CN113534031A - 图像域数据生成方法、计算机设备和可读存储介质 - Google Patents
图像域数据生成方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN113534031A CN113534031A CN202010318903.XA CN202010318903A CN113534031A CN 113534031 A CN113534031 A CN 113534031A CN 202010318903 A CN202010318903 A CN 202010318903A CN 113534031 A CN113534031 A CN 113534031A
- Authority
- CN
- China
- Prior art keywords
- space
- training data
- data
- image domain
- space training
- 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
- 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
- G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
- G01R33/5618—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using both RF and gradient refocusing, e.g. GRASE
-
- 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
- G01R33/482—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 Cartesian trajectory
-
- 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
-
- 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
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种图像域数据生成方法、计算机设备和可读存储介质。该方法包括:获取采集的K空间数据,将K空间数据转换为第一图像域数据;将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。该方法可以提高得到的图像域数据的质量。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种图像域数据生成方法、计算机设备和可读存储介质。
背景技术
在当前的医疗领域中,磁共振成像(Magnetic Resonance Imaging,MRI)系统以其高清晰度图像、多方位薄层扫描、对疑难病症高确诊率等优点,被广泛应用在临床病灶分析上。通常,当人体位于MRI系统主磁体提供的强磁场中,在射频发射线圈的作用下可以产生射频信号,该射频信号经过梯度线圈磁场的空间编码后由射频接收线圈所接收,再经信号处理和图像重建单元得到被成像组织的图像。
其中,由射频接收线圈所接收的信号数据属于模拟信号,经模数转换后变为数字信息并填充至K空间,通过傅里叶变换可将K空间的原始数据点阵转变为磁共振图像点阵,便重建出了MRI图像。可以看出,MRI图像的质量与K空间数据的质量息息相关,而在当前的临床应用上,所得到的K空间数据通常质量较低。在传统技术中,通过对低质量的K空间数据进行去噪重建,以提高MRI图像数据的质量。
但是,传统技术所得到的MRI图像数据的质量仍不理想。
发明内容
基于此,有必要针对传统技术中得到的MRI图像数据的质量仍不理想的问题,提供一种图像域数据生成方法、计算机设备和可读存储介质。
一种图像域数据生成方法,该方法包括:
获取采集的K空间数据,将K空间数据转换为第一图像域数据;
将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
一种图像域数据生成装置,该装置包括:
获取模块,用于获取采集的K空间数据,将K空间数据转换为第一图像域数据;
生成模块,用于将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现以下步骤:
获取采集的K空间数据,将K空间数据转换为第一图像域数据;
将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取采集的K空间数据,将K空间数据转换为第一图像域数据;
将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
上述图像域数据生成方法、装置、计算机设备和可读存储介质,能够将获取的K空间数据转换为第一图像域数据,然后将第一图像域数据输入预设的神经网络模型,生成第二图像数据。其中,因第二图像域数据在多种质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,而该质量指标用于表征利用图像域数据所生成的磁共振图像的质量,则该方法中得到的第二图像域数据的质量明显较高;再者,该方法中采用神经网络模型生成第二图像域数据,可进一步提高得到的第二图像域数据的质量,同时提高了生成效率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像域数据生成方法的流程示意图;
图2a为一个实施例中神经网络模型的结构示意图;
图3为一个实施例中神经网络模型的训练方法的流程示意图;
图3a为一个实施例中第一成像序列的示意图;
图3b为一个实施例中第二成像序列的示意图;
图3c为一个实施例中第一K空间训练数据的获取过程示意图;
图3d为一个实施例中笛卡尔数据采集方式中,采集到的高质量K空间数据和低质量K空间数据的数据分布示意图;
图3e为一个实施例中非笛卡尔数据采集方式中,采集到的高质量K空间数据和低质量K空间数据的数据分布示意图;
图4为另一个实施例中图像域数据生成方法的流程示意图;
图4a为一个实施例中笛卡尔数据采集方式中,候选第二K空间训练数据的数据分布示意图;
图4b为一个实施例中非笛卡尔数据采集方式中,候选第二K空间训练数据的数据分布示意图;
图5为一个实施例中图像域数据生成装置的结构框图;
图6为另一个实施例中图像域数据生成装置的结构框图。
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图像域数据生成方法,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。可选地,该计算机设备还可以包括通信接口、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。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地,该计算机设备可以是个人计算机(personal computer,简称PC),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(portable android device,简称PAD)、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。
在一个实施例中,如图2所示,提供了一种图像域数据生成方法,以该方法应用于图1中的计算机设备为例进行说明。本实施例涉及的是根据采集的K空间数据进而生成高质量图像域数据的具体过程,该方法包括以下步骤:
S101,获取采集的K空间数据,将K空间数据转换为第一图像域数据。
具体地,在磁共振设备工作过程中,需要对磁共振信号进行空间定位编码,即频率编码和相位编码。磁共振接收线圈采集到的磁共振信号通常为带有空间定位编码信息的无线电波,属于模拟信号,需要经过模数转换变成数字信息,并填充到K空间中。K空间也可叫做傅里叶空间,每一幅磁共振图像都有其相应的K空间数据点阵,通过对K空间的数据进行傅里叶变换,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、相位和幅度的磁共振信号。把不同频率、相位及信号强度的磁共振数字信号分配到相应的像素中,便得到了磁共振图像域数据。因此,通过此处理过程,计算机设备便可以将获取到的K空间数据转换为第一图像域数据。其中,因第一图像域数据为由采集的K空间数据直接转换得到的,而在实际应用场景中,采集的K空间数据通常质量较低,则利用第一图像域数据所生成的磁共振图像质量也较低。
S102,将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
具体地,计算机设备将上述第一图像域数据输入预设的神经网络模型,该神经网络模型用于将第一图像域数据生成第二图像域数据,其中,第二图像域数据在一种或多种质量指标下的量化值均高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量,也即是说,利用第二图像域数据所生成的磁共振图像在各质量指标下的质量都高于利用第一图像域数据所生成的磁共振图像;可以理解为,第二图像域数据为高质量图像域数据,第一图像域数据为低质量图像域数据。可以理解得,将所述第一图像域数据输入预设的神经网络模型可包括将所述第一图像域数据反傅里叶变换至数据域,获取K空间数据,并将该K空间数据输入预设的神经网络模型。生成第二图像域数据得过程可包含利用预设的神经网络模型对K空间数据进行拟合或恢复,以获取模拟K空间数据,进一步地,将模拟K空间数据进行傅里叶变换获得第二图像域数据。也就是说,本申请实施例中预设的神经网络模型包含了神经网络输入前的图像域数据反傅里叶变换至数据域的过程、神经网络输入后的的数据域傅里叶变换至图像域数据的过程。
可选地,上述质量指标包括采样密度、图像分辨率、信噪比和有无伪影中的一者或者多者,那么第二图像域数据对应的采样密度高于第一图像域数据对应的采样密度,和/或第二图像域数据对应图像的图像分辨率高于第一图像域数据对应图像的图像分辨率,和/或第二图像域数据数据对应的信噪比高于第一图像域数据对应的信噪比,和/或第二图像域数据的多层混叠程度小于第一图像域数据的混叠程度(即第二图像域数据的伪影程度小于第一图像域数据的伪影程度)。
在一个实施例中,第一图像域数据可以对应梯度和自旋回波(gradient and spinecho,GRASE)序列在正或者负极性中的一者梯度下采集的K空间数据,;第二图像域数据可以对应GRASE序列在正、负两种极性梯度下采集的K空间数据的加权平均。利用第二图像域数据所生成的磁共振图像相对于第一图像域数据所生成的磁共振图像具有更少的伪影。示例性的,正极性梯度的GRASE序列的时序可如图3a所示,频率编码梯度场的起始极性为正向。负极性梯度的GRASE序列的时序可如图3b所示,频率编码梯度场的起始极性为负向。
在一个实施例中,第一图像域数据可以对应多层同时激发序列,该多层同时激发序列允许在同一时间激发扫描对象的多层,第一图像域数据所包含的一层(片层)对应的磁共振信号与相邻层对应的磁共振信号是完全混叠的;第二图像域数据可以对应引起视场偏移的多层同时激发序列,第二图像域数据所包含的一层对应的磁共振信号与相邻层对应的磁共振信号具有预设视场偏移。利用第二图像域数据所生成的每个片层的磁共振图像相对于第一图像域数据所生成的每个片层的磁共振图像具有更高的解混叠效率、更高的信噪比。
其中,上述神经网络模型为根据多种质量指标下的K空间训练数据进行训练所得到的,即由低质量的K空间训练数据和高质量的K空间训练数据组成训练数据,进而训练所得到的。神经网络(Artificial Neural Network,ANN)模型由大量的节点(或称神经元)之间相互联接构成,每个节点代表一种特定的输出函数,称为激励函数(activationfunction),每两个节点间的连接都代表一个对于通过该连接信号的加权值称之为权重,如图2a所示,神经网络模型包含数据输入层,中间隐藏层,数据输出层。可选地,本实施例中的神经网络模型可以是卷积神经网络(Convoltional Neural Networks,CNN),生成对抗网络(Generative Adversarial Networks,GAN)或者其他形式的神经网络模型。
本实施例提供的图像域数据生成方法,计算机设备首先将获取的K空间数据转换为第一图像域数据,然后将第一图像域数据输入预设的神经网络模型,生成第二图像数据。其中,因第二图像域数据在一种或多种质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,而该质量指标用于表征利用图像域数据所生成的磁共振图像的质量,则该方法中得到的第二图像域数据的质量明显较高;再者,该方法中采用神经网络模型生成第二图像域数据,可进一步提高得到的第二图像域数据的质量,同时提高了生成效率。
可选地,在一个实施例中,在使用上述神经网络模型生成第二图像域数据之前,还需对该神经网络模型进行训练。如图3所示,上述神经网络模型的训练方法可以包括:
S201,根据预设参数,采集第一K空间训练数据。
具体地,计算机设备首先需要获取大量的K空间训练数据,则可以根据预设参数采集第一K空间训练数据,其中,该第一K空间训练数据为高质量训练数据。可选地,预设参数可以包括空间频率、采样平均次数和采样间隔,其中,空间频率越高,其对应的图像分辨率越高;在一个位置采集过后,又在同一个位置多次采集可称为平均采样,采样平均次数越多,其对应的信噪比越高;采样间隔越小,其对应的采样密度越低。
在此实施例中,第一K空间训练数据可以通过第一成像序列和第二成像序列融合而得到,具体采用如下方法获得:
请参见图3a是本申请实施例的第一成像序列示意图,第一成像序列为第一梯度自旋回波成像序列,采用GRASE1表示。其中,RF表示由射频线圈发射的第一射频脉冲;梯度线圈分别形成沿层面选择梯度GSS方向、相位编码梯度GPE方向和频率编码梯度GRO方向的梯度场;Echo表示在信号采集窗内采集得到的回波信号。该第一射频脉冲包括90°激发脉冲和随后施加的一个或者更多个180°聚集脉冲;第一射频脉冲的对应时序位置施加有沿层面选择梯度GSS方向的选层梯度,且在沿层面选择梯度GSS方向上分别施加有第一极性反转梯度GSS1、第二极性反转梯度GSS2、第三极性反转梯度GSS3和第四极性反转梯度GSS4。本实施例图中的上、下方向的箭头对应的梯度则为极性反转梯度。在第一极性反转梯度GSS1和第二极性反转梯度GSS2之间的时序间隙,沿相位编码梯度GPE方向上施加尖波形梯度场;同时,在第一极性反转梯度GSS1和第二极性反转梯度GSS2之间的时序间隙,沿频率编码梯度GRO方向施加连续切换的第一极性频率编码梯度场GRO1,该第一极性频率编码梯度场GRO1的起始极性为正向。90°激发脉冲的中心与回波信号中心的时序间隔即为有效回波时间(Effective TE)。进一步地,在第三极性反转梯度GSS3和第四极性反转梯度GSS4之间的时序间隙,沿频率编码梯度GRO方向施加连续切换的第一极性频率编码梯度场GRO1,该第一极性频率编码梯度场GRO1的起始极性为正向;在第三极性反转梯度GSS3和第四极性反转梯度GSS4之间的时序间隙,沿相位编码梯度GPE方向上施加尖波形梯度场。在此实施例中,第一组回波中心的回波为自旋回波,位于自旋回波两侧的为梯度回波,且梯度回波信号的强度随着距离自旋回波的距离增大而衰减。进一步地,将自旋回波填充在K空间的中心区域,将梯度回波填充在K空间的中心区域的两侧。
请参见图3b是是本申请实施例的第二成像序列的示意图,其中,第二成像序列为第二梯度自旋回波序列,采用GRASE2表示。该第二射频脉冲包括90°激发脉冲和随后施加的一个或者更多个180°聚集脉冲;第二射频脉冲的对应时序位置施加有沿层面选择梯度GSS方向的选层梯度,且在沿层面选择梯度GSS方向上分别施加有第五极性反转梯度GSS5、第六极性反转梯度GSS6、第七极性反转梯度GSS7和第八极性反转梯度GSS8。在第五极性反转梯度GSS5和第六极性反转梯度GSS6之间的时序间隙,沿相位编码梯度GPE方向上施加尖波形梯度场;同时,在第五极性反转梯度GSS5和第六极性反转梯度GSS6之间的时序间隙,沿频率编码梯度GRO方向施加连续切换的第二极性频率编码梯度场GRO1,该第二极性频率编码梯度场GRO1的起始极性为负向。90°激发脉冲额中心与回波信号中心的时序间隔即为有效回波时间(Effective TE)。进一步地,在第七极性反转梯度GSS7和第八极性反转梯度GSS8之间的时序间隙,沿频率编码梯度GRO方向施加连续切换的第二极性频率编码梯度场GRO2,该第二极性频率编码梯度场GRO2的起始极性为负向;在第七极性反转梯度GSS7和第八极性反转梯度GSS8之间的时序间隙,沿相位编码梯度GPE方向上施加尖波形梯度场。
图3c为本申请实施例采用第一成像序列获得的K空间数据K_A、采用第二成像序列获得的K空间数据K_B、将两K空间数据中处于相同相位编码位置的K空间数据作加权平均处理,获得第一K空间训练数据K_NEW的过程。(图中横轴表示频率编码方向,纵轴表示相位编码方向;K_A、K_B中同一K空间的相同灰度表示一次激发采集的数据线)。
S202,根据第一K空间训练数据,生成第二K空间训练数据;其中,第二K空间训练数据在质量指标下的量化值低于第一K空间训练数据在对应质量指标下的量化值。
具体地,计算机设备根据上述第一K空间训练数据,可以生成第二K空间训练数据,其中,第二K空间训练数据为低质量训练数据,即其在多种质量指标下的量化值均低于第一K空间训练数据在对应质量指标下的量化值。
可选地,计算机设备可以将第一K空间训练数据中抽取部分空间数据,作为第二K空间训练数据,使得第二K空间训练数据对应的采样密度低于第一K空间训练数据对应的采样密度,和/或第二K空间训练数据对应图像的图像分辨率低于第一K空间训练数据对应图像的图像分辨率,和/或第二K空间训练数据对应的信噪比低于第一K空间训练数据对应的信噪比,和/或第二K空间训练数据对应的多层混叠程度高于第一K空间训练数据对应的信噪比。
在此实施例中,第二K空间训练数据为第一成像序列获得的K空间数据K_A或者第二成像序列获得的K空间数据K_B。
S203,将第一K空间训练数据转换为第一图像域训练数据,以及将第二K空间训练数据转换为第二图像域训练数据。
然后,计算机设备将第一K空间训练数据转换为第一图像域训练数据,将第二K空间训练数据转换为第二图像域训练数据,关于转换方法可以参见上述实施例中S101步骤的方法,在此不再赘述。
S204,将第二图像域训练数据作为输入、第一图像域训练数据作为标准输出,训练初始神经网络模型,以得到收敛的神经网络模型。
具体地,计算机设备将第二图像域训练数据输入初始神经网络模型,得到预测图像域数据,并计算预测图像域数据与第一图像域训练数据(即作为标准输出)之间的损失,利用该损失调整初始神经网络模型的网络参数,由此迭代训练,直至初始神经网络模型收敛,即得到收敛的神经网络模型。
可选地,计算机设备可以采用均方差函数作为损失函数计算上述损失,如根据C(w,b)=∑||y(a)-b||2关系式计算该损失,其中,a表示第二图像域训练数据,y(a)为预测图像域数据,b为第一图像域训练数据,w和b分别为网络的权重和偏差。
本实施例提供的图像域数据生成方法,计算机设备采用第一K空间训练数据、第二K空间训练数据对初始神经网络模型进行迭代训练,直至得到收敛的神经网络模型。即通过不断迭代训练,来提高神经网络模型的精度,以提高得到使用神经网络模型所生成的第二图像域数据的质量。
可选地,在一个实施例中,上述S201可以包括:根据预设的空间频率kml、预设的采样平均次数Al以及预设的采样间隔dKl,采集第一K空间训练数据;其中,采集第一K空间训练数据的空间频率kmh>[(1+10%)×kml],采集第一K空间训练数据的采样平均次数Ah>Al,采集第一K空间训练数据的采样间隔dKh<dKl。
首先,在基于笛卡尔数据采集方式中,预设的空间频率kml为预设的低质量K空间数据对应的K空间最高频率,也可理解为低质量K空间数据的图像域像素大小为xl,在采集时,高质量K空间数据的最高频率要大于kml至少10%,即高质量K空间数据对应的图像像素尺寸xh<xl,那么采集第一K空间训练数据的空间频率kmh>[(1+10%)×kml]。其次,预设的采样平均次数Al为预设的低质量K空间数据的采样平均次数,在采集时,高质量K空间数据的采样平均次数要大于Al,那么采集第一K空间训练数据的采样平均次数Ah>Al。最后,预设的采样间隔dKl为预设的低质量K空间数据的相邻点采样间隔,在采集时,高质量K空间数据的采样间隔要小于dKl,或者说低质量K空间的采样密度低于高质量K空间的采样密度,那么采集第一K空间训练数据的采样间隔dKh<dKl。关于笛卡尔数据采集方式中,采集到的高质量K空间数据和低质量K空间数据的数据分布示意图可以参见图3d所示。
可选地,在一个实施例中,上述S201还可以包括:根据预设的采样密度分布函数Pl,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值。
其中,在非笛卡尔数据采集方式中,例如径向采集(radial)、螺旋采集(spiral)或其他数据采集方式中,预设的采样密度分布函数Pl为预设的低质量K空间数据的采样密度在K空间的分布函数,在采集时,高质量K空间数据的采样密度分布函数在整个K空间或局部K空间的数值要高于Pl在相同位置的数值,那么采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值。关于非笛卡尔数据采集方式中,采集到的高质量K空间数据和低质量K空间数据的数据分布示意图可以参见图3e所示。
可选地,在一个实施例中,还可以将上述两个实施例中的实现方式进行结合,则上述S201还可以包括:根据预设的采样密度分布函数Pl、预设的采样平均次数Al,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值,采集第一K空间训练数据的采样平均次数Ah>Al。其中,其实现方式可以参见上述实施例中的描述,在此不再赘述。
可选地,在一个实施例中,如图4所示,涉及的是根据第一K空间训练数据生成第二K空间训练数据的具体过程,则上述S202可以包括:
S301,从第一K空间训练数据中,非均匀的间隔选取候选第二K空间训练数据;其中,候选第二K空间训练数据为预设数量的低频数据。
具体地,计算机设备从上述第一K空间训练数据中,非均匀的间隔选取候选第二K空间训练数据。其中,在笛卡尔数据采集方式中,从第一K空间训练数据中抽取靠近K空间中心的低频数据,且仅抽取这些低频数据的一部分作为候选第二K空间训练数据。可选地,也可以采用均匀间隔选取的方法选取候选第二K空间训练数据。抽取获得的候选第二K空间训练数据,需低于奈奎斯特采样定理,且存在K空间欠采样,关于选取的候选第二K空间训练数据的数据分布示意图可以参见图4a所示,第一K空间训练数据对应的最高频率以及采样密度均高于选取候选第二K空间训练数据,而且选取候选第二K空间训练数据存在非均匀性欠采样。
在非笛卡尔数据采集方式中,也从第一K空间训练数据中抽取靠近K空间中心的低频数据,且仅抽取这些低频数据的一部分作为候选第二K空间训练数据。可选地,也可以采用均匀间隔选取的方法选取候选第二K空间训练数据。关于选取的候选第二K空间训练数据的数据分布示意图可以参见图4b所示。
S302,根据候选第二K空间训练数据的采样平均次数N,从候选第二K空间训练数据中确定第二K空间训练数据;其中,第二K空间训练数据的采样平均次数M<N。
具体地,无论是在笛卡尔数据采集方式中还是非笛卡尔数据采集方式中,若高质量K空间数据被重复采集了N次(即N次平均),则其对应的候选第二K空间训练数据的采样平均次数也是N,然后计算机设备可以从N次平均中,抽取M次(M<N)作为第二K空间训练数据。
可选地,计算机设备可以根据候选第二K空间训练数据的采样平均次数N,确定从N次中选取M次的种数据组合;然后从种数据组合中随机选取一种组合,作为第二K空间训练数据。例如3次平均的候选第二K空间训练数据,可以产生1+2,1+3,2+3共3个组合的2次平均的第二K空间训练数据。
本实施例提供的图像域数据生成方法,计算机设备从第一K空间训练数据中,非均匀的间隔选取候选第二K空间训练数据,然后根据候选第二K空间训练数据的采样平均次数N,从候选第二K空间训练数据中确定第二K空间训练数据;其中,第二K空间训练数据的采样平均次数M<N。由此为上述神经网络模型的训练过程提供第一K空间训练数据和第二K空间训练数据的数据基础,使得神经网络模型的训练更加充分,以进一步提高训练得到的神经网路模型的精度。
应该理解的是,虽然图2-图4的流程图中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-图4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,如图5所示,提供了一种图像域数据生成装置,包括:获取模块11和生成模块12。
具体地,获取模块11,用于获取采集的K空间数据,将K空间数据转换为第一图像域数据;
生成模块12,用于将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
本实施例提供的图像域数据生成装置,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。
在一个实施例中,上述质量指标包括采样密度、图像分辨率、信噪比和有无伪影中的一者或多者。
在一个实施例中,如图6所示,上述装置还包括训练模块13,用于根据预设参数,采集第一K空间训练数据;根据第一K空间训练数据,生成第二K空间训练数据;其中,第二K空间训练数据在质量指标下的量化值低于第一K空间训练数据在对应质量指标下的量化值;将第一K空间训练数据转换为第一图像域训练数据,以及将第二K空间训练数据转换为第二图像域训练数据;将第二图像域训练数据作为输入、第一图像域训练数据作为标准输出,训练初始神经网络模型,以得到收敛的神经网络模型。
本实施例提供的图像域数据生成装置,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。
在一个实施例中,训练模块13,具体用于根据预设的空间频率kml、预设的采样平均次数Al以及预设的采样间隔dKl,采集第一K空间训练数据;其中,采集第一K空间训练数据的空间频率kmh>[(1+10%)×kml],采集第一K空间训练数据的采样平均次数Ah>Al,采集第一K空间训练数据的采样间隔dKh<dKl。
在一个实施例中,训练模块13,具体用于根据预设的采样密度分布函数Pl,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值。
在一个实施例中,训练模块13,具体用于根据预设的采样密度分布函数Pl、预设的采样平均次数Al,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值,采集第一K空间训练数据的采样平均次数Ah>Al。
在一个实施例中,训练模块13,具体用于从第一K空间训练数据中,非均匀的间隔选取候选第二K空间训练数据;其中,候选第二K空间训练数据为预设数量的低频数据;根据候选第二K空间训练数据的采样平均次数N,从候选第二K空间训练数据中确定第二K空间训练数据;其中,第二K空间训练数据的采样平均次数M<N。
关于图像域数据生成装置的具体限定可以参见上文中对于图像域数据生成方法的限定,在此不再赘述。上述图像域数据生成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,该计算机设备可以是终端,其内部结构图可以如图1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、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像域数据生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
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。
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:
获取采集的K空间数据,将K空间数据转换为第一图像域数据;
将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
或者,该处理器执行计算机程序时实现以下步骤:获取采集的K空间数据;将K空间数据输入预设的神经网络模型,生成模拟K空间数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的,K空间数据对应图像域的第一图像域数据,模拟K空间数据对应图像域的第二图像域数据,第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
本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,上述质量指标包括采样密度、图像分辨率、信噪比和有无伪影中的一者或多者。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设参数,采集第一K空间训练数据;
根据第一K空间训练数据,生成第二K空间训练数据;其中,第二K空间训练数据在质量指标下的量化值低于第一K空间训练数据在对应质量指标下的量化值;
将第一K空间训练数据转换为第一图像域训练数据,以及将第二K空间训练数据转换为第二图像域训练数据;
将第二图像域训练数据作为输入、第一图像域训练数据作为标准输出,训练初始神经网络模型,以得到收敛的神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设的空间频率kml、预设的采样平均次数Al以及预设的采样间隔dKl,采集第一K空间训练数据;其中,采集第一K空间训练数据的空间频率kmh>[(1+10%)×kml],采集第一K空间训练数据的采样平均次数Ah>Al,采集第一K空间训练数据的采样间隔dKh<dKl。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设的采样密度分布函数Pl,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设的采样密度分布函数Pl、预设的采样平均次数Al,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值,采集第一K空间训练数据的采样平均次数Ah>Al。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从第一K空间训练数据中,非均匀的间隔选取候选第二K空间训练数据;其中,候选第二K空间训练数据为预设数量的低频数据;
根据候选第二K空间训练数据的采样平均次数N,从候选第二K空间训练数据中确定第二K空间训练数据;其中,第二K空间训练数据的采样平均次数M<N。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
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:
获取采集的K空间数据,将K空间数据转换为第一图像域数据;
将第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;第二图像域数据在质量指标下的量化值高于第一图像域数据在对应质量指标下的量化值,质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
本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。
在一个实施例中,上述质量指标包括采样密度、图像分辨率、信噪比和有无伪影中的一者或多者。
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:
根据预设参数,采集第一K空间训练数据;
根据第一K空间训练数据,生成第二K空间训练数据;其中,第二K空间训练数据在质量指标下的量化值低于第一K空间训练数据在对应质量指标下的量化值;
将第一K空间训练数据转换为第一图像域训练数据,以及将第二K空间训练数据转换为第二图像域训练数据;
将第二图像域训练数据作为输入、第一图像域训练数据作为标准输出,训练初始神经网络模型,以得到收敛的神经网络模型。
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:
根据预设的空间频率kml、预设的采样平均次数Al以及预设的采样间隔dKl,采集第一K空间训练数据;其中,采集第一K空间训练数据的空间频率kmh>[(1+10%)×kml],采集第一K空间训练数据的采样平均次数Ah>Al,采集第一K空间训练数据的采样间隔dKh<dKl。
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:
根据预设的采样密度分布函数Pl,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值。
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:
根据预设的采样密度分布函数Pl、预设的采样平均次数Al,采集第一K空间训练数据;其中,采集第一K空间训练数据的采样密度分布函数Ph在K空间的值高于Pl在K空间相同位置的值,采集第一K空间训练数据的采样平均次数Ah>Al。
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:
从第一K空间训练数据中,非均匀的间隔选取候选第二K空间训练数据;其中,候选第二K空间训练数据为预设数量的低频数据;
根据候选第二K空间训练数据的采样平均次数N,从候选第二K空间训练数据中确定第二K空间训练数据;其中,第二K空间训练数据的采样平均次数M<N。
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:
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)
1.一种图像域数据生成方法,其特征在于,所述方法包括:
获取采集的K空间数据,将所述K空间数据转换为第一图像域数据;
将所述第一图像域数据输入预设的神经网络模型,生成第二图像域数据;其中,所述神经网络模型为根据一种或多种质量指标下的K空间训练数据进行训练所得到的;所述第二图像域数据在所述质量指标下的量化值高于所述第一图像域数据在对应质量指标下的量化值,所述质量指标用于表征利用图像域数据所生成的磁共振图像的质量。
2.根据权利要求1所述的方法,其特征在于,所述质量指标包括采样密度、图像分辨率、信噪比和有无伪影中的一者或多者。
3.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方法包括:
根据预设参数,采集第一K空间训练数据;
根据所述第一K空间训练数据,生成第二K空间训练数据;其中,所述第二K空间训练数据在所述质量指标下的量化值低于所述第一K空间训练数据在对应质量指标下的量化值;
将所述第一K空间训练数据转换为第一图像域训练数据,以及将所述第二K空间训练数据转换为第二图像域训练数据;
将所述第二图像域训练数据作为输入、所述第一图像域训练数据作为标准输出,训练所述初始神经网络模型,以得到收敛的所述神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述根据预设参数,采集第一K空间训练数据,包括:
根据预设的空间频率kml、预设的采样平均次数Al以及预设的采样间隔dKl,采集所述第一K空间训练数据;其中,采集所述第一K空间训练数据的空间频率kmh>[(1+10%)×kml],采集所述第一K空间训练数据的采样平均次数Ah>Al,采集所述第一K空间训练数据的采样间隔dKh<dKl。
5.根据权利要求3所述的方法,其特征在于,所述根据预设参数,采集第一K空间训练数据,包括:
根据预设的采样密度分布函数Pl,采集所述第一K空间训练数据;其中,采集所述第一K空间训练数据的采样密度分布函数Ph在K空间的值高于所述Pl在所述K空间相同位置的值。
6.根据权利要求3所述的方法,其特征在于,所述根据预设参数,采集第一K空间训练数据,包括:
根据预设的采样密度分布函数Pl、预设的采样平均次数Al,采集第一K空间训练数据;其中,采集所述第一K空间训练数据的采样密度分布函数Ph在K空间的值高于所述Pl在所述K空间相同位置的值,采集所述第一K空间训练数据的采样平均次数Ah>Al。
7.根据权利要求4-6任一项所述的方法,其特征在于,所述根据所述第一K空间训练数据,生成第二K空间训练数据,包括:
从所述第一K空间训练数据中,非均匀的间隔选取候选第二K空间训练数据;其中,所述候选第二K空间训练数据为预设数量的低频数据;
根据所述候选第二K空间训练数据的采样平均次数N,从所述候选第二K空间训练数据中确定所述第二K空间训练数据;其中,所述第二K空间训练数据的采样平均次数M<N。
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1-8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1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318903.XA CN113534031B (zh) | 2020-04-21 | 2020-04-21 | 图像域数据生成方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318903.XA CN113534031B (zh) | 2020-04-21 | 2020-04-21 | 图像域数据生成方法、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534031A true CN113534031A (zh) | 2021-10-22 |
CN113534031B CN113534031B (zh) | 2023-05-05 |
Family
ID=78093948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010318903.XA Active CN113534031B (zh) | 2020-04-21 | 2020-04-21 | 图像域数据生成方法、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113534031B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534030A (zh) * | 2020-04-13 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 磁共振成像的方法、装置、医疗设备及存储介质 |
CN114114116A (zh) * | 2022-01-27 | 2022-03-01 | 南昌大学 | 磁共振成像生成方法、系统、存储介质及计算机设备 |
WO2023165533A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion artifact simulation |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0633480A1 (en) * | 1993-07-09 | 1995-01-11 | Koninklijke Philips Electronics N.V. | Artefact suppression in GRASE MR imaging |
US5581181A (en) * | 1993-12-24 | 1996-12-03 | U.S. Philips Corporation | Grase MRI with read gradient polarity correction and T2 measurement |
US5647362A (en) * | 1993-09-16 | 1997-07-15 | U.S. Philips Corporation | Correction of read-gradient polarity in EPI and grase MRI |
US5680045A (en) * | 1995-07-20 | 1997-10-21 | Feinberg David A | Grase-type MR pulse sequences |
CN1289920A (zh) * | 1999-09-28 | 2001-04-04 | 通用电器横河医疗系统株式会社 | 核磁共振成像装置 |
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
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 |
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 |
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 |
CN109741409A (zh) * | 2018-11-30 | 2019-05-10 | 厦门大学 | 回波平面成像涡流伪影的无参考扫描校正方法 |
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 |
-
2020
- 2020-04-21 CN CN202010318903.XA patent/CN113534031B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0633480A1 (en) * | 1993-07-09 | 1995-01-11 | Koninklijke Philips Electronics N.V. | Artefact suppression in GRASE MR imaging |
US5647362A (en) * | 1993-09-16 | 1997-07-15 | U.S. Philips Corporation | Correction of read-gradient polarity in EPI and grase MRI |
US5581181A (en) * | 1993-12-24 | 1996-12-03 | U.S. Philips Corporation | Grase MRI with read gradient polarity correction and T2 measurement |
US5680045A (en) * | 1995-07-20 | 1997-10-21 | Feinberg David A | Grase-type MR pulse sequences |
CN1289920A (zh) * | 1999-09-28 | 2001-04-04 | 通用电器横河医疗系统株式会社 | 核磁共振成像装置 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
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 |
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 |
CN109741409A (zh) * | 2018-11-30 | 2019-05-10 | 厦门大学 | 回波平面成像涡流伪影的无参考扫描校正方法 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
YANIEL CABRERA 等: "Reducing CNN Textural Bias With k-Space Artifacts Improves Robustnes", 《IEEE ACCESS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534030A (zh) * | 2020-04-13 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 磁共振成像的方法、装置、医疗设备及存储介质 |
CN114114116A (zh) * | 2022-01-27 | 2022-03-01 | 南昌大学 | 磁共振成像生成方法、系统、存储介质及计算机设备 |
CN114114116B (zh) * | 2022-01-27 | 2022-08-23 | 南昌大学 | 磁共振成像生成方法、系统、存储介质及计算机设备 |
WO2023165533A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion artifact simulation |
Also Published As
Publication number | Publication date |
---|---|
CN113534031B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
JP6635770B2 (ja) | 磁気共鳴イメージング装置及び画像処理装置 | |
US10915990B2 (en) | Systems and methods for denoising medical images with deep learning network | |
CN113534031B (zh) | 图像域数据生成方法、计算机设备和可读存储介质 | |
US10489943B2 (en) | System and method for sparse image reconstruction | |
US20220237748A1 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
CN110133556B (zh) | 一种磁共振图像处理方法、装置、设备及存储介质 | |
CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
CN111047660B (zh) | 图像重建方法、装置、设备及存储介质 | |
CN114167334B (zh) | 磁共振图像的重建方法、装置及电子设备 | |
CN110827369A (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN114010180B (zh) | 一种基于卷积神经网络的磁共振快速成像方法及装置 | |
KR101580532B1 (ko) | 자기 공명 영상 처리 장치 및 방법 | |
CN110992435B (zh) | 图像重建方法及设备、成像数据的处理方法及装置 | |
CN111681297A (zh) | 图像重建方法、计算机设备和存储介质 | |
CN112669400B (zh) | 基于深度学习预测和残差架构的动态mr重建方法 | |
CN115598575A (zh) | 磁共振成像方法、装置、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 | |
CN111009020A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN113050009A (zh) | 三维磁共振快速参数成像方法和装置 | |
CN111681296B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
KR102472546B1 (ko) | 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 | |
Wang et al. | Online dynamic magnetic resonance imaging based on radial sampling and GPU acceleration | |
Zou et al. | A New Framework for 3D MR Fingerprinting with Efficient Subspace Reconstruction and Posterior Distribution Estimation |
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 |