CN108814603A - 一种磁共振成像方法和装置 - Google Patents
一种磁共振成像方法和装置 Download PDFInfo
- Publication number
- CN108814603A CN108814603A CN201810443569.3A CN201810443569A CN108814603A CN 108814603 A CN108814603 A CN 108814603A CN 201810443569 A CN201810443569 A CN 201810443569A CN 108814603 A CN108814603 A CN 108814603A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- magnetic resonance
- spatial data
- 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.)
- Granted
Links
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开一种磁共振成像方法和装置,该方法将显式解析解成像方法和DNN相结合来共同完成磁共振图像的重建。首先,采用降采样方式采集部分k‑空间数据,得到k‑空间采集数据;然后,相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对所述k‑空间采集数据进行图像重建,得到磁共振图像。如此,DNN重建仅处理难以用显式函数表达的问题,而无需处理磁共振成像过程中的所有问题,因此,相较于现有技术,本申请提供的磁共振成像方法方法所需的DNN模型的复杂度相对较低,由该相对较低复杂度的DNN模型重建得到的图像的稳定性也较高。
Description
技术领域
本申请涉及医学影像技术领域,尤其涉及一种磁共振成像方法和装置。
背景技术
磁共振成像(Magnetic Resonance Imaging,简称MRI)由于具有较高的软组织对比度和空间分辨率,可同时获得检查部位的形态信息和功能信息,并能够根据需要灵活地选择成像参数与成像层面,成为当今医学影像检查的重要手段。
然而受奈奎斯特采样定理和主磁场强度等因素的制约,磁共振的成像速度非常慢,大大地限制了磁共振在临床中的应用。
为了加快磁共振成像速度,目前临床常用的加速成像方法为并行成像方法和半傅里叶扫描方法。
深度神经网络(Deep Neural Networks,以下简称DNN)作为一种利用多层简单函数,逼近难以显式表达函数的方法,其也逐渐应用到磁共振的加速成像领域。现有的一种结合DNN的磁共振加速成像方式是仅采用DNN对降采k-空间进行图像重建。如此,导致现有的结合DNN的磁共振加速成像方法存在以下问题:DNN模型的复杂度较高,重建图像的稳定性较差。
发明内容
有鉴于此,本申请实施例提供了一种结合DNN的磁共振成像方法,以简化DNN模型的复杂度以及重建图像的稳定性。
为了解决上述技术问题,本申请采用了如下技术方案:
一种磁共振成像方法,包括:
采用降采样方式采集部分k-空间数据,得到k-空间采集数据;
相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对所述k-空间采集数据进行图像重建,得到磁共振图像;
其中,所述深度神经网络模型为由满采或超满采k-空间数据重建得到的磁共振图像作为输出训练样本、由特定部分k-空间数据或者其进行部分重建得到的磁共振图像作为输入训练样本进行训练得到,所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的一定比例的k-空间数据。
一种磁共振成像装置,包括:
采集单元,用于采用降采样方式采集部分k-空间数据,得到k-空间采集数据;
图像重建单元,用于相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对所述k-空间采集数据进行图像重建,得到磁共振图像;
其中,所述深度神经网络模型为由满采或超满采k-空间数据重建得到的磁共振图像作为输出训练样本、由特定部分k-空间数据或者其进行部分重建得到的磁共振图像作为输入训练样本进行训练得到,所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的一定比例的k-空间数据。
相较于现有技术,本申请具有以下有益效果:
磁共振成像过程存在的问题划分为可以用显式函数表达的问题和难以用显式函数表达的问题,基于此,本申请实施例提供的磁共振成像方法将可以用显式函数表达的问题和难以用显式函数表达的问题分开单独处理,其中,通过显式解析解成像方法来处理可以用显式函数表达的问题,通过DNN重建来处理难以用显式函数表达的问题。具体地,本申请相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和通过深度神经网络模型的图像重建方法对k-空间采集数据进行图像重建,来实现磁共振图像的重建。如此,DNN重建仅处理显式解析解成像方法未处理的问题,即难以用显式函数表达的问题,而无需处理磁共振成像过程中的所有问题,因此,相较于现有技术,本申请实施例提供的方法所需的DNN模型的复杂度相对较低,由该相对较低复杂度的DNN模型重建得到的图像的稳定性也较高。
附图说明
图1是本申请实施例提供的DNN模型训练方法流程图;
图2是本申请实施例一提供的磁共振成像方法流程图;
图3是本申请实施例二提供的磁共振成像方法流程图;
图4是本申请实施例三提供的磁共振成像方法流程图;
图5是本申请实施例四提供的磁共振成像方法流程图;
图6本申请实施例提供的磁共振成像的控制设备的结构示意图;
图7是本申请实施例五提供的磁共振成像装置的结构示意图;
图8是本申请实施例六提供的磁共振成像装置的结构示意图;
图9是本申请实施例六提供的一种图像修正单元的结构示意图;
图10是本申请实施例六提供的另一种图像修正单元的结构示意图;
图11是本申请实施例七提供的磁共振成像装置的结构示意图。
具体实施方式
在介绍本申请的具体实施方式之前,首先介绍描述本申请实施方式时用到的技术术语。
显式解析解成像方法为使用有解析解的显式函数进行成像的方法。该显式解析解成像方法可以包括:并行成像方法、k-t BLAST方法和zero-padding方法等等。并且进一步地,并行成像方法包括两种成像方法,一种是自校准并行重建方法(Generalized Auto-calibrating Patially Parallel Acquisitions,GRAPPA),另一种是敏感度编码方法(Sensitivity Encoding,SENSE)。
基于背景技术部分可知,目前,磁共振成像存在成像速度过慢的问题。为提高磁共振成像速度,临床上常用降采样方式采集部分k-空间数据。然而,由于降采样方式仅采集了部分而非全部k-空间数据,虽然在一定程度上提高了磁共振成像速度,但也同时带来了较严重的伪影和高噪声等问题。另外,当采用的降采样方式是半傅里叶采样方式时,还会导致图像模糊,及由于半傅里叶采样方式的采集矩阵有限而造成的吉布斯伪影、分辨率过低等问题。
DNN近期被应用于磁共振的快速成像领域。现有的一种应用DNN进行磁共振加速成像的方式是仅采用DNN对降采k-空间进行图像重建,为了使得重建出的图像具有较高的质量,克服上述所述的分辨率、噪声和各种伪影的问题,用于磁共振快速成像的DNN模型的复杂度较高,DNN模型的参数较多,由此重建得到的图像稳定性较差。而且,这种仅用DNN进行磁共振加速成像的方式,对训练DNN模型的训练数据要求较高,需要以多通道数据作为训练集,这对于参数求解带来了诸多不确定因素。求解的不确定性会影响DNN模型的训练,进而增加重建图像的不稳定性,不利于解决上述由降采样部分k-空间数据带来的图像质量问题。
而DNN是一种利用多层简单函数来逼近难以显示表达函数的方法,多层简单函数的参数可以由训练数据集训练得到,因此,DNN适用于解决难以用显式函数表达的问题,而能够用显式函数表达的问题则没有必要采用DNN。
而且,发明人经过研究发现,上述由降采样数据重建得到的图像质量问题可具体划分为两大类:一类是可以用显式函数表达并且有显式解的问题,例如折叠伪影、由于半傅里叶采集造成的图像模糊和吉布斯伪影;另一类是难以用显式函数表达,或者没有显式解的问题,例如,高噪声、由于采集矩阵有限而造成的低分辨率和吉布斯伪影等。
而且,显式解析解成像例如并行成像是基于多通道线圈提供的冗余信息实现的,DNN图像重建是基于对先验知识的应用实现的。如此,并行成像和DNN图像重建所基于的信息不同,因此,可以将这两种成像方法结合在一起使用,来发挥各自的优势,提高重建图像质量和重建速度,并降低DNN重建图像的模型复杂度。
基于此,本申请实施例提供了一种磁共振成像方法,将可以用显式函数表达的问题和难以用显式函数表达的问题分开单独处理,相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对k-空间采集数据进行图像重建,从而来实现磁共振图像的重建,其中,通过显式解析解成像方法来处理图像重建过程中可以用显式函数表达的问题;通过DNN重建来处理图像重建过程中难以用显式函数表达的问题。如此,DNN重建仅处理并行成像方法未处理的问题,即难以用显式函数表达的问题,而无需处理磁共振成像过程中的所有问题,因此,相较于现有技术,本申请实施例提供的方法所需的DNN模型的复杂度相对较低,由该相对较低复杂度的DNN模型重建得到的图像的稳定性也较高。
需要说明,本申请实施例提供的磁共振成像方法中,需要利用预先训练好的DNN模型对图像进行重建,因此,在利用DNN模型进行图像重建之前,需要训练好DNN模型。因此,下面首先结合附图描述本申请实施例提供的DNN模型的训练方法的具体实施方式。
如图1所示,是本申请实施例提供的DNN模型训练方法流程图。该DNN模型的训练方法包括:
S101:获取训练集的输出训练样本和输入训练样本。
输出训练样本和输入训练样本是训练集用以训练和估计DNN模型的数据基础,为此,首先需要获取输出训练样本和输入训练样本。要求输出训练样本、输入训练样本分别与DNN模型训练完成后实际应用场景下输出数据、输入数据相关。如此,才可以保障DNN重建后获得的磁共振图像的图像质量。
在本申请实施例中,要求DNN模型的输出数据是具有较高图像质量的磁共振图像,而满采或超满采k-空间数据重建得到的磁共振图像具有高图像质量,本申请实施例以由满采或超满采k-空间数据重建得到的磁共振图像作为DNN模型的输出训练样本。
为了理解超满采k-空间数据的概念,首先介绍满采k-空间数据的概念。所谓满采k-空间数据是在磁共振成像的临床实际应用中,采集所有各行相位编码线上的数据。例如,设定磁共振成像的实际应用中,满采k-空间数据包括256行相位编码线上的数据。而超满采k-空间数据则包括多于256行相位编码线上的数据,例如包括384行相位编码线上的数据。从消耗的扫描时间来说,超满采k-空间数据的扫描时间大于满采k-空间数据的扫描时间,例如,超满采k-空间是满采k-空间扫描时间的1.5倍,甚至10倍。如此,由超满采k-空间数据重建得到的磁共振图像的信噪比和/或分辨率高于由满采k-空间数据重建得到的磁共振图像的信噪比和/或分辨率。
在该磁共振成像的应用场景下,将显式解析解成像方法和DNN相结合来共同完成磁共振图像的重建。在本申请实施例中,不对显式解析解成像和DNN重建的顺序进行限定,如此,作为一示例,可以先进行显式解析解成像,再以显式解析解成像结果作为DNN图像重建的输入,进行DNN重建。作为另一示例,也可以先进行DNN重建,再进行显式解析解成像。因此,相应地,DNN模型的输入数据可以是采用显式解析解成像方法对降采样获得的k-空间采集数据部分重建后,获得的图像,也可以是k-空间采集数据。相应地,对DNN模型的输入训练样本可以由显式解析解成像对部分k-空间数据进行部分重建得到的磁共振图像,也可以是部分k-空间数据。而该部分k-空间数据可以从上述输出训练样本对应的超满采k-空间数据中选取出的部分k-空间数据。准确地说,本申请用于训练DNN模型的输入训练样本可以为由特定部分k-空间数据或者其进行部分重建得到的磁共振图像,该特定部分k-空间数据为从满采或超满采k-空间数据中选出的一定比例的k-空间数据。需要说明,此处所说的一定比例可以为0~100%(不包括两端点)。
需要说明,此处所说的部分重建可以为利用显式解析解成像方法进行的部分重建。
S102:将输入训练样本作为训练DNN模型的输入,运行DNN模型,获得预测结果。
S103:判断预测结果与输出训练样本的结构相似性是否满足预设条件。如果满足预设条件,则执行步骤S104;如果不满足预设条件,则执行步骤S105。
输出训练样本在DNN模型训练过程中对于输入训练样本而言,具有模型输出结果的期望值意义。以特定部分k-空间数据进行部分重建得到的磁共振图像作为输入,所获得的预测结果需要与由超满采k-空间数据重建得到的磁共振图像进行比较,作为DNN模型参数调整与否以及具体如何调整的依据。需要说明的是,预测结果也是图像的形式。
结构相似性(英语:Structural Similarity Index,缩写:SSIM index)是一种衡量两幅图像相似度的指标,该指标最初由德州大学奥斯丁分校的图像和视频工程实验室提出,经常用于对未经压缩的无失真图像与失真后的图像进行比较、衡量。在本实施例预先训练DNN模型的过程中,可将预测结果理解为失真后图像,将输出训练样本理解为无失真图像。
本步骤中所说的预设条件,可以是预设的用于衡量DNN模型训练是否完成的条件。举例而言,预设条件可以是一个也可以包含多个子预设条件,可以是预测结果与输出训练样本SSIM index阈值下限。下面给出一个更具体的示例:预设条件为预测结果与输出训练样本的(x1,y1)~(x2,y2)矩形区域内SSIM index不小于87%。预设条件是制约所训练DNN模型精准性的关键条件,常根据经验设置。
S104:停止迭代,完成对DNN模型的训练。
若步骤S103的判断结果为是,则表明预测结果与输出训练样本的结构相似性已经满足了预设条件,符合DNN模型训练的要求。该DNN模型已经可以用于磁共振成像。
S105:调整所训练DNN模型的相关参数,并返回执行S101。
若步骤S103的判断结果为否,则表明预测结果与输出训练样本的结构相似性仍未能达到DNN模型的训练要求。需要以DNN模型的该次输出训练样本作为模型参数求解的已知变量,对当前模型的相关参数加以调整。调整后,还需要进一步训练模型,因此执行S101重新获取输入训练样本和输出训练样本,重复迭代过程,直到最终DNN模型训练完成。
需要说明的是,若步骤S101中已获取过足够数量的输入训练样本和输出训练样本,则在本步骤中,调整相关参数后,直接返回执行S102,要求本次迭代使用的输入、输出训练样本与前次迭代不同。
需要说明,为了提高DNN模型的准确度,该DNN模型还可以在实际应用中不断地利用新的训练样本进行训练,以不断更新DNN模型,提高DNN模型的准确度,进而提高图像重建质量。
以上为本申请实施例提供的DNN模型训练方法的具体实施方式。经上述训练得到的DNN模型可应用于如下实施例提供的磁共振成像方法中。
下面结合附图2详细描述本申请提供的磁共振成像方法的具体实现方式。需要说明,在下述具体实现方式中,以显式解析解成像方法为并行成像方法为例,以深度神经网络模型的输入数据为部分k-空间数据进行部分重建得到的磁共振图像为例进行描述。如此,在下述各实施例提供的成像方法中,均是以相继采用并行成像方法和深度神经网络模型的图像重建方法进行磁共振成像为示例进行描述。
实施例一
请参见图2,本申请实施例提供的磁共振成像方法包括以下步骤:
S201:采用降采样方式采集部分k-空间数据,得到k-空间采集数据。
前面提到,并行成像是一种加快磁共振成像的速度的成像方法,利用降采样的方式对k-空间数据进行部分采集,得到k-空间采集数据用于并行成像后续的部分重建。
降采样的方式可以有多种,例如随机降采样,变密度降采样,等密度降采样和半傅里叶采样等。
为便于理解,以采样目标是一幅二维图像为例对降采样方式进行说明。以等密度采样为示例,若采样的加速倍数(又称加速因子)R=2,则对于一幅二维图像可以每隔一行或一列获取图像中的数据。
S202:采用并行成像方法对k-空间采集数据进行部分重建,得到第一图像。
需要注意的是,由于采集部分k-空间数据的降采样方式有多种选择,利用不同的降采样方式获得的k-空间采集数据具有不同的数据特点,因此,为了获得较好的图像重建效果,针对不同的降采样方式采用不同的并行成像重建方法。
作为一种示例,当步骤S201采用随机降采样方式或变密度降采样方式采集部分k-空间数据时,可使用GRAPPA对k-空间采集数据进行部分重建,得到虚拟通道的部分k-空间数据;接着,对虚拟通道的部分k-空间数据进行图像重建,得到第一图像。
作为另一种示例,当步骤S201采用等密度降采样方式时,例如等距离采样或交叉等距离采样来采集部分k-空间数据,可使用SENSE对k-空间采集数据进行部分重建,得到第一图像。SENSE算法是一种图像域重建算法,通过傅里叶变换将k-空间采集数据变换到图像域,然后在图像域进行插值,重建得到第一图像。
此步骤中,利用并行成像方法对k-空间采集数据进行部分重建,相比于完全重建,提高了图像重建速度。例如,若k-空间采集数据的数据量为整个k-空间数据量的25%,则部分重建后第一图像映射到k-空间所对应的数据量为整个k-空间数据量的65%。完全重建后图像映射到k-空间所对应的数据量等同于整个k-空间数据量。由此可知,采用并行重建方法对k-空间采集数据进行部分重建,能够有效节省磁共振成像的时间。
经研究发现,本步骤使用与采集部分k-空间数据的降采样方式相对应的并行成像重建方法进行部分重建,能够解决磁共振成像中可以用显式函数表达的问题,例如通过并行成像方式有效改善了磁共振图像的折叠伪影问题。
S203:将第一图像作为深度神经网络模型的输入,通过深度神经网络模型进行完全重建,得到第二图像,将该第二图像作为磁共振图像。
由于经过步骤S202部分重建后得到第一图像尽管解决了解决磁共振成像中可以用显式函数表达的问题,例如,折叠伪影的问题,但仍然存在不可以用显式函数表达的问题,例如,噪声高、分辨率低的问题。为此,还需要以第一图像作为DNN模型的输入,通过DNN模型进行完全重建,以解决上述难以用显式函数表达或者没有显式解的问题。
由于根据步骤S201和S202所得的第一图像与DNN模型输入训练样本具有极其紧密的相关性,并且输出训练样本是由超满采k-空间数据重建得到的磁共振图像,根据这些训练样本获得的DNN模型所输出的图像质量具有较高的可靠性保障,因此本步骤中为重建磁共振图像,将第一图像作为DNN模型的输入后,DNN模型最终输出的第二图像相较于第一图像减少了图像噪声,并且图像分辨率得到提高,故可将第二图像作为磁共振图像。
本申请实施例提供的上述磁共振成像方法,将可以用显式函数表达的问题和难以用显式函数表达的问题分开单独处理,将并行成像和DNN重建图像相继结合在一起来实现磁共振图像的重建,其中,通过并行成像方法来处理图像重建过程中可以用显式函数表达的问题;通过DNN重建来处理图像重建过程中难以用显式函数表达的问题。并且并行成像的结果作为DNN重建图像的输入图像,然后,根据该输入图像经由DNN模型重建出最终需要的图像。如此,DNN重建仅处理难以用显式函数表达的问题,而无需处理磁共振过程中的所有问题,相较于现有技术,本申请实施例提供的方法所需的DNN模型的复杂度相对较低,由该相对较低复杂度的DNN模型重建得到的图像的稳定性也较高。
由于在上述实施例提供的磁共振成像方法中,通过降采样方式获得的k-空间采集数据是实际采集得到的,能够体现数据的真实性,有利于修正上述S203获得的磁共振图像。为此,为进一步提高磁共振成像的成像质量,本实施例在步骤S203之后,还可以进一步包括:
S204:利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
步骤S204具有多种实现方式,由此容易理解的是,根据S204的实现方式可以形成多种磁共振成像方法的实现方式。下面结合实施例和附图详细描述几种本申请提供的磁共振成像方法的具体实现方式。需要说明的是,以下实施例仅为本申请对所提供磁共振成像方法实现方式的示例性说明和描述,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例二
需要说明的是,实施例二与实施例一有诸多相似之处,为了简要起见,此处仅对其不同之处进行改进,其相似之处请参见实施例一的相应描述。
请参见图3,是本申请实施例二提供的磁共振成像方法流程图。如图3所示,该磁共振成像方法包括:
S301:采用降采样方式采集部分k-空间数据,得到k-空间采集数据。
S302:采用并行成像方法对k-空间采集数据进行部分重建,得到第一图像。
S303:将第一图像作为深度神经网络模型的输入,通过深度神经网络模型进行完全重建,得到第二图像作为磁共振图像。
本实施例中步骤S301至S303与实施例一中的步骤S201至S203相同,为了简要起见,在此不再详细描述,详细信息请参见实施例一中的描述。以下步骤将对应于实施例一中S204,具体描述如何利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
S304:将磁共振图像映射到k-空间,得到第一完整k-空间数据。
经过映射得到的第一完整k-空间数据,具体包括:采样区域的k-空间数据和非采样区域的k-空间数据。对于采样区域,相比于当前第一完整k-空间数据中的采样区域的k-空间数据,前期已经在步骤S301中获得实际采样得到的k-空间采集数据;对于非采样区域,当前第一完整k-空间数据中的非采样区域的k-空间数据,即为该区域经图像重建后得到的较优数据资源。
S305:利用k-空间采集数据替换第一完整k-空间数据中的采样区域的k-空间数据,得到第二完整k-空间数据。
由于通过降采样方式获得的k-空间采集数据,与磁共振图像映射到k-空间后对应的采样区域k-空间数据相比,其数据是切实采集而非重建映射的,能够体现更高的真实性,因此利用k-空间采集数据修正磁共振图像有利于呈现较优的最终磁共振图像。为此,为提高磁共振成像的成像质量,本步骤中将第一完整k-空间数据中的采样区域的k-空间数据替换为经过步骤S301获得的k-空间采集数据。非采样区域的k-空间数据不做任何变动。替换到采样区域的k-空间采集数据与非采样区域的k-空间数据共同构成第二完整k-空间数据。
S306:根据第二完整k-空间数据进行图像重建,得到最终磁共振图像。
根据步骤S305得到的第二完整k-空间数据,相比于第一完整k-空间数据,具有更加真实的数据资源。故而,将第二完整k-空间数据进行图像的重建,得到的图像相比于第二图像具有更高的图像质量以及可信度。因此,可以将根据第二完整k-空间数据进行图像重建后获得的图像,作为最终磁共振图像。
以上为本实施例二提供的磁共振成像方法。该方法在采样区域以降采样方式获得的k-空间采集数据,相比于DNN重建所得的第二图像映射到k-空间数据后采样区域的k-空间数据更加贴合实际情况,由此,利用k-空间采集数据对磁共振图像进行修正。在本实施例中以第二完整k-空间数据重建得到的图像质量得到提高,提高了图像重建的可靠性,因此,以k-空间采集数据作为用于最终图像重建的第二完整k-空间数据中采样区域k-空间数据,最终图像重建后获得的最终磁共振图像具有更高的质量和分辨率。
另外,在前文中曾提到,若利用半傅里叶采样方式采集部分k-空间数据,虽然在一定程度上提高了磁共振成像速度,但也同时也会产生较严重的折叠伪影、高噪声、图像模糊,以及由于采集矩阵有限而造成的吉布斯伪影、分辨率过低等问题。根据对上述问题的分类启示,可以采用并行成像方法和半傅里叶重建方法等常规的传统方法分别解决可以用显式函数表达并且有显式解的问题,例如折叠伪影、由于半傅里叶采集造成的图像模糊和吉布斯伪影;而对于难以用显式函数表达,或者没有显式解的问题,高噪声、由于采集矩阵有限而造成的低分辨率和吉布斯伪影等,可以利用DNN重建图像的方式解决。
由此,本申请在实施例一所提供的磁共振成像方法的基础上,为提高图像质量,本申请还提供了另一种磁共振成像方法实施例,具体针对降采样方式为半傅里叶采样方式的情况对磁共振图像进行修正。实施例三采用并行成像方法、DNN重建方法以及半傅里叶重建方法相继结合方式分别处理影响磁共振成像过程中易影响图像质量的问题。下面结合附图4详细描述本申请实施例三提供的该磁共振成像方法的具体实现方式。
实施例三
需要说明的是,实施例三与实施例一有诸多相似之处,为了简要起见,此处仅对其不同之处进行改进,其相似之处请参见实施例一的相应描述。
请参见图4,是本申请实施例三提供的磁共振成像方法流程图。如图4所示,该磁共振成像方法包括:
S401:采用半傅里叶采样方式采集部分k-空间数据,得到k-空间采集数据。
半傅里叶采样方式仅采集略多于半数的数据,所以扫描时间降低了近一半,理论上加速倍数R在1~2之间。这种采样方式将半傅里叶区间作为k-空间的采样区域,而半傅里叶区间以外的k-空间数据不进行采集。为便于理解,下面对半傅里叶采样方式进行举例说明。
作为二维磁共振成像的示例,若半傅里叶系数为0.8,则将相位编码方向连续的80%区间作为采样区域。对于二维磁共振成像,相位编码仅有一个方向,因此在k-空间的一条直线方向上定义部分采样点,采集部分采样点得到k-空间采集数据。在该示例实施场景下,部分采样点可以是等距离分布、变密度分布或是随机分布的。
作为三维磁共振成像的示例,可以在两个相位编码方向使用半傅里叶采样,比如半傅里叶系数分别为0.8和0.9,则在两个相位编码方向构成的相交矩形内连续72%的区间作为采样区域。可以在k-空间内两个相位编码方向形成的平面上定义部分采样点,采集部分采样点得到k-空间采集数据。在该示例实施场景下,部分采样点可以是等距离分布、较差等距离分布、随机分布、变密度随机分布或是变密度泊松分布等分布状态。
作为动态磁共振成像的示例,可以在相位编码方向和时间维度方向形成的二维或三维空间内定义部分采样点,采集部分采样点得到k-空间采集数据。
S402:采用并行成像方法对k-空间采集数据进行部分重建,得到第一图像。
S403:将第一图像作为深度神经网络模型的输入,通过深度神经网络模型进行完全重建,得到第二图像作为磁共振图像。
本实施例中步骤S402、S403与实施例一中的步骤S202、203相同,为了简要起见,在此不再详细描述,详细信息请参见实施例一中的描述。以下步骤将对应于实施例一中S204,具体描述如何利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
S404:将磁共振图像映射到k-空间,得到第一完整k-空间数据。
经过映射得到的第一完整k-空间数据,具体包括:采样区域的k-空间数据和非采样区域的第一k-空间数据。对于采样区域,相比于当前第一完整k-空间数据中的采样区域的k-空间数据,前期已经在步骤S401中获得了根据半傅里叶采样方式实际采样得到的k-空间采集数据;对于非采样区域,当前第一完整k-空间数据中的非采样区域的第一k-空间数据即为该区域经图像重建后对应的数据资源。
然而,为了进一步优化用于最终图像重建的k-空间数据,本实施例还分别针对第一完整k-空间数据中的采样区域的k-空间数据及非采样区域的第一k-空间数据进行了如下操作:
S405:将第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到第三完整k-空间数据。
将第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,主要是为了便于以半傅里叶重建方法对第三完整k-空间数据进行重建。第三完整k-空间数据中,包含了采样区域的k-空间数据和非采样区域的k-空间数据。第三完整k-空间数据中采样区域的k-空间数据,与第一完整k-空间数据中采样区域的k-空间数据一致;而第三完整k-空间数据中非采样区域的k-空间数据均为0。
S406:利用第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到非采样区域的第二k-空间数据。
半傅里叶重建方法对数据进行重建的原理是:利用k-空间的数学对称性对数据进行共轭转置。因此,在本步骤中,经过半傅里叶重建后,第三完整k-空间数据中,非采样区域的k-空间数据均从0重建为采样区域的k-空间数据共轭转置后所对应的数据,将半傅里叶重建后非采样区域的k-空间数据称为第二k-空间数据。
经研究发现,此步骤中半傅里叶重建方法进行数据重建,可以有效解决由于半傅里叶采样方式采集部分k-空间数据所带来的图像模糊和吉布斯伪影等问题。
需要说明,在本步骤中,也可以通过半傅里叶重建方法进行图像重建,得到图像后,再通过傅里叶变换,得到图像对应的k-空间数据,进而得到非采样区域的第二k-空间数据。
S407:将非采样区域的第一k-空间数据与非采样区域的第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据。
本实施例中,为优化用于最终图像重建的k-空间数据,将DNN图像重建后获得的磁共振图像映射的非采样区域的第一k-空间数据,与半傅里叶数据重建后获得的非采样区域的第二k-空间数据,以加权平均的形式计算,得到非采样区域的第三k-空间数据。非采样区域的第三k-空间数据,用于最终重建。
作为本步骤的替代实现方式,还可以为非采样区域的第一k-空间数据与非采样区域的第二k-空间数据各自设置系数,再进行数学计算得到非采样区域的第三k-空间数据。例如,为非采样区域的第一k-空间数据设置系数q,为非采样区域的第二k-空间数据设置系数p,将各数据与对应系数相乘,再将乘以系数后的k-空间对应数据相加得到非采样区域的第三k-空间数据。
S408:将非采样区域的第三k-空间数据和k-空间采集数据相加,得到第四完整k-空间数据。
与本申请实施例二类似,对于采样区域,相比于当前第三完整k-空间数据中的采样区域的k-空间数据(同第一完整k-控件数据中采样区域的k-空间数据),前期已经在步骤S401中获得了根据半傅里叶采样方式实际采样得到的k-空间采集数据,因此,以k-空间采集数据作为采样区域优选的k-空间数据。
由此,非采样区域的第三k-空间数据和采样区域的k-空间采集数据共同构成了第四完整k-空间数据。
S409:根据第四完整k-空间数据进行图像重建,得到最终磁共振图像。
第四完整k-空间数据是用于优化最终图像重建效果的k-空间数据,具体包括:针对非采样区域所优化得到的第三k-空间数据,以及针对采样区域所替换的k-空间采集数据。故,针对第四完整k-空间数据进行图像重建后,能够得到相较于S403所得的磁共振图像,更高质量的磁共振图像,本实施例以此更高质量的磁共振图像作为磁共振成像方法所获得的最终磁共振图像。
以上为本实施例提供的磁共振成像方法。该方法在采集部分k-空间数据时,采用了半傅里叶采样方式,基于该降采样方式的特点,针对第一完整k-空间数据中非采样区域的k-空间数据进行了处理。具体地,对第一完整k-空间数据中非采样区域的第一k-空间数据置0,再以半傅里叶重建方法进行数据重建得到非采样区域的第二k-空间数据;之后,将第一k-空间数据与第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据作为用于最终图像重建的第四完整k-空间数据中非采样区域k-空间数据。
另外,对于采样区域,由半傅里叶采样方式获得的k-空间采集数据,相比于DNN重建所得的磁共振图像映射到k-空间数据后采样区域的k-空间数据,真实,并且能够提高图像重建的可靠性,因此,以k-空间采集数据作为用于最终图像重建的第四完整k-空间数据中采样区域k-空间数据。如此,非采样区域的第三k-空间数据与采样区域的k-空间采集数据共同构成的第四完整k-空间数据可用于磁共振成像的最终图像重建。
由于该方法中,用于最终图像重建的第四完整k-空间数据中,采样区域和非采样区域的k-空间数据具有更高的可靠性和可信度,且半傅里叶重建方法进行数据重建,可以有效解决由于半傅里叶采样方式采集部分k-空间数据所带来的问题。故而,根据该方法最终图像重建后,获得的最终磁共振图像能够去除多种伪影,具有更高的质量、分辨率和清晰度。
此外,当降采样方式为半傅里叶采样方式时,作为本申请实施例三的替换实施例,也可以在进行并行成像之后,DNN重建之前,进行半傅里叶重建。详见实施例四。
实施例四
请参见图5,本申请实施例四提供的磁共振成像方法流程图。如图5所示,该磁共振成像方法包括:
S501至S502与上述实施例三中的S401至S402相同,为了简要起见,在此不再详细描述。
S503:对第一图像进行半傅里叶重建,得到第三图像。
S504:以第三图像作为深度神经网络模型的输入,通过深度神经网络模型进行完全重建,得到第二图像。
上述实施例一至实施例四均提供了相继采用并行成像方法和深度神经网络模型的图像重建方法进行磁共振成像的具体实现方式。实际上,上述实施例中的并行成像方法是显式解析解成像方法的一个示例,不应理解为对本申请实施例的限定。作为本申请实施例的扩展,上述并行成像方法均可以替换为k-t BLAST方法或zero-padding方法等其它显式解析解成像方法。因此可以理解的是,本申请提供的磁共振成像方法可以相继采用显式解析解成像方法和深度神经网络模型的图像重建方法实现磁共振图像的重建。
另外,根据上述相继采用显式解析解成像方法和深度神经网络模型的图像重建方法进行磁共振成像的具体实现方式,本领域技术人员很容易想到相继采用深度神经网络模型的图像重建方法和显式解析解成像方法进行磁共振成像的具体实施方式,为了简要起见,在此不再详细描述。需要说明,当相继采用深度神经网络模型的图像重建方法和显式解析解成像方法实现磁共振成像时,相应地,所采用的DNN模型及其训练方式发生变化。DNN模型的输入数据为部分k-空间数据,而非磁共振图像。如此,用于训练DNN模型的输入训练样本为特定部分k-空间数据。
换句话说,相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对k-空间采集数据进行图像重建,得到磁共振图像的实现方式均在本申请的保护范围之列。
以上为本申请实施例提供的磁共振成像方法的具体实现方式。该磁共振成像方法将可以用显式函数表达的问题和难以用显式函数表达的问题分开单独处理。其中,通过显式解析解成像方法来处理可以用显式函数表达的问题,通过DNN重建来处理难以用显式函数表达的问题。具体地,本申请相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和通过深度神经网络模型的图像重建方法对k-空间采集数据进行图像重建,来实现磁共振图像的重建。如此,DNN重建仅处理显式解析解成像方法未处理的问题,即难以用显式函数表达的问题,而无需处理磁共振成像过程中的所有问题,因此,相较于现有技术,本申请实施例提供的方法所需的DNN模型的复杂度相对较低,由该相对较低复杂度的DNN模型重建得到的图像的稳定性也较高。
上述各实施例提供的磁共振成像方法可以由图6所示的控制设备执行。图6所示的控制设备包括处理器(processor)610,通信接口(Communications Interface)620,存储器(memory)630,总线640。处理器610,通信接口620,存储器630通过总线640完成相互间的通信。
其中,存储器630中可以存储有磁共振成像的逻辑指令,该存储器例如可以是非易失性存储器(non-volatile memory)。处理器610可以调用执行存储器630中的磁共振成像的逻辑指令,以执行上述的磁共振成像方法。作为实施例,该磁共振成像的逻辑指令可以为控制软件对应的程序,在处理器执行该指令时,控制设备可以对应地在显示界面上显示该指令对应的功能界面。
磁共振成像的逻辑指令的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上述的磁共振成像的逻辑指令,可以称为“磁共振成像装置”,该装置可以划分成各个功能模块。具体参见以下实施例。
下面结合附图7介绍本申请实施例提供的磁共振成像装置的具体实施方式。
实施例五
参见图7,为本申请实施例五提供的一种磁共振成像装置的结构示意图,该装置包括:
采集单元71,用于采用降采样方式采集部分k-空间数据,得到k-空间采集数据;
图像重建单元72,用于相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对k-空间采集数据进行图像重建,得到磁共振图像。
当图像重建单元72相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对k-空间采集数据进行图像重建时,图像重建单元72可以包括:
第一重建子单元721,用于采用显式解析解成像方法对k-空间采集数据进行部分重建,得到第一图像;
第二重建子单元722,用于将第一图像作为深度神经网络模型的输入,通过深度神经网络模型进行完全重建,得到第二图像,第二图像作为磁共振图像;
其中,深度神经网络模型为由满采或超满采k-空间数据重建得到的磁共振图像作为输出训练样本、由特定部分k-空间数据进行部分重建得到的磁共振图像作为输入训练样本进行训练得到,特定部分k-空间数据为从满采或超满采k-空间数据中选出的一定比例的k-空间数据。
一种具体实现方式是,当采样单元71采用的降采样方式为随机降采样方式或变密度降采样方式时,则第一重建子单元721可以具体用于:
采用k-空间的自校准并行重建装置对部分k-空间数据进行部分重建,得到虚拟通道的部分k-空间数据;
对虚拟通道的部分k-空间数据进行图像重建,得到第一图像。
另一种具体实现方式是,当采样单元71采用的降采样方式为等密度降采样方式时,则第一重建子单元721可以具体用于:
采用敏感度编码装置对k-空间采集数据进行部分重建,得到第一图像。
由于本申请实施例提供的磁共振成像装置中,需要利用预先训练好的DNN模型对图像进行重建,因此,可选地,该装置还可以包括:模型训练单元73,用于预先训练深度神经网络模型,模型训练单元73,具体包括:
获取子单元731,用于获取训练集的输出训练样本和输入训练样本,输出训练样本为由满采或超满采k-空间数据重建得到的磁共振图像;输入训练样本为由特定部分k-空间数据或者其进行部分重建得到的磁共振图像;特定部分k-空间数据为从满采或超满采k-空间数据中选出的一定比例的k-空间数据;
迭代子单元732,用于利用输入训练样本和输出训练样本迭代深度神经网络模型中的参数,在每次迭代过程中,将输入训练样本作为深度神经网络模型的输入,通过深度神经网络模型后得到预测结果;判断预测结果与输出训练样本之间的结构相似性是否满足预设条件,如果是,停止迭代,深度神经网络模型训练完成,如果否,调整深度神经网络模型的参数,继续进行下一次迭代过程。
需要说明,为了提高模型训练单元73所训练DNN模型的准确度,该模型训练单元73还可以在实际应用中不断地利用新的训练样本对DNN模型进行训练,以不断更新DNN模型,提高DNN模型的准确度,并应用到图像重建中,进而提高图像重建质量。
上述实施例提供的磁共振成像装置将可以用显式函数表达的问题和难以用显式函数表达的问题分开单独处理,其中,通过显式解析解成像方法来处理可以用显式函数表达的问题,通过DNN重建来处理难以用显式函数表达的问题。具体地,本申请提供的装置相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对k-空间采集数据进行图像重建,来实现磁共振图像的重建。如此,DNN重建仅处理显式解析解成像方法未处理的问题,即难以用显式函数表达的问题,而无需处理磁共振成像过程中的所有问题,因此,相较于现有技术,本申请实施例提供的装置所需的DNN模型的复杂度相对较低,由该相对较低复杂度的DNN模型重建得到的图像的稳定性也较高。
由于在上述实施例五提供的磁共振成像装置中,采样单元通过降采样方式获得的k-空间采集数据是切实采集得到的,能够体现更高的真实性,有利于修正上述实施例五图像重建单元获得的磁共振图像。为此,为提高磁共振成像的成像质量,本申请在实施例五的基础上,提供了磁共振成像装置的另一种实施方式,具体利用k-空间采集数据,对磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。下面结合图8至图10详细描述本申请提供的磁共振成像装置实施例的具体实现方式。
实施例六
图8是本实施例提供的磁共振成像装置的结构示意图。如图8所示,本实施例提供的磁共振成像装置在实施例五的基础上,还包括:
图像修正单元74,用于在得到磁共振图像之后,利用k-空间采集数据,对磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
图9是图像修正单元74的一种结构示意图。作为一种可选地实施方式,图像修正单元74可以具体包括:
第一映射子单元7401,用于将磁共振图像映射到k-空间,得到第一完整k-空间数据;第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的k-空间数据;
数据替换子单元7402,用于利用k-空间采集数据替换第一完整k-空间数据中的采样区域的k-空间数据,得到第二完整k-空间数据;
第一图像重建子单元7403,用于根据第二完整k-空间数据进行图像重建,得到最终磁共振图像。
以上为本实施例提供的磁共振成像装置的图像修正单元一种可选实施方式。该实施方式中对于采样区域,由降采样获得的k-空间采集数据,相比于DNN重建所得的第二图像映射到k-空间数据后采样区域的k-空间数据更加贴合实际情况,由此,图像修正单元利用k-空间采集数据对磁共振图像进行修正。以数据替换子单元得到的第二完整k-空间数据为基础能够提高图像重建的可靠性,最终第一图像重建子单元重建得到的图像质量得到提高,因此,以k-空间采集数据作为用于最终图像重建的第二完整k-空间数据中采样区域k-空间数据,最终图像重建后获得的最终磁共振图像具有更高的质量和分辨率。
图10是图像修正单元74的另一种结构示意图。当采集单元71所采用的降采样方式为半傅里叶采样方式时,则作为另一种可选地实施方式,图像修正单元74可以具体包括:
第二映射子单元7411,用于将磁共振图像映射到k-空间,得到第一完整k-空间数据;第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的第一k-空间数据;
设置子单元7412,用于将第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到第三完整k-空间数据;
半傅里叶重建子单元7413,用于利用第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到非采样区域的第二k-空间数据;
数据计算子单元7414,用于将非采样区域的第一k-空间数据与非采样区域的第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据;
数据合并子单元7415,用于将非采样区域的第三k-空间数据和k-空间采集数据相加,得到第四完整k-空间数据;
第二图像重建子单元7416,用于根据第四完整k-空间数据进行图像重建,得到最终磁共振图像。
以上为本实施例提供的磁共振成像装置的图像修正单元另一种可选实施方式。该实施方式中,采集单元在采集部分k-空间数据时,采用了半傅里叶采样方式,基于该降采样方式的特点,图像修正单元针对第一完整k-空间数据中非采样区域的k-空间数据进行了处理。具体地,对第一完整k-空间数据中非采样区域的第一k-空间数据置0,再以半傅里叶重建方法进行数据重建得到非采样区域的第二k-空间数据;将第一k-空间数据与第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据作为用于最终图像重建的第四完整k-空间数据中非采样区域k-空间数据。
另外,对于采样区域,由半傅里叶采样方式获得的k-空间采集数据,相比于DNN重建所得的磁共振图像映射到k-空间数据后采样区域的k-空间数据,真实,并且能够提高图像重建的可靠性,因此,以k-空间采集数据作为用于最终图像重建的第四完整k-空间数据中采样区域k-空间数据。如此,非采样区域的第三k-空间数据与采样区域的k-空间采集数据共同构成的第四完整k-空间数据可用于磁共振成像的最终图像重建。
本实施例上述图像修正单元的实施方式中,用于最终图像重建的第四完整k-空间数据中,采样区域和非采样区域的k-空间数据具有更高的可靠性和可信度,且半傅里叶重建方法进行数据重建,可以有效解决由于半傅里叶采样方式采集部分k-空间数据所带来的问题。故而,根据本实施例图像修正单元最终图像重建后,获得的最终磁共振图像能够去除多种伪影,具有更高的质量、分辨率和清晰度。
此外,作为上述实施例六的替换实施例,本申请还提供了一种磁共振成像装置实施例七,具体参见图11。图11是本实施例提供的磁共振成像装置的结构示意图。该装置包括采集单元71和图像重建单元72,其中,图像重建单元72除了包括第一重建子单元721和第二重建子单元722外,还可以包括:
第三重建子单元1101,用于在第一重建子单元721得到第一图像之后,第二重建子单元722通过深度神经网络模型进行完全重建之前,对第一图像进行半傅里叶重建,得到第三图像;
而且,在该实施例中,第二重建子单元722具体用于以第三重建子单元1101获得的第三图像作为深度神经网络模型的输入,通过深度神经网络模型进行完全重建,得到第二图像。
以上为本申请实施例提供的具体实现方式。
Claims (12)
1.一种磁共振成像方法,其特征在于,包括:
采用降采样方式采集部分k-空间数据,得到k-空间采集数据;
相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对所述k-空间采集数据进行图像重建,得到磁共振图像;
其中,所述深度神经网络模型为由满采或超满采k-空间数据重建得到的磁共振图像作为输出训练样本、由特定部分k-空间数据或者其进行部分重建得到的磁共振图像作为输入训练样本进行训练得到,所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的一定比例的k-空间数据。
2.根据权利要求1所述的方法,其特征在于,所述得到磁共振图像之后,还包括:
利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
3.根据权利要求2所述的方法,其特征在于,所述利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像,具体包括:
将所述磁共振图像映射到k-空间,得到第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的k-空间数据;
利用所述k-空间采集数据替换所述第一完整k-空间数据中的采样区域的k-空间数据,得到第二完整k-空间数据;
根据所述第二完整k-空间数据进行图像重建,得到最终磁共振图像。
4.根据权利要求2所述的方法,其特征在于,所述降采样方式为半傅里叶采样方式,
所述利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像,具体包括:
将所述磁共振图像映射到k-空间,得到第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的第一k-空间数据;
将所述第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到第三完整k-空间数据;
利用所述第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到非采样区域的第二k-空间数据;
将所述非采样区域的第一k-空间数据与所述非采样区域的第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据;
将所述非采样区域的第三k-空间数据和所述k-空间采集数据相加,得到第四完整k-空间数据;
根据所述第四完整k-空间数据进行图像重建,得到最终磁共振图像。
5.根据权利要求1所述的方法,其特征在于,所述深度神经网络模型的输入训练样本为由特定部分k-空间数据进行部分重建得到的磁共振图像,
相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对所述k-空间采集数据进行图像重建,得到磁共振图像,具体包括:
采用显式解析解成像方法对所述k-空间采集数据进行部分重建,得到第一图像;
根据所述第一图像和深度神经网络模型,通过所述深度神经网络模型进行完全重建,得到第二图像,所述第二图像作为磁共振图像。
6.根据权利要求5所述的方法,其特征在于,所述降采样方式为半傅里叶采样方式,
所述得到第一图像之后,通过所述深度神经网络模型进行完全重建之前,还包括:
对所述第一图像进行半傅里叶重建,得到第三图像;
所述根据所述第一图像和深度神经网络模型,通过所述深度神经网络模型进行完全重建,得到第二图像,具体包括:
以所述第三图像作为深度神经网络模型的输入,通过所述深度神经网络模型进行完全重建,得到第二图像。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:预先训练深度神经网络模型,
所述预先训练深度神经网络模型,具体包括:
获取训练集的输出训练样本和输入训练样本,所述输出训练样本为由满采或超满采k-空间数据重建得到的磁共振图像;所述输入训练样本为由特定部分k-空间数据或者其进行部分重建得到的磁共振图像;所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的一定比例的k-空间数据;
利用所述输入训练样本和所述输出训练样本迭代深度神经网络模型中的参数,在每次迭代过程中,将所述输入训练样本作为深度神经网络模型的输入,通过深度神经网络模型后得到预测结果;判断所述预测结果与所述输出训练样本之间的结构相似性是否满足预设条件,如果是,停止迭代,深度神经网络模型训练完成,如果否,调整深度神经网络模型的参数,继续进行下一次迭代过程。
8.一种磁共振成像装置,其特征在于,包括:
采集单元,用于采用降采样方式采集部分k-空间数据,得到k-空间采集数据;
图像重建单元,用于相继采用深度神经网络模型的图像重建方法和显式解析解成像方法或者相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对所述k-空间采集数据进行图像重建,得到磁共振图像;
其中,所述深度神经网络模型为由满采或超满采k-空间数据重建得到的磁共振图像作为输出训练样本、由特定部分k-空间数据或者其进行部分重建得到的磁共振图像作为输入训练样本进行训练得到,所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的一定比例的k-空间数据。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
图像修正单元,用于在得到磁共振图像之后,利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
10.根据权利要求9所述的装置,其特征在于,所述图像修正单元具体包括:
第一映射子单元,用于将所述磁共振图像映射到k-空间,得到第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的k-空间数据;
数据替换子单元,用于利用所述k-空间采集数据替换所述第一完整k-空间数据中的采样区域的k-空间数据,得到第二完整k-空间数据;
第一图像重建子单元,用于根据所述第二完整k-空间数据进行图像重建,得到最终磁共振图像。
11.根据权利要求9所述的装置,其特征在于,所述降采样方式为半傅里叶采样方式,所述图像修正单元具体包括:
第二映射子单元,用于将所述磁共振图像映射到k-空间,得到第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的第一k-空间数据;
设置子单元,用于将所述第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到第三完整k-空间数据;
半傅里叶重建子单元,用于利用所述第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到非采样区域的第二k-空间数据;
数据计算子单元,用于将所述非采样区域的第一k-空间数据与所述非采样区域的第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据;
数据合并子单元,用于将所述非采样区域的第三k-空间数据和所述k-空间采集数据相加,得到第四完整k-空间数据;
第二图像重建子单元,用于根据所述第四完整k-空间数据进行图像重建,得到最终磁共振图像。
12.根据权利要求8-11任一项所述的装置,其特征在于,所述装置还包括:模型训练单元,用于预先训练深度神经网络模型,
所述模型训练单元,具体包括:
获取子单元,用于获取训练集的输出训练样本和输入训练样本,所述输出训练样本为由满采或超满采k-空间数据重建得到的磁共振图像;所述输入训练样本为由特定部分k-空间数据或者其进行部分重建得到的磁共振图像;所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的一定比例的k-空间数据;
迭代子单元,用于利用所述输入训练样本和所述输出训练样本迭代深度神经网络模型中的参数,在每次迭代过程中,将所述输入训练样本作为深度神经网络模型的输入,通过深度神经网络模型后得到预测结果;判断所述预测结果与所述输出训练样本之间的结构相似性是否满足预设条件,如果是,停止迭代,深度神经网络模型训练完成,如果否,调整深度神经网络模型的参数,继续进行下一次迭代过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443569.3A CN108814603B (zh) | 2018-05-10 | 2018-05-10 | 一种磁共振成像方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443569.3A CN108814603B (zh) | 2018-05-10 | 2018-05-10 | 一种磁共振成像方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108814603A true CN108814603A (zh) | 2018-11-16 |
CN108814603B CN108814603B (zh) | 2021-11-09 |
Family
ID=64147881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810443569.3A Active CN108814603B (zh) | 2018-05-10 | 2018-05-10 | 一种磁共振成像方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108814603B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和系统 |
CN110246137A (zh) * | 2019-06-19 | 2019-09-17 | 沈阳东软医疗系统有限公司 | 一种成像方法、装置及存储介质 |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN110766661A (zh) * | 2019-09-26 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
WO2021155782A1 (en) * | 2020-02-04 | 2021-08-12 | The University Of Hong Kong | Systems and methods for magnetic resonance image reconstruction from incomplete k-space data |
CN113359076A (zh) * | 2020-03-06 | 2021-09-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
WO2023201625A1 (zh) * | 2022-04-21 | 2023-10-26 | 中国科学院深圳先进技术研究院 | 一种基于标准化流的伪影矫正方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569880A (zh) * | 2014-12-31 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种磁共振快速成像方法及系统 |
CN106156846A (zh) * | 2015-03-30 | 2016-11-23 | 日本电气株式会社 | 卷积神经网络特征的处理方法和装置 |
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 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 |
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
US20180108139A1 (en) * | 2016-10-19 | 2018-04-19 | U.S. Department Of Veterans Affairs | System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks |
-
2018
- 2018-05-10 CN CN201810443569.3A patent/CN108814603B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569880A (zh) * | 2014-12-31 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 一种磁共振快速成像方法及系统 |
CN106156846A (zh) * | 2015-03-30 | 2016-11-23 | 日本电气株式会社 | 卷积神经网络特征的处理方法和装置 |
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 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 |
US20180108139A1 (en) * | 2016-10-19 | 2018-04-19 | U.S. Department Of Veterans Affairs | System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks |
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和系统 |
CN109658471B (zh) * | 2018-12-20 | 2023-07-25 | 上海联影医疗科技股份有限公司 | 一种医学图像重建方法和系统 |
CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN109557489B (zh) * | 2019-01-08 | 2021-06-18 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
US11294011B2 (en) | 2019-01-08 | 2022-04-05 | Shanghai Neusoft Medical Technology Co., Ltd. | Magnetic resonance imaging with deep neutral networks |
CN110246137B (zh) * | 2019-06-19 | 2021-12-03 | 东软医疗系统股份有限公司 | 一种成像方法、装置及存储介质 |
CN110246137A (zh) * | 2019-06-19 | 2019-09-17 | 沈阳东软医疗系统有限公司 | 一种成像方法、装置及存储介质 |
US11250543B2 (en) | 2019-06-19 | 2022-02-15 | Neusoft Medical Systems Co., Ltd. | Medical imaging using neural networks |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN110346743B (zh) * | 2019-07-22 | 2021-09-14 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN110766661A (zh) * | 2019-09-26 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
WO2021155782A1 (en) * | 2020-02-04 | 2021-08-12 | The University Of Hong Kong | Systems and methods for magnetic resonance image reconstruction from incomplete k-space data |
CN113359076A (zh) * | 2020-03-06 | 2021-09-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
WO2023201625A1 (zh) * | 2022-04-21 | 2023-10-26 | 中国科学院深圳先进技术研究院 | 一种基于标准化流的伪影矫正方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108814603B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108814603A (zh) | 一种磁共振成像方法和装置 | |
CN108896943A (zh) | 一种磁共振定量成像方法和装置 | |
CN109239631B (zh) | 一种磁共振成像方法和装置 | |
DE102008007048B4 (de) | Dynamische Verzeichnungskorrektur bei EPI-Messungen in der medizinischen Magnet-Resonanz-Bildgebung | |
CN104101849B (zh) | 磁共振系统控制序列的确定 | |
Gramfort et al. | Denoising and fast diffusion imaging with physically constrained sparse dictionary learning | |
CN109581253A (zh) | 用于磁共振成像的方法和系统 | |
US11346911B2 (en) | Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation | |
CN106491131A (zh) | 一种磁共振的动态成像方法和装置 | |
CN111856368A (zh) | 利用神经网络检测患者运动的mri系统和方法 | |
CN103218795B (zh) | 基于自适应双字典学习的部分k空间序列图像重构方法 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN108714028A (zh) | 一种磁共振成像方法、装置及医学成像系统 | |
CN109633502A (zh) | 磁共振快速参数成像方法及装置 | |
CN108447102A (zh) | 一种低秩与稀疏矩阵分解的动态磁共振成像方法 | |
CN111210484B (zh) | 医学图像生成方法、模型训练方法、装置及介质 | |
CN107367703A (zh) | 磁共振扫描方法、系统、装置及存储介质 | |
WO2021104954A1 (en) | Hybrid compressed sensing image reconstruction | |
CN107037385A (zh) | 数字mri图谱的构建方法及设备 | |
CN108431624A (zh) | 定量磁化率映射磁共振图像的分割 | |
CN103876739A (zh) | 用于并行成像应用的多阶段磁共振重建 | |
WO2020123788A1 (en) | Qualitative and quantitative mri using deep learning | |
CN115427829A (zh) | 减少磁共振成像中的偏离共振效应 | |
CN104825161B (zh) | 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 | |
CN108305221A (zh) | 一种磁共振并行成像方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |