CN110673070A - 磁共振信号校正网络的训练方法和磁共振信号处理方法 - Google Patents

磁共振信号校正网络的训练方法和磁共振信号处理方法 Download PDF

Info

Publication number
CN110673070A
CN110673070A CN201910863233.7A CN201910863233A CN110673070A CN 110673070 A CN110673070 A CN 110673070A CN 201910863233 A CN201910863233 A CN 201910863233A CN 110673070 A CN110673070 A CN 110673070A
Authority
CN
China
Prior art keywords
space data
sample
magnetic resonance
data set
resonance signal
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
Application number
CN201910863233.7A
Other languages
English (en)
Other versions
CN110673070B (zh
Inventor
纪美伶
翟人宽
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 CN201910863233.7A priority Critical patent/CN110673070B/zh
Publication of CN110673070A publication Critical patent/CN110673070A/zh
Application granted granted Critical
Publication of CN110673070B publication Critical patent/CN110673070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种磁共振信号校正网络的训练方法和磁共振信号处理方法。磁共振信号校正网络的训练方法包括：获取扫描者在预设状态下的样本K空间数据集；根据样本K空间数据集，构建复合的样本K空间数据集；复合的样本K空间数据集与扫描者的体位变化相对应；将复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将样本K空间数据集作为目标输出，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络，该方法解决了传统技术中无法获得扫描者多种运动训练样本数据的问题，并提高了去除磁共振图像运动伪影的准确度。

Description

磁共振信号校正网络的训练方法和磁共振信号处理方法
技术领域
本发明涉及磁共振成像领域，特别是涉及一种磁共振信号校正网络的训练方法和磁共振信号处理方法。
背景技术
在磁共振扫描过程中，由于被扫描者的生理性或自主性运动会影响磁共振图像的成像质量，在最终得到的磁共振图像中产生明显的伪影，从而影响医师的诊断结果。
传统技术中，去除磁共振图像运动伪影的方法主要包括前瞻性和后校正两种方法。其中，前瞻性的方法通过在扫描过程中追踪运动轨迹，获取并校正相关数据，然后更新扫描序列，得到伪影减轻的图像；后校正的方法是在获取K空间或图像数据之后，使用较为复杂的校正算法，例如，基于凸集投影的校正算法、基于运动熵的校正算法、基于图像能量的校正算法和基于磁共振点扩散函数的校正算法等去除由刚性运动的平移和旋转造成的图像伪影。
但是，传统的去除磁共振图像运动伪影的方法，存在去除磁共振图像运动伪影准确度较低且实现较为复杂的问题。
发明内容
基于此，有必要针对传统的去除磁共振图像运动伪影的方法，存在去除磁共振图像运动伪影准确度较低且实现较为复杂的问题，提供一种磁共振信号校正网络的训练方法和磁共振信号处理方法。
第一方面，本发明实施例提供一种磁共振信号校正网络的训练方法，所述方法包括：
获取扫描者在预设状态下的样本K空间数据集；其中，所述预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；
根据所述样本K空间数据集，构建复合的样本K空间数据集；所述复合的样本K空间数据集与所述扫描者的体位变化相对应；
将所述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将所述样本K空间数据集作为目标输出，对所述预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；所述磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
在其中一个实施例中，所述根据所述样本K空间数据集，构建复合的样本K空间数据集，包括：
根据各所述样本K空间数据，以及各所述样本K空间数据的权重，构建出所述复合的样本K空间数据集；所述各所述样本K空间数据的权重用于表征各所述样本K空间数据在所述复合的样本K空间数据集中所占的比例。
在其中一个实施例中，所述将所述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将所述样本K空间数据集作为目标输出，对所述预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络，包括：
将所述复合的样本K空间数据集输入所述预设的磁共振信号校正网络中，得到校正后的K空间数据集；
根据所述校正后的K空间数据集和所述样本K空间数据集，得到所述预设的磁共振信号校正网络的损失函数的值；
利用所述损失函数的值，对所述预设的磁共振信号校正网络进行训练，得到所述磁共振信号校正网络。
在其中一个实施例中，所述方法还包括：
根据所述样本K空间数据集的采集信息，对所述样本K空间数据集进行排列组合，构建出所述复合的样本K空间数据集。
在其中一个实施例中，所述复合的样本K空间数据集通过如下方式获得：
将K空间划分为多个区域；
从至少两个样本K空间数据集中提取K空间数据，并填充至所述多个区域以获得复合的样本K空间数据集，且每个区域填充的K空间数据来自同一样本K空间数据集。
在其中一个实施例中，所述样本K空间数据集、所述复合的样本K空间数据集分别关联扫描参数，且对应同一扫描参数的样本K空间数据集与复合的样本K空间数据集的在K空间中心区域相同。
第二方面，本发明实施例提供一种磁共振信号处理方法，所述方法包括：
获取扫描对象目标部位的K空间数据；
将所述K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，所述磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；所述复合的样本K空间数据集为根据所述样本K空间数据集进行构建得到的。
在其中一个实施例中，所述方法还包括：
重建校正后的K空间数据，获取所述扫描对象的目标图像；所述目标图像为所述扫描对象在进行磁共振扫描过程中体位未发生变化时所对应的图像。
第三方面，本发明实施例提供一种磁共振信号处理装置，所述装置包括：
获取模块，用于获取扫描对象目标部位的K空间数据；
校正模块，用于将所述K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，所述磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；所述复合的样本K空间数据集为根据所述样本K空间数据集进行构建得到的。
第四方面，本发明实施例提供一种计算机设备，包括存储器和校正器，所述存储器存储有计算机程序，所述校正器执行所述计算机程序时实现以下步骤：
获取扫描者在预设状态下的样本K空间数据集；其中，所述预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；所述样本K空间数据集包括多组样本K空间数据,每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；
根据所述样本K空间数据集，构建复合的样本K空间数据集；所述复合的样本K空间数据集与所述扫描者的体位变化相对应；
将所述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将所述样本K空间数据集作为目标输出，对所述预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；所述磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
第五方面，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，所述计算机程序被校正器执行时实现以下步骤：
获取扫描者在预设状态下的样本K空间数据集；其中，所述预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；
根据所述样本K空间数据集，构建复合的样本K空间数据集；所述复合的样本K空间数据集与所述扫描者的体位变化相对应；
将所述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将所述样本K空间数据集作为目标输出，对所述预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；所述磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
上述实施例提供的磁共振信号校正网络的训练方法和磁共振信号处理方法中，计算机设备获取扫描者在预设状态下的样本K空间数据集；其中，所述预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；根据所述样本K空间数据集，构建复合的样本K空间数据集；所述复合的样本K空间数据集与所述扫描者的体位变化相对应；将所述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将所述样本K空间数据集作为目标输出，对所述预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；所述磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。在该方法中，由于得到的磁共振信号校正网络是利用获取到的样本K空间数据集和根据获取到的样本K空间数据集构建的与扫描者体位变化相对应的复合的样本K空间数据集，对预设的磁共振信号校正网络进行训练得到的，而构建的复合的样本K空间数据集与获取的样本K空间数据集是相对应的，解决了传统技术中无法获得扫描者多种运动训练样本数据的问题；这样可以对预设的磁共振信号校正网络进行更加准确地训练，提高了得到的磁共振信号校正网络的准确度，进而利用该磁共振信号校正网络可以对采集到的磁共振信号进行更加准确的校正，提高了得到的校正后的磁共振信号的准确度，进而利用校正后的磁共振信号能够重建出比较准确的去除了运动伪影的磁共振图像，提高了去除磁共振图像运动伪影的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的磁共振信号校正网络的训练方法的流程示意图；
图3为一个实施例提供的对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描的示意图；
图4为另一个实施例提供的磁共振信号校正网络的训练方法的流程示意图；
图5为一个实施例提供的磁共振信号处理方法的流程示意图；
图6为一个实施例提供的生成复合的样本K空间数据的示意图；
图7为一个实施例提供的磁共振信号校正网络的训练装置结构示意图；
图8为一个实施例提供的磁共振信号处理装置结构示意图。
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。
本申请实施例提供的磁共振信号校正网络的训练方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的校正器、存储器，该存储器中存储有计算机程序，校正器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的校正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。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是，本申请实施例提供的磁共振信号校正网络的训练方法，其执行主体可以是磁共振信号校正网络的训练装置，该磁共振信号校正网络的训练装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
下面以具体的实施例对本发明的技术方案以及本发明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。
图2为一个实施例提供的磁共振信号校正网络的训练方法的流程示意图。图3为一个实施例提供的对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描的示意图。本实施例涉及的是计算机设备根据获取的样本K空间数据集，以及根据样本K空间数据集构建复合的样本K空间数据集，对预设的磁共振信号校正网络进行训练的具体实现过程。如图2所示，该方法可以包括：
S201，获取扫描者在预设状态下的样本K空间数据集；其中，预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的。
可以理解的是，在进行磁共振扫描的过程中，由于扫描者的生理性或者自主性运动会影响磁共振图像的成像质量，在最终得到的磁共振图像中产生明显的伪影。具体的，在本实施例中，计算机设备获取进行磁共振扫描的扫描者在预设状态下的样本K空间数据集。其中，预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；样本K空间数据集包括多组样本K空间数据，各样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的。可选地，每个样本K空间数据可由磁共振信号经过编码得到多条数据线，将多条数据线填充至K空间得到。可选的，可以将扫描者固定在磁共振成像系统的检测空腔中，从而对扫描者的体位进行控制，使扫描者在进行磁共振扫描过程中体位不发生变化，以达到上述预设状态。可选的，如图3所示，计算机设备可以对扫描者的同一扫描部位的定位框进行旋转、平移等位置变换，对扫描者的同一扫描部位，控制定位框在不同方位下进行磁共振扫描，得到上述样本K空间数据集，每组样本K空间数据集可对应一个扫描框的位置。示例性的，图3中扫描部位为头部，第一排从左到右，N1扫描采用静止体位下的标准定位框(图中方框)，N2扫描采用静止体位下标准定位框下移(图中方框)，N3扫描采用静止体位下定位框逆时针旋转15°(图中黑色方框)。第二排从左到右分别表示静止体位下三种定位框执行扫描所得到的K空间数据，且不同的K空间数据通过数据线的线条粗细进行区分。
S202，根据样本K空间数据集，构建复合的样本K空间数据集；复合的样本K空间数据集与扫描者的体位变化相对应。
具体的，计算机设备根据上述获取到的样本K空间数据集，构建出与扫描者的体位变化相对应的复合的样本K空间数据集(等效运动伪影数据/数据集)。可选的，如图3所示，计算机设备可以从样本K空间数据集中选取任一组样本K空间数据，从除该样本K空间数据外的至少一组样本K空间数据中分别选取部分数据线填充至该样本K空间数据中，从而构建出上述复合的样本K空间数据集。
在一个实施例中，复合的样本K空间数据集包括主成分和非主成分。例如，主成分可以是组成复合的样本K空间数据集权重最高的样本K空间数据，其余样本K空间数据则为非主成分。如图3所示，第三排从左到右分别表示不同组合形成的复合的样本K空间数据集，不同的K空间内分别填充不同权重的三组样本K空间数据的数据线：第一个复合的样本K空间数据集中，N1扫描对应的样本K空间数据占主要成分；第二个复合的样本K空间数据集中，N2扫描对应的样本K空间数据占主要成分；第三个复合的样本K空间数据集中，N3扫描对应的样本K空间数据占主要成分。
S203，将复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将样本K空间数据集作为目标输出，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
在一实施例中，目标输出可以是组成复合的样本K空间数据集权重最高的样本K空间数据。具体的，计算机设备将上述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将上述样本K空间数据集作为目标输出，对预设的磁共振信号校正网络进行训练，得到用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正的磁共振信号校正网络。可选的，计算机设备可以将上述复合的样本K空间数据集输入预设的磁共振信号校正网络中，得到校正后的K空间数据集，将得到的K空间数据集与样本K空间数据集进行比较，对预设的磁共振信号校正网络进行训练，得到上述磁共振信号校正网络。
在本实施例中，由于得到的磁共振信号校正网络是利用获取到的样本K空间数据集和根据获取到的样本K空间数据集构建的与扫描者体位变化相对应的复合的样本K空间数据集，对预设的磁共振信号校正网络进行训练得到的，而构建的复合的样本K空间数据集与获取的样本K空间数据集是相对应的，解决了传统技术中无法获得扫描者多种运动训练样本数据的问题；这样可以对预设的磁共振信号校正网络进行更加准确地训练，提高了得到的磁共振信号校正网络的准确度，进而利用该磁共振信号校正网络可以对采集到的磁共振信号进行更加准确的校正，提高了得到的校正后的磁共振信号的准确度，进而利用校正后的磁共振信号能够重建出比较准确的去除了运动伪影的磁共振图像，提高了去除磁共振图像运动伪影的准确度。
在上述根据样本K空间数据集，构建复合的样本K空间数据集的场景中，在上述实施例的基础上，作为一种可选的实施方式，上述S202，包括：根据各样本K空间数据，以及各样本K空间数据的权重，构建出复合的样本K空间数据集；各样本K空间数据的权重用于表征各样本K空间数据在复合的样本K空间数据集中所占的比例。
具体的，计算机设备根据上述样本K空间数据集中各样本K空间数据，以及各样本K空间数据的权重，构建出复合的样本K空间数据集。其中，各样本K空间数据的权重用于表征各样本K空间数据在上述复合的样本K空间数据集中所占的比例。可选的，计算机设备可以利用公式：K＝k1*x1+k2*x2+...+kN*xN，构建出上述复合的样本K空间数据集；式中，K表示复合的样本K空间数据集，k1,k2,...,kN表示各样本K空间数据，x1,x2,...,xN表示各样本K空间数据的权重。可选的，计算机设备可以根据上述样本K空间数据集的采集信息，对样本K空间数据集进行排列组合，构建出复合的样本K空间数据集。各样本K空间数据的权重表征每个样本K空间数据的数据线占复合的样本K空间数据集的数据线比重。例如，K空间中可填充256条数据线，复合的样本K空间数据集包括第一组K空间数据的210条数据线，其所占的权重约为82.3％；复合的样本K空间数据集包括第二组K空间数据的16条数据线，其所占的权重约为6％；复合的样本K空间数据集包括第三组K空间数据的30条数据线，其所占的权重约为11.7％。需要说明的是，通常所占所占的权重超过80％的数据线为主要数据线，复合的样本K空间数据集可关联该权重下的K空间数据所对应的扫描参数。在一个实施例中，复合的样本K空间数据集可通过如下方式获得：将K空间划分为多个区域；从两个或多个样本K空间数据集中提取K空间数据，并填充至多个区域以获得复合的样本K空间数据集，且每个区域填充的K空间数据来自同一样本K空间数据集，即对应相同的体位。需要说明的是，各所述样本k空间数据在重构运动伪影k空间的过程中，对划分的k空间区域进行填充还应考虑扫描协议(参数)本身的k空间的实际排列方式。在一个实施例中，样本K空间数据集、复合的样本K空间数据集可分别关联扫描参数，且对应同一扫描参数的样本K空间数据集与复合的样本K空间数据集的在K空间中心区域相同，而在除去K空间中心的其他区域则填充其他扫描参数的样本K空间数据集中的数据。
复合的样本K空间数据集中每一个都对应相应的体位。在一个实施例中，扫描者的体位可以是静止体位，则样本K空间数据集与复合的样本K空间数据集设置成相同。在其他实施例中，扫描者的体位可以是相对静止体位向左移动、向下移动、向右移动、向上移动或者以上几者的组合。
在本实施例中，由于构建的复合的样本K空间数据集是计算机设备根据各样本K空间数据，以及各样本K空间数据的权重构建出来的，构建的复合的样本K空间数据集与获取到的样本K空间数据集相对应，无需再在相同的扫描条件下对同一扫描者进行扫描，从而提高了得到的有运行伪影的样本K空间数据集的效率；另外，复合的样本K空间数据集是根据各样本K空间数据和各样本K空间数据在复合的样本K空间数据集中所占的比例构建的，从而提高了得到的复合的样本K空间数据集的准确度。
图4为另一个实施例提供的磁共振信号校正网络的训练方法的流程示意图。本实施例涉及的是计算机设备对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述S203，包括：
S401，将复合的样本K空间数据集输入预设的磁共振信号校正网络中，得到校正后的K空间数据集。
具体的，计算机设备将上述复合的样本K空间数据集输入预设的磁共振信号校正网络中，得到校正后的K空间数据集。可选的，计算机设备可以实时地将复合的样本K空间数据集输入预设的磁共振信号校正网络中，也可以按照预设的时间间隔将复合的样本K空间数据集输入预设的磁共振信号校正网络中。示例性的，校正后的K空间数据集可以是组成复合的样本K空间数据集中权重超过设定值的样本K空间数据。设定值例如可以大于70％的任意值，例如可以是75％、80％、90％或者其他。
S402，根据校正后的K空间数据集和样本K空间数据集，得到预设的磁共振信号校正网络的损失函数的值。
具体的，计算机设备根据上述校正后的K空间数据集和样本K空间数据集，得到上述预设的磁共振信号校正网络的损失函数的值。可选的，计算机设备可以计算校正后的K空间数据集和样本K空间数据集间的误差，得到上述预设的磁共振信号校正网络的损失函数的值。
S403，利用损失函数的值，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络。
具体的，计算机设备可以利用得到的损失函数的值，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络。可选的，计算机设备可以利用得到的损失函数的值，调整预设的磁共振信号校正网络中的参数，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络。可选的，磁共振信号校正网络可以包括卷积神经网络或深度残差网络。
在本实施例中，由于磁共振信号校正网络是计算机设备利用预设的磁共振信号校正网络的损失函数的值，对预设的磁共振信号校正网络进行训练得到的，通过该训练过程可以提高对预设的磁共振信号校正网络的训练准确度，从而提高了得到的磁共振信号校正网络的准确度。
图5为一个实施例提供的磁共振信号处理方法的流程示意图。本实施例涉及的是计算机设备对扫描对象目标部位的K空间数据进行校正，得到校正后的K空间数据的具体实现过程。如图5所示，该方法可以包括：
S501，获取扫描对象目标部位的K空间数据。
具体的，计算机设备获取进行磁共振扫描的扫描对象目标部位的K空间数据。可以理解的是，此处获取的K空间数据为进行临床的磁共振扫描过程中得到的扫描对象目标部位的K空间数据，会由于扫描对象的生理性或者自主性运动，使得得到的K空间数据为有运动影响的K空间数据。可选的，计算机设备可以从PACS(Picture Archiving andCommunication Systems，影像归档和通信系统)服务器中获取上述K空间数据，也可以从磁共振扫描系统中获取上述K空间数据。
S502，将K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；复合的样本K空间数据集为根据样本K空间数据集进行构建得到的。
具体的，计算机设备将上述K空间数据输入磁共振信号校正网络，得到校正后的K空间数据。其中，磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；对预设的磁共振信号校正网络进行训练用到的样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；对预设的磁共振信号校正网络进行训练用到的复合的样本K空间数据集为根据上述样本K空间数据集进行构建得到的，对复合的样本K空间数据集的构建方法与上述实施例中的构建方法类似，在此不再赘述。
在本实施例中，计算机设备将获取到的进行磁共振扫描的扫描者目标部位的K空间数据，输入磁共振信号校正网络，就可以得到校正后的K空间数据，该校正过程十分简单，提高了对获取到的K空间数据的校正效率；另外，由于磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的，提高了得到的磁共振信号校正网络的准确度，而校正后的K空间数据是利用磁共振信号校正网络得到的，进而提高了得到的校正后的K空间数据的准确度。
图6为一个实施例提供的生成复合的样本K空间数据的示意图，其中，K1为第一体位下磁共振扫描获得的K空间数据，对其进行傅里叶变换可得到图像A；K2为第二体位下磁共振扫描获得的K空间数据，对其进行傅里叶变换可得到图像B。从K1中取80％的数据线(图中K1’)，从K2中取20％的数据线(图中K2’)，填充至K空间构造得到复合的K空间数据/数据集。需要说明的是，从K1和K2中抽取数据线时是根据实际k空间的填充方式，保证同一个激发得到的数据同时抽取。从图6可知，对复合的K空间数据重建的图像产生相应的运动伪影。进一步的，将扫描对象目标部位的K空间数据输入磁共振信号校正网络，当目标部位的K空间数据与上述复合的K空间数据相匹配，经过磁共振信号校正网络处理后，得到的校正后的K空间数据。在此实施例中，复合的K空间数据包含K1中80％的数据线，满足设定阈值，校正后的K空间数据可以是K1。
在上述实施例的基础上，作为一种可选的实施方式，上述方法还包括：重建校正后的K空间数据，获取扫描对象的目标图像；目标图像为扫描对象在进行磁共振扫描过程中体位未发生变化时所对应的图像。
具体的，计算机设备在得到上述校正后的K空间数据后，对校正后的K空间数据进行重建，获取扫描对象的目标图像。其中，目标图像为扫描对象在进行磁共振扫描过程中体位未发生变化时所对应的图像。例如，获取的目标图像可以为无呼吸运动影响的磁共振扫描图像。
在本实施例中，计算机设备对校正后的K空间数据进行重建的过程十分简单，提高了获取扫描对象的目标图像的效率；另外，扫描对象的目标图像是由校正后的K空间数据进行重建得到的，而校正后的K空间数据是对扫描对象在进行磁共振扫描过程中体位发生变化所对应的数据进行了校正的数据，因此，提高了得到目标图像的准确度。
应该理解的是，虽然图2-6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2-6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。
图7为一个实施例提供的磁共振信号校正网络的训练装置结构示意图。如图7所示，该装置可以包括：第一获取模块10、构建模块11和训练模块12。
具体的，第一获取模块10，用于获取扫描者在预设状态下的样本K空间数据集；其中，预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；
构建模块11，用于根据样本K空间数据集，构建复合的样本K空间数据集；复合的样本K空间数据集与扫描者的体位变化相对应；
训练模块12，用于将复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将样本K空间数据集作为目标输出，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
本实施例提供的磁共振信号校正网络的训练装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述构建模块11包括构建单元。
具体的，构建单元，用于根据各样本K空间数据，以及各样本K空间数据的权重，构建出复合的样本K空间数据集；各样本K空间数据的权重用于表征各样本K空间数据在复合的样本K空间数据集中所占的比例。
本实施例提供的磁共振信号校正网络的训练装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述训练模块12包括第一获取单元、第二获取单元和训练单元。
具体的，第一获取单元，用于将复合的样本K空间数据集输入预设的磁共振信号校正网络中，得到校正后的K空间数据集；
第二获取单元，用于根据校正后的K空间数据集和样本K空间数据集，得到预设的磁共振信号校正网络的损失函数的值；
训练单元，用于利用损失函数的值，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络。
本实施例提供的磁共振信号校正网络的训练装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括重排模块。
具体的，重排模块，用于根据样本K空间数据集的采集信息，对样本K空间数据集进行排列组合，构建出复合的样本K空间数据集。
可选的，复合的样本K空间数据集通过如下方式获得：
将K空间划分为多个区域；
从至少两个样本K空间数据集中提取K空间数据，并填充至多个区域以获得复合的样本K空间数据集，且每个区域填充的K空间数据来自同一样本K空间数据集。
可选的，样本K空间数据集、复合的样本K空间数据集分别关联扫描参数，且对应同一扫描参数的样本K空间数据集与复合的样本K空间数据集的在K空间中心区域相同。
本实施例提供的磁共振信号校正网络的训练装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于磁共振信号校正网络的训练装置的具体限定可以参见上文中对于磁共振信号校正网络的训练方法的限定，在此不再赘述。上述磁共振信号校正网络的训练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。
图8为一个实施例提供的磁共振信号处理装置结构示意图。如图8所示，该装置可以包括：第二获取模块20和校正模块21。
具体的，第二获取模块20，用于获取扫描对象目标部位的K空间数据；
校正模块21，用于将K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；复合的样本K空间数据集为根据样本K空间数据集进行构建得到的。
本实施例提供的磁共振信号处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于磁共振信号处理装置的具体限定可以参见上文中对于磁共振信号处理方法的限定，在此不再赘述。上述磁共振信号处理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，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：
获取扫描者在预设状态下的样本K空间数据集；其中，预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；
根据样本K空间数据集，构建复合的样本K空间数据集；复合的样本K空间数据集与扫描者的体位变化相对应；
将复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将样本K空间数据集作为目标输出，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
上述实施例提供的计算机设备，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：
获取扫描者在预设状态下的样本K空间数据集；其中，预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；
根据样本K空间数据集，构建复合的样本K空间数据集；复合的样本K空间数据集与扫描者的体位变化相对应；
将复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将样本K空间数据集作为目标输出，对预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
上述实施例提供的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。
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：
获取扫描对象目标部位的K空间数据；
将K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；复合的样本K空间数据集为根据样本K空间数据集进行构建得到的。
上述实施例提供的计算机设备，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：
获取扫描对象目标部位的K空间数据；
将K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；复合的样本K空间数据集为根据样本K空间数据集进行构建得到的。
上述实施例提供的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。
以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种磁共振信号校正网络的训练方法，其特征在于，所述方法包括：
获取扫描者在预设状态下的样本K空间数据集；其中，所述预设状态为扫描者在进行磁共振扫描过程中体位未发生变化的状态；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；
根据所述样本K空间数据集，构建复合的样本K空间数据集；所述复合的样本K空间数据集与所述扫描者的体位变化相对应；
将所述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将所述样本K空间数据集作为目标输出，对所述预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络；所述磁共振信号校正网络用于对目标扫描者在进行磁共振扫描过程中体位发生变化所对应的磁共振扫描数据进行校正。
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本K空间数据集，构建复合的样本K空间数据集，包括：
根据各所述样本K空间数据，以及各所述样本K空间数据的权重，构建出所述复合的样本K空间数据集；所述各所述样本K空间数据的权重用于表征各所述样本K空间数据在所述复合的样本K空间数据集中所占的比例。
3.根据权利要求1所述的方法，其特征在于，所述将所述复合的样本K空间数据集作为预设的磁共振信号校正网络的输入，将所述样本K空间数据集作为目标输出，对所述预设的磁共振信号校正网络进行训练，得到磁共振信号校正网络，包括：
将所述复合的样本K空间数据集输入所述预设的磁共振信号校正网络中，得到校正后的K空间数据集；
根据所述校正后的K空间数据集和所述样本K空间数据集，得到所述预设的磁共振信号校正网络的损失函数的值；
利用所述损失函数的值，对所述预设的磁共振信号校正网络进行训练，得到所述磁共振信号校正网络。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述样本K空间数据集的采集信息，对所述样本K空间数据集进行排列组合，构建出所述复合的样本K空间数据集。
5.根据权利要求1所述的方法，其特征在于，所述复合的样本K空间数据集通过如下方式获得：
将K空间划分为多个区域；
从至少两个样本K空间数据集中提取K空间数据，并填充至所述多个区域以获得复合的样本K空间数据集，且每个区域填充的K空间数据来自同一样本K空间数据集。
6.根据权利要求5所述的方法，其特征在于，所述样本K空间数据集、所述复合的样本K空间数据集分别关联扫描参数，且对应同一扫描参数的样本K空间数据集与复合的样本K空间数据集的在K空间中心区域相同。
7.一种磁共振信号处理方法，其特征在于，所述方法包括：
获取扫描对象目标部位的K空间数据；
将所述K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，所述磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；所述复合的样本K空间数据集为根据所述样本K空间数据集进行构建得到的。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
重建校正后的K空间数据，获取所述扫描对象的目标图像；所述目标图像为所述扫描对象在进行磁共振扫描过程中体位未发生变化时所对应的图像。
9.一种磁共振信号处理装置，其特征在于，所述装置包括：
获取模块，用于获取扫描对象目标部位的K空间数据；
校正模块，用于将所述K空间数据输入磁共振信号校正网络，得到校正后的K空间数据；其中，所述磁共振信号校正网络是利用样本K空间数据集和复合的样本K空间数据集对预设的磁共振信号校正网络进行训练得到的；所述样本K空间数据集包括多组样本K空间数据，每组样本K空间数据为对扫描者的同一扫描部位在定位框不同方位下进行磁共振扫描得到的；所述复合的样本K空间数据集为根据所述样本K空间数据集进行构建得到的。
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，所述计算机程序被校正器执行时实现权利要求1-8中任一项所述方法的步骤。
CN201910863233.7A 2019-09-12 2019-09-12 磁共振信号校正网络的训练方法和磁共振信号处理方法 Active CN110673070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910863233.7A CN110673070B (zh) 2019-09-12 2019-09-12 磁共振信号校正网络的训练方法和磁共振信号处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910863233.7A CN110673070B (zh) 2019-09-12 2019-09-12 磁共振信号校正网络的训练方法和磁共振信号处理方法

Publications (2)

Publication Number Publication Date
CN110673070A true CN110673070A (zh) 2020-01-10
CN110673070B CN110673070B (zh) 2022-03-01

Family

ID=69077823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910863233.7A Active CN110673070B (zh) 2019-09-12 2019-09-12 磁共振信号校正网络的训练方法和磁共振信号处理方法

Country Status (1)

Country Link
CN (1) CN110673070B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359076A (zh) * 2020-03-06 2021-09-07 上海联影医疗科技股份有限公司 磁共振成像方法、装置、计算机设备和存储介质
CN114062988A (zh) * 2020-07-31 2022-02-18 上海联影医疗科技股份有限公司 磁共振波谱成像方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100237865A1 (en) * 2009-03-23 2010-09-23 Alto Stemmer Magnetic resonance method and apparatus to generate an image using a parallel acquisition technique
WO2010109348A2 (en) * 2009-03-25 2010-09-30 Koninklijke Philips Electronics, N.V. Motion detection and correction in magnetic resonance imaging for rigid, nonrigid, translational, rotational, and through-plane motion
CN104122521A (zh) * 2013-04-27 2014-10-29 上海联影医疗科技有限公司 k空间运动伪影矫正方法及装置
CN106471389A (zh) * 2014-07-03 2017-03-01 皇家飞利浦有限公司 在多激发mri中由于激发间运动造成的伪影的降低
CN106597333A (zh) * 2016-12-30 2017-04-26 上海联影医疗科技有限公司 一种磁共振并行成像方法及磁共振成像系统
DE102016213042A1 (de) * 2016-07-18 2018-01-18 Siemens Healthcare Gmbh Verfahren zur Aufnahme von Kalibrierungsdaten für GRAPPA-Algorithmen
CN110031786A (zh) * 2019-05-14 2019-07-19 上海联影医疗科技有限公司 磁共振图像重建方法、磁共振成像方法、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100237865A1 (en) * 2009-03-23 2010-09-23 Alto Stemmer Magnetic resonance method and apparatus to generate an image using a parallel acquisition technique
WO2010109348A2 (en) * 2009-03-25 2010-09-30 Koninklijke Philips Electronics, N.V. Motion detection and correction in magnetic resonance imaging for rigid, nonrigid, translational, rotational, and through-plane motion
CN104122521A (zh) * 2013-04-27 2014-10-29 上海联影医疗科技有限公司 k空间运动伪影矫正方法及装置
CN107621617A (zh) * 2013-04-27 2018-01-23 上海联影医疗科技有限公司 k空间运动伪影矫正装置
CN106471389A (zh) * 2014-07-03 2017-03-01 皇家飞利浦有限公司 在多激发mri中由于激发间运动造成的伪影的降低
DE102016213042A1 (de) * 2016-07-18 2018-01-18 Siemens Healthcare Gmbh Verfahren zur Aufnahme von Kalibrierungsdaten für GRAPPA-Algorithmen
CN106597333A (zh) * 2016-12-30 2017-04-26 上海联影医疗科技有限公司 一种磁共振并行成像方法及磁共振成像系统
CN110031786A (zh) * 2019-05-14 2019-07-19 上海联影医疗科技有限公司 磁共振图像重建方法、磁共振成像方法、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NEELAM SINHA 等，: "Parallel magnetic resonance imaging using neural networks", 《2007 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
舒嘉仪 等: "磁共振运动伪影的分析及其对应策略", 《世界最新医学信息文摘》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359076A (zh) * 2020-03-06 2021-09-07 上海联影医疗科技股份有限公司 磁共振成像方法、装置、计算机设备和存储介质
CN113359076B (zh) * 2020-03-06 2022-09-27 上海联影医疗科技股份有限公司 磁共振成像方法、装置、计算机设备和存储介质
CN114062988A (zh) * 2020-07-31 2022-02-18 上海联影医疗科技股份有限公司 磁共振波谱成像方法、装置、计算机设备和存储介质
CN114062988B (zh) * 2020-07-31 2023-09-22 上海联影医疗科技股份有限公司 磁共振波谱成像方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110673070B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN111223066B (zh) 运动伪影校正方法、装置、计算机设备和可读存储介质
CN111462020B (zh) 心脏图像的运动伪影校正方法、系统、存储介质和设备
CN109697740B (zh) 图像重建方法、装置和计算机设备
CN109685206A (zh) 生成用于图像处理的神经网络模型的系统和方法
CN110084868B (zh) 图像校正方法、装置、计算机设备和可读存储介质
CN111179372B (zh) 图像衰减校正方法、装置、计算机设备和存储介质
CN112365413B (zh) 图像处理方法、装置、设备、系统及计算机可读存储介质
CN110673070B (zh) 磁共振信号校正网络的训练方法和磁共振信号处理方法
CN113689359B (zh) 一种图像伪影去除模型及其训练方法和系统
CN110063742B (zh) 散射校正方法、装置、计算机设备和存储介质
CN110827369B (zh) 欠采样模型生成方法、图像重建方法、设备和存储介质
KR102348869B1 (ko) 조건부 생성 적대적 네트워크를 이용한 의료 영상의 예측을 위한 방법 및 장치
CN110598696A (zh) 医学图像扫描定位方法、医学图像扫描方法和计算机设备
CN111161269A (zh) 图像分割方法、计算机设备和可读存储介质
CN111128345A (zh) 医学图像的获取方法、医学扫描设备和计算机存储介质
CN114758783B (zh) 深度学习的弹性成像方法、装置、计算机设备和存储介质
CN110570488B (zh) 图像校正方法、计算机设备和存储介质
CN110261804B (zh) 磁共振扫描方法、装置、计算机设备和存储介质
CN111243052A (zh) 图像重建方法、装置、计算机设备和存储介质
EP3932319A1 (en) Learning method, learning device, generative model and program
CN110473285B (zh) 图像重构方法、装置、计算机设备和存储介质
CN110473241B (zh) 图像配准方法、存储介质及计算机设备
US20230099906A1 (en) Image registration method, computer device, and storage medium
US20240135502A1 (en) Generalizable Image-Based Training Framework for Artificial Intelligence-Based Noise and Artifact Reduction in Medical Images
CN115836872A (zh) 扫描舱偏移确定方法、装置、系统、计算机设备及介质

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