CN111856365A

CN111856365A - 磁共振成像方法、磁共振成像方法及装置

Info

Publication number: CN111856365A
Application number: CN201910333581.3A
Authority: CN
Inventors: 梁栋; 程静; 王海峰; 刘新; 郑海荣
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Shenzhen Institute of Advanced Technology of CAS
Priority date: 2019-04-24
Filing date: 2019-04-24
Publication date: 2020-10-30
Anticipated expiration: 2039-04-24
Also published as: CN111856365B

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：根据磁共振成像的原始模型和用于求解原始模型的迭代算法建立初始网络模型，其中，迭代算法中包括待定求解算子和待定参数；将样本的欠采样K空间数据输入至初始网络模型中，得到网络模型的输出磁共振图像，根据输出磁共振图像和样本的标准磁共振图像确定损失函数；根据损失函数调节初始网络模型中网络参数和待定参数，生成用于磁共振成像的网络模型，其中，初始网络模型中网络参数用于替代迭代算法中的待定求解算子；获取待处理的欠采样K空间数据，将欠采样K空间数据输入至用于磁共振成像的网络模型，生成磁共振图像，提高了磁共振图像的质量。

Description

磁共振成像方法、磁共振成像方法及装置

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、磁共振成像方法及装置。

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、磁共振成像方法及装置，以实现提高磁共振图像的质量。

第一方面，本发明实施例提供了一种磁共振成像方法，该方法包括：

根据磁共振成像的原始模型和用于求解所述原始模型的迭代算法建立初始网络模型，其中，所述迭代算法中包括待定求解算子和待定参数；

将样本的欠采样K空间数据输入至所述初始网络模型中，得到网络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网络模型中网络参数和待定参数，生成用于磁共振成像的网络模型，其中，所述初始网络模型中网络参数用于替代所述迭代算法中的所述待定求解算子；

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用于磁共振成像的网络模型，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，包括：

初始网络模型建立模块，用于根据磁共振成像的原始模型和用于求解所述原始模型的迭代算法建立初始网络模型，其中，所述迭代算法中包括待定求解算子和待定参数；

损失函数确定模块，用于将样本的欠采样K空间数据输入至所述初始网络模型中，得到网络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；

网络模型训练模块，用于根据所述损失函数调节所述初始网络模型中网络参数和待定参数，生成用于磁共振成像的网络模型，其中，所述初始网络模型中网络参数用于替代所述迭代算法中的所述待定求解算子；

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用于磁共振成像的网络模型，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。

本发明实施例提供的技术方案，通过根据基于包括待定求解算子和待定参数的迭代算法建立初始网络模型，根据样本对初始网络模型进行训练，通过调节初始网络模型中的网络参数学习迭代算法中的求解算子和待定参数，提高了网络模型的自由度。进一步的，基于训练完成的网络模型对采集的欠采样K空间数据进行重建处理，得到高质量的磁共振图像，提高了磁共振图像的质量。

附图说明

图1为磁共振成像系统的结构示意图；

图2是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初始网络模型的示意图；

图4为本发明实施例一提供的初始网络模型中第一子网络模型的示意图；

图5为本发明实施例一提供的初始网络模型中第二子网络模型与关联模块的示意图；

图6是本发明实施例一提供的不同算法生成的磁共振图像的比对示意图；

图7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8是本发明实施例二提供的一种磁共振成像系统的结构示意图。

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、根据磁共振成像的原始模型和用于求解所述原始模型的迭代算法建立初始网络模型，其中，所述迭代算法中包括待定求解算子和待定参数。

S120、将样本的欠采样K空间数据输入至所述初始网络模型中，得到网络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。

S130、根据所述损失函数调节所述初始网络模型中网络参数和待定参数，生成用于磁共振成像的网络模型，其中，所述初始网络模型中网络参数用于替代所述迭代算法中的所述待定求解算子。

S140、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用于磁共振成像的网络模型，生成磁共振图像。

其中，磁共振成像的原始模型为用于生成磁共振图像的公式，通过求解该原始模型，可得到磁共振图像。示例性的，磁共振成像的原始模型可以是如下模型：

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，F_u为欠采傅里叶变换算子，λ为正则参数，R(x)为正则函数。

上述磁共振成像的原始模型可通过迭代算法进行迭代求解，在传统的磁共振成像中，可以是令

A＝F_u，采用如下迭代算法进行求解：

其中，迭代算法(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为待定参数，n为大于或等于0的正整数，p_n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是由特定的重建模型决定，适应范围较小，算法参数由人为设定，无法保证其最优性。

本实施例中，对上述迭代算法进行改进，并以网络模型的方式学习迭代算法中的求解算子和自由参数，提高网络模型的自由度，进一步提高磁共振成像的精度。其中，本实施例基于如下迭代算法对磁共振成像的原始模型进行迭代求解：

其中，Γ为对偶迭代函数，Λ为基本迭代函数，A＝F_u，A^*为函数A的伴随函数，σ、τ和θ为待定参数，p_n为对偶迭代和基本迭代的连接因子。本实施例中，根据上述迭代算法(3)建立初始网络模型。

在本实施例中，由于迭代算法(3)中包括对偶迭代、基本迭代和所述对偶迭代与所述基本迭代的关联关系，且对偶迭代和基本迭代均包括N次迭代运算，其中，N为大于0的正整数，根据迭代算法(3)建立初始网络模型可以是根据磁共振成像的原始模型和用于求解所述原始模型的迭代算法建立初始网络模型，包括：建立用于执行所述对偶迭代的至少一个第一子网络模型；建立用于执行所述基本迭代的至少一个第二子网络模型；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网络模型与所述第二子网络模型的关联模块；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网络模型、所述第二子网络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网络模型、所述至少一个第二子网络模型和所述关联模块进行连接，生成所述初始网络模型。其中，第一子网络模型和第二子网络模型的数量根据迭代次数确定。根据迭代算法(3)可知，对偶迭代的输出信息是基础迭代的输入信息，当前基础迭代的输出信息和上一基础迭代的输出信息经关联关系处理，作为下一对偶迭代的输入信息，当前基础迭代的输出信息是下一基础迭代的输入信息，根据上述对偶迭代和基础迭代之间的输入输出关系确定对应子网络模型以及关联模块之间的连接关系。相应的，参见图3，图3是本发明实施例一提供初始网络模型的示意图。所述初始网络模型包括预设层级的第一子网络模型和第二子网络模型，其中，每一层级中均包括一个第一子网络模型和一个第二子网络模型，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，初始网络模型的层级越多。需要说明的是，图3仅是初始网络模型的示意图，在其他实施例中，可根据用户需求设置网络模型的层级。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。

在初始网络模型中，所述第一子网络模型的输出端分别与同一层级中的第二子网络模型的输入端和下一层级的第一子网络模型的输入端连接，所述第二子网络模型的输出端与下一层级中的第二子网络模型的输入端连接，以及基于所述关联模块与下一层级中的第一子网络模型的输入端连接。

在图3中，第一子网络模型接收上一层级中第一子网络模型的输出信息和上一层级中经关联模块处理的第二子网络模型的输出信息，将接收的上述信息基于第一待定参数进行处理后，输入至第一子网络模型的网络层，第二子网络模型用于接收同一层级中第一子网络模型的输出结果和上一层级中第二子网络模型的输出结果，将接收的上述信息基于第二待定参数进行处理后，输入至第二子网络模型的网络层，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网络模型。其中，所述每一层级的第一子网络模型和第二子网络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网络模型和第二子网络模型用于接收网络模型的初始输入信息。

在本实施例中，初始网络模型可以是神经网络模型，相应的，第一子网络模型和第二子网络模型均为子神经网络模型，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，第一子网络模型和第二子网络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，所述第一子网络模型为残差网络。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，第一子网络模型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，第一子网络模型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，第一子网络模型中三个卷积层的输出通道数依次为32、32和2。可选的，所述第一子网络模型还包括第一预处理层，与第一个卷积层连接，用于将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第一个卷积层。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与第一预处理层连接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。示例性的，参见图4，图4为本发明实施例一提供的初始网络模型中第一子网络模型的示意图。

可选的，所述第二子网络模型为残差网络，第二子网络模型包括第二预处理层、卷积层和激活层，第二预处理层用于将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与第二预处理层连接的卷积层。示例性的，参见图5，图5为本发明实施例一提供的初始网络模型中第二子网络模型与关联模块的示意图。第二子网络模型的前端和尾端进行跳跃连接。示例性的，在一个实施例中，第一子网络模型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。需要说明的是,在图4和图5中，仅示意性的包括卷积层，在相邻卷积层之间还可以包括未示出的激活层。

可选的，所述第一子网络模型和所述第二子网络模型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，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，第一子网络模型和所述第二子网络模型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，可确定该网络模型的输出磁共振图像。

可选的，步骤S120中，将样本的欠采样K空间数据输入至所述初始网络模型中，得到网络模型的输出磁共振图像，包括：将所述样本的欠采样K空间数据、初始对偶参数和初始连接信息输入至所述初始网络模型的第一层级的第一子网络模型；将所述初始图像输入至所述初始网络模型的第一层级的第二子网络模型；将所述初始网络模型中输出层级中第二子网络模型输出的特征图确定为所述初始网络模型生成的磁共振图像。示例性的，参见图3，其中，初始对偶参数可以是0，初始图像中的像素数据可以是0，初始连接信息可以是0，第一子网模型对输入信息进行处理得到对偶迭代结果，第二子网络模型对输入信息进行处理得到基本迭代结果，即磁共振特征图，将前两层级的输入结果经关联模块处理后，输入至下一层级的子网络模型进行迭代处理，直到输出层级中的第二子网络模型输出磁共振图像。具体的，将所述初始网络模型中输出层级中第二子网络模型输出的特征图确定为所述初始网络模型磁共振图像，包括：将所述初始网络模型中输出层级中第二子网络模型具有对应关系的实部通道的输出数据与虚部通道的输出数据进行合并，生成重建后的磁共振数据；根据所述重建后的磁共振数据生成磁共振图像。其中，通过实部通道的输出数据与虚部通道的输出数据进行合并得到各个像素点的磁共振数据，基于各个像素点的磁共振数据形成磁共振图像，该磁共振图像为网络模型输出。

进一步的，根据所述网络模型的输出磁共振图像和所述样本的全采样K空间数据生成的标准磁共振图像确定损失函数，包括：根据如下公式确定所述损失函数loss：

其中，所述

为所述网络模型的输出磁共振图像，所述x_ref为所述样本的全采样K空间数据生成的标准磁共振图像。

本实施例中，通过多个样本对初始网络模型进行迭代训练，可选的，在初始网络模型的训练过程中采用随机梯度下降算法(stochastic gradient descent,SGD)。初始网络模型的训练工具可以是但不限于Caffe、Tensorflow、Torch、Pytorch或Keras等，所需显卡可以是但不限于英伟达GTX Titan X和GTX 1080。上述仅为一种可选实例，在本实施例中不做限定。具体的，将计算得到的损失函数通过梯度反传的形式，传输至待训练的初始网络模型中，根据该损失函数调节初始网络模型中的各网络参数和待定参数，网络参数和待定参数不断调节直至满足训练完成条件，使得训练得到的网络模型具有磁共振图像重建的能力。其中，网络参数至少包括权重，待定参数包括第一子网络模型中的第一待定参数、第二子网络模型中的第二待定参数和关联模块中的第三待定参数。本实施例中，若损失函数值收敛或者神经网络的训练次数满足训练阈值，确定用于磁共振成像的网络模型训练完成。

本实施例中，通过调节初始网络模型中网络参数学习迭代算法中待定求解算子和待定参数，替代了现有技术中基于固定求解算子和固定参数，提高了网络模型的自由度，先对于传统方式，通过学习得到的网络模型可提高磁共振重建图像的质量。

示例性的，参见图6，图6是本发明实施例一提供的不同形式生成的磁共振图像的比对示意图，其中，ref图像为通过全采样的K空间数据得到的磁共振图像，CP-net图像为通过本申请提供的磁共振成像方法得到的磁共振图像，ADMM-net图像为通过ADMM网络化建模方式建立的成像模型得到的磁共振图像，Rec_PF图像为根据传统重建方法(公式2)得到的磁共振图像，zero-filling图像为对欠采样的K空间数据进行填零处理后，进行反傅里叶变换得到的磁共振图像。其中，PSNR(Peak Signal to Noise Ratio，峰值信噪比)和SSIM(structural similarity index measurement，结构相似度)为衡量磁共振图像指令的两个指标，由图6可知，通过本申请提供的磁共振成像方法得到的磁共振图像的质量高于其他磁共振图像。

本实施例的技术方案，通过根据基于包括待定求解算子和待定参数的迭代算法建立初始网络模型，根据样本对初始网络模型进行训练，通过调节初始网络模型中的网络参数学习迭代算法中的求解算子和待定参数，提高了网络模型的自由度。进一步的，基于训练完成的网络模型对采集的欠采样K空间数据进行重建处理，得到高质量的磁共振图像，提高了磁共振图像的精度。

实施例二

图7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：

初始网络模型建立模块210，用于根据磁共振成像的原始模型和用于求解所述原始模型的迭代算法建立初始网络模型，其中，所述迭代算法中包括待定求解算子和待定参数；

损失函数确定模块220，用于将样本的欠采样K空间数据输入至所述初始网络模型中，得到网络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；

网络模型训练模块230，用于根据所述损失函数调节所述初始网络模型中网络参数和待定参数，生成用于磁共振成像的网络模型，其中，所述初始网络模型中网络参数用于替代所述迭代算法中的所述待定求解算子；

磁共振成像模块240，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用于磁共振成像的网络模型，生成磁共振图像。

可选的，所述用于求解所述原始模型的迭代算法包括对偶迭代、基本迭代和所述对偶迭代与所述基本迭代的关联关系；

相应的，初始网络模型建立模块210包括：

第一子网络模型建立单元，用于建立用于执行所述对偶迭代的至少一个第一子网络模型；

第二子网络模型建立单元，用于建立用于执行所述基本迭代的至少一个第二子网络模型；

关联模块建立单元，用于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网络模型与所述第二子网络模型的关联模块；

连接关系确定单元，用于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网络模型、所述第二子网络模型和所述关联模块之间的连接关系；

初始网络模型生成单元，用于根据所述连接关系对所述至少一个第一子网络模型、所述至少一个第二子网络模型和所述关联模块进行连接，生成所述初始网络模型。

可选的，所述初始网络模型包括预设层级的第一子网络模型和第二子网络模型，所述第一子网络模型的输出端分别与同一层级中的第二子网络模型的输入端和下一层级的第一子网络模型的输入端连接，所述第二子网络模型的输入层与下一层级中的第二子网络模型的输入端连接，以及基于所述关联模块与下一层级中的第一子网络模型的输入端连接。

可选的，所述第一子网络模型和所述第二子网络模型均为残差网络。

可选的，所述第一子网络模型包括第一预处理层、卷积层和激活层，用于将述第一子网络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与所述第一预处理层连接的卷积层；

可选的，所述第二子网络模型还包括第二预处理层、卷积层和激活层，用于将述第二子网络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与所述第二预处理层连接的卷积层。

