CN114693568A - 一种高质量核磁共振图像的成像方法与系统 - Google Patents

一种高质量核磁共振图像的成像方法与系统 Download PDF

Info

Publication number
CN114693568A
CN114693568A CN202210336127.5A CN202210336127A CN114693568A CN 114693568 A CN114693568 A CN 114693568A CN 202210336127 A CN202210336127 A CN 202210336127A CN 114693568 A CN114693568 A CN 114693568A
Authority
CN
China
Prior art keywords
magnetic resonance
image
reconstructed
nuclear magnetic
model
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
Application number
CN202210336127.5A
Other languages
English (en)
Inventor
熊春玲
刘向军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Weiying Zhejiang Medical Technology Co Ltd
Original Assignee
Zhongke Weiying Zhejiang Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongke Weiying Zhejiang Medical Technology Co Ltd filed Critical Zhongke Weiying Zhejiang Medical Technology Co Ltd
Priority to CN202210336127.5A priority Critical patent/CN114693568A/zh
Publication of CN114693568A publication Critical patent/CN114693568A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种高质量核磁共振图像的成像方法与系统，包括：获取原始的核磁共振信号；对原始的核磁共振信号进行中心化处理得到频率空间观测矩阵；对频率空间观测矩阵进行反傅里叶变换得到待重建图像；将频率空间观测矩阵和待重建图像输入到多层次神经网络模型中得到重建完成的核磁共振图像。本发明通过利用多噪声优化去噪模型构建核磁共振成像模型，并利用核磁共振成像模型得到待重建图像，可以消除因外界电磁干扰形成的噪声；此外，本发明通过利用多层次神经网络模型对待重建图像进行重构得到重构完成的核磁共振图像可以消除重构图像中出现的伪影，使重构图像的清晰度更高。

Description

一种高质量核磁共振图像的成像方法与系统
技术领域
本发明涉及信号处理技术领域，具体而言，涉及一种高质量核磁 共振图像的成像方法与系统。
背景技术
磁共振成像(MagneticResonanceImaging，MRI)作为一种革新性 的影像技术，历经近半个世纪的进步，深刻的影响着医学影像的发展 格局，在生物医学研究中发挥重要作用。磁共振成像理论于1973年由 诺贝尔获奖者保罗·劳特布尔教授奠定，之后约10年的时间里磁共振 成像原理逐步建立和完善。得益于数学、信息技术、电子和材料等领 域的迅速发展，磁共振成像能力和应用范围得到极大提升。随着社会 的飞速发展，分子影像成为磁共振成像的热点和方向，其无创获取生 物分子水平信息的能力为人们在细胞层次上探知生命提供强大的影像 途径。
近年来，随着心血管与肿瘤等重大疾病对于早期诊断的迫切需求， 对磁共振成像的分辨率以及信噪比提出更高的要求。开发快速、高分 辨的高场磁共振成像技术与仪器设备成为实施前沿科学研究和高质量 临床诊断的共性需求，也是国际上磁共振成像研究领域的核心竞争所 在。并行磁共振成像是一种同时获取多个线圈阵列灵敏度信息的核磁 共振成像方法，能使磁共振成像速度提高。但是，并行磁共振成像在 加速磁共振成像的同时，会导致成像后的图像产生重叠伪影和额外的 噪声，使得成像清晰度变低。
发明内容
本发明的目的在于提供一种高质量核磁共振图像的成像方法与 系统，旨在解决现有的磁共振成像效果差的问题。
一种高质量核磁共振图像的成像方法，包括：
步骤1：获取原始的核磁共振信号；
步骤2：对所述原始的核磁共振信号进行中心化处理得到频率空 间观测矩阵；
步骤3：对所述频率空间观测矩阵进行反傅里叶变换得到待重建 图像；
所述步骤3：对所述频率空间观测矩阵进行反傅里叶变换得到待 重建图像，包括：
步骤3.1：根据三维块匹配模型和深度去噪器构建多噪声优化去 噪模型；所述多噪声优化去噪模型为：
Figure BDA0003574386630000021
其中，W表示紧标架，x表示待重建图像，α表示稀疏系数，η表 示控制参数，β表示辅助系数向量，De(x)表示利用去噪器对x进行滤波， μ表示稀疏正则化参数；
步骤3.2：根据所述多噪声优化去噪模型构建核磁共振成像模型； 所述核磁共振成像模型为：
Figure BDA0003574386630000022
其中，Fu表示欠采样傅里叶编码矩阵，y表示频率空间观测矩阵， λ表示正则化参数，T表示稀疏参数，ε表示辅助参数，De(x(t-1))表示第 t-1个经去噪器去噪后的图像；
步骤3.3：引入软阈值算子对所述核磁共振成像模型进行优化得 到优化后的核磁共振成像模型；
步骤3.4：对所述优化后的核磁共振成像模型进行求解得到待重 建图像；
步骤4：将所述频率空间观测矩阵和所述待重建图像输入到多层 次神经网络模型中得到重建完成的核磁共振图像。
优选的，所述步骤3.3：引入软阈值算子对所述核磁共振成像模 型进行优化得到优化后的核磁共振成像模型，包括：
步骤3.3.1：利用交替方向乘子法对核磁共振成像模型进行更新得 到待优化核磁共振成像模型；
步骤3.3.2：利用所述软阈值算子对所述待优化核磁共振成像模型 进行求解得到优化后的核磁共振成像模型；其中，所述优化后的核磁 共振成像模型为：
Figure BDA0003574386630000031
优选的，所述步骤4：将所述频率空间观测矩阵和所述待重建图 像输入到多层次神经网络模型中得到重建完成的核磁共振图像，包括：
步骤4.1：根据所述频率空间观测矩阵和所述待重建图像构建多 层次神经网络模型；
步骤4.2：利用损失函数构建网络参数优化模型；
步骤4.3：将所述频率空间观测矩阵和所述待重建图像输入到多 层次神经网络模型中，同时利用所述网络参数优化模型对多层次神经 网络模型进行优化得到重建完成的核磁共振图像。
优选的，所述多层次神经网络模型为：
Figure BDA0003574386630000032
其中，γ表示平衡因子，θ表示网络参数，fcnn表示多层次神经网 络，x表示待重建图像。
优选的，所述步骤4.2：利用损失函数构建网络参数优化模型， 包括：
根据训练集中样本个数和损失函数构建网络参数优化模型；其 中，网络参数优化模型为：
Figure BDA0003574386630000041
其中，Q表示训练集中样本个数，
Figure BDA0003574386630000042
表示损失函数，
Figure BDA0003574386630000043
表 示多层次神经网络的输出，
Figure BDA0003574386630000044
表示全采样目标图像。
优选的，所述多层次神经网络的训练过程，包括：
步骤100：使用3D卷积层提取待重建图像的第一特征图；
步骤200：使用保真度模型将待重建图像的第一特征图和频率空 间观测矩阵进行特征融合得到待重建图像的第二特征图；
步骤300：将所述待重建图像的第二特征图输入到2D卷积层中得 到待重建图像的第三特征图；
步骤400：使用保真度模型将所述待重建图像的第三特征图和频 率空间观测矩阵进行特征融合得到目标图像；
步骤500：将所述目标图像作为新的待重建图像返回步骤100，迭 代预设次数后得到重建完成的核磁共振图像。
优选的，所述保真度模型为：
Figure BDA0003574386630000045
其中，
Figure BDA0003574386630000046
表示经过傅里叶变换后的第一特征图在频率空间k处 的值，S表示噪声系数，Ω(k)表示原始的核磁共振信号在频率空间k 处采样值。
本发明还提供了一种高质量核磁共振图像的成像系统，包括：
核磁共振信号获取模块，用于获取原始的核磁共振信号；
核磁共振信号处理模块，用于对所述原始的核磁共振信号进行中 心化处理得到频率空间观测矩阵；
反傅里叶变换模块，用于对所述频率空间观测矩阵进行反傅里叶 变换得到待重建图像；
核磁共振图像重建模块，用于将所述频率空间观测矩阵和所述待 重建图像输入到多层次神经网络模型中得到重建完成的核磁共振图 像。
本发明还提供了一种电子设备，包括总线、收发器、存储器、处 理器及存储在所述存储器上并可在所述处理器上运行的计算机程序， 所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算 机程序被所述处理器执行时实现上述的一种高质量核磁共振图像的成 像方法中的步骤。
本发明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，所述计算机程序被处理器执行时实现上述的一种高质量核磁共振 图像的成像方法中的步骤。
本发明提供的一种高质量核磁共振图像的成像方法、系统、电子 设备及计算机可读存储介质的有益效果在于：与现有技术相比，本发 明通过利用多噪声优化去噪模型构建核磁共振成像模型，并利用核磁 共振成像模型得到待重建图像，可以消除因外界电磁干扰形成的噪声； 此外，本发明通过利用多层次神经网络模型对待重建图像进行重构得 到重构完成的核磁共振图像可以消除重构图像中出现的伪影，使重构 图像的清晰度更高。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较 佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域 普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些 附图获得其他的附图。
图1示出了本发明实施例所提供的一种高质量核磁共振图像的成 像方法流程图；
图2示出了本发明实施例所提供的多层次神经网络的训练过程原 理图；
图3示出了本发明实施例所提供一种高质量核磁共振图像的成像 系统原理图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、 “横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、 “后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、 “外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附 图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而 不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方 位构造和操作，因此不能理解为对本发明的限制。
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一个或者 更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以 上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相 连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定 连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可 以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以 是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据 具体情况理解上述术语在本发明中的具体含义。
本发明实施例的目的在于提供一种高质量核磁共振图像的成像 方法、系统、电子设备及计算机可读存储介质，旨在解决现有的磁共 振成像效果差的问题。
请参阅图1，一种高质量核磁共振图像的成像方法，包括：
步骤1：获取原始的核磁共振信号；
步骤2：对原始的核磁共振信号进行中心化处理得到频率空间观 测矩阵；具体的，本发明可对原始的核磁共振信号进行零均值标准化 得到频率空间观测矩阵。
步骤3：对频率空间观测矩阵进行反傅里叶变换得到待重建图像；
进一步的，步骤3包括：
步骤3.1：根据三维块匹配模型和深度去噪器构建多噪声优化去 噪模型；多噪声优化去噪模型为：
Figure BDA0003574386630000071
其中，W表示紧标架，x表示待重建图像，α表示稀疏系数，η表 示控制参数，β表示辅助系数向量，De(x)表示利用去噪器对x进行滤波， μ表示稀疏正则化参数。需要说明的是，De(x)可以是利用单个去噪器 对x进行滤波；本发明的De(x)表示利用深度去噪器和三维块匹配去噪 器对x进行加权滤波，其中，De(x)＝[Deep(x)+BM3D(x)]2，Deep(x)表示利 用深度去噪器对图像进行滤波，BM3D(x)表示利用三维块匹配去噪器对 图像进行滤波。
步骤3.2：根据多噪声优化去噪模型构建核磁共振成像模型；核 磁共振成像模型为：
Figure BDA0003574386630000072
其中，Fu表示欠采样傅里叶编码矩阵，y表示频率空间观测矩阵， λ表示正则化参数，T表示稀疏参数，ε表示辅助参数，
Figure BDA0003574386630000081
表示第 t-1个经去噪器去噪后的图像；
深度去噪器利用深度先验进行图像去噪，但深度去噪器通常未充 分利用图像的自相似性，而BM3D去噪器通过利用非局部区域内的相 似性先验知识进行图像去噪，弥补了深度去噪器的不足。本发明通过 利用这两种去噪器进行联合去噪或滤波，并基于此构建核磁共振成像 模型，可以利用深度先验和非局部相似性先验的互补性进行高质量图 像重建。
步骤3.3：引入软阈值算子对核磁共振成像模型进行优化得到优 化后的核磁共振成像模型；
步骤3.3具体包括：
步骤3.3.1：利用交替方向乘子法对核磁共振成像模型进行更新得 到待优化核磁共振成像模型；
步骤3.3.2：利用软阈值算子对待优化核磁共振成像模型进行求解 得到优化后的核磁共振成像模型；其中，优化后的核磁共振成像模型 为：
Figure BDA0003574386630000082
步骤3.4：对优化后的核磁共振成像模型进行求解得到待重建图 像；
本发明通过利用多噪声优化去噪模型构建核磁共振成像模型，并 利用软阈值算子对核磁共振成像模型进行求解得到待重建图像，不仅 可以消除因外界电磁干扰形成的噪声，而且还可以利用滤波器的深度 先验和非局部相似性先验的互补性进行高质量图像重建。
步骤4：将频率空间观测矩阵和待重建图像输入到多层次神经网 络模型中得到重建完成的核磁共振图像。
进一步的，步骤4包括：
步骤4.1：根据频率空间观测矩阵和待重建图像构建多层次神经 网络模型；多层次神经网络模型为：
Figure BDA0003574386630000091
其中，γ表示平衡因子，θ表示网络参数，fcnn表示多层次神经网 络，x表示待重建图像。
步骤4.2：利用损失函数构建网络参数优化模型；
进一步的，步骤4.2包括：
根据训练集中样本个数和损失函数构建网络参数优化模型；其 中，网络参数优化模型为：
Figure BDA0003574386630000092
其中，Q表示训练集中样本个数，
Figure BDA0003574386630000093
表示损失函数，
Figure BDA0003574386630000094
表 示多层次神经网络的输出，
Figure BDA0003574386630000095
表示全采样目标图像。
步骤4.3：将频率空间观测矩阵和待重建图像输入到多层次神经 网络模型中，同时利用网络参数优化模型对多层次神经网络模型进行 优化得到重建完成的核磁共振图像。
请参阅图2，本发明的多层次神经网络的训练过程，包括：
步骤100：使用3D卷积层提取待重建图像的第一特征图；
步骤200：使用保真度模型(DC)将待重建图像的第一特征图和 频率空间观测矩阵进行特征融合得到待重建图像的第二特征图；
进一步的，保真度模型为：
Figure BDA0003574386630000096
其中，
Figure BDA0003574386630000101
表示经过傅里叶变换后的第一特征图在频率空间k处 的值，S表示噪声系数，Ω(k)表示原始的核磁共振信号在频率空间k 处采样值，数据被采样的点值为1，未被采样的点值为0。
本发明通过对网络输出的图像进行傅里叶变换，然后使用原始的 频率空间数据来取代一部分训练的数据，可以抑制经多次卷积产生的 冗余信息。
步骤300：将待重建图像的第二特征图输入到2D卷积层中得到待 重建图像的第三特征图；
步骤400：使用保真度模型将待重建图像的第三特征图和频率空 间观测矩阵进行特征融合得到目标图像；
需要说明的是，本发明的3D卷积层和2D卷积层的层数可以为1 层。在本发明中，3D卷积层和2D卷积层的层数优选为5层，卷积核 的大小为3，步长为1。
步骤500：将目标图像作为新的待重建图像返回步骤100，迭代预 设次数后得到重建完成的核磁共振图像。
本发明步骤1-2，主要是对原始的核磁共振信号进行预处理得到 频率空间矩阵，步骤3的目的就是对频率空间矩阵进行初步处理得到 待重建的图像，步骤4就是将频率空间矩阵和待重建的图像输入到多 层次神经网络模型中，重新对待重建的图像进行优化以得到更好的重 建图像。本发明通过利用多层次神经网络模型对待重建图像进行重构 得到重构完成的核磁共振图像，不仅可以消除传统的神经网络模型因 多次卷积产生的冗余信息，还可以消除重构图像中出现的混叠伪影， 使重构图像的清晰度更高。
请参阅图3，本发明还提供了一种高质量核磁共振图像的成像系 统，包括：
核磁共振信号获取模块，用于获取原始的核磁共振信号；
核磁共振信号处理模块，用于对原始的核磁共振信号进行中心化 处理得到频率空间观测矩阵；
反傅里叶变换模块，用于对频率空间观测矩阵进行反傅里叶变换 得到待重建图像；
核磁共振图像重建模块，用于将频率空间观测矩阵和待重建图像 输入到多层次神经网络模型中得到重建完成的核磁共振图像。
本发明还提供了一种电子设备，包括总线、收发器、存储器、处 理器及存储在存储器上并可在处理器上运行的计算机程序，收发器、 存储器和处理器通过总线相连，计算机程序被处理器执行时实现上述 的一种高质量核磁共振图像的成像方法中的步骤。
本发明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，计算机程序被处理器执行时实现上述的一种高质量核磁共振图像 的成像方法中的步骤。
本发明提供的一种高质量核磁共振图像的成像方法、系统、电子 设备及计算机可读存储介质的有益效果在于：与现有技术相比，本发 明通过利用多噪声优化去噪模型构建核磁共振成像模型，并利用核磁 共振成像模型得到待重建图像，可以消除因外界电磁干扰形成的噪声； 此外，本发明通过利用多层次神经网络模型对待重建图像进行重构得 到重构完成的核磁共振图像可以消除重构图像中出现的伪影，使重构 图像的清晰度更高。
本发明还提供了一种电子设备，包括总线、收发器、存储器、处 理器及存储在存储器上并可在处理器上运行的计算机程序，收发器、 存储器和处理器通过总线相连，计算机程序被处理器执行时实现上述 一种高质量核磁共振图像的成像方法实施例的各个过程，且能达到相 同的技术效果，为避免重复，这里不再赘述。
本发明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，其特征在于，计算机程序被处理器执行时实现上述的一种多信号 融合人脸图片识别方法中的步骤，计算机程序被处理器执行时实现上 述一种高质量核磁共振图像的成像方法实施例的各个过程，且能达到 相同的技术效果，为避免重复，这里不再赘述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并 不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范 围内，可轻易想到变化或替换的技术方案，都应涵盖在本发明的保护 范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为 准。

Claims (10)

1.一种高质量核磁共振图像的成像方法，其特征在于，包括：
步骤1：获取原始的核磁共振信号；
步骤2：对所述原始的核磁共振信号进行中心化处理得到频率空间观测矩阵；
步骤3：对所述频率空间观测矩阵进行反傅里叶变换得到待重建图像；
所述步骤3：对所述频率空间观测矩阵进行反傅里叶变换得到待重建图像，包括：
步骤3.1：根据三维块匹配模型和深度去噪器构建多噪声优化去噪模型；所述多噪声优化去噪模型为：
Figure FDA0003574386620000011
其中，W表示紧标架，x表示待重建图像，α表示稀疏系数，η表示控制参数，β表示辅助系数向量，De(x)表示利用去噪器对x进行滤波，μ表示稀疏正则化参数；
步骤3.2：根据所述多噪声优化去噪模型构建核磁共振成像模型；
步骤3.3：引入软阈值算子对所述核磁共振成像模型进行优化得到优化后的核磁共振成像模型；
步骤3.4：对所述优化后的核磁共振成像模型进行求解得到待重建图像；
步骤4：将所述频率空间观测矩阵和所述待重建图像输入到多层次神经网络模型中得到重建完成的核磁共振图像；
所述步骤4：将所述频率空间观测矩阵和所述待重建图像输入到多层次神经网络模型中得到重建完成的核磁共振图像，包括：
步骤4.1：根据所述频率空间观测矩阵和所述待重建图像构建多层次神经网络模型；
步骤4.2：利用损失函数构建网络参数优化模型；
步骤4.3：将所述频率空间观测矩阵和所述待重建图像输入到多层次神经网络模型中，同时利用所述网络参数优化模型对多层次神经网络模型进行优化得到重建完成的核磁共振图像。
2.根据权利要求1所述的一种高质量核磁共振图像的成像方法，其特征在于，所述步骤3.3：引入软阈值算子对所述核磁共振成像模型进行优化得到优化后的核磁共振成像模型，包括：
步骤3.3.1：利用交替方向乘子法对核磁共振成像模型进行更新得到待优化核磁共振成像模型；
步骤3.3.2：利用所述软阈值算子对所述待优化核磁共振成像模型进行求解得到优化后的核磁共振成像模型；其中，所述优化后的核磁共振成像模型为：
Figure FDA0003574386620000021
3.根据权利要求1所述的一种高质量核磁共振图像的成像方法，其特征在于，所述核磁共振成像模型为：
Figure FDA0003574386620000022
其中，Fu表示欠采样傅里叶编码矩阵，y表示频率空间观测矩阵，λ表示正则化参数，T表示稀疏参数，ε表示辅助参数，De(x(t-1))表示第t-1个经去噪器去噪后的图像。
4.根据权利要求1所述的一种高质量核磁共振图像的成像方法，其特征在于，所述多层次神经网络模型为：
Figure FDA0003574386620000031
其中，γ表示平衡因子，θ表示网络参数，fcnn表示多层次神经网络，x表示待重建图像。
5.根据权利要求4所述的一种高质量核磁共振图像的成像方法，其特征在于，所述步骤4.2：利用损失函数构建网络参数优化模型，包括：
根据训练集中样本个数和损失函数构建网络参数优化模型；其中，网络参数优化模型为：
Figure FDA0003574386620000032
其中，Q表示训练集中样本个数，
Figure FDA0003574386620000033
表示损失函数，
Figure FDA0003574386620000034
表示多层次神经网络的输出，
Figure FDA0003574386620000035
表示全采样目标图像。
6.根据权利要求5所述的一种高质量核磁共振图像的成像方法，其特征在于，所述多层次神经网络的训练过程，包括：
步骤100：使用3D卷积层提取待重建图像的第一特征图；
步骤200：使用保真度模型将待重建图像的第一特征图和频率空间观测矩阵进行特征融合得到待重建图像的第二特征图；
步骤300：将所述待重建图像的第二特征图输入到2D卷积层中得到待重建图像的第三特征图；
步骤400：使用保真度模型将所述待重建图像的第三特征图和频率空间观测矩阵进行特征融合得到目标图像；
步骤500：将所述目标图像作为新的待重建图像返回步骤100，迭代预设次数后得到重建完成的核磁共振图像。
7.根据权利要求6所述的一种高质量核磁共振图像的成像方法，其特征在于，所述保真度模型为：
Figure FDA0003574386620000041
其中，
Figure FDA0003574386620000042
表示经过傅里叶变换后的第一特征图在频率空间k处的值，S表示噪声系数，Ω(k)表示原始的核磁共振信号在频率空间k处采样值。
8.一种高质量核磁共振图像的成像系统，其特征在于，包括：
核磁共振信号获取模块，用于获取原始的核磁共振信号；
核磁共振信号处理模块，用于对所述原始的核磁共振信号进行中心化处理得到频率空间观测矩阵；
反傅里叶变换模块，用于对所述频率空间观测矩阵进行反傅里叶变换得到待重建图像；
核磁共振图像重建模块，用于将所述频率空间观测矩阵和所述待重建图像输入到多层次神经网络模型中得到重建完成的核磁共振图像。
9.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的一种高质量核磁共振图像的成像方法中的步骤。
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如权利要求1至7中任一项所述的一种高质量核磁共振图像的成像方法中的步骤。
CN202210336127.5A 2022-03-31 2022-03-31 一种高质量核磁共振图像的成像方法与系统 Pending CN114693568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210336127.5A CN114693568A (zh) 2022-03-31 2022-03-31 一种高质量核磁共振图像的成像方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210336127.5A CN114693568A (zh) 2022-03-31 2022-03-31 一种高质量核磁共振图像的成像方法与系统

Publications (1)

Publication Number Publication Date
CN114693568A true CN114693568A (zh) 2022-07-01

Family

ID=82141411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210336127.5A Pending CN114693568A (zh) 2022-03-31 2022-03-31 一种高质量核磁共振图像的成像方法与系统

Country Status (1)

Country Link
CN (1) CN114693568A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228913A (zh) * 2023-05-06 2023-06-06 杭州师范大学 一种磁共振图像数据的处理方法、装置和存储介质
CN118052898A (zh) * 2024-02-18 2024-05-17 安徽硕金医疗设备有限公司 应用于磁共振成像的无线通讯干扰消除系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228913A (zh) * 2023-05-06 2023-06-06 杭州师范大学 一种磁共振图像数据的处理方法、装置和存储介质
CN116228913B (zh) * 2023-05-06 2023-08-22 杭州师范大学 一种磁共振图像数据的处理方法、装置和存储介质
CN118052898A (zh) * 2024-02-18 2024-05-17 安徽硕金医疗设备有限公司 应用于磁共振成像的无线通讯干扰消除系统及方法

Similar Documents

Publication Publication Date Title
Liu et al. RARE: Image reconstruction using deep priors learned without groundtruth
CN114693568A (zh) 一种高质量核磁共振图像的成像方法与系统
CN104063886B (zh) 一种基于稀疏表示和非局部相似的核磁共振图像重建方法
CN108335339A (zh) 一种基于深度学习和凸集投影的磁共振重建方法
CN108090871A (zh) 一种基于卷积神经网络的多对比度磁共振图像重建方法
CN111932460A (zh) Mr图像超分辨率重建方法、装置、计算机设备及存储介质
CN114693561A (zh) 一种基于卷积神经网络的核磁共振图像处理方法与系统
CN111487573B (zh) 一种用于磁共振欠采样成像的强化型残差级联网络模型
CN107845079A (zh) 基于紧支撑的3D‑shearlet医学CT视频去噪方法
CN112991483B (zh) 一种非局部低秩约束的自校准并行磁共振成像重构方法
US9208587B2 (en) Systems and methods for compressed sensing for multi-shell magnetic resonance imaging
CN114331849A (zh) 一种跨模态核磁共振超分网络及图像超分辨率方法
CN111754598A (zh) 基于变换学习的局部空间邻域并行磁共振成像重构方法
CN117173038A (zh) 一种核磁共振图像增强方法与系统
CN110246200B (zh) 磁共振心脏电影成像方法、装置及磁共振扫描仪
CN115294229A (zh) 用于重建磁共振成像（mri）图像的方法及设备
CN115471580A (zh) 一种物理智能高清磁共振扩散成像方法
CN109471053B (zh) 一种基于双约束的介电特性迭代成像方法
Xiao et al. Research on Feature Extraction Data Processing System For MRI of Brain Diseases Based on Computer Deep Learning
CN114529473A (zh) 图像重建方法、装置、电子设备、存储介质和计算机程序
CN106137199B (zh) 扩散磁共振成像中的广义球面去卷积
US20230380714A1 (en) Method and system for low-field mri denoising with a deep complex-valued convolutional neural network
CN114596292B (zh) 一种核磁共振信号采集处理方法与系统
CN116758120A (zh) 一种基于深度学习的3t mra到7t mra的预测方法
CN114511602B (zh) 基于图卷积Transformer的医学图像配准方法

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