CN114831621A - 分布式超快磁共振成像方法及其成像系统 - Google Patents

分布式超快磁共振成像方法及其成像系统 Download PDF

Info

Publication number
CN114831621A
CN114831621A CN202210565206.3A CN202210565206A CN114831621A CN 114831621 A CN114831621 A CN 114831621A CN 202210565206 A CN202210565206 A CN 202210565206A CN 114831621 A CN114831621 A CN 114831621A
Authority
CN
China
Prior art keywords
magnetic resonance
data
network
reconstruction
image
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.)
Granted
Application number
CN202210565206.3A
Other languages
English (en)
Other versions
CN114831621B (zh
Inventor
徐宗本
朱燕杰
郑海荣
杨燕
梁栋
刘新
靖稳峰
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.)
Xi'an Institute Of Big Data And Artificial Intelligence
Original Assignee
Xi'an Institute Of Big Data And Artificial Intelligence
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 Xi'an Institute Of Big Data And Artificial Intelligence filed Critical Xi'an Institute Of Big Data And Artificial Intelligence
Priority to CN202210565206.3A priority Critical patent/CN114831621B/zh
Publication of CN114831621A publication Critical patent/CN114831621A/zh
Application granted granted Critical
Publication of CN114831621B publication Critical patent/CN114831621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • High Energy & Nuclear Physics (AREA)

Abstract

本发明公开了一种分布式超快磁共振成像方法，具体包括如下步骤：步骤1，构建核磁共振隐正则化模型；步骤2，基于步骤1建立的隐正则化模型进行数据采集；步骤3，对步骤2采集的数据进行标准化处理。本发明还公开了一种分布式超快磁共振成像系统，本发明中将磁共振成像中信号采集端和图像重建端两部分分离，医院中仅部署磁共振扫描终端，图像重建部分部署在云端，云端将配置基于隐正则化，从而实现高欠采磁共振数据的高质量重建。

Description

分布式超快磁共振成像方法及其成像系统
技术领域
本发明属于医学磁共振成像技术领域，涉及一种分布式超快磁共振成像方法，本发明还涉及上述成像系统的成像系统。
背景技术
磁共振是重要的医学成像设备。与超声、CT和PET等医学影像技术相比，磁共振成像的对比度丰富，具有更好软组织分辨率和功能成像能力，而且无放射性损伤。我国对磁共振设备需求巨大，但是由于磁共振整机价格极其昂贵，我国每百万人的装机量只有15台，仅为发达国家的约1/5，而在一些偏远贫困和基层地区装机更是稀少，无法惠及我国基层群众。
此外，受成像物理原理限制，磁共振存在扫描速度慢点的缺点，限制了高端临床应用的推广。近年来，新型快速磁共振成像方法不断涌现，但受限于厂商平台限制，新的快速磁共振成像方法无法集成于磁共振设备中，限制了新技术的应用，病人也无法享受到新技术带来的扫描便利。
造成上述问题的主要原因是现有磁共振均为集成式设计，即磁共振设备集成了信号采集(扫描端)和图像重建双重功能，导致设备价格昂贵，设备厂商掌控了所有的决策权，现有集成式磁共振的缺点如下：
1.目前医院的磁共振均为集成式设计，即磁共振设备本身负担信号采集，图像重建，和部分后期分析等多重任务，相应的扫描硬件、重建工作站、分析计算机的成本都很高，由于软硬件众多，整体的购买和维护费用畸贵。
2.由于磁共振设备属于不同厂家，每家的硬件性能、数据预处理方法、图像重建算法等标准不一，造成图像质量不同，导致后续诊断，尤其是智能诊断需依赖设备厂商，难以建立统一的评判标准和方法。
3.重建方法的先进性是决定扫描速度和图像质量的关键。重建算法的更新依赖厂商，迭代周期很长，病人也无法享受到新技术带来的扫描便利。
为了解决集成式磁共振在普惠医疗中的困境，必须从医疗设备应用模式方面进行创新。随着大数据时代尤其是云计算和深度学习磁共振快速成像方法的发展，其为磁共振领域带来了前所未有的机遇。信号采集和图像重建端相对独立，可以利用高速互联网实现原始数据和影像数据在两者间的高效传输，一方面，医院仅需配置扫描端的硬件，从而降低购置和维护成本，有利于磁共振设备在基层地区的推广；另一方面，原始数据将上传至云计算平台，由计算平台保持算法的先进性和可靠性，实现超快磁共振成像。根据上述模式，提出了一种新型分布式快速磁共振成像方法和系统。
发明内容
本发明的目的是提供一种分布式超快磁共振成像方法，该方法中将磁共振成像中信号采集端和图像重建端两部分分离，医院中仅部署磁共振扫描终端，图像重建部分部署在云端，云端将配置基于隐正则化，从而实现高欠采磁共振数据的高质量重建。
本发明的目的是还提供一种分布式超快磁共振成像系统。
本发明所采用的第一种技术方案是，分布式超快磁共振成像方法，具体包括如下步骤：
步骤1，构建核磁共振隐正则化模型；
步骤2，基于步骤1建立的隐正则化模型进行数据采集；
步骤3，对步骤2采集的数据进行标准化处理。
本发明第一种技术方案的特点还在于：
步骤1的具体过程为：
步骤1.1，构建器官解剖先验引导的跨序列超快速核磁共振图像重建模型；
步骤1.2，构造核磁共振重建隐正则化网络；
步骤1.3，对核磁共振重建隐正则化网络训练。
步骤1.1的具体过程为：
对于要重建的核磁共振图像
Figure BDA0003657822600000031
给定要重建的器官oi∈{o1,o2,…,oK}和k-空间欠采样数据
Figure BDA0003657822600000032
其中，N和U表示数据的基数并且U<N，同时给定对应的跨序列图像
Figure BDA0003657822600000033
构建以下核磁共振重建模型：
Figure BDA0003657822600000034
其中，
Figure BDA0003657822600000035
是各个通道的灵敏度，
Figure BDA0003657822600000036
是傅里叶变换，
Figure BDA0003657822600000037
是k-空间的采样矩阵；xt2∈Ωt1是与跨序列相关的约束域；
Figure BDA0003657822600000041
是刻画器官解剖先验的约束域。
步骤1.2的具体过程为：
步骤1.2.1，对核磁共振重建模型公式(1)通过梯度投影算法进行求解，得到如下迭代式：
Figure BDA0003657822600000042
其中，
Figure BDA0003657822600000043
为约束域Ωt1和
Figure BDA0003657822600000044
的投影算子；
步骤1.2.2，利用跨序列投影网络来代替公式(2)中的投影算子
Figure BDA0003657822600000045
Figure BDA0003657822600000046
其中：
Figure BDA0003657822600000047
步骤1.2.3，将跨序列投影网络设计为包含图像编码模块、图像解码模块和图像分割模块的双路径深度卷积神经网络，由投影定理得，凸集合的投影算子满足如下的非扩张性质：
|PNetθ(y)-PNetθ(x)|2≤|y-x|2 (5)；
