CN109557489A - 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
- CN109557489A CN109557489A CN201910016038.0A CN201910016038A CN109557489A CN 109557489 A CN109557489 A CN 109557489A CN 201910016038 A CN201910016038 A CN 201910016038A CN 109557489 A CN109557489 A CN 109557489A
- Authority
- CN
- China
- Prior art keywords
- image
- forming information
- sampled multiple
- neural network
- imaging
- 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
-
- 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
-
- 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
- G01R33/4818—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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (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,该方法将深度网络模型和常规加速重建方法顺序结合,首先利用深度网络模型将降采样倍数较高的第一成像信息恢复到降采样倍数较低的第二成像信息,然后利用常规加速重建方法将降采样倍数较低的第二成像信息进行完全重建,从而得到最终磁共振图像。如此,在本申请提供的磁共振成像方法中,用于磁共振快速成像的深度神经网络的输出训练样本不是满采样或超满采样数据,而是降采样数据,因而,训练深度神经网络的输出训练样本通过常规降采样方法即可获得,因而,该输出训练样本可以通过较短的采集时间获得,因而,该深度神经网络可以应用到采集时间受限的磁共振成像应用场景中,例如腹部扫描。
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,MRI)作为一种多参数、多对比度的成像技术,是现代医疗影像学中主要的成像方式之一,可以反映组织T1、T2和质子密度等多种特性,可为疾病的检出和诊断提供信息。磁共振成像的基本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质子,运用梯度场进行位置编码,随后采用接收线圈接收带位置信息的电磁信号,最终利用傅里叶变换重建出图像信息。
深度学习因其超强的学习能力,被广泛的应用于各个领域的研究。近些年在图像领域的研究尤为突出,例如Iphone的人脸识别,goolge的图像识别动物等等。磁共振图像有一个关键问题是扫描时间慢。深度神经网络(DNN,deep neural network)在近期被应用于加速磁共振扫描,以解决磁共振成像扫描速度慢的问题。
DNN应用的一个重要前提是需要训练集,训练集中的输出样本一般为高质量无噪声的成像信息。该高质量无噪声的成像信息一般由满采样或超满采样的k-空间数据重建得到。该满采样或超满采样的k-空间数据的采集需要消耗较长的采集时间。
然而,在某些应用场景中,例如腹部扫描,在扫描时需要扫描对象屏气,因扫描对象屏气时间不会太长,因而数据采集时间有限,不可能得到满采样或超满采样的k-空间数据。如此,导致DNN无法应用到这些采集时间受限的磁共振成像应用场景中。
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,以使DNN能够应用在采集时间受限的在磁共振成像的应用场景中。
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:
采用第一降采样倍数和预设采样轨迹采集磁共振成像数据,得到第一成像信息;
利用深度神经网络对所述第一成像信息进行处理,得到第二成像信息;所述第二成像信息的降采样倍数为第二降采样倍数;所述第一降采样倍数大于所述第二降采样倍数;
对所述第二成像信息进行完全重建,得到最终磁共振图像;
其中,所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹;
所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。
可选地,所述对所述第二成像信息进行完全重建,得到最终磁共振图像,具体包括:
采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建,得到最终磁共振图像。
可选地,所述方法还包括:
预先训练深度神经网络,
所述预先训练深度神经网络,具体包括:
采用第二降采样倍数采集磁共振数据,得到第三成像信息;
根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息,得到第四成像信息;
以所述第三成像信息为输出样本,以所述第四成像信息为输入样本,训练深度神经网络,得到用于磁共振加速重建的深度神经网络。
可选地,所述第一成像信息和所述第二成像信息为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。
可选地,所述第二降采样倍数为所述并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。
可选地,所述第一降采样倍数超过所述并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。
一种磁共振成像装置,包括:
采集单元,用于采用第一降采样倍数和预设采样轨迹采集磁共振成像数据,得到第一成像信息;
处理单元,用于利用深度神经网络对所述第一成像信息进行处理,得到第二成像信息;所述第二成像信息的降采样倍数为第二降采样倍数;所述第一降采样倍数大于所述第二降采样倍数;
重建单元,用于对所述第二成像信息进行完全重建,得到最终磁共振图像;
其中,所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹;
所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。
可选地,所述重建单元,具体包括:
采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建,得到最终磁共振图像。
可选地,所述装置还包括:
训练单元,用于预先训练深度神经网络,
所述训练单元,具体包括:
采集子单元,用于采用第二降采样倍数采集磁共振数据,得到第三成像信息;
提取子单元,用于根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息,得到第四成像信息;
训练子单元,用于以所述第三成像信息为输出样本,以所述第四成像信息为输入样本,训练深度神经网络,得到用于磁共振加速重建的深度神经网络。
可选地,所述第一成像信息和所述第二成像信息为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。
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,将深度网络模型和常规加速重建方法顺序结合,首先利用深度网络模型将降采样倍数较高的第一成像信息恢复到降采样倍数较低的第二成像信息,然后利用常规加速重建方法将降采样倍数较低的第二成像信息进行完全重建,从而得到最终磁共振图像。如此,在本申请提供的磁共振成像方法中,用于磁共振快速成像的深度神经网络的输出训练样本不是满采样或超满采样数据,而是降采样数据,因而,训练深度神经网络的输出训练样本通过常规降采样方法即可获得,因而,该输出训练样本可以通过较短的采集时间获得,因而,该深度神经网络可以应用到采集时间受限的磁共振成像应用场景中,例如腹部扫描。
附图说明
为了清楚地理解本申请的具体实施方式,下面将描述本申请具有实施方式时用到的附图做一简要说明。显而易见地,这些附图仅是本申请的部分实施例。
图1是本申请实施例提供的深度神经网络训练方法的一种实现方式流程示意图;
图2是本申请实施例提供的深度神经网络训练方法的另一种实现方式流程示意图;
图3是本申请实施例提供的磁共振成像方法的一种实现方式流程示意图;
图4是本申请实施例提供的磁共振成像方法的另一种实现方式流程示意图;
图5是本申请实施例提供的用于执行磁共振成像方法的控制设备结构示意图;
图6是本申请实施例提供的磁共振成像装置结构示意图。
具体实施方式
DNN被应用于加速磁共振扫描的一个前提是需要对DNN进行训练。训练时采用的训练集样本包括两部分:一部分是输入样本,另一部分是输出样本,输入样本可以为低信噪比图像,该输入样本可以由降采样数据得到。输出样本通常是高质量低噪声的图像,通过对该输入样本和输出样本的深度学习,才能得到能够去除噪声的深度学习网络。
对于没有运动或者不需要高时间分辨率的应用,深度学习所需要训练集的获取可以不考虑采集时间,输出训练样本可以通过满采样或超满采样的方式采集得到,该输出训练样本可以为满采样或超满采样K空间数据或者该K空间数据对应的图像。输入训练样本可以通过人工降采的方式从该满采样或超满采样K空间数据中提取出一定比例的数据。也就是说,该输入训练样本可以为输出训练样本的子集。
但是,对于有些采集时间受限的应用场景,例如腹部扫描,采集时需要扫描对象屏气,采集时间有限,不可能得到满采样的K空间数据。即输出训练样本无法在一次屏息内得到。而且,两次腹部屏息不能得到完全对应的每层图像。因为人两次屏气状态下,肝脏的舒张状态不能完全一样,所以基本采集两次图像的同一层不能完全一模一样的对应。因此,也无法通过多次屏息的方式获得高质量的图像,以及与高质量图像所匹配的低质量图像。因此,对于采集时间受限的应用场景,无法获得DNN的训练集,因而,也就无法使得DNN应用到采集时间受限的应用场景。
此外,本领域应用于磁共振的常规加速方法主要有并行成像,压缩感知,部分傅里叶等等。这些常规磁共振加速方法都是利用少部分K空间信息,通过数学计算,去直接求解接近于满采样K空间对应的图像。这些常规方法有些是直接从少部分K空间数据到满采样图像的,有些是从部分k空间到完整K空间然后通过傅里叶变换得到图像的。但是这些传统的加速方法,每种方法的加速倍数也都有限制,因此在腹部等时间严格的应用中,仍然不能满足临床高分辨的要求。
基于此,为了能够将DNN应用在采集时间受限的在磁共振成像的应用场景中,本申请将深度网络模型和常规加速重建方法顺序结合,首先利用深度网络模型将降采样倍数较高的第一成像信息处理成降采样倍数较低的第二成像信息,然后利用常规加速重建方法将降采样倍数较低的第二成像信息进行完全重建,从而得到最终磁共振图像。如此,在本申请提供的磁共振成像方法中,用于磁共振快速成像的深度神经网络的输出训练样本不是满采样或超满采样数据,而是降采样数据,因而,训练深度神经网络的输出训练样本通过常规降采样方法即可获得,因而,该输出训练样本可以通过较短的采集时间获得,因而,该深度神经网络可以应用到采集时间受限的磁共振成像应用场景中,例如腹部扫描。
为了清楚地理解本申请的技术方案,下面将结合附图对本申请的具体实施方式进行详细描述。
首先介绍本申请实施例用到的用于磁共振加速成像的深度神经网络。
该用于磁共振加速成像的深度神经网络用于将极低采样率的成像信息重建出较低采样率的成像信息。因此,该深度神经网络的输出训练样本为采用常规磁共振加速扫描方法得到的成像信息,输入训练样本是从采用常规磁共振加速扫描方法得到的成像信息中提取出的部分成像信息。搭建的深度神经网络对输入训练样本和输出训练样本进行深度学习,从而得到该用于磁共振加速成像的深度神经网络。
在本申请实施例中,成像信息可以为K空间域的K空间数据,也可以为图像域的由K空间数据经过傅里叶变换得到的卷叠图像。
需要说明,采样率与降采样倍数呈反比关系,降采样倍数越高,采样率越低。降采样倍数越低,采样率越高。
下面以成像信息为K空间数据和卷叠图像为例分别介绍深度神经网络的训练方法的具体实现方式。
首先介绍成像信息为K空间数据时,深度神经网络的训练方法的具体实现方式。
如图1所示,当成像信息为K空间数据时,该深度神经网络的训练方法可以包括以下步骤:
S101:采用第二降采样倍数采集磁共振数据,得到第三K空间数据。
本步骤可以具体为:采用本领域的常规磁共振快速成像方法采集磁共振数据,得到第三K空间数据。该第三K空间数据为降采样K空间数据。
因而,作为示例,第二降采样倍数可以为常规磁共振快速成像方法允许的降采样倍数。这里所述的常规磁共振快速成像方法可以为并行成像加速成像方法,也可以为压缩感知(compressed sensing)加速成像方法,还可以为半傅里叶加速成像方法。
其中,并行成像即利用线圈敏感度信息,恢复出未采集部分的信息,通常能加速的倍数由该方向线圈的通道个数决定。而并行成像的常用的有两种,一种基于图像域的方法(SENSE)还有一种基于K空间域的方法(GRAPPA)。总体来说并行成像是很大程度上加速了磁共振扫描的速度,是磁共振成像中最常用的加速方法之一。
压缩感知技术,是一种打破常规奈奎斯特采样定律的重建技术。即常规的图像重建技术需要满足奈奎斯特采样率采集足够多的K空间点数才能重建得到想要的图像数据。但是压缩感知的提出,认为当待重建图像或者经过某种变换后在某个域足够稀疏,而且采样过程足够的随机,即可以通过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。下图1很好的描述了并行重建和压缩感知重建所用的K空间轨迹,以及直接傅里叶变换对应的图像。
半傅里叶方法也是常用的一种加速方法,它主要思想是利用K空间的共轭对称性,通过数学计算将未采集的K空间预估出来。然后达到接近满采样K空间的效果。
S102:根据第一降采样倍数和预设采样轨迹从第三K空间数据中提取出部分K空间数据,得到第四K空间数据。
本步骤可以具体为:从第三K空间数据中提取出部分K空间数据,得到第四K空间数据。如此,第四K空间数据为第三K空间数据的一部分,为其子集,因此,第四K空间数据的降采样倍数大于第三K空间数据的降采样倍数。
需要说明,该第四K空间数据相较于完整K空间数据来说,其降采样倍数为第一降采样倍数,采样轨迹为预设采样轨迹。因此,第一降采样倍数大于第二降采样倍数。更具体地,该第一降采样倍数超过并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。
更具体地,若并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数为2,则第一降采样倍数可以为3、4或者其它比2大的数值。
相应地,第三K空间数据可以认为是较少部分K空间数据,而第四K空间数据可以认为是极少部分K空间数据。
S103:以第三K空间数据为输出样本,以第四K空间数据为输入样本,训练预先搭建的深度神经网络,得到用于磁共振加速重建的深度神经网络。
本步骤可以具体为:
将第三K空间数据和第四K空间数据输入到预先搭建的深度神经网络中,以使该预先搭建的深度神经网络深度学习第三K空间数据和第四K空间数据,从而得到用于磁共振加速重建的深度神经网络。
以上为本申请实施例提供的深度神经网络一种训练方法的具体实现方式,在该具体实现方式中,训练集是以K空间域的K空间数据为例进行说明的。实际上,训练集还可以为图像域的卷叠图像。
下面以训练集为图像域的卷叠图像为例说明深度神经网络的训练方法的具体实现方式。请参见图2,本申请实施例提供的深度神经网络的训练方法的另一种实现方式包括以下步骤:
S201:采用第二降采样倍数采集磁共振数据,得到第三K空间数据。
该步骤与S101相同,为了简要起见,在此不再详细描述。
S202:对第三K空间数据进行傅里叶变换,得到第三K空间数据对应的第一卷叠图像。
S203:根据第一降采样倍数和预设采样轨迹从第三K空间数据中提取出部分K空间数据,得到第四K空间数据。
该步骤与S102相同,为了简要起见,在此不再详细描述。
S204:对第四K空间数据进行傅里叶变换,得到第四K空间数据对应的第二卷叠图像。
S205:以第一卷叠图像间数据为输出样本,以第二卷叠图像为输入样本,训练预先搭建的深度神经网络,得到用于磁共振加速重建的深度神经网络。
针对上述深度神经网络训练方法的两种实现方式,相应地,本申请提供了磁共振成像方法的两种实现方式。
其中,当深度神经网络是由K空间数据训练得到的时,相应地,如图3所示,磁共振成像方法包括以下步骤:
S301:采用第一降采样倍数和预设采样轨迹采集磁共振成像数据,得到第一K空间数据。
如上所述,该第一降采样倍数可以为超过常规磁共振加速成像方法所允许的降采样倍数。因为降采样倍数越高,采样速率越快,采样时间越短,因此,申请采用超过常规磁共振加速成像方法所允许的降采样倍数采集磁共振成像数据,能够缩短采集时间,这对于采集时间受限的应用场景非常受用,例如腹部采集。
S302:利用深度神经网络对所述第一K空间数据进行处理,得到第二K空间数据;所述第二K空间数据的降采样倍数为第二降采样倍数;所述第一降采样倍数大于所述第二降采样倍数。
利用深度神经网络对降采样倍数较高的第一K空间数据进行部分恢复,从而得到降采样倍数较低的第二K空间数据。
该第二K空间数据的降采样倍数为第二降采样倍数,该第二降采样倍数可以达到常规磁共振加速成像方法所允许的降采样倍数。如此,后续可以利用常规磁共振加速成像方法对第二K空间数据进行完全重建,从而得到最终磁共振图像。
S303:采用常规磁共振加速成像方法对所述第二成像信息进行完全重建,得到最终磁共振图像。
本步骤可以具体为:采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建,得到最终磁共振图像。
以上为本申请实施例提供的磁共振成像方法的一种实现方式。在该实现方式中,将深度神经网络与常规磁共振加速成像方法顺序结合,共同完成从极少部分K空间数据到最终磁共振图像的成像过程。在该实现方式中,用于磁共振快速成像的深度神经网络的输出训练样本不是满采样或超满采样数据,而是降采样数据,且该降采样数据的降采样倍数可以为常规磁共振加速成像方法允许的降采样倍数。因而,训练深度神经网络的输出训练样本通过常规降采样方法即可获得,因而,该输出训练样本可以通过较短的采集时间获得,因而,本申请解决了深度神经网络的训练集获取难的问题,同时,该深度神经网络可以应用到采集时间受限的磁共振成像应用场景中,例如腹部扫描。
此外,该方法利用深度神经网络可以将极少部分K空间数据回复到较少部分K空间数据,因此,在磁共振数据扫描时,其降采样倍数不再受常规磁共振加速成像方法的降采样倍数的限制,因而,该成像方法的采集时间可以不再受常规磁共振加速成像方法的限制,其可以明显缩短,这对于采集时间受限的应用场景非常有用,因而该方法非常有利于采集时间受限的应用场景的磁共振成像。从而能够使采集时间受限的应用场景也能实现磁共振成像。
以上是对应由K空间数据训练得到的深度神经网络的磁共振成像方法的具体实现方式。
下面介绍对应由卷叠图像训练得到的深度神经网络的磁共振成像方法的具体实现方式。请参见图4,该磁共振成像方法包括以下步骤:
S401:采用第一降采样倍数和预设采样轨迹采集磁共振成像数据,得到第一K空间数据。
该步骤与S301相同,为了简要起见,在此不再详细描述。
S402:对第一K空间数据进行傅里叶变换,得到第三卷叠图像。
需要说明,第一K空间数据与第三卷叠图像相互对应,两者的不同之处在于,一个是K空间域,一个是图像域。
S403:利用深度神经网络对第三卷叠图像进行部分重建,得到第四卷叠图像,该第四卷叠图像对应的K空间数据的降采样倍数为第二降采样倍数,其中,第一降采样倍数大于所述第二降采样倍数。
S404:采用常规磁共振加速成像方法对第四卷叠图像进行完全重建,得到最终磁共振图像。
以上为本申请实施例提供的对应由卷叠图像训练得到的深度神经网络的磁共振成像方法的具体实现方式。该具体实现方式的有益效果与上述具体实现方式的有益效果相同,为了简要起见,在此不再详细描述。
由上可知,基于本申请提供的磁共振成像方法的具体实现方式,能够实现从极少部分K空间数据到最终磁共振图像的成像过程。
该最终磁共振图像一般为高质量无噪声的图像。因此,作为本申请实施例的一扩展应用,可以利用通过该成像方法得到的多个最终磁共振图像作为训练深度神经网络的输出样本,利用对应的采集到的极少部分K空间数据作为训练深度神经网络的输入样本,来训练一个用于从极少部分K空间数据到最终磁共振图像的深度神经网络。该训练得到的深度神经网络可以用于后续从极少部分K空间数据到最终磁共振图像的磁共振加速成像过程。该扩展应用也可以解决深度神经网络的训练集获取难的问题。
此外,该方法中,利用深度神经网络可以将极少部分K空间数据恢复到较少部分K空间数据,再由较少部分K空间数据重建出最终磁共振图像。因此,作为本申请实施例的另一扩展应用,可以利用通过该成像方法得到的多个最终磁共振图像作为训练深度神经网络的输出样本,利用对应的恢复出的较少部分K空间数据作为训练深度神经网络的输入样本,来训练一个用于从较少部分K空间数据到最终磁共振图像的深度神经网络。该训练得到的深度神经网络可以用于后续从较少部分K空间数据到最终磁共振图像的磁共振加速成像过程。该扩展应用也可以解决深度神经网络的训练集获取难的问题。
上述实施例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(ROM,Read-OnlyMemory)、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。
请参见图6,本申请实施例提供的磁共振成像装置,包括:
采集单元61,用于采用第一降采样倍数和预设采样轨迹采集磁共振成像数据,得到第一成像信息;
处理单元62,用于利用深度神经网络对所述第一成像信息进行处理,得到第二成像信息;所述第二成像信息的降采样倍数为第二降采样倍数;所述第一降采样倍数大于所述第二降采样倍数;
重建单元63,用于对所述第二成像信息进行完全重建,得到最终磁共振图像;
其中,所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹;
所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。
作为本申请的一可选实施例,所述重建单元63,可以具体包括:
采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建,得到最终磁共振图像。
作为本申请的另一可选实施例,所述装置还可以包括:
训练单元64,用于预先训练深度神经网络,
所述训练单元64,具体包括:
采集子单元641,用于采用第二降采样倍数采集磁共振数据,得到第三成像信息;
提取子单元642,用于根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息,得到第四成像信息;
训练子单元643,用于以所述第三成像信息为输出样本,以所述第四成像信息为输入样本,训练深度神经网络,得到用于磁共振加速重建的深度神经网络。
作为本申请的又一可选实施例,所述第一成像信息和所述第二成像信息可以为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。
以上为本申请实施例提供的具体实现方式。
Claims (10)
1.一种磁共振成像方法,其特征在于,包括:
采用第一降采样倍数和预设采样轨迹采集磁共振成像数据,得到第一成像信息;
利用深度神经网络对所述第一成像信息进行处理,得到第二成像信息;所述第二成像信息的降采样倍数为第二降采样倍数;所述第一降采样倍数大于所述第二降采样倍数;
对所述第二成像信息进行完全重建,得到最终磁共振图像;
其中,所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹;
所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。
2.根据权利要求1所述的方法,其特征在于,所述对所述第二成像信息进行完全重建,得到最终磁共振图像,具体包括:
采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建,得到最终磁共振图像。
3.根据权利要求1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,
所述预先训练深度神经网络,具体包括:
采用第二降采样倍数采集磁共振数据,得到第三成像信息;
根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息,得到第四成像信息;
以所述第三成像信息为输出样本,以所述第四成像信息为输入样本,训练深度神经网络,得到用于磁共振加速重建的深度神经网络。
4.根据权利要求1所述的方法,其特征在于,所述第一成像信息和所述第二成像信息为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述第二降采样倍数为所述并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述第一降采样倍数超过所述并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。
7.一种磁共振成像装置,其特征在于,包括:
采集单元,用于采用第一降采样倍数和预设采样轨迹采集磁共振成像数据,得到第一成像信息;
处理单元,用于利用深度神经网络对所述第一成像信息进行处理,得到第二成像信息;所述第二成像信息的降采样倍数为第二降采样倍数;所述第一降采样倍数大于所述第二降采样倍数;
重建单元,用于对所述第二成像信息进行完全重建,得到最终磁共振图像;
其中,所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹;
所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。
8.根据权利要求7所述的装置,其特征在于,所述重建单元,具体包括:
采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建,得到最终磁共振图像。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
训练单元,用于预先训练深度神经网络,
所述训练单元,具体包括:
采集子单元,用于采用第二降采样倍数采集磁共振数据,得到第三成像信息;
提取子单元,用于根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息,得到第四成像信息;
训练子单元,用于以所述第三成像信息为输出样本,以所述第四成像信息为输入样本,训练深度神经网络,得到用于磁共振加速重建的深度神经网络。
10.根据权利要求1所述的装置,其特征在于,所述第一成像信息和所述第二成像信息为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016038.0A CN109557489B (zh) | 2019-01-08 | 2019-01-08 | 一种磁共振成像方法和装置 |
US16/735,874 US11294011B2 (en) | 2019-01-08 | 2020-01-07 | Magnetic resonance imaging with deep neutral networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016038.0A CN109557489B (zh) | 2019-01-08 | 2019-01-08 | 一种磁共振成像方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109557489A true CN109557489A (zh) | 2019-04-02 |
CN109557489B CN109557489B (zh) | 2021-06-18 |
Family
ID=65872531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016038.0A Active CN109557489B (zh) | 2019-01-08 | 2019-01-08 | 一种磁共振成像方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11294011B2 (zh) |
CN (1) | CN109557489B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗系统股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
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 |
CN110992440A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
CN111157934A (zh) * | 2019-07-12 | 2020-05-15 | 郑州轻工业学院 | 一种基于生成式对抗网络的并行磁共振成像方法 |
CN111272277A (zh) * | 2020-01-21 | 2020-06-12 | 中国工程物理研究院激光聚变研究中心 | 一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 |
CN111353935A (zh) * | 2020-01-03 | 2020-06-30 | 首都医科大学附属北京友谊医院 | 基于深度学习的磁共振成像优化方法及其设备 |
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 |
CN112802024A (zh) * | 2021-01-11 | 2021-05-14 | 深圳高性能医疗器械国家研究院有限公司 | 一种磁共振血管壁图像分割方法 |
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 |
CN113534031A (zh) * | 2020-04-21 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 图像域数据生成方法、计算机设备和可读存储介质 |
WO2023124971A1 (zh) * | 2021-12-31 | 2023-07-06 | 浙江大学 | 基于跨域网络的磁共振成像降采样和重建方法 |
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 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812569A (zh) * | 2020-07-23 | 2020-10-23 | 广州互云医院管理有限公司 | 一种基于深度学习的k空间欠采样轨迹的方法 |
CN113096208B (zh) * | 2021-03-16 | 2022-11-18 | 天津大学 | 基于双域交替卷积的神经网络磁共振图像的重建方法 |
US20240127498A1 (en) * | 2021-12-30 | 2024-04-18 | Airs Medical Inc. | Magnetic resonance image processing method and apparatus using scan parameters |
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 (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 |
CN107121654A (zh) * | 2017-05-16 | 2017-09-01 | 深圳先进技术研究院 | 一种磁共振欠采方法及装置 |
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 |
US20180285695A1 (en) * | 2017-03-28 | 2018-10-04 | Siemens Healthcare Gmbh | Magnetic Resonance Image Reconstruction System and Method |
CN108814603A (zh) * | 2018-05-10 | 2018-11-16 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10089722B2 (en) * | 2016-12-30 | 2018-10-02 | Toshiba Medical Systems Corporation | Apparatus and method for reducing artifacts in MRI images |
WO2020080827A1 (en) * | 2018-10-19 | 2020-04-23 | Samsung Electronics Co., Ltd. | Ai encoding apparatus and operation method of the same, and ai decoding apparatus and operation method of the same |
-
2019
- 2019-01-08 CN CN201910016038.0A patent/CN109557489B/zh active Active
-
2020
- 2020-01-07 US US16/735,874 patent/US11294011B2/en 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 |
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 |
US20180285695A1 (en) * | 2017-03-28 | 2018-10-04 | Siemens Healthcare Gmbh | Magnetic Resonance Image Reconstruction System and Method |
CN107121654A (zh) * | 2017-05-16 | 2017-09-01 | 深圳先进技术研究院 | 一种磁共振欠采方法及装置 |
CN108814603A (zh) * | 2018-05-10 | 2018-11-16 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗系统股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
CN110333466B (zh) * | 2019-06-19 | 2022-06-07 | 东软医疗系统股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
CN111157934A (zh) * | 2019-07-12 | 2020-05-15 | 郑州轻工业学院 | 一种基于生成式对抗网络的并行磁共振成像方法 |
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 |
CN110992440B (zh) * | 2019-12-10 | 2023-04-21 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
CN110992440A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
CN111353935A (zh) * | 2020-01-03 | 2020-06-30 | 首都医科大学附属北京友谊医院 | 基于深度学习的磁共振成像优化方法及其设备 |
CN111272277A (zh) * | 2020-01-21 | 2020-06-12 | 中国工程物理研究院激光聚变研究中心 | 一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 |
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 |
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 |
CN113534031A (zh) * | 2020-04-21 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 图像域数据生成方法、计算机设备和可读存储介质 |
CN113534031B (zh) * | 2020-04-21 | 2023-05-05 | 上海联影医疗科技股份有限公司 | 图像域数据生成方法、计算机设备和可读存储介质 |
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 |
CN112802024A (zh) * | 2021-01-11 | 2021-05-14 | 深圳高性能医疗器械国家研究院有限公司 | 一种磁共振血管壁图像分割方法 |
CN112802024B (zh) * | 2021-01-11 | 2024-02-06 | 国创育成医疗器械发展(深圳)有限公司 | 一种磁共振血管壁图像分割方法 |
WO2023124971A1 (zh) * | 2021-12-31 | 2023-07-06 | 浙江大学 | 基于跨域网络的磁共振成像降采样和重建方法 |
US11988733B2 (en) | 2021-12-31 | 2024-05-21 | Zhejiang University | Cross-domain network based magnetic resonance imaging undersampling pattern optimization and reconstruction method |
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 |
---|---|
US20200217914A1 (en) | 2020-07-09 |
CN109557489B (zh) | 2021-06-18 |
US11294011B2 (en) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109557489A (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 | |
KR101674848B1 (ko) | 핵 자기 공명(nmr) 핑거프린팅 | |
US10996306B2 (en) | MRI system and method using neural network for detection of patient motion | |
CN106970343B (zh) | 一种磁共振成像方法及装置 | |
de Leeuw Den Bouter et al. | Deep learning-based single image super-resolution for low-field MR brain images | |
CN109239631A (zh) | 一种磁共振成像方法和装置 | |
US10180476B2 (en) | Systems and methods for segmented magnetic resonance fingerprinting dictionary matching | |
CN103477238A (zh) | 采用来自先验采集的约束的压缩感测mr图像重建 | |
US20090196478A1 (en) | Auto calibration parallel imaging reconstruction method from arbitrary k-space sampling | |
US20170234951A1 (en) | Systems and methods for improved reconstruction of magnetic resonance fingerprinting data with low-rank methods | |
CN103901377B (zh) | 用于相干和非相干运动的同时检测的q-空间的复数重建 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
CN111784792A (zh) | 基于双域卷积神经网络的快速磁共振重建系统及其训练方法与应用 | |
KR20220082302A (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
CN109800800B (zh) | 一种磁共振成像获得深度学习训练集的方法和装置 | |
CN104280705B (zh) | 基于压缩感知的磁共振图像重建方法和装置 | |
Sui et al. | Simultaneous image reconstruction and lesion segmentation in accelerated MRI using multitasking learning | |
Ke et al. | CRDN: cascaded residual dense networks for dynamic MR imaging with edge-enhanced loss constraint | |
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 | |
KR20150100019A (ko) | 자기 공명 영상 처리 장치 및 방법 | |
CN106137199A (zh) | 扩散磁共振成像中的广义球面去卷积 | |
CN105676156A (zh) | 一种基于多通道协作编码的磁共振成像重建方法和装置 | |
CN115222628A (zh) | 一种图像处理方法、装置、设备及存储介质 |
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 |