CN110346743B - 一种磁共振弥散加权成像方法和装置 - Google Patents

Abstract

本申请公开一种磁共振弥散加权成像方法和装置，将临床被测组织经m次激发采集的DWI数据重建为待处理图像。由于预先训练好神经网络，该神经网络能够输出质量高于输入图像的输出图像，因此将质量较差的待处理图像输入神经网络后能够快速获得高质量的DWI图像，即待处理图像对应的输出图像。利用神经网络在提升DWI图像质量同时缩短了DWI图像的重建时间。本申请用于重建待处理图像的数据为临床被测组织经过m次激发采集的DWI数据，激发次数m为大于或等于1的正整数，可以非常小，例如4次、2次甚至单次激发，因此还能够有效缩短扫描时间。相比现有技术，本申请提升高质量DWI图像的获取速度，利于DWI技术在临床上的推广应用。

Description

一种磁共振弥散加权成像方法和装置

技术领域

本申请涉及医学影像技术领域，特别是涉及一种磁共振弥散加权成像方法和装置。

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。参见图1，该图为一种磁共振系统架构图。

磁共振序列是指具有一定带宽和幅度的射频脉冲与梯度脉冲的有机结合。射频脉冲与梯度脉冲不同的组合方式构成不同的磁共振序列，不同的磁共振序列具有其各自的应用特点。平面回波成像(Echo Planar Imaging，EPI)序列是一种超快速成像序列，区别于其他常规的梯度回波序列，EPI序列在施加一次射频脉冲激励后，利用读梯度的连续正反切换，每次切换产生一个梯度回波。如图2所示，该图为一种EPI序列示意图。对这些梯度回波分别施加不同的相位编码，即可通过一次或多次激励采集整个K空间数据。

EPI序列在临床磁共振弥散加权成像(Diffusion Weighted Imaging，DWI)中得到广泛应用。DWI是无创探测活体组织中水分子弥散的方法，DWI信号主要来源于组织中的细胞外的自由水，不同组织对于自由水弥散限制程度不同，因此DWI可以检测组织中自由水限制性弥散的程度，并通过DWI图像反映出来。自由水弥散越自由，信号丢失越多，DWI图像中对应区域的DWI信号越低；自由水弥散越受限，信号丢失越少，DWI图像中对应区域的DWI信号越高。显示的DWI图像有助于医生辨别脑梗死等脑急性类别疾病的病灶，此外，DWI图像对于肿瘤、感染、外伤和脱髓鞘等病变也能提供一些信息。

由于DWI对运动造成的相位变化十分敏感，被测组织中的正常生理运动也有可能在DWI图像中产生运动伪影，这些伪影难以通过校准方式有效改善，同时因为单次激发EPI序列固有问题，例如，成像分辨率不高，变形严重等缺点，致使DWI图像质量较差，影响医学影像分析的准确性。针对这些问题，目前存在多次激发(Multi-shot)方法，通过在读出编码方向上或者在相位编码方向上做Multi-shot，提高DWI图像的质量，但是耗时较长，图像重建通常需要30秒以上，不利于在临床上的应用。

发明内容

基于上述问题，本申请提供了一种磁共振弥散加权成像方法和装置，以快速获得高质量的DWI图像。

本申请实施例公开了如下技术方案：

第一方面，本申请提供一种磁共振弥散加权成像方法，包括：

获得临床被测组织经过m次激发采集的弥散加权成像DWI数据；所述m为正整数；

利用所述临床被测组织经过m次激发采集的DWI数据重建获得待处理图像；

将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；所述神经网络利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发采集的DWI数据重建所得的图像；所述n为大于所述m的正整数。

可选地，由历史被测组织经过m次激发采集的DWI数据重建图像，具体包括：

从所述历史被测组织经过n次激发采集的DWI数据中抽取所述历史被测组织经过m次激发采集的DWI数据；

利用抽取到的DWI数据重建图像。

可选地，由所述历史被测组织经过n次激发采集的DWI数据重建图像，具体包括：

对所述历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像。

可选地，所述对所述历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像，具体包括：

对所述历史被测组织经过n次激发采集的DWI数据中经过各次激发采集的DWI数据在图像域或K空间域进行合并处理，利用处理后的数据重建图像。

可选地，所述临床被测组织经过m次激发采集的DWI数据、所述历史被测组织经过m次激发采集的DWI数据以及所述历史被测组织经过n次激发采集的DWI数据的K空间采集轨迹一致，所述采集轨迹为以下任意一种：

笛卡尔Cartesian采集轨迹，螺旋Spiral采集轨迹或螺旋桨Propeller采集轨迹。

第二方面，本申请提供一种磁共振弥散加权成像方法，包括：

获得临床被测组织经过m次激发q次平均采集的弥散加权成像DWI数据；所述m与所述q均为正整数；

利用所述临床被测组织经过m次激发q次平均采集的DWI数据重建获得待处理图像；

将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；所述神经网络利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发q次平均采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发p次平均采集的DWI数据重建所得的图像；所述n与所述p均为正整数，1≤m≤n，1≤q≤p，且mq＜np。

