CN110992435B - 图像重建方法及设备、成像数据的处理方法及装置 - Google Patents
图像重建方法及设备、成像数据的处理方法及装置 Download PDFInfo
- Publication number
- CN110992435B CN110992435B CN201911077394.XA CN201911077394A CN110992435B CN 110992435 B CN110992435 B CN 110992435B CN 201911077394 A CN201911077394 A CN 201911077394A CN 110992435 B CN110992435 B CN 110992435B
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- imaging data
- image reconstruction
- image
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003672 processing method Methods 0.000 title abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 36
- 238000002592 echocardiography Methods 0.000 claims description 25
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005415 magnetization Effects 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像重建方法及设备、成像数据的处理方法及装置、电子设备、存储介质。图像重建方法包括：获取待图像重建的三维梯度回波数据；将所述待图像重建的三维梯度回波数据输入图像重建模型，其中，所述图像重建模型预先采用多组成像数据对神经网络训练得到，每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；经所述图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像。本发明将快速采集的三维梯度回波数据输入训练好的图像重建模型，即可得到用户预期的目标合成对比度的三维加权图像，图像重建效率高。
Description
技术领域
本发明涉及医学成像技术领域，特别涉及图像重建方法及设备、成像数据的处理方法及装置、电子设备、存储介质。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)基本原理为：人体组织内具有自旋的氢核(氢原子)或者其它自旋不为零的原子核在强均匀主磁场作用下，本无规律排列的自旋磁矩会沿主磁场方向排列，形成宏观磁矩。在射频脉冲激励下，宏观磁化矢量将翻转到与主磁场垂直的方向，射频激发能量撤销之后，磁矩在进动旋转过程中就能被射频接收系统接收，从而产生电磁感应信号，经过模数转换和相应数据重建形成各种对比度的磁共振图像。
各类合成对比度图像，如TSE(快速自旋回波)图像、FALIR(长T1反转恢复)图像、DWI(弥散加权)图像等，对于医疗诊断具有重要意义。现有技术中，关于上述合成对比度图像的重建一般采用序列采集的方式，扫描时间较长，以FLAIR图像为例，临床1.5T核磁扫描仪大约需要3.5分钟以上，图像重建效率很低。
发明内容
本发明提供图像重建方法及设备、成像数据的处理方法及装置、电子设备、存储介质，以解决相关技术中的不足。
具体地，本发明是通过如下技术方案实现的：
第一方面，提供一种图像重建方法，所述图像重建方法包括：
获取待图像重建的三维梯度回波数据；
将所述待图像重建的三维梯度回波数据输入图像重建模型，其中，所述图像重建模型预先采用多组成像数据对神经网络训练得到，每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
经所述图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像。
第二方面，提供一种成像数据的处理方法，所述处理方法包括：
获取多组成像数据作为神经网络的训练样本；每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
针对每组成像数据，根据所述三维梯度回波数据对所述二维成像数据进行插值处理，得到计算的三维成像数据；
将所述三维梯度回波数据输入神经网络，并确定所述神经网络输出的三维成像数据与所述计算的三维成像数据之间的差异；
基于所述差异调整所述神经网络的网络参数。
第三方面，提供一种图像重建设备，所述图像重建设备包括：
获取模块，用于获取待图像重建的三维梯度回波数据；
输入模块，用于将所述待图像重建的三维梯度回波数据输入图像重建模型，其中，所述图像重建模型预先采用多组成像数据对神经网络训练得到，每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
图像重建模块，用于使用所述图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像。
第四方面，提供一种成像数据的处理装置，所述处理装置包括：
获取模块，用于获取多组成像数据作为神经网络的训练样本；每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
插值模块，用于针对每组成像数据，根据所述三维梯度回波数据对所述二维成像数据进行插值处理，得到计算的三维成像数据；
输入模块，用于将所述三维梯度回波数据输入神经网络，并确定所述神经网络输出的三维成像数据与所述计算的三维成像数据之间的差异；
调整模块，用于基于所述差异调整所述神经网络的网络参数。
第五方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的图像重建方法。
第六方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的图像重建方法的步骤。
第七方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第二方面所述的成像数据的处理方法。
第八方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第二方面所述的成像数据的处理方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例，将快速采集的三维梯度回波数据输入训练好的图像重建模型，即可得到用户预期的目标合成对比度的三维加权图像，图像重建效率高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明一示例性实施例示出的一种图像重建方法的流程图；
图2是本发明一示例性实施例示出的另一种图像重建方法的流程图；
图3是本发明一示例性实施例示出的一种成像数据的处理方法的流程图；
图4是本发明一示例性实施例示出的一种图像重建设备的模块示意图；
图5是本发明一示例性实施例示出的一种成像数据的处理装置的模块示意图；
图6是本发明一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是本发明一示例性实施例示出的一种图像重建方法的流程图，该图像重建方法包括以下步骤：
步骤101、获取待图像重建的三维梯度回波数据。
其中，待图像重建的三维梯度回波数据也即某成像对象的三维梯度回波数据，成像对象例如可以是脑组织、脊髓等人体组织。本实施例中，采用快速的三维梯度多回波序列采集不同回波时间的三维梯度回波数据。具体的，在序列运行的重复时间内，采集对应翻转角为恩斯特角度(Ernst Angle)的包括多个梯度回波(回波个数N≥5)的三维梯度回波数据，对应N个不同的回波时间(TE)，可将回波标注为回波E1,回波E2,…,回波EN。每个回波信号可以描述为：
其中，ρ0表示成像对象的组织质子密度；T1为组织的纵向弛豫时间；表示组织的横向驰豫时间；TE表示回波时间；TR表示重复时间。
步骤102、将三维梯度回波数据输入图像重建模型。
其中，图像重建模型采用多组成像数据对神经网络训练得到，每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据。
需要说明的是，图像重建模型输出的三维加权图像的对比度与模型训练时二维成像数据的数据类型相对应，例如，若将三维梯度回波数据和二维FLAIR成像数据作为训练样本训练模型得到图像重建模型，该图像重建模型用于输出与三维梯度回波数据等分辨率的三维FLAIR成像数据；若将三维梯度回波数据和二维TSE成像数据作为训练样本训练模型得到图像重建模型，该图像重建模型用于输出与三维梯度回波数据等分辨率的三维TSE成像数据；若将三维梯度回波数据和二维DWI成像数据作为训练样本训练模型得到图像重建模型，该图像重建模型用于输出与三维梯度回波数据等分辨率的三维DWI成像数据。模型的具体训练过程，参见下文图3示出的实施例。
步骤103、经图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像数据。使用灰阶图像或伪彩图像显示三维加权图像数据即可得到三维加权图像。
本实施例中，将快速采集的三维梯度回波数据输入训练好的图像重建模型，即可得到用户预期的目标合成对比度的三维加权图像，图像重建效率高。
在一个实现方式中，步骤102可将一次采集的三维梯度回波数据同时输入多个图像重建模型，每个图像重建模型使用不同数据类型的二维成像数据训练得到，从而根据一次采集的三维梯度回波数据即可获得完全配准的多个合成对比度的三维加权图像，该多个三维加权图像的分辨率相同，无需做后续配准处理，得到的多个三维加权图像可为医疗诊断提供参考。
图2是本发明一示例性实施例示出的另一种图像重建方法的流程图，该图像重建方法包括以下步骤：
步骤201、获取成像对象的三维梯度回波数据。
步骤202、将三维梯度回波数据输入图像重建模型。
步骤203、经图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像。
其中，步骤201～步骤203的具体实现方式与步骤101～步骤103类似，此处不再赘诉。
步骤204、根据三维梯度回波数据计算量化参数，并根据量化参数重建定量拓扑图像；和/或，从三维梯度回波数据中提取目标回波，并根据目标回波建立加权图像。
其中，加权图像可以但不限于包括T1加权图像、T2 *加权图像、R2 *图像、eT2 *加权图像、SWI(磁敏感加权)图像等。定量拓扑图像可以但不限于包括R2 *定量图像、QSM(组织空间磁化率分布)定量图像等。
本实施例中，步骤204不限于在步骤203后执行，步骤204可以与步骤201～步骤203同步执行，以提高图像重建的效率。
本实施例中，充分利用了快速采集的三维梯度回波数据中所有回波信号，从一次采集的三维梯度回波数据中重建出用户预期的不同对比度的加权图像、定量拓扑图以及合成对比度图像，无需针对每个对比度的磁共振图像使用不同的序列进行数据采集，效率较高。且针对一次采集的三维梯度回波数据重建出的不同对比度的磁共振图像完全配准，无需做后续配准处理。
以下提供重建加权图像的可能的实现方式：
(a)重建T1加权图像
从三维梯度回波数据采集回波中使用TE回波时间最短的目标回波进行重建，用灰阶图像显示，即可得到T1加权图像。
(b)重建T2 *加权图像
从三维梯度回波数据中提取回波时间均大于第一阈值的相邻的两个目标回波，其中，相邻的两个目标回波的回波时间较长，对于每个回波分别建立对应的T2 *加权图像，并对获得的T2 *加权图像进行平均处理，即可得到信噪比提高的T2 *加权图像。
(c)重建eT2 *加权图像
利用三维梯度回波数据，对所有回波数据做加权平均融合处理，用灰阶图像显示处理结果，即可得到eT2 *加权图像，即对比度优化的T2 *加权图像。
(d)重建SWI加权图像
从三维梯度回波数据中提取回波时间大于第二阈值的一个目标回波或两个目标回波，对目标回波对应的相位信息做背景噪声去除和相位解卷绕，并对处理后的相位信息做高通滤波处理，经过滤波处理的相位信息提供SWI图像互补的相位信息，对其用灰阶图像显示，即可得到SWI加权图像。
以下提供重建定量拓扑图像的可能的实现方式：
(e)重建R2 *定量图像
利用下述公式和所有三维梯度回波数据来计算组织值，对所有回波的/>信号值进行最小二乘线性处理，用灰阶图像或伪彩图像显示经过最小二乘线性处理的/>值，即可得到R2 *定量图像。具体的计算过程如下所述。
将公式(1)简化为：
其中，
对公式(2)两边同步求自然对数，得到：
其中，
公式(3)将非线性的公式(1)转化为回波信号与之间的线性关系，通过最小二乘求解可以得到准确的/>对/>求倒数即可得每个回波的量化参数/>值。对两个回波的/>值做平均处理，用灰阶图像或伪彩图像显示经过平均处理的/>定量值。
(f)重建QSM图像
对三维梯度回波数据中每个回波的相位信息进行解卷绕和去除背景噪声，并利用磁化率反演算法计算各个回波下对应的组织空间磁化率分布图QSM1，QSM2，…，QSMN，利用回波时间加权可得到最终的组织空间磁化率分布QSM图像。
图3是本发明一示例性实施例示出的一种成像数据的处理方法的流程图，依据该处理方法获得的图像重建模型可基于输入的三维梯度回波数据重建出用户预期的目标对比度的三维加权图像，参见图3，该处理方法包括以下步骤：
步骤301、获取多组成像数据作为神经网络的训练样本。
其中，多组图像数据可以是各个志愿者或临床患者的磁共振图像数据，该多组图像数据作为模型训练的样本，每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据，基于对应的采集序列采样得到。
步骤302、将针对每组成像数据，根据三维梯度回波数据对二维成像数据进行插值处理，得到计算的三维成像数据。
步骤303、将三维梯度回波数据输入神经网络进行图像重建，并确定神经网络输出的三维成像数据与计算的三维成像数据之间的差异。
步骤304、基于差异调整神经网络的网络参数。
重复步骤302～步骤304，直至神经网络输出的三维成像数据与对应的目标三维成像数据之间的差异小于差异阈值或迭代次数达到次数阈值，则停止模型训练，得到图像重建模型，该图像重建模型表征三维梯度回波数据与三维成像数据(类加权图像数据)的映射关系，可用于图像重建。
本实施例中，图像重建模型输出的三维加权图像的合成对比度与模型训练时二维成像数据的数据类型相对应，二维成像数据可以但不限于包括：二维TSE数据、二维FLAIR数据、二维DWI数据等。
以下以FLAIR图像重建模型为例，对模型建立的过程进一步说明如下：
获取多组三维梯度回波数据和二维FLAIR数据，根据三维梯度回波数据对二维FLAIR数据进行插值处理，得到计算的三维FLAIR数据；将三维梯度回波数据和三维FLAIR数据作为训练样本输入神经网络(可以但不限于采用U-Net网络)进行模型训练，其中，二维FALIR数据为目标图像数据。模型训练完成，得到表征三维梯度回波数据与三维FLAIR数据映射关系的FLAIR图像重建模型。将待图像重建的三维梯度回波数据输入训练好的FLAIR图像重建模型即可得到与三维梯度回波数据相同像素分辨率的类FLAIR图像。
与FLAIR图像重建模型类似的，使用不同数据类型的二维成像数据训练神经网络即可得到能够输出对应合成对比度的三维加权图像，例如，TSE图像重建模型、DWI图像重建模型等。将一次采集的三维梯度回波数据同时输入训练好的多个图像重建模型，即可重建出多幅不同对比度、完全配准的合成对比度图像。
与前述图像重建方法、成像数据的处理方法实施例相对应，本发明还提供了图像重建设备、成像数据的处理装置的实施例。
图4是本发明一示例性实施例示出的一种图像重建设备的模块示意图，该图像重建设备包括：获取模块41、输入模块42和图像重建模块43。
获取模块41用于获取待图像重建的三维梯度回波数据；
输入模块42用于将待图像重建的三维梯度回波数据输入图像重建模型，其中，图像重建模型预先采用多组成像数据对神经网络训练得到，每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
图像重建模块43用于使用图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像。
可选地，二维成像数据包括以下数据类型中的至少一种：
二维TSE数据、二维FLAIR数据、二维DWI数据；
图像重建模型输出的三维加权图像的目标合成对比度与模型训练时二维成像数据的数据类型相对应。
可选地，图像重建设备还包括：
计算模块，用于根据三维梯度回波数据计算量化参数，并根据量化参数建立定量拓扑图像；和/或，从所述三维梯度回波数据中提取目标回波，并根据所述目标回波建立加权图像。
可选地，在建立定量拓扑图像时，计算模块具体用于：
对三维梯度回波数据中所有回波进行最小二乘线性处理，得到量化参数R2 *值，以建立R2 *定量图像；
和/或，计算三维梯度回波数据中每个回波对应的组织空间磁化分布数据，根据组织空间磁化分布数据计算量化参数QSM，以建立QSM定量图像；
在建立加权图像时，计算模块具体用于：
从三维梯度回波数据中提取回波时间最短的目标回波，根据回波时间最短的目标回波进行图像重建，以建立T1加权图；
和/或，从三维梯度回波数据中提取回波时间均大于第一阈值的相邻的两个目标回波，根据相邻的两个目标回波重建T2 *加权值，以得到T2 *加权图像；
和/或，对三维梯度回波数据中所有回波做加权平均融合处理，根据处理结果得到对比度增强的eT2 *加权图像；
和/或，从三维梯度回波数据中提取回波时间大于第二阈值的一个目标回波或两个目标回波，对一个目标回波或两个目标回波进行后处理计算，以建立SWI图像。
可选地，所述图像重建设备还包括模型训练模块，用于：
针对每组成像数据，根据所述成像数据中成像对象的三维梯度回波数据对所述成像数据中成像对象的二维成像数据进行插值处理，得到计算的三维成像数据；
将所述三维梯度回波数据输入神经网络，并确定所述神经网络输出的三维成像数据与所述计算的三维成像数据之间的差异；
基于所述差异调整所述神经网络的网络参数。
图5是本发明一示例性实施例示出的一种成像数据的处理装置，处理装置包括：获取模块51、插值模块52、输入模块53和调整模块54。
获取模块51用于获取多组成像数据作为神经网络的训练样本；每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
插值模块52用于针对每组成像数据，根据三维梯度回波数据对二维成像数据进行插值处理，得到计算的三维成像数据；
输入模块53用于将三维梯度回波数据输入神经网络，并确定神经网络输出的三维成像数据与计算的三维成像数据之间的差异；
调整模块54用于基于差异调整神经网络的网络参数。
可选地，二维成像数据包括以下数据类型中的至少一种：
二维TSE数据、二维FLAIR数据、二维DWI数据；
输入模块具体用于：
将包括不同数据类型的二维成像数据的训练样本分别输入不同的神经网络进行模型训练，以得到输出的三维加权图像的合成对比度与模型训练时二维成像数据的数据类型相对应的多个图像重建模型。
图6是本发明一示例性实施例示出的一种电子设备的结构示意图。图6显示的电子设备60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备60的组件可以包括但不限于：上述至少一个处理器61、上述至少一个存储器62、连接不同系统组件(包括存储器62和处理器61)的总线63。
总线63包括数据总线、地址总线和控制总线。
存储器62可以包括易失性存储器，例如随机存取存储器(RAM)621和/或高速缓存存储器622，还可以进一步包括只读存储器(ROM)623。
存储器62还可以包括具有一组(至少一个)程序模块624的程序工具625(或实用工具)，这样的程序模块624包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器61通过运行存储在存储器62中的计算机程序，从而执行各种功能应用以及数据处理，例如上述任一实施例所提供的方法。
电子设备60也可以与一个或多个外部设备64(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口65进行。并且，模型生成的电子设备60还可以通过网络适配器66与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器66通过总线63与模型生成的电子设备60的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的电子设备60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本发明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，所述程序被处理器执行时实现上述任一实施例所提供的方法步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (18)
1.一种图像重建方法，其特征在于，所述图像重建方法包括：
获取待图像重建的三维梯度回波数据；
将所述待图像重建的三维梯度回波数据输入图像重建模型，其中，所述图像重建模型预先采用多组成像数据对神经网络训练得到，每组所述成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
经所述图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像；
所述图像重建模型输出的三维加权图像的目标合成对比度与模型训练时二维成像数据的数据类型相对应。
2.如权利要求1所述的图像重建方法，其特征在于，所述二维成像数据包括以下数据类型中的至少一种：
二维TSE数据、二维FLAIR数据、二维DWI数据。
3.如权利要求1所述的图像重建方法，其特征在于，获取待图像重建的三维梯度回波数据之后，所述图像重建方法还包括：
根据所述三维梯度回波数据计算量化参数，并根据量化参数建立定量拓扑图像；
和/或，从所述三维梯度回波数据中提取目标回波，并根据所述目标回波建立加权图像。
4.如权利要求3所述的图像重建方法，其特征在于，根据所述三维梯度回波数据计算量化参数，并根据量化参数建立定量拓扑图像，包括：
对所述三维梯度回波数据中所有回波进行最小二乘线性处理，得到量化参数R2 *值，以建立R2 *定量图像；
和/或，计算所述三维梯度回波数据中每个回波对应的组织空间磁化分布数据，根据所述组织空间磁化分布数据计算量化参数QSM，以建立QSM定量图像；
从所述三维梯度回波数据中提取目标回波，并根据所述目标回波建立加权图像，包括：
从所述三维梯度回波数据中提取回波时间最短的目标回波，根据所述回波时间最短的目标回波建立T1加权图；
和/或，从所述三维梯度回波数据中提取回波时间均大于第一阈值的相邻的两个目标回波，根据所述相邻的两个目标回波建立T2 *加权图像；
和/或，对所述三维梯度回波数据中所有回波做加权平均融合处理，以建立eT2 *加权图像；
和/或，从所述三维梯度回波数据中提取回波时间大于第二阈值的一个目标回波或两个目标回波，根据所述一个目标回波或两个目标回波建立SWI加权图像。
5.如权利要求1所述的图像重建方法，其特征在于，采用多组成像数据对神经网络训练得到所述图像重建模型，包括：
针对每组成像数据，根据所述成像数据中成像对象的三维梯度回波数据对所述成像数据中成像对象的二维成像数据进行插值处理，得到计算的三维成像数据；
将所述三维梯度回波数据输入神经网络，并确定所述神经网络输出的三维成像数据与所述计算的三维成像数据之间的差异；
基于所述差异调整所述神经网络的网络参数。
6.一种成像数据的处理方法，其特征在于，所述处理方法包括：
获取多组成像数据作为神经网络的训练样本；每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
针对每组成像数据，根据所述三维梯度回波数据对所述二维成像数据进行插值处理，得到计算的三维成像数据；
将所述三维梯度回波数据输入神经网络，并确定所述神经网络输出的三维成像数据与所述计算的三维成像数据之间的差异；
基于所述差异调整所述神经网络的网络参数；
将所述三维梯度回波数据输入神经网络，包括：
将包括不同数据类型的二维成像数据的训练样本分别输入不同的神经网络进行模型训练，以得到输出的三维加权图像的合成对比度与模型训练时二维成像数据的数据类型相对应的多个图像重建模型。
7.如权利要求6所述的成像数据的处理方法，其特征在于，所述二维成像数据包括以下数据类型中的至少一种：
二维TSE数据、二维FLAIR数据、二维DWI数据。
8.一种图像重建设备，其特征在于，所述图像重建设备包括：
获取模块，用于获取待图像重建的三维梯度回波数据；
输入模块，用于将所述待图像重建的三维梯度回波数据输入图像重建模型，其中，所述图像重建模型预先采用多组成像数据对神经网络训练得到，每组所述成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
图像重建模块，用于使用所述图像重建模型对输入的三维梯度回波数据进行图像重建，获取目标合成对比度的三维加权图像；所述图像重建模型输出的三维加权图像的目标合成对比度与模型训练时二维成像数据的数据类型相对应。
9.如权利要求8所述的图像重建设备，其特征在于，所述二维成像数据包括以下数据类型中的至少一种：
二维TSE数据、二维FLAIR数据、二维DWI数据。
10.如权利要求8所述的图像重建设备，其特征在于，所述图像重建设备还包括：
计算模块，用于根据所述三维梯度回波数据计算量化参数，并根据量化参数建立定量拓扑图像；和/或，从所述三维梯度回波数据中提取目标回波，并根据所述目标回波建立加权图像。
11.如权利要求10所述的图像重建设备，其特征在于，在建立所述定量拓扑图像时，所述计算模块具体用于：
对所述三维梯度回波数据中所有回波进行最小二乘线性处理，得到量化参数R2 *值，以建立R2 *定量图像；
和/或，计算所述三维梯度回波数据中每个回波对应的组织空间磁化分布数据，根据所述组织空间磁化分布数据计算量化参数QSM，以建立QSM定量图像；
在建立所述加权图像时，所述计算模块具体用于：
从所述三维梯度回波数据中提取回波时间最短的目标回波，根据所述回波时间最短的目标回波建立T1加权图；
和/或，从所述三维梯度回波数据中提取回波时间均大于第一阈值的相邻的两个目标回波，根据所述相邻的两个目标回波建立T2 *加权图像；
和/或，对所述三维梯度回波数据中所有回波做加权平均融合处理，根据处理结果建立eT2 *加权图像；
和/或，从所述三维梯度回波数据中提取回波时间大于第二阈值的一个目标回波或两个目标回波，根据所述一个目标回波或两个目标回波建立SWI加权图像。
12.如权利要求8所述的图像重建设备，其特征在于，所述图像重建设备还包括模型训练模块，用于：
针对每组成像数据，根据所述成像数据中成像对象的三维梯度回波数据对所述成像数据中成像对象的二维成像数据进行插值处理，得到计算的三维成像数据；
将所述三维梯度回波数据输入神经网络，并确定所述神经网络输出的三维成像数据与所述计算的三维成像数据之间的差异；
基于所述差异调整所述神经网络的网络参数。
13.一种成像数据的处理装置，其特征在于，所述处理装置包括：
获取模块，用于获取多组成像数据作为神经网络的训练样本；每组成像数据包括：成像对象的三维梯度回波数据和二维成像数据；
插值模块，用于针对每组成像数据，根据所述三维梯度回波数据对所述二维成像数据进行插值处理，得到计算的三维成像数据；
输入模块，用于将所述三维梯度回波数据输入神经网络，并确定所述神经网络输出的三维成像数据与所述计算的三维成像数据之间的差异；所述输入模块具体用于：将包括不同数据类型的二维成像数据的训练样本分别输入不同的神经网络进行模型训练，以得到输出的三维加权图像的合成对比度与模型训练时二维成像数据的数据类型相对应的多个图像重建模型；
调整模块，用于基于所述差异调整所述神经网络的网络参数。
14.如权利要求13所述的成像数据的处理装置，其特征在于，所述二维成像数据包括以下数据类型中的至少一种：
二维TSE数据、二维FLAIR数据、二维DWI数据。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至5任一项所述的图像重建方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的图像重建方法的步骤。
17.一种电子设备，包括存储器、处理器及存储在存储器上并可在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权利要求6或7所述的成像数据的处理方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求6或7所述的成像数据的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911077394.XA CN110992435B (zh) | 2019-11-06 | 2019-11-06 | 图像重建方法及设备、成像数据的处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911077394.XA CN110992435B (zh) | 2019-11-06 | 2019-11-06 | 图像重建方法及设备、成像数据的处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110992435A CN110992435A (zh) | 2020-04-10 |
| CN110992435B true CN110992435B (zh) | 2023-10-20 |
Family
ID=70083268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911077394.XA Active CN110992435B (zh) | 2019-11-06 | 2019-11-06 | 图像重建方法及设备、成像数据的处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992435B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681184B (zh) * | 2020-06-09 | 2023-02-24 | 复旦大学附属华山医院 | 一种神经黑色素图像重建方法、装置、设备和存储介质 |
| CN113900056A (zh) * | 2021-10-18 | 2022-01-07 | 国家纳米科学中心 | 流速测量方法、装置及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102106741A (zh) * | 2009-12-25 | 2011-06-29 | 东软飞利浦医疗设备系统有限责任公司 | 一种二维超声图像的三维重建方法 |
| CN102800124A (zh) * | 2011-05-26 | 2012-11-28 | 西门子公司 | 获取与图像对象相关的3d图像数据组的方法 |
| CN104363829A (zh) * | 2012-05-23 | 2015-02-18 | 皇家飞利浦有限公司 | 多回波presto |
| CN104597419A (zh) * | 2015-01-04 | 2015-05-06 | 华东师范大学 | 一种结合导航回波与压缩感知的运动伪影矫正方法 |
| CN105005011A (zh) * | 2014-04-17 | 2015-10-28 | 阿尔伯特-路德维希-弗莱堡大学 | 在三维快速自旋回波中的混合采集的磁共振成像方法 |
| CN105005012A (zh) * | 2015-06-05 | 2015-10-28 | 北京大学 | 基于压缩感知的腹部器官动态对比增强磁共振成像方法 |
| CN107203988A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种由二维x光图像重建三维体图像的方法及其应用 |
| CN107271937A (zh) * | 2017-07-04 | 2017-10-20 | 大连锐谱科技有限责任公司 | 一种三维多参数加权磁共振成像的同步采集和校准方法 |
| CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
| CN108431624A (zh) * | 2015-12-17 | 2018-08-21 | 皇家飞利浦有限公司 | 定量磁化率映射磁共振图像的分割 |
| CN108663644A (zh) * | 2018-03-14 | 2018-10-16 | 厦门大学 | 基于残差网络重建的单扫描定量磁共振t2*成像方法 |
| CN109448070A (zh) * | 2018-11-06 | 2019-03-08 | 明峰医疗系统股份有限公司 | 一种ct宽展视野的重建方法 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
| CN110068783A (zh) * | 2019-04-29 | 2019-07-30 | 华东师范大学 | 一种消除脂肪伪影的化学交换饱和转移成像方法 |
| CN110148084A (zh) * | 2019-05-21 | 2019-08-20 | 智慧芽信息科技(苏州)有限公司 | 由2d图像重建3d模型的方法、装置、设备及存储介质 |
| CN110174632A (zh) * | 2019-06-10 | 2019-08-27 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、成像设备及磁共振成像系统 |
| CN110288695A (zh) * | 2019-06-13 | 2019-09-27 | 电子科技大学 | 基于深度学习的单帧图像三维模型表面重建方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8433157B2 (en) * | 2006-05-04 | 2013-04-30 | Thomson Licensing | System and method for three-dimensional object reconstruction from two-dimensional images |
| JP5940356B2 (ja) * | 2012-04-23 | 2016-06-29 | 株式会社リガク | ３次元ｘ線ｃｔ装置、３次元ｃｔ画像再構成方法、及びプログラム |
| US9129422B2 (en) * | 2013-02-25 | 2015-09-08 | Siemens Aktiengesellschaft | Combined surface reconstruction and registration for laparoscopic surgery |
-
2019
- 2019-11-06 CN CN201911077394.XA patent/CN110992435B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102106741A (zh) * | 2009-12-25 | 2011-06-29 | 东软飞利浦医疗设备系统有限责任公司 | 一种二维超声图像的三维重建方法 |
| CN102800124A (zh) * | 2011-05-26 | 2012-11-28 | 西门子公司 | 获取与图像对象相关的3d图像数据组的方法 |
| CN104363829A (zh) * | 2012-05-23 | 2015-02-18 | 皇家飞利浦有限公司 | 多回波presto |
| CN105005011A (zh) * | 2014-04-17 | 2015-10-28 | 阿尔伯特-路德维希-弗莱堡大学 | 在三维快速自旋回波中的混合采集的磁共振成像方法 |
| CN104597419A (zh) * | 2015-01-04 | 2015-05-06 | 华东师范大学 | 一种结合导航回波与压缩感知的运动伪影矫正方法 |
| CN105005012A (zh) * | 2015-06-05 | 2015-10-28 | 北京大学 | 基于压缩感知的腹部器官动态对比增强磁共振成像方法 |
| CN108431624A (zh) * | 2015-12-17 | 2018-08-21 | 皇家飞利浦有限公司 | 定量磁化率映射磁共振图像的分割 |
| CN107203988A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种由二维x光图像重建三维体图像的方法及其应用 |
| CN107271937A (zh) * | 2017-07-04 | 2017-10-20 | 大连锐谱科技有限责任公司 | 一种三维多参数加权磁共振成像的同步采集和校准方法 |
| CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
| CN108663644A (zh) * | 2018-03-14 | 2018-10-16 | 厦门大学 | 基于残差网络重建的单扫描定量磁共振t2*成像方法 |
| CN109448070A (zh) * | 2018-11-06 | 2019-03-08 | 明峰医疗系统股份有限公司 | 一种ct宽展视野的重建方法 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
| CN110068783A (zh) * | 2019-04-29 | 2019-07-30 | 华东师范大学 | 一种消除脂肪伪影的化学交换饱和转移成像方法 |
| CN110148084A (zh) * | 2019-05-21 | 2019-08-20 | 智慧芽信息科技(苏州)有限公司 | 由2d图像重建3d模型的方法、装置、设备及存储介质 |
| CN110174632A (zh) * | 2019-06-10 | 2019-08-27 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、成像设备及磁共振成像系统 |
| CN110288695A (zh) * | 2019-06-13 | 2019-09-27 | 电子科技大学 | 基于深度学习的单帧图像三维模型表面重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110992435A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tezcan et al. | MR image reconstruction using deep density priors | |
| CN103477238B (zh) | 采用来自先验采集的约束的压缩感测mr图像重建 | |
| Lv et al. | Transfer learning enhanced generative adversarial networks for multi-channel MRI reconstruction | |
| CN108829639B (zh) | 一种磁共振成像方法和设备 | |
| Hamilton et al. | Machine learning for rapid magnetic resonance fingerprinting tissue property quantification | |
| JP5719968B2 (ja) | Ｍｒデータを収集する方法及び装置 | |
| EP2610632A1 (en) | MRI with Dixon-type water/fat separation and prior knowledge about inhomogeneity of the main magnetic field | |
| CN106574954A (zh) | 针对epi的具有奈奎斯特伪影校正的并行mr成像 | |
| JP2009508635A (ja) | 運動コード化ｍｒ画像の高度に限定された再構成 | |
| CN110889897B (zh) | 一种体素内不相干运动磁共振成像参数重建方法及系统 | |
| CN103957785A (zh) | Mr电学性质断层摄影 | |
| CN102590773B (zh) | 磁共振成像的方法和系统 | |
| Jhamb et al. | A review on image reconstruction through MRI k-space data | |
| CN105829906A (zh) | 具有水/脂肪分离的相位敏感的反转恢复mri | |
| CN110992435B (zh) | 图像重建方法及设备、成像数据的处理方法及装置 | |
| WO2016050938A1 (en) | Magnetic resonance imaging with enhanced bone visualization | |
| CN114167334B (zh) | 磁共振图像的重建方法、装置及电子设备 | |
| Wang et al. | High fidelity direct-contrast synthesis from magnetic resonance fingerprinting in diagnostic imaging | |
| Cheng et al. | Compressed sensing: From research to clinical practice with data-driven learning | |
| US11266324B2 (en) | System and methods for fast multi-contrast magnetic resonance imaging | |
| US10818047B2 (en) | Iterative reconstruction of quantitative magnetic resonance images | |
| US10114095B2 (en) | Multi-spectral MRI scan with magnetization recovery | |
| He et al. | Compressed sensing-based simultaneous recovery of magnitude and phase MR images via dual trigonometric sparsity | |
| Ciancarella et al. | Adaptive sampling and reconstruction for sparse magnetic resonance imaging | |
| Cheng et al. | deep MR parametric mapping with unsupervised multi-tasking framework |
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 |