CN109239631A - 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 PDF

Info

Publication number
CN109239631A
CN109239631A CN201810879064.1A CN201810879064A CN109239631A CN 109239631 A CN109239631 A CN 109239631A CN 201810879064 A CN201810879064 A CN 201810879064A CN 109239631 A CN109239631 A CN 109239631A
Authority
CN
China
Prior art keywords
image
data
spatial data
space
obtains
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
Application number
CN201810879064.1A
Other languages
English (en)
Other versions
CN109239631B (zh
Inventor
黄峰
陈名亮
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 Neusoft Medical Technology Co Ltd
Original Assignee
Shanghai Neusoft Medical Technology 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 Neusoft Medical Technology Co Ltd filed Critical Shanghai Neusoft Medical Technology Co Ltd
Priority to CN201810879064.1A priority Critical patent/CN109239631B/zh
Publication of CN109239631A publication Critical patent/CN109239631A/zh
Priority to US16/529,601 priority patent/US10852376B2/en
Application granted granted Critical
Publication of CN109239631B publication Critical patent/CN109239631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/4824—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a non-Cartesian trajectory
    • G01R33/4826—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a non-Cartesian trajectory in three dimensions
    • 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
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/482—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a Cartesian trajectory
    • G01R33/4822—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a Cartesian trajectory in three dimensions
    • 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
    • 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
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • 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
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • 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
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5619—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences by temporal sharing of data, e.g. keyhole, block regional interpolation scheme for k-Space [BRISK]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请公开了一种磁共振成像方法和装置，该方法利用第一深度神经网络重建出第一图像后，利用第一部分k‑空间数据与从完整k‑空间数据中提取到的第二部分k‑空间数据作差，得到残差k‑空间数据，然后对残差k‑空间数据进行图像重建，得到残差图像，最后将第一图像和残差图像相加，得到磁共振图像。如此，在重建出第一图像后所进行的处理中利用了真实采集的第一部分k‑空间数据，并且将数据保真项的处理过程放在了DNN重建之外，DNN不用考虑数据保真项的处理，降低了复杂度以及网络参数，图像重建速度快。此外，数据保真项的处理过程通过稀疏约束重建完成，无需通过多次迭代，在提高图像重建稳定性的前提下，能够提高重建速度。

Description

一种磁共振成像方法和装置
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，深度神经网络(Deep Neural Networks,以下简称DNN)在近期被应用于磁共振加速成像领域。
在采用DNN用于磁共振成像的过程中，为了使得重建图像尽可能地提供真实可靠诊断信息，目前的通过DNN进行磁共振成像的方法大多采用了数据保真项。数据保真项是为了确保重建出的图像与采集到的k-空间数据尽可能接近。
一种方法是将数据保真项的处理过程直接作为DNN重建的一部分实现，该方法使得DNN的网络参数增加，DNN模型的训练复杂度变大，处理时间变长。
另外一种方法是将数据保真项的处理过程放在DNN重建之外进行迭代的方法实现。但是，当采集加速倍数较高采集到的k空间数据较少时，这种方法需要多次迭代才能收敛，导致重建速度慢或者重建图像质量较差。
发明内容
有鉴于此，本申请提供了一种磁共振成像方法和装置，以实现降低DNN复杂度，减少DNN的网络参数以及在提高图像重建稳定性的前提下，提高重建速度，从而确保重建出的图像能够提供真实诊断信息。
为了达到上述发明目的，本申请采用了如下技术方案：
一种磁共振成像方法，包括：
采用欠采样方式采集k-空间数据，得到第一部分k-空间数据；
根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像；
将所述第一图像映射到k-空间，得到完整k-空间数据；
提取所述完整k-空间数据中的部分k-空间数据，得到第二部分k-空间数据，所述第一部分k-空间数据和所述第二部分k-空间数据在k-空间上分布位置相同；
根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像；
将所述第一图像和所述残差图像相加，得到的结果为磁共振图像。
可选地，所述将所述第一图像映射到k-空间，得到完整k-空间数据，具体包括：
通过傅里叶变换的方式将所述第一图像映射到k-空间，得到完整k-空间数据。
可选地，所述将所述第一图像和所述残差图像相加，得到的结果为磁共振图像之后，所述方法还包括：
将所述磁共振图像进行去噪处理，得到最终磁共振图像。
可选地，将所述磁共振图像进行去噪处理，具体为：
采用第二深度神经网络对所述磁共振图像进行去噪处理，得到所述最终磁共振图像。
可选地，所述根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像，具体包括：
对所述第二部分k-空间数据与所述第一部分k-空间数据进行作差，得到残差k-空间数据；
对所述残差k-空间数据进行稀疏约束重建，得到残差图像。
可选地，所述对所述残差k-空间数据进行稀疏约束重建，得到残差图像，具体包括：
以图像支持域为正则化项，结合并行成像方式对所述残差k-空间数据进行稀疏约束重建，得到残差图像。
可选地，所述根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像，具体为：
采用显式解析解成像方法对所述第一部分k-空间数据进行部分重建，得到第二图像；
根据所述第一深度神经网络对所述第二图像进行完全重建，得到第一图像。
一种磁共振成像装置，包括：
采集单元，用于采用欠采样方式采集k-空间数据，得到第一部分k-空间数据；
第一重建单元，用于根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像；
映射单元，用于将所述第一图像映射到k-空间，得到完整k-空间数据；
提取单元，用于提取所述完整k-空间数据中的部分k-空间数据，得到第二部分k-空间数据，所述第一部分k-空间数据和所述第二部分k-空间数据在k-空间分布位置相同；
第二重建单元，用于根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像；
计算单元，将所述第一图像和所述残差图像相加，得到的结果为磁共振图像。
可选地，所述映射单元，具体用于通过傅里叶变换的方式将所述第一图像映射到k-空间，得到完整k-空间数据。
可选地，所述装置还包括：
去噪单元，用于将所述磁共振图像进行去噪处理，得到最终磁共振图像。
可选地，所述去噪单元，具体用于采用第二深度神经网络对所述磁共振图像进行去噪处理，得到所述最终磁共振图像。
可选地，所述第二重建单元具体包括：
作差子单元，用于对所述第二部分k-空间数据与所述第一部分k-空间数据进行作差，得到残差k-空间数据；
稀疏约束重建子单元，用于对所述残差k-空间数据进行稀疏约束重建，得到残差图像。
相较于现有技术，本申请具有以下有益效果：
基于以上技术方案可知，本申请提供的磁共振成像方法中，在利用第一深度神经网络重建出第一图像后，利用欠采的第一部分k-空间数据与从由第一图像映射到的完整k-空间数据中提取到的第二部分k-空间数据作差，得到残差k-空间数据，然后对残差k-空间数据进行图像重建，得到残差图像，最后将第一图像和残差图像相加，得到的结果为磁共振图像。
如此，在该方法中，在重建出第一图像后所进行的处理操作中利用到了真实采集的第一部分k-空间数据，该第一部分k-空间数据为数据保真项。在该方法中，将数据保真项的处理过程放在了DNN重建之外，因而，该第一深度神经网络不用考虑数据保真项的处理问题，因而，该第一深度神经网络的的复杂度不高，网络参数较少，所以，图像重建速度快。
此外，在本申请实施例中，DNN重建的第一图像用于产生残差k-空间，残差k-空间对应的信息即DNN重建的图像和实际采集的k空间之间的误差信息，所以对该残差k-空间进行图像重建后，无论DNN重建的结果如何，都会把相应的差别信息重建出来。通过将该差别信息加上DNN重建的图像，则能保证图像重建的准确和稳定。因而，该方法能够确保重建出的图像能够提供真实诊断信息。
此外，在本申请提供的磁共振成像方法中，数据保真项的处理过程通过稀疏约束重建完成，无需通过多次迭代即可实现，因而，该方法在提高图像重建稳定性的前提下，能够提高重建速度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，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它的附图。
图1为现有技术磁共振成像示例图；
图2为本申请实施例提供的磁共振成像方法的实现框架图；
图3为本申请实施例提供的一种磁共振成像方法流程图；
图4为本申请实施例提供的一种磁共振成像效果对比示意图；
图5为本申请实施例提供的执行磁共振成像方法的控制设备的结构示意图；
图6为本申请实施例提供的一种磁共振成像装置结构图。
具体实施方式
为便于理解本申请提供的技术方案，下面对本申请技术方案的背景技术进行简单说明。
发明人对传统的磁共振成像进行研究发现，传统的磁共振成像方法中，对数据保真项的处理包括两种方式：第一种：将数据保真项放在DNN模型内处理，第二种：将数据保真项放在DNN重建之外通过迭代过程实现。
第一种处理方式的具体实现如下：欠采k-空间数据作为数据保真项，其直接作为DNN重建的一部分实现图像重建，该方式增加了DNN网络参数，使得DNN的训练复杂度变大，处理时间变长。
第二种处理方式的具体实现方式如图1所示。首先，欠采k-空间数据经过并行重建获得图像1；然后，图像1经过DNN重建获得图像2；再通过傅里叶变换的方法将图像2映射到k-空间，得到完整k-空间数据，该完整k-空间数据包括采集区域数据和非采集区域数据；为保证数据的真实性，将完整k-空间中采样区域数据替换为欠采k-空间数据，并对完整k-空间数据进行图像重建，得到图像3，然后，将图像3输入到DNN模型中，继续进行DNN重建，进行下一次迭代过程。如此经过多次迭代，直至收敛。然而，在该方法中，当采集加速倍数较高采集到的k-空间数据较少时，这种方法需要多次迭代才能收敛，导致重建速度或者重建图像质量较差。
为此，发明人经过研究，提出了一种磁共振成像方法。该磁共振成像方法的原理示意图如图2所示。首先，采用本领域常规的欠采样方式采集k-空间数据，得到第一部分k-空间数据；
然后通过并行成像或者经过并行成像和半傅里叶成像方法对第一部分k-空间数据进行部分重建得到部分重建图像；
再经过DNN完全重建后得到第一图像，将第一图像通过傅里叶变换方式进行映射，得到完整k-空间数据，该完整k-空间数据包括采集区域数据和非采集区域数据；
然后从完整k-空间数据中提取部分k-空间数据，得到第二部分k-空间数据，该第二部分k-空间数据在k空间的位置与第一部分k-空间数据在k空间的位置相同；
再将第二部分k-空间数据与第一部分k-空间数据进行作差，得到残差k-空间数据；
然后对残差k-空间数据进行稀疏约束重建，得到残差图像；
最后将第一图像和残差图像相加，得到的结果为磁共振图像。
进一步地，为了提高最终重建出的磁共振图像的质量，在将第一图像和残差图像相加得到磁共振图像之后，还可以包括：
对磁共振图像进行去噪和/或提高图像分辨率的处理，该处理后的图像作为最终重建的磁共振图像。
在本申请提供的方法中，不仅包括DNN重建过程，还包括对重建后的图像进行数据保真项的处理过程。由上可知，在该方法中，将数据保真项的处理过程放在了DNN重建之外，因而，该第一深度神经网络不用考虑数据保真项的处理问题，因而，该第一深度神经网络的的复杂度不高，网络参数较少，所以，图像重建速度快。
此外，在本申请实施例中，当DNN重建的第一图像用于产生残差k-空间，残差k-空间对应的信息即DNN重建的图像和实际采集的k空间之间的误差信息，所以对该残差k-空间进行稀疏约束重建后，无论DNN重建的结果如何，都会把相应的差别信息重建出来。通过将该差别信息加上DNN重建的图像，则能保证图像重建的准确和稳定。因而，该方法能够确保重建出的图像能够提供真实诊断信息。
此外，在本申请提供的磁共振成像方法中，数据保真项的处理过程通过稀疏约束重建完成，无需通过多次迭代即可实现，因而，该方法在提高图像重建稳定性的前提下，能够提高重建速度。
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)。
深度神经网络是一种利用多层简单函数，逼近难以显式表达函数的方法，多层简单函数的参数可以由训练数据集训练得到。具体是通过训练多组输入数据和期望输出结果之间的关系，从而得到一个能够准确描述输入数据与期望输出结果的关系。
DNN重建图像是利用预先训练好的DNN对磁共振图像进行重建。
部分重建，是指重建出的图像不是完整k-空间内的图像，而是部分k-空间中的图像。也就是说，部分重建拟合出k-空间中的部分未采集数据，而非全部采集数据。例如，设定k-空间包括256行相位编码线，则采集的k-空间为第1行、第5行、……、第4n+1行相位编码线的数据，则经过部分重建后，拟合出第2行、第6行、……、第4n+2行相位编码线的数据，而没有拟合第4n+3行以及第4n+4行相位编码线的数据。
需要说明的是，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第一深度神经网络进行图像重建，因此，在利用第一深度神经网络进行图像重建之前，需要训练出第一深度神经网络。
该第一深度神经网络可以由满采或超满采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，该特定部分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。
当然，为提高第一深度神经网络重建的准确度，还可以不断利用新的训练样本对其进行训练，以不断更新第一深度神经网络，进而提高图像重建的质量。
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。
为便于本领域技术人员对本申请技术方案的理解，下面将结合附图对本申请提供的磁共振成像方法进行详细描述。
参见图3，该图为本申请实施例提供的一种磁共振成像方法流程图，该方法可以包括以下步骤：
S301：采用欠采样方式采集k-空间数据，得到第一部分k-空间数据。
本实施例为实现磁共振成像，需要首先获取k-空间数据。
为了加快磁共振成像速度，可以采用欠采样方式即部分采样或降采样方式采集k-空间数据。利用欠采样方式对k-空间数据进行部分采集，得到第一部分k-空间数据，以便用于后续的图像重建。欠采样的方式可以有多种，比如随机欠采样、变距离欠采样，等距离欠采样以及半傅里叶欠采样等等。
以等距离欠采样为例，若采样的加速倍数(又称加速因子)为2，则可以每隔一行或一列获取数据，由于采集数据量缩减，由此，实现采集速度的提升。
以半傅里叶欠采样方式为例，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。
作为二维磁共振成像的示例，若半傅里叶采样方式的采样率为0.8，则将沿着相位编码方向连续的80％的k-空间区间作为采样区域。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第一欠采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x轴和y轴方向使用半傅里叶采样，比如半傅里叶采样方式的采样率分别为0.8和0.9，则在两个相位编码方向构成的夹角内连续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第一欠采k-空间采集数据。
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第一欠采k-空间采集数据。
S302：根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像。
需要说明的是，在磁共振成像领域，显式解析解成像方法例如并行成像方法是基于多通道线圈提供的冗余信息实现的，DNN重建图像是基于对先验知识的应用实现。如此，显式解析解成像和DNN重建图像所基于的信息不同，因此，可以将两种成像方法相继结合在一起使用，以发挥各自的优势，提高重建图像质量和重建速度。
因而，为了提高图像重建速度以及图像重建质量，作为S302的一种可选实现方式，S302可以具体包括以下步骤：
A1：采用显式解析解成像方法对所述第一部分k-空间数据进行部分重建，得到第二图像。
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显式解析解成像方法。
作为一种示例，当采用随机降采样方式或变密度降采样方式得到第一部分k-空间数据时，本步骤可使用GRAPPA方法对第一部分k-空间数据进行部分重建，得到第二图像。
作为另一种示例，当采用等密度降采样方式得到第一部分k-空间数据时时，可使用SENSE对k-空间采集数据进行部分重建，得到第二图像。
在步骤A1中，利用显式解析解成像方法对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％，则部分重建可以重建到60％的数据量，无需重建到100％的数据量。因此，该部分重建方式能够有效节省磁共振成像的时间。
A2：根据所述第一深度神经网络对所述第二图像进行完全重建，得到第一图像。
本步骤可以具体为：将第二图像输入到第一深度神经网络中，运行第一深度神经网络，通过第一深度神经网络对第二图像进行完全重建，得到第一图像。
在上述S302的具体实现方式中，利用DNN和显式解析解成像方法结合的方式共同完整图像的重建，并且，为了发挥显式解析解成像方法和DNN重建图像的优势，显式解析解成像方法可以完成一部分图像重建过程，而DNN重建图像方法可以完成剩余部分的图像重建过程。比如，设定欠采样采集的第一部分k-空间数据通过显式解析解成像方法重建出40％的k-空间数据，再利用该40％的k-空间数据通过DNN重建出100％k-空间数据及其对应的第一图像。
更具体地，当显式解析解成像方法包括并行成像方法和半傅里叶成像方法时，还可以结合半傅里叶成像方法实现图像的重建，以解决处理影响磁共振成像过程中影响图像质量的问题。为了发挥并行成像方法、半傅里叶重建图像和第一深度神经网络重建图像各自优势，可以先利用并行成像方法和半傅里叶成像方法完成部分图像重建过程，再利用DNN重建图像方法完整剩余部分图像的重建过程。上述例子具体可以为：第一部分k-空间数据为20％的完整k-空间数据，则将采集到的20％的第一部分k-空间数据通过并行成像方法重建出40％的k-空间数据，然后，将重建出的40％的k-空间数据通过半傅里叶方法得到50％的k-空间数据，最后将该50％的k-空间数据通过第一深度神经网络，重建出100％的k-空间数据及其对应的第一图像。
在S302的上述实现方式中，先通过显式解析解成像方法对第一部分k-空间数据进行部分重建，然后再利用第一深度神经网络对部分重建图像进行完全重建。实际上，作为S302的另一可选实施例，也可以先利用第一深度神经网络先对第一欠采k-空间数据进行部分重建，然后再通过显式解析解成像方法对部分重建图像进行完全重建。
S303：将所述第一图像映射到k-空间，得到完整k-空间数据。
通过步骤S302可知，通过第一深度神经网络图像重建后，得到的第一图像所包含的数据为100％的k-空间数据，因此，通过将第一图像映射，可得到完整的k-空间数据。
作为S303的一种实现方式，为了提高后续重建的磁共振图像的保真度，S303可以通过傅里叶变换的方式将所述第一图像映射到k-空间，得到完整k-空间数据。
其中，通过傅里叶变换的方式将第一图像映射到k-空间的具体方式可以如下：可以将第一图像与线圈敏感度地图进行相乘，得到的乘积即为每个线圈的每一通道的k-空间数据，即完整k-空间数据。
该完整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。该完整k-空间数据为利用第一深度神经网络进行图像重建对应的重建数据。
S304：提取所述完整k-空间数据中的部分k-空间数据，得到第二部分k-空间数据。
为了后续对作为数据保真项的k-空间采集数据的处理，本步骤可以具体为：提取k-空间的采样区域的k-空间数据，得到第二部分k-空间数据。该第二部分k-空间数据在k-空间上分布位置与第一部分k-空间数据在k-空间上分布位置相同。
比如，设定欠采样方式为等距离欠采样方式，降采样倍数为4，k-空间包括256行相位编码线，第一部分k-空间数据为第1行、第5行、……、第4n+1行相位编码线上的数据。则相应地，S304需要从上述映射到的完整k-空间数据中提取出第1行、第5行、……、第4n+1行相位编码线上的数据，从而得到第二部分k-空间数据。
S305：根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像。
为了提高残差图像的重建速率和重建质量，作为一示例，S305可以具体包括以下步骤：
S3051：对所述第二部分k-空间数据与所述第一部分k-空间数据进行作差，得到残差k-空间数据。
需要说明，第二部分k-空间数据为由第一深度神经网络重建得到的数据，而第一部分k-空间数据是实际采集得到的数据。因此，两者存在一定差别。为了保证后续重建得到的图像的真实性，本步骤对第二部分k-空间数据与第一部分k-空间数据进行作差，得到残差k-空间数据。
比如，第二部分k-空间数据为A，第一部分k-空间数据为B，残差k-空间数据为C，则C＝A-B。
需要说明的是，残差k-空间数据的特点与第一深度神经网络重建的结果有关，当第一深度神经网络重建的第一图像接近于真实图像时，则残差k-空间对应的数据稀疏；当第一深度神经网络重建的第一图像偏离真实图像时，则残差k-空间对应的数据稠密。
S3052：对残差k-空间数据进行稀疏约束重建，得到残差图像。
为了充分地使用图像支持域，采集到的k-空间，线圈敏感度地图等数据保真项，本步骤可以具体为：以图像支持域为正则化项，结合并行成像方式对残差k-空间数据进行稀疏约束重建，得到残差图像。作为示例，该稀疏约束重建可以根据以下公式：
式中，E为磁共振信号编码运算符，为数据吻合项，为能量约束项，α是非负参数，用于平衡数据吻合项和能量约束项；
为残差图像；
为S3051计算得到的残差k-空间，
为对残差图像经过傅里叶变换，由残差图像映射到的残差k-空间。
QBC为图像支持域；
在进行稀疏约束重建时，其实际就是通过最小化m，从而获得对应的值。
该图像支持域可以为由体线圈采集到的k-空间数据进行图像重建后得到的图像。根据该图像支持域可以确定出有效的图像区域，也可以理解为，根据该该图像支持域可以确定出扫描对象对应的图像轮廓。
本实施例中，利用稀疏约束重建方法对残差k-空间数据进行图像重建，得到残差图像，当第一深度神经网络重建的第一图像接近于真实图像时，则残差k-空间对应的数据稀疏，则稀疏约束重建后的图像具有较高的信噪比；当第一深度神经网络重建的第一图像偏离真实图像时，则残差k-空间对应的数据稠密，此时稀疏约束重建后的图像不具有较高的信噪比，但可以保证图像的真实性。
S306：将所述第一图像和所述残差图像相加，得到的结果为磁共振图像。
本实施例中，当稀疏约束重建后的残差图像具有较高的信噪比时，则经过与第一图像进行相加，得到的磁共振图像也具有较高的信噪比，从而可以为医生提供高质量的磁共振图像，提供较多的诊断信息，以使得医生能够对病人的病灶进行准确诊断。当稀疏约束重建后的残差图像能够反映图像的真实性时，由第一图像与残差图像相加得到的磁共振图像，保证提供的磁共振图像的真实性。
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。通过本实施例提供的磁共振成像方法，在利用第一深度神经网络重建出第一图像后，利用欠采的第一部分k-空间数据与从由第一图像映射到的完整k-空间数据中提取到的第二部分k-空间数据作差，得到残差k-空间数据，然后对残差k-空间数据进行稀疏约束重建，得到残差图像，最后将第一图像和残差图像相加，得到的结果为磁共振图像。
如此，在该方法中，在重建出第一图像后所进行的处理操作中利用到了真实采集的第一部分k-空间数据，该第一部分k-空间数据为数据保真项。因而，在该方法中，将数据保真项的处理过程放在了DNN重建之外，因而，该第一深度神经网络不用考虑数据保真项的处理问题，因而，该第一深度神经网络的的复杂度不高，网络参数较少，所以，图像重建速度快。
此外，在本申请实施例中，当DNN重建的第一图像用于产生残差k-空间，残差k-空间对应的信息即DNN重建的图像和实际采集的k空间之间的误差信息，所以对该残差k-空间进行稀疏约束重建后，无论DNN重建的结果如何，都会把相应的差别信息重建出来。通过将该差别信息加上DNN重建的图像，则能保证图像重建的准确和稳定。因而，该方法能够确保重建出的图像能够提供真实诊断信息。
此外，在本申请提供的磁共振成像方法中，数据保真项的处理过程通过稀疏约束重建完成，无需通过多次迭代即可实现，因而，该方法在提高图像重建稳定性的前提下，能够提高重建速度。
作为上述磁共振成像的一可选实施方式，在第一图像和残差图像相加得到磁共振图像后，为了提高图像质量，例如降低图像的噪声和提高图像的分辨率，还可以包括以下步骤：
