磁共振成像重建算法 | |
Raeesy et al. | Automatic segmentation of vocal tract MR images | |
Güngör et al. | Deep learned super resolution of system matrices for magnetic particle imaging | |
CN112089438B (zh) | 基于二维超声图像的四维重建方法及装置 | |
Ding et al. | Ultrasound image super-resolution with two-stage zero-shot cyclegan | |
Ichikawa et al. | Acquisition time reduction in pediatric 99mTc‐DMSA planar imaging using deep learning | |
CN114119578B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
US20240062061A1 (en) | Methods for training a cnn and for processing an inputted perfusion sequence using said cnn | |
Mahmoud et al. | Variant Wasserstein Generative Adversarial Network Applied on Low Dose CT Image Denoising. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |