CN109633502B - 磁共振快速参数成像方法及装置 - Google Patents
磁共振快速参数成像方法及装置 Download PDFInfo
- Publication number
- CN109633502B CN109633502B CN201811467405.0A CN201811467405A CN109633502B CN 109633502 B CN109633502 B CN 109633502B CN 201811467405 A CN201811467405 A CN 201811467405A CN 109633502 B CN109633502 B CN 109633502B
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- magnetic resonance
- target
- space data
- 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
Links
Images
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
-
- 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
Abstract
本发明实施例涉及磁共振成像技术领域,提供一种磁共振快速参数成像方法及装置,所述方法包括:按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据;建立对欠采K空间数据进行重建的重建模型;对重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像;利用所述参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。与现有技术相比,本发明实施例在重建过程中引入了信号补偿,可以从欠采K空间数据中精确的重建出参数加权图像,进一步拟合出参数图,提高了参数图的准确度。
Description
技术领域
本发明实施例涉及磁共振成像技术领域,具体而言,涉及一种磁共振快速参数成像方法及装置。
背景技术
磁共振参数成像由于其能表征组织的一些固有信息,已成为一种重要的定量成像工具。磁共振参数成像通过一个参数相关的模型,对采集到的加权图像中的信号演变进行逐个像素的拟合,就可以得到相应的参数估计。由于磁共振参数成像需要采集多幅对比度加权的磁共振图像,因此其扫描时间往往很长,这成为制约其在临床上快速发展的一大瓶颈。
现有的快速成像方法主要是通过采集少量的相位编码线来减少扫描时间的,这些方法通过发掘磁共振图像或K空间数据之间的冗余来得到没有伪影的参数图,其拟合得到的参数图的准确度不足。
发明内容
本发明实施例的目的在于提供一种磁共振快速参数成像方法及装置,用以提高参数图的准确度。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种磁共振快速参数成像方法,所述方法包括:按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据;建立对所述欠采K空间数据进行重建的重建模型;对所述重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像;利用所述参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。
第二方面,本发明实施例还提供了一种磁共振快速参数成像装置,所述装置包括数据采集模块、模型建立模块、图像重建模块及图像拟合模块。其中,数据采集模块用于按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据;模型建立模块用于建立对所述欠采K空间数据进行重建的重建模型;图像重建模块用于对所述重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像;图像拟合模块用于利用所述参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。
相对现有技术,本发明实施例提供的一种磁共振快速参数成像方法及装置,首先,按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据,并建立对欠采K空间数据进行重建的重建模型;然后,对重建模型进行求解,并在求解过程中基于预设的参数弛豫模型进行信号补偿,以此从欠采K空间数据中重建出参数加权图像;最后,利用参数弛豫模型对重建出的参数加权图像进行拟合得到参数图。与现有技术相比,本发明实施例在重建过程中引入了信号补偿,可以从欠采K空间数据中精确的重建出参数加权图像,进一步拟合出参数图,提高了参数图的准确度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1示出了本发明实施例提供的电子设备的方框示意图。
图2示出了本发明实施例提供的磁共振快速参数成像方法流程图。
图3为图2示出的步骤S105的子步骤流程图。
图4示出了本发明实施例提供的磁共振快速参数成像装置的方框示意图。
图标:100-电子设备;101-处理器;102-存储器;103-总线;104-通信接口;200-磁共振快速参数成像装置;201-设置模块;202-模板生成模块;203-数据采集模块;204-模型建立模块;205-图像重建模块;206-图像拟合模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1示出了本发明实施例提供的电子设备100的方框示意图。电子设备100可以与磁共振仪通信连接,电子设备100可以依据磁共振扫描仪采集的磁共振图像对应的欠采K空间数据重建出参数图。电子设备100可以是,但不限于笔记本电脑、台式机、服务器、便携计算机等等。电子设备100包括处理器101、存储器102、总线103和通信接口104,处理器101、存储器102和通信接口104通过总线103连接。
存储器102可能包括高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。电子设备100通过至少一个通信接口104(可以是有线或者无线)实现该电子设备100与磁共振仪之间的通信连接。
存储器102用于存储程序,例如图4所示的磁共振快速参数成像装置200。磁共振快速参数成像装置200包括至少一个能以软件或固件(firmware)的形式存储于存储器102中或固化在电子设备100的操作系统中的软件功能模块。处理器101可以在接收到执行指令后,执行存储器102中存储的程序以实现下述实施例揭示的磁共振快速参数成像方法。
处理器101可能是一种集成电路芯片,具有信号的处理能力,用于执行存储器102中存储的可执行模块,例如计算机程序,在执行过程中,磁共振正对比成像方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
总线103可以是ISA总线、PCI总线或EISA总线等。图1中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器101执行时实现下述实施例揭示的磁共振快速参数成像方法。
第一实施例
请参照图2,图2示出了本发明实施例提供的磁共振快速参数成像方法流程图。磁共振快速参数成像方法包括以下步骤:
步骤S101,设置磁共振仪采集磁共振图像的多个参数时间点,并确定每个参数时间点对应的数据降采率。
在本发明实施例中,磁共振参数成像可以包括纵向弛豫(longitudinalrelaxation,T1)、横向弛豫(transverse relaxation,T2)、旋转坐标系下的纵向弛豫(spin-lattice relaxation in the rotating frame,T1ρ)等,每一种磁共振参数成像均有各自对应的参数方向,参数方向的一些变化可以表示病理组织的改变,例如,T1成像、T2成像和T1ρ成像的参数方向分别为反转时间(inversion time,TI)、回波时间(echo time,TE)、自旋-锁时间(spin-lock time,TSL),本发明实施例后续均以T1ρ成像及其TSL时间点进行举例。
一个参数时间点采集一个磁共振图像,参数时间点的个数就是磁共振参数成像参数方向需要采集的磁共振图像的个数,以T1ρ成像为例,假设需要采集N个磁共振图像,则设定N个TSL时间点,用户可以根据磁共振参数成像的类型和需要采集的磁共振图像个数,灵活设置多个参数时间点。
设置好多个参数时间点之后,还需要确定每个参数时间点对应的数据降采率,数据降采率的设置原则可以是:较小的参数时间点,采用较小的加速倍数进行采集;较大的参数时间点,采用较大的加速倍数进行采集。例如,以T1ρ成像为例,TSL参数方向需要采集的图像的个数为N,则设定第i=1,2,…,N个TSL参数时间点的数据降采率为Ri,Ri是变化的。
步骤S102,根据每个参数时间点对应的数据降采率,以及频率编码方向全采、相位编码方向变密度采集的数据采集策略,生成变速率变密度采集模板。
在本发明实施例中,确定每个参数时间点对应的数据降采率之后,按照频率编码方向全采、相位编码方向变密度采集的数据采集策略,生成变速率变密度采集模板。变速率变密度采集模板包括多个参数时间点、每个参数时间点对应的数据降采率、以及每个参数时间点均频率编码方向全采、相位编码方向变密度采集的数据采集策略。
步骤S103,按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据。
在本发明实施例中,得到变速率变密度采集模板之后,在每个参数时间点,按照该参数时间点对应的数据降采率频率编码方向全采、相位编码方向变密度采集,得到每个参数时间点的数据,采用变速率变密度采集模板进行加速采集,可以加快扫描速度。
采集到每个参数时间点的数据之后,将所有磁共振图像数据按照参数方向即每个参数时间点的序号,排成一个空间-参数矩阵,该空间-参数矩阵的每一列表示某一参数时间点采集到的磁共振图像数据,该空间-参数矩阵即为欠采K空间数据所对应的磁共振图像数据。
步骤S104,建立对欠采K空间数据进行重建的重建模型。
在本发明实施例中,基于应用于磁共振动态成像的低秩加稀疏模型(low-rankplus sparse,L+S),本发明实施例建立对欠采K空间数据进行重建的重建模型,该重建模型可以表示为:
min{X,L,S}||S||1s.t.C(X)=L+S,E(X)=d,Rank(L)=1 (1)
其中,||·||1表示l1范数,C(·)是一个操作算子,表示对磁共振图像进行像素级的信号补偿,X表示要重建的磁共振图像,且其表示成大小为体素数×参数时间点数(例如,TSL时间点数)的矩阵;L表示磁共振图像的低秩矩阵,即,用矩阵形式表示的磁共振图像的低秩部分;S表示磁共振图像的稀疏矩阵,即,磁共振图像和低秩部分的残差图像;E表示多通道线圈编码矩阵,其等于欠采傅里叶算子与线圈的敏感度矩阵的乘积;Rank(L)表示低秩矩阵L的秩。
步骤S105,对重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像。
在本发明实施例中,预设的参数弛豫模型可以表示为:
M=M0exp(-TSLk/T1p)k=1,2,…,N (2)
其中,M表示每个参数时间点对应的磁共振图像的图像强度;M0为平衡态的图像强度,其表示不带参数脉冲(例如,自旋-锁脉冲)情况下得到的平衡图像强度;TSLk表示第k个参数时间点,N表示参数时间点的个数,T1ρ表示参数图。利用公式(2)对磁共振图像中的所有像素进行非线性拟合,即可得到磁共振图像中各种组织的参数值,也就是得到了参数图。
基于预设的参数弛豫模型,信号补偿可以具体表示为将图像中的每个像素均乘以一个补偿系数,补偿系数计算公式可以表示为:
Coef=exp(TSLk/T1ρ)k=1,2,…,N (3)
其中,Coef表示补偿系数。
建立对欠采K空间数据进行重建的重建模型之后,需要对重建模型进行求解,请参照图3,步骤S105可以包括预处理子步骤、第一更新子步骤和第一迭代子步骤,预处理子步骤为子步骤S1051,第一更新子步骤包括子步骤S1052~S1054,第一迭代子步骤包括子步骤S1055,下面进行详细描述:
子步骤S1051,对欠采K空间数据进行预处理,得到第一补偿系数及第一图像细节。
在本发明实施例中,对于欠采K空间数据,首先,取欠采K空间数据的全采K空间中心数据进行傅里叶逆变换,将全采K空间中心数据转换到图像域,得到初始图像;然后,利用预设的参数弛豫模型对初始图像进行拟合,得到第一参数图,用T1ρ 1表示;再将第一参数图代入预设的补偿系数计算公式,计算出第一补偿系数,用Coef1表示;同时,依据初始图像,设置第一图像细节为空集,即
在本发明实施例中,对欠采K空间数据预处理之后,需要对重建模型进行迭代求解,即,从欠采K空间数据中重建出参数加权图像,在重建参数加权图像的过程中用到了拟合的参数图,将参数图作为一个约束加入到参数加权图像重建中。换句话说,在重建的迭代过程中,每次迭代都会根据新重建出来的参数加权图像和参数弛豫模型,更新参数图,并将更新后的参数图用于下一次迭代中的信号补偿,如此反复迭代,直至算法收敛,停止重建,得到最终重建出来的参数加权图像,下面通过子步骤S1052~S1054进行详细描述。利用参数弛豫模型的先验信息来增加参数加权图像的数据冗余性,以此来提高重建精度。
子步骤S1052,对欠采K空间数据进行傅里叶逆变换得到目标磁共振图像,利用第一补偿系数对目标磁共振图像进行补偿,得到第一参考图像。
在本发明实施例中,设定迭代次数为i=1,2...I,在i=1次迭代时,目标磁共振图像是对欠采K空间数据进行傅里叶逆变换得到的,故i=1次迭代时的目标磁共振图像有伪影;在i=k次迭代时,将第k-1次迭代重建出的目标参数加权图像作为目标磁共振图像,由于第k-1次迭代重建出的目标参数加权图像伪影减少,故i=k次迭代时的目标磁共振图像伪影减少。同时,在i次迭代中的参数图用T1ρ i表示,补偿系数用Coefi表示,图像细节用feati表示。
在迭代过程中,需要根据补偿系数对目标磁共振图像进行补偿,即,其中,Xi表示目标磁共振图像,表示补偿后的图像。在第i=1时,对欠采K空间数据进行傅里叶逆变换得到目标磁共振图像,利用第一补偿系数Coef1对X1进行补偿,得到第一参考图像
子步骤S1053,利用第一补偿系数及第一图像细节,对所述第一参考图像进行重建,得到目标参数加权图像。
在本发明实施例中,第一参考图像包括低秩部分(low-rank component,L)和稀疏部分(sparse component,S),在参数加权图像重建过程中,需要对第一参考图像的低秩部分L做奇异值阈值操作、稀疏部分S做软阈值操作,得到迭代更新后的低秩部分L和稀疏部分S,再对更新后的低秩部分L和稀疏部分S求和,就能得到更新后的目标磁共振图像。
因此,对所述第一参考图像进行重建的过程可以包括第二更新子步骤及第二迭代子步骤,其中,
第二更新子步骤,包括:
第一步,将第一参考图像划分为低秩部分L和稀疏部分S;
第二步,获取辅助稀疏矩阵,并利用辅助稀疏矩阵对第一参考图像的低秩部分进行奇异值阈值操作,得到目标低秩矩阵。辅助稀疏矩阵用Sj-1表示,设定迭代次数为j=1,2,...J,在j=1时设定Sj-1=0,在第j次迭代中,对第一参考图像的低秩部分L进行奇异值阈值操作,得到目标低秩矩阵Lj的过程可以用下式表示:
SVTl(M)=UΛλ(Σ)VH (5)
其中,M=UΣVH表示奇异值分解(SVD),U、V分别为左、右奇异值向量组成的矩阵,VH表示V的共轭转置,Σ是由M的奇异值组成的对角矩阵;Λλ(Σ)表示保留Σ中最大的奇异值不变,其他全为0。在本发明实施例中,只取L的最大奇异值,使得做奇异值阈值操作后低秩部分L的秩为Rank(L)=1。
第三步,判断第一图像细节是否为空集,当第一图像细节不为空集时,利用目标低秩矩阵及第一图像细节对第一参考图像的稀疏部分进行软阈值操作,得到目标稀疏矩阵。在第j次迭代中,对第一参考图像的稀疏部分S进行软阈值操作,得到目标稀疏矩阵Sj的过程可以用下式表示:
其中,p是图像矩阵的一个元素,v是阈值,其值与第一图像细节中的值线性相关。
第四步,依据目标低秩矩阵及目标稀疏矩阵,得到第二参考图像,这一过程可以用下式表示:
第四步,利用第一补偿系数对第二参考图像进行信号补偿的逆过程,得到辅助参数加权图像,在第j次迭代中,利用第一补偿系数对第二参考图像进行重建的过程可以用下式表示:
第二迭代子步骤,包括:
利用目标稀疏矩阵替代辅助稀疏矩阵、第二参考图像替代第一参考图像并执行第二更新子步骤,直至达到迭代终止条件,将重建得到的辅助参数加权图像作为目标参数加权图像,迭代终止条件可以是迭代次数达到预设阈值、或者重建误差小于某个预设值,预设阈值就是设定的迭代次数J,其可以由用户根据实际情况灵活设置,在此不做限定。
下面换一种方式对子步骤S1053介绍的迭代过程进行描述:
在第i次迭代的目标参数加权图像重建过程中,对第一参考图像进行重建的过程可以包括:
设定迭代次数为j=1,2,...J,并设定j=1时Sj-1=0,在第j次迭代中:
6)当j=J或重建误差小于某个预设值时终止迭代,将最终得到的辅助参数加权图像Xi J作为目标加权图像。
当i=1时,将重建出的目标参数加权图像作为目标磁共振图像,利用子步骤S1052得到第一参考图像之后,对进行重建,得到目标参数加权图像X1的过程为:j=1时,由于则S1不更新,将基于每个像素除以补偿系数Coef1得到j=2时,由于则S2不更新,将基于每个像素除以补偿系数Coef1得到j=3时……,重复上述步骤,直到第j=J或重建误差小于某个预设值时,将最终得到的X1 J作为目标加权图像。
子步骤S1054,依据目标参数加权图像,确定出第二补偿系数及第二图像细节。
在本发明实施例中,对于子步骤S1053得到的目标参数加权图像,首先,利用预设的参数弛豫模型对目标参数加权图像进行拟合,得到第二参数图;然后,将第二参数图代入预设的补偿系数计算公式,计算出第二补偿系数;再利用迭代细节提取算子(iterativefeature refinement,IFR),对目标参数加权图像进行图像细节提取,得到第二图像细节。也就是说,在第i次迭代中,对于子步骤S1053得到的目标参数加权图像X1 J,先利用公式(2)即M=M0exp(-TSLk/T1p)k=1,2,…,N对X1 J进行拟合,得到参数图再将参数图代入公式(3)即Coef=exp(TSLk/T1ρ)k=1,2,…,N,计算出补偿系数Coefi;再利用迭代细节提取算子,对X1 J进行图像细节提取,得到图像细节feati。
子步骤S1055,将重建出的目标参数加权图像作为目标磁共振图像,利用第二补偿系数、第二图像细节分别替代第一补偿系数及第一图像细节并执行第一更新子步骤,直至达到迭代终止条件,将最终重建出的目标参数加权图像作为参数加权图像。也就是,当i=I或重建误差小于某个预设值时终止迭代,将最终重建出来的目标参数加权图像XN J作为参数加权图像。
下面换一种方式对步骤S105介绍的参数加权图像的重建过程进行描述:
1、设定迭代次数为i=1,2...I,在第i次迭代中,根据补偿系数Coefi对目标磁共振图像进行补偿得到第一参考图像,即在i=1次迭代时,目标磁共振图像是对欠采K空间数据进行傅里叶逆变换得到的,i=1次迭代时的目标磁共振图像有伪影;在i=k次迭代时,将第k-1次迭代重建出的目标参数加权图像作为目标磁共振图像,i=k次迭代时的目标磁共振图像伪影减少;
2、对上一步得到的第一参考图像进行重建,这一过程可以包括:
设定迭代次数为j=1,2,...J,并设定j=1时Sj-1=0,在第j次迭代中:
6)当j=J或重建误差小于某个预设值时终止迭代,将最终得到的辅助参数加权图像Xi J作为目标参数加权图像;
3、利用公式(2)即M=M0exp(-TSLk/T1p)k=1,2,…,N对目标参数加权图像X1 J进行拟合,得到参数图再将参数图代入公式(3)即Coef=exp(TSLk/T1ρ)k=1,2,…,N,计算出补偿系数Coefi;再利用迭代细节提取算子,对X1 J进行图像细节提取,得到图像细节feati;
4、当i=I或重建误差小于某个预设值时终止迭代,将最终重建出来的目标参数加权图像XN J作为参数加权图像。
步骤S106,利用参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。
在本发明实施例中,利用步骤S105介绍的方法重建出参数加权图像XN J之后,利用公式(2)即M=M0exp(-TSLk/T1p)k=1,2,…,N对参数加权图像X1 J进行拟合,得到最终的参数图T1ρ。
与现有技术相比,本发明实施例具有以下有益效果:
首先,采用了变速率变密度采集模块采集欠采K空间数据,加快了扫描速度;
其次,在参数加权图像重建过程中引入了信号补偿的方法,同时结合对欠采K空间数据进行重建的重建模型,可以从欠采K空间数据中精确重建出参数加权图像;同时,在参数加权图像的重建过程中用到了拟合的参数图,将参数图作为一个约束加入到重建中,提高了重建精度;
第三,现有基于模型的磁共振快速参数成像方法仅能使用一些较为简单的参数弛豫模型,本发明实施例中参数弛豫模型的选择更为灵活和宽松,实用性更强;
第四,本发明实施例加入了迭代细节提取算子从残差图像中提取出图像细节,并根据图像细节的值对第一参考图像的稀疏部分做软阈值操作,可以更好的去除伪影。
第二实施例
请参照图4,图4示出了本发明实施例提供的磁共振快速参数成像装置200的方框示意图。磁共振快速参数成像装置200包括设置模块201、模板生成模块202、数据采集模块203、模型建立模块204、图像重建模块205及图像拟合模块206。
设置模块201,用于设置磁共振仪采集磁共振图像的多个参数时间点,并确定每个参数时间点对应的数据降采率。
模板生成模块202,用于根据每个参数时间点对应的数据降采率,以及频率编码方向全采、相位编码方向变密度采集的数据采集策略,生成变速率变密度采集模板。
数据采集模块203,用于按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据。
模型建立模块204,用于建立对欠采K空间数据进行重建的重建模型。
图像重建模块205,用于对重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像。
在本发明实施例中,图像重建模块205执行对重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像的方式,包括预处理子步骤、第一更新子步骤及第一迭代子步骤;其中,
预处理子步骤包括:对欠采K空间数据进行预处理,得到第一补偿系数及第一图像细节;
第一更新子步骤,包括:对所述欠采K空间数据进行傅里叶逆变换得到目标磁共振图像,利用第一补偿系数对目标磁共振图像进行补偿,得到第一参考图像;利用第一补偿系数及第一图像细节,对第一参考图像进行重建,得到目标参数加权图像;依据目标参数加权图像,确定出第二补偿系数及第二图像细节;
第一迭代子步骤,包括:将重建出的目标参数加权图像作为作为目标磁共振图像,利用第二补偿系数、第二图像细节分别替代第一补偿系数及第一图像细节并执行第一更新子步骤,直至达到迭代终止条件,将最终重建出的目标参数加权图像作为参数加权图像。
在本发明实施例中,图像重建模块205执行预处理子步骤的方式,包括:取欠采K空间数据的全采K空间中心数据进行傅里叶逆变换,得到初始图像;利用预设的参数弛豫模型对初始图像进行拟合,得到第一参数图;将第一参数图代入预设的补偿系数计算公式,计算出第一补偿系数;依据初始图像,设置第一图像细节为空集。
在本发明实施例中,图像重建模块205执行第一更新子步骤中利用第一补偿系数及第一图像细节,对第一参考图像进行重建,得到目标参数加权图像的方式,包括第二更新子步骤及第二迭代子步骤,其中,
第二更新子步骤,包括:将第一参考图像划分为低秩部分和稀疏部分;获取辅助稀疏矩阵,并利用辅助稀疏矩阵对第一参考图像的低秩部分进行奇异值阈值操作,得到目标低秩矩阵;当第一图像细节不为空集时,利用目标低秩矩阵及第一图像细节对第一参考图像的稀疏部分进行软阈值操作,得到目标稀疏矩阵;依据目标低秩矩阵及目标稀疏矩阵,得到第二参考图像;利用第一补偿系数对第二参考图像进行信号补偿的逆过程,得到辅助参数加权图像;
第二迭代子步骤,包括:利用目标稀疏矩阵替代辅助稀疏矩阵、第二参考图像替代第一参考图像并执行第二更新子步骤,直至达到迭代终止条件,将重建得到的辅助参数加权图像作为目标参数加权图像。
在本发明实施例中,图像重建模块205执行第一更新子步骤中依据目标参数加权图像,确定出第二补偿系数及第二图像细节的方式,包括:利用预设的参数弛豫模型对目标参数加权图像进行拟合,得到第二参数图;将第二参数图代入预设的补偿系数计算公式,计算出第二补偿系数;利用迭代细节提取算子,对目标参数加权图像进行图像细节提取,得到第二图像细节。
图像拟合模块206,用于利用参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。
综上所述,本发明实施例提供的一种磁共振快速参数成像方法及装置,所述方法包括:按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据;建立对欠采K空间数据进行重建的重建模型;对重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像;利用参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。与现有技术相比,本发明实施例在重建过程中引入了信号补偿,可以从欠采K空间数据中精确的重建出参数加权图像,进一步拟合出参数图,提高了参数图的准确度。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本发明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)执行本发明各个实施例所述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-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。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (8)
1.一种磁共振快速参数成像方法,其特征在于,所述方法包括:
设置磁共振仪采集磁共振图像的多个参数时间点,并确定每个参数时间点对应的数据降采率;
根据每个参数时间点对应的数据降采率,以及频率编码方向全采、相位编码方向变密度采集的数据采集策略,生成变速率变密度采集模板;
按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据;
建立对所述欠采K空间数据进行重建的重建模型;
对所述重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像;
利用所述参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。
2.如权利要求1所述的方法,其特征在于,所述欠采K空间数据包括多个按序排列的参数时间点对应的K空间数据;
所述对重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像的步骤,包括预处理子步骤、第一更新子步骤及第一迭代子步骤;其中,
所述预处理子步骤包括:
对所述欠采K空间数据进行预处理,得到第一补偿系数及第一图像细节;
所述第一更新子步骤,包括:
对所述欠采K空间数据进行傅里叶逆变换得到目标磁共振图像,利用第一补偿系数对目标磁共振图像进行补偿,得到第一参考图像;
利用第一补偿系数及第一图像细节,对所述第一参考图像进行重建,得到目标参数加权图像;依据所述目标参数加权图像,确定出第二补偿系数及第二图像细节;
所述第一迭代子步骤,包括:
将重建出的目标参数加权图像作为目标磁共振图像,利用第二补偿系数、第二图像细节分别替代第一补偿系数及第一图像细节并执行所述第一更新子步骤,直至达到迭代终止条件,将最终重建出的目标参数加权图像作为参数加权图像。
3.如权利要求2所述的方法,其特征在于,所述对欠采K空间数据进行预处理,得到第一补偿系数及第一图像细节的步骤,包括:
取所述欠采K空间数据的全采K空间中心数据进行傅里叶逆变换,得到初始图像;
利用预设的参数弛豫模型对所述初始图像进行拟合,得到第一参数图;
将第一参数图代入预设的补偿系数计算公式,计算出第一补偿系数;
依据所述初始图像,设置所述第一图像细节为空集。
4.如权利要求2所述的方法,其特征在于,所述利用第一补偿系数及第一图像细节,对所述第一参考图像进行重建,得到目标参数加权图像的步骤,包括第二更新子步骤及第二迭代子步骤,其中,
所述第二更新子步骤,包括:
将所述第一参考图像划分为低秩部分和稀疏部分;
获取辅助稀疏矩阵,并利用辅助稀疏矩阵对所述第一参考图像的低秩部分进行奇异值阈值操作,得到目标低秩矩阵;
当第一图像细节不为空集时,利用目标低秩矩阵及第一图像细节对所述第一参考图像的稀疏部分进行软阈值操作,得到目标稀疏矩阵;
依据目标低秩矩阵及目标稀疏矩阵,得到第二参考图像;
利用第一补偿系数对所述第二参考图像进行信号补偿的逆过程,得到辅助参数加权图像;
所述第二迭代子步骤,包括:
利用目标稀疏矩阵替代辅助稀疏矩阵、第二参考图像替代第一参考图像并执行所述第二更新子步骤,直至达到迭代终止条件,将重建得到的辅助参数加权图像作为目标参数加权图像。
5.如权利要求2所述的方法,其特征在于,依据所述目标参数加权图像,确定出第二补偿系数及第二图像细节的步骤,包括:
利用预设的参数弛豫模型对所述目标参数加权图像进行拟合,得到第二参数图;
将第二参数图代入预设的补偿系数计算公式,计算出第二补偿系数;
利用迭代细节提取算子,对目标参数加权图像进行图像细节提取,得到第二图像细节。
6.如权利要求5所述的方法,其特征在于,所述参数弛豫模型为M=M0exp(-TSLk/T1ρ)k=1,2,…,N,M表示每个参数时间点对应的磁共振图像的图像强度,M0为平衡态的图像强度,TSLk表示第k个参数时间点,N表示参数时间点的个数,T1ρ表示参数图;
所述补偿系数计算公式为Coef=exp(TSLk/T1ρ)k=1,2,…,N,Coef表示补偿系数。
8.一种磁共振快速参数成像装置,其特征在于,所述装置包括:
设置模块,用于设置磁共振仪采集磁共振图像的多个参数时间点,并确定每个参数时间点对应的数据降采率;
模板生成模块,用于根据每个参数时间点对应的数据降采率,以及频率编码方向全采、相位编码方向变密度采集的数据采集策略,生成变速率变密度采集模板;
数据采集模块,用于按照变速率变密度采集模板,采集磁共振图像对应的欠采K空间数据;
模型建立模块,用于建立对所述欠采K空间数据进行重建的重建模型;
图像重建模块,用于对所述重建模型进行求解,在求解过程中基于预设的参数弛豫模型进行信号补偿,从所述欠采K空间数据中重建出参数加权图像;
图像拟合模块,用于利用所述参数弛豫模型对重建出的参数加权图像进行拟合得到参数图,其中,参数图包括磁共振图像中各种组织的参数值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467405.0A CN109633502B (zh) | 2018-12-03 | 2018-12-03 | 磁共振快速参数成像方法及装置 |
PCT/CN2019/122002 WO2020114329A1 (zh) | 2018-12-03 | 2019-11-29 | 磁共振快速参数成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467405.0A CN109633502B (zh) | 2018-12-03 | 2018-12-03 | 磁共振快速参数成像方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633502A CN109633502A (zh) | 2019-04-16 |
CN109633502B true CN109633502B (zh) | 2020-07-24 |
Family
ID=66070634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811467405.0A Active CN109633502B (zh) | 2018-12-03 | 2018-12-03 | 磁共振快速参数成像方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109633502B (zh) |
WO (1) | WO2020114329A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633502B (zh) * | 2018-12-03 | 2020-07-24 | 深圳先进技术研究院 | 磁共振快速参数成像方法及装置 |
CN111856364B (zh) * | 2019-04-24 | 2023-03-28 | 深圳先进技术研究院 | 一种磁共振成像方法、装置、系统及存储介质 |
CN111856365B (zh) * | 2019-04-24 | 2023-03-14 | 深圳先进技术研究院 | 磁共振成像方法、装置、系统及存储介质 |
CN113050009B (zh) * | 2019-12-27 | 2022-12-13 | 深圳先进技术研究院 | 三维磁共振快速参数成像方法和装置 |
CN113567901A (zh) * | 2020-04-29 | 2021-10-29 | 深圳先进技术研究院 | 一种磁共振旋转坐标系下的自旋晶格弛豫成像方法和系统 |
CN112336337B (zh) * | 2020-11-06 | 2022-09-02 | 深圳先进技术研究院 | 磁共振参数成像模型的训练方法及训练装置、介质和设备 |
CN112381786A (zh) * | 2020-11-12 | 2021-02-19 | 深圳先进技术研究院 | 定量参数值获取方法和装置、可读存储介质、计算机设备 |
CN112710975A (zh) * | 2021-01-25 | 2021-04-27 | 东北林业大学 | 基于稀疏和局部低秩矩阵分解的磁共振扩散图像重建方法 |
CN113093076B (zh) * | 2021-03-22 | 2022-05-10 | 上海东软医疗科技有限公司 | 磁共振图像的处理方法、装置及电子设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5591500B2 (ja) * | 2009-07-30 | 2014-09-17 | 株式会社日立メディコ | 磁気共鳴イメージング装置、および、画像再構成プログラム |
CN101975936A (zh) * | 2010-09-03 | 2011-02-16 | 杭州电子科技大学 | 一种基于cs压缩感知技术的快速磁共振成像方法 |
CN102309328B (zh) * | 2011-10-19 | 2012-11-14 | 中国科学院深圳先进技术研究院 | 弥散张量成像方法及系统 |
CN103064046B (zh) * | 2012-12-25 | 2015-04-15 | 深圳先进技术研究院 | 一种基于稀疏采样的核磁共振成像的图像处理方法 |
CN103901376B (zh) * | 2012-12-30 | 2017-11-07 | 深圳联影医疗科技有限公司 | 磁共振成像方法与装置 |
CN103472419B (zh) * | 2013-08-30 | 2016-05-18 | 深圳先进技术研究院 | 磁共振快速成像方法及其系统 |
CN103646410B (zh) * | 2013-11-27 | 2016-06-08 | 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 |
CN103654789B (zh) * | 2013-12-10 | 2015-12-30 | 深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN108324276B (zh) * | 2018-01-11 | 2021-07-30 | 上海东软医疗科技有限公司 | 磁共振成像方法和装置 |
CN109633502B (zh) * | 2018-12-03 | 2020-07-24 | 深圳先进技术研究院 | 磁共振快速参数成像方法及装置 |
-
2018
- 2018-12-03 CN CN201811467405.0A patent/CN109633502B/zh active Active
-
2019
- 2019-11-29 WO PCT/CN2019/122002 patent/WO2020114329A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN109633502A (zh) | 2019-04-16 |
WO2020114329A1 (zh) | 2020-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633502B (zh) | 磁共振快速参数成像方法及装置 | |
Tezcan et al. | MR image reconstruction using deep density priors | |
US10671939B2 (en) | System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction | |
CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
US10627470B2 (en) | System and method for learning based magnetic resonance fingerprinting | |
Montesinos et al. | Application of the compressed sensing technique to self‐gated cardiac cine sequences in small animals | |
US20230386048A1 (en) | Ultrasound image segmentation method and apparatus, terminal device, and storage medium | |
CN117011673B (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
CN113920213A (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
CN114299185A (zh) | 磁共振图像生成方法、装置、计算机设备和存储介质 | |
CN111714124B (zh) | 磁共振电影成像方法、装置、成像设备及存储介质 | |
CN111105471B (zh) | 用于生成与成像有关的采样掩码的方法和装置 | |
Ryu et al. | K-space refinement in deep learning mr reconstruction via regularizing scan specific spirit-based self consistency | |
CN107895387B (zh) | Mri图像重建方法及装置 | |
CN113050009B (zh) | 三维磁共振快速参数成像方法和装置 | |
CN105654527A (zh) | 一种基于结构化字典学习的磁共振成像重建方法和装置 | |
US20220292673A1 (en) | On-Site training of a machine-learning algorithm for generating synthetic imaging data | |
CN115115723A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 | |
EP3764118A1 (en) | An apparatus and method for medical image correction | |
KR102514804B1 (ko) | 비지도 학습 기반 자기 공명 영상 처리 방법 및 그 장치 | |
Moore et al. | Online data-driven dynamic image restoration using DINO-KAT models | |
Alexandroni et al. | White matter fiber representation using continuous dictionary learning | |
Zhong et al. | Low-rank plus sparse reconstruction using dictionary learning for 3D-MRI | |
EP4343680A1 (en) | De-noising data | |
KR102352004B1 (ko) | 자기 공명 파라미터 맵 재구성 장치 및 방법 |
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 |