第三方面，本申请提供一种磁共振弥散加权成像装置，包括：

数据获取模块，图像重建模块，图像处理模块和神经网络训练模块；

所述数据获取模块，用于获得临床被测组织经过m次激发采集的弥散加权成像DWI数据；所述m为正整数；

所述图像重建模块，用于利用所述临床被测组织经过m次激发采集的DWI数据重建获得待处理图像；

所述图像处理模块，用于将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；

所述神经网络为所述神经网络训练模块利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发采集的DWI数据重建所得的图像；所述n为大于所述m的正整数。

可选地，所述神经网络训练模块还包括：输入集获取单元，用于由历史被测组织经过m次激发采集的DWI数据重建图像；所述输入集获取单元，具体包括：

数据抽取子单元，用于从所述历史被测组织经过n次激发采集的DWI数据中抽取所述历史被测组织经过m次激发采集的DWI数据；

图像重建子单元，用于利用抽取到的DWI数据重建图像。

可选地，所述神经网络训练模块还包括：标注集获取单元，用于由所述历史被测组织经过n次激发采集的DWI数据重建图像；所述标注集获取单元，具体包括：

数据处理与图像重建子单元，用于对所述历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像。

可选地，所述数据处理与图像重建子单元，具体用于对所述历史被测组织经过n次激发采集的DWI数据中经过各次激发采集的DWI数据在图像域或K空间域进行合并处理，利用处理后的数据重建图像。

第四方面，本申请提供一种磁共振弥散加权成像装置，包括：

数据获取模块，图像重建模块，图像处理模块和神经网络训练模块；

所述数据获取模块，用于获得临床被测组织经过m次激发q次平均采集的弥散加权成像DWI数据；所述m与所述q均为正整数；

所述图像重建模块，用于利用所述临床被测组织经过m次激发q次平均采集的DWI数据重建获得待处理图像；

所述图像处理模块，用于将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；

所述神经网络为所述神经网络训练模块利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发q次平均采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发p次平均采集的DWI数据重建所得的图像；所述n与所述p均为正整数，1≤m≤n，1≤q≤p，且mq＜np。

相较于现有技术，本申请具有以下有益效果：

本申请提供的磁共振弥散加权成像方法，将临床被测组织经过m次激发采集的DWI数据重建为待处理图像。由于预先训练好神经网络，该神经网络能够输出质量高于输入图像的输出图像，因此，将质量较差的待处理图像输入神经网络后，能够快速获得高质量的DWI图像，即待处理图像对应的输出图像。利用神经网络在提升DWI图像质量同时缩短了DWI图像的重建时间。

此外，本申请用于重建待处理图像的数据为临床被测组织经过m次激发采集的DWI数据，m为大于或等于1的正整数，由于激发次数m可以非常小，例如4次激发，2次激发，甚至单次激发等，因此该方法还能够有效缩短扫描时间。相比于现有技术，该方法提升了高质量DWI图像的获取速度，有利于DWI技术在临床上的推广应用。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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为一种磁共振系统架构图；

图2为一种EPI序列示意图；

图3为本申请实施例提供的一种磁共振弥散加权成像方法的流程图；

图4为本申请实施例提供的另一种磁共振弥散加权成像方法的流程图；

图5a为4个shot的相位图；

图5b为4个shot的强度图；

图5c为8个原始采集通道的线圈灵敏度图；

图5d为32个虚拟采集通道的线圈灵敏度图；

图6为本申请实施例提供的一种神经网络训练示意图；

图7为本申请实施例提供的一种应用训练好的神经网络获得高质量DWI图像的示意图；

图8为本申请实施例提供的又一种磁共振弥散加权成像方法的流程图；

图9为本申请实施例提供的另一种神经网络训练示意图；

图10为本申请实施例提供的另一种应用训练好的神经网络获得高质量DWI图像的示意图；

图11为本申请实施例提供的一种磁共振弥散加权成像装置的结构示意图。

具体实施方式

正如前文描述，DWI对运动造成的相位变化十分敏感，DWI图像中常伴有运动伪影。此外，采用EPI序列进行DWI时，难以避免EPI序列的诸多缺点，例如：EPI序列对于磁共振系统敏感，容易出现N/2ghost伪影，且对于B0场敏感，相位编码方向具有较严重的畸变。即便进行校准，得到的DWI图像中仍然存在残余伪影和畸变，图像分辨率较低。显然，DWI成像质量低下将不利于医学影像的准确分析。

经研究，EPI序列获取的DWI图像畸变与激发时穿越K空间的速度相关，多次激发时每个shot穿越K空间的速度提升，从而利用多个shot的DWI数据重建图像能够提升能够减小畸变。故为提高图像质量，可以采用Multi-shot的方式减小图像中的畸变。

