CN114331865B - 三维多板块激发序列的图像边缘伪影矫正方法和装置 - Google Patents
三维多板块激发序列的图像边缘伪影矫正方法和装置 Download PDFInfo
- Publication number
- CN114331865B CN114331865B CN202111371033.3A CN202111371033A CN114331865B CN 114331865 B CN114331865 B CN 114331865B CN 202111371033 A CN202111371033 A CN 202111371033A CN 114331865 B CN114331865 B CN 114331865B
- Authority
- CN
- China
- Prior art keywords
- plate
- image
- dimensional multi
- artifact
- slab
- 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
Links
- 230000005284 excitation Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012937 correction Methods 0.000 title abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000015556 catabolic process Effects 0.000 claims abstract description 18
- 238000006731 degradation reaction Methods 0.000 claims abstract description 18
- 239000002131 composite material Substances 0.000 claims abstract description 11
- 210000004556 brain Anatomy 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 29
- 238000004364 calculation method Methods 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012805 post-processing Methods 0.000 description 4
- 238000007427 paired t-test Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Landscapes
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提出一种三维多板块激发序列的图像边缘伪影矫正方法,包括:采集三维多板块激发序列的图像及对应的板块层面轮廓;建立降质模型,包括将无伪影图像经过板块层面轮廓的信号调制后,再加入板块信号混叠,获得伪影图像;使用高斯‑牛顿算法求解降质模型的逆问题,通过使用复合损失函数和训练数据对卷积神经网络进行训练,完成高斯‑牛顿求解中的每一步迭代计算,以获得最终的重建图像。本申请具有可解释性和鲁棒性,可以高效地抑制边缘伪影,获得高保真图像,能够实现快速计算,为高效采集与处理三维多板块激发序列的磁共振图像数据提供了便利,其中,三维多板块激发序列包括使用三维多板块激发以及多层同时激发的多板块成像的任意对比度序列。
Description
技术领域
本申请涉及磁共振成像技术领域,尤其涉及一种三维多板块激发序列的图像边缘伪影矫正方法和装置。
背景技术
磁共振成像技术(magnetic resonance imaging,MRI)是一种无电离辐射、非侵入式的医学影像技术,并且具备优异的软组织对比度,在临床检查与神经科学研究中是一种重要手段。磁共振成像的采集模式包括二维采集和三维采集:传统的二维采集方式效率高,但是空间分辨率或信噪比(signal-to-noise ratio,SNR)有限;三维采集方式虽然可以达到较高的空间分辨率或SNR,但是采集时间过长。因此,一系列二维/三维混合的采集方式陆续被提出。多层同时激发(simultaneous multi-slice,SMS)技术是同时激发多层进行采集,同时激发的层数使用MB(multi-band)因子来衡量。三维多板块(3D multi-slab)成像是将FOV分割为多个三维厚板块逐个进行激发(MB=1),对三维板块使用相位编码以重建出板块中不同的层。多板块同时激发(simultaneous multi-slab,SMSlab)成像,是一个结合了三维多板块和多层同时激发的三维采集技术,即MB>1。
然而,对于普通的三维多板块成像(MB=1)和多板块同时激发成像(MB>1),以下统称为三维多板块成像,其图像中存在边缘伪影,会影响读取对结构信息。该伪影包括了在层方向上的信号强度变化和信号混叠等等。边缘伪影的成因主要有以下几点。首先,被截断的射频脉冲(RF pulse)使得板块层面轮廓(slab profile)在边缘处存在信号衰减,在中央也存在波动,并且存在旁瓣;此外,层方向上的编码次数有限,在成像视野(field of view,FOV)外的激发信号会产生混叠,而且是同时激发的板块之间信号的相互混叠。
多板块同时激发成像(MB>1)中的伪影比普通的三维多板块成像(MB=1)中的更为严重,因为MB=1时,信号混叠仅发生在同一板块内;而MB>1时,信号的混叠则变成了同时激发的板块间的互相混叠。此外,由于进行MB>1采集时,将多个射频脉冲叠加进行使用,幅值受到放大器限制,脉冲会被进一步截断,也就是时间带宽积(time-bandwidth product,TBP)更小。在已发表的研究中,主要针对了MB=1的情况进行边缘伪影校正。部分技术通过调整采集方法来减少伪影,这类技术通常会延长采集时间,可行性较差;另部分技术则使用重建算法在后处理过程中对伪影进行矫正。后处理算法中最先进的矫正技术为非线性层方向编码技术(nonlinear slab profile encoding,NPEN),但在MB>1图像上仍然存在残留伪影较多以及计算时间过长等问题。目前尚未有一个后处理或重建算法同时在MB=1和MB>1的三维多板块图像的边缘伪影校正上可以取得令人满意的效果。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种三维多板块激发序列的图像边缘伪影矫正方法,避免了通过延长采集时间减少伪影的方法可行性较差的问题,同时还解决了现有后处理矫正算法残留伪影较多以及计算时间过长的问题,通过使用单通道信号降低计算复杂度,实现快速计算,并且可以高效地抑制边缘伪影,获得高保真图像,使残留伪影不干扰后续的定量计算,具备可解释性和鲁棒性,为高效采集与处理三维多板块激发序列的磁共振图像数据提供了便利,其中,三维多板块激发序列包括使用三维多板块激发以及多层同时激发的多板块成像的任意对比度序列。并且本申请对采集参数没有特殊要求,既可以处理既往采集的图像,也不需要增加扫描时间。
本申请的第二个目的在于提出一种三维多板块激发序列的图像边缘伪影矫正装置。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种三维多板块激发序列的图像边缘伪影矫正方法,包括:采集三维多板块激发序列的图像及对应的板块层面轮廓;建立降质模型,包括将无伪影图像经过板块层面轮廓的信号调制后,再加入板块信号混叠,获得伪影图像;使用高斯-牛顿算法求解降质模型的逆问题,通过使用复合损失函数和训练数据对卷积神经网络进行训练,完成高斯-牛顿求解中的每一步迭代计算,以获得最终的重建图像。
可选地,在本申请的一个实施例中,三维多板块激发序列,包括使用三维多板块激发以及多层同时激发的多板块成像作为激发与编码模式的任意对比度的磁共振成像序列,三维多板块成像包括:将成像视野分割为多个三维板块并依次进行激发,对每个板块使用层方向的相位编码,将每个板块分为多个薄层;多层同时激发的多板块成像为同时激发多个板块,使用相位编码分离不同板块内的薄层。
可选地,在本申请的一个实施例中,降质模型表示为:
ASμ=I
其中,I是带有边缘伪影的三维多板块图像,μ是希望重建得到的无伪影图像,I和μ均为各个板块丢弃过采层面后拼接起来的全脑图像,S是拼接起来的所有板块层面轮廓,A记录了板块之间的混叠模式。
可选地,在本申请的一个实施例中,降质模型的求解转换为非线性问题,表示为:
E(x)=ASμ=I
x=[μ,S]T
其中,I表示带有边缘伪影的三维多板块图像,μ表示希望重建得到的无伪影图像,S表示拼接起来的所有板块层面轮廓,A记录了板块之间的混叠模式,
使用高斯-牛顿算法对非线性问题进行求解,表示为:
E′(xn-1)Δxn-1=I-E(xn-1)
其中,该式表示求解过程中的第n次迭代,E′(xn-1)是E(x)在当前xn-1下的雅各比矩阵,xn=xn-1+Δxn-1,求得更新的步长Δxn-1后可得到新一轮的迭代结果表示,经过N次迭代后,可以得到最终结果xN,μN即为对无伪影图像的估计。
可选地,在本申请的一个实施例中,使用复合损失函数和训练集对卷积神经网络进行训练,完成高斯-牛顿求解中的每一步迭代计算,包括以下步骤:
获取训练数据集;
使用伪影图像和初始估计的板块层面轮廓作为迭代的初始值;
使用Adam优化器和损失函数,将训练数据集输入卷积神经网络模块中进行训练,使用反向传播算法,输出最终估计值,其中,最终估计值对应的损失函数值将被用于更新卷积神经网络模块的权重值。
可选地,在本申请的一个实施例中,采集三维多板块图像构成训练数据集,训练数据集包括作为参考图像的无伪影图像、有边缘伪影的三维多板块图像以及对应的板块层面轮廓,无伪影图像的采集中在层方向上使用了高倍过采样,使用了高时间带宽积的三维多板块激发,以及对奇偶板块分开进行采集。
可选地,在本申请的一个实施例中,损失函数包括结构差异性、模型拟合残差、估计值与初始值距离约束项、层方向周期信号约束和板块层面轮廓平滑约束,表示为:
其中,dSSIM是结构相异性,是模型拟合残差,是估计值与初始值距离约束项,是层方向周期信号约束,lossvariance是板块层面轮廓在平面内的方差之和,λ2、λ3、λ4和λ5是各项损失的权重,I表示带有边缘伪影的三维多板块图像,μk表示第k次迭代的图像,Sk表示第k次迭代的板块层面轮廓,xk表示[μk,Sk]T,x0表示图像和板块层面轮廓的初始估计,E(xk)=ASkμk,其中A记录了板块之间的混叠模式,F表示一维快速傅立叶变换,W为权重矩阵。
可选地,在本申请的一个实施例中,卷积神经网络模块为多个,每个卷积神经网络模块的输入为当前雅各比矩阵和当前对x估计值,并输出步长,每个卷积神经网络模块中包含两个使用了残差结构的小型卷积神经网络网络,将迭代的图像和板块层面轮廓分别进行处理。
为达上述目的,本申请第二方面实施例提出了一种三维多板块激发序列的图像边缘伪影矫正装置,包括:
成像模块,用于选取合适的成像参数,在层方向上使用较小的过采倍数得到三维多板块图像和板块层面轮廓;
理论模块,用于在使用不同的采集参数的情况下,建立边缘伪影在图像域的物理模型;
算法模块,用于求解物理模型的逆问题,通过使用复合损失函数和训练数据训练卷积神经网络,完成高斯-牛顿求解中的每一步迭代计算,以获得最终的重建图像。
为了实现上述目的,本申请第三方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器被执行时,能够执行一种三维多板块激发序列的图像边缘伪影矫正方法。
本申请实施例的三维多板块激发序列的图像边缘伪影矫正方法、三维多板块激发序列的图像边缘伪影矫正装置和非临时性计算机可读存储介质,避免了通过延长采集时间减少伪影的方法可行性较差的问题,同时还解决了现有方法残留伪影较多以及计算时间过长的问题,通过使用单通道信号降低计算复杂度,实现了快速计算,同时可以高效地抑制边缘伪影,获得高保真图像,避免额外增加采集时间,具备可解释性和鲁棒性,为高效采集与处理三维多板块激发序列的磁共振图像数据提供了便利,并且泛化能力强,其中,三维多板块激发序列包括使用三维多板块激发以及多层同时激发的多板块成像的任意对比度序列。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种三维多板块激发序列的图像边缘伪影矫正方法的流程图;
图2为本申请实施例的三维多板块激发序列的图像边缘伪影矫正方法的通过Bloch仿真计算出在最短TE为86ms时MB=2和MB=1三维多板块成像的板块层面轮廓,以及两种序列的信号混叠方式的示意图;
图3为本申请实施例的三维多板块激发序列的图像边缘伪影矫正方法的用于替代传统迭代算法进行求解的卷积神经网络的网络结构示意图;
图4为本申请实施例的一组与训练数据除了使用不同射频脉冲和受试者外,其他采集参数相同的1.3mm等体素分辨率的测试图像,在CPEN和NPEN算法上的效果比较图;
图5为本申请实施例的一组与训练数据使用不同采集参数和受试者的1mm,MB=2等体素分辨率的测试图像,在CPEN和NPEN算法上的效果比较图;
图6为本申请实施例的一组与训练数据使用不同采集参数和受试者的1.3mm,MB=1等体素分辨率的测试图像,在CPEN和NPEN算法上的效果比较图;
图7为本申请实施例的上述三组图像使用PSNR,MSE和kz尖峰频率指数进行定量评估,并且进行单边成对t检验的结果图;
图8为本申请实施例二所提供的一种三维多板块激发序列的图像边缘伪影矫正装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的三维多板块激发序列的图像边缘伪影矫正方法和装置。
图1为本申请实施例一所提供的一种三维多板块激发序列的图像边缘伪影矫正方法的流程图。
如图1所示,该三维多板块激发序列的图像边缘伪影矫正方法包括以下步骤:
步骤101,采集三维多板块激发序列的图像及对应的板块层面轮廓;
步骤102,建立降质模型,包括将无伪影图像经过板块层面轮廓的信号调制后,再加入板块信号混叠,获得伪影图像;
步骤103,使用高斯-牛顿算法求解降质模型的逆问题,通过使用复合损失函数和训练数据对卷积神经网络进行训练,完成高斯-牛顿求解中的每一步迭代计算,以获得最终的重建图像。
本申请实施例的三维多板块激发序列的图像边缘伪影矫正方法,通过采集三维多板块激发序列的图像及对应的板块层面轮廓;建立降质模型,包括将无伪影图像经过板块层面轮廓的信号调制后,再加入板块信号混叠,获得伪影图像;使用高斯-牛顿算法求解降质模型的逆问题,通过使用复合损失函数和训练数据对卷积神经网络进行训练,完成高斯-牛顿求解中的每一步迭代计算,以获得最终的重建图像。由此,能够解决现有方法延长采集时间,可行性较差的问题,同时还可以解决现有方法残留伪影较多以及计算时间过长的问题,通过卷积神经网络完成计算,并且使用了单通道信号降低计算复杂度,可实现快速计算,并且可以高效地抑制边缘伪影,获得高保真图像,避免额外增加采集时间,具备可解释性和鲁棒性,为高效采集与处理三维多板块激发序列的磁共振图像数据提供了便利,其中,三维多板块激发序列包括使用三维多板块激发以及多层同时激发的多板块成像的任意对比度序列。
在本申请实施例中将本申请的三维多板块激发序列的图像边缘伪影矫正方法称为CPEN(convolutional-neural-network-enabled inversion of nonlinear slabprofile encoding)。
进一步地,在本申请实施例中,三维多板块激发序列,包括使用三维多板块激发以及多层同时激发的多板块成像作为激发与编码模式的任意对比度的磁共振成像序列,三维多板块成像包括:
将成像视野分割为多个三维板块并依次进行激发,对每个板块使用层方向的相位编码,将每个板块分为多个薄层;
多层同时激发的多板块成像为同时激发多个板块,使用相位编码分离不同板块内的薄层。
进一步地,在本申请实施例中,降质模型表示为:
ASμ=I
其中,I是带有边缘伪影的三维多板块图像,μ是希望重建得到的无伪影图像,I和μ均为各个板块丢弃过采层面后拼接起来的全脑图像,S是拼接起来的所有板块层面轮廓,A记录了板块之间的混叠模式。对于三维多板块激发和多层同时激发的多板块激发的成像序列,他们的混叠模式A会有所不同,前者是板块内混叠,后者是板块间混叠。
由于对板块层面轮廓的初始估计值并不准确,S和μ在算法中均被视为未知数,因此,降质模型的求解变成了非线性问题。
进一步地,在本申请实施例中,降质模型的求解转换为非线性问题,表示为:
E(x)=ASμ=I
x=[μ,S]T
其中,I表示带有边缘伪影的三维多板块图像,μ表示希望重建得到的无伪影图像,S表示拼接起来的所有板块层面轮廓,A记录了板块之间的混叠模式,
使用高斯-牛顿算法对非线性问题进行求解,表示为:
E′(xn-1)Δxn-1=I-E(xn-1)
其中,该式表示求解过程中的第n次迭代,E′(xn-1)是E(x)在当前xn-1下的雅各比矩阵,xn=xn-1+Δxn-1,求得更新的步长Δxn-1后可得到新一轮的迭代结果表示,经过N次迭代后,可以得到最终结果xN,μN即为对无伪影图像的估计。
为了避免长时间的迭代计算,本申请不使用传统迭代算法,如共轭梯度算法(conjugate gradient,CG)等,而是使用一个卷积神经网络模块对E′(xn-1)Δxn-1=I-E(xn-1)进行求解。不同于传统重建算法,求解并不受限于最小二乘解,而是通过采集高质量的无伪影训练数据,使卷积神经网络模块从训练中获得最优解。
进一步地,在本申请实施例中,使用复合损失函数和训练集对卷积神经网络进行训练,完成高斯-牛顿求解中的每一步迭代计算,包括以下步骤:
获取训练数据集;
使用伪影图像和初始估计的板块层面轮廓作为迭代的初始值;
使用Adam优化器和损失函数,将训练数据集输入卷积神经网络模块中进行训练,使用反向传播算法,输出最终估计值,其中,最终估计值对应的损失函数值将被用于更新卷积神经网络模块的权重值。本申请中使用的所有卷积神经网络模块共享相同的参数权重。
使用未校正的图像和初始估计的板块层面轮廓作为迭代的初始值x0=[μ0,S0]T。
为了进行数据增强,使用的训练图像在平面内被切割小方块,同时在层方向上进行了上下翻转。本申请使用的参数值可以为N=5,λ2=1,λ3=0.05,λ4=0.01以及λ5=0.1,也可以为其他,本申请对此不做具体限制。
进一步地,在本申请实施例中,采集三维多板块图像构成训练数据集,训练数据集包括作为参考图像的无伪影图像、有边缘伪影的三维多板块图像以及对应的板块层面轮廓,无伪影图像的采集中在层方向上使用了高倍过采样,使用了高时间带宽积的三维多板块激发,以及对奇偶板块分开进行采集。
除了损失函数,训练数据集的质量也影响了训练后卷积神经网络的性能。本申请使用的训练数据包括作为参考图像的无伪影图像,有边缘伪影的MB=2三维多板块图像以及对应的板块层面轮廓。
其中参考图像使用MB=1的三维多板块成像进行采集,这样可以使用TBP更高的RF脉冲,以获得更好的板块层面轮廓。此外,使用的RF激发宽度大于所需板块厚度,使得选层形状中间的平坦区域较宽,并在层方向上使用过采样来避免混叠。由于相邻的板块相互重叠,重叠区域会被反复激发,纵向弛豫恢复不足。为了避免此现象,本申请中将奇偶板块分离为两组进行采集。使用刚体配准将参考图像配准至伪影图像上,以保证伪影固定在层方向上,与建立的降质模型吻合。
对于伪影图像使用MB=2的三维多板块序列采集,并保持其回波时间(echo time,TE)和TR与参考图像一致,以保证对比度相同。不同受试者的采集使用不同的RF脉冲,包括Sinc脉冲和root-flipped脉冲,不同的TBP值。这样网络可以在训练中接触不同程度的伪影。采集了低平面内分辨率和层方向上使用2倍过采样的图像用于估计板块层面轮廓。估计方法为,使用在平面内滑动的滑窗,滑窗内的像素点在平面内的均值被作为该区域的板块层面轮廓初始值,再对每个板块进行归一化,即可获得板块层面轮廓。
进一步地,在本申请实施例中,损失函数包括结构差异性、模型拟合残差、估计值与初始值距离约束项、层方向周期信号约束和板块层面轮廓平滑约束,表示为:
其中,dSSIM是结构相异性,是模型拟合残差,是估计值与初始值距离约束项,是层方向周期信号约束,lossvariance是板块层面轮廓在平面内的方差之和,λ2、λ3、λ4和λ5是各项损失的权重。I表示带有边缘伪影的三维多板块图像,μk表示第k次迭代的图像,Sk表示第k次迭代的板块层面轮廓,xk表示[μk,Sk]T,x0表示图像和板块层面轮廓的初始估计。E(xk)=ASkμk,其中A记录了板块之间的混叠模式,F表示一维快速傅立叶变换,W为权重矩阵,在特定频率周围分布着呈高斯分布的权重,其他频率的权重为0。卷积神经网络的性能很大程度上受到训练过程使用的损失函数的影响。
结构相异性dSSIM是结构相似性(structural similarity index,SSIM)指标的衍生指标,F表示快速傅立叶变换(FFT),W为权重矩阵,在特定频率周围分布着呈高斯分布的权重,其他频率的权重为0。和的提出均是受到NPEN算法中约束项的启发。
进一步地,在本申请实施例中,卷积神经网络模块为多个,每个卷积神经网络模块的输入为当前雅各比矩阵和当前对x估计值,并输出步长,每个卷积神经网络模块中包含两个使用了残差结构的小型卷积神经网络网络,将迭代的图像和板块层面轮廓分别进行处理,所有卷积神经网络模块共享相同的参数权重。
展开后的迭代网络包括了N个重复的卷积神经网络模块,每个模块的输入为E′(xn-1)和xn-1,并输出Δxn-1。每个模块中包含两个使用了残差结构的小型卷积神经网络网络,将迭代的图像和板块层面轮廓分别进行处理。这是因为它们具有不同的性质,例如,板块层面轮廓在平面内是平滑的,并且数值在0到1之间。针对后者,在网络输出层加入了ReLu(rectified linear unit)激活层的变体,记为ReLul,用于限制输出值的范围。所有卷积神经网络模块共享相同的参数权重。
图2为本申请实施例的三维多板块激发序列的图像边缘伪影矫正方法的通过Bloch仿真计算出在最短TE为86ms时MB=2和MB=1三维多板块成像的板块层面轮廓,以及两种序列的信号混叠方式的示意图。
如图2所示,图中(a)部分为通过Bloch仿真计算出在最短TE为86ms时MB=2和MB=1三维多板块成像的板块层面轮廓示意图,图中(b)部分为两种序列的信号混叠方式示意图,在该三维多板块激发序列的图像边缘伪影矫正方法中,MB=1时,信号的混叠仅限于板块自身,MB=2时,的信号混叠模式比较特殊,假设同时激发了空间上互不相邻的板块1和板块N,由于在重建过程中会通过RF相位编码将两个板块合并成一个三维k空间矩阵,故也产生了板块之间的信号混叠,即板块1在FOV外的信号会变成板块N中的混叠伪影,反之亦然。
图3为本申请实施例的三维多板块激发序列的图像边缘伪影矫正方法的用于替代传统迭代算法进行求解的卷积神经网络的网络结构示意图。
如图3所示,图中(a)为传统迭代算法示意图,图中(b)为本申请的卷积神经网络的结构图,该三维多板块激发序列的图像边缘伪影矫正方法,展开后的迭代网络包括了N个重复的卷积神经网络模块,每个模块的输入为E′(xn-1)和xn-1,并输出Δxn-1。每个模块中包含两个使用了残差结构的小型卷积神经网络网络,将迭代的图像和板块层面轮廓分别进行处理。这是因为它们具有不同的性质,例如,板块层面轮廓在平面内是平滑的,并且数值在0到1之间。针对后者,在网络输出层加入了ReLu(rectified linear unit)激活层的变体,记为ReLu1,用于限制输出值的范围。所有卷积神经网络模块共享相同的参数权重。
NPEN(Nonlinear inversionfor slab profile encoding)是一种基于传统迭代算法的板块边缘伪影矫正技术。
图4为本申请实施例的一组与训练数据除了使用不同射频脉冲和受试者外,其他采集参数相同的1.3mm等体素分辨率的测试图像,在CPEN和NPEN算法上的效果比较图。
如图4所示,该组数据(MB=2,分辨率为1.3mm等体素)和训练数据除了使用不同TBP的RF脉冲以外,采集参数基本一致。可以见到参考图像(reference)具有很高的图像质量:几乎没有边缘伪影或明显的运动伪影,SNR高。至于存在边缘伪影的MB=2三维多板块图像,在矫正前(w/o correction),在板块边缘存在信号衰减,整体在层方向上近似周期分布。当TR缩短时,边缘信号衰减会更严重。这种现象在b=0s/mm2图像中的长T1组织(如眼球和脑脊液)中很明显。至于矫正效果,NPEN和CPEN都可以显着减少边缘伪影,但是CPEN的矫正效果更为明显。在CPEN的结果中存在较少的残留伪影。
图5为本申请实施例的一组与训练数据使用不同采集参数和受试者的1mm,MB=2等体素分辨率的测试图像,在CPEN和NPEN算法上的效果比较图。
图6为本申请实施例的一组与训练数据使用不同采集参数和受试者的1.3mm,MB=1等体素分辨率的测试图像,在CPEN和NPEN算法上的效果比较图。
如图5和图6所示,本申请提出的CPEN算法都获得了显著优于NPEN算法的效果,经过CPEN处理后的图像质量也十分接近参考图像。
图7为本申请实施例的上述三组图像使用PSNR,MSE和kz尖峰频率指数进行定量评估,并且进行单边成对t检验的结果图。
如图7所示,该三维多板块激发序列的图像边缘伪影矫正方法,通过改变成像参数(包括MB,分辨率,板块厚度与数量,相位编码方向和b值等),一共获得了14个样本。将这些样本分别使用CPEN和NPEN进行处理后,与对应的参考图像进行对比。除了使用传统的图像质量评估参数,峰值信噪比(peak signal-to-noise ration,PSNR)和均方误差(meansquared error,MSE),来评估矫正后图像与参考图像的相似程度外,本申请还使用了一个新的评估参数,kz尖峰频率指数,用于针对性地对边缘伪影进行评估。边缘伪影在层方向上近似为周期信号,所以经过快速傅立叶变换,在k空间中的kz轴上,边缘伪影表现为特定频率位置上的尖峰信号。kz尖峰频率指数便是对尖峰信号幅值的加权求和,数值越大代表伪影越严重。使用这几个评估参数对14个样本进行评估,并使用单边的成对t检验,判断校正后的图像质量是否有显著改善。可以看到,CPEN和NPEN都可以显著降低图像的MSE和kz尖峰频率指数,而CPEN带来的提升显著大于NPEN。至于PSNR,只有CPEN可以显著提升该数值。所以,CPEN的矫正效果要显著优于NPEN。本申请提出的CPEN算法能明显减少边缘伪影。该算法在不同采集参数下表现稳健,其矫正效果优于已有的最先进算法NPEN,并且可以获得高质量的DTI拟合结果。此外,CPEN矫正后的图像与使用2倍以上时间采集的参考图像质量接近,也就是说,使用CPEN进行边缘伪影矫正可以避免使用延长采集时间的方式来减少边缘伪影。此外,在计算时间上,计算全脑的1.3mm~1mm等体素分辨率图像,CPEN在CPU上运算需要1~3分钟的时间,而NPEN需要超过一个小时,CPEN可以大幅缩短计算时间。
图8为本申请实施例二所提供的一种三维多板块激发序列的图像边缘伪影矫正装置的结构示意图。
如图8所示,该三维多板块激发序列的图像边缘伪影矫正装置,包括:
成像模块10,用于选取合适的成像参数,在层方向上使用较小的过采倍数得到三维多板块图像和板块层面轮廓;
理论模块20,用于在使用不同的采集参数的情况下,建立边缘伪影在图像域的物理模型;
算法模块30,用于求解物理模型的逆问题,通过使用复合损失函数和训练数据训练卷积神经网络,完成高斯-牛顿求解中的每一步迭代计算,以获得最终的重建图像。
本申请实施例的三维多板块激发序列的图像边缘伪影矫正装置,包括:成像模块,用于选取合适的成像参数,在层方向上使用较小的过采倍数得到三维多板块图像和板块层面轮廓;理论模块,用于在使用不同的采集参数的情况下,建立边缘伪影在图像域的物理模型;算法模块,用于求解物理模型的逆问题,通过使用复合损失函数和训练数据训练卷积神经网络,完成高斯-牛顿求解中的每一步迭代计算,以获得最终的重建图像。由此,能够解决现有方法延长采集时间,可行性较差的问题,同时还可以解决现有方法残留伪影较多以及计算时间过长的问题,通过卷积神经网络完成计算,并且使用了单通道信号降低计算复杂度,可实现快速计算,并且可以高效地抑制边缘伪影,获得高保真图像,避免额外增加采集时间,具备可解释性和鲁棒性,为高效采集与处理三维多板块激发序列的磁共振图像数据提供了便利,其中,三维多板块激发序列包括使用三维多板块激发以及多层同时激发的多板块成像的任意对比度序列。
为了实现上述实施例,本申请还提出了一种非临时性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实施例的三维多板块激发序列的图像边缘伪影矫正方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (2)
1.一种三维多板块激发序列的图像边缘伪影矫正方法,其特征在于,包括以下步骤:
采集三维多板块激发序列的图像及对应的板块层面轮廓;
建立降质模型,其中,所述降质模型用于将无伪影图像经过板块层面轮廓的信号调制后,再加入板块信号混叠,获得伪影图像;
使用高斯-牛顿算法求解降质模型的逆问题,通过使用复合损失函数和训练数据对卷积神经网络进行训练,完成高斯-牛顿求解中的每一步迭代计算,以获得最终的重建图像,其中,所述重建图像为重建得到的无伪影图像;
其中,所述降质模型表示为:
ASμ=I
其中,I是伪影图像,μ是希望重建得到的无伪影图像,I和μ均为各个板块丢弃过采层面后拼接起来的全脑图像,S表示拼接起来的所有板块层面轮廓,A记录了板块之间的混叠模式;
所述使用复合损失函数和训练集对卷积神经网络进行训练,完成高斯-牛顿求解中的每一步迭代计算,包括以下步骤:
获取训练数据集;
使用所述伪影图像和初始估计的板块层面轮廓作为高斯-牛顿迭代的初始值;
使用Adam优化器和损失函数,将所述训练数据集输入所述卷积神经网络模块中进行训练,使用反向传播算法,输出最终估计值,其中,所述最终估计值对应的损失函数值将被用于更新所述卷积神经网络模块的权重值。
2.一种非临时性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如权利要求1中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371033.3A CN114331865B (zh) | 2021-11-18 | 2021-11-18 | 三维多板块激发序列的图像边缘伪影矫正方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371033.3A CN114331865B (zh) | 2021-11-18 | 2021-11-18 | 三维多板块激发序列的图像边缘伪影矫正方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114331865A CN114331865A (zh) | 2022-04-12 |
CN114331865B true CN114331865B (zh) | 2024-07-23 |
Family
ID=81047551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371033.3A Active CN114331865B (zh) | 2021-11-18 | 2021-11-18 | 三维多板块激发序列的图像边缘伪影矫正方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331865B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10387765B2 (en) * | 2016-06-23 | 2019-08-20 | Siemens Healthcare Gmbh | Image correction using a deep generative machine-learning model |
CN108717717B (zh) * | 2018-04-23 | 2022-03-08 | 东南大学 | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 |
CN109212443B (zh) * | 2018-08-23 | 2020-02-21 | 清华大学 | 基于多板块同时激发的等体素磁共振扩散成像方法及装置 |
WO2021232194A1 (en) * | 2020-05-18 | 2021-11-25 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction |
-
2021
- 2021-11-18 CN CN202111371033.3A patent/CN114331865B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114331865A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Robinson et al. | An illustrated comparison of processing methods for MR phase imaging and QSM: combining array coil signals and phase unwrapping | |
Souza et al. | Dual-domain cascade of U-nets for multi-channel magnetic resonance image reconstruction | |
CN111656392B (zh) | 用于合成磁共振图像的系统和方法 | |
Lin et al. | A wavelet‐based approximation of surface coil sensitivity profiles for correction of image intensity inhomogeneity and parallel imaging reconstruction | |
US11181598B2 (en) | Multi-contrast MRI image reconstruction using machine learning | |
WO2022183988A1 (en) | Systems and methods for magnetic resonance image reconstruction with denoising | |
CN109212443B (zh) | 基于多板块同时激发的等体素磁共振扩散成像方法及装置 | |
Wang et al. | A three-dimensional quality-guided phase unwrapping method for MR elastography | |
Barnhill et al. | Fast robust dejitter and interslice discontinuity removal in MRI phase acquisitions: application to magnetic resonance elastography | |
Adluru et al. | Three‐dimensional late gadolinium enhancement imaging of the left atrium with a hybrid radial acquisition and compressed sensing | |
US20170003366A1 (en) | System and method for generating magnetic resonance imaging (mri) images using structures of the images | |
US20240036141A1 (en) | Joint k-space and image-space reconstruction imaging method and device | |
Aetesam et al. | Noise dependent training for deep parallel ensemble denoising in magnetic resonance images | |
Mickevicius et al. | Simultaneous acquisition of orthogonal plane cine imaging and isotropic 4D-MRI using super-resolution | |
US6486667B1 (en) | Combination of fluid-attenuated inversion-recovery complex images acquired using magnetic resonance imaging | |
CN109242847B (zh) | 一种磁共振弥散加权成像方法和装置 | |
CN109146802B (zh) | 一种磁共振图像的均匀度校正方法及装置 | |
Hannum et al. | Correlated noise in brain magnetic resonance elastography | |
Sui et al. | Cardiac MR elastography using reduced‐FOV, single‐shot, spin‐echo EPI | |
CN114331865B (zh) | 三维多板块激发序列的图像边缘伪影矫正方法和装置 | |
CN112305479B (zh) | 加速多对比度propeller的系统和方法 | |
US9709651B2 (en) | Compensated magnetic resonance imaging system and method for improved magnetic resonance imaging and diffusion imaging | |
Liu et al. | Meta-QSM: an image-resolution-arbitrary network for QSM reconstruction | |
CN117269866A (zh) | 基于射频编码脉冲的高信噪比薄层t1参数定量成像方法 | |
Zhang et al. | Slab boundary artifact correction in multislab imaging using convolutional‐neural‐network–enabled inversion for slab profile encoding |
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 |