CN114255291A - 用于磁共振参数定量成像的重建方法、系统 - Google Patents
用于磁共振参数定量成像的重建方法、系统 Download PDFInfo
- Publication number
- CN114255291A CN114255291A CN202111490179.XA CN202111490179A CN114255291A CN 114255291 A CN114255291 A CN 114255291A CN 202111490179 A CN202111490179 A CN 202111490179A CN 114255291 A CN114255291 A CN 114255291A
- Authority
- CN
- China
- Prior art keywords
- weighted image
- target
- module
- data
- sampling
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及磁共振的领域,尤其是涉及一种用于磁共振参数定量成像的重建方法、系统,包括以下步骤:获取全采样K空间数据;获取对应的参照全采样加权图像;获取训练输入数据;基于训练输入数据输入重建模块获取第一加权图像;基于第一加权图像与参照全采样加权图像的计算操作优化重建模块;基于第一加权数据输入生成模块获取第二加权图像;基于第二加权图像与参照全采样加权图像的计算操作优化生成模块;基于同时优化重建模块、生成模块的操作获取目标神经网络;获取目标欠采样K空间数据并定义为目标输入数据;基于目标输入数据获取目标加权图像;获取目标加权图像对应的目标定量参数图像。本申请具有实现快速、准确的磁共振参数成像的效果。
Description
技术领域
本申请涉及磁共振的领域,尤其是涉及一种用于磁共振参数定量成像的重建方法、系统。
背景技术
磁共振成像技术作为一种复杂的无创检测技术,能够提供人体内部各种组织的丰富信息,以不同灰度显示不同人体结构的解剖和病理的断面图像。相比于CT成像技术,磁共振成像技术具有无电离辐射、软组织对比度高等优点。人体的不同组织可通过磁共振成像来进行区分,图像信号的差异源自组织自身不同的参数,如纵向弛豫时间(T1)、横向弛豫时间(T2)、及质子密度(PD)等。在临床应用中,磁共振成像的参数设定包括回波时间(TE)、重复时间(TR)和翻转角(FA)等,通过设置不同的参数可获得不同的图像加权,如T1加权或T2加权图像, 这些加权图像通常能反映很多常见疾病的特征,可用于疾病的诊断。
然而,定量成像由于需要采集多幅加权图像,使得其成像时间等于单次扫描的成像时间乘上需要采集的对比度数目,其中,单次扫描成像时间长会造成图像形成运动伪影,而多次扫描之间患者的肢体移动则会使得不同的对比度加权图像之间存在位移,从而使拟合得到的参数值出现误差,干扰医生的诊断,并且会使得参数成像的总扫描时间成倍增加。
发明内容
为了实现快速、准确的磁共振参数成像,本申请提供一种用于磁共振参数定量成像的重建方法、系统。
第一方面,本申请提供的一种用于磁共振参数定量成像的重建方法,采用如下的技术方案:
一种用于磁共振参数定量成像的重建方法,包括以下步骤:
获取全采样K空间数据;获取全采样K空间数据对应的参照全采样加权图像,其中,参照全采样加权图像包括全部对比度对应的全采样加权图像;获取部分欠采样K空间数据并定义为训练输入数据,其中,训练输入数据为部分对比度对应的欠采样K空间数据;基于训练输入数据输入重建模块的操作获取训练输入数据对应的第一加权图像;基于第一加权图像与参照全采样加权图像的计算操作优化重建模块;基于第一加权图像输入生成模块的操作获取第一加权图像对应的第二加权图像;基于第二加权图像与参照全采样加权图像的计算操作优化生成模块;基于同时优化重建模块、生成模块的操作获取对应的目标神经网络,其中,目标神经网络包括重建模块和生成模块;获取目标欠采样K空间数据并定义为目标输入数据,其中,目标欠采样K空间数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据;基于目标输入数据输入目标神经网络的操作获取目标加权图像;
获取目标加权图像对应的目标定量参数图像。
通过采用上述技术方案,通过采用上述技术方案,先获取磁共振仪器上的全采样K空间数据,然后将获取的全采样K空间数据进行逆傅里叶变换便可以获取到对应的参照全采样加权图像,另外需要指出的是,参照全采样加权图像为全部对比度对应的全采样加权图像;随后获取磁共振仪器上的部分欠采样K空间数据并定义为训练输入数据,另外,训练输入数据为部分对比度对应的欠采样K空间数据;然后将训练输入数据输入卷积神经网络的重建模块,重建模块输出与训练输入数据对应的第一加权图像,并且将第一加权图像与参照全采样加权图像进行计算,并且依据计算结果对重建模块进行优化;待重建模块优化完毕之后,则将第一加权图像输入卷积神经网络的生成模块,随后生成模块输出与第一加权图像对应的第二加权图像,并且将第二加权图像与参照全采样加权图像进行计算,并且依据计算结果对生成模块进行优化;待生成模块单独优化完毕之后,对卷积神经网络的重建模块和生成模块同时进行优化,并且基于完成对重建模块和生成模块同时优化后获取对应的神经网络,其中,神经网络包括重建模块和生成模块;在将目标神经网络训练之后,可以获取磁共振仪器上需要进行成像的目标欠采样K空间数据,并且将目标欠采样K空间数据定义为目标输入数据,其中,目标输入数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据,并且将目标输入数据输入目标神经网络中,随后目标神经网络输出对应的目标加权图像,然后便可以通过非线性拟合的方式获取目标加权图像对应的目标定量参数图像。
在整个上述过程中,通过对卷积神经网络的重建模块和生成模块的优化训练,然后将目标输入数据输入目标神经网络,并且通过输出的目标加权图像获取所需的目标定量参数图像,基于目标神经网络的重建模块进行来恢复K空间欠采样造成的信息丢失,同时,卷积神经网络的生成模块通过部分已采集的加权图像来生成对应未采集的加权图像来应对时间(对比度)维度欠采样造成的信息丢失问题,通过在K空间和时间(对比度)两个维度上进行欠采样,能够在保证重建质量的情况下实现更高的加速倍数,从而实现快速、准确的磁共振参数成像。
可选的,在所述基于第一加权图像与全采样加权图像的计算优化重建模块的步骤中,还包括以下步骤:
调取参照全采样加权图像中的对比全采样加权图像,其中,对比全采样加权图像为与部分欠采样K空间数据的对比度对应的全采样加权图像;计算对比全采样加权图像和第一加权图像对应的第一MSE损失数据;若是第一MSE损失数据大于第一损失阈值,则优化重建模块,否则执行第一加权图像据输入生成模块的操作。
通过采用上述技术方案,通过调取的对比全采样加权图像,可以计算出对比全采样加权图像与第一加权图像之间的第一MSE损失数据,并且通过预先设置的第一损失阈值,当第一MSE损失数据大于第一损失阈值,说明重建模块的参数需要继续调整,则优化重建模块调整重建模块的参数,否则说明重建模块的参数合适;通过上述过程,便可以将卷积神经网络的重建模块的参数进行调整,优化适用于对应磁共振仪器的重建模块参数,可以更加准确的恢复K空间欠采样造成的信息丢失。
可选的,在所述基于第二加权图像与全采样加权图像的计算操作优化生成模块的步骤中,还包括以下步骤:
调取参照全采样加权图像中的剩余全采样加权图像,其中,剩余全采样加权图像为参照全采样加权图像中排除对比全采样加权图像剩下对比度对应的全采样加权图像;计算剩余全采样加权图像和第二加权图像对应的第二MSE损失数据;若是第二MSE损失数据大于第二损失阈值,则优化生成模块,否则执行同时优化重建模块、生成模块的操作。
通过采用上述技术方案,通过调取的剩余全采样加权图像,可以计算出剩余全采样加权图像与第二加权图像之间的第二MSE损失数据,并且通过预先设置的第二损失阈值,当第二MSE损失数据大于第二损失阈值,说明生成模块的参数需要继续调整,则优化生成模块调整生成模块的参数,否则说明生成模块的参数合适;通过上述过程,便可以将卷积神经网络的生成模块的参数进行调整,优化适用于对应磁共振仪器的生成模块参数,可以更好的应对时间(对比度)维度欠采样造成的信息丢失问题。
可选的,在所述基于同时优化重建模块、生成模块的操作步骤中,还包括以下步骤:
基于将训练输入数据输入重建模块的操作获取对应的第一加权图像, 基于将第一加权图像输入生成模块的操作获取对应的第二加权图像;依据第一加权图像和第二加权图像获取对应的第一MSE损失数据和对应的第二MSE损失数据;若是第一MSE损失数据大于第一损失阈值且第二MSE损失数据大于第二损失阈值均不成立,则确定目标神经网络,否则执行同时优化重建模块与生成模块操作。
通过采用上述技术方案,在重建模块和生成模块单独优化之后,在目标神经网络应用时,是重建模块与生成模块同时对输入的数据进行处理,所以需要同时对重建模块与生成模块进行优化,将第一MSE损失数据与第一损失阈值进行比较,同时将第二MSE损失数据与第二损失阈值进行比较,当第一MSE损失数据大于第一损失阈值且第二MSE损失数据大于第二损失阈值两个对比均不成立,此时说明重建模块的参数与生成模块的参数均合适,否则执行同时优化重建模块与生成模块操作;通过上述过程,可以将同时调整到重建模块和生成模块适配的参数,从而实现更加准确地恢复在K空间与时间(对比度)两个维度上的丢失数据。
可选的,在所述基于同时优化重建模块、生成模块的操作步骤中,还包括以下步骤:
基于将训练输入数据输入重建模块的操作获取对应的第一加权图像, 基于将第一加权图像输入生成模块的操作获取对应的第二加权图像;依据第一加权图像对应的第一MSE损失数据和第二加权图像获取对应的第二MSE损失数据获取总MSE损失数据;若是总MSE损失数据大于第三损失阈值,则执行同时优化重建模块与生成模块操作,否则确定神经网络。
通过采用上述技术方案,在重建模块和生成模块单独优化之后,将第一MSE损失数据与第二MSE损失数据进行叠加获取总MSE损失数据,若是总MSE损失数据大于第三损失阈值,此时说明重建模块的参数与生成模块的参数均合适,否则执行同时优化重建模块与生成模块操作;通过上述过程,可以将同时调整到重建模块和生成模块适配的参数,从而实现更加准确地恢复在K空间与时间(对比度)两个维度上的丢失数据。
可选的,在所述基于同时优化重建模块、生成模块的操作获取对应的目标神经网络的步骤后,还进行以下步骤:
基于同时优化重建模块、生成模块的操作获取训练神经网络;基于训练输入数据输入训练神经网络的操作获取对应的训练加权图像;将训练加权图像进行非线性拟合获取对应的训练定量参数图像;调取参照全采样加权图像并进行非线性拟合获取对应的参照定量参数图像;计算训练定量参数图像与参照定量参数图像的误差数据;若是误差数据大于预设的阈值,则执行同时优化重建模块、生成模块的操作;否则将对应的训练神经网络确定为目标神经网络。
通过采用上述技术方案,先获取训练神经网络,然后将训练输入数据输入训练神经网络,并且训练神经网络输出对应的训练加权图像,然后将此时的训练加权图像通过非线性拟合的方式对应的训练定量参数图像,然后将计算训练定量参数图像与参照定量参数图像的误差数据,并且若是误差数据大于预设的阈值,则说明训练神经网络的重建模块和生成模块的参数需要进行调整,便继续微调参数优化重建模块和生成模块,否则将对应的训练神经网络确定为目标神经网络;通过上述过程,在对应的加权图像进行误差对比之后再次对训练加权图像对应的训练定量参数图像,可以对神经网络进一步进行微调优化,可以使得获取定量参数图像更加准确。
可选的,在所述基于训练输入数据输入训练神经网络的操作获取对应的训练加权图像的步骤中,还包括:
将训练输入数据输入训练神经网络获取重建模块对应的第一加权图像和生成模块对应的第二加权图像;将第一加权图像和第二加权图像进行叠加获取全部对比度对应的训练加权图像。
通过采用上述技术方案,通过将重建模块输出的第一加权图像和生成模块输出的第二加权图像进行叠加,便可以获取所需的全部对比度对应的训练加权图像,以便于获取训练加权图像对应的训练定量参数图像。
第二方面,本申请提供的一种用于磁共振参数定量成像的重建系统,采用如下的技术方案:
一种用于磁共振参数定量成像的重建系统,其特征在于,包括:
全采样获取模块,用于获取全采样K空间数据;参照全采样获取模块,用于获取全采样K空间数据对应的参照全采样加权图像,其中,参照全采样加权图像包括全部对比度对应的全采样加权图像;训练输入获取模块,用于获取部分欠采样K空间数据并定义为训练输入数据,其中,训练输入数据为部分对比度对应的欠采样K空间数据;第一获取模块,基于训练输入数据输入重建模块的操作用于获取训练输入数据对应的第一加权图像;第一优化模块,基于第一加权图像与全采样加权图像的计算操作用于优化重建模块;第二获取模块,基于第一加权图像输入生成模块的操作用于获取第一加权图像对应的第二加权图像;第二优化模块,基于第二加权图像与全采样加权图像的计算操作用于优化生成模块;网络获取模块,基于同时优化重建模块、生成模块的操作用于获取对应的目标神经网络,其中,目标神经网络包括重建模块和生成模块;目标获取模块,用于获取目标欠采样K空间数据并定义为目标输入数据,其中,目标欠采样K空间数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据;目标加权图像获取模块,基于目标输入数据输入目标神经网络的操作用于获取目标加权图像;目标定量参数图像获取模块,用于获取目标加权图像对应的定量参数图像。
通过采用上述技术方案,全采样获取模块先获取磁共振仪器上的全采样K空间数据,然后参照全采样获取模块将获取的全采样K空间数据进行逆傅里叶变换便可以获取到对应的参照全采样加权图像,另外需要指出的是,参照全采样加权图像为全部对比度对应的全采样加权图像;随后训练输入获取模块获取磁共振仪器上的部分欠采样K空间数据并定义为训练输入数据,另外,训练输入数据为部分对比度对应的欠采样K空间数据;然后将训练输入数据输入卷积神经网络的重建模块,第一获取模块获取重建模块输出与训练输入数据对应的第一加权图像,第一优化模块将第一加权图像与参照全采样加权图像进行计算,并且第一优化模块依据计算结果对重建模块进行优化;待重建模块优化完毕之后,则将第一加权图像输入卷积神经网络的生成模块,随后第二获取模块获取生成模块输出与第一加权图像对应的第二加权图像,第二优化模块将第二加权图像与参照全采样加权图像进行计算,并且第二优化模块依据计算结果对生成模块进行优化;待生成模块单独优化完毕之后,对卷积神经网络的重建模块和生成模块同时进行优化,并且基于完成对重建模块和生成模块同时优化后网络获取模块获取对应的神经网络,其中,神经网络包括重建模块和生成模块;在将神经网络训练之后,目标获取模块可以获取磁共振仪器上需要进行成像的目标欠采样K空间数据,并且将目标欠采样K空间数据定义为目标输入数据,其中,目标输入数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据,并且将目标输入数据输入目标神经网络中,随后目标加权图像获取模块获取目标神经网络输出对应的目标加权图像,然后便可以通过目标加权图像获取模块进行非线性拟合的方式获取目标加权图像对应的目标定量参数图像。
通过对卷积神经网络的重建模块和生成模块的优化训练,然后将目标输入数据输入目标神经网络,并且通过输出的目标加权图像获取所需的目标定量参数图像,基于目标神经网络的重建模块进行来恢复K空间欠采样造成的信息丢失,同时,卷积神经网络的生成模块通过部分已采集的加权图像来生成对应未采集的加权图像来应对时间(对比度)维度欠采样造成的信息丢失问题,通过在K空间和时间(对比度)两个维度上进行欠采样,能够在保证重建质量的情况下实现更高的加速倍数,从而实现快速、准确的磁共振参数成像。
第三方面,本申请提供计算机可读存储介质,存储有能够被处理器加载并执行如用于磁共振参数定量成像的重建方法中任一种方法的计算机程序。
第四方面,本申请提供智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如用于磁共振参数定量成像的重建方法中任一种方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过对卷积神经网络的重建模块和生成模块的优化训练,然后将目标输入数据输入目标神经网络,并且通过输出的目标加权图像获取所需的目标定量参数图像,基于目标神经网络的重建模块进行来恢复K空间欠采样造成的信息丢失,同时,卷积神经网络的生成模块通过部分已采集的加权图像来生成对应未采集的加权图像来应对时间(对比度)维度欠采样造成的信息丢失问题,通过在K空间和时间(对比度)两个维度上进行欠采样,能够在保证重建质量的情况下实现更高的加速倍数,从而实现快速、准确的磁共振参数成像。
2.便可以将卷积神经网络的重建模块的参数进行调整,优化适用于对应磁共振仪器的重建模块参数,可以更加准确的恢复K空间欠采样造成的信息丢失;将卷积神经网络的生成模块的参数进行调整,优化适用于对应磁共振仪器的生成模块参数,可以更好的应对时间(对比度)维度欠采样造成的信息丢失问题。
3.在对应的加权图像进行误差对比之后再次对训练加权图像对应的训练定量参数图像,可以对神经网络进一步进行微调优化,可以使得获取定量参数图像更加准确。
附图说明
图1是本申请实施例用于磁共振参数定量成像的重建方法中的整体流程图;
图2是本申请实施例用于磁共振参数定量成像的重建方法中优化重建模块的具体流程图;
图3是本申请实施例用于磁共振参数定量成像的重建方法中第一MSE损失数据的对应的函数图;
图4是本申请实施例用于磁共振参数定量成像的重建方法中优化生成模块的具体流程图;
图5是本申请实施例用于磁共振参数定量成像的重建方法中第二MSE损失数据的对应的函数图;
图6是本申请实施例用于磁共振参数定量成像的重建方法中同时优化重建模块和生产模块的第一种方法的具体流程图;
图7是本申请实施例用于磁共振参数定量成像的重建方法中同时优化重建模块和生产模块的第二种方法的具体流程图;
图8是本申请实施例用于磁共振参数定量成像的重建方法中总MSE损失数据的对应的函数图;
图9是本申请实施例用于磁共振参数定量成像的重建方法的具体流程框图;
图10是本申请实施例用于磁共振参数定量成像的重建系统的整体流程图。
附图标记说明:
1、全采样获取模块;2、参照全采样获取模块;3、训练输入获取模块;4、第一获取模块;5、第一优化模块;6、第二获取模块;7、第二优化模块;8、网络获取模块;9、目标获取模块;10、目标加权图像获取模块;11、目标定量参数图像获取模块。
具体实施方式
以下为对本申请作进一步详细说明。
磁共振定量成像技术通过改变特定的成像参数,采集一系列具有不同的对比度加权图像,结合非线性拟合算法,可以直接得出体素的定量弛豫参数值。定量成像可以减小不同设备结果的差异,为疾病分级、预后评估等提供依据,因而具有非常重要的临床价值和研究价值;现有的主流磁共振快速成像技术从原理上可以分为以下四种类型:
(1)快速成像序列,通过设计拥有较短采集时间的脉冲序列来进行快速磁共振成像,如快速自旋回波序列、梯度回波序列和平面回波成像等。此类快速成像序列虽在一定程度上提升了扫描速度,但仍然不能满足磁共振参数成像的速度要求。
(2)并行成像技术,此类技术的原理是通过多个线圈阵列来进行并行采集,并根据线圈敏感度等信息进行解码,从而实现快速采集的目的。并行成像虽然能够较大幅度地缩短磁共振的成像时间,但是随着线圈阵列数目的增加,磁共振图像的信噪比也会降低,而如何平衡重建图像的信噪比和成像时间也是一个亟待解决的难题。因此并行成像技术并不能很好的解决磁共振参数成像时间非常长这个问题。
(3)基于压缩感知的快速成像技术,此类方法的原理是通过设计高度随机的欠采样矩阵实现磁共振K空间的稀疏采样,然后在一定的约束条件下使用非线性重建的方式得到较高质量的磁共振图像。而这类方法由于需要使用小波函数、全变差等稀疏变换,而这种稀疏基的表达能力有限,对于一些磁共振图像中的细小结构表达能力不佳,在较高的加速倍数下图像模糊和细节丢失现象较为严重。此外在压缩感知快速重建方法中还存在着参数难优化、重建时间长等缺点,这也阻碍了其在临床的大规模应用。
(4)基于深度学习的快速成像技术,此类方法通过训练集学习一个K空间填零欠采图像到对应全采图像或者对应全采样图像拟合得到的参数图像的映射,从而实现较快速的磁共振重建,此类方法拥有较快的重建速度,且避免了压缩感知方法参数难优化的问题,近年来逐渐成为快速磁共振成像的热门方法。
而在磁共振参数成像中,总的扫描时间等于单次扫描时间与需要采集的对比度数目的乘积,这造成其总扫描时间成倍增加,所以在磁共振参数成像应用中就要求较高的加速倍数以实现可接受的扫描时间,而在现有的快速重建算法下过高的加速倍数将会造成较为严重的伪影,降低图像质量,为了实现快速、准确的磁共振参数成像,本申请实施例公开一种用于磁共振参数定量成像的重建方法,参照图1,包括以下步骤:
S1,获取磁共振仪器上的全采样K空间数据;
其中,全采样空间数据包括全部的对比度的K空间数据。
S2,基于全采样K空间数据并通过逆傅里叶变换的方式获取对应的参照全采样加权图像;
其中,参照全采样加权图像包括在磁共振仪器上进行磁共振成像的全部对比度对应的全采样加权图像。
S3,获取部分欠采样K空间数据并定义为训练输入数据;
其中,将采集到K空间数据进行变密度的泊松欠采样便可以得到欠采样的K空间数据,并且训练输入数据为部分对比度对应的欠采样K空间数据。
S4,将训练输入数据输入重建模块,便可以获取重建模块输出训练输入数据对应的第一加权图像;
其中,重建模块可以是任意深度学习磁共振重建网络,第一加权图像是参照全采样加权图像的一部分,并且第一加权图像的对比度与训练输入数据的对比度是相同的。
S41,基于第一加权图像与参照全采样加权图像的计算操作优化重建模块,参照图1,具体过程包括以下步骤:
S411,调取参照全采样加权图像中的对比全采样加权图像;
其中,对比全采样加权图像为与部分欠采样K空间数据的对比度对应的全采样加权图像;
S412,计算对比全采样加权图像和第一加权图像对应的第一MSE损失数据;
其中,MSE损失为均方误差函数,在本实施例中,第一MSE损失数据的函数图像如图3所示,其中Loss1为第一MSE损失数据,第一MSE损失函数的图像逐渐趋于平缓,即是表示对比全采样加权图像和第一加权图像之间误差小。
S413,调取预先设置的第一损失阈值,并将第一MSE损失数据与第一损失阈值进行比较,若是第一MSE损失数据大于第一损失阈值,则优化重建模块,并且执行S4步骤,否则执行S5步骤;
其中,在优化重建模块的过程中是采用Adam优化器进行优化,同时不局限于Adam优化器,也可以使用随机梯度下降法、AdaGrad算法进行优化;在本实施例中,是通过调整重建模块的参数实现对重建模块的优化。
S5,将第一加权图形输入生成模块,便可以获取生成模块输出的第一加权图像对应的第二加权图像;
其中,第一加权图像是将训练输入数据输出单独优化后的重建模块输出的,生成模块可以是任意深度学习磁共振重建网络,第二加权图像是参照全采样加权图像的一部分,并且第二加权图像的对比度为参照全采样加权图像对应的全部对比度排除训练输入数据对应的对比度之外的剩余全部对比度;举例说明,若是参照全采样加权图像对应的全部对比度有5个(第1个、第2个、第3个、第4个、第5个),而训练输入数据对应的对比度包括第1个对比度、第5个对比度,则第一加权图像的对比度包括第1个对比度、第5个对比度,第二加权图像的对比度包括第2个对比度、第3个对比度、第4个对比度。
S51,基于第二加权图像与参照全采样加权图像的计算操作优化生成模块;参照图4,具体过程包括以下步骤:
S511,调取参照全采样加权图像中的剩余全采样加权图像,其中,剩余全采样加权图像为参照全采样加权图像中排除对比全采样加权图像剩下对比度对应的全采样加权图像,即是剩余全采样加权图像包括第2个对比度、第3个对比度、第4个对比度三个对比度对应的全采样加权图像。
S512,计算剩余全采样加权图像和第二加权图像对应的第二MSE损失数据;
其中,第二MSE损失数据同第一MSE损失数据接近,MSE损失为均方误差函数,在本实施例中,第二MSE损失数据的函数图像如图5所示,其中Loss2为第二MSE损失数据,第二MSE损失函数的图像逐渐趋于平缓,即是表示剩余全采样加权图像和第二加权图像之间误差小。
S513,调取预先设置的第二损失阈值,并将第二MSE损失数据与第二损失阈值进行比较,若是第二MSE损失数据大于第二损失阈值,则优化生成模块,并执行S5,否则执行S6步骤。
其中,在优化生成模块的过程中是也采用Adam优化器进行优化,同时不局限于Adam优化器,也可以使用随机梯度下降法、AdaGrad算法进行优化;在本实施例中,是通过调整生成模块的参数实现对生成模块的优化。
S6,在重建模块与生成模块均单独进行优化之后,同时优化重建模块、生成模块,并且获取对应的目标神经网络;
其中,目标神经网络包括重建模块和生成模块;并且同时优化的重建模块与生成模块的具体过程包括如下两个方式,这个方式可以选用其中一种方式或者两种方式。
参照图6,第一种方式:
S61,基于将训练输入数据输入重建模块的操作获取对应的第一加权图像, 基于将第一加权图像输入生成模块的操作获取对应的第二加权图像。
S611,获取第一加权图像对应的第一MSE损失数据和第二加权图像对应的第二MSE损失数据;
其中,第一MSE损失数据和第二MSE损失数据同上述所表示的意义一致。
S612,同时比较第一MSE损失数据和第一损失阈值、第二MSE损失数据和第二损失阈值这两组数据;若是第一MSE损失数据大于第一损失阈值且第二MSE损失数据大于第二损失阈值均不成立,则确定目标神经网络,执行S7步骤;否则执行S6步骤。
参照图7,第二种方式:
S62,基于将训练输入数据输入重建模块的操作获取对应的第一加权图像, 基于将第一加权图像输入生成模块的操作获取对应的第二加权图像。
S621,依据第一加权图像对应的第一MSE损失数据和第二加权图像获取对应的第二MSE损失数据获取总MSE损失数据;
其中,总MSE损失数据=第一MSE损失数据+第二MSE损失数据,其中,总MSE损失数据的函数图像参照图8, Loss1+ Loss2为总MSE损失数据。
S622,将总MSE损失数据与第三损失阈值进行比较,若是总MSE损失数据大于第三损失阈值,则说明优化重建模块与生成模块在同时进行使用时,还需要同时调整重建模块的参数和生成模块的参数进行优化,则执行S6步骤;否则确定目标神经网络,执行S7步骤。
在基于同时优化重建模块、生成模块的操作获取对应的目标神经网络的步骤后,参照图9,还进行以下步骤:
S7,对目标神经网络进行验证,基于同时优化重建模块、生成模块的操作,先获取训练神经网络;
其中,训练神经网络也包括优化后的重建模块和生成模块。
S71,基于训练输入数据输入训练神经网络的操作获取对应的训练加权图像;
其中,训练加权图像包括优化后重建模块输出第一加权图像和优化后生成模块输出的第二加权图像。
S72,将训练加权图像进行非线性拟合获取对应的训练定量参数图像。
S73,调取参照全采样加权图像并进行非线性拟合,可以获取参照全采样加权图像对应的参照定量参数图像。
S74,将训练定量参数图像与参照定量参数图像进行误差计算,便可以获取训练定量参数图像与参照定量参数图像的误差数据;
其中,误差数据的计算方式与第一MSE损失数据、第二MSE损失数据的一样。
S75,将误差数据与预设的阈值进行比较,若是误差数据大于阈值,则说明训练神经网络的重建模块的参数和生成模块的参数还需进行调整优化,则执行S6步骤;否则将对应的训练神经网络确定为目标神经网络。
另外在S71步骤中,还包括:
S711,将训练输入数据输入训练神经网络获取重建模块对应的第一加权图像和生成模块对应的第二加权图像;
S712,将第一加权图像和第二加权图像进行叠加,便可以获取全部对比度对应的训练加权图像。
S8,获取目标欠采样K空间数据并定义为目标输入数据;
其中,目标欠采样K空间数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据,并且目标输入数据也是通过进行变密度的泊松欠采样获取的。
S9,基于目标输入数据输入目标神经网络的操作获取目标加权图像;
其中,目标加权图像为磁共振仪器上的全采样加权图像。
S10,基于目标加权图像获取对应的目标定量参数图像;
其中,目标定量参数图像通过目标加权图像经过非线性拟合获取。
本申请实施例一种用于磁共振参数定量成像的重建方法的实施原理为:
先获取磁共振仪器上的全采样K空间数据,然后将获取的全采样K空间数据进行逆傅里叶变换便可以获取到对应的参照全采样加权图像,参照全采样加权图像为全部对比度对应的全采样加权图像。
随后获取磁共振仪器上的部分欠采样K空间数据并定义为训练输入数据,另外,训练输入数据为部分对比度对应的欠采样K空间数据;本实施例中,举例指出参照全采样加权图像对应的全部对比度有5个(第1个、第2个、第3个、第4个、第5个),训练输入数据对应的对比度包括第1个对比度、第5个对比度,则第一加权图像的对比度包括第1个对比度、第5个对比度,而后续提出的第二加权图像的对比度包括第2个对比度、第3个对比度、第4个对比度;需要指出的是,本方案所保护的范围不局限于参照全采样加权图像对应的全部对比度有5个,参照全采样加权图像对应有多个对比度的情况均在保护范围内。
然后将训练输入数据输入卷积神经网络的重建模块,重建模块输出与训练输入数据对应的第一加权图像,并且将第一加权图像与参照全采样加权图像进行计算,并且依据计算结果对重建模块进行优化;并且对于基于第一加权图像与参照全采样加权图像的计算操作优化重建模块,并且具体过程包括以下步骤:调取参照全采样加权图像中的对比全采样加权图像;然后计算对比全采样加权图像和第一加权图像对应的第一MSE损失数据,当第一MSE损失函数的图像逐渐趋于平缓,表示对比全采样加权图像和第一加权图像之间误差小;再调取预先设置的第一损失阈值,并将第一MSE损失数据与第一损失阈值进行比较,若是第一MSE损失数据大于第一损失阈值,则优化重建模块,并且继续执行训练输入数据输入卷积神经网络的重建模块的步骤,通过重复优化重建模块的相关上述步骤,在将重建模块完毕之后,重建模块参数适用于对应磁共振仪器,可以更加准确的恢复K空间欠采样造成的信息丢失;否则重建模块初步优化完毕,执行优化生成模块步骤。
待重建模块优化完毕之后,则将第一加权图像输入卷积神经网络的生成模块,随后生成模块输出与第一加权图像对应的第二加权图像,并且将第二加权图像与参照全采样加权图像进行计算,并且依据计算结果对生成模块进行优化;并且具体过程包括以下步骤:调取参照全采样加权图像中的剩余全采样加权图像,并且剩余全采样加权图像包括第2个对比度、第3个对比度、第4个对比度三个对比度对应的全采样加权图像,然后计算剩余全采样加权图像和第二加权图像对应的第二MSE损失数据,当第二MSE损失函数的图像逐渐趋于平缓,即是表示剩余全采样加权图像和第二加权图像之间误差小;先调取预先设置的第二损失阈值,并将第二MSE损失数据与第二损失阈值进行比较,若是第二MSE损失数据大于第二损失阈值,则优化生成模块,继续执行调取参照全采样加权图像中的剩余全采样加权图像的步骤,否则执行同时进行优化重建模块和生成模块的步骤;通过对生成模块的优化,便可以将卷积神经网络的生成模块的参数进行调整,优化适用于对应磁共振仪器的生成模块参数,可以更快的恢复时间(对比度)维度欠采样造成的信息丢失问题。
待生成模块单独优化完毕之后,对卷积神经网络的重建模块和生成模块同时进行优化,并且基于完成对重建模块和生成模块同时优化后获取对应的神经网络;并且具体过程包括以下2种方式:
第一种方式,将训练输入数据输入重建模块获取第一加权图像,随即将第一加权图像输入生成模块获取第二加权图像;然后便可以同时获取第一MSE损失数据和第二MSE损失数据;然后同时比较第一MSE损失数据和第一损失阈值、第二MSE损失数据和第二损失阈值这两组数据;并且若是第一MSE损失数据大于第一损失阈值且第二MSE损失数据大于第二损失阈值均不成立,则确定目标神经网络,执行对目标神经网络的验证的步骤;否则继续执行同时优化输入重建模块和生成模块的步骤。
第二种方式与第一种方式不同的是,依据第一MSE损失数据和第二MSE损失数据获取总MSE损失数据,并且总MSE损失数据=第一MSE损失数据+第二MSE损失数据;然后调取第三损失阈值,将总MSE损失数据于第三损失阈值进行比较,若是总MSE损失数据大于第三损失阈值,则说明优化重建模块与生成模块在同时进行使用时,还需要同时调整重建模块的参数和生成模块的参数,则执行继续执行同时优化输入重建模块和生成模块的步骤;否则确定目标神经网络,执行对目标神经网络的验证的步骤。
通过上述2种方式对于重建模块与生成模块的同步优化操作,可以将同时调整到重建模块和生成模块适配的参数,从而实现更加准确地恢复在K空间与时间(对比度)两个维度上的丢失数据。
在将目标神经网络训练之后,便执行对目标神经网络的验证的步骤,具体过程包括以下步骤:基于同时优化重建模块、生成模块的操作,先获取训练神经网络;然后基于训练输入数据输入训练神经网络的操作,然后将第一加权图像和第二加权图像进行叠加,便可以获取全部对比度对应的训练加权图像;再将训练加权图像进行非线性拟合获取对应的训练定量参数图像;同样调取参照全采样加权图像并通过非线性拟合的方式获取参照定量参数图像;将训练定量参数图像与参照定量参数图像进行误差计算,便可以获取训练定量参数图像与参照定量参数图像的误差数据;将误差数据与预设的阈值进行比较,若是误差数据大于阈值,则说明训练神经网络的重建模块的参数和生成模块的参数还需进行调整优化,则执行同时优化重建模块、生成模块的步骤;否则将对应的训练神经网络确定为目标神经网络。
通过上述对目标神经网络的验证过程,在对应的加权图像进行误差对比之后再次对训练加权图像对应的训练定量参数图像,可以对神经网络进一步进行微调优化,可以使得获取的定量参数图像更加准确。
在确定目标神经网络之后,便可以将神经网络应用于磁共振成像,先获取磁共振仪器上需要进行成像的目标欠采样K空间数据,并且将目标欠采样K空间数据定义为目标输入数据,并且将目标输入数据输入目标神经网络中,随后目标神经网络输出对应的目标加权图像,然后便可以通过非线性拟合的方式获取目标加权图像对应的目标定量参数图像。
在整个上述过程中,通过对卷积神经网络的重建模块和生成模块的优化训练,然后将目标输入数据输入目标神经网络,并且通过输出的目标加权图像获取所需的目标定量参数图像,基于目标神经网络的重建模块进行来恢复K空间欠采样造成的信息丢失,同时,卷积神经网络的生成模块通过部分已采集的加权图像来生成对应未采集的加权图像来应对时间(对比度)维度欠采样造成的信息丢失问题,通过在K空间和时间(对比度)两个维度上进行欠采样,能够在保证重建质量的情况下实现更高的加速倍数,从而实现快速、准确的磁共振参数成像。
另外,本实施例中各步骤的标号仅为方便说明,不代表对各步骤执行顺序的限定,在实际应用时,可以根据需要各步骤执行顺序进行调整,或同时进行,这些调整或者替换均属于本发明的保护范围。
第二方面,本申请提供的一种用于磁共振参数定量成像的重建系统,参照图10,包括:
全采样获取模块1,用于获取全采样K空间数据;
参照全采样获取模块2,用于获取全采样K空间数据对应的参照全采样加权图像,其中,参照全采样加权图像包括全部对比度对应的全采样加权图像;
训练输入获取模块3,用于获取部分欠采样K空间数据并定义为训练输入数据,其中,训练输入数据为部分对比度对应的欠采样K空间数据;
第一获取模块4,基于训练输入数据输入重建模块的操作用于获取训练输入数据对应的第一加权图像;
第一优化模块5,基于第一加权图像与全采样加权图像的计算操作用于优化重建模块;
第二获取模块6,基于第一加权图像输入生成模块的操作用于获取第一加权图像对应的第二加权图像;
第二优化模块7,基于第二加权图像与全采样加权图像的计算操作用于优化生成模块;
网络获取模块8,基于同时优化重建模块、生成模块的操作用于获取对应的目标神经网络,其中,目标神经网络包括重建模块和生成模块;
目标获取模块9,用于获取目标欠采样K空间数据并定义为目标输入数据,其中,目标欠采样K空间数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据;
目标加权图像获取模块10,基于目标输入数据输入目标神经网络的操作用于获取目标加权图像;
目标定量参数图像获取模块11,用于获取目标加权图像对应的定量参数图像。
虽然本方案中的说明书附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行;除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行
本申请实施例一种用于磁共振参数定量成像的重建系统的实施原理为:全采样获取模块1先获取磁共振仪器上的全采样K空间数据,然后参照全采样获取模块2将获取的全采样K空间数据进行逆傅里叶变换便可以获取到对应的参照全采样加权图像,另外需要指出的是,参照全采样加权图像为全部对比度对应的全采样加权图像;随后训练输入获取模块3获取磁共振仪器上的部分欠采样K空间数据并定义为训练输入数据,另外,训练输入数据为部分对比度对应的欠采样K空间数据;然后将训练输入数据输入卷积神经网络的重建模块,第一获取模块4获取重建模块输出与训练输入数据对应的第一加权图像,第一优化模块5将第一加权图像与参照全采样加权图像进行计算,并且第一优化模块5依据计算结果对重建模块进行优化;待重建模块优化完毕之后,则将第一加权图像输入卷积神经网络的生成模块,随后第二获取模块6获取生成模块输出与第一加权图像对应的第二加权图像,第二优化模块7将第二加权图像与参照全采样加权图像进行计算,并且第二优化模块7依据计算结果对生成模块进行优化;待生成模块单独优化完毕之后,对卷积神经网络的重建模块和生成模块同时进行优化,并且基于完成对重建模块和生成模块同时优化后网络获取模块8获取对应的神经网络,其中,神经网络包括重建模块和生成模块;在将神经网络训练之后,目标获取模块9可以获取磁共振仪器上需要进行成像的目标欠采样K空间数据,并且将目标欠采样K空间数据定义为目标输入数据,其中,目标输入数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据,并且将目标输入数据输入目标神经网络中,随后目标加权图像获取模块10获取目标神经网络输出对应的目标加权图像,然后便可以通过目标加权图像获取模块10进行非线性拟合的方式获取目标加权图像对应的目标定量参数图像。
在整个上述过程中,通过对卷积神经网络的重建模块和生成模块的优化训练,然后将目标输入数据输入目标神经网络,并且通过输出的目标加权图像获取所需的目标定量参数图像,基于目标神经网络的重建模块进行来恢复K空间欠采样造成的信息丢失,同时,卷积神经网络的生成模块通过部分已采集的加权图像来生成对应未采集的加权图像来应对时间(对比度)维度欠采样造成的信息丢失问题,通过在K空间和时间(对比度)两个维度上进行欠采样,能够在保证重建质量的情况下实现更高的加速倍数,从而实现快速、准确的磁共振参数成像。
第三方面,本申请提供的计算机可读存储介质,存储有能够被处理器加载并执行如用于磁共振参数定量成像的重建方法中任一种方法的计算机程序。
第四方面,本申请提供的智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如用于磁共振参数定量成像的重建方法中任一种方法的计算机程序。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种用于磁共振参数定量成像的重建方法,其特征在于,包括以下步骤:
获取全采样K空间数据;
获取全采样K空间数据对应的参照全采样加权图像,其中,参照全采样加权图像包括全部对比度对应的全采样加权图像;
获取部分欠采样K空间数据并定义为训练输入数据,其中,训练输入数据为部分对比度对应的欠采样K空间数据;
基于训练输入数据输入重建模块的操作获取训练输入数据对应的第一加权图像;
基于第一加权图像与参照全采样加权图像的计算操作优化重建模块;
基于第一加权图像输入生成模块的操作获取第一加权图像对应的第二加权图像;
基于第二加权图像与参照全采样加权图像的计算操作优化生成模块;
基于同时优化重建模块、生成模块的操作获取对应的目标神经网络,其中,目标神经网络包括重建模块和生成模块;
获取目标欠采样K空间数据并定义为目标输入数据,其中,目标欠采样K空间数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据;
基于目标输入数据输入目标神经网络的操作获取目标加权图像;
获取目标加权图像对应的目标定量参数图像。
2.根据权利要求1所述的用于磁共振参数定量成像的重建方法,其特征在于,在所述基于第一加权图像与全采样加权图像的计算优化重建模块的步骤中,还包括以下步骤:
调取参照全采样加权图像中的对比全采样加权图像,其中,对比全采样加权图像为与部分欠采样K空间数据的对比度对应的全采样加权图像;
计算对比全采样加权图像和第一加权图像对应的第一MSE损失数据;
若是第一MSE损失数据大于第一损失阈值,则优化重建模块,否则执行第一加权图像输入生成模块的操作。
3.根据权利要求1所述的用于磁共振参数定量成像的重建方法,其特征在于,在所述基于第二加权图像与全采样加权图像的计算操作优化生成模块的步骤中,还包括以下步骤:
调取参照全采样加权图像中的剩余全采样加权图像,其中,剩余全采样加权图像为参照全采样加权图像中排除对比全采样加权图像剩下对比度对应的全采样加权图像;
计算剩余全采样加权图像和第二加权图像对应的第二MSE损失数据;
若是第二MSE损失数据大于第二损失阈值,则优化生成模块,否则执行同时优化重建模块、生成模块的操作。
4.根据权利要求3所述的用于磁共振参数定量成像的重建方法,其特征在于,在所述基于同时优化重建模块、生成模块的操作步骤中,还包括以下步骤:
基于将训练输入数据输入重建模块的操作获取对应的第一加权图像, 基于将第一加权图像输入生成模块的操作获取对应的第二加权图像;
依据第一加权图像和第二加权图像获取对应的第一MSE损失数据和对应的第二MSE损失数据;
若是第一MSE损失数据大于第一损失阈值且第二MSE损失数据大于第二损失阈值均不成立,则确定目标神经网络,否则执行同时优化重建模块与生成模块操作。
5.根据权利要求3所述的用于磁共振参数定量成像的重建方法,其特征在于,在所述基于同时优化重建模块、生成模块的操作步骤中,还包括以下步骤:
基于将训练输入数据输入重建模块的操作获取对应的第一加权图像, 基于将第一加权图像输入生成模块的操作获取对应的第二加权图像;
依据第一加权图像对应的第一MSE损失数据和第二加权图像获取对应的第二MSE损失数据获取总MSE损失数据;
若是总MSE损失数据大于第三损失阈值,则执行同时优化重建模块与生成模块操作,否则确定目标神经网络。
6.根据权利要求4或5所述的用于磁共振参数定量成像的重建方法,其特征在于,在所述基于同时优化重建模块、生成模块的操作获取对应的目标神经网络的步骤后,还进行以下步骤:
基于同时优化重建模块、生成模块的操作获取训练神经网络;
基于训练输入数据输入训练神经网络的操作获取对应的训练加权图像;
将训练加权图像进行非线性拟合获取对应的训练定量参数图像;
调取参照全采样加权图像并进行非线性拟合获取对应的参照定量参数图像;
计算训练定量参数图像与参照定量参数图像的误差数据;
若是误差数据大于预设的阈值,则执行同时优化重建模块、生成模块的操作;
否则将对应的训练神经网络确定为目标神经网络。
7.根据权利要求6所述的用于磁共振参数定量成像的重建方法,其特征在于,在所述基于训练输入数据输入训练神经网络的操作获取对应的训练加权图像的步骤中,还包括:
将训练输入数据输入训练神经网络获取重建模块对应的第一加权图像和生成模块对应的第二加权图像;
将第一加权图像和第二加权图像进行叠加获取全部对比度对应的训练加权图像。
8.根据权利要求X所述的一种用于磁共振参数定量成像的重建系统,其特征在于,包括:
全采样获取模块(1),用于获取全采样K空间数据;
参照全采样获取模块(2),用于获取全采样K空间数据对应的参照全采样加权图像,其中,参照全采样加权图像包括全部对比度对应的全采样加权图像;
训练输入获取模块(3),用于获取部分欠采样K空间数据并定义为训练输入数据,其中,训练输入数据为部分对比度对应的欠采样K空间数据;
第一获取模块(4),基于训练输入数据输入重建模块的操作用于获取训练输入数据对应的第一加权图像;
第一优化模块(5),基于第一加权图像与参照全采样加权图像的计算操作用于优化重建模块;
第二获取模块(6),基于第一加权图像输入生成模块的操作用于获取第一加权图像据对应的第二加权图像;
第二优化模块(7),基于第二加权图像与参照全采样加权图像的计算操作用于优化生成模块;
网络获取模块(8),基于同时优化重建模块、生成模块的操作用于获取对应的目标神经网络,其中,目标神经网络包括重建模块和生成模块;
目标获取模块(9),用于获取目标欠采样K空间数据并定义为目标输入数据,其中,目标欠采样K空间数据为需要进行磁共振成像的图像的部分对比度欠采样K空间数据;
目标加权图像获取模块(10),基于目标输入数据输入目标神经网络的操作用于获取目标加权图像;
目标定量参数图像获取模块(11),用于获取目标加权图像对应的定量参数图像。
9.计算机可读存储介质,存储有能够被处理器加载并执行如权利要求1至7中任一项所述方法的计算机程序。
10.智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111490179.XA CN114255291A (zh) | 2021-12-08 | 2021-12-08 | 用于磁共振参数定量成像的重建方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111490179.XA CN114255291A (zh) | 2021-12-08 | 2021-12-08 | 用于磁共振参数定量成像的重建方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114255291A true CN114255291A (zh) | 2022-03-29 |
Family
ID=80791805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111490179.XA Pending CN114255291A (zh) | 2021-12-08 | 2021-12-08 | 用于磁共振参数定量成像的重建方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255291A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281691A (zh) * | 2020-02-19 | 2021-08-20 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置和系统 |
CN115423894A (zh) * | 2022-11-04 | 2022-12-02 | 之江实验室 | 一种基于变分自编码器的磁共振加权图像合成方法和装置 |
-
2021
- 2021-12-08 CN CN202111490179.XA patent/CN114255291A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281691A (zh) * | 2020-02-19 | 2021-08-20 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置和系统 |
CN113281691B (zh) * | 2020-02-19 | 2023-01-24 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置和系统 |
CN115423894A (zh) * | 2022-11-04 | 2022-12-02 | 之江实验室 | 一种基于变分自编码器的磁共振加权图像合成方法和装置 |
CN115423894B (zh) * | 2022-11-04 | 2023-02-03 | 之江实验室 | 一种基于变分自编码器的磁共振加权图像合成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Knoll et al. | Deep-learning methods for parallel magnetic resonance imaging reconstruction: A survey of the current approaches, trends, and issues | |
CN108335339B (zh) | 一种基于深度学习和凸集投影的磁共振重建方法 | |
CN111513716B (zh) | 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统 | |
CN108828481B (zh) | 一种基于深度学习和数据一致性的磁共振重建方法 | |
Hamilton et al. | Machine learning for rapid magnetic resonance fingerprinting tissue property quantification | |
US10996306B2 (en) | MRI system and method using neural network for detection of patient motion | |
US10627470B2 (en) | System and method for learning based magnetic resonance fingerprinting | |
Cole et al. | Analysis of deep complex-valued convolutional neural networks for MRI reconstruction | |
CN114255291A (zh) | 用于磁共振参数定量成像的重建方法、系统 | |
Lv et al. | Which GAN? A comparative study of generative adversarial network-based fast MRI reconstruction | |
CN115135237A (zh) | 磁共振影像处理装置及其方法 | |
JP2021010408A (ja) | 医用データ処理装置、医用データ処理方法、医用データ処理プログラム及び磁気共鳴イメージング装置 | |
Pawar et al. | A deep learning framework for transforming image reconstruction into pixel classification | |
CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
US11948676B2 (en) | Qualitative and quantitative MRI using deep learning | |
Pezzotti et al. | An adaptive intelligence algorithm for undersampled knee mri reconstruction: Application to the 2019 fastmri challenge | |
JP7300811B2 (ja) | 医用情報処理装置、医用情報処理方法、およびプログラム | |
Soyak et al. | Channel attention networks for robust MR fingerprint matching | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
US11493585B2 (en) | Medical information processing apparatus and medical information processing method | |
Ryu et al. | K-space refinement in deep learning mr reconstruction via regularizing scan specific spirit-based self consistency | |
WO2023038910A1 (en) | Dual-domain self-supervised learning for accelerated non-cartesian magnetic resonance imaging reconstruction | |
US11675029B2 (en) | Retrospective tuning of soft tissue contrast in magnetic resonance imaging | |
WO2023102782A1 (zh) | 用于磁共振参数定量成像的重建方法、系统 | |
EP4088129A1 (en) | Accelerated time domain magnetic resonance spin tomography |
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 |