步骤1.2.4，对卷积神经网络实施如下软谱范数归一化处理来满足公式(5)中的非扩张性质：
软谱范数归一化：卷积层生成的第i个特征映射为
Figure BDA0003657822600000048
其中，Wi,j是对应于卷积滤波器的矩阵。因此，我们标准化Wi,j为
Figure BDA0003657822600000051
其中,σ为谱范数，c是收缩系数。
步骤1.3的具体过程为：
步骤1.3.1，构造训练数据集合，该训练数据集包括若干个数据组，每个数据组包括T2WI的k-空间欠采样数据yt2、相应的全采样数据重建图像
Figure BDA0003657822600000052
对应的器官分割掩码图pgt以及引导序列T1WI的全采样重建图像xt1；
步骤1.3.2，使用均方误差损失和交叉熵损失联合训练网络，损失函数如下公式(6)所示：
Figure BDA0003657822600000053
其中，Γ为训练数据集，|Γ|表示训练数据集中元素个数，
Figure BDA0003657822600000054
为图像分割模块的输出，
Figure BDA0003657822600000055
为核磁共振重建隐正则化网络输出，Θ为网络的参数；
步骤1.3.3，采用反向传播算法计算目标函数相对于网络参数的梯度，然后基于训练数据集采用Adam算法优化深度注意力网络参数，获得最优参数Θ*。
步骤2的具体过程为：
步骤2.1，选择特定器官oi，采集引导序列的k-空间全采样数据；
步骤2.2，采集待重建的序列的k-空间欠采样数据，在重建时，选取训练好的对应器官的核磁共振重建隐正则化网络，输入k-空间欠采样数据及引导序列核磁共振图像网络输出即为重建的高精度核磁共振图像。
步骤3的具体过程为：
步骤3.1，提取原始数据中的采集参数信息，保存为配置文件；采集原始数据中的参数名称和标准数据格式中的参数名称逐次对应，原始的参数名用标签<Y>标识，转换后的参数名用标签<D>标识；
步骤3.2，提取原始数据中的k空间数据，转化后的参数信息和k空间数据写入标准数据格式的文件中。
本发明采用的第二种技术方案为，分布式超快磁共振成像系统，包括依次连接的分布式磁共振终端、数据预处理模块、云重建模块及云处理模块。
本发明的有益效果如下：
1.本发明中涉及的隐正则化超快磁共振成像方法，突破现有方法对采样率下限的限制，前期研究显示，能实现20倍的加速成像，加速倍数远超过现有快速成像方法(约5倍)，而且为深度学习快速磁共振成像提供理论支撑，更易泛化和推广。
2.分布式磁共振扫描终端机是简化版的磁共振机器。它只进行磁共振扫描,不重建或进行快速初步预成像,最终图像重建和后处理在云端实现。分布式磁共振终端机省去了磁共振图像重建的功能，能够有效地减少硬件成本。由于成像在云端进行,成像软件更新时只需要对云服务器上的软件更新操作即可，这样可大幅提升维护效率,降低维护成本,便于磁共振终端机下到乡镇农村等基层医院。
3.分布式磁共振重建端部署在云端，可独立运行升级。该模式可以解决磁共振数据的汇集与共享问题。目前的快速磁共振成像方法也依赖于高质量的原始数据，传统的集成式磁共振成像数据分散，不同厂商磁共振的数据格式和类型各不相同，难以统一利用。而该分布式磁共振系统能够汇集不同设备采集的原始数据，并统一为一致的数据，可有效地解决磁共振原始数据的收集问题,为深度学习超快磁共振成像做好数据准备。
4.云重建系统不依赖厂商，可独立升级，能够保持重建算法的前沿性和先进性，普惠更多的医院和病人。
附图说明
图1是本发明分布式超快磁共振成像系统的结构示意图；
图2是本发明分布式超快磁共振成像系统的结构框图；
图3是本发明分布式超快磁共振成像方法中的跨序列投影网络结构图；
图4是本发明分布式超快磁共振成像方法中超快核磁共振重建隐正则化网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明分布式超快磁共振成像方法，包含隐正则化成像理论和相应的快速成像图像重建方法，与之相匹配的数据采集方式和数据标准化方案。基于该方法形成分布式超快磁共振成像系统，该系统磁共振扫描终端和图像重建分离，医院中仅部署磁共振扫描终端，图像重建部分部署在云端。
本发明分布式超快磁共振成像方法，具体包括如下步骤：
步骤1，超快核磁共振隐正则化建模方法；
超快核磁共振图像重建问题是从极少量观测的k空间数据重建出高质量的核磁共振图像，是一个强不适定的数学反问题。传统的压缩感知快速磁共振成像方法主要采用变分正则化重建框架来保证压缩感知的准确重建，包括数据项和人工设计正则化项，如考虑稀疏先验正则项约束。由于解空间先验知识难于描述，因此传统方法面临的挑战是正则化项难以设计，显式正则项表达无法精确刻画解先验。为了更好地约束高质量成像解空间，提出基于数据驱动的隐式正则化建模方法，基于所积累的不同器官、不同序列的大量高质量MR图像数据，采用数据驱动方式自动确定面向不同器官、不同序列的成像解空间。
步骤1的具体过程为：
步骤1.1，器官解剖先验引导的跨序列超快速核磁共振图像重建模型构造：
对于要重建的核磁共振图像
Figure BDA0003657822600000081
(如T2WI图像)，给定其要重建的器官oi∈{o1,o2,…,oK}和其k-空间欠采样数据
Figure BDA0003657822600000082
其中N和U表示数据的基数并且U<N。同时给定对应的跨序列图像
Figure BDA0003657822600000083
(如T1WI图像)。基于多通道线圈的灵敏度编码、梯度编码和压缩传感理论，本发明设计了以下核磁共振重建模型：
Figure BDA0003657822600000084
该模型是一个带约束优化模型。其中
Figure BDA0003657822600000085
是各个通道的灵敏度，
Figure BDA0003657822600000091
是傅里叶变换，
Figure BDA0003657822600000092
是k-空间的采样矩阵。xt2∈Ωt1是与跨序列相关的约束域，它建模了序列xt2和引导序列xt1之间的相关性，由多序列图像合成决定。
Figure BDA00036578226000000911
是刻画器官解剖先验的约束域，确保重建的xt2序列能获得精准分割结果，且与序列xt1具有跨序列解剖信息一致性。
步骤1.2，超快核磁共振重建隐正则化网络构造：
核磁共振重建模型(1)可通过梯度投影算法进行求解，得到如下迭代格式：
Figure BDA0003657822600000093
其中
Figure BDA0003657822600000094
为约束域Ωt1和
Figure BDA0003657822600000095
的投影算子。
本发明设计一个跨序列投影网络来代替等式(2)中的投影算子
Figure BDA0003657822600000096
Figure BDA0003657822600000097
其中：
Figure BDA0003657822600000098
如图3所示，跨序列投影网络被设计成一个包含图像“编码网络”、图像“解码网络”和“分割网络”的双路径深度卷积神经网络。网络输入为上一步迭代输出的估计图像
Figure BDA0003657822600000099
和对应的跨序列图像xt1，经过“编码网络”映射到“公共特征空间”进行特征融合，再经过图像“解码网络”用于跨序列图像合成并输出
Figure BDA00036578226000000910
经过图像“分割网络”用于器官组织分割并输出p(k)。由投影定理得，凸集合的投影算子满足如下的非扩张性质：
|PNetθ(y)-PNetθ(x)|2≤|y-x|2 (5)
则通过对卷积网络实施如下软谱范数归一化满足该性质。
软谱范数归一化：卷积层生成的第i个特征映射为
Figure BDA0003657822600000101
其中Wi,j是对应于卷积滤波器的矩阵。因此，我们标准化Wi,j为
Figure BDA0003657822600000102
其中,σ为谱范数,可通过幂法进行估计；c是收缩系数。
本发明将上述梯度投影算法的计算过程(公式(3)(4))展开进而诱导出一个统一的深度网络，即超快核磁共振重建隐正则化网络。如图4所示，整个网络包含N个操作单元，每个操作单元包括两个模块，即跨序列投影网络模块(P-B)用于器官解剖先验引导的跨序列图像合成，执行如下操作：
Figure BDA0003657822600000103
和图像重建模块(R-B)用于采集到的k-空间数据校正，执行如下操作：
Figure BDA0003657822600000104
步骤1.3，超快核磁共振重建隐正则化网络训练过程：
