CN110610529B - 磁共振扫描仪的主磁场均匀化方法、设备和介质 - Google Patents

磁共振扫描仪的主磁场均匀化方法、设备和介质 Download PDF

Info

Publication number
CN110610529B
CN110610529B CN201910892666.5A CN201910892666A CN110610529B CN 110610529 B CN110610529 B CN 110610529B CN 201910892666 A CN201910892666 A CN 201910892666A CN 110610529 B CN110610529 B CN 110610529B
Authority
CN
China
Prior art keywords
magnetic resonance
magnetic field
neural network
image
resonance image
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
CN201910892666.5A
Other languages
English (en)
Other versions
CN110610529A (zh
Inventor
史宇航
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201910892666.5A priority Critical patent/CN110610529B/zh
Publication of CN110610529A publication Critical patent/CN110610529A/zh
Priority to US16/875,904 priority patent/US11506735B2/en
Application granted granted Critical
Publication of CN110610529B publication Critical patent/CN110610529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
    • G01R33/38—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field
    • G01R33/387—Compensation of inhomogeneities
    • G01R33/3875—Compensation of inhomogeneities using correction coil assemblies, e.g. active shimming
    • 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
    • G01R33/24—Arrangements or instruments for measuring magnetic variables involving magnetic resonance for measuring direction or magnitude of magnetic fields or magnetic flux
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • G01R33/24—Arrangements or instruments for measuring magnetic variables involving magnetic resonance for measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/243—Spatial mapping of the polarizing magnetic field
    • 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
    • G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
    • G01R33/32—Excitation or detection systems, e.g. using radio frequency signals
    • 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
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
    • 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]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Abstract

本发明涉及一种磁共振扫描仪的主磁场均匀化方法、设备和介质。其中，该方法包括：获取扫描对象的磁共振图像；对磁共振图像进行预处理；将预处理后的磁共振图像输入到训练完备的第一神经网络；获取训练完备的第一神经网络输出的预测掩模图，其中，预测掩模图用于划分磁共振图像中的感兴趣区域；根据感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理。通过本发明，解决了磁共振扫描仪的主磁场均匀化的时间长的问题，缩短了磁共振扫描仪的主磁场均匀化的时间。

Description

磁共振扫描仪的主磁场均匀化方法、设备和介质
技术领域
本发明涉及磁共振领域，特别是涉及一种磁共振扫描仪的主磁场均匀化方法、设备和计算机可读存储介质。
背景技术
大多数磁共振检查(Magnetic Resonance，简称为MR)技术，特别是回波平面成像和稳态自由旋进，都得益于相对均匀的磁场。对于人类大脑来说，由于空气和组织之间的高磁化率差异，最显著的磁场不均匀发生在鼻窦和耳洞周围。这些区域磁场的非均匀性导致了重要的图像伪影，如信号丢失和图像失真。对于超高场强磁共振成像(MagneticResonance Imaging，简称为MRI)，由于场强不均匀性随背景场强的增大而扩大。获取磁场图并做磁场均匀化处理，成为提升图像质量的一个重要方法。
就磁场均匀化技术来说，大多数临床MR扫描仪都配有室温匀场线圈，可产生球形谐波磁场，去抵消受试者在扫描腔内引起的主磁场的不均匀。大多数3Tesla场强磁共振系统都配备了二阶匀场线圈，而一些超高磁场系统甚至有更高的匀场线圈可用。通常情况下，核磁共振扫描准备阶段需要先获得扫描物体的磁场分布图。用获取的磁场图计算每个匀场线圈的电流，去产生一个额外的磁场抵消磁场的不均匀性。传统的静态主磁场匀场过程中，需要花约10-15秒的时间去获取磁场分布图；但是，如果起始磁场不均匀，需要多次匀场才能达到较好的效果，然而场图扫描时间会随着匀场次数增多而变长。
针对相关技术中磁共振扫描仪的主磁场均匀化的时间长的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种磁共振扫描仪的主磁场均匀化方法、设备及计算机可读存储介质，以至少解决相关技术中磁共振扫描仪的主磁场均匀化的时间长的问题。
第一方面，本发明实施例提供了一种磁共振扫描仪的主磁场均匀化方法，包括：获取扫描对象的磁共振图像；对所述磁共振图像进行预处理；将预处理后的所述磁共振图像输入到训练完备的第一神经网络；获取所述训练完备的第一神经网络输出的预测掩模图，其中，所述预测掩模图用于划分所述磁共振图像中的感兴趣区域；根据所述感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理。
在其中一个实施例中，所述磁共振图像为低分辨率磁共振图像。
在其中一个实施例中，根据所述感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理包括：确定所述感兴趣区域对应的主磁场区域为待磁场均匀化处理的主磁场区域；根据所述扫描对象的磁共振图像，对所述待磁场均匀化处理的主磁场区域进行磁场均匀化处理。
在其中一个实施例中，对所述待磁场均匀化处理的主磁场区域进行磁场均匀化处理包括：在所述预测掩模图的数量为多个的情况下，根据所述多个预测掩模图中每个预测掩模图划分的感兴趣区域，确定多个待磁场均匀化处理的主磁场区域；按照与所述多个待磁场均匀化处理的主磁场区域对应的磁场均匀化指标，对所述多个待磁场均匀化处理的主磁场区域进行磁场均匀化处理。
在其中一个实施例中，所述训练完备的第一神经网络的训练过程包括：获取掩模图训练样本，其中，所述掩模图训练样本包括：多个磁共振图像，以及与所述多个磁共振图像中的每个图像一一对应的多个真实掩模图；构建初始的第一神经网络；使用所述掩模图训练样本，以第一预设损失训练所述初始的第一神经网络，直到收敛，得到所述训练完备的第一神经网络。
在其中一个实施例中，所述第一预设损失包括：所述初始的第一神经网络输出的预测掩模图与真实掩模图的大小的误差；和/或所述初始的第一神经网络输出的预测掩模图与真实掩模图的位置的误差。
在其中一个实施例中，在所述磁共振图像为低分辨率磁共振图像的情况下，对所述磁共振图像进行预处理包括：将所述低分辨率磁共振图像超分辨率处理为高分辨率磁共振图像。
在其中一个实施例中，将所述低分辨率磁共振图像超分辨率处理为高分辨率磁共振图像包括：将所述低分辨率磁共振图像输入到训练完备的第二神经网络；获取所述训练完备的第二神经网络输出的预测磁共振图像，其中，所述预测磁共振图像是所述训练完备的第二神经网络对所述低分辨率磁共振图像进行超分辨率处理得到的所述高分辨率磁共振图像。
在其中一个实施例中，所述训练完备的第二神经网络的训练过程包括：获取高分辨率磁共振图像训练样本，其中，所述高分辨率磁共振图像训练样本包括：多个低分辨率磁共振图像，以及与所述多个低分辨率磁共振图像一一对应的多个高分辨率磁共振图像；构建初始的第二神经网络；使用所述高分辨率磁共振图像训练样本，以第二预设损失训练所述初始的第二神经网络，直到收敛，得到所述训练完备的第二神经网络。
在其中一个实施例中，获取高分辨率磁共振图像训练样本包括：从磁共振扫描仪分别获取所述多个高分辨率磁共振图像和所述多个低分辨率磁共振图像；或者从所述磁共振扫描仪获取所述多个高分辨率磁共振图像，降采样重建所述多个高分辨率磁共振图像得到所述多个低分辨率磁共振图像。
在其中一个实施例中，所述第二预设损失包括：所述初始的第二神经网络输出的预测磁共振图像与所述高分辨率磁共振图像训练样本中对应的高分辨率磁共振图像的误差；和/或根据所述初始的第二神经网络输出的预测磁共振图像对所述磁共振扫描仪的主磁场进行磁场均匀化处理后主磁场的磁场均匀化指标与预设磁场均匀化指标的误差。
在其中一个实施例中，所述第一神经网络包括：U-Net第二神经网络；所述第二神经网络包括以下至少之一：U-Net第二神经网络、生成对抗第二神经网络、循环生成对抗第二神经网络。
在其中一个实施例中，对所述磁共振图像和/或低分辨率磁共振图像的预处理方式包括以下至少之一：组织器官提取、相位解缠。
第二方面，本发明实施例提供了一种磁共振扫描仪的主磁场均匀化设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现第一方面所述的方法。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现第一方面所述的方法。
通过本发明实施例提供的磁共振扫描仪的主磁场均匀化方法、设备及介质，采用获取扫描对象的磁共振图像；对磁共振图像进行预处理；将预处理后的磁共振图像输入到训练完备的第一神经网络；获取训练完备的第一神经网络输出的预测掩模图，其中，预测掩模图用于划分磁共振图像中的感兴趣区域；根据感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理的方式，解决了磁共振扫描仪的主磁场均匀化的时间长的问题，缩短了磁共振扫描仪的主磁场均匀化的时间。
附图说明
图1是根据本发明实施例的磁共振扫描仪的主磁场均匀化方法的流程图；
图2是根据本发明实施例的U-Net卷积神经网络构架的结构示意图；
图3是根据本发明实施例的组织器官掩模生成流程的示意图；
图4是根据本发明实施例的生成对抗神经网络构架的结构示意图；
图5是根据本发明实施例的感兴趣区域的磁场均匀化流程的示意图；
图6是根据本发明实施例的磁共振扫描仪的主磁场均匀化设备的硬件结构示意图。
具体实施方式
在本实施例中提供了一种磁共振扫描仪的主磁场均匀化方法。图1是根据本发明实施例的磁共振扫描仪的主磁场均匀化方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取扫描对象的磁共振图像；
在本实施例中，磁共振图像是由磁共振扫描仪的磁共振序列采集而来的图像或者是根据磁共振序列采集的图像经过数字处理得到的图像，包括磁共振相位图像、磁共振幅值图像以及磁共振磁场分布图像。具体而言，磁共振图像可以通过双梯度回波磁共振序列、快速平面回波采集或螺旋采集序列采集，或者基于数学模型的磁场分布计算方法而来。在磁共振相位图像、磁共振幅值图像、磁共振磁场分布图像中都包含了一些组织器官结构的特征信息，都能够用于区分不同的组织器官结构，因此无论是磁共振相位图像、磁共振幅值图像还是磁共振磁场分布图像都能够用于生成第一神经网络的预测掩模图。一般而言，在磁共振幅值图像中的组织器官结构信息更多，组织间的对比度更高，因此，在本实施例中优选使用磁共振幅值图像来预测用于划分感兴趣区域的掩模图，其中的感兴趣区域是指感兴趣的组织器官结构所在的区域。
从磁共振图像的分辨率角度而言，显然高分辨率磁共振图像能够包含更多的组织器官结构的细节特征，用于生成预测掩模图可能具有更高的精度。但是一方面，用于分割组织器官进而用于磁场均匀化的掩模图并不需要太高的精度，另一方面，直接通过磁共振扫描仪获取高分辨率磁共振图像可能需要花费更多的时间，因此，在本实施例的步骤S101种优选使用低分辨率的磁共振幅值图像来预测掩模图。
步骤S102，对磁共振图像进行预处理；
不同类型的磁共振图像可以采用不同的预处理方式。为了能够提高预测效率和准确度，可以采取图片拉伸或者裁减的方式将磁共振图像处理为预设尺寸大小或者预设文件大小的图片。对于磁共振图像为磁共振相位图像的情况下，由于生成磁共振相位图像时，相位只能定义在(-π，+π)范围内，因此会发生相位缠绕现象。为了使相位回到原来范围，磁共振相位图像在预处理过程中还可以进行相位解缠。本实施例中相位解缠可以采用相关技术中的任意一种算法。目前已有多种去除相位缠绕的算法有路径跟踪法和最小范数法，其中，路径跟踪法的代表算法“枝切法”效率最高。因此，本实施例中对磁共振相位图像的相位解缠优先使用“枝切法”。
此外，对于低分辨率磁共振图像，还可以采用超分辨率方法对低分辨率磁共振图像进行超分辨率处理为高分辨率磁共振图像，优选采用深度学习进行超分辨率处理。由于采用深度学习进行超分辨率处理的所需的时间远低于直接使用磁共振扫描仪获取高分辨率磁共振图像的所需的时间，因此相对于直接使用磁共振扫描仪获取高分辨率磁共振图像的方式而言，采用深度学习进行超分辨率处理也能够缩短主磁场均匀化的总时长。关于采用深度学习进行超分辨率处理的方法将在后续的实施例中进一步进行描述和说明。
步骤S103，将预处理后的磁共振图像输入到训练完备的第一神经网络；
训练完备的第一神经网络是经过训练阶段对第一神经网络中的参数进行训练之后得到的神经网络。神经网络的训练方式可以是有监督学习方式、无监督学习方式、半监督学习方式或者主动学习方式。在本实施例中优选采用了有监督学习方式来训练第一神经网络。第一神经网络的神经网络构架优选采用卷积神经网络(Convolutional NeuralNetworks，简称为CNN)，例如全卷积神经网络(Fully Convolutional Neural Network，简称为FCN)，或者基于FCN的变形架构U-Net卷积神经网络(如图2所示)。除了卷积神经网络之外，第一神经网络还可以采用基于多层神经元的自编码神经网络或者深度置信神经网络等其他的深度学习人工神经网络构架来实现。
步骤S104，获取训练完备的第一神经网络输出的预测掩模图，其中，预测掩模图用于划分磁共振图像中的感兴趣区域；
在本实施例中的训练完备的第一神经网络被训练为输出预测掩模图，该预测掩模图用于将磁共振图像划分为感兴趣区域和非感兴趣区域，其中的感兴趣区域是指用户关注的区域，在本实施例中是指用户关注的组织器官的区域。感兴趣区域可以是一个相互连通的区域，也可以是相互之间不连通的多个感兴趣区域的集合。
步骤S105，根据感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理。
在相关技术中待均匀化处理的主磁场区域一般为固定半径的球状区域，主磁场均匀化的目标是将该球状区域的磁场均匀化指标调节到目标值。与之不同之处在于，在本实施例中获得感兴趣区域后，可以侧重于对感兴趣区域对应的主磁场区域的磁场均匀化处理，这样不仅仅能够随感兴趣区域调整需要进行磁场均匀化处理的主磁场区域从而降低主磁场均匀化的难度，还能够更关注于感兴趣区域的磁场均匀化使得感兴趣区域的磁场均匀化指标更好；非感兴趣区域并非是用户关心的区域，即使磁场均匀化指标较低，也不会影响感兴趣区域的图像质量。
通过上述步骤，使用训练完备的第一神经网络根据扫描对象的磁共振图像预测出用于划分磁共振图像中的感兴趣区域的预测掩模图，然后根据感兴趣区域对磁共振扫描仪的主磁场进行磁场均匀化处理，实现了对与感兴趣区域对应的磁共振扫描仪的主磁场区域的均匀化处理。相对于相关技术中对主磁场区域不区分感兴趣区域和非感兴趣区域而直接进行磁场均匀化处理的方式而言，采用上述步骤可以更关注于感兴趣区域的磁场均匀化，这样不仅缩小了磁场均匀化的区域从而降低了磁场均匀化所需的时间，而且可能使得感兴趣区域的磁场均匀化指标得到提升，进而提高感兴趣区域的图像质量。
在其中一个实施例中，根据感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理包括：确定感兴趣区域对应的主磁场区域为待磁场均匀化处理的主磁场区域；根据扫描对象的磁共振图像，对待磁场均匀化处理的主磁场区域进行磁场均匀化处理。其中，感兴趣区域对应的主磁场区域可以是与预测掩模图分割得到的感兴趣的组织器官的形状相同的主磁场区域，也可以是与预测掩模图分割得到的感兴趣区域的组织器官外接的最大球形区域的主磁场区域。由于相关技术中对球形区域的磁场均匀化技术已经比较成熟，因此球形的待均匀化的主磁场区域有利于简化磁场均匀化过程。
磁场均匀性是指一定半径的球形容积内磁场长度的均一性，也指单位面积内通过磁力线数目的一致性，通常以主磁场强度的百万分数(ppm)作为度量单位。本实施例中的磁场均匀化可以采用已知的任意的磁场均匀化方法。磁场均匀化方法的基本原理是通过梯度线圈和匀场线圈对主磁场进行补偿，以提高主磁场的均匀度。
例如，在患者进入磁共振扫描仪的成像工作区后，正式磁共振序列扫描之前，对于主磁场分布的测量，采用的序列为三维梯度回波序列，共采集两次，两次序列其它参数完全相同，唯一差别为回波时间TE不同。在两次回波时间的差值ΔTE时间内，相位的变化反映了像素所在位置的主磁场的偏置，测出所有选定区域像素的相位分布即测得主磁场的不均匀度分布图。由于人体中包含水和脂肪两种主要的自旋核，它们之间的化学位移差3.5ppm，因此两次回波时间差ΔTE要设置为保持水脂信号同相位的周期时间，在1.5T磁共振系统中，该最短周期时间为4.5ms。通过两次三维梯度回波序列扫描得到两幅磁共振相位图像，对两幅磁共振相位图像的相位像做差，得到与主磁场分布成正比的磁场分布图。用该磁场分布图做谐波分析之前还需要获得的每一个像素点对应的绝对坐标值，这可以从系统成像参数中得到。磁共振相位图像中不是所有像素点都是有用的信息，其中有一些噪声点和区域，不利于匀场谐波分析的准确性，需要予以剔除。剔除的方法是用磁共振相位图像通过对应的磁共振幅值图像产生幅度模板，排除模板以外的低信号区域的像素点。另外，由于磁共振扫描采集的磁共振相位图像量程区间为(-π，+π)，如果超出这一范围的相位会卷绕折叠回来，形成不连续的相位分布，因此在用于主磁场谐波分析之前，磁共振相位图像必须经过三维相位解缠绕算法处理得到连续一致的三维相位分布。将经过三维相位解缠绕的磁共振相位图像在幅度模板剔除低信噪比像素后，按照其对应的绝对坐标值，用回归分析得到各阶谐波项的权重系数。回归分析中，最高谐波阶数根据所用的系统中所配置的可用最高匀场线圈的阶数来设置，回归分析采用最小二乘算法回归各阶谐波的权重系数。通过磁共振相位图像测量主磁场的磁场分布图并分析出各阶谐波权重系数后，将其中非零阶谐波根据系统的谐波电流比例参数计算并输入各阶谐波匀场线圈中反向的补偿电流，抵消对应的高阶非均匀场谐波，提高主磁场的均匀度。其中一阶梯度谐波匀场通过调节梯度线圈的偏置电流实现，高阶谐波通过调节匀场线圈电流值实现。
在其中一个实施例中，对待磁场均匀化处理的主磁场区域进行磁场均匀化处理包括：在预测掩模图的数量为多个的情况下，根据多个预测掩模图中每个预测掩模图划分的感兴趣区域，确定多个待磁场均匀化处理的主磁场区域；按照与多个待磁场均匀化处理的主磁场区域对应的磁场均匀化指标，对多个待磁场均匀化处理的主磁场区域进行磁场均匀化处理。在本实施例中磁场均匀化方法与上述方法类似，不同之处在于在本实施例中可以针对不同预测掩模图划分的感兴趣区域设置对应的目标磁场均匀化指标，以实现生成的图像中感兴趣程度不同的区域的图像质量的差异。其中，用户越感兴趣的区域对应的目标磁场均匀化指标越高，该区域对应的图像质量越好。
在其中一个实施例中，训练完备的第一神经网络的训练过程包括：获取掩模图训练样本，其中，掩模图训练样本包括：多个磁共振图像，以及与多个磁共振图像中的每个图像一一对应的多个真实掩模图；构建初始的第一神经网络；使用掩模图训练样本，以第一预设损失训练初始的第一神经网络，直到收敛，得到训练完备的第一神经网络。
在本实施例中采用了有监督的学习方式对第一神经网络进行训练。其中掩模图训练样本中的磁共振图像可以为磁共振扫描仪直接获取到的磁共振图像；掩模图训练样本中的真实掩模图是在这些磁共振图像上通过人工标定感兴趣区域(即关键器官提取)得到的磁共振图像或者掩模图。由于直接从磁共振扫描仪获取磁共振图像需要较长的时间，为了快速得到更多的磁共振图像，可以对已有的磁共振图像进行图像翻转以及随机增加裁减、灰度等方式快速获得大量的磁共振图像作为训练的样本。
在其中一个实施例中，第一预设损失包括：初始的第一神经网络输出的预测掩模图与真实掩模图的大小的误差；和/或初始的第一神经网络输出的预测掩模图与真实掩模图的位置的误差。用于描述第一预设损失的损失函数可以选用但不限于：均方差损失函数、Sigmoid激活函数、softmax损失函数、交叉熵损失函数、svm合页损失函数、Smooth L1损失函数中的一种或者多种的组合。
在本实施例的训练过程中，优选使用随机梯度下降算法通过误差反向传播更第一神经网络的权重，最后得到训练完备的第一神经网络的参数。
传统组织器官分割算法，都是基于高分辨率磁共振图像分割出组织器官，作为诊断用途。在匀场算法中，为了快速获得感兴趣部位磁场信息，往往采用快速扫描的低分辨率磁共振图像做匀场参数计算，因此扫描到的低分辨率磁共振图像中很多结构细节模糊，绝大多数算法无法精确分割组织器官的区域。为了解决上述问题，如图3所示，在上述实施例中，使用了深度卷积神经网络分割组织图像。具体来说，上述实施例采用卷积神经网络架构，它采用以短时间采集的低分辨率磁共振图像数据作为输入，以此低分辨率磁共振图像为基础分割好的器官掩模为输出。当对具有两种数据的主体进行端到端训练时，包含大量参数的深度学习网络捕获并编码器官结构信息和分割好的掩模之间的高度非线性关系。这允许我们在给定输入低分辨率磁共振图像的情况下预测和估计输出对应不同器官的掩模。从而能根据感兴趣的区域选择感兴趣的器官进行磁场均匀化的优化。
在其中一个实施例中，在磁共振图像为低分辨率磁共振图像的情况下，对磁共振图像进行预处理包括：将低分辨率磁共振图像超分辨率处理为高分辨率磁共振图像。在本实施例中的超分辨率处理包括将低分辨率磁共振幅值图像或者低分辨率磁共振相位图像或者低分辨率磁共振磁场分布图像，经过超分辨率处理为高分辨率磁共振幅值图像或者高分辨率磁共振相位图像或者高分辨率磁共振磁场分布图像，从而增强预测掩模图的预测精度。除此之外，由于在磁场均匀化过程中也会用到磁共振磁场分布图像或者磁共振相位图像，因此，在预处理过程中将低分辨率磁共振相位图像或者低分辨率磁共振磁场分布图像超分辨率处理为高分辨率磁共振相位图像或者高分辨率磁共振磁场分布图像也能够增强磁场均匀化的均匀效果。提高图像分辨率的最常用技术之一是插值，尽管易于实现，但是这一方法在质量方面依然有诸多不足，比如很多细节无法保留。
为了保留图像的更多细节，在其中一个实施例中，也可以采用深度学习方法将低分辨率磁共振图像超分辨率处理为高分辨率磁共振图像。例如：将低分辨率磁共振图像输入到训练完备的第二神经网络；获取训练完备的第二神经网络输出的预测磁共振图像，其中，预测磁共振图像是训练完备的第二神经网络对低分辨率磁共振图像进行超分辨率处理得到的高分辨率磁共振图像。
其中，训练完备的第二神经网络是经过训练阶段对第二神经网络中的参数进行训练之后得到的神经网络。神经网络的训练方式可以是有监督学习方式、无监督学习方式、半监督学习方式或者主动学习方式。在本实施例中优选采用了有监督学习方式来训练第二神经网络。第二神经网络的神经网络构架优选采用卷积神经网络(Convolutional NeuralNetworks，简称为CNN)，例如全卷积神经网络(Fully Convolutional Neural Network，简称为FCN)、基于FCN的变形架构U-Net卷积神经网络、生成对抗神经网络(GAN，如图4所示)或者循环生成对抗神经网络。除了卷积神经网络之外，第二神经网络还可以采用基于多层神经元的自编码神经网络或者深度置信神经网络等其他的深度学习人工神经网络构架来实现。在本实施例中的训练完备的第二神经网络被训练为对低分辨率磁共振图像进行超分辨率处理得到的高分辨率磁共振图像。
在其中一个实施例中，训练完备的第二神经网络的训练过程包括：获取高分辨率磁共振图像训练样本，其中，高分辨率磁共振图像训练样本包括：多个低分辨率磁共振图像，以及与多个低分辨率磁共振图像一一对应的多个高分辨率磁共振图像；构建初始的第二神经网络；使用高分辨率磁共振图像训练样本，以第二预设损失训练初始的第二神经网络，直到收敛，得到训练完备的第二神经网络。
在本实施例中采用了有监督的学习方式对第二神经网络进行训练。其中高分辨率磁共振图像训练样本中的低分辨率磁共振图像可以为磁共振扫描仪直接获取到的低分辨率磁共振图像；高分辨率磁共振图像训练样本中的高分辨率磁共振图像也可以为针对与低分辨率磁共振图像相同的受试体由磁共振扫描仪直接获取到的高分辨率磁共振图像。为了快速得到更多的磁共振图像，可以对已有的低分辨率磁共振图像和高分辨率磁共振图像进行图像翻转以及随机增加裁减、灰度等方式快速获得大量的低分辨率磁共振图像和高分辨率磁共振图像作为训练的样本。此外，低分辨率磁共振图像优选由高分辨率磁共振图像降采样得到，可以节约扫描获取低分辨率磁共振图像的时间。
在其中一个实施例中，第二预设损失包括：初始的第二神经网络输出的预测磁共振图像与高分辨率磁共振图像训练样本中对应的高分辨率磁共振图像的误差；和/或根据初始的第二神经网络输出的预测磁共振图像对磁共振扫描仪的主磁场进行磁场均匀化处理后主磁场的磁场均匀化指标与预设磁场均匀化指标的误差。其中，预设磁场均匀化指标可以是用户预先设定的磁场均匀化指标阈值，也可以是根据高分辨率磁共振图像训练样本中对应的高分辨率磁共振图像对主磁场进行磁场均匀化处理后主磁场的磁场均匀化指标。用于描述第一预设损失的损失函数可以选用但不限于：均方差损失函数、Sigmoid激活函数、softmax损失函数、交叉熵损失函数、svm合页损失函数、Smooth L1损失函数中的一种或者多种的组合。
在本实施例的训练过程中，优选使用随机梯度下降算法通过误差反向传播更第二神经网络的权重，最后得到训练完备的第二神经网络的参数。
如图5所示，在上述实施例中，提出了一种快速的基于卷积神经网络的高分辨率磁共振图像的预测方法。以磁共振磁场分布图像为例，该方法用扫描人体部位获得的低分辨率磁共振磁场分布图像为输入，通过深度学习卷积网络输出预测对应部位的高分辨率磁共振磁场分布图像信息。其原理是利用人体磁场分布的先验知识，结合来自受试者预扫描的基本磁场信息去预测高分辨率的人体磁场分布，这可以减少扫描中获取磁共振图像的时间。
在上述实施例中，使用了深度卷积神经网络来提升快速获取的磁共振磁场分布图像的分辨率，预测低分辨率磁共振图像到高分辨率磁共振图像数据之间的联系。具体来说，上述实施例采用深度学习网络架构，它采用以短时间采集的低分辨率磁共振图像数据作为输入，预测出长时间采集的高分辨率磁共振图像数据作为输出。当对具有两种数据的主体进行端到端训练时，包含大量参数的深度学习网络捕获并编码低分辨率和高分辨率数据之间的高度非线性关系。这允许我们在给定输入低分辨率磁共振图像情况下预测和估计输出高分辨率数据模态，从而加速需要获取磁共振图像的磁共振应用，例如磁场均匀化、图像因磁场不均匀导致的形变的矫正等磁共振应用。
在上述实施例中，均可以对磁共振图像和/或低分辨率磁共振图像进行预处理，以提高预测精度或者提高训练效率。在上述实施例中，神经网络架构的选择可以基于模型表示能力和训练网络的计算成本之间的平衡，可选的方案是应用具有更多层和特征映射的网络来更好地表示训练数据。
另外，结合图1描述的本发明实施例的磁共振扫描仪的主磁场均匀化方法可以由磁共振扫描仪的主磁场均匀化设备来实现。图6示出了本发明实施例提供的磁共振扫描仪的主磁场均匀化设备的硬件结构示意图。
磁共振扫描仪的主磁场均匀化设备可以包括处理器61以及存储有计算机程序指令的存储器62。
具体地，上述处理器61可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器62可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器62可在数据处理装置的内部或外部。在特定实施例中，存储器62是非易失性固态存储器。在特定实施例中，存储器62包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器61通过读取并执行存储器62中存储的计算机程序指令，以实现上述实施例中的任意一种磁共振扫描仪的主磁场均匀化方法。
在一个示例中，磁共振扫描仪的主磁场均匀化设备还可包括通信接口63和总线60。其中，如图6所示，处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信接口63，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线60包括硬件、软件或两者，将磁共振扫描仪的主磁场均匀化设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线60可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该磁共振扫描仪的主磁场均匀化设备可以基于获取到的磁共振图像，执行本发明实施例中的磁共振扫描仪的主磁场均匀化方法，从而实现结合图1描述的磁共振扫描仪的主磁场均匀化方法。
另外，结合上述实施例中的磁共振扫描仪的主磁场均匀化方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种磁共振扫描仪的主磁场均匀化方法。
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 (15)

1.一种磁共振扫描仪的主磁场均匀化方法，其特征在于包括：
获取扫描对象的磁共振图像；
对所述磁共振图像进行预处理；
将预处理后的所述磁共振图像输入到训练完备的第一神经网络；
获取所述训练完备的第一神经网络输出的预测掩模图，其中，所述预测掩模图用于划分所述磁共振图像中的感兴趣区域；
根据所述感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理。
2.根据权利要求1所述的方法，其特征在于，所述磁共振图像为低分辨率磁共振图像。
3.根据权利要求1或2所述的方法，其特征在于，根据所述感兴趣区域，对磁共振扫描仪的主磁场进行磁场均匀化处理包括：
确定所述感兴趣区域对应的主磁场区域为待磁场均匀化处理的主磁场区域；
根据所述扫描对象的磁共振图像，对所述待磁场均匀化处理的主磁场区域进行磁场均匀化处理。
4.根据权利要求3所述的方法，其特征在于，对所述待磁场均匀化处理的主磁场区域进行磁场均匀化处理包括：
在所述预测掩模图的数量为多个的情况下，根据所述多个预测掩模图中每个预测掩模图划分的感兴趣区域，确定多个待磁场均匀化处理的主磁场区域；
按照与所述多个待磁场均匀化处理的主磁场区域对应的磁场均匀化指标，对所述多个待磁场均匀化处理的主磁场区域进行磁场均匀化处理。
5.根据权利要求1或2所述的方法，其特征在于，所述训练完备的第一神经网络的训练过程包括：
获取掩模图训练样本，其中，所述掩模图训练样本包括：多个磁共振图像，以及与所述多个磁共振图像中的每个图像一一对应的多个真实掩模图；
构建初始的第一神经网络；
使用所述掩模图训练样本，以第一预设损失训练所述初始的第一神经网络，直到收敛，得到所述训练完备的第一神经网络。
6.根据权利要求5所述的方法，其特征在于，所述第一预设损失包括：
所述初始的第一神经网络输出的预测掩模图与真实掩模图的大小的误差；和/或
所述初始的第一神经网络输出的预测掩模图与真实掩模图的位置的误差。
7.根据权利要求2所述的方法，其特征在于，在所述磁共振图像为低分辨率磁共振图像的情况下，对所述磁共振图像进行预处理包括：
将所述低分辨率磁共振图像超分辨率处理为高分辨率磁共振图像。
8.根据权利要求7所述的方法，其特征在于，将所述低分辨率磁共振图像超分辨率处理为高分辨率磁共振图像包括：
将所述低分辨率磁共振图像输入到训练完备的第二神经网络；
获取所述训练完备的第二神经网络输出的预测磁共振图像，其中，所述预测磁共振图像是所述训练完备的第二神经网络对所述低分辨率磁共振图像进行超分辨率处理得到的所述高分辨率磁共振图像。
9.根据权利要求8所述的方法，其特征在于，所述训练完备的第二神经网络的训练过程包括：
获取高分辨率磁共振图像训练样本，其中，所述高分辨率磁共振图像训练样本包括：多个低分辨率磁共振图像，以及与所述多个低分辨率磁共振图像一一对应的多个高分辨率磁共振图像；
构建初始的第二神经网络；
使用所述高分辨率磁共振图像训练样本，以第二预设损失训练所述初始的第二神经网络，直到收敛，得到所述训练完备的第二神经网络。
10.根据权利要求9所述的方法，其特征在于，获取高分辨率磁共振图像训练样本包括：
从磁共振扫描仪分别获取所述多个高分辨率磁共振图像和所述多个低分辨率磁共振图像；或者
从所述磁共振扫描仪获取所述多个高分辨率磁共振图像，降采样重建所述多个高分辨率磁共振图像得到所述多个低分辨率磁共振图像。
11.根据权利要求9所述的方法，其特征在于，所述第二预设损失包括：
所述初始的第二神经网络输出的预测磁共振图像与所述高分辨率磁共振图像训练样本中对应的高分辨率磁共振图像的误差；和/或
根据所述初始的第二神经网络输出的预测磁共振图像对所述磁共振扫描仪的主磁场进行磁场均匀化处理后主磁场的磁场均匀化指标与预设磁场均匀化指标的误差。
12.根据权利要求1或8所述的方法，其特征在于，
所述第一神经网络包括：U-Net第二神经网络；
所述第二神经网络包括以下至少之一：U-Net第二神经网络、生成对抗第二神经网络、循环生成对抗第二神经网络。
13.根据权利要求1、2、4、6至11中任一项所述的方法，其特征在于，对所述磁共振图像和/或低分辨率磁共振图像的预处理方式包括以下至少之一：组织器官提取、相位解缠。
14.一种磁共振扫描仪的主磁场均匀化设备，其特征在于包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1至13中任一项所述的方法。
15.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1至13中任一项所述的方法。
CN201910892666.5A 2019-09-20 2019-09-20 磁共振扫描仪的主磁场均匀化方法、设备和介质 Active CN110610529B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910892666.5A CN110610529B (zh) 2019-09-20 2019-09-20 磁共振扫描仪的主磁场均匀化方法、设备和介质
US16/875,904 US11506735B2 (en) 2019-09-20 2020-05-15 Systems and methods for magnetic resonance imaging

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910892666.5A CN110610529B (zh) 2019-09-20 2019-09-20 磁共振扫描仪的主磁场均匀化方法、设备和介质

Publications (2)

Publication Number Publication Date
CN110610529A CN110610529A (zh) 2019-12-24
CN110610529B true CN110610529B (zh) 2023-01-03

Family

ID=68891706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910892666.5A Active CN110610529B (zh) 2019-09-20 2019-09-20 磁共振扫描仪的主磁场均匀化方法、设备和介质

Country Status (2)

Country Link
US (1) US11506735B2 (zh)
CN (1) CN110610529B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019204287A1 (de) 2019-03-27 2020-10-01 Siemens Healthcare Gmbh Vorrichtung und Verfahren zur Kontrolle von Akquisitionsparametern bei der Durchführung einer medizinischen Röntgenuntersuchung
CN111353935A (zh) * 2020-01-03 2020-06-30 首都医科大学附属北京友谊医院 基于深度学习的磁共振成像优化方法及其设备
CN111275783B (zh) * 2020-01-19 2023-08-18 上海联影医疗科技股份有限公司 磁共振图像的相位解缠方法、装置及磁共振成像系统
CN113505509B (zh) * 2021-07-08 2022-08-26 河北工业大学 基于改进U-net的电机磁场高精度预测方法
DE102021210499B3 (de) * 2021-09-21 2023-02-23 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Unterdrückung von bei Magnetresonanzaufnahmen emittierten elektrischen und/oder magnetischen Feldern
DE102021213716A1 (de) 2021-12-02 2023-06-07 Siemens Healthcare Gmbh Verfahren zur Ermittlung einer B0-Karte

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527361A (zh) * 2017-08-28 2017-12-29 合肥融视信息科技有限公司 基于磁共振影像融合显示的图像显示系统及显示方法
CN108829639A (zh) * 2018-07-06 2018-11-16 上海联影医疗科技有限公司 一种磁共振成像方法和设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011080275B4 (de) * 2011-08-02 2018-10-25 Siemens Healthcare Gmbh Lokalspule, insbesondere Halsspule, mit mehreren separat schaltbaren Lokalspulen- Shimspulen
CN105676155B (zh) * 2014-11-19 2019-02-22 西门子(深圳)磁共振有限公司 磁共振成像系统的磁场不均匀性值获取方法和装置和失真校正方法和装置
CN109358303B (zh) * 2018-12-07 2021-04-02 上海联影医疗科技股份有限公司 磁共振成像的扫描方法和弥散张量成像系统
CN110031786B (zh) * 2019-05-14 2022-01-11 上海联影医疗科技股份有限公司 磁共振图像重建方法、磁共振成像方法、设备及介质
US11521314B2 (en) * 2019-12-31 2022-12-06 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527361A (zh) * 2017-08-28 2017-12-29 合肥融视信息科技有限公司 基于磁共振影像融合显示的图像显示系统及显示方法
CN108829639A (zh) * 2018-07-06 2018-11-16 上海联影医疗科技有限公司 一种磁共振成像方法和设备

Also Published As

Publication number Publication date
US11506735B2 (en) 2022-11-22
US20210088605A1 (en) 2021-03-25
CN110610529A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN110610529B (zh) 磁共振扫描仪的主磁场均匀化方法、设备和介质
JP5843876B2 (ja) 磁気共鳴イメージング装置および磁化率強調画像生成方法
US10698055B2 (en) Method, neural network, and magnetic resonance apparatus for assigning magnetic resonance fingerprints
CN113344799A (zh) 用于使用深度神经网络减少医学图像中的有色噪声的系统和方法
US11747424B2 (en) Magnetic resonance imaging apparatus, image processing apparatus, and image processing method
CN114450599B (zh) 麦克斯韦并行成像
CN108778116A (zh) 磁共振成像装置以及图像处理方法
JP2018198682A (ja) 磁気共鳴イメージング装置及び磁気共鳴画像処理方法
CN112370040B (zh) 磁共振成像方法、装置、存储介质及电子设备
KR20220082302A (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
Wang et al. High‐fidelity direct contrast synthesis from magnetic resonance fingerprinting
Horváth et al. Spinal cord gray matter-white matter segmentation on magnetic resonance AMIRA images with MD-GRU
Keskin et al. Constrained ellipse fitting for efficient parameter mapping with phase-cycled bssfp mri
Zuo et al. Synthesizing realistic brain MR images with noise control
CN111275783B (zh) 磁共振图像的相位解缠方法、装置及磁共振成像系统
CN114601445A (zh) 生成磁共振图像的方法和系统、计算机可读存储介质
HashemizadehKolowri et al. Jointly estimating parametric maps of multiple diffusion models from undersampled q‐space data: A comparison of three deep learning approaches
JP7115889B2 (ja) 医用画像診断支援装置、および、磁気共鳴イメージング装置
CN110074786B (zh) 核磁共振匀场方法、装置、计算设备及核磁共振成像系统
CN112435266A (zh) 一种图像分割方法、终端设备及计算机可读存储介质
KR102090690B1 (ko) 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
Pal et al. Personalized synthetic MR imaging with deep learning enhancements
Cao et al. Enhancing the MR neuroimaging by using the deep super-resolution reconstruction
JP2022002762A (ja) 磁気共鳴イメージングで得た画像の処理方法、画像処理プロブラム、及び、計算機
Lee et al. Registration and quantification network (RQnet) for IVIM‐DKI analysis in MRI

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

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.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant