CN111583356B - 一种基于卷积神经网络的磁共振图像合成方法和装置 - Google Patents

一种基于卷积神经网络的磁共振图像合成方法和装置 Download PDF

Info

Publication number
CN111583356B
CN111583356B CN202010400409.8A CN202010400409A CN111583356B CN 111583356 B CN111583356 B CN 111583356B CN 202010400409 A CN202010400409 A CN 202010400409A CN 111583356 B CN111583356 B CN 111583356B
Authority
CN
China
Prior art keywords
image
neural network
convolutional neural
sequence
training
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
Application number
CN202010400409.8A
Other languages
English (en)
Other versions
CN111583356A (zh
Inventor
王振常
尹红霞
任鹏玲
刘雅文
张婷婷
李明安
王昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Friendship Hospital
Original Assignee
Beijing Friendship Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Friendship Hospital filed Critical Beijing Friendship Hospital
Priority to CN202010400409.8A priority Critical patent/CN111583356B/zh
Publication of CN111583356A publication Critical patent/CN111583356A/zh
Application granted granted Critical
Publication of CN111583356B publication Critical patent/CN111583356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种基于卷积神经网络的磁共振图像合成方法和装置，涉及图像处理技术领域，通过一次扫描获得MDME序列磁共振扫描图像信息；对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；将所述模图图像信息输入U‑Net卷积神经网络模型，其中，所述U‑Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；获得所述U‑Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，实现了由一次磁共振扫描图像信息同时合成多类型磁共振图像的技术功能，达到了增加生成图像类型、避开复杂物理计算、提高图像质量的技术效果。

