CN114021485A - 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统 - Google Patents

基于Bloch仿真合成训练样本的螺旋桨欠采重建系统 Download PDF

Info

Publication number
CN114021485A
CN114021485A CN202111451737.1A CN202111451737A CN114021485A CN 114021485 A CN114021485 A CN 114021485A CN 202111451737 A CN202111451737 A CN 202111451737A CN 114021485 A CN114021485 A CN 114021485A
Authority
CN
China
Prior art keywords
data
propeller
training
image
simulation
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
Application number
CN202111451737.1A
Other languages
English (en)
Other versions
CN114021485B (zh
Inventor
陈忠
杜宏杰
蔡聪波
王杰超
陈欣然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202111451737.1A priority Critical patent/CN114021485B/zh
Publication of CN114021485A publication Critical patent/CN114021485A/zh
Application granted granted Critical
Publication of CN114021485B publication Critical patent/CN114021485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

基于Bloch仿真合成训练样本的螺旋桨欠采重建系统，涉及磁共振成像领域。系统包括原始模板生成模块、模拟采样模块、训练样本生成模块、深度神经网络训练模块和图像重建模块。方法：1)生成原始模板；2)生成既定参数的采样后的数据；3)批量生成定量的训练样本；4)深度神经网络训练；5)图像重建。具有重建图像时间短、重建图像质量高和抵抗运动伪影等优点,方便螺旋桨(PROPELLER)数据的采集和相关研究，可以在采样数据量少甚至有运动的情况下，快速地重建出质量高无运动伪影的图片，节约大量人力物力成本。

Description

基于Bloch仿真合成训练样本的螺旋桨欠采重建系统
技术领域
本发明涉及磁共振成像领域，尤其是涉及一种基于Bloch仿真合成训练样本的螺旋桨欠采重建系统。
背景技术
PROPELLER(Periodically Rotated Overlapping Parallel Lines withEnhanced Reconstruction)成像技术，又名螺旋桨成像技术，因其独特的酷似螺旋桨叶片的采样方式而得名，由James G.Pipe于1999年提出的一种磁共振成像技术。其目的在于利用中心重复采样的数据信息，对采样中发生运动进行估计和校正。已经证明，其在抵抗刚体运动伪影方面效果显著，已经大量运用在各大磁共振仪器产商高端的磁共振机器上，已于2004年推广到中国。
常规的PROPELLER成像技术包括数据采集、相位校正、旋转矫正、平移校正、相关性加权和网格化重建这几个部分。但是，PROPELLER技术也受着一些条件的制约，一方面，其需要大量的过采样数据的支持，需要耗费大量的采样时间；另一方面，网格化重建的算法的好坏也严重制约最后的成像速度和最终图像重建质量。目前，很多研究组针对PROPELLER成像算法提出一些新的序列方法来缩短PROPELLER采样的时间、提出新的运动估计和校正算法来提高对运动估计的精度以及提出新的网格化算法加快成像精度和速度等。而近年来，随着深度神经网络的兴起，深度学习成为计算机视觉方面研究的重要帮手。同样地，磁共振图像也可以通过深度学习来弥补重建时间过长、质量不高的缺点。
综上所述，需要找到更高效更高质量的方法来快速重建出PROPELLER采样数据的图像。新的方法，可以成倍的减少采样时间，不需要过多的数据点，但是又要图像重建时间短、图像质量高且对运动图像运动校正较为准确。
发明内容
本发明的目的在于提供可在采样数据量少甚至有运动的情况下，快速重建出质量高无运动伪影的图片，节约人力物力成本的一种基于Bloch仿真合成训练样本的螺旋桨欠采重建系统。
本发明的另一目的在于提供建图像时间短、重建图像质量高，可抵抗运动伪影的一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法。
所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建系统包括原始模板生成模块、模拟采样模块、训练样本生成模块、深度神经网络训练模块、图像重建模块；
所述原始模板生成模块用于对磁共振脑部、腹部数据集通过计算、整合，生成模拟的不同模板的完整数据集；
所述模拟采样模块用于通过建立磁场模型，结合PROPELLER序列并基于Bloch仿真对模拟数据集进行数据采样，生成既定参数的采样后的数据并保存；
所述训练样本生成模块用于将采样后数据集的k空间数据处理成特定参数维度的数据，并对数据进行外理后批量生成定量训练样本；
所述深度神经网络训练模块用于对输入深度神经网络中的定量训练样本到进行网络拟合训练；
所述图像重建模块用于对训练好的深度神经网络，以及PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，包括以下步骤：
1)生成原始模板；
2)生成既定参数的采样后的数据；
3)批量生成定量的训练样本；
4)深度神经网络训练；
5)图像重建。
在步骤1)中，所述生成原始模板，具体包括以下步骤：
1.1)获取公开的磁共振脑部、腹部数据集，并根据已有模态计算得到包括T1、T2、M0等参数。
1.2)合成固定形状的仿真水模，每个水模内部随机选取不同的T2、M0、T1组合。
1.3)合成图案随机的仿真模板，让随机图案填满整个空白矩形模板，并在其中添加来自于外部光学数据集的纹理，合成T2、M0、T1等参数的组合。
1.4)整合数据集，确定添加比例，得到有四种包括模拟人脑、模拟水膜、模拟随机图案以及模拟腹部的不同模板的完整数据集，作为原始模板。
在步骤2)中，所述生成既定参数的采样后的数据，包括以下步骤：
2.1)输入数据集样本；
2.2)将磁场进行建模处理，得到磁场模型；
2.3)利用磁场模型结合设定好的PROPELLER序列并基于Bloch仿真对对模拟数据集进行数据采样；
2.4)得到所述数据集的k空间数据；
2.5)利用所得k空间数据重建出传统非欠采样PROPELLER方法重建图像并保存；
2.6)重复步骤2.1)～2.5)，生成既定参数的采样后的数据。
在步骤3)中，所述批量生成定量的训练样本，包括以下步骤：
3.1)加载数据集的k空间数据，处理成特定参数维度的数据，包括每个Blade的矩阵大小以及Blade数量；
3.2)对所述特定参数维度的数据，加入模拟随机噪声；
3.3)对所述Blade的k空间矩形数据进行充零处理，变成方形k空间矩阵；
3.4)对所述方形k空间矩阵进行逆傅里叶变换，得到图像数据；
3.5)对图像数据添加随机旋转运动和随机平移运动，得到模拟运动后的数据；
3.6)对模拟运动后的数据进行旋转处理，并裁剪成原来方形矩阵大小；
3.7)根据欠采样倍率调整Blade数量；
3.8)对单个采样的所有Blade数据进行归一化处理，并裁剪成适合网络训练的大小，加入传统非欠采样PROPELLER方法重建图像作为Label，共同组成单个训练样本；
3.9)重复步骤3.1)～3.8)，批量生成定量的训练样本。
在步骤4)中，所述深度神经网络训练的具体步骤可为：将定量训练样本输入到深度神经网络中，将Blade作为网络输入的图像通道；网络的输出会越来越逼近网络的Label对应的图像，这也叫做网络拟合训练；
网络的Loss函数可以表示为：
Figure BDA0003386347730000031
其中，N为每次参与训练的样本数量，i表示样本的序号，W和b分别代表深度神经网络的权重大小和偏置大小，Y是参数Label(标签)，而X代表的是输入图像，f表示网络对于输入图像的作用函数。
在步骤5)中，所述图像重建的具体步骤可为：采用训练好的深度神经网络，以及PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
与现有技术相比，本发明具体以下的技术效果和优点：
1.本发明实现模拟PROPELLER采样，并接近于实际PROPELLER采样；
2.本发明实现PROPELLER欠采样数据的图像重建
3.本发明实现PROPELLER欠采样图像重建速度快、质量高；
4.本发明实现PROPELLER欠采样图像重建在PROPELLER实采非欠采数据的高挑战区域腹部的高质量重建。
5.本发明基于Bloch仿真合成训练样本的螺旋桨欠采重建系统，模拟PROPELLER欠采样的方法可部分替代实际采样，极大地方便PROPELLER数据的采集和相关研究；具有重建图像时间短、重建图像质量高和抵抗运动伪影等优点,方便螺旋桨(PROPELLER)数据的采集和相关研究，可以在采样数据量少甚至有运动的情况下，快速地重建出质量高无运动伪影的图片，节约大量人力物力成本。
附图说明
图1为本发明基于Bloch仿真合成训练样本的螺旋桨欠采重建系统的组成框图；
图2为本发明进行模拟采样方法流程图；
图3为本发明训练样本生成方法流程图；
图4为根据本发明的欠采样实采腹部网络重建图像和非欠采样传统重建腹部图像的部分对比图。其中，a、c为不同层的欠采样实采腹部网络重建图像；b、d为不同层非欠采样传统重建腹部图像
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述地实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的在于提供基于Bloch仿真合成训练样本的螺旋桨欠采重建系统，模拟PROPELLER欠采样的方法可部分替代实际采样，极大地方便PROPELLER数据的采集和相关研究；对应图像重建系统，可以在采样数据量少甚至有运动的情况下，快速地重建出质量高无运动伪影的图片，节约大量人力物力成本。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于Bloch仿真合成训练样本的螺旋桨欠采重建系统。如图1所示，基于Bloch仿真合成训练样本的螺旋桨欠采重建系统，包括原始模板生成模块、模拟采样模块、训练样本生成模块、深度神经网络训练模块、图像重建模块。
本发明实施例所述基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，包括以下步骤：
S1：原始模板生成模块，具体包括：
S11：获取公开的磁共振脑部、腹部数据集，并根据已有模态计算得到包括T1、T2、M0等参数。
S12：合成固定形状的仿真水模，每个水模内部随机选取不同的T2、M0、T1组合。
S13：合成图案随机的仿真模板，让随机图案填满整个空白矩形模板，并在其中添加来自于外部光学数据集的纹理，合成T2、M0、T1等参数的组合。
S14：整合数据集，确定添加比例，得到有四种包括模拟人脑，模拟水膜，模拟随机图案以及模拟腹部的不同模板的完整数据集。
为了按照实验研究的需要来在短时间内合成大量的模拟人脑，模拟水膜，模拟随机图案以及模拟腹部等数据集样本，并且分配T1,T2和M0等参数，其中T2参数是PROPELLER采样需要的参数，原始模板生成的目的方便后面模拟采样和网络训练。其中，模拟人脑，模拟水膜，模拟随机图案以及模拟腹部的比例按照实验需要来分配，例如需要重建的样本是腹部样本，那么适当增加腹部的数据集样本，但也要适当保留模拟人脑，模拟水膜和模拟随机图案的比例，使网络的泛化能力提高，在网络训练拟合时，保留更多的细节纹理，让最后重建图像有着更丰富的细节。
S2：模拟采样模块；
S3：训练样本生成模块；
S4：深度神经网络训练模块，具体包括：
对所述定量训练样本输入到深度神经网络中，将所述Blade作为网络输入的图像通道；而网络的输出会越来越逼近网络的Label对应的图像，这也叫做网络拟合训练
S5：图像重建模块，具体包括：
采用上述所训练好的深度神经网络，以及所述PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
图2为本发明进行模拟采样方法流程图。如图2所示，模拟采样方法具体包括：
S21：输入数据集样本，具体地，输入固定比例的模拟人脑，模拟水膜，模拟随机图案以及模拟腹部等数据集样本；
S22：将磁场进行建模处理，得到磁场模型；
S23：利用所述磁场模型结合设定好的PROPELLER序列并基于Bloch仿真对对模拟数据集进行数据采样，具体地：
采用多项式对磁场进行建模处理，以此来模拟PROPELLER序列真实采样中磁共振仪器存在的磁场不均匀情况；
S24：得到所述数据集的k空间数据，具体地，PROPELLER序列在对模拟数据集采样时候，将数据进行k空间变换，首先选取一定的条数(数据带的带宽)，再以k空间中心为旋转中心，每隔一定角度θ进行旋转采样，直到覆盖整个k空间域，最后填充保存到一维数据矩阵中去；
具体地，旋转角度θ和数据带的数量N的关系为：
Figure BDA0003386347730000061
具体地，数据带的带宽L、数据带的数量N和k空间矩阵边长M的关系为：
L*N≥M*π/2；
S25：利用所得k空间数据重建出传统非欠采样PROPELLER方法重建图像并保存，具体地：
相位校正，将所有采样后的数据带进行k空间中心对齐，消除成像过程的涡流影响；
旋转校正，对各个数据带的旋转运动参数进行估计和校正；
平移矫正，校正数据带的平移；
网格化重建，利用Jackson网格化算法，把校正后的数据带的非笛卡尔信息都映射到笛卡尔坐标系的整数网格点上，并对因为非笛卡尔采样而产生的不均匀性，对数据点进行密度补偿，最后整个数据集的点都映射到笛卡尔坐标系的网格点上，对数据进行快速傅里叶变换，得到传统非欠采样PROPELLER方法重建图像。
S26：重复S21-S26，生成既定参数的采样后的数据。
图3为本发明训练样本生成方法流程图。如图3所示，训练样本生成方法具体包括：
S31：加载数据集的k空间数据，处理成特定参数维度的数据，包括每个Blade(采样数据带)的矩阵大小以及Blade数量，具体地，每个Blade的采样矩阵大小以及Blade数量由研究需要重建的实采数据和深度神经网络输入来综合确定；
S32：对所述特定参数维度的数据，加入模拟随机噪声，具体的，加入符合一维正态分布(Normal Distribution)的合适大小随机噪声，以模拟真实PROPELLER采样时外界环境带来的噪声影响；
S33：对所述Blade的k空间矩形数据进行充零处理，变成方形k空间矩阵，具体地，将采样矩阵较短一边进行充零，使得采样矩阵填充成中间是采样数据，两边是零的方形k空间矩阵；
S34：对所述方形k空间矩阵进行逆傅里叶变换，得到图像数据；
S35：对图像数据添加随机旋转运动和随机平移运动，得到模拟运动后的数据，具体地：
加入满足一维正态分布的合适大小随机旋转运动，以模拟旋转运动，并在所述模拟旋转运动后，将图像进行裁剪处理，保持方形k空间原先大小；
S36：对模拟运动后的数据进行旋转处理，并裁剪成原来方形矩阵大小，具体地：
根据Blade数量，即数据带的数量N，得到需要的旋转角度θ，第i个Blade所需要旋转的角度θi为：θi＝(i-1)*θ，以此将所有Blade图片旋转到同一个方向上，并裁剪成原来方形矩阵的大小。
S37：根据欠采样倍率调整Blade数量；
S38：对单个采样的所有Blade数据进行归一化处理，并裁剪成适合网络训练的大小，加入传统非欠采样PROPELLER方法重建图像作为Label，共同组成单个训练样本，具体地，将单个采样的所有Blade数据进行归一化处理，所有数据处理到[0,1]之间，以此方便于深度神经网络的稳定训练，以免拟合映射偏离中心点，再加入归一化之后的Label，与输入数据的大小保持同步。
S39：重复S31-S38，批量生成定量的训练样本。
以下给出具体方法应用实施例。
本发明实施例包括以下步骤：
步骤1：原始模板生成，单个模拟数据模板大小为500×500；模拟数据集样本数量为1000。原始模板生成的流程具体包括：
步骤1.1：获取公开的磁共振脑部、腹部数据集，并根据已有模态计算得到包括T1、T2、M0等参数。优选的参数值的数值如下，T2值在[25,300](单位:ms)之间均匀分布，此处T1取值2000ms，M0值在[0,1]之间均匀分布。
步骤1.2：合成固定形状的仿真水模，每个水模内部随机选取不同的T2、M0、T1组合。优选的模拟人脑，模拟水膜，模拟随机图案以及模拟腹部的比例(相对总数为1时)为0.15︰0.03︰0.47︰0.35。
步骤1.3：合成图案随机的仿真模板，让随机图案填满整个空白矩形模板，并在其中添加来自于外部光学数据集的纹理，合成T2、M0、T1等参数的组合。
步骤1.4：整合数据集，确定添加比例，得到有四种包括模拟人脑，模拟水膜，模拟随机图案以及模拟腹部的不同模板的完整数据集，方便后面模拟采样。
步骤2：模拟采样，模拟采样的流程具体包括：
步骤2.1：输入数据集样本；
步骤2.2：将磁场进行建模处理，得到磁场模型；
步骤2.3：利用步骤2.2的磁场模型结合设定好的PROPELLER序列并基于Bloch仿真对对模拟数据集进行数据采样；PROPELLER序列的参数如下，数据带的带宽L为26，Blade数量，即数据带的数量N为20，旋转角度θ为9°，采样矩阵大小为276×26，加速倍数为1，成像视野范围为220×220mm2，层厚为2mm。
步骤2.4：由得到所述数据集的k空间数据；
步骤2.5：利用所得k空间数据重建出传统非欠采样PROPELLER方法重建图像并保存；
步骤2.6：重复S21-S26，生成既定参数的采样后的数据。
步骤3：训练样本生成。训练样本生成的流程具体包括：
步骤3.1：加载数据集的k空间数据，处理成特定参数维度的数据，包括每个Blade的矩阵大小以及Blade数量；
步骤3.2：对步骤3.1中获得的参数维度的数据，加入模拟随机噪声；模拟随机噪声服从以数学期望值μ为0，方差为σ2为10-3的正态分布。
步骤3.3：对步骤3.2处理之后的k空间矩形数据进行充零处理，变成方形k空间矩阵；充零后的方形k空间矩阵大小为276×276。
步骤3.4：对步骤3.3的方形k空间矩阵进行逆傅里叶变换，得到图像数据；
步骤3.5：对步骤3.4得到的图像数据添加随机旋转运动和随机平移运动，得到模拟运动后的数据；添加的随机旋转运动服从以数学期望值μ为0，方差为σ2为1.8的正态分布；优选添加的随机平移运动服从以数学期望值μ为0，方差为σ2为0.8的正态分布。
步骤3.6：对模拟运动后的数据进行旋转处理，并裁剪成原来方形矩阵大小；
步骤3.7：根据欠采样倍率调整Blade数量；若欠采样倍率为2，则Blade数量为10。
步骤3.8：对单个采样的所有Blade数据进行归一化处理，并裁剪成适合网络训练的大小，加入传统非欠采样PROPELLER方法重建图像作为Label，共同组成单个训练样本；适合网络训练的大小为272×272。
步骤3.9：重复步骤3.1-3.8，批量生成定量的训练样本。
步骤4：深度神经网络训练。深度神经网络训练具体包括：
将定量训练样本输入到深度神经网络中，将所述Blade作为网络输入的图像通道；而网络的输出会越来越逼近网络的Label对应的图像，这也叫做网络拟合训练；优选的深度神经网络为U型卷积网络(U-Net)，网络层数为5层。优选的网络训练样本数为985，输入的单个训练样本的大小是272×272×11，采用L1函数对误差进行约束，优选的分块大小为96×96，批次数为8，迭代次数为200000次。
步骤5：图像重建。图像重建具体包括：
采用上述所训练好的深度神经网络，以及所述PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
图4为根据本发明的欠采样实采腹部网络重建图像和非欠采样传统重建腹部图像的部分对比。其中，选取不同层数的腹部图像作为对比：图4中的图a和b作为一组对比，图4中的图c和d作为一组对比。图4中的图a、c为欠采样实采腹部网络重建图像，输入为10个Blade；图4中的图b、d为非欠采样传统重建腹部图像，输入为20个Blade。由专业医生打分得出，即使在2倍欠采样的条件下，通过网络重建，图像质量大部分优于非欠采样的传统重建，在某些细节更优；另外，由于欠采样应用和网络重建带来的好处还有重建速度也大幅度提升，相对于传统重建，重建速度提升10倍以上(受硬件条件制约)。
本说明书中各实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

Claims (7)

1.基于Bloch仿真合成训练样本的螺旋桨欠采重建系统，其特征在于包括原始模板生成模块、模拟采样模块、训练样本生成模块、深度神经网络训练模块、图像重建模块；
所述原始模板生成模块用于对磁共振脑部、腹部数据集通过计算、整合，生成模拟的不同模板的完整数据集；
所述模拟采样模块用于通过建立磁场模型，结合PROPELLER序列并基于Bloch仿真对模拟数据集进行数据采样，生成既定参数的采样后的数据并保存；
所述训练样本生成模块用于将采样后数据集的k空间数据处理成特定参数维度的数据，并对数据进行外理后批量生成定量训练样本；
所述深度神经网络训练模块用于对输入深度神经网络中的定量训练样本到进行网络拟合训练；
所述图像重建模块用于对训练好的深度神经网络，以及PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
2.一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于包括以下步骤：
1)生成原始模板；
2)生成既定参数的采样后的数据；
3)批量生成定量的训练样本；
4)深度神经网络训练；
5)图像重建。
3.如权利要求2所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于在步骤1)中，所述生成原始模板，具体包括以下步骤：
1.1)获取公开的磁共振脑部、腹部数据集，并根据已有模态计算得到包括T1、T2、M0等参数；
1.2)合成固定形状的仿真水模，每个水模内部随机选取不同的T2、M0、T1组合；
1.3)合成图案随机的仿真模板，让随机图案填满整个空白矩形模板，并在其中添加来自于外部光学数据集的纹理，合成T2、M0、T1等参数的组合；
1.4)整合数据集，确定添加比例，得到有四种包括模拟人脑、模拟水膜、模拟随机图案以及模拟腹部的不同模板的完整数据集，作为原始模板。
4.如权利要求2所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于在步骤2)中，所述生成既定参数的采样后的数据，包括以下步骤：
2.1)输入数据集样本；
2.2)将磁场进行建模处理，得到磁场模型；
2.3)利用磁场模型结合设定好的PROPELLER序列并基于Bloch仿真对对模拟数据集进行数据采样；
2.4)得到所述数据集的k空间数据；
2.5)利用所得k空间数据重建出传统非欠采样PROPELLER方法重建图像并保存；
2.6)重复步骤2.1)～2.5)，生成既定参数的采样后的数据。
5.如权利要求2所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于在步骤3)中，所述批量生成定量的训练样本，包括以下步骤：
3.1)加载数据集的k空间数据，处理成特定参数维度的数据，包括每个Blade的矩阵大小以及Blade数量；
3.2)对所述特定参数维度的数据，加入模拟随机噪声；
3.3)对Blade的k空间矩形数据进行充零处理，变成方形k空间矩阵；
3.4)对方形k空间矩阵进行逆傅里叶变换，得到图像数据；
3.5)对图像数据添加随机旋转运动和随机平移运动，得到模拟运动后的数据；
3.6)对模拟运动后的数据进行旋转处理，并裁剪成原来方形矩阵大小；
3.7)根据欠采样倍率调整Blade数量；
3.8)对单个采样的所有Blade数据进行归一化处理，并裁剪成适合网络训练的大小，加入传统非欠采样PROPELLER方法重建图像作为Label，共同组成单个训练样本；
3.9)重复步骤3.1)～3.8)，批量生成定量的训练样本。
6.如权利要求2所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于在步骤4)中，所述深度神经网络训练的具体步骤为：将定量训练样本输入到深度神经网络中，将Blade作为网络输入的图像通道；网络的输出会越来越逼近网络的Label对应的图像，这也叫做网络拟合训练；
网络的Loss函数可以表示为：
Figure FDA0003386347720000021
其中，N为每次参与训练的样本数量，i表示样本的序号，W和b分别代表深度神经网络的权重大小和偏置大小，Y是参数Label(标签)，而X代表的是输入图像，f表示网络对于输入图像的作用函数。
7.如权利要求2所述一种基于Bloch仿真合成训练样本的螺旋桨欠采重建方法，其特征在于在步骤5)中，所述图像重建的具体步骤为：采用训练好的深度神经网络，以及PROPELLER成像序列采集的欠采样的k空间实采数据，重建出PROPELLER磁共振图像。
CN202111451737.1A 2021-12-01 2021-12-01 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统 Active CN114021485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111451737.1A CN114021485B (zh) 2021-12-01 2021-12-01 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111451737.1A CN114021485B (zh) 2021-12-01 2021-12-01 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统

Publications (2)

Publication Number Publication Date
CN114021485A true CN114021485A (zh) 2022-02-08
CN114021485B CN114021485B (zh) 2024-06-14

Family

ID=80067408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111451737.1A Active CN114021485B (zh) 2021-12-01 2021-12-01 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统

Country Status (1)

Country Link
CN (1) CN114021485B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166612A (zh) * 2022-07-21 2022-10-11 厦门大学 基于深度学习的超快速磁共振成像高精度仿真方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090129648A1 (en) * 2007-11-15 2009-05-21 Konstantinos Arfanakis Method of reducing imaging time in propeller-MRI by under-sampling and iterative image reconstruction
CN109310361A (zh) * 2016-04-07 2019-02-05 上海联影医疗科技有限公司 用于快速磁共振成像的系统和方法
CN110942496A (zh) * 2019-12-13 2020-03-31 厦门大学 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统
CN111812569A (zh) * 2020-07-23 2020-10-23 广州互云医院管理有限公司 一种基于深度学习的k空间欠采样轨迹的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090129648A1 (en) * 2007-11-15 2009-05-21 Konstantinos Arfanakis Method of reducing imaging time in propeller-MRI by under-sampling and iterative image reconstruction
CN109310361A (zh) * 2016-04-07 2019-02-05 上海联影医疗科技有限公司 用于快速磁共振成像的系统和方法
CN110942496A (zh) * 2019-12-13 2020-03-31 厦门大学 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统
CN111812569A (zh) * 2020-07-23 2020-10-23 广州互云医院管理有限公司 一种基于深度学习的k空间欠采样轨迹的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
叶富泽: "基于增强递归残差网络的欠采样磁共振图像重建", 中国优秀硕士论文电子期刊网, 15 December 2020 (2020-12-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166612A (zh) * 2022-07-21 2022-10-11 厦门大学 基于深度学习的超快速磁共振成像高精度仿真方法及系统

Also Published As

Publication number Publication date
CN114021485B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
US10692250B2 (en) Generalized multi-channel MRI reconstruction using deep neural networks
CN110807492B (zh) 一种磁共振多参数同时定量成像方法及系统
CN110490832A (zh) 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
EP2210119B1 (fr) Procede de reconstruction d'un signal a partir de mesures experimentales perturbees par le mouvement
CN107991636B (zh) 一种基于适应性结构低秩矩阵的快速磁共振图像重建方法
CN109633502B (zh) 磁共振快速参数成像方法及装置
CN103218795B (zh) 基于自适应双字典学习的部分k空间序列图像重构方法
CN109003229B (zh) 基于三维增强深度残差网络的磁共振超分辨率重建方法
CN111353947A (zh) 磁共振并行成像方法及相关设备
CN108814603B (zh) 一种磁共振成像方法和装置
CN110942496B (zh) 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统
CN109375125A (zh) 一种修正正则化参数的压缩感知磁共振成像重建方法
CN114419176A (zh) 一种螺旋桨磁共振成像的重建系统和方法
CN114021485A (zh) 基于Bloch仿真合成训练样本的螺旋桨欠采重建系统
CN115294229A (zh) 用于重建磁共振成像（mri）图像的方法及设备
CN106023116B (zh) 一种基于块加权约束的压缩感知图像重建方法及装置
EP3660789A1 (en) Model-based image reconstruction using analytic models learned by artificial-neural-networks
CN110148193A (zh) 基于自适应正交字典学习的动态磁共振并行重建方法
Yi et al. Fast and Calibrationless low-rank parallel imaging reconstruction through unrolled deep learning estimation of multi-channel spatial support maps
CN117011409B (zh) 多部位物理智能高清扩散磁共振数据生成方法
CN117173273A (zh) 一种即插即用的生成数据深度学习快速磁共振成像方法
CN115830153A (zh) 一种磁共振成像算法展开网络的方法、装置及电子设备
CN112150570B (zh) 一种基于迭代p阈值投影算法的压缩感知磁共振成像方法
CN113866694A (zh) 一种快速三维磁共振t1定量成像方法、系统及介质
US12130347B2 (en) Magnetic resonance imaging apparatus, image processing apparatus, and image processing method

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