CN110782452B - 一种t2定量图像成像方法及系统 - Google Patents

一种t2定量图像成像方法及系统 Download PDF

Info

Publication number
CN110782452B
CN110782452B CN201911069801.2A CN201911069801A CN110782452B CN 110782452 B CN110782452 B CN 110782452B CN 201911069801 A CN201911069801 A CN 201911069801A CN 110782452 B CN110782452 B CN 110782452B
Authority
CN
China
Prior art keywords
echo
image
neural network
convolutional neural
pulse sequence
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
CN201911069801.2A
Other languages
English (en)
Other versions
CN110782452A (zh
Inventor
蔡聪波
张晓娟
蔡淑惠
陈忠
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN201911069801.2A priority Critical patent/CN110782452B/zh
Publication of CN110782452A publication Critical patent/CN110782452A/zh
Application granted granted Critical
Publication of CN110782452B publication Critical patent/CN110782452B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开一种T2定量图像成像方法和系统，包括设置多重叠回波及多回波链采样脉冲序列；基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像；基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集多个模拟图像；对各所述模拟图像训练，得到U‑NET卷积神经网络；根据所述U‑NET卷积神经网络及所述真实图像，得到T2定量图像。多重叠回波及多回波链脉冲序列在多重叠回波序列的基础上增加了多个重聚脉冲，将由磁场不均匀性非T2因素引起的衰减的回波重聚。可以在采样过程中采集到更多的具有不同T2加权的回波，得到更丰富的T2信息，从而提升了T2定量重建结果的精度、准度及分辨率，同时还将获得相应的质子密度图(M0)及射频场(B1)图。

Description

一种T2定量图像成像方法及系统
技术领域
本发明涉及磁共振成像领域，特别是涉及一种T2定量图像成像方法及系统。
背景技术
传统的MR图像能够提供良好的组织对比度，但是由于图像的对比度与扫描图像所用的具体扫描序列以及扫描参数有很大的关系，就使得在不同的设备上采集到的图像组织对比上往往存在比较明显的差异。于是磁共振定量成像具有很大的研究价值。传统的定量成像需要耗费的时间较多，扫描一张定量图像往往需要很长时间，这就不可避免的产生伪影。为了提升扫描速度，后又提出基于多重叠回波(overlapping-echo detachment，OLED)分离的T2定量成像，该法可有效的缩短成像时间。但随着激发脉冲个数的增加，收集到的回波的个数也大大增加，难以用传统算法进行计算。卷积神经网络作为一门目前发展较快的技术，由于训练过程易于实现、结构灵活、建模能力强等特点，被广泛应用于各种学科。于是有人提出在OLED的基础上采用残差网络来对复杂的T2图像进行重建。
由于单个回波链的演化时间及回波个数较为有限，这会严重限制可精确测量的T2值的范围。
发明内容
本发明的目的是提供一种T2定量图像成像方法及系统，用于提升T2定量重建结果的精度、准度及分辨率。
为实现上述目的，本发明提供了如下方案：
T2定量图像成像方法，包括：
设置多重叠回波及多回波链采样脉冲序列；
基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像；
基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集多个模拟图像；
对各所述模拟图像训练，得到U-NET卷积神经网络；
根据所述U-NET卷积神经网络及所述真实图像，得到T2定量图像。
可选的，所述多重叠回波及多回波链采样脉冲序列包括多重叠回波、重聚脉冲及采样回波链。
可选的，所述根据所述U-NET卷积神经网络及所述真实图像，得到T2定量图像之后，还包括根据所述采样回波链获取质子密度图及射频场图。
可选的，所述基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像包括：
将实验样品放置到实验床上；
将所述实验床送至磁共振成像仪的实验腔；
在所述磁共振成像仪的操作软件中选中实验样品的感兴趣区域；
对所述感兴趣区域进行调谐、匀场、频率校正和功率校正，得到修正区域；
通过所述多重叠回波及多回波链采样脉冲序列，对所述修正区域采样，得到模拟信号；
将所述模拟信号从K空间转换到图像域，生成真实图像。
可选的，所述基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集模拟图像包括：
获取所述历史样本的特征分布；
利用深度网络合成训练样本生成算法根据所述特征分布生成模板；所述模板为模仿真实实验条件的随机模板；
基于磁共振成像模拟仿真软件，根据所述多重叠回波及多回波链采样脉冲序列，对所述模板采样，得到模拟图像。
可选的，所述对所述模拟图像训练，得到U-NET卷积神经网络包括：
使用深度学习框架搭建U-NET卷积神经网络模型；
将各所述模拟图像分为训练集和验证集；
将所述模板设为标签；
设置模型参数将训练集中的模拟图像进行迭代，并使用验证集中的模拟图形进行验证，得到误差；
直至所述误差值保持稳定，停止迭代；所述误差值保持稳定时对应的模型参数下的神经网络为所述U-NET卷积神经网络。
可选的，所述将训练集中的模拟图像进行迭代，并使用验证集中的模拟图形进行验证，输出误差，包括所述训练集中的模拟图像每迭代5000次就使用验证集中的模拟图像验证一次。
可选的，在训练所述U-NET卷积神经网络的过程中，根据损失函数使用Adam优化器来优化网络参数。
可选的，所述损失函数为
Figure BDA0002260594210000031
其中，其中M是同一批训练级中的模拟图像的数量，f()代表网络的映射关系，W和b是网络参数，xk代表第k张输入图像，yk代表对应输入图像的标签，ychange代表yk中小于某一阈值的值置为该阈值后的矩阵，ymask是对yk使用Cannny算子求得的图像边缘信息，
Figure BDA0002260594210000032
是梯度算子，λ是约束项系数。
可选的，所述T2定量图像成像系统包括：
设置单元，用于多重叠回波及多回波链采样脉冲序列；
第一采集单元，与所述设置单元连接，用于基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像；
第二采集单元，与所述设置单元连接，用于基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集多个模拟图像；
构建单元，与第二采集单元连接，用于对各所述模拟图像训练，得到U-NET卷积神经网络；
确定单元，分别与所述构建单元及所述第一采集单元连接，用于根据所述U-NET卷积神经网络及所述真实图像，得到T2定量图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
多重叠回波及多回波链脉冲序列在多重叠回波序列的基础上增加了多个重聚脉冲，将由磁场不均匀性非T2因素引起的衰减的回波重聚。可以在采样过程中采集到更多的具有不同T2加权的回波，得到更丰富的T2信息，从而提升了T2定量重建结果的精度、准度及分辨率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为本发明T2定量图像成像方法的流程图；
图2为本发明T2定量图像成像系统的结构图；
图3为多重叠回波及多回波链的结构示意图。
符号说明：
设置单元—1；第一采集单元—2；第二采集单元—3；构建单元—4；确定单元5。
具体实施方式
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。
本发明的目的是提供一种T2定量图像成像方法及系统，用于提升T2定量重建结果的精度、准度及分辨率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明T2定量图像成像方法的流程图，如图1所示，本发明T2定量图像成像方法的流程图包括：
步骤101：设置多重叠回波及多回波链采样脉冲序列；
步骤102基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像；
步骤103：基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集多个模拟图像；
步骤104：根据所述U-NET卷积神经网络及所述真实图像，得到T2定量图像。
在步骤104之后，还包括根据所述采样回波链获取质子密度图和射频场图。
其中，所述多重叠回波及多回波链采样脉冲序列包括多重叠回波、重聚脉冲及采样回波链。
在本实施例中，采用四重叠回波及三回波链，其具体结构如图3所示，所述四重叠回波及三回波链包括翻转角为α1的激发脉冲、移位梯度G1、翻转角为α2的激发脉冲、移位梯度G2、翻转角为α3的激发脉冲、移位梯度G3、翻转角为α4的激发脉冲、移位梯度G4、翻转角为β的重聚脉冲、采样回波链、翻转角为β的重聚脉冲、采样回波链、翻转角为β的重聚脉冲、采样回波链。
其中，四个激发脉冲(α1、α2、α3、α4)与层面选择维的层选梯度(SS)结合选定层面。再结合四个频率编码维(RO)和相位编码维(PE)的移位梯度(G1、G2、G3、G4)使接受到的回波重聚在他们各自的回波位置；
采样回波链由分别作用在频率编码维(RO)和相位编码维(PE)的梯度链组成，频率编码维的梯度链由一系列正负梯度构成，相位编码维的梯度链由一系列面积相等的相位编码梯度构成；
由于磁场不均匀性等非T2因素会导致回波信号衰减，所以在采样回波链后再施加一个或几个β重聚脉冲，以得到更多的回波信息(图3中echon,n＝1、2、3…为采集的不同回波)。
步骤102具体包括：
步骤1021：将实验样品放置到实验床上；
步骤1022：将所述实验床送至磁共振成像仪的实验腔；
步骤1023：在所述磁共振成像仪的操作软件中选中实验样品的感兴趣区域；所述磁共振成像仪的操作软件根据设定值选取感兴趣区域。
步骤1024：对所述感兴趣区域进行调谐、匀场、频率校正和功率校正，得到修正区域；
步骤1025：通过所述多重叠回波及多回波链采样脉冲序列，对所述修正区域采样，得到模拟信号；
步骤1026：将所述模拟信号从K空间转换到图像域，生成真实图像。
其中，步骤103包括：
步骤1031：获取所述历史样本的特征分布。
步骤1032：对各所述模拟图像训练，得到U-NET卷积神经网络。
步骤1033：利用深度网络合成训练样本生成算法根据所述特征分布生成模板；所述模板为模仿真实实验条件的随机模板。
由于多重叠回波及多回波链采样脉冲序列中的重聚脉冲的角度不准，在生成所述模板时，对不同的重聚脉冲引入不相干的随机平滑的等效重聚角度图，以尽量模拟真实的实验情况，使得由重聚脉冲不准引发的误差能得以校正。
步骤1034：基于磁共振成像模拟仿真软件，根据所述多重叠回波及多回波链采样脉冲序列，对所述模板采样，得到模拟图像。
其中，步骤104包括：
步骤1041：使用深度学习框架搭建U-NET卷积神经网络模型；
步骤1042：将各所述模拟图像分为训练集和验证集；将所有模拟图像中的百分之九十设定为训练集，剩余百分之十设定为训练集。
步骤1043：将所述模板设为标签。
步骤1044：设置模型参数将训练集中的模拟图像进行迭代，并使用验证集中的模拟图形进行验证，得到误差。
本实施例中采用训练集中的模拟图像每进行50000次迭代，就使用验证集中的模拟图像验证一次。每一次验证均会得到一个误差值，各所述误差值依次连接形成误差曲线；学习率采用指数衰减的形式，每迭代20000次衰减一次，初始学习率为0.0001。
步骤1045：所述误差值保持稳定，停止迭代；所述误差值保持稳定时对应的模型参数下的神经网络为所述U-NET卷积神经网络。
其中，所述误差保持稳定即为所述误差曲线斜率为零，或所述误差曲线收敛于设定值。
在训练U-NET卷积神经网络的过程中，根据损失函数
Figure BDA0002260594210000071
使用Adam优化器来优化网络参数，其中M是同一批训练级中的模拟图像的数量，f()代表网络的映射关系，W和b是网络参数，xk代表第k张输入图像，yk代表对应输入图像的标签，ychange代表yk中小于某一阈值的值置为该阈值后的矩阵，ymask是对yk使用Cannny算子求得的图像边缘信息，
Figure BDA0002260594210000072
是梯度算子，λ是约束项系数。
以本实施例中的四重叠回波及三回波链为例，在生成模板时，对所述四重叠回波及三回波链中不同的重聚脉冲引入不相干的随机平滑的等效重聚角度图，以修正因重聚脉冲角度不准及重聚脉冲选层轮廓非理想矩形引起的误差。
因此，yk中还包括各重聚脉冲不理想激发轮廓衰减因子以及质子密度图。
在本实施例中，所述U-NET卷积神经网络为五层，所述U-NET卷积神经网络包括编码器部分和解码器部分。
其中，在所述U-NET卷积神经网络的编码器部分，使用最大池化进行四次下采样。例如，所述U-NET卷积神经网络的第一层的卷积核的数量为64个，每一层均进行两卷积操作，再进行一次下采样。
每一次卷积操作后均有一个Relu函数作为激活函数。
其中卷积过程采用的卷积核大小为3*3，步长为1。
在解码器部分，所述U-NET卷积神经网络使用反卷积进行4次上采样，每上采样一次就通过Shortcut与编码器中尺度相同的特征图在通道维度进行融合，这种连接方式可以充分利用前面的多尺度特征信息。
其中，反卷积过程采用的卷积核大小为2*2，步长为2。
本发明进一步公开了如下技术效果：
1、利用不同回波链之间的信息冗余，提升了T2定量图像重建的精度、分辨率及测量范围，并同时获得对应的M0及B1定量图。
多重叠回波及多回波链脉冲序列在多重叠回波序列的基础上增加了多个重聚脉冲，将由磁场不均匀性非T2因素引起的衰减的回波重聚。可以在采样过程中采集到更多的具有不同T2的回波，得到更丰富的T2信息，从而提升了T2定量重建结果的精度、准度及分辨率，并同时获得对应的M0及B1定量图。
2、在生成合成训练样本时充分考虑重聚脉冲等效重聚角度的非理想性，及重聚脉冲非理想的选层轮廓导致的额外衰减因子，抑制了不理想的重聚脉冲对结果的影响。
虽然所有重聚脉冲均采用相同脉冲功率，但是由于重聚脉冲形状的不理想性，这些重聚脉冲的等效重聚角度并不相同，并呈现一种复杂变化形式。需要通过复杂的理论推导进行不同回波链信号的校正，这样不但效率低且精度有限。考虑到这一点，在生成模拟图像时，引入角度偏差这一因素，对不同的重聚脉冲引入不相干的随机平滑变化的等效重聚角度图，以尽量模拟真实的实验情况，使得由重聚脉冲不准引发的误差能得以校正。
3.重建效率更高。
使用深度学习算法对T2定量图像进行重建，避免了传统算法的复杂性，提升了重建速度，缩短了重建时间。
此外，本发明还提供一种T2定量图像成像系统，可提升T2定量重建结果的精度、准度及分辨率，同时获得对应M0及B1定量图。如图2所示，本发明T2定量图像成像系统包括：设置单元1、第一采集单元2、第二采集单元3、构建单元4及确定单元5。
所述设置单元1用于多重叠回波及多回波链采样脉冲序列；所述第一采集单元2与所述设置单元1连接，所述第一采集单元2用于基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像；所述第二采集单元3与所述设置单元1连接，所述第二采集单元3用于基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集多个模拟图像；所述构建单元4与所述第二采集单元3连接，所述构建单元4用于对各所述模拟图像训练，得到U-NET卷积神经网络；所述确定单元5分别与所述构建单元4和所述第一采集单元2连接，所述确定单元5用于根据所述U-NET卷积神经网络及所述真实图像，得到T2、M0及B1定量图像。
相对于现有技术，本发明T2定量图像成像系统与上述T2定量图像成像方法的有益效果相同，在此不再赘述
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种T2定量图像成像方法，其特征在于，所述T2定量图像成像方法包括：
设置多重叠回波及多回波链采样脉冲序列；
基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像；
基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集多个模拟图像；
对各所述模拟图像训练，得到U-NET卷积神经网络；
根据所述U-NET卷积神经网络及所述真实图像，得到T2定量图像；
所述基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集模拟图像包括：
获取所述历史样本的特征分布；
利用深度网络合成训练样本生成算法根据所述特征分布生成模板；所述模板为模仿真实实验条件的随机模板；
基于磁共振成像模拟仿真软件，根据所述多重叠回波及多回波链采样脉冲序列，对所述模板采样，得到模拟图像；
所述对所述模拟图像训练，得到U-NET卷积神经网络包括：
使用深度学习框架搭建U-NET卷积神经网络模型；
将各所述模拟图像分为训练集和验证集；
将所述模板设为标签；
设置模型参数将训练集中的模拟图像进行迭代，并使用验证集中的模拟图形进行验证，得到误差；
直至所述误差值保持稳定，停止迭代；所述误差值保持稳定时对应的模型参数下的神经网络为所述U-NET卷积神经网络。
2.根据权利要求1所述的T2定量图像成像方法，其特征在于，所述多重叠回波及多回波链采样脉冲序列包括多重叠回波、重聚脉冲及采样回波链。
3.根据权利要求2所述的T2定量图像成像方法，其特征在于，所述根据所述U-NET卷积神经网络及所述真实图像，得到T2定量图像之后，还包括根据所述采样回波链获取质子密度图及射频场图。
4.根据权利要求1所述的T2定量图像成像方法，其特征在于，所述基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像包括：
将实验样品放置到实验床上；
将所述实验床送至磁共振成像仪的实验腔；
在所述磁共振成像仪的操作软件中选中实验样品的感兴趣区域；
对所述感兴趣区域进行调谐、匀场、频率校正和功率校正，得到修正区域；
通过所述多重叠回波及多回波链采样脉冲序列，对所述修正区域采样，得到模拟信号；
将所述模拟信号从K空间转换到图像域，生成真实图像。
5.根据权利要求1所述的T2定量图像成像方法，其特征在于，所述将训练集中的模拟图像进行迭代，并使用验证集中的模拟图形进行验证，输出误差，包括所述训练集中的模拟图像每迭代5000次就使用验证集中的模拟图像验证一次。
6.根据权利要求1所述的T2定量图像成像方法，其特征在于，在训练所述U-NET卷积神经网络的过程中，根据损失函数使用Adam优化器来优化网络参数。
7.根据权利要求6所述的T2定量图像成像方法，其特征在于，所述损失函数为
Figure FDA0003649119710000021
其中，其中M是同一批训练级中的模拟图像的数量，f()代表网络的映射关系，W和b是网络参数，xk代表第k张输入图像，yk代表对应输入图像的标签，ychange代表yk中小于某一阈值的值置为该阈值后的矩阵，ymask是对权yk使用Cannny算子求得的图像边缘信息，▽是梯度算子，λ是约束项系数。
8.一种T2定量图像成像系统，其特征在于，所述T2定量图像成像系统包括：
设置单元，用于多重叠回波及多回波链采样脉冲序列；
第一采集单元，与所述设置单元连接，用于基于所述多重叠及多回波链采样脉冲序列，从待测样本中采集真实图像；
第二采集单元，与所述设置单元连接，用于基于所述多重叠回波及多回波链采样脉冲序列，从历史样本中采集多个模拟图像；
构建单元，与第二采集单元连接，用于对各所述模拟图像训练，得到U-NET卷积神经网络；
确定单元，分别与所述构建单元及所述第一采集单元连接，用于根据所述U-NET卷积神经网络及所述真实图像，得到T2定量图像；
所述第二采集单元包括：
获取所述历史样本的特征分布；
利用深度网络合成训练样本生成算法根据所述特征分布生成模板；所述模板为模仿真实实验条件的随机模板；
基于磁共振成像模拟仿真软件，根据所述多重叠回波及多回波链采样脉冲序列，对所述模板采样，得到模拟图像；
所述构建单元包括：
使用深度学习框架搭建U-NET卷积神经网络模型；
将各所述模拟图像分为训练集和验证集；
将所述模板设为标签；
设置模型参数将训练集中的模拟图像进行迭代，并使用验证集中的模拟图形进行验证，得到误差；
直至所述误差值保持稳定，停止迭代；所述误差值保持稳定时对应的模型参数下的神经网络为所述U-NET卷积神经网络。
CN201911069801.2A 2019-11-05 2019-11-05 一种t2定量图像成像方法及系统 Active CN110782452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911069801.2A CN110782452B (zh) 2019-11-05 2019-11-05 一种t2定量图像成像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911069801.2A CN110782452B (zh) 2019-11-05 2019-11-05 一种t2定量图像成像方法及系统

Publications (2)

Publication Number Publication Date
CN110782452A CN110782452A (zh) 2020-02-11
CN110782452B true CN110782452B (zh) 2022-08-12

Family

ID=69389017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911069801.2A Active CN110782452B (zh) 2019-11-05 2019-11-05 一种t2定量图像成像方法及系统

Country Status (1)

Country Link
CN (1) CN110782452B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924913B (zh) * 2021-02-02 2022-08-12 厦门大学 一种时空编码磁共振成像超分辨率重建方法及系统
CN113030813B (zh) * 2021-02-26 2022-02-22 厦门大学 一种磁共振t2定量成像方法及系统
CN113240078B (zh) * 2021-04-26 2024-03-19 南方医科大学 基于深度学习网络的磁共振r2*参数量化方法、介质及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005067569A3 (en) * 2004-01-04 2005-12-22 Halliburton Energy Serv Inc Method and apparatus for detecting hydrocarbons with nmr logs in wells drilled with oil-based muds
CN101409426A (zh) * 2007-10-09 2009-04-15 日本特殊陶业株式会社 火花塞用密封构件及火花塞
CN103885013A (zh) * 2014-04-16 2014-06-25 厦门大学 一种不均匀磁场下获得核磁共振二维j分解谱的方法
CN105232046A (zh) * 2015-11-26 2016-01-13 厦门大学 一种基于重叠回波的单扫描定量磁共振t2成像方法
CN105760930A (zh) * 2016-02-18 2016-07-13 天津大学 用于aer的多层脉冲神经网络识别系统
CN109100669A (zh) * 2018-07-12 2018-12-28 厦门大学 基于重叠回波的单扫描同步磁共振扩散及t2成像方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012040611A1 (en) * 2010-09-23 2012-03-29 The United States Of America, As Represented By The Secretary Department Of Health & Human Services Anthropomorphic, x-ray and dynamic contrast-enhanced magnetic resonance imaging phantom for quantitative evaluation of breast imaging techniques
CN108010100B (zh) * 2017-12-07 2020-02-18 厦门大学 一种基于残差网络的单扫描磁共振定量t2成像重建方法
CN110276441B (zh) * 2019-05-20 2021-05-04 成都理工大学 一种基于深度学习的梯形重叠核脉冲估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005067569A3 (en) * 2004-01-04 2005-12-22 Halliburton Energy Serv Inc Method and apparatus for detecting hydrocarbons with nmr logs in wells drilled with oil-based muds
CN101409426A (zh) * 2007-10-09 2009-04-15 日本特殊陶业株式会社 火花塞用密封构件及火花塞
CN103885013A (zh) * 2014-04-16 2014-06-25 厦门大学 一种不均匀磁场下获得核磁共振二维j分解谱的方法
CN105232046A (zh) * 2015-11-26 2016-01-13 厦门大学 一种基于重叠回波的单扫描定量磁共振t2成像方法
CN105760930A (zh) * 2016-02-18 2016-07-13 天津大学 用于aer的多层脉冲神经网络识别系统
CN109100669A (zh) * 2018-07-12 2018-12-28 厦门大学 基于重叠回波的单扫描同步磁共振扩散及t2成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Robust Single-Shot T2 Mapping via Multiple Overlapping-Echo Acquisition and Deep Neural Network";Jun Zhang等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20190831;第38卷(第8期);第1801-1811页 *
"基于多重叠回波采集和深度学习的单扫描定量磁共振成像";张俊;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20190715;第A005-265页 *

Also Published As

Publication number Publication date
CN110782452A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110782452B (zh) 一种t2定量图像成像方法及系统
CN108335339B (zh) 一种基于深度学习和凸集投影的磁共振重建方法
CN107610194B (zh) 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN108535675B (zh) 一种基于深度学习和数据自洽的磁共振多通道重建方法
US10489943B2 (en) System and method for sparse image reconstruction
CN108828481B (zh) 一种基于深度学习和数据一致性的磁共振重建方法
Ravishankar et al. Adaptive sampling design for compressed sensing MRI
US20050100202A1 (en) Method for generating fast magnetic resonance images
WO2018223275A1 (zh) 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN112150568A (zh) 基于Transformer模型的磁共振指纹成像重建方法
CN110807492B (zh) 一种磁共振多参数同时定量成像方法及系统
CN105247382B (zh) 具有重影伪影降低的磁共振成像系统和其操作的方法
CN103027681B (zh) 用于重构并行获取的mri图像的系统
US20140286560A1 (en) Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
CN104765011A (zh) 磁共振原始数据的重建
US11867786B2 (en) Parameter map determination for time domain magnetic resonance
CN113030813B (zh) 一种磁共振t2定量成像方法及系统
CN105738847A (zh) 一种在强不均匀磁场下磁共振图像扭曲的矫正方法
WO2020123788A1 (en) Qualitative and quantitative mri using deep learning
CN104714200A (zh) 一种基于广义双层伯格曼非凸型字典学习的磁共振超欠采样k数据成像方法
CN114255291A (zh) 用于磁共振参数定量成像的重建方法、系统
US11965945B2 (en) Magnetic resonance system and shimming method and imaging method thereof
CN116863024A (zh) 一种磁共振图像重建方法、系统、电子设备及存储介质
CN113971706B (zh) 一种快速磁共振智能成像方法

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