CN109493394A - 磁共振成像获得深度学习训练集的方法、重建方法和装置 - Google Patents
磁共振成像获得深度学习训练集的方法、重建方法和装置 Download PDFInfo
- Publication number
- CN109493394A CN109493394A CN201811261201.1A CN201811261201A CN109493394A CN 109493394 A CN109493394 A CN 109493394A CN 201811261201 A CN201811261201 A CN 201811261201A CN 109493394 A CN109493394 A CN 109493394A
- Authority
- CN
- China
- Prior art keywords
- space
- data
- deep learning
- training set
- learning 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种磁共振成像获得深度学习训练集的方法及装置、重建方法、计算机可读存储介质及处理器,无需满采样K空间数据即可获得标记图像集和输入图像集,用于获取标记图像集和输入图像集的K空间数据可在有限的采集时间内采集获得,进而实现在采集时间受限的条件下获取深度学习训练集。另外,无需多次采集被测部位,对于无法进行多次采集的被测部位也能获得深度学习训练集。相比于现有技术,本发明获取深度学习训练集的方法的适用性更广。应用本申请最终获得的深度学习训练集训练得到的DNN模型,可用于在采集时间受限和/或采集次数受限条件下,实现磁共振图形重建。
Description
技术领域
本发明涉及医学影像技术领域,尤其涉及磁共振成像获得深度学习训练集的方法、重建方法和装置。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)作为一种多参数、多对比度的成像技术,能够反映组织的纵向弛豫时间T1、横向弛豫时间T2和质子密度等多种特性,进而为疾病的检出和诊断提供信息。目前,磁共振成像已经成为医学影像检查的重要技术手段。
磁共振成像的工作原理是,利用磁共振现象,采用射频激励激发人体中的氢原子,运用梯度场进行位置编码,采用接收线圈接收带有位置信息的电磁信号,最终对电磁信号进行傅里叶变换重建出图像信息。然而,磁共振成像过程中扫描速度慢、扫描时间长,限制了磁共振成像在临床上的应用。
深度学习因具有超强的学习能力,目前已被广泛应用于图像、视频、声音和自然语言处理等领域。近期,深度神经网络(Deep Neural Networks,DNN)被应用于磁共振成像中,以加快磁共振成像的扫描速度,解决磁共振成像扫描过慢的问题。DNN是深度学习应用的核心,DNN是由训练集训练获得。因此,对于深度学习在磁共振成像加速的应用,如何获取深度学习训练集显得尤为重要。
目前现有的将深度学习应用于磁共振成像扫描加速的方法,获取深度学习训练集时,不考虑K空间数据采集时间的限制。但是临床中,某些人体被测部位的扫描时间是有限的,导致采集时间受限,因此,难以应用目前的技术手段获得深度学习的训练集。
发明内容
有鉴于上述问题,本申请提供了一种磁共振成像获得深度学习训练集的方法、重建方法和装置,实现在采集时间受限条件下获取深度学习的训练集。
为了解决上述技术问题,本申请采用了如下技术方案:
第一方面,本申请提供一种磁共振成像获得深度学习训练集的方法,包括:
利用压缩感知采样方式采集被测部位的K空间数据;
对所述K空间数据利用压缩感知重建图像作为深度学习训练集的标记图像集;
从所述K空间数据中抽取部分数据得到K空间降采数据;
根据所述K空间降采数据重建图像作为所述深度学习训练集的输入图像集。
作为一种可能的实现方式,在所述对所述K空间降采数据重建图像,之前还包括:
对所述K空间降采数据进行K空间插值,获得插值后的K空间降采数据;
所述根据所述K空间降采数据重建图像,具体为:
对所述插值后的K空间降采数据利用压缩感知重建图像。
作为一种可能的实现方式,对所述K空间降采数据进行K空间插值,具体为:
采用自校准并利用GRAPPA Operator算子对所述K空间降采数据进行K空间插值。
作为一种可能的实现方式,所述K空间数据是所述K空间降采数据的1.5倍至2倍。
作为一种可能的实现方式,所述利用压缩感知采样方式采集被测部位的K空间数据,具体为:
利用压缩感知采样方式采集被测部位在预设屏气时间段内的K空间数据。
第二方面,本申请提供一种磁共振图像重建方法,包括:利用前述第一方面提供的磁共振成像获得深度学习训练集的方法,获得的深度学习训练集进行磁共振图像重建;所述深度学习训练集包括标记图像集和输入图像集。
第三方面,本申请提供一种磁共振成像获得深度学习训练集的装置,包括:
采集单元,用于利用压缩感知采样方式采集被测部位的K空间数据;
标记图像集获取单元,用于对所述K空间数据利用压缩感知重建图像作为深度学习训练集的标记图像集;
降采单元,用于从所述K空间数据中抽取部分数据得到K空间降采数据;
输入图像集获取单元,用于根据所述K空间降采数据重建图像作为所述深度学习训练集的输入图像集。
作为一种可能的实现方式,该装置还包括:
插值单元,用于对所述K空间降采数据进行K空间插值,获得插值后的K空间降采数据;
所述输入图像获取单元,包括:
重建子单元,所述重建子单元,用于对所述插值后的K空间降采数据利用压缩感知重建图像。
作为一种可能的实现方式,该装置所述插值单元,包括:第一插值子单元;
所述第一插值子单元,用于采用自校准并利用GRAPPA Operator算子对所述K空间降采数据进行K空间插值。
作为一种可能的实现方式,该装置所述采集单元,包括:第一采集子单元;
所述第一采集子单元,用于利用压缩感知采样方式采集被测部位在预设屏气时间段内的K空间数据。
第四方面,本申请提供一种计算机可读存储介质,所述介质上存储有计算机程序,所述程序被处理器执行时实现如前述第一方面提供的磁共振成像获得深度学习训练集的方法。
第五方面,本申请提供一种处理器,所述处理器用于运行程序,所述程序运行时执行如前述第一方面提供的磁共振成像获得深度学习训练集的方法。
与现有技术相比,本发明至少具有以下优点:
本申请提供了一种磁共振成像获得深度学习训练集的方法和装置,在采集时间受限的条件下,获取深度学习训练集的标记图像集和输入图像集。本申请中,利用压缩感知采样方式采集被测部位的K空间数据;对K空间数据利用压缩感知重建图像作为深度学习训练集的标记图像集;从K空间数据中抽取部分数据得到K空间降采数据;根据K空间降采数据重建图像作为深度学习训练集的输入图像集。
由于压缩感知能够根据随机且具有稀疏特性的数据重建出高质量的图像,本申请通过压缩感知采样在有限时间内采集得到被测部位的K空间数据,所采集的K空间数据随机且稀疏。K空间数据经过压缩感知重建出的图像质量非常高,可作为深度学习训练集的标记图像集。在获取输入图像集时,对压缩感知采样的K空间数据进行降采样并重建获得相对于标记图像集质量较差的图像,作为深度学习训练集的输入图像集。
由此可见,本申请无需满采样K空间数据即可获得标记图像集和输入图像集,用于获取标记图像集和输入图像集的K空间数据可在有限的采集时间内采集获得,进而实现在采集时间受限的条件下获取深度学习训练集。另外,无需多次采集被测部位,对于无法进行多次采集的被测部位也能获得深度学习训练集。相比于现有技术,本申请获取深度学习训练集的方法的适用性更广。应用本申请最终获得的深度学习训练集训练得到的DNN模型,可用于在采集时间受限和/或采集次数受限条件下,实现磁共振图形重建。
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为本申请实施例提供的满采样的K空间数据;
图2为本申请图1中满采样的K空间数据直接傅里叶变换重建得到的图像;
图3为本申请压缩感知采样的K空间数据;
图4为本申请图3中压缩感知采样的K空间数据经过压缩感知重建出的图像;
图5为本申请第一实施例提供的磁共振成像获得深度学习训练集的方法流程图;
图6为本申请第二实施例提供的磁共振成像获得深度学习训练集的方法流程图;
图7为本申请第三实施例提供的控制设备的硬件结构图;
图8为本申请第四实施例提供的磁共振成像获得深度学习训练集的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,都属于本发明保护的范围。
获取深度学习的训练集,是深度学习应用于磁共振成像的关键所在。深度学习训练集分为两个部分:一部分是输入图像集,作为用于训练DNN的输入训练样本,输入图像集往往是具有噪声和/或伪影的低质量图像;另一部分是标记图像集,作为用于训练DNN的输出训练样本,标记图像集为符合磁共振成像需求的高质量图像,噪声较少,伪影水平低。
目前,获取深度学习的训练集可通过以下方式实现:
(1)获取标记图像集:针对被测部位满采样K空间数据,根据满采的K空间数据直接重建得到的高质量图像作为深度学习训练集的标记图像集。
(2)获取输入图像集:缩短扫描时间,用高加速倍数再一次采集被测部位,得到质量较差的图像作为深度学习训练集的输入图像集。
但是,经过研究发现,在某些磁共振成像的临床应用场景中,上述获取深度学习训练集的方法并不适用。例如,对腹部进行磁共振成像需要被测者屏气配合采集,但是被测者的屏气时间有限,进而限制了对腹部的扫描时间不能过长,因此采集时间是有限的。在采集时间受限的情况下无法满采样K空间数据,导致无法实施上述方法得到深度学习训练集的标记图像集。
另外,上述方法是通过两次采集被测者的被测部位分别获得标记图像集和输入图像集,但是针对腹部采集的场景,由于两次屏气采集时肝脏的舒张状态无法完全一致,两次采集不能获取到完全对应的每层图像。因此,上述方法得到的输入图像集与标记图像集无法相互对应,进而不适用于作为深度学习的训练集来训练DNN。
为解决在采集时间受限条件下无法获得深度学习训练集的问题,经过研究,本申请中提供了一种应用压缩感知技术获取磁共振成像深度学习训练集的方法和装置。
在压缩感知技术中,当待重建图像或者其经过某种变换后在某个域内足够稀疏,且采样过程足够随机,即可通过求解有约束的最小化问题达到和奈奎斯特采样相等质量的图像。如图1至图4所示,本申请中将满采样K空间数据重建和压缩感知采样K空间数据重建得到的图像进行质量比较。
图1为满采样的K空间数据,图2为图1中满采样的K空间数据直接傅里叶变换重建得到的图像。图3为压缩感知采样的K空间数据,图4为图3中压缩感知采样的K空间数据经过压缩感知重建出的图像。
图1和图3中,白色代表采集的K空间数据,图1相比图3采集数据量大,数据密集,图3中采集数据量明显较少,数据稀疏且随机。比对图2和图4的图像效果可知,通过压缩感知采样和压缩感知重建,能够得到与满采样K空间数据傅里叶变换重建效果相当的高质量图像。
本实施例提供了如下的磁共振成像获得深度学习训练集的方法和装置。下面结合附图和实施例进行详细说明。
第一实施例
参见图5,该图为本申请实施例提供的磁共振成像获得深度学习训练集的方法流程图。
如图5所示,本实施例提供的磁共振成像获得深度学习训练集的方法,包括:
步骤501:利用压缩感知采样方式采集被测部位的K空间数据。
本实施例中,利用压缩感知技术获取高质量的图像作为深度学习训练集的标记图像数据。本步骤中,首先采集用于后续压缩感知重建的被测部位K空间数据。
鉴于压缩感知重建图像的技术特点,要求用于重建图像的数据具有足够的随机性,因此,在本步骤采集的被测部位的K空间数据的过程中,通过压缩感知采样方式随机地采集被测部位的K空间数据,采集得到的K空间数据保证数据分布的稀疏性。
为在采集时间受限的条件下获取深度学习训练集,本实施例提供的方法要求能够应用于采集时间受限的被测部位磁共振成像。因此,本实施例提供的方法中,被测部位可以是采集时间受限的部位,例如腹部和心脏等。对于某些病情严重的患者,使其深呼吸一次的持续时间有限,因此需要在采集时间受限的情况下,尽快完成采集。
当然,本实施例提供的获取深度学习训练集的方法还可以应用于其他对于采集时间没有特殊限制的部位,因此,本实施例中被测部位还可以是被测者的任意MRI检查部位,例如头部、颈部和四肢关节等。需要说明的是,本实施例中,对于采集的具体被测部位不进行限定。
为在采集时间受限的条件下获取深度学习训练集,步骤501中对于被测部位的K空间数据采集,具体可以是在预设屏气时间段内实现的。预设屏气时间可以为根据MRI临床经验预先设定的屏气时间段。作为示例,预设屏气时间段可以为20秒。则步骤501具体实施时,利用压缩感知采样方式采集被测部位在20秒内的K空间数据。
需要说明的是,由于后续图像重建的目的是得到高质量的标记图像集,在满足数据分布的稀疏性和随机性的前提下,数据量越充足图像重建效果越好,因此还需在受限的采集时间内保证采集数据的稀疏性和随机性的同时,尽可能采集更加充足的数据作为压缩感知重建图像的基础。
步骤502:对所述K空间数据利用压缩感知重建图像作为深度学习训练集的标记图像集。
为获取高质量的图像作为深度学习训练集的标记图像集,步骤502需要对步骤501采集得到的被测部位K空间数据进行重建。由于压缩感知重建技术能够将稀疏且随机的数据重建为高质量的图像,步骤501采集获得的K空间数据足够随机且稀疏,因此,本步骤中具体利用压缩感知重建技术重建图像。
在图像处理领域,压缩感知属于比较成熟的概念,因此,在此不再具体介绍。压缩感知重建图像的方法也有许多种,本步骤中,不对压缩感知重建图像的具体算法进行限定。
作为一种可能的实现方式,可以对压缩感知重建后的图像进行参数调整和优化,最终得到信噪比较高和/或伪影水平较低的图像作为训练集的标记图像集。需要说明的是,对压缩感知重建后的图像进行参数调整和优化时,具体是根据步骤501所采集的K空间数据的分布(也可以称为数据轨迹),确定如何进行参数调整和优化。如果采集的K空间数据轨迹不同,成像的部位不同,则需要进行参数调整和优化的方式也可能不同。压缩感知重建结果对参数特别敏感。
步骤503:从所述K空间数据中抽取部分数据得到K空间降采数据。
经过上述步骤501和步骤502已得到训练集的标记图像集。对于用于训练DNN模型的训练集,其标记图像集与输入图像集之间具有对应关系。前面提到,采集时间受限的被测部位,例如腹部,其在两次屏气采集时肝脏的舒张状态无法完全一致,两次采集不能获取到完全对应的每层图像。因此,多次采集分别得到的输入图像集与标记图像集难以相互对应,不适用于作为深度学习的训练集训练DNN模型。
为保证标记图像集与输入图像集之间的对应关系,步骤503对步骤501获得的K空间数据进行处理。具体地,从K空间数据中抽取部分数据,得到了K空间降采数据,用于后续重建出相对于标记图像集质量更差的输入图像集。
现有的降采样的方式有多种,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。本实施例中,为保证降采后得到的K空间降采数据满足重建所需的随机性和稀疏性,具体可以采用随机降采样方式从K空间数据中抽取数据。
考虑到采集数据的速度以及成像的图像质量,步骤501压缩感知采样方式采集得到的K空间数据可以是步骤503得到的K空间降采数据的1.5倍至2倍,1.5-2倍即加速了数据采集,又不影响成像质量。如果倍数选择太大,则可能影响成像质量。如果倍数选择太小,则加速的意义不大。可以理解的是,压缩感知采集的K空间数据是K空间降采数据的具体倍数本实施例中不做具体限定,可以根据实际需要来选择。
下面分别以压缩感知采集的K空间数据是K空间降采数据的1.5倍和2倍为例进行介绍。为了体现压缩感知与普通满采K空间数据的区别,下面介绍时引入满采K空间数据,可以理解的是,满采K空间数据得到的空间数据最多。首先,介绍压缩感知采集的K空间数据是K空间降采数据的1.5倍。
例如,以压缩感知采集的K空间数据是满采K空间数据的1/2为例,记满采K空间数据量为N时,则步骤501压缩感知采样方式采集的K空间数据的数据量为N/2,即压缩感知采样相对于满采的加速倍数为2。由于压缩感知采集的K空间数据是K空间降采数据的1.5倍,因此K空间降采相对于满采的加速倍数为2×1.5=3。
其后,介绍压缩感知采集的K空间数据是K空间降采数据的2倍。
例如,以压缩感知采集的K空间数据是满采K空间数据的1/2为例,记满采K空间数据量为N时,则步骤501压缩感知采样方式采集的K空间数据的数据量为N/2,即压缩感知采样相对于满采的加速倍数为2。由于压缩感知采集的K空间数据是K空间降采数据的2倍,因此K空间降采相对于满采的加速倍数为2×2=4。
步骤504:根据所述K空间降采数据重建得到的图像作为所述深度学习训练集的输入图像集。
作为一种具体实现方式,步骤504可对K空间降采数据利用压缩感知方法重建图像,作为深度学习训练集的输入图像集。由于本步骤用于图像重建的数据与步骤502用于图像重建的数据存在差异,因此本步骤重建得到的图像相对于步骤502经过压缩感知重建得到的标记图像集质量较差。同时,由于本步骤重建得到的图像与标记图像集根据同一所述K空间数据处理后得到的,因此步骤504获得的重建图像与标记图像集相对应。进而,本步骤重建得到的图像可作为深度学习训练集的输入图像集。
需要说明的是,本实施例中步骤503和步骤504可以在步骤502之前实施,可以在步骤502之后实施,当然,也可以与步骤502同时实施。也就是说,本实施例对于标记图像集和输入图像集的获取顺序不进行限定。
以上为本申请实施例提供的磁共振图像获得深度学习训练集的方法。由于压缩感知能够根据随机且具有稀疏特性的数据重建出高质量的图像,该方法通过压缩感知采样在有限时间内采集得到被测部位的K空间数据,所采集的K空间数据随机且稀疏。K空间数据经过压缩感知重建出的图像质量非常高,可作为深度学习训练集的标记图像集。在获取输入图像集时,对压缩感知采样的K空间数据进行降采样并重建获得相对于标记图像集质量较差的图像,作为深度学习训练集的输入图像集。
由此可见,该方法中无需满采样K空间数据即可获得标记图像集和输入图像集,用于获取标记图像集和输入图像集的K空间数据可在有限的采集时间内采集获得,进而实现在采集时间受限的条件下获取深度学习训练集。另外,无需多次采集被测部位,对于无法进行多次采集的被测部位也能获得深度学习训练集。相比于现有技术,本实施例获取深度学习训练集的方法适用性更广。应用该方法最终获得的深度学习训练集训练得到的DNN模型,可用于在采集时间受限和/或采集次数受限的条件下,实现磁共振图像重建。
在上述实施例中,从K空间数据中抽取部分数据得到K空间降采数据后,直接根据K空间降采数据重建图像作为深度学习训练集的输入图像集。由于K空间降采数据越少,重建出输入图像集的难度越高。为降低输入图像集的获取难度,本申请还提供了另一种磁共振成像获得深度学习训练集的方法。下面结合实施例和附图对该方法进行详细说明。
第二实施例
参见图6,该图为本申请实施例提供的磁共振成像获得深度学习训练集的方法流程图。
如图6所示,本实施例提供的磁共振成像获得深度学习训练集的方法,包括:
本实施例中,步骤601至603与第一实施例中步骤501至503相同,步骤601至603的相关描述可参见第一实施例,此处不再加以赘述。
步骤604:对所述K空间降采数据进行K空间插值,获得插值后的K空间降采数据。
由于用于重建获得输入图像集的数据量越少,重建负担越重,重建图像越困难,因此本实施例进行图像重建之前,预先对所述K空间降采数据进行K空间插值,获得插值后的K空间降采数据。
K空间插值可以理解为,在K空间降采数据两两之间插补上些许数据,以提高数据量。利用插值后的K空间降采数据进行图像重建,可有效降低重建图像的难度。
本实施例中,具体可以采用自校准利用GRAPPAOperator算子对K空间降采数据进行K空间插值。当然,也可以采用其他插值算法进行K空间插值。在本实施例中,对于对K空间降采数据进行K空间插值的具体方式不进行限定。
步骤605:对所述插值后的K空间降采数据利用压缩感知重建图像,作为所述深度学习训练集的输入图像集。
步骤605的实现方式具体可以为:
对插值后的K空间降采数据利用压缩感知重建图像。
另外,步骤605的实现方式还可以为:
对插值后的K空间降采数据利用快速傅里叶变换重建图像。
由于用于图像重建的数据存在差异,因此本步骤重建得到的图像相对于步骤602经过压缩感知重建得到的标记图像集质量较差。同时,由于本步骤重建得到的图像与标记图像集根据同一所述K空间数据处理后得到的,因此步骤604获得的重建图像与标记图像集相对应。进而,本步骤重建得到的图像可作为深度学习训练集的输入图像集。
需要说明的是,本实施例中步骤603至605可以在步骤602之前实施,可以在步骤602之后实施,当然,也可以与步骤602同时实施。本实施例对于标记图像集和输入图像集的获取顺序不进行限定。
以上为本申请实施例提供的磁共振图像获得深度学习训练集的方法。该方法通过对K空间降采数据进行插值的方式,提高用于重建输入图像集的K空间数据量,进而降低了输入图像集的重建难度。本实施例提供的深度学习训练集的获取方法具备第一实施例提供的方法的优点:无需满采样K空间数据即可获得标记图像集和输入图像集,用于获取标记图像集和输入图像集的K空间数据可在有限的采集时间内采集获得,进而实现在采集时间受限的条件下获取深度学习训练集。另外,无需多次采集被测部位,对于无法进行多次采集的被测部位也能获得深度学习训练集。相比于现有技术,本实施例获取深度学习训练集的方法适用性更广。应用该方法最终获得的深度学习训练集训练得到的DNN模型,可用于在采集时间受限和/或采集次数受限的条件下,实现磁共振图像重建。
基于以上实施例提供的一种磁共振图像获得深度学习训练集的方法,本申请实施例还提供一种磁共振图像重建方法,包括利用以上方法获得的深度学习训练集进行磁共振图像重建。
应用获得的深度学习训练集训练得到的DNN模型,可用于在采集时间受限和/或采集次数受限的条件下,实现磁共振图像重建。
上述实施例的磁共振成像获得深度学习训练集的方法可以由控制设备执行。下面结合附图和实施例,对本申请提供的控制设备进行详细描述。
第三实施例
参见图7,该图为本申请提供的控制设备的硬件结构图。
如图7所示,本实施例提供的控制设备,包括:
处理器701,通信接口702,存储器703,总线704。其中,处理器701、通信接口702和存储器703通过总线704完成相互间的通信。
其中,存储器703中可以存储有磁共振成像获得深度学习训练集的逻辑指令,该存储器例如可以是非易失性存储器。处理器701可以调用执行存储器703中的磁共振成像获得深度学习训练集的逻辑指令,以执行上述第一实施例提供的磁共振成像获得深度学习训练集的方法。作为一种实现方式,该磁共振成像获得深度学习训练集的逻辑指令可以为控制软件对应的程序,程序被处理器701执行时,实现第一实施例保护的磁共振成像获得深度学习训练集的方法中部分或全部步骤。此时,作为一种可能的实现方式,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。
磁共振成像获得深度学习训练集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,本申请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)执行本申请第一实施例提供的方法的全部或部分步骤。
本申请进一步提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现本申请第一实施例保护的磁共振成像获得深度学习训练集的方法中部分或全部步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
上述的磁共振成像获得深度学习训练集的逻辑指令,可以称为“磁共振成像获得深度学习训练集装置”,该装置可以划分成各个功能单元或模块。具体参见以下实施例。
下面结合附图,介绍本申请实施例提供的磁共振成像获得深度学习训练集的装置的具体实施方式。
第四实施例
参见图8,该图为本申请实施例提供的磁共振成像获得深度学习训练集的装置的结构示意图。
如图8所示,本实施例提供的磁共振成像获得深度学习训练集的装置,包括:采集单元801、标记图像集获取单元802、降采单元803和输入图像集获取单元804。
其中,采集单元801,用于利用压缩感知采样方式采集被测部位的K空间数据;
标记图像集获取单元802,用于对所述K空间数据利用压缩感知重建图像作为深度学习训练集的标记图像集;
降采单元803,用于从所述K空间数据中抽取部分数据得到K空间降采数据;
输入图像集获取单元804,用于根据所述K空间降采数据重建图像作为所述深度学习训练集的输入图像集。
以上为本申请实施例提供的磁共振图像获得深度学习训练集的装置。由于压缩感知能够根据随机且具有稀疏特性的数据重建出高质量的图像,该方法通过压缩感知采样在有限时间内采集得到被测部位的K空间数据,所采集的K空间数据随机且稀疏。K空间数据经过压缩感知重建出的图像质量非常高,可作为深度学习训练集的标记图像集。在获取输入图像集时,对压缩感知采样的K空间数据进行降采样并重建获得相对于标记图像集质量较差的图像,作为深度学习训练集的输入图像集。
由此可见,该装置中无需满采样K空间数据即可获得标记图像集和输入图像集,用于获取标记图像集和输入图像集的K空间数据可在有限的采集时间内采集获得,进而实现在采集时间受限的条件下获取深度学习训练集。另外,无需多次采集被测部位,对于无法进行多次采集的被测部位也能获得深度学习训练集。相比于现有技术,本实施例获取深度学习训练集的装置适用性更广。应用该装置最终获得的深度学习训练集训练得到的DNN模型,可用于在采集时间受限和/或采集次数受限条件下,实现磁共振图像重建。
作为一种可能的实现方式,本实施例提供的获得深度学习训练集的装置,还可以包括:
插值单元805,用于对所述K空间降采数据进行K空间插值,获得插值后的K空间降采数据。
所述输入图像获取单元804,可以包括:
重建子单元,该重建子单元用于对所述插值后的K空间降采数据利用压缩感知重建图像。
作为一种可能的实现方式,插值单元805,包括:第一插值子单元;
所述第一插值子单元,用于采用自校准并利用GRAPPAOperator算子对所述K空间降采数据进行K空间插值。
作为一种可能的实现方式,采集单元801,包括:第一采集子单元;
所述第一采集子单元,用于利用压缩感知采样方式采集被测部位在预设屏气时间段内的K空间数据。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明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发明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,凡是未脱离本发明技术方案的内容,依据本发明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,均仍属于本发明技术方案保护的范围内。
Claims (12)
1.一种磁共振成像获得深度学习训练集的方法,其特征在于,包括:
利用压缩感知采样方式采集被测部位的K空间数据;
对所述K空间数据利用压缩感知重建图像作为深度学习训练集的标记图像集;
从所述K空间数据中抽取部分数据得到K空间降采数据;
根据所述K空间降采数据重建图像作为所述深度学习训练集的输入图像集。
2.根据权利要求1所述的磁共振成像获得深度学习训练集的方法,其特征在于,在所述对所述K空间降采数据重建图像,之前还包括:
对所述K空间降采数据进行K空间插值,获得插值后的K空间降采数据;
所述根据所述K空间降采数据重建图像,具体为:
对所述插值后的K空间降采数据利用压缩感知重建图像。
3.根据权利要求2所述的磁共振成像获得深度学习训练集的方法,其特征在于,对所述K空间降采数据进行K空间插值,具体为:
采用自校准并利用GRAPPA Operator算子对所述K空间降采数据进行K空间插值。
4.根据权利要求1所述的磁共振成像获得深度学习训练集的方法,其特征在于,所述K空间数据是所述K空间降采数据的1.5倍至2倍。
5.根据权利要求1所述的磁共振成像获得深度学习训练集的方法,其特征在于,所述利用压缩感知采样方式采集被测部位的K空间数据,具体为:
利用压缩感知采样方式采集被测部位在预设屏气时间段内的K空间数据。
6.一种磁共振图像重建方法,其特征在于,包括:利用权利要求1-5任一项所述的方法获得的深度学习训练集进行磁共振图像重建;所述深度学习训练集包括标记图像集和输入图像集。
7.一种磁共振成像获得深度学习训练集的装置,其特征在于,包括:
采集单元,用于利用压缩感知采样方式采集被测部位的K空间数据;
标记图像集获取单元,用于对所述K空间数据利用压缩感知重建图像作为深度学习训练集的标记图像集;
降采单元,用于从所述K空间数据中抽取部分数据得到K空间降采数据;
输入图像集获取单元,用于根据所述K空间降采数据重建图像作为所述深度学习训练集的输入图像集。
8.根据权利要求7所述的磁共振成像获得深度学习训练集的装置,其特征在于,还包括:
插值单元,用于对所述K空间降采数据进行K空间插值,获得插值后的K空间降采数据;
所述输入图像获取单元,包括:
重建子单元,所述重建子单元,用于对所述插值后的K空间降采数据利用压缩感知重建图像。
9.根据权利要求8所述的磁共振成像获得深度学习训练集的装置,其特征在于,所述插值单元,包括:第一插值子单元;
所述第一插值子单元,用于采用自校准并利用GRAPPA Operator算子对所述K空间降采数据进行K空间插值。
10.根据权利要求7所述的磁共振成像获得深度学习训练集的装置,其特征在于,所述采集单元,包括:第一采集子单元;
所述第一采集子单元,用于利用压缩感知采样方式采集被测部位在预设屏气时间段内的K空间数据。
11.一种计算机可读存储介质,其特征在于,所述介质上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-5任一项所述的磁共振成像获得深度学习训练集的方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,所述程序运行时执行如权利要求1-5任一项所述的磁共振成像获得深度学习训练集的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261201.1A CN109493394A (zh) | 2018-10-26 | 2018-10-26 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261201.1A CN109493394A (zh) | 2018-10-26 | 2018-10-26 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109493394A true CN109493394A (zh) | 2019-03-19 |
Family
ID=65692761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811261201.1A Pending CN109493394A (zh) | 2018-10-26 | 2018-10-26 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493394A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157935A (zh) * | 2019-12-31 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN111870245A (zh) * | 2020-07-02 | 2020-11-03 | 西安交通大学 | 一种跨对比度引导的超快速核磁共振成像深度学习方法 |
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 |
CN112270286A (zh) * | 2020-11-09 | 2021-01-26 | 北京机电工程研究所 | 一种抗阴影干扰的单色视频目标跟踪方法 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
WO2021184350A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
CN113687285A (zh) * | 2021-08-24 | 2021-11-23 | 杭州微影医疗科技有限公司 | 一种疾病筛查与诊断系统、模型训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102389309A (zh) * | 2011-07-08 | 2012-03-28 | 首都医科大学 | 基于压缩感知理论的磁共振图像重建的方法 |
CN104027113A (zh) * | 2014-07-01 | 2014-09-10 | 中国科学院武汉物理与数学研究所 | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 |
US20160054418A1 (en) * | 2013-03-22 | 2016-02-25 | Philips Gmbh | A method for k-space sampling |
CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
-
2018
- 2018-10-26 CN CN201811261201.1A patent/CN109493394A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102389309A (zh) * | 2011-07-08 | 2012-03-28 | 首都医科大学 | 基于压缩感知理论的磁共振图像重建的方法 |
US20160054418A1 (en) * | 2013-03-22 | 2016-02-25 | Philips Gmbh | A method for k-space sampling |
CN104027113A (zh) * | 2014-07-01 | 2014-09-10 | 中国科学院武汉物理与数学研究所 | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 |
CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157935A (zh) * | 2019-12-31 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN111157935B (zh) * | 2019-12-31 | 2022-04-26 | 上海联影智能医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
WO2021184350A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
CN111870245A (zh) * | 2020-07-02 | 2020-11-03 | 西安交通大学 | 一种跨对比度引导的超快速核磁共振成像深度学习方法 |
CN111870245B (zh) * | 2020-07-02 | 2022-02-11 | 西安交通大学 | 一种跨对比度引导的超快速核磁共振成像深度学习方法 |
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 |
CN112270286A (zh) * | 2020-11-09 | 2021-01-26 | 北京机电工程研究所 | 一种抗阴影干扰的单色视频目标跟踪方法 |
CN112270286B (zh) * | 2020-11-09 | 2024-05-10 | 北京机电工程研究所 | 一种抗阴影干扰的单色视频目标跟踪方法 |
CN113359077A (zh) * | 2021-06-08 | 2021-09-07 | 苏州深透智能科技有限公司 | 一种磁共振成像方法及相关设备 |
CN113687285A (zh) * | 2021-08-24 | 2021-11-23 | 杭州微影医疗科技有限公司 | 一种疾病筛查与诊断系统、模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11294011B2 (en) | Magnetic resonance imaging with deep neutral networks | |
CN110031786B (zh) | 磁共振图像重建方法、磁共振成像方法、设备及介质 | |
US11250543B2 (en) | Medical imaging using neural networks | |
US10852376B2 (en) | Magnetic resonance imaging method and device | |
CN110338795B (zh) | 一种径向黄金角磁共振心脏电影成像方法、装置和设备 | |
CN107576924B (zh) | 一种磁共振动态成像方法和装置 | |
CN105283774B (zh) | 在不利的心脏条件下改进受试者心脏成像的系统与方法 | |
CN104812293B (zh) | 图像处理装置、图像处理方法以及x射线诊断装置 | |
CN113470139B (zh) | 一种基于mri的ct图像重建方法 | |
US11948288B2 (en) | Motion artifacts simulation | |
CN107865659A (zh) | 磁共振成像装置及获取磁共振图像的方法 | |
CN109800800A (zh) | 一种磁共振成像获得深度学习训练集的方法和装置 | |
CN109171727A (zh) | 一种磁共振成像方法和装置 | |
CN110346743A (zh) | 一种磁共振弥散加权成像方法和装置 | |
Kinchesh et al. | Prospective gating control for highly efficient cardio-respiratory synchronised short and constant TR MRI in the mouse | |
Drobnjak et al. | Physical and digital phantoms for validating tractography and assessing artifacts | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN112213673B (zh) | 动态磁共振成像方法、装置、重建计算机及磁共振系统 | |
CN110940943B (zh) | 搏动伪影校正模型的训练方法和搏动伪影校正方法 | |
KR102027773B1 (ko) | 자기공명영상의 왜곡 보정을 위한 방법 및 이를 적용한 자기공명영상 장치 | |
WO2023070865A1 (zh) | 血管反应性的评价方法、装置、电子设备及存储介质 | |
CN107703467A (zh) | 三维动态磁共振成像的采集方法、装置、设备及存储介质 | |
Sodickson et al. | The rapid imaging renaissance: sparser samples, denser dimensions, and glimmerings of a grand unified tomography | |
JP7337603B2 (ja) | 磁気共鳴イメージング装置 |
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 |