CN112890798B - 神经网络训练方法、磁共振成像方法、装置、设备和介质 - Google Patents
神经网络训练方法、磁共振成像方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112890798B CN112890798B CN201911227543.6A CN201911227543A CN112890798B CN 112890798 B CN112890798 B CN 112890798B CN 201911227543 A CN201911227543 A CN 201911227543A CN 112890798 B CN112890798 B CN 112890798B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- target
- scan
- scanning
- 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
Images
Classifications
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种神经网络训练方法、磁共振成像方法、装置、设备和介质。所述神经网络训练方法包括:获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络。本申请提供的神经网络训练方法获取动态场景下神经网络训练时的标准数据,且数据稳定性和准确性高。
Description
技术领域
本申请涉及磁共振成像技术领域,特别是涉及一种神经网络训练方法、磁共振成像方法、装置、设备和介质。
背景技术
磁共振动态成像在临床影像的很多领域都有广泛应用。为了得到较高的时空分辨率,磁共振动态成像一般都会结合一定的加速技术。传统的加速技术主要包括并行采集重建技术、压缩感知技术、部分傅里叶技术以及并行重建与其他多种算法融合的技术。但是,这些加速技术的加速倍数仍然受制于信息恢复的模型限制,很难有太大的突破。
随着人工智能(Artificial Intelligence,AI)技术的发展,磁共振成像动态成像领域也逐步引入了人工智能网络(以下简称AI网络)预测进行动态成像加速。AI网络预测能够在很大程度上解决传统技术中加速倍数受限的问题。
然而,AI网络的训练需要提供标准数据和缺陷数据。标准数据在静态扫描场景下很容易获得,但是在动态场景下,由于生理现象发生有一定的时间效应,信号变化比较快(例如,打药灌注,信号变化在秒的量级),所以一般没有过多的时间进行标准数据的采集,从而造成在很多动态场景下,无法使用AI网络预测进行动态成像的加速。
发明内容
基于此,有必要针对以上问题,提供一种神经网络训练方法、磁共振成像方法、装置、设备和介质。
第一方面,本申请一个实施例提供一种神经网络训练方法,所述方法包括:
获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;
根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;
利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络。
可选的,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
可选的,每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度。
第二方面,本申请一个实施例提供一种磁共振成像方法,所述方法包括:
获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
将所述多组欠采样数据输入目标神经网络获取多组校正数据;
根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关。
可选的,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
可选的,所述根据所述多组校正数据获取所述对象不同期相的磁共振图像包括:
根据所述多组校正数据和多组欠采样数据,获取多组合成数据集;
重建所述多组合成数据集,以获取所述对象不同期相的磁共振图像。
第三方面,本申请一个实施例提供一种神经网络训练装置,包括:
扫描数据获取模块,用于获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;
输入及目标数据获取模块,用于根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;
训练模块,用于利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络。
第四方面,本申请一个实施例提供一种磁共振成像装置,包括:
欠采样数据获取模块,用于获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
校正数据获取模块,用于将所述多组欠采样数据输入目标神经网络获取多组校正数据;
磁共振图像获取模块,用于根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关。
第五方面,本申请一个实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
第六方面,本申请一个实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请实施例提供的神经网络训练方法、磁共振成像方法、装置、设备和介质,由于获取的多组扫描数据的扫描参数不同,且扫描参数与图像对比度相关,因此,通过扫描参数得到的多组目标数据对应的图像对比度不同,从而能够模拟动态扫描中组织的亮暗变化。以该目标数据和通过该目标数据降采样得到的输入数据对神经网络进行训练,解决了传统技术中无法获取动态场景下AI网络训练时无法采集到标准数据的问题。同时,本申请实施例提供的方法获取的目标数据稳定且准确,因此通过该目标数据和输入数据训练得到的神经网络准确,能够提高后续图像重建的准确性。
附图说明
图1为一个实施例中神经网络训练方法的流程示意图;
图2为一个实施例中打药灌注过程图像亮暗变化示意图;
图3为一个实施例中期相数为30时,血管和脑组织的预期变化曲线示意图;
图4为一个实施例中磁共振成像方法的流程示意图;
图5为一个实施例中神经网络训练装置的结构示意图;
图6为一个实施例中磁共振成像装置的结构示意图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的神经网络训练方法和磁共振成像方法,可以用于对磁共振动态成像的加速,实现快速的磁共振动态成像。其中,本申请实施例提供的神经网络训练方法用于训练形成目标神经网络,目标神经网络可以用于磁共振动态成像过程中的图像重建,实现动态场景下的加速成像,其中动态场景包括但不限于打药灌注、BOLD脑功能成像(血氧水平依赖性成像)等。
本申请实施例提供的神经网络训练方法可以应用于计算机设备,计算机设备可以但不限于是计算机设备可以但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。计算机设备包括存储器和处理器,存储器能够存储数据和计算机程序,处理器能够执行计算机程序以实现本申请实施例提供的神经网络训练方法。以下结合具体的实施例对所述神经网络训练方法进行进一步详细说明。
请参见图1,在一个实施例中,所述神经网络训练方法包括:
S110,获取多组扫描数据,每组扫描数据分别对应不同扫描参数,扫描参数与图像对比度相关。
扫描数据为采用磁共振扫描仪对检测对象进行磁共振扫描采集的磁共振数据,该磁共振数据可以是磁共振扫描仪执行反转恢复序列采集得到的自由感应(free inductiondecay,FID)信号,可以是磁共振扫描仪执行自旋回波序列(spin echo,SE)采集得到的回波信号,还可是磁共振扫描仪执行梯度回波类序列扫描产生的梯度回波信号等。当然扫描数据的类型可以是上述未处理的原始信号,可以是经过相位编码和频率编码填充至K空间的K空间数据集,还可以是对K空间数据集重建得到的图像数据,即本申请实施例中对于多组扫描数据的存在形式并不作具体限定。
扫描参数,也可称之为成像参数,其主要包括射频脉冲参数、梯度场参数以及信号采集时刻等。例如,射频脉冲参数可以是射频脉冲的带宽、幅值、施加时刻以及持续时间;梯度场参数可以是梯度场施加方向、梯度场场强、梯度施加时刻以及持续时间等。射频脉冲、梯度场以及信号采集时刻等相关各扫描参数的设置及其在时序上的排列即为脉冲序列。本申请实施例中,多组扫描数据为采用同一类型的扫描序列对同一检测对象执行扫描获得,每组扫描数据分别对应扫描序列的不同扫描参数,扫描参数设置的不同影响图像对比度。通过设计多组脉冲序列,每组脉冲序列的参数不同,每组脉冲序列的参数可以根据需求设定。多组扫描参数不同的扫描数据可以预先存储于计算机设备的存储器中。图像对比度可以是受检者扫描的一个目标器官内所包含的两种或多种不同组织的信号强度对比,且图像对比度主要由目标器官的T1值、T2值或者质子密度确定,通过在目标器官施加不同的扫描参数即可得到不同组织显示差别信号强度。
S120,根据多组扫描数据获取多对输入数据和目标数据,输入数据为目标数据降采样获得。
从多组扫描数据中选取对比度符合要求的数据作为目标数据,目标数据可为检测对象在头部静止、屏气扫描等满足扫描条件的情况下采集获得,即目标数据包含尽量少的运动伪影、涡流伪影等对图像质量有影响的因素。
将各组目标数据进行降采样处理,得到多组输入数据。每组的目标数据与输入数据相互对应,称为一对输入数据和目标数据。目标数据和输入数据可以是图像数据,也可以是K空间数据。由于每组扫描数据的扫描参数均不同,且扫描参数与图像对比度相关,因此,根据扫描数据采集得到的多组目标数据不同,每组目标数据可以对应一个期相,每组目标数据对应的图像的对比度不同,从而能够模拟动态扫描中组织的亮暗变化。所以,目标数据可以作为动态扫描的标准数据。以颅脑图像为例说明,目标数据包含皮下脂肪、颅骨板障骨髓中的脂肪、脑脊液、脑白质、脑灰质等,不同扫描参数下获得的目标数据成像不同的信号强度,不同的组织之间也会呈现不同的对比度。
可选地,将各组目标数据进行降采样处理的方式包括:
K空间内,目标数据在频率编码方向上不间断,而在相位编码方向上进行欠采样,以得到随机且稀疏分布的多条平行K空间数据线;当然,在相位编码方向上,每条K空间数据线被选定的概率可以相等,也可是不相等;
或者,对目标数据在K空间内进行可变密度采样,且采样集中在中心区域。欠采样的轨迹可以是沿着相位编码方向逐条进行,可以是迂回进行,可以是螺旋状或者放射状等方式。
S130,利用多对输入数据和目标数据对神经网络进行训练,获取目标神经网络。
基于上述得到的多对目标数据和输入数据对神经网络进行训练,得到目标神经网络。具体的,可以将输入数据输入神经网络进行计算,将神经网络输出的数据与对应的目标数据进行比较,根据比较结果对神经网络进行调整和优化。重复上述过程得到目标神经网络。目标神经网络可以用于磁共振动态成像,能够提高磁共振动态成像的速度。可以理解,目标数据和输入数据的数量越多,对神经网络的训练越多,得到的目标神经网络越精确。
本实施例中,由于获取的多组扫描数据的扫描参数不同,且扫描参数与图像对比度相关,因此,通过扫描参数得到的多组目标数据对应的图像对比度不同,从而能够模拟动态扫描中组织的亮暗变化。以该目标数据和通过该目标数据降采样得到的输入数据对神经网络进行训练,解决了传统技术中无法获取动态场景下AI网络训练时无法采集到标准数据的问题。同时,本实施例提供的方法获取的目标数据稳定且准确,因此通过该目标数据和输入数据训练得到的神经网络准确,能够提高后续图像重建的准确性。
在一个实施例中,扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度、重复时间、有效回波时间、回波链长度、激励次数、采集时间中的一种或多种的组合,具体的可以根据序列脉冲的不同和实际动态场景的不同进行选择和设置。
在一个实施例中,动态场景为模拟打药灌注过程,也就是说,多组扫描数据为模拟打药灌注过程的扫描数据。扫描参数可以为翻转角、回波时间和饱和带强度中的至少一个。多组扫描数据对应的翻转角依次先减小后增大,回波时间依次先增长后减短,饱和带强度依次先减小后增大。
翻转角越小,图像中的对比度越小,图像越亮,翻转角越大,图像的对比度越大,图像越暗;回波时间越长,图像的对比度越小,图像越亮,回波时间越短,图像的对比度越大,图像越暗;饱和带强度用于控制血液数据变化,饱和带强度越小,图像中血液的对比度越小,图像中血液越亮,饱和带强度依次先减小后增大越大,图像的中血液对比度越大,图像中血液越暗。因此,通过设置多组扫描数据的翻转角依次先减小后增大,回波时间先变长后变短,饱和带强度依次先减小后增大,得到的多组目标数据对应的图像会先变亮后变暗,从而模拟打药灌注时组织和血液的亮暗变化过程,得到打药灌注磁共振成像过程中使用的神经网络的标准数据。
在一个实施例中,动态场景为模拟打药灌注过程,磁共振扫描时的序列脉冲为反转脉冲序列。扫描参数包括反转恢复时间和翻转角中的至少一个。多组扫描数据对应的翻转角依次先减小后增大,多组扫描数据对应的反转恢复时间依次先增长后减短。
翻转角越小,图像的对比度越小,图像越亮,翻转角越大,图像的对比度越大,图像越暗;反转恢复时间越长,图像的对比度越小,图像越亮,反转恢复时间越短,图像的对比度越大,图像越暗。因此,通过设置多组扫描数据的翻转角依次先减小后增大,反转恢复时间先变长后变短,得到的多组目标数据对应的图像会先变亮后变暗,从而模拟打药灌注时组织和血液的亮暗变化过程,得到打药灌注磁共振成像过程中使用的神经网络的标准数据。
请参见图2,在另外一些实施例中,还可以参考以上方法,控制多组目标数据对应的图像由暗逐渐变亮后再变暗,以模拟打药灌注过程中,未打药时组织及血液较暗,随着药物扩散,组织及血液逐渐变暗,药物扩散完成后,组织及血液再变暗的过程,如图2所示。
扫描参数可包括以上参数中的两种或者多种的组合,每种扫描参数对于特定的组织器官或者器官敏感。例如,饱和带参数的设置对于血流信号敏感,饱和带强度(饱和脉冲强度)越大,血流信号越弱,饱和带越靠近成像区域,血流抑制效果越好,血流信号越弱(亮度高);反之,饱和带强度(饱和脉冲强度)越小,血流信号越强,饱和带越远离成像区域,血流抑制不充分,血流信号越强(亮度低)。再例如,重复时间TR对于组织信号亮度敏感,TR越大,组织信号越亮(亮度高);反之,TR越大,组织信号越暗(亮度低)。又例如,翻转角对于信噪比敏感。翻转角越大,宏观磁化矢量在水平方向上的分量越大,这样理论上产生的磁共振信号越强,信噪比越高;翻转角在一定范围内,翻转角越小,宏观磁化矢量在水平方向上的分量越小,这样理论上产生的磁共振信号越小,信噪比越小。
在一个实施例中,利用饱和带控制血流的亮暗,利用TR以及翻转角大小控制脑组织的亮暗变化,以如下几个期相为例:
第1期相,饱和带设置大小为60mm,且距离成像区域5mm(强黑血作用,血液几乎无信号),TR=5ms,翻转角设置为15°(组织低信号);
第9期相,饱和带大小设置为2mm,且距离成像区域100mm(几乎不起作用),TR=8ms,翻转角设置为15°(组织中等信号);
第17期相,饱和带大小设置为40mm,且距离成像区域10mm(弱黑血效应,血液信号微弱),TR=15ms,翻转角设置为10°(组织亮信号);
扫描参数的确定可采用基于大数据的统计方法。在一个实施例中,可预先获取对象被给予造影剂后的多个期相的第一图像,该对象可以是来自同一扫描者或者不同扫描者。对于每个期相,计算第一图像中感兴趣组织的相对信号强度,该相对信号强度可以是多个第一图像中同一感兴趣组织的像素相对信号强度均值。同样,多个扫描参数获取对象的多个第二图像,该对象是未被给予造影剂的。采用前述方法,以设定步长设置扫描参数的值,得到对应扫描参数不同值的第二图像,第一图像与第二图像匹配,并将与第一图像中感兴趣组织的相对信号强度匹配度最高的扫描参数作为模拟给予造影剂对应期相的参数。
请参见图3,本实施例中,期相数为30,分别获得的血管和脑组织的预期变化曲线如图3所示。
图3模拟曲线与实际应用中,打药后人体组织的变化关系十分接近;以此为基础得到的数据可以很好的反应实际数据采集,因此可以很好的用于神经网络的训练当中。
请参见图4,本申请一个实施例还提供一种磁共振成像方法,本实施例提供的磁共振成像方法可以应用于磁共振成像装置,具体的可以应用于磁共振成像装置中计算机设备。本实施例涉及利用上述实施例中的目标神经网络进行磁共振动态成像的过程,所述方法包括:
S210,获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
S220,将所述多组欠采样数据输入目标神经网络获取多组校正数据;
S230,根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关。
在扫描之前向对象体内注入造影剂,磁共振动态成像过程中,磁共振成像装置采集测试对象的多组欠采样数据,并传输至计算机设备,其中欠采样数据可以是K空间数据,也可以是欠采集模式的磁共振信号重建得到的图像数据。计算机设备利用目标神经网络对各组欠采样数据进行加速重建。目标神经网络如上述实施例所述,在此不再赘述。计算机设备将多组欠采样数据输入目标神经网络,目标神经网络对多组欠采样数据校正后,输出对应的多组校正数据,每组校正数据中欠采样的部分被恢复,每组校正数据能够重建出一个期相的磁共振图像,图像重建的方法和过程本申请不做任何限定,可以根据实际需求选择。
多组校正数据与多组欠采样数据相比,欠采样数据中未填充的部分或全部可被恢复。在此实施例中,为了保证重建图像的真实度,本申请还进行如下处理:
根据多组校正数据与多组欠采样数据获取合成数据集,该合成数据集中,多组欠采样数据被完全保留,多组校正数据相对欠采样数据中未填充的部分的数据被填充至合成数据集。
本实施例中,由于目标神经网络为利用多对输入数据和目标数据对神经网络训练得到的,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关。也就是说,本实施例提供的方法是利用如上述实施例所述的方法训练得到的目标神经网络进行的磁共振动态成像,该目标神经网络获取的目标数据稳定且准确,因此,训练得到的该目标神经网络准确,磁共振动态成像结果就更加准确。另外,本实施例中,通过目标神经网络进行磁共振动态成像,相对于传统的加速成像方法,大大提高了加速倍数,从而提高了成像速度。
在一个实施例中,扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。扫描参数的具体情况参见上述实施例,在此不再赘述。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图5,本申请一个实施例还提供一种神经网络训练装置10,其包括扫描数据获取模块110、输入及目标数据获取模块120和训练模块130,其中:
扫描数据获取模块110,用于获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;
输入及目标数据获取模块120,用于根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;
训练模块130,用于利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络。
在一个实施例中,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
在一个实施例中,每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度。
关于上述神经网络训练装置10的具体限定可以参见上文中对于神经网络训练方法的描述,在此不再赘述。上述神经网络训练装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参见图6,本申请一个实施例还提供一种磁共振成像装置20,其包括欠采样数据获取模块210、校正数据获取模块220和磁共振图像获取模块230,其中:
欠采样数据获取模块210,用于获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
校正数据获取模块220,用于将所述多组欠采样数据输入目标神经网络获取多组校正数据;
磁共振图像获取模块230,用于根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关。
在一个实施例中,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
在一个实施例中,磁共振图像获取模块230具体用于:根据所述多组校正数据和多组欠采样数据,获取多组合成数据集;重建所述多组合成数据集,以获取所述对象不同期相的磁共振图像。
关于上述磁共振成像装置20的具体限定可以参见上文中对于磁共振成像方法的描述,在此不再赘述。上述磁共振成像装置20中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参见图7,在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储源数据、图像数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种神经网络训练方法、磁共振成像方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;
根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;
利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络。
在一个实施例中,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
在一个实施例中,每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
将所述多组欠采样数据输入目标神经网络获取多组校正数据;
根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关。
在一个实施例中,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
在一个实施例中,该处理器执行计算机程序时还实现以下步骤:根据所述多组校正数据和多组欠采样数据,获取多组合成数据集;重建所述多组合成数据集,以获取所述对象不同期相的磁共振图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;
根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;
利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络。
在一个实施例中,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
在一个实施例中,每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
将所述多组欠采样数据输入目标神经网络获取多组校正数据;
根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关。
在一个实施例中,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述多组校正数据和多组欠采样数据,获取多组合成数据集;重建所述多组合成数据集,以获取所述对象不同期相的磁共振图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种神经网络训练方法,其特征在于,所述方法包括:
获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;所述多组扫描数据是未给予造影剂的情况下获得的;每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度;
根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;
利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络;所述目标神经网络能够处理扫描对象被给予造影剂后获得的扫描数据。
2.根据权利要求1所述的神经网络训练方法,其特征在于,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
3.一种磁共振成像方法,其特征在于,所述方法包括:
获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
将所述多组欠采样数据输入目标神经网络获取多组校正数据;
根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;所述目标神经网络能够处理扫描对象被给予造影剂后获得的扫描数据;多对输入数据和目标数据是根据多组扫描数据获取的,所述输入数据为所述目标数据降采样获得,所述多组扫描数据是未给予造影剂的情况下获得的;每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度。
4.根据权利要求3所述的方法,其特征在于,所述扫描参数包括反转恢复时间、翻转角、回波时间、饱和带强度中的一种或多种的组合。
5.根据权利要求3所述的方法,其特征在于,所述根据所述多组校正数据获取所述对象不同期相的磁共振图像包括:
根据所述多组校正数据和多组欠采样数据,获取多组合成数据集;
重建所述多组合成数据集,以获取所述对象不同期相的磁共振图像。
6.一种神经网络训练装置,其特征在于,包括:
扫描数据获取模块,用于获取多组扫描数据,每组扫描数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;所述多组扫描数据是未给予造影剂的情况下获得的;每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度;
输入及目标数据获取模块,用于根据所述多组扫描数据获取多对输入数据和目标数据,所述输入数据为所述目标数据降采样获得;
训练模块,用于利用所述多对输入数据和目标数据对所述神经网络进行训练,获取目标神经网络;所述目标神经网络能够处理扫描对象被给予造影剂后获得的扫描数据。
7.一种磁共振成像装置,其特征在于,包括:
欠采样数据获取模块,用于获取对象不同期相的多组欠采样数据,且每组所述欠采样数据分别对应对象被给予造影剂后的一个期相;
校正数据获取模块,用于将所述多组欠采样数据输入目标神经网络获取多组校正数据;
磁共振图像获取模块,用于根据所述多组校正数据获取所述对象不同期相的磁共振图像;
其中,所述目标神经网络为利用多对输入数据和目标数据对神经网络训练获取,每对输入数据和目标数据分别对应不同扫描参数,所述扫描参数与图像对比度相关;所述目标神经网络能够处理扫描对象被给予造影剂后获得的扫描数据;多对输入数据和目标数据是根据多组扫描数据获取的,所述输入数据为所述目标数据降采样获得,所述多组扫描数据是未给予造影剂的情况下获得的;每组扫描数据重建得到的图像包括至少两种组织,所述两种组织在相同扫描参数下对应不同的信号强度,且所述两种组织在不同扫描参数下呈现不同的信号对比度。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227543.6A CN112890798B (zh) | 2019-12-04 | 2019-12-04 | 神经网络训练方法、磁共振成像方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227543.6A CN112890798B (zh) | 2019-12-04 | 2019-12-04 | 神经网络训练方法、磁共振成像方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112890798A CN112890798A (zh) | 2021-06-04 |
CN112890798B true CN112890798B (zh) | 2023-04-25 |
Family
ID=76110958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227543.6A Active CN112890798B (zh) | 2019-12-04 | 2019-12-04 | 神经网络训练方法、磁共振成像方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112890798B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646410A (zh) * | 2013-11-27 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN107110945A (zh) * | 2014-10-31 | 2017-08-29 | 皇家飞利浦有限公司 | 用于使用在两种不同磁场强度下采集的图像对图像细节进行分割的mri协议 |
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
WO2018187005A1 (en) * | 2017-04-07 | 2018-10-11 | Regents Of The University Of Minnesota | Methods for scan-specific k-space interpolation reconstruction in magnetic resonance imaging using machine learning |
WO2019046102A1 (en) * | 2017-08-30 | 2019-03-07 | The Board Of Trustees Of The University Of Illinois | SYSTEM AND METHOD FOR ULTRAPOID MAGNETIC RESONANCE SPECTROSCOPIC IMAGING USING SPECTRAL FEATURES LEARNED |
CN110095742A (zh) * | 2019-05-13 | 2019-08-06 | 上海东软医疗科技有限公司 | 一种基于神经网络的平面回波成像方法和装置 |
CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10845444B2 (en) * | 2017-01-17 | 2020-11-24 | The General Hospital Corporation | System and method for magnetic resonance fingerprinting using neural networks trained with sparsely sampled dictionaries |
US10133964B2 (en) * | 2017-03-28 | 2018-11-20 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction system and method |
US10782378B2 (en) * | 2018-05-16 | 2020-09-22 | Siemens Healthcare Gmbh | Deep learning reconstruction of free breathing perfusion |
-
2019
- 2019-12-04 CN CN201911227543.6A patent/CN112890798B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646410A (zh) * | 2013-11-27 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN107110945A (zh) * | 2014-10-31 | 2017-08-29 | 皇家飞利浦有限公司 | 用于使用在两种不同磁场强度下采集的图像对图像细节进行分割的mri协议 |
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
WO2018187005A1 (en) * | 2017-04-07 | 2018-10-11 | Regents Of The University Of Minnesota | Methods for scan-specific k-space interpolation reconstruction in magnetic resonance imaging using machine learning |
WO2019046102A1 (en) * | 2017-08-30 | 2019-03-07 | The Board Of Trustees Of The University Of Illinois | SYSTEM AND METHOD FOR ULTRAPOID MAGNETIC RESONANCE SPECTROSCOPIC IMAGING USING SPECTRAL FEATURES LEARNED |
CN110095742A (zh) * | 2019-05-13 | 2019-08-06 | 上海东软医疗科技有限公司 | 一种基于神经网络的平面回波成像方法和装置 |
CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
Non-Patent Citations (1)
Title |
---|
褚晶辉 等.一种基于级联卷积网络的三维脑肿瘤精细分割.激光与光电子学进展.2019,第56卷(第10期),101001-1—101001-10. * |
Also Published As
Publication number | Publication date |
---|---|
CN112890798A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712208B (zh) | 基于深度学习的大视野磁共振扫描图像重建方法和装置 | |
CN110244246B (zh) | 磁共振成像方法、装置、计算机设备和存储介质 | |
JP6595393B2 (ja) | 磁気共鳴イメージング装置、及び、画像処理方法 | |
US11346911B2 (en) | Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation | |
US11774535B2 (en) | Systems and methods for magnetic resonance imaging reconstruction | |
CN111090069A (zh) | 定量磁共振成像参数确定方法、装置、设备及存储介质 | |
CN109633503A (zh) | 磁共振图像重建方法、装置、计算机设备和存储介质 | |
WO2016050938A1 (en) | Magnetic resonance imaging with enhanced bone visualization | |
CN111257810B (zh) | 磁共振信号采集系统、方法 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN111080731A (zh) | 弥散加权成像方法及装置 | |
CN113391251A (zh) | 磁共振图像重建方法、装置和设备 | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN112890798B (zh) | 神经网络训练方法、磁共振成像方法、装置、设备和介质 | |
CN110673071B (zh) | 磁共振成像方法、装置、计算机设备及可读存储介质 | |
CN112826491B (zh) | 磁共振成像方法及系统 | |
CN110547799B (zh) | 磁共振成像方法、计算机设备和计算机可读存储介质 | |
CN116973823B (zh) | 基于全稳态平衡进动的线扫描磁共振成像方法和系统 | |
Cheng et al. | deep MR parametric mapping with unsupervised multi-tasking framework | |
CN112578325B (zh) | 磁共振成像方法、装置、计算机设备和存储介质 | |
CN111145285A (zh) | Mri动态增强图像重建方法、装置、计算机设备和存储介质 | |
CN112741612B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN112927313A (zh) | 磁共振图像重建方法、装置、计算机设备及可读存储介质 | |
WO2024103414A1 (zh) | 一种磁共振图像重建方法和图像重建装置 | |
CN116125350A (zh) | 磁共振图像生成方法、装置、计算机设备和存储介质 |
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 |