CN111624540B - 磁共振成像方法和装置 - Google Patents

磁共振成像方法和装置 Download PDF

Info

Publication number
CN111624540B
CN111624540B CN201910146383.6A CN201910146383A CN111624540B CN 111624540 B CN111624540 B CN 111624540B CN 201910146383 A CN201910146383 A CN 201910146383A CN 111624540 B CN111624540 B CN 111624540B
Authority
CN
China
Prior art keywords
space
space data
data
region
acquired
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
CN201910146383.6A
Other languages
English (en)
Other versions
CN111624540A (zh
Inventor
黄峰
孙爱琦
鞠光亮
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.)
Shanghai Neusoft Medical Technology Co Ltd
Original Assignee
Shanghai Neusoft Medical Technology Co Ltd
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 Shanghai Neusoft Medical Technology Co Ltd filed Critical Shanghai Neusoft Medical Technology Co Ltd
Priority to CN201910146383.6A priority Critical patent/CN111624540B/zh
Publication of CN111624540A publication Critical patent/CN111624540A/zh
Application granted granted Critical
Publication of CN111624540B publication Critical patent/CN111624540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R33/5608—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
    • G01R33/561—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
    • 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

Abstract

本申请提供了一种磁共振成像方法和装置。该方法和装置将用于描述预设K空间区域的原始采集K空间数据与共轭转置K空间数据之间的映射关系的卷积神经网络应用到未采集数据的K空间区域，如此，可以重建出该未采集数据的K空间区域的缺失K空间数据，最后，利用原始采集K空间数据和重建出的未采集数据的K空间区域的缺失K空间数据进行图像重建，得到磁共振图像。因为卷积神经网络通过一组非线性函数可以较为准确地描述原始采集K空间数据与其对应的共轭转置K空间数据的映射关系，该方法和装置重建出的图像较为准确。而且，该方法和装置能够较好地保留图像相位，并能大幅减少图像中尤其是相位变化剧烈区域处的伪影或变形。

Description

磁共振成像方法和装置
技术领域
本申请涉及医学影像技术领域，尤其涉及一种磁共振成像方法和装置。
背景技术
磁共振成像(Magnetic Resonance Imaging，简称MRI)由于具有较高的软组织对比度和空间分辨率，可同时获得检查部位的形态信息和功能信息，并能够根据需要灵活地选择成像参数与成像层面，成为当今医学影像检查的重要手段。
然而受奈奎斯特采样定理和主磁场强度等因素的制约，磁共振的成像速度非常慢，大大地限制了磁共振在临床中的应用。
为了缩短磁共振成像的时间，需要提高磁共振扫描速度。目前已有一些提高磁共振扫描速度的方法。部分傅里叶(Partial Fourier)采集就是其中一种提高磁共振扫描速度的方法。所谓部分傅里叶采集，指的是可以仅采集略多于一半K空间区域的K空间数据，例如，原始采集K空间为完整K空间的50％～60％(不包括50％)。如图1所示，该采集到的原始采集K空间包括K空间中靠近一侧的一半K空间S1以及另外一半K空间中的低频部分S2L。
然而，目前针对部分傅里叶采集的K空间数据进行图像重建的方法中，要么最终重建图像中的相位信息会有所损失，要么最终重建图像存在一定程度的伪影或变形，要么重建的图像准确性较差。
发明内容
有鉴于此，本申请提供了一种磁共振成像方法和装置，该方法能够有效改善重建图像的相位，同时大幅减少最终重建图像中的伪影或变形，并提高图像的准确性。
为了解决上述技术问题，本申请采用了如下技术方案：
一种磁共振成像方法，包括：
采用部分傅里叶采集方式采集K空间数据，得到原始采集K空间区域内的原始采集K空间数据；所述原始采集K空间区域包括第一K空间区域和第二K空间区域；
对所述原始采集K空间数据进行共轭转置，得到共轭转置K空间区域内的共轭转置K空间数据；所述共轭转置K空间区域包括所述第二K空间区域和第三K空间区域；所述原始采集K空间区域和所述第三K空间区域构成完整K空间；
根据所述第三K空间区域内的共轭转置K空间数据和卷积神经网络，重建第三K空间区域内的缺失K空间数据；
根据所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像；
其中，所述卷积神经网络是以预设K空间区域内的原始采集K空间数据作为输出数据，以所述预设K空间区域内的原始采集K空间数据的共轭转置K空间数据作为输入数据，学习所述预设K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系得到的。
可选地，所述对所述原始采集K空间数据进行共轭转置，得到共轭转置K空间数据之后，所述重建第三K空间区域内的缺失K空间数据之前，还包括：
根据所述原始采集K空间数据和所述共轭转置K空间数据训练卷积神经网络；
所述根据所述原始采集K空间数据和所述共轭转置K空间数据训练卷积神经网络，具体包括：
分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据；
以所述第二K空间区域内的原始采集K空间数据作为预先构建的卷积神经网络的输出数据，以所述第二K空间区域内的共轭转置K空间数据作为所述卷积神经网络的输入数据，学习所述第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
可选地，所述分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之前，还包括：
对所述原始采集K空间数据和所述共轭转置K空间数据进行高通滤波处理；
所述分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据，具体包括：
分别从高通滤波处理后的原始采集K空间数据和共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据。
可选地，所述卷积神经网络包括多个串联的卷积层，或者，所述卷积神经网络为单个卷积层。
可选地，所述根据所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像，具体包括：
将所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据合成完整K空间数据；
对所述完整K空间数据进行逆傅里叶变换，得到磁共振图像。
可选地，所述第二K空间区域为K空间中央区域，所述K空间中央区域的K空间数据为低频K空间数据。
一种磁共振成像装置，包括：
采集单元，用于采用部分傅里叶采集方式采集K空间数据，得到原始采集K空间区域内的原始采集K空间数据；所述原始采集K空间区域包括第一K空间区域和第二K空间区域；
共轭转置单元，用于对所述原始采集K空间数据进行共轭转置，得到共轭转置K空间区域内的共轭转置K空间数据；所述共轭转置K空间区域包括所述第二K空间区域和第三K空间区域；所述原始采集K空间区域和所述第三K空间区域构成完整K空间；
数据重建单元，用于根据所述第三K空间区域内的共轭转置K空间数据和卷积神经网络，重建第三K空间区域内的缺失K空间数据；
图像重建单元，用于根据所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像；
其中，所述卷积神经网络是以预设K空间区域内的原始采集K空间数据作为输出数据，以所述预设K空间区域内的原始采集K空间数据的共轭转置K空间数据作为输入数据，学习所述预设K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系得到的。
可选地，所述装置还包括：
训练单元，用于在所述共轭转置单元对所述原始采集K空间数据进行共轭转置之后，所述数据重建单元重建第三K空间区域内的缺失K空间数据之前，根据所述原始采集K空间数据和所述共轭转置K空间数据训练卷积神经网络；
所述训练单元具体包括：
提取子单元，用于分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据；
学习子单元，用于以所述第二K空间区域内的原始采集K空间数据作为预先构建的卷积神经网络的输出数据，以所述第二K空间区域内的共轭转置K空间数据作为所述卷积神经网络的输入数据，学习所述第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
可选地，所述训练单元还包括：
处理子单元，用于所述提取子单元分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之前，对所述原始采集K空间数据和所述共轭转置K空间数据进行高通滤波处理；
所述学习子单元，具体为：分别从高通滤波处理后的原始采集K空间数据和共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据。
可选地，所述卷积神经网络包括多个串联的卷积层，或者，所述卷积神经网络为单个卷积层。
相较于现有技术，本申请具有以下有益效果：
基于以上技术方案可知，本申请提供的磁共振成像方法基于不同K空间区域的原始采集K空间数据与其对应的共轭转置K空间数据的映射关系相同的原理，将用于描述预设K空间区域的原始采集K空间数据与共轭转置K空间数据之间的映射关系的卷积神经网络应用到未采集数据的K空间区域，如此，可以重建出该未采集数据的K空间区域的缺失K空间数据，最后，利用原始采集K空间数据和重建出的未采集数据的K空间区域的缺失K空间数据进行图像重建，得到磁共振图像。
因为卷积神经网络通过一组非线性函数可以较为准确地描述原始采集K空间数据与其对应的共轭转置K空间数据的映射关系，因此，基于该卷积神经网络重建出的未采集数据的K空间区域的缺失K空间数据与实际采集到的K空间数据较为接近，因此，基于原始采集K空间数据与重建出的K空间数据重建出的图像较为准确。而且，由于原始采集K空间数据与其对应的共轭转置K空间数据之间的映射关系中所包含的图像域相位信息是基于K空间域的隐式估计法获取到的，因而，该磁共振成像方法能够较好地保留图像相位，并能大幅减少图像中尤其是相位变化剧烈区域处的伪影或变形。
附图说明
为了清楚地理解本申请的具体实施方式，下面将描述本申请具体实施方式时用到的附图做一简要说明。显而易见地，这些附图仅是本申请的部分实施例。
图1是部分傅里叶采集方式采集的K空间区域示意图；
图2是本申请实施例提供的卷积神经网络的训练方法流程示意图；
图3是本申请实施例提供的一种K空间区域分布示意图；
图4是本申请实施例提供的一种磁共振成像方法流程示意图；
图5是本申请实施例提供的另一种K空间区域分布示意图；
图6是本申请实施例提供的另一种磁共振成像方法流程示意图；
图7是本申请实施例提供的步骤S603的具体实现方式流程示意图；
图8是本申请实施例提供的执行磁共振成像方法的控制设备结构示意图；
图9是本申请实施例提供的一种磁共振成像装置结构示意图；
图10是本申请实施例提供的一种卷积神经网络的训练装置结构示意图。
具体实施方式
目前针对部分傅里叶采集的K空间数据进行图像重建的方法主要分为两大类：
第一类：首先对采集的K空间数据重建出的图像的相位信息进行调制，然后利用实值图像对应的K空间数据所具有的厄米特(又叫埃尔米特，也叫厄密，英文为Hermitian)对称性进行图像重建。
该类方法主要包括零差(Homodyne)算法，相位校正与共轭合成方法等，该类方法的缺点在于通常最终重建得到的图像会损失相位信息。
第二类：首先对图像相位信息进行预估，然后利用所估计的相位信息来恢复未采集到的K空间数据。
该类方法主要包括Cuppen’s算法，基于投影到凸集理论的迭代算法(POCS)等。
该类方法相较于第一类方法可以有效改善重建图像的模值和相位，但是这类算法均采用在图像域进行图像相位信息的计算，这些方法普遍采用直接取K空间中央低频部分的数据进行傅里叶变换到图像域，然后基于这个低频图像去做相位估计，而这个方式会由于选取K空间中央区域数据的影响导致得到的低频图像有较为明显的吉布斯(Gibbs’)伪影，并分布在整个图像中，尤其在本身相位变化剧烈的地方更为明显。因此，这些方法对于图像中局部相位变化较为剧烈的地方图像会因低频K空间区域和高频K空间区域之间的边界效应而产生一定程度的伪影和变形，尤其是在有高频相位变化时，伪影和变形尤为严重。
因此，如何能够消除图像相位变化剧烈的区域中的伪影或变形，是目前改善部分傅里叶重建算法的一个重要方向。
针对上述问题，本申请对磁共振成像方法进行了深入研究，做出了如下研究发现：
上述第二类方法之所以在图像相位变化剧烈的区域中的伪影或变形，是因为在图像域进行的图像相位信息的计算，该相位信息的计算属于显示相位估计方法。因而，为了能够消除图像相位变化剧烈的区域中的伪影或变形，需要避免采用图像域进行图像相位信息的计算。
另外，研究还发现，磁共振图像的相位信息除了能够在图像域进行显式相位估计外，还可以通过在K空间域进行隐式估计。而且采用K空间域的隐式估计，则避免了直接取K空间中心低频区域进行傅里叶变换的操作，因而可以大幅减少图像相位变化剧烈的区域中的伪影或变形。
另外，部分傅里叶采集方式采集的K空间区域一般超过完整K空间的50％，因此，部分傅里叶采集方式采集的原始K空间区域和与其对应的共轭转置K空间区域之间存在重叠区域。当对原始K空间数据进行共轭转置后，该重叠区域内不仅填充有原始采集K空间数据，还具有共轭转置K空间数据。因此，可以通过对该重叠区域的原始采集K空间数据与共轭转置K空间数据之间的映射关系函数的求解获得相位的K空间隐式估计。
此外，不同K空间区域的原始采集K空间数据与其对应的共轭转置K空间数据的映射关系相同。因此，可以将重叠区域的原始采集K空间数据与共轭转置K空间数据之间的映射关系应用到未采集K空间区域中，从而根据该未采集K空间区域中的共轭转置K空间以及获取到的映射关系来重建出未采集K空间区域的缺失数据。
基于此，本申请提供的针对部分傅里叶采集方式的磁共振成像方法的发明构思如下：对采集到的原始采集K空间区域中的原始采集K空间数据进行共轭转置，得到共轭转置K空间区域内的共轭转置K空间数据。因原始采集K空间区域与共轭转置K空间区域存在重叠区域。因此，首先，利用该重叠区域内的原始采集K空间数据与共轭转置K空间数据获取两者之间的映射关系，然后将该重叠区域的原始采集K空间数据与共轭转置K空间数据之间的映射关系应用到其它K空间区域。如此，可以根据该映射关系以及未采集数据的K空间区域的共轭转置K空间数据来重建出未采集数据的K空间区域的缺失K空间数据。如此，可以根据原始采集K空间数据和映射关系重建出的未采集数据的K空间区域的缺失K空间数据获取到完整K空间数据，最后根据该完整K空间数据进行图像重建，最终得到磁共振图像。
另外，在本申请实施例中，为了获取到准确的原始采集K空间数据与共轭转置K空间数据之间的映射关系，本申请采用非线性的卷积神经网络来训练学习重叠区域内的原始采集K空间数据与共轭转置K空间数据之间的映射关系。而且，该训练好的卷积神经网络不仅能够描述重叠区域内的原始采集K空间数据与共轭转置K空间数据之间对应的图像域相位信息关系，还能够描述两者的图像域模值关系。如此，本申请可以较为准确地获取到原始采集K空间数据和与其对应的共轭转置K空间数据之间对应的图像域相位关系和模值关系，从而使得本申请重建的图像质量和图像精确度较高。
另外，该原始采集K空间数据和与其对应的共轭转置K空间数据之间的映射关系是基于K空间域的隐式估计方法得到的，因而，该磁共振成像方法能够较好地保留图像相位，并能大幅减少图像中尤其是相位变化剧烈区域处的伪影或变形。
下面结合附图对本申请的具体实施方式进行详细描述。
需要说明，本申请实施例采用的卷积神经网络可以离线训练方式得到，也可以通过在线训练的方式得到。其中，离线训练方式可以采用多组训练数据，该多组训练数据可以为采集多个扫描对象的K空间数据。离线训练的迭代次数可以多一些，如此使得训练得到的卷积神经网络具有较好的拟合性和泛化。
在线训练的方式可以将离线训练好的卷积神经网络的模型参数作为初始化参数，设置较小的学习率，迭代优化较少次数得到。作为示例，离线训练时学习率可以设为0.001，在线调整时学习率降低为0.0001。
下面首先介绍通过离线训练方式对卷积神经网络进行训练的具体实现方式。
请参见图2，本申请实施例提供的卷积神经网络的训练方法包括以下步骤：
S201：构建卷积神经网络。
作为示例，本步骤可以将多个小卷积核的卷积层串联起来构建出卷积神经网络。例如，该卷积神经网络可以为3个卷积核为3*3的卷积层串联构成。
作为另一示例，本步骤也可以采用一个大卷积核的卷积层串联起来构建出卷积神经网络，例如，该卷积神经网络可以为1个卷积核为7*7的卷积层构成。
S202：获取卷积神经网络的训练集。
本步骤可以具体为：通过部分傅里叶采集方式采集到原始K空间数据，将原始K空间数据进行共轭转置，得到共轭转置K空间数据，将预设K空间区域内的原始K空间数据和共轭转置K空间数据，作为卷积神经网络的训练数据。
其中，预设K空间区域可以是原始K空间区域与共轭转置K空间区域的重叠区域。
作为示例，如图3所示，部分傅里叶采集方式采集到的原始K空间数据为K空间区域A内的K空间数据。对K空间区域A内的K空间数据进行共轭转置，得到共轭转置K空间区域B中的共轭转置K空间数据，其中，K空间区域A和共轭转置K空间区域B之间存在重叠区域，即K空间区域a。其中，K空间区域a内的原始采集K空间数据及其对应的共轭转置K空间数据构成一组训练数据。
另外，因K空间中央区域的数据具有较高的信噪比，因此，为了提高训练得到的卷积神经网络的准确性，该预设K空间区域可以为K空间中央区域。其中，K空间中央区域的K空间数据为低频K空间数据。
S203：以训练集中的原始采集K空间数据作为卷积神经网络的输出数据，以训练集中的共轭转置K空间数据作为卷积神经网络的输入数据，学习原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
本步骤可以将多组训练数据中的预设K空间区域内的原始采集K空间数据作为卷积神经网络的输出数据，以该原始采集K空间数据对应的共轭转置K空间数据作为卷积神经网络的输入数据，通过多次迭代学习该多组训练数据中的预设K空间区域内的原始采集K空间数据及其对应的共轭转置K空间数据之间的映射关系。
该映射关系可以为非线性映射关系，其不仅可以描述原始采集K空间数据及其对应的共轭转置K空间数据之间对应的图像域模值关系，还可以描述两者的图像域相位关系。
需要说明，上述原始采集K空间数据和共轭转置K空间数据之间的映射关系可以表示为卷积神经网络的卷积核。
因此，在得到原始采集K空间数据和共轭转置K空间数据之间的映射关系后，即得到了卷积神经网络的卷积核，因此，根据该映射关系能够确定卷积神经网络的模型参数，得到得到训练好的卷积神经网络。
以上为本申请实施例提供的卷积神经网络的训练方法的具体实现方式。在上述卷积神经网络的训练方法中，是以K空间域的K空间数据为基础进行训练的。具体地，利用预设K空间区域内的原始采集K空间数据作为输出数据，以所述预设K空间区域内的原始采集K空间数据的共轭转置K空间数据作为输入数据进行训练得到。训练得到的卷积神经网络的模型参数或卷积核不仅能够描述原始采集K空间数据及其对应的共轭转置K空间数据之间对应的图像域相位关系，还可以描述两者的图像域模值关系。
因此，该卷积神经网络通过一组非线性函数可以较为准确地描述原始采集K空间数据与其对应的共轭转置K空间数据之间的映射关系，进而能够使得基于该卷积神经网络重建出的未采集K空间区域的K空间数据与实际K空间数据较为接近。因此，基于原始采集K空间数据与重建出的K空间数据重建出的图像较为准确，而且，由于原始采集K空间数据与其对应的共轭转置K空间数据之间的映射关系中所包含的图像相位信息是基于K空间域的隐式估计法获取到的，因而，基于该卷积神经网络的磁共振成像方法能够较好地保留图像相位，并能大幅减少图像中尤其是相位变化剧烈区域处的伪影或变形。
基于上述实施例训练得到的卷积神经网络，本申请还提供了一种磁共振成像方法。该成像方法针对采用部分傅里叶采集方式得到的K空间数据进行图像重建。
请参见图4，本申请实施例提供的磁共振成像方法包括以下步骤：
S401：采用部分傅里叶采集方式采集K空间数据，得到原始采集K空间区域内的原始采集K空间数据。
如图5所示，采用部分傅里叶采集方式采集K空间数据，得到原始采集K空间区域S0内的原始K空间数据KP。原始采集K空间区域S0包括靠近K空间的外围区域的第一K空间区域S1和靠近K空间中央区域的第二K空间区域S2。
其中，位于第一K空间区域S1的K空间数据可以为高频数据，位于第二K空间区域S2内的K空间数据可以为低频数据。
其中，由高频数据重建出的图像的信噪比较低，由低频数据重建出的图像的信噪比较高。
需要说明，S401会采集原始采集K空间区域S0内的每行数据。
S402：对原始采集K空间区域内的原始采集K空间数据进行共轭转置，得到共轭转置K空间数据。
仍如图5所示，K空间划分为第一K空间区域S1、第二K空间区域S2和第三K空间区域S3。其中，第一K空间区域S1和第二K空间区域S2构成原始采集K空间区域S0，因此，第一K空间区域S1和第二K空间区域S2已经被原始采集K空间数据所填充。而第三K空间区域S3没有被K空间数据填充。
另外，原始采集K空间区域S0的共轭转置K空间为K空间区域S共轭。该共轭转置K空间区域S共轭包括靠近K空间的外围区域的第三K空间区域S3和靠近K空间中央区域的第二K空间区域S2。
如此，第二K空间区域S2为原始采集K空间区域S0和共轭转置K空间S共轭的重叠区域。且第二K空间区域S2为原始采集K空间区域S0邻近第三K空间区域S3的部分区域；原始采集K空间区域S0和第三K空间区域S3构成完整K空间。
作为示例，本步骤可以具体为：对原始采集K空间区域S0内的原始K空间数据KP进行共轭转置，得到共轭转置K空间数据
Figure BDA0001980167100000111
该共轭转置K空间数据
Figure BDA0001980167100000112
包括第二K空间区域S2内的共轭转置K空间数据
Figure BDA0001980167100000113
和第三K空间区域S3内的共轭转置K空间数据
Figure BDA0001980167100000114
因K空间中央区域的数据为低频数据，且信噪比较高，因此，作为一示例，第二空间区域S2可以为K空间中央区域。
S403：根据第三K空间区域内的共轭转置K空间数据和卷积神经网络，重建第三K空间区域内的缺失K空间数据。
本步骤可以具体为：将第三K空间区域内的共轭转置K空间数据KPH,3输入到卷积神经网络中，得到的输出结果为第三K空间区域内的重建K空间数据。
需要说明，在本申请实施例中，卷积神经网络为上述实施例训练得到的卷积神经网络。因而，该卷积神经网络能够描述预设K空间区域内的原始K空间采集数据与其对应的共轭转置K空间数据之间的映射关系。
另外，在K空间中，不同K空间区域的原始K空间采集数据与共轭转置K空间采集数据的映射关系相同，因此，上述得到的用于描述预设K空间区域内的原始K空间采集数据与共轭转置K空间采集数据的映射关系的卷积神经网络同样可以描述其它K空间区域上的原始K空间采集数据与共轭转置K空间采集数据的映射关系。
因此，将第三K空间区域S3内的共轭转置K空间数据输入到卷积神经网络中，运行该卷积神经网络，该卷积神经网络的输出结果为重建出的第三K空间区域内的缺失K空间数据KP,3。
S404：根据原始采集K空间数据和重建出的第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像。
本步骤可以具体为：首先将原始采集K空间数据和重建出的第三K空间区域内的缺失K空间数据整合在一起，得到完整K空间数据；然后对完整K空间数据进行逆傅里叶变换，重建得到磁共振图像。
以上为本申请实施例提供的磁共振成像方法的具体实现方式。在该具体实现方式中，基于不同K空间区域的原始采集K空间数据与其对应的共轭转置K空间数据的映射关系相同的原理，将用于描述预设K空间区域的原始采集K空间数据与共轭转置K空间数据之间的映射关系的卷积神经网络应用到未采集数据的K空间区域，如此，可以重建出该未采集数据的K空间区域的缺失K空间数据，最后，利用原始采集K空间数据和重建出的未采集数据的K空间区域的缺失K空间数据进行图像重建，得到磁共振图像。
因为卷积神经网络通过一组非线性函数可以较为准确地描述原始采集K空间数据与其对应的共轭转置K空间数据的映射关系，因此，基于该卷积神经网络重建出的未采集数据的K空间区域的缺失K空间数据与实际采集到的K空间数据较为接近，因此，基于原始采集K空间数据与重建出的K空间数据重建出的图像较为准确。而且，由于原始采集K空间数据与其对应的共轭转置K空间数据之间的映射关系中所包含的图像相位信息是基于K空间域的隐式估计法获取到的，因而，该磁共振成像方法能够较好地保留图像相位，并能大幅减少图像中尤其是相位变化剧烈区域处的伪影或变形。
在上述实施例提供的磁共振成像方法中，卷积神经网络为离线训练好的卷积神经网络。作为本申请的另一实现方式，卷积神经网络还可以通过在线训练的方式得到，并且该在线训练方式得到的卷积神经网络可以即时应用。相应地，本申请还提供了磁共振成像方法的另一种实现方式。
请参见图6，本申请实施例提供的磁共振成像方法的另一种实现方式包括以下步骤：
S601至S602与S401至S402相同，为了简要起见，在此不再详细描述。具体信息请参见S401至S402的相关描述。
S603：根据原始采集K空间数据和共轭转置K空间数据训练卷积神经网络。
在本申请实施例中，训练得到的卷积神经网络用于描述原始采集K空间数据与共轭转置K空间数据之间的映射关系。因此，在训练该卷积神经网络时，其采用的训练数据为同一K空间区域中的原始采集K空间数据和共轭转置K空间数据。为了满足训练数据的条件，可以采用原始采集K空间区域和共轭转置K空间区域的重叠区域上的原始采集K空间数据和共轭转置K空间数据进行训练。
针对图5所示的K空间，第二K空间区域为原始K空间区域和共轭转置K空间区域的重叠区域。如此，作为示例，如图7所示，本步骤可以具体包括以下步骤：
S6031：对原始采集K空间数据和共轭转置K空间数据进行高通滤波处理。
为了使得训练得到的卷积神经网络能够更好地应用于其它K空间区域中，本申请实施例可以先对原始采集K空间区域上的原始采集K空间数据和其对应的共轭转置K空间上的共轭转置K空间数据进行高通滤波处理。通过该高通滤波处理能够抑制K空间数据中的较强信号，从而使得该重叠区域的原始采集K空间数据和其对应的共轭转置K空间数据的映射关系能够较好地匹配到其它K空间区域。
S6032：分别从高通滤波处理后的原始采集K空间数据和共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据。
本步骤可以具体为：从高通滤波处理后的原始采集K空间数据中提取第二K空间区域内的原始K空间数据，从高通滤波处理后的共轭转置K空间数据中提取出第二K空间区域内的共轭转置K空间数据。
因K空间中央区域为低频数据，具有较高的信噪比，作为示例，第二K空间区域可以为K空间中央区域，从而训练得到更为准确的映射关系。在该示例下，S6032可以具体为：从高通滤波处理后的原始采集K空间数据中提取K空间中央区域上的原始K空间数据，从高通滤波处理后的共轭转置K空间数据中提取出K空间中央区域上的共轭转置K空间数据。
S6033：以第二K空间区域内的原始采集K空间数据作为预先构建的卷积神经网络的输出数据，以第二K空间区域内的共轭转置K空间数据作为卷积神经网络的输入数据，学习第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
需要说明，在本申请实施中，预先构建的卷积神经网络可以为通过离线训练方式得到的卷积神经网络。通过S6033的在线学习，可以对预先离线训练好的卷积神经网络进行在线优化，从而使得优化后的卷积神经网络能够更好地描述当前原始采集K空间数据和其对应的共轭转置K空间数据的映射关系，进而使得重建出的图像质量更高。
通过以上步骤S6031至S6033完成了卷积神经网络的在线训练或在线优化。
S604至S605与上述实施例中的S403至S404相同，为了简要起见，在此不再详细描述。
以上为本申请实施例提供的磁共振成像方法的另一种实现方式。在该实现方式中，除了具有上述实施例所述的磁共振成像方法的有益效果外，还可以实现卷积神经网络的在线训练和即时应用，也可以做到卷积神经网络的离线训练和在线优化。而通过离线训练和在线优化相结合的方式可以实现全程GPU(图形处理器，Graphics Processing Unit)加速，在线重建时间较短，尤其是在对双方向部分傅里叶K空间数据进行重建时，运算时间可显著降低，从而使得该磁共振成像方法可以应用于临床实践中。因此，本申请实施例提供的磁共振成像方法为一种适用于临床的快速、准确、稳定的磁共振成像方法。
以上为本申请实施例提供的磁共振成像方法的具体实现方式。
上述实施例提供的磁共振成像方法可以由图8所示的控制设备执行。图8所示的控制设备包括处理器(processor)810，通信接口(Communications Interface)820，存储器(memory)830，总线840。处理器810，通信接口820，存储器830通过总线840完成相互间的通信。
其中，存储器830中可以存储有磁共振成像的逻辑指令，该存储器例如可以是非易失性存储器(non-volatile memory)。处理器810可以调用执行存储器830中的磁共振成像的逻辑指令，以执行上述的磁共振成像方法。作为实施例，该磁共振成像的逻辑指令可以为控制软件对应的程序，在处理器执行该指令时，控制设备可以对应地在显示界面上显示该指令对应的功能界面。
磁共振成像的逻辑指令的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
上述的磁共振成像的逻辑指令，可以称为“磁共振成像装置”，该装置可以划分成各个功能模块。具体参见以下实施例。
请参见图9，本申请实施例提供的一种磁共振成像装置，包括：
采集单元91，用于采用部分傅里叶采集方式采集K空间数据，得到原始采集K空间区域内的原始采集K空间数据；所述原始采集K空间区域包括第一K空间区域和第二K空间区域；
共轭转置单元92，用于对所述原始采集K空间数据进行共轭转置，得到共轭转置K空间区域内的共轭转置K空间数据；所述共轭转置K空间区域包括所述第二K空间区域和第三K空间区域；所述原始采集K空间区域和所述第三K空间区域构成完整K空间；
数据重建单元93，用于根据所述第三K空间区域内的共轭转置K空间数据和卷积神经网络，重建第三K空间区域内的缺失K空间数据；
图像重建单元94，用于根据所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像；
其中，所述卷积神经网络是以预设K空间区域内的原始采集K空间数据作为输出数据，以所述预设K空间区域内的原始采集K空间数据的共轭转置K空间数据作为输入数据，学习所述预设K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系得到的。
以上为本申请实施例提供的一种磁共振成像装置的具体实现方式。在该具体实现方式中，基于不同K空间区域的原始采集K空间数据与其对应的共轭转置K空间数据的映射关系相同的原理，将用于描述预设K空间区域的原始采集K空间数据与共轭转置K空间数据之间的映射关系的卷积神经网络应用到未采集数据的K空间区域，如此，数据重建单元93可以重建出该未采集数据的K空间区域的缺失K空间数据，最后，图像重建单元94利用原始采集K空间数据和重建出的未采集数据的K空间区域的缺失K空间数据进行图像重建，得到磁共振图像。
因为卷积神经网络通过一组非线性函数可以较为准确地描述原始采集K空间数据与其对应的共轭转置K空间数据的映射关系，因此，数据重建单元93基于该卷积神经网络重建出的未采集数据的K空间区域的缺失K空间数据与实际采集到的K空间数据较为接近，因此，数据重建单元93基于原始采集K空间数据与重建出的K空间数据重建出的图像较为准确。而且，由于原始采集K空间数据与其对应的共轭转置K空间数据之间的映射关系中所包含的图像相位信息是基于K空间域的隐式估计法获取到的，因而，该磁共振成像装置能够较好地保留图像相位，并能大幅减少图像中尤其是相位变化剧烈区域处的伪影或变形。
作为本申请的一种可能的实现方式，上述所述的磁共振成像装置还可以包括：
训练单元95，用于在共轭转置单元92对所述原始采集K空间数据进行共轭转置之后，数据重建单元93重建第三K空间区域内的缺失K空间数据之前，根据所述原始采集K空间数据和所述共轭转置K空间数据训练卷积神经网络；
其中，训练单元95可以具体包括：
提取子单元951，用于分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据；
学习子单元952，用于以所述第二K空间区域内的原始采集K空间数据作为预先构建的卷积神经网络的输出数据，以所述第二K空间区域内的共轭转置K空间数据作为所述卷积神经网络的输入数据，学习所述第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
此外，作为本申请的另一实施例，为了进一步提高训练得到的卷积神经网络的准确性，上述训练单元95还可以包括：
处理子单元953，用于所述提取子单元分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之前，对所述原始采集K空间数据和所述共轭转置K空间数据进行高通滤波处理；
所述学习子单元952具体为：分别从高通滤波处理后的原始采集K空间数据和共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据。
利用该训练单元95可以实现卷积神经网络的在线训练和即时应用，也可以做到卷积神经网络的离线训练和在线优化。而通过离线训练和在线优化相结合的方式可以实现全程GPU(图形处理器，Graphics Processing Unit)加速，在线重建时间较短，尤其是在对双方向部分傅里叶K空间数据进行重建时，运算时间可显著降低，从而使得该磁共振成像方法可以应用于临床实践中。因此，本申请实施例提供的磁共振成像装置为一种适用于临床的快速、准确、稳定的磁共振成像装置。
此外，基于上述实施例提供的卷积神经网络的训练方法(图2所示)，本申请还提供了一种卷积神经网络的训练装置的具体实现方式。
请参见图10，该卷积神经网络的训练装置包括：
构建单元101，用于构建卷积神经网络；
获取单元102，用于获取所述卷积神经网络的训练集；所述训练集包括预设K空间区域内的原始采集K空间数据和由所述原始采集K空间数据进行共轭转置得到的共轭转置K空间数据；
学习单元103，用于以所述原始采集K空间数据作为所述卷积神经网络的输出数据，以所述共轭转置K空间数据作为所述卷积神经网络的输入数据，学习所述原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
以上为本申请实施例提供的卷积神经网络的训练装置的具体实现方式。在上述卷积神经网络的训练装置中，是以K空间域的K空间数据为基础进行训练的。具体地，利用预设K空间区域内的原始采集K空间数据作为输出数据，以所述预设K空间区域内的原始采集K空间数据的共轭转置K空间数据作为输入数据进行训练得到。训练得到的卷积神经网络的模型参数或卷积核不仅能够描述原始采集K空间数据及其对应的共轭转置K空间数据之间对应的图像域相位关系，还可以描述两者的图像域模值关系。
因此，该卷积神经网络通过一组非线性函数可以较为准确地描述原始采集K空间数据与其对应的共轭转置K空间数据之间的映射关系，进而能够使得基于该卷积神经网络重建出的未采集K空间区域的K空间数据与实际K空间数据较为接近。因此，基于原始采集K空间数据与重建出的K空间数据重建出的图像较为准确，而且，由于原始采集K空间数据与其对应的共轭转置K空间数据之间的映射关系中所包含的图像相位信息是基于K空间域的隐式估计法获取到的，因而，基于该卷积神经网络的磁共振成像方法能够较好地保留图像相位，并能大幅减少图像中尤其是相位变化剧烈区域处的伪影或变形。
以上为本申请实施例提供的具体实现方式。

Claims (9)

1.一种磁共振成像方法，其特征在于，包括：
采用部分傅里叶采集方式采集K空间数据，得到原始采集K空间区域内的原始采集K空间数据；所述原始采集K空间区域包括第一K空间区域和第二K空间区域，所述第二K空间区域为K空间中央区域，所述第一K空间区域为K空间中央区域一侧的外围区域；
对所述原始采集K空间数据进行共轭转置，得到共轭转置K空间区域内的共轭转置K空间数据；所述共轭转置K空间区域包括所述第二K空间区域和第三K空间区域；所述原始采集K空间区域和所述第三K空间区域构成完整K空间；
根据所述第三K空间区域内的共轭转置K空间数据和卷积神经网络，重建第三K空间区域内的缺失K空间数据；
根据所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像；
其中，所述卷积神经网络是以预设K空间区域内的原始采集K空间数据作为输出数据，以所述预设K空间区域内的原始采集K空间数据的共轭转置K空间数据作为输入数据，学习所述预设K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系得到的。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始采集K空间数据进行共轭转置，得到共轭转置K空间数据之后，所述重建第三K空间区域内的缺失K空间数据之前，还包括：
根据所述原始采集K空间数据和所述共轭转置K空间数据训练卷积神经网络；
所述根据所述原始采集K空间数据和所述共轭转置K空间数据训练卷积神经网络，具体包括：
分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据；
以所述第二K空间区域内的原始采集K空间数据作为预先构建的卷积神经网络的输出数据，以所述第二K空间区域内的共轭转置K空间数据作为所述卷积神经网络的输入数据，学习所述第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
3.根据权利要求2所述的方法，其特征在于，所述分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之前，还包括：
对所述原始采集K空间数据和所述共轭转置K空间数据进行高通滤波处理；
所述分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据，具体包括：
分别从高通滤波处理后的原始采集K空间数据和共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据。
4.根据权利要求2所述的方法，其特征在于，所述卷积神经网络包括多个串联的卷积层，或者，所述卷积神经网络为单个卷积层。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像，具体包括：
将所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据合成完整K空间数据；
对所述完整K空间数据进行逆傅里叶变换，得到磁共振图像。
6.一种磁共振成像装置，其特征在于，包括：
采集单元，用于采用部分傅里叶采集方式采集K空间数据，得到原始采集K空间区域内的原始采集K空间数据；所述原始采集K空间区域包括第一K空间区域和第二K空间区域，所述第二K空间区域为K空间中央区域，所述第一K空间区域为K空间中央区域一侧的外围区域；
共轭转置单元，用于对所述原始采集K空间数据进行共轭转置，得到共轭转置K空间区域内的共轭转置K空间数据；所述共轭转置K空间区域包括所述第二K空间区域和第三K空间区域；所述原始采集K空间区域和所述第三K空间区域构成完整K空间；
数据重建单元，用于根据所述第三K空间区域内的共轭转置K空间数据和卷积神经网络，重建第三K空间区域内的缺失K空间数据；
图像重建单元，用于根据所述原始采集K空间数据和重建出的所述第三K空间区域内的缺失K空间数据进行图像重建，得到磁共振图像；
其中，所述卷积神经网络是以预设K空间区域内的原始采集K空间数据作为输出数据，以所述预设K空间区域内的原始采集K空间数据的共轭转置K空间数据作为输入数据，学习所述预设K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系得到的。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
训练单元，用于在所述共轭转置单元对所述原始采集K空间数据进行共轭转置之后，所述数据重建单元重建第三K空间区域内的缺失K空间数据之前，根据所述原始采集K空间数据和所述共轭转置K空间数据训练卷积神经网络；
所述训练单元具体包括：
提取子单元，用于分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据；
学习子单元，用于以所述第二K空间区域内的原始采集K空间数据作为预先构建的卷积神经网络的输出数据，以所述第二K空间区域内的共轭转置K空间数据作为所述卷积神经网络的输入数据，学习所述第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之间的映射关系，从而得到所述卷积神经网络。
8.根据权利要求7所述的装置，其特征在于，所述训练单元还包括：
处理子单元，用于所述提取子单元分别从所述原始采集K空间数据和所述共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据之前，对所述原始采集K空间数据和所述共轭转置K空间数据进行高通滤波处理；
所述学习子单元，具体为：分别从高通滤波处理后的原始采集K空间数据和共轭转置K空间数据中提取第二K空间区域内的原始采集K空间数据和共轭转置K空间数据。
9.根据权利要求6所述的装置，其特征在于，所述卷积神经网络包括多个串联的卷积层，或者，所述卷积神经网络为单个卷积层。
CN201910146383.6A 2019-02-27 2019-02-27 磁共振成像方法和装置 Active CN111624540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910146383.6A CN111624540B (zh) 2019-02-27 2019-02-27 磁共振成像方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910146383.6A CN111624540B (zh) 2019-02-27 2019-02-27 磁共振成像方法和装置

Publications (2)

Publication Number Publication Date
CN111624540A CN111624540A (zh) 2020-09-04
CN111624540B true CN111624540B (zh) 2022-11-22

Family

ID=72270771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910146383.6A Active CN111624540B (zh) 2019-02-27 2019-02-27 磁共振成像方法和装置

Country Status (1)

Country Link
CN (1) CN111624540B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435966A (zh) * 2011-09-02 2012-05-02 中国科学院深圳先进技术研究院 三维磁共振成像方法及系统
KR101283532B1 (ko) * 2012-04-17 2013-07-23 고려대학교 산학협력단 자기공명영상장치 및 이를 이용한 자기공명영상 획득 방법
CN103679654A (zh) * 2013-11-29 2014-03-26 深圳先进技术研究院 磁共振成像方法和系统
CN105467342A (zh) * 2014-05-30 2016-04-06 上海联影医疗科技有限公司 磁共振多通道采集图像重建方法和装置
CN107182216A (zh) * 2015-12-30 2017-09-19 中国科学院深圳先进技术研究院 一种基于深度卷积神经网络的快速磁共振成像方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435966A (zh) * 2011-09-02 2012-05-02 中国科学院深圳先进技术研究院 三维磁共振成像方法及系统
KR101283532B1 (ko) * 2012-04-17 2013-07-23 고려대학교 산학협력단 자기공명영상장치 및 이를 이용한 자기공명영상 획득 방법
CN103679654A (zh) * 2013-11-29 2014-03-26 深圳先进技术研究院 磁共振成像方法和系统
CN105467342A (zh) * 2014-05-30 2016-04-06 上海联影医疗科技有限公司 磁共振多通道采集图像重建方法和装置
CN107182216A (zh) * 2015-12-30 2017-09-19 中国科学院深圳先进技术研究院 一种基于深度卷积神经网络的快速磁共振成像方法及装置

Also Published As

Publication number Publication date
CN111624540A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Sriram et al. GrappaNet: Combining parallel imaging with deep learning for multi-coil MRI reconstruction
EP4148660B1 (en) Improving quality of medical images using multi-contrast and deep learning
CN111081354B (zh) 用于通过深度学习网络对医疗图像进行去噪的系统和方法
US20190369191A1 (en) MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
Fabian et al. Data augmentation for deep learning based accelerated MRI reconstruction with limited data
CN109239631B (zh) 一种磁共振成像方法和装置
Bilgic et al. Highly accelerated multishot echo planar imaging through synergistic machine learning and joint reconstruction
CN108776318B (zh) 磁共振多对比度图像重建
WO2020134826A1 (zh) 磁共振并行成像方法及相关设备
CN108287324B (zh) 磁共振多对比度图像的重建方法和装置
CN108814603B (zh) 一种磁共振成像方法和装置
US11346911B2 (en) Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation
CN113160380B (zh) 三维磁共振影像超分辨重建方法、电子设备和存储介质
CN113359077A (zh) 一种磁共振成像方法及相关设备
Singh et al. Joint frequency and image space learning for MRI reconstruction and analysis
Xiao et al. SR-Net: a sequence offset fusion net and refine net for undersampled multislice MR image reconstruction
Ekanayake et al. Multi-branch Cascaded Swin Transformers with Attention to k-space Sampling Pattern for Accelerated MRI Reconstruction
Luijten et al. Ultrasound signal processing: from models to deep learning
Sander et al. Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI
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
CN111047512B (zh) 图像增强方法、装置及终端设备
CN111624540B (zh) 磁共振成像方法和装置
Pan et al. Iterative self-consistent parallel magnetic resonance imaging reconstruction based on nonlocal low-rank regularization
KR102163220B1 (ko) 뉴럴 네트워크를 이용한 자기공명 혈관 조영술 영상 처리 방법 및 장치
Zhao et al. JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network for Multi-contrast MRI

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