CN110916664A - 一种基于深度学习的快速磁共振图像重建方法 - Google Patents
一种基于深度学习的快速磁共振图像重建方法 Download PDFInfo
- Publication number
- CN110916664A CN110916664A CN201911255471.6A CN201911255471A CN110916664A CN 110916664 A CN110916664 A CN 110916664A CN 201911255471 A CN201911255471 A CN 201911255471A CN 110916664 A CN110916664 A CN 110916664A
- Authority
- CN
- China
- Prior art keywords
- space data
- neural network
- data
- sampled
- input
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Fuzzy Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明阐述了一种基于深度学习的快速磁共振图像重建方法。该方法包括:对输入U‑net网络的k空间数据进行处理,首先对原始k空间数据做掩膜处理,掩膜掉的地方用零填充,接着将得到的k空间数据进行中心剪裁,作为U‑net的输入;训练U‑net网络;将训练好的神经网络用于测试集做预测。本发明与传统的基于深度学习的快速核磁共振图像重建方法不同之处在于对原始k空间数据做处理的时候,没有将欠采样的k空间数据进行IFFT转换为图像域数据,而是直接将欠采样的k空间数据输入U‑net网络来预测出全采样的k空间数据。本发明为快速核磁共振成像提供了另一个解决思路。
Description
技术领域
本发明属于医学图像领域,涉及一种图像重建方法,特别是一种基于深度学习的快速磁共振图像重建方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)是一种重要的临床医学影像检查手段,它通过信号采集和计算处理完成成像,具有无辐射危害及多参数成像等优点,尽管MRI已经广泛应用到临床诊断中,但是核磁共振扫描的速度是核磁共振成像在很多应用中的一大瓶颈,缓慢的扫描速度导致运动伪影的产生,也给动态成像带来了困难。不断提高的高精度检测定位与高分辨率成像需求,同时也对核磁共振成像提出了更高的要求,因此如何在保证图像质量的情况下提高成像速度已经成为MRI技术中一个亟待解决的问题。现有的基于K空间的快速磁共振成像技术,如并行成像(Parallel Imaging,PI)以及半傅里叶成像(Partial Fourier,PF)等等已经得到了广泛的应用,它们利用K空间数据的冗余性减少采样数量从而提升采样速度。然而无论是并行成像还是半傅里叶成像,它们的加速效果都具有一定的局限性,例如,并行成像加速因子受限于并行线圈数量,而半傅里叶成像仅支持大约两倍的速度提升。如何能够提升MRI重建质量和成像速度,对于MRI的发展有着重要的意义。这也正是本文研究MRI快速成像技术的目的。近几年来,基于深度学习的磁共振图像重建方法得到了快速的发展,这使得加速磁共振图像的获取具有很大的前景。本文就现有的基于深度学习重建方法进行改进,直接将欠采样的k空间数据作为输入,通过神经网络预测出全k空间数据,旨在为快速磁共振重建找到另一种解决方案。
发明内容
本发明提供了一种基于深度学习的快速磁共振图像重建方法,以找到另一种重建磁共振图像的思路。
为了实现上述目的,本发明包括以下步骤:
步骤(1)对k空间数据进行处理:先对训练集中的k空间数据进行掩膜处理,掩膜掉的地方采用零填充,接着进行剪裁和标准化;
步骤(2)训练神经网络:将处理好的k空间数据作为U-net网络的输入,将未处理的全采样k空间作为GT训练神经网络;
步骤(3)检测神经网络:将验证集的全采样k空间数据通过预处理输入U-net神经网络,检测神经网络的泛化能力的和过拟合情况;
步骤(4)测试结果:将测试集的欠采样k空间数据输入上述模型进行预测,得到全采样的k空间数据;
步骤(5)转化成图像:将k空间数据通过IFFT转换成图像数据。
在步骤(1)中k空间数据是一个[number of slices,h,w]包含若干切片的三维数据,我们需要对单个切片数据分别进行处理,随机生成一个与k空间数据有相同的h,w的欠采样掩码,在掩膜掉的k空间数据处用零填充,其余地方保持原始数据不变。
在步骤(1)中标准化指的是(数据-均值)/标准差,注意到k空间数据是复数,我们需要将实部和虚部分开标准化。
在步骤(2)中U-net网络是一种图形分割网络,先通过卷积核大小为3×3进行两次卷积,接着用ReLU函数进行修正,最后用max-pooling进行特征提取,这样循环四次之后,再通过上采样恢复到原始分辨率,为了得到更精确的输出,还将下采样的高分辨率特征与上采样相结合;将处理过后的k空间数据作为神经网络的输入,全采样的k空间数据作为GT,最小化损失函数训练神经网络。
在步骤(2)中处理过后的k空间数据维度是[batchsize,2,h,w],2是指k空间数据的实部和虚部,全采样的k空间数据作为GT,最小化损失函数训练神经网络。
在步骤(3)中验证集可以找到最优的模型并且检测神经网络的泛化能力。
在步骤(4)测试集本身就是欠采样的k空间数据,只需对其进行剪裁和标准化即可输入U-net神经网络,注意输入之前需要进行维度变换以匹配神经网络输入数据的维度,最后得到全采样的k空间数据。
在步骤(5)将k空间数据通过IFFT转换为图像域,再通过根和平方函数将各个切片结合,最后可视化出来。
附图说明
图1为数据训练和重建过程
图2为待重建的欠采样磁共振图像
图3为基于深度学习的重建图像
具体实施方式
如图1所示对本发明做进一步说明,所描述的具体实施方式用来解释本发明但不仅限于本发明。
一种基于深度学习的快速磁共振图像重建方法,具体实施步骤:
步骤(1)对k空间数据进行处理:先对训练集中的k空间数据进行掩膜处理,掩膜掉的地方采用零填充,接着进行剪裁和标准化;
步骤(2)训练神经网络:将处理好的k空间数据作为U-net网络的输入,将未处理的全采样k空间作为GT训练神经网络;
步骤(3)检测神经网络:将验证集的全采样k空间数据通过预处理输入U-net神经网络,检测神经网络的泛化能力的和过拟合情况;
步骤(4)测试结果:将测试集的欠采样k空间数据输入上述模型进行预测,得到全采样的k空间数据;
步骤(5)转化成图像:将k空间数据通过IFFT转换成图像数据。
在步骤(1)中k空间数据是一个[number of slices,h,w]包含若干切片的三维数据,我们需要对单个切片数据分别进行处理,随机生成一个与k空间数据有相同的h,w的欠采样掩码,在掩膜掉的k空间数据处用零填充,其余地方保持原始数据不变。
在步骤(1)中标准化指的是(数据-均值)/标准差,注意到k空间数据是复数,我们需要将实部和虚部分开标准化。
在步骤(2)中U-net网络是一种图形分割网络,先通过卷积核大小为3×3进行两次卷积,接着用ReLU函数进行修正,最后用max-pooling进行特征提取,这样循环四次之后,再通过上采样恢复到原始分辨率,为了得到更精确的输出,还将下采样的高分辨率特征与上采样相结合;将处理过后的k空间数据作为神经网络的输入,全采样的k空间数据作为GT,最小化损失函数训练神经网络。
在步骤(2)中处理过后的k空间数据维度是[batchsize,2,h,w],2是指k空间数据的实部和虚部,全采样的k空间数据作为GT,最小化损失函数训练神经网络。
在步骤(3)中验证集可以找到最优的模型并且检测神经网络的泛化能力。
在步骤(4)测试集本身就是欠采样的k空间数据,只需对其进行剪裁和标准化即可输入U-net神经网络,注意输入之前需要进行维度变换以匹配神经网络输入数据的维度,最后得到全采样的k空间数据。
在步骤(5)将k空间数据通过IFFT转换为图像域,再通过根和平方函数将各个切片结合,最后可视化出来。
以上具体实施方式只是用来帮助理解本发明的核心思想,对于本领域的技术人员可结合本说明书的思想对其进行延伸。
Claims (8)
1.一种基于深度学习的快速磁共振图像重建方法,其特征在于,包括以下步骤:
步骤1)对k空间数据进行处理:先对训练集中的k空间数据进行掩膜处理,掩膜掉的地方采用零填充,接着进行剪裁和标准化;
步骤2)训练神经网络:将处理好的k空间数据作为U-net网络的输入,将未处理的全采样k空间作为GT训练神经网络;
步骤3)检测神经网络:将验证集的全采样k空间数据通过预处理输入U-net神经网络,检测神经网络的泛化能力的和过拟合情况;
步骤4)测试结果:将测试集的欠采样k空间数据输入上述模型进行预测,得到全采样的k空间数据;
步骤5)转化成图像:将k空间数据通过IFFT转换成图像数据。
2.根据权利要求1所述的一种基于深度学习的快速磁共振图像重建方法,其特征是,在步骤1)中k空间数据是一个[number of slices,h,w]包含若干切片的三维数据,我们需要对单个切片数据分别进行处理,随机生成一个与k空间数据有相同的h,w的欠采样掩码,在掩膜掉的k空间数据处用零填充,其余地方保持原始数据不变。
3.根据权利要求1所述的一种基于深度学习的快速磁共振图像重建方法,其特征是,在步骤1)中标准化指的是(数据-均值)/标准差,注意到k空间数据是复数,我们需要将实部和虚部分开标准化。
4.根据权利要求1所述的一种基于深度学习的快速磁共振图像重建方法,其特征是,在步骤2)中U-net网络是一种图形分割网络,先通过卷积核大小为3×3进行两次卷积,接着用ReLU函数进行修正,最后用max-pooling进行特征提取,这样循环四次之后,再通过上采样恢复到原始分辨率,为了得到更精确的输出,还将下采样的高分辨率特征与上采样相结合;将处理过后的k空间数据作为神经网络的输入,全采样的k空间数据作为GT,最小化损失函数训练神经网络。
5.根据权利要求1所述的一种基于深度学习的快速磁共振图像重建方法,其特征是,在步骤2)中处理过后的k空间数据维度是[batchsize,2,h,w],2是指k空间数据的实部和虚部,全采样的k空间数据作为GT,最小化损失函数训练神经网络。
6.根据权利要求1所述的一种基于深度学习的快速磁共振图像重建方法,其特征是,在步骤3)中验证集可以找到最优的模型并且检测神经网络的泛化能力。
7.根据权利要求1所述的一种基于深度学习的快速磁共振图像重建方法,其特征是,在步骤4)测试集本身就是欠采样的k空间数据,只需对其进行剪裁和标准化即可输入U-net神经网络,注意输入之前需要进行维度变换以匹配神经网络输入数据的维度,最后得到全采样的k空间数据。
8.根据权利要求1所述的一种基于深度学习的快速磁共振图像重建方法,其特征是,在步骤5)将k空间数据通过IFFT转换为图像域,再通过根和平方函数将各个切片结合,最后可视化出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255471.6A CN110916664A (zh) | 2019-12-10 | 2019-12-10 | 一种基于深度学习的快速磁共振图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255471.6A CN110916664A (zh) | 2019-12-10 | 2019-12-10 | 一种基于深度学习的快速磁共振图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110916664A true CN110916664A (zh) | 2020-03-27 |
Family
ID=69858580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911255471.6A Pending CN110916664A (zh) | 2019-12-10 | 2019-12-10 | 一种基于深度学习的快速磁共振图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110916664A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812569A (zh) * | 2020-07-23 | 2020-10-23 | 广州互云医院管理有限公司 | 一种基于深度学习的k空间欠采样轨迹的方法 |
CN112434749A (zh) * | 2020-12-02 | 2021-03-02 | 电子科技大学中山学院 | 一种基于U-Net的多模光纤散斑图重建与识别方法 |
CN112489150A (zh) * | 2020-10-19 | 2021-03-12 | 浙江工业大学 | 面向快速mri的深度神经网络的多尺度序贯训练方法 |
CN112634385A (zh) * | 2020-10-15 | 2021-04-09 | 浙江工业大学 | 一种基于深度拉普拉斯网络的快速磁共振成像方法 |
CN112684393A (zh) * | 2020-12-28 | 2021-04-20 | 电子科技大学 | 一种增强磁共振谱仪动态范围的方法 |
CN112748382A (zh) * | 2020-12-15 | 2021-05-04 | 杭州电子科技大学 | 基于CUNet伪影定位的SPEED磁共振成像方法 |
CN112802024A (zh) * | 2021-01-11 | 2021-05-14 | 深圳高性能医疗器械国家研究院有限公司 | 一种磁共振血管壁图像分割方法 |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
CN113506258A (zh) * | 2021-07-02 | 2021-10-15 | 中国科学院精密测量科学与技术创新研究院 | 多任务复值深度学习的欠采样肺部气体mri重建方法 |
CN113538612A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 一种基于变分低秩分解的k空间加速磁共振图像重建方法 |
CN113933773A (zh) * | 2021-09-30 | 2022-01-14 | 深圳先进技术研究院 | 基于深度学习的磁共振成像方法、系统、终端及存储介质 |
CN114114116A (zh) * | 2022-01-27 | 2022-03-01 | 南昌大学 | 磁共振成像生成方法、系统、存储介质及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3382417A2 (en) * | 2017-03-28 | 2018-10-03 | Siemens Healthcare GmbH | Magnetic resonance image reconstruction system and method |
CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 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 |
CN109993809A (zh) * | 2019-03-18 | 2019-07-09 | 杭州电子科技大学 | 基于残差U-net卷积神经网络的快速磁共振成像方法 |
US20190223725A1 (en) * | 2018-01-25 | 2019-07-25 | Siemens Healthcare Gmbh | Machine Learning-based Segmentation for Cardiac Medical Imaging |
-
2019
- 2019-12-10 CN CN201911255471.6A patent/CN110916664A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3382417A2 (en) * | 2017-03-28 | 2018-10-03 | Siemens Healthcare GmbH | Magnetic resonance image reconstruction system and method |
US20190223725A1 (en) * | 2018-01-25 | 2019-07-25 | Siemens Healthcare Gmbh | Machine Learning-based Segmentation for Cardiac Medical Imaging |
CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 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 |
CN109993809A (zh) * | 2019-03-18 | 2019-07-09 | 杭州电子科技大学 | 基于残差U-net卷积神经网络的快速磁共振成像方法 |
Non-Patent Citations (1)
Title |
---|
朱庆棠,全大萍,顾立强: "《周围神经缺损修复材料的生物制造与临床评估》", 30 September 2018 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812569A (zh) * | 2020-07-23 | 2020-10-23 | 广州互云医院管理有限公司 | 一种基于深度学习的k空间欠采样轨迹的方法 |
CN112634385A (zh) * | 2020-10-15 | 2021-04-09 | 浙江工业大学 | 一种基于深度拉普拉斯网络的快速磁共振成像方法 |
CN112634385B (zh) * | 2020-10-15 | 2024-05-10 | 浙江工业大学 | 一种基于深度拉普拉斯网络的快速磁共振成像方法 |
CN112489150A (zh) * | 2020-10-19 | 2021-03-12 | 浙江工业大学 | 面向快速mri的深度神经网络的多尺度序贯训练方法 |
CN112489150B (zh) * | 2020-10-19 | 2024-05-10 | 浙江工业大学 | 面向快速mri的深度神经网络的多尺度序贯训练方法 |
CN112434749A (zh) * | 2020-12-02 | 2021-03-02 | 电子科技大学中山学院 | 一种基于U-Net的多模光纤散斑图重建与识别方法 |
CN112748382A (zh) * | 2020-12-15 | 2021-05-04 | 杭州电子科技大学 | 基于CUNet伪影定位的SPEED磁共振成像方法 |
CN112684393A (zh) * | 2020-12-28 | 2021-04-20 | 电子科技大学 | 一种增强磁共振谱仪动态范围的方法 |
CN112802024A (zh) * | 2021-01-11 | 2021-05-14 | 深圳高性能医疗器械国家研究院有限公司 | 一种磁共振血管壁图像分割方法 |
CN112802024B (zh) * | 2021-01-11 | 2024-02-06 | 国创育成医疗器械发展(深圳)有限公司 | 一种磁共振血管壁图像分割方法 |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
CN113538612B (zh) * | 2021-06-21 | 2022-06-17 | 复旦大学 | 一种基于变分低秩分解的k空间加速磁共振图像重建方法 |
CN113538612A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 一种基于变分低秩分解的k空间加速磁共振图像重建方法 |
CN113506258A (zh) * | 2021-07-02 | 2021-10-15 | 中国科学院精密测量科学与技术创新研究院 | 多任务复值深度学习的欠采样肺部气体mri重建方法 |
CN113933773A (zh) * | 2021-09-30 | 2022-01-14 | 深圳先进技术研究院 | 基于深度学习的磁共振成像方法、系统、终端及存储介质 |
CN114114116A (zh) * | 2022-01-27 | 2022-03-01 | 南昌大学 | 磁共振成像生成方法、系统、存储介质及计算机设备 |
CN114114116B (zh) * | 2022-01-27 | 2022-08-23 | 南昌大学 | 磁共振成像生成方法、系统、存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110916664A (zh) | 一种基于深度学习的快速磁共振图像重建方法 | |
Ghodrati et al. | MR image reconstruction using deep learning: evaluation of network structure and loss functions | |
Eun et al. | Deep-learning-based image quality enhancement of compressed sensing magnetic resonance imaging of vessel wall: comparison of self-supervised and unsupervised approaches | |
CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
CN108010094B (zh) | 一种磁共振图像重建方法和装置 | |
Furuyama et al. | Application of compressed sensing to multidimensional spectroscopic imaging in human prostate | |
Fang et al. | Submillimeter MR fingerprinting using deep learning–based tissue quantification | |
CN109597012B (zh) | 一种基于残差网络的单扫描时空编码成像重建方法 | |
CN113628296B (zh) | 一种从时频域信号到二维图像的磁粒子成像重建方法 | |
CN109727197B (zh) | 一种医学图像超分辨率重建方法 | |
Shen et al. | Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN) | |
Cho et al. | Robust water–fat separation for multi‐echo gradient‐recalled echo sequence using convolutional neural network | |
CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
Li et al. | Deep learning–enhanced T1 mapping with spatial‐temporal and physical constraint | |
Chato et al. | Wavelet transform to improve accuracy of a prediction model for overall survival time of brain tumor patients based on MRI images | |
CN115375785A (zh) | 一种基于人工神经网络的磁共振图像重建方法及设备 | |
Ouchi et al. | Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain | |
Gao et al. | A multiparametric fusion deep learning model based on DCE‐MRI for preoperative prediction of microvascular invasion in intrahepatic Cholangiocarcinoma | |
Valverde et al. | Assessing the accuracy and reproducibility of PARIETAL: a deep learning brain extraction algorithm | |
Geng et al. | Automated MR image prescription of the liver using deep learning: Development, evaluation, and prospective implementation | |
HashemizadehKolowri et al. | Jointly estimating parametric maps of multiple diffusion models from undersampled q‐space data: a comparison of three deep learning approaches | |
Lee et al. | Registration and quantification network (RQnet) for IVIM‐DKI analysis in MRI | |
Koch et al. | SHORE‐based detection and imputation of dropout in diffusion MRI | |
Li et al. | Learning ADC maps from accelerated radial k‐space diffusion‐weighted MRI in mice using a deep CNN‐transformer model | |
Lim et al. | Automatic artifact detection algorithm in fetal 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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200327 |
|
WD01 | Invention patent application deemed withdrawn after publication |