CN111080731A - 弥散加权成像方法及装置 - Google Patents
弥散加权成像方法及装置 Download PDFInfo
- Publication number
- CN111080731A CN111080731A CN201911100284.0A CN201911100284A CN111080731A CN 111080731 A CN111080731 A CN 111080731A CN 201911100284 A CN201911100284 A CN 201911100284A CN 111080731 A CN111080731 A CN 111080731A
- Authority
- CN
- China
- Prior art keywords
- image
- sample data
- dwi
- excitation
- group
- 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
- 238000002597 diffusion-weighted imaging Methods 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 119
- 230000005284 excitation Effects 0.000 claims abstract description 210
- 230000008569 process Effects 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000003384 imaging method Methods 0.000 abstract description 33
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007499 fusion processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种弥散加权成像方法及装置。本发明实施例通过获取对待检测体进行多次激发弥散加权成像的一次扫描过程中各单次激发采集的数据,对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像,利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像,利用模型进行图像重建,缩短了成像时间,提高了成像速度。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种弥散加权成像方法及装置。
背景技术
弥散加权成像(Diffusion Weighted Imaging,DWI)与传统的磁共振成像(Magnetic Resonance Imaging,MRI)技术不同,它主要依赖水分子的运动而非组织的自旋质子密度、T1值或T2值,为组织成像对比提供了一种崭新的技术。
相关技术中,弥散加权成像采用多次激发方式。多次激发弥散加权成像过程是:采用指定的序列对待检测体进行多次激发,每次激发采集部分K空间数据;对多次激发采集的全部数据进行融合处理,以解决各单次激发之间存在的相位差异的问题;利用融合处理后的数据采用传统重建方式进行图像重建,得到DWI图像。这种方式获得的图像质量较高,但所需的成像时间较长,导致成像速度较慢。
发明内容
为克服相关技术中存在的问题,本发明提供了一种弥散加权成像方法及装置,提高弥散加权成像的成像速度。
根据本发明实施例的第一方面,提供一种弥散加权成像方法,所述方法包括:
获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据;
对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像;
利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像。
根据本发明实施例的第二方面,提供一种弥散加权成像装置,所述装置包括:
数据获取模块,用于获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据;
单次重建模块,用于对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像;
处理模块,用于利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像。
本发明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,通过获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据,对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像,利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像,利用模型进行图像重建,缩短了成像时间,提高了成像速度。
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,并不能限制本说明书。
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,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本发明实施例提供的弥散加权成像方法的流程示例图。
图2是本发明实施例提供的样本数据的获取方式示例图。
图3是本发明实施例提供的弥散加权成像装置的功能方块图。
图4是本发明实施例提供的控制台设备的一个硬件结构图。
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、本发明实施例的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的,而非旨在限制本发明实施例。在本发明实施例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,尽管在本发明实施例可能采用术语第一、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,在不脱离本发明实施例范围的情况下,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”。
DWI通过施加弥散敏感梯度,增加了序列对水分子布朗运动的敏感性,也导致DWI成像对运动十分敏感。
常见的DWI成像方式有两种:单次激发弥散加权成像,本文中简称单次激发方式,和多次激发弥散加权成像,本文中简称多次激发方式。其中多次激发方式在前述已有说明,此处不再赘述。
单次激发弥散加权成像过程是:采用指定的序列对待检测体进行单次激发,一次采集全部K空间数据;对单次激发采集的数据进行图像重建,得到DWI图像。这种方式相对于多次激发方式所需的成像时间较短,成像速度较快。但是,单次激发的K空间矩阵大小受限,使得图像空间分辨率较低。并且这种方式在相位编码方向有较严重的扭曲,导致图像质量较差。
可见,相关技术中的两种DWI成像方式都无法兼顾图像质量和成像速度。
本发明实施例提供一种弥散加权成像方法,能够兼顾图像质量和成像速度。
下面通过实施例对本发明提供的弥散加权成像方法的流程进行说明。
图1是本发明实施例提供的弥散加权成像方法的流程示例图。如图1所示,弥散加权成像方法可以包括:
S101,获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据。
S102,对于每个单次激发,根据单次激发采集的数据进行图像重建,获得单次激发对应的DWI图像。
S103,利用预先生成的图像重建模型对各单次激发对应的DWI图像进行处理,得到目标DWI图像。
本文的所有实施例中,采用的弥散加权成像方式都为多次激发弥散加权成像,即前述的多次激发方式。
需要说明的是,本实施例中的单次激发是指多次激发中的一次激发,每个单次激发只采集部分K空间数据。
在步骤S101中,多次激发中包括的激发次数与步骤S103中图像重建模型的输入数量相同。例如,若多次激发中包括4次激发,则图像重建模型的输入为4个。
在步骤S102中,获得的DWI图像的数量与多次激发中包括的单次激发的数量相同。例如,若多次激发中包括4个单次激发,则通过步骤S102会获得4幅DWI图像。
在步骤S103中,图像重建模型为深度神经网络模型。将各单次激发对应的DWI图像输入图像重建模型,图像重建模型的输出即为目标DWI图像。
相比于相关技术中多次激发方式在采集数据后,对数据进行融合处理再采用传统重建方式进行图像重建的过程,本实施例不需要融合处理过程,并且步骤S103利用图像重建模型完成图像重建,大幅减少了用时,缩短了成像过程所需的时间,因此提高了成像速度。
并且,相比于相关技术中单次激发方式,本实施例在采集时采用多次激发,解除了对单次激发的K空间矩阵大小的限制,从而提高了图像空间分辨率。
在应用中,可以预先根据输入图像的数量分别训练图像重建模型并存储。在使用过程中,根据多次激发中包括的单次激发的数量来选择图像重建模型。
因此,在步骤S103之前,所述方法还可以包括如下步骤:
从预先生成的多个图像重建模型中,选择与多次激发中包括的单次激发的数量相同的目标图像重建模型;
则步骤S103包括:利用目标图像重建模型对各单次激发对应的DWI图像进行处理,得到目标DWI图像。
在一个示例性的实现过程中,所述图像重建模型的生成方法可以包括:
设置深度神经网络模型,并设置所述深度神经网络模型的初始参数值,以及设置所述深度神经网络模型的输入的数量N;
获取样本数据,每组样本数据包括N个输入图像以及一个标签图像,所述输入图像为多次激发中的单次激发对应的重建图像,所述标签图像为多次激发中的M次单次激发的采集数据对应的重建图像;
利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,以所述训练完毕的深度神经网络模型作为图像重建模型;
其中,M、N为自然数。
在应用中,可以根据输入图像的数量分别训练深度神经网络模型。例如,输入图像的数量为2时,利用本实施例方法训练一个深度神经网络模型,输入图像的数量为3时,利用本实施例方法训练一个深度神经网络模型……。在训练完成后,将训练好的深度神经网络模型(也即图像重建模型)与相应的输入图像数量对应存储起来。
其中,标签图像和输入图像是针对同一被检体的重建图像。标签图像重建所需的数据量大于单幅输入图像重建所需的数据量。
例如,对被检体进行的4次激发,该4次激发采集的数据分别为数据1、数据2、数据3和数据4。则输入图像有4幅,输入图像1是根据数据1重建得到的,输入图像2是根据数据2重建得到的,输入图像3是根据数据3重建得到的,输入图像4是根据数据4重建得到的,标签图像是根据数据1、数据2、数据3和数据4重建得到的。
或者,输入图像有2幅,输入图像可以是上述输入图像1~4中的任意两个;标签图像是根据数据1、数据2、数据3和数据4中的至少两个重建得到的。
其中,标签图像可以根据任意一种传统重建方法重建得到。例如,一种传统的多次激发DWI重建方法是:将一次扫描过程中获得的多个单次激发数据进行重建,然后通过数学方法估计各个单次激发间的相位差异并进行修正,最后重建出多次激发的DWI图像。其他传统的多次激发DWI重建方法例如在K空间进行相位差异的修正,以及增加额外的扫描序列修正相位误差等。本实施例对制作标签图像的具体方法不做限制。
在一个示例性的实现过程中,M大于或等于N。
当M大于N时,本实施例不仅能够提高成像速度,还能够提高图像质量。
例如,仍以上述包括4次激发为例。如果训练时输入图像为2幅,例如前述的输入图像1和输入图像2,而标签图像是根据数据1、数据2、数据3和数据4重建得到的,则以该样本数据训练出来的图像重建模型在使用时,只需要进行包括2次激发,通过模型输出的重建图像质量等效于4次激发对应的重建图像的质量,这样既减少了采集次数,缩短了成像时间,又提高了重建图像的图像质量。
本实施例通过优化标签图像的质量,提高了图像重建模型输出的重建图像的质量。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像的一次扫描过程中各单次激发采集的数据,所述多次激发的激发次数等于N;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的第一DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得所述多次激发对应的第二DWI图像;
将所述一次扫描过程中中全部单次激发对应的第一DWI图像作为一组样本数据中的输入图像,将所述第二DWI图像作为该组样本数据中的标签图像。
本实施例中,样本数据中的输入图像为多次激发中所有单次激发对应的重建图像,标签图像为多次激发对应的重建图像,标签图像重建所需的数据量与所有输入图像重建所需的数量之和相等。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像的一次扫描过程中各单次激发采集的数据,所述多次激发的激发次数大于N;
从所述一次扫描过程中的全部单次激发中,选择N目标个单次激发;
对于每个目标单次激发,根据所述目标单次激发采集的数据进行图像重建,获得所述目标单次激发对应的第三DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得多次激发对应的第四DWI图像;
将所述N个目标单次激发对应的第三DWI图像作为一组样本数据中的输入图像,将所述第四DWI图像作为该组样本数据中的标签图像。
本实施例中,样本数据中的输入图像为多次激发中部分单次激发对应的重建图像,标签图像为多次激发对应的重建图像,标签图像重建所需的数据量大于所有输入图像重建所需的数量之和,使得训练出的图像重建模型能够输出更高图像质量的重建图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,进行多次激发弥散加权成像的多次扫描,获取每次扫描中各单次激发采集的数据,每次扫描中单次激发的数量等于N多次激发的激发次数;
从所述多次扫描中选择一次扫描作为目标扫描;
对于所述目标扫描中的每个单次激发,根据所述单次激发采集的数据进行图像重建,获得单次激发对应的第五DWI图像;
对于所述多次扫描中的每次扫描,分别根据该次扫描的全部采集数据进行图像重建,获得所述多次扫描对应的多个第六DWI图像;
根据所述多个第六DWI图像确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述多个第六DWI图像中相应像素的像素值的平均值;
将所述目标扫描中各个单次激发对应的第五DWI图像作为一组样本数据中的输入图像,将所述第六DWI图像作为该组样本数据中的标签图像。
对于本实施例,这里采用图示进行说明。图2是本发明实施例提供的样本数据的获取方式示例图。图2中,图像(b)、图像(c)、图像(d)、图像(e)分别是对头部进行4次激发中的第一次激发(shot1)、第二次激发(shot2)、第三次激发(shot3)、第四次激发(shot4)对应的重建图像,图像(a)是该4次激发采集的K空间数据(4-shot K-space)对应的重建图像。图像(a1)~(a6)中的每个图像都是按照图像(a)的方式获得的重建图像,则图像(b)、图像(c)、图像(d)、图像(e)为样本数据中的输入图像,样本数据中的标签图像是根据图像(a1)~(a6)进行平均化得到的。平均化的过程中,对于标签图像中的每一个像素点,求图像(a1)~(a6)中相应像素点的像素值的平均值,以该平均值作为标签图像中该像素点的像素值。
本实施例中,样本数据中的输入图像为多次描中一次扫描中的全部单次激发对应的重建图像,标签图像为多次扫描对应的重建图像的平均图像,标签图像重建所需的数据量是所有输入图像重建所需的数量之和的若干倍数,使得训练出的图像重建模型能够进一步提高输出重建图像的图像质量。
在一个示例性的实现过程中,所述获取样本数据,包括:
对于已有的每一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为一组样本数据。
其中,预设处理可以包括翻转、分块等。
通过对已有样本数据进行预设处理,能够使样本数据的量成倍增加。例如,对样本数据1中的每个图像进行翻转,得到样本数据2,则由一组样本数据增加到2组样本数据。
其中,分块是指从原始图像中随机切出若干个比原始图像小的图像块,利用切出的图像块训练模型。例如从尺寸为192×192的原始图像中,可以随机切出若干个尺寸为128×128的图像块。这样,一幅原始图像就可以切出很多图像块,每个图像块都可以看作是一幅新的图像,从而大幅增加了样本数量。
本实施例通过利用已有的样本数据进行数据增广,使得样本数据能够成倍增加,从而能够在样本数据较少的情况下提高模型的鲁棒性。
在一个示例性的实现过程中,利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,可以包括:
在训练过程中,第1组样本数据对应的深度神经网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度神经网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的N个输入图像输入该组样本数据对应的深度神经网络模型,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度神经网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度神经网络模型作为训练完毕的深度神经网络模型。
在一个示例性的实现过程中,上述的训练过程还包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的值,以损失函数的值作为所述输出重建图像与该组样本数据中标签图像的差异值。
在一个示例性的实现过程中,所述损失函数为多个不同的基础损失函数的加权之和。
其中,基础损失函数可以为用户选择的损失函数。例如,在一个示例中,用户可以选择pixel-wise loss(逐个像素差异损失函数)、perceptual loss(感知损失函数)、adversarial loss(对抗损失函数)作为基础损失函数,令模型训练过程中的损失函数等于该3个损失函数的加权和。各个基础损失函数的权重可以根据经验设定。
DWI成像过程的总时间由数据采集时间和重建时间组成。本发明实施例,利用模型进行图像重建,相比于相关技术中的传统重建方式显著提升了重建速度,因此缩短了重建所需的时间,从而缩短了整个成像过程所用时间,提高了成像速度。
进一步地,当本发明实施例采用的图像重建模型是用标签图像所用采集数据量大于输入图像所用采集数据量之和的样本数据训练时,能够用较少的多次激发进行数据采集,获得与相关技术中较多的多次激发时的成像效果相同的成像效果。例如,当图像重建模型是用图2所示的样本数据训练的时,本实施例4次激发时的成像效果与相关技术中24次激发时的成像效果相同。相关技术中达到该成像效果需要采集24次,本实施例只需要采集4次,大幅减少了采集时间,从而缩短了整个成像过程所用时间,提高了成像速度,并且获得了24次激发时的成像效果,兼顾了成像速度和图像质量。
本发明实施例提供的弥散加权成像方法,通过获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据,对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像,利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像,利用模型进行图像重建,缩短了成像时间,提高了成像速度。
基于上述的方法实施例,本发明实施例还提供了相应的装置、设备、系统及存储介质实施例。关于本发明实施例的装置、系统及存储介质实施例的详细实现方式,请参见前述方法实施例部分的相应说明。
图3是本发明实施例提供的弥散加权成像装置的功能方块图。如图3所示,本实施例中,弥散加权成像装置可以包括:
数据获取模块310,用于获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据;
单次重建模块320,用于对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像;
处理模块330,用于利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像。
在一个示例性的实现过程中,所述图像重建模型的生成方法包括:
设置深度神经网络模型,并设置所述深度神经网络模型的初始参数值,以及设置所述深度神经网络模型的输入的数量N;
获取样本数据,每组样本数据包括N个输入图像以及一个标签图像,所述输入图像为多次激发中的单次激发对应的重建图像,所述标签图像为多次激发中的M次单次激发的采集数据对应的重建图像;
利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,以所述训练完毕的深度神经网络模型作为图像重建模型;
其中,M、N为自然数。
在一个示例性的实现过程中,其特征在于,M大于或等于N。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据,所述多次激发的激发次数等于N;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的第一DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得所述第一多次激发对应的第二DWI图像;
将所述一次扫描过程中全部单次激发对应的第一DWI图像作为一组样本数据中的输入图像,将所述第二DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据,所述多次激发的激发次数大于N;
从所述一次扫描过程中的全部单次激发中,选择N个目标单次激发;
对于每个目标单次激发,根据所述目标单次激发采集的数据进行图像重建,获得所述单次激发对应的第三DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得多次激发对应的第四DWI图像;
将所述N个目标单次激发对应的第三DWI图像作为一组样本数据中的输入图像,将所述第四DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行多次激发弥散加权成像的多次扫描,获取每次扫描中各单次激发采集的数据,每次扫描中单次激发的数量等于N多次激发的激发次数;
从所述多次扫描中选择一次扫描作为目标扫描;
对于所述目标扫描中的每个单次激发,根据所述单次激发采集的数据进行图像重建,获得单次激发对应的第五DWI图像;
对于所述多次扫描中的每次扫描,分别根据该次扫描的全部采集数据进行图像重建,获得所述多次扫描对应的多个第六DWI图像;
根据所述多个第六DWI图像确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述多个第六DWI图像中相应像素的像素值的平均值;
将所述目标扫描中各个单次激发对应的第五DWI图像作为一组样本数据中的输入图像,将所述第六DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
对于已有的每一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为一组样本数据。
在一个示例性的实现过程中,利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,包括:
在训练过程中,第1组样本数据对应的深度神经网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度神经网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的N个输入图像输入该组样本数据对应的深度神经网络模型,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度神经网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度神经网络模型作为训练完毕的深度神经网络模型。
在一个示例性的实现过程中,所述训练过程还可以包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的值,以损失函数的值作为所述输出重建图像与该组样本数据中标签图像的差异值。
在一个示例性的实现过程中,所述损失函数为多个不同的基础损失函数的加权之和。
本发明实施例还提供了一种控制台设备。图4是本发明实施例提供的控制台设备的一个硬件结构图。如图4所示,控制台设备包括:内部总线401,以及通过内部总线401连接的存储器402,处理器403和外部接口404。
所述存储器402,用于存储弥散加权成像逻辑对应的机器可读指令;所述处理器403,用于读取存储器402上的机器可读指令,并执行所述指令以实现如下操作:
获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据;
对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像;
利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像。
在一个示例性的实现过程中,所述图像重建模型的生成方法包括:
设置深度神经网络模型,并设置所述深度神经网络模型的初始参数值,以及设置所述深度神经网络模型的输入的数量N;
获取样本数据,每组样本数据包括N个输入图像以及一个标签图像,所述输入图像为多次激发中的单次激发对应的重建图像,所述标签图像为多次激发中的M次单次激发的采集数据对应的重建图像;
利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,以所述训练完毕的深度神经网络模型作为图像重建模型;
其中,M、N为自然数。
在一个示例性的实现过程中,M大于或等于N。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像的一次扫描过程中各单次激发采集的数据,所述第一多次激发的激发次数等于N;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的第一DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得所述第一多次激发对应的第二DWI图像;
将所述一次扫描过程中全部单次激发对应的第一DWI图像作为一组样本数据中的输入图像,将所述第二DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体多次激发进行弥散加权成像DWI的一次扫描过程中各单次激发采集的数据,所述第二多次激发的激发次数大于N;
从所述一次扫描过程中的全部单次激发中,选择N个目标单次激发;
对于每个目标单次激发,根据所述目标单次激发采集的数据进行图像重建,获得所述目标单次激发对应的第三DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得多次激发对应的第四DWI图像;
将所述N个目标单次激发对应的第三DWI图像作为一组样本数据中的输入图像,将所述第四DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行多次激发弥散加权成像的多次扫描,获取每次扫描中各单次激发采集的数据,每次扫描中单次激发的数量等于N;
从所述多次扫描中选择一次扫描作为目标扫描;多次激发的激发次数
对于所述目标扫描中的每个单次激发,根据所述单次激发采集的数据进行图像重建,获得单次激发对应的第五DWI图像;
对于所述多次扫描中的每次扫描,分别根据该次扫描的全部采集数据进行图像重建,获得所述多次扫描对应的多个第六DWI图像;
根据所述多个第六DWI图像确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述多个第六DWI图像中相应像素的像素值的平均值;
将所述目标扫描中各个单次激发对应的第五DWI图像作为一组样本数据中的输入图像,将所述第六DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
对于已有的每一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为一组样本数据。
在一个示例性的实现过程中,利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,包括:
在训练过程中,第1组样本数据对应的深度神经网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度神经网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的N个输入图像输入该组样本数据对应的深度神经网络模型,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度神经网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度神经网络模型作为训练完毕的深度神经网络模型。
在一个示例性的实现过程中,所述训练过程还包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的值,以损失函数的值作为所述输出重建图像与该组样本数据中标签图像的差异值。
在一个示例性的实现过程中,所述损失函数为多个不同的基础损失函数的加权之和。
本发明实施例还提供一种弥散加权成像系统,该弥散加权成像系统包括扫描床和控制台设备,其中,所述控制台设备可以用于执行前述的任一种弥散加权成像方法,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据;
对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像;
利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像。
在一个示例性的实现过程中,所述图像重建模型的生成方法包括:
设置深度神经网络模型,并设置所述深度神经网络模型的初始参数值,以及设置所述深度神经网络模型的输入的数量N;
获取样本数据,每组样本数据包括N个输入图像以及一个标签图像,所述输入图像为多次激发中的单次激发对应的重建图像,所述标签图像为多次激发中的M次单次激发的采集数据对应的重建图像;
利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,以所述训练完毕的深度神经网络模型作为图像重建模型;
其中,M、N为自然数。
在一个示例性的实现过程中,M大于或等于N。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像的一次扫描过程中各单次激发采集的数据,所述多次激发的激发次数等于N;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的第一DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得多次激发对应的第二DWI图像;
将所述一次扫描过程中全部单次激发对应的第一DWI图像作为一组样本数据中的输入图像,将所述第二DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像的一次扫描过程中各单次激发采集的数据,所述多次激发的激发次数大于N;
从所述一次扫描过程中的全部单次激发中,选择N个目标单次激发;
对于每个目标单次激发,根据所述目标单次激发采集的数据进行图像重建,获得所述目标单次激发对应的第三DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得所述第二多次激发对应的第四DWI图像;
将所述N个目标单次激发对应的第三DWI图像作为一组样本数据中的输入图像,将所述第四DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行多次激发弥散加权成像的多次扫描,获取每次扫描中各单次激发采集的数据,每次扫描中单次激发的数量等于N;
从所述多次扫描中选择一次扫描作为目标扫描;
对于所述目标扫描中的每个单次激发,根据所述单次激发采集的数据进行图像重建,获得单次激发对应的第五DWI图像;
对于所述多次扫描中的每次扫描,分别根据该次扫描的全部采集数据进行图像重建,获得所述多次扫描对应的多个第六DWI图像;
根据所述多个第六DWI图像确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述多个第六DWI图像中相应像素的像素值的平均值;
将所述目标扫描中各个单次激发对应的第五DWI图像作为一组样本数据中的输入图像,将所述第六DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
对于已有的每一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为一组样本数据。
在一个示例性的实现过程中,利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,包括:
在训练过程中,第1组样本数据对应的深度神经网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度神经网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的N个输入图像输入该组样本数据对应的深度神经网络模型,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度神经网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度神经网络模型作为训练完毕的深度神经网络模型。
在一个示例性的实现过程中,所述训练过程还包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的值,以损失函数的值作为所述输出重建图像与该组样本数据中标签图像的差异值。
在一个示例性的实现过程中,所述损失函数为多个不同的基础损失函数的加权之和。
对于装置和设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (11)
1.一种弥散加权成像方法,其特征在于,所述方法包括:
获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据;
对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像;
利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像。
2.根据权利要求1所述的方法,其特征在于,所述图像重建模型的生成方法包括:
设置深度神经网络模型,并设置所述深度神经网络模型的初始参数值,以及设置所述深度神经网络模型的输入的数量N;
获取样本数据,每组样本数据包括N个输入图像以及一个标签图像,所述输入图像为多次激发中的单次激发对应的重建图像,所述标签图像为多次激发中的M次单次激发的采集数据对应的重建图像;
利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,以所述训练完毕的深度神经网络模型作为图像重建模型;
其中,M、N为自然数。
3.根据权利要求2所述的方法,其特征在于,M大于或等于N。
4.根据权利要求2所述的方法,其特征在于,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像DWI的一次扫描过程中多次激发各单次激发采集的数据,所述多次激发的激发次数等于N;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的第一DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得多次激发对应的第二DWI图像;
将所述一次扫描过程中中全部单次激发对应的第一DWI图像作为一组样本数据中的输入图像,将所述第二DWI图像作为该组样本数据中的标签图像。
5.根据权利要求2所述的方法,其特征在于,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据,所述多次激发的激发次数大于N;
从所述一次扫描过程中的全部单次激发中,选择N个目标单次激发;
对于每个目标单次激发,根据所述目标单次激发采集的数据进行图像重建,获得所述目标单次激发对应的第三DWI图像;
根据所述一次扫描过程中的全部采集数据进行图像重建,获得多次激发对应的第四DWI图像;
将所述N个目标单次激发对应的第三DWI图像作为一组样本数据中的输入图像,将所述第四DWI图像作为该组样本数据中的标签图像。
6.根据权利要求2所述的方法,其特征在于,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行多次激发弥散加权成像的多次扫描,获取每次扫描中各单次激发采集的数据,每次扫描多次激发的激发次数等于N;
从所述多次扫描中选择一次扫描作为目标扫描;
对于所述目标扫描中的每个单次激发,根据所述单次激发采集的数据进行图像重建,获得单次激发对应的第五DWI图像;
对于所述多次扫描中的每次扫描,分别根据该次扫描的全部采集数据进行图像重建,获得所述多次扫描对应的多个第六DWI图像;
根据所述多个第六DWI图像确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述多个第六DWI图像中相应像素的像素值的平均值;
将所述目标扫描中各个单次激发对应的第五DWI图像作为一组样本数据中的输入图像,将所述第六DWI图像作为该组样本数据中的标签图像。
7.根据权利要求2所述的方法,其特征在于,所述获取样本数据,包括:
对于已有的每一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为一组样本数据。
8.根据权利要求2所述的方法,其特征在于,利用所述样本数据对所述深度神经网络模型进行训练,得到训练完毕的深度神经网络模型,包括:
在训练过程中,第1组样本数据对应的深度神经网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度神经网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的N个输入图像输入该组样本数据对应的深度神经网络模型,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度神经网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度神经网络模型作为训练完毕的深度神经网络模型。
9.根据权利要求8所述的方法,其特征在于,所述训练过程还包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的值,以损失函数的值作为所述输出重建图像与该组样本数据中标签图像的差异值。
10.根据权利要求9所述的方法,其特征在于,所述损失函数为多个不同的基础损失函数的加权之和。
11.一种弥散加权成像装置,其特征在于,所述装置包括:
数据获取模块,用于获取对待检测体进行多次激发弥散加权成像DWI的一次扫描过程中各单次激发采集的数据;
单次重建模块,用于对于每个所述单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的DWI图像;
处理模块,用于利用预先生成的图像重建模型对所述各单次激发对应的DWI图像进行处理,得到目标DWI图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100284.0A CN111080731A (zh) | 2019-11-12 | 2019-11-12 | 弥散加权成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100284.0A CN111080731A (zh) | 2019-11-12 | 2019-11-12 | 弥散加权成像方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080731A true CN111080731A (zh) | 2020-04-28 |
Family
ID=70310806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911100284.0A Pending CN111080731A (zh) | 2019-11-12 | 2019-11-12 | 弥散加权成像方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080731A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184845A (zh) * | 2020-09-02 | 2021-01-05 | 东软医疗系统股份有限公司 | 弥散加权图像重建模型的生成方法及装置 |
CN112763958A (zh) * | 2020-12-10 | 2021-05-07 | 复旦大学 | 一种基于神经网络的多次激发平面回波磁共振成像方法 |
CN113066145A (zh) * | 2021-04-29 | 2021-07-02 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113854995A (zh) * | 2021-10-19 | 2021-12-31 | 复旦大学 | 一种基于单次激发的弥散加权成像扫描重建方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663701A (zh) * | 2011-12-12 | 2012-09-12 | 中国科学院深圳先进技术研究院 | 一种磁共振参数重建方法及系统 |
US20140210474A1 (en) * | 2013-01-28 | 2014-07-31 | University Of Southern California | Linear transform for diffusion mri |
WO2017097656A1 (en) * | 2015-12-09 | 2017-06-15 | Koninklijke Philips N.V. | Diffusion mri method for generating a synthetic diffusion image at a high b-value |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
-
2019
- 2019-11-12 CN CN201911100284.0A patent/CN111080731A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663701A (zh) * | 2011-12-12 | 2012-09-12 | 中国科学院深圳先进技术研究院 | 一种磁共振参数重建方法及系统 |
US20140210474A1 (en) * | 2013-01-28 | 2014-07-31 | University Of Southern California | Linear transform for diffusion mri |
WO2017097656A1 (en) * | 2015-12-09 | 2017-06-15 | Koninklijke Philips N.V. | Diffusion mri method for generating a synthetic diffusion image at a high b-value |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184845A (zh) * | 2020-09-02 | 2021-01-05 | 东软医疗系统股份有限公司 | 弥散加权图像重建模型的生成方法及装置 |
CN112184845B (zh) * | 2020-09-02 | 2023-05-05 | 东软医疗系统股份有限公司 | 弥散加权图像重建模型的生成方法及装置 |
CN112763958A (zh) * | 2020-12-10 | 2021-05-07 | 复旦大学 | 一种基于神经网络的多次激发平面回波磁共振成像方法 |
CN112763958B (zh) * | 2020-12-10 | 2022-06-21 | 复旦大学 | 一种基于神经网络的多次激发平面回波磁共振成像方法 |
CN113066145A (zh) * | 2021-04-29 | 2021-07-02 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113066145B (zh) * | 2021-04-29 | 2023-12-26 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113854995A (zh) * | 2021-10-19 | 2021-12-31 | 复旦大学 | 一种基于单次激发的弥散加权成像扫描重建方法及系统 |
CN113854995B (zh) * | 2021-10-19 | 2023-11-24 | 复旦大学 | 一种基于单次激发的弥散加权成像扫描重建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Küstner et al. | Retrospective correction of motion‐affected MR images using deep learning frameworks | |
CN111080731A (zh) | 弥散加权成像方法及装置 | |
US10698063B2 (en) | Motion artifact reduction of magnetic resonance images with an adversarial trained network | |
US11842427B2 (en) | Method and system of motion correction for magnetic resonance imaging | |
CN108896943B (zh) | 一种磁共振定量成像方法和装置 | |
US20200041597A1 (en) | Magnetic Resonance Fingerprinting Image Reconstruction and Tissue Parameter Estimation | |
US11288806B2 (en) | Protocol-aware tissue segmentation in medical imaging | |
CN111443318B (zh) | 磁共振图像处理方法、装置、存储介质和磁共振成像系统 | |
CN110604569B (zh) | 确定图像元中的参数值的方法、磁共振设备和数据载体 | |
CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
CN112184845B (zh) | 弥散加权图像重建模型的生成方法及装置 | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN111583356A (zh) | 一种基于卷积神经网络的磁共振图像合成方法和装置 | |
CN109146802B (zh) | 一种磁共振图像的均匀度校正方法及装置 | |
Wang et al. | Stochastic optimization of three‐dimensional non‐Cartesian sampling trajectory | |
Cui et al. | Unsupervised arterial spin labeling image superresolution via multiscale generative adversarial network | |
CN112785540A (zh) | 一种扩散加权图像的生成系统及方法 | |
Dang et al. | MR‐zero meets RARE MRI: Joint optimization of refocusing flip angles and neural networks to minimize T2‐induced blurring in spin echo sequences | |
CN111311531A (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
US11397232B2 (en) | Combined determination of T1 and a tissue proportion | |
KR100452644B1 (ko) | 영상 처리 방법과 장치, 기록 매체 및 촬상 장치 | |
US20220172410A1 (en) | System, apparatus, and method for incremental motion correction in magnetic resonance imaging | |
Zhang et al. | Temporal interpolation via motion field prediction | |
CN113050009B (zh) | 三维磁共振快速参数成像方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |