CN108508384B - 基于gsmash伪影校正的加速算法 - Google Patents
基于gsmash伪影校正的加速算法 Download PDFInfo
- Publication number
- CN108508384B CN108508384B CN201810120754.9A CN201810120754A CN108508384B CN 108508384 B CN108508384 B CN 108508384B CN 201810120754 A CN201810120754 A CN 201810120754A CN 108508384 B CN108508384 B CN 108508384B
- Authority
- CN
- China
- Prior art keywords
- gsmash
- artifact
- space data
- formula
- space
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于GSMASH伪影校正的加速算法,包括以下步骤:1)计算或采集线圈敏感谱;2)根据敏感谱线性拟合得到空间谐波信号的计算公式进行反推;3)对K空间数据在读方向上做一维傅里叶变换得到去卷折的完整K空间数据;4)通过计算未知的K空间数据,得到完整的K空间数据;5)将伪影参数化,设置初始值带入GSMASH重建;6)GSMASH对单个线圈重建得到单通道图像、及对所有通道重建得到图像后,使用非线性最小二乘法对成本函数多次迭代计算,将伪影降到最低。本发明能将伪影降到最低,并通过合理选取迭代初始值,降低迭代次数,以达到降低计算时间的目的。
Description
技术领域
本发明涉及一种基于GSMASH伪影校正的加速算法。
背景技术
磁共振成像(Magnetic resonance imaging,MRI)技术是现代医疗诊断中常用的一种技术手段,但是由于病人运动、血液流动等因素造成MRI成像有伪影,影响医疗诊断。现有技术中,SMASH(Simultaneous Acquisition of Spatial Harmonics)是一种通过提高采集速度从而缩短成像时间的成像技术,SMASH利用表面线敏感谱信息的线性拟合来代替梯度场相位编码,减少图像采集时间,而GSMASH(Generalized SMASH)利用的是线圈敏感谱的傅里叶系数来提供线圈信息,大大简化了计算公式;或者可以通过采用另外一种可替代的伪影校正方法“SMASH navigator”,该方法需要将线圈的空间信息拟合成谐波,但是很多线圈的几何形态并不适合用来拟合。
发明内容
本发明解决的技术问题是提供一种基于GSMASH伪影校正的加速算法。
本发明的技术方案是:一种基于GSMASH伪影校正的加速算法,其特征在于,包括以下步骤:1)计算或者采集线圈敏感谱;2)根据敏感谱线性拟合得到空间的谐波信号的计算公式进行反推;3)对K空间数据在读方向上做一维傅里叶变换得到去卷折的完整K空间数据;4)为了提高计算速度,在步骤3)的基础上提出了K空间加速算法,即通过计算未知的K空间数据,得到完整的K空间数据;5)将伪影参数化,设置初始值带入GSMASH重建;6)GSMASH对单个线圈重建得到单通道图像、以及对所有通道重建得到图像后,使用非线性最小二乘法,利用成本函数计算公式,通过多次迭代计算,将伪影降到最低。
进一步的,本发明中,步骤1)中所述的计算或者采集线圈敏感谱Cj(x,y),运用的K空间计算方法如公式(1):
其中,j表示第j个线圈,Cj表示线圈敏感度,ρ(x,y)表示NMR信号,kx和ky分别表示读方向和相位编码方向。
进一步的,本发明中,步骤2)包括敏感谱线性拟合得到空间的谐波信号的计算公式(2)表示为:
根据公式(2)进一步反推出C(x,y)的计算公式(3):
进一步的,本发明中,步骤3)包括对K空间数据在读方向上做一维傅里叶变换后,得到公式(4):
根据公式(4)得到对于每一个点(x,ky)的计算公式(5):
进一步的,本发明中,步骤4)包括系数矩阵的维度(n*Pe/M)*Pe,所述的多个线圈GSMASH重建得到的最终图像看做一个线圈采集得到的图像,即s(x,ky)→sβ(x,ky),将要求的信号拆分为已知(K)和未知(U)两部分,可以表示为公式(6):
重新组合得到公式(7):
其中,sβ(x,ky)是单个线圈计算得到的最终完整K空间数据,是已知的欠采的K空间数据,是未知的K空间数据;aK和aU已知,左边公式可计算得出,最终只需对aU求逆,aK的维度是n*Pe*d,aU的维度是n*Pe/M,M为欠采的倍数,d是未采样部分占完整K空间数据的比例,d=1-1/M。
进一步的,本发明中,步骤5)包括在第t次激发,K空间采集的数据表示为公式(8):
其中,ξt表示抽取t次激发相位编码数,F表示傅里叶变换;
所以完整的K空间可以表示为公式(9):
把运动产生的伪影看作线圈敏感度的变化,公式可写成(11):
进一步的,本发明中,步骤6)中GSMASH对单个线圈重建得到单通道图像rr,对所有通道重建得到图像rG,不同位置的线圈采集到的伪影强度不同。
进一步的,本发明中,步骤6)包括对rr和rG使用非线性最小二乘法,成本函数的计算公式(12)表示为:
进一步的,本发明中,步骤6)中所述成本函数变化的极限值为默认值10-6,运动伪影优化的迭代次数为400,局部伪影优化迭代次数为8。
本发明与现有技术相比具有以下优点:
1)本发明中,基于GSMASH伪影校正利用不同线圈的敏感谱对应伪影的强度不同,使用非线性最小二乘法通过多次迭代,将伪影降到最低,并通过合理的选取迭代初始值,降低迭代次数,从而达到降低计算时间的目的。
2)本发明中,每次迭代需要对K空间数据进行一次GSMASH重建,求逆时间随着矩阵列数和行数增加以2指数幂增长,降低矩阵维度可以降低求逆时间。
3)本发明中,将要求的整个K空间的重建替换成只计算未知K空间数据,大大的减少了计算量。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明中伪影在敏感谱中位置分布示意图。
具体实施方式
实施例:
结合附图所示为本发明一种基于GSMASH伪影校正的加速算法的一种具体实施方式,首先,主要包括以下步骤:
步骤1):计算或采集线圈敏感谱Cj(x,y),运用的K空间计算方法如公式(1):
其中,j表示第j个线圈,Cj表示线圈敏感度,ρ(x,y)表示NMR信号,kx和ky分别表示读方向和相位编码方向。
步骤2):根据敏感谱线性拟合得到空间的谐波信号的计算公式(2),可以反推C(x,y)的计算公式(3),
步骤3):对K空间数据在读方向上做一维傅里叶变换得到公式(4):
根据公式(4)得到对于每一个点(x,ky)的计算公式(5):
或者sj(x,ky)=a(x)s(x,ky),对a(x)求逆得到S(x,ky),去卷折得到完整的K空间数据。
步骤4):为了提高计算速度,在步骤3)的基础上提出了K空间加速算法,即通过计算未知的K空间数据,得到完整的K空间数据,对所有通道使用GSMASH,系数矩阵的维度(n*Pe/M)*Pe,为了降低运算时间,提高重建速度,将多个线圈GSMASH重建得到的最终图像看做一个线圈采集得到的图像,即s(x,ky)→sβ(x,ky),并根据已知的部分K空间数据,计算未知部分的K空间数据,从而大大降低运算时间;
具体实现步骤为,将要求的信号拆分为已知(K)和未知(U)两部分,可以表示为公式(6):
重新组合得到公式(7):
其中,sβ(x,ky)是单个线圈计算得到的最终完整K空间数据,是已知的欠采的K空间数据,是未知的K空间数据;aK和aU已知,左边公式可计算得出,最终只需对aU求逆,aK的维度是n*Pe*d,aU的维度是n*Pe/M,M为欠采的倍数,d是未采样部分占完整K空间数据的比例,d=1-1/M。
步骤5):非线性最小二乘优化的基础是建立在将伪影参数化,实现的步骤为:
在第t次激发,K空间采集的数据表示为公式(8),即在t次激发所获得的K空间相位编码行;
其中,ξt表示抽取t次激发相位编码数,F表示傅里叶变换;
实际上完整的K空间可以表示为公式(9),即多次激发所获得的相位编码行的汇总:
把运动产生的伪影看作线圈敏感度的变化,公式可写成(11):
步骤6):对于局部伪影的对向,在像空间提取有伪影的部分,可以提高优化速度,如图1所示,设定好参数后,GSMASH对单个线圈重建得到单通道图像rr、对所有通道重建得到图像rG,不同位置的线圈采集到的伪影强度不同,利用这一特性,对rr和rG使用非线性最小二乘法,成本函数的计算公式(12)表示为:
通过多次迭代计算,可以将伪影降到最低。
此外,局部伪影优化是对图像列单独优化,从而大大降低计算时间,成本函数变化的极限值为默认值10-6,运动伪影优化的迭代次数为400,局部伪影优化迭代次数为8,非线性最小二乘优化计算时间和和初始值选取有关,通过合理选取参数初始值可缩短计算时间。
当然上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于GSMASH伪影校正的加速算法,其特征在于,包括以下步骤:
1)计算或者采集线圈敏感谱;
2)根据敏感谱线性拟合得到空间的谐波信号的计算公式进行反推;
3)对K空间数据在读方向上做一维傅里叶变换得到去卷折的完整K空间数据;
4)为了提高计算速度,在步骤3)的基础上提出了K空间加速算法,即通过计算未知的K空间数据,得到完整的K空间数据;对所有通道使用GSMAH,系数矩阵的维度(n*Pe/M)*Pe,为了降低运算时间,提高重建速度,将多个线圈GSMAH重建得到的最终图像看做一个线圈采集得到的图像,即s(x,ky)→sβ(x,ky),将要求的信号拆分为已知(K)和未知(U)两部分,可以表示为公式(6):
重新组合得到公式(7):
其中,sβ(x,ky)是单个线圈计算得到的最终完整K空间数据,是已知的欠采的K空间数据,是未知的K空间数据;aK和aU已知,左边公式可计算得出,最终只需对aU求逆,aK的维度是n*Pe*d,aU的维度是n*Pe/M,M为欠采的倍数,d是未采样部分占完整K空间数据的比例,d=1-1/M;
5)将伪影参数化,设置初始值带入GSMASH重建;
6)GSMASH对单个线圈重建得到单通道图像、以及对所有通道重建得到图像后,使用非线性最小二乘法,利用成本函数计算公式,通过多次迭代计算,将伪影降到最低。
6.根据权利要求1所述的基于GSMASH伪影校正的加速算法,其特征在于:步骤6)中GSMASH对单个线圈重建得到单通道图像rr,对所有通道重建得到图像rG,不同位置的线圈采集到的伪影强度不同。
8.根据权利要求7所述的基于GSMASH伪影校正的加速算法,其特征在于:步骤6)中所述成本函数变化的极限值为默认值10-6,运动伪影优化的迭代次数为400,局部伪影优化迭代次数为8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810120754.9A CN108508384B (zh) | 2018-02-07 | 2018-02-07 | 基于gsmash伪影校正的加速算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810120754.9A CN108508384B (zh) | 2018-02-07 | 2018-02-07 | 基于gsmash伪影校正的加速算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108508384A CN108508384A (zh) | 2018-09-07 |
CN108508384B true CN108508384B (zh) | 2020-08-21 |
Family
ID=63375640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810120754.9A Active CN108508384B (zh) | 2018-02-07 | 2018-02-07 | 基于gsmash伪影校正的加速算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508384B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2380549A (en) * | 2001-04-20 | 2003-04-09 | Marconi Medical Systems Uk Ltd | Magnetic Resonance Imaging |
DE102010061977B4 (de) * | 2010-11-25 | 2013-10-17 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Ergänzung mit partiell parallelen Aufnahmeverfahren aufgenommen Magnetresonanz-Daten |
CN103064046B (zh) * | 2012-12-25 | 2015-04-15 | 深圳先进技术研究院 | 一种基于稀疏采样的核磁共振成像的图像处理方法 |
CN103278784B (zh) * | 2013-06-02 | 2015-06-17 | 南方医科大学 | 一种多约束滑动窗的磁共振并行成像方法 |
CN106597337B (zh) * | 2016-12-09 | 2019-05-07 | 深圳先进技术研究院 | 一种磁共振t2*加权快速成像方法及装置 |
-
2018
- 2018-02-07 CN CN201810120754.9A patent/CN108508384B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108508384A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10671939B2 (en) | System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction | |
Pramanik et al. | Deep generalization of structured low-rank algorithms (Deep-SLR) | |
Uecker et al. | ESPIRiT—an eigenvalue approach to autocalibrating parallel MRI: where SENSE meets GRAPPA | |
Sumpf et al. | Fast T2 mapping with improved accuracy using undersampled spin-echo MRI and model-based reconstructions with a generating function | |
Aggarwal et al. | MoDL-MUSSELS: model-based deep learning for multishot sensitivity-encoded diffusion MRI | |
US9709650B2 (en) | Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images | |
Chen et al. | Fast algorithms for image reconstruction with application to partially parallel MR imaging | |
CN106772167B (zh) | 核磁共振成像方法及装置 | |
US11181598B2 (en) | Multi-contrast MRI image reconstruction using machine learning | |
US10281549B2 (en) | Magnetic resonance imaging apparatus and image processing apparatus | |
Mani et al. | qModeL: A plug‐and‐play model‐based reconstruction for highly accelerated multi‐shot diffusion MRI using learned priors | |
CN112819949B (zh) | 一种基于结构化低秩矩阵的磁共振指纹图像重建方法 | |
CN103584864A (zh) | 一种磁共振成像方法和装置 | |
US20210264645A1 (en) | Multi-contrast mri image reconstruction using machine learning | |
CN110728624B (zh) | 一种高分辨率扩散加权图像重建方法 | |
CN103278784A (zh) | 一种多约束滑动窗的磁共振并行成像方法 | |
CN113971706A (zh) | 一种快速磁共振智能成像方法 | |
CN105678822A (zh) | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 | |
Zhang et al. | Accelerated simultaneous multi-slice MRI using subject-specific convolutional neural networks | |
Qian et al. | Physics-informed deep diffusion MRI reconstruction: Break the bottleneck of training data in artificial intelligence | |
Dai et al. | Multi‐band multi‐shot diffusion MRI reconstruction with joint usage of structured low‐rank constraints and explicit phase mapping | |
CN108508384B (zh) | 基于gsmash伪影校正的加速算法 | |
El Gueddari et al. | Online MR image reconstruction for compressed sensing acquisition in T2* imaging | |
Huang et al. | Accelerating cardiac diffusion tensor imaging combining local low-rank and 3D TV constraint | |
CN104323776A (zh) | 脑功能磁共振成像方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Pengyu Inventor after: Chen Mingming Inventor after: Xu Mingfang Inventor before: Chen Pengyu Inventor before: Chen Mingming Inventor before: Xu Mingfang |
|
GR01 | Patent grant | ||
GR01 | Patent grant |