CN111275783A - 磁共振图像的相位解缠方法、装置及磁共振成像系统 - Google Patents
磁共振图像的相位解缠方法、装置及磁共振成像系统 Download PDFInfo
- Publication number
- CN111275783A CN111275783A CN202010061151.3A CN202010061151A CN111275783A CN 111275783 A CN111275783 A CN 111275783A CN 202010061151 A CN202010061151 A CN 202010061151A CN 111275783 A CN111275783 A CN 111275783A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- phase
- map
- resonance phase
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 106
- 238000012937 correction Methods 0.000 claims abstract description 50
- 238000010587 phase diagram Methods 0.000 claims abstract description 46
- 238000004804 winding Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- 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
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56536—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to magnetic susceptibility variations
-
- 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
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- High Energy & Nuclear Physics (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种磁共振图像的相位解缠方法、装置、计算机可读存储介质及磁共振成像系统。其中,该方法包括:获取第一磁共振相位图,第一磁共振相位图中包含缠绕相位;将第一磁共振相位图输入到训练完备的人工神经网络模型;获取训练完备的人工神经网络模型输出的第二磁共振相位图,其中,第二磁共振相位图包括以下之一:对第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示第一磁共振相位图与第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。通过本申请,解决了相关技术中对磁共振相位图进行相位解缠的效率低的问题,提高了磁共振相位图的相位解缠效率。
Description
技术领域
本申请涉及医学影像处理领域,特别是涉及一种磁共振图像的相位解缠方法、装置、计算机可读存储介质及磁共振成像系统。
背景技术
磁共振成像得到的信号包括幅度和相位,形成的图像分别为磁共振幅度图和磁共振相位图。其中,磁共振相位图包含了大量信息,例如自旋原子核的移动速度、磁场的不均匀度和磁化率变化等。
但是从磁共振信号中提取真实相位时,相位值会被限制在(-π,+π]弧度区间内,位于该区间外的真实相位被缠绕到这一区间内,从而形成相位缠绕,得到的相位被称为缠绕相位。从缠绕相位恢复真实相位的过程就叫做相位解缠。由于磁共振信号的噪声、欠采样和物体不连续的存在使得相位解缠变得困难。
相关技术中常用的相位解缠方法通常采用迭代的方式来最小化磁共振相位图中像素(或区域)与其相邻像素(或区域)之间的相位差从而进行相位解缠,例如,基于质量线引导的路径导向相位解缠法和最小范数相位解缠法。但是,传统相位解缠方法的计算时间与图像体积中像素/区域的数量成比例,因此,随着需要解缠的图像体积变大,将显著增加相位解缠算法的计算时间,导致相位解缠效率低。
发明内容
基于此,有必要针对相关技术中对磁共振相位图进行相位解缠的效率低的问题,提供一种磁共振图像的相位解缠方法、装置、计算机可读存储介质及磁共振成像系统。
第一方面,本申请实施例提供磁共振图像的相位解缠方法,包括:获取第一磁共振相位图,所述第一磁共振相位图中包含缠绕相位;将所述第一磁共振相位图输入到训练完备的人工神经网络模型;获取所述训练完备的人工神经网络模型输出的第二磁共振相位图,其中,所述第二磁共振相位图包括以下之一:对所述第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示所述第一磁共振相位图与所述第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。
在其中一些实施例中,在所述第二磁共振相位图为所述磁共振相位校正偏移图的情况下,所述方法还包括:在所述磁共振相位校正偏移图是表示相位解缠后得到的磁共振相位图减去相位解缠前的磁共振相位图得到的偏移量的情况下,将所述第一磁共振相位图与所述磁共振相位校正偏移图相加,得到所述第三磁共振相位图;在所述磁共振相位校正偏移图是表示相位解缠前的磁共振相位图减去相位解缠后得到的磁共振相位图得到的偏移量的情况下,将所述第一磁共振相位图与所述磁共振相位校正偏移图相减,得到所述第三磁共振相位图。
在其中一些实施例中,获取第一磁共振相位图包括:获取在采集第四磁共振相位图的同一次磁共振图像采集过程中采集到的磁共振幅值图,其中,所述第一磁共振相位图基于所述第四磁共振相位图去除非感兴趣磁场区域后获得;根据所述磁共振幅值图,生成用于标识感兴趣磁场区域的掩模图;将所述第四磁共振相位图乘以所述掩模图,得到所述第一磁共振相位图。
在其中一些实施例中,所述训练完备的人工神经网络模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以第六磁共振相位图作为监督,对初始的人工神经网络模型进行训练得到的;或者所述训练完备的人工神经网络模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以表示所述第五磁共振相位图与第六磁共振相位图之间的相位偏移量的磁共振相位校正偏移图作为监督,对初始的人工神经网络模型进行训练得到的;其中,所述第六磁共振相位图是对所述第五磁共振相位图中的缠绕相位进行相位解缠后得到的磁共振相位图。
在其中一些实施例中,对所述第五磁共振相位图中的缠绕相位进行相位解缠所采用的相位解缠方法包括以下之一:枝切线相位解缠算法、质量图指引算法、掩模切割算法。
在其中一些实施例中,在所述训练完备的人工神经网络模型的训练过程中,通过裁剪掉人工神经网络模型中重要性等级低于预设阈值的参数,以加速人工神经网络模型的收敛速度。
在其中一些实施例中,所述训练完备的人工神经网络模型采用的架构为卷积神经网络CNN或者U-Net。
第二方面,本申请实施例提供了一种磁共振图像的相位解缠装置,包括:第一获取模块,用于获取第一磁共振相位图,所述第一磁共振相位图中包含缠绕相位;输入模块,用于将所述第一磁共振相位图输入到训练完备的人工神经网络模型;第二获取模块,用于获取所述训练完备的人工神经网络模型输出的第二磁共振相位图,其中,所述第二磁共振相位图包括以下之一:对所述第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示所述第一磁共振相位图与所述第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。
在其中一些实施例中,所述第一获取模块包括:获取单元,用于获取在采集第四磁共振相位图的同一次磁共振图像采集过程中采集到的磁共振幅值图,其中,所述第一磁共振相位图基于所述第四磁共振相位图去除非感兴趣磁场区域后获得;生成单元,用于根据所述磁共振幅值图,生成用于标识感兴趣磁场区域的掩模图;计算单元,用于将所述第四磁共振相位图乘以所述掩模图,得到所述第一磁共振相位图。
第三方面,本申请实施例提供了一种磁共振成像系统,所述磁共振成像系统包括:具有成像视野的孔腔的磁共振扫描仪;以及被配置为在受试者位于磁共振扫描仪中时操作所述磁共振扫描仪,以通过从受试者感兴趣区域中采集磁共振信号来执行诊断扫描的处理器;其中,所述处理器,还被配置为获取第一磁共振相位图,所述第一磁共振相位图中包含缠绕相位;所述处理器,还被配置为将所述第一磁共振相位图输入到训练完备的人工神经网络模型;所述处理器,还被配置为获取所述训练完备的人工神经网络模型输出的第二磁共振相位图。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当所述计算机程序指令被处理器执行时实现如第一方面所述的磁共振图像的相位解缠方法。
与现有技术相比,通过本申请实施例提供的磁共振图像的相位解缠方法、装置、计算机可读存储介质及磁共振成像系统,通过获取第一磁共振相位图,第一磁共振相位图中包含缠绕相位;将第一磁共振相位图输入到训练完备的人工神经网络模型;获取训练完备的人工神经网络模型输出的第二磁共振相位图,其中,第二磁共振相位图包括以下之一:对第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示第一磁共振相位图与第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图的方式,解决了相关技术中对磁共振相位图进行相位解缠的效率低的问题,提高了磁共振相位图的相位解缠效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例的磁共振成像系统的结构示意图;
图2是根据本申请实施例的磁共振图像的相位解缠方法的流程图一;
图3是根据本申请实施例的磁共振图像的相位解缠方法的流程图二;
图4是根据本申请实施例的人工神经网络模型的训练过程的示意图;
图5是根据本申请实施例的采用U-Net的人工神经网络模型的结构示意图;
图6是根据本申请实施例的磁共振图像的相位解缠方法的结构框图。
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。
本实施例优选应用于医学图像扫描设备中,例如正电子发射型计算机断层成像(Positron Emission Computed Tomography,简称为PET)设备、磁共振成像(MagneticResonance Imaging,简称为MRI)设备等。在本实施例中将以磁共振成像设备采集磁共振图像为例对本申请进行描述和说明。
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。基于本申请中的实例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
除非另作定义,本申请中使用的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。
“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。
本申请中使用的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请所涉及的系统和方法不仅可用于非侵入成像,如疾病的诊断和研究,还可用于工业领域等,其所涉及的处理系统可以包括磁共振成像系统(MR系统)、正电子发射计算机断层显像-磁共振多模态混合系统(PET-MR系统)等。本申请所涉及的方法、装置、系统或者计算机可读存储介质既可以与上述的处理系统集成在一起,也可以是相对独立的。
