CN110246200B - 磁共振心脏电影成像方法、装置及磁共振扫描仪 - Google Patents

磁共振心脏电影成像方法、装置及磁共振扫描仪 Download PDF

Info

Publication number
CN110246200B
CN110246200B CN201910446983.4A CN201910446983A CN110246200B CN 110246200 B CN110246200 B CN 110246200B CN 201910446983 A CN201910446983 A CN 201910446983A CN 110246200 B CN110246200 B CN 110246200B
Authority
CN
China
Prior art keywords
channel
frequency domain
network
image
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
Application number
CN201910446983.4A
Other languages
English (en)
Other versions
CN110246200A (zh
Inventor
朱燕杰
梁栋
柯子文
刘新
郑海荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910446983.4A priority Critical patent/CN110246200B/zh
Publication of CN110246200A publication Critical patent/CN110246200A/zh
Application granted granted Critical
Publication of CN110246200B publication Critical patent/CN110246200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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]

Abstract

本申请适用于磁共振技术领域，提供了一种磁共振心脏电影成像方法、装置及磁共振扫描仪，包括：获取多通道K空间数据；将所述多通道K空间数据输入至频率域网络，提取频率域信息；对所述频率域信息进行预处理，获得目标单通道图像；将所述目标单通道图像输入至图像域网络，输出重建图像。本申请能够避免耗时的迭代求解步骤及繁琐的调参过程，提高加速倍数，易迁移至磁共振扫描仪的在线重建中。

Description

磁共振心脏电影成像方法、装置及磁共振扫描仪
技术领域
本申请属于磁共振技术领域，尤其涉及一种磁共振心脏电影成像方法、装置及磁共振扫描仪。
背景技术
磁共振心脏电影成像是一种非侵入式的成像技术，能够用于评估心功能，室壁运动异常等，为心脏临床诊断提供丰富的信息。然而，由于磁共振物理及硬件、和心脏运动周期时长的制约，磁共振心脏电影成像往往时间和空间分辨率受限，无法准确评估部分心脏疾病，如心率不齐等的心功能情况。因此，在保证成像质量的前提下，利用快速成像方法提高磁共振心脏电影成像的时间和空间分辨率尤为重要。
目前，常用的加速磁共振心脏电影成像的方法，包括并行成像和压缩感知技术，传统的并行成像和压缩感知技术，需要进行迭代求解，耗时长且参数较难选择。
发明内容
有鉴于此，本申请实施例提供了一种磁共振心脏电影成像方法、装置及磁共振扫描仪，能够避免耗时的迭代求解步骤及繁琐的调参过程，提高加速倍数，易迁移至磁共振扫描仪的在线重建中。
本申请实施例的第一方面提供了一种磁共振心脏电影成像方法，包括：
获取多通道K空间数据；
将所述多通道K空间数据输入至频率域网络，提取频率域信息；
对所述频率域信息进行预处理，获得目标单通道图像；
将所述目标单通道图像输入至图像域网络，输出重建图像。
本申请实施例的第二方面提供了一种磁共振心脏电影成像装置，包括：
数据获取模块，用于获取多通道K空间数据；
信息提取模块，用于将所述多通道K空间数据输入至频率域网络，提取频率域信息；
图像获得模块，用于对所述频率域信息进行预处理，获得目标单通道图像；
图像输出模块，用于将所述目标单通道图像输入至图像域网络，输出重建图像。
本申请实施例的第三方面提供了一种磁共振扫描仪，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述磁共振心脏电影成像方法的步骤
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述磁共振心脏电影成像方法的步骤。
本申请的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现如上述第一方面所述磁共振心脏电影成像方法的步骤。
由上可见，本申请方案通过将频率域网络和图像域网络的融合，能够同时学习频率域和图像域特征，将基于深度学习的并行成像技术应用到磁共振心脏电影成像中，能够利用网络学习动态多通道数据间的相关性，避免耗时的迭代求解步骤及繁琐的调参过程，从而进一步提高加速倍数，且将多通道K空间数据作为网络的输入，更加符合磁共振采集原理，使得本方案能够直接用于磁共振扫描仪的在线重建中。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的磁共振心脏电影成像方法的实现流程示意图；
图2是第一频率域子网络的结构示例图；
图3是第二频率域子网络的结构示例图；
图4是交叉域学习模型示例图；
图5是本申请实施例二提供的磁共振心脏电影成像装置的示意图。
图6是本申请实施例三提供的磁共振扫描仪的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
参见图1，是本申请实施例一提供的磁共振心脏电影成像方法的实现流程示意图，如图所示该磁共振心脏电影成像方法可以包括以下步骤：
步骤S101，获取多通道K空间数据。
在本申请实施例中，K空间数据可以是指磁共振扫描仪采集的原始数据。将K空间数据进行傅里叶逆变换，可以得到多通道图像，将多通道图像进行通道融合可得到临床上可读的磁共振图像。由于K空间数据和磁共振图像是傅里叶变换的关系，那么K空间数据对应频率，磁共振图像对应图像。
磁共振扫描仪采集数据时，多个线圈同时采集数据，多个线圈对应多个通道，即磁共振扫描仪采集的是多通道K空间数据。其中，将多通道K空间数据输入至频率域网络，进而应用到磁共振心脏电影成像中，即是将基于深度学习的并行成像技术应用到磁共振心脏电影成像中，能够利用网络学习动态多通道数据间的相关性，可以进一步提高加速倍数。可选的，所述多通道K空间数据为欠采多通道K空间数据。
步骤S102，将所述多通道K空间数据输入至频率域网络，提取频率域信息。
在本申请实施例中，将多通道K空间数据输入至频率域网络，能够学习频率域信息，充分地利用频率域信息。其中，频率域网络可以是指用于学习频率域信息的网络。所述频率域信息包括但不限于通道-空间信息及时间-空间信息，所述通道-空间信息可以是指通道-空间特征，即通道特征和空间特征；所述时间-空间信息可以是指时间-空间特征，即时间特征和空间特征。
可选的，所述频率域网络包括第一频率域子网络和第二频率域子网络，所述将所述多通道K空间数据输入至频率域网络，提取频率域信息包括：
将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，提取通道-空间信息；
将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，提取时间-空间信息。
在本申请实施例中，频率域网络包括两个独立的频率域子网络，分别为第一频率域子网络和第二频率域子网络，将多通道的K空间数据分别以第一数据格式和第二数据格式输入至频率域的两个子网络中，两个子网络可以分别学习通道-空间信息及时间-空间信息，两个子网络独立地学习不同维度上的特征，有利于充分地探索并行心脏动态数据的相关性，尽可能挖掘数据在空间、时间及通道间的冗余性，数据间的冗余性越多，数据的稀疏性越好，图像重建效果会更好。其中，所述第一数据格式可以是指将多通道K空间数据输入至第一频率域子网络时，能够提取通道-空间信息的数据格式，包括但不限于(kt，kx，ky，coil)；所述第二数据格式可以是指将多通道K空间数据输入至第二频率域子网络时，能够提取时间-空间信息的数据格式，包括但不限于(coil，kx，ky，kt)。
可选的，所述将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，提取通道-空间信息包括：
将所述多通道K空间数据以第一数据格式(kt，kx，ky，coil)输入至所述第一频率域子网络，所述第一频率域子网络在(kx，ky，coil)维度上进行卷积，提取所述通道-空间信息；
将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，提取时间-空间信息包括：
将所述多通道K空间数据以第二数据格式(coil，kx，ky，kt)输入至所述第二频率域子网络，所述第二频率域子网络在(kx，ky，kt)维度上进行卷积，提取所述通道-空间信息；
其中，(kx，ky)为空间方向，kt为时间方向，coil为通道方向。
在本申请实施例中，第一频率域子网络和第二频率域子网络均使用tensorflow框架，tensorflow框架对数据格式中的后三维数据进行卷积。即，将数据格式为(kt，kx，ky，coil)的多通道K空间数据输入至第一频率域子网络，第一频率域子网络是在(kx，ky，coil)维度上对所述多通道K空间数据进行卷积，提取通道-空间信息；将数据格式为(coil，kx，ky，kt)的多通道K空间数据输入至第二频率域子网络，第二频率域子网络是在(kx，ky，kt)维度上对多通道K空间数据进行卷积，提取通道-空间信息。
步骤S103，对所述频率域信息进行预处理，获得目标单通道图像。
可选的，所述对所述频率域信息进行预处理，获得目标单通道图像包括：
对所述通道-空间信息进行傅里叶逆变换和通道融合，获得第一单通道图像；
对所述时间-空间信息进行傅里叶逆变换和通道融合，获得第二单通道图像；
将所述第一单通道图像和所述第二单通道图像进行重建融合，获得所述目标单通道图像。
在本申请实施例中，在第一频率域子网络提取完通道-空间信息之后，对通道-空间信息进行傅里叶逆变换，得到第一多通道图像，将第一多通道图像进行通道融合，即可获得第一单通道图像；在第二频率域子网络提取完时间-空间信息之后，对时间-空间信息进行傅里叶逆变换，得到第二多通道图像，将第二多通道图像进行通道融合，即可获得第二单通道图像。其中，第一多通道图像可以是指对通道-空间信息进行傅里叶逆变换后获得的多通道图像，第一单通道图像可以是指对第一多通道图像进行通道融合后获得的单通道图像；第二多通道图像可以是指对时间-空间信息进行傅里叶逆变换后获得的多通道图像，第二单通道图像可以是指对第二多通道图像进行通道融合后获得单通道图像。
可选的，所述第一频率域子网络为残差密度网络，所述第二频率域子网络包括M个频率域模块，每个频率域模块包含L个三维卷积层和一个频率域数据一致层，其中，M为大于零的整数，L为大于零的整数。
如图2所示是第一频率域子网络的结构示例图，第一频率域子网络使用残差密度网络(Residual Dense Network，RDN)，该网络最大的特点在于能够融合不同深度的局部及全局的特征，使得整个网络的特征均得到有效的利用。残差密度网络主要包括五大部分，分别是：1)浅层特征提取；2)残差密度模块(Residual Dense Block,RDB)用于局部特征融合；3)全局特征融合；4)全局残差学习；5)深层特征提取。
第一频率域子网络的前向过程如下：
第0步---输入：欠采多通道K空间数据，K空间数据维度为(kt,kx,ky,coil)。将K空间数据维度设置为(kt,kx,ky,coil)可以使得3D卷积层在(kx,ky,coil)上进行卷积，即，使得本子网络学习通道-空间特征。
第1步---浅层特征提取：由两个3D卷积层构成。欠采多通道K空间数据首先通过这两个卷积层，进行浅层特征提取。
第2步---局部特征融合：由D个残差密度模块构成。每个残差密度模块中有若干个3D卷积层。与常见卷积层不同的是，每个卷积层的输出不仅输入到下一个卷积层，同时输入到RDB后续所有卷积层，构成密度连接。密度连接的目的是：使得深层卷积层和浅层卷积层均发挥作用。再将这些3D卷积层的输出连接(concatenate)在一起，并经过一个1*1*1的卷积层，进行特征融合。这样，就完成了一个密度网络的特征融合。再经过一个残差连接，便得到了残差密度模块的输出。由于每个残差密度模块属于整个频率域子网络的一个局部，因此此处的特征融合，又被成为局部特征融合。其中，D为大于零的整数
第3步---全局特征融合：将D个残差密度模块的输出连接(concatenate)在一起，再经过一个1*1*1的卷积层，便可以得到全局特征融合的结果。
第4步---全局残差学习：将第3步全局特征融合后的结果经过一个3D卷积层和一个残差连接，进行全局残差学习。
第5步---深层特征提取：由两个3D卷积层构成。全局残差学习后的结果，再经过2个3D卷积层，进行深层特征提取。
第6步---输出第一个频率域子网络重建的多通道K空间数据(即提取的通道-空间信息)。
再将重建的多通道K空间数据进行傅里叶逆变换(IFFT)，得到多通道图像。多通道图像经过通道融合(coil combination)后，便可以得到单通道图像，用于图像域网络的特征提取。通道融合的具体做法可以是：将多通道图像点乘其通道敏感度的共轭，并在通道方向上进行求和。
如图3所示是第二频率域子网络的结构示例图，第二个频率域子网络使用M个卷积模块(即频率域模块)级联而成。具体地，第二频率域子网络包括M个频率域模块(Fnetm,m＝1,…,M)，每个频率域模块包含L个3维卷积层(3D Conv)及一个频率域数据一致层(KspaceData Consistency，KDC)。第二频率域子网络的输入是欠采的多通道K空间数据，将K空间维度设置为(coil,kx,ky,kt)可以使得3D卷积层在(kx,ky,kt)上进行卷积，即，使得本子网络学习时间-空间特征。第二频率域子网络的前向过程可由如下公式表示：
第一个频率域模块(m＝1)：
Figure BDA0002073952410000081
后续的频率域模块(m＝2,…,M)：
Figure BDA0002073952410000082
其中，KDC用于执行频率域数据一致操作：
Figure BDA0002073952410000083
Figure BDA0002073952410000084
分别是第m个频率域模块中第l个卷积层的卷积核和偏置项；l＝1,…,L；m＝1,…,M；
Figure BDA0002073952410000085
是第m个频率域模块中第l个卷积层的输出。除了最后一个卷积层，其余所有卷积层均由非线性函数δ进行激活。经过卷积层进行提取特征后，利用频率域数据一致层纠正网络预测的K空间，
Figure BDA0002073952410000091
是对
Figure BDA0002073952410000092
进行纠正的结果。令所有已采集的K空间坐标构成的集合为Ω。如果K空间坐标(kx,ky)在集合Ω内，则
Figure BDA0002073952410000093
将通过真实采集的K空间点进行纠正。λ用于控制数据一致的程度，如果λ→∞，可以直接将实际采样点去替代
Figure BDA0002073952410000097
对应的点。其中，本申请实施例取λ→∞。Ku为频率域网络处理的一个K空间数据。
第二频率域子网络最终的输出是
Figure BDA0002073952410000094
对
Figure BDA0002073952410000095
进行傅里叶逆变换以及通道融合，便可以得到单通道图像数据。
步骤S104，将所述目标单通道图像输入至图像域网络，输出重建图像。
其中，目标单通道图像可以是指将第一单通道图像和第二单通道图像进行重建融合后获得的单通道图像。将目标单通道图像输入至图像域网络，在图像域进行特征提取，图像域网络输出最终的磁共振心脏重建图像。
可选的，所述图像域网络包括N个图像域模块，每个图像域模块包含L个三维卷积层、一个残差连接和一个图像域数据一致层，其中，N为大于零的整数，L为大于零的整数。
在本申请实施例中，图像域网络可以是指DC-CNN结构。图像域网络的前向过程可由如下公式表示：
Figure BDA0002073952410000096
后续的图像域模块(n＝2,…,N)：
Figure BDA0002073952410000101
其中，图像域数据一致性(Image Data Consistency，IDC)用于执行图像域数据一致操作：
Figure BDA0002073952410000102
Figure BDA0002073952410000103
Figure BDA0002073952410000104
Figure BDA0002073952410000105
分别是第n个图像域模块中第l个卷积层的卷积核和偏置项,l＝1,…,L；n＝1,…,N；
Figure BDA0002073952410000106
是第n个图像域模块中第l个卷积层的输出。除了最后一个卷积层，其余所有卷积层均由非线性函数δ进行激活。经过卷积层进行提取特征后，引入残差学习，Sn是残差学习的结果。对Sn进行图像域数据一致操作(IDC)。相比KDC，IDC多了频率域与图像域之间转换。
Figure BDA0002073952410000107
是对Sn进行IDC后的图像。
本申请实施例基于级联卷积神经网络，搭建了交叉域(频率域-图像域，如图4所示)学习模型，用于磁共振心脏电影成像，这种交叉域模型，通过将频率域网络和图像域网络的融合，能够同时学习频率域和图像域特征，将基于深度学习的并行成像技术应用到磁共振心脏电影成像中，能够利用网络学习动态多通道数据间的相关性，避免耗时的迭代求解步骤及繁琐的调参过程，从而进一步提高加速倍数，且将多通道K空间数据作为网络的输入，更加符合磁共振采集原理，使得本方案能够直接用于磁共振扫描仪的在线重建中。
参见图5，是本申请实施例二提供的磁共振心脏电影成像装置的示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
所述磁共振心脏电影成像装置包括：
数据获取模块51，用于获取多通道K空间数据；
信息提取模块52，用于将所述多通道K空间数据输入至频率域网络，提取频率域信息；
图像获得模块53，用于对所述频率域信息进行预处理，获得目标单通道图像；
图像输出模块54，用于将所述目标单通道图像输入至图像域网络，输出重建图像。
可选的，所述频率域网络包括第一频率域子网络和第二频率域子网络，所述信息提取模块52包括：
第一提取单元，用于将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，提取通道-空间信息；
第二提取单元，用于将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，提取时间-空间信息。
可选的，所述第一提取单元具体用于：
将所述多通道K空间数据以第一数据格式(kt，kx，ky，coil)输入至所述第一频率域子网络，所述第一频率域子网络在(kx，ky，coil)维度上进行卷积，提取所述通道-空间信息；
所述第二提取单元具体用于：
将所述多通道K空间数据以第二数据格式(coil，kx，ky，kt)输入至所述第二频率域子网络，所述第二频率域子网络在(kx，ky，kt)维度上进行卷积，提取所述通道-空间信息；
其中，(kx，ky)为空间方向，kt为时间方向，coil为通道方向。
可选的，所述图像获得模块53包括：
第一获得单元，用于对所述通道-空间信息进行傅里叶逆变换和通道融合，获得第一单通道图像；
第二获得单元，用于对所述时间-空间信息进行傅里叶逆变换和通道融合，获得第二单通道图像；
第三获得单元，用于将所述第一单通道图像和所述第二单通道图像进行重建融合，获得所述目标单通道图像。
可选的，所述第一频率域子网络为残差密度网络，所述第二频率域子网络包括M个频率域模块，每个频率域模块包含L个三维卷积层和一个频率域数据一致层，其中，M为大于零的整数，L为大于零的整数。
可选的，所述图像域网络包括N个图像域模块，每个图像域模块包含L个三维卷积层、一个残差连接和一个图像域数据一致层，其中，N为大于零的整数，L为大于零的整数。
可选的，所述多通道K空间数据为欠采多通道K空间数据。
本申请实施例提供的装置可以应用在前述方法实施例一中，详情参见上述方法实施例一的描述，在此不再赘述。
图6是本申请实施例三提供的磁共振扫描仪的示意图。如图6所示，该实施例的磁共振扫描仪6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个磁共振心脏电影成像方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述磁共振扫描仪6中的执行过程。例如，所述计算机程序62可以被分割成数据获取模块、信息提取模块、图像获得模块以及图像输出模块，各模块具体功能如下：
数据获取模块，用于获取多通道K空间数据；
信息提取模块，用于将所述多通道K空间数据输入至频率域网络，提取频率域信息；
图像获得模块，用于对所述频率域信息进行预处理，获得目标单通道图像；
图像输出模块，用于将所述目标单通道图像输入至图像域网络，输出重建图像。
可选的，所述频率域网络包括第一频率域子网络和第二频率域子网络，所述信息提取模块包括：
第一提取单元，用于将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，提取通道-空间信息；
第二提取单元，用于将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，提取时间-空间信息。
可选的，所述第一提取单元具体用于：
将所述多通道K空间数据以第一数据格式(kt，kx，ky，coil)输入至所述第一频率域子网络，所述第一频率域子网络在(kx，ky，coil)维度上进行卷积，提取所述通道-空间信息；
所述第二提取单元具体用于：
将所述多通道K空间数据以第二数据格式(coil，kx，ky，kt)输入至所述第二频率域子网络，所述第二频率域子网络在(kx，ky，kt)维度上进行卷积，提取所述通道-空间信息；
其中，(kx，ky)为空间方向，kt为时间方向，coil为通道方向。
可选的，所述图像获得模块包括：
第一获得单元，用于对所述通道-空间信息进行傅里叶逆变换和通道融合，获得第一单通道图像；
第二获得单元，用于对所述时间-空间信息进行傅里叶逆变换和通道融合，获得第二单通道图像；
第三获得单元，用于将所述第一单通道图像和所述第二单通道图像进行重建融合，获得所述目标单通道图像。
可选的，所述第一频率域子网络为残差密度网络，所述第二频率域子网络包括M个频率域模块，每个频率域模块包含L个三维卷积层和一个频率域数据一致层，其中，M为大于零的整数，L为大于零的整数。
可选的，所述图像域网络包括N个图像域模块，每个图像域模块包含L个三维卷积层、一个残差连接和一个图像域数据一致层，其中，N为大于零的整数，L为大于零的整数。
可选的，所述多通道K空间数据为欠采多通道K空间数据。
所述磁共振扫描仪6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是磁共振扫描仪6的示例，并不构成对磁共振扫描仪6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述磁共振扫描仪还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述磁共振扫描仪6的内部存储单元，例如磁共振扫描仪6的硬盘或内存。所述存储器61也可以是所述磁共振扫描仪6的外部存储设备，例如所述磁共振扫描仪6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述磁共振扫描仪6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述磁共振扫描仪所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/磁共振扫描仪和方法，可以通过其它的方式实现。例如，以上所描述的装置/磁共振扫描仪实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种磁共振心脏电影成像方法，其特征在于，包括：
获取多通道K空间数据；
将所述多通道K空间数据输入至频率域网络，提取频率域信息；
对所述频率域信息进行预处理，获得目标单通道图像；
将所述目标单通道图像输入至图像域网络，输出重建图像；
所述频率域网络包括第一频率域子网络和第二频率域子网络，所述将所述多通道K空间数据输入至频率域网络，提取频率域信息包括：
将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，提取通道-空间信息；
将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，提取时间-空间信息；
所述将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，提取通道-空间信息包括：
将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，所述第一频率域子网络在kx、ky和coil维度上进行卷积，提取所述通道-空间信息，所述第一数据格式为kt、kx、ky和coil；
将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，提取时间-空间信息包括：
将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，所述第二频率域子网络在kx、ky和kt维度上进行卷积，提取所述通道-空间信息，所述第二数据格式为coil、kx、ky和kt；
其中，kx和ky为空间方向，kt为时间方向，coil为通道方向；
所述对所述频率域信息进行预处理，获得目标单通道图像包括：
对所述通道-空间信息进行傅里叶逆变换和通道融合，获得第一单通道图像；
对所述时间-空间信息进行傅里叶逆变换和通道融合，获得第二单通道图像；
将所述第一单通道图像和所述第二单通道图像进行重建融合，获得所述目标单通道图像。
2.如权利要求1所述的磁共振心脏电影成像方法，其特征在于，所述第一频率域子网络为残差密度网络，所述第二频率域子网络包括M个频率域模块，每个频率域模块包含L个三维卷积层和一个频率域数据一致层，其中，M为大于零的整数，L为大于零的整数。
3.如权利要求1所述的磁共振心脏电影成像方法，其特征在于，所述图像域网络包括N个图像域模块，每个图像域模块包含L个三维卷积层、一个残差连接和一个图像域数据一致层，其中，N为大于零的整数，L为大于零的整数。
4.如权利要求1所述的磁共振心脏电影成像方法，其特征在于，所述多通道K空间数据为欠采多通道K空间数据。
5.一种磁共振心脏电影成像装置，其特征在于，包括：
数据获取模块，用于获取多通道K空间数据；
信息提取模块，用于将所述多通道K空间数据输入至频率域网络，提取频率域信息；
图像获得模块，用于对所述频率域信息进行预处理，获得目标单通道图像；
图像输出模块，用于将所述目标单通道图像输入至图像域网络，输出重建图像；
所述频率域网络包括第一频率域子网络和第二频率域子网络，所述信息提取模块包括：
第一提取单元，用于将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，提取通道-空间信息；
第二提取单元，用于将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，提取时间-空间信息；
所述第一提取单元具体用于：
将所述多通道K空间数据以第一数据格式输入至所述第一频率域子网络，所述第一频率域子网络在kx、ky和coil维度上进行卷积，提取所述通道-空间信息，所述第一数据格式为kt、kx、ky和coil；
所述第二提取单元具体用于：
将所述多通道K空间数据以第二数据格式输入至所述第二频率域子网络，所述第二频率域子网络在kx、ky和kt维度上进行卷积，提取所述通道-空间信息，所述第二数据格式为coil、kx、ky和kt；
其中，kx和ky为空间方向，kt为时间方向，coil为通道方向；
所述图像获得模块包括：
第一获得单元，用于对所述通道-空间信息进行傅里叶逆变换和通道融合，获得第一单通道图像；
第二获得单元，用于对所述时间-空间信息进行傅里叶逆变换和通道融合，获得第二单通道图像；
第三获得单元，用于将所述第一单通道图像和所述第二单通道图像进行重建融合，获得所述目标单通道图像。
6.一种磁共振扫描仪，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述磁共振心脏电影成像方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述磁共振心脏电影成像方法的步骤。
CN201910446983.4A 2019-05-27 2019-05-27 磁共振心脏电影成像方法、装置及磁共振扫描仪 Active CN110246200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910446983.4A CN110246200B (zh) 2019-05-27 2019-05-27 磁共振心脏电影成像方法、装置及磁共振扫描仪

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910446983.4A CN110246200B (zh) 2019-05-27 2019-05-27 磁共振心脏电影成像方法、装置及磁共振扫描仪

Publications (2)

Publication Number Publication Date
CN110246200A CN110246200A (zh) 2019-09-17
CN110246200B true CN110246200B (zh) 2022-12-23

Family

ID=67885195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910446983.4A Active CN110246200B (zh) 2019-05-27 2019-05-27 磁共振心脏电影成像方法、装置及磁共振扫描仪

Country Status (1)

Country Link
CN (1) CN110246200B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021087740A1 (zh) * 2019-11-05 2021-05-14 深圳先进技术研究院 磁共振成像方法、装置、服务器及存储介质
CN111951344B (zh) * 2020-08-09 2022-08-02 昆明理工大学 一种基于级联并行卷积网络的磁共振图像重建方法
CN117333571B (zh) * 2023-10-25 2024-03-26 烟台大学 磁共振图像的重建方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5785042A (en) * 1995-02-14 1998-07-28 Duke University Magnetic resonance imaging method providing for correction of striation artifacts
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8823374B2 (en) * 2009-05-27 2014-09-02 Siemens Aktiengesellschaft System for accelerated MR image reconstruction
CN103384836B (zh) * 2010-12-22 2016-10-26 皇家飞利浦电子股份有限公司 用于磁共振成像的方法和设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5785042A (en) * 1995-02-14 1998-07-28 Duke University Magnetic resonance imaging method providing for correction of striation artifacts
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于参考图像梯度方向先验的压缩感知磁共振快速成像;梁栋 等;《集成技术》;20160515;全文 *

Also Published As

Publication number Publication date
CN110246200A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110246200B (zh) 磁共振心脏电影成像方法、装置及磁共振扫描仪
KR20190138107A (ko) 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치
WO2020134826A1 (zh) 磁共振并行成像方法及相关设备
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
CN113920213B (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
EP3555850A1 (en) System and method for image segmentation using a joint deep learning model
WO2020132463A1 (en) Machine learning for simultaneously optimizing an under-sampling pattern and a corresponding reconstruction model in compressive sensing
CN111932460A (zh) Mr图像超分辨率重建方法、装置、计算机设备及存储介质
CN108287324A (zh) 磁共振多对比度图像的重建方法和装置
Bungert et al. Robust image reconstruction with misaligned structural information
CN110874855B (zh) 一种协同成像方法、装置、存储介质和协同成像设备
CN114331849B (zh) 一种跨模态核磁共振超分网络及图像超分辨率方法
CN107180418A (zh) 一种基于Tetrolet变换的遥感图像增强方法及装置
CN113920212A (zh) 磁共振重建模型训练方法、计算机装置及存储介质
CN110942496B (zh) 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统
CN114445273A (zh) 磁共振图像处理方法、计算机设备及存储介质
CN113327205A (zh) 基于卷积神经网络的相位去噪网络及方法
WO2024021796A1 (zh) 一种图像处理方法、装置、电子设备、存储介质及程序产品
CN110600105A (zh) 一种ct影像数据处理方法、装置及存储介质
Haq et al. Block-based compressed sensing of MR images using multi-rate deep learning approach
US11941732B2 (en) Multi-slice MRI data processing using deep learning techniques
KR101883806B1 (ko) 영상 복원 장치 및 방법
Kumar et al. Fractional Sailfish Optimizer with Deep Convolution Neural Network for Compressive Sensing Based Magnetic Resonance Image Reconstruction
CN109949383B (zh) 一种高动态光学投影层析成像方法及装置
KR102163220B1 (ko) 뉴럴 네트워크를 이용한 자기공명 혈관 조영술 영상 처리 방법 및 장치

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