CN114299185A - 磁共振图像生成方法、装置、计算机设备和存储介质 - Google Patents
磁共振图像生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114299185A CN114299185A CN202111663311.2A CN202111663311A CN114299185A CN 114299185 A CN114299185 A CN 114299185A CN 202111663311 A CN202111663311 A CN 202111663311A CN 114299185 A CN114299185 A CN 114299185A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- rank
- iteration
- space data
- 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 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000013139 quantization Methods 0.000 claims description 19
- 210000004556 brain Anatomy 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- YIWUKEYIRIRTPP-UHFFFAOYSA-N 2-ethylhexanol Substances CCCCC(CC)CO YIWUKEYIRIRTPP-UHFFFAOYSA-N 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 239000010931 gold Substances 0.000 claims description 4
- 229910052737 gold Inorganic materials 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 210000004885 white matter Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004884 grey matter Anatomy 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种磁共振图像生成方法、装置、计算机设备和存储介质。磁共振图像生成方法包括:采集对待测目标进行磁共振扫描得到的K空间数据;基于K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,重建框架为嵌入有物理模型以及已训练神经网络的稀疏低秩模型;获取重建框架最终输出的T1加权图像和T1量化图像。采用本发明,可以得到精确的T1加权图像和T1量化图像,图像质量高。
Description
技术领域
本发明涉及医学成像技术领域,特别是涉及一种磁共振图像生成方法、装置、计算机设备和存储介质。
背景技术
磁共振成像(MRI)作为一种无创、非电离成像技术,广泛应用于物理、生物和医学等领域。虽然它可以提供高质量的图像与各种对比机制,但MRI往往仅限于定性而不是定量成像,磁共振成像的图像对比度可能因扫描设备、成像协议、射频线圈和实验环境的不同而不同,这阻碍了不同平台之间的定量比较。近年来,T1定量成像获得了越来越多的关注,被广泛应用到诸如评估铁吸收患者的帕金森病、监测脑部白质(WM)和灰质(GM)异常以及高危颈动脉粥样硬化斑块成分识别。然而,传统T1映射序列由于需要获取多个T1加权图像进行参数拟合,使得扫描时间较长,而采集时间过长可能会引起运动伪影、图像错位和患者的不适。
随着技术的发展,提出了一种快速的三维T1量化磁共振序列技术GOAL-SNAP,该技术采用反演恢复脉冲(IR)和三维黄金角径向采样轨迹,使得其可以在短时间内得到三维的、自配准的各向同性T1加权图像。在重建图像时,使用信号共享方法,将相邻采集到的径向K空间数据合并,以求降低重建图像的噪声,提高对比度。然而,图像的对比度由共享径向K空间数据的平均信号决定,从而产生对比度混合,影响后续的T1量化拟合;而且,传统的T1量化拟合方法是逐点进行的,没有考虑到点与点之间的空间相关性,拟合得到的T1量化图像噪声大,并且拟合过程耗时长。
发明内容
本发明要解决的技术问题是:传统技术生成的T1加权图像和T1量化图像准确性低、质量差。
为解决上述技术问题,本发明提供了一种磁共振图像生成方法、装置、计算机设备和存储介质。
一种磁共振图像生成方法,其包括:
采集对待测目标进行磁共振扫描得到的K空间数据;
基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,所述重建框架为嵌入有物理模型以及已训练神经网络的稀疏低秩模型;
获取所述重建框架最终输出的T1加权图像和T1量化图像。
在其中一个实施例中,所述基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理之前,还包括:
将预设的物理模型以及已训练神经网络嵌入稀疏低秩模型,得到重建框架。
在其中一个实施例中,所述将预设的物理模型以及已训练神经网络嵌入稀疏低秩模型之前,还包括:
从大脑数字仿体获取仿真的K空间数据;
构建初始的神经网络;
根据所述仿真的K空间数据对所述初始的神经网络进行从T1加权图像映射到T1量化图像的训练,得到所述已训练神经网络。
在其中一个实施例中,所述从大脑数字仿体获取仿真的K空间数据,包括:
采用三维黄金径向角采集方式采集大脑数字仿体的不同成分所对应的T1量化值;
利用GOAL-SNAP序列的信号公式对所述T1量化值进行处理得到处理后的数据;
对处理后的数据进行傅里叶变换操作并添加高斯分布噪声,生成仿真的K空间数据。
在其中一个实施例中,所述根据所述仿真的K空间数据对所述初始的神经网络进行从T1加权图像映射到T1量化图像的训练,得到已训练神经网络,包括:
对所述仿真的K空间数据进行逆不规则傅里叶变换,得到第一类T1加权图像;
将所述仿真的K空间数据输入到稀疏低秩重建算法中,取前面预设次迭代的重建图像得到第二类T1加权图像,取所述稀疏低秩重建算法迭代完成后的图像得到第三类T1加权图像;
利用GOAL-SNAP序列的信号公式对所述仿真的K空间数据处理,得到的图像作为标准的T1量化图像;
将所述第一类T1加权图像、所述第二类T1加权图像和所述第三类T1加权图像作为所述初始的神经网络的输入,将所述标准的T1量化图像作为所述初始的神经网络的输出,对所述初始的神经网络进行训练得到所述已训练神经网络。
在其中一个实施例中,所述重建框架包括稀疏低秩优化公式、引入已训练神经网络的量化模型和引入物理模型的加权模型,所述基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,包括:
使用K空间数据进行参数初始化得到初始化的参数,根据所述初始化的参数和所述稀疏低秩优化公式进行稀疏低秩迭代计算,得到下一次迭代的低秩部分和下一次迭代的稀疏部分;
根据所述量化模型进行量化图像迭代计算,得到下一次迭代的T1量化图像;
根据所述K空间数据、所述下一次迭代的低秩部分、所述下一次迭代的稀疏部分、所述下一次迭代的T1量化图像和所述加权模型进行加权图像迭代计算,得到下一次迭代的T1加权图像;
重复所述稀疏低秩迭代计算、所述量化图像迭代计算和所述加权图像迭代计算直到迭代完成,得到迭代完成时的T1加权图像和迭代完成时的T1量化图像,并作为最终输出的T1加权图像和最终输出的T1量化图像。
在其中一个实施例中,所述初始化的参数包括:
k=0,S=0,L=u=EHd;
所述低秩稀疏优化公式包括:
所述量化模型包括:
Qk+1≈Rk+1uk;
所述加权模型包括:
uk+1=k+1/2-H(Euk+1/2-d);
式中,k表示迭代次数,L为初始的低秩部分,S为初始的稀疏部分,d为所述K空间数据,u为初始的T1加权图像,E为数据转换算子,包括多通道线圈数据融合操作和不规则傅里叶变换操作;
Lk+1为第k+1次迭代的低秩部分,Sk+1为第k+1次迭代的稀疏部分;Lk为第k次迭代的低秩部分,Sk为第k次迭代的稀疏部分,表示使用参数λ1进行奇异值阈值收缩,表示使用参数λ2进行软阈值收缩,T表示稀疏变换,t表示迭代步长,uk表示第k次迭代的T1加权图像;
Qk+1表示第k+1次迭代的T1量化图像,Rk+1为第k+1次迭代的已训练神经网络,I为单位矩阵,μ为预定的参数,G为物理模型。
一种磁共振图像生成装置,包括:
数据采集模块,用于采集对待测目标进行磁共振扫描得到的K空间数据;
数据处理模块,用于基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,所述重建框架为嵌入有物理模型以及已训练神经网络的低秩稀疏模型;
图像获取模块,用于获取所述重建框架最终输出的T1加权图像和T1量化图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
采集对待测目标进行磁共振扫描得到的K空间数据;
基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,所述重建框架为嵌入有物理模型以及已训练神经网络的稀疏低秩模型;
获取所述重建框架最终输出的T1加权图像和T1量化图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
采集对待测目标进行磁共振扫描得到的K空间数据;
基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,所述重建框架为嵌入有物理模型以及已训练神经网络的稀疏低秩模型;
获取所述重建框架最终输出的T1加权图像和T1量化图像。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
将嵌入有物理模型以及已训练神经网络的稀疏低秩模型作为重建框架,通过采用重建框架对K空间数据进行处理得到T1加权图像和T1量化图像;相比于传统的图像重建方法,引入并结合了已训练神经网络的先验信息、稀疏低秩模型和物理模型,不仅可以生成精确的T1量化图像,而且,还可以利用稀疏低秩对T1加权图像的时空相关性进行约束,重建出高质量的T1加权图像,图像质量高。除此之外,物理模型的引入可以连接稀疏低秩和已训练神经网络的学习先验,使得可以同时获得两者的优点,达到更佳的性能。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是:
图1为一个实施例中磁共振图像生成方法的流程示意图;
图2为一个实施例中U网络的模型示意图;
图3为一个实施例中磁共振图像生成的模块化流程示意图;
图4为一个实施例中磁共振图像生成装置的结构框架示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将结合附图及实施例来详细说明本发明的实施方法,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。
在现有技术中,快速的三维T1量化磁共振序列技术GOAL-SNAP,在重建图像时,使用信号共享方法,将相邻采集到的径向K空间数据合并,以求降低重建图像的噪声,提高对比度。然而,图像的对比度由共享径向K空间数据的平均信号决定,从而产生对比度混合,影响后续的T1量化拟合;而且,传统的T1量化拟合方法是逐点进行的,没有考虑到点与点之间的空间相关性,拟合得到的T1量化图像噪声大,并且拟合过程耗时长。
近两年,深度学习方法被广泛应用于磁共振图像重建和生理量化参数拟合。有人提出了一种利用深度学习先验、低秩和稀疏模型进行T2参数拟合的方法,虽然该方法能够生成精确的T2量化结果,但T2拟合需要逐像素进行,计算时间较长。有人提出了一种端到端的卷积神经网络模型,利用基于图像块的训练和推理,高效地重建T2参数图像;但是,该方法没有应用数据一致性等反馈机制,可能会影响模型的泛化。此外,基于图像块的拟合无法利用全局空间相关性,可能影响拟合结果的准确性。有人使用端到端卷积神经网络进行T2拟合,该方法利用循环损失约束T2参数拟合和K空间的数据一致性,从欠采样的T2加权图像生成T2量化图像。但是,该方法仅能重建出T2量化图像,对于欠采样的T2加权图像没有优化。因此,亟需一种准确的磁共振图像生成方法,通过图像重建和参数拟合,可以准确地重建出加权图像和量化参数图像。
本申请提供了一种可以得到准确性高的T1加权图像和T1量化图像的方法。如图1所示,在一个实施例中,磁共振图像生成方法包括如下步骤:
S110:采集对待测目标进行磁共振扫描得到的K空间数据。
待测目标是指需要进行磁共振成像的目标,比如患者的头部。K空间数据是对待测目标进行磁共振扫描得到的数据。具体地,可以是直接对待测目标进行磁共振扫描得到K空间数据,也可以是从扫描仪器处采集K空间数据,扫描仪器用于对待测目标进行磁共振扫描。
S130:基于K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理。
其中,重建框架为嵌入有物理模型以及已训练神经网络的稀疏低秩模型。具体地,物理模型是可以将T1量化图像转换为T1加权图像的计算模型,已训练神经网络是可以将T1加权图像映射为T1量化图像的深度学习神经网络;物理模型和已训练神经网络可以视为互为相反的算子。根据K空间数据,重建框架通过物理模型、已训练神经网络和稀疏低秩模型,可以进行图像重建和参数拟合、输出T1量化图像和T1参数图像。
S150:获取重建框架最终输出的T1加权图像和T1量化图像。
具体地,将重建框架最终输出的T1加权图像作为待测目标的加权图像,将重建框架最终输出的T1量化图像作为待测目标的量化参数图像。
上述磁共振图像生成方法,将嵌入有物理模型以及已训练神经网络的稀疏低秩模型作为重建框架,通过采用重建框架对K空间数据进行处理得到T1加权图像和T1量化图像;相比于传统的图像重建方法,引入并结合了已训练神经网络的先验信息、稀疏低秩模型和物理模型,不仅可以生成精确的T1量化图像,而且,还可以利用稀疏低秩对T1加权图像的时空相关性进行约束,重建出高质量的T1加权图像,图像质量高。除此之外,物理模型的引入可以连接稀疏低秩和已训练神经网络的学习先验,使得可以同时获得两者的优点,达到更佳的性能。
在其中一个实施例中,步骤S130之前,还包括框架构建步骤:将预设的物理模型以及已训练神经网络嵌入稀疏低秩模型,得到重建框架。
例如,可以是在稀疏低秩模型中加入物理模型和已训练神经网络,得到新的模型作为重建框架。具体地,框架构建步骤可以是在步骤S110之前执行,可以理解,也可以是根据需求设置为框架构建步骤在步骤S110之后执行。
在其中一个实施例中,框架构建步骤之前还包括步骤(a1)至步骤(a3)。
步骤(a1):从大脑数字仿体获取仿真的K空间数据。
其中,大脑数字仿体是指模拟的数字大脑模型,比如,可以是数字大脑的三维图像。
步骤(a2):构建初始的神经网络。
其中,初始的神经网络是指未经过训练或者学习的神经网络。
步骤(a3):根据仿真的K空间数据对初始的神经网络进行从T1加权图像映射到T1量化图像的训练,得到已训练神经网络。
通过采用仿真的K空间数据对初始的神经网络进行训练,使初始的神经网络学习从T1加权图像到T1量化图像的映射,得到可以将T1加权图像映射为T1量化图像的已训练神经网络。
在其中一个实施例中,步骤(a1)包括步骤(a11)至步骤(a13)。
步骤(a11):采用三维黄金径向角采集方式采集大脑数字仿体的不同成分所对应的T1量化值。
大脑数字仿体的不同成分包括灰质和白质。具体地,将大脑数字仿体的灰质、白质分别赋予对应的T1量化值,配合三维黄金径向角采集方式采集。
步骤(a12):利用GOAL-SNAP序列的信号公式对T1量化值进行处理得到处理后的数据。
步骤(a13):对处理后的数据进行傅里叶变换操作并添加高斯分布噪声,生成仿真的K空间数据。
添加高斯分布噪声的操作是针对数据的处理操作,例如可以是在傅里叶变换得到的数据上增加噪声值。通过配合三维黄金径向角采集方式,利用GOAL-SNAP序列的信号公式以及傅里叶变换,添加高斯分布的噪声,以生成仿真的K空间数据,准确性高。
在其中一个实施例中,初始的神经网络为U网络,具体是U-Net卷积神经网络。利用U网络作为基础网络,并在每个编码模块、解码模块和桥接模块内部添加跨层连接。编码模块的卷积核大小为3*3,池化操作为最大值池化,激活函数为ReLU;解码模块的卷积核大小为3*3,升采样操作为转置卷积,卷积核大小为3*3,激活函数为ReLU;桥接模块的卷积核大小为3*3,激活函数为ReLU。编码模块和解码模块分别有4层,对应的编码模块和解码模块之间利用拼接操作将特征图合并。每个层级输出的特征图数量为32、64、128和256。
例如,图2所示为具有跨层连接的U网络模型。201为对应编码模块和解码模块之间的特征图拼接操作,202为四层编码层,203为四层解码层,204为桥接层。编码层由3*3卷积层、批归一化层和ReLU激活函数组成为一个基本单元,并重复两次,然后加入由输入引出的跨层连接即205,并最后接入最大池化层;解码层一开始接入升采样操作,为一层转置卷积,然后由3*3卷积层,批归一化层和ReLU激活函数组成为一个基本单元,并重复两次,然后加入由输入引出的跨层连接;桥接层与编码层类似,仅减少最大池化层。编码层和解码层每层对应的输出特征图数量为32、64、128和256。
具体地,步骤(a3)可以是根据仿真的K空间数据分别得到T1加权图像和T1量化图像,以仿真的K空间数据对应得到的T1加权图像为初始的神经网络的输入、以仿真的K空间数据对应的T1量化图像为初始的神经网络的输出,对初始的神经网络进行训练。
进一步地,在其中一个实施例中,步骤(a3)可以包括步骤(a31)至步骤(a34)。
步骤(a31):对仿真的K空间数据进行逆不规则傅里叶变换,得到第一类T1加权图像。
对仿真的K空间数据进行逆不规则傅里叶变换,得到有伪影和噪声的T1加权图像,作为第一类T1加权图像。
步骤(a32):将仿真的K空间数据输入到稀疏低秩重建算法中,取前面预设次迭代的重建图像得到第二类T1加权图像,取稀疏低秩重建算法迭代完成后的图像得到第三类T1加权图像。
具体地,预设次可以为6次。例如,将仿真的K空间数据输入到稀疏低秩重建算法中,取前面6次迭代的重建图像,这些重建的T1加权图像包含有伪影和噪声,作为第二类T1加权图像。类似地,取稀疏低秩重建算法迭代完成后的高质量图像作为第三类T1加权图像。
步骤(a33):利用GOAL-SNAP序列的信号公式对仿真的K空间数据处理,得到的图像作为标准的T1量化图像。
根据GOAL-SNAP序列的信号公式对仿真的K空间数据处理,得到无伪影无噪声的图像,作为标准的T1量化图像。
步骤(a34):将第一类T1加权图像、第二类T1加权图像和第三类T1加权图像作为初始的神经网络的输入,将标准的T1量化图像作为初始的神经网络的输出,对初始的神经网络进行训练得到已训练神经网络。
具体地,可以采用反向传播算法更新神经网络的权值,完成对神经网络的训练。神经网络的损失函数选择为标记数据(标准的T1量化图像)和网络输出之差的1-范数和2-范数的线性加权组合,权重分别为1和0.1。
通过对仿真的K空间数据进行多种方式的处理,使得从仿真的K空间数据转换到图像时,得到多种类型的图像,以有伪影和噪声的图像作为输入、无伪影无噪声的图像作为标准的输出,使初始的神经网络不仅可以学习到从T1加权图像到T1量化图的映射,还可以学习到去伪影和去噪声的能力。通过对神经网络的学习训练,引入了神经网络先验信息,提供了去除伪影和噪声的能力,使得迭代循环次数大大缩短,加快重建速度。
在其中一个实施例中,重建框架包括稀疏低秩优化公式、引入已训练神经网络的量化模型和引入物理模型的加权模型。其中,量化模型是用于生成T1量化图像的模型,加权模型是用于生成T1加权图像的模型;量化模型引入已训练神经网络,是指量化模型的计算公式中包含已训练神经网络,加权模型中引入物理模型,是指加权模型的计算公式中包含物理模型。具体地,步骤S130包括步骤(b1)至步骤(b4)。
步骤(b1):使用K空间数据进行参数初始化得到初始化的参数,根据初始化的参数和稀疏低秩优化公式进行稀疏低秩迭代计算,得到下一次迭代的低秩部分和下一次迭代的稀疏部分。
以初始的迭代次数为0为例,根据初始化的参数和稀疏低秩优化公式,计算得到第一次迭代的低秩部分和第一次迭代的稀疏部分。
步骤(b2):根据量化模型进行量化图像迭代计算,得到下一次迭代的T1量化图像。
步骤(b3):根据K空间数据、下一次迭代的低秩部分、下一次迭代的稀疏部分、下一次迭代的T1量化图像和加权模型进行加权图像迭代计算,得到下一次迭代的T1加权图像。
步骤(b4):重复稀疏低秩迭代计算、量化图像迭代计算和加权图像迭代计算直到迭代完成,得到迭代完成时的T1加权图像和迭代完成时的T1量化图像,并作为最终输出的T1加权图像和最终输出的T1量化图像。
即,重建框架最终输出的T1加权图像和最终输出的T1量化图像,是迭代完成的T1加权图像和T1量化图像。具体地,重复稀疏低秩迭代计算,是重新将前一次得到的低秩部分和前一次得到的稀疏部分,代入稀疏低秩优化公式进行稀疏低秩迭代计算,得到下一次迭代的低秩部分和下一次迭代的稀疏部分。通过采用稀疏低秩优化公式、量化模型和加权模型进行迭代计算,以得到最终输出的T1量化图像和T1加权图像,相比于端到端的深度神经网络重建,本实施例利用了物理模型将映射得到的高质量T1量化图转换为T1加权图像,并于稀疏低秩迭代算法的中间结果图像融合,进一步提高重建的效果和稳定性。
经发明人研究,传统的稀疏低秩模型的优化目标函数为公式1:
min(‖L‖*+‖TS‖1),s.t.E(L+S)=d
其中,L为低秩部分,S为稀疏部分,T为稀疏变换,在此为时间维度的傅里叶变换,E为数据转换算子,包括多通道线圈数据融合操作和不规则傅里叶变换操作,d为K空间数据。本申请将深度神经网络先验信息和物理模型约束引入到稀疏低秩模型中,新的优化目标函数为公式2:
其中,G为物理模型,可将T1量化图像转换为T1加权图像,R为深度神经网络,可将T1加权图像映射为T1量化图像,G和R可视为互为相反的算子。引入辅助变量,并进行数学求解。
公式2引入辅助变量u,其中,辅助变量u指T1加权图像,得到公式3:
s.t.L+S=u
公式3的非约束形式为公式4:
公式4可分拆为3个子问题求解,如公式5所示:
其中,前两式可利用迭代收缩阈值算法进行求解,如公式6所示:
公式5的第三式的求解可引入辅助变量Q,辅助变量Q指T1量化图像,如公
式7所示:
s.t.Ru=Q
转换为非约束形式,如公式7:
为了求解R,u和Q,可得到三个子问题如公式8:
公式8的第一个子问题求解可视为深度神经网络的训练过程,如公式9:
Rk+1=NET
NET为训练好的神经网络。
第二个子问题的求解可对原问题进行求导并令导数为0,得到解析解,如公
式10:
做数学上的近似得到,(EG)HEG≈I,GHEHd≈Q≈Rk+1uk,I为单位矩阵,则公式10可化简为:
Qk+1≈Rk+1uk
类似地,第三个子问题的求解也可对原问题进行求导并令导数为0,得到解析解,如公式11:
Rk+1 H可以近似替代为G,并且可进行数学上的近似得到Rk+1 HRk+1≈I。为了增加迭代的稳定性,加入数据一致项的约束,则公式11可化简为:
uk+1=uk+1/2-EH(Euk+1/2-d)
其中,μ为参数,此处可以设置为1。
经过以上研究,本申请提出了重建框架,包括公式6、公式10和公式11。具体地,在其中一个实施例中,初始化的参数包括:
k=0,S=0,L=u=EHd;
低秩稀疏优化公式包括:
量化模型包括:
Qk+1≈Rk+1uk;
加权模型包括:
uk+1=uk+1/2-EH(Euk+1/2-d);
式中,k表示迭代次数,L为初始的低秩部分,S为初始的稀疏部分,d为K空间数据,u为初始的T1加权图像,E为数据转换算子,包括多通道线圈数据融合操作和不规则傅里叶变换操作。Lk+1为第k+1次迭代的低秩部分,Sk+1为第k+1次迭代的稀疏部分;Lk为第k次迭代的低秩部分,Sk为第k次迭代的稀疏部分,表示使用参数λ1进行奇异值阈值收缩,表示使用参数λ2进行软阈值收缩,T表示稀疏变换,t表示迭代步长,可以设置为1,uk表示第k次迭代的T1加权图像;uk+1为第k+1次迭代的T1加权图像,Qk+1表示第k+1次迭代的T1量化图像,Rk+1为第k+1次迭代的已训练神经网络,I为单位矩阵,μ为预定的参数,G为物理模型。具体地,本实施例中,μ可以设置为1。
具体地,步骤(b1)使用低秩稀疏优化公式得到Lk+1及Sk+1,使用量化模型的计算公式得到Qk+1,使用加权模型的计算公式得到uk+1,判断是否达到收敛条件,如否,则继续进行迭代优化,如是,结束迭代过程,输出T1量化图像Qk+1及T1加权图像uk+1。通过引入了数据一致项:uk+1=uk+1/2-EH(Euk+1/2-d),增加算法稳定性,同时提高整个重建框架的泛化能力。
以一个应用例进行说明,如图3所示,重建框架的输入为K空间数据即101,然后根据公式6经过低秩部分即102和稀疏部分即103的迭代优化,利用公式10输入到已训练神经网络即104得到T1量化图像,最后利用公式11经过物理模型即105完成一次迭代过程。一个迭代模块即106重复迭代k次,即可得到高质量的T1加权图像和T1量化图像输出即107。
应该理解的是,虽然图1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。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种磁共振图像生成装置,如图4所示,磁共振图像生成装置包括:数据采集模块410、数据处理模块430和图像获取模块450。
数据采集模块410用于采集对待测目标进行磁共振扫描得到的K空间数据;数据处理模块430用于基于K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,重建框架为嵌入有物理模型以及已训练神经网络的低秩稀疏模型;图像获取模块450用于获取重建框架最终输出的T1加权图像和T1量化图像。
上述磁共振图像生成装置,将嵌入有物理模型以及已训练神经网络的稀疏低秩模型作为重建框架,通过采用重建框架对K空间数据进行处理得到T1加权图像和T1量化图像;相比于传统的图像重建方法,引入并结合了已训练神经网络的先验信息、稀疏低秩模型和物理模型,不仅可以生成精确的T1量化图像,而且,还可以利用稀疏低秩对T1加权图像的时空相关性进行约束,重建出高质量的T1加权图像,图像质量高。除此之外,物理模型的引入可以连接稀疏低秩和已训练神经网络的学习先验,使得可以同时获得两者的优点,达到更佳的性能。
在其中一个实施例中,上述磁共振图像生成装置还包括框架建立模块,用于将预设的物理模型以及已训练神经网络嵌入稀疏低秩模型,得到重建框架。
在其中一个实施例中,上述磁共振图像生成装置还包括网络训练模块,用于从大脑数字仿体获取仿真的K空间数据;构建初始的神经网络;根据仿真的K空间数据对初始的神经网络进行从T1加权图像映射到T1量化图像的训练,得到已训练神经网络。
在其中一个实施例中,网络训练模块从大脑数字仿体获取仿真的K空间数据,具体包括:网络训练模块采用三维黄金径向角采集方式采集大脑数字仿体的不同成分所对应的T1量化值,利用GOAL-SNAP序列的信号公式对T1量化值进行处理得到处理后的数据,对处理后的数据进行傅里叶变换操作并添加高斯分布噪声,生成仿真的K空间数据。
在其中一个实施例中,网络训练模块根据仿真的K空间数据对初始的神经网络进行从T1加权图像映射到T1量化图像的训练,具体包括:对仿真的K空间数据进行逆不规则傅里叶变换,得到第一类T1加权图像;将仿真的K空间数据输入到稀疏低秩重建算法中,取前面预设次迭代的重建图像得到第二类T1加权图像,取稀疏低秩重建算法迭代完成后的图像得到第三类T1加权图像;利用GOAL-SNAP序列的信号公式对仿真的K空间数据处理,得到的图像作为标准的T1量化图像;将第一类T1加权图像、第二类T1加权图像和第三类T1加权图像作为初始的神经网络的输入,将标准的T1量化图像作为初始的神经网络的输出,对初始的神经网络进行训练得到已训练神经网络。
在其中一个实施例中,重建框架包括稀疏低秩优化公式、引入已训练神经网络的量化模型和引入物理模型的加权模型。数据处理模块430用于:使用K空间数据进行参数初始化得到初始化的参数,根据初始化的参数和稀疏低秩优化公式进行稀疏低秩迭代计算,得到下一次迭代的低秩部分和下一次迭代的稀疏部分;根据量化模型进行量化图像迭代计算,得到下一次迭代的T1量化图像;根据K空间数据、下一次迭代的低秩部分、下一次迭代的稀疏部分、下一次迭代的T1量化图像和加权模型进行加权图像迭代计算,得到下一次迭代的T1加权图像;重复稀疏低秩迭代计算、量化图像迭代计算和加权图像迭代计算直到迭代完成,得到迭代完成时的T1加权图像和迭代完成时的T1量化图像,并作为最终输出的T1加权图像和最终输出的T1量化图像。
在其中一个实施例中,初始化的参数包括:
k=0,S=0,L=u=EHd;
低秩稀疏优化公式包括:
量化模型包括:
Qk+1≈Rk+1uk;
加权模型包括:
uk+1=uk+1/2-EH(Euk+1/2-d);
关于磁共振图像生成装置的具体限定可以参见上文中对于磁共振图像生成方法的限定,在此不再赘述。上述磁共振图像生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各实施例中方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各实施例中方法的步骤。
上述计算机设备和计算机可读存储介质,由于可以实现上述各实施例中方法的步骤,同理,可以生成准确、高质量的T1加权图像和T1量化图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上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。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种磁共振图像生成方法,其特征在于,包括:
采集对待测目标进行磁共振扫描得到的K空间数据;
基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,所述重建框架为嵌入有物理模型以及已训练神经网络的稀疏低秩模型;
获取所述重建框架最终输出的T1加权图像和T1量化图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理之前,还包括:
将预设的物理模型以及已训练神经网络嵌入稀疏低秩模型,得到重建框架。
3.根据权利要求2所述的方法,其特征在于,所述将预设的物理模型以及已训练神经网络嵌入稀疏低秩模型之前,还包括:
从大脑数字仿体获取仿真的K空间数据;
构建初始的神经网络;
根据所述仿真的K空间数据对所述初始的神经网络进行从T1加权图像映射到T1量化图像的训练,得到所述已训练神经网络。
4.根据权利要求3所述的方法,其特征在于,所述从大脑数字仿体获取仿真的K空间数据,包括:
采用三维黄金径向角采集方式采集大脑数字仿体的不同成分所对应的T1量化值;
利用GOAL-SNAP序列的信号公式对所述T1量化值进行处理得到处理后的数据;
对处理后的数据进行傅里叶变换操作并添加高斯分布噪声,生成仿真的K空间数据。
5.根据权利要求3所述的方法,其特征在于,所述根据所述仿真的K空间数据对所述初始的神经网络进行从T1加权图像映射到T1量化图像的训练,得到已训练神经网络,包括:
对所述仿真的K空间数据进行逆不规则傅里叶变换,得到第一类T1加权图像;
将所述仿真的K空间数据输入到稀疏低秩重建算法中,取前面预设次迭代的重建图像得到第二类T1加权图像,取所述稀疏低秩重建算法迭代完成后的图像得到第三类T1加权图像;
利用GOAL-SNAP序列的信号公式对所述仿真的K空间数据处理,得到的图像作为标准的T1量化图像;
将所述第一类T1加权图像、所述第二类T1加权图像和所述第三类T1加权图像作为所述初始的神经网络的输入,将所述标准的T1量化图像作为所述初始的神经网络的输出,对所述初始的神经网络进行训练得到所述已训练神经网络。
6.根据权利要求1所述的方法,其特征在于,所述重建框架包括稀疏低秩优化公式、引入已训练神经网络的量化模型和引入物理模型的加权模型,所述基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,包括:
使用K空间数据进行参数初始化得到初始化的参数,根据所述初始化的参数和所述稀疏低秩优化公式进行稀疏低秩迭代计算,得到下一次迭代的低秩部分和下一次迭代的稀疏部分;
根据所述量化模型进行量化图像迭代计算,得到下一次迭代的T1量化图像;
根据所述K空间数据、所述下一次迭代的低秩部分、所述下一次迭代的稀疏部分、所述下一次迭代的T1量化图像和所述加权模型进行加权图像迭代计算,得到下一次迭代的T1加权图像;
重复所述稀疏低秩迭代计算、所述量化图像迭代计算和所述加权图像迭代计算直到迭代完成,得到迭代完成时的T1加权图像和迭代完成时的T1量化图像,并作为最终输出的T1加权图像和最终输出的T1量化图像。
7.根据权利要求1所述的方法,其特征在于,所述初始化的参数包括:
k=0,S=0,L=u=EHd;
所述低秩稀疏优化公式包括:
所述量化模型包括:
Qk+1≈Rk+1uk;
所述加权模型包括:
uk+1=uk+1/2-EH(Euk+1/2-d);
式中,k表示迭代次数,L为初始的低秩部分,S为初始的稀疏部分,d为所述K空间数据,u为初始的T1加权图像,E为数据转换算子,包括多通道线圈数据融合操作和不规则傅里叶变换操作;
Lk+1为第k+1次迭代的低秩部分,Sk+1为第k+1次迭代的稀疏部分;Lk为第k次迭代的低秩部分,Sk为第k次迭代的稀疏部分,表示使用参数λ1进行奇异值阈值收缩,表示使用参数λ2进行软阈值收缩,T表示稀疏变换,t表示迭代步长,uk表示第k次迭代的T1加权图像;
Qk+1表示第k+1次迭代的T1量化图像,Rk+1为第k+1次迭代的已训练神经网络,I为单位矩阵,μ为预定的参数,G为物理模型。
8.一种磁共振图像生成装置,其特征在于,包括:
数据采集模块,用于采集对待测目标进行磁共振扫描得到的K空间数据;
数据处理模块,用于基于所述K空间数据和用于图像重建和参数拟合以生成图像的重建框架进行处理,所述重建框架为嵌入有物理模型以及已训练神经网络的低秩稀疏模型;
图像获取模块,用于获取所述重建框架最终输出的T1加权图像和T1量化图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663311.2A CN114299185A (zh) | 2021-12-31 | 2021-12-31 | 磁共振图像生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663311.2A CN114299185A (zh) | 2021-12-31 | 2021-12-31 | 磁共振图像生成方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114299185A true CN114299185A (zh) | 2022-04-08 |
Family
ID=80973386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111663311.2A Pending CN114299185A (zh) | 2021-12-31 | 2021-12-31 | 磁共振图像生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299185A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115166612A (zh) * | 2022-07-21 | 2022-10-11 | 厦门大学 | 基于深度学习的超快速磁共振成像高精度仿真方法及系统 |
WO2023201625A1 (zh) * | 2022-04-21 | 2023-10-26 | 中国科学院深圳先进技术研究院 | 一种基于标准化流的伪影矫正方法及装置 |
CN117351325A (zh) * | 2023-12-06 | 2024-01-05 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784793A (zh) * | 2020-07-01 | 2020-10-16 | 厦门大学 | 一种动态磁共振成像重建方法 |
CN112075934A (zh) * | 2020-09-09 | 2020-12-15 | 清华大学 | 用于识别颈动脉斑块的磁共振单序列多参数定量成像系统 |
-
2021
- 2021-12-31 CN CN202111663311.2A patent/CN114299185A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784793A (zh) * | 2020-07-01 | 2020-10-16 | 厦门大学 | 一种动态磁共振成像重建方法 |
CN112075934A (zh) * | 2020-09-09 | 2020-12-15 | 清华大学 | 用于识别颈动脉斑块的磁共振单序列多参数定量成像系统 |
Non-Patent Citations (2)
Title |
---|
QI, HAIKUN 等: "Carotid Intraplaque Hemorrhage Imaging with Quantitative Vessel Wall T1 Mapping: Technical Development and Initial Experience", 《RADIOLOGY》, 30 April 2018 (2018-04-30) * |
YUZE LI 等: "Deep learning-enhanced T1 mapping with spatial-temporal and physical constraint", 《MAGNETIC RESONANCE IN MEDICINE》, 30 September 2021 (2021-09-30), pages 1 - 5 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023201625A1 (zh) * | 2022-04-21 | 2023-10-26 | 中国科学院深圳先进技术研究院 | 一种基于标准化流的伪影矫正方法及装置 |
CN115166612A (zh) * | 2022-07-21 | 2022-10-11 | 厦门大学 | 基于深度学习的超快速磁共振成像高精度仿真方法及系统 |
CN117351325A (zh) * | 2023-12-06 | 2024-01-05 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
CN117351325B (zh) * | 2023-12-06 | 2024-03-01 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
Tezcan et al. | MR image reconstruction using deep density priors | |
US10852379B2 (en) | Artifact reduction by image-to-image network in magnetic resonance imaging | |
CN114299185A (zh) | 磁共振图像生成方法、装置、计算机设备和存储介质 | |
CN112150568A (zh) | 基于Transformer模型的磁共振指纹成像重建方法 | |
CN110378980A (zh) | 一种基于深度学习的多通道磁共振图像重建方法 | |
Zou et al. | Dynamic imaging using a deep generative SToRM (Gen-SToRM) model | |
CN116402865B (zh) | 一种利用扩散模型的多模态影像配准方法、装置和介质 | |
CN110060225B (zh) | 一种基于快速有限剪切波变换与稀疏表示的医学图像融合法 | |
CN116823625B (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和系统 | |
CN110942496B (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
CN104574456A (zh) | 一种基于图正则化稀疏编码的磁共振超欠采样k数据成像方法 | |
CN109887050A (zh) | 一种基于自适应字典学习的编码孔径光谱成像方法 | |
CN115950837A (zh) | 基于即插即用先验的快照式光谱成像方法、系统及介质 | |
CN114331849B (zh) | 一种跨模态核磁共振超分网络及图像超分辨率方法 | |
CN117333750A (zh) | 空间配准与局部全局多尺度的多模态医学图像融合方法 | |
CN117974693B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
Vasudeva et al. | Co-VeGAN: Complex-valued generative adversarial network for compressive sensing MR image reconstruction | |
CN109920017B (zh) | 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法 | |
CN116740215A (zh) | 四维ct图像重建方法、装置、医疗设备及存储介质 | |
CN115423894B (zh) | 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 | |
CN112669400B (zh) | 基于深度学习预测和残差架构的动态mr重建方法 | |
CN116705251A (zh) | 一种基于深度学习的脑部mr影像多方位规范化系统 | |
Heckel et al. | Deep learning for accelerated and robust MRI reconstruction |
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 |