CN114255162A - 一种磁共振成像方法、装置、设备及介质 - Google Patents
一种磁共振成像方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114255162A CN114255162A CN202010999787.2A CN202010999787A CN114255162A CN 114255162 A CN114255162 A CN 114255162A CN 202010999787 A CN202010999787 A CN 202010999787A CN 114255162 A CN114255162 A CN 114255162A
- Authority
- CN
- China
- Prior art keywords
- space data
- image
- weight matrix
- processed
- super
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 106
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- 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
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了一种磁共振成像方法、装置、设备及介质。该方法包括:获取高频区域未填充的待处理K空间数据;将待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;对待处理K空间数据填零生成与超分辨率图像的K空间数据的K空间范围一致的填零重建K空间数据;基于与待处理K空间数据对应的原始图像计算与填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;根据基于第一权重矩阵处理的填零重建K空间数据与基于第二权重矩阵处理的超分辨率重建图像的K空间数据生成合并K空间数据;重建合并K空间数据,生成目标磁共振图像。实现自动计算权重矩阵,得到高分辨率的磁共振图像。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种磁共振成像方法、装置、设备及介质。
背景技术
一台典型的磁共振成像系统包含如下部件:磁体,梯度线圈,射频发射线圈,射频接收线圈,以及信号处理和图像重建单元。人体中氢原子核自旋,可等效为一个小磁针。在磁体提供的强磁场中,氢原子核由杂乱无序的热平衡状态转为部分顺,部分逆主磁场方向。二者之差形成净磁化矢量。氢原子核绕主磁场进动,进动频率和磁场强度成正比。梯度单元产生强度随空间位置变化的磁场,用于信号的空间编码。射频发射线圈将氢原子核由主磁场方向翻转到横向平面,并绕主磁场进动。在射频接收线圈感应出电流信号。经信号处理和图像重建单元得到被成像的组织的图像。
在上述过程中,图像重建之前需要将信号处理后的磁共振信号填充至K空间,K空间的填充与磁共振成像速度密切相关,K空间的填充速度实际上与磁共振信号的采集速度是一致的,K空寂干的数据填充完毕,磁共振信号的采集也完成。K空间在频率编码方向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,K空间在相位编码方向的点数(相位编码线的数目)与磁共振图像在相位编码方向上的像素数目也是一致的。因此,K空间的点阵越大,图像的像素越小,空间分辨率越高,但需要的采集时间越多。
此外,磁共振成像的大致流程是:预扫描、定位设置、序列设置、梯度设置、射频发射信号、线圈接受反馈信号、传回工作站进行后处理,产生最后扫描信号。每一个过程都需要一定的处理时间,而且由于磁共振成像序列比较多,每一个部位需要进行好几个序列扫描。例如,进行头颅MR检查,需要进行T1,T2,弥撒,水成像,动脉、静脉成像等序列扫描。每一个序列扫描时间比做1次CT扫描检查时间长。由此导致,获得高分辨率的磁共振图像不仅需要长时间的扫描等待期,而且还需要患者在扫描过程中保持相对固定。但是,由于患者的个体体质、忍受度等各种差异,获得高分辨的磁共振图像难度较高。鉴于此,有必要对现有磁共振成像方法进行改进,以能够在减少扫描时间的前提下,获得符合预期的高分辨率图像。
发明内容
本发明实施例提供一种磁共振成像方法、装置、设备及介质,以实现根据自动计算的权重矩阵,进行K空间数据合并,从而根据合并的K空间数据得到细节更多、分辨率更高的磁共振图像。
第一方面,本发明实施例提供了一种磁共振成像方法,该方法包括:
获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;
将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;
在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;
基于所述原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;
将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;
重建所述合并K空间数据,生成目标磁共振图像。
第二方面,本发明实施例还提供了一种磁共振成像装置,该装置包括:
K空间数据获取模块,用于获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;
超分辨率重建模块,用于将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;
填零重建K空间数据生成模块,用于在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;
权重矩阵计算模块,用于基于所述原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;
K空间数据合并模块,用于将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;
图像生成模块,用于重建所述合并K空间数据,生成目标磁共振图像。
第三方面,本发明实施例还提供了一种成像设备,其中,所述成像设备包括:
一个或多个处理器;
存储装置,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本发明任意实施例所提供的磁共振成像方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如本发明任意实施例所提供的磁共振成像方法。
本发明实施例通过获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;超分辨率图像提高了图像的锐利度。在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;在待处理K空间数据的基础上获得更大矩阵的K空间数据;基于所述原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;重建所述合并K空间数据,生成目标磁共振图像,解决了空间数据合并时无法自动计算K所需的权重矩阵的问题,实现自动计算权重矩阵,进而得到的细节更多、分辨率更高的磁共振图像的效果。
附图说明
图1是本发明实施例一中的一种磁共振成像方法的流程图;
图2是本发明实施例一中的体素的示意图;
图3是本发明实施例一中的二维成像中的K空间示意图;
图4是本发明实施例一中的体素的平面内分辨率示意图;
图5是本发明实施例一中的超分辨率重建K空间数据和填零重建K空间数据生成示意图;
图6是本发明实施例一中的填零重建K空间数据与超分辨率重建图像的K空间数据合并的示意图;
图7是本发明实施例二中的一种磁共振成像装置的结构图;
图8是本发明实施例三中的一种成像设备的结构示意图。
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为本发明实施例一提供的一种磁共振成像方法的流程图,本实施例可适用于磁共振成像的情况,该方法可以由磁共振成像装置来执行,具体包括如下步骤:
S110、获取待处理K空间数据,待处理K空间数据的高频区域未填充。
待处理K空间数据为未经超分辨率重建的K空间数据。且待处理K空间数据的高频区域未进行任何填充。
在一个实施例中,待处理K空间数据通过如下方式获得:K空间所对应的矩阵大小为256(频率编码)×256(相位编码),待处理K空间数据沿相位编码方向欠采集,从而形成256(频率编码)×128(相位编码)的矩阵,即相位编码方向数据线减少,且已经采集的数据线优先填充K空间的中央/中心区域。
在一个实施例中,待处理K空间数据通过如下方式获得:设置预设权重曲线,且根据预设权重曲线确定K空间每个相位编码布局的所需要采集的次数。本实施例中,K空间的中心区域设置最高的权重,即重复采集的次数最多,从中心区域向周围区域权重逐渐降低,且K空间的边缘区域采集的次数为零。按照上述方式,可以获得待处理K空间数据。
待处理K空间数据的数据线在K空间的填充轨迹例如可以是沿相位编码方向的逐条填充、迂回填充、螺旋填充或者放射状填充。本实施例中,对于数据线在K空间的填充轨迹不作具体限制。
S120、将待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据。
对待处理的K空间数据进行超分辨率重建,以获取频率更高的超分辨率图像的K空间数据。可选的,可以通过采集低分辨率的样本数据作为输入,采集高分辨率的样本数据作为预期输出,训练人工神经网络,人工神经网络由大量的节点(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(activation function)。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,人工神经网络包含数据输入层,中间隐藏层,数据输出层。本发明实施例所用的人工神经网络模型,可以是卷积神经网络(Convoltional Neural Networks,CNN),生成对抗网络(GenerativeAdversarial Networks,GAN)或者其他形式的神经网络模型。
将产生的K空间数据变换到图像域。低分辨率K空间产生的样本数据用于输入,高分辨率K空间产生的样本数据用于预期输出,训练人工神经网络,从而获得可以用于实现超分辨率重建的模型。可选地,成本函数可以选择均方差函数,如下:
C(w,b)=∑||y(a)-z||2
其中,a为超分辨率重建模型的输入,y(a)为超分辨率重建模型的输出,z为超分辨率重建模型的预期输出。|| ||2表示二范数运算,用于计算成本函数的Loss(损失值)。w,b为两个变量,且两个变量的值变化会影响计算成本函数的Loss。在此实施例中,w和b分别为网络的权重和偏差。
将待处理的K空间数据输入至已经训练好的超分辨率重建模型中,从而得到更高的超分辨率图像的K空间数据。可选的,还可采用灵敏度编码(Sensitivity Encoding,SENSE)技术、空间谐调同步采集(simultaneous acquisition of spatial harmony,SMASH)技术,或者自动校准部分并行采集(generalized auto-calibrating partiallyparallel acquisition,GRAPPA)技术获取相对待处理K空间数据的图像具有更高分辨率的超分辨率图像对应的K空间数据。
磁共振图像的分辨率表示在重建图像的每一个像素点所代表的空间体素的大小。如图2所示为体素的示意图。在一个实施例中,待处理K空间数据对应的为二维图像,其分辨率包括:体素的平面内分辨率Δx,Δy,以及层厚(slice thickness)。如图3所示为二维成像中的K空间示意图,待处理K空间数据分别沿频率编码方向Kx和相位编码方向Ky两个方向填充。其中,X方向的分辨率Δx=1/(2·kx,max),Y方向的分辨率Δy=1/(2·ky,max),kx,max表示沿频率编码方向采样点的最高频率,ky,max表示沿相位编码方向踩样点的最高频率。也就是说,K空间采集点的频率(采集的频率)越高,重建获得的图像像素点代表的体素越小,空间分辨率越高。
在一个实施例中,待处理K空间数据对应的为三维图像,分辨率包括三个值:体素的平面内分辨率Δx,Δy,Δz。如图4所示为体素的平面内分辨率示意图。根据奈奎斯特采样定理,频率编码方向的分辨率Δx由K空间沿频率编码方向的采样点的最高频率决定;频率编码方向的分辨率Δy由K空间沿第一相位编码方向的采样点的最高频率决定;频率编码方向的分辨率Δz由K空间沿第二相位编码方向的采样点的最高频率决定,且第一相位编码方向与第二相位编码方向垂直,第一相位编码方向具体为层面内的相位编码方向,第二相位编码方向为层面间的相位编码方向。
S130、在待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致。
为了在待处理K空间数据的基础上得到更大矩阵的K空间数据,在待处理K空间数据的未填充区域进行填零操作,用零来填充缺少的K空间数据,生成填零重建K空间数据。如图5所示为根据待处理K空间数据即原始的K空间数据获得的超分辨率重建K空间数据和填零重建K空间数据。但是填零重建K空间数据必须与超分辨率图像的K空间数据所形成矩阵具有相同的大小,否则无法将填零重建K空间数据与超分辨率图像的K空间数据进行合并。本发明实施例中,在待处理K空间数据的未填充区域填零处理,具体为在K空间数据重建图像之前,将实际采集的数据填充在K空间的中心,在K空间周围部分填零,从而得到512或者1024矩阵。上述方法可称为“层面内填零内插方法”或者“层内零填充差值方法”。与之对应的,“填零重建K空间数据”也可称为“填零扩展K空间数据”。
S140、基于原始图像计算与填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵。
将填零重建K空间数据与超分辨率图像的K空间数据进行合并时,需分别计算填零重建K空间数据对应的第一权重矩阵,以及超分辨率图像的K空间数据对应的第二权重矩阵。通过第一权重矩阵和第二权重矩阵,将填零重建K空间数据与超分辨率图像的K空间数据进行合并,得到合并K空间数据。
可选的,基于与所述待处理K空间数据对应的原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵,包括:计算原始图像的信噪比;根据所述信噪比计算所述第一权重矩阵和所述第二权重矩阵。在2D多层采集,或者3D采集中,在不同的层,单独计算第一权重矩阵和第二权重矩阵,即不同层的图像,可能施加不同的权重矩阵。
可选的,计算原始图像的信噪比,包括:计算原始图像的噪声水平;将原始图像的K空间数据变换到图像空间得到图像空间数据;将所述图像空间数据中的每个像素值除以所述噪声水平得到所述原始图像的信噪比分布/信噪比分布图;根据所述信噪比分布获取超过预设阈值的信噪比;计算噪声水平超过预设阈值的像素对应的信噪比的平均值得到所述原始图像的信噪比。将噪声水平超过预设阈值的像素对应的信噪比的平均值作为原始图像的信噪比可以使得到的原始图像的信噪比更加准确。示例性的,计算信噪比分布中显著高于噪声水平例如6倍以上的像素的平均信噪比值,即为所需要获得的信噪比值。
可选的,计算原始图像的噪声水平,包括:获取所述原始图像的K空间数据中边缘行和边缘列中的预设个数的数据点信息,根据所述数据点信息计算噪声水平。利用待处理K空间数据最边缘即对应最高的频率成分的M个复数数据点,M大于1的自然数,根据如下公式估算噪声水平
通过计算原始图像的噪声水平得到原始图像的信噪比,进而通过信噪比得到第一权重矩阵和第权重矩阵。
可选的,计算原始图像的噪声水平,还包括:获取预设数量的噪声K空间数据;根据所述噪声K空间数据计算噪声水平。使用与采集原始图像同样的序列,通过关闭RF脉冲,采集若干组无信号的纯噪声数据,根据上述公式估算噪声水平,进而计算原始图像的信噪比。本申请实施例中,原始图像的信噪比也可称为原始图像的“质量因子”。
可选的,计算原始图像的信噪比,还包括:将所述原始图像的K空间数据输入至训练好的信噪比计算模型,得到原始图像的信噪比。使用人工智能方法获取图像信噪比:获取标注了图像信噪比值的历史图像数据或者历史K空间数据,用于训练信噪比计算神经网络。直接将待计算信噪比的图像数据或K空间数据输入训练好的信噪比计算神经网络模型,输出所需的信噪比,进而根据输出的信噪比计算第一权重矩阵和第二权重矩阵。
可选的,原始图像的信噪比还可以通过计算原始图像的伪影程度获得。此处的图像伪影,包括但不限于运动伪影,射频干扰伪影,重建失真导致的伪影等等。
可选的,根据所述信噪比计算所述第一权重矩阵和所述第二权重矩阵,包括:将所述信噪比输入至一个预设单调递增函数得到第一权重矩阵;将所述信噪比输入至一个预设单调递减函数得到第二权重矩阵。示例性的,将得到的原始图像的信噪比值输入至一个预设的单调递增函数例如W1=Q^2,得到第一权重矩阵。式中W1为第一权重矩阵,Q为原始图像的信噪比。将得到的原始图像的信噪比值输入至一个预设的单调递减函数例如W2=1/Q^2,得到第二权重矩阵。式中W2为第二权重矩阵,Q为原始图像的信噪比。通过上述方法可以自动计算与填零重建K空间数据对应的第一权重矩阵和与超分辨率图像的K空间数据对应的第二权重矩阵,无需通过经验进行设定,提高了K空间数据的合并质量与效率,使得到的合并K空间数据更加符合实际需要。
S150、将基于第一权重矩阵处理的填零重建K空间数据与基于第二权重矩阵处理的经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据。
如图6所示为将填零重建K空间数据与超分辨率重建图像的K空间数据进行合并的示意图。填零重建K空间数据乘以第一权重矩阵,超分辨率图像的K空间数据乘以第二权重矩阵,将乘以第一权重矩阵的填零重建K空间数据与乘以第二权重矩阵的超分辨率图像的K空间数据进行合并,得到合并K空间数据。
S160、重建所述合并K空间数据,生成目标磁共振图像。
将合并后的K空间数据进行重建得到目标磁共振图像,得到的目标磁共振图像相比于原始图像,图像的细节更多,分辨率更高,可以通过图像获得更多的病灶或人体组织信息,更具有临床价值。
本实施例的技术方案,通过获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;超分辨率图像提高了图像的锐利度。在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;在待处理K空间数据的基础上获得更大矩阵的K空间数据;基于所述原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;重建所述合并K空间数据,生成目标磁共振图像,解决了无法自动计算K空间数据合并时所需的权重矩阵的问题,实现自动计算权重矩阵,进而得到细节更多、分辨率更高的磁共振图像的效果。
实施例二
图7为本发明实施例三提供的一种磁共振成像装置的结构图,该磁共振成像装置包括:K空间数据获取模块310、超分辨率重建模块320、填零重建K空间数据生成模块330、权重矩阵计算模块340、K空间数据合并模块350和图像生成模块360。
其中,K空间数据获取模块310,用于获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;超分辨率重建模块320,用于将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;填零重建K空间数据生成模块330,用于在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;权重矩阵计算模块340,用于基于与所述待处理K空间数据对应的原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;K空间数据合并模块350,用于将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;图像生成模块360,用于重建所述合并K空间数据,生成目标磁共振图像。
在上述实施例的技术方案中,权重矩阵计算模块340,包括:
信噪比计算单元,用于计算所述原始图像的信噪比;
权重矩阵计算单元,用于根据所述信噪比计算所述第一权重矩阵和所述第二权重矩阵。
在上述实施例的技术方案中,信噪比计算单元,包括:
噪声水平计算子单元,用于计算所述原始图像的噪声水平;
K空间数据变换子单元,用于将所述原始图像的K空间数据变换到图像空间得到图像空间数据;
信噪比分布生成子单元,用于将所述图像空间数据中的每个像素值除以所述噪声水平得到所述原始图像的信噪比分布;
信噪比获取子单元,用于根据所述信噪比分布获取超过预设阈值的信噪比;
信噪比计算子单元,用于计算噪声水平超过预设阈值的像素对应的信噪比的平均值得到所述原始图像的信噪比。
在上述实施例的技术方案中,噪声水平计算子单元,包括:
数据点信息获取子单元,用于获取所述原始图像的K空间数据中边缘行和边缘列中的预设个数的数据点信息,根据所述数据点信息计算噪声水平。
在上述实施例的技术方案中,噪声水平计算子单元,还包括:
噪声K空间数据获取子单元,用于获取预设数量的噪声K空间数据,根据所述噪声K空间数据计算噪声水平。
在上述实施例的技术方案中,信噪比计算单元,还包括:
原始图像输入子单元,用于将所述原始图像的K空间数据输入至训练好的信噪比计算模型,得到原始图像的信噪比。
在上述实施例的技术方案中,权重矩阵计算单元,包括:
第一权重矩阵生成子单元,用于将所述信噪比输入至一个预设单调递增函数得到第一权重矩阵;
第二权重矩阵生成子单元,用于将所述信噪比输入至一个预设单调递减函数得到第二权重矩阵。
本实施例的技术方案,通过获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;超分辨率图像提高了图像的锐利度。在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;在待处理K空间数据的基础上获得更大矩阵的K空间数据;基于所述原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;重建所述合并K空间数据,生成目标磁共振图像,解决了无法自动计算K空间数据合并时所需的权重矩阵的问题,实现自动计算权重矩阵,进而得到细节更多、分辨率更高的磁共振图像的效果。
本发明实施例所提供的磁共振成像装置可执行本发明任意实施例所提供的磁共振成像方法,具备执行方法相应的功能模块和有益效果。
实施例三
图8为本发明实施例三提供的一种成像设备的结构示意图,如图8所示,该成像设备包括处理器410、存储器420、输入装置430和输出装置440;成像设备中处理器410的数量可以是一个或多个,图8中以一个处理器410为例;成像设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接,图8中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的磁共振成像方法对应的程序指令/模块(例如,磁共振成像装置中的K空间数据获取模块310、超分辨率重建模块320、填零重建K空间数据生成模块330、权重矩阵计算模块340、K空间数据合并模块350和图像生成模块360)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行成像设备的各种功能应用以及数据处理,即实现上述的磁共振成像方法。
存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至成像设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与成像设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例四
本发明实施例四还提供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一种磁共振成像方法,该方法包括:
获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;
将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;
在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;
基于所述原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;
将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;
重建所述合并K空间数据,生成目标磁共振图像。
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所述的方法操作,还可以执行本发明任意实施例所提供的磁共振成像方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述磁共振成像装置的实施例中,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。
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 (10)
1.一种磁共振成像方法,其特征在于,包括:
获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;
将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;
在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;
基于与所述待处理K空间数据对应的原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;
将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;
重建所述合并K空间数据,生成目标磁共振图像。
2.根据权利要求1所述的方法,其特征在于,所述基于与所述待处理K空间数据对应的原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵,包括:
计算所述原始图像的信噪比;
根据所述信噪比计算所述第一权重矩阵和所述第二权重矩阵。
3.根据权利要求2所述的方法,其特征在于,所述计算所述原始图像的信噪比,包括:
计算所述原始图像的噪声水平;
将所述原始图像的K空间数据变换到图像空间得到图像空间数据;
将所述图像空间数据中的每个像素值除以所述噪声水平得到所述原始图像的信噪比分布;
根据所述信噪比分布获取超过预设阈值的信噪比;
计算噪声水平超过预设阈值的像素对应的信噪比的平均值得到所述原始图像的信噪比。
4.根据权利要求3所述的方法,其特征在于,所述计算所述原始图像的噪声水平,包括:
获取所述原始图像的K空间数据中边缘行和边缘列中的预设个数的数据点信息,根据所述数据点信息计算噪声水平。
5.根据权利要求3所述的方法,其特征在于,所述计算所述原始图像的噪声水平,还包括:
获取预设数量的噪声K空间数据,根据所述噪声K空间数据计算噪声水平。
6.根据权利要求2所述的方法,其特征在于,所述计算所述原始图像的信噪比,还包括:
将所述原始图像的K空间数据输入至训练好的信噪比计算模型,得到原始图像的信噪比。
7.根据权利要求2所述的方法,其特征在于,所述根据所述信噪比计算所述第一权重矩阵和所述第二权重矩阵,包括:
将所述信噪比输入至一个预设单调递增函数得到第一权重矩阵;
将所述信噪比输入至一个预设单调递减函数得到第二权重矩阵。
8.一种磁共振成像装置,其特征在于,包括:
K空间数据获取模块,用于获取待处理K空间数据,所述待处理K空间数据的高频区域未填充;
超分辨率重建模块,用于将所述待处理K空间数据进行超分辨率重建,获取超分辨率图像的K空间数据;
填零重建K空间数据生成模块,用于在所述待处理K空间数据的未填充区域填零生成填零重建K空间数据,其中,所述填零重建K空间数据与所述超分辨率图像的K空间数据的K空间范围一致;
权重矩阵计算模块,用于基于与所述待处理K空间数据对应的原始图像计算与所述填零重建K空间数据对应的第一权重矩阵、超分辨率图像的K空间数据对应的第二权重矩阵;
K空间数据合并模块,用于将基于第一权重矩阵处理的所述填零重建K空间数据与基于第二权重矩阵处理的所述经过超分辨率重建图像的K空间数据进行合并,生成合并K空间数据;
图像生成模块,用于重建所述合并K空间数据,生成目标磁共振图像。
9.一种成像设备,其特征在于,所述成像设备包括:
一个或多个处理器;
存储装置,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成像方法。
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,该程序被处理器执行时实现如权利要求1-7中任一所述的磁共振成像方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999787.2A CN114255162A (zh) | 2020-09-21 | 2020-09-21 | 一种磁共振成像方法、装置、设备及介质 |
US17/445,611 US11935211B2 (en) | 2020-09-21 | 2021-08-23 | Systems and methods for image processing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999787.2A CN114255162A (zh) | 2020-09-21 | 2020-09-21 | 一种磁共振成像方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114255162A true CN114255162A (zh) | 2022-03-29 |
Family
ID=80789344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999787.2A Pending CN114255162A (zh) | 2020-09-21 | 2020-09-21 | 一种磁共振成像方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255162A (zh) |
-
2020
- 2020-09-21 CN CN202010999787.2A patent/CN114255162A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ran et al. | MD-Recon-Net: a parallel dual-domain convolutional neural network for compressed sensing MRI | |
Otazo et al. | Low‐rank plus sparse matrix decomposition for accelerated dynamic MRI with separation of background and dynamic components | |
JP6513398B2 (ja) | 事前情報に制約される正則化を使用するmr画像再構成 | |
Haldar et al. | OEDIPUS: An experiment design framework for sparsity-constrained MRI | |
Van Reeth et al. | Super‐resolution in magnetic resonance imaging: a review | |
EP2904971B1 (en) | Magnetic resonance imaging device and image processing device | |
US20210295474A1 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
JP5221570B2 (ja) | 磁気共鳴イメージング装置及びマルチコントラスト画像取得方法 | |
CN105247382B (zh) | 具有重影伪影降低的磁共振成像系统和其操作的方法 | |
JP6332891B2 (ja) | サイドバンドアーチファクトを抑制する並列マルチスライスmr撮像 | |
JP5815722B2 (ja) | 磁気共鳴イメージング装置および磁気共鳴イメージング方法 | |
CN112396560A (zh) | 用于使用深度神经网络对医疗图像进行去模糊的系统和方法 | |
CN110133556A (zh) | 一种磁共振图像处理方法、装置、设备及存储介质 | |
Levine et al. | On-the-Fly Adaptive ${k} $-Space Sampling for Linear MRI Reconstruction Using Moment-Based Spectral Analysis | |
KR102584166B1 (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
US11896362B2 (en) | Medical image processing apparatus, method of medical image processing, and nonvolatile computer readable storage medium storing therein medical image processing program | |
CN114255162A (zh) | 一种磁共振成像方法、装置、设备及介质 | |
EP1176555A2 (en) | Image processing method and apparatus, recording medium, and imaging apparatus | |
WO2015170394A1 (ja) | 撮像装置、画像処理装置及び画像処理方法 | |
Lyu et al. | A synergized pulsing-imaging network (SPIN) | |
KR102572311B1 (ko) | 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
US20230326099A1 (en) | Magnetic resonance image processing apparatus and method using artificial neural network in k-space domain | |
US11914017B2 (en) | Magnetic resonance imaging apparatus and image processing method | |
Naguliak et al. | Increasing of the MR imaging spatial resolution by data estimation in k-space | |
JP7228386B2 (ja) | 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法 |
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 |