CN109949206A - 运动伪影图像的生成方法、装置、设备和存储介质 - Google Patents
运动伪影图像的生成方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109949206A CN109949206A CN201910092538.2A CN201910092538A CN109949206A CN 109949206 A CN109949206 A CN 109949206A CN 201910092538 A CN201910092538 A CN 201910092538A CN 109949206 A CN109949206 A CN 109949206A
- Authority
- CN
- China
- Prior art keywords
- image
- scanned position
- space
- motion
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种运动伪影图像的生成方法、装置、设备和存储介质,计算机设备对扫描部位的特征图像进行傅里叶变换,得到对应的K空间数据,然后按照预设规律对K空间数据进行排列组合,得到扫描部位在K空间的目标数据,并对目标数据进行逆傅里叶变换,得到扫描部位的运动伪影图像,由于扫描部位的特征图像可以包括多个特征,提取特征图像时可以提取同一扫描部位多种特征下的图像,这样,在确定了K空间的目标数据后,再经反傅里叶变换就得到扫描部位的运动伪影图像,从而生成不同生理运动产生的伪影图像,大大提高了运动伪影生成的多样性,使得在利用运动伪影图像来建模时,可以充分覆盖现实中运动伪影的产生机制。
Description
技术领域
本申请涉及图像运动伪影技术领域,特别是涉及一种运动伪影图像的生成方法、装置、设备和存储介质。
背景技术
在磁共振的扫描过程中,扫描对象很可能会产生整体或者局部的运动,造成扫描的图像产生运动伪影。而带有运动伪影的图像会造成医生的误诊、漏诊或者无法进行诊断,因此,自动检测并抑制运动伪影对提升图像质量和辅助医生进行临床诊断都具有重要意义。
人工智能系统能有效检测并抑制伪影,但使用人工智能系统进行伪影识别(检测)需要使用大量带伪影和不带伪影的图像进行对照训练,而在实际的图像采集过程中,带有运动伪影的图像数量较少,且无法得到其对照的不带伪影的图像。现有技术中,在生成运动伪影时,一般使用图像内部整体的刚体运动作为运动伪影产生的原因,但实际成像过程中,整体的刚体运动只是运动伪影产生的原因之一,许多图像中的运动伪影的产生机制并没有得到很好的阐述,例如:眼部常见的带状伪影,颈部常见的水纹状伪影,咽喉部和舌部的模糊伪影,腹部扩散性伪影等。且现有技术使用刚体变换生成运动伪影,相当于假设运动物体是均匀刚体,根据均匀刚体来生成运动伪影,但现实中,人体组织结构既不均匀,也非刚体,其运动在图像上的表现会改变图像的灰度,纹理,形状等特征。
因此,现有的方法只能生成最简单的运动伪影,对大多数运动伪影无能为力,在利用该运动伪影来建模时会使图像域建模过于简单,导致现有的建模方法无法充分覆盖现实中运动伪影的产生机制。
发明内容
基于此,有必要针对上述现有的方法只能生成最简单的运动伪影,对大多数运动伪影无能为力,在利用该运动伪影来建模时会使图像域建模过于简单,导致现有的建模方法无法充分覆盖现实中运动伪影的产生机制的技术问题,提供一种运动伪影图像的生成方法、装置、设备和存储介质。
第一方面,本发明实施例提供一种运动伪影图像的生成方法,所述方法包括:
对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据;
按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;
对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。
在其中一个实施例中,所述按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位在K空间的目标数据,包括:
根据预设的生理运动和模拟序列的采集信息,对所述K空间数据进行排列组合,确定所述扫描部位在K空间的目标数据。
在其中一个实施例中,所述根据预设的生理运动和模拟序列的采集信息,对所述K空间数据进行排列组合,确定所述扫描部位的K空间目标数据,包括:
根据所述生理运动和模拟序列的采集信息,确定所述扫描部位的运动伪影图像的K空间的目标位置和比例;
根据所述目标位置和比例对所述K空间数据进行排列组合,得到所述扫描部位在K空间的目标数据。
在其中一个实施例中,所述特征图像包括所述扫描部位的形态特征、纹理特征或者灰度特征中的一个或多个组合。
在其中一个实施例中,所述形态特征图像包括所述扫描部位的N个形态图像;
则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:
分别对所述扫描部位的N个形态图像进行傅里叶变换,得到各所述N个形态图像对应的K空间数据。
在其中一个实施例中,所述纹理特征图像包括所述扫描部位的N个纹理图像;
则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:
分别对所述扫描部位的N个纹理图像进行傅里叶变换,得到各所述N个纹理图像对应的K空间数据。
在其中一个实施例中,所述灰度特征图像包括所述扫描部位的N个灰度图像;
则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:
分别对所述扫描部位的N个灰度图像进行傅里叶变换,得到各所述N个灰度图像对应的K空间数据。
第二方面,本发明实施例提供一种运动伪影图像的生成装置,所述装置包括:
变换模块,用于对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据;
组合模块,用于按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;所述目标数据表示所述扫描部位在K空间的目标位置和比例;
生成模块,用于对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。
第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以上第一方面所述的任何一项方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以上第一方面所述的任何一项方法的步骤。
本申请实施例提供一种运动伪影图像的生成方法、装置、设备和存储介质,计算机设备对扫描部位的特征图像进行傅里叶变换,得到对应的K空间数据,然后按照预设规律对该K空间数据进行排列组合,得到扫描部位在K空间的目标数据,并对该目标数据进行逆傅里叶变换,即得到扫描部位的运动伪影图像,该方法中,由于扫描部位的特征图像可以包括多个特征,提取特征图像时可以提取同一扫描部位多种特征下的图像,这样,在确定了各状态图像在K空间的目标数据后,再经反傅里叶变换得到扫描部位的运动伪影图像,从而生成不同类型的人体运动产生的伪影图像,大大提高了运动伪影生成的多样性,进一步地,使得在利用运动伪影图像来建模时,可以使图像域建模方法充分覆盖现实中运动伪影的产生机制。
附图说明
图1为一个实施例提供的一种运动伪影图像的生成方法的应用环境图;
图2为一个实施例提供的一种运动伪影图像的生成方法的流程示意图;
图3为一个实施例提供的一种运动伪影图像的生成方法的流程示意图;
图4为一个实施例提供的形态图像的运动伪影图像的生成方法示意图;
图5为一个实施例提供的纹理图像的运动伪影图像的生成方法示意图;
图6为一个实施例提供的灰度图像的运动伪影图像的生成方法示意图;
图7为一个实施例提供的一种运动伪影图像的生成方法装置的结构框图;
图8为一个实施例提供的一种运动伪影图像的生成方法装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种运动伪影图像的生成方法,可以应用于如图1所示的应用环境中,该计算机设备可以是服务器,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储运动伪影图像的生成方法的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种运动伪影图像的生成方法。
本申请的实施例提供一种运动伪影图像的生成方法、装置、设备和存储介质,旨在解决如何达到省电和免打扰需求,又不限制用户的个别应用需求的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本发明提供的一种运动伪影图像的生成方法,其执行主体为计算机设备,其中,该执行主体还可以是运动伪影图像的生成装置,其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为运动伪影图像生成的部分或者全部。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
在一个实施例中,图2提供了一种运动伪影图像的生成方法,本实施例涉及的是计算机设备对扫描部位的特征图像进行傅里叶变换,并根据预设的规律对傅里叶变换的结果进行排列组合,然后将组合的图像逆傅里叶变换得到该扫描部位的运动伪影图像的具体过程。如图2所示,该方法包括:
S101,对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据。
本实施例中,扫描部位的特征表示扫描部位在形状、颜色或者大小,以及表现形式上的一些特性,例如:形态特征、纹理特征、灰度特征等,相应地,扫描部位的特征图像就表示了形态特征图像、纹理特征图像或者灰度特征图像。其中,该特征图像包括了扫描部位在多种生理运动下获取的扫描图像,该扫描图像表示的是扫描部位在对应特征下的生理状态,例如,人体呼吸过程中胸腔的起伏及大小变化、头部扫描过程中、血管搏动的变化等。其中,K空间表示的是寻常空间在傅里叶转换下的对偶空间。
本步骤中,计算机设备对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,在实际应用中,计算机设备先获取所需的特征图像,然后对扫描部位的图像进行傅里叶变换,得到变换后的数据,即该特征图像对应的K空间数据。需要说明的是,本步骤中,计算机设备对扫描部位的特征图像进行傅里叶变换时,对获取的特征图像数量以及具体的类型不做限定,可以是其中一个,也可以是多个,可根据实际需求而定。
S102,按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;
基于上述S101步骤中,该K空间的目标数据表示扫描部位在K空间的目标位置和比例。计算机设备对扫描部位的特征图像进行了傅里叶变换后,得到的对应K空间数据,计算机设备按照预设规律对该K空间数据进行重新排列组合,得到该扫描部位在K空间的目标数据,其中该目标数据表示扫描部位在K空间的目标位置和比例。其中,预设规律可以是用户预先根据实际需求和情况设定的确定K空间目标数据的标准,例如:预设的生理运动状态和需要模拟的采集序列等,也可以是通过其他方式进行排列组合,本实施例对此具体内容不做限定。
S103,对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。
本步骤中,基于上述S102步骤中确定的扫描部位的特征图像在K空间的目标数据,计算机设备对该目标数据进行逆傅里叶变换,重新得到该扫描部位的图像,并将该扫描部位的图像确定为扫描部位的运动伪影图像。其中,计算机设备对K空间的数据进行逆傅里叶转换,相当于对K空间定位编码信息进行解码,分解出不同频率、相位和幅度的信号,其中不同的频率和相位代表不同的空间位置,而幅度则代表信号强度,然后把不同频率、相位及信号强度的数字信号分配到相应的像素中,我们就得到了图像数据,即重建出了图像。这样,由于对特征图像进行傅里叶变换得到对应的K空间数据均是由实际扫描图像得来的,对其组成的K空间数据进行重组,可以得到大量与现实相符的,满足需求的不同种类的运动伪影图像。同时生成的伪影图像与原来的特征图像也可形成一组对照图像,有利于提高伪影检测和分类的精度。
示例地,以心脏伪影图像的生成为例,在实际应用中,由于心肌收缩时,推动血液进入动脉,流向全身;心肌舒张时,血液由静脉流回心脏,因此心脏跳动会产生形态上的变化和血液速度变化,分别影响形态和成像的亮度(灰度),则通过获取形态特征和灰度特征下的图像,可以是,先获取心脏跳动不同状态(即收缩期或者扩张期)没有运动伪影的图像,其中获取方式可以是,采用心电(electrocardiogram,简称ECG)ECG触发的方式,在多个心脏运动周期的相同期相内,对图像进行采集,得到各个期相的完整图像。其中,把这些图像连续播放形成电影,可以反映一个周期内心脏的搏动情况。需要说明的是,通常心脏电影成像是利用心脏运动的自律性,即每个周期的运动都是相同的,将整个心脏运动周期分为若干期相,则每个期相的时长在50ms以内,心脏运动视为相对静止。在获取了心脏跳动不同状态(即收缩期或者扩张期)没有运动伪影的图像后,先选取至少两幅不同状态的没有运动伪影的图像,通过傅里叶变换得到对应的K空间数据,然后根据需要模拟的序列的采集信息,即,模拟扫描过程中,采集第几条k空间的时候心脏发生了运动,且这个运动维持了多久(改变了几条K空间)的情况,确定心脏的各特征图像在K空间目标位置和比例,以便根据该目标位置和比例进行排列组合,最后对排列组合后的K空间数据进行反傅里叶变换,就可以得到大量由于血管搏动和呼吸运动而引起的具有形态变化运动伪影和灰度变化运动伪影的心脏运动伪影图像。这样由于对心脏形态特征图像进行傅里叶变换得到对应的K空间数据均是由实际扫描图像得来的,在对其组成的K空间数据进行重组后得到大量与现实相符的,满足需求的不同种类的运动伪影图像,同时生成的伪影图像与原来的特征图像也可形成一组对照图像,有利于提高伪影检测和分类的精度。
本实施例提供的一种运动伪影图像的生成方法,计算机设备对扫描部位的特征图像进行傅里叶变换,得到对应的K空间数据,然后按照预设规律对该K空间数据进行排列组合,得到扫描部位的K空间目标数据,并对该目标数据进行逆傅里叶变换,即得到扫描部位的运动伪影图像,该方法中,由于扫描部位的特征图像可以包括多个特征,提取特征图像时可以提取同一扫描部位多种特征下的图像,这样,在确定了各状态图像在K空间的目标数据后,再经反傅里叶变换得到扫描部位的运动伪影图像,从而生成不同类型的人体运动产生的伪影图像,大大提高了运动伪影生成的多样性,进一步地,使得在利用运动伪影图像来建模时,可以使图像域建模方法充分覆盖现实中运动伪影的产生机制。
在上述实施例的基础上,对于计算机设备根据预设规律确定扫描部位在K空间的目标数据时,可以是通过预设的生理运动和模拟序列的采集信息进行确定,则上述S102步骤的一种可实现方式包括:根据预设的生理运动和模拟序列的采集信息,对所述K空间数据进行排列组合,确定所述扫描部位的K空间目标数据。
其中,预设的生理运动状态表示预先假定的扫描部位可能存在的生理状态,例如人体胸部的吸气状态、呼气状态、中间状态等,还可以是其他根据实际情况而定的状态,本实施例对此不做限定。其中,模拟序列的采集信息表示的是在实际应用中,该特征图像在K空间的何处编码时,发生上述每一个预设的生理状态的运动,可以理解的是,由于磁共振扫描过程时扫描部位的运动是随机的,所以这里模拟序列的采集信息也是在需要符合真实的人体运动状态前提下,根据实际情况自行设定的,本实施例对此也不做具体限定。在实际应用中,计算机设备根据预设的生理运动和模拟序列的采集信息,根据在一个确定的时间和位置处,扫描部位发生的某一生理运动的规律,将扫描部位在K空间的数据进行排列组合,得到扫描部位在K空间的目标数据。这样,由于预设的生理运动结合需要模拟序列的采集情况是根据实际情况而定,可以将所有不同类型的人体运动均考虑进去,得到的K空间的目标数据可以包括不同种类的运动,大大提高了运动伪影图像生成的多样性。
可选地,对于计算机设备根据预设的生理运动和模拟序列的采集信息确定目标数据的具体过程,本实施例还提供了一种运动伪影图像的生成方法,如图3所示,上述S102的可实现方式具体包括:
S201,根据所述生理运动和模拟序列的采集信息,确定所述扫描部位的运动伪影图像的K空间目标位置和比例。
本实施例中,计算机设备根据生理运动和模拟序列的采集信息,确定扫描部位在K空间的目标位置和比例,由于K空间是带有空间定位编码信息的MR信号原始数字数据的填充空间,每一幅MR图像都有其相应的K空间数据点阵,则计算机设备确定时可以是确定该扫描部位在第几条K空间编码处发生了预设的生理运动,并根据确定结果确定K空间的目标位置和比例,示例地,胸部的运动图像可以是在前一半为吸气状态的K空间,中间发生运动,然后后一半就为呼气的K空间。
S202,根据所述目标位置和比例对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据。
基于上述S201步骤中,确定的扫描部位在所述K空间的目标位置和比例,计算机设备根据该目标位置和比例对K空间数据进行排列组合,得到K空间的目标数据,其中,计算机设备进行排列组合的方式可以是符合真实的人体运动状态前提下,按照人体组织发生生理状态的顺序进行排列组合,也可以是其他方式,本实施例对此不做限定。示例地,以得到的是具有由于呼吸运动而产生的运动伪影图像为例,则由于心跳和血管搏动是周期性运动,也可根据周期性运动规律将K空间数据排列组合,因此生理运动可以是一次性的可以是周期规律的。例如一张具有运动伪影的图像可能在前一半K空间使用状态1的K空间,后一半为状态2的K空间,组成的新的K空间数据的中间部分数据就是一个具有生理运动状态的K空间数据,得到的组合K空间数据是带有运动伪图像的K空间数据。
本实施例提供的一种运动伪影图像的生成方法,计算机设备根据预设的生理运动和模拟序列的采集信息,先确定扫描部位在K空间的目标位置和比例,然后根据该目标位置和比例对K空间数据进行排列组合,得到扫描部位在K空间的目标数据,由于预设的生理运动和需要模拟序列的采集情况是根据实际情况而定,这样,在生成运动伪影图像时,可以将所有不同类型的人体运动均考虑进去,得到的K空间的目标数据可以包括不同种类的运动,大大提高了运动伪影生成的多样性。
另外,对于扫描部位的特征图像,在本申请实施例中不限定具体数量,可以是一个特征,也可以是多个,且在每个特征下的包括多个生理状态,可选地,在一个实施例中,所述特征图像包括所述扫描部位的形态特征、纹理特征或者灰度特征中的一个或多个组合。其中,计算机设备在获取特征图像时可以是获取只有扫描部位的形态特征图像、只获取扫描部位的纹理特征图像、只获取扫描部位的灰度特征图像,也可以是获取形态特征、纹理特征以及灰度特征之间的任一组合的特征图像,本实施例对此不做限定。下面通过一个实施例,对计算机设备获取的这三种特征下特征图像时,其进行傅里叶变换转换到K空间数据时的详细过程进行说明。
则在一个实施例中,所述形态特征图像包括所述扫描部位的N个形态图像;则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:分别对所述扫描部位的N个形态图像进行傅里叶变换,得到各所述N个形态图像对应的K空间数据。可选地,所述纹理特征图像包括所述扫描部位的N个纹理图像;则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:分别对所述扫描部位的N个纹理图像进行傅里叶变换,得到各所述N个纹理图像对应的K空间数据。可选地,所述灰度特征图像包括所述扫描部位的N个灰度图像;则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:分别对所述扫描部位的N个灰度图像进行傅里叶变换,得到各所述N个灰度图像对应的K空间数据。
本实施例中,其中N为自然数,例如其取值可以是1,2,3,....,10等,本实施例对此不做限定。其中,形态特征表示扫描部位的形状、状态等特征,其中,形态特征可以包括眨眼,吞咽,呼吸,脉搏跳动,局部颤抖,蠕动等,本实施例对此不做限定。示例地,如图4所示,若计算机设备获取的特征图像是胸部的呼吸状态,即包括了呼气(图中形态1)、吸气(图中形态2)和半呼半吸状态(图中形态3)这三种生理状态,计算机设备对形态特征图像进行傅里叶变换,得到对应的K空间数据,即分别为分别对胸部呼气的形态图像、胸部吸气的形态图像以及胸部半呼半吸形态图像,然后对各K空间数据进行傅里叶变换,对应得到胸部呼气的形态图像在K空间数据(图中K空间1)、胸部吸气的形态图像在K空间数据(图中K空间2)以及胸部半呼半吸形态图像在K空间的数据(图中K空间3),之后,对K空间1、K空间2和K空间3进行排列组合,得到胸部的K空间目标位置和比例确定,得到该胸部在K空间目标数据(图中新K空间),最后计算机设备对新K空间进行逆傅里叶变换,得到扫描部位形态变化的运动伪影图像。
纹理特征表示扫描部位表面上花纹或者线条特征,其中,纹理特征可以包括局部纹理信息、整体纹理信息等,本实施例对此不做限定。示例地,如图5所示,若计算机设备获取的纹理图像是横向纹理(图中纹理1)、竖向纹理(图中纹理2)以及斜向纹理(图中纹理3),计算机设备对纹理特征图像进行傅里叶变换,得到对应的K空间数据,即为分别对横向纹理图像、竖向纹理图像以及斜向纹理图像进行傅里叶变换,对应得到横向纹理图像在K空间数据(图中K空间1)、竖向纹理图像在K空间数据(图中K空间2)以及斜向纹理在K空间的数据(图中K空间3),之后同样结合上述确定目标K空间数据的方法,计算机设备根据确定在K空间目标数据(图中新K空间),并对该K空间目标数据进行逆傅里叶变换得到扫描部位纹理变化的运动伪影。
灰度特征表示扫描部位亮度信息,不含色彩信息的特征,其中,可以包括不同亮度。示例地,如图6所示,若计算机设备获取的灰度图像是亮度1、亮度2以及亮度3,计算机设备对灰度特征图像进行傅里叶变换,得到对应的K空间数据,即为分别对亮度1、亮度2以及亮度3进行傅里叶变换,对应得到亮度1在K空间数据(图中K空间1)、亮度2在K空间数据(图中K空间2)以及亮度3的数据(图中K空间3),之后同样结合上述确定目标K空间数据的方法,计算机设备根据确定在K空间目标数据(图中新K空间),并对该K空间目标数据进行逆傅里叶变换得到扫描部位灰度变化的运动伪影。
本实施例的一种运动伪影图像的生成方法,计算机设备可以获取扫描部位不同特征下的图像,并对不同特征下的多个图像进行傅里叶变换得到对应的K空间数据,由于该不同的特征图像是可以是任何生理运动的扫描图像,相当于计算机设备提取的是同一扫描部位多种生理运动下的图像,这样,在确定了各图像在K空间的目标数据后,再经反傅里叶变换得到扫描部位的运动伪影图像,可以生成不同类型生理运动产生的伪影图像,大大提高了运动伪影生成的多样性。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种运动伪影图像的生成装置,包括:变换模块10、组合模块11和生成模块12,其中:
变换模块10,用于对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据;
组合模块11,用于按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;
生成模块12,用于对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。
上述实施例提供的一种运动伪影图像的生成装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述组合模块11具体用于根据预设的生理运动和模拟序列的采集信息,对所述K空间数据进行排列组合,确定所述扫描部位在K空间的目标数据。
上述实施例提供的一种运动伪影图像的生成装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图8所示,提供了一种运动伪影图像的生成装置,上述组合模块11包括:确定单元111和组合单元112;其中,
确定单元111,用于根据所述生理运动和模拟序列的采集信息,确定所述扫描部位的运动伪影的K空间目标位置和比例;
组合单元112,用于根据所述目标位置和比例对所述K空间数据进行排列组合,得到所述扫描部位在K空间的目标数据。
上述实施例提供的一种运动伪影图像的生成装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,所述形态特征图像包括所述扫描部位的N个形态图像;上述变换模块10具体用于分别对所述扫描部位的N个形态图像进行傅里叶变换,得到各所述N个形态图像对应的K空间数据。
上述实施例提供的一种运动伪影图像的生成装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,所述纹理特征图像包括所述扫描部位的N个纹理图像;上述变换模块10具体用于分别对所述扫描部位的N个纹理图像进行傅里叶变换,得到各所述N个纹理图像对应的K空间数据。
上述实施例提供的一种运动伪影图像的生成装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,所述灰度特征图像包括所述扫描部位的N个灰度图像;上述变换模块10具体用于分别对所述扫描部位的N个灰度图像进行傅里叶变换,得到各所述N个灰度图像对应的K空间数据。
上述实施例提供的一种运动伪影图像的生成装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
关于运动伪影图像的生成装置的具体限定可以参见上文中对于运动伪影图像的生成方法的限定,在此不再赘述。上述运动伪影图像的生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如上述图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种运动伪影图像的生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,上述图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据;
按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;所述目标数据表示所述扫描部位在K空间的目标位置和比例;
对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,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执行时实现以下步骤:
对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据;
按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;所述目标数据表示所述扫描部位在K空间的目标位置和比例;
对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种运动伪影图像的生成方法,其特征在于,所述方法包括:
对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据;
按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;
对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。
2.根据权利要求1所述的方法,其特征在于,所述按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位在K空间目标数据,包括:
根据预设的生理运动和模拟序列的采集信息,对所述K空间数据进行排列组合,确定所述扫描部位的K空间目标数据。
3.根据权利要求2所述的方法,其特征在于,所述根据预设的生理运动和模拟序列的采集信息,对所述K空间数据进行排列组合,确定所述扫描部位的K空间目标数据,包括:
根据所述生理运动和模拟序列的采集信息,确定所述扫描部位的运动伪影图像在K空间的目标位置和比例;
根据所述目标位置和比例对所述K空间数据进行排列组合,得到所述扫描部位在K空间目标数据。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述特征图像包括所述扫描部位的形态特征、纹理特征或者灰度特征中的一个或多个组合。
5.根据权利要求4所述的方法,其特征在于,所述形态特征图像包括所述扫描部位的N个形态图像;
则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:
分别对所述扫描部位的N个形态图像进行傅里叶变换,得到各所述N个形态图像对应的K空间数据。
6.根据权利要求4所述的方法,其特征在于,所述纹理特征图像包括所述扫描部位的N个纹理图像;
则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:
分别对所述扫描部位的N个纹理图像进行傅里叶变换,得到各所述N个纹理图像对应的K空间数据。
7.根据权利要求4所述的方法,其特征在于,所述灰度特征图像包括所述扫描部位的N个灰度图像;
则所述对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据,包括:
分别对所述扫描部位的N个灰度图像进行傅里叶变换,得到各所述N个灰度图像对应的K空间数据。
8.一种运动伪影图像的生成装置,其特征在于,所述装置包括:
变换模块,用于对扫描部位的特征图像进行傅里叶变换,得到所述特征图像对应的K空间数据;
组合模块,用于按照预设规律对所述K空间数据进行排列组合,得到所述扫描部位的K空间目标数据;所述目标数据表示所述扫描部位在K空间的目标位置和比例;
生成模块,用于对所述目标数据进行逆傅里叶变换,得到所述扫描部位的运动伪影图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092538.2A CN109949206B (zh) | 2019-01-30 | 2019-01-30 | 运动伪影图像的生成方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092538.2A CN109949206B (zh) | 2019-01-30 | 2019-01-30 | 运动伪影图像的生成方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949206A true CN109949206A (zh) | 2019-06-28 |
CN109949206B CN109949206B (zh) | 2023-09-26 |
Family
ID=67007332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910092538.2A Active CN109949206B (zh) | 2019-01-30 | 2019-01-30 | 运动伪影图像的生成方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949206B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473180A (zh) * | 2019-07-31 | 2019-11-19 | 南方医科大学南方医院 | 胸部呼吸运动的识别方法、系统及存储介质 |
WO2023165533A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion artifact simulation |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040102695A1 (en) * | 2002-11-25 | 2004-05-27 | Stergios Stergiopoulos | Method and device for correcting organ motion artifacts in MRI systems |
US20120237100A1 (en) * | 2011-03-18 | 2012-09-20 | Siemens Aktiengesellschaft | Method for processing magnetic resonance images and apparatus for processing magnetic resonance images |
US20120257806A1 (en) * | 2011-04-06 | 2012-10-11 | Daniel James Sheltraw | System for Motion Compensated MR Parallel Imaging |
CN104095634A (zh) * | 2013-04-03 | 2014-10-15 | 西门子公司 | 用于产生图像数据的方法 |
CN105266813A (zh) * | 2015-11-30 | 2016-01-27 | 中国科学院深圳先进技术研究院 | 一种自门控三维心脏成像的运动信号提取方法及装置 |
CN106228583A (zh) * | 2016-07-14 | 2016-12-14 | 北京大学 | 一种腹部图像重建的装置 |
-
2019
- 2019-01-30 CN CN201910092538.2A patent/CN109949206B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040102695A1 (en) * | 2002-11-25 | 2004-05-27 | Stergios Stergiopoulos | Method and device for correcting organ motion artifacts in MRI systems |
US20120237100A1 (en) * | 2011-03-18 | 2012-09-20 | Siemens Aktiengesellschaft | Method for processing magnetic resonance images and apparatus for processing magnetic resonance images |
US20120257806A1 (en) * | 2011-04-06 | 2012-10-11 | Daniel James Sheltraw | System for Motion Compensated MR Parallel Imaging |
CN104095634A (zh) * | 2013-04-03 | 2014-10-15 | 西门子公司 | 用于产生图像数据的方法 |
CN105266813A (zh) * | 2015-11-30 | 2016-01-27 | 中国科学院深圳先进技术研究院 | 一种自门控三维心脏成像的运动信号提取方法及装置 |
CN106228583A (zh) * | 2016-07-14 | 2016-12-14 | 北京大学 | 一种腹部图像重建的装置 |
Non-Patent Citations (7)
Title |
---|
BENEDIKT LORCH ET AL: "Automated Detection of Motion Artefacts in MR Imaging Using", 《JOURNAL OF MEDICAL ENGINEERING》 * |
BENEDIKT LORCH ET AL: "Automated Detection of Motion Artefacts in MR Imaging Using", 《JOURNAL OF MEDICAL ENGINEERING》, 11 June 2017 (2017-06-11), pages 1 - 9, XP055521074, DOI: 10.1155/2017/4501647 * |
ERIK ANDERSSON ET AL: "Evaluation of Data Augmentation of MR Images for Deep Learning", 《HTTPS://LUP.LUB.LU.SE/STUDENT-PAPERS/SEARCH/PUBLICATION/8952747》 * |
ERIK ANDERSSON ET AL: "Evaluation of Data Augmentation of MR Images for Deep Learning", 《HTTPS://LUP.LUB.LU.SE/STUDENT-PAPERS/SEARCH/PUBLICATION/8952747》, 25 June 2018 (2018-06-25), pages 4 - 4 * |
ILKAY OKSUZ ET AL: "Deep Learning using K-space Based Data", 《MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION-MICCAI 2018》 * |
ILKAY OKSUZ ET AL: "Deep Learning using K-space Based Data", 《MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION-MICCAI 2018》, 26 September 2018 (2018-09-26), pages 1 - 9 * |
孙春发;俎栋林;赵旭娜;: "MR图像伪影与K-空间数据关系的研究", 中国医学影像技术, no. 1, pages 243 - 245 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473180A (zh) * | 2019-07-31 | 2019-11-19 | 南方医科大学南方医院 | 胸部呼吸运动的识别方法、系统及存储介质 |
WO2023165533A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion artifact simulation |
Also Published As
Publication number | Publication date |
---|---|
CN109949206B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11806189B2 (en) | Three-dimensional segmentation from two-dimensional intracardiac echocardiography imaging | |
Lyu et al. | Cine cardiac MRI motion artifact reduction using a recurrent neural network | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
CN103126707B (zh) | 医用图像处理装置 | |
US11915347B2 (en) | Systems and methods for reconstructing cardiac images | |
CN109949206A (zh) | 运动伪影图像的生成方法、装置、设备和存储介质 | |
CN106991692A (zh) | 将第一流的第一图像数据与第二流的第二图像数据进行配准 | |
Lamash et al. | Strain analysis from 4-D cardiac CT image data | |
Burger et al. | Elliptical subject‐specific model of respiratory motion for cardiac MRI | |
US8483443B2 (en) | Method for characterizing object movement from CT imaging data | |
US20220292641A1 (en) | Dynamic imaging and motion artifact reduction through deep learning | |
CN110473241A (zh) | 图像配准方法、存储介质及计算机设备 | |
Machado et al. | A deep learning-based integrated framework for quality-aware undersampled cine cardiac MRI reconstruction and analysis | |
Amirrajab et al. | A framework for simulating cardiac MR images with varying anatomy and contrast | |
Zakkaroff et al. | Patient-specific coronary blood supply territories for quantitative perfusion analysis | |
Perperidis | Spatio-temporal registration and modelling of the heart using cardiovascular MR imaging | |
EP4266252A2 (en) | Systems and methods for image generation | |
US20230062908A1 (en) | Method and system for magnetic resonance imaging | |
CN113052932A (zh) | 基于空间及时间信息的w型网络结构的dce-mri图像生成方法 | |
Chen | Development of Deep Learning Methods for Magnetic Resonance Imaging Reconstruction and Analysis | |
Zhao et al. | A dynamic statistical cardiac atlas with adjustable shape and motion features | |
Stevo et al. | Animated 3D lung surface reconstruction from asynchronous MR image sequences based on multiple registration | |
Mayer | Imaging vulnerable coronary plaques using 3D motion-corrected simultaneous PET/MR | |
Harris | Development of a Prospectively Motion Corrected Free-breathing FLASH Sequence. |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |