CN112370040B - 磁共振成像方法、装置、存储介质及电子设备 - Google Patents
磁共振成像方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112370040B CN112370040B CN202011270981.3A CN202011270981A CN112370040B CN 112370040 B CN112370040 B CN 112370040B CN 202011270981 A CN202011270981 A CN 202011270981A CN 112370040 B CN112370040 B CN 112370040B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter quantitative
- space
- feature data
- space feature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 118
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 42
- 230000002093 peripheral effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 238000002592 echocardiography Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 25
- 210000004185 liver Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 206010006322 Breath holding Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Abstract
本公开涉及一种磁共振成像方法、装置、存储介质及电子设备，以减少磁共振成像过程的数据采集时间，实现更快速的磁共振成像，提高磁共振成像质量。该磁共振成像方法包括：基于三维扰相梯度回波序列，且通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据；将降采样K空间特征数据输入多参数定量网络模型，所述多参数定量网络模型基于所述降采样K空间特征数据重建得到不同对比度的完整K空间特征数据对应的图像，根据所述完整K空间特征数据对应的图像得到多个参数定量图像；将多参数定量网络模型输出的多个参数定量图像确定为磁共振成像结果。
Description
技术领域
本公开涉及医学成像技术领域，具体地，涉及一种磁共振成像方法、装置、存储介质及电子设备。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)是现代医学影像中主要的成像方式之一，其基本工作原理是利用磁共振现象，采用激发被检测对象中的氢质子，利用梯度场进行位置编码，随后使用接收线圈接收带位置信息的信号，最终通过傅里叶变换重建出图像信息。其中，磁共振定量成像可以将一些生理指标由传统的对比度变为定量值描述，从而进行量化评价。
但是，磁共振定量成像方法需要采集一系列的数据，例如多回波、多翻转角度或者多期相等，然后用采集到的数据去拟合信号模型继而得到定量值，通常需要较长的采集时间，即采集时间会超过被检测对象一次屏息的时间，导致成像结果容易产生呼吸运动伪影，进而影响成像质量。
发明内容
本公开的目的是提供一种磁共振成像方法、装置、存储介质及电子设备，以提供一种新的磁共振成像方式。
为了实现上述目的，第一方面，本公开提供一种磁共振成像方法，所述方法包括：
基于三维扰相梯度回波序列，且通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据；
将所述降采样K空间特征数据输入多参数定量网络模型，所述多参数定量网络模型基于所述降采样K空间特征数据重建得到不同对比度的完整K空间特征数据对应的图像，根据所述完整K空间特征数据对应的图像得到多个参数定量图像；
将所述多参数定量网络模型输出的多个参数定量图像确定为磁共振成像结果。
可选地，所述三维扰相梯度回波序列包括不同的翻转角分别连接的多个梯度回波，所述多个梯度回波为双极性梯度回波。
可选地，所述多参数定量网络模型包括多对比度图像重建模块和多参数定量图像重建模块，所述多对比度图像重建模块的输出结果用于输入所述多参数定量图像重建模块中进行图像重建。
可选地，所述通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据，包括：
在预设数据中心区域进行满采样，以采集所述预设数据中心区域的所有特征数据；
在预设数据外周区域进行交错采样，以采集所述预设数据外周区域的部分特征数据。
可选地，所述在所述预设数据外周区域进行交错采样，包括：
对所述预设数据外周区域中的数据行进行交错采样，以使每一个所述梯度回波采集不同的所述数据行。
可选地，所述交错采样的采样轨迹是通过如下方式确定的：
将预设采样轨迹作为初始的目标采样轨迹，执行以下处理：
基于每一次确定的目标采样轨迹对样本满采样K空间特征数据进行降采样，以得到样本降采样K空间特征数据，并将所述样本降采样K空间特征数据输入所述多参数定量网络模型；
根据所述多参数定量网络模型的输出结果调整所述目标采样轨迹，并将调整后的所述目标采样轨迹确定为新的目标采样轨迹，直到所述多参数定量网络模型的输出结果满足预设条件；
将所述多参数定量网络模型的输出结果满足预设条件时的目标采样轨迹确定为所述交错采样的采样轨迹。
可选地，所述多对比度图像重建模块包括第一卷积神经网络和第二卷积神经网络；
所述第一卷积神经网络用于对输入的降采样K空间特征数据进行处理，以得到对应的完整K空间特征数据，并将所述完整K空间特征数据进行傅里叶变换和通道合并之后的图像域数据输入所述第二卷积神经网络；
所述第二卷积神经网络用于对所述图像域数据进行处理，以输出所述完整K空间特征数据对应的图像。
可选地，所述多对比度图像重建模块还包括第一约束模块，所述第一约束模块用于根据所述降采样K空间特征数据，修正所述第一卷积神经网络得到的所述完整K空间特征数据；
所述第二卷积神经网络用于对修正后的所述完整K空间特征数据对应的图像域数据进行处理，以输出修正后的所述完整K空间特征数据对应的图像。
可选地，所述多参数定量图像重建模块包括深度特征拟合模块和第二约束模块；
所述深度特征拟合模块用于根据所述多对比度图像重建模块输出的所述完整K空间对应的图像进行图像重建，以生成多个参数定量图像；
所述第二约束模块用于针对每一所述参数定量图像，根据该参数定量图像对应的总变分，对该参数定量图像进行加权的总变分最小化约束，以根据约束后的所述多参数定量图像确定所述磁共振成像结果。
可选地，所述多参数定量网络模型还包括迭代反馈模块，所述迭代反馈模块用于：
基于所述多参数定量图像重建模块输出的多参数定量图像和场图、以及预先采集的线圈敏感度分布图，根据磁共振信号物理模型，确定K空间重建数据，所述场图用于表征磁共振主磁场B0场分布的均匀程度；
根据所述降采样K空间特征数据，修正所述K空间重建数据，并将修正后的所述K空间重建数据输入所述多参数定量网络模型进行迭代处理，直到迭代次数达到预设迭代次数。
可选地，所述多参数定量网络模型的训练过程包括：
根据样本降采样K空间特征数据和样本满采样K空间特征数据进行傅里叶变换和通道合并之后得到的第一样本图像，训练所述多对比度图像重建模块；
根据训练后的所述多对比度图像重建模块输出的第二样本图像和所述第一样本图像对应的多个样本参数定量图像，训练所述多参数定量图像重建模块；
根据所述样本降采样K空间特征数据和所述第一样本图像对应的多个样本参数定量图像，将训练后的所述多对比度图像重建模块、训练后的所述多参数定量图像重建模块和所述迭代反馈模块作为整体进行端到端训练。
可选地，所述方法还包括：
基于实体定量水膜仿体的扫描数据获取满采样K空间特征数据，并根据所述满采样K空间特征数据生成样本降采样K空间特征数据、所述第一样本图像、所述样本参数定量图像和所述线圈敏感度分布图；和/或
基于人体扫描数据获取满采样K空间数据，并根据所述满采样K空间特征数据生成所述样本降采样K空间特征数据、所述第一样本图像、所述样本参数定量图像和所述线圈敏感度分布图。
第二方面，本公开还提供一种磁共振成像装置，所述装置包括：
采集模块，用于基于三维扰相梯度回波序列，且通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据；
输入模块，用于将所述降采样K空间特征数据输入多参数定量网络模型，所述多参数定量网络模型基于所述降采样K空间特征数据重建得到不同对比度的完整K空间特征数据对应的图像，根据所述完整K空间特征数据对应的图像得到多个参数定量图像；
确定模块，用于将所述多参数定量网络模型输出的多个参数定量图像确定为磁共振成像结果。
第三方面，本公开还提供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第一方面中任一项所述方法的步骤。
第四方面，本公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面中任一项所述方法的步骤。
通过上述技术方案，由于采用K空间变密度交错降采样的方式，因此相较于相关技术中对K空间所有数据行进行数据采集的方式，可以减少数据采集时间，使得成像过程可在一次屏息时间内完成，避免呼吸运动引入的误差，提高磁共振成像质量。并且，一次性可以生成多个参数定量图像，在结合多个参数定量图像进行分析的过程中可以避免由于参数定量图像来源不同而导致的无法准确进行层面匹配的问题，在提高重建速度的同时，提升成像质量。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种磁共振成像方法的流程图；
图2是根据本公开一示例性实施例示出的一种磁共振成像方法中三维扰相梯度回波序列的示意图；
图3是根据本公开一示例性实施例示出的一种磁共振成像方法中多参数定量网络模型的示意图；
图4是根据本公开一示例性实施例示出的一种磁共振成像装置的框图；
图5是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
磁共振成像，由于其具有无辐射危害、有较高空间分辨率的优势，并且能够对肝脏疾病进行组织结构形态和生理指标的分析，可为肝脏良恶性结节以及肿瘤等病理鉴别提供重要依据。因此，其在肝脏部位的应用技术研究已成为目前磁共振成像领域一项重要的研究热点。在用磁共振进行肝脏成像的技术当中，普通的T1加权和T2加权通常可以反映肝脏的组织形态差异，但是难以对肝脏功能进行量化分析，而磁共振定量成像则可以将一些生理指标由传统的对比度变为定量值描述，进而可以用于肝功能的量化评价。
发明人根据文献研究发现，磁共振定量成像方法需要采集一系列的数据，例如多回波、多翻转角度或者多期相等，然后用采集到的数据去拟合信号模型继而得到定量值，而能够满足临床诊断要求的高分辨率三维磁共振全肝定量成像通常需要较长的采集时间，这会使得被检测对象屏气不足从而导致成像结果产生呼吸运动伪影，进而导致成像质量降低。
发明人根据文献研究还发现，相关技术中存在一些加速肝脏T1定量成像的方法。虽然这些方法可以实现快速可靠的肝脏T1定量成像，但是尚且不足以在一次屏息时间内进行全肝高分辨率定量成像，并且在结合其他定量参数成像时会存在图像联合分析过程中无法准确进行层面匹配的问题。此外，相关技术还存在一种较为先进的肝脏磁共振多参数定量成像方法，该方法采用一个基于多翻转角、多回波的三维梯度回波序列，其中该序列由两个不同的翻转角分别连接的6个梯度回波采集组成，然后再通过序列参数优化以及基于压缩感知的数据降采样和图像重建实现通过一次屏息时间内的扫描获得全肝多个定量参数图的成像结果。但是，此种方法获得的磁共振图像的分辨率较低，并且由于采用压缩感知重建框架进行迭代重建，重建时间较长。
有鉴于此，本公开提供一种磁共振成像方法、装置、存储介质及电子设备，以提供一种新的磁共振成像方法，在加速数据采集的情况下，实现多个定量参数图像的快速重建，并且保证成像质量。
首先说明本公开实施例中用于磁共振成像的磁共振系统。
示例地，该磁共振系统可以包括磁共振设备、显示操作设备和数据处理器。其中，磁共振设备可以包括磁体、梯度线圈和射频线圈。磁体产生用于将被检测对象(可以是人或动物，或者人或动物的部位)中的原子核的磁偶极矩的方向调整为恒定方向的静磁场。梯度线圈包括用于沿着彼此相交成直角的X轴方向、Y轴方向和Z轴方向产生磁场梯度的X线圈、Y线圈和Z线圈。梯度线圈可通过根据被检测对象的区域而不同地诱导共振频率来提供被检测对象的空间定位信息。具体的，可以用一个方向的梯度磁场作为层面选择梯度，确定扫描层面，然后用另外两个方向的梯度磁场来确定层面内的坐标位置，通过三个梯度磁场的不同组合，可以实现任意层面断层成像。
射频线圈可向被检测对象发送RF(射频)信号，并采集从检测对象发射的MR(磁共振)数据。具体的，射频线圈113产生具有与原子核的类型相应的RF信号，并且将RF信号施加到被检测对象，使得检测对象的原子核从低能态跃迁到高能态。当由射频线圈113产生的RF信号消失时，原子核从高能态跃迁到低能态，由此发射具有拉莫尔频率的电磁波(MR信号)。也即是说，当停止向检测对象施加RF信号时，检测对象的原子核能级从高能级改变到低能级，因此发射具有拉莫尔频率的电磁波，此时射频线圈可采集MR数据。数据处理器可对射频线圈采集的MR数据进行处理，以重建成图像。显示操作设备可显示数据处理器重建的图像。
图1是根据本公开一示例性实施例示出的一种磁共振成像方法的流程图。参照图1，该磁共振成像方法可以应用于磁共振系统中的数据处理器，包括以下步骤：
步骤101，通过三维扰相梯度回波序列，且通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据。
应当理解的是，在磁共振成像过程中，需要将采集的MR(磁共振)数据映射到K空间，也即将原始采集的MR数据(时间域数据)映射到频率域，然后对K空间进行傅里叶变换，即可得到重建图像。在本公开实施例中，可以通过三维扰相梯度回波序列(3D-SPGR序列)作为扫描序列对被检测对象进行扫描，然后将扫描过程中采集到的MR数据映射到K空间，以得到不同对比度的初始K空间数据。
示例地，该三维扰相梯度回波序列包括不同的翻转角分别连接的多个梯度回波，多个梯度回波为双极性梯度回波。例如，参照图2，三维扰相梯度回波序列可以包括由2个不同的翻转角(FA1和FA2)分别连接的6个梯度回波，即可以包括12个梯度回波，且每个梯度回波可以采用连续的双极性梯度模式来进行连续多个梯度回波的信号采集，即每个梯度回波为正负翻转的双极性梯度回波，以此达到信噪比和采集效率的平衡。并且，可以在2个翻转角对应的梯度回波序列采集之间设置若干个无相位编码和读出编码的射频脉冲(即空扫描)，以消除不同翻转角之间的信号干扰，进而获得不同翻转角对应的信号磁化矢量稳态之间的平稳切换。此外，为了便于T1定量参数图的计算，可以将2个不同翻转角度对应的扫描序列的有效回波时间(TE)和重复时间(TR)设置成完全相同。并且，可以采用非对称脉冲的形式来缩短回波TE时间，以获得较高信噪比的回波信号。
相关技术中每个梯度回波最终会对应采集K空间数据中的所有数据行，因此采集时间较长。在本公开实施例中可以通过K空间变密度交错采样的方式进行降采样，比如在K空间中基于中间密、外周稀疏的变密度采集方式进行降采样，且在回波维度交错降采样，不是针对所有数据行均进行采样，以减少数据采集时间。
步骤102，将降采样K空间特征数据输入多参数定量网络模型。该多参数定量网络模型基于降采样K空间特征数据重建得到不同对比度的完整K空间特征数据对应的图像，根据完整K空间特征数据对应的图像得到多个参数定量图像。
示例地，多参数定量网络模型可以包括多对比度图像重建模块和多参数定量图像重建模块，该多对比度图像重建模块的输出结果用于输入多参数定量图像重建模块中进行图像重建。其中，多对比度图像重建模块用于对输入的降采样K空间特征数据进行数据处理，以输出将该降采样K空间特征数据对应的完整K空间特征数据进行傅里叶变换和通道合并之后的图像。比如三维扰相梯度回波序列包括由2个不同的翻转角分别连接的6个梯度回波，则多对比度图像重建模块的输入为对12个回波多通道三维K空间数据进行降采样所得的数据(即降采样K空间特征数据)，经过数据处理之后，可输出以12个回波多通道三维K空间满采样数据(即降采样K空间特征数据对应的完整K空间特征数据)进行傅里叶变换和通道合并之后的图像。其中，通道对应于磁共振成像系统中相控阵线圈的线圈单元，各个线圈单元可同时采集数据形成多通道数据。
示例地，多参数定量图像重建模块以多对比度图像重建模块输出的图像作为输入，以多个参数定量图像作为输出。其中，该多个参数定量图像可以包括T1定量分布图、定量磁敏感图(QSM)、横向弛豫率(R2*)分布图、以及用于表征被检测对象体内水、脂、质子密度脂肪分数(PDFF)的定量分布图。
步骤103，将多参数定量网络模型输出的多个参数定量图像确定为磁共振成像结果。
按照上述技术方案，由于采用K空间变密度交错降采样的方式，因此相较于相关技术中对K空间所有数据行进行数据采集的方式，可以减少数据采集时间，使得成像过程可在一次屏息时间内完成，避免呼吸运动引入的误差，提高磁共振成像质量。并且，一次性可以生成多个参数定量图像，在结合多个参数定量图像进行分析的过程中可以避免由于参数定量图像来源不同而导致的无法准确进行层面匹配的问题。此外，由于通过多对比度图像重建模块和多参数定量图像重建模块进行联合重建，因此相较于相关技术中基于压缩感知重建框架进行迭代重建的方式，可以提高重建速度，提升成像质量。
为了使得本领域技术人员更加理解本公开实施例中的磁共振成像方法，下面对上述各步骤进行详细举例说明。
在可能的方式中，通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据可以是：在预设数据中心区域进行满采样，以采集预设数据中心区域的所有特征数据，在预设数据外周区域进行交错采样，以采集预设数据外周区域的部分特征数据。
也即是说，本公开实施例可以采用中间密、外周稀疏的变密度采集方式对进行降采样。示例地，预设数据中心区域可以是根据预期满采样K空间特征数据的数据中心区域而确定的，比如可以是预期满采样K空间特征数据中以中心数据点为圆心、以预设数值为半径的区域。其中，预设数值可以根据实际情况设定，本公开实施例对此不作限定。预设数据外周区域可以是根据预期满采样K空间特征数据中除数据中心区域外的数据外周区域而确定的。在预设数据外周区域进行交错采样，可以是在预设数据外周区域沿回波方向进行交错采用，以采集预设数据外周区域的部分特征数据。
在可能的方式中，在预设数据外周区域进行交错采样可以是：对预设数据外周区域中的数据行进行交错采样，以使每一个梯度回波采集不同的数据行。
前文已有说明，相关技术中每一个梯度回波最终会对应采集K空间数据的所有数据行，因此数据采集时间长。在本公开实施例中，为了减少数据采集时间，因此可以对预设数据外周区域的数据行进行交错采样，以使每一个梯度回波采集不同的数据行。示例地，可以等间隔的进行数据行采集，比如控制第一个梯度回波采集预设数据外周区域中的第1行，第二个梯度回波采集预设数据外周区域中的第2行，以此类推。或者，可以随机交错采样，使得每一个梯度回波采集到不同的数据行即可。比如，控制第一个梯度回波采集预设数据外周区域中的第3行，第二个梯度回波采集预设数据外周区域中的第1行，等等，本公开实施例对于交错采样的采样轨迹不作限定。
在可能的方式中，考虑到降采样轨迹的性质与图像重建得到的图像质量具有密切的联系，可将初始设计的降采样轨迹代入到后续的多参数定量网络模型中，并根据模型输出结果对采样轨迹进行调优，以获得对于所构建的多参数定量网络模型最优的采样轨迹。
也即是说，交错采样的采样轨迹可以通过如下方式进行优化确定：将预设采样轨迹作为初始的目标采样轨迹，执行以下处理：基于每一次确定的目标采样轨迹对样本满采样K空间特征数据进行降采样，以得到样本降采样K空间特征数据，并将样本降采样K空间特征数据输入多参数定量网络模型，然后根据多参数定量网络模型的输出结果调整目标采样轨迹，并将调整后的目标采样轨迹确定为新的目标采样轨迹，直到多参数定量网络模型的输出结果满足预设条件，最后将多参数定量网络模型的输出结果满足预设条件时的目标采样轨迹确定为交错采样的采样轨迹。
示例地，预设采样轨迹可以根据实际情况设定，本公开实施例对此不作限定。第一样本图像可以是通过实体定量水膜仿体或实际人体扫描数据得到的磁共振图像。预设条件可以是用于表征多参数定量网络模型输出的参数定量图像成像效果较好的条件，比如可以是多参数定量网络模型的损失函数小于预设数值，或者多参数定量网络模型输出的定量图像的分辨率大于预设分辨率，等等，本公开实施例对此不作限定。其中，预设数值和预设分辨率可以根据实际情况设定，本公开实施例对此也不作限定。
示例地，可以基于初始的目标采样轨迹对样本满采样K空间特征数据进行降采样，以得到样本数据，并将该样本数据输入多参数定量网络模型，然后判断多参数定量网络模型的输出结果是否满足预设条件，若不满足预设条件，则按照经验值调整目标采样轨迹，并将调整后的目标采样轨迹确定为新的目标采样轨迹，再次基于该新的目标采样轨迹对第一样本图像进行降采样，以得到样本数据，并将重新得到的样本数据输入多参数定量网络模型，然后根据本次多参数定量网络模型的输出结果调整目标采样轨迹，以此类推，直到多参数定量网络模型的输出结果满足预设条件。通过此种方式，可以在多参数定量网络训练的过程中进一步优化降采样轨迹，以确定更适用于当前网络结构的最优交错采样的方式，从而提高磁共振成像质量。
应当理解的是，由于K空间能量分布的特点以及K空间数据采集轨迹对图像伪影分布的影响，本公开实施例中，变密度采集方式可能产生类似于噪声形式的降采样伪影。在此种情况下，可以通过后续的多参数定量网络模型的数据处理过程来进行有效的伪影消除，从而在减少数据采集时间的情况下，可以保证磁共振成像质量。另外应当理解的是，本公开实施例中用于数据采集的坐标系可以为笛卡尔坐标系，也可以是非笛卡尔坐标系，本公开实施例对此不作限定。
在可能的方式中，多对比度图像重建模块可以包括第一卷积神经网络和第二卷积神经网络，该第一卷积神经网络可以用于对输入的降采样K空间特征数据进行处理，以得到对应的完整K空间特征数据，并将完整K空间特征数据进行傅里叶变换和通道合并之后的图像域数据输入第二卷积神经网络，该第二卷积神经网络用于对图像域数据进行处理，以输出完整K空间特征数据对应的图像。
可以理解的是，第一卷积神经网络为基于K空间的卷积神经网络，第二卷积神经网络为基于图像域的卷积神经网络。参照图3，基于K空间的卷积神经网络和基于图像域的卷积神经网络串联连接，即基于K空间的卷积神经网络得到的完整K空间特征数据进行傅里叶变换和通道合并之后的图像域数据可以直接输入基于图像域的卷积神经网络中进行处理，从而得到完整K空间特征数据对应的图像。
示例地，第一卷积神经网络可以用于对输入的降采样K空间特征数据进行处理，以得到对应的完整K空间特征数据。其中，由于不同对比度数据间具有较强的相关性与互补特性，因此基于交错采样得到的降采样K空间特征数据，可以通过相应的计算在较小的误差水平还原出该降采样K空间特征数据对应的完整K空间特征数据进行图像重建，从而在减少数据采集时间的情况下，保证磁共振成像质量。
示例地，第二卷积神经网络可以用于对图像域数据进行处理，以得到完整K空间特征数据对应的图像。具体的，第一卷积神经网络得到的完整K空间特征数据可以先进行傅里叶变换到图像域，然后再将该图像域数据进行通道合并之后的图像输入第二卷积神经网络，以进一步去除伪影，输出完整K空间特征数据对应的图像。参照图3，将降采样K空间特征数据输入多对比度图像重建模块，经过基于K空间的卷积神经网络(即第一卷积神经网络)和基于图像域的卷积神经网络(即第二卷积神经网络)之后，可以输出完整K空间特征数据对应的通道合并之后的图像。
在可能的方式中，多对比度图像重建模块还可以包括第一约束模块，该第一约束模块可以用于根据降采样K空间特征数据，修正第一卷积神经网络得到的完整K空间特征数据。相应地，第二卷积神经网络可以用于对修正后的完整K空间特征数据对应的图像域数据进行处理，以输出修正后的完整K空间特征数据对应的图像。
示例地，通过降采样K空间特征数据进行计算得到的完整K空间特征数据中，该降采样K空间特征数据对应的数据位置的数据可能与该降采样K空间特征数据存在一定的偏差，从而影响后续磁共振成像结果。有鉴于此，可以根据降采样K空间特征数据，修正第一卷积神经网络得到的完整K空间特征数据，即通过该降采样K空间特征数据替换完整K空间特征数据中该降采样K空间特征数据对应的数据位置的数据。通过此种将降采样K空间特征数据回填到完整K空间特征数据中的方式，可以提高满足K空间特征数据的准确性，从而提高后续磁共振成像结果的准确性。
在可能的方式中，多参数定量图像重建模块可以包括深度特征拟合模块和第二约束模块，该深度特征拟合模块用于根据多对比度图像重建模块输出的完整K空间对应的图像进行图像重建，以生成多个参数定量图像，该第二约束模块用于针对每一参数定量图像，根据该参数定量图像对应的总变分，对该参数定量图像进行加权的总变分最小化约束，以根据约束后的参数定量图像确定磁共振成像结果。
示例地，可以通过多对比度图像重建模块输出的完整K空间对应的样本图像和样本参数定量图像训练深度特征拟合模块，因此在应用阶段，将多对比度图像重建模块输出的完整K空间对应的图像输入训练后的深度特征拟合模块，可以得到图像重建后的参数定量图像。其中，样本参数定量图像的获得将在后文进行说明。另外，深度特征拟合模块可以是CNN卷积神经网络，本公开实施例对于深度调整拟合模块的具体网络结构不作限定。
示例地，总变分是图像中梯度幅值的积分，限制总变分可以进一步限制噪声。在本公开实施例中，第二约束模块根据参数定量图像对应的总变分，对该参数定量图像进行加权的总变分最小化约束，可以实现基于参数定量图像的图像平滑性约束。其中，加权的总变分最小化约束可以理解为使各个参数定量图像的总变分分别进行加权之后求和的结果最小，各个参数定量图像的总变分对应的权重参数可根据相应参数定量图像的先验知识进行人为设定。
总变分最小化约束可以保证参数定量图像对应的总变分图像的图像平滑性满足期望条件，从而提高重建图像的质量。应当理解的是，在磁共振成像过程中，期望的是参数定量图像对应的总变分较低，从而提高磁共振成像质量。另外应当理解的是，为了进一步提高磁共振成像质量，还可以将相同成像区域其他对比度的满采样或者较低倍降采样数据进行解混叠之后的图像作为参考图像，然后根据该参考图像以及第一卷积神经网络输出的图像域数据共同确定最终输出的完整K空间特征数据对应的图像，使得基于图像域的卷积神经网络(即第二卷积神经网络)可以结合该参考图像得到更加准确的完整K空间特征数据对应的图像。
在可能的方式中，多参数定量网络模型还可以包括迭代反馈模块，该迭代反馈模块可以用于基于多参数定量图像重建模块输出的参数定量图像和场图、以及预先采集的线圈敏感度分布图，根据磁共振信号物理模型，确定K空间重建数据，其中场图用于表征磁共振主磁场B0场分布的均匀程度。然后，可以根据降采样K空间特征数据，修正K空间重建数据，并将修正后的K空间重建数据输入多参数定量网络模型进行迭代处理，直到迭代次数达到预设迭代次数。其中，预设迭代次数可以根据实际情况设定，本公开实施例对此不作限定。
示例地，线圈敏感度分布图用于表征磁共振系统中线圈的敏感度分布情况。在本公开实施例中，可以预先采集线圈敏感度分布图进行存储，在后续磁共振成像过程中，迭代反馈模块可以获取存储的线圈敏感度分布图，并结合多参数定量图像重建模块输出的参数定量图像和场图，根据相关技术中的磁共振信号物理模型进行反向推演得到多个梯度回波分别对应的K空间重建数据，从而根据降采样K空间特征数据，修正K空间重建数据，即将降采样K空间特征数据回填至K空间重建数据中的相应数据位置，以实现数据保真，并保证数据重建与原始采集所得的K空间数据之间的一致性。
参照图3，在此之后，迭代反馈模块可以将修正后的K空间重建数据再次输入多参数定量网络模型，然后多参数定量网络模型本次输出的结果又可以通过迭代反馈模块进行修正后输入多参数定量网络模型，以此类推，从而实现迭代处理，直到迭代次数达到预设迭代次数。通过此种方式，在迭代结束之后，可以得到图像质量更高的磁共振图像。并且相较于相关技术中基于压缩感知重建框架进行迭代重建的方式，由于每一次迭代过程是通过基于深度学习的多对比度图像重建模块和多参数定量图像重建模块联合重建，因此可以减少迭代重建时间，进而提高磁共振成像效率。
另外应当理解的是，多对比度图像重建模块本身也可以进行迭代反馈。比如参照图3，第二卷积神经网络的输出可以反馈到第一卷积神经网络的输入。具体的，第二卷积神经网络输出的图像可以结合预先采集的线圈敏感度分布图转换为多通道的多对比度图像，然后对该多对比度图像进行傅里叶反变换，可以得到多通道的K空间特征数据，并将原始降采样K空间特征数据中的已采样数据替换相应位置处的该K空间特征数据，最后则可以将该K空间特征数据输入第一卷积神经网络中进行迭代处理，以进一步提高磁共振成像质量。
在可能的方式中，多参数定量网络模型的训练过程包括：根据样本降采样K空间特征数据和样本满采样K空间特征数据进行傅里叶变换和通道合并后得到的第一样本图像，训练多对比度图像重建模块。根据训练后的所述多对比度图像重建模块输出的第二样本图像和所述第一样本图像对应的多个样本参数定量图像，训练多参数定量图像重建模块。根据样本降采样K空间特征数据和第一样本图像对应的多个样本参数定量图像，将训练后的多对比度图像重建模块、训练后的多参数定量图像重建模块和迭代反馈模块作为整体进行端到端训练。
在本公开实施例中，多参数定量网络模型包括多对比度图像重建模块、多参数定量图像重建模块和迭代反馈模块，如果直接进行输入端到输出端的网络训练，可能会由于大量网络层内参数以及非线性约束项参数需要同时学习和调整而导致数据过拟合以及内存溢出等问题，因此，可以采用子模块预训练与端到端整体调优的训练模式。也即是说，可以先分别训练多对比度图像重建模块和多参数定量图像重建模块，然后将训练后的多对比度图像重建模块、训练后的多参数定量图像重建模块和迭代反馈模块作为整体进行端到端的迭代调优训练。在此过程中，还可以将预设的采样轨迹作为多参数定量网络模型的输入，按照上述确定采样轨迹的方式进行联合训练，以得到适合该多参数定量网络模型的最优采样轨迹。
示例地，考虑到多对比度图像重建模块的输入为降采样K空间特征数据，输出为完整K空间特征数据进行傅里叶变换和通道合并后的图像，因此多对比度图像重建模块的训练样本可以包括样本降采样K空间特征数据和根据样本满采样K空间特征数据进行傅里叶变换和通道合并后得到的第一样本图像。考虑到多参数定量图像重建模块的输入为完整K空间数据对应的图像，输出为参数定量图像，因此多参数定量图像重建模块的训练样本包括训练后的所述多对比度图像重建模块输出的第二样本图像和所述第一样本图像对应的多个样本参数定量图像。考虑到多参数网络模型的输入为降采样K空间特征数据，输出为参数定量图像，因此在进行端到端训练的过程中训练样本包括样本降采样K空间特征数据和第一样本图像对应的多个样本参数定量图像。
考虑到数据驱动的深度学习框架需要高质量的训练数据用于模型的建立，而由于肝脏磁共振成像本身的限制导致难以直接获得高质量的数据作为训练集，因此可以通过基于实体定量水膜仿体的扫描数据和/或基于人体扫描数据进行模型训练。也即是说，在可能的方式中，可以通过如下方式获得用于模型训练的数据：基于实体定量水膜仿体的扫描数据获取满采样K空间特征数据，并根据满采样K空间特征数据生成样本降采样K空间特征数据、第一样本图像、样本参数定量图像和线圈敏感度分布图；和/或基于人体扫描数据获取满采样K空间数据，并根据满采样K空间特征数据生成样本降采样K空间特征数据、第一样本图像、样本参数定量图像和线圈敏感度分布图。
示例地，实体定量水膜仿体提供了真实的定量值，因此训练数据可以非常精准。本公开实施例中，基于实体定量水膜仿体的扫描数据，得到样本降采样K空间特征数据的过程可以是：针对实体定量水膜仿体，基于上述中的三维扰相梯度回波序列通过满采样并行采集的方式获得多个梯度回波对应的三维定量水膜仿体磁共振扫描数据，然后对该数据进行降采样，以得到的样本降采样K空间特征数据。在此种情况下，通过该样本降采样K空间特征数据进行端到端训练的过程可以是：将该样本降采样K空间特征数据输入多参数定量网络模型，得到多个参数定量图像，然后可以根据该多个参数分布图与对应的样本参数定量图像计算损失函数，并根据该损失函数调整多参数定量网络模型的参数。其中，样本参数定量图像可以是根据水膜仿体配置时所设定的定量参数计算引申得到的参数定量图像。
示例地，第一样本图像、样本参数定量图像和线圈敏感度分布图均可以是通过相关技术中的方式对满采样K空间特征数据进行计算得到的，这里不再赘述。
示例地，通过该样本降采样K空间特征数据进行训练多对比度图像重建模块的过程可以是：根据样本满采样K空间特征数据进行降采样，得到样本降采样K空间特征数据，并将该样本降采样K空间特征数据输入多对比度图像重建模块，得到预测图像，并根据样本满采样K空间特征数据进行傅里叶变换和通道合并后得到的图像作为第一样本图像。然后根据多对比度图像重建模块输出的预测图像与第一样本图像计算损失函数，通过该损失函数调整多对比度图像重建模块的参数。
在实际应用中，虽然通过实体定量水膜仿体得到的训练样本的精度高，但是由于实体定量水膜仿体没有实际肝脏的解剖信息，所以可能对肝脏的组织结构恢复精度不高。有鉴于此，可以基于人体扫描数据而得到的降采样K空间特征数据进行模型训练。
示例地，可以基于上述中的三维扰相梯度回波序列通过较低降采样倍数并行采集的方式获得多个梯度回波对应的三维全肝扫描数据，然后利用并行成像和压缩感知等精准但是耗时且需要仔细调参的重建算法，通过分别调节参数使得重建的磁共振图像达到最优，然后将该磁共振成像对应的满采样K空间数据作为标准数据。根据该满采样K空间数据可以获得用于训练多参数定量图像重建模块的第二样本图像，比如可以先根据满采样K空间数据生成降采样K空间数据，然后将该降采样K空间数据输入多对比度图像重建模块，以得到第二样本图像。而第一样本图像对应的样本参数定量图像则可以基于该标准数据通过相关技术中的计算公式而得到。
此外，对该标准数据进行降采样，可以得到样本降采样K空间特征数据。在此种情况下，通过样本降采样K空间特征数据进行端到端训练的过程可以是：将该样本降采样K空间特征数据输入多参数定量网络模型，得到多个参数定量图像，然后可以根据该多个参数分布图与对应的样本参数定量图像计算损失函数，并根据该损失函数调整多参数定量网络模型的参数。其中，样本参数定量图像可以是根据已知的多参数定量数学模型对多对比度图像进行计算而得到的。对于多对比度图像重建模块和多参数定量图像重建模块的单独训练同样可以是根据输出结果与样本结果之间的损失函数进行参数调整，这里不再赘述。
应当理解的是，为了提高模型训练效果，从而提高训练后的模型输出结果的准确性，可以同时使用基于实体定量水膜仿体的扫描数据而得到的降采样K空间特征数据和基于人体扫描数据而得到的降采样K空间特征数据对多参数定量网络模型进行训练。在此种情况下，由于采用不同数据集进行模型训练，因此可以采用迁移学习的方法进行模型参数的优化，从而实现适用于临床采集数据的多参数定量网络模型。
基于同一发明构思，本公开实施例还提供一种磁共振成像装置，该装置可以通过软件、硬件或者两者结合的方式成为磁共振成像系统的部分或全部。参照图4，该磁共振成像装置400包括：
获取模块401，用于通过三维扰相梯度回波序列，且通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据；
输入模块403，用于将所述降采样K空间特征数据输入多参数定量网络模型，所述多参数定量网络模型基于所述降采样K空间特征数据重建得到不同对比度的完整K空间特征数据对应的图像，根据所述完整K空间特征数据对应的图像得到多个参数定量图像；
确定模块404，用于将所述多参数定量网络模型输出的多个参数定量图像确定为磁共振成像结果。
可选地，所述三维扰相梯度回波序列包括不同的翻转角分别连接的多个梯度回波，所述多个梯度回波为双极性梯度回波。
可选地，所述多参数定量网络模型包括多对比度图像重建模块和多参数定量图像重建模块，所述多对比度图像重建模块的输出结果用于输入所述多参数定量图像重建模块中进行图像重建。
可选地，所述降采样模块402用于：
在预设数据中心区域进行满采样，以采集所述预设数据中心区域的所有特征数据；
在预设数据外周区域进行交错采样，以采集所述预设数据外周区域的部分特征数据。
可选地，所述降采样模块402用于：
对所述预设数据外周区域中的数据行进行交错采样，以使每一个所述梯度回波采集不同的所述数据行。
可选地，所述装置400还包括用于确定所述交错采样的采样轨迹的轨迹确定模块，所述轨迹确定模块用于将预设采样轨迹作为初始的目标采样轨迹，执行以下处理：
基于每一次确定的目标采样轨迹对样本满采样K空间特征数据进行降采样，以得到样本降采样K空间特征数据，并将所述样本降采样K空间特征数据输入所述多参数定量网络模型；
根据所述多参数定量网络模型的输出结果调整所述目标采样轨迹，并将调整后的所述目标采样轨迹确定为新的目标采样轨迹，直到所述多参数定量网络模型的输出结果满足预设条件；
将所述多参数定量网络模型的输出结果满足预设条件时的目标采样轨迹确定为所述交错采样的采样轨迹。
可选地，所述多对比度图像重建模块包括第一卷积神经网络和第二卷积神经网络；
所述第一卷积神经网络用于对输入的降采样K空间特征数据进行处理，以得到对应的完整K空间特征数据，并将所述完整K空间特征数据进行傅里叶变换和通道合并之后的图像域数据输入所述第二卷积神经网络；
所述第二卷积神经网络用于对所述图像域数据进行处理，以输出所述完整K空间特征数据对应的图像。
可选地，所述多对比度图像重建模块还包括第一约束模块，所述第一约束模块用于根据所述降采样K空间特征数据，修正所述第一卷积神经网络得到的所述完整K空间特征数据；
所述第二卷积神经网络用于对修正后的所述完整K空间特征数据对应的图像域数据进行处理，以输出修正后的所述完整K空间特征数据对应的图像。
可选地，所述多参数定量图像重建模块包括深度特征拟合模块和第二约束模块；
所述深度特征拟合模块用于根据所述多对比度图像重建模块输出的所述完整K空间对应的图像进行图像重建，以生成多个参数定量图像；
所述第二约束模块用于针对每一所述参数定量图像，根据该参数定量图像对应的总变分，对该参数定量图像进行加权的总变分最小化约束，以根据约束后的所述参数定量图像确定所述磁共振成像结果。
可选地，所述多参数定量网络模型还包括迭代反馈模块，所述迭代反馈模块用于：
基于所述多参数定量图像重建模块输出的参数定量图像和场图、以及预先采集的线圈敏感度分布图，根据磁共振信号物理模型，确定K空间重建数据，所述场图用于表征磁共振主磁场B0场分布的均匀程度；
根据所述降采样K空间特征数据，修正所述K空间重建数据，并将修正后的所述K空间重建数据输入所述多参数定量网络模型进行迭代处理，直到迭代次数达到预设迭代次数。
可选地，所述装置400还包括用于训练多参数定量网络模型的训练模块，所述训练模块用于：
根据样本降采样K空间特征数据和样本满采样K空间特征数据进行傅里叶变换和通道合并后得到的第一样本图像，训练所述多对比度图像重建模块；
根据训练后的所述多对比度图像重建模块输出的第二样本图像和所述第一样本图像对应的多个样本参数定量图像，训练所述多参数定量图像重建模块；
根据所述样本降采样K空间特征数据和所述第一样本图像对应的多个样本参数定量图像，将训练后的所述多对比度图像重建模块、训练后的所述多参数定量图像重建模块和所述迭代反馈模块作为整体进行端到端的训练。
可选地，所述装置400还包括：
第一数据获取模块，用于基于实体定量水膜仿体的扫描数据获取满采样K空间特征数据，并根据所述满采样K空间特征数据生成所述样本降采样K空间特征数据、所述样本图像、所述样本参数定量图像和所述线圈敏感度分布图；和/或
第二数据获取模块，用于基于人体扫描数据获取满采样K空间数据，并根据所述满采样K空间特征数据生成所述样本降采样K空间特征数据、所述样本图像、所述样本参数定量图像和所述线圈敏感度分布图。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本公开实施例还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述任一磁共振成像方法的步骤。
在可能的方式中，该电子设备可以是磁共振成像系统中的数据处理器。图5是根据一示例性实施例示出的该电子设备500的框图。如图5所示，该电子设备500可以包括：处理器501，存储器502。该电子设备500还可以包括多媒体组件503，输入/输出(I/O)接口504，以及通信组件505中的一者或多者。
其中，处理器501用于控制该电子设备500的整体操作，以完成上述的磁共振成像方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作，这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块等。
在一示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的磁共振成像方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的磁共振成像方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器502，上述程序指令可由电子设备500的处理器501执行以完成上述的磁共振成像方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的磁共振成像方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (13)
1.一种磁共振成像方法，其特征在于，所述方法包括：
基于三维扰相梯度回波序列，且通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据；
将所述降采样K空间特征数据输入多参数定量网络模型，所述多参数定量网络模型基于所述降采样K空间特征数据重建得到不同对比度的完整K空间特征数据对应的图像，根据所述完整K空间特征数据对应的图像得到多个参数定量图像；
将所述多参数定量网络模型输出的多个参数定量图像确定为磁共振成像结果；
所述多参数定量网络模型包括多对比度图像重建模块和多参数定量图像重建模块，所述多对比度图像重建模块的输出结果用于输入所述多参数定量图像重建模块中进行图像重建；
所述多参数定量网络模型还包括迭代反馈模块，所述迭代反馈模块用于：
基于所述多参数定量图像重建模块输出的参数定量图像和场图、以及预先采集的线圈敏感度分布图，根据磁共振信号物理模型，确定K空间重建数据，所述场图用于表征磁共振主磁场B0场分布的均匀程度；
根据所述降采样K空间特征数据，修正所述K空间重建数据，并将修正后的所述K空间重建数据输入所述多参数定量网络模型进行迭代处理，直到迭代次数达到预设迭代次数。
2.根据权利要求1所述的方法，其特征在于，所述三维扰相梯度回波序列包括不同的翻转角分别连接的多个梯度回波，所述多个梯度回波为双极性梯度回波。
3.根据权利要求1所述的方法，其特征在于，所述通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据，包括：
在预设数据中心区域进行满采样，以采集所述预设数据中心区域的所有特征数据；
在预设数据外周区域进行交错采样，以采集所述预设数据外周区域的部分特征数据。
4.根据权利要求3所述的方法，其特征在于，所述在预设数据外周区域进行交错采样，包括：
对所述预设数据外周区域中的数据行进行交错采样，以使每一个所述梯度回波采集不同的所述数据行。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述交错采样的采样轨迹是通过如下方式确定的：
将预设采样轨迹作为初始的目标采样轨迹，执行以下处理：
基于每一次确定的目标采样轨迹对样本满采样K空间特征数据进行降采样，以得到样本降采样K空间特征数据，并将所述样本降采样K空间特征数据输入所述多参数定量网络模型；
根据所述多参数定量网络模型的输出结果调整所述目标采样轨迹，并将调整后的所述目标采样轨迹确定为新的目标采样轨迹，直到所述多参数定量网络模型的输出结果满足预设条件；
将所述多参数定量网络模型的输出结果满足预设条件时的目标采样轨迹确定为所述交错采样的采样轨迹。
6.根据权利要求1所述的方法，其特征在于，所述多对比度图像重建模块包括第一卷积神经网络和第二卷积神经网络；
所述第一卷积神经网络用于对输入的降采样K空间特征数据进行处理，以得到对应的完整K空间特征数据，并将所述完整K空间特征数据进行傅里叶变换和通道合并之后的图像域数据输入所述第二卷积神经网络；
所述第二卷积神经网络用于对所述图像域数据进行处理，以输出所述完整K空间特征数据对应的图像。
7.根据权利要求6所述的方法，其特征在于，所述多对比度图像重建模块还包括第一约束模块，所述第一约束模块用于根据所述降采样K空间特征数据，修正所述第一卷积神经网络得到的所述完整K空间特征数据；
所述第二卷积神经网络用于对修正后的所述完整K空间特征数据对应的图像域数据进行处理，以输出修正后的所述完整K空间特征数据对应的图像。
8.根据权利要求1所述的方法，其特征在于，所述多参数定量图像重建模块包括深度特征拟合模块和第二约束模块；
所述深度特征拟合模块用于根据所述多对比度图像重建模块输出的完整K空间对应的图像进行图像重建，以生成多个参数定量图像；
所述第二约束模块用于针对每一所述参数定量图像，根据该参数定量图像对应的总变分，对该参数定量图像进行加权的总变分最小化约束，以根据约束后的所述参数定量图像确定所述磁共振成像结果。
9.根据权利要求1所述的方法，其特征在于，所述多参数定量网络模型的训练过程包括：
根据样本降采样K空间特征数据和样本满采样K空间特征数据进行傅里叶变换和通道合并后得到的第一样本图像，训练所述多对比度图像重建模块；
根据训练后的所述多对比度图像重建模块输出的第二样本图像和所述第一样本图像对应的多个样本参数定量图像，训练所述多参数定量图像重建模块；
根据所述样本降采样K空间特征数据和所述第一样本图像对应的多个样本参数定量图像，将训练后的所述多对比度图像重建模块、训练后的所述多参数定量图像重建模块和所述迭代反馈模块作为整体进行端到端训练。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
基于实体定量水膜仿体的扫描数据获取满采样K空间特征数据，并根据所述满采样K空间特征数据生成所述样本降采样K空间特征数据、所述第一样本图像、所述样本参数定量图像和所述线圈敏感度分布图；和/或
基于人体扫描数据获取满采样K空间数据，并根据所述满采样K空间特征数据生成所述样本降采样K空间特征数据、所述第一样本图像、所述样本参数定量图像和所述线圈敏感度分布图。
11.一种磁共振成像装置，其特征在于，所述装置包括：
采集模块，用于基于三维扰相梯度回波序列，且通过K空间变密度交错采样的方式获取不同对比度的降采样K空间特征数据；
输入模块，用于将所述降采样K空间特征数据输入多参数定量网络模型，所述多参数定量网络模型基于所述降采样K空间特征数据重建得到不同对比度的完整K空间特征数据对应的图像，根据所述完整K空间特征数据对应的图像得到多个参数定量图像；
确定模块，用于将所述多参数定量网络模型输出的多个参数定量图像确定为磁共振成像结果；
所述多参数定量网络模型包括多对比度图像重建模块和多参数定量图像重建模块，所述多对比度图像重建模块的输出结果用于输入所述多参数定量图像重建模块中进行图像重建；
所述多参数定量网络模型还包括迭代反馈模块，所述迭代反馈模块用于：
基于所述多参数定量图像重建模块输出的参数定量图像和场图、以及预先采集的线圈敏感度分布图，根据磁共振信号物理模型，确定K空间重建数据，所述场图用于表征磁共振主磁场B0场分布的均匀程度；
根据所述降采样K空间特征数据，修正所述K空间重建数据，并将修正后的所述K空间重建数据输入所述多参数定量网络模型进行迭代处理，直到迭代次数达到预设迭代次数。
12.一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权利要求1-10中任一项所述方法的步骤。
13.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011270981.3A CN112370040B (zh) | 2020-11-13 | 2020-11-13 | 磁共振成像方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011270981.3A CN112370040B (zh) | 2020-11-13 | 2020-11-13 | 磁共振成像方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112370040A CN112370040A (zh) | 2021-02-19 |
| CN112370040B true CN112370040B (zh) | 2024-03-26 |
Family
ID=74582356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011270981.3A Active CN112370040B (zh) | 2020-11-13 | 2020-11-13 | 磁共振成像方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112370040B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112965018B (zh) * | 2021-03-16 | 2022-04-01 | 厦门大学 | 基于时空编码螺旋磁共振成像的多回波采样及重建方法 |
| CN113866694B (zh) * | 2021-09-26 | 2022-12-09 | 上海交通大学 | 一种快速三维磁共振t1定量成像方法、系统及介质 |
| CN114325528B (zh) * | 2021-12-25 | 2024-01-02 | 沈阳工业大学 | 一种磁共振成像方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
| CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗系统股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080154115A1 (en) * | 2004-02-10 | 2008-06-26 | Koninklijke Philips Electronics N.V. | Magnetic Resonance Imaging Method |
-
2020
- 2020-11-13 CN CN202011270981.3A patent/CN112370040B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
| CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗系统股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112370040A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658471B (zh) | 一种医学图像重建方法和系统 | |
| CN111513716B (zh) | 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统 | |
| CN112370040B (zh) | 磁共振成像方法、装置、存储介质及电子设备 | |
| US10198799B2 (en) | Method and apparatus for processing magnetic resonance image | |
| US9482732B2 (en) | MRI reconstruction with motion-dependent regularization | |
| US9396562B2 (en) | MRI reconstruction with incoherent sampling and redundant haar wavelets | |
| CN107072592B (zh) | 磁共振成像装置以及定量性磁化率匹配方法 | |
| US10950014B2 (en) | Method and apparatus for adaptive compressed sensing (CS) to correct motion artifacts in magnetic resonance imaging (MRI) | |
| US10895622B2 (en) | Noise suppression for wave-CAIPI | |
| CN114450599B (zh) | 麦克斯韦并行成像 | |
| US10018691B2 (en) | Correction of imaging methods in a magnetic resonance device | |
| CN108459289A (zh) | 一种基于数据一致性的多次激发弥散加权磁共振成像方法 | |
| JP2019042444A (ja) | 磁気共鳴イメージング装置およびノイズ除去方法 | |
| US7956611B2 (en) | Magnetic resonance imaging apparatus and method | |
| CN109471053A (zh) | 一种基于双约束的介电特性迭代成像方法 | |
| Wang et al. | Stochastic optimization of 3D non-cartesian sampling trajectory (SNOPY) | |
| Shan et al. | ReUINet: A fast GNL distortion correction approach on a 1.0 T MRI‐Linac scanner | |
| CN113466768B (zh) | 磁共振成像方法及磁共振成像系统 | |
| US10295642B2 (en) | Construction of diagnostic images from MRI data acquired in an inhomogeneous polarizing magnetic field | |
| KR101797141B1 (ko) | 자기 공명 영상 처리 장치 및 그 영상 처리 방법 | |
| NL2031467B1 (en) | Deep learning based denoising of MR images | |
| WO2019049443A1 (ja) | 磁気共鳴イメージング装置 | |
| CN111090067B (zh) | 用于在磁共振成像中对k空间数据进行采样的方法和系统 | |
| EP4312730A1 (en) | Image reconstruction incorporating maxwell fields and gradient impulse response function distortion | |
| US20190250233A1 (en) | System and method for magnetic resonance imaging an object via a stochastic optimization of a sampling function |
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 |