CN111157935A - 磁共振成像方法、装置、存储介质及计算机设备 - Google Patents
磁共振成像方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111157935A CN111157935A CN201911419364.2A CN201911419364A CN111157935A CN 111157935 A CN111157935 A CN 111157935A CN 201911419364 A CN201911419364 A CN 201911419364A CN 111157935 A CN111157935 A CN 111157935A
- Authority
- CN
- China
- Prior art keywords
- data
- undersampled
- sampling
- full
- magnetic resonance
- 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.)
- Granted
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
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种磁共振成像方法、装置、存储介质及计算机设备,一方面,本申请在通过欠采样得到K空间数据后,并不是直接进行图像重建,而是首先对欠采样数据进行数据恢复得到对应的全采样数据,然后再基于全采样数据得到对应的磁共振图像;另一方面,本申请在进行数据恢复时,是基于裸数据域的重建数据进行的,相比于图像域的数据,可以避免幅值以及相位信息的丢失,相比于K空间的数据,可以提取更多的显性特征,从而使得磁共振图像包含的特征信息更加丰富,提高磁共振图像的图像质量。
Description
技术领域
本申请涉及磁共振技术领域,特别是涉及一种磁共振成像方法、装置、存储介质及计算机设备。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)根据生物体内的磁性核在静磁场内产生共振信号的特性进行成像,具有图像分辨率高、成像参数多、可任意方向断层、对人体无电离辐射伤害等显著优点,成为当今最先进的医学成像方法之一,在临床上和科学研究中得到了越来越广泛的应用。
常规的磁共振成像的时间较长,导致其成本过高,同时被验者的身体运动会导致影像模糊和运动伪影,为了缩短扫描成像时间,现有技术中通常采用欠采样成像的方式得到磁共振图像。然而,通过欠采样得到的磁共振数据存在数据缺失的问题,从而降低磁共振图像的图像质量。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种有助于提高图像质量的磁共振成像方法、装置、存储介质及计算机设备。
一种磁共振成像方法,包括:
获取通过对K空间数据进行逆傅里叶变换得到的重建数据,所述K空间数据通过欠采样采集得到,所述重建数据包括实部欠采样数据以及虚部欠采样数据;
将所述实部欠采样数据以及所述虚部欠采样数据输入预先训练的数据恢复网络,得到所述实部欠采样数据对应的实部全采样数据以及所述虚部欠采样数据对应的虚部全采样数据;
根据所述实部全采样数据以及所述虚部全采样数据进行图像重建,得到磁共振图像。
一种磁共振成像装置,包括:
数据获取模块,用于获取通过对K空间数据进行逆傅里叶变换得到的重建数据,所述K空间数据通过欠采样采集得到,所述重建数据包括实部欠采样数据以及虚部欠采样数据;
数据恢复模块,用于将所述实部欠采样数据以及所述虚部欠采样数据输入预先训练的数据恢复网络,得到所述实部欠采样数据对应的实部全采样数据以及所述虚部欠采样数据对应的虚部全采样数据;
图像重建模块,用于根据所述实部全采样数据以及所述虚部全采样数据进行图像重建,得到磁共振图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
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上述方法的步骤。
上述磁共振成像方法、装置、存储介质及计算机设备,获取通过对K空间数据进行逆傅里叶变换得到的重建数据,K空间数据通过欠采样采集得到,重建数据包括实部欠采样数据以及虚部欠采样数据;将实部欠采样数据以及虚部欠采样数据输入预先训练的数据恢复网络,得到实部欠采样数据对应的实部全采样数据以及虚部欠采样数据对应的虚部全采样数据;根据实部全采样数据以及虚部全采样数据进行图像重建,得到磁共振图像。
一方面,本申请在通过欠采样得到K空间数据后,并不是直接进行图像重建,而是首先对欠采样数据进行数据恢复得到对应的全采样数据,然后再基于全采样数据得到对应的磁共振图像;另一方面,本申请在进行数据恢复时,是基于裸数据域的重建数据进行的,相比于图像域的数据,可以避免幅值以及相位信息的丢失,相比于K空间的数据,可以提取更多的显性特征,从而使得磁共振图像包含的特征信息更加丰富,提高磁共振图像的图像质量。
附图说明
图1为一个实施例中磁共振成像方法的应用环境图;
图2为一个实施例中磁共振成像方法的流程示意图;
图3为一个实施例中数据恢复网络的训练过程的流程示意图;
图4为一个实施例中通过数据生成网络得到生成数据的流程示意图;
图5为一个实施例中获取欠采样重建数据以及对应的全采样重建数据的流程示意图;
图6为一个实施例中磁共振成像装置的结构示意图;
图7为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中,如图1所示,为本申请的磁共振成像方法的应用环境图,参照图1,该磁共振成像方法可以应用于磁共振成像系统,该磁共振成像系统包括磁共振扫描仪10、处理设备20、存储设备30、一个或以上终端40(例如手机40-1,平板40-2,笔记本电脑40-3等)和网络50。其中,磁共振扫描仪10用于获取磁共振扫描数据并发送至处理设备20,该磁共振扫描数据具体可以为通过欠采样模式采集得到的扫描数据;处理设备20用于根据磁共振扫描数据,通过本申请的磁共振成像方法得到对应的磁共振图像,存储设备30用于存储磁共振扫描数据以及磁共振图像,终端40用于显示磁共振图像以便于用户进行观察分析。磁共振成像系统中的组件可以以一种或多种方式连接。仅作为示例,参考图1,磁共振扫描仪10可以通过网络50连接到处理设备20。又例如,磁共振扫描仪10可以直接与处理设备20连接,如通过连接磁共振成像扫描仪和处理设备20的虚线中的双向箭头所示。再例如,存储设备30可以直接与处理设备20连接(图中未示出)或通过网络50连接。作为又一示例,终端40可以直接与处理设备20连接(如通过连接终端40和处理设备20的虚线中的双向箭头所示)或通过网络50连接。
在一个实施例中,如图2所示,提供一种磁共振成像方法,以该方法应用于可以进行磁共振成像的处理器为例进行解释说明,该方法主要包括以下步骤:
步骤S100,获取通过对K空间数据进行逆傅里叶变换得到的重建数据。
其中,K空间(k-space)也称傅里叶空间,是带有空间定位编码信息的MR信号原始数据的填充空间,K空间数据即填充K空间的原始MR数据。在对目标对象进行磁共振扫描获取原始MR数据时,现有技术为了保证获取足够的扫描数据,通常采用全采样模式对目标对象进行扫描,然而全采样模式下的采样时间较长,在增加扫描成本的同时,目标对象的身体运动也会对图像质量产生影响,因此,本步骤中K空间数据为通过欠采样采集得到,从而可以有效缩短采样时间。
可选地,K空间数据包括多线圈通道的欠采样数据。在通过磁共振扫描仪采集K空间数据时,可以是并行采集多线圈通道的欠采样数据,从而可以更多地利用线圈通道间的灵敏度差异对目标对象进行扫描,提高扫描结果的准确性。
处理器在进行磁共振成像时,首先获取成像所需的数据,该数据具体为通过对欠采样的K空间数据进行逆傅里叶变换得到的重建数据,K空间数据属于频域数据,通过对K空间数据进行逆傅里叶变换得到的重建数据包括实部欠采样数据以及虚部欠采样数据,属于裸数据域的数据。处理器通过使用裸数据域的重建数据进行磁共振成像的数据处理,相比于K空间数据,裸数据域的重建数据可以提取出更多的显性特征,从而可以提高图像质量。
具体地,处理器可以通过对磁共振扫描仪采集到的原始MR数据进行逆傅里叶变换,从而得到裸数据域的重建数据。当然,重建数据也可以预先处理得到,存储在存储器中,当需要对其进行处理时,处理器直接从存储器中读取重建数据。当然,处理器也可以从外部设备中获取重建数据。比如,将重建数据存储在云端,当需要进行处理操作时,处理器从云端获取该重建数据。此外,外部设备也可以是外部的存储介质等,本实施例对处理器获取重建数据的方式不做限定。
步骤S200,将实部欠采样数据以及虚部欠采样数据输入预先训练的数据恢复网络,得到实部欠采样数据对应的实部全采样数据以及虚部欠采样数据对应的虚部全采样数据。
处理器在得到包括实部欠采样数据以及虚部欠采样数据的重建数据之后,由于重建数据为欠采样数据,根据欠采样数据得到的图像质量较低,因此,本步骤中处理器并不是直接根据该实部欠采样数据以及虚部欠采样数据得到对应的图像,而是首先对重建数据进行数据恢复处理,具体地,可以是将实部欠采样数据以及虚部欠采样数据输入预先训练的数据恢复网络,从而得到实部欠采样数据对应的实部全采样数据以及虚部欠采样数据对应的虚部全采样数据。
步骤S300,根据实部全采样数据以及虚部全采样数据进行图像重建,得到磁共振图像。
处理器在得到实部全采样数据以及虚部全采样数据之后,相比于实部欠采样数据以及虚部欠采样数据,通过数据恢复网络得到的实部全采样数据以及虚部全采样数据更接近与全采样数据,且具有更低的噪声、更少的伪影以及更多的细节,从而,通过根据实部全采样数据以及虚部全采样数据进行图像重建得到磁共振图像,可以有效提高图像质量。
可选地,根据实部全采样数据以及虚部全采样数据得到磁共振图像包括:当实部全采样数据以及虚部全采样数据为单通道数据时,对实部全采样数据以及虚部全采样数据进行取模处理,得到磁共振图像;当实部全采样数据以及虚部全采样数据为多通道数据时,对实部全采样数据以及虚部全采样数据进行取模以及通道合并处理,得到磁共振图像。
需要说明的是,本申请中的裸数据域是相对于已经完全成像的DICOM(DigitalImaging and Communications in Medicine,医学数字成像和通信)图像而言的,具体是在对K空间数据进行逆傅里叶变换之后,在得到DICOM图像之前的数据格式。另外,当K空间数据为多线圈通道的数据时,裸数据域的数据仅是对K空间数据进行了逆傅里叶变换,并没有进行多线圈通道的数据结合。而DICOM图像域是基于裸数据域的数据进行线圈通道结合以及实部虚部取模处理后的结果。本申请中裸数据域和K空间域以及DICOM图像域存在本质上的区别。
另外,本实施例根据数据得到图像的步骤是在对欠采样数据进行数据恢复之后进行的,现有技术的一种图像质量改善方法是直接对欠采样数据得到欠采样图像进行图像恢复得到对应的全采样图像(即在图像域进行恢复),即在通过对K空间数据进行逆傅里叶变换,再进行线圈通道结合以及实部虚部取模处理,最终得到DICOM图像之后,对DICOM图像进行图像恢复。相比于图像域,本实施例是在裸数据域进行数据恢复,从而既可以利用网络模型对图像数据强大的特征提取能力进行特征提取,又可以避免幅值以及相位信息的丢失,从而保证根据恢复后的数据得到的图像质量更优。
本实施例提供一种磁共振成像方法,一方面,本申请在通过欠采样得到K空间数据后,并不是直接进行图像重建,而是首先对欠采样数据进行数据恢复得到对应的全采样数据,然后再基于全采样数据得到对应的磁共振图像;另一方面,本申请在进行数据恢复时,是基于裸数据域的重建数据进行的,相比于图像域的数据,可以避免幅值以及相位信息的丢失,相比于K空间的数据,可以提取更多的显性特征,从而使得磁共振图像包含的特征信息更加丰富,提高磁共振图像的图像质量。
在一个实施例中,数据恢复网络具体可以是GAN网络(Generative AdversarialNetwork,生成对抗网络)中的数据生成网络,数据恢复网络基于欠采样重建数据以及对应的全采样重建数据训练得到,通过对网络进行训练使其“学习”到欠采样数据到全采样数据的映射关系,从而使得训练得到的数据恢复网络具备对实部欠采样数据以及虚部欠采样数据进行数据恢复得到对应的实部全采样数据以及虚部全采样数据的功能。
如图3所示,为本实施例中数据恢复网络的训练过程示意图,其训练过程具体包括步骤S210至步骤S240。
步骤S210,获取欠采样重建数据以及对应的全采样重建数据,欠采样重建数据为通过对欠采样K空间数据进行逆傅里叶变换得到,全采样重建数据为通过对欠采样K空间数据对应的全采样K空间数据进行逆傅里叶变换得到;
步骤S220,将欠采样重建数据输入数据生成网络,通过数据生成网络得到生成数据;
步骤S230,将生成数据以及全采样重建数据输入数据鉴别网络,通过数据鉴别网络鉴别生成数据是否与全采样重建数据相同;
步骤S240,基于鉴别结果对数据生成网络以及数据鉴别网络进行优化,得到数据恢复网络。
对于GAN网络,其结构主要包括数据生成网络和数据鉴别网络。在训练过程中,数据生成网络主要负责基于欠采样重建数据生成对应的全采样重建数据,数据鉴别网络主要负责鉴别数据生成网络所生成的生成数据是否与该欠采样重建数据真正对应的全采样重建数据相同,若相同,则鉴别结果为真,若不同,则鉴别结果为假。然后基于鉴别结果对数据生成网络和数据鉴别网络进行优化,GAN网络的训练过程可以认为是数据生成网络和数据鉴别网络的“博弈”对抗过程,当数据鉴别网络基于生成数据得到的鉴别结果都为真时,可以认为数据生成网络和数据鉴别网络的“博弈”达到一个动态的平衡,此时可以认为数据生成网络和数据鉴别网络的训练完成。
可以理解,数据恢复网络的训练可以由处理器进行,也可以是预先训练完成,处理器直接调用训练好的网络模型,在此不做限定。
另外,在进行数据恢复网络的训练时,所采用的样本数据包括多线圈通道的数据,从而可以更多地利用线圈通道间的灵敏度差异,提高数据恢复效果。
本实施例通过使用数据生成网络对欠采样重建数据进行域迁移处理,该数据生成网络为结合数据鉴别网络训练得到,可以保证数据生成网络可以根据欠采样重建数据准确生成对应的全采样重建数据,从而可以在裸数据域恢复欠采样操作丢失的细节信息,达到对欠采样重建数据的数据恢复。
在一个实施例中,如图4所示,步骤S220中通过数据生成网络得到生成数据包括步骤S221至S229。
步骤S221,确定欠采样重建数据为当前初始数据,并获取当前数据恢复参数;
步骤S223,根据当前初始数据以及当前数据恢复参数进行数据恢复,得到初始生成数据;
步骤S225,基于初始生成数据以及全采样重建数据得到损失热力图,损失热力图表征初始生成数据与全采样重建数据在单个像素点上的差异;
步骤S227,根据损失热力图调整当前数据恢复参数,确定初始生成数据为新的当前初始数据,并确定调整后的数据恢复参数为新的当前数据恢复参数;
步骤S229,返回根据当前初始数据以及当前数据恢复参数进行数据恢复的步骤,直至数据恢复次数达到预设次数,得到生成数据。
其中,数据恢复参数可以是指数据对应的像素点的权重,权重表征在对数据进行重建恢复时的重建程度,权重越大,重建程度越高,重建效果越明显。损失热力图显示为基于欠采样重建数据得到的初始生成数据与欠采样重建数据对应的全采样重建数据在每个像素点的差异,基于损失热力图可以对当前数据恢复参数进行调整,从而对网络参数进行优化。本实施例中,通过数据生成网络得到生成数据时,可以认为是进行了多次循环的数据重建,然后基于重建过程中得到的损失热力图对数据恢复参数进行优化调整,从而可以加强网络训练效果。
具体地,数据生成网络可以是采用基于循环的全卷积网络。通过数据生成网络内部的第一次循环得到粗略的数据重建结果,再根据得到的损失热力图,在下一次循环时将加大具有明显差距的像素的权重,通过数据生成网络内部的预设次数(例如5次)循环,逐渐加强训练效果,此时再引入数据鉴别网络,通过数据生成网络与数据鉴别网络的相互博弈,提高生成数据生成网络的生成能力,从而可以得到较为准确的生成数据。
可选地,本实施例中数据生成网络内部的全卷积网络的结构可以有多种选择,具体可以根据任务需要进行选择,包括但不限于FCN、UNet、UNet++等。通过添加多层循环,可以让数据生成网络进行不断迭代从而更加专注于缺失部分的数据恢复。数据鉴别网络具体可以选用VggNet、ResNet或其他分类网络等。
可选地,根据损失热力图调整当前数据恢复参数包括:基于损失热力图确定目标像素点,调整目标像素点对应的数据恢复权重。由于损失热力图显示为基于欠采样重建数据得到的初始生成数据与欠采样重建数据对应的全采样重建数据在每个像素点的差异,这样的差距可以视为下一次计算损失时添加的权重,差异很小或者无差异的像素对应的权重减小,对于这类相似,重建的程度较低。差异大的像素(例如差异大于某预设阈值)则权重加大,使得数据生成网络更加注意这类像素的重建,重建程度较高,从而基于损失热力图对不同像素对应的数据恢复权重进行调整,可以改善数据生成网络的数据重建效果。
在一个实施例中,如图5所示,步骤S210获取欠采样重建数据以及对应的全采样重建数据包括步骤S211至步骤S215。
步骤S211,获取通过全采样模式得到的全采样K空间数据;
步骤S213,对全采样K空间数据进行欠采样,得到全采样K空间数据对应的欠采样K空间数据;
步骤S215,对全采样K空间数据以及欠采样K空间数据进行逆傅里叶变换,得到全采样重建数据以及欠采样重建数据。
在获取训练数据生成网络的样本数据时,通过对全采样数据进行欠采样得到对应的欠采样数据,可以保证全采样数据与欠采样数据的对应性,在通过本实施例的方法所获取的样本数据对数据生成网络进行训练时,可以使得数据生成网络准确地学习到欠采样重建数据与全采样重建数据的映射关系,从而提高数据生成网络的输出结果准确性。
在合理条件下应当理解,虽然前文各实施例涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供一种磁共振成像装置,该装置主要包括以下模块:
数据获取模块100,用于获取通过对K空间数据进行逆傅里叶变换得到的重建数据,K空间数据通过欠采样采集得到,重建数据包括实部欠采样数据以及虚部欠采样数据;
数据恢复模块200,用于将实部欠采样数据以及虚部欠采样数据输入预先训练的数据恢复网络,得到实部欠采样数据对应的实部全采样数据以及虚部欠采样数据对应的虚部全采样数据;
图像重建模块300,用于根据实部全采样数据以及虚部全采样数据进行图像重建,得到磁共振图像。
本实施例提供一种磁共振成像装置,一方面,本申请在通过欠采样得到K空间数据后,并不是直接进行图像重建,而是首先对欠采样数据进行数据恢复得到对应的全采样数据,然后再基于全采样数据得到对应的磁共振图像;另一方面,本申请在进行数据恢复时,是基于裸数据域的重建数据进行的,相比于图像域的数据,可以避免幅值以及相位信息的丢失,相比于K空间的数据,可以提取更多的显性特征,从而使得磁共振图像包含的特征信息更加丰富,提高磁共振图像的图像质量。
在一个实施例中,数据恢复模块200还用于:获取欠采样重建数据以及对应的全采样重建数据,欠采样重建数据为通过对欠采样K空间数据进行逆傅里叶变换得到,全采样重建数据为通过对欠采样K空间数据对应的全采样K空间数据进行逆傅里叶变换得到;将欠采样重建数据输入数据生成网络,通过数据生成网络得到生成数据;将生成数据以及全采样重建数据输入数据鉴别网络,通过数据鉴别网络鉴别生成数据是否与全采样重建数据相同;基于鉴别结果对数据生成网络以及数据鉴别网络进行优化,得到数据恢复网络。
在一个实施例中,数据恢复模块200还用于:确定欠采样重建数据为当前初始数据,并获取当前数据恢复参数;根据当前初始数据以及当前数据恢复参数进行数据恢复,得到初始生成数据;基于初始生成数据以及全采样重建数据得到损失热力图,损失热力图表征初始生成数据与全采样重建数据在单个像素点上的差异;根据损失热力图调整当前数据恢复参数,确定初始生成数据为新的当前初始数据,并确定调整后的数据恢复参数为新的当前数据恢复参数;返回根据当前初始数据以及当前数据恢复参数进行数据恢复的步骤,直至数据恢复次数达到预设次数,得到生成数据。
在一个实施例中,数据恢复模块200还用于:基于损失热力图确定目标像素点,调整目标像素点对应的数据恢复权重。
在一个实施例中,数据恢复模块200还用于:获取通过全采样模式得到的全采样K空间数据;对全采样K空间数据进行欠采样,得到全采样K空间数据对应的欠采样K空间数据;对全采样K空间数据以及欠采样K空间数据进行逆傅里叶变换,得到全采样重建数据以及欠采样重建数据。
在一个实施例中,图像重建模块300还用于:当实部全采样数据以及虚部全采样数据为单通道数据时,对实部全采样数据以及虚部全采样数据进行取模处理,得到磁共振图像;当实部全采样数据以及虚部全采样数据为多通道数据时,对实部全采样数据以及虚部全采样数据进行取模以及通道合并处理,得到磁共振图像。
关于磁共振成像装置的具体限定可以参见上文中对于磁共振成像方法的限定,在此不再赘述。上述磁共振成像装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取通过对K空间数据进行逆傅里叶变换得到的重建数据,K空间数据通过欠采样采集得到,重建数据包括实部欠采样数据以及虚部欠采样数据;将实部欠采样数据以及虚部欠采样数据输入预先训练的数据恢复网络,得到实部欠采样数据对应的实部全采样数据以及虚部欠采样数据对应的虚部全采样数据;根据实部全采样数据以及虚部全采样数据进行图像重建,得到磁共振图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取欠采样重建数据以及对应的全采样重建数据,欠采样重建数据为通过对欠采样K空间数据进行逆傅里叶变换得到,全采样重建数据为通过对欠采样K空间数据对应的全采样K空间数据进行逆傅里叶变换得到;将欠采样重建数据输入数据生成网络,通过数据生成网络得到生成数据;将生成数据以及全采样重建数据输入数据鉴别网络,通过数据鉴别网络鉴别生成数据是否与全采样重建数据相同;基于鉴别结果对数据生成网络以及数据鉴别网络进行优化,得到数据恢复网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定欠采样重建数据为当前初始数据,并获取当前数据恢复参数;根据当前初始数据以及当前数据恢复参数进行数据恢复,得到初始生成数据;基于初始生成数据以及全采样重建数据得到损失热力图,损失热力图表征初始生成数据与全采样重建数据在单个像素点上的差异;根据损失热力图调整当前数据恢复参数,确定初始生成数据为新的当前初始数据,并确定调整后的数据恢复参数为新的当前数据恢复参数;返回根据当前初始数据以及当前数据恢复参数进行数据恢复的步骤,直至数据恢复次数达到预设次数,得到生成数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于损失热力图确定目标像素点,调整目标像素点对应的数据恢复权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取通过全采样模式得到的全采样K空间数据;对全采样K空间数据进行欠采样,得到全采样K空间数据对应的欠采样K空间数据;对全采样K空间数据以及欠采样K空间数据进行逆傅里叶变换,得到全采样重建数据以及欠采样重建数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当实部全采样数据以及虚部全采样数据为单通道数据时,对实部全采样数据以及虚部全采样数据进行取模处理,得到磁共振图像;当实部全采样数据以及虚部全采样数据为多通道数据时,对实部全采样数据以及虚部全采样数据进行取模以及通道合并处理,得到磁共振图像。
图7为一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图7所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现磁共振成像方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行磁共振成像方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取通过对K空间数据进行逆傅里叶变换得到的重建数据,K空间数据通过欠采样采集得到,重建数据包括实部欠采样数据以及虚部欠采样数据;将实部欠采样数据以及虚部欠采样数据输入预先训练的数据恢复网络,得到实部欠采样数据对应的实部全采样数据以及虚部欠采样数据对应的虚部全采样数据;根据实部全采样数据以及虚部全采样数据进行图像重建,得到磁共振图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取欠采样重建数据以及对应的全采样重建数据,欠采样重建数据为通过对欠采样K空间数据进行逆傅里叶变换得到,全采样重建数据为通过对欠采样K空间数据对应的全采样K空间数据进行逆傅里叶变换得到;将欠采样重建数据输入数据生成网络,通过数据生成网络得到生成数据;将生成数据以及全采样重建数据输入数据鉴别网络,通过数据鉴别网络鉴别生成数据是否与全采样重建数据相同;基于鉴别结果对数据生成网络以及数据鉴别网络进行优化,得到数据恢复网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定欠采样重建数据为当前初始数据,并获取当前数据恢复参数;根据当前初始数据以及当前数据恢复参数进行数据恢复,得到初始生成数据;基于初始生成数据以及全采样重建数据得到损失热力图,损失热力图表征初始生成数据与全采样重建数据在单个像素点上的差异;根据损失热力图调整当前数据恢复参数,确定初始生成数据为新的当前初始数据,并确定调整后的数据恢复参数为新的当前数据恢复参数;返回根据当前初始数据以及当前数据恢复参数进行数据恢复的步骤,直至数据恢复次数达到预设次数,得到生成数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于损失热力图确定目标像素点,调整目标像素点对应的数据恢复权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取通过全采样模式得到的全采样K空间数据;对全采样K空间数据进行欠采样,得到全采样K空间数据对应的欠采样K空间数据;对全采样K空间数据以及欠采样K空间数据进行逆傅里叶变换,得到全采样重建数据以及欠采样重建数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当实部全采样数据以及虚部全采样数据为单通道数据时,对实部全采样数据以及虚部全采样数据进行取模处理,得到磁共振图像;当实部全采样数据以及虚部全采样数据为多通道数据时,对实部全采样数据以及虚部全采样数据进行取模以及通道合并处理,得到磁共振图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种磁共振成像方法,其特征在于,包括:
获取通过对K空间数据进行逆傅里叶变换得到的重建数据,所述K空间数据通过欠采样采集得到,所述重建数据包括实部欠采样数据以及虚部欠采样数据;
将所述实部欠采样数据以及所述虚部欠采样数据输入预先训练的数据恢复网络,得到所述实部欠采样数据对应的实部全采样数据以及所述虚部欠采样数据对应的虚部全采样数据;
根据所述实部全采样数据以及所述虚部全采样数据进行图像重建,得到磁共振图像。
2.根据权利要求1所述的方法,其特征在于,所述K空间数据包括多线圈通道的欠采样数据。
3.根据权利要求1所述的方法,其特征在于,所述数据恢复网络包括数据生成网络;
所述数据生成网络的训练过程包括:
获取欠采样重建数据以及对应的全采样重建数据,所述欠采样重建数据为通过对欠采样K空间数据进行逆傅里叶变换得到,所述全采样重建数据为通过对所述欠采样K空间数据对应的全采样K空间数据进行逆傅里叶变换得到;
将所述欠采样重建数据输入所述数据生成网络,通过所述数据生成网络得到生成数据;
将所述生成数据以及所述全采样重建数据输入数据鉴别网络,通过所述数据鉴别网络鉴别所述生成数据是否与所述全采样重建数据相同;
基于鉴别结果对所述数据生成网络以及所述数据鉴别网络进行优化,得到所述数据恢复网络。
4.根据权利要求3所述的方法,其特征在于,所述通过所述数据生成网络得到生成数据包括:
确定欠采样重建数据为当前初始数据,并获取当前数据恢复参数;
根据所述当前初始数据以及所述当前数据恢复参数进行数据恢复,得到初始生成数据;
基于所述初始生成数据以及所述全采样重建数据得到损失热力图,所述损失热力图表征所述初始生成数据与所述全采样重建数据在单个像素点上的差异;
根据所述损失热力图调整当前数据恢复参数,确定所述初始生成数据为新的当前初始数据,并确定调整后的数据恢复参数为新的当前数据恢复参数;
返回所述根据所述当前初始数据以及所述当前数据恢复参数进行数据恢复的步骤,直至数据恢复次数达到预设次数,得到所述生成数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述损失热力图调整当前数据恢复参数包括:
基于所述损失热力图确定目标像素点,调整所述目标像素点对应的数据恢复权重。
6.根据权利要求3所述的方法,其特征在于,所述获取欠采样重建数据以及对应的全采样重建数据包括:
获取通过全采样模式得到的全采样K空间数据;
对所述全采样K空间数据进行欠采样,得到所述全采样K空间数据对应的欠采样K空间数据;
对所述全采样K空间数据以及所述欠采样K空间数据进行逆傅里叶变换,得到所述全采样重建数据以及所述欠采样重建数据。
7.根据权利要求1所述的方法,其特征在于,所述根据所述实部全采样数据以及所述虚部全采样数据进行图像重建,得到磁共振图像包括:
当所述实部全采样数据以及所述虚部全采样数据为单通道数据时,对所述实部全采样数据以及所述虚部全采样数据进行取模处理,得到所述磁共振图像;
当所述实部全采样数据以及所述虚部全采样数据为多通道数据时,对所述实部全采样数据以及所述虚部全采样数据进行取模以及通道合并处理,得到所述磁共振图像。
8.一种磁共振成像装置,其特征在于,包括:
数据获取模块,用于获取通过对K空间数据进行逆傅里叶变换得到的重建数据,所述K空间数据通过欠采样采集得到,所述重建数据包括实部欠采样数据以及虚部欠采样数据;
数据恢复模块,用于将所述实部欠采样数据以及所述虚部欠采样数据输入预先训练的数据恢复网络,得到所述实部欠采样数据对应的实部全采样数据以及所述虚部欠采样数据对应的虚部全采样数据;
图像重建模块,用于根据所述实部全采样数据以及所述虚部全采样数据进行图像重建,得到磁共振图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419364.2A CN111157935B (zh) | 2019-12-31 | 2019-12-31 | 磁共振成像方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419364.2A CN111157935B (zh) | 2019-12-31 | 2019-12-31 | 磁共振成像方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111157935A true CN111157935A (zh) | 2020-05-15 |
CN111157935B CN111157935B (zh) | 2022-04-26 |
Family
ID=70560503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911419364.2A Active CN111157935B (zh) | 2019-12-31 | 2019-12-31 | 磁共振成像方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157935B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739113A (zh) * | 2020-05-21 | 2020-10-02 | 清华大学 | 直线分布式光源和探测器的ct图像重建方法及装置 |
CN112116674A (zh) * | 2020-08-13 | 2020-12-22 | 香港大学 | 图像重建方法、装置、终端及存储介质 |
WO2022193379A1 (zh) * | 2021-03-17 | 2022-09-22 | 中国科学院深圳先进技术研究院 | 图像重建模型生成及装置、图像重建方法及装置、设备、介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7394252B1 (en) * | 2007-05-03 | 2008-07-01 | The General Hospital Corporation | Regularized GRAPPA reconstruction |
CN101263398A (zh) * | 2005-07-08 | 2008-09-10 | 威斯康星校友研究基金会 | 用于欠采样mri的约束逆投影重建方法 |
CN102798829A (zh) * | 2012-08-14 | 2012-11-28 | 深圳先进技术研究院 | 基于机器学习的并行磁共振成像grappa方法 |
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 |
US20150022207A1 (en) * | 2013-07-16 | 2015-01-22 | Siemens Aktiengesellschaft | Method and magnetic resonance apparatus to acquire mr data and to reconstruct an mr image |
CN104376541A (zh) * | 2014-12-09 | 2015-02-25 | 中国科学院武汉物理与数学研究所 | 一种基于重采样和稀疏分解的磁共振图像降噪方法 |
CN106530258A (zh) * | 2016-11-22 | 2017-03-22 | 哈尔滨工业大学 | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
CN109493394A (zh) * | 2018-10-26 | 2019-03-19 | 上海东软医疗科技有限公司 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 基于深度学习的大视野磁共振扫描图像重建方法和装置 |
CN110097611A (zh) * | 2019-04-28 | 2019-08-06 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、设备及存储介质 |
CN110570487A (zh) * | 2019-08-26 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
CN110598579A (zh) * | 2019-08-23 | 2019-12-20 | 厦门大学 | 一种基于深度学习的超复数磁共振波谱重建方法 |
-
2019
- 2019-12-31 CN CN201911419364.2A patent/CN111157935B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101263398A (zh) * | 2005-07-08 | 2008-09-10 | 威斯康星校友研究基金会 | 用于欠采样mri的约束逆投影重建方法 |
US7394252B1 (en) * | 2007-05-03 | 2008-07-01 | The General Hospital Corporation | Regularized GRAPPA reconstruction |
CN102798829A (zh) * | 2012-08-14 | 2012-11-28 | 深圳先进技术研究院 | 基于机器学习的并行磁共振成像grappa方法 |
US20150022207A1 (en) * | 2013-07-16 | 2015-01-22 | Siemens Aktiengesellschaft | Method and magnetic resonance apparatus to acquire mr data and to reconstruct an mr image |
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 |
CN104376541A (zh) * | 2014-12-09 | 2015-02-25 | 中国科学院武汉物理与数学研究所 | 一种基于重采样和稀疏分解的磁共振图像降噪方法 |
CN106530258A (zh) * | 2016-11-22 | 2017-03-22 | 哈尔滨工业大学 | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
CN109493394A (zh) * | 2018-10-26 | 2019-03-19 | 上海东软医疗科技有限公司 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 基于深度学习的大视野磁共振扫描图像重建方法和装置 |
CN110097611A (zh) * | 2019-04-28 | 2019-08-06 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、设备及存储介质 |
CN110598579A (zh) * | 2019-08-23 | 2019-12-20 | 厦门大学 | 一种基于深度学习的超复数磁共振波谱重建方法 |
CN110570487A (zh) * | 2019-08-26 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
BENJAMIN TRÉMOULHÉAC 等: "Dynamic MR Image Reconstruction–Separation From Undersampled (k,t)-Space via Low-Rank Plus Sparse Prior", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
李海侠: "基于压缩感知的MRI图像重建", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739113A (zh) * | 2020-05-21 | 2020-10-02 | 清华大学 | 直线分布式光源和探测器的ct图像重建方法及装置 |
CN111739113B (zh) * | 2020-05-21 | 2022-07-08 | 清华大学 | 直线分布式光源和探测器的ct图像重建方法及装置 |
CN112116674A (zh) * | 2020-08-13 | 2020-12-22 | 香港大学 | 图像重建方法、装置、终端及存储介质 |
WO2022193379A1 (zh) * | 2021-03-17 | 2022-09-22 | 中国科学院深圳先进技术研究院 | 图像重建模型生成及装置、图像重建方法及装置、设备、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111157935B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN113920213B (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
CN112200725B (zh) | 一种超分辨率重建方法、装置、存储介质及电子设备 | |
Shen et al. | Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN) | |
CN112435266A (zh) | 一种图像分割方法、终端设备及计算机可读存储介质 | |
CN113534031A (zh) | 图像域数据生成方法、计算机设备和可读存储介质 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN110942496A (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
CN114167334B (zh) | 磁共振图像的重建方法、装置及电子设备 | |
CN111445547B (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
CN111681297A (zh) | 图像重建方法、计算机设备和存储介质 | |
WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
CN110473285B (zh) | 图像重构方法、装置、计算机设备和存储介质 | |
US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
Qi et al. | Blind image quality assessment for MRI with a deep three-dimensional content-adaptive hyper-network | |
Ke et al. | CRDN: cascaded residual dense networks for dynamic MR imaging with edge-enhanced loss constraint | |
Li et al. | Learning ADC maps from accelerated radial k‐space diffusion‐weighted MRI in mice using a deep CNN‐transformer model | |
CN112116674A (zh) | 图像重建方法、装置、终端及存储介质 | |
JP2020202988A (ja) | 画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置 | |
CN113359076B (zh) | 磁共振成像方法、装置、计算机设备和存储介质 | |
CN111681296B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
US20220138943A1 (en) | System and method to detect abnormality of subjects directly from mri k-space data | |
CN117333571B (zh) | 磁共振图像的重建方法、系统、设备及介质 | |
CN115113121B (zh) | 频谱数据获取方法、装置及计算机设备 |
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 |