CN113359076A - 磁共振成像方法、装置、计算机设备和存储介质 - Google Patents
磁共振成像方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113359076A CN113359076A CN202010151562.1A CN202010151562A CN113359076A CN 113359076 A CN113359076 A CN 113359076A CN 202010151562 A CN202010151562 A CN 202010151562A CN 113359076 A CN113359076 A CN 113359076A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- resonance imaging
- imaging data
- sample
- neural network
- 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
- G01R33/4818—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
- G01R33/4824—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 using a non-Cartesian trajectory
-
- 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
- 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
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种磁共振成像方法、装置、计算机设备和存储介质。所述方法包括:获取第一磁共振成像数据;第一磁共振成像数据填充K空间的部分编码位置;将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;第二磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置;预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据样本磁共振成像数据对初始神经网络模型的输出结果进行反馈,调节初始神经网络模型的参数,进行训练得到的;对第二磁共振成像数据进行图像重建,得到磁共振图像。采用本方法能够提高得到的第二磁共振成像数据的质量。
Description
技术领域
本申请涉及医学影像技术领域,特别是涉及一种磁共振成像方法、装置、计算机设备和存储介质。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)能够反映组织的纵向弛豫时间T1,横向弛豫时间T2和质子密度等多种特性,从而为疾病的检出和诊断提供信息,MRI已成为医学影像检查的重要技术手段。然而,磁共振成像过程中扫描速度慢、扫描时间长,限制了磁共振成像在临床上的应用。随着深度学习技术的发展,因其超强的学习能力,利用深度学习技术为磁共振扫描进行加速已成为深度学习技术的应用之一,而利用深度学习技术为磁共振扫描进行加速最大的问题就是训练集的获取。
传统技术中,获取深度学习模型的训练集的方法主要是通过预先制定好标准,对受试者进行长时间的数据采集,得到满采样数据,根据临床中会执行的欠采样方案对满采样数据进行剔除等处理,得到欠采样数据,将得到的欠采样数据作为深度学习模型的训练集。
然而,传统方法中由于采集满采样数据时间较长,导致采集到的满采样数据存在数据质量较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高采集的满采样数据质量的磁共振成像方法、装置、计算机设备和存储介质。
一种磁共振成像方法,所述方法包括:
获取第一磁共振成像数据;所述第一磁共振成像数据填充K空间的部分编码位置;
将所述第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;所述第二磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置;其中,所述预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据所述样本磁共振成像数据对所述预设的初始神经网络模型的输出结果进行反馈,以调节所述预设的初始神经网络模型的参数,对所述预设的初始神经网络模型进行训练得到的;所述样本磁共振成像数据填充样本K空间的部分样本编码位置;所述输出结果填充所述样本K空间的所述部分样本编码位置和除所述部分样本编码位置之外的编码位置;
对所述第二磁共振成像数据进行图像重建,得到磁共振图像。
在其中一个实施例中,所述神经网络模型的训练过程包括:
获取样本磁共振成像数据;所述样本磁共振成像数据填充所述样本K空间的部分样本编码位置;
将所述样本磁共振成像数据输入所述预设的初始神经网络模型,得到预测磁共振成像数据;所述预测磁共振成像数据填充所述样本K空间的所述部分样本编码位置和除所述部分样本编码位置之外的样本编码位置;
根据所述样本磁共振成像数据、所述预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对所述初始神经网络模型进行训练,得到所述神经网络模型;所述恢复样本磁共振成像数据为对所述样本磁共振成像数据进行拟合所得到的数据。
在其中一个实施例中,所述根据所述样本磁共振成像数据、所述预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
根据所述样本磁共振成像数据、所述预测磁共振成像数据和所述恢复样本磁共振成像数据,获取所述预设的判断标准的判断结果;
根据所述判断结果对所述初始神经网络模型进行训练,得到所述神经网络模型。
在其中一个实施例中,所述根据所述样本磁共振成像数据、所述预测磁共振成像数据和所述恢复样本磁共振成像数据,获取所述预设的判断标准的判断结果,包括:
根据所述样本磁共振成像数据和所述预测磁共振成像数据,获取第一判断结果;所述第一判断结果用于表征所述预测磁共振成像数据中的目标数据与所述样本磁共振成像数据是否一致;所述目标数据的位置与所述样本磁共振成像数据的位置一致;
根据所述样本磁共振成像数据和恢复样本磁共振成像数据,获取第二判别结果;所述第二判别结果用于表征所述预测磁共振成像数据中除所述样本磁共振成像数据之外的数据的准确性;
根据所述第一判别结果和所述第二判别结果,获取所述预设的判断标准的判断结果。
在其中一个实施例中,所述根据所述样本磁共振成像数据和所述预测磁共振成像数据,获取第一判断结果,包括:
根据所述样本磁共振成像数据、所述样本磁共振成像数据对应的采样轨迹以及所述预测磁共振成像数据,获取所述第一判断结果。
在其中一个实施例中,所述根据所述判断结果对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
根据所述判断结果对所述初始神经网络模型进行训练,将所述判断结果达到预设的稳定值时对应的初始神经网络模型,确定为所述神经网络模型。
在其中一个实施例中,所述对所述第二磁共振成像数据进行图像重建,得到磁共振图像,包括:
采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法中的任一种,对所述第二磁共振成像数据进行图像重建,得到所述磁共振图像。
一种磁共振成像装置,所述装置包括:
第一获取模块,用于获取第一磁共振成像数据;所述第一磁共振成像数据填充K空间的部分编码位置;
第二获取模块,用于将所述第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;所述第二磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置;其中,所述预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据所述样本磁共振成像数据对所述预设的初始神经网络模型的输出结果进行反馈,以调节所述预设的初始神经网络模型的参数,对所述预设的初始神经网络模型进行训练得到的;所述样本磁共振成像数据填充样本K空间的部分样本编码位置;所述输出结果填充所述样本K空间的所述部分样本编码位置和除所述部分编码位置之外的编码位置;
重建模块,用于对所述第二磁共振成像数据进行图像重建,得到磁共振图像。
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以下步骤:
获取第一磁共振成像数据;所述第一磁共振成像数据填充K空间的部分编码位置;
将所述第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;所述第二磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置;其中,所述预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据所述样本磁共振成像数据对所述预设的初始神经网络模型的输出结果进行反馈,以调节所述预设的初始神经网络模型的参数,对所述预设的初始神经网络模型进行训练得到的;所述样本磁共振成像数据填充样本K空间的部分样本编码位置;所述输出结果填充所述样本K空间的所述部分样本编码位置和除所述部分样本编码位置之外的编码位置;
对所述第二磁共振成像数据进行图像重建,得到磁共振图像。
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以下步骤:
获取第一磁共振成像数据;所述第一磁共振成像数据填充K空间的部分编码位置;
将所述第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;所述第二磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置;其中,所述预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据所述样本磁共振成像数据对所述预设的初始神经网络模型的输出结果进行反馈,以调节所述预设的初始神经网络模型的参数,对所述预设的初始神经网络模型进行训练得到的;所述样本磁共振成像数据填充样本K空间的部分样本编码位置;所述输出结果填充所述样本K空间的所述部分样本编码位置和除所述部分样本编码位置之外的编码位置;
对所述第二磁共振成像数据进行图像重建,得到磁共振图像。
上述磁共振成像方法、装置、计算机设备和存储介质,获取第一磁共振成像数据;第一磁共振成像数据填充K空间的部分编码位置;将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;第二磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置;其中,预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据样本磁共振成像数据对预设的初始神经网络模型的输出结果进行反馈,以调节预设的初始神经网络模型的参数,对预设的初始神经网络模型进行训练得到的;样本磁共振成像数据填充K空间的部分样本编码位置,输出结果填充K空间的部分编码位置和除部分编码位置之外的编码位置;对第二磁共振成像数据进行图像重建,得到磁共振图像。在该方法中,计算机设备通过填充K空间的部分编码位置的第一磁共振成像数据和预设的神经网络模型,得到填充K空间的部分编码位置和除部分编码位置之外的编码位置的第二磁共振成像数据,得到的第二磁共振成像数据是根据填充K空间的部分编码位置的第一磁共振成像数据得到的,而填充K空间的部分编码位置的第一磁共振成像数据的采集时间较短,进而也缩短了得到填充K空间的部分编码位置和除部分编码位置之外的编码位置的第二磁共振成像数据的采集时间,从而提高了得到的第二磁共振成像数据的质量;同时,由于第一磁共振成像数据的采集时间较短,保证了第一磁共振成像数据的自恰性,从而确保了采集到的第一磁共振成像数据的质量,进而可以根据高质量的第一磁共振成像数据和预设的神经网络模型,得到高质量的第二磁共振成像数据,提高了得到的第二磁共振成像数据的质量。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的磁共振成像方法的流程示意图;
图3为另一个实施例提供的磁共振成像方法的流程示意图;
图3a为一个实施例提供的得到满采样的磁共振成像数据的示意图;
图4为另一个实施例提供的磁共振成像方法的流程示意图;
图4a为一个实施例提供的对预设的初始神经网络模型进行训练得到神经网络模型的示意图;
图5为另一个实施例提供的磁共振成像方法的流程示意图;
图6为一个实施例提供的磁共振成像装置结构示意图。
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磁共振成像方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
本领域技术人员可以理解,图1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。
当前,用深度学习的方法为磁共振扫描进行加速,遇到的最大问题是如何采集训练数据。现有技术中,都是采集满采样的数据,然后对满采样数据进行后期处理,得到欠采样数据,将欠采样数据作为训练数据,满采样数据作为金标准,对深度学习模型进行训练,利用训练好的模型为磁共振扫描进行加速。但是,这种方法对满采样数据的采集有强烈的约束,需要预先制定好标准,然后进行采集,同时,采集满采样数据的时间很长,一般需要十分钟以上,时间过长的数据其本身的数据自洽性就会受到影响,很难保证采集到的满采样数据的质量,对采集受试者的要求也很严苛,整个采集过程不允许有任何运动,否则会导致数据的标准性降低,影响最终的训练结果。因此,有必要提供一种能够提高采集的满采样数据质量的磁共振成像方法、装置、计算机设备和存储介质。
需要说明的是,本申请实施例提供的磁共振成像方法,其执行主体可以是磁共振成像装置,该磁共振成像装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。该磁共振成像方法获取第一磁共振成像数据;该第一磁共振成像数据填充K空间的部分采样点;将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据,该第二磁共振成像数据填充K空间的前述部分采样点和未采样点;对第二磁共振成像数据进行图像重建,即可得到磁共振图像。
可选地,预设的神经网络模型为通过如下方式获得:获取欠采样训练样本K空间和恢复样本K空间,该恢复样本K空间为欠采样训练样本K空间进行拟合获得,欠采样训练样本K空间的部分采样点被填充(部分编码位置被填充),恢复样本K空间包含欠采样训练样本K空间的部分采样点数据和未采样点(对应编码位置未填充)的恢复数据;将所述欠采样训练样本K空间作为预设的初始神经网络模型的输入,并根据第一磁共振成像数据对预设的初始神经网络模型的输出结果、恢复样本K空间,调节所述预设的初始神经网络模型的参数,以生成所述预设的神经网络模型。
图2为一个实施例提供的磁共振成像方法的流程示意图。本实施例涉及的是计算机设备根据欠采样的磁共振成像数据获取满采样的磁共振成像数据,根据满采样的磁共振成像数据进行图像重建,得到磁共振图像的具体实现过程。如图2所示,该方法可以包括:
S201,获取第一磁共振成像数据;第一磁共振成像数据填充K空间的部分编码位置。
其中,磁共振成像数据可由磁共振接收线圈采集磁共振信号获得,该信号实际是带有空间编码信息的无线电波,该无线电波属于模拟信号而非数字信息,需要经过模数转换(analog-digital conversion,ADC)变成数字信号,后者被填充到K空间的编码位置,成为数字数据点阵。其中,K空间也称为傅里叶空间,其是带有空间定位编码信息的磁共振(Magnetic Resonance,MR)信号原始数字数据的填充空间。对K空间的数据进行傅里叶转换,就能对原始数字数据中的空间定位编码信息进行解码,分解出不同频率、相位和幅度的MR信号,不同的频率和相位代表不同的空间位置,而幅度则代表MR信号强度,将不同频率、相位及信号强度的MR数字信息分配到相应的像素中,即得到MR图像数据。
示例性地,以二维K空间为例说明,其编码位置沿频率编码方向(Kx)和相位编码方向(Ky)分布。二维K空间由包括256(频率编码)×256(相位编码)个编码位置形成矩阵。在本实施例中,可选的,第一磁共振成像数据填充的是K空间的部分编码位置,即第一磁共振成像数据为欠采样数据。第一磁共振成像数据可以是通过减少相位编码步级形成的256×128K空间数据矩阵,可以是部分回波采样方式在频率编码方向仅采集一半多一点得到的K空间数据矩阵,又或者是通过随机采样方式得到的K空间数据矩阵。进一步地,本申请实施例中第一磁共振成像数据填充的K空间的编码位置,可称之为采样点;去除第一磁共振成像数据填充的K空间的编码位置之外的其他编码位置,可称之为未采样点。
S202,将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;第二磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置;其中,预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据样本磁共振成像数据对预设的初始神经网络模型的输出结果进行反馈,以调节预设的初始神经网络模型的参数,对预设的初始神经网络模型进行训练得到的;样本磁共振成像数据填充样本K空间的部分样本编码位置;输出结果填充样本K空间的部分样本编码位置和除部分样本编码位置之外的编码位置。
具体的,计算机设备将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据,得到的第二磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置,即得到的第二磁共振成像数据为满采样数据。其中,预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据样本磁共振成像数据对预设的初始神经网络模型的输出结果进行反馈,以调节预设的初始神经网络模型的参数,对预设的初始神经网络模型进行训练得到的。其中,对预设的初始神经网络模型进行训练的样本磁共振成像数据填充样本K空间的部分样本编码位置;预设的初始神经网络模型的输出结果填充样本K空间的部分样本编码位置和除部分样本编码位置之外的编码位置。
可选的,预设的初始神经网络模型为卷积神经网络(Convolutional NeuralNetworks,CNN),如U-Net。示例性地,以K空间总共包括256×256个编码位置,第一磁共振成像数据填充的是K空间的256×128个编码位置为例进行说明,第一磁共振成像数据填充的是K空间的256×128个编码位置,将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据,则得到的第二磁共振成像数据填充K空间的上述256×128个编码位置和除该256×128个编码位置之外的其他编码位置。需要说明的是,其余编码位置的数量并不作具体限制,例如可以是256×1、256×2或者其他。
S203,对第二磁共振成像数据进行图像重建,得到磁共振图像。
具体的,计算机设备对上述得到的第二磁共振成像数据进行图像重建,得到磁共振图像。可选的,第二磁共振成像数据如果能够完全填充K空间,则可直接进行傅里叶编码,获得磁共振图像。对于第二磁共振成像数据仅填充K空间一部分的情况,计算机设备可以采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法中的任一种,对上述得到的第二磁共振成像数据进行图像重建,得到磁共振图像。
在本实施例中,计算机设备通过填充K空间的部分编码位置的第一磁共振成像数据和预设的神经网络模型,得到填充K空间的部分编码位置和除部分编码位置之外的编码位置的第二磁共振成像数据,得到的第二磁共振成像数据是根据填充K空间的部分编码位置的第一磁共振成像数据得到的,而填充K空间的部分编码位置的第一磁共振成像数据的采集时间较短,进而也缩短了得到填充K空间的部分编码位置和除部分编码位置之外的编码位置的第二磁共振成像数据的采集时间,从而提高了得到的第二磁共振成像数据的质量;同时,由于第一磁共振成像数据的采集时间较短,保证了第一磁共振成像数据的自洽性,从而确保了采集到的第一磁共振成像数据的质量,进而可以根据高质量的第一磁共振成像数据和预设的神经网络模型,得到高质量的第二磁共振成像数据,提高了得到的第二磁共振成像数据的质量。
图3为另一个实施例提供的磁共振成像方法的流程示意图。图3a为一个实施例提供的得到满采样的磁共振成像数据的示意图。本实施例涉及的是计算机设备对预设的初始神经网络模型进行训练,得到神经网络模型的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,上述神经网络模型的训练过程,包括:
S301,获取样本磁共振成像数据;样本磁共振成像数据填充样本K空间的部分样本编码位置。
具体的,计算机设备获取填充样本K空间的部分样本编码位置的样本磁共振成像数据。可选的,计算机设备可以从磁共振成像设备中实时地获取样本磁共振成像数据,也可以从PACS(Picture Archiving and Communication Systems,影像归档和通信系统)服务器中获取样本磁共振成像数据。
S302,将样本磁共振成像数据输入预设的初始神经网络模型,得到预测磁共振成像数据;预测磁共振成像数据填充样本K空间的部分样本编码位置和除部分样本编码位置之外的样本编码位置。
具体的,如图3a所示,计算机设备将样本磁共振成像数据输入预设的初始神经网络模型,得到预测磁共振成像数据。其中,得到的预测磁共振成像数据填充样本K空间的部分样本编码位置和除部分样本编码位置之外的样本编码位置。示例性地,例如,样本K空间总共包括256×256个编码位置,样本磁共振成像数据填充了样本K空间的64×32个编码位置,得到的预测磁共振成像数据填充样本K空间的64×32个编码位置和除该64×32个编码位置之外的一个或更多个样本编码位置。
S303,根据样本磁共振成像数据、预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对初始神经网络模型进行训练,得到神经网络模型;所述恢复样本磁共振成像数据为对所述样本磁共振成像数据进行空间拟合所得到的数据。
具体的,计算机设备根据样本磁共振成像数据、得到的预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对预设的初始神经网络模型进行训练,得到上述神经网络模型。其中,恢复样本磁共振成像数据为对样本磁共振成像数据进行空间拟合所得到的数据。可选的,计算机设备可以根据样本磁共振成像数据利用恢复样本磁共振成像数据,得到目标磁共振成像数据,根据目标磁共振成像数据和预设的判断标准,对初始神经网络模型进行训练,得到上述神经网络模型。
在本实施例中,输入预设的初始神经网络模型的样本磁共振成像数据填充样本K空间的部分样本编码位置,而填充样本K空间的部分样本编码位置的样本磁共振成像数据的采集时间较短,这样保证了样本磁共振成像数据的自恰性,确保了采集到的样本磁共振成像数据的质量,进而也保证了将样本磁共振成像数据输入预设的初始神经网络模型,得到的预测磁共振成像数据的质量,进而能够根据样本磁共振成像数据、预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对初始神经网络模型进行准确地训练,提高了得到的神经网络模型的准确度。
图4为另一个实施例提供的磁共振成像方法的流程示意图。图4a为一个实施例提供的对预设的初始神经网络模型进行训练得到神经网络模型的示意图。本实施例涉及的是计算机设备根据样本磁共振成像数据、预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对预设的初始神经网络模型进行训练,得到神经网络模型的具体实现过程。如图4所示,在上述实施例的基础上,作为一种可选的实施方式,上述S303,包括:
S401,根据样本磁共振成像数据、预测磁共振成像数据和恢复样本磁共振成像数据,获取预设的判断标准的判断结果。
具体的,计算机设备根据样本磁共振成像数据、预测磁共振成像数据和恢复样本磁共振成像数据,获取预设的判断标准的判断结果。可选的,计算机设备可以根据样本磁共振成像数据和欠采样恢复算法,得到恢复样本磁共振成像数据,根据样本磁共振成像数据、预测磁共振成像数据和恢复样本磁共振成像数据,获取预设的判断标准的判断结果。样本磁共振成像数据可以是实际扫描过程中采集的磁共振信号填充至K空间的部分编码位置,即K空间的编码位置并未完全填充,而包含有未填充数据的编码位置。恢复样本磁共振成像数据可以是样本磁共振成像数据采用欠采样恢复方法,对未填充数据的编码位置进行恢复获得。对未填充数据的编码位置所填充数据的恢复,具体可以利用K空间的对称性、结合线圈的灵敏度矩阵、利用K空间和时间的相关性、样本磁共振成像数据在特定域上的稀疏性或可压缩性等。可选地,欠采样恢复算法可以是敏感性编码(sensitivity encoding,SENSE)方法、SMASH(simultaneous acquisition of spatial harmonics)方法、GRAPPA方法、PSF(partially separable functions)方法、压缩感知方法、RIGR(reduced encoded imagingby generalized-series reconstruction)方法中的一种或者多种的结合。
S402,根据判断结果对初始神经网络模型进行训练,得到神经网络模型。
具体的,如图4a所示,计算机设备根据得到的预设的判断标准的判断结果对初始神经网络模型进行训练,得到上述神经网络模型。可选的,计算机设备可以根据得到的预设的判断标准的判断结果对初始神经网络模型进行训练,将预设的判断标准的判断结果达到预设的稳定值时对应的初始神经网络模型,确定为上述神经网络模型。
在本实施例中,计算机设备根据样本磁共振成像数据、预测磁共振成像数据和恢复样本磁共振成像数据,能够准确地获取预设的判断标准的判断结果,进而可以根据预设的判断标准的判断结果对初始神经网络模型进行准确地训练,提高了得到的神经网络模型的准确度。
图5为另一个实施例提供的磁共振成像方法的流程示意图。本实施例涉及的是计算机设备根据样本磁共振成像数据、预测磁共振成像数据和恢复样本磁共振成像数据,获取预设的判断标准的判断结果的具体实现过程。如图5所示,在上述实施例的基础上,作为一种可选的实施方式,上述S401,包括:
S501,根据样本磁共振成像数据和预测磁共振成像数据,获取第一判断结果;第一判断结果用于表征预测磁共振成像数据中的目标数据与样本磁共振成像数据是否一致;目标数据的位置与样本磁共振成像数据的位置一致。
具体的,计算机设备根据样本磁共振成像数据和预测磁共振成像数据,获取第一判断结果。第一判断结果用于表征得到的预测磁共振成像数据中的目标数据与样本磁共振成像数据是否一致,其中,预测磁共振成像数据中的目标数据的位置与样本磁共振成像数据的位置一致。可选的,计算机设备可以根据样本磁共振成像数据、样本磁共振成像数据对应的采样轨迹以及预测磁共振成像数据,获取第一判断结果。可选的,计算机设备可以根据公式||o(x*m-y)||获取第一判断结果,式中,x表示预测磁共振成像数据,m表示样本磁共振成像数据对应的采样轨迹,y表示样本磁共振成像数据,x*m表示预测磁共振成像数据中的目标数据,其中,o(x)=P(x)*x,P(x)为噪声概率分析函数,判断x在某个矩阵中为噪声的概率,其取值为0~1。
S502,根据预测磁共振成像数据和恢复样本磁共振成像数据,获取第二判别结果;第二判别结果用于表征预测磁共振成像数据中除样本磁共振成像数据之外的数据的准确性。
示例性的,计算机设备根据样本磁共振成像数据和恢复样本磁共振成像数据,获取第二判别结果。其中,第二判别结果用于表征预测磁共振成像数据中除目标数据之外的数据是否为磁共振成像数据。可选的,计算机设备可以根据样本磁共振成像数据和恢复样本磁共振成像数据,得到目标磁共振成像数据,根据目标磁共振成像数据判断预测磁共振成像数据中除目标数据之外的数据是否为磁共振成像数据。可选的,计算机设备可以根据公式||o(PI(x)-x)||,获取第二判别结果,式中,PI表示恢复样本磁共振成像数据,x表示预测磁共振成像数据,PI(x)表示利用恢复样本磁共振成像数据得到的目标磁共振成像数据。
S503,根据第一判别结果和第二判别结果,获取预设的判断标准的判断结果。
具体的,计算机设备根据第一判别结果和第二判别结果,获取预设的判断标准的判断结果。可选的,计算机设可以根据公式||o(x*m-y)||+λ||o(PI(x)-x)|获取预设的判别标准的判断结果,式中,λ为一常数。
在本实施例中,计算机设备根据样本磁共振成像数据和预测磁共振成像数据,能够对预测磁共振成像数据中的目标数据与样本磁共振成像数据是否一致进行判断,其中,预测磁共振成像数据中的目标数据的位置与样本磁共振成像数据的位置一致,这样能够保证得到的预测磁共振成像数据中与样本磁共振成像数据的位置一致的预测磁共振成像数据的准确度,另外,计算机设备根据样本磁共振成像数据和恢复样本磁共振成像数据,能够获取预测磁共振成像数据中除与样本磁共振成像数据的位置一致的目标数据之外的数据是否为磁共振成像数据的判别结果,保证了得到的预测磁共振成像数据中除与样本磁共振成像数据的位置一致的目标数据之外的数据为磁共振数据,进而能够根据第一判别结果和第二判别结果,获取预设的判断标准的判断结果,提高了得到的预设的判断标准的判断结果的准确度。
应该理解的是,虽然图2-5的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,图2-5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。
在一个实施例中,将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据,可以包括:将第一磁共振成像数据采用多个掩膜进行处理,获得多组第一子磁共振成像数据;将多组第一子磁共振成像数据输入预设的神经网络模型,获取多组第二子磁共振成像数据,将多组第二子磁共振成像数据进行合并,获得第二磁共振成像数据。示例性地,对第一磁共振成像数据进行处理的掩膜可以包括沿着相位编码方向逐条对称填充的轨迹、沿着相位编码方向迂回填充的轨迹,可以包括螺旋状、放射状等非笛卡尔(no-Cartesian)采样轨迹等。本实施例中,考虑到神经网络模型的训练过程中使用对样本磁共振成像数据进行空间拟合所得到的恢复样本磁共振成像数据,即不同的恢复算法对于神经网络模型的输出结果会有影响,本申请采用多个掩膜处理第一磁共振成像数据,每个掩膜可对应一种恢复算法,对应的,神经网络模型的第二子磁共振成像数据组成的第二磁共振成像数据鲁棒性更强,结果更可靠。
图6为一个实施例提供的磁共振成像装置结构示意图。如图6所示,该装置可以包括:第一获取模块10、第二获取模块11和重建模块12。
第一获取模块10,用于获取第一磁共振成像数据;第一磁共振成像数据填充K空间的部分编码位置;
第二获取模块11,用于将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;第二磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置;其中,预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据样本磁共振成像数据对预设的初始神经网络模型的输出结果进行反馈,以调节预设的初始神经网络模型的参数,对预设的初始神经网络模型进行训练得到的;样本磁共振成像数据填充样本K空间的部分样本编码位置;输出结果填充样本K空间的部分样本编码位置和除部分编码位置之外的编码位置;
重建模块12,用于对第二磁共振成像数据进行图像重建,得到磁共振图像。
本实施例提供的磁共振成像装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第三获取模块、第四获取模块和训练模块。
具体的,第三获取模块,用于获取样本磁共振成像数据;样本磁共振成像数据填充样本K空间的部分样本编码位置;
第四获取模块,用于将样本磁共振成像数据输入预设的初始神经网络模型,得到预测磁共振成像数据;预测磁共振成像数据填充样本K空间的部分样本编码位置和除部分样本编码位置之外的样本编码位置;
训练模块,用于根据样本磁共振成像数据、预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对初始神经网络模型进行训练,得到神经网络模型;恢复样本磁共振成像数据为对样本磁共振成像数据进行空间拟合所得到的数据。
本实施例提供的磁共振成像装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述训练模块包括:获取单元和训练单元。
具体的,获取单元,用于根据样本磁共振成像数据、预测磁共振成像数据和恢复样本磁共振成像数据,获取预设的判断标准的判断结果;
训练单元,用于根据判断结果对初始神经网络模型进行训练,得到神经网络模型。
本实施例提供的磁共振成像装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述获取单元,具体用于根据样本磁共振成像数据和预测磁共振成像数据,获取第一判断结果;第一判断结果用于表征预测磁共振成像数据中的目标数据与样本磁共振成像数据是否一致;目标数据的位置与样本磁共振成像数据的位置一致;根据样本磁共振成像数据和恢复样本磁共振成像数据,获取第二判别结果;第二判别结果用于表征预测磁共振成像数据中除目标数据之外的数据是否为磁共振成像数据;根据第一判别结果和第二判别结果,获取预设的判断标准的判断结果。
本实施例提供的磁共振成像装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述获取单元,具体用于根据样本磁共振成像数据、样本磁共振成像数据对应的采样轨迹以及预测磁共振成像数据,获取第一判断结果。
本实施例提供的磁共振成像装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述训练单元,具体用于根据判断结果对初始神经网络模型进行训练,将判断结果达到预设的稳定值时对应的初始神经网络模型,确定为神经网络模型。
本实施例提供的磁共振成像装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述重建模块包括重建单元。
具体的,重建单元,用于采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法,对第二磁共振成像数据进行图像重建,得到磁共振图像。
本实施例提供的磁共振成像装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于磁共振成像装置的具体限定可以参见上文中对于磁共振成像方法的限定,在此不再赘述。上述磁共振成像装置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。
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:
获取第一磁共振成像数据;第一磁共振成像数据填充K空间的部分编码位置;
将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;第二磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置;其中,预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据样本磁共振成像数据对预设的初始神经网络模型的输出结果进行反馈,以调节预设的初始神经网络模型的参数,对预设的初始神经网络模型进行训练得到的;样本磁共振成像数据填充样本K空间的部分样本编码位置;输出结果填充样本K空间的部分样本编码位置和除部分样本编码位置之外的编码位置;
对第二磁共振成像数据进行图像重建,得到磁共振图像。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
获取第一磁共振成像数据;第一磁共振成像数据填充K空间的部分编码位置;
将第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;第二磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置;其中,预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据样本磁共振成像数据对预设的初始神经网络模型的输出结果进行反馈,以调节预设的初始神经网络模型的参数,对预设的初始神经网络模型进行训练得到的;样本磁共振成像数据填充样本K空间的部分样本编码位置;输出结果填充样本K空间的部分样本编码位置和除部分样本编码位置之外的编码位置;
对第二磁共振成像数据进行图像重建,得到磁共振图像。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上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发明专利范围的限制。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 (10)
1.一种磁共振成像方法,所述方法包括:
获取第一磁共振成像数据;所述第一磁共振成像数据填充K空间的部分编码位置;
将所述第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;所述第二磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置;其中,所述预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据所述样本磁共振成像数据对所述预设的初始神经网络模型的输出结果进行反馈,以调节所述预设的初始神经网络模型的参数,对所述预设的初始神经网络模型进行训练得到的;所述样本磁共振成像数据填充样本K空间的部分样本编码位置;所述输出结果填充所述样本K空间的所述部分样本编码位置和除所述部分样本编码位置之外的编码位置;
对所述第二磁共振成像数据进行图像重建,得到磁共振图像。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型的训练过程包括:
获取样本磁共振成像数据;所述样本磁共振成像数据填充所述样本K空间的部分样本编码位置;
将所述样本磁共振成像数据输入所述预设的初始神经网络模型,得到预测磁共振成像数据;所述预测磁共振成像数据填充所述样本K空间的所述部分样本编码位置和除所述部分样本编码位置之外的样本编码位置;
根据所述样本磁共振成像数据、所述预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对所述初始神经网络模型进行训练,得到所述神经网络模型;所述恢复样本磁共振成像数据为对所述样本磁共振成像数据进行拟合所得到的数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本磁共振成像数据、所述预测磁共振成像数据、恢复样本磁共振成像数据和预设的判断标准,对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
根据所述样本磁共振成像数据、所述预测磁共振成像数据和所述恢复样本磁共振成像数据,获取所述预设的判断标准的判断结果;
根据所述判断结果对所述初始神经网络模型进行训练,得到所述神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述样本磁共振成像数据、所述预测磁共振成像数据和所述恢复样本磁共振成像数据,获取所述预设的判断标准的判断结果,包括:
根据所述样本磁共振成像数据和所述预测磁共振成像数据,获取第一判断结果;所述第一判断结果用于表征所述预测磁共振成像数据中的目标数据与所述样本磁共振成像数据是否一致;所述目标数据的位置与所述样本磁共振成像数据的位置一致;
根据所述样本磁共振成像数据和所述恢复样本磁共振成像数据,获取第二判别结果;所述第二判别结果用于表征所述预测磁共振成像数据中除所述样本磁共振成像数据之外的数据的准确性;
根据所述第一判别结果和所述第二判别结果,获取所述预设的判断标准的判断结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述样本磁共振成像数据和所述预测磁共振成像数据,获取第一判断结果,包括:
根据所述样本磁共振成像数据、所述样本磁共振成像数据对应的采样轨迹以及所述预测磁共振成像数据,获取所述第一判断结果。
6.根据权利要求4项所述的方法,其特征在于,所述根据所述判断结果对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
根据所述判断结果对所述初始神经网络模型进行训练,将所述判断结果达到预设的稳定值时对应的初始神经网络模型,确定为所述神经网络模型。
7.根据权利要求1所述的方法,其特征在于,所述对所述第二磁共振成像数据进行图像重建,得到磁共振图像,包括:
采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法中的任一种,对所述第二磁共振成像数据进行图像重建,得到所述磁共振图像。
8.一种磁共振成像装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一磁共振成像数据;所述第一磁共振成像数据填充K空间的部分编码位置;
第二获取模块,用于将所述第一磁共振成像数据输入预设的神经网络模型,得到第二磁共振成像数据;所述第二磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置;其中,所述预设的神经网络模型为将样本磁共振成像数据作为预设的初始神经网络模型的输入,并根据所述样本磁共振成像数据对所述预设的初始神经网络模型的输出结果进行反馈,以调节所述预设的初始神经网络模型的参数,对所述预设的初始神经网络模型进行训练得到的;所述样本磁共振成像数据填充样本K空间的部分样本编码位置;所述输出结果填充所述样本K空间的所述部分样本编码位置和除所述部分编码位置之外的编码位置;
重建模块,用于对所述第二磁共振成像数据进行图像重建,得到磁共振图像。
9.一种计算机设备,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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151562.1A CN113359076B (zh) | 2020-03-06 | 2020-03-06 | 磁共振成像方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151562.1A CN113359076B (zh) | 2020-03-06 | 2020-03-06 | 磁共振成像方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359076A true CN113359076A (zh) | 2021-09-07 |
CN113359076B CN113359076B (zh) | 2022-09-27 |
Family
ID=77524021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010151562.1A Active CN113359076B (zh) | 2020-03-06 | 2020-03-06 | 磁共振成像方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359076B (zh) |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015167307A1 (ko) * | 2014-04-30 | 2015-11-05 | 삼성전자 주식회사 | 자기 공명 영상 장치 및 자기 공명 영상의 생성 방법 |
WO2017113205A1 (zh) * | 2015-12-30 | 2017-07-06 | 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 |
US20180024215A1 (en) * | 2016-07-21 | 2018-01-25 | Yudong Zhu | Signal coding and structure modeling for imaging |
CN107656224A (zh) * | 2017-09-30 | 2018-02-02 | 上海联影医疗科技有限公司 | 一种磁共振成像方法、装置及系统 |
CN108814603A (zh) * | 2018-05-10 | 2018-11-16 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
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 |
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 |
US20190059780A1 (en) * | 2017-08-25 | 2019-02-28 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging apparatus and method of reconstructing mr image by using neural network |
CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
US20190101605A1 (en) * | 2017-09-29 | 2019-04-04 | Yonsei University, University - Industry Foundation (UIF) | Apparatus and method for reconstructing magnetic resonance image using learning, and under-sampling apparatus method and recording medium thereof |
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和系统 |
CN109886358A (zh) * | 2019-03-21 | 2019-06-14 | 上海理工大学 | 基于多时空信息融合卷积神经网络的人体行为识别方法 |
CN110244246A (zh) * | 2019-07-03 | 2019-09-17 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN110490832A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨工业大学 | 一种基于正则化深度图像先验方法的磁共振图像重建方法 |
US20190362522A1 (en) * | 2016-09-06 | 2019-11-28 | Elekta, Inc. | Neural network for generating synthetic medical images |
CN110570487A (zh) * | 2019-08-26 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
CN110673070A (zh) * | 2019-09-12 | 2020-01-10 | 上海联影医疗科技有限公司 | 磁共振信号校正网络的训练方法和磁共振信号处理方法 |
CN110664378A (zh) * | 2019-10-28 | 2020-01-10 | 中国科学院深圳先进技术研究院 | 磁共振成像方法、装置、系统及存储介质 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
US20200041592A1 (en) * | 2018-08-03 | 2020-02-06 | Neusoft Medical Systems Co., Ltd. | Magnetic resonance imaging method and device |
CN110766661A (zh) * | 2019-09-26 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
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 |
CN110827369A (zh) * | 2019-10-31 | 2020-02-21 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、设备和存储介质 |
US20200065969A1 (en) * | 2018-08-27 | 2020-02-27 | Siemens Healthcare Gmbh | Medical image segmentation from raw data using a deep attention neural network |
US20200355774A1 (en) * | 2017-06-06 | 2020-11-12 | Shenzhen Institutes Of Advanced Technology | One-dimensional partial fourier parallel magnetic resonance imaging method based on deep convolutional network |
US20210224952A1 (en) * | 2018-05-15 | 2021-07-22 | Monash University | Method and system of image reconstruction for magnetic resonance imaging |
-
2020
- 2020-03-06 CN CN202010151562.1A patent/CN113359076B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015167307A1 (ko) * | 2014-04-30 | 2015-11-05 | 삼성전자 주식회사 | 자기 공명 영상 장치 및 자기 공명 영상의 생성 방법 |
WO2017113205A1 (zh) * | 2015-12-30 | 2017-07-06 | 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 |
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 |
US20180024215A1 (en) * | 2016-07-21 | 2018-01-25 | Yudong Zhu | Signal coding and structure modeling for imaging |
US20190362522A1 (en) * | 2016-09-06 | 2019-11-28 | Elekta, Inc. | Neural network for generating synthetic medical images |
US20200355774A1 (en) * | 2017-06-06 | 2020-11-12 | Shenzhen Institutes Of Advanced Technology | One-dimensional partial fourier parallel magnetic resonance imaging method based on deep convolutional network |
US20190059780A1 (en) * | 2017-08-25 | 2019-02-28 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging apparatus and method of reconstructing mr image by using neural network |
US20190101605A1 (en) * | 2017-09-29 | 2019-04-04 | Yonsei University, University - Industry Foundation (UIF) | Apparatus and method for reconstructing magnetic resonance image using learning, and under-sampling apparatus method and recording medium thereof |
CN107656224A (zh) * | 2017-09-30 | 2018-02-02 | 上海联影医疗科技有限公司 | 一种磁共振成像方法、装置及系统 |
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 |
CN108814603A (zh) * | 2018-05-10 | 2018-11-16 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
US20210224952A1 (en) * | 2018-05-15 | 2021-07-22 | Monash University | Method and system of image reconstruction for magnetic resonance imaging |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
US20200041592A1 (en) * | 2018-08-03 | 2020-02-06 | Neusoft Medical Systems Co., Ltd. | Magnetic resonance imaging method and device |
US20200065969A1 (en) * | 2018-08-27 | 2020-02-27 | Siemens Healthcare Gmbh | Medical image segmentation from raw data using a deep attention neural network |
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 |
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 |
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和系统 |
CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN109886358A (zh) * | 2019-03-21 | 2019-06-14 | 上海理工大学 | 基于多时空信息融合卷积神经网络的人体行为识别方法 |
CN110244246A (zh) * | 2019-07-03 | 2019-09-17 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN110490832A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨工业大学 | 一种基于正则化深度图像先验方法的磁共振图像重建方法 |
CN110570487A (zh) * | 2019-08-26 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
CN110673070A (zh) * | 2019-09-12 | 2020-01-10 | 上海联影医疗科技有限公司 | 磁共振信号校正网络的训练方法和磁共振信号处理方法 |
CN110766661A (zh) * | 2019-09-26 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
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 |
CN110664378A (zh) * | 2019-10-28 | 2020-01-10 | 中国科学院深圳先进技术研究院 | 磁共振成像方法、装置、系统及存储介质 |
CN110827369A (zh) * | 2019-10-31 | 2020-02-21 | 上海联影智能医疗科技有限公司 | 欠采样模型生成方法、图像重建方法、设备和存储介质 |
Non-Patent Citations (6)
Title |
---|
JIAQI SUN, ALIREZA ENTEZARI, BABA C. VEMURI: "Exploiting structural redundancy in q-space for improved EAP reconstruction from highly undersampled (k, q)space in DMRI", 《MEDICAL IMAGE ANALYSIS》 * |
P. M. PUTINICĂ, ST. STĂNCESCU: "Performance and coding gains of MTR-RLL codes in partial response magnetic channels", 《 IEEE MEDITERRANEAN ELECTROTECHNICAL CONFERENCE》 * |
RAGHAVENDRA M.A.N.S,U.SHRIPATHI ACHARYA: "Non-orthogonal space–frequency block codes from cyclic codes for wireless systems employing MIMO-OFDM with index modulation", 《PHYSICAL COMMUNICATION》 * |
方梦诗,钟群,陈自谦,付丽媛,林朝上,林燕,陈振,周伟恩: "高分辨MRI及增强扫描在直肠癌术前分期中的应用价值", 《功能与分子医学影像学》 * |
蔡春祥,周小兵: "对比分析放射状与线性k空间采集技术在骨关节MRI的应用", 《实用临床医药杂志》 * |
闵晓黎;谈跃: "颈动脉狭窄的诊断进展", 《国外医学(老年医学分册)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113359076B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10996306B2 (en) | MRI system and method using neural network for detection of patient motion | |
CN109557489A (zh) | 一种磁共振成像方法和装置 | |
CN110992440B (zh) | 弱监督磁共振快速成像方法和装置 | |
CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN114167334B (zh) | 磁共振图像的重建方法、装置及电子设备 | |
CN115135237A (zh) | 磁共振影像处理装置及其方法 | |
CN110490947B (zh) | 核磁共振图像重建方法、装置、存储介质及终端设备 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN113534031B (zh) | 图像域数据生成方法、计算机设备和可读存储介质 | |
KR20220082302A (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
WO2019218001A1 (en) | Method and system of image reconstruction for magnetic resonance imaging | |
US10527695B2 (en) | Systems and methods for efficient magnetic resonance fingerprinting scheduling | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN113359076B (zh) | 磁共振成像方法、装置、计算机设备和存储介质 | |
CN112927313B (zh) | 磁共振图像重建方法、装置、计算机设备及可读存储介质 | |
CN115598575A (zh) | 磁共振成像方法、装置、计算机设备和存储介质 | |
CN111681296B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN111009020A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN112116674A (zh) | 图像重建方法、装置、终端及存储介质 | |
CN113050009A (zh) | 三维磁共振快速参数成像方法和装置 | |
KR102572311B1 (ko) | 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
KR102467249B1 (ko) | 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 | |
KR102472546B1 (ko) | 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 | |
KR102475397B1 (ko) | 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 | |
KR102508451B1 (ko) | 블로흐 방정식 기반 생성적 적대 신경망을 이용한 지방 포화 자기 공명 영상 생성 방법 및 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 |