CN112213673A - 动态磁共振成像方法、装置、重建计算机及磁共振系统 - Google Patents

Abstract

本发明实施例提供一种动态磁共振成像方法、装置、重建计算机及磁共振系统。本发明实施例通过获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度，对于多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列，能够在高倍数加速和保证成像质量的情况下提高动态磁共振成像的重建速度。

Description

动态磁共振成像方法、装置、重建计算机及磁共振系统

技术领域

本发明涉及医学成像技术领域，尤其涉及一种动态磁共振成像方法、装置、重建计算机及磁共振系统。

背景技术

动态MRI(Magnetic Resonance Imaging，磁共振成像)是一种利用磁共振设备采集多个时间点(或称时间帧)的图像以捕捉组织或者器官的动态变化过程的成像手段。动态MRI作为一类非常重要的磁共振成像方法，目前已经在临床上获得较为广泛的应用，其中主要包括心脏功能检查、动态对比增强扫描、血流成像、功能磁共振成像以及介入性磁共振成像等。

加速数据采集速度并且保证成像质量一直以来都是动态磁共振成像中需要解决的关键性问题。相关技术中采用加速成像策略，通过减少一定倍数的数据采集量提高采集速率，同时保证一定的重建图像质量。然而，相关技术虽然能够在高加速倍数下一定程度上改善重建图像质量，但是重建时间过长，重建速度慢，尚不适用于临床。

发明内容

为克服相关技术中存在的问题，本发明提供了一种动态磁共振成像方法、装置、重建计算机及磁共振系统，提高动态磁共振成像的重建速度。

根据本发明实施例的第一方面，提供一种动态磁共振成像方法，包括：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据；所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

根据本发明实施例的第二方面，提供一种动态磁共振成像装置，包括：

数据获取模块，用于获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

初步重建模块，用于对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

优化模块，用于将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

根据本发明实施例的第三方面，提供一种重建计算机，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，所述外部接口，用于连接磁共振系统的数据采集器，所述数据采集器用于采集磁共振信号并将所述磁共振信号转换为对应的K空间数据；

所述存储器，用于存储动态磁共振成像逻辑对应的机器可读指令；

所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

根据本发明实施例的第四方面，提供一种磁共振系统，包括扫描计算机、磁共振设备和重建计算机，其中：

所述扫描计算机，用于生成扫描协议，并发送给所述磁共振设备；

所述磁共振设备，用于根据所述扫描协议对受检者进行磁共振扫描，在扫描过程中，根据预设采样轨迹对受检者进行动态磁共振降采样，得到所述受检者的多个时间帧的K空间数据；

所述重建计算机，用于：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

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，通过获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列，能够在高倍数加速和保证成像质量的情况下缩短动态磁共振成像的整体重建运算时间，提高了动态磁共振成像的重建速度，可适用于临床。

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动态磁共振成像方法的流程示例图。

图2是变密度采样轨迹的示例图。

图3是构建采样轨迹的示例图。

图4是相位编码行扩展的示意图。

图5是本发明实施例提供的动态磁共振成像装置的功能方块图。

图6是本发明实施例提供的重建计算机的一个硬件结构图。

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”。

近年来，针对动态磁共振成像，研究者们提出了一系列的加速成像策略，通过减少一定倍数的数据采集量以提高采集速率，同时保证一定的重建图像质量。这些加速成像策略之一是利用空间-时间域的联合相关性的加速成像策略，这种策略充分利用时空联合信息，可以实现较高倍数的加速成像，但是在更高倍数加速的情况下其重建结果与满采样图像会存在较大误差。

为此，相关技术在这种加速成像策略的基础上结合并行成像算法和压缩感知方法，实现了在较高加速倍数的条件下保持较高的重建图像质量。但是，相关技术重建时间过长，重建速度慢，不适用于临床。

下面通过实施例对动态磁共振成像方法进行详细说明。

图1是本发明实施例提供的动态磁共振成像方法的流程示例图。如图1所示，本实施例中，动态磁共振成像方法可以包括：

S101，获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度。

S102，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像。

S103，将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

动态磁共振成像中，各个时间帧的采样轨迹可以预先设置。

本实施例中的预设采样轨迹是变密度采样轨迹，即K空间的不同区域，采集密度是不同的，K空间中间区域的采样密度大于K空间外周区域的采样密度。

图2是变密度采样轨迹的示例图。如图2所示，该变密度采样轨迹表示为一个由PE(Phase Encoding，相位编码行)和Frames(帧)两个维度组成的二维平面，其中中间区域的采集密度大，外周区域的采集密度小。图2所示的采样轨迹中，采集密度从K空间中间区域到K空间外周区域逐渐减小。

在应用中，可以将PE-Frames这两个维度组成的二维平面分成若干个区域，然后为各个区域分别定义一个采集密度，如图3所示。图3是构建采样轨迹的示例图，该图中白色区域代表采样区域，黑色区域代表未采样区域，中间的区域为区域1，区域1为全白色，代表区域1内的相位编码行对应的所有时间帧数据都进行了采集；区域1向外围方向依次为区域2、区域3，然后分别为区域1、区域2、区域3设置采集密度，由图3可见，区域1的采集密度大于区域2的采集密度，区域2的采集密度大于区域3的采集密度。

本实施例中，对K空间中间区域进行密集采集，对K空间外周区域进行稀疏随机采集，能够获得较多的低频信息和较少的高频信息，使得通过直接降采样得到的图像保留了主要的能量和对比度信息。

本实施例中，数据采样的坐标系可为笛卡尔坐标系，也可以为非笛卡尔坐标系。

本实施例中，根据预设采样轨迹对受检者进行动态磁共振降采样，可以包括：

根据预设的降采样倍数生成降采样mask(掩膜)，降采样mask中K空间中间区域的采集密度大于K空间外周区域的采集密度，并且不同时相的K空间数据交错采样；

根据降采样mask将每个时相中所需采集的对应K空间数据均匀分配到各个心跳周期中进行采集。

举例说明。对心脏进行动态磁共振成像中，假定连续采集20个时间帧，每个时间帧需要采集40个相位编码行的数据，在实现上可以是连续采集4个心跳周期，每个心跳周期分成20个等分，分别对应定义的20个时相，然后每个心跳周期中的每个时相采集40/4＝10个相位编码行，不同心跳周期采集不同的10个相位编码行数据(比如第一个心跳周期采集第1～10行相位编码数据，第二个心跳周期采集第11～20行相位编码数据，以此类推)，最终用4个心跳周期采集完20组每组40个相位编码行数据，其中每组即对应一个时间帧。

在一个示例性的实现过程中，步骤S102中，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，可以包括：

对于所述多个时间帧中的每一时间帧，将所述每一时间帧的前m个时间帧对应的K空间数据和所述每一时间帧的后m个时间帧对应的K空间数据填充到所述时间帧中，得到所述每一时间帧对应的第一目标时间帧；m为自然数；

将所述第一目标时间帧对应的K空间数据中的每条相位编码行扩展为由多个相位编码行组成的K空间区段，得到所述每一时间帧对应的第二目标时间帧；

对所述第二目标时间帧进行傅里叶变换，得到所述每一时间帧对应的初步重建图像。

举例说明。在一个示例中，动态磁共振降采样得到的多个时间帧的当前帧，可以利用View-Sharing技术，将当前帧前后相邻若干时间帧对应的K空间数据填充到当前帧中，以补充更多的高频细节信息，降低图像域混叠伪影的程度；然后利用GROWL算法，将每个时间帧对应的K空间中的每条相位编码行扩展为由与其相邻的m个相位编码行组成的K空间区段。

GROWL算法中所使用的GRAPPA算子可以有两种获取方式：一种是可以根据预扫描获得的满采样低频数据进行拟合获得；另一种可以是根据当前帧的K空间低频满采样区域数据进行拟合获得。由于GRAPPA算子的尺寸及数量较小，因此，GROWL重建速度较快。经过该GROWL重建之后，各个时间帧中缺失的K空间数据均大部分被填补，从而使得图像域的伪影程度进一步降低。

需要说明的是，上述的GROWL算法作为预先设定的重建算法的一种示例，并不用于对预先设定的重建算法进行限定，在其他实施例中，还可以采用其他的算法作为预先设定的重建算法。

本实施例中，通过将所述时间帧的前m个时间帧对应的K空间数据和所述时间帧的后m个时间帧对应的K空间数据填充到所述时间帧中，可以为所述时间帧补充更多的高频细节信息，降低图像域混叠伪影的程度，提高图像质量。

本实施例中，通过相位编码行扩展，使得各个时间帧中缺失的K空间数据大部分被填补，从而进一步降低了图像域的伪影程度。

这里结合图4对相位编码行扩展的过程进行举例说明。图4是相位编码行扩展的示意图。

在进行相位编码行扩展前，拟合获得算子，其过程如下

预设算子尺寸，假设算子尺寸为5，如图4所示，一条相位编码行中有填充的5个FE(Frequency Encoding，频率编码)点，由当前相位编码行(即图4中有5个频率编码点的相位编码行)中的所有线圈通道的这5个位置的数据点拟合得到该线圈通道中与该行相邻的上面一行与下面一行正中数据点的算子。

设线圈通道数为Nc，用于计算上面一行的算子为矩阵A，矩阵A的维度为5×Nc，通过Ax＝y来拟合得到A，其中x和y由满采样的K空间低频数据获取，x和y为由多通道的连续5个数据点与某一个通道上面一行的一个正中位置处的数据点构成的数据对，通过很多组数据对利用最小二乘法即可求得算子A，用于计算下面一行的算子B可通过类似于算子A的求解方法进行获得。

在求得算子A与算子B之后，将每个时间帧中已有数据的相位编码行利用算子A求解得到该编码行上面一行的数据，将每个时间帧中已有数据的相位编码行利用算子B求解得到该编码行下面一行的数据，这样就实现了相邻m＝1个相位编码行的扩展。

本实施例中，深度学习网络模型的作用是对初步图像序列进行快速优化，提高重建图像的质量。深度学习网络模型可以为深度卷积神经网络模型。

初步图像序列是利用预先设定的重建算法重建得到的初步重建图像序列，通过利用深度学习网络模型对初步图像序列进行优化，能够提高重建图像的质量，并且深度学习网络模型的处理速度快，能够提高整个动态磁共振成像中的重建速度。

在一个示例性的实现过程中，所述深度学习网络模型的训练方法可以包括：

设置深度学习网络模型，以及设置所述深度学习网络模型的初始参数值；

获得若干组样本数据，每组样本数据包括输入初步图像序列和标签图像序列，所述输入初步图像序列中的图像为根据所述预先设定的重建算法重建得到的图像，所述标签图像序列中的图像为所述输入初步图像序列中的相应图像对应的满采样图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型。

其中，输入初步图像序列中的图像为降采样图像，标签图像序列中的图像为满采样图像，满采样图像的图像质量高于降采样图像的图像质量。

在一个示例性的实现过程中，所述深度学习网络模型包括保真模块，所述保真模块用于对多通道K空间数据进行保真约束。保真模块用于计算由网络当前层输出图像返回到K空间中已采样位置处的数据与原始已采样的数据之间的差值，并通过网络参数训练使得该差值逐渐减小，进而实现对多通道K空间数据的保真约束。该约束既保证了重建结果的准确度，同时也使得所训练的深度学习网络模型更加鲁棒，使得训练好的深度学习网络模型可适用于不同对比度、不同降采样倍数的图像重建。

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，得到训练好的深度学习网络模型，可以包括：

在训练过程中，第1组训练数据对应的深度学习网络模型的参数值为所述初始参数值，第j组训练数据对应的深度学习网络模型的参数值为经第j-1组训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组训练数据，执行如下操作：

将该组训练数据中的输入初步图像序列输入该组训练数据对应的深度学习网络模型，得到该组训练数据对应的输出初步图像序列；

将所述输出初步图像序列与该组训练数据中的标签图像序列输入预先构建的损失函数，获得所述损失函数的函数值；

通过反向传播法将所述函数值返回到深度学习网络模型的各层，对深度学习网络模型的参数值差异进行修正；

确定当前是否符合预设的收敛条件，若符合则停止训练，以该组训练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；若不符合则执行下一组训练数据的训练。

本实施例中，收敛条件可以是练次数达到预设次数，还可以是损失函数的函数值不再下降。

因此，在一个示例性的实现过程中，确定当前是否符合预设的收敛条件，可以包括：

判断当前的训练次数是否达到预设次数，若达到则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件；或者，

判断所述函数值是否不再下降，若是则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件。

本发明实施例提供的动态磁共振成像方法，通过获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列，能够在高倍数加速和保证成像质量的情况下缩短动态磁共振成像的整体重建运算时间，提高了动态磁共振成像的重建速度，可适用于临床。

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、设备及存储介质实施例。

图5是本发明实施例提供的动态磁共振成像装置的功能方块图。如图5所示，本实施例中，动态磁共振成像装置可以包括：

数据获取模块510，用于获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

初步重建模块520，用于对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

优化模块530，用于将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

在一个示例性的实现过程中，所述预设采样轨迹中，采集密度从K空间中间区域到K空间外周区域逐渐减小。

在一个示例性的实现过程中，初步重建模块520可以具体用于：

对于所述多个时间帧中的每一时间帧，将所述每一时间帧的前m个时间帧对应的K空间数据和所述每一时间帧的后m个时间帧对应的K空间数据填充到所述时间帧中，得到所述每一时间帧对应的第一目标时间帧；m为自然数；

将所述第一目标时间帧对应的K空间数据中的每条相位编码行扩展为由多个相位编码行组成的K空间区段，得到所述每一时间帧对应的第二目标时间帧；

对所述第二目标时间帧进行傅里叶变换，得到所述每一时间帧对应的初步重建图像。

在一个示例性的实现过程中，所述深度学习网络模型的训练方法包括：

设置深度学习网络模型，以及设置所述深度学习网络模型的初始参数值；

获得若干组样本数据，每组样本数据包括输入初步图像序列和标签图像序列，所述输入初步图像序列中的图像为根据所述预先设定的重建算法重建得到的图像，所述标签图像序列中的图像为所述输入初步图像序列中的相应图像对应的满采样图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型。

在一个示例性的实现过程中，所述深度学习网络模型包括保真模块，所述保真模块用于对多通道K空间数据进行保真约束。

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，得到训练好的深度学习网络模型，包括：

在训练过程中，第1组训练数据对应的深度学习网络模型的参数值为所述初始参数值，第j组训练数据对应的深度学习网络模型的参数值为经第j-1组训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组训练数据，执行如下操作：

将该组训练数据中的输入初步图像序列输入该组训练数据对应的深度学习网络模型，得到该组训练数据对应的输出初步图像序列；

将所述输出初步图像序列与该组训练数据中的标签图像序列输入预先构建的损失函数，获得所述损失函数的函数值；

通过反向传播法将所述函数值返回到深度学习网络模型的各层，对深度学习网络模型的参数值差异进行修正；

确定当前是否符合预设的收敛条件，若符合则停止训练，以该组训练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；若不符合则执行下一组训练数据的训练。

在一个示例性的实现过程中，确定当前是否符合预设的收敛条件，包括：

判断当前的训练次数是否达到预设次数，若达到则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件；或者，

判断所述函数值是否不再下降，若是则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件。

本发明实施例还提供了一种重建计算机。图6是本发明实施例提供的重建计算机的一个硬件结构图。如图6所示，重建计算机包括：内部总线601，以及通过内部总线连接的存储器602，处理器603和外部接口604，其中，所述外部接口，用于连接磁共振系统的数据采集器，所述数据采集器用于采集磁共振信号并将所述磁共振信号转换为对应的K空间数据；

所述存储器602，用于存储动态磁共振成像逻辑对应的机器可读指令；

所述处理器603，用于读取所述存储器602上的所述机器可读指令，并执行如下操作：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

本发明实施例的重建计算机能够执行前述的任一种动态磁共振成像方法。

本发明实施例还提供一种磁共振系统，包括扫描计算机、磁共振设备和重建计算机，其中：

所述扫描计算机，用于生成扫描协议，并发送给所述磁共振设备；

所述磁共振设备，用于根据所述扫描协议对受检者进行磁共振扫描，在扫描过程中，根据预设采样轨迹对受检者进行动态磁共振降采样，得到所述受检者的多个时间帧的K空间数据；

所述重建计算机，用于：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

在一个示例性的实现过程中，所述预设采样轨迹中，采集密度从K空间中间区域到K空间外周区域逐渐减小。

在一个示例性的实现过程中，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，包括：

对于所述多个时间帧中的每一时间帧，将所述每一时间帧的前m个时间帧对应的K空间数据和所述每一时间帧的后m个时间帧对应的K空间数据填充到所述时间帧中，得到所述每一时间帧对应的第一目标时间帧；m为自然数；

将所述第一目标时间帧对应的K空间数据中的每条相位编码行扩展为由多个相位编码行组成的K空间区段，得到所述每一时间帧对应的第二目标时间帧；

对所述第二目标时间帧进行傅里叶变换，得到所述每一时间帧对应的初步重建图像。

在一个示例性的实现过程中，所述深度学习网络模型的训练方法包括：

设置深度学习网络模型，以及设置所述深度学习网络模型的初始参数值；

获得若干组样本数据，每组样本数据包括输入初步图像序列和标签图像序列，所述输入初步图像序列中的图像为根据所述预先设定的重建算法重建得到的图像，所述标签图像序列中的图像为所述输入初步图像序列中的相应图像对应的满采样图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型。

在一个示例性的实现过程中，所述深度学习网络模型包括保真模块，所述保真模块用于对多通道K空间数据进行保真约束。

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，得到训练好的深度学习网络模型，包括：

在训练过程中，第1组训练数据对应的深度学习网络模型的参数值为所述初始参数值，第j组训练数据对应的深度学习网络模型的参数值为经第j-1组训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组训练数据，执行如下操作：

将该组训练数据中的输入初步图像序列输入该组训练数据对应的深度学习网络模型，得到该组训练数据对应的输出初步图像序列；

将所述输出初步图像序列与该组训练数据中的标签图像序列输入预先构建的损失函数，获得所述损失函数的函数值；

通过反向传播法将所述函数值返回到深度学习网络模型的各层，对深度学习网络模型的参数值差异进行修正；

确定当前是否符合预设的收敛条件，若符合则停止训练，以该组训练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；若不符合则执行下一组训练数据的训练。

在一个示例性的实现过程中，确定当前是否符合预设的收敛条件，包括：

判断当前的训练次数是否达到预设次数，若达到则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件；或者，

判断所述函数值是否不再下降，若是则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件。

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：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

在一个示例性的实现过程中，所述预设采样轨迹中，采集密度从K空间中间区域到K空间外周区域逐渐减小。

在一个示例性的实现过程中，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，包括：

对于所述多个时间帧中的每一时间帧，将所述每一时间帧的前m个时间帧对应的K空间数据和所述每一时间帧的后m个时间帧对应的K空间数据填充到所述时间帧中，得到所述每一时间帧对应的第一目标时间帧；m为自然数；

将所述第一目标时间帧对应的K空间数据中的每条相位编码行扩展为由多个相位编码行组成的K空间区段，得到所述每一时间帧对应的第二目标时间帧；

对所述第二目标时间帧进行傅里叶变换，得到所述每一时间帧对应的初步重建图像。

在一个示例性的实现过程中，所述深度学习网络模型的训练方法包括：

设置深度学习网络模型，以及设置所述深度学习网络模型的初始参数值；

获得若干组样本数据，每组样本数据包括输入初步图像序列和标签图像序列，所述输入初步图像序列中的图像为根据所述预先设定的重建算法重建得到的图像，所述标签图像序列中的图像为所述输入初步图像序列中的相应图像对应的满采样图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型。

在一个示例性的实现过程中，所述深度学习网络模型包括保真模块，所述保真模块用于对多通道K空间数据进行保真约束。

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，得到训练好的深度学习网络模型，包括：

在训练过程中，第1组训练数据对应的深度学习网络模型的参数值为所述初始参数值，第j组训练数据对应的深度学习网络模型的参数值为经第j-1组训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组训练数据，执行如下操作：

将该组训练数据中的输入初步图像序列输入该组训练数据对应的深度学习网络模型，得到该组训练数据对应的输出初步图像序列；

将所述输出初步图像序列与该组训练数据中的标签图像序列输入预先构建的损失函数，获得所述损失函数的函数值；

通过反向传播法将所述函数值返回到深度学习网络模型的各层，对深度学习网络模型的参数值差异进行修正；

确定当前是否符合预设的收敛条件，若符合则停止训练，以该组训练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；若不符合则执行下一组训练数据的训练。

在一个示例性的实现过程中，确定当前是否符合预设的收敛条件，包括：

判断当前的训练次数是否达到预设次数，若达到则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件；或者，

判断所述函数值是否不再下降，若是则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件。

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)

1.一种动态磁共振成像方法，其特征在于，包括：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据；所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

2.根据权利要求1所述的方法，其特征在于，所述预设采样轨迹中，采集密度从K空间中间区域到K空间外周区域逐渐减小。

3.根据权利要求1所述的方法，其特征在于，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，包括：

对于所述多个时间帧中的每一时间帧，将所述每一时间帧的前m个时间帧对应的K空间数据和所述每一时间帧的后m个时间帧对应的K空间数据填充到所述每一时间帧中，得到所述每一时间帧对应的第一目标时间帧；m为自然数；

将所述第一目标时间帧对应的K空间数据中的每条相位编码行扩展为由多个相位编码行组成的K空间区段，得到所述每一时间帧对应的第二目标时间帧；

对所述第二目标时间帧进行傅里叶变换，得到所述每一时间帧对应的初步重建图像。

4.根据权利要求1所述的方法，其特征在于，所述深度学习网络模型的训练方法包括：

设置深度学习网络模型，以及设置所述深度学习网络模型的初始参数值；

获得若干组样本数据，每组样本数据包括输入初步图像序列和标签图像序列，所述输入初步图像序列中的图像为根据所述预先设定的重建算法重建得到的图像，所述标签图像序列中的图像为所述输入初步图像序列中的相应图像对应的满采样图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型。

5.根据权利要求4所述的方法，其特征在于，所述深度学习网络模型包括保真模块，所述保真模块用于对多通道K空间数据进行保真约束。

6.根据权利要求4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，得到训练好的深度学习网络模型，包括：

在训练过程中，第1组训练数据对应的深度学习网络模型的参数值为所述初始参数值，第j组训练数据对应的深度学习网络模型的参数值为经第j-1组训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组训练数据，执行如下操作：

将该组训练数据中的输入初步图像序列输入该组训练数据对应的深度学习网络模型，得到该组训练数据对应的输出初步图像序列；

将所述输出初步图像序列与该组训练数据中的标签图像序列输入预先构建的损失函数，获得所述损失函数的函数值；

通过反向传播法将所述函数值返回到深度学习网络模型的各层，对深度学习网络模型的参数值差异进行修正；

确定当前是否符合预设的收敛条件，若符合则停止训练，以该组训练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；若不符合则执行下一组训练数据的训练。

7.根据权利要求6所述的方法，其特征在于，确定当前是否符合预设的收敛条件，包括：

判断当前的训练次数是否达到预设次数，若达到则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件；或者，

判断所述函数值是否不再下降，若是则确定当前符合预设的收敛条件，否则确定当前不符合预设的收敛条件。

8.一种动态磁共振成像装置，其特征在于，包括：

数据获取模块，用于获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

初步重建模块，用于对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

优化模块，用于将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

9.一种重建计算机，其特征在于，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，所述外部接口，用于连接磁共振系统的数据采集器，所述数据采集器用于采集磁共振信号并将所述磁共振信号转换为对应的K空间数据；

所述存储器，用于存储动态磁共振成像逻辑对应的机器可读指令；

所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

10.一种磁共振系统，其特征在于，包括扫描计算机、磁共振设备和重建计算机，其中：

所述扫描计算机，用于生成扫描协议，并发送给所述磁共振设备；

所述磁共振设备，用于根据所述扫描协议对受检者进行磁共振扫描，在扫描过程中，根据预设采样轨迹对受检者进行动态磁共振降采样，得到所述受检者的多个时间帧的K空间数据；

所述重建计算机，用于：

获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；

对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；

将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。

Images