CN110807492B - 一种磁共振多参数同时定量成像方法及系统 - Google Patents

一种磁共振多参数同时定量成像方法及系统 Download PDF

Info

Publication number
CN110807492B
CN110807492B CN201911076119.6A CN201911076119A CN110807492B CN 110807492 B CN110807492 B CN 110807492B CN 201911076119 A CN201911076119 A CN 201911076119A CN 110807492 B CN110807492 B CN 110807492B
Authority
CN
China
Prior art keywords
magnetic resonance
parameter
imaging object
image
neural network
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
CN201911076119.6A
Other languages
English (en)
Other versions
CN110807492A (zh
Inventor
蔡淑惠
吴健
蔡聪波
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 CN201911076119.6A priority Critical patent/CN110807492B/zh
Publication of CN110807492A publication Critical patent/CN110807492A/zh
Priority to US17/090,246 priority patent/US12033246B2/en
Application granted granted Critical
Publication of CN110807492B publication Critical patent/CN110807492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
    • 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
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • 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
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • 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
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • G01R33/5616—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using gradient refocusing, e.g. EPI
    • 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
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • G01R33/5618—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using both RF and gradient refocusing, e.g. GRASE
    • 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
    • G06T5/00—Image enhancement or restoration
    • 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
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56563—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by a distortion of the main magnetic field B0, e.g. temporal variation of the magnitude or spatial inhomogeneity of B0
    • 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
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/5659—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by a distortion of the RF magnetic field, e.g. spatial inhomogeneities of the RF magnetic field
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

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

Abstract

本发明公开一种磁共振多参数同时定量成像方法及系统。该方法包括：设计磁共振成像序列；生成深度神经网络的训练样本；采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像。本发明能够实现磁共振多参数的定量成像，并能够校正由于磁场不均匀造成的图像畸变。

