CN114167334B - 磁共振图像的重建方法、装置及电子设备 - Google Patents

磁共振图像的重建方法、装置及电子设备 Download PDF

Info

Publication number
CN114167334B
CN114167334B CN202010953844.3A CN202010953844A CN114167334B CN 114167334 B CN114167334 B CN 114167334B CN 202010953844 A CN202010953844 A CN 202010953844A CN 114167334 B CN114167334 B CN 114167334B
Authority
CN
China
Prior art keywords
data
neural network
network model
sequence
sample
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
CN202010953844.3A
Other languages
English (en)
Other versions
CN114167334A (zh
Inventor
翟人宽
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202010953844.3A priority Critical patent/CN114167334B/zh
Publication of CN114167334A publication Critical patent/CN114167334A/zh
Application granted granted Critical
Publication of CN114167334B publication Critical patent/CN114167334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Abstract

本发明实施例公开了一种磁共振图像的重建方法、装置及电子设备。该方法包括：获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；其中，所述目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。本发明通过基于第一序列的第一样本欠采样数据和基于第二序列的第二样本欠采样数据二次训练得到目标神经网络模型，解决了第二序列的样本满采样数据不易获取的问题，提高了模型输出的恢复数据的数据质量。

Description

磁共振图像的重建方法、装置及电子设备
技术领域
本发明实施例涉及磁共振成像技术领域，尤其涉及一种磁共振图像的重建方法、装置及电子设备。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)是利用磁共振现象从人体中获取电磁信号从而重建人体信息的技术，属于断层成像的一种。磁共振成像技术具有非侵入性、无电离辐射损伤和成像清晰等特点，几乎适用于全身各系统的不同疾病的诊断，例如肿瘤、炎症、创伤、退行性病变，以及各种先天性疾病等的检查。
磁共振成像技术需要获取满采样的K空间数据才能对人体信息进行重建，采集的数据越多则采集的时间越长，成像速度越慢。因此，为提高成像速度，现有技术通过采集被测对象的欠采样数据，并基于神经网络模型重建与欠采样数据对应的满采样数据。但神经网络模型的好坏受到训练标准---满采样数据的影响，不同采集场景采集到的满采样数据的质量参差不齐，且有些采集场景下甚至无法采集到满采样数据，因此现有技术中作为神经网络模型训练标准的满采样数据较难获取，使得模型输出的满采样数据质量较差。
发明内容
本发明实施例提供了一种磁共振图像的重建方法、装置及电子设备，以在满采样数据难获取的情况下，仍能使得模型输出数据质量很好的满采样数据。
第一方面，本发明实施例提供了一种磁共振图像的重建方法，该方法包括：
获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；
其中，所述目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。
第二方面，本发明实施例还提供了一种磁共振图像的重建装置，该装置包括：
恢复数据输出模块，用于获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
磁共振图像重建模块，用于基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；
其中，所述目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。
第三方面，本发明实施例还提供了一种电子设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的磁共振图像的重建方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的磁共振图像的重建方法。
本发明实施例通过根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据进行二次训练得到目标神经网络模型，解决了现有技术基于第二序列采集到的样本满采样数据质量差的问题，基于第一序列采集到的样本满采样数据保证了神经网络模型的标准训练数据的数据质量，从而使得训练完成的目标神经网络模型输出数据质量好的恢复数据，进而提高基于输出的恢复数据重建得到的磁共振图像的质量。
附图说明
图1是本发明实施例一提供的一种磁共振图像的重建方法的流程图；
图2是本发明实施例二提供的一种磁共振图像的重建方法的流程图；
图3是本发明实施例三提供的一种目标神经网络模型二次训练过程的示意图；
图4是本发明实施例三提供的一种磁共振图像的重建方法的流程图；
图5是本发明实施例四提供的一种磁共振图像的重建装置的示意图；
图6是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种磁共振图像的重建方法的流程图，本实施例可适用于采用磁共振设备进行扫描重建磁共振图像的情况，该方法可以由磁共振图像的重建装置来执行，该装置可采用软件和/或硬件的方式实现。具体包括如下步骤：
S110、获取基于第二序列采集到的被测对象的欠采样数据，并将欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据。
在磁共振采集过程中，首先给被测对象发射频率与氢质子进动频率一致的射频脉冲，被测对象将产生宏观横向磁化矢量，该宏观横向磁化矢量切割接收线圈而产生的电信号为原始的磁共振信号。同时，利用X、Y和Z三组梯度线圈产生的梯度场的有机组合，进行层面和层厚的选择，以进行在任意横断面上的扫描，在此过程中，通过梯度线圈产生的梯度场完成对原始磁共振信号的频率编码和相位编码。原始的磁共振信号属于模拟信号而非数字信号，经过模数转换后，变为数字信号。该数字信号被填充至K空间，成为数字数据点阵。K空间又称为傅里叶空间，是一个空间数据点阵。尽管K空间的点阵与磁共振图像的点阵不是一一对应的关系，但是K空间的点阵与图像矩阵是一致的。K空间在频率编码方向上的采样点数与磁共振图像频率编码方向上的采样点数与磁共振图像频率编码方向上真正的像素数目是一致的；而K空间在相位编码方向的点数(即相位编码线的数目)与图像在相位编码方向上的像素数目也是一样的。K空间的点阵越大，图像的像素越小，空间分辨率越高，则所需要采集的时间越多；反之，K空间的点阵越小，图像的像素越大，空间分辨率越低，则所需要采集的时间越少。当K空间中的所有矩阵位置均填充有数据时，此时该K空间数据为满采样数据，当K空间中部分矩阵位置填充有数据时，此时该K空间数据为欠采样数据。采集被测对象的欠采样数据，并基于神经网络模型重建与欠采样数据对应的恢复数据，可以提高磁共振成像速度。
其中，恢复数据可包括输入到目标神经网络模型中的欠采样数据和预测数据。其中，具体的，欠采样数据仅填充K空间的部分区域，预测数据填充至K空间中欠采样数据未填充的空白区域，即恢复数据填充K空间的区域大于输入到目标神经网络模型中的欠采样数据填充K空间的区域。在一个实施例中，可选的，预测数据填充K空间中欠采样数据未填充的部分空白区域或全部空白区域。其中，具体的，恢复数据可填充K空间绝大部分区域或者全部区域。
其中，示例性的，第二序列由射频脉冲、梯度场和信号采集时刻等相关各参数的设置及其在时序上的排列。可选的，射频脉冲的参数主要包括带宽、幅度、施加时刻以及施加时间；梯度场的参数包括梯度场场强、施加时刻和持续时间。
其中，示例性的，神经网络模型的类包括但不限于递归网络模型、深度卷积网络模型、支持向量机和玻尔兹曼网络模型等。此处对使用的神经网络模型的类型不作限定。
在本实施例中，目标神经网络模型可经过二次训练得到。其中，具体的，第一次训练使用第一序列对应的样本数据；第二次训练使用第二序列对应的样本数据，其中，第一序列与第二序列为两种不同类型的扫描序列且具有设定的相似度。示例性的，第一次训练所使用的样本数据包括第一样本满采样数据和第一样本欠采样数据，其中，第一样本满采样数据通过利用第一序列对多个样本对象进行满采样扫描得到，第一样本欠采样数据可以通过提取第一样本满采样数据的局部并填充至新的K空间获得，第一样本欠采样数据也可以通过利用第一序列对样本对象进行欠采样扫描得到。第一样本欠采样数据作为第一次训练时初始神经网络模型的输入，第一样本满采样数据作为初始神经网络模型的训练金标准。第二次训练所使用的样本数据仅包括第二样本欠采样数据，其中，第二样本欠采样数据作为第一次训练得到的预训练神经网络模型的第二次训练时的输入。在此实施例中，用作输入的第二样本欠采样数据通过利用第二序列对样本对象进行欠采样扫描得到。
在一个实施例中，根据第二序列的第二场景特征集，建立第一序列的第一场景特征集；其中，第一场景特征集与第二场景特征集中预设数量的场景特征信息不同，其余场景特征信息相同。
其中，示例性的，场景特征集中的场景特征信息包括脉冲序列特征信息和应用场景特征信息。具体的，脉冲序列特征信息用于描述脉冲序列的参数信息，可根据该参数信息确定使用的脉冲序列。示例性的，参数信息可以是重复时间、回波链长度、回波时间、脉冲角度、相位编码、频率编码和幅度编码等等。应用场景特征信息用于描述脉冲序列所处的采集场景，示例性的，采集场景可以是被测对象、磁共振设备的设备参数和磁共振图像的图像参数。
例如两种序列所得的图像的所有像素，超过80％的像素具有相同的像素值，两者对比度具有80％以上的相似度；或者，两种序列所对应的采集轨迹不同，但K空间的采样点大部分相同；又或者，两种序列扫描对应的发射线圈相同、接收线圈也相同，也就是说两者的线圈灵敏度区域相同。
其中，示例性的，预设数量可以是一个也可以是多个。具体的，从第二序列的第二场景特征集中选取预设数量的场景特征信息并进行修改，将修改后的预设数量的场景特征信息和第二场景特征集中剩余数量的场景特征信息均放入第一场景特征集中，得到第一序列的第一场景特征集。
这样设置的好处在于，基于第二序列的第二场景特征集的场景下采集到的满采样数据质量较差，通过对第二场景特征集中的场景特征信息进行修改，得到第一序列的第一场景特征集，可以在保证与第二场景特征集相似性的情况下，使得基于第一序列的第一场景特征集的场景下可以采集到数据质量很好的满采样数据，进而提高后续基于该满采样数据训练得到的神经网络模型的输出结果的数据质量。
在一个实施例中，可选的，第二场景特征集中的场景特征信息包括对比度、线圈类型、被测对象、脉冲序列类型以及线圈与被测对象的相对位置中一项或多项。
其中，具体的，磁共振信号越强，磁共振图像越亮，反之，磁共振信号越弱，磁共振图像越暗。其中，亮、暗可通过对比度表示。磁共振图像的对比度体现为T1、T2驰豫时间及质子密度的差异。在外加射频脉冲的作用下，原子核发生磁共振达到稳定的高能态后，从外加的射频脉冲的消失时间到恢复至发生磁共振前的磁矩状态为止，该过程称之为驰豫过程，所需时间为驰豫时间。其中T1为纵向驰豫时间，T2为横向驰豫时间。其中，具体的，线圈类型包括但不限于正交线圈、相控阵线圈、柔性线圈和阵列线圈等等。。其中，具体的，被测对象包括被采集磁共振信号的对象，示例性的，可以是人体或动物体，可以是局部组织或器官。其中，具体的，线圈与被测对象之间的相对位置可用于描述被测对象的采样数据的采集位置，示例性的，线圈与被测对象之间的相对位置可以是头部、体部、双下肢或脊柱等。
其中，示例性的，脉冲序列的参数包括但不限于重复时间、回波时间、回波链长度、反转时间、图像采集矩阵和翻转角等。其中，具体的，重复时间是指一个激励脉冲的发出时间到下一个同一脉冲的发出时间之间的时间间隔。回波时间是指发出射频脉冲到产生回波信号所需的时间。回波链长度是指在每个重复时间内采用不同的相位编码采集到的回波数。反转时间是指在反转恢复类脉冲序列中，180°反转脉冲与90°激励脉冲之间的时间间隔。图像采集矩阵是指沿频率编码和相位编码方向采集的像素数目。在射频脉冲的激励下，磁化强度矢量将偏离静磁场方向，其偏离角度称之为翻转角。将各序列参数进行不同的设置组合，可以得到不同脉冲序列类型的脉冲序列。示例性的，脉冲序列类型包括自旋回波序列、梯度回波序列和反转恢复序列。
S120、基于恢复数据进行重建得到与被测对象对应的磁共振图像。
其中，具体的，对恢复数据进行傅里叶逆变换可以重建得到磁共振图像。傅里叶逆变换可以将恢复数据中混合了不同频率、振幅和相位的频域数据转换为时域数据，得到重建的磁共振图像。在K空间中，K空间的中心区域决定磁共振图像的对比度，边缘区域决定磁共振图像的图像细节。
本实施例的技术方案，通过根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据进行二次训练得到目标神经网络模型，解决了现有技术基于第二序列采集到的样本满采样数据质量差的问题，基于第一序列采集到的样本满采样数据保证了神经网络模型的标准训练数据的数据质量，从而使得训练完成的目标神经网络模型输出数据质量好的恢复数据，进而提高基于输出的恢复数据重建得到的磁共振图像的质量。
实施例二
图2是本发明实施例二提供的一种磁共振图像的重建方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述目标神经网络模型的训练方法，包括：获取基于第一序列采集到的样本满采样数据，并根据所述样本满采样数据对初始神经网络模型进行初次训练，确定训练完成的预训练神经网络模型；获取基于第二序列采集到的第二样本欠采样数据，并根据所述第二样本欠采样数据对所述预训练神经网络模型进行再次训练，确定训练完成的目标神经网络模型。
本实施例的具体实施步骤包括：
S210、获取基于第一序列采集到的样本满采样数据，并根据样本满采样数据对初始神经网络模型进行初次训练，确定训练完成的预训练神经网络模型。
在一个实施例中，可选的，根据样本满采样数据对初始神经网络模型进行训练，确定训练完成的预训练神经网络模型，包括：对样本满采样数据进行欠采样处理得到第一样本欠采样数据，并将第一样本欠采样数据输入到初始神经网络模型中；根据输出结果和样本满采样数据对初始神经网络模型的模型参数进行调整，直到得到训练完成的预训练神经网络模型。
其中，具体的，第一样本欠采样数据是样本满采样数据进行数据剔除后得到的欠采样数据。示例性的，欠采样处理方法可以是等间隔采样方法或随机采样方法。具体的，等间隔采样方法是对满采样数据进行等间隔采样，并在K空间中未包含采样数据的矩阵位置进行填零处理。在一个实施例中，可选的，随机采样方法包括变密度随机采样法。变密度随机采样法的采样密度与相位方向和频率方向上的采样间隔成反比，变密度随机采样法主要采集满采样数据中的低频数据，较少的采集高频数据，从而有效的减少混叠伪影。在另一个实施例中，可选的，欠采样处理方法包括随机采样法。其中，具体的，采样轨迹主要有笛卡尔采样轨迹、螺旋采样轨迹和迂回采样轨迹、放射状采样等。此处对采用的欠采样处理方法不作限定。
其中，根据输出结果和样本满采样数据对初始神经网络模型的模型参数进行调整，直到得到训练完成的预训练神经网络模型，具体的，基于初始神经网络模型输出的预测满采样数据和样本满采样数据计算损失函数，根据损失函数值对初始神经网络模型的模型参数进行调整。当损失函数值收敛时，得到训练完成的预训练神经网络模型。
S220、获取基于第二序列采集到的第二样本欠采样数据，并根据第二样本欠采样数据对预训练神经网络模型进行再次训练，确定训练完成的目标神经网络模型。
在一个实施例中，可选的，根据第二样本欠采样数据对预训练神经网络模型进行二次训练，确定训练完成的目标神经网络模型，包括：将基于第二序列采集到的第二样本欠采样数据输入到预训练神经网络模型中，并根据输出的预测恢复数据、第二样本欠采样数据和基于第二样本欠采样数据计算得到标准满采样数据，确定模型评价结果；根据模型评价结果对预训练神经网络模型的模型参数进行调整直到模型评价结果满足预设模型评价阈值，得到训练完成的目标神经网络模型。
其中，具体的，基于第二样本欠采样数据和预设数学约束方法计算得到标准满采样数据。示例性的，预设数学约束方法可以是压缩感知方法或并行采集方法。
在一个实施例中，可选的，模型评价结果满足公式：
其中，‖ ‖2表示二范数运算；min表示取最小值运算，arg表示取复数的辐角主值；x表示预测恢复数据，y表示第二样本欠采样数据，Ex表示对预测恢复数据进行欠采样处理后得到的预测欠采样数据，E表示与第二样本欠采样数据的矩阵相一致的掩膜矩阵，PI(x)表示标准满采样预测恢复数据，且PI(x)通过预测恢复数据x进行拟合运算得到，λ表示权重系数，且λ为一常数。示例性的，数学约束的过程例如可以是，采用最小二乘法对每个线圈的谐波权重系数进行拟合以得到线圈的空间灵敏度，对多个线圈对应的预测恢复数据x进行线性组合。上述模型公式中‖Ex-y‖2用于表征得到的预测磁共振成像数据中与实际采样位置对应的部分，相比第二样本欠采样数据是否一致；‖PI(x)-x‖2表示预测磁共振成像数据，相比数学约束得到的数据是否一致。
其中，具体的，基于第二样本欠采样数据，对预测恢复数据进行欠采样处理后得到的预测欠采样数据。第二样本欠采样数据和预测欠采样数据在K空间中，包含采样数据的矩阵位置相同。其中，示例性的，权重系数λ可以是0-1。
在本实施例中，通过模型评价结果的‖Ex-y‖2，计算预测磁共振成像数据中与实际采样位置对应的部分，相比第二样本欠采样数据的一致程度，能够保证得到的预测磁共振成像数据中与实际采样位置对应的数据的准确度，另外，通过模型评价结果的‖PI(x)-x‖2，能够计算预测磁共振成像数据中未采样位置所对应数据准确性，进而能够最小值运算的结果，提高预测磁共振成像数据准确度。需要说明的是，为了保证最终成像的对比度，可将λ设置为小于0.5，从而进一步提高预训练神经网络模型输出的与实际采样位置对应部分数据的准确度。
图3是本发明实施例二提供的一种目标神经网络模型二次训练过程的示意图。如图3所示，将第二样本欠采样数据输入到预训练神经网络模型中，得到输出的预测恢复数据，根据预测恢复数据、第二样本欠采样数据和标准满采样数据计算得到模型评价结果，其中，标准满采样数据是基于预设数学约束方法对第二样本欠采样数据进行处理后得到的数据。基于模型评价结果对预训练神经网络模型的模型参数进行反馈调节。当模型评价结果满足预设模型评价阈值时，得到训练完成的目标神经网络模型。
S230、获取基于第二序列采集到的被测对象的欠采样数据，并将欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据。
S240、基于恢复数据进行重建得到与被测对象对应的磁共振图像。
本实施例的技术方案，通过将第一样本欠采样数据输入到初始神经网络模型中，并将基于第一序列采集到的样本满采样数据作为训练标准对初始神经网络模型进行预训练，解决了现有技术基于第二序列采集到的样本满采样数据质量差的问题，使得预训练神经网络模型可以输出质量较好的满采样数据。进一步的，基于第二序列采集到的第二样本欠采样数据作为输入数据对预训练神经网络模型进行二次训练，解决了预训练神经网络模型对基于第二序列采集到的第二样本欠采样数据重建效果差的问题，使得目标神经网络模型既满足了对基于第二序列采集到的第二样本欠采样数据的处理需求，又能输出的质量较好的恢复数据。
实施例三
图4是本发明实施例三提供的一种磁共振图像的重建方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述第二场景特征集中的被测对象包括胎儿，相应的，所述第一场景特征集中的被测对象为至少两种组织/器官部位。所述第二场景特征集中的脉冲序列类型为回波平面DWI(echoplanar imaging DWI，EPI-DWI)序列，对应的，所述第一场景特征集中的脉冲序列类型为液体衰减反转恢复(T2 FLAIR，T2Fluid Attenuated Inversion Recovery)脉冲序列，该序列包括反转恢复部分和其之后的快速自旋回波序列。在此实施例中，以两种序列采集脑出血的磁共振图像为例说明，在超急性期，两序列所成像的脑出血都表现为高亮度信号；在急性期，两序列所成像的脑出血都表现为低信号；在亚急性早期，两序列所成像的脑出血都表现为低信号；在亚急性晚期，两序列所成像的脑出血都表现为高亮度信号；在慢性期，两序列所成像的脑出血都表现为低信号，即两序列所成像的图像具有相同或者近似的像素值。所述第一场景特征集中的脉冲序列更适于满采样，所述第二场景特征集中的脉冲序列更适于欠采样。在此实施例中，所述第二场景特征集中的脉冲序列类型为EPI-DWI序列，该类型序列满采与欠采样的实际序列，图像会有不同程度的变形，无法一一对应，且满采样的数据质量比欠采样的数据质量差。
在另一实施例中，所述第二场景特征集中的脉冲序列类型为单脉冲快速自旋成像回波(single shot FSE，SS-FSE)脉冲序列，对应的，所述第一场景特征集中的脉冲序列类型为多脉冲快速自旋成像回波(multi-shot FSE)脉冲序列。在此实施例中，SS-FSE脉冲序列在满采样情况下，由于回波链变长，会导致图像对比度、模糊程度等都会受到影响，即SS-FSE脉冲序列适用于短回波链采集，而multi-shot FSE适用于长回波链采集。
本实施例的具体实施步骤包括：
S310、根据第二序列的第二场景特征集，建立第一序列的第一场景特征集。
在本实施例中，第二场景特征集中的被测对象包括胎儿，相应的，第一场景特征集中的被测对象为至少两种组织部位。
由于满采样数据的采集时间较长，且在采集的过程中要求被测对象尽可能的保持不动。如果被测对象为胎儿，首先采集时间过长对胎儿容易造成一些不可量化的损伤，其次在采集的过程中无法控制胎儿的运动。因此当被测对象为胎儿时，通常很难采集到质量很好的满采样数据。
在一个实施例中，将第一场景特征集中的被测对象设置为包含至少两种组织部位，以构建与第二场景特征集中被测对象为胎儿的相似的采集场景。在一个实施例中，可选的，基于各组织部位的权重比例，将与各组织部位对应的满采样数据作为基于第一序列采集到的样本满采样数据。其中，示例性的，组织部位包括但不限于腹盆、头部、脊柱和关节中至少两种。由于胎儿在不同的发育时期，身体组织部位的发育成熟度不同，相应的，在进行磁共振检查时，对胎儿组织部位的关注度也不同。其中，权重比例是指与各组织部位对应的样本满采样数据占总样本满采样数据的百分比，示例性的，腹盆、头部、脊柱和关节的权重比例分别为50％、20％、20％和10％。这样设置的好处在于，在满足对多组织部位的欠采样数据进行恢复的同时，提高后续预训练神经网络模型的训练效率。
在另一实施例中，第二场景特征集中的脉冲序列类型为回波平面脉冲序列，对应的，第一场景特征集中的脉冲序列类型为液体衰减反转恢复脉冲序列。
在另一实施例中，第二场景特征集中的脉冲序列类型为单脉冲快速自旋成像回波脉冲序列，对应的，第一场景特征集中的脉冲序列类型为多脉冲快速自旋成像回波脉冲序列。
回波平面成像的采集原理是在一次脉冲激发后，利用频率编码梯度场的连续正反向切换采集到一连串梯度回波信号。基于上述采集原理，基于回波平面脉冲序列采集到的回波信号是在K空间内以一种迂回的轨迹进行填充，这种迂回的填充方式需要相位编码梯度场和频率编码梯度场相互配合实现，使得采集到的满采样数据和欠采样数据重建得到的磁共振图像容易出现有不同程度的变形，在一些场景下，基于回波平面脉冲序列采集到的满采样数据的数据质量比欠采样数据还要差。液体衰减反转恢复脉冲序列采用较长的反转时间和回波时间。较长的反转时间可以使纵向驰豫时间较长，从而达到液体衰减的效果。较长的回波时间会使因液体波动引起的伪影和容积效应增加，但由于上述的液体抑制效果，较长的回波时间仍然可以得到信号较好的横向驰豫加权图像。
普通的自旋成像回波序列是在一个重复时间内，首先发射一个90°射频脉冲，然后再发射一个180°射频脉冲，形成一个自旋回波。快速自旋成像回波脉冲序列中，在90°射频脉冲后，相继给出多个对应不同相位编码梯度的180°射频脉冲，可得到多个对应不同相位编码的回波信号。示例性的，当180°射频脉冲为5个时，则回波链长度为5。但是单脉冲快速自旋成像回波脉冲序列是在一个重复时间内获取多个回波信号，回波链长度较长。当采集过长的回波链长度的回波信号时，由于在重复时间内越后面的180°射频脉冲距离90°射频脉冲越远，采集到的回波信号的信号强度越弱，从而会降低磁共振图像的信噪比和对比度。因此，基于单脉冲快速自旋成像回波脉冲序列采集到的满采样数据的数据质量较差。多脉冲快速自旋成像回波脉冲序列则可以克服单脉冲快速自旋成像回波脉冲序列存在的问题，采集到数据质量较好的满采样数据。
需要说明的是，上述是指对第一序列和第二序列的脉冲序列类型的对应关系进行示例性解释说明，并非对其进行限定。示例性的，当第二场景特征集中的脉冲序列类型为单脉冲快速自旋成像回波脉冲序列，第一场景特征集中的脉冲序列类型也可同属于单脉冲快速自旋成像回波脉冲序列，但该脉冲序列中的180°射频脉冲可以被修改为160°射频脉冲。可以理解的是，所有根据第二序列的第二场景特征集建立与其对应的第一序列的场景特征集的技术方案，均在本技术方案的保护范围之内。
S320、获取基于第一序列采集到的样本满采样数据，并根据样本满采样数据对初始神经网络模型进行训练，确定训练完成的预训练神经网络模型。
S330、获取基于第二序列采集到的第二样本欠采样数据，并根据第二样本欠采样数据对预训练神经网络模型进行二次训练，确定训练完成的目标神经网络模型。
S340、获取基于第二序列采集到的被测对象的欠采样数据，并将欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据。
S350、基于恢复数据进行重建得到与被测对象对应的磁共振图像。
本实施例的技术方案，通过对满采样数据的数据质量差对应的第二序列的第二场景特征集定义与其对应的数据质量好的第一序列的第一场景特征集，并基于第一场景特征集采集到的样本满采样数据对初始神经网络模型进行预训练，解决了基于第二序列采集到的样本满采样数据质量差的问题，可根据本实施例提供的第一场景特征集和第二场景特征集采集样本数据并对初始神经网络模型进行二次训练，使得训练完成的目标神经网络模型输出数据质量好的恢复数据，进而提高基于输出的恢复数据重建得到的磁共振图像的质量。
实施例四
图5是本发明实施例四提供的一种磁共振图像的重建装置的示意图。本实施例可适用于采用磁共振设备进行扫描重建磁共振图像的情况，该装置可采用软件和/或硬件的方式实现。该磁共振图像的重建装置包括：恢复数据输出模块410和磁共振图像重建模块420。
其中，恢复数据输出模块410，用于获取基于第二序列采集到的被测对象的欠采样数据，并将欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
磁共振图像重建模块420，用于基于恢复数据进行重建得到与被测对象对应的磁共振图像；
其中，目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。
本实施例的技术方案，通过根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据进行二次训练得到目标神经网络模型，解决了现有技术基于第二序列采集到的样本满采样数据质量差的问题，基于第一序列采集到的样本满采样数据保证了神经网络模型的标准训练数据的数据质量，从而使得训练完成的目标神经网络模型输出数据质量好的恢复数据，进而提高基于输出的恢复数据重建得到的磁共振图像的质量。
在上述技术方案的基础上，可选的，该装置还包括：
第一场景特征集建立模块，用于根据第二序列的第二场景特征集，建立第一序列的第一场景特征集；其中，第一场景特征集与第二场景特征集中预设数量的场景特征信息不同，其余场景特征信息相同；第二场景特征集中的场景特征信息包括对比度、线圈类型、被测对象、脉冲序列类型以及线圈与被测对象之间的相对位置中一项或多项。
在上述技术方案的基础上，可选的，第二场景特征集中的被测对象包括胎儿，相应的，第一场景特征集中的被测对象为至少两种组织部位。
在上述技术方案的基础上，可选的，第二场景特征集中的脉冲序列类型为回波平面DWI脉冲序列，对应的，第一场景特征集中的脉冲序列类型为液体衰减反转恢复脉冲序列。
在上述技术方案的基础上，可选的，第二场景特征集中的脉冲序列类型为单脉冲快速自旋成像回波脉冲序列，对应的，第一场景特征集中的脉冲序列类型为多脉冲快速自旋成像回波脉冲序列。
在上述技术方案的基础上，可选的，该装置还包括：
预训练神经网络模型确定模块，用于获取基于第一序列采集到的样本满采样数据，并根据样本满采样数据对初始神经网络模型进行初次训练，确定训练完成的预训练神经网络模型；
目标神经网络模型确定模块，用于获取基于第二序列采集到的第二样本欠采样数据，并根据第二样本欠采样数据对预训练神经网络模型进行再次训练，确定训练完成的目标神经网络模型。
在上述技术方案的基础上，可选的，预训练神经网络模型确定模块具体用于：
对样本满采样数据进行欠采样处理得到第一样本欠采样数据，并将第一样本欠采样数据输入到初始神经网络模型中；
根据输出结果和样本满采样数据对初始神经网络模型的模型参数进行调整，直到得到训练完成的预训练神经网络模型。
在上述技术方案的基础上，可选的，目标神经网络模型确定模块具体用于：
将基于第二序列采集到的第二样本欠采样数据输入到预训练神经网络模型中，并根据输出的预测恢复、第二样本欠采样数据和基于第二样本欠采样数据计算得到标准满采样数据，确定模型评价结果；
根据模型评价结果对预训练神经网络模型的模型参数进行调整直到模型评价结果满足预设模型评价阈值，得到训练完成的目标神经网络模型。
本发明实施例所提供的磁共振图像的重建装置可以用于执行本发明实施例所提供的磁共振图像的重建方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述磁共振图像的重建装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图6是本发明实施例五提供的一种设备的结构示意图，本发明实施例为本发明上述实施例的磁共振图像的重建方法的实现提供服务，可配置上述实施例中的磁共振图像的重建装置。图6示出了适于用来实现本发明实施方式的示例性设备12的框图。图6显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的磁共振图像的重建方法。
通过上述设备，解决了现有技术基于第二序列采集到的样本满采样数据质量差的问题，基于第一序列采集到的样本满采样数据保证了神经网络模型的标准训练数据的数据质量，从而使得训练完成的目标神经网络模型输出数据质量好的满采样数据，进而提高基于输出的满采样数据重建得到的磁共振图像的质量。
实施例六
本发明实施例六还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种磁共振图像的重建方法，该方法包括：
获取基于第二序列采集到的被测对象的欠采样数据，并将欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
基于恢复数据进行重建得到与被测对象对应的磁共振图像；
其中，目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的磁共振图像的重建方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种磁共振图像的重建方法，其特征在于，包括：
从第二序列的第二场景特征集中选取预设数量的场景特征信息并进行修改；
将修改后的预设数量的场景特征信息和第二场景特征集中剩余数量的场景特征信息均放入第一场景特征集中，得到第一序列的第一场景特征集；
获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；
其中，所述第一场景特征集或第二场景特征集中的场景特征信息包括脉冲序列特征信息和应用场景特征信息，所述第二序列包括射频脉冲、梯度场和信号采集时刻相关各参数的设置及其在时序上的排列；
所述目标神经网络模型的训练方法，包括：
获取基于第一序列的第一场景特征集的场景下采集到的样本满采样数据，并根据所述样本满采样数据对初始神经网络模型进行初次训练，确定训练完成的预训练神经网络模型；
获取基于第二序列的第二场景特征集的场景下采集到的第二样本欠采样数据，并根据所述第二样本欠采样数据对所述预训练神经网络模型进行再次训练，确定训练完成的目标神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述第二场景特征集中的场景特征信息包括对比度、线圈类型、被测对象、脉冲序列类型以及线圈与被测对象之间的相对位置中的一项或多项。
3.根据权利要求2所述的方法，其特征在于，所述第二场景特征集中的被测对象包括胎儿，相应的，所述第一场景特征集中的被测对象为至少两种组织部位。
4.根据权利要求2所述的方法，其特征在于，所述第二场景特征集中的脉冲序列类型为回波平面DWI脉冲序列，对应的，所述第一场景特征集中的脉冲序列类型为液体衰减反转恢复脉冲序列。
5.根据权利要求2所述的方法，其特征在于，所述第二场景特征集中的脉冲序列类型为单脉冲快速自旋成像回波脉冲序列，对应的，所述第一场景特征集中的脉冲序列类型为多脉冲快速自旋成像回波脉冲序列。
6.根据权利要求1所述的方法，其特征在于，所述根据所述样本满采样数据对初始神经网络模型进行初次训练，确定训练完成的预训练神经网络模型，包括：
对所述样本满采样数据进行欠采样处理得到第一样本欠采样数据，并将所述第一样本欠采样数据输入到初始神经网络模型中；
根据输出结果和所述样本满采样数据对所述初始神经网络模型的模型参数进行调整，直到得到训练完成的预训练神经网络模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述第二样本欠采样数据对所述预训练神经网络模型进行再次训练，确定训练完成的目标神经网络模型，包括：
将所述第二样本欠采样数据输入到所述预训练神经网络模型中，并根据输出的预测恢复数据、所述第二样本欠采样数据和基于所述第二样本欠采样数据计算得到标准满采样数据，确定模型评价结果；
根据所述模型评价结果对所述预训练神经网络模型的模型参数进行调整直到所述模型评价结果满足预设模型评价阈值，得到训练完成的目标神经网络模型。
8.一种磁共振图像的重建装置，其特征在于，包括：
第一场景特征集建立模块，用于从第二序列的第二场景特征集中选取预设数量的场景特征信息并进行修改；
将修改后的预设数量的场景特征信息和第二场景特征集中剩余数量的场景特征信息均放入第一场景特征集中，得到第一序列的第一场景特征集；
恢复数据输出模块，用于获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
磁共振图像重建模块，用于基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；
其中，所述第一场景特征集或第二场景特征集中的场景特征信息包括脉冲序列特征信息和应用场景特征信息，所述第二序列包括射频脉冲、梯度场和信号采集时刻相关各参数的设置及其在时序上的排列；
预训练神经网络模型确定模块，用于获取基于第一序列的第一场景特征集的场景下采集到的样本满采样数据，并根据所述样本满采样数据对初始神经网络模型进行初次训练，确定训练完成的预训练神经网络模型；
目标神经网络模型确定模块，用于获取基于第二序列的第二场景特征集的场景下采集到的第二样本欠采样数据，并根据所述第二样本欠采样数据对所述预训练神经网络模型进行再次训练，确定训练完成的目标神经网络模型。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的磁共振图像的重建方法。
CN202010953844.3A 2020-09-11 2020-09-11 磁共振图像的重建方法、装置及电子设备 Active CN114167334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010953844.3A CN114167334B (zh) 2020-09-11 2020-09-11 磁共振图像的重建方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010953844.3A CN114167334B (zh) 2020-09-11 2020-09-11 磁共振图像的重建方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114167334A CN114167334A (zh) 2022-03-11
CN114167334B true CN114167334B (zh) 2023-08-15

Family

ID=80475447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010953844.3A Active CN114167334B (zh) 2020-09-11 2020-09-11 磁共振图像的重建方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114167334B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782569A (zh) * 2022-03-15 2022-07-22 厦门大学 一种基于深度学习的dsc-mri血液动力学参数定量方法和系统
CN114972562A (zh) * 2022-05-20 2022-08-30 厦门大学 联合线圈灵敏度估计与图像重建的快速磁共振成像方法
CN115113121B (zh) * 2022-06-24 2024-01-19 深圳市联影高端医疗装备创新研究院 频谱数据获取方法、装置及计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105957029A (zh) * 2016-04-25 2016-09-21 南方医科大学 基于张量字典学习的磁共振图像重建方法
GB201807623D0 (en) * 2018-05-10 2018-06-27 Siemens Healthcare Gmbh Method of reconstructing magnetic resonance image data
CN109712208A (zh) * 2018-12-13 2019-05-03 深圳先进技术研究院 基于深度学习的大视野磁共振扫描图像重建方法和装置
CN109801259A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 一种核磁共振图像的快速成像方法、装置及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10573031B2 (en) * 2017-12-06 2020-02-25 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning
CN110942489B (zh) * 2018-09-25 2023-04-25 西门子医疗系统有限公司 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105957029A (zh) * 2016-04-25 2016-09-21 南方医科大学 基于张量字典学习的磁共振图像重建方法
GB201807623D0 (en) * 2018-05-10 2018-06-27 Siemens Healthcare Gmbh Method of reconstructing magnetic resonance image data
CN109712208A (zh) * 2018-12-13 2019-05-03 深圳先进技术研究院 基于深度学习的大视野磁共振扫描图像重建方法和装置
CN109801259A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 一种核磁共振图像的快速成像方法、装置及设备

Also Published As

Publication number Publication date
CN114167334A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN114167334B (zh) 磁共振图像的重建方法、装置及电子设备
US10635943B1 (en) Systems and methods for noise reduction in medical images with 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
CN111090069B (zh) 定量磁共振成像参数确定方法、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
EP2720062A1 (en) Medical image imaging method, medical diagnostic apparatus using the same, and recording medium therefor
US8781554B2 (en) Method and system of simulating magnetic resonance imaging signals
CN113534031B (zh) 图像域数据生成方法、计算机设备和可读存储介质
CN103649782A (zh) 催化多回波相位展开方法
CN112370040A (zh) 磁共振成像方法、装置、存储介质及电子设备
Wang et al. High fidelity direct-contrast synthesis from magnetic resonance fingerprinting in diagnostic imaging
CN110992435B (zh) 图像重建方法及设备、成像数据的处理方法及装置
CN111681297B (zh) 图像重建方法、计算机设备和存储介质
CN106137199B (zh) 扩散磁共振成像中的广义球面去卷积
KR20150100019A (ko) 자기 공명 영상 처리 장치 및 방법
WO2021129235A1 (zh) 三维磁共振快速参数成像方法和装置
CN113466768B (zh) 磁共振成像方法及磁共振成像系统
CN111009020B (zh) 图像重建方法、装置、计算机设备和存储介质
CN111292388A (zh) 磁共振成像方法、装置、电子设备、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
CN111948590B (zh) 磁共振成像方法及装置、电子设备、存储介质
US11971467B2 (en) Free-breathing abdominal magnetic resonance fingerprinting using a pilot tone navigator
CN111681296B (zh) 图像重建方法、装置、计算机设备和存储介质
Huo et al. Optimization of spiral MRI using a perceptual difference model

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