CN109872377B - 用于磁共振导航的脑组织快速成像与图像重建方法 - Google Patents
用于磁共振导航的脑组织快速成像与图像重建方法 Download PDFInfo
- Publication number
- CN109872377B CN109872377B CN201910148461.6A CN201910148461A CN109872377B CN 109872377 B CN109872377 B CN 109872377B CN 201910148461 A CN201910148461 A CN 201910148461A CN 109872377 B CN109872377 B CN 109872377B
- Authority
- CN
- China
- Prior art keywords
- image
- interventional
- feature
- intervention
- reconstruction
- 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
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种用于磁共振导航的脑组织快速成像与图像重建方法,通过多层级联卷积神经网络分别针对参考图像和介入图像进行重构,将得到的两幅重构图像相减得到介入特征,将得到的介入特征加载至参考图像得到最终介入图像,实现针对介入操作中的磁共振影像实时的快速采集和重建,对图像引导的介入和手术具有重要意义。
Description
技术领域
本发明涉及的是一种医疗器械领域的技术,具体是一种用于磁共振导航的脑组织快速成像与图像重建方法。
背景技术
磁共振影像的软组织对比度好,成像的方法多样,为当前影像导航的手术与介入操作提供了重要途径。然而,磁共振成像采集时间较长,难以在术中操作的过程中开展实时的图像采集与图像重建。当前磁共振快速采集与重建的主要方法包括并行成像方法、短TR采集方法、部分k空间采集方法、非笛卡尔坐标系k空间采集方法、压缩感知方法等等,但常规并行成像和短TR采集方法的加速倍数无法满足实时成像的要求、部分k空间采集方法的图像重建分辨率较低,图像质量不佳、非笛卡尔坐标系的k空间采集在高降采样的情况下,重建的图像质量不佳、压缩感知方法的图像重建速度慢,无法满足实时需求。
发明内容
本发明针对现有技术存在的上述不足,提出一种用于磁共振导航的脑组织快速成像与图像重建方法,实现针对介入操作中的磁共振影像实时的快速采集和重建,对图像引导的介入和手术具有重要意义。
本发明是通过以下技术方案实现的:
本发明通过多层级联卷积神经网络分别针对参考图像和介入图像进行重构,将得到的两幅重构图像相减得到介入特征,将得到的介入特征加载至参考图像得到最终介入图像。
所述的多层级联卷积神经网络,由至少三级卷积神经网络级联组成,每级神经网络包括:卷积层和与之相连的数据一致性保持层,优选包括十个卷积层和一个数据一致性保持层,其中前9个卷积层每层都有64个过滤器(filter),最后一个则只有两个过滤器。
所有卷积层中的过滤器的尺寸都为3x3,步长都为1x1。
每层都使用相同补白策略(same padding)使输入输出尺寸一致。卷积层使用的激活函数为ReLU函数。数据一致性保持层使用均方误差函数作为损失函数并使用Adam优化器优化。
技术效果
与现有技术相比,本发明针对介入影像进行采集和重建,图像降采样率高,成像速度快;针对介入特征进行重建,提高图像采集和重建速率,准确捕捉介入特征的空间位置进行导航;通过基于机器学习的重建,图像质量好。
附图说明
图1为本发明流程示意图;
图2为实施例效果示意图;
图中:(a)全采样的介入影像;(b)采用本方法重建的介入影像。
图3为现有技术比较效果图;
图中:(a1)未采样的参考图像;(a2)本方法重建图像;(a3)现有GAN网络生成图像。
具体实施方式
如图1所示,为本实施例涉及的一种用于磁共振导航的快速成像与图像重建方法,通过多层级联卷积神经网络分别针对介入前降采样参考图像和介入后降采样图像进行重构,将得到的两幅重构图像相减得到介入特征,将得到的介入特征加载至介入前全采样参考图像得到最终介入图像。
本实施例具体包括以下步骤:
①脑组织在定位架上固定后,在介入操作前,对脑组织进行常规的结构影像采集得到用于后续重建图像的生成的原始图像xRef。
所述的原始图像xRef是全采样图像,针对不同的介入需求进行采集,类似于常规诊断影像,具有较高的分辨率并保留尽量多的细节。
所述的重建是指:采用已训练好的神经网络,对经过非均匀快速傅立叶变换的欠采样图像进行二次重建。
本实施例中重建所采用的成像采集参数包括:图像采集层厚约2.1mm,读出FOV250mm,相位FOV 250mm,读出分辨率256,TR 7.4ms,相位编码方向R>L,TE 3.53ms,回波数1,翻转角10,所有图像采集过程中的带宽为200Hz,xRef使用的辐条数为401,和使用的辐条数为5。
所述的训练是指:使用端到端(end-to-end)的方法,以分辨率为128x128的人脑的冠状位磁共振图像为训练图片,脑组织的介入特征通过在原有的磁共振影像中插入介入物形状以模拟介入成像过程,对介入影像进行与实际成像的降采样处理以得到欠采样图片,从而生成相应的网络训练集,训练过程采用批训练(batch training)方法进行,训练周期为20周期。
所述的介入特征几何参数包括:介入特征的形状和在成像层面的宽度。
所述的修复是指:通过重建后定位介入特征的中心线,已知介入特征在成像层面的宽度和像素大小,在此基础上对介入特征的几何形态进行进一步修复和完善。
⑥将得到的介入特征xNov加载到xRef,得到最终介入图像。
所述的加载是指:已知介入特征的位置和几何形态,以基于参考图像尺寸生成介入特征的二位矩阵,将介入特征二位矩阵与xRef做逐个像素的或运算。
如图2所示,为本方法与现有技术比较示意图,如图可见,本方法的优势在于将介入特征和背景图像分开重建,在介入过程中只需对介入特征进行重建,重建的效率和速度高。
如图3所示,为本方法与现有技术比较示意图,如图可见,本方法的优势在于可以对介入特征的位置和几何形态进行较好的重建,为术中导航提供准确的定位信息。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种用于磁共振导航的脑组织快速成像与图像重建方法,其特征在于,通过多层级联卷积神经网络分别针对参考图像和介入图像进行重构,将得到的两幅重构图像相减得到介入特征,将得到的介入特征加载至参考图像得到最终介入图像;
所述的多层级联卷积神经网络,由至少三级卷积神经网络级联组成,每级神经网络包括:卷积层和与之相连的数据一致性保持层,包括十个卷积层和一个数据一致性保持层,其中前9个卷积层每层都有64个过滤器,最后一个卷积层包括两个过滤器;
所述方法,具体包括以下步骤:
①脑组织在定位架上固定后,在介入操作前,对脑组织进行常规的结构影像采集得到用于后续重建图像的生成的原始图像xRef;
⑥将得到的介入特征xNov加载到xRef,得到最终介入图像。
2.根据权利要求1所述的方法,其特征是,所有卷积层中的过滤器的尺寸都为3x3,步长都为1x1;每层都使用相同补白策略使输入输出尺寸一致。
3.根据权利要求1所述的方法,其特征是,所述的卷积层使用的激活函数为ReLU函数。
4.根据权利要求1所述的方法,其特征是,所述的数据一致性保持层使用均方误差函数作为损失函数并使用Adam优化器优化。
5.根据权利要求1所述的方法,其特征是,所述的训练是指:使用端到端的方法,以分辨率为128x128的人脑的冠状位磁共振图像为训练图片,脑组织的介入特征通过在原有的磁共振影像中插入介入物形状以模拟介入成像过程,对介入影像进行与实际成像的降采样处理以得到欠采样图片,从而生成相应的网络训练集,训练过程采用批训练方法进行,训练周期为20周期。
7.根据权利要求1所述的方法,其特征是,所述的介入特征几何参数包括:介入特征的形状和在成像层面的宽度;所述的修复是指:通过重建后定位介入特征的中心线,已知介入特征在成像层面的宽度和像素大小,在此基础上对介入特征的几何形态进行进一步修复和完善。
8.根据权利要求1所述的方法,其特征是,所述的加载是指:已知介入特征的位置和几何形态,以基于参考图像尺寸生成介入特征的二位矩阵,将介入特征二位矩阵与xRef做逐个像素的或运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148461.6A CN109872377B (zh) | 2019-02-28 | 2019-02-28 | 用于磁共振导航的脑组织快速成像与图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148461.6A CN109872377B (zh) | 2019-02-28 | 2019-02-28 | 用于磁共振导航的脑组织快速成像与图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872377A CN109872377A (zh) | 2019-06-11 |
CN109872377B true CN109872377B (zh) | 2023-01-20 |
Family
ID=66919437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148461.6A Active CN109872377B (zh) | 2019-02-28 | 2019-02-28 | 用于磁共振导航的脑组织快速成像与图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872377B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11763134B2 (en) * | 2020-01-22 | 2023-09-19 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image reconstruction |
CN113192150B (zh) * | 2020-01-29 | 2022-03-15 | 上海交通大学 | 基于循环神经网络的磁共振介入图像重建方法 |
CN112881958B (zh) * | 2021-02-04 | 2022-02-25 | 上海交通大学 | 基于低秩与稀疏分解的磁共振介入成像方法、系统及介质 |
CN113866695B (zh) * | 2021-10-12 | 2022-08-26 | 上海交通大学 | 磁共振实时引导介入的图像采集与重建方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747257A (zh) * | 2013-12-05 | 2014-04-23 | 中国科学技术大学 | 一种视频数据高效编码的方法 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
JP2018089142A (ja) * | 2016-12-05 | 2018-06-14 | 学校法人同志社 | 脳機能イメージングデータからヒトの脳活動状態を推定する方法 |
CN108347612A (zh) * | 2018-01-30 | 2018-07-31 | 东华大学 | 一种基于视觉注意机制的监控视频压缩与重构方法 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
-
2019
- 2019-02-28 CN CN201910148461.6A patent/CN109872377B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747257A (zh) * | 2013-12-05 | 2014-04-23 | 中国科学技术大学 | 一种视频数据高效编码的方法 |
JP2018089142A (ja) * | 2016-12-05 | 2018-06-14 | 学校法人同志社 | 脳機能イメージングデータからヒトの脳活動状態を推定する方法 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
CN108347612A (zh) * | 2018-01-30 | 2018-07-31 | 东华大学 | 一种基于视觉注意机制的监控视频压缩与重构方法 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
血管内光声成像图像重建的研究现状;孙正等;《光电工程》;20150315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109872377A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872377B (zh) | 用于磁共振导航的脑组织快速成像与图像重建方法 | |
US20190236817A1 (en) | Generalized Multi-Channel MRI Reconstruction Using Deep Neural Networks | |
US10859657B2 (en) | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model | |
CN109523584B (zh) | 图像处理方法、装置、多模态成像系统、存储介质及设备 | |
CN111081354A (zh) | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 | |
US20050100202A1 (en) | Method for generating fast magnetic resonance images | |
KR101351583B1 (ko) | 의료 영상 이미징 방법, 그에 따른 의료 진단 장치 및 그에 따른 기록 매체 | |
CN110490832A (zh) | 一种基于正则化深度图像先验方法的磁共振图像重建方法 | |
CN108776318B (zh) | 磁共振多对比度图像重建 | |
US20200300957A1 (en) | Method for Estimating Systematic Imperfections in Medical Imaging Systems with Deep Learning | |
CN104434108B (zh) | 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 | |
JPH10155767A (ja) | 動きアーティファクトを除去する磁気共鳴方法及び装置 | |
CN101484823A (zh) | 磁共振成像设备和方法 | |
CN111833248B (zh) | 基于部分哈达玛矩阵的超分辨率鬼成像方法及系统 | |
KR101886575B1 (ko) | 언더샘플링된 자기 공명 영상의 재구성 장치 및 방법 | |
CN113313778A (zh) | 磁共振图像的重建方法、计算机设备及存储介质 | |
CN108324276B (zh) | 磁共振成像方法和装置 | |
CN116934999A (zh) | 一种基于有限视角图像的NeRF三维重构系统及方法 | |
KR101341617B1 (ko) | 단일 영상의 오차모델을 기반으로 한 고해상도 영상 복원장치 및 방법 | |
CN116862765A (zh) | 一种医学影像超分辨率重建方法及系统 | |
KR102508384B1 (ko) | 공간 가변적 정규화에 기반한 ToF 카메라 초해상도 영상 복원 방법 및 장치 | |
KR101340944B1 (ko) | 방사형 좌표계에서의 자기공명 영상 방법 | |
Stijnman et al. | MR image estimation from sparsely sampled radial scans | |
Deng et al. | Efficient Training of 3D Unrolled Neural Networks for MRI Reconstruction Using Small Databases | |
CN114624640B (zh) | 一种基于同时多层采集的磁共振三维运动校正方法及系统 |
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 |