CN114114116B - 磁共振成像生成方法、系统、存储介质及计算机设备 - Google Patents

磁共振成像生成方法、系统、存储介质及计算机设备 Download PDF

Info

Publication number
CN114114116B
CN114114116B CN202210096797.4A CN202210096797A CN114114116B CN 114114116 B CN114114116 B CN 114114116B CN 202210096797 A CN202210096797 A CN 202210096797A CN 114114116 B CN114114116 B CN 114114116B
Authority
CN
China
Prior art keywords
space
data set
magnetic resonance
neural network
preset
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
Application number
CN202210096797.4A
Other languages
English (en)
Other versions
CN114114116A (zh
Inventor
刘且根
王玉皞
廖祥昊
陈阳
张薇
万文博
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.)
Nanchang University
Original Assignee
Nanchang 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 Nanchang University filed Critical Nanchang University
Priority to CN202210096797.4A priority Critical patent/CN114114116B/zh
Publication of CN114114116A publication Critical patent/CN114114116A/zh
Application granted granted Critical
Publication of CN114114116B publication Critical patent/CN114114116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • 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
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种磁共振成像生成方法、系统、存储介质及设备，该包括：获取磁共振扫描出的k空间数据集；将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集；根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像。本发明能够通过较少的线圈数据也能实现磁共振高质量成像。

Description

磁共振成像生成方法、系统、存储介质及计算机设备
技术领域
本发明涉及医学成像技术领域，特别涉及一种磁共振成像生成方法、系统、存储介质及计算机设备。
背景技术
磁共振成像（Magnetic Resonance Imaging），简称MRI，是利用磁共振现象从人体中获得电磁信号，并根据获得的电磁信号重建出人体信息的一种技术，属于断层成像的一种。随着对磁共振成像技术的不断深入研究，人们发现了MRI在提供清晰的组织结构和功能信息而不引起电离辐射方面具有优势，目前MRI系统的一个主要缺点是由于系统的成本效益和信噪比之间的权衡，成像速度慢，因此在临床应用中很难获得高质量的MR图像。在临床上，为了获得高质量的MR图像，患者需要在机架中长时间保持稳定，这加剧了患者的不适，由于患者的不适不可避免地会引入运动伪影，影响图像质量。
并行磁共振成像技术的出现解决了上述磁共振成像速度慢这一问题，它采用多个线圈接受阵列同时采集MR数据，在保持图像空间分辨率不变的情况下，对k空间的数据进行欠采样，减少了相位编码的步数，极大的程度上缩短了MR的扫描时间，提高了成像的速度。然而，由于局部表面线圈无法确保射频接收响应在成像体积上的均匀性，故逐渐发展到多通道线圈采集技术。多通道线圈采集技术在磁共振成像中得到了普遍的应用，它是由一组单元接收线圈所组成的相控阵线圈阵列，交叠覆盖解剖结构，使用多射频通道接受来自各单元线圈的信号。相控阵线圈阵列中的各个单元线圈同时采集信号，多个单元小线圈可以覆盖与大线圈相同的体积。每个小线圈可以用来形成各自的图像，然后独立的线圈图像可以合成一幅具有均匀敏感度的图像。相控阵线圈可提高信噪比，两个线圈同时采集信号，理论上可将信噪比（SNR）提高到原来的
Figure 33913DEST_PATH_IMAGE001
倍，但所有表面线圈都存在空间敏感性的差异，组织离表面线圈越近则被检测到的信号越高，越远信号强度越低，而多通道线圈敏感信息就可以作为MRI的补充空间信息。
近年来，随着深度学习的推广，以及其在图像领域的取得的重大的成就，许多学者将其应用于医学磁共振成像中。基于模型驱动的有监督深度学习的快速磁共振成像方法主要是通过端到端的训练，学习到更优的变换和训练参数，得到更好的图像显示效果。随着MRI相控阵的发展，大多数MRI扫描仪都采用数量适中的接收线圈，然而，由于并行成像的出现，很大程度上导致了MRI接收线圈数量的激增，原则上同时使用大量接收器线圈可以实现并行成像的高加速因子和改善SNR。由于大型线圈阵列对SNR和快速重建的明显好处，然而现有技术中尚未出现通过较少的线圈数据实现磁共振高质量成像的方法，因此，有必要提供一种可以通过较少的线圈数据也能实现磁共振高质量成像的方法。
发明内容
有鉴于此，本发明的目的在于提供一种磁共振成像生成方法、系统、存储介质及设备，旨在通过较少的线圈数据也能实现磁共振高质量成像。
本发明是这样实现的：一种磁共振成像生成方法，所述方法包括：
获取磁共振扫描出的k空间数据集；
将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集；
根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像。
进一步的，上述磁共振成像生成方法，其中，所述线圈生成模型的训练过程包括：
采集多组不同数量线圈下的k空间训练数据集和k空间测试数据集；
将高于预设数量的所述线圈的所述k空间训练数据集作为预设神经网络的网络标签，并将低于预设数量的所述线圈的所述k空间训练数据集输入至所述预设神经网络中进行深度学习训练；
利用所述k空间测试数据集通过训练好的预设神经网络进行测试，以使测试结果满足预设条件。
进一步的，上述磁共振成像生成方法，其中，所述将高于预设数量的所述线圈的所述k空间训练数据集作为预设神经网络的网络标签，并将低于预设数量的所述线圈的所述k空间训练数据集输入至所述预设神经网络中进行深度学习训练的步骤之前还包括：
通过变量增强策略对所述线圈的所述k空间训练数据集进行高维化处理，以使预设神经网络的输入通道和输出通道的数量保持一致。
进一步的，上述磁共振成像生成方法，其中，所述预设神经网络共包含八个可逆块，每个可逆块由1×1可逆卷积和仿射耦合层组成。
进一步的，上述磁共振成像生成方法，其中，所述利用所述k空间测试数据集通过训练好的预设神经网络进行测试，以使测试结果满足预设条件的步骤包括：
将所述k空间测试数据集输入至训练好的预设神经网络当中，得到虚拟k空间测试数据集；
将所述虚拟k空间测试数据集应用至重建算法中，得到测试图像，计算所述测试图像的峰值信噪比值和结构相似性；
判断所述峰值信噪比值和结构相似性是否均满足预设阈值。
进一步的，上述磁共振成像生成方法，其中，所述预设神经网络中的损失函数为：
Figure 559573DEST_PATH_IMAGE002
；
其中，d为通道数。
进一步的，上述磁共振成像生成方法，其中，所述预设神经网络中的目标函数为：
Figure 372808DEST_PATH_IMAGE003
；
其中sos为
Figure 542889DEST_PATH_IMAGE004
，N为通道数量， X为图像数据，
Figure 48957DEST_PATH_IMAGE005
逆快速傅里叶变换，x为作为标签的k空间数据，
Figure 999595DEST_PATH_IMAGE006
为网络输出的虚拟线圈生成结果。
本发明的另一个目的在于提供一种磁共振成像生成系统，所述系统包括：
获取模块，用于获取磁共振扫描出的k空间数据集；
输入模块，用于将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集；
重建模块，用于根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像。
本发明的另一个目的是提供一种可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法的步骤。
本发明的另一个目的是提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。
本发明通过采集到的k空间数据集对线圈生成模型进深度训练，由此训练得到的线圈生成模型掌握了k空间数据集的生成规则，并通过虚拟k空间数据集重建获取磁共振成像，即使在线圈数据较少的情况下也能实现高质量的磁共振成像。
附图说明
图1为本发明第一实施例中提供的磁共振成像生成方法的流程图；
图2为本发明第二实施例中提供的磁共振成像生成方法的流程图；
图3为本发明第二实施例中提供的磁共振成像生成方法中的预设神经网络的网络架构图；
图4为本发明第二实施例中提供的磁共振成像生成方法中的线圈生成模型的训练流程图；
图5为本发明实施例中线圈生成模型生成至不同线圈数后无加速状态下的重建对比结果示意图；
图6为本发明实施例在加速因子为3的情况下利用线圈生成模型前后通过不同重建方法得到的对比结果示意图；
图7为本发明第三实施例中提供的磁共振成像生成系统的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
磁共振成像（Magnetic Resonance Imaging），简称MRI，是利用磁共振现象从人体中获得电磁信号，并根据获得的电磁信号重建出人体信息的一种技术，属于断层成像的一种。随着对磁共振成像技术的不断深入研究，人们发现了MRI在提供清晰的组织结构和功能信息而不引起电离辐射方面具有优势，目前MRI系统的一个主要缺点是由于系统的成本效益和信噪比之间的权衡，成像速度慢，因此在临床应用中很难获得高质量的MR图像。在临床上，为了获得高质量的MR图像，患者需要在机架中长时间保持稳定，这加剧了患者的不适，由于患者的不适不可避免地会引入运动伪影，影响图像质量。
并行磁共振成像技术的出现解决了上述磁共振成像速度慢这一问题，它采用多个线圈接受阵列同时采集MR数据，在保持图像空间分辨率不变的情况下，对k空间的数据进行欠采样，减少了相位编码的步数，极大的程度上缩短了MR的扫描时间，提高了成像的速度。然而，由于局部表面线圈无法确保射频接收响应在成像体积上的均匀性，故逐渐发展到多通道线圈采集技术。多通道线圈采集技术在磁共振成像中得到了普遍的应用，它是由一组单元接收线圈所组成的相控阵线圈阵列，交叠覆盖解剖结构，使用多射频通道接受来自各单元线圈的信号。相控阵线圈阵列中的各个单元线圈同时采集信号，多个单元小线圈可以覆盖与大线圈相同的体积。每个小线圈可以用来形成各自的图像，然后独立的线圈图像可以合成一幅具有均匀敏感度的图像。相控阵线圈可提高信噪比，两个线圈同时采集信号，理论上可将信噪比（SNR）提高到原来的
Figure 678838DEST_PATH_IMAGE007
倍，但所有表面线圈都存在空间敏感性的差异，组织离表面线圈越近则被检测到的信号越高，越远信号强度越低，而多通道线圈敏感信息就可以作为MRI的补充空间信息。
近年来，随着深度学习的推广，以及其在图像领域的取得的重大的成就，许多学者将其应用于医学磁共振成像中。基于模型驱动的有监督深度学习的快速磁共振成像方法主要是通过端到端的训练，学习到更优的变换和训练参数，得到更好的图像显示效果。随着MRI相控阵的发展，大多数MRI扫描仪都采用数量适中的接收线圈，然而，由于并行成像的出现，很大程度上导致了MRI接收线圈数量的激增，原则上同时使用大量接收器线圈可以实现并行成像的高加速因子和改善SNR。由于大型线圈阵列对SNR和快速重建的明显好处，然而现有技术中尚未出现通过较少的线圈数据实现磁共振高质量成像的方法，因此，有必要提供一种可以通过较少的线圈数据也能实现磁共振高质量成像的方法。
以下将结合具体实施例和附图来详细说明如何在线圈数据较少的情况下提升磁共振的成像质量。
实施例一
请参阅图1，所示为本发明第一实施例中的磁共振成像生成方法，所述方法包括步骤S10~S12。
步骤S10，获取磁共振扫描出的k空间数据集。
其中，k空间数据为核磁共振图像生成的主要数据，在实际中，通过对k空间数据进行重建便可获取k空间数据对应的磁共振成像。
步骤S11，将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集。
其中，预训练的线圈生成模型通过采集到的现有的k空间训练数据集进行深度训练得到，通过将k空间数据集输入至预训练的线圈生成模型当中，得到图像质量更佳的虚拟k空间数据集。
步骤S12，根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像。
具体的，对预训练的线圈生成模型输出的虚拟k空间数据集进行重建以获取到质量更高的磁共振成像。
综上，本发明上述实施例中的磁共振成像生成方法，通过采集到的k空间数据集对线圈生成模型进深度训练，由此训练得到的线圈生成模型掌握了k空间数据集的生成规则，并通过虚拟k空间数据集重建获取磁共振成像，即使在线圈数据较少的情况下也能实现高质量的磁共振成像。
实施例二
请参阅图2至图4，所示为本发明第二实施例中的磁共振成像生成方法所述方法包括步骤S20~S25。
步骤S20，获取磁共振扫描出的k空间数据集。
步骤S21，采集多组不同数量线圈下的k空间训练数据集和k空间测试数据集。
其中，k空间训练数据集用于神经网络的训练，k空间测试数据集用于神经网络的测试，以保证训练后的神经网络输出的结果满足预设条件。
步骤S22，将高于预设数量的所述线圈的所述k空间训练数据集作为预设神经网络的网络标签，并将低于预设数量的所述线圈的所述k空间训练数据集输入至所述预设神经网络中进行深度学习训练。
其中，预设数量可以根据实际情况进行设定，一般的，设定预设数量的目的是使低于预设数量即数量较小的线圈的所述k空间训练数据集进行训练，保证训练效果，以在通过数量较小的线圈的k空间数据集进行生成磁共振图像时结果更加精确。
具体的，预设神经网络的目标函数为：
Figure 765743DEST_PATH_IMAGE008
；
其中，sos为
Figure 878930DEST_PATH_IMAGE009
，N为通道数量， X为图像数据，
Figure 51286DEST_PATH_IMAGE010
为逆快速傅里叶变换，x为作为标签的k空间数据，
Figure 268640DEST_PATH_IMAGE011
为网络输出的虚拟线圈生成结果。
更具体的，预设神经网络的损失函数为：
Figure 741210DEST_PATH_IMAGE012
；
其中，d为通道数。
需要说明的是，由于磁共振k空间数据动态范围不稳定，直接在频域上进行目标函数的计算与损失的反传会导致所训练的模型性能差及网络不收敛。鉴于图像在空间域与频域上的联系，转换在空间域上进行目标函数的计算将有效防止以上情况的发生，同时有利于网络训练过程中的特征提取。并且目标函数解决了k空间数据难训练的问题，同时使得网络收敛速度加快，在一定程度上提升了所训练出的线圈生成模型的性能能够在较短时间内获得一个性能良好的网络模型。使重建图像显示效果更为优秀。
需要进一步说明的是，与公式直接描述不同，在具体实施时，对k空间数据进行拆分堆叠处理，将k空间数据的实部与虚部分布至不同的通道上。实部与虚部的运算过程分开进行，最后合并，最后其结果与公式直接表述的结果一致。
进一步的，在本发明一些可选的实施例当中，所述将高于预设数量的所述线圈的所述k空间训练数据集作为预设神经网络的网络标签，并将低于预设数量的所述线圈的所述k空间训练数据集输入至所述预设神经网络中进行深度学习训练步骤之前还包括：
通过变量增强策略对所述线圈的所述k空间训练数据集进行高维化处理，以使预设神经网络的输入通道和输出通道的数量保持一致。
其中，通过变量增强策略获得输入和输出通道数一致的k空间数据进而完成网络训练，具体的，该预设神经网络共包含八个可逆块，每个可逆块由1×1可逆卷积和仿射耦合层组成。在仿射耦合层中，输入数据沿通道维度被分为两部分，后通过多个滤波器的卷积层，每一层均可从上一层学习并获得一组新的特征映射。随后经过激活函数单元(
Figure 589080DEST_PATH_IMAGE013
层)，激活单元在一定程度上可以避免过拟合情况发生以及进一步增加预设神经网络的非线性。
具体的，预设神经网络的输出与输入的对应关系为：
Figure 186415DEST_PATH_IMAGE014
；
其中，x为网络输入，
Figure 145144DEST_PATH_IMAGE015
为可逆块映射函数，y为网络输出。
更具体的，可逆块的具体映射函数为：
Figure 3378DEST_PATH_IMAGE016
；
其中m为输入，n为输出，D和d为选取的通道数，s、r、t均为滤波器大小为3×3卷积层组成的网络块，
Figure 22150DEST_PATH_IMAGE017
为哈达玛积运算。
需要说明的是，采用了变量增强策略将预设神经网络输入高维化，使得网络输入和输出通道数量保持一致，从而获得更加有效的训练过程。由于网络限制，磁共振的k空间数据集在网络输入之前需将实虚部分离组成两个实值部分。以4线圈为例，具体而言，将4线圈磁共振k空间数据复制为3组4线圈磁共振k空间数据，随后将其实部和虚部分离并堆叠成24通道数据作为网络输入。
需要进一步说明的是，为保持网络输入及输出的一致性，标签也进行上述的分离堆叠预处理，这里不予赘述。
步骤S23，利用所述k空间测试数据集通过训练好的预设神经网络进行测试，以使测试结果满足预设条件，从而得到线圈生成模型。
其中，通过测试数据集，对训练好的预设神经网络进行测试，通过对测试结果的分析，从而获得良好性能的网络模型。
具体的，将所述k空间测试数据集输入至训练好的预设神经网络当中，得到虚拟k空间测试数据集。
将所述虚拟k空间测试数据集应用至重建算法中，得到测试图像，计算所述测试图像的峰值信噪比值和结构相似性；
判断所述峰值信噪比值和结构相似性是否均满足预设阈值。
步骤S24，将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集。
步骤S25，根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像。
综上，本发明上述实施例中的磁共振成像生成方法，本发明上述实施例中的磁共振成像生成方法，通过采集到的k空间数据集对线圈生成模型进深度训练，由此训练得到的线圈生成模型掌握了k空间数据集的生成规则，并通过虚拟k空间数据集重建获取磁共振成像，由于数据集的增加，进一步的提升了磁共振成像的质量，并且通过引入变量增强策略与为预设神经网络提供了更为高维的先验信息，利于网络提取图像深层的特征信息，提高了神经网络的稳定性，进一步的提升了图像生成的准确性。
另外，本方法已经在python中实现了所提出的架构，在Intel Core i7-7700中央处理器和GeForce Titan XP的台式计算机上运行了所有实验。对于该实验的配置要求如下，深度学习框架需为pytorch，模型训练时显卡显存需大于或等于6GB，测试时无显卡性能要求。数据集为脑部数据集，其中从数据集中选取480张数据图用于模型训练，20张数据图用于模型测试，最后其重建质量由峰值信噪比（PSNR）和结构相似性（SSIM）来进行衡量。
表1 无加速磁共振图像重建的PSNR和SSIM值
Figure 106780DEST_PATH_IMAGE018
可以理解的，如果采用全采样数据，使用图像生成技术可以达到增强图像空间分辨率的作用。对于输入的2线圈数据，其进行SOS重建的PSNR和SSIM分别为28.95、0.9393，对输入的2线圈数据使用磁共振图像生成技术，分别扩充至4线圈、6线圈、12线圈，其结果如表1所示，扩充后的指标均超过扩充前的指标，分别为37.97/0.9761、39.93/0.9852、42.47/0.9874，图像显示效果提升显著。
表2 线圈生成前后进行不同重建方法的PSNR和SSIM值
Figure 134779DEST_PATH_IMAGE019
表2为线圈生成前后进行不同重建方法的结果，加速因子为3。如表2中PSNR及SSIM所示，本发明的磁共振图像生成技术在GRAPPA、SPIRiT、L1-SPIRiT重建上的应用效果明显优于未使用该技术的效果，表明本技术良好的性能，由于欠采样的数据集符合实际场景，因此本发明具有重大研究意义。
本发明实验结果表明磁共振图像生成技术可以有效地扩充图像信息，图5和图6分别为在不同情况下的重建效果对比图；具体的，图5中，其中（a）由上至下分别为原始12线圈图像、原始2线圈图像、利用磁共振图像生成方法扩充至4通道图像，（b）为（a）中与原始12线圈图像的残差图像，（c）（d）和（e）（f）分别为生成至6线圈与12线圈的图像及残差图像。
图6中（a）由上至下分别为原始2线圈图像进行GRAPPA重建结果与利用磁共振图像生成方法扩充至12通道后进行GRAPPA重建的结果，（b）为（a）中图像与原图的残差结果，（c）（d）和（e）（f）为生成前后分别进行SPIRiT、L1-SPIRiT重建及残差结果。通过图像可知，相比于未使用本发明生成技术的图像数据，本发明对于不同的重建方法均有显著地提升。
另外，根据本发明实施例提出的磁共振成像方法，至少还可以具有如下有益效果：
1、引入了两个新特征，变量增强策略与目标函数。前者为网络提供了更为高维的先验信息，利于网络提取图像深层的特征信息，提高了网络的稳定性。后者则解决了k空间数据难训练的问题，同时使得网络收敛速度加快，能够在较短时间内获得一个性能良好的网络模型。
2、针对设备受限及重建图像质量不高的情况，该方法能够有效缓解设备性能不足的影响，同时能够提高图像重建质量。
实施例三
请参阅图7，所示为本发明第三实施例中提出的磁共振成像生成系统，所述系统包括：
获取模块100，用于获取磁共振扫描出的k空间数据集；
输入模块200，用于将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集；
重建模块300，用于根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像。
进一步地，上述磁共振成像生成系统，其中，所述系统还包括：
采集模块，用于采集多组不同数量线圈下的k空间训练数据集和k空间测试数据集；
训练模块，用于将高于预设数量的所述线圈的所述k空间训练数据集作为预设神经网络的网络标签，并将低于预设数量的所述线圈的所述k空间训练数据集输入至所述预设神经网络中进行深度学习训练；
测试模块，用于利用所述k空间测试数据集通过训练好的预设神经网络进行测试，以使测试结果满足预设条件。
进一步地，在本发明一些可选的实施例当中，其中，所述系统还包括：
高维化模块，用于通过变量增强策略对所述线圈的所述k空间训练数据集进行高维化处理，以使预设神经网络的输入通道和输出通道的数量保持一致。
进一步地，上述磁共振成像生成系统，其中，所述预设神经网络共包含八个可逆块，每个可逆块由1×1可逆卷积和仿射耦合层组成。
进一步地，在本发明一些可选的实施例当中，其中，所述测试模块具体用于：
将所述k空间测试数据集输入至训练好的预设神经网络当中，得到虚拟k空间测试数据集；
将所述虚拟k空间测试数据集应用至重建算法中，得到测试图像，计算所述测试图像的峰值信噪比值和结构相似性；
判断所述峰值信噪比值和结构相似性是否均满足预设阈值。
进一步地，上述磁共振成像生成系统，其中，所述预设神经网络中的损失函数为：
Figure 50783DEST_PATH_IMAGE012
；
其中，d为通道数。
进一步地，上述磁共振成像生成系统，其中，所述预设神经网络中的损失函数为：
Figure 37193DEST_PATH_IMAGE020
；
其中sos为
Figure 671437DEST_PATH_IMAGE021
，N为通道数量， X为图像数据，
Figure 909651DEST_PATH_IMAGE010
为逆快速傅里叶变换，x为作为标签的k空间数据，
Figure 945740DEST_PATH_IMAGE011
为网络输出的虚拟线圈生成结果。
上述各模块被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
实施例四
本发明另一方面还提供一种可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述实施例一至二中任意一个所述的方法的步骤。
实施例五
本发明另一方面还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例一至二中任意一个所述的方法的步骤。
以上各个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。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读存储介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读存储介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (6)

1.一种磁共振成像生成方法，其特征在于，所述方法包括：
获取磁共振扫描出的k空间数据集；
将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集；
根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像；
所述线圈生成模型的训练过程包括：
采集多组不同数量线圈下的k空间训练数据集和k空间测试数据集；
通过变量增强策略对所述线圈的所述k空间训练数据集进行高维化处理，以使预设神经网络的输入通道和输出通道的数量保持一致；
将高于预设数量的所述线圈的所述k空间训练数据集作为预设神经网络的网络标签，并将低于预设数量的所述线圈的所述k空间训练数据集输入至所述预设神经网络中进行深度学习训练；
利用所述k空间测试数据集通过训练好的预设神经网络进行测试，以使测试结果满足预设条件，以能通过低于所述预设数量的线圈的k空间数据集进行磁共振图像生成；
所述预设神经网络中的目标函数为：
Figure 898185DEST_PATH_IMAGE001
；
其中，sos为
Figure 753271DEST_PATH_IMAGE002
，N为通道数量， X为图像数据，
Figure 285883DEST_PATH_IMAGE003
为逆快速傅里叶变换，x为作为标签的k空间数据，
Figure 15942DEST_PATH_IMAGE004
为网络输出的虚拟线圈生成结果；
所述预设神经网络中的损失函数为：
Figure 215979DEST_PATH_IMAGE005
；
其中，d为通道数；
其中，在空间域上进行所述目标函数的计算，以利于所述预设神经网络训练过程中的特征提取，并对所述k空间数据进行拆分堆叠处理，将所述k空间数据的实部与虚部分布至不同的通道上，实部与虚部的运算过程分开进行，最后对运算结果进行合并。
2.根据权利要求1所述的磁共振成像生成方法，其特征在于，所述预设神经网络共包含八个可逆块，每个可逆块由1×1可逆卷积和仿射耦合层组成。
3.根据权利要求1所述的磁共振成像生成方法，其特征在于，所述利用所述k空间测试数据集通过训练好的预设神经网络进行测试，以使测试结果满足预设条件的步骤包括：
将所述k空间测试数据集输入至训练好的预设神经网络当中，得到虚拟k空间测试数据集；
将所述虚拟k空间测试数据集应用至重建算法中，得到测试图像，计算所述测试图像的峰值信噪比值和结构相似性；
判断所述峰值信噪比值和结构相似性是否均满足预设阈值。
4.一种磁共振成像生成系统，其特征在于，所述系统包括：
获取模块，用于获取磁共振扫描出的k空间数据集；
输入模块，用于将所述k空间数据集输入至预训练的线圈生成模型当中，得到虚拟k空间数据集；
重建模块，用于根据所述虚拟k空间数据集利用重建算法进行重建以获取磁共振成像；
采集模块，用于采集多组不同数量线圈下的k空间训练数据集和k空间测试数据集；
高维化模块，用于通过变量增强策略对所述线圈的所述k空间训练数据集进行高维化处理，以使预设神经网络的输入通道和输出通道的数量保持一致；
训练模块，用于将高于预设数量的所述线圈的所述k空间训练数据集作为预设神经网络的网络标签，并将低于预设数量的所述线圈的所述k空间训练数据集输入至所述预设神经网络中进行深度学习训练；
测试模块，用于利用所述k空间测试数据集通过训练好的预设神经网络进行测试，以使测试结果满足预设条件，以能通过低于所述预设数量的线圈的k空间数据集进行磁共振图像生成；
所述预设神经网络中的目标函数为：
Figure 474922DEST_PATH_IMAGE001
；
其中，sos为
Figure 494831DEST_PATH_IMAGE002
，N为通道数量， X为图像数据，
Figure 763001DEST_PATH_IMAGE003
为逆快速傅里叶变换，x为作为标签的k空间数据，
Figure 551966DEST_PATH_IMAGE004
为网络输出的虚拟线圈生成结果；
所述预设神经网络中的损失函数为：
Figure 247389DEST_PATH_IMAGE005
；
其中，d为通道数；
其中，在空间域上进行所述目标函数的计算，以利于所述预设神经网络训练过程中的特征提取，并对所述k空间数据进行拆分堆叠处理，将所述k空间数据的实部与虚部分布至不同的通道上，实部与虚部的运算过程分开进行，最后对运算结果进行合并。
5.一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至3中任意一项所述的方法的步骤。
6.一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至3任一项所述的方法的步骤。
CN202210096797.4A 2022-01-27 2022-01-27 磁共振成像生成方法、系统、存储介质及计算机设备 Active CN114114116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210096797.4A CN114114116B (zh) 2022-01-27 2022-01-27 磁共振成像生成方法、系统、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210096797.4A CN114114116B (zh) 2022-01-27 2022-01-27 磁共振成像生成方法、系统、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN114114116A CN114114116A (zh) 2022-03-01
CN114114116B true CN114114116B (zh) 2022-08-23

Family

ID=80362016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210096797.4A Active CN114114116B (zh) 2022-01-27 2022-01-27 磁共振成像生成方法、系统、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN114114116B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276726A (zh) * 2019-05-13 2019-09-24 南昌大学 一种基于多通道网络先验信息引导的图像去模糊方法
CN110333466A (zh) * 2019-06-19 2019-10-15 东软医疗系统股份有限公司 一种基于神经网络的磁共振成像方法和装置
CN110916664A (zh) * 2019-12-10 2020-03-27 电子科技大学 一种基于深度学习的快速磁共振图像重建方法
CN111696168A (zh) * 2020-06-13 2020-09-22 中北大学 基于残差自注意力图像增强的高倍速采mri重建方法
US10901059B1 (en) * 2020-01-31 2021-01-26 The Board Of Trustees Of The Leland Stanford Junior University Multi-shot diffusion-weighted MRI reconstruction using unrolled network with U-net as priors
CN112700508A (zh) * 2020-12-28 2021-04-23 广东工业大学 一种基于深度学习的多对比度mri图像重建方法
CN113077527A (zh) * 2021-03-16 2021-07-06 天津大学 一种基于欠采样的快速磁共振图像重建方法
CN113096208A (zh) * 2021-03-16 2021-07-09 天津大学 基于双域交替卷积的神经网络磁共振图像的重建方法
CN113256749A (zh) * 2021-04-20 2021-08-13 南昌大学 一种基于高维相关性先验信息的快速磁共振成像重建算法
WO2021162176A1 (ko) * 2020-02-13 2021-08-19 주식회사 에어스 메디컬 자기 공명 영상 처리 장치 및 그 방법
EP3889634A1 (en) * 2020-04-01 2021-10-06 Koninklijke Philips N.V. Reduction of off-resonance effects in magnetic resonance imaging
CN113534031A (zh) * 2020-04-21 2021-10-22 上海联影医疗科技股份有限公司 图像域数据生成方法、计算机设备和可读存储介质
CN113538611A (zh) * 2021-06-21 2021-10-22 复旦大学 一种无监督的心脏磁共振参数定量图像重建方法
CN113933773A (zh) * 2021-09-30 2022-01-14 深圳先进技术研究院 基于深度学习的磁共振成像方法、系统、终端及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017104313A (ja) * 2015-12-10 2017-06-15 株式会社日立製作所 磁気共鳴イメージング装置、及び方法
US10393842B1 (en) * 2018-02-20 2019-08-27 The Board Of Trustees Of The Leland Stanford Junior University Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering
CN109188326B (zh) * 2018-09-29 2021-04-06 上海联影医疗科技股份有限公司 磁共振成像方法和磁共振系统
US11085988B2 (en) * 2019-03-20 2021-08-10 The Board Of Trustees Of The Leland Stanford Junior University Method for estimating systematic imperfections in medical imaging systems with deep learning
WO2021114098A1 (zh) * 2019-12-10 2021-06-17 中国科学院深圳先进技术研究院 弱监督磁共振快速成像方法和装置
US11417423B2 (en) * 2020-08-06 2022-08-16 Shanghai United Imaging Intelligence Co., Ltd. Multi-coil magnetic resonance imaging with artificial intelligence
CN113359077A (zh) * 2021-06-08 2021-09-07 苏州深透智能科技有限公司 一种磁共振成像方法及相关设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276726A (zh) * 2019-05-13 2019-09-24 南昌大学 一种基于多通道网络先验信息引导的图像去模糊方法
CN110333466A (zh) * 2019-06-19 2019-10-15 东软医疗系统股份有限公司 一种基于神经网络的磁共振成像方法和装置
CN110916664A (zh) * 2019-12-10 2020-03-27 电子科技大学 一种基于深度学习的快速磁共振图像重建方法
US10901059B1 (en) * 2020-01-31 2021-01-26 The Board Of Trustees Of The Leland Stanford Junior University Multi-shot diffusion-weighted MRI reconstruction using unrolled network with U-net as priors
WO2021162176A1 (ko) * 2020-02-13 2021-08-19 주식회사 에어스 메디컬 자기 공명 영상 처리 장치 및 그 방법
EP3889634A1 (en) * 2020-04-01 2021-10-06 Koninklijke Philips N.V. Reduction of off-resonance effects in magnetic resonance imaging
CN113534031A (zh) * 2020-04-21 2021-10-22 上海联影医疗科技股份有限公司 图像域数据生成方法、计算机设备和可读存储介质
CN111696168A (zh) * 2020-06-13 2020-09-22 中北大学 基于残差自注意力图像增强的高倍速采mri重建方法
CN112700508A (zh) * 2020-12-28 2021-04-23 广东工业大学 一种基于深度学习的多对比度mri图像重建方法
CN113096208A (zh) * 2021-03-16 2021-07-09 天津大学 基于双域交替卷积的神经网络磁共振图像的重建方法
CN113077527A (zh) * 2021-03-16 2021-07-06 天津大学 一种基于欠采样的快速磁共振图像重建方法
CN113256749A (zh) * 2021-04-20 2021-08-13 南昌大学 一种基于高维相关性先验信息的快速磁共振成像重建算法
CN113538611A (zh) * 2021-06-21 2021-10-22 复旦大学 一种无监督的心脏磁共振参数定量图像重建方法
CN113933773A (zh) * 2021-09-30 2022-01-14 深圳先进技术研究院 基于深度学习的磁共振成像方法、系统、终端及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A comparative study of CNN-based super-resolution methods in MRI reconstruction and its beyond;Wei Zeng等;《Signal Processing: Image Communicatio》;20201231;全文 *
Triple-D network for effiient undersampled magnetic resonance images reconstruction;Zhao Li等;《Magnetic Resonance Imaging》;20211221;全文 *
基于 K 空间 数据的深度核磁共振图像重建;黄敏等;《生物医学工程研究》;20200229;第39卷(第2期);全文 *
深度学习的快速磁共振成像及欠采样轨迹设计;肖韬辉等;《中国图象图形学报》;20180216(第02期);全文 *

Also Published As

Publication number Publication date
CN114114116A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
Kwon et al. A parallel MR imaging method using multilayer perceptron
Bhateja et al. Multimodal medical image sensor fusion framework using cascade of wavelet and contourlet transform domains
CN113077527B (zh) 一种基于欠采样的快速磁共振图像重建方法
CN107274462B (zh) 基于熵和几何方向的分类多字典学习磁共振图像重建方法
GB2573557A (en) Method of reconstructing magnetic resonance image data
WO2022183988A1 (en) Systems and methods for magnetic resonance image reconstruction with denoising
Benou et al. De-noising of contrast-enhanced MRI sequences by an ensemble of expert deep neural networks
KR102584166B1 (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
Pawar et al. A deep learning framework for transforming image reconstruction into pixel classification
Wahid et al. Multi-layer basis pursuit for compressed sensing MR image reconstruction
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
CN109934884B (zh) 一种基于变换学习和联合稀疏性的迭代自一致性并行成像重构方法
Manimala et al. Convolutional neural network for sparse reconstruction of MR images interposed with gaussian noise
CN111968108A (zh) 基于智能扫描协议的ct智能成像方法、装置及系统
CN114114116B (zh) 磁共振成像生成方法、系统、存储介质及计算机设备
Ke et al. CRDN: cascaded residual dense networks for dynamic MR imaging with edge-enhanced loss constraint
WO2024021796A1 (zh) 一种图像处理方法、装置、电子设备、存储介质及程序产品
Haq et al. Block-based compressed sensing of MR images using multi-rate deep learning approach
KR101883806B1 (ko) 영상 복원 장치 및 방법
CN112634385B (zh) 一种基于深度拉普拉斯网络的快速磁共振成像方法
CN113052840B (zh) 一种基于低信噪比pet图像的处理方法
CN113487507A (zh) 一种基于多模块特征聚合的双域递归网络mr重建方法
Shangguan et al. Multi-slice compressed sensing MRI reconstruction based on deep fusion connection network
Panych Adaptive magnetic resonance imaging by wavelet transform encoding
Rodriguez-Florido et al. DT-MRI regularization using anisotropic tensor field filtering

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