CN112184845A - 弥散加权图像重建模型的生成方法及装置 - Google Patents
弥散加权图像重建模型的生成方法及装置 Download PDFInfo
- Publication number
- CN112184845A CN112184845A CN202010911837.7A CN202010911837A CN112184845A CN 112184845 A CN112184845 A CN 112184845A CN 202010911837 A CN202010911837 A CN 202010911837A CN 112184845 A CN112184845 A CN 112184845A
- Authority
- CN
- China
- Prior art keywords
- image
- excitation
- dwi
- sample data
- module
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种弥散加权图像重建模型的生成方法及装置。本发明实施例通过构建深度学习网络模型,以及设置所述深度学习网络模型的初始参数值,获取样本数据,利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型,为利用弥散加权图像重建模型进行多次激发弥散加权成像过程中的图像重建奠定了基础,通过利用网络模型重建减少多次激发DWI图像的重建时间,提高DWI图像的重建速度。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种弥散加权图像重建模型的生成方法及装置。
背景技术
DWI(Diffusion Weighted Imaging,弥散加权成像)与传统的MRI(MagneticResonance Imaging,磁共振成像)技术不同,它主要依赖水分子的运动而非组织的自旋质子密度、T1值或T2值,为组织成像对比提供了一种崭新的技术。
相关技术中,在一次弥散加权成像过程中进行多次激发,每次激发采集部分K空间数据,根据该部分K空间数据进行重建得到单次激发DWI图像;采用传统重建方式对所有单次激发DWI图像进行图像重建,得到多次激发DWI图像。这种成像方式中,传统重建方式耗时多,重建速度较慢。
发明内容
为克服相关技术中存在的问题,本发明提供了一种弥散加权图像重建模型的生成方法及装置,提高弥散加权成像的重建速度。
根据本发明实施例的第一方面,提供一种弥散加权图像重建模型的生成方法,所述方法包括:
构建深度学习网络模型,所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块,每个子模型对应一个输入;以及设置所述深度学习网络模型的初始参数值;
获取样本数据,每组样本数据包括多个输入图像以及一个标签图像,所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像,所述标签图像为相应的多次激发DWI图像;
利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型;
其中,所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块,所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连,所述幅值获取模块与所述深度卷积神经网络模块相连,所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连。
根据本发明实施例的第二方面,提供一种弥散加权图像重建模型的生成装置,所述装置包括:
构建模块,用于构建深度学习网络模型,所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块,每个子模型对应一个输入;以及设置所述深度学习网络模型的初始参数值;
获取模块,用于获取样本数据,每组样本数据包括多个输入图像以及一个标签图像,所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像,所述标签图像为相应的多次激发DWI图像;
训练模块,用于利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型;
其中,所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块,所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连,所述幅值获取模块与所述深度卷积神经网络模块相连,所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连。
根据本发明实施例的第三方面,提供一种弥散加权图像重建模型的应用方法,所述方法包括:
接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,所述弥散加权图像重建模型为根据第一方面任一项所述的方法生成的模型;
获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像。
根据本发明实施例的第四方面,提供一种弥散加权图像重建模型的应用装置,所述装置包括:
接收模块,用于接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
单次重建模块,用于对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
输入模块,用于将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,以由所述弥散加权图像重建模型对输入图像进行重建,所述弥散加权图像重建模型为根据前述第一方面的弥散加权图像重建模型的生成方法生成的模型;
输出模块,用于获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明实施例,通过构建深度学习网络模型,以及设置所述深度学习网络模型的初始参数值,获取样本数据,利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型,为利用弥散加权图像重建模型进行多次激发弥散加权成像过程中的图像重建奠定了基础,通过利用网络模型重建减少多次激发DWI图像的重建时间,提高DWI图像的重建速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本发明实施例提供的弥散加权图像重建模型的生成方法的流程示例图。
图2是本发明实施例提供的深度学习网络模型的总体结构图。
图3是本发明实施例提供的深度学习网络模型中子模型的一种结构图。
图4是本发明实施例提供的深度学习网络模型中子模型的另一种结构图。
图5是本发明实施例提供的幅值图像和相位信息的示例图。
图6是本发明实施例提供的样本数据的获取方式示例图。
图7是本发明实施例提供的弥散加权图像重建模型的应用方法的流程示例图。
图8是本发明实施例提供的弥散加权图像重建模型的生成装置的功能方块图。
图9是本发明实施例提供的弥散加权图像重建模型的应用装置的功能方块图。
图10是本发明实施例提供的控制台设备的一个硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的,而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
DWI通过施加弥散敏感梯度,增加了序列对水分子布朗运动的敏感性,也导致DWI成像对运动十分敏感。
常见的DWI成像方式有两种:单次激发弥散加权成像(本文中简称单次激发方式)和多次激发弥散加权成像(本文中简称多次激发方式)。
多次激发弥散加权成像过程是:采用指定的序列对待检测体进行多次激发,每次激发为一个单次激发,每个单次激发采集部分K空间数据,对单次激发采集到的数据进行重建得到对应的单次激发DWI图像;采用传统重建方式对所有单次激发DWI图像进行图像重建,得到多次激发DWI图像
单次激发弥散加权成像过程是:采用指定的序列(例如EPI(Echo PlanarImaging,平面回波成像)序列、FSE(Fast Spin Echo,快速自旋回波)序列)对待检测体进行单次激发,一次采集全部K空间数据;对单次激发采集的数据进行图像重建,得到DWI图像。这种方式相对于多次激发方式所需的成像时间较短,成像速度较快。但是,单次激发的K空间矩阵大小受限,使得图像空间分辨率较低。并且这种方式在相位编码方向有较严重的扭曲,导致图像质量较差。
可见,相关技术中的两种DWI成像方式都无法兼顾图像质量和成像速度。
本发明实施例提供一种弥散加权图像重建模型的生成方法,利用该方法生成的弥散加权图像重建模型,对多次激发弥散加权成像过程中的单次激发DWI图像进行重建,能够快速得到高质量的DWI图像,兼顾图像质量和成像速度。
下面通过实施例对本发明提供的弥散加权图像重建模型的生成方法的流程进行说明。
图1是本发明实施例提供的弥散加权图像重建模型的生成方法的流程示例图。如图1所示,弥散加权图像重建模型的生成方法可以包括:
S101,构建深度学习网络模型,所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块,每个子模型对应一个输入;以及设置所述深度学习网络模型的初始参数值。
S102,获取样本数据,每组样本数据包括多个输入图像以及一个标签图像,所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像,所述标签图像为相应的多次激发DWI图像。
S103,利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型。
其中,第一合成模块用于将所有子模型输出的图像合成为一幅图像。例如,在子模型的数量为4的情形下,4个子模型输出4幅图像,第一合成模块将该4幅图像合成为一幅图像。其中,合成的方式可以采用相关技术中的任一种合成方式,例如取所有子模型输出的图像的像素值平均值的方式、使用卷积网络对所有子模型输出的图像进行处理的方式,等等,本实施例对此不做限制。
其中,所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块,所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连,所述幅值获取模块与所述深度卷积神经网络模块相连,所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连。
图2是本发明实施例提供的深度学习网络模型的总体结构图。如图2所示,深度学习网络模型中包括多个子模型。子模型的数量与输入图像的数量相同,也与多次激发弥散加权成像过程中单次激发的次数相同。
例如采用前述的多次激发方式对受检者进行多次激发弥散加权成像,该多次激发中包括m次单次激发,每次激发采集部分K空间数据,则输入图像为m幅,子模型的数量为m个,m为自然数。
其中,深度学习网络模型的各个输入图像是多次激发弥散加权成像过程中各个单次激发采集的数据重建后得到的DWI图像,本文中称为单次激发DWI图像。例如,图2中输入图像1是m次激发弥散加权成像过程中第1次激发采集的数据重建后得到的DWI图像,输入图像2是m次激发弥散加权成像过程中第2次激发采集的数据重建后得到的DWI图像……。
深度学习网络模型中的各个子模型具有相同的结构,但可以具有不同的参数值。下面以图2中的子模型1为例,说明子模型的结构。
图3是本发明实施例提供的深度学习网络模型中子模型的一种结构图。图3中,幅值获取模块用于从输入图像中提取幅值信息,该幅值信息用幅值图像表示,深度卷积神经网络模块用于对幅值图像进行处理,提高图像的信噪比,提升图像质量,得到处理后的质量更好的新幅值图像;相位获取模块用于从输入图像中提取相位信息;第二合成模块用于根据新幅值图像和相位信息合成新单次激发DWI图像,该新单次激发DWI图像即为输入图像对应的初始重建图像。相比于输入图像,初始重建图像的信噪比更高,从而图像质量更高。
举例说明。请参见图3,幅值获取模块提取输入图像1的幅值信息,得到输入图像1对应的幅值图像,相位获取模块提取输入图像1的相位信息;深度卷积神经网络模块对输入图像1对应的幅值图像进行处理,得到输入图像1对应的新幅值图像;第二合成模块将输入图像1对应的新幅值图像和输入图像1的相位信息合成为初始重建图像1。初始重建图像1即为输入图像1经过子模型1处理后得到的高信噪比的图像。
DWI图像的图像数据为复数,复数包括实部和虚部,其中DWI图像数据的实部对应幅值,虚部对应相位。本实施例中,第二合成模块将幅值图像和图像的相位信息合成图像的过程,就是将幅值、相位分别转换为DWI图像数据的实部和虚部的过程。本实施例通过将输入图像分解为幅值和相位两部分,并对幅值部分采用深度卷积神经网络模块进行优化,提高了图像的信噪比,提升了图像质量。
并且,相对于不对输入图像进行分解,直接通过神经网络优化输入图像的幅值部分的方案,本实施例在一定程度上提高了数据的保真度,避免神经网络过度优化而导致优化前后图像差异过大的情况。
图4是本发明实施例提供的深度学习网络模型中子模型的另一种结构图。与图3相比,图4的子模型中还包括顺次相连的地图获取模块、校正模块和原始K空间数据生成模块,校正模块和原始K空间数据生成模块位于相位获取模块与第二合成模块之间。
其中,地图获取模块用于获取线圈敏感度地图。线圈敏感度地图是单次激发DWI重建中的一个参数,对于单次激发重建得到的DWI图像具有一定的影响。
线圈敏感度地图可以采用相关技术中的任一种获取方式获取,本实施例对此不作限制。线圈敏感度地图越准确,图像质量越好。
其中,校正模块用于根据相位获取模块获取的相位信息校正对应的线圈敏感度地图,得到校正后的线圈敏感度地图。原始K空间数据生成模块用于根据校正后的线圈敏感度地图,得到输入图像对应的单次激发的原始K空间数据,即数据保真项。应用数据保真项对深度学习网络模型的网络优化结果进行一定的限制,能够避免过度优化,避免经深度学习网络模型优化后的图像与优化前的图像差异过大,保护图像的细节。
图4中,第二合成模块用于根据新幅值图像和数据保真后的单次激发的原始K空间数据,合成新单次激发DWI图像,该新单次激发DWI图像即为输入图像对应的初始重建图像。相比于输入图像,本实施例中的初始重建图像不仅信噪比更高,而且能够提升图像的细节,从而图像质量更高。
本实施例通过将输入图像分解为幅值和相位两部分,并对幅值部分采用深度卷积神经网络模块进行优化,以及利用相位校正对应的线圈敏感度地图,以计算数据保真项,不仅提高了图像的信噪比,还更好地保护了图像细节,因此进一步提升了图像质量。
本实施例中的深度学习网络模型,都需要对输入图像进行分解,分别得到图像的幅值部分和相位部分。图5是本发明实施例提供的幅值图像和相位信息的示例图。图5中,上面4幅图像为幅值图像,下面4幅图像是分别与上面四幅幅值图像对应的相位信息。
本实施例中,标签图像和输入图像是针对同一被检体的重建图像。标签图像重建所需的数据量大于单幅输入图像重建所需的数据量。
在一个示例性的实现过程中,所述获取样本数据,可以包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
根据所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像,获得多次激发对应的多次激发DWI图像;
将所述多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述多次激发DWI图像作为该组样本数据中的标签图像。
举例说明。假设对于每个被检体,进行4次激发弥散加权成像,该4次激发中各单次激发采集的数据分别为数据1、数据2、数据3和数据4。则输入图像有4幅,输入图像1是根据数据1重建得到的,输入图像2是根据数据2重建得到的,输入图像3是根据数据3重建得到的,输入图像4是根据数据4重建得到的,标签图像是根据输入图像1、输入图像2、输入图像3和输入图像4按照传统方式融合和重建得到的。
需要说明的是,在其他实施例中,多次激发弥散加权成像中单次激发的次数不限于4次,也可以是其他数量,例如6次激发弥散加权成像中单次激发的次数为6次,相应地,输入图像的数量为6幅。
本实施例中,标签图像可以根据任意一种传统重建方法重建得到。例如,一种传统的多次激发DWI重建方法是:将多次激发方式下一次扫描过程中获得的多个单次激发数据进行重建,然后通过数学方法估计各个单次激发间的相位差异并进行修正,最后重建出多次激发的DWI图像。其他传统的多次激发DWI重建方法例如在K空间进行相位差异的修正,以及增加额外的扫描序列修正相位误差等。本实施例对制作标签图像的具体方法不做限制。
本实施例中,样本数据中的输入图像为多次激发中所有单次激发重建后得到的单次激发DWI图像,标签图像为根据传统重建方式得到的多次激发DWI图像,标签图像重建所需的数据量与所有输入图像重建所需的数量之和相等。
在一个示例性的实现过程中,所述获取样本数据,可以包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行N组多次激发弥散加权成像,获取每组多次激发弥散加权成像的各单次激发采集的数据,N为自然数且N≥2;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
将每组多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像进行合并,获得该组多次激发对应的多次激发DWI图像;
根据所述N组多次激发对应的N个多次激发DWI图像,确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述N个多次激发DWI图像中相应像素的像素值的平均值;
从所述N组多次激发弥散加权成像中选择一组作为目标组;
将所述目标组对应的多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述平均DWI图像作为该组样本数据中的标签图像。
对于本实施例,这里采用图示进行说明。图6是本发明实施例提供的样本数据的获取方式示例图。图6中,图像(b)、图像(c)、图像(d)、图像(e)分别是对头部进行4次激发中的第一次激发(shot1)、第二次激发(shot2)、第三次激发(shot3)、第四次激发(shot4)对应的重建图像,图像(a)是该4次激发采集的K空间数据(4-shot K-space)对应的多次激发重建图像。图像(a1)~(a6)中的每个图像都是按照图像(a)的方式获得的重建图像,则图像(b)、图像(c)、图像(d)、图像(e)为样本数据中的输入图像,样本数据中的标签图像是根据图像(a1)~(a6)进行平均化得到的。平均化的过程中,对于标签图像中的每一个像素点,求图像(a1)~(a6)中相应像素点的像素值的平均值,以该平均值作为标签图像中该像素点的像素值。
本实施例中,标签图像采用多组多次激发弥散加权成像对应的多个多次激发DWI图像确定的平均DWI图像,能够进一步提高图像的信噪比。
在一个示例性的实现过程中,所述获取样本数据,可以包括:
对于已有的一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为另一组样本数据。
其中,预设处理可以包括翻转、分块等。
通过对已有样本数据进行预设处理,能够使样本数据的量成倍增加。例如,对一组样本数据中的每个图像进行翻转,可以得到一组新样本数据,这样就由一组样本数据增加到2组样本数据。
其中,分块是指从原始图像中随机切出若干个比原始图像小的图像块,利用切出的图像块训练模型。例如从尺寸为192×192的原始图像中,可以随机切出若干个尺寸为128×128的图像块。这样,一幅原始图像就可以切出很多图像块,每个图像块都可以看作是一幅新的图像,从而大幅增加了样本数量。
本实施例通过利用已有的样本数据进行数据增广,使得样本数据能够成倍增加,从而能够在样本数据较少的情况下提高模型的鲁棒性。
在一个示例性的实现过程中,利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型,可以包括:
在训练过程中,第1组样本数据对应的深度学习网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度学习网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的多个输入图像分别输入该组样本数据对应的深度学习网络模型中的对应子模型,得到各个子模型对应的初始重建图像;
将所有子模型对应的初始重建图像输入该组样本数据对应的深度学习网络模型中的第一合成模块,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中的标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度学习网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
在一个示例性的实现过程中,所述训练过程还可以包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的函数值,以损失函数的函数值作为所述输出重建图像与该组样本数据中标签图像的差异值。
在一个示例性的实现过程中,损失函数可以为多个不同的基础损失函数的加权之和。
其中,基础损失函数可以为用户选择的损失函数。例如,在一个示例中,用户可以选择pixel-wise loss(逐个像素差异损失函数)、perceptual loss(感知损失函数)、adversarial loss(对抗损失函数)作为基础损失函数,令模型训练过程中的损失函数等于该3个损失函数的加权和。各个基础损失函数的权重可以根据经验设定。在一个示例中,pixel-wise loss函数的权重最大。
在应用中,可以预先根据输入图像的数量分别训练弥散加权图像重建模型并存储。在使用过程中,根据多次激发中包括的单次激发的数量来选择弥散加权图像重建模型。
在训练完成后,可以将训练好的弥散加权图像重建模型与相应的输入图像数量对应存储起来。
本发明实施例提供的弥散加权图像重建模型的生成方法,通过构建深度学习网络模型,以及设置所述深度学习网络模型的初始参数值,获取样本数据,利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型,为利用弥散加权图像重建模型进行多次激发弥散加权成像过程中的图像重建奠定了基础,通过利用网络模型重建减少多次激发DWI图像的重建时间,提高DWI图像的重建速度。
图7是本发明实施例提供的弥散加权图像重建模型的应用方法的流程示例图。如图7所示,本实施例中,弥散加权图像重建模型的应用方法包括:
S701,接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
S702,对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
S703,将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,所述弥散加权图像重建模型为根据前述任一项弥散加权图像重建模型的生成方法生成的模型;
S704,获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像。
本发明实施例提供的弥散加权图像重建模型的应用方法,通过接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据,对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像,将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像,利用网络模型重建多次激发DWI图像,减少了多次激发DWI图像的重建时间,提高了DWI图像的重建速度。
基于上述的方法实施例,本发明实施例还提供了相应的装置、设备、系统及存储介质实施例。关于本发明实施例的装置、系统及存储介质实施例的详细实现方式,请参见前述方法实施例部分的相应说明。
图8是本发明实施例提供的弥散加权图像重建模型的生成装置的功能方块图。如图8所示,本实施例中,弥散加权图像重建模型的生成装置可以包括:
构建模块810,用于构建深度学习网络模型,所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块,每个子模型对应一个输入;以及设置所述深度学习网络模型的初始参数值;
获取模块820,用于获取样本数据,每组样本数据包括多个输入图像以及一个标签图像,所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像,所述标签图像为相应的多次激发DWI图像;
训练模块830,用于利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型;
其中,所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块,所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连,所述幅值获取模块与所述深度卷积神经网络模块相连,所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连。
在一个示例性的实现过程中,所述子模型还包括顺次相连的地图获取模块、校正模块和原始K空间数据生成模块,所述校正模块和所述原始K空间数据生成模块位于所述相位获取模块与所述第二合成模块之间。
在一个示例性的实现过程中,训练模块830可以具体用于:
在训练过程中,第1组样本数据对应的深度学习网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度学习网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的多个输入图像分别输入该组样本数据对应的深度学习网络模型中的对应子模型,得到各个子模型对应的初始重建图像;
将所有子模型对应的初始重建图像输入该组样本数据对应的深度学习网络模型中的第一合成模块,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中的标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度学习网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
在一个示例性的实现过程中,训练模块830还可以具体用于:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的函数值,以损失函数的函数值作为所述输出重建图像与该组样本数据中标签图像的差异值。
在一个示例性的实现过程中,获取模块820可以具体用于:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
根据所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像,获得多次激发对应的多次激发DWI图像;
将所述多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述多次激发DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,获取模块820可以具体用于:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行N组多次激发弥散加权成像,获取每组多次激发弥散加权成像的各单次激发采集的数据,N为自然数且N≥2;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
将每组多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像进行合并,获得该组多次激发对应的多次激发DWI图像;
根据所述N组多次激发对应的N个多次激发DWI图像,确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述N个多次激发DWI图像中相应像素的像素值的平均值;
从所述N组多次激发弥散加权成像中选择一组作为目标组;
将所述目标组对应的多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述平均DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,获取模块820可以具体用于:
对于已有的一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为另一组样本数据。
图9是本发明实施例提供的弥散加权图像重建模型的应用装置的功能方块图。如图9所示,本实施例中,弥散加权图像重建模型的应用装置可以包括:
接收模块910,用于接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
单次重建模块920,用于对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
输入模块930,用于将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,以由所述弥散加权图像重建模型对输入图像进行重建,所述弥散加权图像重建模型为根据前述任一项弥散加权图像重建模型的生成方法生成的模型;
输出模块940,用于获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像。
本发明实施例还提供了一种控制台设备。图10是本发明实施例提供的控制台设备的一个硬件结构图。如图10所示,控制台设备包括:内部总线1001,以及通过内部总线1001连接的存储器1002,处理器1003和外部接口1004。
在一个实施例中,所述存储器1002,用于存储弥散加权图像重建模型的生成逻辑对应的机器可读指令;所述处理器1003,用于读取存储器1002上的机器可读指令,并执行所述指令以实现前述的任一项弥散加权图像重建模型的生成方法。
在另一个实施例中,所述存储器1002,用于存储弥散加权图像重建模型的应用逻辑对应的机器可读指令;所述处理器1003,用于读取存储器1002上的机器可读指令,并执行所述指令以实现前述的任一项弥散加权图像重建模型的应用方法。
本发明实施例还提供一种弥散加权成像系统,该弥散加权成像系统包括扫描床和控制台设备,其中,所述控制台设备可以用于执行前述的任一种弥散加权图像重建模型的生成方法。
本发明实施例还提供一种弥散加权成像系统,该弥散加权成像系统包括扫描床和控制台设备,其中,所述控制台设备可以用于执行前述的任一种弥散加权图像重建模型的应用方法。
本发明实施例还提供一种弥散加权成像系统,该弥散加权成像系统包括扫描床和控制台设备,其中,所述控制台设备可以用于执行前述的任一种弥散加权图像重建模型的生成方法和前述的任一种弥散加权图像重建模型的应用方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
构建深度学习网络模型,所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块,每个子模型对应一个输入;以及设置所述深度学习网络模型的初始参数值;
获取样本数据,每组样本数据包括多个输入图像以及一个标签图像,所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像,所述标签图像为相应的多次激发DWI图像;
利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型;
其中,所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块,所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连,所述幅值获取模块与所述深度卷积神经网络模块相连,所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连。
在一个示例性的实现过程中,所述子模型还包括顺次相连的地图获取模块、校正模块和原始K空间数据生成模块,所述校正模块和所述原始K空间数据生成模块位于所述相位获取模块与所述第二合成模块之间。
在一个示例性的实现过程中,利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型,包括:
在训练过程中,第1组样本数据对应的深度学习网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度学习网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的多个输入图像分别输入该组样本数据对应的深度学习网络模型中的对应子模型,得到各个子模型对应的初始重建图像;
将所有子模型对应的初始重建图像输入该组样本数据对应的深度学习网络模型中的第一合成模块,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中的标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度学习网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
在一个示例性的实现过程中,所述训练过程还包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的函数值,以损失函数的函数值作为所述输出重建图像与该组样本数据中标签图像的差异值。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
根据所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像,获得多次激发对应的多次激发DWI图像;
将所述多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述多次激发DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行N组多次激发弥散加权成像,获取每组多次激发弥散加权成像的各单次激发采集的数据,N为自然数且N≥2;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
将每组多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像进行合并,获得该组多次激发对应的多次激发DWI图像;
根据所述N组多次激发对应的N个多次激发DWI图像,确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述N个多次激发DWI图像中相应像素的像素值的平均值;
从所述N组多次激发弥散加权成像中选择一组作为目标组;
将所述目标组对应的多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述平均DWI图像作为该组样本数据中的标签图像。
在一个示例性的实现过程中,所述获取样本数据,包括:
对于已有的一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为另一组样本数据。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,所述弥散加权图像重建模型为根据权利要求1~6任一项所述的方法生成的模型;
获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像。
对于装置和设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (10)
1.一种弥散加权图像重建模型的生成方法,其特征在于,所述方法包括:
构建深度学习网络模型,所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块,每个子模型对应一个输入;以及设置所述深度学习网络模型的初始参数值;
获取样本数据,每组样本数据包括多个输入图像以及一个标签图像,所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像,所述标签图像为相应的多次激发DWI图像;
利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型;
其中,所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块,所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连,所述幅值获取模块与所述深度卷积神经网络模块相连,所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连。
2.根据权利要求1所述的方法,其特征在于,所述子模型还包括顺次相连的地图获取模块、校正模块和原始K空间数据生成模块,所述校正模块和所述原始K空间数据生成模块位于所述相位获取模块与所述第二合成模块之间。
3.根据权利要求1所述的方法,其特征在于,利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型,包括:
在训练过程中,第1组样本数据对应的深度学习网络模型中的参数值为所述初始参数值,第j组样本数据对应的深度学习网络模型中的参数值为经第j-1组样本数据训练后调整的参数值,j为自然数,且j≥2;对于每组样本数据,执行如下操作:
将该组样本数据中的多个输入图像分别输入该组样本数据对应的深度学习网络模型中的对应子模型,得到各个子模型对应的初始重建图像;
将所有子模型对应的初始重建图像输入该组样本数据对应的深度学习网络模型中的第一合成模块,得到该组样本数据对应的输出重建图像;
获取所述输出重建图像与该组样本数据中的标签图像的差异值;
若所述差异值大于预设阈值,根据所述差异值调整所述深度学习网络模型的参数值;若所述差异值小于或等于所述预设阈值,停止训练,以该组样本数据对应的深度学习网络模型作为训练完毕的深度学习网络模型。
4.根据权利要求3所述的方法,其特征在于,所述训练过程还包括:
预先设置损失函数,所述损失函数包括与所述输出重建图像对应的第一变量和与所述标签图像对应的第二变量;
获取所述输出重建图像与该组样本数据中标签图像的差异值,包括:
以所述输出重建图像作为所述损失函数中第一变量的值,以该组样本数据中的标签图像作为所述损失函数中第二变量的值,计算损失函数的函数值,以损失函数的函数值作为所述输出重建图像与该组样本数据中标签图像的差异值。
5.根据权利要求1所述的方法,其特征在于,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体,获取对所述被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
根据所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像,获得多次激发对应的多次激发DWI图像;
将所述多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述多次激发DWI图像作为该组样本数据中的标签图像。
6.根据权利要求1所述的方法,其特征在于,所述获取样本数据,包括:
确定多个被检体,每个被检体对应一组样本数据;
对于每个被检体进行N组多次激发弥散加权成像,获取每组多次激发弥散加权成像的各单次激发采集的数据,N为自然数且N≥2;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
将每组多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像进行合并,获得该组多次激发对应的多次激发DWI图像;
根据所述N组多次激发对应的N个多次激发DWI图像,确定平均DWI图像,所述平均DWI图像中各像素的目标像素值等于所述N个多次激发DWI图像中相应像素的像素值的平均值;
从所述N组多次激发弥散加权成像中选择一组作为目标组;
将所述目标组对应的多次激发弥散加权成像过程中全部单次激发对应的单次激发DWI图像作为一组样本数据中的输入图像,将所述平均DWI图像作为该组样本数据中的标签图像。
7.根据权利要求1所述的方法,其特征在于,所述获取样本数据,包括:
对于已有的一组样本数据,对该组样本数据中的每一幅图像进行预设处理,获得处理后图像;
将该组样本数据中所有图像对应的处理后图像作为另一组样本数据。
8.一种弥散加权图像重建模型的应用方法,其特征在于,所述方法包括:
接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,所述弥散加权图像重建模型为根据权利要求1~6任一项所述的方法生成的模型;
获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像。
9.一种弥散加权图像重建模型的生成装置,其特征在于,所述装置包括:
构建模块,用于构建深度学习网络模型,所述深度学习网络模型包括多个结构相同的子模型、以及与所有子模型相连的第一合成模块,每个子模型对应一个输入;以及设置所述深度学习网络模型的初始参数值;
获取模块,用于获取样本数据,每组样本数据包括多个输入图像以及一个标签图像,所述输入图像为多次激发弥散加权成像DWI中的各单次激发对应的单次激发DWI图像,所述标签图像为相应的多次激发DWI图像;
训练模块,用于利用所述训练数据对所述深度学习网络模型进行训练,得到训练完毕的深度学习网络模型,以所述训练完毕的深度学习网络模型作为弥散加权图像重建模型;
其中,所述子模型包括幅值获取模块、深度卷积神经网络模块、相位获取模块以及第二合成模块,所述子模型的输入分别与所述幅值获取模块和所述相位获取模块相连,所述幅值获取模块与所述深度卷积神经网络模块相连,所述第二合成模块分别与所述深度卷积神经网络模块和所述相位获取模块相连。
10.一种弥散加权图像重建模型的应用装置,其特征在于,所述装置包括:
接收模块,用于接收对被检体进行多次激发弥散加权成像过程中各单次激发采集的数据;
单次重建模块,用于对于每个单次激发,根据所述单次激发采集的数据进行图像重建,获得所述单次激发对应的单次激发DWI图像;
输入模块,用于将所述多次激发弥散加权成像过程中的全部单次激发对应的单次激发DWI图像作为一组输入图像,并输入已训练好的弥散加权图像重建模型,以由所述弥散加权图像重建模型对输入图像进行重建,所述弥散加权图像重建模型为根据权利要求1~6任一项所述的方法生成的模型;
输出模块,用于获取所述弥散加权图像重建模型的输出图像,作为所述受检者的目标DWI图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911837.7A CN112184845B (zh) | 2020-09-02 | 2020-09-02 | 弥散加权图像重建模型的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911837.7A CN112184845B (zh) | 2020-09-02 | 2020-09-02 | 弥散加权图像重建模型的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184845A true CN112184845A (zh) | 2021-01-05 |
CN112184845B CN112184845B (zh) | 2023-05-05 |
Family
ID=73924719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010911837.7A Active CN112184845B (zh) | 2020-09-02 | 2020-09-02 | 弥散加权图像重建模型的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184845B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066145A (zh) * | 2021-04-29 | 2021-07-02 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113838105A (zh) * | 2021-09-22 | 2021-12-24 | 浙江大学 | 基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170364A1 (en) * | 2012-08-04 | 2015-06-18 | Kabushiki Kaisha Toshiba | Magnetic resonance imaging apparatus and magnetic resonance imaging method |
WO2017062882A1 (en) * | 2015-10-07 | 2017-04-13 | bioProtonics LLC | Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms |
US20180136300A1 (en) * | 2015-05-13 | 2018-05-17 | Universite Paris-Sud | Method and device for imaging by magnetic resonance |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN111012349A (zh) * | 2019-03-18 | 2020-04-17 | 上海联影医疗科技有限公司 | 磁共振成像中信号表征确定的系统与方法 |
CN111080731A (zh) * | 2019-11-12 | 2020-04-28 | 东软医疗系统股份有限公司 | 弥散加权成像方法及装置 |
-
2020
- 2020-09-02 CN CN202010911837.7A patent/CN112184845B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170364A1 (en) * | 2012-08-04 | 2015-06-18 | Kabushiki Kaisha Toshiba | Magnetic resonance imaging apparatus and magnetic resonance imaging method |
US20180136300A1 (en) * | 2015-05-13 | 2018-05-17 | Universite Paris-Sud | Method and device for imaging by magnetic resonance |
WO2017062882A1 (en) * | 2015-10-07 | 2017-04-13 | bioProtonics LLC | Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN111012349A (zh) * | 2019-03-18 | 2020-04-17 | 上海联影医疗科技有限公司 | 磁共振成像中信号表征确定的系统与方法 |
CN111080731A (zh) * | 2019-11-12 | 2020-04-28 | 东软医疗系统股份有限公司 | 弥散加权成像方法及装置 |
Non-Patent Citations (3)
Title |
---|
HAO ZHANG 等: "Joint multi-shot multi-channel image reconstruction in compressive diffusion weighted MR imaging", 《PROCEEDINGS VOLUME 9413, MEDICAL IMAGING 2015: IMAGE PROCESSING》 * |
MERRY P. MANI 等: "Model-Based Deep Learning for Reconstruction of Joint k-q Under-sampled High Resolution Diffusion MRI", 《2020 IEEE 17TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI)》 * |
郑海荣: "基于高场磁共振的快速高分辨成像", 《生命科学仪器》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066145A (zh) * | 2021-04-29 | 2021-07-02 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113066145B (zh) * | 2021-04-29 | 2023-12-26 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113838105A (zh) * | 2021-09-22 | 2021-12-24 | 浙江大学 | 基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质 |
CN113838105B (zh) * | 2021-09-22 | 2024-02-13 | 浙江大学 | 基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112184845B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10852379B2 (en) | Artifact reduction by image-to-image network in magnetic resonance imaging | |
CN108896943A (zh) | 一种磁共振定量成像方法和装置 | |
CN111080731A (zh) | 弥散加权成像方法及装置 | |
CN110807492B (zh) | 一种磁共振多参数同时定量成像方法及系统 | |
CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
Vu et al. | Perception-enhanced image super-resolution via relativistic generative adversarial networks | |
CN113920213B (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
CN112184845B (zh) | 弥散加权图像重建模型的生成方法及装置 | |
CN110853048A (zh) | 基于粗、精训练的mri图像分割方法、装置和存储介质 | |
CN116823625B (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和系统 | |
CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
Do et al. | 7T MRI super-resolution with Generative Adversarial Network | |
WO2020123788A1 (en) | Qualitative and quantitative mri using deep learning | |
CN114255291A (zh) | 用于磁共振参数定量成像的重建方法、系统 | |
CN112213673B (zh) | 动态磁共振成像方法、装置、重建计算机及磁共振系统 | |
CN112785540A (zh) | 一种扩散加权图像的生成系统及方法 | |
CN110992435B (zh) | 图像重建方法及设备、成像数据的处理方法及装置 | |
CN115423894B (zh) | 一种基于变分自编码器的磁共振加权图像合成方法和装置 | |
CN111681297A (zh) | 图像重建方法、计算机设备和存储介质 | |
CN111311531A (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
CN115861464A (zh) | 基于多模mri同步生成的伪ct合成方法 | |
CN113281690B (zh) | 一种磁共振成像方法和系统 | |
CN115222628A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN112837318A (zh) | 超声图像生成模型的生成方法、合成方法、介质及终端 | |
CN113052840A (zh) | 一种基于低信噪比pet图像的处理方法 |
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 |