下面将以磁共振成像系统为例对本申请实施例进行说明。
本申请实施例提供了一种磁共振成像系统。图1是根据本申请实施例的磁共振成像系统的结构示意图,如图1所示,该磁共振成像系统包括:扫描仪和计算机,其中计算机包括存储器125、处理器122及存储在存储器125上并可在处理器122上运行的计算机程序。
扫描仪具有成像视野的孔腔,其通常包括磁共振机架,机架内有主磁体101,主磁体101可以是由超导线圈构成,用来产生主磁场,在一些情况下也可以采用永磁体。主磁体101可以用来产生0.2特斯拉、0.5特斯拉、1.0特斯拉、1.5特斯拉、3.0特斯拉或者更高的主磁场强度。在磁共振成像时,成像对象150会由患者床106进行承载,随着床板的移动,将成像对象150移入主磁场磁场分布较为均匀的区域105内。通常对于磁共振成像系统,如图1所示,空间坐标系(即磁共振成像系统的坐标系)的z方向设置为与磁共振成像系统机架的轴向相同,通常将患者的身长方向与z方向保持一致进行成像,磁共振成像系统的水平平面设置为xz平面,x方向与z方向垂直,y方向与x和z方向均垂直。
在磁共振成像中,脉冲控制单元111控制射频脉冲产生单元116产生射频脉冲,射频脉冲由放大器放大后,经过开关控制单元117,最终由体线圈103或者局部线圈104发出,对成像对象150进行射频激发。成像对象150根据射频激发,会由共振产生相应的射频信号。在接收成像对象150根据激发产生的射频信号时,可以由体线圈103或者局部线圈104进行接收,射频接收链路可以有很多条,射频信号发送到射频接收单元118后,进一步发送到图像重建单元121进行图像重建,形成磁共振图像。
磁共振扫描仪还包括梯度线圈102,梯度线圈可以用来在磁共振成像时对射频信号进行空间编码。脉冲控制单元111控制梯度信号产生单元112产生梯度信号,梯度信号通常会分为三个相互正交方向的信号:x方向、y方向和z方向,不同方向的梯度信号经过梯度放大器(113、114、115)放大后,由梯度线圈102发出,在区域105内产生梯度磁场。
脉冲控制单元111、图像重建单元121与处理器122、显示单元123、输入/输出设备124、存储器125、通信端口126之间可以通过通信总线127进行数据传输,从而实现对磁共振成像过程的控制。
其中,处理器122可以由一个或多个处理器组成,可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,显示单元123可以是提供给用户用来显示图像的显示器。
其中,输入/输出设备124可以是键盘、鼠标、控制盒等相关设备,支持输入/输出相应数据流。
其中,存储器125可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器125可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器125可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器125可在数据处理装置的内部或外部。在特定实施例中,存储器125是非易失性固态存储器。在特定实施例中,存储器125包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。存储器125可以用来存储需要处理和/或通信使用的各种数据文件,以及处理器122所执行的可能的程序指令。当处理器122执行存储器125中的存储的指定程序时,该处理器122可执行被本申请提出的磁共振成像方法。
其中,通信端口126可以实现与其他部件例如:外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。
其中,通信总线127包括硬件、软件或两者,将磁共振成像系统的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,通信总线127可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
在其中一些实施例中,处理器122还被配置为获取第一磁共振相位图,第一磁共振相位图中包含缠绕相位;处理器122还被配置为将第一磁共振相位图输入到训练完备的人工神经网络模型;处理器122还被配置为获取训练完备的人工神经网络模型输出的第二磁共振相位图,其中,第二磁共振相位图包括以下之一:对第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示第一磁共振相位图与第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。
在其中一些实施例中,在第二磁共振相位图为磁共振相位校正偏移图的情况下,处理器122还被配置为:在磁共振相位校正偏移图是表示相位解缠后得到的磁共振相位图减去相位解缠前的磁共振相位图得到的偏移量的情况下,将第一磁共振相位图与磁共振相位校正偏移图相加,得到第三磁共振相位图;
在其中一些实施例中,在第二磁共振相位图为磁共振相位校正偏移图的情况下,处理器122还被配置为:在磁共振相位校正偏移图是表示相位解缠前的磁共振相位图减去相位解缠后得到的磁共振相位图得到的偏移量的情况下,将第一磁共振相位图与磁共振相位校正偏移量相减,得到第三磁共振相位图。
在其中一些实施例中,处理器122还被配置为获取在采集第四磁共振相位图的同一次磁共振图像采集过程中采集到的磁共振幅值图,其中,第一磁共振相位图基于第四磁共振相位图去除非感兴趣磁场区域后获得;处理器122还被配置为根据磁共振幅值图,生成用于标识感兴趣磁场区域的掩模图;以及处理器122还被配置为将第四磁共振相位图乘以掩模图,得到第一磁共振相位图。
在其中一些实施例中,训练完备的人工神经网络模型被存储在存储器125中,当本实施例的磁共振图像的相位解缠方法被执行前,处理器122被配置为从存储器125中加载训练完备的人工神经网络模型。
在其中一些实施例中,训练完备的人工神经网络模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以第六磁共振相位图作为监督,对初始的人工神经网络模型进行训练得到的;或者训练完备的人工神经网络模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以表示第五磁共振相位图与第六磁共振相位图之间的相位偏移量的磁共振相位校正偏移图作为监督,对初始的人工神经网络模型进行训练得到的;其中,第六磁共振相位图是对第五磁共振相位图中的缠绕相位进行相位解缠后得到的磁共振相位图。
在其中一些实施例中,对第五磁共振相位图中的缠绕相位进行相位解缠所采用的相位解缠方法包括但不限于以下之一:枝切线相位解缠算法、质量图指引算法、掩模切割算法。
在其中一些实施例中,在训练完备的人工神经网络模型的训练过程中,通过裁剪掉人工神经网络模型中重要性等级低于预设阈值的参数,以加速人工神经网络模型的收敛速度。
在其中一些实施例中,训练完备的人工神经网络模型采用的架构包括但不限于:卷积神经网络(Convolutional Neural Networks,简称为CNN)或者U-Net。
在本实施例中还提出了一种基于人工神经网络的磁共振图像的相位解缠方法。在本实施例中,采用人工神经网络模型采用以采集的未解缠的磁共振相位图作为输入,以相位解缠后的磁共振相位图或者相位解缠需要的磁共振相位校正偏移图为输出。对未解缠的磁共振相位图和相位解缠后的磁共振相位图,或者未解缠的磁共振相位图和磁共振相位校正偏移图这两种数据进行端到端训练时,包含大量参数的人工神经网络模型捕获并编码磁场分布信息和相位校正偏移图之间的高度非线性关系得到训练完备的人工神经网络模型。采用该人工神经网络模型,使得通过本申请实施例可以在给定输入为未解缠的磁共振相位图的情况下预测和估计相位解缠的磁共振相位图或者相位解缠所需要的磁共振相位校正偏移图。
下面以相位解缠为例对本申请实施例进行说明。图2是根据本申请实施例的磁共振图像的相位解缠方法的流程图一,如图2所示,该流程包括如下步骤:
步骤S201,相位解缠装置获取第一磁共振相位图,第一磁共振相位图中包含缠绕相位。
其中,相位解缠装置获取的第一磁共振相位图可以是由磁共振成像系统实时获取到的磁共振相位图,也可以是从存储器中获取到的磁共振相位图。并且,第一磁共振相位图可以是由磁共振成像系统原始采集的磁共振相位图,也可以是在原始采集的磁共振相位图上进行包括裁剪、掩模等处理的磁共振相位图。
步骤S202,相位解缠装置将第一磁共振相位图输入到训练完备的人工神经网络模型。
对于人工神经网络模型而言,其输入数据的格式通常为张量,也可以为序列或者数据矩阵。例如,对于一张磁共振相位图而言,可以采用四维张量进行数据表示;对于多张磁共振相位图而言,可以采用五维张量进行数据表示。采用张量数据表示磁共振相位图,使得磁共振相位图更容易被人工神经网络处理。
步骤S203,相位解缠装置获取训练完备的人工神经网络模型输出的第二磁共振相位图,其中,第二磁共振相位图为对第一磁共振相位图中的缠绕相位进行相位解缠后得到的磁共振相位图。
在本实施例中,训练完备的人工神经网络模型被训练为根据具有缠绕相位的第一磁共振相位图预测得到相位解缠后的第二磁共振相位图。通过上述步骤,相比于相关技术中的相位解缠算法而言,其优势在于:虽然人工神经网络模型的训练过程可能耗费较长的时间,但是在训练得到训练完备的人工神经网络模型后,相位解缠的效率较少受到磁共振相位图的像素的多少的影响而能够保持更高的相位解缠效率。此外,训练完备的人工神经网络模型或者其模型参数可以存储在存储器中易于分发给各个相位解缠装置或者磁共振成像系统使用,并且人工神经网络模型可以持续改进或拓展,使之不断完善或者对具体应用场景进行更好地适配。
在其中一些实施例中,第一磁共振相位图可以是经过预处理的图像。该预处理包括感兴趣区域提取;其中感兴趣区域是指用户关注的器官或者组织所在的区域。在本实施例中利用与第一磁共振相位图共同采集到的磁共振幅值图进行感兴趣区域提取,其过程包括如下步骤:
步骤1,相位解缠装置获取在采集第四磁共振相位图的同一次磁共振图像采集过程中采集到的磁共振幅值图,其中,第一磁共振相位图基于第四磁共振相位图去除非感兴趣磁场区域后获得。
步骤2,相位解缠装置根据磁共振幅值图,生成用于标识感兴趣磁场区域的掩模图。
在本实施例中,感兴趣磁场区域的提取既可以使用阈值分割算法,例如大津二值化法;也可以使用基于机器学习的图像分割方法,例如使用训练完备的人工神经网络根据磁共振幅值图来预测上述的掩模图。其中,掩模图中感兴趣区域的取值可以为1,非感兴趣区域的取值可以为0,以便于后续的感兴趣区域的提取。
步骤3,相位解缠装置将第四磁共振相位图乘以掩模图,得到第一磁共振相位图。
通过上述方法可以除去磁共振相位图中不感兴趣的磁场区域,进一步提高磁共振相位图的相位解缠效率。
在一些实施例中,训练完备的深度学习模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以第六磁共振相位图作为监督,对初始的人工神经网络模型进行训练得到的,其中,第六磁共振相位图是对第五磁共振相位图中的缠绕相位进行相位解缠后得到的磁共振相位图。
在一些实施例中,对第五磁共振相位图中的缠绕相位进行相位解缠所采用的相位解缠方法包括但不限于相关技术中的任意一种相位解缠算法。例如枝切线相位解缠算法、质量图指引算法,或者掩模切割算法。
在其中一些实施例中,在训练完备的人工神经网络模型的训练过程中,可以通过裁剪掉人工神经网络模型中重要性等级低于预设阈值的参数,以加速人工神经网络模型的收敛速度。
在其中一些实施例中,训练完备的人工神经网络模型采用的架构为CNN或者U-Net。
图3是根据本申请实施例的磁共振图像的相位解缠方法的流程图二,如图3所示,该流程包括如下步骤:
步骤S301,相位解缠装置获取第一磁共振相位图,第一磁共振相位图中包含缠绕相位。
步骤S302,相位解缠装置将第一磁共振相位图输入到训练完备的人工神经网络模型。
步骤S303,相位解缠装置获取训练完备的人工神经网络模型输出的第二磁共振相位图,其中,第二磁共振相位图为用于表示第一磁共振相位图与第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。
在其中一些实施例中,在磁共振相位校正偏移图是表示相位解缠后得到的磁共振相位图减去相位解缠前的磁共振相位图得到的偏移量的情况下,相位解缠装置将第一磁共振相位图与磁共振相位校正偏移图相加,得到第三磁共振相位图;
在其中一些实施例中,在磁共振相位校正偏移图是表示相位解缠前的磁共振相位图减去相位解缠后得到的磁共振相位图得到的偏移量的情况下,相位解缠装置将第一磁共振相位图与磁共振相位校正偏移量相减,得到第三磁共振相位图。
图3所示的磁共振图像的相位解缠方法中,第一磁共振相位图的预处理方法、人工神经网络模型的训练方法及架构等,均可以参照图2所示的磁共振图像的相位解缠方法中相应的实施例,在此不再赘述。
下面将以磁共振相位图作为输入,以磁共振相位校正偏移图作为监督为例,介绍本申请实施例的人工神经网络的训练过程。
本申请实施例的人工神经网络采用监督学习的方式进行训练,图4是根据本申请实施例的人工神经网络模型的训练过程的示意图,如图4所示,其训练过程包括:
1.数据准备阶段:建立磁共振相位图数据库,包含获取的未解缠的磁共振相位图和相位解缠需要的磁共振相位校正偏移图。在本实施例中,相位解缠需要的磁共振相位校正偏移图通过从解缠的磁共振相位图中减去未解缠的磁共振相位图来获得。其中,解缠的磁共振相位图可由基于质量线引导的路径导向相位解缠法或者其他的相位解缠算法获得。
在一些实施例中,对于解缠错误的像素或区域可以进行手动优化调节。
在一些实施例中,为了去除不感兴趣的磁场区域,缩短训练时间,可用大津二值化算法等对幅值图进行阈值分割提取感兴趣磁场区域进行解缠处理。
2.构建人工神经网络模型:本实施例采用的人工神经网络模型包含一个或多个输入神经元和一个或多个输出神经元。其中,人工神经网络模型架构可以是CNN或者U-Net等。
在医学图像分割中,可以采用两种框架的人工神经网络模型,其中一种是基于卷积神经网络(CNN)的人工神经网络模型框架;另一种是基于全卷积神经网络(FCN)的人工神经网络模型框架。
其中,在计算机视觉问题中,采用CNN架构的人工神经网络通常要优于FCN架构的人工神经网络。然而,在本实施例中根据医学图像的特点,采用基于FCN架构的进一步改进,即U-Net架构。具体而言,是使用跳过连接(skip connection)将低层特征图与高层特征图结合起来,带来精确的像素级定位。在实施例中采用的U-Net架构包含一个收缩路径来捕捉上下文信息,以及一个对称的扩张路径以进行精准的定位。收缩路径遵循典型的卷积网络架构,即交替卷积和池化运算,并逐步下采样特征图,同时逐层增加特征图的数量。扩张路径的每个阶段由一个特征图上采样和紧随的卷积构成。
图5是根据本申请实施例的采用U-Net的人工神经网络模型的结构示意图,如图5所示,在本实施例中优选采用U-Net架构的人工神经网络模型,它的优势在U-Net卷积神经网络由编码器和解码器阶段组成,它们能够提取高维(局部磁场梯度和边缘信息)和低维(整体大致磁场分布信息)磁场图特征,以识别不同区域校正相位需要的偏移值。
在本实施例的神经网络实现中,卷积层可以通过使用二维或者三维卷积核进行卷积计算。
为了提高模型收敛速度,可用模型修剪操作来加速推理,来提高基于U-Net的方法的准确性和速度。其中,模型修剪的方法很多,其思路源头都是来自于Oracle pruning的方法,即挑选出人工神经网络模型中不重要的参数,将其剔除而不会对模型的效果造成太大的影响。在剔除不重要的参数之后,还可以通过一个retrain的过程来恢复模型的性能,这样就可以在保证模型性能的情况下,最大程度的压缩模型参数及运算量。
本实施例采用的U-Net架构的人工神经网络模型,可以从相对较小的训练集中学习。
3.定义损失函数。在本实施例中采用预测的相位解缠需要的磁共振相位校正偏移图和真实的相位解缠需要的磁共振相位校正偏移图的误差为损失,采用的损失函数可以为均方误差损失函数、二元交叉熵损失函数等。
4.训练阶段:从磁共振相位图数据库中选取一部分未解缠的磁共振相位图样本作为训练集,另一部分磁共振相位图样本为验证集。用训练集中未解缠的磁共振相位图为输入,对应的磁共振相位校正偏移图为输出,去训练初始的人工神经网络模型。在人工神经网络模型中使用随机梯度下降算法或者Adam算法,通过误差反向传播更新该人工神经网络的权重,最后得到训练好的神经网络模型的模型参数。
5.测试阶段:用验证集中的未解缠的磁场图相位图输入到训练完备的人工神经网络,输出预测的相位解缠需要的磁共振相位校正偏移图。如果输出结果符合预期,则得到训练完备的人工神经网络模型。
需要说明的是,在上述的训练集中可以包括多种器官或者组织的磁共振相位图,使得训练得到的人工神经网络能够满足多种器官或者组织的磁共振相位图的相位解缠。
通过本申请实施例提供的磁共振图像的相位解缠方法,基于人工神经网络,尤其是深度卷积神经网络,使用扫描人体部位获得的未解缠的磁共振相位图为输入,通过人工神经网络输出解缠需要的磁共振相位校正偏移图从而获得解缠后的磁共振相位图,或者直接通过人工神经网络输出解缠后的磁共振相位图。与传统的基于相位解缠算法的相位解缠方法比,本申请实施例提供的相位解缠方法显著减少了计算时间,并且显示出优秀的相位解缠性能。
在本实施例中还提供了一种磁共振图像的相位解缠装置,该装置用于实现上述的磁共振图像的相位解缠方法。图6是根据本申请实施例的磁共振图像的相位解缠方法的结构框图,如图6所示,该磁共振图像的相位解缠装置包括:
第一获取模块61,用于获取第一磁共振相位图,第一磁共振相位图中包含缠绕相位;
输入模块62,耦合至第一获取模块61和训练完备的人工神经网络,用于将第一磁共振相位图输入到训练完备的人工神经网络模型;
第二获取模块63,耦合至训练完备的人工神经网络,用于获取训练完备的人工神经网络模型输出的第二磁共振相位图,其中,第二磁共振相位图包括以下之一:对第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示第一磁共振相位图与第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。
在其中一些实施例中,磁共振图像的相位解缠装置还包括预处理模块,用于在第二磁共振相位图为磁共振相位校正偏移图的情况下:在磁共振相位校正偏移图是表示相位解缠后得到的磁共振相位图减去相位解缠前的磁共振相位图得到的偏移量的情况下,将第一磁共振相位图与磁共振相位校正偏移图相加,得到第三磁共振相位图;在磁共振相位校正偏移图是表示相位解缠前的磁共振相位图减去相位解缠后得到的磁共振相位图得到的偏移量的情况下,将第一磁共振相位图与磁共振相位校正偏移量相减,得到第三磁共振相位图。
在其中一些实施例中,第一获取模块61可以包括:获取单元,用于获取在采集第四磁共振相位图的同一次磁共振图像采集过程中采集到的磁共振幅值图,其中,第一磁共振相位图基于第四磁共振相位图去除非感兴趣磁场区域后获得;生成单元,耦合至获取单元,用于根据磁共振幅值图,生成用于标识感兴趣磁场区域的掩模图;计算单元,耦合至生成单元,用于将第四磁共振相位图乘以掩模图,得到第一磁共振相位图。
在其中一些实施例中,训练完备的深度学习模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以第六磁共振相位图作为监督,对初始的人工神经网络模型进行训练得到的;或者训练完备的人工神经网络模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以表示第五磁共振相位图与第六磁共振相位图之间的相位偏移量的磁共振相位校正偏移图作为监督,对初始的人工神经网络模型进行训练得到的;其中,第六磁共振相位图是对第五磁共振相位图中的缠绕相位进行相位解缠后得到的磁共振相位图。
在其中一些实施例中,对第五磁共振相位图中的缠绕相位进行相位解缠所采用的相位解缠方法包括但不限于以下之一:枝切线相位解缠算法、质量图指引算法、掩模切割算法。
在其中一些实施例中,在训练完备的人工神经网络模型的训练过程中,通过裁剪掉人工神经网络模型中重要性等级低于预设阈值的参数,以加速人工神经网络模型的收敛速度。
在其中一些实施例中,训练完备的人工神经网络模型采用的架构为CNN或者U-Net。
另外,结合上述实施例中的磁共振图像的相位解缠方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种磁共振图像的相位解缠方法。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种磁共振图像的相位解缠方法,其特征在于包括:
获取第一磁共振相位图,所述第一磁共振相位图中包含缠绕相位;
将所述第一磁共振相位图输入到训练完备的人工神经网络模型;
获取所述训练完备的人工神经网络模型输出的第二磁共振相位图,其中,所述第二磁共振相位图包括以下之一:对所述第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示所述第一磁共振相位图与所述第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。
2.根据权利要求1所述的磁共振图像的相位解缠方法,其特征在于,在所述第二磁共振相位图为所述磁共振相位校正偏移图的情况下,所述方法还包括:
在所述磁共振相位校正偏移图是表示相位解缠后得到的磁共振相位图减去相位解缠前的磁共振相位图得到的偏移量的情况下,将所述第一磁共振相位图与所述磁共振相位校正偏移图相加,得到所述第三磁共振相位图;
在所述磁共振相位校正偏移图是表示相位解缠前的磁共振相位图减去相位解缠后得到的磁共振相位图得到的偏移量的情况下,将所述第一磁共振相位图与所述磁共振相位校正偏移图相减,得到所述第三磁共振相位图。
3.根据权利要求1所述的磁共振图像的相位解缠方法,其特征在于,获取第一磁共振相位图包括:
获取在采集第四磁共振相位图的同一次磁共振图像采集过程中采集到的磁共振幅值图,其中,所述第一磁共振相位图基于所述第四磁共振相位图去除非感兴趣磁场区域后获得;
根据所述磁共振幅值图,生成用于标识感兴趣磁场区域的掩模图;
将所述第四磁共振相位图乘以所述掩模图,得到所述第一磁共振相位图。
4.根据权利要求1所述的磁共振图像的相位解缠方法,其特征在于,
所述训练完备的深度学习模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以第六磁共振相位图作为监督,对初始的人工神经网络模型进行训练得到的;或者
所述训练完备的人工神经网络模型是以包含缠绕相位的第五磁共振相位图作为输入对象,以表示所述第五磁共振相位图与第六磁共振相位图之间的相位偏移量的磁共振相位校正偏移图作为监督,对初始的人工神经网络模型进行训练得到的;
其中,所述第六磁共振相位图是对所述第五磁共振相位图中的缠绕相位进行相位解缠后得到的磁共振相位图。
5.根据权利要求4所述的磁共振图像的相位解缠方法,其特征在于,对所述第五磁共振相位图中的缠绕相位进行相位解缠所采用的相位解缠方法包括以下之一:枝切线相位解缠算法、质量图指引算法、掩模切割算法。
6.根据权利要求4所述的磁共振图像的相位解缠方法,其特征在于,在所述训练完备的人工神经网络模型的训练过程中,通过裁剪掉人工神经网络模型中重要性等级低于预设阈值的参数,以加速人工神经网络模型的收敛速度。
7.根据权利要求1至6中任一项所述的磁共振图像的相位解缠方法,其特征在于,所述训练完备的人工神经网络模型采用的架构为卷积神经网络CNN或者U-Net。
8.一种磁共振图像的相位解缠装置,其特征在于包括:
第一获取模块,用于获取第一磁共振相位图,所述第一磁共振相位图中包含缠绕相位;
输入模块,用于将所述第一磁共振相位图输入到训练完备的人工神经网络模型;
第二获取模块,用于获取所述训练完备的人工神经网络模型输出的第二磁共振相位图,其中,所述第二磁共振相位图包括以下之一:对所述第一磁共振相位图中的缠绕相位进行相位解缠后得到的第三磁共振相位图,用于表示所述第一磁共振相位图与所述第三磁共振相位图之间的相位偏移量的磁共振相位校正偏移图。
9.根据权利要求8所述的磁共振图像的相位解缠装置,其特征在于,所述第一获取模块包括:
获取单元,用于获取在采集第四磁共振相位图的同一次磁共振图像采集过程中采集到的磁共振幅值图,其中,所述第一磁共振相位图基于所述第四磁共振相位图去除非感兴趣磁场区域后获得;
生成单元,用于根据所述磁共振幅值图,生成用于标识感兴趣磁场区域的掩模图;
计算单元,用于将所述第四磁共振相位图乘以所述掩模图,得到所述第一磁共振相位图。
10.一种磁共振成像系统,其特征在于,所述磁共振成像系统包括:具有成像视野的孔腔的磁共振扫描仪;以及被配置为在受试者位于磁共振扫描仪中时操作所述磁共振扫描仪,以通过从受试者感兴趣区域中采集磁共振信号来执行诊断扫描的处理器;其中,
所述处理器,还被配置为获取第一磁共振相位图,所述第一磁共振相位图中包含缠绕相位;
所述处理器,还被配置为将所述第一磁共振相位图输入到训练完备的人工神经网络模型;
所述处理器,还被配置为获取所述训练完备的人工神经网络模型输出的第二磁共振相位图。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1至7中任一项所述的磁共振图像的相位解缠方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061151.3A CN111275783B (zh) | 2020-01-19 | 2020-01-19 | 磁共振图像的相位解缠方法、装置及磁共振成像系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061151.3A CN111275783B (zh) | 2020-01-19 | 2020-01-19 | 磁共振图像的相位解缠方法、装置及磁共振成像系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275783A true CN111275783A (zh) | 2020-06-12 |
CN111275783B CN111275783B (zh) | 2023-08-18 |
Family
ID=71003303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010061151.3A Active CN111275783B (zh) | 2020-01-19 | 2020-01-19 | 磁共振图像的相位解缠方法、装置及磁共振成像系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275783B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381172A (zh) * | 2020-11-28 | 2021-02-19 | 桂林电子科技大学 | 一种基于U-net的InSAR干涉图像相位解缠方法 |
CN114114117A (zh) * | 2021-11-05 | 2022-03-01 | 中国科学院精密测量科学与技术创新研究院 | 一种基于深度学习的磁共振波谱相位校正方法 |
CN114219935A (zh) * | 2020-09-03 | 2022-03-22 | 上海联影医疗科技股份有限公司 | 电影相位解缠绕方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130093423A1 (en) * | 2011-10-12 | 2013-04-18 | Siemens Aktiengesellschaft | Phase Unwrapping in Phase Contrast MR Imaging |
CN108375746A (zh) * | 2017-01-18 | 2018-08-07 | 上海联影医疗科技有限公司 | 一种相位反卷折方法与设备 |
US20180292784A1 (en) * | 2017-04-07 | 2018-10-11 | Thanh Nguyen | APPARATUS, OPTICAL SYSTEM, AND METHOD FOR DIGITAL Holographic microscopy |
US20190320934A1 (en) * | 2018-04-18 | 2019-10-24 | Siemens Healthcare Gmbh | Medical image acquisition with sequence prediction using deep learning |
CN110610529A (zh) * | 2019-09-20 | 2019-12-24 | 上海联影医疗科技有限公司 | 磁共振扫描仪的主磁场均匀化方法、设备和介质 |
-
2020
- 2020-01-19 CN CN202010061151.3A patent/CN111275783B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130093423A1 (en) * | 2011-10-12 | 2013-04-18 | Siemens Aktiengesellschaft | Phase Unwrapping in Phase Contrast MR Imaging |
CN108375746A (zh) * | 2017-01-18 | 2018-08-07 | 上海联影医疗科技有限公司 | 一种相位反卷折方法与设备 |
US20180292784A1 (en) * | 2017-04-07 | 2018-10-11 | Thanh Nguyen | APPARATUS, OPTICAL SYSTEM, AND METHOD FOR DIGITAL Holographic microscopy |
US20190320934A1 (en) * | 2018-04-18 | 2019-10-24 | Siemens Healthcare Gmbh | Medical image acquisition with sequence prediction using deep learning |
CN110610529A (zh) * | 2019-09-20 | 2019-12-24 | 上海联影医疗科技有限公司 | 磁共振扫描仪的主磁场均匀化方法、设备和介质 |
Non-Patent Citations (1)
Title |
---|
WADE SCHWARTZKOPF 等: "Two-Dimensional Phase Unwrapping Using Neural Networks" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219935A (zh) * | 2020-09-03 | 2022-03-22 | 上海联影医疗科技股份有限公司 | 电影相位解缠绕方法、装置、电子设备和存储介质 |
CN112381172A (zh) * | 2020-11-28 | 2021-02-19 | 桂林电子科技大学 | 一种基于U-net的InSAR干涉图像相位解缠方法 |
CN112381172B (zh) * | 2020-11-28 | 2022-09-16 | 桂林电子科技大学 | 一种基于U-net的InSAR干涉图像相位解缠方法 |
CN114114117A (zh) * | 2021-11-05 | 2022-03-01 | 中国科学院精密测量科学与技术创新研究院 | 一种基于深度学习的磁共振波谱相位校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111275783B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10852379B2 (en) | Artifact reduction by image-to-image network in magnetic resonance imaging | |
CN110992433B (zh) | 用于利用空数据一致性来稀疏图像重建的系统和方法 | |
Yu et al. | Deep de-aliasing for fast compressive sensing MRI | |
CN111275783B (zh) | 磁共振图像的相位解缠方法、装置及磁共振成像系统 | |
CN109215014B (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
US11823800B2 (en) | Medical image segmentation using deep learning models trained with random dropout and/or standardized inputs | |
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 | |
CN111340903B (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 | |
CN112070752B (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
CN110333466B (zh) | 一种基于神经网络的磁共振成像方法和装置 | |
CN113424222A (zh) | 用于使用条件生成对抗网络提供中风病灶分割的系统和方法 | |
KR102428725B1 (ko) | 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램 | |
KR102584166B1 (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
WO2021104954A1 (en) | Hybrid compressed sensing image reconstruction | |
CN113506271A (zh) | 医学扫描数据处理方法和系统 | |
CN111044958B (zh) | 组织分类方法、装置、存储介质和磁共振成像系统 | |
JP7300811B2 (ja) | 医用情報処理装置、医用情報処理方法、およびプログラム | |
CN118037615A (zh) | 一种肿瘤分割引导的磁共振图像翻译方法、系统、设备及介质 | |
CN110940943B (zh) | 搏动伪影校正模型的训练方法和搏动伪影校正方法 | |
Yakkundi et al. | Convolutional LSTM: A deep learning approach for dynamic MRI reconstruction | |
KR102027773B1 (ko) | 자기공명영상의 왜곡 보정을 위한 방법 및 이를 적용한 자기공명영상 장치 | |
US20220292673A1 (en) | On-Site training of a machine-learning algorithm for generating synthetic imaging data | |
CN111044957B (zh) | 磁共振成像方法、装置、存储介质和磁共振成像系统 | |
US11508048B2 (en) | Method and system for generating composite PET-CT image based on non-attenuation-corrected PET image | |
KR20190117234A (ko) | 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |