CN110988763B - 磁共振成像方法、装置、服务器及存储介质 - Google Patents
磁共振成像方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110988763B CN110988763B CN201911071375.6A CN201911071375A CN110988763B CN 110988763 B CN110988763 B CN 110988763B CN 201911071375 A CN201911071375 A CN 201911071375A CN 110988763 B CN110988763 B CN 110988763B
- Authority
- CN
- China
- Prior art keywords
- dimension
- magnetic resonance
- model
- imaging
- frame parallel
- 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
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
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请适用于计算机技术领域,提出一种磁共振成像方法,包括:并行采集多通道的动态多帧K空间数据;利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。与现有技术相比,通过多维度深度学习先验模型对K空间数据进行动态多帧并行成像,能够在保证成像效果的技术上提高成像速度。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种磁共振成像方法、装置、服务器及存储介质。
背景技术
目前,在磁共振成像过程中为了提高成像速度及成像效果,引入了深度学习算法,但是传统的深度学习算法是基于稀疏、低秩或字典学的方法,其通常在较低的加速倍数下效果较好,但是在高加速倍数的情况下,重建效果不是很理想。因此,并不能在保证成像效果的基础上提高成像速度。
发明内容
有鉴于此,本申请实施例提供了磁共振成像方法、装置、服务器及存储介质,以在保证成像效果的基础上提高成像速度。
本申请实施例的第一方面提供了一种磁共振成像方法,所述方法包括:
并行采集多通道的动态多帧K空间数据;
利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述多维度深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型;
所述利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像,包括:
利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理,得到图像数据;
利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度;
所述利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据填充,得到填充后的全采样K空间数据,包括:
利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理,得到所述图像数据。
在一种可选的实现方式中,所述利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像,包括:
利用所述至少一个动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型;
所述利用所述至少一个动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度以及所述采样通道维度进行动态多帧并行成像,得到所述目标磁共振图像,包括:
利用所述第一动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像,得到第一成像图像;
利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像,进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述多维度深度学习先验模型的损失函数为:
其中,Ki为预设的权重系数,fi(x)为第i个所述深度学习先验模型的损失函数。
本申请第二方面提供一种磁共振成像装置,包括:
采集模块,用于并行采集多通道的动态多帧K空间数据;
成像模块,用于利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述多维度深度学习先验模型包括多维度数据补填充模型以及至少一个动态多帧并行成像模型;
所述成像模块,包括:
更新及处理单元,用于利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理,得到图像数据;
成像单元,用于利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度;
所述更新及处理单元,具体用于:
利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理,得到所述图像数据。
在一种可选的实现方式中,所述成像单元,具体用于:
利用所述至少一个动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型;
所述成像单元,包括:
第一成像单元,用于利用所述第一动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像,得到第一成像图像;
第二成像单元,用于利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像,进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述多维度深度学习先验模型的损失函数为:
其中,Ki为预设的权重系数,fi(x)为第i个所述深度学习先验模型的损失函数。
本申请第三方面提供一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上第一方面所述磁共振成像方法的步骤。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上第一方面所述磁共振成像方法的步骤。
本申请第一方面提供的磁共振成像方法的实施例,通过并行采集多通道的动态多帧K空间数据;利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。与现有技术相比,通过多维度深度学习先验模型对K空间数据进行动态多帧并行成像,能够在保证成像效果的技术上提高成像速度。
本申请第二方面至第四方面提供的实施例与现有技术相比,与本申请第一方面提供的实施例与现有技术相比存在的有益效果相同,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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是本申请实施例提供的磁共振成像方法的实现流程图;
图2是图1中S102的具体实施流程图;
图3是图2中S1022的具体实现流程图;
图4是本申请实施例提供的磁共振成像装置的结构示意图;
图5是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
需要说明的是,磁共振成像技术能够沿着空间和时间方向提供重要的解刨学和功能信息,然而,磁共振成像的一个基本挑战是其成像速度慢,而且成像时间长,这阻碍了其广泛的应用。为了应对这一挑战,研究人员进行了不同的努力,从硬件到软件,包括快速序列,并行磁共振成像(pMRI)和来自K空间数据的磁共振图像重建等。
由于k空间的采集时间与采集数据量成正比,为了提高成像速度,引入了对k空间进行欠采样或部分采样。但是欠采样或部分采样的引入违反了奈奎斯特采样定理,直接对欠采样或者部分采样的K空间数据进行逆傅立叶变换会出现混叠伪影。目前,为了解决欠采样或者部分采样的K空间数据带来的混叠伪影,引入了很多种方法,例如传统的基于稀疏、低秩或字典学习的方法等,虽然可以获得可靠的结果,有比较完整的理论支持。但是,大多数方法仅仅在比较低的加速倍数下效果比较好,重建时间相对比较长,参数难以调整到最佳。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。如图1所示,是本申请实施例提供的磁共振成像方法的实现流程图,该方法可以由服务器的硬件或软件来实现。详述如下:
S101,并行采集多通道的动态多帧K空间数据。
可以理解地,由于采样点数与采样时间成正比,全采样对应的采样时间会较长,为了提高采样效率,在本申请的实施例中,先采集部分预设采样点的K空间数据。具体地,在本实施例中,所述K空间数据包括在预设时长内的每个采样时刻对应的不同采样通道下并行采集的多帧K空间数据。
S102,利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。
具体地,所述预先训练完成的多维度深度学习先验模型在训练过程中,其输入是K空间数据,输出是重建之后的目标磁共振图像。所述K空间数据包括预设维度的数据,例如可以是三维、五维或更高维度,此处不做限制。示例性地,在本实施例中,所述预设维度为五维,包括二维的采样平面、切割方向、采样空间以及采样时间;具体地,所述多维度深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型;所述多维度深度学习先验模型在训练过程中,需要综合考虑所述多维度数据填充模型以及所述至少一个动态多帧并行成像模型的收敛,通过使用所述多维度数据填充模型以及所述至少一个动态多帧并行成像模型的均方误差和或者在均方误差和的基础上添加预设的边界信息作为约束,确定所述多维度数据填充模型以及所述至少一个动态多帧并行成像模型的权重,并基于权重确定所述多维图像模型的损失函数。
在一种可选的实现方式中,所述多维度深度学习先验模型的损失函数为:
其中,Ki为预设的权重系数,fi(x)为第i个所述深度学习先验模型的损失函数。
作为示例而非限定,所述预设的多维度可以包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度;利用预先训练完成的多维度深度学习先验模型,对对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像可以通过如图2所示的步骤实现。
如图2所示,是图1中S102的具体实施流程图。由图2可知,S102包括:
S1021,利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理,得到图像数据。
可以理解地,由于所述欠采样的采样频率低于信号最高频率的两倍,通过欠采样获得的K空间数据为部分数据,基于部分数据无法获得准确地分析结果,因此,需要对K空间数据进行数据填充,在通过欠采样提高采样效率的同时,能够获得足够的K空间数据。
在本实施例中,通过所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理,得到所述图像数据。其中,所述多维度数据填充模型可以是预先训练完成的神经网络模型、插值模型或最小生成树模型中的任意一种,在此不做具体限定。
所述多维度数据填充模型以第一预设数量的K空间数据为训练样本,对预先建立的机器学习模型(如神经网络模型、插值模型或最小生成树模型等)进行训练得到,所述多维度数据填充模型用于对所述K空间数据进行数据填充及处理。可以理解地,所述K空间数据
在训练过程中,所述多维度数据填充模型的输入是预设数量的K空间数据,输出是将所述K空间数据进行填充之后,进行处理得到的图像数据。
S1022,利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像。
可以理解地,由于K空间数据的数据点和图像空间中的数据点不是一一对应的,通常K空间数据的数据点对应了图像空间中所有数据的一部分信息,其为图像空间中数据的傅立叶变换的结果,因此,为了在图像域进行分析,所述多维度数据填充模型需要对填充之后的所述K空间数据进行逆傅立叶变换处理,得到图像数据。其中,图像数据为需要分析的图像数据,例如大脑图像数据、心脏图像数据等。
在一种可选的实现方式中,S1022包括:
利用所述至少一个动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像,得到所述目标磁共振图像。
作为示例而非限定,所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型;如图3所示,是图2中S1022的具体实现流程图。由图3可知,S1022包括:
S301,利用所述第一动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像,得到第一成像图像。
其中,所述第一动态多帧并行成像模型以第一预设数量的图像数据为输入,以预设的所述时间维度、所述空间维度以及所述采样通道维度的约束条件为约束,对所述图像数据进行动态多帧并行成像,输出第一成像图像。
S302,利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像,进行动态多帧并行成像,得到所述目标磁共振图像。
其中,所述第二动态多帧并行成像模型以第二预设数量的所述第一成像图像为输入,以所述时间维度、所述空间维度以及所述采样通道维度之间的组合约束条件为约束,对所述第一成像图像进行动态多帧并行成像,输出所述目标磁共振图像。
通过上述实施例可知,本申请提供的磁共振成像方法,通过并行采集多通道的动态多帧K空间数据;利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。与现有技术相比,通过多维度深度学习先验模型对K空间数据进行动态多帧并行成像,能够在保证成像效果的技术上提高成像速度。
图4是本申请实施例提供的磁共振成像装置的结构示意图。由图4可知,本申请实施例提供的磁共振成像装置4包括采集模块401以及成像模块402,其中,
采集模块401,用于并行采集多通道的动态多帧K空间数据;
成像模块402,用于利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述多维度深度学习先验模型包括多维度数据补填充模型以及至少一个动态多帧并行成像模型;
所述成像模块,包括:
更新及处理单元,用于利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理,得到图像数据;
成像单元,用于利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度;
所述更新及处理单元,具体用于:
利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理,得到所述图像数据。
在一种可选的实现方式中,所述成像单元,具体用于:
利用所述至少一个动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型;
所述成像单元,包括:
第一成像单元,用于利用所述第一动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像,得到第一成像图像;
第二成像单元,用于利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像,进行动态多帧并行成像,得到所述目标磁共振图像。
在一种可选的实现方式中,所述多维度深度学习先验模型的损失函数为:
其中,Ki为预设的权重系数,fi(x)为第i个所述深度学习先验模型的损失函数。
图5是本申请实施例提供的服务器的结构示意图。如图5所示,该实施例的服务器5包括:处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52,例如磁共振成像程序。处理器50执行计算机程序52时实现上述磁共振成像方法实施例中的步骤,例如图1所示的步骤101至102。
示例性的,计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在存储器51中,并由处理器50执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序52在所述服务器5中的执行过程。例如,计算机程序52可以被分割成采集模块以及成像模块(虚拟装置中的模块),各模块具体功能如下:
采集模块,用于并行采集多通道的动态多帧K空间数据;
成像模块,用于利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计稀疏条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种磁共振成像方法,其特征在于,所述方法包括:
并行采集多通道的动态多帧K空间数据;
利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。
2.如权利要求1所述的磁共振成像方法,其特征在于,所述深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型;
所述每个深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像,包括:
利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理,得到图像数据;
利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像。
3.如权利要求2所述的磁共振成像方法,其特征在于,所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度;
所述利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理,得到图像数据,包括:
利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理,得到所述图像数据。
4.如权利要求3所述的磁共振成像方法,其特征在于,所述利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像,包括:
利用所述至少一个动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像,得到所述目标磁共振图像。
5.如权利要求4所述的磁共振成像方法,其特征在于,所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型;
所述利用所述至少一个动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度以及所述采样通道维度进行动态多帧并行成像,得到所述目标磁共振图像,包括:
利用所述第一动态多帧并行成像模型对所述图像数据,从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像,得到第一成像图像;
利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像,进行动态多帧并行成像,得到所述目标磁共振图像。
7.一种磁共振成像装置,其特征在于,包括:
采集模块,用于并行采集多通道的动态多帧K空间数据;
成像模块,用于利用预先训练完成的多维度深度学习先验模型,对所述K空间数据进行动态多帧并行成像,得到目标磁共振图像;所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型,每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像,得到所述目标磁共振图像。
8.如权利要求7所述的磁共振成像装置,其特征在于,所述深度学习先验模型包括多维度数据补填充模型以及至少一个动态多帧并行成像模型;
所述成像模块,包括:
更新及处理单元,用于利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理,得到图像数据;
成像单元,用于利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像,得到所述目标磁共振图像。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述磁共振成像方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述磁共振成像方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071375.6A CN110988763B (zh) | 2019-11-05 | 2019-11-05 | 磁共振成像方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071375.6A CN110988763B (zh) | 2019-11-05 | 2019-11-05 | 磁共振成像方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110988763A CN110988763A (zh) | 2020-04-10 |
CN110988763B true CN110988763B (zh) | 2021-12-17 |
Family
ID=70083462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911071375.6A Active CN110988763B (zh) | 2019-11-05 | 2019-11-05 | 磁共振成像方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988763B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7646898B1 (en) * | 2000-11-24 | 2010-01-12 | Kent Ridge Digital Labs | Methods and apparatus for processing medical images |
CN103646410A (zh) * | 2013-11-27 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN103679654A (zh) * | 2013-11-29 | 2014-03-26 | 深圳先进技术研究院 | 磁共振成像方法和系统 |
US20150309145A1 (en) * | 2012-11-30 | 2015-10-29 | The Board of Trustee of the University of Illnois | Sample Interval Modulation Magnetic Resonance Elastography |
CN105676156A (zh) * | 2015-12-31 | 2016-06-15 | 深圳先进技术研究院 | 一种基于多通道协作编码的磁共振成像重建方法和装置 |
CN106970343A (zh) * | 2017-04-11 | 2017-07-21 | 深圳先进技术研究院 | 一种磁共振成像方法及装置 |
CN106981051A (zh) * | 2015-12-11 | 2017-07-25 | 西门子保健有限责任公司 | 用于运动解析的mri的系统和方法 |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
-
2019
- 2019-11-05 CN CN201911071375.6A patent/CN110988763B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7646898B1 (en) * | 2000-11-24 | 2010-01-12 | Kent Ridge Digital Labs | Methods and apparatus for processing medical images |
US20150309145A1 (en) * | 2012-11-30 | 2015-10-29 | The Board of Trustee of the University of Illnois | Sample Interval Modulation Magnetic Resonance Elastography |
CN103646410A (zh) * | 2013-11-27 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN103679654A (zh) * | 2013-11-29 | 2014-03-26 | 深圳先进技术研究院 | 磁共振成像方法和系统 |
CN106981051A (zh) * | 2015-12-11 | 2017-07-25 | 西门子保健有限责任公司 | 用于运动解析的mri的系统和方法 |
CN105676156A (zh) * | 2015-12-31 | 2016-06-15 | 深圳先进技术研究院 | 一种基于多通道协作编码的磁共振成像重建方法和装置 |
CN106970343A (zh) * | 2017-04-11 | 2017-07-21 | 深圳先进技术研究院 | 一种磁共振成像方法及装置 |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
Non-Patent Citations (4)
Title |
---|
《DIMENSION: Dynamic MR imaging with both k-space and spatial prior knowledge obtained via multi-supervised network training》;Shanshan Wang et al;《NMR INBIOMEDICINE》;20190904;全文 * |
《Model-Based Convolutional De-Aliasing Network Learning for Parallel MR Imaging》;Yanxia Chen et al;《International Conference on Medical Image Computing and Computer-Assisted Intervention》;20191017;全文 * |
《基于多通道并行采集的部分可分离函数高分辨动态磁共振成像》;史彩云 等;《集成技术》;20130930;全文 * |
《深度学习的快速磁共振成像及欠采样轨迹设计》;肖韬辉 等;《中国图象图形学报》;20180228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110988763A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
Ma | Three-dimensional irregular seismic data reconstruction via low-rank matrix completion | |
Theußl et al. | Optimal regular volume sampling | |
EP3534170A1 (en) | System and method for sparse image reconstruction | |
CN109164483B (zh) | 多分量地震数据矢量去噪方法及多分量地震数据矢量去噪装置 | |
CN108814603B (zh) | 一种磁共振成像方法和装置 | |
CN111353947A (zh) | 磁共振并行成像方法及相关设备 | |
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 | |
CN109171727B (zh) | 一种磁共振成像方法和装置 | |
CN113238227B (zh) | 一种结合深度学习的改进最小二乘相位解缠方法及系统 | |
CN111856362A (zh) | 磁共振成像方法、装置、系统及存储介质 | |
CN102096055B (zh) | 一种用于磁共振成像非均匀采样数据的快速精确重建方法 | |
CN111025385B (zh) | 一种基于低秩和稀疏约束的地震数据重建方法 | |
Barmpoutis et al. | Adaptive kernels for multi-fiber reconstruction | |
WO2021114143A1 (zh) | 一种图像重建方法、装置、终端设备及存储介质 | |
CN110988763B (zh) | 磁共振成像方法、装置、服务器及存储介质 | |
WO2021087740A1 (zh) | 磁共振成像方法、装置、服务器及存储介质 | |
CN112329920A (zh) | 磁共振参数成像模型的无监督训练方法及无监督训练装置 | |
CN107895387B (zh) | Mri图像重建方法及装置 | |
US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
CN111856364A (zh) | 一种磁共振成像方法、装置、系统及存储介质 | |
Pan et al. | Iterative self-consistent parallel magnetic resonance imaging reconstruction based on nonlocal low-rank regularization | |
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 | |
CN115667967A (zh) | 用于磁共振扫描仪模拟的方法 | |
CN112967297B (zh) | 磁共振氧十七代谢成像方法、装置、存储介质及终端设备 |
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 |