CN110940943A - 搏动伪影校正模型的训练方法和搏动伪影校正方法 - Google Patents

Abstract

本申请涉及一种搏动伪影校正模型的训练方法、装置、设备和计算机可读存储介质，以及搏动伪影校正方法。其中，搏动伪影校正模型的训练方法包括：获取第一磁共振图像；在第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；将多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；将多个第一K空间中与其时序对应的采集线填充到第二K空间；根据第二K空间，重建得到第三磁共振图像；根据第一磁共振图像和第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。通过本发明，解决了相关技术中的运动伪影模拟方法无法得到能够用于训练搏动伪影校正模型的训练数据的问题。

Description

搏动伪影校正模型的训练方法和搏动伪影校正方法

技术领域

本申请涉及磁共振成像领域，特别是涉及一种搏动伪影校正模型的训练方法、装置、设备、计算机可读存储介质，以及搏动伪影校正方法。

背景技术

磁共振成像(Magnetic Resonance Imaging，简称为MRI)是利用磁共振现象进行成像的一种技术，磁共振成像在如今的医学诊断和临床试验中有着重要的地位。磁共振成像的基本工作原理是利用磁共振现象，采用射频激励激发人体中的氢质子，运用梯度磁场进行位置编码，随后采用接收线圈接收带位置信息的电磁信号，最终利用傅里叶变换重建出图像信息。

磁共振图像的重建通常借助K空间，先将磁共振原始数据采集填充到K空间中，然后采用多维傅里叶对填充了数据的K空间进行变换得到重建图像。然而由于MRI大部分成像方法采集磁共振原始数据需要较长的时间，即使采用了K空间降采样等方法，重建得到一幅磁共振图像也仍然需要较长的时间。例如，一幅自旋回波图像所花的时间在15至30秒之间，并且K空间降采样也会降低图像的质量，丢失图像的细节。尤其是，较慢的成像速度使得MRI在动态成像中图像时间分辨率大大受到限制，同时会在图像中产生严重的伪影，降低图像质量，从而影响临床诊断，这就严重限制了MRI在心脏、冠状动脉等运动器官和神经功能影像等领域中的应用。

为了实现高分辨率动态磁共振成像，研究者们提出了大量的方法，这些方法主要包括传统的：快速扫描方法、并行成像方法或者基于模型的成像方法等。随着机器学习的发展，研究者们又提出了通过机器学习中的深度学习方法来降低或者消除伪影的方法。在机器学习中，模型越复杂、越具有强表达能力，越容易牺牲对未来数据的解释能力，而专注于解释训练数据。这种现象会导致训练数据效果非常好，但遇到测试数据效果会大打折扣，这一现象叫过拟合(overfitting)。

深层神经网络因为其结构而具有相较于传统机器学习模型更强的表达能力，从而也就需要更多的训练数据来避免过拟合的发生，以保证训练的模型在新的数据上也能有可以接受的表现。因此，使用深度学习方法来降低或者消除伪影需要大量的训练数据，通过传统的方式生成所需要的磁共振图像或者搜集所需要的磁共振图像作为训练数据是一项非常消耗时间和成本的工作。如何基于扫描得到的相对少量的磁共振图像得到大量的可用于训练深度学习模型的训练数据是目前亟待解决的问题。

针对上述问题，相关技术中提出了一种模拟运动物体的运动伪影的方法，该方法通过对没有运动的图像经过二维的傅里叶变换，在每个角度的傅里叶空间上增加相位偏移，然后在这个基础上再进行反傅里叶变化得到带有运动伪影的图像。通俗来说，上述相关技术是通过随机相位平移的方法来快速模拟运动伪影，产生包含运动伪影的图像。但是，该方法一个显而易见的缺陷在于，以血管搏动产生的搏动伪影为例，搏动伪影具有一定的运动规律，相关技术采用的随机相位平移的方法并不能够真实还原搏动伪影，因而无法得到能够用于训练搏动伪影校正模型的训练数据，或者基于相关技术得到的训练数据对搏动伪影校正模型的训练效果欠佳。

发明内容

基于此，有必要针对相关技术中的运动伪影模拟方法无法得到能够用于训练搏动伪影校正模型的训练数据的问题，提供一种搏动伪影校正模型的训练方法、装置、设备和计算机可读存储介质，以及搏动伪影校正方法。

第一方面，本申请实施例提供了一种搏动伪影校正模型的训练方法，包括：获取第一磁共振图像；在所述第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；将所述多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；将所述多个第一K空间中与其时序对应的采集线填充到第二K空间；根据所述第二K空间，重建得到第三磁共振图像；根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。

在其中一些实施例中，在所述第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像包括：从所述第一磁共振图像中分离出管腔图像；在所述管腔图像上模拟动脉搏动，生成具有时序的多个管腔模拟图像；将所述多个管腔模拟图像分别与所述第一磁共振图像叠加，得到具有时序的多个第二磁共振图像。

在其中一些实施例中，从所述第一磁共振图像中分离出管腔图像包括：从所述第一磁共振图像中提取亮度大于预设值的影像，得到所述管腔图像。

在其中一些实施例中，在所述管腔图像上模拟动脉搏动，生成具有时序的多个管腔模拟图像包括：将所述管腔图像的亮度值与具有时序的ECG信号的幅值相乘，生成具有时序且亮度值随ECG信号变化的所述多个管腔模拟图像。

在其中一些实施例中，根据所述第二K空间，重建得到第三磁共振图像包括：使用预设长度的回波链，和/或按照预设时长的回波间隔从所述第二K空间中采集K空间数据，并根据采集到的K空间数据重建得到所述第三磁共振图像，以使得所述第三磁共振图像出现空间模糊效应。

在其中一些实施例中，根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型包括：将所述第三磁共振图像作为输入对象，以所述第一磁共振图像作为监督，对机器学习模型进行训练，得到所述搏动伪影校正模型。

在其中一些实施例中，根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型包括：将所述第三磁共振图像和第一磁共振图像作差，得到差异图像；将所述第三磁共振图像作为输入对象，以所述差异图像作为监督，对机器学习模型进行训练，得到所述搏动伪影校正模型。

第二方面，本申请实施例提供了一种搏动伪影校正方法，包括：实时采集第四磁共振图像；将所述第四磁共振图像输入到第一方面所述的搏动伪影校正模型中；获取所述搏动伪影校正模型输出的预测磁共振图像，所述预测磁共振图像即为对所述第四磁共振图像校正搏动伪影后的磁共振图像。

第三方面，本申请实施例提供了一种搏动伪影校正方法，包括：实时采集第四磁共振图像；将所述第四磁共振图像输入到第一方面所述的搏动伪影校正模型中；获取所述搏动伪影校正模型输出的预测差异图像；将所述第四磁共振图像和所述预测差异图像作差，得到预测磁共振图像，所述预测磁共振图像即为对所述第四磁共振图像校正搏动伪影后的磁共振图像。

第四方面，本申请实施例提供了一种搏动伪影校正模型的训练装置，包括：获取模块，用于获取第一磁共振图像；生成模块，用于在所述第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；变换模块，用于将所述多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；填充模块，用于将所述多个第一K空间中与其时序对应的采集线填充到第二K空间；重建模块，用于根据所述第二K空间，重建得到第三磁共振图像；训练模块，用于根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。

第五方面，本申请实施例提供了一种搏动伪影校正模型的训练设备，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。

第六方面，本申请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。

与现有技术相比，通过本申请实施例提供的搏动伪影校正模型的训练方法、装置、设备和计算机可读存储介质，以及搏动伪影校正方法，采用获取第一磁共振图像；在第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；将多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；将多个第一K空间中与其时序对应的采集线填充到第二K空间；根据第二K空间，重建得到第三磁共振图像；根据第一磁共振图像和第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型的方式，解决了相关技术中的运动伪影模拟方法无法得到能够用于训练搏动伪影校正模型的训练数据的问题，实现了搏动伪影校正模型的训练数据的快速获取，也降低了搏动伪影校正模型的训练成本。

附图说明

图1是根据本申请实施例的磁共振系统的结构示意图；

图2是根据本申请实施例的搏动伪影校正模型的训练方法的流程图；

图3是根据本申请实施例的搏动伪影校正方法的流程图；

图4是根据本申请实施例的采用方式1训练搏动伪影校正模型时训练数据生成过程的示意图；

图5是根据本申请实施例的采用方式1训练得到的搏动伪影校正模型进行搏动伪影校正的示意图；

图6是根据本申请实施例的搏动伪影校正方法的流程图；

图7是根据本申请实施例的采用方式2训练搏动伪影校正模型时训练数据生成过程的示意图；

图8是根据本申请实施例的采用方式2训练得到的搏动伪影校正模型进行搏动伪影校正的示意图；

图9是根据本申请实施例的采用方式1结合空间模糊效应训练搏动伪影校正模型时训练数据生成过程的示意图；

图10是根据本申请实施例的采用方式1结合空间模糊效应训练得到的搏动伪影校正模型进行搏动伪影校正的示意图；

图11是根据本申请实施例的采用方式2结合空间模糊效应训练搏动伪影校正模型时训练数据生成过程的示意图；

图12是根据本申请实施例的采用方式2结合空间模糊效应训练得到的搏动伪影校正模型进行搏动伪影校正的示意图；

图13是根据本申请实施例的搏动伪影校正模型的训练装置的结构框图；

图14是根据本申请实施例的搏动伪影校正模型的训练设备的硬件结构示意图。

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。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。

“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。

本申请所涉及的系统不仅可用于非侵入成像，如疾病的诊断和研究，还可用于工业领域等，其所涉及的处理系统可以包括磁共振系统(MR系统)、正电子发射计算机断层显像-磁共振多模态混合系统(PET-MR系统)等。本申请所涉及的方法、装置、设备或者计算机可读存储介质既可以与上述的处理系统集成在一起，也可以是相对独立的。在一些实施例中，还可以不直接从磁共振成像系统获取磁共振图像，而是从磁共振图像数据库中获取磁共振图像，以实现本申请涉及的方法、装置、设备或者计算机可读存储介质。

下面将以磁共振系统为例对本申请实施例进行说明。

本申请实施例提供了一种磁共振系统。图1是根据本申请实施例的磁共振系统的结构示意图，如图1所示，该磁共振系统包括：扫描仪和计算机，其中计算机包括存储器125、处理器122及存储在存储器125上并可在处理器122上运行的计算机程序。

扫描仪具有成像视野的孔腔，其通常包括磁共振机架，机架内有主磁体101，主磁体101可以是由超导线圈构成，用来产生主磁场，在一些情况下也可以采用永磁体。主磁体101可以用来产生0.2特斯拉、0.5特斯拉、1.0特斯拉、1.5特斯拉、3.0特斯拉或者更高的主磁场强度。在磁共振成像时，成像对象150会由患者床106进行承载，随着床板的移动，将成像对象150移入主磁场磁场分布较为均匀的区域105内。通常对于磁共振系统，如图1所示，空间坐标系(即设备的坐标系)的z方向设置为与磁共振系统机架的轴向相同，通常将患者的身长方向与z方向保持一致进行成像，磁共振系统的水平平面设置为xz平面，x方向与z方向垂直，y方向与x和z方向均垂直。

在磁共振成像中，脉冲控制单元111控制射频脉冲产生单元116产生射频脉冲，射频脉冲由放大器放大后，经过开关控制单元117，最终由体线圈103或者局部线圈104发出，对成像对象150进行射频激发。成像对象150根据射频激发，会由共振产生相应的射频信号。在接收成像对象150根据激发产生的射频信号时，可以是由体线圈103或者局部线圈104进行接收，射频接收链路可以有很多条，射频信号发送到射频接收单元118后，进一步发送到图像重建单元121进行图像重建，形成磁共振图像。

磁共振扫描仪还包括梯度线圈102，梯度线圈可以用来在磁共振成像时对射频信号进行空间编码。脉冲控制单元111控制梯度信号产生单元112产生梯度信号，梯度信号通常会分为三个相互正交方向的信号：x方向、y方向和z方向，不同方向的梯度信号经过梯度放大器(113、114、115)放大后，由梯度线圈102发出，在区域105内产生梯度磁场。

脉冲控制单元111、图像重建单元121与处理器122、显示单元123、输入/输出设备124、存储器125、通信端口126之间可以通过通信总线127进行数据传输，从而实现对磁共振成像过程的控制。

其中，处理器122可以由一个或多个处理器组成，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申请实施例的一个或多个集成电路。

其中，显示单元123可以是提供给用户用来显示图像的显示器。

其中，输入/输出设备124可以是键盘、鼠标、控制盒等相关设备，支持输入/输出相应数据流。

其中，存储器125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125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125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125可在数据处理装置的内部或外部。在特定实施例中，存储器125是非易失性固态存储器。在特定实施例中，存储器125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。存储器125可以用来存储需要处理和/或通信使用的各种数据文件，以及处理器122所执行的可能的程序指令。当处理器122执行存储器125中的存储的指定程序时，该处理器122可执行被本申请提出的搏动伪影校正模型的训练方法，和/或搏动伪影校正方法。

其中，通信端口126可以实现与其他部件例如：外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。

其中，通信总线127包括硬件、软件或两者，将搏动伪影校正模型的训练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，通信总线127可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

在一些实施例中，处理器122被配置为获取第一磁共振图像；在第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；将多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；将多个第一K空间中与其时序对应的采集线填充到第二K空间；根据第二K空间，重建得到第三磁共振图像；根据第一磁共振图像和第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。

在一些实施例中，处理器122被配置为从磁共振图像中分离出管腔图像；在管腔图像上模拟动脉搏动，生成具有时序的多个管腔模拟图像；将多个管腔模拟图像分别与磁共振图像叠加，得到具有时序的多个第二磁共振图像。

在一些实施例中，处理器122被配置为从第一磁共振图像中提取亮度大于预设值的影像，得到管腔图像。

在一些实施例中，处理器122被配置为将管腔图像的亮度值与具有时序的ECG信号的幅值相乘，生成具有时序且亮度值随ECG信号变化的多个管腔模拟图像。

在一些实施例中，处理器122被配置为使用预设长度的回波链，和/或按照预设时长的回波间隔从第二K空间中采集K空间数据，并根据采集到的K空间数据重建得到第三磁共振图像，以使得第三磁共振图像出现空间模糊效应。

在一些实施例中，处理器122被配置为将第三磁共振图像作为输入对象，以第一磁共振图像作为监督，对机器学习模型进行训练，得到搏动伪影校正模型。

在一些实施例中，处理器122被配置为将第三磁共振图像和第一磁共振图像作差，得到差异图像；将第三磁共振图像作为输入对象，以差异图像作为监督，对机器学习模型进行训练，得到搏动伪影校正模型。

在另一些实施例中，处理器122还被配置为实时采集第四磁共振图像；将第四磁共振图像输入到搏动伪影校正模型中；获取搏动伪影校正模型输出的预测磁共振图像，预测磁共振图像即为对第四磁共振图像校正搏动伪影后的磁共振图像。

在另一些实施例中，处理器122还被配置为实时采集第四磁共振图像；将第四磁共振图像输入到搏动伪影校正模型中；获取搏动伪影校正模型输出的预测差异图像；将第四磁共振图像和预测差异图像作差，得到预测磁共振图像，预测磁共振图像即为对第四磁共振图像校正搏动伪影后的磁共振图像。

在本实施例中还提供了一种搏动伪影校正模型的训练方法，图2是根据本申请实施例的搏动伪影校正模型的训练方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，获取第一磁共振图像。

在本实施例中获取到的第一磁共振图像可以是从磁共振系统实时获取的磁共振图像，也可以是从磁共振图像数据库中获取的磁共振图像。优选地，第一磁共振图像为没有伪影或者伪影不明显的磁共振图像。

步骤S202，在第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像。

在本实施例中通过在第一磁共振图像上模拟动脉搏动而生成与动脉搏动的各个时刻对应的、具有时序的多个第二磁共振图像。这些第二磁共振图像相当于在具有搏动伪影的情形下的各个时刻的磁共振图像“快照”。

步骤S203，将多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；将多个第一K空间中与其时序对应的采集线填充到第二K空间。

在步骤S202中得到具有搏动伪影的情形下的各个时刻的磁共振图像“快照”，这些磁共振图像仍不能直接作为训练数据，这是由于在磁共振图像的采集过程中，在每个采集磁共振信号的时刻对应的磁共振图像“快照”都是不同的，最终采集到K空间的数据相当于在多个第二磁共振图像中按照时序依次取了一部分数据填充到K空间中。在步骤S203中，将多个第二磁共振图像变换到频域空间后得到具有时序的多个第一K空间，然后将这些多个第一K空间中与其时序对应的采集线填充到第二K空间中，从而实现了对搏动伪影生成的过程的模拟。

步骤S204，根据第二K空间，重建得到第三磁共振图像。

在步骤S203中实现了对磁共振信号采集的模拟，最终得到的第二K空间已经非常接近于在具有搏动伪影的情形下采集的K空间，因此根据该第二K空间重建得到的第三磁共振图像能够作为用于训练搏动伪影校正模型的训练数据，实现了搏动伪影校正模型的训练数据的快速获取。

步骤S205，根据第一磁共振图像和第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。

采用步骤S201～步骤S204的方法，能够基于相同的磁共振图像，或者不同的磁共振图像快速得到大量的第三磁共振图像，从而运用于搏动伪影校正模型的训练。在本实施例中的机器学习模型采用的算法优选为生成式对抗网络(Generative AdversarialNetworks，简称为GAN)算法或者卷积神经网络(Convolutional Neural Networks，CNN)算法，采用的学习方式优选为监督学习的方式，即将第一磁共振图像作为监督学习的金标准，将第三磁共振图像作为训练数据和/或测试数据。需要说明的是，虽然在本申请中采用深度学习算法是更优的方式，但是在一些情况下仍可以采用传统的浅层学习的机器学习算法，例如支持向量机算法，甚至在某一些情况下采用浅层学习的机器学习算法还能够取得更好的分类效果。

需要说明的是，在上述实施例的步骤S202中，在单位时间内生成的第二磁共振图像越多，即采样频率越高，最终得到的第三磁共振图像越接近与真实生成的具有搏动伪影的磁共振图像。如果生成的第二磁共振图像的频率与磁共振系统中磁共振信号的采样频率相同，则得到的第三磁共振图像可以认为就是真实生成的具有搏动伪影的磁共振图像。然而，采样频率越高意味着生成的第二磁共振图像越多，则消耗的计算机处理资源也就越多。因此，需要在第二磁共振图像的采样频率和计算机处理资源的消耗量之间寻找一个平衡点。在本实施例中，优选的第二磁共振图像的采样频率为10Hz至100Hz之间。例如，对于一个扫描时间为10秒的扫描过程，采用第二磁共振图像的采样频率为10Hz，则一共将采集到100个第二磁共振图像，在每个磁共振图像对应的经过傅里叶变换得到的第一K空间中将会采集100ms的数据填充到第二K空间中，即第一个第一K空间中采集前100ms填充到K空间中的数据，并填充到第二K空间的前100ms的位置处；第二个第一K空间中采集第100ms至第200ms填充到K空间中的数据，并填充到第二K空间的第100ms至第200ms位置处；……以此类推，最后得到填充了10s数据的第二K空间。

在步骤S202中，在第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像可以采用下列的方式：从第一磁共振图像中分离出管腔图像；在管腔图像上模拟动脉搏动，生成具有时序的多个管腔模拟图像；将多个管腔模拟图像分别与第一磁共振图像叠加，得到具有时序的多个第二磁共振图像。

在上述实施例中，由于在磁共振图像中，主要受到搏动影响的管腔的亮度通常大于其他组织器官的亮度，因此，可以根据图像亮度，以及还可以结合形态特征从第一磁共振图像中分离出管腔图像。例如，从第一磁共振图像中提取亮度大于预设值的影像，得到管腔图像。

又由于管腔中血液的搏动表现在磁共振图像中为管腔图像的亮度变化，具体而言是在血液流速快时管腔图像的亮度提高，在血液流速慢时管腔图像的亮度降低。根据这一现象，在本实施例中，可以将管腔图像的亮度值与具有时序的ECG信号的幅值相乘，生成具有时序且亮度值随ECG信号变化的多个管腔模拟图像。最后将多个管腔模拟图像分别与第一磁共振图像叠加，即得到具有时序的多个第二磁共振图像。

在本实施例中，对机器学习模型的监督学习方式又分为几种方式，例如：

方式1：将第三磁共振图像作为输入对象，以第一磁共振图像作为监督，对机器学习模型进行训练，得到搏动伪影校正模型。

方式2：将第三磁共振图像和第一磁共振图像作差，得到差异图像；将第三磁共振图像作为输入对象，以差异图像作为监督，对机器学习模型进行训练，得到搏动伪影校正模型。

方式1训练得到的搏动伪影校正模型在训练完备后，能够直接将带有搏动伪影和/或空间模糊效应的磁共振图像中的搏动伪影和/或空间模糊效应降低或者消除。方式2训练得到的搏动伪影校正模型在训练完备后，得到的是差异图像，也就是带有搏动伪影和/或空间模糊效应的磁共振图像中需要去除的部分，因此，将带有搏动伪影和/或空间模糊效应的原始磁共振图像减去搏动伪影校正模型输出的差异图像，也能够实现搏动伪影和/或空间模糊效应降低或者消除。

在本实施例中还提供了一种搏动伪影校正方法，图3是根据本申请实施例的搏动伪影校正方法的流程图，如图3所示，该流程包括如下步骤：

步骤S301，实时采集第四磁共振图像。

步骤S302，将第四磁共振图像输入到以方式1训练得到的搏动伪影校正模型中。

步骤S303，获取搏动伪影校正模型输出的预测磁共振图像，预测磁共振图像即为对第四磁共振图像校正搏动伪影后的磁共振图像。

图4是根据本申请实施例的采用方式1训练搏动伪影校正模型时训练数据生成过程的示意图，图5是根据本申请实施例的采用方式1训练得到的搏动伪影校正模型进行搏动伪影校正的示意图。

在本实施例中还提供了一种搏动伪影校正方法，图6是根据本申请实施例的搏动伪影校正方法的流程图，如图6所示，该流程包括如下步骤：

步骤S601，实时采集第四磁共振图像。

步骤S602，将第四磁共振图像输入到以方式2训练得到的搏动伪影校正模型中。

步骤S603，获取搏动伪影校正模型输出的预测差异图像。

步骤S604，将第四磁共振图像和预测差异图像作差，得到预测磁共振图像，预测磁共振图像即为对第四磁共振图像校正搏动伪影后的磁共振图像。

图7是根据本申请实施例的采用方式2训练搏动伪影校正模型时训练数据生成过程的示意图，图8是根据本申请实施例的采用方式2训练得到的搏动伪影校正模型进行搏动伪影校正的示意图。参考图7和图8，在本实施例中，首先，将磁共振图像中的血管内的信号模拟成时间变化的信号，并将对应的傅里叶变换到的频域空间(k空间，k-space)的相应采集线定义为新图像采集到的k-space线。然后按照真实采集的顺序，从第一条线重复至k-space的最后一条线，得到新的k-space，傅里叶变回到图像域，得到含有搏动伪影的图像，原图像设为金标准。将上述此过程应用到类似图像中，生成机器学习模型所需要的训练集。通过机器学习，从有搏动伪影的图中学习有搏动伪影的图与金标准之间的差异，得到有伪影图到金标准之间的变换关系。将学习得到的搏动伪影校正模型用于真实扫描环境中，实现降低图像搏动伪影的有益效果。

本申请实施例可以应用于各种磁共振序列，例如：梯度回波序列(GradientRecalled Echo，简称为GRE)、自旋回波序列(Spin Echo，简称为SE)、快速自旋回波序列(Fast Spin Echo，简称为FSE)。

快速自旋回波(fast-spin-echo，FSE)序列被广泛用于磁共振临床扫描当中。为提高扫描速度，FSE序列通常采用一次激发采集多个回波的方法，然而由于成像组织存在自旋-自旋(T2)驰豫，一个回波链中采集到的信号存在T2信号衰减，导致最后得到的图像出现T2模糊(blur)的情况。

在根据常规自旋回波序列(SE)成像中，通常只需要指定两个基本定时参数，即重复时间(TR)和回声时间(TE)。然而，在快速自旋回波序列成像中，简单的TE被有效回波时间(TE eff)所取代，有效回波时间是K空间中心线被填充的时间，此外，还需要两个新参数：回波链长度(Number of echoes，简称为ETL)和回波间隔(Time between echoes，简称为ESP)。其中，回波链长度又被称为turbo factor或者shot factor；回波间隔又被称为interecho time，简称为回声时间(ITE)。

ETL对图像质量有重要影响。较长的ETL会导致更多的T2加权，因为较长TE的较晚回波会影响整个信号。较长的ETL还与整体信噪比(SNR)和对比度对噪声比(CNR)降低有关，因为后期回波较弱。在很长的TE上使用后来的回声也产生更多的空间模糊。这种空间模糊效应是由T2相关信号在后期回波上的损失造成的。回声间隔(ESP)的增加允许使用更长的TE，但会对SNR和CNR产生不利影响，导致运动、磁化率和与边缘相关的伪影增加。

基于上述空间模糊效应，在FSE成像中，可以使用预设长度的回波链，和/或按照预设时长的回波间隔从第二K空间中采集K空间数据，并根据采集到的K空间数据重建得到第三磁共振图像，以使得第三磁共振图像出现空间模糊效应，从而使得根据大量的第三磁共振图像训练得到的搏动伪影校正模型兼具搏动伪影和空间模糊效应的校正能力，提高磁共振图像的质量。其中，预设长度的回波链以及预设时长的回波间隔是指相较于通常使用的回波链和回波间隔更长的回波链和回波间隔，以至于重建得到的第三磁共振图像出现T2模糊(即空间模糊效应)。

在使用预设长度的回波链，和/或按照预设时长的回波间隔从第二K空间中采集K空间数据，并根据采集到的K空间数据重建得到第三磁共振图像，以使得第三磁共振图像出现空间模糊效应之后，使用第三磁共振图像训练得到的搏动伪影校正模型还兼具空间模糊效应校正的能力。

图9是根据本申请实施例的采用方式1结合空间模糊效应训练搏动伪影校正模型时训练数据生成过程的示意图，图10是根据本申请实施例的采用方式1结合空间模糊效应训练得到的搏动伪影校正模型进行搏动伪影校正的示意图。参考图9和图10，首先，将FSE序列图像傅里叶变换到频域空间(k-space)，利用更长的回波链进行k-space采集，并将重新采集之后的信号傅里叶变回到图像域中。然后，设置原图像为金标准，变换后的图像为含有T2模糊需要校正的图像。将此过程应用到类似图像中，生成机器学习所需要的训练集。最后通过机器学习，从T2模糊的图中学习T2模糊的图与金标准之间的差异，得到T2模糊图到金标准之间的变换关系。将学习得到的校正模型用于真实扫描环境中，得到更加清晰的FSE图像。

图11是根据本申请实施例的采用方式2结合空间模糊效应训练搏动伪影校正模型时训练数据生成过程的示意图，图12是根据本申请实施例的采用方式2结合空间模糊效应训练得到的搏动伪影校正模型进行搏动伪影校正的示意图。

综上所述，通过本申请的上述实施例，在不改变当前临床扫描流程的情况下，能够实现磁共振图像质量的提高。目前大多数的图像伪影处理方法并未考虑伪影生成的物理过程和原因，本申请实施例通过深入到图像采集的过程中，通过采集原理生成有伪影的图像，这样的图像伪影符合真实环境，更利于机器学习，准确率也更高。目前临床有60-80％的扫描采用FSE序列采集，因此本申请实施例中FSE序列的空间模糊效应的校正具有重要的临床价值；尤其是在一些应用场景，例如小孩的诊断扫描、或者腹部扫描等不能保持静止的患者或者部位，临床扫描只能采用长回波链的扫描甚至是single-shot FSE(一次采集得到整张图像，回波链最长)，这样图像的伪影会很大，本申请提供的解决方案能够在这些特殊的场景下发挥作用。

在本实施例中还提供了一种搏动伪影校正模型的训练装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图13是根据本申请实施例的搏动伪影校正模型的训练装置的结构框图，如图13所示，该装置包括：

获取模块131，用于获取第一磁共振图像；

生成模块132，耦合至获取模块131，用于在第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；

变换模块133，耦合至生成模块132，用于将多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；

填充模块134，耦合至变换模块133，用于将多个第一K空间中与其时序对应的采集线填充到第二K空间；

重建模块135，耦合至填充模块134，用于根据第二K空间，重建得到第三磁共振图像；

训练模块136，耦合至重建模块135，用于根据第一磁共振图像和第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。

在其中一些实施例中，生成模块132，用于从第一磁共振图像中分离出管腔图像；在管腔图像上模拟动脉搏动，生成具有时序的多个管腔模拟图像；将多个管腔模拟图像分别与第一磁共振图像叠加，得到具有时序的多个第二磁共振图像。

在其中一些实施例中，生成模块132，用于从第一磁共振图像中提取亮度大于预设值的影像，得到管腔图像。

在其中一些实施例中，生成模块132，用于将管腔图像的亮度值与具有时序的ECG信号的幅值相乘，生成具有时序且亮度值随ECG信号变化的多个管腔模拟图像。

在其中一些实施例中，重建模块135，用于使用预设长度的回波链，和/或按照预设时长的回波间隔从第二K空间中采集K空间数据，并根据采集到的K空间数据重建得到第三磁共振图像，以使得第三磁共振图像出现空间模糊效应。

在其中一些实施例中，训练模块136，用于将第三磁共振图像作为输入对象，以第一磁共振图像作为监督，对机器学习模型进行训练，得到搏动伪影校正模型。

在其中一些实施例中，训练模块136，用于将第三磁共振图像和第一磁共振图像作差，得到差异图像；将第三磁共振图像作为输入对象，以差异图像作为监督，对机器学习模型进行训练，得到搏动伪影校正模型。

另外，结合图2描述的本申请实施例的搏动伪影校正模型的训练方法可以由搏动伪影校正模型的训练设备来实现。图14示出了本申请实施例提供的搏动伪影校正模型的训练设备的硬件结构示意图。

搏动伪影校正模型的训练设备可以包括处理器141以及存储有计算机程序指令的存储器142。

具体地，上述处理器141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申请实施例的一个或多个集成电路。

存储器142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142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142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142可在数据处理装置的内部或外部。在特定实施例中，存储器142是非易失性固态存储器。在特定实施例中，存储器142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141通过读取并执行存储器142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搏动伪影校正模型的训练方法。

在一个示例中，搏动伪影校正模型的训练设备还可包括通信接口143和总线140。其中，如图14所示，处理器141、存储器142、通信接口143通过总线140连接并完成相互间的通信。

通信接口143，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线140包括硬件、软件或两者，将搏动伪影校正模型的训练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140可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该搏动伪影校正模型的训练设备可以基于获取到的第一磁共振图像，执行本申请实施例中的搏动伪影校正模型的训练方法，从而实现结合图2描述的搏动伪影校正模型的训练方法。

另外，结合上述实施例中的搏动伪影校正模型的训练方法，本申请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搏动伪影校正模型的训练方法。

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 (12)

1.一种搏动伪影校正模型的训练方法，其特征在于包括：

获取第一磁共振图像；

在所述第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；

将所述多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；

将所述多个第一K空间中与其时序对应的采集线填充到第二K空间；

根据所述第二K空间，重建得到第三磁共振图像；

根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。

2.根据权利要求1所述的方法，其特征在于，在所述第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像包括：

从所述第一磁共振图像中分离出管腔图像；

在所述管腔图像上模拟动脉搏动，生成具有时序的多个管腔模拟图像；

将所述多个管腔模拟图像分别与所述第一磁共振图像叠加，得到具有时序的多个第二磁共振图像。

3.根据权利要求2所述的方法，其特征在于，从所述第一磁共振图像中分离出管腔图像包括：

从所述第一磁共振图像中提取亮度大于预设值的影像，得到所述管腔图像。

4.根据权利要求2所述的方法，其特征在于，在所述管腔图像上模拟动脉搏动，生成具有时序的多个管腔模拟图像包括：

将所述管腔图像的亮度值与具有时序的ECG信号的幅值相乘，生成具有时序且亮度值随ECG信号变化的所述多个管腔模拟图像。

5.根据权利要求1所述的方法，其特征在于，根据所述第二K空间，重建得到第三磁共振图像包括：

使用预设长度的回波链，和/或按照预设时长的回波间隔从所述第二K空间中采集K空间数据，并根据采集到的K空间数据重建得到所述第三磁共振图像，以使得所述第三磁共振图像出现空间模糊效应。

6.根据权利要求1所述的方法，其特征在于，根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型包括：

将所述第三磁共振图像作为输入对象，以所述第一磁共振图像作为监督，对机器学习模型进行训练，得到所述搏动伪影校正模型。

7.根据权利要求1所述的方法，其特征在于，根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型包括：

将所述第三磁共振图像和第一磁共振图像作差，得到差异图像；

将所述第三磁共振图像作为输入对象，以所述差异图像作为监督，对机器学习模型进行训练，得到所述搏动伪影校正模型。

8.一种搏动伪影校正方法，其特征在于包括：

实时采集第四磁共振图像；

将所述第四磁共振图像输入到权利要求1-6中任一项所述的搏动伪影校正模型中；

获取所述搏动伪影校正模型输出的预测磁共振图像，所述预测磁共振图像即为对所述第四磁共振图像校正搏动伪影后的磁共振图像。

9.一种搏动伪影校正方法，其特征在于包括：

实时采集第四磁共振图像；

将所述第四磁共振图像输入到权利要求1-5，7中任一项所述的搏动伪影校正模型中；

获取所述搏动伪影校正模型输出的预测差异图像；

将所述第四磁共振图像和所述预测差异图像作差，得到预测磁共振图像，所述预测磁共振图像即为对所述第四磁共振图像校正搏动伪影后的磁共振图像。

10.一种搏动伪影校正模型的训练装置，其特征在于包括：

获取模块，用于获取第一磁共振图像；

生成模块，用于在所述第一磁共振图像上模拟动脉搏动，生成具有时序的多个第二磁共振图像；

变换模块，用于将所述多个第二磁共振图像变换到频域空间，得到具有时序的多个第一K空间；

填充模块，用于将所述多个第一K空间中与其时序对应的采集线填充到第二K空间；

重建模块，用于根据所述第二K空间，重建得到第三磁共振图像；

训练模块，用于根据所述第一磁共振图像和所述第三磁共振图像，对机器学习模型进行训练，得到搏动伪影校正模型。

11.一种搏动伪影校正模型的训练设备，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1-7中任一项所述的方法。

12.一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1-7中任一项所述的方法。

Images