Description

一种磁共振多参数同时定量成像方法及系统
技术领域
本发明涉及磁共振成像领域，特别是涉及一种磁共振多参数同时定量成像方法及系统。
背景技术
定量磁共振成像能对一些生理参数进行定量测定，对于疗效的评估、疾病的分级诊断等都有着重要的意义。然而，传统定量磁共振成像方法采集时间长，这在很大程度上限制了定量磁共振成像的应用。虽然磁共振指纹等技术已经将定量磁共振成像的采集时间降低到与传统磁共振加权成像相近的水平，但是仍无法应用于快速运动的组织或器官(例如跳动的心脏、律动的器官)以及迅速变化的各种生理参数(例如大脑的血氧水平、肌肉的乳酸浓度等)的定量成像。基于此，开发了一系列基于重叠回波的快速定量磁共振成像方法，包括：CN107045115A，CN108663644A，CN105232046B，CN108010100A等。基于重叠回波的快速定量磁共振成像能在几十毫秒内完成定量信息的采集，因此对运动变化具有极强的抵抗能力。然而，以上所列的发明仅能对一种磁共振参数进行定量测定，如果要获得多种参数就必须进行多次扫描，这在一定程度上增加了采样时间，降低了对运动变化的抵抗能力。此外，以上发明没有考虑到不均匀磁场对于参数定量成像的影响，因此在不均匀磁场下得到的图像会出现畸变。
发明内容
本发明的目的是提供一种磁共振多参数同时定量成像方法及系统，能够实现磁共振多参数的定量成像，并能够校正由于磁场不均匀造成的图像畸变。
为实现上述目的，本发明提供了如下方案：
一种磁共振多参数同时定量成像方法包括：
S1：设计磁共振成像序列；
S2：生成深度神经网络的训练样本；
S3：采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
S4：采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像。
可选的，所述设计磁共振成像序列，具体包括：
S11：设计信号激发模块；
S12：设计移位梯度模块；
S13：设计数据采集模块。
可选的，所述生成深度神经网络的训练样本，具体包括：
S21：在空白矩形模板内随机生成一个几何图形；
S22：以所述几何图形作为掩膜，在所述掩膜内添加经过滤波函数滤波后的光学图像，在所述光学图像内随机赋予各种磁共振参数分布；
S23：重复生成几何图形，直到随机几何图形覆盖整个空白矩形模板，得到虚拟成像物体，所述虚拟成像物体由磁共振多参数模板共同组成；
S24：对磁场进行建模，得到磁场模型；
S25：对射频场进行建模，得到射频场模型；
S26：采用所述射频场模型、所述磁场模型和所述磁共振成像序列对所述虚拟成像物体进行数据采集，得到所述虚拟成像物体的k空间数据；
S27：对所述虚拟成像物体的k空间数据进行傅里叶变换，得到所述虚拟成像物体的混叠图像；
S28：将所述虚拟成像物体的混叠图像和所述磁共振多参数模板构成一个训练样本。
S29：重复S21-S28，生成设定量的训练样本。
可选的，所述采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像，具体包括：
采用所述磁共振成像序列对实际成像物体进行数据采集，得到所述实际成像物体的k空间数据；
对所述实际成像物体的k空间数据进行傅里叶变换，得到所述实际成像物体的混叠图像；
采用所述训练好的深度神经网络对所述实际成像物体的混叠图像进行重建，得到磁共振多参数图像。
可选的，所述对磁场进行建模，得到磁场模型，具体包括：
对磁场进行建模，得到磁场模型B0：
B0＝amp0×(a0X+b0Y+c0XY+d0X2+e0Y2+f0XY2+g0X2Y)
其中，amp0控制B0场的偏离程度；a0、b0、c0、d0、e0、f0、g0服从[-0.5,0.5]之间的均匀分布；X、Y是B0矩形模板经过归一化后的坐标值，范围是[-1,1]。
可选的，所述对射频场进行建模，得到射频场模型，具体包括：
对射频场进行建模，得到射频场模型B1：
B1＝amp1×(a1X+b1Y+c1XY+d1X2+e1Y2)+f1+1
其中，amp1表示B1的幅值，服从[0,0.6]之间的均匀分布；a1、b1服从均值为0、方差为0.5的高斯分布；c1、d1、e1服从[-0.5,0.5]之间的均匀分布；f1服从[-0.05,0.05]之间的均匀分布；X、Y是B1矩形模板经过归一化后的坐标值，范围是[-1,1]。
一种磁共振多参数同时定量成像系统包括：
序列设计模块，用于设计磁共振成像序列；
训练样本生成模块，用于生成深度神经网络的训练样本；
网络训练模块，用于根据所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
图像重建模块，用于采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像。
可选的，所述设计磁共振成像序列，具体包括：
信号激发模块设计单元，用于设计信号激发模块；
移位梯度模块设计单元，用于设计移位梯度模块；
数据采集模块设计单元，用于设计数据采集模块。
可选的，所述训练样本生成模块，具体包括：
几何图形生成单元，用于在空白矩形模板内随机生成一个几何图形；
光学图像添加单元，用于以所述几何图形作为掩膜，在所述掩膜内添加经过滤波函数滤波后的光学图像，在所述光学图像内随机赋予各种磁共振参数分布；
虚拟成像物体确定单元，用于将随机几何图形覆盖整个空白矩形模板，得到虚拟成像物体，所述虚拟成像物体由磁共振多参数模板共同组成；
磁场模型建立单元，用于对磁场进行建模，得到磁场模型；
射频场模型建立单元，用于对射频场进行建模，得到射频场模型；
模拟数据采集单元，用于采用所述射频场模型、所述磁场模型和所述磁共振成像序列对所述虚拟成像物体进行数据采集，得到所述虚拟成像物体的k空间数据；
傅里叶变换单元，用于将所述虚拟成像物体的k空间数据进行傅里叶变换，得到所述虚拟成像物体的混叠图像；
单个训练样本组成单元，用于将所述虚拟成像物体的混叠图像和所述磁共振多参数模板构成一个训练样本；
训练样本生成单元，用于生成设定量的训练样本。
可选的，所述图像重建模块，具体包括：
实际数据采集单元，用于采用所述磁共振成像序列对实际成像物体进行数据采集，得到所述实际成像物体的k空间数据；
实际混叠图像确定单元，用于对所述实际成像物体的k空间数据进行傅里叶变换，得到实际成像物体的混叠图像；
磁共振多参数图像确定单元，用于采用所述训练好的深度神经网络对所述实际成像物体的混叠图像进行重建，得到磁共振多参数图像。
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：
1.本发明实现了T2及T2*的同时定量成像；
2.本发明得到的参数图像精度高；
3.本发明有效校正了基于重叠回波的快速定量磁共振成像存在的畸变。
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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，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为本发明磁共振多参数同时定量成像方法流程图；
图2为本发明生成深度神经网络的训练样本流程图；
图3为本发明磁共振多参数同时定量成像系统结构图；
图4为本发明磁共振成像序列图；
图5为本发明生成的随机参数模板示意图；
图6为本发明水模的参数图像的重建结果。
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、完整的描述，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磁共振多参数同时定量成像方法及系统，能够实现磁共振多参数的定量成像，并能够校正由于磁场不均匀造成的图像畸变。
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为本发明磁共振多参数同时定量成像方法流程图。如图1所示，一种磁共振多参数同时定量成像方法，包括：
S1：设计磁共振成像序列，具体包括：
S11：设计信号激发模块，具体地，通过连续施加激发脉冲来获得一系列的回波信号。激发脉冲翻转角的大小、激发脉冲的数量以及激发脉冲之间的时间间隔根据实际需要设定。
S12：设计移位梯度模块，具体地，每个激发脉冲后都会施加移位梯度，移位梯度的大小和方向根据实际需要设定，使回波信号重聚在预期的k空间位置上。
S13：设计数据采集模块。具体地，确定数据采集模块的数量和数据采集模块中相位编码梯度和频率编码梯度的大小和方向，以及是否使用重聚脉冲和施加重聚脉冲的时刻。
为了在极短的时间内同时获得具有不同T2及T2*加权的信号，成像序列通过连续施加小角度激发脉冲来获得一系列的回波信号。激发脉冲之间需要施加移位梯度，将这些回波信号重聚到同一个k空间的不同位置。成像序列使用了两个读出模块。第一个读出模块前施加180°重聚脉冲，因此采集到的信号以T2加权为主，而第二个读出模块在第一个读出模块之后，采集到的信号以T2*加权为主。两个读出模块在相位编码方向上采用大小相等、方向相反的梯度。在频率编码方向上，两个读出模块采用的梯度完全一致。由于不均匀磁场的存在以及所采用的相位编码梯度方向相反，采集到的两个图像在相位编码方向会产生相反的畸变。深度神经网络可以利用该特点对图像进行校正。
S2：生成深度神经网络的训练样本。
S3：采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络。
S4：采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像，具体包括：
采用所述磁共振成像序列对实际成像物体进行数据采集，得到实际成像物体的k空间数据；
对所述实际成像物体的k空间数据进行傅里叶变换，得到所述实际成像物体的混叠图像；
根据所述训练好的深度神经网络对所述实际成像物体的混叠图像进行重建，得到磁共振多参数图像。
图2为本发明生成深度神经网络的训练样本流程图。如图2所示，生成深度神经网络的训练样本具体包括：
S21：在空白矩形模板内随机生成一个几何图形；几何图形的位置和大小都随机确定。该几何图形模拟了成像物体的局部结构。因此在重复步骤S21过程中几何图形可能会发生重叠。如果发生重叠，以集合中差的运算方式去掉重叠部分，以剩余部分作为新的掩膜。
S22：以所述几何图形作为掩膜，在所述掩膜内添加经过滤波函数滤波后的光学图像，在所述光学图像内随机赋予各种磁共振参数分布；该光学图像模拟了成像物体的局部纹理，具有随机的磁共振参数T1、T2、T2*、M0分布。其中T1表示纵向弛豫时间，T2表示不受不均匀磁场影响的横向弛豫时间，T2*表示受到不均匀磁场影响的横向弛豫时间，M0表示相对质子密度。用光学图像模拟成像物体的局部纹理，是先随机确定掩膜内的磁共振参数(T1、T2、T2*、M0)值，然后在此数值基础上用滤波后的光学图像进行调整。随机参数尽量符合成像物体实际的参数分布。
S23：重复生成几何图形，直到随机几何图形覆盖整个空白矩形模板，得到虚拟成像物体；所述虚拟成像物体由磁共振多参数模板共同组成。具体的，虚拟成像物体是由一系列的参数模板(T1、T2、T2*、M0)共同组成的。
S24：对磁场进行建模，得到磁场模型，以模拟磁共振成像序列真实采样过程中仪器存在的磁场不均匀，具体包括：
对磁场进行建模，得到磁场模型B0：
B0＝amp0×(a0X+b0Y+c0XY+d0X2+e0Y2+f0XY2+g0X2Y)
其中，amp0控制B0场的偏离程度；a0、b0、c0、d0、e0、f0、g0服从[-0.5,0.5]之间的均匀分布；X、Y是B0矩形模板经过归一化后的坐标值，范围是[-1,1]。
S25：对射频场进行建模，得到射频场模型，以模拟磁共振成像真实采样过程中仪器存在的射频场不均匀，具体包括：
对射频场进行建模，得到射频场模型B1：
B1＝amp1×(a1X+b1Y+c1XY+d1X2+e1Y2)+f1+1
其中，amp1表示B1的幅值，服从[0,0.6]之间的均匀分布；a1、b1服从均值为0、方差为0.5的高斯分布；c1、d1、e1服从[-0.5,0.5]之间的均匀分布；f1服从[-0.05,0.05]之间的均匀分布；X、Y是B1矩形模板经过归一化后的坐标值，范围是[-1,1]。
S26：采用所述射频场模型、所述磁场模型和所述磁共振成像序列对所述虚拟成像物体进行数据采集，得到所述虚拟成像物体的k空间数据。
S27：对所述虚拟成像物体的k空间数据进行傅里叶变换，得到所述虚拟成像物体的混叠图像；图像产生混叠是因为在同一个图像中包含多个具有不同相移和参数加权信息的图像。
S28：将所述虚拟成像物体的混叠图像和所述磁共振多参数模板构成一个训练样本。
S29：重复S21-S28，生成设定量的训练样本。
图3为本发明磁共振多参数同时定量成像系统结构图。如图3所示，一种磁共振多参数同时定量成像系统包括：
序列设计模块101，用于设计磁共振成像序列；
训练样本生成模块102，用于生成深度神经网络的训练样本；
网络训练模块103，用于根据所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
图像重建模块104，用于根据所述训练好的深度神经网络和所述磁共振成像序列，重建磁共振多参数图像。
所述训练样本生成模块102，具体包括：
几何图形生成单元，用于在空白矩形模板内随机生成一个几何图形；
光学图像添加单元，用于以所述几何图形作为掩膜，在所述掩膜内添加经过滤波函数滤波后的光学图像，在所述光学图像内随机赋予各种磁共振参数分布；
虚拟成像物体确定单元，用于将随机几何图形覆盖整个空白矩形模板，得到虚拟成像物体；
磁场模型建立单元，用于对磁场进行建模，得到磁场模型；
射频场模型建立单元，用于对射频场进行建模，得到射频场模型；
模拟数据采集单元，用于采用所述射频场模型、所述磁场模型和所述磁共振成像序列对所述虚拟成像物体进行数据采集，得到所述虚拟成像物体的k空间数据；
傅里叶变换单元，用于将所述虚拟成像物体的k空间数据进行傅里叶变换，得到所述虚拟成像物体的混叠图像；
单个训练样本组成单元，用于将所述虚拟成像物体的混叠图像和所述磁共振多参数模板构成一个训练样本；
训练样本生成单元，用于生成设定量的训练样本。
所述图像重建模块104，具体包括：
实际数据采集单元，用于采用所述磁共振成像序列对实际成像物体进行数据采集，得到所述实际成像物体的k空间数据；
实际混叠图像确定单元，用于对所述实际成像物体的k空间数据进行傅里叶变换，得到实际成像物体的混叠图像；
磁共振多参数图像确定单元，用于根据所述训练好的深度神经网络对所述实际成像物体的混叠图像进行重建，得到磁共振多参数图像。
所述磁场模型建立单元，具体包括：
磁场模型建立子单元，用于对磁场进行建模，得到磁场模型B0：
B0＝amp0×(a0X+b0Y+c0XY+d0X2+e0Y2+f0XY2+g0X2Y)
amp0控制B0场的偏离程度；a0、b0、c0、d0、e0、f0、g0服从[-0.5,0.5]之间的均匀分布；X、Y是B0矩形模板经过归一化后的坐标值，范围是[-1,1]。
所述射频场模型建立单元，具体包括：
射频场模型建立子单元，用于对射频场进行建模，得到射频场模型B1：
B1＝amp1×(a1X+b1Y+c1XY+d1X2+e1Y2)+f1+1
amp1表示B1的幅值，服从[0,0.6]之间的均匀分布；a1、b1服从均值为0、方差为0.5的高斯分布；c1、d1、e1服从[-0.5,0.5]之间的均匀分布；f1服从[-0.05,0.05]之间的均匀分布；X、Y是B1矩形模板经过归一化后的坐标值，范围是[-1,1]。
实施例：
步骤1：设计磁共振成像序列。磁共振成像序列的设计可以参考图4。为了在极短的时间内同时获得具有不同T2及T2*加权的信号，成像序列通过连续施加小角度激发脉冲来获得一系列的回波信号。激发脉冲之间需要施加移位梯度，将这些回波信号重聚到同一个k空间的不同位置。采样阶段使用两个读出模块对信号进行采集。第一个读出模块前施加180°重聚脉冲，因此采集到的信号以T2加权为主，而第二个读出模块采集到的信号以T2*加权为主。此外，两个读出模块在相位编码方向上采用大小相等、方向相反的梯度。由于不均匀磁场的存在以及所采用的相位编码梯度方向相反，采集到的两个图像在相位编码方向会产生相反的畸变。深度神经网络可以利用该特点对图像进行校正。
步骤2：生成深度神经网络的训练样本。随机生成的虚拟成像物体对应的随机磁共振参数模板可以参考图5。图5为本发明生成的随机参数模板示意图。虚拟成像物体由一系列的磁共振参数模板(T1、T2、T2*、M0)共同组成。随机生成的不均匀磁场和射频场也可以参考图5。然后，利用计算机来模拟成像序列的采样过程，以获得与虚拟成像物体对应的k空间数据。最后将k空间数据进行傅里叶变换获得混叠的图像。该混叠图像与对应的随机磁共振参数模板组成一个训练样本。训练样本的生成流程包括：
步骤2.1：在空白矩形模板内随机生成一个几何图形，例如三角形、矩形、圆形。几何图形的位置和大小都随机确定；
步骤2.2：以几何图形作为掩膜，在掩膜内添加经过高斯函数滤波后的光学图像。该光学图像模拟了成像物体的局部纹理，具有随机的磁共振参数T1、T2、T2*、M0分布；
步骤2.3：不断重复步骤S2.1和S2.2，直到随机几何图形覆盖整个空白矩形模板，得到虚拟成像物体。
步骤2.4：采用多项式对磁场B0进行建模，以模拟磁共振成像序列真实采样过程中仪器存在的B0不均匀：
B0＝amp0×(a0X+b0Y+c0XY+d0X2+e0Y2+f0XY2+g0X2Y)
其中，amp0控制B0场的偏离程度；a0、b0、c0、d0、e0、f0、g0服从[-0.5,0.5]之间的均匀分布；X、Y是B0矩形模板经过归一化后的坐标值，范围是[-1,1]。
步骤2.5：采用多项式对射频场B1进行建模，以模拟磁共振成像真实采样过程中仪器存在的B1不均匀：
B1＝amp1×(a1X+b1Y+c1XY+d1X2+e1Y2)+f1+1
其中，amp1表示B1的幅值，满足[0,0.6]之间的均匀分布；a1、b1服从均值为0、方差为0.5的高斯分布；c1、d1、e1服从[-0.5,0.5]之间的均匀分布；f1服从[-0.05,0.05]之间的均匀分布；X、Y是B1矩形模板经过归一化后的坐标值，范围是[-1,1]。
步骤2.6：用计算机模拟步骤1设计的成像序列，同时考虑步骤2.4生成的磁场B0以及步骤2.5生成的射频场B1，对步骤2.3生成的虚拟成像物体进行数据采集，得到k空间数据。
步骤2.7：将步骤2.6获得的k空间数据进行傅里叶变换，得到混叠图像；图像产生混叠是因为在同一个图像中包含多个具有不同相移和参数加权信息的图像。该混叠图像与对应的随机磁共振参数模板组成一个训练样本。
步骤2.8：重复S2.1-S2.7，生成设定量的训练样本。
步骤3：对深度神经网络进行训练。利用步骤2生成的训练样本对深度神经网络进行训练；
步骤4：利用步骤3中训练好的深度神经网络对利用步骤1设计的成像序列对实际成像物体采集的k空间数据进行参数图像的重建。
优选的，所述步骤1中，所采用的激发脉冲的翻转角优选为30°。
优选的，所述步骤1中，所采用的移位梯度的大小优选为(GRO1,GPE1)＝(-22/128,-2/8),(GRO2,GPE2)＝(11/128,-2/8),(GRO3,GPE3)＝(-22/128,-2/8),(GRO4,GPE4)＝(-48/128,-1/8)。此处假定读出模块中一个读出梯度的大小为1。
优选的，所述步骤1中，优选的时间间隔如图4所示。图4为本发明磁共振成像序列图。
优选的，所述步骤2中，优选的模板矩阵大小为500×500。
优选的，所述步骤2.1中，几何图形的位置和大小都随机确定，因此在重复步骤2.1过程中几何图形可能会发生重叠。如果发生重叠，以集合中差的运算方式去掉重叠部分，以剩余部分作为新的掩膜。例如前一步生成的掩膜为A，后一步生成的掩膜为B，如果掩膜A和掩膜B有重叠，那么新掩膜B就修改为
Figure BDA0002262497760000111
(x表示模板中的像素点)。
优选的，所述步骤2中，磁共振参数尽量符合成像物体实际的参数分布。优选的参数值如下，T2值在[20ms,300ms]之间均匀分布，T1取值2000ms,T2*取值小于等于T2值即可，M0值在[0,1]之间均匀分布。此处T1取值2000ms，是考虑到实际成像物体的T1值一般都大于500ms，且只要T1值大于500ms，其值的选取对于T2及T2*的重建几乎没有影响。
优选的，所述步骤2中，首先为掩膜随机选取满足以上分布的参数值，然后用滤波后的光学图像对参数值进行调整。优选的调整方法是对以上随机参数值(Rana)和滤波后的光学图像(Ranb)进行加权求和。最终参数值的调整方式优选为0.4×Rana+0.6×Rana/(Ranb/255)。
优选的，所述步骤2中，在对T2*效应进行数值模拟时，需要在同一体素内加入大量的核自旋质子。质子数量越多模拟精度越高，但是所需计算时间越长。本实施例优选质子数量为150。
优选的，所述步骤2.4中，amp0取值为1500。此时B0场的最大偏移为100Hz左右。
优选的，所述步骤3中，所述深度神经网络采用U-Net。
优选的，所述步骤3中，所述训练样本需要进行归一化处理。由于有两个读出模块，因此每个训练样本有两个k空间数据。首先将每个k空间数据进行充零，扩大到256×256；然后进行傅里叶变换得到两个混叠的图像；接着对所有样本的混叠图像进行搜索，获得最大幅值；最后将所有样本的混叠图像都除以这个最大幅值。
优选的，所述步骤3中，所述深度神经网络的输入采用实部虚部分离的方式，即深度神经网络的输入包含四张图像，其中两张实部图像，两张虚部图像。
优选的，所述步骤3中，所述深度神经网络采用L1范数对网络的训练误差进行约束，训练样本数量为2000，分块大小为64×64，迭代次数为200000次。
优选的，所述步骤4中，采用GRAPPA技术对成像物体进行k空间数据采集，加速倍数为2，参考扫描线数量为24，成像范围为220×220mm2，层厚为4mm，采样矩阵大小为128×128。先对采集到的k空间数据进行GRAPPA重建；接着对重建后的k空间数据进行充零，扩大到256×256；然后进行傅里叶变换得到两个混叠图像；最后将混叠图像输入步骤3中训练好的深度神经网络，重建得到磁共振多参数图像。
图6为本发明水模的参数图像的重建结果。从图6可得出重建的水模图像及对应的误差图。其中，(a)为第一个混叠图像的幅值图，(b)为第二个混叠图像的幅值图，(c)为T2参考图，(d)为重建的T2图，(e)为T2的相对误差图，(f)为T2*参考图，(g)为重建的T2*图，(h)为T2*的相对误差图。优选的，所述步骤4中，从图6中可以看到采集到的两个图像有明显的畸变，这是由于序列本身易受不均匀磁场的影响。重建的参数图像很好地校正了图像的畸变。重建的参数图像的T2和T2*的平均相对误差分别为3.45％和7.88％，成像精度高。
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 (6)

1.一种磁共振多参数同时定量成像方法，其特征在于，包括：
S1：设计磁共振成像序列；
S2：生成深度神经网络的训练样本；
S3：采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
S4：采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像；
所述生成深度神经网络的训练样本，具体包括：
S21：在空白矩形模板内随机生成一个几何图形；
S22：以所述几何图形作为掩膜，在所述掩膜内添加经过滤波函数滤波后的光学图像，在所述光学图像内随机赋予各种磁共振参数分布；
S23：重复生成几何图形，直到随机几何图形覆盖整个空白矩形模板，得到虚拟成像物体，所述虚拟成像物体由磁共振多参数模板共同组成；
S24：对磁场进行建模，得到磁场模型；
S25：对射频场进行建模，得到射频场模型；
S26：采用所述射频场模型、所述磁场模型和所述磁共振成像序列对所述虚拟成像物体进行数据采集，得到所述虚拟成像物体的k空间数据；
S27：对所述虚拟成像物体的k空间数据进行傅里叶变换，得到所述虚拟成像物体的混叠图像；
S28：将所述虚拟成像物体的混叠图像和所述磁共振多参数模板构成一个训练样本；
S29：重复S21-S28，生成设定量的训练样本；
所述采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像，具体包括：
采用所述磁共振成像序列对实际成像物体进行数据采集，得到所述实际成像物体的k空间数据；
对所述实际成像物体的k空间数据进行傅里叶变换，得到所述实际成像物体的混叠图像；
采用所述训练好的深度神经网络对所述实际成像物体的混叠图像进行重建，得到磁共振多参数图像。
2.根据权利要求1所述的磁共振多参数同时定量成像方法，其特征在于，所述设计磁共振成像序列，具体包括：
S11：设计信号激发模块；
S12：设计移位梯度模块；
S13：设计数据采集模块。
3.根据权利要求1所述的磁共振多参数同时定量成像方法，其特征在于，所述对磁场进行建模，得到磁场模型，具体包括：
对磁场进行建模，得到磁场模型B0：
B0＝amp0×(a0X+b0Y+c0XY+d0X2+e0Y2+f0XY2+g0X2Y)
其中，amp0控制B0场的偏离程度；a0、b0、c0、d0、e0、f0、g0服从[-0.5，0.5]之间的均匀分布；X、Y是B0矩形模板经过归一化后的坐标值，范围是[-1，1]。
4.根据权利要求1所述的磁共振多参数同时定量成像方法，其特征在于，所述对射频场进行建模，得到射频场模型，具体包括：
对射频场进行建模，得到射频场模型B1：
B1＝amp1×(a1X+b1Y+c1XY+d1X2+e1Y2)+f1+1
其中，amp1表示B1的幅值，服从[0，0.6]之间的均匀分布；a1、b1服从均值为0、方差为0.5的高斯分布；c1、d1、e1服从[-0.5，0.5]之间的均匀分布；f1服从[-0.05，0.05]之间的均匀分布；X、Y是B1矩形模板经过归一化后的坐标值，范围是[-1，1]。
5.一种磁共振多参数同时定量成像系统，其特征在于，包括：
序列设计模块，用于设计磁共振成像序列；
训练样本生成模块，用于生成深度神经网络的训练样本；
网络训练模块，用于根据所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
图像重建模块，用于采用所述训练好的深度神经网络和所述磁共振成像序列采集的k空间数据，重建磁共振多参数图像；
所述训练样本生成模块，具体包括：
几何图形生成单元，用于在空白矩形模板内随机生成一个几何图形；
光学图像添加单元，用于以所述几何图形作为掩膜，在所述掩膜内添加经过滤波函数滤波后的光学图像，在所述光学图像内随机赋予各种磁共振参数分布；
虚拟成像物体确定单元，用于将随机几何图形覆盖整个空白矩形模板，得到虚拟成像物体，所述虚拟成像物体由磁共振多参数模板共同组成；
磁场模型建立单元，用于对磁场进行建模，得到磁场模型；
射频场模型建立单元，用于对射频场进行建模，得到射频场模型；
模拟数据采集单元，用于采用所述射频场模型、所述磁场模型和所述磁共振成像序列对所述虚拟成像物体进行数据采集，得到所述虚拟成像物体的k空间数据；
傅里叶变换单元，用于将所述虚拟成像物体的k空间数据进行傅里叶变换，得到所述虚拟成像物体的混叠图像；
单个训练样本组成单元，用于将所述虚拟成像物体的混叠图像和所述磁共振多参数模板构成一个训练样本；
训练样本生成单元，用于生成设定量的训练样本；
所述图像重建模块，具体包括：
实际数据采集单元，用于采用所述磁共振成像序列对实际成像物体进行数据采集，得到所述实际成像物体的k空间数据；
实际混叠图像确定单元，用于对所述实际成像物体的k空间数据进行傅里叶变换，得到实际成像物体的混叠图像；
磁共振多参数图像确定单元，用于采用所述训练好的深度神经网络对所述实际成像物体的混叠图像进行重建，得到磁共振多参数图像。
6.根据权利要求5所述的磁共振多参数同时定量成像系统，其特征在于，所述序列设计模块，具体包括：
信号激发模块设计单元，用于设计信号激发模块；
移位梯度模块设计单元，用于设计移位梯度模块；
数据采集模块设计单元，用于设计数据采集模块。
CN201911076119.6A 2019-11-06 2019-11-06 一种磁共振多参数同时定量成像方法及系统 Active CN110807492B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911076119.6A CN110807492B (zh) 2019-11-06 2019-11-06 一种磁共振多参数同时定量成像方法及系统
US17/090,246 US12033246B2 (en) 2019-11-06 2020-11-05 Method and system for simultaneous quantitative multiparametric magnetic resonance imaging (MRI)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911076119.6A CN110807492B (zh) 2019-11-06 2019-11-06 一种磁共振多参数同时定量成像方法及系统

Publications (2)

Publication Number Publication Date
CN110807492A CN110807492A (zh) 2020-02-18
CN110807492B true CN110807492B (zh) 2022-05-13

Family

ID=69501473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911076119.6A Active CN110807492B (zh) 2019-11-06 2019-11-06 一种磁共振多参数同时定量成像方法及系统

Country Status (1)

Country Link
CN (1) CN110807492B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445412A (zh) * 2020-03-26 2020-07-24 北京易康医疗科技有限公司 一种磁共振影像的二维几何校正方法
CN112075934B (zh) * 2020-09-09 2021-07-23 清华大学 用于识别颈动脉斑块的磁共振单序列多参数定量成像系统
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
CN114518555B (zh) * 2022-02-11 2024-06-04 厦门大学 一种核Overhauser增强成像方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166110B (zh) * 2013-05-17 2017-12-26 深圳联影医疗科技有限公司 磁共振并行采集图像重建方法及设备
DE102016212116A1 (de) * 2016-07-04 2018-01-04 Siemens Healthcare Gmbh Verfahren zur Rekonstruktion eines Bilddatensatzes aus Messdaten einer Bildaufnahmeeinrichtung, Bildaufnahmeeinrichtung, Computerprogramm und Datenträger
CN108132274B (zh) * 2017-12-21 2019-08-16 厦门大学 不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法
JP7020930B2 (ja) * 2018-01-24 2022-02-16 富士フイルムヘルスケア株式会社 磁気共鳴イメージング装置、磁気共鳴イメージングシステム及びパラメータ推定方法
EP3550318A1 (de) * 2018-04-06 2019-10-09 Siemens Healthcare GmbH Verfahren zur erzeugung einer b0-karte mittels eines magnetresonanz-fingerabdruckverfahrens
CN109350061B (zh) * 2018-11-21 2022-03-15 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法

Also Published As

Publication number Publication date
CN110807492A (zh) 2020-02-18
US20210134028A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
CN110807492B (zh) 一种磁共振多参数同时定量成像方法及系统
CN108828481B (zh) 一种基于深度学习和数据一致性的磁共振重建方法
CN108829639B (zh) 一种磁共振成像方法和设备
Yang et al. Physics-driven synthetic data learning for biomedical magnetic resonance: The imaging physics-based data synthesis paradigm for artificial intelligence
CN108132274B (zh) 不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法
CN103218795B (zh) 基于自适应双字典学习的部分k空间序列图像重构方法
US11948676B2 (en) Qualitative and quantitative MRI using deep learning
CN113971706B (zh) 一种快速磁共振智能成像方法
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
CN113030813B (zh) 一种磁共振t2定量成像方法及系统
CN114255291A (zh) 用于磁共振参数定量成像的重建方法、系统
CN111062994B (zh) 一种化学交换饱和转移对比图像的重建方法及系统
CN110992435B (zh) 图像重建方法及设备、成像数据的处理方法及装置
CN113052840B (zh) 一种基于低信噪比pet图像的处理方法
US11675029B2 (en) Retrospective tuning of soft tissue contrast in magnetic resonance imaging
US12033246B2 (en) Method and system for simultaneous quantitative multiparametric magnetic resonance imaging (MRI)
Hu et al. A fast MR fingerprinting simulator for direct error estimation and sequence optimization
CN113050009B (zh) 三维磁共振快速参数成像方法和装置
JP2023069890A (ja) 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法
CN116597037B (zh) 一种物理生成数据驱动的快速磁共振智能成像方法
CN114518555B (zh) 一种核Overhauser增强成像方法及系统
Dang et al. Joint MR sequence optimization beats pure neural network approaches for spin-echo MRI super-resolution
WO2024103414A1 (zh) 一种磁共振图像重建方法和图像重建装置
US20240197196A1 (en) Method and system for high-resolution multi-parametric quantitative magnetic resonance imaging
CN117017263A (zh) 一种同时多层磁共振参数定量成像方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant