CN112213674A - 磁共振压缩感知重建方法及装置 - Google Patents
磁共振压缩感知重建方法及装置 Download PDFInfo
- Publication number
- CN112213674A CN112213674A CN202010955261.4A CN202010955261A CN112213674A CN 112213674 A CN112213674 A CN 112213674A CN 202010955261 A CN202010955261 A CN 202010955261A CN 112213674 A CN112213674 A CN 112213674A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- sampling
- iteration
- compressed sensing
- 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
- 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
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供一种磁共振压缩感知重建方法及装置。本发明实施例通过获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，根据目标数据和初始图像，通过迭代方式求解压缩感知图像求解模型，得到目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新，能够减弱压缩感知重建中全局振铃效应的影响，提高图像质量。
Description
技术领域
本发明涉及医学成像技术领域，尤其涉及一种磁共振压缩感知重建方法及装置。
背景技术
MRI(Magnetic Resonance Imaging，磁共振成像)是一种重要的成像手段，目前已经在临床上获得广泛应用。
CS(Compressed Sensing，压缩感知)是基于应用数学的一种前沿的信号采集与处理创新技术，可以大幅度提升磁共振扫描速度与时间、空间分辨率。相关技术中，采用压缩感知技术进行磁共振图像的重建，这种重建方式称为磁共振压缩感知重建。当压缩感知采集分辨率不够时，利用相关技术得到磁共振图像会产生全局振铃效应(Global RingingArtifact)，影响了图像质量。
发明内容
为克服相关技术中存在的问题，本发明提供了一种磁共振压缩感知重建方法及装置，提高磁共振压缩感知重建图像的图像质量。
根据本发明实施例的第一方面，提供一种磁共振压缩感知重建方法，包括：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
根据本发明实施例的第二方面，提供一种磁共振压缩感知重建装置，包括：
获取模块，用于获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
重建模块，用于根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
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；
所述存储器，用于存储磁共振压缩感知重建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：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
根据本发明实施例的第四方面，提供一种磁共振系统，包括磁共振设备和重建计算机，其中：
所述磁共振设备，用于对受检者进行磁共振扫描，获得磁共振压缩感知采样数据；
所述重建计算机，用于：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
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，通过获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新，能够减弱压缩感知重建中全局振铃效应的影响，提高图像质量。
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磁共振压缩感知重建方法的流程示例图。
图2是本发明实施例提供的磁共振压缩感知重建装置的功能方块图。
图3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”。
传统压缩感知重建方法当压缩感知采集分辨率不够时会产生全局振铃效应(global ringing artifact)。同时由于压缩感知重建的原理，压缩感知重建会对图像的对比度进行压制，造成图像细节及对比度的损失。
下面通过实施例对磁共振压缩感知重建方法进行详细说明。
图1是本发明实施例提供的磁共振压缩感知重建方法的流程示例图。如图1所示，本实施例中，磁共振压缩感知重建方法可以包括：
S101，获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据。
S102，根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
在一个示例性的实现过程中，在迭代过程中，第1次迭代中所述压缩感知图像求解模型的图像变量的初始值为所述初始图像，第m+1次迭代中所述图像变量的初始值为第m次迭代图像，m为自然数，且m≥1；每次迭代过程包括：
根据所述目标数据和本次迭代中所述图像变量的初始值，求解所述压缩感知图像求解模型，得到第一图像；
对所述第一图像进行滤波和更新，得到第二图像；
根据所述第二图像，确定本次迭代后获得的本次迭代图像；
若当前符合预设的迭代停止条件，停止迭代，将本次迭代图像作为所述目标压缩感知重建图像；否则将所述本次迭代图像作为下次迭代中所述图像变量的初始值，执行下一次迭代。
本实施例中，目标数据是以低于奈奎斯特采样定理的速率采样到的数据，是一种具有稀疏特性的数据。目标数据对应的采样掩码(mask)中，采样掩码为1的采样位置是采集到数据的位置，对于采样掩码为0的采样位置，不进行数据采集。
目标数据为K空间数据，也即频域数据。
本实施例中，压缩感知图像求解模型是一种包括图像变量的模型。在求解时，将图像变量的初始值代入压缩感知图像求解模型，采用迭代方式求解到图像变量的最终值。这里，图像变量的最终值即为目标数据所对应的目标压缩感知重建图像。
在应用中，可以根据应用需要采用相关技术中的任一种压缩感知图像求解模型，本实施例对于压缩感知图像求解模型的具体结构不做限制。
在一个示例中，压缩感知图像求解模型如公式(1)所示：
公式(1)中，u为图像变量，u的最优解为本实施例中的目标压缩感知重建图像；f为目标数据；ΨT代表稀疏域变换；min表示取最小值；“|| ||”表示范数，“|| ||1”表示L1范数；“|| ||2表示L2范数；TV(Total Variation)表示全变分(或者叫做全变差)；μ、λ是正则化系数，一般采用经验值。A、f的定义如下：
其中，S表示敏感度谱，Fp表示降采样及傅里叶变换，fJ表示J通道对应的磁共振压缩感知采样数据。
公式(1)中，
其中
为x方向的u的偏导数，
为y方向的u
的偏导数，偏导数也即有限差分。在一个示例中，可以采用变量分离(variable splitting)方法求解公式(1)的最优解。在公式(1)中添加辅助变量v及L2范数惩罚项，得到如下的公式(2)：
在一个示例中，可以采用迭代变量v与u的方法求取最终的最优解。将上述公式(2)带辅助变量v及L2范数惩罚项最优问题转换成两个最优子问题，分别为全变分TV问题及LS(Least Square，最小二乘)问题，如下的公式(3)和公式(4)所示：
公式(3)为全变分TV模型，即全变分最优化求解模型；公式(4)为LS模型，即最小二乘模型。公式(3)和公式(4)的组合可以作为本实施例中的压缩感知图像求解模型
在一个示例中，迭代停止条件可以是迭代次数达到预设的次数阈值。例如，设迭代次数为i(i为自然数)、次数阈值为N，则如果在一次迭代过程完成后，i<N，则继续执行下一次迭代；否则，停止迭代。
在另一个示例中，迭代停止条件可以是：本次迭代后获得的图像变量的值ui与上一次迭代后获得的图像变量的值ui-1之差的绝对值小于或等于预设差值阈值ε。如果在一次迭代过程完成后，||ui-ui-1||2＞ε，则继续执行下一次迭代；否则，停止迭代。
本实施例中，图像变量u的初始值u0可以为0，或者为非0的先验值
即初始值u0＝0或者
其中，先验值
可以是对目标数据对应的低分辨率磁共振采样数据重建得到的图像。例如，对于受检者的待检测部位进行磁共振压缩感知采样，得到数据D1，对受检者的待检测部位进行普通的磁共振采样(即非压缩感知采样)，得到数据D2，对数据D2进行重建，得到图像I2，则数据D1为目标数据，图像I2可以作为图像变量u的初始值u0。
本实施例中，滤波可以采用中值滤波、西格玛(sigma)滤波或者均值滤波等平滑滤波方式。
滤波的目的是去除图像中的指定高频信息，保留图像的中低频部分，即保留图像的主体部分。
全局振铃效应造成的图像噪声部分集在图像的高频部分，因此，通过上述滤波，可以将存在于高频中的因全局振铃效应造成的图像噪声去除。
本实施例中，更新的目的是利用滤波之前的图像或数据，以及滤波后的图像对应的数据，重新组合得到去除了全局振铃效应带来的噪声、并且保留了图像细节信息的新图像数据。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，可以包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行X维度的滤波，得到第一滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像；
对所述第一更新图像进行Y维度的滤波，得到第二滤波图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像。
本文中，X维度指x方向，Y维度指y方向。在磁共振系统中，z方向为扫描床移动方向，xy平面垂直于z方向，在xy平面中，平行于地面的方向为x方向，垂直于地面的方向为y方向。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像，可以包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第一滤波图像进行傅里叶变换，得到第一滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第一滤波数据中相应位置的数据，得到第一合并数据；
对所述第一合并数据进行傅里叶逆变换，得到第一更新图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像，可以包括：
对所述第一更新图像进行傅里叶变换，得到第二数据；或者，将所述目标数据作为第二数据；
对所述第二滤波图像进行傅里叶变换，得到第二滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第二数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第二滤波数据中相应位置的数据，得到第二合并数据；
对所述第二合并数据进行傅里叶逆变换，得到第二图像。
在本实施例中，先进行X维度的滤波和更新，再进行Y维度的滤波和更新。
本实施例中，通过对时域图像进行傅里叶变换，可以将时域图像转换为K空间数据(即频域数据)。通过对K空间数据进行傅里叶逆变换，可以将K空间数据转换为时域图像。
由于滤波将高频信息从图像中去除，虽然去除了全局振铃效应造成的噪声，但同时也滤去了图像中的细节部分，导致图像对比度下降。本实施例中，通过用目标数据或者滤波前图像对应的数据(例如前述的第一数据、第二数据)，更新采样掩码为0的数据，在滤除全局振铃效应造成的噪声之后的图像数据中，加入了代表图像细节的信息，能够提高图像对比度。
本实施例中，指定高频信息是指频率大于指定频率的信息。如果将一幅图像中的信息按照频率分为低频信息、中频信息、高频信息，则指定高频信息就是图像中的高频信息。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，可以包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行Y维度的滤波，得到第三滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像；
对所述第三更新图像进行X维度的滤波，得到第四滤波图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像，可以包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第三滤波图像进行傅里叶变换，得到第三滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第三滤波数据中相应位置的数据，得到第三合并数据；
对所述第三合并数据进行傅里叶逆变换，得到第三更新图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像，包括：
对所述第三更新图像进行傅里叶变换，得到第三数据；或者，将所述目标数据作为第三数据；
对所述第四滤波图像进行傅里叶变换，得到第四滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第三数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第四滤波数据中相应位置的数据，得到第四合并数据；
对所述第四合并数据进行傅里叶逆变换，得到第二图像。
本实施例与前述实施例一样，也实现了在滤除全局振铃效应造成的噪声之后的图像数据中，加入了代表图像细节的信息，提高图像对比度的目的。与前述实施例不同的是，本实施例先进行Y维度的滤波和更新，再进行X维度的滤波和更新。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，可以包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行二维滤波，得到第五滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像。
本实施例中，直接对图像进行二维滤波，相对于采用两次一维滤波的滤波方式，能够节约处理时间，提高处理速度。本实施例中，可以采用相关技术中的任一种二维滤波方式。
在一个示例性的实现过程中，对所述第一图像进行二维滤波，得到第五滤波图像，可以包括：
将所述第一图像输入已训练好的神经网络模型，得到所述神经网络模型输出的第二图像，所述神经网络模型用于对图像进行二维滤波。
本实施例中，利用神经网络模型进行二维滤波，能够提高处理速度。
其中，神经网络模型可以采用相关技术中的训练方法训练得到，此处不再赘述。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第五滤波图像进行傅里叶变换，得到第五滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第五滤波数据中相应位置的数据，得到第五合并数据；
对所述第五合并数据进行傅里叶逆变换，得到第二图像。
相比于前述需要进行两次傅里叶变换和两次傅里叶逆变换的实施例，本实施例只需要进行一次傅里叶变换和一次傅里叶逆变换，能够减少处理时间，提高处理速度。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，可以包括：
将所述第二图像确定为本次迭代后获得的本次迭代图像。
本实施例中，直接将滤波和更新后的图像作为本次迭代后获得的本次迭代图像，既能够去除全局振铃效应带来的噪声，又能够保持一定的处理速度，能够同时满足应用中对图像效果和处理速度的要求。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，可以包括：
获取所述目标数据对应的各个通道对应的敏感度谱；
对每一通道，根据该通道的敏感度谱和所述第二图像，确定该通道对应的子图像；
对所述子图像进行傅里叶变换，得到该通道对应的子数据；
将采样掩码为0的采样位置对应的数据更新为所述子数据中相应位置的数据，将采样掩码为1的采样位置对应的数据更新为所述目标数据中相应位置的数据，得到该通道对应的子合成数据；
对所述子合成数据进行傅里叶逆变换，得到该通道对应的更新子图像；
根据该通道对应的更新子图像和该通道的敏感度谱的共轭值，确定该通道对应的分量图像；
将所述各个通道对应的分量图像进行合成，得到本次迭代后获得的本次迭代图像。
本实施例中，在滤波和更新后，进一步利用敏感度谱对滤波和更新后的图像进行一致性更新。
通过压缩感知重建的变量分离法进行的迭代求解，使得压缩感知实际采样的K空间数据发生了变化，本实施例通过采用各通道的真实采集数据对滤波和更新后的图像对应的数据进行一致性更新，使得图像数据在去除全局振铃效应带来的噪声基础上更接近原始采集的准确数据，进一步提升了压缩感知重建图像的对比度和分辨率。
需要说明的是，本实施例是在滤波和更新之后进行一致性更新，在其他实施例中，也可以先进行一致性更新再进行滤波和更新。
下面通过示例对本发明的磁共振压缩感知重建方法作进一步详细说明。
示例一：
a，令初始值u0＝0或者
进入第一次迭代过程；
b，将初始值u0代入前述的公式(3)中，求解最优化问题，得到v1；
c，将v1代入前述的公式(4)中，求解最优化问题，得到u1′；
d，按照下面的公式(5)，对I＝u1′沿X维度进行西格玛(sigma)滤波，得到I′(x)：
e，按照下面的公式(6)，根据I′(x)还原出更新后的图像数据ui″；
ui″＝iFFT(FFT(I′(x))·(1-mask)+FFT(ui′)·mask) (6)
该公式中的u1′为前述的步骤c得到的。
本文中，FFT表示傅里叶变换，iFFT表示傅里叶逆变换。
f，按照下面的公式(7)，对步骤e中更新后的图像数据沿Y维度进行西格玛(sigma)滤波，得到I′(y)：
g，按照下面的公式(8)，根据I′(y)还原出更新后的图像数据；
ui″′＝iFFT(FFT(I′(y))·(1-mask)+FFT(ui″)·mask) (8)
该公式中的ui″为前述的步骤e得到的。
h，按照下面的公式(9)，对步骤更新后的图像数据进行一致性更新。
该公式中，mask表示采样掩码，Sj表示第j个通道的敏感度谱；conj(Sj)表示第j个通道的敏感度谱的共轭值；ch表示通道数量。
i，判断当前是否符合预设的迭代停止条件，若符合则停止迭代过程，将图像u1作为所述待重建的磁共振压缩感知采样数据的重建图像；否则执行下一次迭代，即对步骤h更新后的图像u1执行上述步骤b～h。
在其他示例中，步骤h可以在步骤c之后、步骤d之前执行。
在其他示例中，在步骤c之后，可以先执行步骤f、g，再执行步骤d、e。
在其他示例中，可以用二维滤波和更新代替上述步骤d～g。
在其他示例中，可以不包括上述步骤h。
本发明实施例提供的磁共振压缩感知重建方法，通过获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新，能够减弱压缩感知重建中全局振铃效应的影响，提高图像质量。
并且，本发明实施例提供的磁共振压缩感知重建方法，还能够提高图像对比度，从而进一步提高图像质量。
图2是本发明实施例提供的磁共振压缩感知重建装置的功能方块图。如图2所示，本实施例中，磁共振压缩感知重建装置可以包括：
获取模块210，用于获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
重建模块220，用于根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
在一个示例性的实现过程中，在迭代过程中，第1次迭代中所述压缩感知图像求解模型的图像变量的初始值为所述初始图像，第m+1次迭代中所述图像变量的初始值为第m次迭代图像，m为自然数，且m≥1；每次迭代过程包括：
根据所述目标数据和本次迭代中所述图像变量的初始值，求解所述压缩感知图像求解模型，得到第一图像；
对所述第一图像进行滤波和更新，得到第二图像；
根据所述第二图像，确定本次迭代后获得的本次迭代图像；
若当前符合预设的迭代停止条件，停止迭代，将本次迭代图像作为所述目标压缩感知重建图像；否则将所述本次迭代图像作为下次迭代中所述图像变量的初始值，执行下一次迭代。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行X维度的滤波，得到第一滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像；
对所述第一更新图像进行Y维度的滤波，得到第二滤波图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，可以包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行Y维度的滤波，得到第三滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像；
对所述第三更新图像进行X维度的滤波，得到第四滤波图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行二维滤波，得到第五滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行二维滤波，得到第五滤波图像，包括：
将所述第一图像输入已训练好的神经网络模型，得到所述神经网络模型输出的第二图像，所述神经网络模型用于对图像进行二维滤波。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第一滤波图像进行傅里叶变换，得到第一滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第一滤波数据中相应位置的数据，得到第一合并数据；
对所述第一合并数据进行傅里叶逆变换，得到第一更新图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像，包括：
对所述第一更新图像进行傅里叶变换，得到第二数据；或者，将所述目标数据作为第二数据；
对所述第二滤波图像进行傅里叶变换，得到第二滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第二数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第二滤波数据中相应位置的数据，得到第二合并数据；
对所述第二合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第三滤波图像进行傅里叶变换，得到第三滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第三滤波数据中相应位置的数据，得到第三合并数据；
对所述第三合并数据进行傅里叶逆变换，得到第三更新图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像，包括：
对所述第三更新图像进行傅里叶变换，得到第三数据；或者，将所述目标数据作为第三数据；
对所述第四滤波图像进行傅里叶变换，得到第四滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第三数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第四滤波数据中相应位置的数据，得到第四合并数据；
对所述第四合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第五滤波图像进行傅里叶变换，得到第五滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第五滤波数据中相应位置的数据，得到第五合并数据；
对所述第五合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，可以包括：
将所述第二图像确定为本次迭代后获得的本次迭代图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，可以包括：
获取所述目标数据对应的各个通道对应的敏感度谱；
对每一通道，根据该通道的敏感度谱和所述第二图像，确定该通道对应的子图像；
对所述子图像进行傅里叶变换，得到该通道对应的子数据；
将采样掩码为0的采样位置对应的数据更新为所述子数据中相应位置的数据，将采样掩码为1的采样位置对应的数据更新为所述目标数据中相应位置的数据，得到该通道对应的子合成数据；
对所述子合成数据进行傅里叶逆变换，得到该通道对应的更新子图像；
根据该通道对应的更新子图像和该通道的敏感度谱的共轭值，确定该通道对应的分量图像；
将所述各个通道对应的分量图像进行合成，得到本次迭代后获得的本次迭代图像。
本发明实施例还提供一种重建计算机。图3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3所示，重建计算机可以包括：内部总线301，以及通过内部总线连接的存储器302、处理器303和外部接口304；
所述存储器302，用于存储磁共振压缩感知重建逻辑对应的机器可读指令；
所述处理器303，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：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
在一个示例性的实现过程中，在迭代过程中，第1次迭代中所述压缩感知图像求解模型的图像变量的初始值为所述初始图像，第m+1次迭代中所述图像变量的初始值为第m次迭代图像，m为自然数，且m≥1；每次迭代过程包括：
根据所述目标数据和本次迭代中所述图像变量的初始值，求解所述压缩感知图像求解模型，得到第一图像；