但是Multi-shot同样会带来新的问题：Multi-shot即是采用多次激发，扫描时间随shot(激发)数目的增加而线性地增加，并且对于运动更加敏感，这要求采用更加复杂的算法解决多shot数据的合并问题，以此保证DWI图像质量。这些Multi-shot的方式的图像重建过程往往十分复杂，重建耗时长，同时需要增加扫描时间来维持较高的信噪比，因此，难以在短时间内获取高质量的DWI图像。如何快速获得高质量的DWI图像成为本领域急需解决的技术问题。

针对此问题，发明人经过研究，提供了一种磁共振弥散加权成像方法和装置。在本申请中，通过预先训练的神经网络对输入的低质量DWI图像进行处理，再输出输入图像对应的高质量图像。相比于现有的Multi-shot方法，本申请提供的技术方案提升了高质量DWI图像的获取速度，有利于DWI技术在临床上的推广应用。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

方法实施例一

参见图3，该图为本申请实施例提供的一种磁共振弥散加权成像方法的流程图。

如图3所示，本申请实施例提供的磁共振弥散加权成像方法，包括：

步骤301：获得临床被测组织经过m次激发采集的弥散加权成像DWI数据，m为正整数。

本实施例中，采用EPI序列，例如DWI序列或DTI序列等，获得临床被测组织经过m次激发采集的弥散加权成像DWI数据。本实施例中对于采用的EPI序列的具体类型不加以限定。

临床被测组织具体指的是实际需要应用本方法进行快速高质量成像的组织。作为示例，临床被测组织可以是患者的脑组织。

本步骤获得采用单次激发(m＝1)或多次激发(m取大于1的整数)的方式采集的DWI数据。具体实现时，多次激发对K空间进行分块，每次激发获得K空间的一部分，K空间分块的方向可以是读出方向，也可以是相位编码方向。本实施例中，对于多次激发的激发方向不加以限定。另外，在具体实现时，可以按照多种可能的采集轨迹对K空间数据进行激发采集，例如笛卡尔Cartesian采集轨迹，螺旋Spiral采集轨迹或螺旋桨Propeller采集轨迹。

可以理解的是，进行多次激发时，m的值越大，对应的扫描时间越长，从而重建得到的待处理图像通常质量越高；而相反地，m的值越小，对应的扫描时间越短，从而重建得到的待处理图像质量越差。为提高最终获得高质量DWI图像的速度，要求扫描时间不可过长。因此，本实施例中m的取值较小，作为示例，m可以为1，2，4等，分别表示单次激发，2次激发，4次激发等。

步骤302：利用所述临床被测组织经过m次激发采集的DWI数据重建获得待处理图像。

由于本实施例中，主要是应用预先获得的神经网络获得质量较高的图像，该神经网络的输入端为质量较差的图像。因此，本步骤中对于步骤101获得的DWI数据进行重建，从而获得待处理图像。

需要说明的是，待处理图像质量差的原因有多种，例如扫描时间短(激发次数m小)。另外，待处理图像具体体现的质量问题与采集轨迹和/或激发方向有关。下面几种不同情况进行示例性的说明：对于m相同的多次激发，激发方向为readout方向时，待处理图像的主要质量问题分辨率低；激发方向为交错interleaved方向时，待处理图像的主要质量问题是噪声和伪影严重；采集轨迹为Sprial或Propeller轨迹时，待处理图像的主要质量问题是噪声严重。

作为一种示例性的实现方式，本步骤可以采用并行重建的方式，由临床被测组织经过m次激发采集的DWI数据重建获得待处理图像。对于本领域技术人员来说，采用并行成像方式进行重建图像属于比较成熟的技术，因此，本实施例中对于该示例方式的具体实施流程不进行赘述。当然，还可以采用其他的重建方式获得待处理图像，此处不进行具体限定。

步骤303：将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像。

本申请实施例中，神经网络利用输入集和标注集训练获得。其中，输入集包括：由历史被测组织经过m次激发采集的DWI数据重建所得的图像。标注集包括：由历史被测组织经过n次激发采集的DWI数据重建所得的图像。

需要说明的是，本实施例中，历史被测组织具体是指区别于临床被测组织，用于获得输入集以及标注集的数据来源基础。作为示例，历史被测组织可以是一个月前进行临床检测时个体的被测组织。可以理解的是，由于不同类型被测组织具有其成像特性，因此，本实施例中为保证所训练的神经网络对于临床被测组织DWI成像的适用性，要求用于训练神经网络的输入集以及标注集的数据来源基础与临床被测组织为同一类型。即，历史被测组织与临床被测组织的类型相同。例如，需要进行快速高质量成像的临床被测组织为脑组织，则历史被测组织也是脑组织。

可以理解的是，由于本实施例中n为大于所述m的正整数，采集每个shot的数据都是分时进行的，因此激发次数越多，扫描时间越长。由此可知，标注集中图像的质量必然高于输入集中图像的质量。通过输入集和标注集训练获得的神经网络，能够依据输入的质量较差的图像输出质量更高的图像。因此，当低质量的待处理图像输入预先训练好的神经网络之后，神经网络的输出图像质量高于待处理图像。从而，实现DWI图像质量的提升。

以上即为本申请实施例提供的磁共振弥散加权成像方法。该方法将临床被测组织经过m次激发采集的DWI数据重建为待处理图像。由于预先训练好神经网络，该神经网络能够输出质量高于输入图像的输出图像，因此，将质量较差的待处理图像输入神经网络后，能够快速获得高质量的DWI图像，即待处理图像对应的输出图像。利用神经网络在提升DWI图像质量同时缩短了DWI图像的重建时间。

此外，本申请用于重建待处理图像的数据为临床被测组织经过m次激发采集的DWI数据，m为大于或等于1的正整数，由于激发次数m可以非常小，例如4次激发，2次激发，甚至单次激发等，因此该方法还能够有效缩短扫描时间。相比于现有技术，该方法提升了高质量DWI图像的获取速度，有利于DWI技术在临床上的推广应用。

下面结合具体实例对神经网络的训练过程进行详细描述。

方法实施例二

参见图4，该图为本申请实施例提供的另一种磁共振弥散加权成像方法的流程图。

如图4所示，本实施例提供的磁共振弥散加权成像方法，包括：

步骤401：利用所述输入集和所述标注集进行神经网络模型的训练，获得所述神经网络模型的参数。

本实施例中，输入集包括：由历史被测组织经过m次激发采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发采集的DWI数据重建所得的图像；所述n为大于所述m的正整数。作为示例，m＝2，n＝4。

为便于理解，下面分别提供获得输入集图像和标注集图像的示例性实现方式。

对于标注集图像：本实施例中，可以对历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像。

需要说明的是，为获得高质量的标注集图像，本实施例不采用直接合并的方式对DWI数据进行处理。这是由于多次激发获得的DWI数据中因弥散梯度的存在，每个shot的相位都是不同的，因此直接合并多shot数据极易导致严重的伪影。基于此直接合并的问题，在获得标注集图像时，本实施例可以在图像域或者K空间域对历史被测组织经过n次激发采集的DWI数据中经过各次激发采集的DWI数据进行合并处理，根据处理后的数据重建图像作为标注集图像。在图像域，作为示例，对于在相位编码方向上多次激发，可以采用复用灵敏度编码MUSE方法进行数据合并；在K空间域，作为示例，可以采用广义自校准部分并行采集GRAPPA方法进行数据合并。

下面以MUSE方法为例，对获得高质量标注集图像的实现方式进行描述。以n＝4为例，该方法首先得到4个shot中每个shot的相位变化。参见图5a和图5b，其中，图5a为4个shot的相位图，图5b为4个shot的强度图。通过图5b可知，不同shot间幅度变化不大。因此，假设4个shot的数据在图像域上幅值一致，仅相位存在差别。将不同shot看作是采集通道的扩展。假设共有8个原始真实存在的采集通道，由于具有4个shot的数据，因此数据重排后，可看作是32个(即8×4个)虚拟采集通道4倍降采样获得的1个shot的数据。对于线圈灵敏度图CSM做相应的扩展，利用8个原始真实存在的采集通道和前述获得的4个shot数据的相位，对8个原始采集通道的CSM(见图5c)扩展得到32个虚拟采集通道的虚拟CSM(见图5d)。最终利用32个虚拟采集通道的虚拟CSM，对重排得到的32个虚拟采集通道的数据解敏感度编码，获得一幅高质量的DWI图像。

可以理解的是，除MUSE方法和RS-EPI方法以外，本实施例还可采用其它数据合并方法获得神经网络的标注集。因此，本实施例中，对于DWI数据具体合并方式不加以限定。

由于标注集图像是依据多次激发获得的DWI数据获得，因此，标注集中图像的畸变非常小。当神经网络训练好后应用时，相应地能够降低输出图像中畸变效果。

对于输入集图像：本实施例中，作为一种可能的实现方式，可以从所述历史被测组织经过n次激发采集的DWI数据中抽取所述历史被测组织经过m次激发采集的DWI数据，再利用抽取到的DWI数据重建图像。

作为示例，m＝2，n＝4。获得输入集图像时，即是从历史被测组织经过4次激发采集的DWI数据(即4个shot的数据，分别为第一shot、第二shot、第三shot和第四shot的数据)中，抽取其中的两个shot的数据用于重建输入集图像，例如第一shot和第三shot的数据。

可以理解的是，由于数据是通过抽取操作的，因此历史被测组织经过m次激发采集的DWI数据以及所述历史被测组织经过n次激发采集的DWI数据的K空间采集轨迹一致。例如，均是笛卡尔Cartesian采集轨迹，均是螺旋Spiral采集轨迹，或者均是螺旋桨Propeller采集轨迹。并且，后续对训练好的神经网络进行应用时，临床被测组织的数据也是按照与形成神经网络训练集(包括输入集与标注集)的数据采集轨迹一致，从而提高应用的神经网络与待处理图像的适应性。

利用输入集以及标注集对神经网络的参数进行训练和多次迭代，直至网络中的参数收敛。参见图6，该图为本申请实施例提供的一种神经网络训练示意图。另外，在实际应用中还可以准备验证集(包含质量较差的DWI图像)，将验证集的图像输入神经网络中，根据输出图像对神经网络的效果进行评估，还可以根据评估结果对神经网络的参数进行调节。

步骤402：根据所述神经网络模型和训练好的所述参数得到所述神经网络。

步骤403：获得临床被测组织经过m次激发采集的弥散加权成像DWI数据。

由于用于训练神经网络的输入集图像为历史被测组织经过m次激发采集的弥散加权成像DWI数据重建的图像，为保证神经网络的适用性，本步骤中也相似地获得临床被测组织经过m次激发采集的弥散加权成像DWI数据，以用于重建待处理图像。

步骤404：利用所述临床被测组织经过m次激发采集的DWI数据重建获得待处理图像。

步骤405：将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像。

在本实施例中，步骤403至405的实现方式与前述实施例中步骤301至303的实现方式相同。步骤403至405的相关描述可参见前述实施例，此处不再赘述。

参见图7，该图为本申请实施例提供的一种应用训练好的神经网络获得高质量DWI图像的示意图。

通过图7可知，本申请实施例提供的磁共振弥散加权成像方法在对神经网络进行具体应用时，避免现有技术中对多个shot数据之间相位的估计，以及对多个shot数据的合并处理问题，从而，避免了因相位估计不准确而出现的伪影的可能。相比于现有技术，该方法在应用时操作简单，成像便捷，相比于待处理图像，输出图像质量获得显著提高。

基于前述实施例，本申请还进一步提供了又一种磁共振弥散加权成像方法。该方法中，通过执行平均操作重复采集相同K空间位置的数据，进一步提高了最终DWI图像中的信噪比。下面结合实施例和附图对该方法的具体实现进行详细描述。

方法实施例三

参见图8，该图为本实施例提供的又一种磁共振弥散加权成像方法的流程图。

如图8所示，该方法包括：

步骤801：获得临床被测组织经过m次激发q次平均采集的弥散加权成像DWI数据。

平均，是指对相同组织位置进行数据的重复采集。扫描时间与平均次数相关，平均次数越多，相应地扫描时间越长。m≥1，q≥1，且m与q均为正整数。

步骤802：利用所述临床被测组织经过m次激发q次平均采集的DWI数据重建获得待处理图像。

通过重建，获得m×q幅图像。

步骤803：将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像。

本实施例中，所述神经网络利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发q次平均采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发p次平均采集的DWI数据重建所得的图像。

n与p均为正整数，1≤m≤n，1≤q≤p，且mq＜np。由于mq＜np，因此，历史被测组织经过m次激发q次平均采集的DWI数据的扫描时间小于历史被测组织经过n次激发p次平均采集的DWI数据的扫描时间。由此可知，标注集中图像的质量必然高于输入集中图像的质量。通过输入集和标注集训练获得的神经网络，能够依据输入的质量较差的图像输出质量更高的图像。并且，由于标注集图像是由更多次平均获得的DWI数据重建而来，因此，标注集图像的信噪比非常高。从而，利用该标注集训练好的神经网络能够根据输入的待处理图像获得高信噪比的输出图像，即提升DWI图像的信噪比。

根据m、n、q、p的取值范围可知，本实施例中神经网络的输入可以是单次激发单次平均的DWI数据重建的图像，还可以是多次激发多次平均但是次数少于标注集的激发和平均次数的数据生成的DWI图像。例如：m＝n且q＜p；m＜n且q＝p；m＜n且q＜p。

以上即为本实施例提供的磁共振弥散加权成像方法。该方法将临床被测组织经过m次激发q次平均采集的DWI数据重建为待处理图像。由于预先训练好神经网络，该神经网络能够输出质量高于输入图像的输出图像，因此，将质量较差的待处理图像输入神经网络后，能够快速获得高信噪比的DWI图像，即待处理图像对应的输出图像。利用神经网络在提升DWI图像信噪比同时缩短了DWI图像的重建时间。

此外，本申请用于重建待处理图像的数据为临床被测组织经过m次激发q次平均采集的DWI数据，m和q均为大于或等于1的正整数，由于激发次数m可以非常小，例如4次激发，2次激发，甚至单次激发等，平均次数q可以非常小，例如3次平均，2次平均，甚至单次平均等，因此该方法还能够有效缩短扫描时间。相比于现有技术，该方法提升了高信噪比DWI图像的获取速度，有利于DWI技术在临床上的推广应用。

为便于理解，下面分别提供上述第三实施例中用于训练神经网络的输入集图像和标注集图像的示例性获得方式。

对于标注集图像：本实施例中，可以对历史被测组织经过n次激发p次平均采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像。

需要说明的是，为获得高质量的标注集图像，本实施例不采用直接合并的方式对DWI数据进行处理。这是由于多次激发多次平均获得的DWI数据中因弥散梯度的存在，每个shot的相位都是不同的，因此直接合并多shot数据极易导致严重的伪影。基于此直接合并的问题，在获得标注集图像时，本实施例具体可以在图像域或者K空间域对历史被测组织经过n次激发采集的DWI数据中经过各次激发采集的DWI数据进行合并处理，根据处理后的数据重建图像作为标注集图像。在图像域，作为示例，可以采用复用灵敏度编码MUSE方法进行数据合并；在K空间域，作为示例，可以采用广义自校准部分并行采集GRAPPA方法进行数据合并。

数据合并后再进行重建，最终获得一幅图像纳入标注集。标注集中可能不止局限于存在上述一幅图像，还可能存在对于多种历史被测组织按照上述方式采集、合并再重建获得的多幅图像。此处对于标注集中包含的图像数量不进行限制。

由于标注集图像是依据多次激发获得的DWI数据获得，因此，标注集中图像的畸变非常小。当神经网络训练好后应用时，相应地能够降低输出图像中畸变效果。

对于输入集图像：本实施例中，作为一种可能的实现方式，可以从所述历史被测组织经过n次激发p次平均采集的DWI数据中抽取所述历史被测组织经过m次激发q次平均采集的DWI数据，再利用抽取到的DWI数据重建图像。最终重建出的图像数量为m×q幅。

作为示例，m＝2，n＝4，q＝2，p＝3。获得输入集图像时，即是从历史被测组织经过4次激发3次平均采集的DWI数据中，抽取其中的2次激发2次平均采集的DWI数据用于重建输入集图像。利用抽取出的数据重建出的图像数量为2×2＝4幅。

可以理解的是，由于数据是通过抽取操作的，因此历史被测组织经过m次激发q次平均采集的DWI数据以及所述历史被测组织经过n次激发p次平均采集的DWI数据的K空间采集轨迹一致。例如，均是笛卡尔Cartesian采集轨迹，均是螺旋Spiral采集轨迹，或者均是螺旋桨Propeller采集轨迹。并且，后续对训练好的神经网络进行应用时，临床被测组织的数据也是按照与形成神经网络训练集(包括输入集与标注集)的数据采集轨迹一致，从而提高应用的神经网络与待处理图像的适应性。

利用输入集以及标注集对神经网络的参数进行训练和多次迭代，直至网络中的参数收敛。参见图9，该图为本申请实施例提供的另一种神经网络训练示意图。另外，在实际应用中还可以准备验证集(包含质量较差的DWI图像)，将验证集的图像输入神经网络中，根据输出图像对神经网络的效果进行评估，还可以根据评估结果对神经网络的参数进行调节。

参见图10，该图为本申请实施例提供的另一种应用训练好的神经网络获得高质量DWI图像的示意图。

通过图10可知，本申请实施例提供的磁共振弥散加权成像方法在对神经网络进行具体应用时，避免现有技术中对多个shot数据之间相位的估计，以及对多个shot数据的合并处理问题，从而，避免了因相位估计不准确而出现的伪影的可能。相比于现有技术，该方法在应用时操作简单，成像便捷，相比于待处理图像，输出图像质量获得显著提高。

激发方向为readout方向时，待处理图像的主要质量问题分辨率低，通过应用上述神经网络能够有效提高最终获得的DWI图像的分辨率；激发方向为交错interleaved方向时，待处理图像的主要质量问题是噪声和伪影严重，通过应用上述神经网络能够有效提高最终获得的DWI图像的信噪比，改善伪影现象；采集轨迹为Sprial或Propeller轨迹时，待处理图像的主要质量问题是噪声严重，通过应用上述神经网络能够有效提高最终获得的DWI图像的信噪比。

基于前述实施例提供的磁共振弥散加权成像方法，相应地，本申请还同一种磁共振弥散加权成像装置。下面结合实施例和附图对该装置的具体实现进行描述。

装置实施例一

参见图11，该图为本申请实施例提供的一种磁共振弥散加权成像装置的结构示意图。

如图11所示，本实施例提供的磁共振弥散加权成像装置，包括：

数据获取模块111，图像重建模块112，图像处理模块113和神经网络训练模块114；

所述数据获取模块111，用于获得临床被测组织经过m次激发采集的弥散加权成像DWI数据；所述m为正整数；

所述图像重建模块112，用于利用所述临床被测组织经过m次激发采集的DWI数据重建获得待处理图像；

所述图像处理模块113，用于将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；

所述神经网络为所述神经网络训练模块114利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发采集的DWI数据重建所得的图像；所述n为大于所述m的正整数。

以上即为本申请实施例提供的磁共振弥散加权成像装置。该装置将临床被测组织经过m次激发采集的DWI数据重建为待处理图像。由于预先训练好神经网络，该神经网络能够输出质量高于输入图像的输出图像，因此，将质量较差的待处理图像输入神经网络后，能够快速获得高质量的DWI图像，即待处理图像对应的输出图像。利用神经网络在提升DWI图像质量同时缩短了DWI图像的重建时间。此外，本申请用于重建待处理图像的数据为临床被测组织经过m次激发采集的DWI数据，m为大于或等于1的正整数，由于激发次数m可以非常小，例如4次激发，2次激发，甚至单次激发等，因此该装置还能够有效缩短扫描时间。相比于现有技术，该装置提升了高质量DWI图像的获取速度，有利于DWI技术在临床上的推广应用。

作为一种可能的实现方式，所述神经网络训练模块114，具体包括：

参数训练单元，用于利用所述输入集和所述标注集进行神经网络模型的训练，获得所述神经网络模型的参数；

神经网络获取单元，用于根据所述神经网络模型和训练好的所述参数得到所述神经网络。

作为一种可能的实现方式，所述神经网络训练模块114还包括：输入集获取单元，用于由历史被测组织经过m次激发采集的DWI数据重建图像；所述输入集获取单元，具体包括：

数据抽取子单元，用于从所述历史被测组织经过n次激发采集的DWI数据中抽取所述历史被测组织经过m次激发采集的DWI数据；

图像重建子单元，用于利用抽取到的DWI数据重建图像。

作为一种可能的实现方式，所述神经网络训练模块114还包括：标注集获取单元，用于由所述历史被测组织经过n次激发采集的DWI数据重建图像；所述标注集获取单元，具体包括：

数据处理与图像重建子单元，用于对所述历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像。

作为一种可能的实现方式，所述数据处理与图像重建子单元，具体用于对所述历史被测组织经过n次激发采集的DWI数据中经过各次激发采集的DWI数据在图像域或K空间域进行合并处理，利用处理后的数据重建图像。

在实际应用中，通过执行平均操作重复采集相同K空间位置的数据，可进一步提高了最终DWI图像中的信噪比。本申请还提供了另一种磁共振弥散加权成像装置，下面结合实施例进行详细描述。

装置实施例二

本实施例提供的磁共振弥散加权成像装置，包括：

数据获取模块，图像重建模块，图像处理模块和神经网络训练模块；

其中，所述数据获取模块，用于获得临床被测组织经过m次激发q次平均采集的弥散加权成像DWI数据；所述m与所述q均为正整数；

所述图像重建模块，用于利用所述临床被测组织经过m次激发q次平均采集的DWI数据重建获得待处理图像；

所述图像处理模块，用于将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；

所述神经网络为所述神经网络训练模块利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发q次平均采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发p次平均采集的DWI数据重建所得的图像；所述n与所述p均为正整数，1≤m≤n，1≤q≤p，且mq＜np。

以上即为本实施例提供的磁共振弥散加权成像装置。该装置将临床被测组织经过m次激发q次平均采集的DWI数据重建为待处理图像。由于预先训练好神经网络，该神经网络能够输出质量高于输入图像的输出图像，因此，将质量较差的待处理图像输入神经网络后，能够快速获得高信噪比的DWI图像，即待处理图像对应的输出图像。利用神经网络在提升DWI图像信噪比同时缩短了DWI图像的重建时间。此外，本申请用于重建待处理图像的数据为临床被测组织经过m次激发q次平均采集的DWI数据，m和q均为大于或等于1的正整数，由于激发次数m可以非常小，例如4次激发，2次激发，甚至单次激发等，平均次数q可以非常小，例如3次平均，2次平均，甚至单次平均等，因此该方法还能够有效缩短扫描时间。相比于现有技术，该方法提升了高信噪比DWI图像的获取速度，有利于DWI技术在临床上的推广应用。

本申请实施例提供的磁共振弥散加权成像装置在对神经网络进行具体应用时，避免现有技术中对多个shot数据之间相位的估计，以及对多个shot数据的合并处理问题，从而，避免了因相位估计不准确而出现的伪影的可能。相比于现有技术，该装置在应用时操作简单，成像便捷，相比于待处理图像，输出图像质量获得显著提高。

激发方向为readout方向时，待处理图像的主要质量问题分辨率低，通过应用神经网络训练模块训练的神经网络能够有效提高最终获得的DWI图像的分辨率；激发方向为交错interleaved方向时，待处理图像的主要质量问题是噪声和伪影严重，通过应用神经网络训练模块训练的神经网络能够有效提高最终获得的DWI图像的信噪比，改善伪影现象；采集轨迹为Sprial或Propeller轨迹时，待处理图像的主要质量问题是噪声严重，通过应用神经网络训练模块训练的神经网络能够有效提高最终获得的DWI图像的信噪比。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中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，作为单元提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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (11)

1.一种磁共振弥散加权成像方法，其特征在于，包括：

获得临床被测组织经过m次激发采集的弥散加权成像DWI数据；所述m为正整数；

利用所述临床被测组织经过m次激发采集的DWI数据重建获得待处理图像；

将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；所述神经网络利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发采集的DWI数据重建所得的图像；所述n为大于所述m的正整数。

2.根据权利要求1所述的磁共振弥散加权成像方法，其特征在于，由历史被测组织经过m次激发采集的DWI数据重建图像，具体包括：

从所述历史被测组织经过n次激发采集的DWI数据中抽取所述历史被测组织经过m次激发采集的DWI数据；

利用抽取到的DWI数据重建图像。

3.根据权利要求1或2所述的磁共振弥散加权成像方法，其特征在于，由所述历史被测组织经过n次激发采集的DWI数据重建图像，具体包括：

对所述历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像。

4.根据权利要求3所述的磁共振弥散加权成像方法，其特征在于，所述对所述历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像，具体包括：

对所述历史被测组织经过n次激发采集的DWI数据中经过各次激发采集的DWI数据在图像域或K空间域进行合并处理，利用处理后的数据重建图像。

5.根据权利要求1或2所述的磁共振弥散加权成像方法，其特征在于，所述临床被测组织经过m次激发采集的DWI数据、所述历史被测组织经过m次激发采集的DWI数据以及所述历史被测组织经过n次激发采集的DWI数据的K空间采集轨迹一致，所述采集轨迹为以下任意一种：

笛卡尔Cartesian采集轨迹，螺旋Spiral采集轨迹或螺旋桨Propeller采集轨迹。

6.一种磁共振弥散加权成像方法，其特征在于，包括：

获得临床被测组织经过m次激发q次平均采集的弥散加权成像DWI数据；所述m与所述q均为正整数；

利用所述临床被测组织经过m次激发q次平均采集的DWI数据重建获得待处理图像；

将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；所述神经网络利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发q次平均采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发p次平均采集的DWI数据重建所得的图像；所述n与所述p均为正整数，1≤m≤n，1≤q≤p，且mq＜np。

7.一种磁共振弥散加权成像装置，其特征在于，包括：

数据获取模块，图像重建模块，图像处理模块和神经网络训练模块；

所述数据获取模块，用于获得临床被测组织经过m次激发采集的弥散加权成像DWI数据；所述m为正整数；

所述图像重建模块，用于利用所述临床被测组织经过m次激发采集的DWI数据重建获得待处理图像；

所述图像处理模块，用于将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；

所述神经网络为所述神经网络训练模块利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发采集的DWI数据重建所得的图像；所述n为大于所述m的正整数。

8.根据权利要求7所述的磁共振弥散加权成像装置，其特征在于，所述神经网络训练模块还包括：输入集获取单元，用于由历史被测组织经过m次激发采集的DWI数据重建图像；所述输入集获取单元，具体包括：

数据抽取子单元，用于从所述历史被测组织经过n次激发采集的DWI数据中抽取所述历史被测组织经过m次激发采集的DWI数据；

图像重建子单元，用于利用抽取到的DWI数据重建图像。

9.根据权利要求7或8所述的磁共振弥散加权成像装置，其特征在于，所述神经网络训练模块还包括：标注集获取单元，用于由所述历史被测组织经过n次激发采集的DWI数据重建图像；所述标注集获取单元，具体包括：

数据处理与图像重建子单元，用于对所述历史被测组织经过n次激发采集的DWI数据中各次激发采集的DWI数据进行合并处理，利用处理后的数据重建图像。

10.根据权利要求9所述的磁共振弥散加权成像装置，其特征在于，所述数据处理与图像重建子单元，具体用于对所述历史被测组织经过n次激发采集的DWI数据中经过各次激发采集的DWI数据在图像域或K空间域进行合并处理，利用处理后的数据重建图像。

11.一种磁共振弥散加权成像装置，其特征在于，包括：

数据获取模块，图像重建模块，图像处理模块和神经网络训练模块；

所述数据获取模块，用于获得临床被测组织经过m次激发q次平均采集的弥散加权成像DWI数据；所述m与所述q均为正整数；

所述图像重建模块，用于利用所述临床被测组织经过m次激发q次平均采集的DWI数据重建获得待处理图像；

所述图像处理模块，用于将所述待处理图像作为预先获得的神经网络的输入，获得所述神经网络的输出图像，将所述输出图像作为所述临床被测组织的DWI最终图像；

所述神经网络为所述神经网络训练模块利用输入集和标注集训练获得，其中，所述输入集包括：由历史被测组织经过m次激发q次平均采集的DWI数据重建所得的图像，所述标注集包括：由所述历史被测组织经过n次激发p次平均采集的DWI数据重建所得的图像；所述n与所述p均为正整数，1≤m≤n，1≤q≤p，且mq＜np。

Images