将磁共振图像进行去噪处理，得到最终磁共振图像。
由于深度神经网络在超分辨率、去噪等方面具有较好的优势，因此，可以利用深度神经网络去噪。
如此，作为本步骤的一可选方式，可以采用第二深度神经网络对所述磁共振图像进行去噪处理，得到最终磁共振图像。
实际应用时，可以将S306得到的磁共振图像作为第二深度神经网络的输入，通过第二深度神经网络处理，以解决磁共振图像中噪声高、分辨率低的问题，提高最终磁共振图像的质量。
其中，第二深度神经网络是已经训练好的网络，其可以对输入的图像进行去噪处理。
需要说明，在本申请实施例中，第一深度神经网络和第二深度神经网络为不同的深度神经网络。
为了验证本申请实施例提供的磁共振成像方法的效果，本申请实施例还做了以下对比试验结果。该对比试验结果是以采集8通道头部线圈的数据为例，采样方式为等距离欠采样和半傅里叶采样相结合。其中，等距离降采样的采样加速倍数为4，半傅里叶采集完整k-空间中的72％的数据，得到的总加速倍数为5.5。以该采样方式得到的k-空间数据通过不同的图像重建方法进行图像重建，最终得到的磁共振图像如图4所示。
图4所示的采用不同方法重建的图像对比示意图，图4中，A为通过满采样的方式采集数据重建得到的图像，B为利用并行成像方法和半傅里叶成像方法重建得到的图像，C为仅利用深度神经网络重建得到的图像，D为利用本申请提供的成像方法得到的图像。通过附图可以看出，利用本申请得到的图像相比于传统的并行成像方法加半傅里叶重建得到的图像即图B大大降低了噪声，和不用数据保真项的深度神经网络重建得到的图像即图C相比，大大提高了图像的锐利度，图像更加真实、自然。
上述实施例提供的磁共振成像方法可以由图5所示的控制设备执行。图5所示的控制设备包括处理器(processor)510，通信接口(Communications Interface)520，存储器(memory)530，总线540。处理器510，通信接口520，存储器530通过总线540完成相互间的通信。
其中，存储器530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510可以调用执行存储器530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。
下面将结合附图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。
参见图6，该图为本申请实施例提供的一种磁共振成像装置，该装置包括：
采集单元601，用于采用欠采样方式采集k-空间数据，得到第一部分k-空间数据；
第一重建单元602，用于根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像；
映射单元603，用于将所述第一图像映射到k-空间，得到完整k-空间数据；
提取单元604，用于提取所述完整k-空间数据中的部分k-空间数据，得到第二部分k-空间数据，所述第一部分k-空间数据和所述第二部分k-空间数据在k-空间分布位置相同；
第二重建单元605，用于根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像；
计算单元606，将所述第一图像和所述残差图像相加，得到的结果为磁共振图像。
作为一示例，第二重建单元605可以具体包括：
作差子单元，用于对所述第二部分k-空间数据于所述第一部分k-空间数据进行作差，得到残差k-空间数据；
稀疏约束重建子单元，用于对所述残差k-空间数据进行稀疏约束重建，得到残差图像；
在一些实施方式中，所述映射单元，具体用于通过傅里叶变换的方式将所述第一图像映射到k-空间，得到完整k-空间数据。
在一些实施方式中，所述装置还可以包括：
去噪单元，用于将所述磁共振图像进行去噪处理，得到最终磁共振图像。
在一些实施方式中，所述去噪单元，具体用于采用第二深度神经网络对所述磁共振图像进行去噪处理，得到所述最终磁共振图像。
在一些实施方式中，所述第二重建单元，具体用于以图像支持域为正则项，对所述残差k-空间数据进行稀疏约束重建，得到残差图像。
在一些实施方式中，所述第一重建单元包括：第一重建子单元和第二重建子单元；所述第一重建子单元，用于采用显式解析解成像方法对所述第一部分k-空间数据进行部分重建，得到第二图像；所述第二重建子单元，用于根据所述第一深度神经网络对所述第二图像进行完全重建，得到第一图像。
需要说明的是，本实施例中各模块或单元的具体实现和功能可以参见图1所示方法，在此不再赘述。
通过本实施例提供的装置，在利用第一深度神经网络重建出第一图像后，利用欠采的第一部分k-空间数据与从由第一图像映射到的完整k-空间数据中提取到的第二部分k-空间数据作差，得到残差k-空间数据，然后对残差k-空间数据进行稀疏约束重建，得到残差图像，最后将第一图像和残差图像相加，得到的结果为磁共振图像。如此，在该装置中，在重建出第一图像后所进行的处理操作中利用到了真实采集的第一部分k-空间数据，该第一部分k-空间数据为数据保真项。因而，在该装置中，将数据保真项的处理过程放在了DNN重建之外，因而，该第一深度神经网络不用考虑数据保真项的处理问题，因而，该第一深度神经网络的的复杂度不高，网络参数较少，所以，图像重建速度快。此外，在本申请实施例中，当DNN重建的第一图像用于产生残差k-空间，所以第一图像不会影响到最终重建图像的真实性，因而，该装置能够确保重建出的图像能够提供真实诊断信息。此外，在本申请提供的磁共振成像装置中，数据保真项的处理过程通过稀疏约束重建完成，无需通过多次迭代即可实现，因而，该装置在提高图像重建稳定性的前提下，能够提高重建速度。
以上所述，仅是本发明的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。

Claims (12)

1.一种磁共振成像方法，其特征在于，包括：
采用欠采样方式采集k-空间数据，得到第一部分k-空间数据；
根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像；
将所述第一图像映射到k-空间，得到完整k-空间数据；
提取所述完整k-空间数据中的部分k-空间数据，得到第二部分k-空间数据，所述第一部分k-空间数据和所述第二部分k-空间数据在k-空间上分布位置相同；
根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像；
将所述第一图像和所述残差图像相加，得到的结果为磁共振图像。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一图像映射到k-空间，得到完整k-空间数据，具体包括：
通过傅里叶变换的方式将所述第一图像映射到k-空间，得到完整k-空间数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述第一图像和所述残差图像相加，得到的结果为磁共振图像之后，所述方法还包括：
将所述磁共振图像进行去噪处理，得到最终磁共振图像。
4.根据权利要求3所述的方法，其特征在于，将所述磁共振图像进行去噪处理，具体为：
采用第二深度神经网络对所述磁共振图像进行去噪处理，得到所述最终磁共振图像。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像，具体包括：
对所述第二部分k-空间数据与所述第一部分k-空间数据进行作差，得到残差k-空间数据；
对所述残差k-空间数据进行稀疏约束重建，得到残差图像。
6.根据权利要求5所述的方法，其特征在于，所述对所述残差k-空间数据进行稀疏约束重建，得到残差图像，具体包括：
以图像支持域为正则化项，结合并行成像方式对所述残差k-空间数据进行稀疏约束重建，得到残差图像。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像，具体为：
采用显式解析解成像方法对所述第一部分k-空间数据进行部分重建，得到第二图像；
根据所述第一深度神经网络对所述第二图像进行完全重建，得到第一图像。
8.一种磁共振成像装置，其特征在于，包括：
采集单元，用于采用欠采样方式采集k-空间数据，得到第一部分k-空间数据；
第一重建单元，用于根据第一深度神经网络和所述第一部分k-空间数据进行图像重建，得到第一图像；
映射单元，用于将所述第一图像映射到k-空间，得到完整k-空间数据；
提取单元，用于提取所述完整k-空间数据中的部分k-空间数据，得到第二部分k-空间数据，所述第一部分k-空间数据和所述第二部分k-空间数据在k-空间分布位置相同；
第二重建单元，用于根据所述第一部分k空间数据和所述第二部分k空间数据，重建得到残差图像；
计算单元，将所述第一图像和所述残差图像相加，得到的结果为磁共振图像。
9.根据权利要求8所述的装置，其特征在于，所述映射单元，具体用于通过傅里叶变换的方式将所述第一图像映射到k-空间，得到完整k-空间数据。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：
去噪单元，用于将所述磁共振图像进行去噪处理，得到最终磁共振图像。
11.根据权利要求10所述的装置，其特征在于，所述去噪单元，具体用于采用第二深度神经网络对所述磁共振图像进行去噪处理，得到所述最终磁共振图像。
12.根据权利要求8-11任一项所述的装置，其特征在于，所述第二重建单元具体包括：
作差子单元，用于对所述第二部分k-空间数据与所述第一部分k-空间数据进行作差，得到残差k-空间数据；
稀疏约束重建子单元，用于对所述残差k-空间数据进行稀疏约束重建，得到残差图像。
CN201810879064.1A 2018-08-03 2018-08-03 一种磁共振成像方法和装置 Active CN109239631B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810879064.1A CN109239631B (zh) 2018-08-03 2018-08-03 一种磁共振成像方法和装置
US16/529,601 US10852376B2 (en) 2018-08-03 2019-08-01 Magnetic resonance imaging method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810879064.1A CN109239631B (zh) 2018-08-03 2018-08-03 一种磁共振成像方法和装置

Publications (2)

Publication Number Publication Date
CN109239631A true CN109239631A (zh) 2019-01-18
CN109239631B CN109239631B (zh) 2021-02-23

Family

ID=65070485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810879064.1A Active CN109239631B (zh) 2018-08-03 2018-08-03 一种磁共振成像方法和装置

Country Status (2)

Country Link
US (1) US10852376B2 (zh)
CN (1) CN109239631B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903354A (zh) * 2019-02-20 2019-06-18 南方医科大学 一种基于人工稀疏的动态磁共振图像重建方法及系统
CN110146835A (zh) * 2019-05-22 2019-08-20 山东颐邦齐鲁医生集团管理有限公司 一种基于并行成像的自导航磁共振图像重建方法及装置
CN111091517A (zh) * 2019-12-26 2020-05-01 东软医疗系统股份有限公司 一种残差加权成像方法和装置
CN112213673A (zh) * 2020-09-07 2021-01-12 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统
CN114325524A (zh) * 2020-09-29 2022-04-12 上海联影医疗科技股份有限公司 磁共振图像重建方法、装置、系统及存储介质
US20220179029A1 (en) * 2020-12-08 2022-06-09 Siemens Healthcare Gmbh Method for capturing mr data

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359076B (zh) * 2020-03-06 2022-09-27 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
US11885862B2 (en) 2020-10-28 2024-01-30 GE Precision Healthcare LLC Deep learning based magnetic resonance imaging (MRI) examination acceleration
WO2023114317A1 (en) * 2021-12-14 2023-06-22 Regents Of The University Of Minnesota Noise-suppressed nonlinear reconstruction of magnetic resonance images
CN115830172B (zh) * 2023-02-20 2023-05-09 泰山学院 迭代细化压缩感知欠采样磁共振图像重构方法、重构系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646410A (zh) * 2013-11-27 2014-03-19 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN104434108A (zh) * 2014-12-09 2015-03-25 中国科学院武汉物理与数学研究所 一种基于相邻层信息和欠采样的多层磁共振快速成像方法
CN106970343A (zh) * 2017-04-11 2017-07-21 深圳先进技术研究院 一种磁共振成像方法及装置
CN107576925A (zh) * 2017-08-07 2018-01-12 上海东软医疗科技有限公司 磁共振多对比度图像重建方法和装置
CN108010094A (zh) * 2017-10-23 2018-05-08 上海东软医疗科技有限公司 一种磁共振图像重建方法和装置
CN108287324A (zh) * 2018-01-03 2018-07-17 上海东软医疗科技有限公司 磁共振多对比度图像的重建方法和装置
CN108324276A (zh) * 2018-01-11 2018-07-27 上海东软医疗科技有限公司 磁共振成像方法和装置
CN108335339A (zh) * 2018-04-08 2018-07-27 朱高杰 一种基于深度学习和凸集投影的磁共振重建方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101828126A (zh) * 2007-08-24 2010-09-08 皇家飞利浦电子股份有限公司 涉及诸如匙孔和运动校正的动态简档共享的mri
US7592808B1 (en) * 2008-05-06 2009-09-22 General Electric Company System and method for reducing MR scan time using partial fourier acquisition and compressed sensing
US20140070804A1 (en) * 2011-03-17 2014-03-13 Koninklijke Philips N.V. Mri method of faster channel-by-channel reconstruction without image degradation
US20190351261A1 (en) * 2018-05-18 2019-11-21 Yoav Levy Selective resampling during non-invasive therapy
JP7140551B2 (ja) * 2018-05-28 2022-09-21 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、処理装置、および医用画像処理方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646410A (zh) * 2013-11-27 2014-03-19 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN104434108A (zh) * 2014-12-09 2015-03-25 中国科学院武汉物理与数学研究所 一种基于相邻层信息和欠采样的多层磁共振快速成像方法
CN106970343A (zh) * 2017-04-11 2017-07-21 深圳先进技术研究院 一种磁共振成像方法及装置
CN107576925A (zh) * 2017-08-07 2018-01-12 上海东软医疗科技有限公司 磁共振多对比度图像重建方法和装置
CN108010094A (zh) * 2017-10-23 2018-05-08 上海东软医疗科技有限公司 一种磁共振图像重建方法和装置
CN108287324A (zh) * 2018-01-03 2018-07-17 上海东软医疗科技有限公司 磁共振多对比度图像的重建方法和装置
CN108324276A (zh) * 2018-01-11 2018-07-27 上海东软医疗科技有限公司 磁共振成像方法和装置
CN108335339A (zh) * 2018-04-08 2018-07-27 朱高杰 一种基于深度学习和凸集投影的磁共振重建方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903354A (zh) * 2019-02-20 2019-06-18 南方医科大学 一种基于人工稀疏的动态磁共振图像重建方法及系统
CN110146835A (zh) * 2019-05-22 2019-08-20 山东颐邦齐鲁医生集团管理有限公司 一种基于并行成像的自导航磁共振图像重建方法及装置
CN110146835B (zh) * 2019-05-22 2021-09-07 山东颐邦齐鲁医生集团管理有限公司 一种基于并行成像的自导航磁共振图像重建方法及装置
CN111091517A (zh) * 2019-12-26 2020-05-01 东软医疗系统股份有限公司 一种残差加权成像方法和装置
CN111091517B (zh) * 2019-12-26 2023-05-02 东软医疗系统股份有限公司 一种残差加权成像方法和装置
CN112213673A (zh) * 2020-09-07 2021-01-12 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统
CN112213673B (zh) * 2020-09-07 2022-11-22 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统
CN114325524A (zh) * 2020-09-29 2022-04-12 上海联影医疗科技股份有限公司 磁共振图像重建方法、装置、系统及存储介质
CN114325524B (zh) * 2020-09-29 2023-09-01 上海联影医疗科技股份有限公司 磁共振图像重建方法、装置、系统及存储介质
US20220179029A1 (en) * 2020-12-08 2022-06-09 Siemens Healthcare Gmbh Method for capturing mr data

Also Published As

Publication number Publication date
US20200041592A1 (en) 2020-02-06
US10852376B2 (en) 2020-12-01
CN109239631B (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN109239631A (zh) 一种磁共振成像方法和装置
Ghodrati et al. MR image reconstruction using deep learning: evaluation of network structure and loss functions
US20210334960A1 (en) Systems and Methods for Analyzing Perfusion-Weighted Medical Imaging Using Deep Neural Networks
CN108957375B (zh) 磁共振成像方法、装置、设备及存储介质
CN108896943A (zh) 一种磁共振定量成像方法和装置
Gramfort et al. Denoising and fast diffusion imaging with physically constrained sparse dictionary learning
CN105957117B (zh) 并行磁共振的图像重建方法、装置及并行磁共振成像系统
CN106491131A (zh) 一种磁共振的动态成像方法和装置
CN101573629A (zh) 利用相衬合成图像进行高度约束反投影重建的对比增强磁共振血管造影
CN108814603A (zh) 一种磁共振成像方法和装置
CN110338795A (zh) 一种径向黄金角磁共振心脏电影成像方法、装置和设备
CN108010094A (zh) 一种磁共振图像重建方法和装置
US7495440B2 (en) Q-space sampling method and diffusion spectrum imaging method employing the same
CN108287324A (zh) 磁共振多对比度图像的重建方法和装置
CN108776318A (zh) 磁共振多对比度图像重建
CN109493394A (zh) 磁共振成像获得深度学习训练集的方法、重建方法和装置
CN107205686A (zh) 去除在磁共振成像的重影伪影的方法及为此的磁共振装置
CN103876739A (zh) 用于并行成像应用的多阶段磁共振重建
CN110942496A (zh) 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统
CN110246200A (zh) 磁共振心脏电影成像方法、装置及磁共振扫描仪
CN113298901B (zh) 卷褶视野磁共振图像的重建方法、计算机设备及存储介质
CN111612867B (zh) 运动伪影校正方法、装置、计算机设备和可读存储介质
CN103236049B (zh) 基于序列相似性插值的部分k空间图像重构方法
US20240062332A1 (en) System and method for improving sharpness of magnetic resonance images using a deep learning neural network
WO2024093083A1 (zh) 一种基于变分自编码器的磁共振加权图像合成方法和装置

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