CN108829639B - 一种磁共振成像方法和设备 - Google Patents

一种磁共振成像方法和设备 Download PDF

Info

Publication number
CN108829639B
CN108829639B CN201810737109.1A CN201810737109A CN108829639B CN 108829639 B CN108829639 B CN 108829639B CN 201810737109 A CN201810737109 A CN 201810737109A CN 108829639 B CN108829639 B CN 108829639B
Authority
CN
China
Prior art keywords
distribution information
field distribution
susceptibility
neural network
training
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
Application number
CN201810737109.1A
Other languages
English (en)
Other versions
CN108829639A (zh
Inventor
叶永泉
宗金光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201810737109.1A priority Critical patent/CN108829639B/zh
Publication of CN108829639A publication Critical patent/CN108829639A/zh
Priority to US16/231,721 priority patent/US10638951B2/en
Application granted granted Critical
Publication of CN108829639B publication Critical patent/CN108829639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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
    • G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
    • G01R33/38—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field
    • G01R33/385—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field using gradient magnetic field coils
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • 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
    • G01R33/24—Arrangements or instruments for measuring magnetic variables involving magnetic resonance for measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/243—Spatial mapping of the polarizing magnetic field
    • 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]
    • G01R33/443—Assessment of an electric or a magnetic field, e.g. spatial mapping, determination of a B0 drift or dosimetry
    • 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
    • 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
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本公开涉及一种磁共振成像方法，包括获取对象的感兴趣区域的场分布信息；以及使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息。本公开还涉及相应的设备。

Description

一种磁共振成像方法和设备
技术领域
本公开一般涉及磁共振成像，尤其涉及磁共振磁化率定量成像(QuantitativeSusceptibility Mapping，QSM)。
背景技术
磁共振磁化率定量成像技术是磁共振成像中的一项新兴技术，用于计算组织或者成像物体的磁化率分布图。QSM技术的大致流程为：首先获得一组或多组磁共振相位信息或相位图像，然后利用磁共振成像的相位信息来获取组织局部的(磁)场分布信息，最终通过场分布与磁化率之间的物理关系反演出磁化率分布图。
磁场分布与磁化率分布之间存在确定的数学关系，该数学关系可以通过磁偶极核函数(dipole kernel function；或称格林函数，Green’s function)来定义。局部磁场分布图(简称场图)ΔB(r)与磁化率分布图χ(r)之间的正向偶极模型方程为：
ΔB(r)＝B0·F-1{g(k)·χ(k)} EQ.1
其中k＝[kx,ky,kz]为k空间坐标，r＝[x,y,z]为图像空间坐标，B0是外部磁场强度，F和F-1代表正向和反向傅里叶变化算子。正向磁偶极核函数g(k)为：
而逆向磁偶极模型方程为：
χ(r)＝F-1{g-1(k)·F[ΔB(r)]}/B0 EQ.2
其中逆向磁偶极核函数g-1(k)为：
当前所有QSM算法大多利用逆向磁偶极核函数，以采集数据中获得的磁场分布图作为输入，在EQ.2定义的基础上计算得到对应的磁化率分布图。
如MEDI(de Rochefort,L.,et al.,Magn Reson Med,2010.63(1))方法是对如下方程进行最优化计算获取最优化数值解： 其中D为正向磁偶极核函数，δ为输入的场分布信息，在最优化求解过程中χ与δ之间的关系由EQ.2定义。在求最优解过程中，含D的部分会被取倒数，从而等效逆向磁偶极核函数。
更多方法的具体描述，可以参考Langkammer,C.,et al.,Magn Reson Med,2017.里面描述的所有算法，均基于逆向磁偶极核函数进行。
根据逆向磁偶极核函数定义，在k空间中存在着特定的点，当其坐标值满足kx 2+ky 2-2kz 2＝0时，g-1(k)的分母为0，即在这些点的数值为无意义的无穷大值。因此，当把该逆向核函数与傅里叶变换后的场分布图FT[ΔB(r)]相乘后，将使得EQ.2变成一个欠定方程求解的过程，即已知变量的数量(方程右侧的有意义的点的数量)少于解的数量(即χ(r)的点的数量)。由于欠定，利用EQ.2直接得到χ(r)的解析解中将产生非常强烈的放射条纹伪影，以及严重低估的磁化率值。当前所有QSM算法本质上都是对该欠定方程的求解，因此得到的结果必须在计算伪影、数值准确度及正则化程度之间进行平衡，无法在所有方面都获得最优解。
发明内容
本公开的一方面涉及一种磁共振成像的方法，其特征在于，包括获取对象的感兴趣区域的场分布信息；以及使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息。
在一示例性而非限定性的实施例中，获取对象的感兴趣区域的场分布信息包括采集所述对象的所述感兴趣区域的磁共振信号；以及根据所述磁共振信号来获取所述场分布信息。
在另一示例性而非限定性的实施例中，该方法还包括对所获取的场分布信息进行域转换后再将其输入到所述经训练的神经网络中；并且所述使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息包括：对所述经训练的神经网络的输出进行反向域转换操作以得到所述磁化率分布信息。
在又一示例性而非限定性的实施例中，使用经训练的神经网络还包括向所述神经网络输入以下一者或多者：正向磁偶极核函数、扫描参数约束、空间约束条件以及例外条件约束。
在再一示例性而非限定性的实施例中，该方法还包括使用训练数据来训练神经网络以获得所述经训练的神经网络，其中，所述训练数据包括用于训练的场分布信息和对应的用于训练的磁化率分布信息。
进一步地，所述用于训练的场分布信息包括磁共振复数图、磁共振相位图、磁共振场分布图中的至少一种。
在进一步的示例性而非限定性的实施例中，使用训练数据来训练神经网络还包括向所述神经网络输入以下一者或多者：正向磁偶极核函数、扫描参数约束；空间约束条件以及例外条件约束。
本公开还涉及磁共振成像设备，包括：存储器；以及处理器，其中所述处理器通过执行所述存储器中的指令来被配置成：
获取对象的感兴趣区域的场分布信息；以及
使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息。
在一示例性而非限定性的实施例中，所述处理器通过执行所述存储器中的指令还被配置成：对所获取的场分布信息进行域转换后再将其输入到所述经训练的神经网络中；并且所述使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息包括：对所述经训练的神经网络的输出进行反向域转换操作以得到所述磁化率分布信息。
在另一示例性而非限定性的实施例中，使用经训练的神经网络还包括向所述神经网络输入以下一者或多者：正向磁偶极核函数、扫描参数约束、空间约束条件以及例外条件约束。
在再一示例性而非限定性的实施例中，所述处理器通过执行所述存储器中的指令还被配置成：
使用训练数据来训练神经网络以获得所述经训练的神经网络，其中，所述训练数据包括用于训练的场分布信息和对应的用于训练的磁化率分布信息。
进一步地，所述经训练的神经网络包括多个，且多个经训练的神经网络分别对应多个部位，所述设备还包括：操作台，
所述操作台被配置成：可操作地向所述处理器发送所述感兴趣区域的部位信息，根据所述感兴趣区域的部位信息从所述经训练的神经网络中确定至少一者；
或者，所述操作台被配置成：显示所述感兴趣区域的磁化率分布信息。
附图说明
图1示出了根据本发明一示例性方法的流程图。
图2示出了根据本发明一示例性实施例的利用机器学习网络进行磁化率分布定量映射的方法的流程图。
图3示出了根据本发明一示例性实施例的神经网络。
图4示出了根据本发明一示例性实施例的利用机器学习网络在某种转换域中进行磁化率分布定量映射的方法的流程图。
图5示出了根据本发明一示例性实施例的场分布信息、磁化率分布信息和例外条件约束等。
图6示出了根据本发明一示例性实施例的用机器学习网络进行磁化率分布定量映射的系统。
具体实施方式
为了更好地理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
现有技术中的一些磁共振磁化率定量成像(QSM)技术在重建磁化率分布图的过程中除了场分布信息以外，还需要额外信息。例如，这些额外信息可以是幅值图或其他空间先验信息，用作重建过程中的约束条件。现有技术中的一些其他的磁共振磁化率定量成像(QSM)技术则需要先计算全局背景场，并将全局背景场成分在场分布图中去除来确定磁化率分布图。
本发明的一些实施例提供了利用机器学习网络进行磁化率分布定量映射的方法，其旨在避免对诸如幅值图或先验信息等额外信息的依赖以及去除背景场的需要。
图1示出了根据本发明的一示例性而非限定性实施例的一种利用机器学习网络进行磁化率分布定量映射的方法100。方法100可包括获取/采集对象的感兴趣区域(ROI)的磁共振信号(101)。例如，在一些实施例中，对象可包括物质、组织、样本、身体等，或者其任何组合。对象可包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、四肢、骨架、血管等，或者其任意组合。在一些实施例中，对象的感兴趣区域(ROI)可受激产生自旋信号，该自旋信号可经过相位编码处理而形成磁共振信号。
该方法进一步包括根据获取/采集的磁共振信号获取场分布信息(102)。场分布信息即场图(field map)，可以通过计算机模拟、水模扫描或人体扫描获得。场分布信息可以是3D数据，或者2D多层相邻叠加的数据等。在一些实施例中，可提取磁共振信号的相位信息，该相位信息即可对应初始场分布信息。作为示例性而非限定性示例，场分布信息可以在各种域中，例如数据域、图像域等。在另一些实施例中，场分布信息可以是包含场分布信息的图像，例如：磁共振复数图，磁共振相位图，或者由磁共振相位图中提取得到的场分布图。在另一些实施例中，场分布信息可以是感兴趣区域的局部信息或者全局信息，还可以是感兴趣区域的磁共振信号相位的高频成分或者低频成分。在一示例性而非限定性的实施例中，获取对象的感兴趣区域的场分布信息包括获取所述对象的所述感兴趣区域的磁共振信号；以及根据所述磁共振信号来获取所述场分布信息。但是，如本领域普通技术人员可知，本公开并不仅限于根据获取/采集的磁共振信号获取场分布信息。场分布信息可以从其他来源获得。例如，可以从存储、数据库、或网络等获得场分布信息。
然后，该方法包括将所获取的场分布信息输入到经训练的神经网络中，从而得到感兴趣区域(ROI)的磁化率分布信息(103)，其中该经训练的神经网络包括场分布信息和磁化率分布信息的映射关系。磁化率分布信息即对应当前场分布图的磁化率分布图。
图2示出了根据本发明一示例性实施例的利用机器学习网络进行磁化率分布定量映射的方法的流程图。该方法可以分为神经网络训练和神经网络使用两个子办法。在神经网络的训练子办法中，作为训练数据的场分布信息可被输入到神经网络中(201)。作为示例而非限定，在训练机器学习网络过程中，输入可以是包含场分布信息的图像，如磁共振复数图，磁共振相位图，或者由磁共振相位图中提取得到的场分布图。这里的场分布是较广的定义，即可以有全局与局部、高频与低频、强源与弱源之分，在这里不区分描述。根据另一示例性而非限定性的实施例，在训练机器学习网络过程中，输入可以是真实采集的数据，也可以是计算机模拟的数据。
进一步，与这些场分布信息对应的磁化率分布信息也可被输入到该神经网络中(202)以通过训练神经网络的方式进行机器学习(203)。本领域中所知的各种神经网络均可被用于此训练。训练数据可以用各种方式来获得，包括从数据库获得、从网络接收、本地获得等等。用作训练时，磁化率分布图的输入应当以金标准方式或者其他多角度扫描QSM方法获得，如使用磁化率张量成像(Susceptibility Tensor Imaging,STI)、多相位采样的磁化率计算(Calculation of Susceptibility through Multiple Orientation Sampling，COSMOS)等算法计算获得，或者通过正向磁偶极函数进行计算机模拟得到。在网络训练过程中的场分布-磁化率分布数据对应较好地符合EQ.1与EQ.2的数学关系。
根据一示例，为了进行神经网络训练，还可以可任选地提供以下数据(204)，包括以下一项或多项，例如：正向磁偶极核函数、扫描参数约束、空间约束条件、和例外条件约束等，或其任何组合。
例如，根据一示例性而非限定性实施例，在训练机器学习网络过程中，可以加入具有严格适定数学定义的正向磁偶极核函数的约束。可选地，正向磁偶极核函数可通过作为训练样本的磁化率分布信息以及磁场分布信息获取，具体可参考EQ.1。
根据一示例性而非限定性实施例，在训练机器学习网络过程中，可以加入扫描参数(或称数据采集参数)的约束，如图像扫描平面方向等。可选地，扫描参数约束通常决定图像的分辨率和图像的大小，可以是如图像扫描平面方向、扫描定位框、扫描序列的翻转角强度、扫描所用的脉冲序列等。
根据一示例性而非限定性实施例，在训练机器学习网络过程中，可以加入额外空间信息的约束条件。空间约束条件与物体的边界或者生物组织的边界相关，例如可以是从磁共振信号的幅值图中获取的感兴趣组织的结构信息，可以是感兴趣组织的T1映射图(mapping)、T2映射图、T2*映射图等其他定量信息等。
根据一示例性而非限定性实施例，在训练机器学习网络过程中，可以加入对例外条件的描述与学习策略，例外条件如低信号区域、强磁化率区域及边界、场分布突变、非磁化率相关场分布等。例外条件约束可选择非组织相关的信号或者不规则场分布区域，可以是感兴趣区域磁共振信号的低信号区域，可以是强磁化率区域，可以是感兴趣区域相关的边界，可以是感兴趣区域相关的场分布突变(对应大出血灶区域或者术后组织疤痕等)，还可以是感兴趣区域非磁化率相关场分布等。
在一个实施例中，神经网络训练增加正向磁偶极核函数作为约束条件。因正向磁偶极核函数是满置函数，即从磁化率分布图计算其对应的场分布图的过程中不会产生信息缺失，可以通过此数学关系的约束对学习过程(即从场分布图到磁化率分布图的映射)进行强化与加速，提高获取网络的稳定性和精确度。
例如，图3示出了可被用于根据本发明的示例性神经网络300。该神经网络包括通过基于训练数据进行机器学习后，该神经网络可包括例如第一级神经元，该级神经元通过突触连接网络连接到下一级神经元。每一突触可包括初始权重，该初始权重在训，练过程中可被改变。对于某些示例，突触也可以不应用突触权重。为了简单起见，图3中仅示出了两级神经元。但是如本领域普通技术人员所知，在典型的神经系统中可以存在更多级神经元。神经网络可以用软件或者通用或专用硬件(例如，电路)来仿真。
基于所输入的作为训练数据的场分布信息和对应的磁化率分布信息，以本领域已知的神经网络训练方法进行了机器学习之后，得到了突触权重经修改和/或突触经修剪的经训练神经网络(205)。
回到图2，在神经网络的使用子办法中，从例如以上图1的步骤102获取的场分布信息可被输入到例如以上图2的经训练的神经网络中(206)。同样，可任选地，还可以可任选地输入以下对应的数据(207)，包括以下一项或多项，例如：正向磁偶极核函数、扫描参数约束、空间约束条件、和例外条件约束等，或其任何组合。经训练的神经网络由此可输出结果所得的磁化率分布信息(208)。用于机器学习的神经网络的类型可以使用任意合适的网络，例如可以选择人工神经网络(artificial neural network，ANN)、卷积神经网络(convolutional neural network，CNN)，深度学习网络(deep learning network，DLN)等。如本领域普通技术人员所可理解的，本公开任何实施例中的机器学习网络可以用一个或多个机器网络、一种或多种机器网络、或其任何组合。
图4示出了根据本发明一示例性实施例的利用机器学习网络在某种转换域，中进行磁化率分布定量映射的方法的流程图。转换域操作是指例如经过某种图像转换算法得到的转换图像。如傅里叶变换、小波变换等。例如，域转换可包括图像域与数据域之间的转换，但本发明并不被限定于此。以下以图像域与数据域之间的转换为例对图4的方法进行描述。
类似地，该方法可以分为神经网络训练和神经网络使用两个子办法。在神经网络的训练子办法中，作为训练数据的场分布信息可被输入(401)。作为示例而非限定，在训练机器学习网络过程中，输入可以是包含场分布信息的某种转换域的信息，如上述场分布信息的傅里叶变换域或者小波变换域等。进一步，与这些场分布信息对应的磁化率分布信息也可被输入(402)。可对所输入的场分布信息(例如，图像域)和/或对应的磁化率分布信息(例如，图像域)进行域转换操作(409)。经域转换的场分布信息(例如，数据域)和/或经域转换的磁化率分布信息(例如，数据域)可被输入到神经网络中以进行机器学习(403)。本领域中所知的各种神经网络均可被用于此训练。训练数据可以用各种方式来获得，包括从数据库获得、从网络接收、本地获得等等。
根据一示例，为了进行神经网络训练，还可以可任选地提供以下数据(404)，包括以下一项或多项，例如：正向磁偶极核函数、扫描参数约束、空间约束条件、和例外条件约束等，或其任何组合。正向磁偶极核函数即g(k)。因为正向磁偶极核函数是满置函数，即从磁化率分布图计算其对应的场分布图的过程中不会产生信息缺失，可以将此数学关系的约束作为条件来对学习过程(即从场分布图到磁化率分布图的映射)进行强化与加速。扫描参数约束可包括例如图像分辨率，像素大小等。空间约束条件可包括例如物体边界(如大脑蒙版)、生物组织边界等。例外条件约束可包括例如非组织相关的信号，或者不规则场分布区域(如大出血灶或术后组织疤痕)。
同样，例如图3示出的示例性神经网络300也可被用于此实施例中。基于所输入并经域转换的作为训练数据的场分布信息和对应的磁化率分布信息，以本领域已知的神经网络训练方法进行了机器学习之后，得到了突触权重经修改和/或突触经修剪的经训练神经网络(405)。
在图4的神经网络的使用子办法中，从例如以上图1的步骤102获取的场分布信息可被输入到例如以上图4的经训练的神经网络中(406)。可对该场分布信息进行域转换(409’)。例如，此域转化可包括从图像域转换到数据域等。同样，可任选地，还可以可任选地输入以下对应的数据(407)，包括以下一项或多项，例如：正向磁偶极核函数、扫描参数约束、空间约束条件、和例外条件约束等，或其任何组合。可对经训练的神经网络的输出进行反向域转换操作(409”)。例如，此反向域转化可包括从数据域转换到图像域等。最后，输出结果所得的经反向域转换的磁化率分布信息(408)。
图5示出了根据本发明一示例性实施例的场分布信息、磁化率分布信息和例外条件约束等。图5中，(a)为计算机模拟与真实头部扫描的场分布信息的示图；(b)为对应的磁化率分布信息的示图；(c)为例外条件(如不规则病灶区域与边界，可能需要人手描定)约束的示图；(d)为空间约束(如大脑蒙版以标记大脑与非大脑的边界)的示图。
图6示出了根据本发明一示例性实施例的用机器学习网络进行磁化率分布定量映射的系统。系统600可包括处理器601和存储器602。系统600还可包括神经网络模块603、输入/输出接口604、(可任选的)域转换模块605等。如本领域普通技术人员所知，神经网络模块603和域转换模块605等可以用各种方式来实现。例如，这些模块可以用软件或固件的方式来实现，包括被实现为存储在存储器602中并由处理器601执行的软件代码等。这些模块也可以用硬件来实现，包括以通用集成电路、专用电路、现场可编程门阵列等来实现。这些模块也可以被实现为单独的硬件装置。上述各组件可以通过例如总线606等来耦合及互相通信。
在一示例性实施例中，输入/输出接口604可被用于输入场分布信息和/或磁化率分布信息，以及(可任选地)输入其他可选数据，并将所输入的信息和数据传递至神经网络模块603，并且可以用于从神经网络模块603输出磁化率分布信息等。神经网络模块603可被用于使用训练数据以及(可任选地)其他数据来进行机器学习，其中训练数据包括场分布信息和磁化率分布信息等，并且在经训练之后可被用于基于所输入的场分布信息来输出对应的磁化率分布信息。域转换模块605可被用于进行所需域之间的转换，例如从数据域到图像域，和/或从图像域到数据域等。
可以理解地，本发明对于神经网络模块603的类型以及内部的网络参数并不做具体限制。在一个实施例中，通过控制机器学习网络训练的算法与输入，可以建立不同涵盖范围的映射网络，例如如可针对头部、肺部、心脏等不同的人体部位的磁化率分布图进行优化生成；再例如，可对不同成分的磁化率源，例如全局与局部场分布信息、高频与低频场分布信息、强磁化率源与弱磁化率源等作为训练数据，生产不同类型的神经网络。
在一个实施例中，经训练的神经网络包括多个，且多个经训练的神经网络分别对应多个部位，例如头部可对应用于头部图像处理的神经网络；肺部可对应用于肺部图像处理的神经网络；心脏可对应用于心脏图像处理的神经网络，不同的神经网络可具有不同的网络参数，即场分布信息与磁化率分布信息的映射关系根据适用部位的不同而具有差异。进一步地，系统600还包括：操作台，所述操作台被配置成可操作地向所述处理器发送所述感兴趣区域的部位信息，根据所述感兴趣区域的部位信息从所述经训练的神经网络中确定至少一者；或者，所述操作台被配置成：显示所述感兴趣区域的磁化率分布信息。
本发明利用机器学习网络训练算法，建立从场分布图到磁化率分布图的映射网络，无需涉及逆向磁偶极核函数，从而完全避免计算模型的本征欠定性带来的影响，实现零伪影、高精度、快速、鲁棒的磁化率定量计算与分析。
本发明中的机器学习网络可以是受约束网络，约束因素包括严格定义的适定数学模型、扫描参数、空间条件约束及例外条件约束等，从而更好地保证学习网络的收敛性和准确性。
本领域普通技术人员应理解，本公开的有益效果并非由任何单个实施例来全部实现。各种组合、修改和替换均为本领域普通技术人员在本公开的基础上所明了。
此外，术语“或”旨在表示包含性“或”而非排他性“或”。即，除非另外指明或从上下文能清楚地看出，否则短语“X”采用“A”或“B”旨在表示任何自然的可兼排列。即，短语“X”采用“A”或“B”藉由以下实例中任何实例得到满足：X采用A；X采用B；或X采用A和B两者。属于“连接”与“耦合”可表示相同含义，表示两器件的电气连接。另外，本申请和所附权利要求书中所用的冠词“一”和“某”一般应当被理解成表示“一个或多个”，除非另外声明或者可从上下文中清楚看出是指单数形式。
各个方面或特征将以可包括数个设备、组件、模块、及类似物的系统的形式来呈现。应理解和领会，各种系统可包括附加设备、组件、模块等，和/或可以并不包括结合附图所讨论的全部设备、组件、模块等。也可以使用这些办法的组合。
结合本文所公开的实施例描述的各种说明性逻辑、逻辑块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其它此类配置。此外，至少一个处理器可包括可作用于执行以上描述的一个或多个步骤和/或动作的一个或多个模块。例如，以上结合各个方法描述的实施例可以通过处理器和耦合到处理器的存储器来实现，其中该处理器可被配置成执行前述任何方法的任何步骤或其任何组合。
此外，结合本文中所公开的方面描述的方法或算法的步骤和/或动作可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。例如，以上结合各个方法描述的实施例可以通过存储有计算机程序代码的计算机可读介质来实现，其中该计算机程序代码在由处理器/计算机执行时执行前述任何方法的任何步骤或其任何组合。
本公开中通篇描述的各种方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且意在被权利要求书所涵盖。此外，本文所公开的任何内容都并非旨在贡献给公众——无论这样的公开是否在权利要求书中被显式地叙述。

Claims (10)

1.一种磁共振成像方法，其特征在于，包括：
获取对象的感兴趣区域的场分布信息；以及
使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息；所述经训练的神经网络包括场分布信息和磁化率分布信息的映射关系；使用训练数据来训练神经网络以获得所述经训练的神经网络，其中，所述训练数据包括用于训练的场分布信息和对应的用于训练的磁化率分布信息；所述训练的场分布信息包括全局场分布信息与局部场分布信息中任一、高频场分布信息与低频场分布信息中任一、和/或强磁化率源与弱磁化率源对应的场分布信息中任一；所述用于训练的磁化率分布信息是根据多角度扫描磁共振磁化率定量成像确定的；
所述经训练的神经网络在训练过程中使用正向磁偶极核函数和感兴趣组织的结构信息作为约束条件，所述正向磁偶极核函数是满置函数，且所述正向磁偶极核函数用于形成局部磁场分布图与磁化率之间的正向偶极模型。
2.如权利要求1所述的方法，其特征在于，还包括：
对所获取的场分布信息进行域转换后再将其输入到所述经训练的神经网络中；并且
所述使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息包括：
对所述经训练的神经网络的输出进行反向域转换操作以得到所述磁化率分布信息。
3.如权利要求1所述的方法，其特征在于，所述用于训练的场分布信息包括磁共振复数图、磁共振相位图、磁共振场分布图中的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述场分布信息是3D数据或2D多层相邻叠加的数据。
5.根据权利要求1所述的方法，其特征在于，所述约束条件还包括扫描参数约束和例外条件约束。
6.根据权利要求5所述的方法，其特征在于，所述扫描参数包括图像扫描平面方向、扫描定位框、扫描序列的翻转角强度和扫描所用的脉冲序列。
7.根据权利要求5所述的方法，其特征在于，所述例外条件约束包括低信号区域、强磁化率区域及边界、场分布突变和非磁化率相关场分布。
8.一种磁共振成像设备，其特征在于，包括：
存储器；以及
处理器，其中
所述处理器通过执行所述存储器中的指令来被配置成：
获取对象的感兴趣区域的场分布信息；以及
使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息；所述经训练的神经网络包括场分布信息和磁化率分布信息的映射关系；使用训练数据来训练神经网络以获得所述经训练的神经网络，其中，所述训练数据包括用于训练的场分布信息和对应的用于训练的磁化率分布信息；所述训练的场分布信息包括全局场分布信息与局部场分布信息中任一、高频场分布信息与低频场分布信息中任一、和/或强磁化率源与弱磁化率源对应的场分布信息中任一；所述用于训练的磁化率分布信息是根据多角度扫描磁共振磁化率定量成像确定的；
所述经训练的神经网络在训练过程中使用正向磁偶极核函数和感兴趣组织的结构信息作为约束条件，所述正向磁偶极核函数是满置函数，且所述正向磁偶极核函数用于形成局部磁场分布图与磁化率之间的正向偶极模型。
9.如权利要求8所述的设备，其特征在于，所述处理器通过执行所述存储器中的指令还被配置成：
对所获取的场分布信息进行域转换后再将其输入到所述经训练的神经网络中；并且
所述使用经训练的神经网络基于所获得的场分布信息来输出所述感兴趣区域的磁化率分布信息包括：
对所述经训练的神经网络的输出进行反向域转换操作以得到所述磁化率分布信息。
10.如权利要求8所述的设备，其特征在于，所述经训练的神经网络包括多个，且多个经训练的神经网络分别对应多个部位，所述设备还包括：
操作台，所述操作台被配置成：
可操作地向所述处理器发送所述感兴趣区域的部位信息，根据所述感兴趣区域的部位信息从所述经训练的神经网络中确定至少一者；
或者，所述操作台被配置成：
显示所述感兴趣区域的磁化率分布信息。
CN201810737109.1A 2018-07-06 2018-07-06 一种磁共振成像方法和设备 Active CN108829639B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810737109.1A CN108829639B (zh) 2018-07-06 2018-07-06 一种磁共振成像方法和设备
US16/231,721 US10638951B2 (en) 2018-07-06 2018-12-24 Systems and methods for magnetic resonance imaging

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810737109.1A CN108829639B (zh) 2018-07-06 2018-07-06 一种磁共振成像方法和设备

Publications (2)

Publication Number Publication Date
CN108829639A CN108829639A (zh) 2018-11-16
CN108829639B true CN108829639B (zh) 2023-10-27

Family

ID=64135981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810737109.1A Active CN108829639B (zh) 2018-07-06 2018-07-06 一种磁共振成像方法和设备

Country Status (2)

Country Link
US (1) US10638951B2 (zh)
CN (1) CN108829639B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US10970911B2 (en) * 2019-02-21 2021-04-06 Facebook Technologies, Llc Graphics processing chip with machine-learning based shader
CN110610529B (zh) * 2019-09-20 2023-01-03 上海联影医疗科技股份有限公司 磁共振扫描仪的主磁场均匀化方法、设备和介质
CN111481827B (zh) * 2020-04-17 2023-10-20 上海深透科技有限公司 定量磁化率成像及用于dbs潜在刺激靶区定位的方法
CN113744586B (zh) * 2020-05-28 2023-05-12 上海联影医疗科技股份有限公司 磁共振成像辅助信息展示方法、装置、设备和存储介质
US20230320611A1 (en) * 2020-08-20 2023-10-12 Cornell University System and method of accurate quantitative mapping of biophysical parameters from mri data
CN112037304B (zh) * 2020-09-02 2023-12-08 上海大学 基于swi相位图像的两阶段的边缘增强qsm重建方法
CN112699938B (zh) * 2020-12-30 2024-01-05 北京邮电大学 一种基于图卷积网络模型的分类方法及装置
KR102481027B1 (ko) * 2021-01-21 2022-12-23 연세대학교 산학협력단 팬텀을 이용한 의료 영상 보정 방법 및 장치
CN112749802B (zh) * 2021-01-25 2024-02-09 深圳力维智联技术有限公司 神经网络模型的训练方法、装置以及计算机可读存储介质
US11436793B1 (en) 2021-02-12 2022-09-06 Facebook Technologies, Llc Systems and methods for graphics rendering based on machine learning
US11940519B2 (en) 2021-04-21 2024-03-26 Siemens Healthineers Ag Method and system for determining a magnetic susceptibility distribution
CN113925509B (zh) * 2021-09-09 2024-01-23 杭州回车电子科技有限公司 基于脑电信号的注意力值计算方法、装置和电子装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680938A (zh) * 2007-05-31 2010-03-24 皇家飞利浦电子股份有限公司 自动采集磁共振图像数据的方法
CN105997074A (zh) * 2016-04-28 2016-10-12 华东师范大学 一种磁共振定量磁化率成像多回波相位拟合方法
CN106772168A (zh) * 2017-02-24 2017-05-31 深圳先进技术研究院 磁共振成像方法及装置
CN107126211A (zh) * 2017-06-07 2017-09-05 上海联影医疗科技有限公司 磁共振成像方法和系统
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
CN107404795A (zh) * 2017-05-23 2017-11-28 上海联影医疗科技有限公司 X射线成像的系统和方法
CN107881318A (zh) * 2017-11-15 2018-04-06 武汉大学 一种优化设计9%Cr热强钢管道焊后热处理分区数量的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60225792T2 (de) * 2002-07-25 2009-04-16 Stryker Leibinger Gmbh & Co. Kg Korrektur von geometrischen Verzerrungen und Intensitätsverzerrungen in MR-Daten
EP2283373B1 (en) 2008-04-28 2021-03-10 Cornell University Accurate quantification of magnetic susceptibility in molecular mri
US9448289B2 (en) 2010-11-23 2016-09-20 Cornell University Background field removal method for MRI using projection onto dipole fields
CN103764025B (zh) * 2011-10-12 2015-12-09 株式会社日立制作所 磁共振成像装置以及磁化率强调图像生成方法
US9612300B2 (en) * 2013-11-25 2017-04-04 Wisconsin Alumni Research Foundation System and method for object-based initialization of magnetic field inhomogeneity in magnetic resonance imaging
JP6618754B2 (ja) * 2015-10-06 2019-12-11 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置、画像処理装置、及び画像処理方法
JP6608764B2 (ja) * 2016-05-25 2019-11-20 株式会社日立製作所 磁気共鳴イメージング装置、磁気共鳴イメージング方法及び磁化率算出プログラム
JP6679467B2 (ja) * 2016-11-07 2020-04-15 株式会社日立製作所 磁気共鳴イメージング装置および酸素摂取率算出方法
CN108714028B (zh) * 2018-04-11 2022-02-25 上海联影医疗科技股份有限公司 一种磁共振成像方法、装置及医学成像系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680938A (zh) * 2007-05-31 2010-03-24 皇家飞利浦电子股份有限公司 自动采集磁共振图像数据的方法
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
CN105997074A (zh) * 2016-04-28 2016-10-12 华东师范大学 一种磁共振定量磁化率成像多回波相位拟合方法
CN106772168A (zh) * 2017-02-24 2017-05-31 深圳先进技术研究院 磁共振成像方法及装置
CN107404795A (zh) * 2017-05-23 2017-11-28 上海联影医疗科技有限公司 X射线成像的系统和方法
CN107126211A (zh) * 2017-06-07 2017-09-05 上海联影医疗科技有限公司 磁共振成像方法和系统
CN107881318A (zh) * 2017-11-15 2018-04-06 武汉大学 一种优化设计9%Cr热强钢管道焊后热处理分区数量的方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"医学图像分析深度学习方法研究与挑战";田娟秀 等;《自动化学报》;20180315;第44卷(第3期);第401-424页 *
A fast calculation method for the magnetic field distribution due to an Arbitrary Distribution of Bulk Susceptibility;Rares Salomir等;《MAGNETIC RESONANCE ENGINEERING》;20031013;第19B卷(第1期);26-34 *
K Hadad 等." SU‐E‐T‐703: An Artificial Neural Network Treatment Planning System Based on Monte Carlo Calculation for VARIAN 2100C LINAC".《Medical Physics》.2011,第38卷(第6期), *
Kasper Gade Bøtker Rasmussen等.DeepQSM - Using Deep Learning to Solve the Dipole Inversion for MRI Susceptibility Mapping.《bioRxiv》.2018,正文第3-4页. *
Quantitative Susceptibility Mapping using Deep Neural Network: QSMnet;Jaeyeon Yoon 等;《arXiv ：1803.05627》;第1-9页 *
定量磁化率成像的基本原理及方法概述;郑志伟等;《磁共振成像》;20160620;第7卷(第6期);454-460 *
田娟秀 等."医学图像分析深度学习方法研究与挑战".《自动化学报》.2018,第44卷(第3期),第401-424页. *

Also Published As

Publication number Publication date
CN108829639A (zh) 2018-11-16
US10638951B2 (en) 2020-05-05
US20200008701A1 (en) 2020-01-09

Similar Documents

Publication Publication Date Title
CN108829639B (zh) 一种磁共振成像方法和设备
Pezzotti et al. An adaptive intelligence algorithm for undersampled knee MRI reconstruction
Onofrey et al. Generalizable multi-site training and testing of deep neural networks using image normalization
KR101627394B1 (ko) 자화율 가중 이미징 및 자화율 매핑(ｓｗｉｍ)을 이용한 핵 자기 공명 영상 생성 방법
Hamilton et al. Machine learning for rapid magnetic resonance fingerprinting tissue property quantification
US20210134028A1 (en) Method and system for simultaneous quantitative multiparametric magnetic resonance imaging (mri)
CN113344799A (zh) 用于使用深度神经网络减少医学图像中的有色噪声的系统和方法
CN103985099B (zh) 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN108375746A (zh) 一种相位反卷折方法与设备
US10627470B2 (en) System and method for learning based magnetic resonance fingerprinting
JPWO2014076808A1 (ja) 磁気共鳴イメージング装置および定量的磁化率マッピング法
JP2021010408A (ja) 医用データ処理装置、医用データ処理方法、医用データ処理プログラム及び磁気共鳴イメージング装置
Liu et al. High-performance rapid MR parameter mapping using model-based deep adversarial learning
Rasch et al. Dynamic MRI reconstruction from undersampled data with an anatomical prescan
WO2021098690A1 (zh) 定量磁共振成像参数确定方法、装置、设备及存储介质
US11875509B2 (en) System and method for determining undersampling errors for a magnetic resonance fingerprinting pulse sequence
CN110060315A (zh) 一种基于人工智能的图像运动伪影消除方法及系统
Wang et al. One for multiple: Physics-informed synthetic data boosts generalizable deep learning for fast MRI reconstruction
CN110992435B (zh) 图像重建方法及设备、成像数据的处理方法及装置
JP2017209288A (ja) 磁気共鳴イメージング装置、磁気共鳴イメージング方法及び磁化率算出プログラム
CN115137347B (zh) 三维超短回波时间磁共振指纹成像的髓鞘定量成像方法
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
CN115861464A (zh) 基于多模mri同步生成的伪ct合成方法
WO2019232437A1 (en) Solid-state mri as a noninvasive alternative to computed tomography (ct)
CN113971706B (zh) 一种快速磁共振智能成像方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant