CN111714124A - 磁共振电影成像方法、装置、成像设备及存储介质 - Google Patents

磁共振电影成像方法、装置、成像设备及存储介质 Download PDF

Info

Publication number
CN111714124A
CN111714124A CN202010560886.0A CN202010560886A CN111714124A CN 111714124 A CN111714124 A CN 111714124A CN 202010560886 A CN202010560886 A CN 202010560886A CN 111714124 A CN111714124 A CN 111714124A
Authority
CN
China
Prior art keywords
magnetic resonance
rank
imaging
low
sub
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
Application number
CN202010560886.0A
Other languages
English (en)
Other versions
CN111714124B (zh
Inventor
梁栋
朱燕杰
柯子文
刘新
郑海荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202010560886.0A priority Critical patent/CN111714124B/zh
Priority to PCT/CN2020/117462 priority patent/WO2021253671A1/zh
Publication of CN111714124A publication Critical patent/CN111714124A/zh
Application granted granted Critical
Publication of CN111714124B publication Critical patent/CN111714124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Cardiology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种磁共振电影成像方法、装置、成像设备及存储介质，该方法包括：获取磁共振数据；将所述磁共振数据输入至已训练的成像模型中以得到磁共振电影图像，其中，所述成像模型是基于ADMM算法构建的稀疏低秩网络模型，用于控制ADMM算法根据神经网络模型输出的迭代参数进行相应的迭代求解以得到磁共振电影图像。解决了现有技术的深度学习方法无法在磁共振电影成像领域同时兼顾图像重建时间和图像质量。

Description

磁共振电影成像方法、装置、成像设备及存储介质
技术领域
本发明实施例涉及磁共振成像领域，尤其涉及一种磁共振电影成像方法、装置、成像设备及存储介质。
背景技术
磁共振心脏电影成像是一种非侵入式的成像技术，能够用于评估心功能，室壁运动异常等，为心脏临床诊断提供丰富的信息。然而，由于磁共振物理、硬件和心脏运动周期时长的制约，磁共振心脏电影成像往往在时间和空间分辨率方面受限，无法准确评估部分心脏疾病，如心率不齐等。因此，在保证成像质量的前提下，提高磁共振心脏电影成像的速度和空间分辨率尤为重要。
近年来，很多人都在探索深度学习方法在磁共振电影成像领域的使用。比如，基于级联卷积网络的磁共振动态成像(DC-CNN)、卷积递归神经网络(CRNN)以及多监督交叉域网络DIMENSION均取得了良好的重建效果。但由于这三种神经网络均是直接学习从欠采图像到全采图像的映射关系，使得它们要么在图像重建过程需要较长的重建时间，要么重建出的磁共振心脏电影图像的质量较低。
综上，现有技术的深度学习方法无法在磁共振电影成像领域同时兼顾图像重建时间和图像质量。
发明内容
本发明实施例提供了一种磁共振电影成像方法、装置、成像设备及存储介质，解决了现有技术的深度学习无法在磁共振电影成像领域同时兼顾图像重建时间和图像质量的问题。
第一方面，本发明实施例提供了一种磁共振电影成像方法，包括：
获取磁共振数据；
将所述磁共振数据输入至已训练的成像模型中以得到磁共振电影图像，其中，所述成像模型是基于ADMM算法构建的稀疏低秩网络模型，用于控制ADMM算法根据神经网络模型输出的迭代参数进行相应的迭代求解以得到磁共振电影图像。
进一步，所述神经网络模型用于根据ADMM算法前一次的迭代求解结果确定ADMM算法当前迭代求解所需的迭代参数。
进一步，所述成像模型的构建方法包括：
基于ADMM算法将磁共振信号的欠采重建任务转换为迭代求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题；
控制神经网络模型根据数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题的前一次的迭代求解结果，确定当前迭代求解所需的迭代参数，以及控制ADMM算法根据该迭代参数完成当前迭代求解过程，直至当前迭代求解结果符合预设收敛条件。
进一步，所述基于ADMM算法将磁共振信号的欠采重建任务转换为求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题，包括：
将磁共振信号的欠采重建任务建模为数据一致约束问题、变换域稀疏约束问题和低秩约束问题；
基于ADMM求解所述数据一致问题、变换域稀疏问题和低秩约束问题，以将磁共振信号的欠采重建任务转换为求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题。
进一步，所述数据一致子问题为：
Figure BDA0002546017170000031
所述低秩子问题为：
Figure BDA0002546017170000032
所述稀疏子问题为：
Figure BDA0002546017170000033
所述辅助变量更新子问题为：
Figure BDA0002546017170000034
其中，y为磁共振信号，x是图像数据，P是采样矩阵，F是傅里叶变换；z、t是辅助变量，z＝Dx，t＝x，D是稀疏变换；
Figure BDA0002546017170000035
α1为稀疏变换中的拉格朗日乘子，α2为低秩变换中的拉格朗日乘子，ρ1为稀疏变换中的惩罚系数，ρ2为低秩变换中的惩罚系数；IST用于表示求取xn的奇异值阈值；S为非线性阈值函数；λ1是用于稀疏变换的正则化系数、λ2是用于低秩变换的正则化系数，η1是稀疏变换中的更新步长，η2是低秩变换中的更新步长。
进一步，迭代参数包括D、λ1和λ2。
进一步，所述磁共振数据为心脏磁共振数据。
第二方面，本发明实施例还提供了一种磁共振电影成像装置，包括：
获取模块，用于获取磁共振数据；
重建模块，用于控制神经网络模型根据ADMM算法的前一次的迭代求解结果确定当前迭代求解所需的迭代参数，以及控制ADMM算法根据该迭代参数完成当前迭代求解过程，直至当前迭代求解结果符合预设收敛条件。
第三方面，本发明实施例还提供了一种成像设备，所述成像设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例所述的磁共振电影成像方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的磁共振电影成像方法。
本发明实施例提供的磁共振电影成像方法的技术方案，包括：获取磁共振数据；将磁共振数据输入至已训练的成像模型中以得到磁共振电影图像，其中，成像模型是基于ADMM算法构建的稀疏低秩网络模型，用于控制ADMM算法根据神经网络模型输出的迭代参数进行相应的迭代求解以得到磁共振电影图像。相较于现有技术。将ADMM算法与神经网络模型结合，使得神经网络模型可以学习磁共振数据在稀疏和低秩两方面的先验知识，并利用所学的这些先验知识快速准确地确定ADMM算法每次迭代求解所需的迭代参数，直至ADMM算法的迭代求解结果符合预设收敛条件，由于迭代参数的确定更加快速准确，因此图像重建过程所需时间大幅减少，重建出的磁共振电影图像的质量大幅提高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明实施例一提供的磁共振电影成像方法的流程图；
图2是本发明实施例一提供的ADMM算法的迭代示意图；
图3A是本发明实施例二提供的磁共振电影成像装置的结构框图；
图3B是本发明实施例二提供的又一磁共振电影成像装置的结构框图；
图4是本发明实施例三提供的成像设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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施例，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的磁共振电影成像方法的流程图。本实施例的技术方案适用于使用基于ADMM算法构建的稀疏低秩网络模型快速重建出高质量的磁共振电影图像的情况。该方法可以由本发明实施例提供的磁共振电影成像装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置在成像设备的处理器中应用。该方法具体包括如下步骤：
S101、获取磁共振数据。
其中，本实施例的磁共振数据为包含时间信息的磁共振信号。比如，心脏磁共振信号。
S102、将磁共振数据输入至已训练的成像模型中以得到磁共振电影图像，其中，成像模型是基于ADMM算法构建的稀疏低秩网络模型，用于控制ADMM算法根据神经网络模型输出的迭代参数进行相应的迭代求解以得到磁共振电影图像。
磁共振数据得到之后，将其输入已训练的成像模型中，由该已训练的成像模型对其分析，以得到磁共振电影图像。
其中，成像模型是基于ADMM算法构建的稀疏低秩网络模型，具体为将ADMM算法的迭代求解过程与神经网络模型相结合而成的模型。在该成像模型中，神经网络模型被设置为，根据ADMM算法前一次的迭代求解结果确定ADMM算法当前迭代求解所需的迭代参数，直至当前的迭代求解结果符合预设收敛条件，则神经网络模型结束迭代参数的计算，同时该迭代求解结果即为成像模型要输出的磁共振电影图像。
其中，成像模型的构建方法包括：基于ADMM算法将磁共振信号的欠采重建任务转换为迭代求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题；控制神经网络模型根据数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题的前一次的迭代求解结果，确定当前迭代求解所需的迭代参数，以及控制ADMM算法根据该迭代参数完成当前迭代求解过程，直至当前迭代求解结果符合预设收敛条件。
在一些实施例中，基于ADMM算法将磁共振信号的欠采重建任务转换为求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题的步骤，包括：将磁共振信号的欠采重建任务建模为数据一致约束问题、变换域稀疏约束问题和低秩约束问题；然后基于ADMM算法求解数据一致问题、变换域稀疏问题和低秩约束问题，以将磁共振信号的欠采重建任务转换为求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题。具体如下：
对于磁共振数据，即K空间数据
Figure BDA0002546017170000071
其对应的欠采心脏电影图像为
Figure BDA0002546017170000072
该心脏电影图像的欠采重建问题可被建模为以下优化问题：
Figure BDA0002546017170000073
其中，A＝PF为测量矩阵，P为采样矩阵，F为傅里叶变换，D为稀疏变换，g(·)为稀疏约束，||·||*＝∑i(Σi,i)是核函数，Σ是·的奇异值向量，核范数是对信号的前i个最大奇异值进行求和，反映了信号的低秩特性；λ1和λ2均是正则化系数。
引入辅助变量z＝Dx，t＝x，则上述优化问题变为：
Figure BDA0002546017170000074
公式(2)的增广拉格朗日形式如下：
Figure BDA0002546017170000075
其中，α1为稀疏变换中的拉格朗日乘子，α2为稀疏变换中的拉格朗日乘子，ρ1为稀疏变换中的惩罚系数，ρ2为低秩变换中的惩罚系数。
利用ADMM算法对公式(3)进行求解，可以得到：
Figure BDA0002546017170000081
利用变换
Figure BDA0002546017170000082
A＝FP，t(n+1)使用奇异值阈值表示，则得到如下四个子问题。
Figure BDA0002546017170000083
其中，IST表示对信号进行SVD分解得到特征值向量，并对特征值向量进行阈值操作，然后恢复到原信号；S为非线性阈值函数，用于对稀疏矩阵进行阈值过滤；λ1是用于稀疏变换的正则化系数，λ2是用于低秩变换的正则化系数，η1是稀疏变换中的更新步长，η2是低秩变换中的更新步长。
将公式(5)的迭代求解步骤参见图2，将其与神经网络模型相结合。结合之后，神经网络模型可以利用ADMM算法的前一次迭代求解结果确定其当前迭代求解所需的迭代参数，直至当前迭代求解结果符合预设收敛条件。可以理解的是，将ADMM算法与神经网络模型相结合，使得神经网络模型可以根据所学习的磁共振数据在稀疏和低秩两方面的先验知识，快速准确地确定出当前迭代求解所需的迭代参数。其中，迭代参数包括正则化系数λ1、λ2和稀疏变换D。
可以理解的是，成像模型构建完成之后，并不能直接使用其进行图像重建，还需要使用一定数量的样本对其进行训练，以生成已训练的成像模型。得到已训练的成像模型之后，即可使用该已训练的成像模型对磁共振数据进行图像重建，以生成磁共振电影图像。
本发明实施例提供的磁共振电影成像方法的技术方案，相较于现有技术。将ADMM算法与神经网络模型结合，使得神经网络模型可以学习磁共振数据在稀疏和低秩两方面的先验知识，并利用所学的这些先验知识快速准确地确定ADMM算法每次迭代求解所需的迭代参数，直至ADMM算法的迭代求解结果符合预设收敛条件，由于迭代参数的确定更加快速准确，因此图像重建过程所需时间大幅减少，重建出的磁共振电影图像的质量大幅提高。
实施例二
图3A是本发明实施例提供的磁共振电影成像装置的结构框图。该装置用于执行上述任意实施例所提供的磁共振电影成像方法，该装置可选为软件或硬件实现。该装置包括：
获取模块11，用于获取磁共振数据；
重建模块12，用于将所述磁共振数据输入至已训练的成像模型中以得到磁共振电影图像，其中，所述成像模型是基于ADMM算法构建的稀疏低秩网络模型，用于控制ADMM算法根据神经网络模型输出的迭代参数进行相应的迭代求解以得到磁共振电影图像。
可选地，该装置还包括模型构建模块101(参见图3B)，该模型构建模块包括：
任务转换单元，用于基于ADMM算法将磁共振信号的欠采重建任务转换为迭代求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题；
结合单元，用于控制神经网络模型根据ADMM算法的前一次的迭代求解结果确定当前迭代求解所需的迭代参数，以及控制ADMM算法根据该迭代参数完成当前迭代求解过程，直至当前迭代求解结果符合预设收敛条件。
其中，任务转换单元可选用于将磁共振信号的欠采重建任务建模为数据一致约束问题、变换域稀疏约束问题和低秩约束问题；基于ADMM求解所述数据一致问题、变换域稀疏问题和低秩约束问题，以将磁共振信号的欠采重建任务转换为求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题。
可选地，该装置还包括训练模块102(参见图3B)，用于接收训练样本数据，并根据所接收的训练样本数据完成成像模型的训练，以生成已训练的成像模型。
本发明实施例提供的磁共振电影成像装置的技术方案，相较于现有技术。将ADMM算法与神经网络模型结合，使得神经网络模型可以学习磁共振数据在稀疏和低秩两方面的先验知识，并利用所学的这些先验知识快速准确地确定ADMM算法每次迭代求解所需的迭代参数，直至ADMM算法的迭代求解结果符合预设收敛条件，由于迭代参数的确定更加快速准确，因此图像重建过程所需时间大幅减少，重建出的磁共振电影图像的质量大幅提高。
本发明实施例所提供的磁共振电影成像装置可执行本发明任意实施例所提供的磁共振电影成像方法，具备执行方法相应的功能模块和有益效果。
实施例三
图4为本发明实施例三提供的成像设备的结构示意图，如图4所示，该设备包括处理器201、存储器202、输入装置203以及输出装置204；设备中处理器201的数量可以是一个或多个，图4中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的磁共振电影成像方法、装置、成像设备及存储介质对应的程序指令/模块(例如，获取模块11和重建模块12)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的磁共振电影成像方法、装置、成像设备及存储介质。
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置204可包括显示屏等显示设备，例如，用户终端的显示屏。
实施例四
本发明实施例四还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种磁共振电影成像方法、装置、成像设备及存储介质，该方法包括：
获取模块，用于获取磁共振数据；
重建模块，用于控制神经网络模型根据ADMM算法的前一次的迭代求解结果确定当前迭代求解所需的迭代参数，以及控制ADMM算法根据该迭代参数完成当前迭代求解过程，直至当前迭代求解结果符合预设收敛条件。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的磁共振电影成像方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的磁共振电影成像方法。
值得注意的是，上述磁共振电影成像装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种磁共振电影成像方法，其特征在于，包括：
获取磁共振数据；
将所述磁共振数据输入至已训练的成像模型中以得到磁共振电影图像，其中，所述成像模型是基于ADMM算法构建的稀疏低秩网络模型，用于控制ADMM算法根据神经网络模型输出的迭代参数进行相应的迭代求解以得到磁共振电影图像。
2.根据权利要求1所述的方法，其特征在于，所述神经网络模型用于根据ADMM算法前一次的迭代求解结果确定ADMM算法当前迭代求解所需的迭代参数。
3.根据权利要求1所述的方法，其特征在于，所述成像模型的构建方法包括：
基于ADMM算法将磁共振信号的欠采重建任务转换为迭代求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题；
控制神经网络模型根据数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题的前一次的迭代求解结果，确定当前迭代求解所需的迭代参数，以及控制ADMM算法根据该迭代参数完成当前迭代求解过程，直至当前迭代求解结果符合预设收敛条件。
4.根据权利要求3所述的方法，其特征在于，所述基于ADMM算法将磁共振信号的欠采重建任务转换为求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题，包括：
将磁共振信号的欠采重建任务建模为数据一致约束问题、变换域稀疏约束问题和低秩约束问题；
基于ADMM求解所述数据一致问题、变换域稀疏问题和低秩约束问题，以将磁共振信号的欠采重建任务转换为求解数据一致子问题、低秩子问题、稀疏子问题和辅助变量子问题。
5.根据权利要求3所述的方法，其特征在于，
所述数据一致子问题为：
Figure FDA0002546017160000021
所述低秩子问题为：
Figure FDA0002546017160000022
所述稀疏子问题为：
Figure FDA0002546017160000023
所述辅助变量更新子问题为：
Figure FDA0002546017160000024
其中，y为磁共振信号，x是图像数据，P是采样矩阵，F是傅里叶变换；z、t是辅助变量，z＝Dx，t＝x，D是稀疏变换；
Figure FDA0002546017160000025
α1为稀疏变换中的拉格朗日乘子，α2为低秩变换中的拉格朗日乘子；ρ1为稀疏变换中的惩罚系数，ρ2为低秩变换中的惩罚系数；IST表示对信号进行SVD分解得到特征值向量，并对特征值向量进行阈值操作，然后恢复到原信号；S为非线性阈值函数；λ1是用于稀疏变换的正则化系数、λ2是用于低秩变换的正则化系数，η1是稀疏变换中的更新步长，η2是低秩变换中的更新步长。
6.根据权利要求5所述的方法，其特征在于，迭代参数包括D、λ1和λ2。
7.根据权利要求1-6任一所述的方法，其特征在于，所述磁共振数据为心脏磁共振数据。
8.一种磁共振电影成像装置，其特征在于，包括：
获取模块，用于获取磁共振数据；
重建模块，用于控制神经网络模型根据ADMM算法的前一次的迭代求解结果确定当前迭代求解所需的迭代参数，以及控制ADMM算法根据该迭代参数完成当前迭代求解过程，直至当前迭代求解结果符合预设收敛条件。
9.一种成像设备，其特征在于，所述成像设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的磁共振电影成像方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的磁共振电影成像方法。
CN202010560886.0A 2020-06-18 2020-06-18 磁共振电影成像方法、装置、成像设备及存储介质 Active CN111714124B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010560886.0A CN111714124B (zh) 2020-06-18 2020-06-18 磁共振电影成像方法、装置、成像设备及存储介质
PCT/CN2020/117462 WO2021253671A1 (zh) 2020-06-18 2020-09-24 磁共振电影成像方法、装置、成像设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010560886.0A CN111714124B (zh) 2020-06-18 2020-06-18 磁共振电影成像方法、装置、成像设备及存储介质

Publications (2)

Publication Number Publication Date
CN111714124A true CN111714124A (zh) 2020-09-29
CN111714124B CN111714124B (zh) 2023-11-03

Family

ID=72567537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010560886.0A Active CN111714124B (zh) 2020-06-18 2020-06-18 磁共振电影成像方法、装置、成像设备及存储介质

Country Status (2)

Country Link
CN (1) CN111714124B (zh)
WO (1) WO2021253671A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933773A (zh) * 2021-09-30 2022-01-14 深圳先进技术研究院 基于深度学习的磁共振成像方法、系统、终端及存储介质
CN116919380A (zh) * 2023-09-15 2023-10-24 浙江大华技术股份有限公司 压缩感知磁共振成像方法、模型训练方法及其成像装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093430A (zh) * 2013-01-25 2013-05-08 西安电子科技大学 基于稀疏低秩与字典学习的心脏mri图像去模糊方法
CN104933683A (zh) * 2015-06-09 2015-09-23 南昌大学 一种用于磁共振快速成像的非凸低秩重建方法
CN106780372A (zh) * 2016-11-30 2017-05-31 华南理工大学 一种基于广义树稀疏的权重核范数磁共振成像重建方法
CN106934778A (zh) * 2017-03-10 2017-07-07 北京工业大学 一种基于小波域结构和非局部分组稀疏的mr图像重建方法
CN107991636A (zh) * 2017-11-24 2018-05-04 哈尔滨工业大学 一种基于适应性结构低秩矩阵的快速磁共振图像重建方法
CN109157210A (zh) * 2018-07-11 2019-01-08 厦门大学 一种基于admm和神经网络的心外膜电位重建方法
CN109191404A (zh) * 2018-09-07 2019-01-11 西安交通大学 一种基于e-3dtv正则的高光谱图像修复方法
US20190050372A1 (en) * 2017-08-14 2019-02-14 City University Of Hong Kong Systems and methods for robust low-rank matrix approximation
AU2020100462A4 (en) * 2020-03-26 2020-04-30 Hu, Xiaoyan MISS Edge-preserving image super-resolution via low rank and total variation model
CN111292240A (zh) * 2020-01-23 2020-06-16 上海交通大学 一种基于成像模型与机器学习的磁共振超分辨率成像方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5226066A (en) * 1991-08-29 1993-07-06 Adac Laboratories Apparatus and methods for cardiac biplane acquisition
CN104240256B (zh) * 2014-09-25 2017-03-15 西安电子科技大学 一种基于层次化稀疏建模的图像显著性检测方法
US9655522B2 (en) * 2014-10-10 2017-05-23 Cedars-Sinai Medical Center Method and system for “push-button” comprehensive cardiac MR examination using continuous self-gated 3D radial imaging
CN105389833B (zh) * 2015-12-24 2018-11-27 南京信息工程大学 一种基于在线迭代子空间学习的目标跟踪方法
US11125844B2 (en) * 2018-07-06 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based methods to accelerate multi-spectral imaging
JP6966395B2 (ja) * 2018-08-23 2021-11-17 株式会社日立製作所 最適化システム及び最適化方法
CN109284820A (zh) * 2018-10-26 2019-01-29 北京图森未来科技有限公司 一种深度神经网络的结构搜索方法及装置
CN111192663B (zh) * 2018-11-14 2021-08-31 深圳先进技术研究院 磁共振电影成像方法、装置、设备和存储介质
CN110766768B (zh) * 2019-10-23 2023-08-04 深圳先进技术研究院 一种磁共振图像重建方法、装置、设备和介质
CN110766769B (zh) * 2019-10-23 2023-08-11 深圳先进技术研究院 一种磁共振图像重建方法、装置、设备和介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093430A (zh) * 2013-01-25 2013-05-08 西安电子科技大学 基于稀疏低秩与字典学习的心脏mri图像去模糊方法
CN104933683A (zh) * 2015-06-09 2015-09-23 南昌大学 一种用于磁共振快速成像的非凸低秩重建方法
CN106780372A (zh) * 2016-11-30 2017-05-31 华南理工大学 一种基于广义树稀疏的权重核范数磁共振成像重建方法
CN106934778A (zh) * 2017-03-10 2017-07-07 北京工业大学 一种基于小波域结构和非局部分组稀疏的mr图像重建方法
US20190050372A1 (en) * 2017-08-14 2019-02-14 City University Of Hong Kong Systems and methods for robust low-rank matrix approximation
CN107991636A (zh) * 2017-11-24 2018-05-04 哈尔滨工业大学 一种基于适应性结构低秩矩阵的快速磁共振图像重建方法
CN109157210A (zh) * 2018-07-11 2019-01-08 厦门大学 一种基于admm和神经网络的心外膜电位重建方法
CN109191404A (zh) * 2018-09-07 2019-01-11 西安交通大学 一种基于e-3dtv正则的高光谱图像修复方法
CN111292240A (zh) * 2020-01-23 2020-06-16 上海交通大学 一种基于成像模型与机器学习的磁共振超分辨率成像方法
AU2020100462A4 (en) * 2020-03-26 2020-04-30 Hu, Xiaoyan MISS Edge-preserving image super-resolution via low rank and total variation model

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YAN YANG 等: "ADMM-Net: A Deep Learning Approach for Compressive Sensing MRI", ARXIV：1705.06869V1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933773A (zh) * 2021-09-30 2022-01-14 深圳先进技术研究院 基于深度学习的磁共振成像方法、系统、终端及存储介质
CN116919380A (zh) * 2023-09-15 2023-10-24 浙江大华技术股份有限公司 压缩感知磁共振成像方法、模型训练方法及其成像装置

Also Published As

Publication number Publication date
WO2021253671A1 (zh) 2021-12-23
CN111714124B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Wu et al. Fast end-to-end trainable guided filter
US11798132B2 (en) Image inpainting method and apparatus, computer device, and storage medium
He et al. InSituNet: Deep image synthesis for parameter space exploration of ensemble simulations
CN109658468B (zh) 磁共振参数成像方法、装置、设备及存储介质
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
CN111383741B (zh) 医学成像模型的建立方法、装置、设备及存储介质
Pal et al. A review and experimental evaluation of deep learning methods for MRI reconstruction
CN112541864A (zh) 一种基于多尺度生成式对抗网络模型的图像修复方法
CN112598597A (zh) 一种降噪模型的训练方法及相关装置
CN117011673B (zh) 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置
CN111714124B (zh) 磁共振电影成像方法、装置、成像设备及存储介质
CN113205449A (zh) 表情迁移模型的训练方法及装置、表情迁移方法及装置
WO2022156621A1 (zh) 基于人工智能的图像上色方法、装置、电子设备、计算机可读存储介质及计算机程序产品
Liu et al. Rethinking medical image reconstruction via shape prior, going deeper and faster: Deep joint indirect registration and reconstruction
US11995801B2 (en) Image processing method, system, device and storage medium
CN111383742A (zh) 一种医学成像模型的建立方法、装置、设备及存储介质
CN111986105A (zh) 基于时域去噪掩码的视频时序一致性增强方法
CN114140442A (zh) 一种基于频域和图像域退化感知的深度学习稀疏角度ct重建方法
WO2022193379A1 (zh) 图像重建模型生成及装置、图像重建方法及装置、设备、介质
Cherian et al. A Novel AlphaSRGAN for Underwater Image Super Resolution.
CN115526223A (zh) 潜在空间中的基于得分的生成建模
Vlašić et al. Implicit neural representation for mesh-free inverse obstacle scattering
Pajot et al. Unsupervised adversarial image inpainting
Jiang et al. Image motion deblurring based on deep residual shrinkage and generative adversarial networks
Cosmo et al. Multiple sequential regularized extreme learning machines for single image super resolution

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