Description

一种基于卷积神经网络的磁共振图像合成方法和装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的磁共振图像合成方法和装置。
背景技术
磁共振图像合成技术(Synthetic Magnetic Resonance Imaging)是一种磁共振快速成像技术。它通过动态多回波(multi echo multi delay，MDME)序列一次扫描获得原始图像后，可同时计算得到定量的对纵向弛豫时间T1，横向弛豫时间T2和质子密度PD(Proton Density)，通过设置不同的扫描重复时间TR(Repetition Time)，回波时间TE(Echo Time)和反转时间TI(Inversion Time)可生成不同对比度的加权图像。其中，PD，T1，T2反映组织特征的磁共振定量参数，可通过定量磁共振扫描分析得到。TR，TE是磁共振成像扫描参数，计算时可设定不同的TR，TE来获得不同对比度的合成磁共振图像。
但本发明申请人发现现有技术至少存在如下技术问题：
现有的磁共振快速成像过程中需采用第三方系统实施中间定量计算，且可生成的图像类型有限。
发明内容
本发明实施例提供了一种基于卷积神经网络的磁共振图像合成方法和装置，解决了现有技术中磁共振快速成像过程中需采用第三方系统实施中间定量计算，且可生成的图像类型有限的技术问题，实现了由一次磁共振扫描图像信息同时合成多类型磁共振图像的技术功能，达到了增加生成图像类型、避开复杂物理计算、提高图像质量的技术效果。
鉴于上述问题，提出了本申请实施例以便提供一种基于卷积神经网络的磁共振图像合成方法和装置。
第一方面，本发明提供了一种基于卷积神经网络的磁共振图像合成方法，所述方法包括：通过一次扫描获得MDME序列磁共振扫描图像信息；对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像。
优选地，所述获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，包括：
根据所述模图图像信息获得所述输入图像，其中，所述输入图像包含所述模图图像或根据所述模图图像进行解析计算获得的第一计算图像；根据第一用户在第一扫描序列下的磁共振扫描图像，获得所述第一对比图像，其中，所述第一扫描序列包含DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列；获得所述标准参考图像；根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型；将所述输入图像输入所述U-Net卷积神经网络模型进行回归分析，获得训练回归图像；根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数；根据所述U-Net卷积神经网络模型、所述第一训练参数与所述输入图像获得所述第一MRI图像。
优选地，所述根据所述模图图像进行解析计算获得的第一计算图像，包括：
根据第一计算公式对所述MDME序列对应的所述模图图像进行解析计算，获得第一计算图像，其中，所述第一计算图像包含T1/T2/PD定量图像与第二对比图像，且所述第二对比图像包含T1WI、T2WI、PDWI、T1 FLAIR、T2 FLAIR、STIR、PSIR、PSIR(vessel)、DIR(WMsupp)、DIR(GM supp)图像，所述第一计算公式为
Figure BDA0002489187020000031
其中，S为图像的信号强度，A是整体信号强度比例因子，用以校正线圈灵敏度、RF放大倍数、体素体积等的影响，PD为质子密度，TR为重复时间，TE为回波时间，T1为纵向弛豫时间，T2为横向弛豫时间，TI为反转时间，α为激励脉冲角度，θ为饱和脉冲角度。
优选地，所述标准参考图像包含所述第一对比图像和/或根据所述模图图像进行解析计算获得的第一计算图像。
优选地，所述根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型，包括：
计算所述第一用户在所述MDME序列下扫描的磁共振图像获得所述模图图像和所述第一计算图像；设置图像输入通道个数；根据所述图像输入通道个数输入所述输入图像，确定第一图像；将所述第一图像的层间顺序打乱，获得所述第一图像的卷积层、上采样层和下采样层；根据所述卷积层和所述下采样层对所述第一图像进行特征提取和特征选择，构成第一部分卷积神经网络；根据所述上采样层和所述卷积层进行特征融合，构成第二部分卷积神经网络；根据所述第一部分卷积神经网络与所述第二部分卷积神经网络建立U-Net卷积神经网络模型。
优选地，所述根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数，包括：
定义所述U-Net卷积神经网络模型的损失函数；判断所述训练回归图像与所述标准参考图像之间的损失值是否小于预设阈值；当所述训练回归图像与所述标准参考图像之间的损失值小于预设阈值时，根据所述损失函数调整所述U-Net卷积神经网络模型的参数，获得所述U-Net卷积神经网络模型的第一训练参数。
优选地，所述第一MRI图像包括：第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像，其中，同时将所述输入图像与第一标准参考图像依次输入两个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI合成图像；将所述输入图像与第二标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI定量图像；将所述输入图像与第三标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI混合图像；将所述输入图像与第四标准参考图像依次输入三个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI加权图像。
第二方面，本发明提供了一种基于卷积神经网络的磁共振图像合成装置，所述装置包括：
第一获得单元，所述第一获得单元用于通过一次扫描获得MDME序列磁共振扫描图像信息；
第二获得单元，所述第二获得单元用于对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；
第一执行单元，所述第一执行单元用于将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；
第三获得单元，所述第三获得单元用于获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像。
优选地，所述第二获得单元中获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，包括：
第四获得单元，所述第四获得单元用于根据所述模图图像信息获得所述输入图像，其中，所述输入图像包含所述模图图像或根据所述模图图像进行解析计算获得的第一计算图像；
第五获得单元，所述第五获得单元用于根据第一用户在第一扫描序列下的磁共振扫描图像，获得所述第一对比图像，其中，所述第一扫描序列包含DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列；
第六获得单元，所述第六获得单元用于获得所述标准参考图像；
第一构建单元，所述第一构建单元用于根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型；
第七获得单元，所述第七获得单元用于将所述输入图像输入所述U-Net卷积神经网络模型进行回归分析，获得训练回归图像；
第一确定单元，所述第一确定单元用于根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数；
第八获得单元，所述第八获得单元用于根据所述U-Net卷积神经网络模型、所述第一训练参数与所述输入图像获得所述第一MRI图像。
优选地，所述根据所述模图图像进行解析计算获得的第一计算图像，包括：
第九获得单元，所述第九获得单元用于根据第一计算公式对所述MDME序列对应的所述模图图像进行解析计算，获得第一计算图像，其中，所述第一计算图像包含T1/T2/PD定量图像与第二对比图像，且所述第二对比图像包含T1WI、T2WI、PDWI、T1 FLAIR、T2 FLAIR、STIR、PSIR、PSIR(vessel)、DIR(WM supp)、DIR(GM supp)图像，所述第一计算公式为
Figure BDA0002489187020000061
其中，S为图像的信号强度，A是整体信号强度比例因子，用以校正线圈灵敏度、RF放大倍数、体素体积等的影响，PD为质子密度，TR为重复时间，TE为回波时间，T1为纵向弛豫时间，T2为横向弛豫时间，TI为反转时间，α为激励脉冲角度，θ为饱和脉冲角度。
优选地，所述标准参考图像包含所述第一对比图像和/或根据所述模图图像进行解析计算获得的第一计算图像。
优选地，所述根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型，包括：
第十获得单元，所述第十获得单元用于计算所述第一用户在所述MDME序列下扫描的磁共振图像获得所述模图图像和所述第一计算图像；
第一设置单元，所述第一设置单元用于设置图像输入通道个数；
第二确定单元，所述第二确定单元用于根据所述图像输入通道个数输入所述输入图像，确定第一图像；
第十一获得单元，所述第十一获得单元用于将所述第一图像的层间顺序打乱，获得所述第一图像的卷积层、上采样层和下采样层；
第二构建单元，所述第二构建单元用于根据所述卷积层和所述下采样层对所述第一图像进行特征提取和特征选择，构成第一部分卷积神经网络；
第三构建单元，所述第三构建单元用于根据所述上采样层和所述卷积层进行特征融合，构成第二部分卷积神经网络；
第四构建单元，所述第四构建单元用于根据所述第一部分卷积神经网络与所述第二部分卷积神经网络建立U-Net卷积神经网络模型。
优选地，所述根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数，包括：
第二设置单元，所述第二设置单元用于定义所述U-Net卷积神经网络模型的损失函数；
第一判断单元，所述第一判断单元用于判断所述训练回归图像与所述标准参考图像之间的损失值是否小于预设阈值；
第十二获得单元，所述第十二获得单元用于当所述训练回归图像与所述标准参考图像之间的损失值小于预设阈值时，根据所述损失函数调整所述U-Net卷积神经网络模型的参数，获得所述U-Net卷积神经网络模型的第一训练参数。
优选地，所述第一MRI图像包括：：第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像，其中，同时将所述输入图像与第一标准参考图像依次输入两个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI合成图像；将所述输入图像与第二标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI定量图像；将所述输入图像与第三标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI混合图像；将所述输入图像与第四标准参考图像依次输入三个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI加权图像。
第三方面，本发明提供了一种基于卷积神经网络的磁共振图像合成装置，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程序时实现上述任一项所述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种基于卷积神经网络的磁共振图像合成方法和装置，通过一次扫描获得MDME序列磁共振扫描图像信息；对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，从而解决了现有技术中磁共振快速成像过程中需采用第三方系统实施中间定量计算，且可生成的图像类型有限的技术问题，实现了由一次磁共振扫描图像信息同时合成多类型磁共振图像的技术功能，达到了增加生成图像类型、避开复杂物理计算、提高图像质量的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种基于卷积神经网络的磁共振图像合成方法的流程示意图；
图2为本发明实施例中U-Net卷积神经网络的四种构建方式的示意图；
图3为本发明实施例中构建U-Net卷积神经网络的示意图；
图4为本发明实施例中一种基于卷积神经网络的磁共振图像合成装置的结构示意图；
图5为本发明实施例中另一种基于卷积神经网络的磁共振图像合成装置的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第一执行单元13，第三获得单元14，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本发明实施例提供了一种基于卷积神经网络的磁共振图像合成方法和装置，用于解决现有技术中磁共振快速成像过程中需采用第三方系统实施中间定量计算，且可生成的图像类型有限的技术问题。
本发明提供的技术方案总体思路如下：通过一次扫描获得MDME序列磁共振扫描图像信息；对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，从而实现了由一次磁共振扫描图像信息同时合成多类型磁共振图像的技术功能，达到了增加生成图像类型、避开复杂物理计算、提高图像质量的技术效果。
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例中一种基于卷积神经网络的磁共振图像合成方法的流程示意图。如图1-图3所示，本发明实施例提供了一种基于卷积神经网络的磁共振图像合成方法，所述方法包括：
步骤110：通过一次扫描获得MDME序列磁共振扫描图像信息。
步骤120：对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息。
步骤130：将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像。
具体而言，通过一次扫描获取MDME序列磁共振扫描图像信息，其中，MDME序列磁共振扫描图像为动态多回波(multi echo multi delay，MDME)序列的扫描图像。对MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息。将模图图像信息输入预先训练好的U-Net卷积神经网络模型，其中，U-Net卷积神经网络模型是通过输入多组的输入图像与标准参考图像进行训练得到。
步骤140：获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像。
进一步的，所述获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，包括：
步骤131：根据所述模图图像信息获得所述输入图像，其中，所述输入图像包含所述模图图像或根据所述模图图像进行解析计算获得的第一计算图像。
进一步的，所述根据所述模图图像进行解析计算获得的第一计算图像，包括：根据第一计算公式对所述MDME序列对应的所述模图图像进行解析计算，获得第一计算图像，其中，所述第一计算图像包含T1/T2/PD定量图像与第二对比图像，且所述第二对比图像包含T1WI、T2WI、PDWI、T1 FLAIR、T2 FLAIR、STIR、PSIR、PSIR(vessel)、DIR(WM supp)、DIR(GMsupp)图像，所述第一计算公式为
Figure BDA0002489187020000121
其中，S为图像的信号强度，A是整体信号强度比例因子，用以校正线圈灵敏度、RF放大倍数、体素体积等的影响，PD为质子密度，TR为重复时间，TE为回波时间，T1为纵向弛豫时间，T2为横向弛豫时间，TI为反转时间，α为激励脉冲角度，θ为饱和脉冲角度。
具体而言，根据第一计算公式对MDME序列对应的输入图像进行解析计算，获得第一计算图像，其中，第一计算图像包含T1/T2/PD定量图像与第二对比图像，第二对比图像为10种对比度图(T1W,T2W,PDW,T1W FLAIR,T2W FLAIR,STIR,PSIR,PSIR(vessel),DIR(WMsupp),DIR(GM supp)。第一计算公式为
Figure BDA0002489187020000122
并对第一计算图像进行滤波、归一化、裁剪等预处理操作进行图像数据增强。也就是说，对输入图像和第一计算图像进行图像参数的预定阈值选取，经过参数阈值的处理获得第一阈值图像，并对第一阈值图像进行最大最小归一化操作。
步骤132：根据第一用户在第一扫描序列下的磁共振扫描图像，获得所述第一对比图像，其中，所述第一扫描序列包含DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列。
具体而言，本申请实施例中根据模图图像信息获得输入图像，其中，输入图像包含模图图像或根据模图图像进行解析计算获得的第一计算图像。当第一用户接受检查时，获得在第一扫描序列下的磁共振扫描图像，进而获得第一对比图像，其中，第一扫描序列为不同的扫描序列，如DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列等。将不同扫描序列下的磁共振图像作为待处理的输入图像，其中，输入图像的数量为多个。
步骤133：获得所述标准参考图像。
进一步的，所述标准参考图像包含所述第一对比图像和/或根据所述模图图像进行解析计算获得的第一计算图像。
具体而言，分别获得MDME序列下的输入图像与DWI序列下的输入图像，对MDME序列下的输入图像进行解析计算确定模图图像，进而获得第一计算图像，将第一计算图像和/或DWI序列对应的输入图像作为标准参考图像。
步骤134：根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型。
进一步的，所述根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型，包括：计算所述第一用户在所述MDME序列下扫描的磁共振图像获得所述模图图像和所述第一计算图像；设置图像输入通道个数；根据所述图像输入通道个数输入所述输入图像，确定第一图像；将所述第一图像的层间顺序打乱，获得所述第一图像的卷积层、上采样层和下采样层；根据所述卷积层和所述下采样层对所述第一图像进行特征提取和特征选择，构成第一部分卷积神经网络；根据所述上采样层和所述卷积层进行特征融合，构成第二部分卷积神经网络；根据所述第一部分卷积神经网络与所述第二部分卷积神经网络建立U-Net卷积神经网络模型。
具体而言，计算第一用户在MDME序列下扫描的磁共振图像并进行滤波、归一化等处理。如图3所示，设置图像输入通道个数，如设置图像输入通道个数为8通道，则输出通道数根据计划生成的合成图像数量而定。根据图像输入通道个数同时输入图像与标准参考图像，确定第一图像，其中，标准参考图像是用户计划生成的图像，用户有可以选择不同的标准参考图像，对应得到的输出图像的类型不同，标准参考图像的图像质量高。将第一图像的层间顺序打乱，获得第一图像的卷积层、上采样层和下采样层。根据卷积层和下采样层对第一图像进行特征提取和特征选择，构成第一部分卷积神经网络，如第一图像的初始矩阵大小为512×512，下采样层对第一图像的特征提取部分每经过一个池化层，矩阵大小减小一半。根据上采样层和卷积层进行相同特征融合，构成第二部分卷积神经网络。根据第一部分卷积神经网络与第二部分卷积神经网络建立U-Net卷积神经网络。
步骤135：将所述输入图像输入所述U-Net卷积神经网络模型进行回归分析，获得训练回归图像。
步骤136：根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数。
进一步的，所述根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数，包括：定义所述U-Net卷积神经网络模型的损失函数；判断所述训练回归图像与所述标准参考图像之间的损失值是否小于预设阈值；当所述训练回归图像与所述标准参考图像之间的损失值小于预设阈值时，根据所述损失函数调整所述U-Net卷积神经网络的参数，确定所述U-Net卷积神经网络的第一训练参数。
具体而言，将输入图像输入U-Net卷积神经网络进行回归分析，获得训练回归图像。定义U-Net卷积神经网络的损失函数，其中，损失函数为训练回归图像与标准参考图像之间的均方差。判断训练回归图像与标准参考图像之间的损失值是否小于预设阈值，或者说，判断训练回归图像与标准参考图像之间的损失值是否达到最小值。当训练回归图像与标准参考图像之间的损失值达到最小值，即两者之间的损失最小，也就是说，训练回归图像最接近标准参考图像时，根据损失函数调整U-Net卷积神经网络的参数，确定U-Net卷积神经网络的第一训练参数。
步骤137：根据所述U-Net卷积神经网络、所述第一训练参数与所述输入图像获得第一MRI图像。
进一步的，所述第一MRI图像包括：第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像，其中，同时将所述输入图像与第一标准参考图像依次输入两个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI合成图像；将所述输入图像与第二标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI定量图像；将所述输入图像与第三标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI混合图像；将所述输入图像与第四标准参考图像依次输入三个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI加权图像。
具体而言，通过对多通道多尺度U-Net卷积神经网络进行训练，结合训练好的第一训练参数，可进行不同类型MRI图像的快速高质量成像。多时相磁共振扫描图像输入预先构建的U-Net卷积神经网络模型中进行回归处理获得的第一MRI合成图像为多类型图像，第一MRI合成图像包含T1/T2/PD定量图像、DWI图像与10种对比度图(T1W，T2W，PDW，T1W FLAIR，T2W FLAIR，STIR，PSIR，PSIR(vessel)，DIR(WM supp)，DIR(GM supp)。第一MRI图像在构建U-Net卷积神经网络模型时，包括第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像。如图2所示，构建U-Net卷积神经网络有四种构建方式，其中，第一种(图2A)，采集原始图像，并对原始图像进行预处理得到输入图像，将输入图像与第一标准参考图像同时输入两个U-Net卷积神经网络，输出第一MRI合成图像，第一MRI合成图像为不同对比度的图像。也就是说，将输入图像与第一标准参考图像输入第一个U-net卷积神经网络中，得到深度学习后的三种定量图(T1/T2/PD Mapping)，后接一个同样架构的U-net卷积神经网络，最终输出深度学习后的不同对比度的图像。此方式中第一个U-net卷积神经网络的第一标准参考图像为定量图，第二个U-net卷积神经网络的第一标准参考图像为任意传统扫描图像或软件计算得到的合成图像，即第一标准参考图像既可以是解析计算的图像，也可以是传统序列扫描得到的图像。第二种(图2B)，采集原始图像，并对原始图像进行预处理得到输入图像，将输入图像与第二标准参考图像同时输入一个U-Net卷积神经网络进行训练，最终得到深度学习后的第一MRI定量图像，其中，第一MRI定量图像如T1/T2/PD Mapping等对应的图像。此方式适用于定量分析，第二标准参考图像为定量图，既可以是解析计算的定量图，也可以是传统扫描的定量图。第三种(图2C)，采集原始图像，并对原始图像进行预处理得到输入图像，将输入图像与第三标准参考图像输入U-Net卷积神经网络进行训练，最终得到深度学习后合成第一MRI混合图像，其中，第一MRI混合图像如T1WI序列，T2WI序列等对应的图像。此方式中的第三标准参考图像为任意传统扫描图像或软件计算得到的合成图像，第三标准参考图像为不同对比度图像，既可以是解析计算的不同对比度图，也可以是传统扫描的不同对比度图。第四种(图2D)，将输入图像与第四标准参考图像依次输入三个U-Net卷积神经网络模型进行训练，合成所述第一MRI加权图像。也就是说，对于第一种构建模型的方式与第三种构建模型的方式中使用的参考图像为相对应的解析计算图像，则可再使用一个U-Net卷积神经网络模型，进一步输出不同对比度图像，此种方式中的参考图像仅可为传统扫描的图像。以DWI序列为例，可对应如下构建方式：可采用第二种构建模型的方式，生成DWI图像，此时参考图像为采集得到的DWI图像；也可采用上述提到的模型构建方式，先通过第一种构建模型方式或第三种构建模型方式生成不同对比度的图像，后生成DWI图像，此时该种构建模型方式中的参考图像为采集得到的DWI图像。因此，本申请实施例通过多通道多尺度的U-Net卷积神经网络，同时输入多个原始MDME采集图像和计划生成的图像，得到深度学习的合成图像，实现图像的多输入多输出，解决了中间计算困难和生成图像类型有限的技术问题。
实施例二
基于与前述实施例中一种基于卷积神经网络的磁共振图像合成方法同样的发明构思，本发明还提供一种基于卷积神经网络的磁共振图像合成方法装置，如图4所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于通过一次扫描获得MDME序列磁共振扫描图像信息；
第二获得单元12，所述第二获得单元12用于对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；
第一执行单元13，所述第一执行单元13用于将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；
第三获得单元14，所述第三获得单元14用于获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像。
进一步的，所述第二获得单元中获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，包括：
第四获得单元，所述第四获得单元用于根据所述模图图像信息获得所述输入图像，其中，所述输入图像包含所述模图图像或根据所述模图图像进行解析计算获得的第一计算图像；
第五获得单元，所述第五获得单元用于根据第一用户在第一扫描序列下的磁共振扫描图像，获得所述第一对比图像，其中，所述第一扫描序列包含DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列；
第六获得单元，所述第六获得单元用于获得所述标准参考图像；
第一构建单元，所述第一构建单元用于根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型；
第七获得单元，所述第七获得单元用于将所述输入图像输入所述U-Net卷积神经网络模型进行回归分析，获得训练回归图像；
第一确定单元，所述第一确定单元用于根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数；
第八获得单元，所述第八获得单元用于根据所述U-Net卷积神经网络模型、所述第一训练参数与所述输入图像获得所述第一MRI图像。
进一步的，所述根据所述模图图像进行解析计算获得的第一计算图像，包括：
第九获得单元，所述第九获得单元用于根据第一计算公式对所述MDME序列对应的所述模图图像进行解析计算，获得第一计算图像，其中，所述第一计算图像包含T1/T2/PD定量图像与第二对比图像，且所述第二对比图像包含T1WI、T2WI、PDWI、T1 FLAIR、T2 FLAIR、STIR、PSIR、PSIR(vessel)、DIR(WM supp)、DIR(GM supp)图像，所述第一计算公式为
Figure BDA0002489187020000191
其中，S为图像的信号强度，A是整体信号强度比例因子，用以校正线圈灵敏度、RF放大倍数、体素体积等的影响，PD为质子密度，TR为重复时间，TE为回波时间，T1为纵向弛豫时间，T2为横向弛豫时间，TI为反转时间，α为激励脉冲角度，θ为饱和脉冲角度。
进一步的，所述标准参考图像包含所述第一对比图像和/或根据所述模图图像进行解析计算获得的第一计算图像。
进一步的，所述根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型，包括：
第十获得单元，所述第十获得单元用于计算所述第一用户在所述MDME序列下扫描的磁共振图像获得所述模图图像和所述第一计算图像；
第一设置单元，所述第一设置单元用于设置图像输入通道个数；
第二确定单元，所述第二确定单元用于根据所述图像输入通道个数输入所述输入图像，确定第一图像；
第十一获得单元，所述第十一获得单元用于将所述第一图像的层间顺序打乱，获得所述第一图像的卷积层、上采样层和下采样层；
第二构建单元，所述第二构建单元用于根据所述卷积层和所述下采样层对所述第一图像进行特征提取和特征选择，构成第一部分卷积神经网络；
第三构建单元，所述第三构建单元用于根据所述上采样层和所述卷积层进行特征融合，构成第二部分卷积神经网络；
第四构建单元，所述第四构建单元用于根据所述第一部分卷积神经网络与所述第二部分卷积神经网络建立U-Net卷积神经网络模型。
进一步的，所述根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数，包括：
第二设置单元，所述第二设置单元用于定义所述U-Net卷积神经网络模型的损失函数；
第一判断单元，所述第一判断单元用于判断所述训练回归图像与所述标准参考图像之间的损失值是否小于预设阈值；
第十二获得单元，所述第十二获得单元用于当所述训练回归图像与所述标准参考图像之间的损失值小于预设阈值时，根据所述损失函数调整所述U-Net卷积神经网络模型的参数，获得所述U-Net卷积神经网络模型的第一训练参数。
进一步的，所述第一MRI图像包括：：第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像，其中，同时将所述输入图像与第一标准参考图像依次输入两个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI合成图像；将所述输入图像与第二标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI定量图像；将所述输入图像与第三标准参考图像输入一个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI混合图像；将所述输入图像与第四标准参考图像依次输入三个所述U-Net卷积神经网络模型进行训练，合成所述第一MRI加权图像。
前述图1实施例一中的一种基于卷积神经网络的磁共振图像合成方法的各种变化方式和具体实例同样适用于本实施例的一种基于卷积神经网络的磁共振图像合成装置，通过前述对一种基于卷积神经网络的磁共振图像合成方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于卷积神经网络的磁共振图像合成装置的实施方法，所以为了说明书的简洁，在此不再详述。
实施例三
基于与前述实施例中一种基于卷积神经网络的磁共振图像合成方法同样的发明构思，本发明还提供一种基于卷积神经网络的磁共振图像合成装置，如图5所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现前文所述基于卷积神经网络的磁共振图像合成方法的任一方法的步骤。
其中，在图5中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种基于卷积神经网络的磁共振图像合成方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：通过一次扫描获得MDME序列磁共振扫描图像信息；对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像。
在具体实施过程中，该程序被处理器执行时，还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种基于卷积神经网络的磁共振图像合成方法和装置，通过一次扫描获得MDME序列磁共振扫描图像信息；对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，从而解决了现有技术中磁共振快速成像过程中需采用第三方系统实施中间定量计算，且可生成的图像类型有限的技术问题，实现了由一次磁共振扫描图像信息同时合成多类型磁共振图像的技术功能，达到了增加生成图像类型、避开复杂物理计算、提高图像质量的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于卷积神经网络的磁共振图像合成方法，其特征在于，所述方法包括：
通过一次扫描获得MDME序列磁共振扫描图像信息；
对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；
将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；
获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，所述第一MRI图像包括：第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像，
所述获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，包括：
根据所述模图图像信息获得所述输入图像，其中，所述输入图像包含所述模图图像或根据所述模图图像进行解析计算获得的第一计算图像；
根据第一用户在第一扫描序列下的磁共振扫描图像，获得第一对比图像，其中，所述第一扫描序列包含DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列；
获得所述标准参考图像；
根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型；
将所述输入图像输入所述U-Net卷积神经网络模型进行回归分析，获得训练回归图像；
根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数；
根据所述U-Net卷积神经网络模型、所述第一训练参数与所述输入图像获得所述第一MRI图像，
所述第一MRI合成图像是通过同时将所述输入图像与第一标准参考图像依次输入两个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI定量图像是通过将所述输入图像与第二标准参考图像输入一个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI混合图像是通过将所述输入图像与第三标准参考图像输入一个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI加权图像是通过将所述输入图像与第四标准参考图像依次输入三个所述U-Net卷积神经网络模型进行训练而合成的。
2.如权利要求1所述的方法，其特征在于，所述根据所述模图图像进行解析计算获得的第一计算图像，包括：
根据第一计算公式对所述MDME序列对应的所述模图图像进行解析计算，获得第一计算图像，其中，所述第一计算图像包含T1/T2/PD定量图像与第二对比图像，且所述第二对比图像包含T1WI、T2WI、PDWI、T1 FLAIR、T2 FLAIR、STIR、PSIR、PSIRvessel、DIRWM supp、DIRGMsupp图像，所述第一计算公式为
Figure FDA0003004833770000021
其中，S为图像的信号强度，A是整体信号强度比例因子，用以校正线圈灵敏度、RF放大倍数、体素体积的影响，PD为质子密度，TR为重复时间，TE为回波时间，T1为纵向弛豫时间，T2为横向弛豫时间，TI为反转时间，α为激励脉冲角度，θ为饱和脉冲角度。
3.如权利要求1所述的方法，其特征在于，所述标准参考图像包含所述第一对比图像和/或根据所述模图图像进行解析计算获得的第一计算图像。
4.如权利要求1所述的方法，其特征在于，所述根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型，包括：
计算所述第一用户在所述MDME序列下扫描的磁共振图像获得所述模图图像和所述第一计算图像；
设置图像输入通道个数；
根据所述图像输入通道个数输入所述输入图像，确定第一图像；
将所述第一图像的层间顺序打乱，获得所述第一图像的卷积层、上采样层和下采样层；
根据所述卷积层和所述下采样层对所述第一图像进行特征提取和特征选择，构成第一部分卷积神经网络；
根据所述上采样层和所述卷积层进行特征融合，构成第二部分卷积神经网络；
根据所述第一部分卷积神经网络与所述第二部分卷积神经网络建立U-Net卷积神经网络模型。
5.如权利要求1所述的方法，其特征在于，所述根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数，包括：
定义所述U-Net卷积神经网络模型的损失函数；
判断所述训练回归图像与所述标准参考图像之间的损失值是否小于预设阈值；
当所述训练回归图像与所述标准参考图像之间的损失值小于预设阈值时，根据所述损失函数调整所述U-Net卷积神经网络模型的参数，获得所述U-Net卷积神经网络模型的第一训练参数。
6.一种基于卷积神经网络的磁共振图像合成装置，其特征在于，所述装置包括：
第一获得单元，所述第一获得单元用于通过一次扫描获得MDME序列磁共振扫描图像信息；
第二获得单元，所述第二获得单元用于对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；
第一执行单元，所述第一执行单元用于将所述模图图像信息输入U-Net卷积神经网络模型，其中，所述U-Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；
第三获得单元，所述第二获得单元用于获得所述U-Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，所述第一MRI图像包括：第一MRI合成图像、第一MRI定量图像、第一MRI混合图像、第一MRI加权图像，
所述第三获得单元包括：
第四获得单元，所述第四获得单元用于根据所述模图图像信息获得所述输入图像，其中，所述输入图像包含所述模图图像或根据所述模图图像进行解析计算获得的第一计算图像；
第五获得单元，所述第五获得单元用于根据第一用户在第一扫描序列下的磁共振扫描图像，获得第一对比图像，其中，所述第一扫描序列包含DWI序列、T1WI序列、T2WI序列、PDWI序列、T1FLAIR序列、T2FLAIR序列、STIR序列；
第六获得单元，所述第六获得单元用于获得所述标准参考图像；
第一构建单元，所述第一构建单元用于根据所述输入图像与所述标准参考图像建立U-Net卷积神经网络模型；
第七获得单元，所述第七获得单元用于将所述输入图像输入所述U-Net卷积神经网络模型进行回归分析，获得训练回归图像；
第一确定单元，所述第一确定单元用于根据所述训练回归图像与所述标准参考图像确定所述U-Net卷积神经网络模型的第一训练参数；
第八获得单元，所述第八获得单元用于根据所述U-Net卷积神经网络模型、所述第一训练参数与所述输入图像获得所述第一MRI图像，
所述第一MRI合成图像是通过同时将所述输入图像与第一标准参考图像依次输入两个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI定量图像是通过将所述输入图像与第二标准参考图像输入一个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI混合图像是通过将所述输入图像与第三标准参考图像输入一个所述U-Net卷积神经网络模型进行训练而合成的；所述第一MRI加权图像是通过将所述输入图像与第四标准参考图像依次输入三个所述U-Net卷积神经网络模型进行训练而合成的。
7.一种基于卷积神经网络的磁共振图像合成装置，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程序时实现权利要求1-5任一项所述方法的步骤。
8.一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，该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
CN202010400409.8A 2020-05-13 2020-05-13 一种基于卷积神经网络的磁共振图像合成方法和装置 Active CN111583356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010400409.8A CN111583356B (zh) 2020-05-13 2020-05-13 一种基于卷积神经网络的磁共振图像合成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010400409.8A CN111583356B (zh) 2020-05-13 2020-05-13 一种基于卷积神经网络的磁共振图像合成方法和装置

Publications (2)

Publication Number Publication Date
CN111583356A CN111583356A (zh) 2020-08-25
CN111583356B true CN111583356B (zh) 2021-05-25

Family

ID=72126614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010400409.8A Active CN111583356B (zh) 2020-05-13 2020-05-13 一种基于卷积神经网络的磁共振图像合成方法和装置

Country Status (1)

Country Link
CN (1) CN111583356B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112946545B (zh) * 2021-01-28 2022-03-18 杭州电子科技大学 基于PCU-Net网络的快速多通道磁共振成像方法
CN115166612B (zh) * 2022-07-21 2024-08-06 厦门大学 基于深度学习的超快速磁共振成像高精度仿真方法及系统
CN115631370A (zh) * 2022-10-09 2023-01-20 北京医准智能科技有限公司 一种基于卷积神经网络的mri序列类别的识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544488A (zh) * 2018-10-08 2019-03-29 西北大学 一种基于卷积神经网络的图像合成方法
CN110148195A (zh) * 2019-05-22 2019-08-20 山东颐邦齐鲁医生集团管理有限公司 一种磁共振图像生成方法、系统、终端及存储介质
WO2020078725A1 (en) * 2018-10-19 2020-04-23 Mirada Medical Limited System and method for automatic delineation of scanned images

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110464353A (zh) * 2019-08-21 2019-11-19 南方医科大学 一种基于深度卷积神经网络的伪ct合成方法及应用

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544488A (zh) * 2018-10-08 2019-03-29 西北大学 一种基于卷积神经网络的图像合成方法
WO2020078725A1 (en) * 2018-10-19 2020-04-23 Mirada Medical Limited System and method for automatic delineation of scanned images
CN110148195A (zh) * 2019-05-22 2019-08-20 山东颐邦齐鲁医生集团管理有限公司 一种磁共振图像生成方法、系统、终端及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MR-based Synthetic CT Generation using a Deep Convolutional Neural Network Method;Xiao Han;《Medical Physics》;20170213;第44卷(第4期);第1-31页 *
对比集合序列与常规序列头部MR图像质量;刘辉明 等;《中国医学影像技术》;20190220;第35卷(第2期);第268-271页 *

Also Published As

Publication number Publication date
CN111583356A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111583356B (zh) 一种基于卷积神经网络的磁共振图像合成方法和装置
CN111656392B (zh) 用于合成磁共振图像的系统和方法
KR100971936B1 (ko) 뇌 기능 해석 장치, 뇌 기능 해석 방법 및 뇌 기능 해석 프로그램
US8125484B2 (en) Method, apparatus and user interface for determining an arterial input function used for calculating hemodynamic parameters
US11783484B2 (en) Protocol-aware tissue segmentation in medical imaging
CN111462264B (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
DE102014214256A1 (de) Magnetresonanzabbildungsvorrichtung, Bildverarbeitungsvorrichtung und Bildverarbeitungsverfahren
US10290103B2 (en) Method, device and non-transitory digital storage medium for non-aqueous tissue volume estimation
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN111080731A (zh) 弥散加权成像方法及装置
US10736538B2 (en) Method and computer differentiating correlation patterns in functional magnetic resonance imaging
CN105997074B (zh) 一种磁共振定量磁化率成像多回波相位拟合方法
CN112785540B (zh) 一种扩散加权图像的生成系统及方法
EP2372383B1 (en) Design of a gradient waveform for a k-space trajectory with an upper frequency limit due to MRI gradient hardware
EP3384302B1 (en) A method for metabolite signal quantitation for magnetic resonance spectroscopy data
DE102017213222A1 (de) Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten
US10324151B2 (en) Magnetic resonance method and apparatus for producing an image data set for display
CN115137347A (zh) 三维超短回波时间磁共振指纹成像的髓鞘定量成像方法
Qin et al. Simulating cardiac ultrasound image based on MR diffusion tensor imaging
US7345480B2 (en) Method, system, storage medium and software arrangement for radial prescription of long-axis slices in magnetic resonance imaging examinations
CN111062935A (zh) 一种乳腺肿瘤检测方法、存储介质及终端设备
EP3629047A1 (de) Magnetresonanz-fingerprinting-verfahren basierend auf ähnlichkeitswerten
US10139463B2 (en) Method and apparatus to determine complex sensitivity factors of RF reception coils for magnetic resonance spectroscopy
CN118015012B (zh) 一种脑部mri图像脑微出血自动分割方法
US10732235B2 (en) Magnetic resonance method and apparatus using atlas-based masking for quantitative susceptibility mapping

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