可选的，所述第一子网络模型和所述第二子网络模型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。

可选的，损失函数确定模块220包括：

第一输入单元，用于将所述样本的欠采样K空间数据、初始对偶参数和初始连接信息输入至所述初始网络模型的第一层级的第一子网络模型；

第二输入单元，用于将所述初始图像输入至所述初始网络模型的第一层级的第二子网络模型；

磁共振图像生成单元，用于将所述初始网络模型中输出层级中第二子网络模型输出的特征图确定为所述初始网络模型生成的磁共振图像。

可选的，磁共振图像生成单元用于：

将所述初始网络模型中输出层级中第二子网络模型具有对应关系的实部通道的输出数据与虚部通道的输出数据进行合并，生成重建后的磁共振数据；

根据所述重建后的磁共振数据生成磁共振图像。

可选的，损失函数确定模块220用于：

根据如下公式确定所述损失函数loss：

其中，所述

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8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8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8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500和计算机600。

计算机600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600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600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8所示，计算机600可以包括内部通信总线601，处理器(processor)602，只读存储器(ROM)603，随机存取存储器(RAM)604，通信端口605，输入/输出组件606，硬盘607，以及用户界面608。内部通信总线601可以实现计算机600组件间的数据通信。处理器602可以进行判断和发出提示。在一些实施例中，处理器602可以由一个或多个处理器组成。通信端口605可以实现计算机600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600可以通过通信端口605从网络发送和接受信息及数据。输入/输出组件606支持计算机600与其他部件之间的输入/输出数据流。用户界面608可以实现计算机600和用户之间的交互和信息交换。计算机600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607，只读存储器(ROM)603，随机存取存储器(RAM)604，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602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：

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：

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

1.一种磁共振成像方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述用于求解所述原始模型的迭代包括对偶迭代、基本迭代和所述对偶迭代与所述基本迭代的关联关系；

相应的，根据磁共振成像的原始模型和用于求解所述原始模型的迭代建立初始网络模型，包括：

建立用于执行所述对偶迭代的至少一个第一子网络模型；

建立用于执行所述基本迭代的至少一个第二子网络模型；

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网络模型与所述第二子网络模型的关联模块；

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网络模型、所述第二子网络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网络模型、所述至少一个第二子网络模型和所述关联模块进行连接，生成所述初始网络模型。

3.根据权利要求2所述的方法，其特征在于，所述初始网络模型包括预设层级的第一子网络模型和第二子网络模型，所述第一子网络模型的输出端分别与同一层级中的第二子网络模型的输入端和下一层级的第一子网络模型的输入端连接，所述第二子网络模型的输出端与下一层级中的第二子网络模型的输入端连接，以及基于所述关联模块与下一层级中的第一子网络模型的输入端连接。

4.根据权利要求2所述的方法，其特征在于，所述第一子网络和第二子网络模型均为残差网络；

所述第一子网络模型包括第一预处理层、卷积层和激活层，用于将所述第一子网络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与所述第一预处理层连接的卷积层；

所述第二子网络模型还包括第二预处理层、卷积层和激活层，用于将所述第二子网络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与所述第二预处理层连接的卷积层。

5.根据权利要求4所述的方法，其特征在于，所述第一子网络模型和所述第二子网络模型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。

6.根据权利要求2所述的方法，其特征在于，将样本的欠采样K空间数据输入至所述初始网络模型中，得到网络模型的输出磁共振图像，包括：

将所述样本的欠采样K空间数据、初始对偶参数和初始连接信息输入至所述初始网络模型的第一层级的第一子网络模型；

将初始图像输入至所述初始网络模型的第一层级的第二子网络模型；

将所述初始网络模型中输出层级中第二子网络模型输出的特征图确定为所述初始网络模型生成的磁共振图像。

7.根据权利要求6所述的方法，其特征在于，将所述初始网络模型中输出层级中第二子网络模型输出的特征图确定为所述初始网络模型生成的磁共振图像，包括：

根据所述重建后的磁共振数据生成磁共振图像。

8.根据权利要求1所述的方法，其特征在于，根据所述输出磁共振图像和所述样本的全采样K空间数据生成的标准磁共振图像确定损失函数，包括：

根据如下公式确定所述损失函数loss：

其中，所述

9.一种磁共振成像装置，其特征在于，包括：

10.一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1-8中任一所述的磁共振成像方法。

11.一种磁共振成像系统，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1-8任一所述的磁共振成像方法。