CN111856362A - 磁共振成像方法、装置、系统及存储介质 - Google Patents

磁共振成像方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN111856362A
CN111856362A CN201910333593.6A CN201910333593A CN111856362A CN 111856362 A CN111856362 A CN 111856362A CN 201910333593 A CN201910333593 A CN 201910333593A CN 111856362 A CN111856362 A CN 111856362A
Authority
CN
China
Prior art keywords
magnetic resonance
model
resonance imaging
imaging model
initial
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.)
Pending
Application number
CN201910333593.6A
Other languages
English (en)
Inventor
梁栋
程静
王海峰
郑海荣
刘新
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 CN201910333593.6A priority Critical patent/CN111856362A/zh
Priority to PCT/CN2019/106218 priority patent/WO2020215597A1/zh
Priority to US16/624,478 priority patent/US11397231B2/en
Publication of CN111856362A publication Critical patent/CN111856362A/zh
Pending legal-status Critical Current

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
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • 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
    • 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
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种磁共振成像方法、装置、系统及存储介质。其中方法包括：获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。提高了磁共振成像模型的自由度，相对于传统方式，通过学习得到的磁共振成像模型可提高磁共振重建图像的质量。

Description

磁共振成像方法、装置、系统及存储介质
技术领域
本发明实施例涉及深度学习技术，尤其涉及磁共振成像方法、装置、系统及存储介质。
背景技术
磁共振利用静磁场和射频磁场对人体组织成像，它不仅提供了丰富的组织对比度，且对人体无害，因此成为医学临床诊断的一种强有力的工具。但是，成像速度慢一直是制约其快速发展的一大瓶颈。
在快速成像方面，目前常用的技术是并行成像和压缩感知。并行成像是利用多通道线圈之间的相关性来加速采集，而压缩感知则是利用被成像物体的稀疏性这一先验信息来减少k空间采样点。但是受硬件等条件限制，并行成像加速倍数有限，且随着加速倍数的增加，图像会出现噪声放大的现象；而压缩感知技术由于采用迭代重建使得重建时间非常长，且较难选择稀疏变换和重建参数。
发明内容
本发明提供一种磁共振成像方法、装置、系统及存储介质，以实现提高磁共振图像质量。
第一方面，本发明实施例提供了一种磁共振成像方法，包括：
获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；
基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；
获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
第二方面，本发明实施例还提供了一种磁共振成像装置，该装置包括：
初始成像模型建立模块，用于获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；
模型训练模块，用于基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；
磁共振成像模块，用于获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
第三方面，本发明实施例还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如本发明任意实施例提供的磁共振成像方法。
第四方面，本发明实施例还提供了一种磁共振成像系统，包括磁共振设备和计算机设备，其中所述计算机设备包括存储器、一个或多个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计算机程序时实现如本发明任意实施例提供的磁共振成像方法。
本实施例提供的技术方案，通过根据包括待定参数、待定求解算子和待定结构关系中至少一个的迭代算法建立初始成像模型，通过对初始成像模型的训练，学习迭代算法中的待定因素，替代现有技术中基于固定求解算子、固定参数和固定结构关系，提高了磁共振成像模型的自由度，相对于传统方式，通过学习得到的磁共振成像模型可提高磁共振重建图像的质量。
附图说明
图1为磁共振成像系统的结构示意图；
图2为本发明实施例一提供的一种磁共振成像方法的流程示意图；
图3是本发明实施例一提供的一种初始成像模型的示意图；
图4是本发明实施例一提供的另一种初始成像模型的示意图；
图5为本发明实施例提供的基于基本对偶算法(3)建立的初始成像模型中的第一子模型的示意图；
图6为本发明实施例提供的基于基本对偶算法(3)建立的初始成像模型中的第二子模型和关联模块的示意图；
图7为本发明实施例提供的基于基本对偶算法(4)建立的初始成像模型中的第一子模型的示意图；
图8为本发明实施例提供的基于基本对偶算法(4)建立的初始成像模型中的第二子模型的示意图；
图9是本发明实施例二提供的一种磁共振成像装置的结构示意图；
图10是本发明实施例三提供的一种磁共振系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
磁共振成像系统通常包括具有一定孔径的磁体、用于发射射频信号的发射线圈和用于接收磁共振信号的接收线圈、用于对磁共振信号进行空间定位的梯度线圈、用于生成扫描序列的脉冲发生器以及控制系统。磁共振成像系统通过操作员(临床医师)控制与控制系统连接的控制台工作，控制台可包括键盘或其他输入设备、控制面板和显示器，以输入命令和显示生成的图像。
图1为磁共振成像系统的结构示意图，在进行磁共振检查时，临床医师首先将受检者3置于扫描床1上，并在受检者3身体表面放置用于接收磁共振信号的局部线圈；然后临床医师通过操作与控制系统5连接的控制台控制扫描床1往磁体2形成的孔径中移动，在磁共振成像系统监测到临床医师发出扫描床1移动的指令后，随即通过控制系统5监测扫描床1的移动范围，当扫描床1进入扫描成像区域4的边缘时，由控制系统5控制脉冲序列发生器生成相应的序列进行扫描，该序列可控制激发产生射频脉冲，射频脉冲可激发受检者3身体区域产生进动核自旋。在扫描床1的移动过程中，梯度线圈产生的梯度磁场可对进动核自旋进行相位编码、频率编码或选层编码，放置于受检者身体表面的接收线圈可随扫描床1在磁体空间的内部空间中移动，处于不同位置的接收线圈在控制系统作用下处于打开或者关闭状态，以便接收对应的磁共振信号。
实施例一
图2为本发明实施例一提供的一种磁共振成像方法的流程示意图，本实施例可适用于基于神经网络进行磁共振成像的情况，该方法可以由本申请实施例提供的磁共振成像装置来执行，具体包括如下步骤：
S110、获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个。
S120、基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个。
S130、获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
其中，迭代算法可以是基本对偶算法、交替方向乘子算法和迭代阈值收缩算法中的任一种算法，根据选择的迭代算法建立初始成像模型，该初始成像模型可以是包括预设数量的迭代模块，根据迭代算法确定各个迭代模块的连接关系，对预设数量的迭代模块进行连接，形成初始成像模型。迭代模块可以是包括待定因子的计算模块，还可以是包括多个网络层的网络模块。迭代算法中可以是包括待定参数、待定求解算子和待定结构关系中的任一个待定因子，还可以是包括待定参数、待定求解算子和待定结构关系中的两个或三个待定因子。相应的，初始成像模型中包括迭代算法相对应的待定因子，示例性的，若初始成像模型为网络模型，则基于网络模型中待定网络参数替代待定因子。其中，待定参数可以是迭代算法中用于对输入信息进行处理的参数，待定结构关系可以是迭代算法中输入信息或经待定参数处理的输入信息之间的计算关系，例如可以是加减乘除，待定求解算子可以是迭代算法中对输入信息或经待定参数处理的输入信息进行的计算函数。
本实施例中，根据选择的迭代算法建立初始成像模型，基于样本集中的样本数据对初始成像模型进行训练，可以是将样本数据输入至所述初始成像模型中，得到磁共振成像模型的输出磁共振图像，根据所述输出磁共振图像和所述样本数据对应的全采样K空间数据生成的标准磁共振图像确定损失函数，根据所述损失函数调节所述初始成像模型中待学习的参数(例如可以是网络模型的网络参数或者计算模型中的待定参数等)，生成磁共振成像模型。其中，样本数量可以是多个检测目标进行磁共振检测，采集到的欠采样K空间数据。待训练的初始成像模型中的预设层级的迭代模型依次对输入的样本数据进行迭代处理，生成的该初始成像模型的输出磁共振图像，基于该输出磁共振图像和样本数据对应的全采样K空间数据生成的标准磁共振图像确定损失函数，通过损失函数反向调节初始成像模型的待学习的参数。基于调节后的初始成像模型对下一样本数据进行处理，循环进行上述训练过程，直到根据损失函数得到的损失值小于越少误差值时，确定磁共振成像模型训练完成。可选的，根据如下公式确定所述损失函数loss：
Figure BDA0002038429170000061
其中，所述
Figure BDA0002038429170000062
为磁共振成像模型的输出磁共振图像，所述xref为样本数据对应的全采样K空间数据生成的标准磁共振图像。
需要说明的是，可以是基于不同的样本数据对基于包含不同的待定因子的迭代算法进行的初始成像模型进行训练，例如，样本数据的数量可以是不同，示例性的，迭代算法中包含的待定因子的数量越多，用于对基于迭代算法建立的初始成像模型进行训练的样本数据的数量越大。
本实施例提供的技术方案，通过根据包括待定参数、待定求解算子和待定结构关系中至少一个的迭代算法建立初始成像模型，通过对初始成像模型的训练，学习迭代算法中的待定因素，替代现有技术中基于固定求解算子、固定参数和固定结构关系，提高了磁共振成像模型的自由度，相对于传统方式，通过学习得到的磁共振成像模型可提高磁共振重建图像的质量。
可选的，基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，包括：基于待定参数和预设结构关系对样本集中的第一样本数据、初始参数和初始图像进行处理，得到第一输入信息；基于所述第一输入信息对所述初始成像模型进行迭代训练，学习所述待定参数，生成用于磁共振成像的第一磁共振成像模型，其中，所述初始成像模型包括预设数量的迭代模块，所述迭代模块依次连接，对第一输入信息进行迭代处理，所述迭代模块中包括预设求解算子。其中，初始参数可以是0，初始图像中的像素数据可以是0。在本实施例中，通过初始成像模型对待定参数进行学习，该初始成像模型中的迭代模块包括固定结构关系和固定求解算子。通过上述训练方法对初始成像模型进行训练，得到可用于磁共振成像的第一磁共振成像模型。上述方式在传统迭代算法的基础上，通过学习的方式确定待定参数，替代了基于经验值确定的固定参数，提高了模型的适用性。同时由于上述训练方法中需要学习的只有待定参数一项，故需要的训练样本数据的数量较少，适用于少量样本数据的情况。
在一些实施例中，可以是通过调节初始成像模型的结构，依次增加待定因素，逐渐学习迭代算法中的待定参数、待定求解算子、待定结构关系，以建立并创建高精度的磁共振成像模型。可选的，建立包含预设结构关系、待定参数和待定求解算子的初始成像模型，基于待定参数和预设结构关系对样本集中的第二样本数据、初始参数和初始图像进行处理，得到第二输入信息；基于所述第二输入信息对所述初始成像模型进行迭代训练，确定所述待定参数和所述初始成像模型的网络参数，生成用于磁共振成像的第二磁共振成像模型。所述初始成像模型包括预设数量的迭代子网络模型，所述迭代子网络模型依次连接，用于对所述第二输入信息进行迭代处理，所述初始成像模型的网络参数用于替代预设求解算子。通过第二样本数据对初始成像模型进行训练，学习待定参数和待定求解算子，生成第二磁共振成像模型，该第二磁共振成像模型可用于执行步骤S130，对待处理的欠采样K空间数据进行处理，以得到磁共振图像。
需要说明的是，可以是对第一磁共振成像模型进行结构调整，基于预设数量的迭代子网络模型替代第一磁共振成像模型中预设数量的迭代模块，并利用上述第二样本数据对调整后的第一磁共振成像模型进行训练，得到第二磁共振成像模型。其中，可以是在第一磁共振成像模型已训练得到的待定参数的基础上进行训练，有利于对调整后的第一磁共振成像模型进行快速训练，提高训练效率。
可选的，在生成用于磁共振成像的第二磁共振成像模型之后，还包括：将未经处理的样本集中的第三样本数据、初始参数和初始图像作为第三输入信息；基于所述第三输入信息对所述第二磁共振成像模型进行训练，学习所述待定结构关系和所述和待定求解算子，生成用于磁共振成像的第三磁共振成像模型。在第二磁共振成像模型的基础上，基于待定结构关系替换第二磁共振成像模型中的预设结构关系，更新第二磁共振成像模型，并基于第三样本数据对更新后的第二磁共振成像模型进行训练，训练过程中学习待定的结构关系和待定求解算子(第二磁共振成像模型中的求解算子进行更新)，得到第三磁共振成像模型。其中，第二样本数据和第三样本数据可以是相同或不同。本实施例中，通过在训练得到第二磁共振成像模型的基础上，调节第二磁共振成像模型的模型结构，引入新的待定因子，并经过进一步的训练得到第三磁共振成像模型，通过渐进训练方式依次学习迭代算法中的待定因素，可减少训练过程中应用的样本数量，同时在第二磁共振成像模型中的网络参数的基础上进行训练，提高了第三磁共振成像模型的训练效率。
需要说明的是，可以是在第一磁共振成像模型的基础上，基于预设数量的迭代子网络模型替代第一磁共振成像模型中预设数量的迭代模块，其中，调整后的第一磁共振成像模型中包括待定求解因子和待定结构关系。利用上述第三样本数据对调整后的第一磁共振成像模型进行训练，得到第三磁共振成像模型。
在上述实施例的基础上，所述磁共振成像的原始模型还包括稀疏变换算法，相应的，所述方法包括：建立执行所述稀疏变换算法的子网络模型，所述子网络模型与所述磁共振成像模型的输出端连接；基于所述样本集中的第四样本数据对所述子网络模型进行训练，基于训练后的子网络模型生成第四磁共振成像模型。其中，与子网络模型相连接的磁共振成像模型可以是第一磁共振成像模型、第二磁共振成像模型或者第三磁共振成像模型中的任一项。
在一些实施例中成像模型可以是：
Figure BDA0002038429170000091
其中，λ为正则参数，Ψ表示稀疏变换。在传统磁共振成像中，采用的是固定基的稀疏变换，而固定基稀疏变换并不能完全稀疏表示出图像的全部信息。本实施例中，建立执行所述稀疏变换算法的子网络模型，与初始成像模型的输出端连接，形成新的磁共振成像模型。子网络模型可以是神经磁共振成像模型，例如CNN模型，包括预设层的卷积层和激活层。该卷积层的卷积核可以是3×3。子网络模型可以是与第一磁共振成像模型、第二磁共振成像模型或第三磁共振成像模型的输出端连接，以形成新的磁共振成像模型。基于第四样本数据对新的磁共振成像模型中的子网络模型进行训练，具体的，将第四样本数据输入至新的磁共振成像模型中，得到输出磁共振图像，基于输出磁共振图像和第四样样本数据对应的全采样K空间数据生成的标准磁共振图像确定损失函数，对子网络模型的网络参数进行调节，当子网络模型训练完成时，生成用于磁共振成像的第四磁共振成像模型，其中，第四磁共振成像模型可以是包括训练完成的子网络模型和第一磁共振成像模型，可以是包括训练完成的子网络模型和第二磁共振成像模型，或者包括训练完成的子网络模型和第三磁共振成像模型。
在上述实施例中，对任一磁共振成像模型或者子网络模型的训练过程中，可以是采用随机梯度下降算法(stochastic gradient descent,SGD)调节模型的网络参数。
本实施例提供的技术方案，通过磁共振成像模型替代传统迭代算法，通过了磁共振成像模型的自由度，同时通过待定因子逐一替代固定因子，调整磁共振成像模型，并基于样本数据分别对调整后的磁共振成像模型进行训练，得到用于进行磁共振成像的磁共振成像模型，在每一次训练过程中的样本数据可存在重叠，降低了对样本数据的数量要求，同时在上一次训练成果的基础上进行训练，降低了模型训练难度，提高了模型训练效率以及磁共振成像模型的成像精度。
以基本对偶算法为例，介绍初始成像模型的构建方式：示例性的，磁共振成像的原始模型可以是最小化公式(1)：
Figure BDA0002038429170000101
其中，x为需要进行重建的磁共振图像，y为通过磁共振扫描得到的欠采样的K空间数据，Fu为欠采傅里叶变换算子，R(x)为约束项。
上述磁共振成像的原始模型可通过基本对偶算法进行迭代求解，在传统的磁共振成像中，可以是令
Figure BDA0002038429170000111
A＝Fu，采用如下迭代算法进行求解：
Figure BDA0002038429170000112
其中，基本对偶算法公式(2)中，F*表示函数F的伴随函数，x为需要进行重建的磁共振图像，d为对偶参数，prox为近似映射函数，σ、τ和θ为自由参数，n为大于或等于0的正整数，pn为对偶迭代和基本迭代的连接因子。但是，上述迭代算法中求解算子和参数结构关系均是人为设定，无法保证其准确性。
本实施例中，对上述基本对偶算法进行改进，并以磁共振成像模型的方式学习迭代算法中的求解算子、自由参数、结构关系中的一项或多项，提高磁共振成像模型的自由度，基于样本数据对磁共振成像模型进行训练，提高磁共振成像模型的成像精度，进一步提高磁共振成像的质量。可选的，基于待定的求解算子、自由参数、结构关系替代公式(2)中固定的求解算子、自由参数、结构关系，并通过磁共振成像模型学习上述待定因素。示例性的，参见基本对偶算法公式(3)和基本对偶算法公式(4)：
Figure BDA0002038429170000113
Figure BDA0002038429170000121
其中，在上述基本对偶算法公式(3)或基本对偶算法公式(4)中，Γ为待定的对偶迭代函数，Λ为待定的基本迭代函数，其中，公式(3)或公式(4)中Γ和Λ对应的具体函数可以是不同，A＝Fu，A*为函数A的伴随函数，σ、τ和θ为待定参数，pn为对偶迭代和基本迭代的连接因子。需要说明的是，上述基本对偶算法公式(3)或基本对偶算法公式(4)仅是一种可实现方式，可根据用户需求设置算法中的待定因素，形成相应的迭代算法，对此不做限定。
可选的，根据样本数量和磁共振成像模型的精度需求选择迭代算法，其中，由于基本对偶算法(3)中包括待定求解算子和待定参数，基本对偶算法(4)中包括待定求解算子、待定参数和待定结构关系，因此基于基本对偶算法(3)建立的磁共振成像模型训练过程中需求的样本数量相对于基于基本对偶算法(4)建立的磁共振成像模型训练过程中需求的样本数量小，相应的，基于基本对偶算法(3)建立并训练得到的磁共振成像模型的精度相对于基于基本对偶算法(4)建立并训练得到的磁共振成像模型的精度低。
示例性的，基于基本对偶算法(3)进行初始成像模型可以是建立用于执行所述对偶迭代的至少一个第一子模型；建立用于执行所述基本迭代的至少一个第二子模型；根据所述对偶迭代与所述基本迭代的关联关系确定所述第一子磁模型与所述第二子模型的关联模块；根据所述对偶迭代和所述基本迭代之间的迭代关系确定所述第一子模型、所述第二子模型和所述关联模块之间的连接关系；根据所述连接关系对所述至少一个第一子模型、所述至少一个第二子模型和所述关联模块进行连接，生成所述初始成像模型。其中，基于基本对偶算法(3)建立的初始成像模型包括预设层级的第一子模型和第二子模型，第一子模型和第二子模型可以均为网络模型，包括多层网络层，参见图3，图3是本发明实施例一提供的一种初始成像模型的示意图。在图3中，第一子磁共振成像模型接收上一层级中第一子模型的输出信息和上一层级中经关联模块处理的第二子模型的输出信息，将接收的上述信息基于第一待定参数进行处理后，输入至第一子模型的网络层，第二子模型用于接收同一层级中第一子模型的输出结果和上一层级中第二子模型的输出结果，将接收的上述信息基于第二待定参数进行处理后，输入至第二子模型的网络层，关联模块用于基于第三待定参数对第二子网络模块的输出信息和上一子网络模块的输出信息进行处理，并将处理结果发送至下一层级的第一子模型。其中，所述每一层级的第一子模型和第二子模型对输入信息进行迭代重建，生成磁共振图像。对于第一层级中的第一子模型和第二子模型用于接收磁共振成像模型的初始输入信息。
示例性的，基于基本对偶算法(4)进行初始成像模型可以是建立用于执行所述对偶迭代算法的至少一个第一子模型；建立用于执行所述基本迭代算法的至少一个第二子模型；根据所述对偶迭代算法和所述基本迭代算法之间的迭代关系确定所述第一子模型和所述第二子模型之间的连接关系；根据所述连接关系对所述至少一个第一子模型和所述至少一个第二子模型进行连接，生成所述初始成像模型。基于基本对偶算法(4)建立的初始成像模型包括预设层级的第一子模型和第二子模型，所述第一子模型的输出端分别与同一层级中的第二子模型的输入端和下一层级的第一子模型的输入端连接，所述第二网络子模型的输出层分别与下一层级中的第一子模型和第二子模型的输入端连接。参见图4，图4是本发明实施例一提供的另一种初始成像模型的示意图。
其中，初始成像模型的预设层级可以是根据迭代次数确定，示例性的，预设层级可以是但不限于10层或者15层，可根据磁共振图像的精度需求确定，磁共振图像的精度越高，初始成像模型的层级越多。需要说明的是，图3和图4仅是初始成像模型的示意图，在其他实施例中，可根据用户需求设置初始成像模型的层级。可选的，在建立初始神经网络之前，可以接收用户输入的层级数量；或者接收用户输入的磁共振图像的精度需求，根据磁共振图像的精度需求确定层级数量。
本实施例中，基本对偶算法(3)和(4)均包括对偶迭代和基本迭代，相应的，初始成像模型中均包括第一子模型和第二子模型。初始成像模型可以是网络模型，相应的，第一子模型和第二子模型均为子网络模型，可以是至少一个卷积层、激活函数层、池化层等构成，示例性的，第一子模型和第二子模型可以是包括预设数量的卷积层，用于对输入信息进行卷积处理。
可选的，所述第一子模型为第一残差网络。在神经网络中，网络的深度是影响效果的一种重要因素，网络深度越大，提取的特征信息的等级越高，越有利于提高输出结果的精度。但是往往随着神经网络深度的增加，易出现梯度弥散/爆炸问题，导致神经网络无法收敛。残差网络用于在不改变网络表达力和复杂度的情形下增加神经网络的深度，并用于提高神经网络的输出精度。可选的，第一残差网络的前端和尾端进行跳跃连接，直接将每一个残差块的输入和输出进行连接，有利于图像细节特征的提取和保留，提高了神经网络的训练过程的收敛速度。其中，第一残差网络包括卷积层和激活层，其中卷积层可以是三个，激活层设置在相邻的两个卷基层之间，卷积层的卷积核为3×3。示例性的，在一个实施例中，第一残差网络中三个卷积层的输出通道数依次为32、32和2。可选的，所述第一子模型还包括第一预处理层，与所述第一残差网络连接，用于将述第一子模型接收的不同类型的输入参数根据预设规则进行预处理，将生成第一多维度矩阵数据发送至所述第一残差网络。其中，由于需要学习多个输入数据之间的结构关系，第一预处理层用于对接收的多个数据进行预处理，可选的，预处理可以是包括对接收的多个数据进行堆叠，具体的，可以是将接收的多个数据根据预设规则生成第一多维矩阵，将生成第一多维度矩阵数据发送至所述第一残差网络中的卷积层进行卷积处理。可选的，根据第一子网络模块的输入信息确定第一预处理层的通道数，具体的，第一预处理层的通道数可以是输入信息的类型数量的二倍，分别用于处理输入信息的实部数据和虚部数据。例如在本实施例中，第一预处理层的通道数可以是4。
可选的，所述第二子模型包括第二残差网络和第二预处理层，第二预处理层与所述第二残差网络连接，用于将述第二子模型接收的不同类型的输入参数根据预设规则进行预处理，将生成第二多维度矩阵数据发送至所述第二残差网络。第二子模型的前端和尾端进行跳跃连接，包括卷积层和激活层，卷积层的卷积核为3×3。示例性的，在一个实施例中，第一残差网络中三个卷积层的输出通道数依次为32、32和2，第二预处理层对接收的输入信息进行预处理，例如预处理可以是对数据进行堆叠，生成第二多维度矩阵数据，在本实施例中，根据第二子网络模块的输入信息确定第二预处理层的通道数，例如第二预处理层的通道数可以是2，此处不再赘述。
示例性的，参见图5-图10，其中，图5为本发明实施例提供的基于基本对偶算法(3)建立的初始成像模型中的第一子模型的示意图，图6为本发明实施例提供的基于基本对偶算法(3)建立的初始成像模型中的第二子模型和关联模块的示意图；图7为本发明实施例提供的基于基本对偶算法(4)建立的初始成像模型中的第一子模型的示意图；图8为本发明实施例提供的基于基本对偶算法(4)建立的初始成像模型中的第二子模型的示意图。
可选的，所述第一残差网络和所述第二残差网络中的每一个卷积层包括实部通道和虚部通道，所述实部通道用于对所述卷积层的输入信息的实部数据进行卷积处理，所述虚部通道用于对所述卷积层的输入信息的虚部数据进行卷积处理。由于磁共振信号为复数信号，神经网络模型无法直接处理复数数据，因此将磁共振信号表示成实部数据和虚部数据，基于磁共振信号的特性，第一残差网络和所述第二残差网络中的每一个卷积层均包括实部通道和虚部通道。可选的，第一预处理层和第二预处理层还可以是在接收到输入信息后，提取输入信息中的磁共振信号中的实部数据和虚部数据，分别对实部数据和虚部数据进行预处理。相应的，基于实部通道的输出结果和虚部通道的输出结果进行合并，可确定该磁共振成像模型的输出磁共振图像。
实施例二
图9是本发明实施例二提供的一种磁共振成像装置的结构示意图，该磁共振成像装置包括：
初始成像模型建立模块210，用于获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；
模型训练模块220，用于基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；
磁共振成像模块230，用于获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
可选的，模型训练模块220包括：
第一输入信息确定单元，用于基于待定参数和预设结构关系对样本集中的第一样本数据、初始对偶参数和初始图像进行处理，得到第一输入信息；
第一磁共振成像模型生成单元，用于基于所述第一输入信息对所述初始成像模型进行迭代训练，学习所述待定参数，生成用于磁共振成像的第一磁共振成像模型，其中，所述初始成像模型包括预设数量的迭代模块，所述迭代模块依次连接，对第一输入信息进行迭代处理，所述迭代模块中包括预设求解算子。
可选的，模型训练模块220包括：
第二输入信息确定单元，用于基于待定参数和预设结构关系对样本集中的第二样本数据、初始对偶参数和初始图像进行处理，得到第二输入信息；
第二磁共振成像模型生成单元，用于基于所述第二输入信息对所述初始成像模型进行迭代训练，学习所述待定参数和所述初始成像模型的网络参数，生成用于磁共振成像的第二磁共振成像模型，其中，所述初始成像模型包括预设数量的迭代子网络模型，所述迭代子网络模型依次连接，用于对所述第二输入信息进行迭代处理。
可选的，模型训练模块220还包括：
第三输入信息确定单元，用于在生成用于磁共振成像的第二磁共振成像模型之后，将所述样本集中的第三样本数据、初始对偶参数和初始图像作为第三输入信息；
第三磁共振成像模型生成单元，用于基于所述第三输入信息对所述第二磁共振成像模型进行训练，学习所述待定结构关系和所述第二磁共振成像模型中的网络参数，生成用于磁共振成像的第三磁共振成像模型。
可选的，所述磁共振成像的原始模型还包括稀疏变换算法；
所述装置包括：
第三子磁共振成像模型建立模块，用于建立执行所述稀疏变换算法的第三子磁共振成像模型，所述第三子磁共振成像模型所述初始成像模型的输出端连接；
第四磁共振成像模型生成模块，用于基于所述样本集中的第三样本数据对所述第三子磁共振成像模型进行训练，基于训练后的第三子磁共振成像模型生成用于磁共振成像的第四磁共振成像模型。
可选的，模型训练模块220：
损失函数确定单元，用于将所述样本数据输入至所述初始成像模型中，得到磁共振成像模型的输出磁共振图像，根据所述输出磁共振图像和所述样本数据对应的全采样K空间数据生成的标准磁共振图像确定损失函数，其中，根据如下公式确定所述损失函数loss：
Figure BDA0002038429170000181
其中，所述
Figure BDA0002038429170000182
为所述磁共振成像模型的输出磁共振图像，所述xref为所述样本的全采样K空间数据生成的标准磁共振图像。
磁共振成像模型调节单元，用于根据所述损失函数调节所述初始成像模型中网络参数，生成磁共振成像模型。
可选的，所述迭代算法包括基本对偶算法、交替方向乘子算法和迭代阈值收缩算法。
本申请实施例提供的磁共振成像装置可执行本发明任意实施例所提供的磁共振成像方法，具备执行磁共振成像方法相应的功能模块和有益效果。
实施例三
图10是本发明实施例三提供的一种磁共振系统的结构示意图，图10示出了适于用来实现本发明实施方式的示例性医学成像系统的框图，图10显示的医学成像系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
磁共振系统包括磁共振设备300和计算机400。
计算机400可以被用于实现实施本发明一些实施例中披露的特定方法和装置。本实施例中的特定装置利用功能框图展示了一个包含显示模块的硬件平台。在一些实施例中，计算机400可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明一些实施例的具体实施。在一些实施例中，计算机400可以是一个通用目的的计算机，或一个有特定目的的计算机。
如图10所示，计算机400可以包括内部通信总线401，处理器(processor)402，只读存储器(ROM)403，随机存取存储器(RAM)404，通信端口405，输入/输出组件406，硬盘407，以及用户界面408。内部通信总线401可以实现计算机400组件间的数据通信。处理器402可以进行判断和发出提示。在一些实施例中，处理器402可以由一个或多个处理器组成。通信端口405可以实现计算机400与其他部件(图中未示出)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。在一些实施例中，计算机400可以通过通信端口405从网络发送和接受信息及数据。输入/输出组件406支持计算机400与其他部件之间的输入/输出数据流。用户界面408可以实现计算机400和用户之间的交互和信息交换。计算机400还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘407，只读存储器(ROM)403，随机存取存储器(RAM)404，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的程序指令。
所述处理器执行程序时可用于执行一种磁共振成像方法，所述方法包括：
获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；
基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；
获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“子模块”、“引擎”、“单元”、“子单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
实施例四
本发明实施例四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如本申请所有发明实施例提供的磁共振成像方法，所述方法包括：
获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；
基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；
获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
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)

1.一种磁共振成像方法，其特征在于，包括：
获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；
基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；
获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
2.根据权利要求1所述的方法，其特征在于，基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，包括：
基于待定参数和预设结构关系对样本集中的第一样本数据、初始参数和初始图像进行处理，得到第一输入信息；
基于所述第一输入信息对所述初始成像模型进行迭代训练，学习所述待定参数，生成用于磁共振成像的第一磁共振成像模型，其中，所述初始成像模型包括预设数量的迭代模块，所述迭代模块依次连接，对第一输入信息进行迭代处理，所述迭代模块中包括预设求解算子。
3.根据权利要求1所述的方法，其特征在于，基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，还包括：
基于待定参数和预设结构关系对样本集中的第二样本数据、初始参数和初始图像进行处理，得到第二输入信息；
基于所述第二输入信息对所述初始成像模型进行迭代训练，确定所述待定参数和所述初始成像模型的网络参数，生成用于磁共振成像的第二磁共振成像模型，其中，所述初始成像模型包括预设数量的迭代子网络模型，所述迭代子网络模型依次连接，用于对所述第二输入信息进行迭代处理,所述初始成像模型的网络参数用于替代预设求解算子。
4.根据权利要求3所述的方法，其特征在于，在生成用于磁共振成像的第二磁共振成像模型之后，还包括：
将未经处理的所述样本集中的第三样本数据、初始参数和初始图像作为第三输入信息；
基于所述第三输入信息对所述第二磁共振成像模型进行训练，学习所述待定结构关系和所述第二磁共振成像模型中的网络参数，生成用于磁共振成像的第三磁共振成像模型。
5.根据权利要求1-4任一所述的方法，其特征在于，所述磁共振成像的原始模型还包括稀疏变换算法，相应的，所述方法包括：
建立执行所述稀疏变换算法的子网络模型，所述子网络模型与所述磁共振成像模型的输出端连接；
基于所述样本集中的第四样本数据对所述子网络模型进行训练，基于训练后的子网络模型生成第四磁共振成像模型。
6.根据权利要求1所述的方法，其特征在于，基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，包括：
将所述样本数据输入至所述初始成像模型中，得到磁共振成像模型的输出磁共振图像，根据所述输出磁共振图像和所述样本数据对应的全采样K空间数据生成的标准磁共振图像确定损失函数，其中，根据如下公式确定所述损失函数loss：
Figure FDA0002038429160000031
其中，所述
Figure FDA0002038429160000032
为所述磁共振成像模型的输出磁共振图像，所述xref为所述样本的全采样K空间数据生成的标准磁共振图像；
根据所述损失函数调节所述初始成像模型中网络参数，生成磁共振成像模型。
7.根据权利要求1所述的方法，其特征在于，所述迭代算法包括基本对偶算法、交替方向乘子算法和迭代阈值收缩算法。
8.一种磁共振成像装置，其特征在于，包括：
初始成像模型建立模块，用于获取磁共振成像的原始模型，根据用于求解所述原始模型的迭代算法建立初始成像模型，所述迭代算法中包括待定参数、待定求解算子和待定结构关系中至少一个；
模型训练模块，用于基于样本数据对所述初始成像模型进行训练，生成磁共振成像模型，其中，所述初始成像模型的训练用于学习所述迭代算法中的待定参数、待定求解算子和待定结构关系中至少一个；
磁共振成像模块，用于获取待处理的欠采样K空间数据，将所述欠采样K空间数据输入至所述磁共振成像模型，生成磁共振图像。
9.一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如权利要求1-7中任一所述的磁共振成像方法。
10.一种磁共振成像系统，包括磁共振设备和计算机设备，其中所述计算机设备包括存储器、一个或多个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可用于执行权利要求1-7任一所述的磁共振成像方法。
CN201910333593.6A 2019-04-24 2019-04-24 磁共振成像方法、装置、系统及存储介质 Pending CN111856362A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910333593.6A CN111856362A (zh) 2019-04-24 2019-04-24 磁共振成像方法、装置、系统及存储介质
PCT/CN2019/106218 WO2020215597A1 (zh) 2019-04-24 2019-09-17 磁共振成像方法、装置、系统及存储介质
US16/624,478 US11397231B2 (en) 2019-04-24 2019-09-17 Magnetic-resonance imaging method, apparatus and system, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910333593.6A CN111856362A (zh) 2019-04-24 2019-04-24 磁共振成像方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN111856362A true CN111856362A (zh) 2020-10-30

Family

ID=72941431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910333593.6A Pending CN111856362A (zh) 2019-04-24 2019-04-24 磁共振成像方法、装置、系统及存储介质

Country Status (3)

Country Link
US (1) US11397231B2 (zh)
CN (1) CN111856362A (zh)
WO (1) WO2020215597A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329920A (zh) * 2020-11-06 2021-02-05 深圳先进技术研究院 磁共振参数成像模型的无监督训练方法及无监督训练装置
CN112336337A (zh) * 2020-11-06 2021-02-09 深圳先进技术研究院 磁共振参数成像模型的训练方法及训练装置、介质和设备
CN113256749A (zh) * 2021-04-20 2021-08-13 南昌大学 一种基于高维相关性先验信息的快速磁共振成像重建算法
CN114332947A (zh) * 2021-12-31 2022-04-12 深圳市儿童医院 一种图像分类系统及终端设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114376558B (zh) * 2022-03-24 2022-07-19 之江实验室 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170061620A1 (en) * 2015-09-01 2017-03-02 Samsung Electronics Co., Ltd. Method and apparatus for processing magnetic resonance image
CN107527091A (zh) * 2016-10-14 2017-12-29 腾讯科技（北京）有限公司 数据处理方法和装置
CN107992888A (zh) * 2017-11-29 2018-05-04 深圳市智物联网络有限公司 工业设备运行状态的识别方法及服务器
CN109034385A (zh) * 2017-06-12 2018-12-18 辉达公司 用稀疏数据训练神经网络的系统和方法
CN109325985A (zh) * 2018-09-18 2019-02-12 上海联影智能医疗科技有限公司 磁共振图像重建方法、装置和计算机可读存储介质
CN109658471A (zh) * 2018-12-20 2019-04-19 上海联影医疗科技有限公司 一种医学图像重建方法和系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8719194B2 (en) * 2011-09-19 2014-05-06 Siemens Aktiengesellschaft Hybrid interior-point alternating directions algorithm for support vector machines and feature selection
CN103646410B (zh) 2013-11-27 2016-06-08 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
WO2015164825A1 (en) 2014-04-24 2015-10-29 Chun Yuan Dual space dictionary learning for magnetic resonance (mr) image reconstruction
CN104574456B (zh) 2014-12-01 2018-02-23 南昌大学 一种基于图正则化稀疏编码的磁共振超欠采样k数据成像方法
CN106373167B (zh) 2016-11-15 2017-10-20 西安交通大学 一种基于深度神经网络的压缩传感核磁共振成像方法
CN106780372B (zh) * 2016-11-30 2019-06-18 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
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
CN107064845B (zh) 2017-06-06 2019-07-30 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
US10573031B2 (en) * 2017-12-06 2020-02-25 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning
CN109410289B (zh) * 2018-11-09 2021-11-12 中国科学院精密测量科学与技术创新研究院 一种深度学习的高欠采样超极化气体肺部mri重建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170061620A1 (en) * 2015-09-01 2017-03-02 Samsung Electronics Co., Ltd. Method and apparatus for processing magnetic resonance image
CN107527091A (zh) * 2016-10-14 2017-12-29 腾讯科技（北京）有限公司 数据处理方法和装置
CN109034385A (zh) * 2017-06-12 2018-12-18 辉达公司 用稀疏数据训练神经网络的系统和方法
CN107992888A (zh) * 2017-11-29 2018-05-04 深圳市智物联网络有限公司 工业设备运行状态的识别方法及服务器
CN109325985A (zh) * 2018-09-18 2019-02-12 上海联影智能医疗科技有限公司 磁共振图像重建方法、装置和计算机可读存储介质
CN109658471A (zh) * 2018-12-20 2019-04-19 上海联影医疗科技有限公司 一种医学图像重建方法和系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329920A (zh) * 2020-11-06 2021-02-05 深圳先进技术研究院 磁共振参数成像模型的无监督训练方法及无监督训练装置
CN112336337A (zh) * 2020-11-06 2021-02-09 深圳先进技术研究院 磁共振参数成像模型的训练方法及训练装置、介质和设备
CN112336337B (zh) * 2020-11-06 2022-09-02 深圳先进技术研究院 磁共振参数成像模型的训练方法及训练装置、介质和设备
CN113256749A (zh) * 2021-04-20 2021-08-13 南昌大学 一种基于高维相关性先验信息的快速磁共振成像重建算法
CN114332947A (zh) * 2021-12-31 2022-04-12 深圳市儿童医院 一种图像分类系统及终端设备

Also Published As

Publication number Publication date
US11397231B2 (en) 2022-07-26
US20210333344A1 (en) 2021-10-28
WO2020215597A1 (zh) 2020-10-29

Similar Documents

Publication Publication Date Title
CN111856362A (zh) 磁共振成像方法、装置、系统及存储介质
CN109325985B (zh) 磁共振图像重建方法、装置和计算机可读存储介质
US20220237748A1 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
US11633146B2 (en) Automated co-registration of prostate MRI data
CN110766768B (zh) 一种磁共振图像重建方法、装置、设备和介质
US10627470B2 (en) System and method for learning based magnetic resonance fingerprinting
CN111989039A (zh) 使用深度学习改进磁共振成像的系统和方法
US9633455B1 (en) Dictionary-free MR parameter inference for fingerprinting reconstruction
US10180476B2 (en) Systems and methods for segmented magnetic resonance fingerprinting dictionary matching
CN107367703B (zh) 磁共振扫描方法、系统、装置及存储介质
US11408954B2 (en) Systems and methods of reducing noise and artifacts in magnetic resonance imaging
CN116563096B (zh) 用于图像配准的形变场的确定方法、装置以及电子设备
CN108010094A (zh) 一种磁共振图像重建方法和装置
CN111127575A (zh) 图像重建方法、计算机可读介质及计算机设备
CN111856364B (zh) 一种磁共振成像方法、装置、系统及存储介质
EP3916417A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
EP3825711A1 (en) Hybrid compressed sensing image reconstruction
CN113892149A (zh) 用于运动伪影检测的方法
CN111856365B (zh) 磁共振成像方法、装置、系统及存储介质
CN116563409A (zh) 一种多尺度空频域特征信息引导的mri加速重建系统
CN105654527A (zh) 一种基于结构化字典学习的磁共振成像重建方法和装置
CN105676156A (zh) 一种基于多通道协作编码的磁共振成像重建方法和装置
US10310041B2 (en) Method and magnetic resonance apparatus for automatic assignment of a spin species to a combination image
CN111175814B (zh) 任意空间范围地震数据规则化重建方法及装置
CN115115722A (zh) 图像重建模型生成及图像重建方法、装置、设备和介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030