对所述第一图像进行滤波和更新，得到第二图像；
根据所述第二图像，确定本次迭代后获得的本次迭代图像；
若当前符合预设的迭代停止条件，停止迭代，将本次迭代图像作为所述目标压缩感知重建图像；否则将所述本次迭代图像作为下次迭代中所述图像变量的初始值，执行下一次迭代。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行X维度的滤波，得到第一滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像；
对所述第一更新图像进行Y维度的滤波，得到第二滤波图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行Y维度的滤波，得到第三滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像；
对所述第三更新图像进行X维度的滤波，得到第四滤波图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行二维滤波，得到第五滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行二维滤波，得到第五滤波图像，包括：
将所述第一图像输入已训练好的神经网络模型，得到所述神经网络模型输出的第二图像，所述神经网络模型用于对图像进行二维滤波。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第一滤波图像进行傅里叶变换，得到第一滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第一滤波数据中相应位置的数据，得到第一合并数据；
对所述第一合并数据进行傅里叶逆变换，得到第一更新图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像，包括：
对所述第一更新图像进行傅里叶变换，得到第二数据；或者，将所述目标数据作为第二数据；
对所述第二滤波图像进行傅里叶变换，得到第二滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第二数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第二滤波数据中相应位置的数据，得到第二合并数据；
对所述第二合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第三滤波图像进行傅里叶变换，得到第三滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第三滤波数据中相应位置的数据，得到第三合并数据；
对所述第三合并数据进行傅里叶逆变换，得到第三更新图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像，包括：
对所述第三更新图像进行傅里叶变换，得到第三数据；或者，将所述目标数据作为第三数据；
对所述第四滤波图像进行傅里叶变换，得到第四滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第三数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第四滤波数据中相应位置的数据，得到第四合并数据；
对所述第四合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第五滤波图像进行傅里叶变换，得到第五滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第五滤波数据中相应位置的数据，得到第五合并数据；
对所述第五合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
将所述第二图像确定为本次迭代后获得的本次迭代图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
获取所述目标数据对应的各个通道对应的敏感度谱；
对每一通道，根据该通道的敏感度谱和所述第二图像，确定该通道对应的子图像；
对所述子图像进行傅里叶变换，得到该通道对应的子数据；
将采样掩码为0的采样位置对应的数据更新为所述子数据中相应位置的数据，将采样掩码为1的采样位置对应的数据更新为所述目标数据中相应位置的数据，得到该通道对应的子合成数据；
对所述子合成数据进行傅里叶逆变换，得到该通道对应的更新子图像；
根据该通道对应的更新子图像和该通道的敏感度谱的共轭值，确定该通道对应的分量图像；
将所述各个通道对应的分量图像进行合成，得到本次迭代后获得的本次迭代图像。
本发明实施例还提供一种磁共振系统，包括磁共振设备和重建计算机，其中：
所述磁共振设备，用于对受检者进行磁共振扫描，获得磁共振压缩感知采样数据；
所述重建计算机，用于：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
在一个示例性的实现过程中，在迭代过程中，第1次迭代中所述压缩感知图像求解模型的图像变量的初始值为所述初始图像，第m+1次迭代中所述图像变量的初始值为第m次迭代图像，m为自然数，且m≥1；每次迭代过程包括：
根据所述目标数据和本次迭代中所述图像变量的初始值，求解所述压缩感知图像求解模型，得到第一图像；
对所述第一图像进行滤波和更新，得到第二图像；
根据所述第二图像，确定本次迭代后获得的本次迭代图像；
若当前符合预设的迭代停止条件，停止迭代，将本次迭代图像作为所述目标压缩感知重建图像；否则将所述本次迭代图像作为下次迭代中所述图像变量的初始值，执行下一次迭代。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行X维度的滤波，得到第一滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像；
对所述第一更新图像进行Y维度的滤波，得到第二滤波图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行Y维度的滤波，得到第三滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像；
对所述第三更新图像进行X维度的滤波，得到第四滤波图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行二维滤波，得到第五滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行二维滤波，得到第五滤波图像，包括：
将所述第一图像输入已训练好的神经网络模型，得到所述神经网络模型输出的第二图像，所述神经网络模型用于对图像进行二维滤波。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第一滤波图像进行傅里叶变换，得到第一滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第一滤波数据中相应位置的数据，得到第一合并数据；
对所述第一合并数据进行傅里叶逆变换，得到第一更新图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像，包括：
对所述第一更新图像进行傅里叶变换，得到第二数据；或者，将所述目标数据作为第二数据；
对所述第二滤波图像进行傅里叶变换，得到第二滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第二数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第二滤波数据中相应位置的数据，得到第二合并数据；
对所述第二合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第三滤波图像进行傅里叶变换，得到第三滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第三滤波数据中相应位置的数据，得到第三合并数据；
对所述第三合并数据进行傅里叶逆变换，得到第三更新图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像，包括：
对所述第三更新图像进行傅里叶变换，得到第三数据；或者，将所述目标数据作为第三数据；
对所述第四滤波图像进行傅里叶变换，得到第四滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第三数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第四滤波数据中相应位置的数据，得到第四合并数据；
对所述第四合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第五滤波图像进行傅里叶变换，得到第五滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第五滤波数据中相应位置的数据，得到第五合并数据；
对所述第五合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
将所述第二图像确定为本次迭代后获得的本次迭代图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
获取所述目标数据对应的各个通道对应的敏感度谱；
对每一通道，根据该通道的敏感度谱和所述第二图像，确定该通道对应的子图像；
对所述子图像进行傅里叶变换，得到该通道对应的子数据；
将采样掩码为0的采样位置对应的数据更新为所述子数据中相应位置的数据，将采样掩码为1的采样位置对应的数据更新为所述目标数据中相应位置的数据，得到该通道对应的子合成数据；
对所述子合成数据进行傅里叶逆变换，得到该通道对应的更新子图像；
根据该通道对应的更新子图像和该通道的敏感度谱的共轭值，确定该通道对应的分量图像；
将所述各个通道对应的分量图像进行合成，得到本次迭代后获得的本次迭代图像。
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：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
在一个示例性的实现过程中，在迭代过程中，第1次迭代中所述压缩感知图像求解模型的图像变量的初始值为所述初始图像，第m+1次迭代中所述图像变量的初始值为第m次迭代图像，m为自然数，且m≥1；每次迭代过程包括：
根据所述目标数据和本次迭代中所述图像变量的初始值，求解所述压缩感知图像求解模型，得到第一图像；
对所述第一图像进行滤波和更新，得到第二图像；
根据所述第二图像，确定本次迭代后获得的本次迭代图像；
若当前符合预设的迭代停止条件，停止迭代，将本次迭代图像作为所述目标压缩感知重建图像；否则将所述本次迭代图像作为下次迭代中所述图像变量的初始值，执行下一次迭代。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行X维度的滤波，得到第一滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像；
对所述第一更新图像进行Y维度的滤波，得到第二滤波图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行Y维度的滤波，得到第三滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像；
对所述第三更新图像进行X维度的滤波，得到第四滤波图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行二维滤波，得到第五滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像。
在一个示例性的实现过程中，对所述第一图像进行二维滤波，得到第五滤波图像，包括：
将所述第一图像输入已训练好的神经网络模型，得到所述神经网络模型输出的第二图像，所述神经网络模型用于对图像进行二维滤波。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第一滤波图像进行傅里叶变换，得到第一滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第一滤波数据中相应位置的数据，得到第一合并数据；
对所述第一合并数据进行傅里叶逆变换，得到第一更新图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像，包括：
对所述第一更新图像进行傅里叶变换，得到第二数据；或者，将所述目标数据作为第二数据；
对所述第二滤波图像进行傅里叶变换，得到第二滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第二数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第二滤波数据中相应位置的数据，得到第二合并数据；
对所述第二合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第三滤波图像进行傅里叶变换，得到第三滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第三滤波数据中相应位置的数据，得到第三合并数据；
对所述第三合并数据进行傅里叶逆变换，得到第三更新图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像，包括：
对所述第三更新图像进行傅里叶变换，得到第三数据；或者，将所述目标数据作为第三数据；
对所述第四滤波图像进行傅里叶变换，得到第四滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第三数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第四滤波数据中相应位置的数据，得到第四合并数据；
对所述第四合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第五滤波图像进行傅里叶变换，得到第五滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第五滤波数据中相应位置的数据，得到第五合并数据；
对所述第五合并数据进行傅里叶逆变换，得到第二图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
将所述第二图像确定为本次迭代后获得的本次迭代图像。
在一个示例性的实现过程中，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
获取所述目标数据对应的各个通道对应的敏感度谱；
对每一通道，根据该通道的敏感度谱和所述第二图像，确定该通道对应的子图像；
对所述子图像进行傅里叶变换，得到该通道对应的子数据；
将采样掩码为0的采样位置对应的数据更新为所述子数据中相应位置的数据，将采样掩码为1的采样位置对应的数据更新为所述目标数据中相应位置的数据，得到该通道对应的子合成数据；
对所述子合成数据进行傅里叶逆变换，得到该通道对应的更新子图像；
根据该通道对应的更新子图像和该通道的敏感度谱的共轭值，确定该通道对应的分量图像；
将所述各个通道对应的分量图像进行合成，得到本次迭代后获得的本次迭代图像。
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 (14)
1.一种磁共振压缩感知重建方法，其特征在于，包括：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
2.根据权利要求1所述的方法，其特征在于，在迭代过程中，第1次迭代中所述压缩感知图像求解模型的图像变量的初始值为所述初始图像，第m+1次迭代中所述图像变量的初始值为第m次迭代图像，m为自然数，且m≥1，每次迭代过程包括：
根据所述目标数据和本次迭代中所述图像变量的初始值，求解所述压缩感知图像求解模型，得到第一图像；
对所述第一图像进行滤波和更新，得到第二图像；
根据所述第二图像，确定本次迭代后获得的本次迭代图像；
若当前符合预设的迭代停止条件，停止迭代，将本次迭代图像作为所述目标压缩感知重建图像；否则将所述本次迭代图像作为下次迭代中所述图像变量的初始值，执行下一次迭代。
3.根据权利要求2所述的方法，其特征在于，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行X维度的滤波，得到第一滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像；
对所述第一更新图像进行Y维度的滤波，得到第二滤波图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像。
4.根据权利要求2所述的方法，其特征在于，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行Y维度的滤波，得到第三滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像；
对所述第三更新图像进行X维度的滤波，得到第四滤波图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像。
5.根据权利要求2所述的方法，其特征在于，对所述第一图像进行滤波和更新，得到第二图像，包括：
获取所述目标数据对应的采样掩码；
对所述第一图像进行二维滤波，得到第五滤波图像；
根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像。
6.根据权利要求5所述的方法，其特征在于，对所述第一图像进行二维滤波，得到第五滤波图像，包括：
将所述第一图像输入已训练好的神经网络模型，得到所述神经网络模型输出的第二图像，所述神经网络模型用于对图像进行二维滤波。
7.根据权利要求3所述的方法，其特征在于，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第一滤波图像，确定第一更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第一滤波图像进行傅里叶变换，得到第一滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第一滤波数据中相应位置的数据，得到第一合并数据；
对所述第一合并数据进行傅里叶逆变换，得到第一更新图像；
根据所述第一更新图像或所述目标数据，以及所述采样掩码和所述第二滤波图像，确定第二图像，包括：
对所述第一更新图像进行傅里叶变换，得到第二数据；或者，将所述目标数据作为第二数据；
对所述第二滤波图像进行傅里叶变换，得到第二滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第二数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第二滤波数据中相应位置的数据，得到第二合并数据；
对所述第二合并数据进行傅里叶逆变换，得到第二图像。
8.根据权利要求4所述的方法，其特征在于，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第三滤波图像，确定第三更新图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第三滤波图像进行傅里叶变换，得到第三滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第三滤波数据中相应位置的数据，得到第三合并数据；
对所述第三合并数据进行傅里叶逆变换，得到第三更新图像；
根据所述第三更新图像或所述目标数据，以及所述采样掩码和所述第四滤波图像，确定第二图像，包括：
对所述第三更新图像进行傅里叶变换，得到第三数据；或者，将所述目标数据作为第三数据；
对所述第四滤波图像进行傅里叶变换，得到第四滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第三数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第四滤波数据中相应位置的数据，得到第四合并数据；
对所述第四合并数据进行傅里叶逆变换，得到第二图像。
9.根据权利要求5所述的方法，其特征在于，根据所述第一图像或所述目标数据，以及所述采样掩码和所述第五滤波图像，确定第二图像，包括：
对所述第一图像进行傅里叶变换，得到第一数据；或者，将所述目标数据作为第一数据；
对所述第五滤波图像进行傅里叶变换，得到第五滤波数据；
将采样掩码为1的采样位置对应的数据更新为所述第一数据中相应位置的数据，将所述采样掩码为0的采样位置对应的数据更新为所述第五滤波数据中相应位置的数据，得到第五合并数据；
对所述第五合并数据进行傅里叶逆变换，得到第二图像。
10.根据权利要求2所述的方法，其特征在于，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
将所述第二图像确定为本次迭代后获得的本次迭代图像。
11.根据权利要求2所述的方法，其特征在于，根据所述第二图像，确定本次迭代后获得的本次迭代图像，包括：
获取所述目标数据对应的各个通道对应的敏感度谱；
对每一通道，根据该通道的敏感度谱和所述第二图像，确定该通道对应的子图像；
对所述子图像进行傅里叶变换，得到该通道对应的子数据；
将采样掩码为0的采样位置对应的数据更新为所述子数据中相应位置的数据，将采样掩码为1的采样位置对应的数据更新为所述目标数据中相应位置的数据，得到该通道对应的子合成数据；
对所述子合成数据进行傅里叶逆变换，得到该通道对应的更新子图像；
根据该通道对应的更新子图像和该通道的敏感度谱的共轭值，确定该通道对应的分量图像；
将所述各个通道对应的分量图像进行合成，得到本次迭代后获得的本次迭代图像。
12.一种磁共振压缩感知重建装置，其特征在于，包括：
获取模块，用于获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
重建模块，用于根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
13.一种重建计算机，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；
所述存储器，用于存储磁共振压缩感知重建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：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
14.一种磁共振系统，其特征在于，包括磁共振设备和重建计算机，其中：
所述磁共振设备，用于对受检者进行磁共振扫描，获得磁共振压缩感知采样数据；
所述重建计算机，用于：
获取目标数据和预设的包括图像变量的压缩感知图像求解模型，以及获取初始图像，作为所述图像变量的初始值；所述目标数据为待重建的磁共振压缩感知采样数据；
根据所述目标数据和所述初始图像，通过迭代方式求解所述压缩感知图像求解模型，得到所述目标数据对应的目标压缩感知重建图像，其中，在每次迭代过程中，对所述压缩感知图像求解模型的结果进行滤波和更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010955261.4A CN112213674B (zh) | 2020-09-11 | 2020-09-11 | 磁共振压缩感知重建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010955261.4A CN112213674B (zh) | 2020-09-11 | 2020-09-11 | 磁共振压缩感知重建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112213674A true CN112213674A (zh) | 2021-01-12 |
| CN112213674B CN112213674B (zh) | 2023-03-21 |
Family
ID=74050346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010955261.4A Active CN112213674B (zh) | 2020-09-11 | 2020-09-11 | 磁共振压缩感知重建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112213674B (zh) |
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103675737A (zh) * | 2013-12-06 | 2014-03-26 | 清华大学 | 扩散磁共振成像和重建方法 |
| US20150187052A1 (en) * | 2012-06-18 | 2015-07-02 | University Health Network | Method and system for compressed sensing image reconstruction |
| CN104899906A (zh) * | 2015-06-12 | 2015-09-09 | 南方医科大学 | 基于自适应正交基的磁共振图像重建方法 |
| US20150287223A1 (en) * | 2014-04-04 | 2015-10-08 | The Board Of Trustees Of The University Of Illinois | Highly accelerated imaging and image reconstruction using adaptive sparsifying transforms |
| US20170053402A1 (en) * | 2014-04-30 | 2017-02-23 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging device and method for generating magnetic resonance image |
| CN106530258A (zh) * | 2016-11-22 | 2017-03-22 | 哈尔滨工业大学 | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 |
| US20170084025A1 (en) * | 2015-09-21 | 2017-03-23 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
| CN106618571A (zh) * | 2016-11-16 | 2017-05-10 | 深圳先进技术研究院 | 一种磁共振成像方法和系统 |
| CN106997034A (zh) * | 2017-04-25 | 2017-08-01 | 清华大学 | 基于以高斯模型为实例整合重建的磁共振扩散成像方法 |
| CN108287325A (zh) * | 2018-01-03 | 2018-07-17 | 上海东软医疗科技有限公司 | 一种图像重建方法、装置及设备 |
| CN108283495A (zh) * | 2017-12-14 | 2018-07-17 | 中国科学院深圳先进技术研究院 | 基于两层紧框架稀疏模型的并行磁共振成像方法、装置及计算机可读介质 |
| CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
| CN108717717A (zh) * | 2018-04-23 | 2018-10-30 | 东南大学 | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 |
| CN108896943A (zh) * | 2018-05-10 | 2018-11-27 | 上海东软医疗科技有限公司 | 一种磁共振定量成像方法和装置 |
| CN109171727A (zh) * | 2018-09-20 | 2019-01-11 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
| 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 |
| US20190147589A1 (en) * | 2017-11-10 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
| US20190172230A1 (en) * | 2017-12-06 | 2019-06-06 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
| US20190213761A1 (en) * | 2016-09-01 | 2019-07-11 | The General Hospital Corporation | System and method for automated transform by manifold approximation |
| US20190257905A1 (en) * | 2018-02-20 | 2019-08-22 | The Board Of Trustees Of The Leland Stanford Junior University | Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering |
| CN110161442A (zh) * | 2018-02-12 | 2019-08-23 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、医学设备及存储介质 |
| CN110490947A (zh) * | 2019-07-19 | 2019-11-22 | 中国科学院深圳先进技术研究院 | 核磁共振图像重建方法、装置、存储介质及终端设备 |
| CN110717958A (zh) * | 2019-10-12 | 2020-01-21 | 深圳先进技术研究院 | 一种图像重建方法、装置、设备及介质 |
| CN110766769A (zh) * | 2019-10-23 | 2020-02-07 | 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 |
| CN111025210A (zh) * | 2019-12-20 | 2020-04-17 | 东软医疗系统股份有限公司 | 磁共振成像方法、装置、电子设备、存储介质 |
| CN111257809A (zh) * | 2020-01-23 | 2020-06-09 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及医疗设备 |
| US20200278410A1 (en) * | 2019-03-01 | 2020-09-03 | Siemens Healthcare Gmbh | Image reconstruction using a colored noise model with magnetic resonance compressed sensing |
| US20200279413A1 (en) * | 2019-03-01 | 2020-09-03 | Canon Medical Systems Corporation | Method and apparatus for adaptive compressed sensing (cs) to correct motion artifacts in magnetic resonance imaging (mri) |
-
2020
- 2020-09-11 CN CN202010955261.4A patent/CN112213674B/zh active Active
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150187052A1 (en) * | 2012-06-18 | 2015-07-02 | University Health Network | Method and system for compressed sensing image reconstruction |
| CN103675737A (zh) * | 2013-12-06 | 2014-03-26 | 清华大学 | 扩散磁共振成像和重建方法 |
| US20150287223A1 (en) * | 2014-04-04 | 2015-10-08 | The Board Of Trustees Of The University Of Illinois | Highly accelerated imaging and image reconstruction using adaptive sparsifying transforms |
| US20170053402A1 (en) * | 2014-04-30 | 2017-02-23 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging device and method for generating magnetic resonance image |
| CN104899906A (zh) * | 2015-06-12 | 2015-09-09 | 南方医科大学 | 基于自适应正交基的磁共振图像重建方法 |
| US20170084025A1 (en) * | 2015-09-21 | 2017-03-23 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
| US20190213761A1 (en) * | 2016-09-01 | 2019-07-11 | The General Hospital Corporation | System and method for automated transform by manifold approximation |
| CN106618571A (zh) * | 2016-11-16 | 2017-05-10 | 深圳先进技术研究院 | 一种磁共振成像方法和系统 |
| CN106530258A (zh) * | 2016-11-22 | 2017-03-22 | 哈尔滨工业大学 | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 |
| CN106997034A (zh) * | 2017-04-25 | 2017-08-01 | 清华大学 | 基于以高斯模型为实例整合重建的磁共振扩散成像方法 |
| US20190147589A1 (en) * | 2017-11-10 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
| US20190172230A1 (en) * | 2017-12-06 | 2019-06-06 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
| CN108283495A (zh) * | 2017-12-14 | 2018-07-17 | 中国科学院深圳先进技术研究院 | 基于两层紧框架稀疏模型的并行磁共振成像方法、装置及计算机可读介质 |
| CN108287325A (zh) * | 2018-01-03 | 2018-07-17 | 上海东软医疗科技有限公司 | 一种图像重建方法、装置及设备 |
| CN110161442A (zh) * | 2018-02-12 | 2019-08-23 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、医学设备及存储介质 |
| US20190257905A1 (en) * | 2018-02-20 | 2019-08-22 | The Board Of Trustees Of The Leland Stanford Junior University | Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering |
| CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
| CN108717717A (zh) * | 2018-04-23 | 2018-10-30 | 东南大学 | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 |
| CN108896943A (zh) * | 2018-05-10 | 2018-11-27 | 上海东软医疗科技有限公司 | 一种磁共振定量成像方法和装置 |
| 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 |
| CN109171727A (zh) * | 2018-09-20 | 2019-01-11 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
| US20200278410A1 (en) * | 2019-03-01 | 2020-09-03 | Siemens Healthcare Gmbh | Image reconstruction using a colored noise model with magnetic resonance compressed sensing |
| US20200279413A1 (en) * | 2019-03-01 | 2020-09-03 | Canon Medical Systems Corporation | Method and apparatus for adaptive compressed sensing (cs) to correct motion artifacts in magnetic resonance imaging (mri) |
| CN110490947A (zh) * | 2019-07-19 | 2019-11-22 | 中国科学院深圳先进技术研究院 | 核磁共振图像重建方法、装置、存储介质及终端设备 |
| CN110717958A (zh) * | 2019-10-12 | 2020-01-21 | 深圳先进技术研究院 | 一种图像重建方法、装置、设备及介质 |
| CN110766769A (zh) * | 2019-10-23 | 2020-02-07 | 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 |
| CN111025210A (zh) * | 2019-12-20 | 2020-04-17 | 东软医疗系统股份有限公司 | 磁共振成像方法、装置、电子设备、存储介质 |
| CN111257809A (zh) * | 2020-01-23 | 2020-06-09 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及医疗设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112213674B (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10859657B2 (en) | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model | |
| CN111081354B (zh) | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 | |
| KR101627394B1 (ko) | 자화율 가중 이미징 및 자화율 매핑(ｓｗｉｍ)을 이용한 핵 자기 공명 영상 생성 방법 | |
| CN104569880B (zh) | 一种磁共振快速成像方法及系统 | |
| Bao et al. | Undersampled MR image reconstruction using an enhanced recursive residual network | |
| CN108287324B (zh) | 磁共振多对比度图像的重建方法和装置 | |
| CN102217934A (zh) | 磁共振成像方法及系统 | |
| CN108776318B (zh) | 磁共振多对比度图像重建 | |
| CN104899906B (zh) | 基于自适应正交基的磁共振图像重建方法 | |
| CN110942496B (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
| CN105118078A (zh) | 欠采样的ct图像重建方法 | |
| CN117611453A (zh) | 一种核磁共振图像超分辨率恢复方法及模型构建方法 | |
| CN108596995B (zh) | 一种pet-mri最大后验联合重建方法 | |
| CN115294229A (zh) | 用于重建磁共振成像（mri）图像的方法及设备 | |
| Li et al. | An adaptive directional Haar framelet-based reconstruction algorithm for parallel magnetic resonance imaging | |
| CN117576240A (zh) | 基于双域Transformer的磁共振图像重建方法 | |
| CN113509165A (zh) | 基于CAR2UNet网络的复数快速磁共振成像方法 | |
| WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
| CN112213674B (zh) | 磁共振压缩感知重建方法及装置 | |
| CN116626570A (zh) | 多对比度mri采样和图像重建 | |
| CN111311531A (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
| CN116203486A (zh) | 用于mri数据处理的系统和方法 | |
| Inam et al. | De-noising multi-coil magnetic resonance imaging using patch-based adaptive filtering in wavelet domain | |
| CN110942491B (zh) | 基于块稀疏统计预测的pet-mri多模态联合重建方法 | |
| KR102514804B1 (ko) | 비지도 학습 기반 자기 공명 영상 처리 방법 및 그 장치 |
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 |