为了确定超快核磁共振重建隐正则化网络的最优参数，本发明针对器官解剖先验引导的跨序列超快速核磁共振图像重建问题构造训练数据集合。该训练数据集由多个数据组构成，每个数据组由T2WI的k-空间欠采样数据yt2、相应的全采样数据重建图像
Figure BDA0003657822600000105
对应的器官分割掩码图pgt以及引导序列T1WI的全采样重建图像xt1构成。
本发明使用均方误差损失和交叉熵损失联合训练网络：
Figure BDA0003657822600000111
其中，Γ为训练数据集，|Γ|表示训练数据集中元素个数，
Figure BDA0003657822600000112
为图像分割模块的输出，
Figure BDA0003657822600000113
为超快核磁共振重建隐正则化网络输出，Θ为网络的参数。采用反向传播算法计算目标函数相对于网络参数的梯度，然后基于训练数据集采用Adam算法优化深度注意力网络参数，获得最优参数Θ*。
步骤2，与隐正则化成像理论相匹配的数据采集方式；
通过步骤1，本发明可以基于不同器官oi∈{o1,o2,…,oK}确定不同的超快核磁共振重建隐正则化网络。在实际应用超快核磁共振重建隐正则化网络进行数据采集时，首先选择特定器官oi，采集引导序列的k-空间全采样数据，然后采集待重建的序列的k-空间欠采样数据。在重建时，选取训练好的对应器官的超快核磁共振重建隐正则化网络，输入k-空间欠采样数据及引导序列核磁共振图像网络输出即为重建的高精度核磁共振图像。因为步骤1的网络参数训练过程使得网络输出图像与标准核磁共振图像尽可能接近，并且有器官分割和跨序列引导，因此数据采集时可实现极低采样模式，网络仍然能获得高质量的重建图像。
步骤3，数据标准化方案：不同厂商磁共振采集的原始数据存储格式和数据标签各不相同，图像重建需要提取原始数据及采集的基本信息。因此，需要将不同格式的数据转换为统一的标准格式，便于后继处理；
步骤3的具体过程为：
步骤3.1，提取原始数据中的采集参数信息，保存为配置文件；采集原始数据中的参数名称和标准数据格式中的参数名称逐次对应，原始的参数名用标签<Y>标识，转换后的参数名用标签<D>标识。针对不同厂商的每个序列，设置配置文件。
步骤3.2，提取原始数据中的k空间数据，转化后的参数信息和k空间数据写入标准数据格式的文件中，例如可采用层次型数据格式(如：HDF5等)作为标准格式。
部分扫描序列需要特殊数据校正，会在本地扫描终端完成数据校正，将校正后的数据转化为标准数据格式。
本发明分布式超快磁共振成像方法采用的分布式超快磁共振成像系统，如图1、2所示，包括分布式磁共振终端、数据预处理(标准化)模块、数据通信模块、云重建模块、云处理模块共五个模块；以下分别介绍上述五个模块的组成：
1.分布式磁共振终端包括若干个磁共振终端机：磁共振终端机包括扫描硬件、Rawdate(原始数据)以及主控工作站；其中扫描硬件即磁共振扫描设备，由主磁体、梯度、射频和相应控制及辅助部件组成。
主控工作站主要实现扫描控制、数据缓存、传输控制、图像显示。
扫描控制单元：用于实现扫描时序列选择、成像参数调整、序列控制等功能；
数据缓存单元：用于实现对扫描获取的原始数据和预成像数据等暂存功能；
传输控制单元：用于控制数据的传输与接收；
图像显示单元：用于实现医学图像二维、三维显示及基础测量、缩放操作等。
主控工作站还可包含边缘计算单元，主要用于简单重建算法，如全采图像重建或网络异常等特殊情况使用，及数据校正等处理。磁共振终端机可以存在多个，分别配置于不同医院或作为同一家医院的不同扫描设备，每个磁共振终端机可独立控制。
2.数据预处理(标准化)模块：
根据步骤3中的数据标准化方案，将采集的数据转化为标准数据格式，去除其中包含的个人隐私信息，并将关联数据打包在同一个数据包内，由通讯模块进行传输。
3.数据通信模块，包括压缩单元、加密单元及传输单元；
数据通信模块主要对预处理后的数据进行压缩，通过专用信道高速传输到影像中心大数据存储系统。
数据压缩是由于磁共振原始数据数据量非常大，网络传输时间过长，可利用多线圈数据压缩方法在不影响重建的前提下，对通道数据压缩，减少数据量，常用的方法如基于奇异值分解的方法(参考文献：Array Compression for MRI With Large Coil Arrays,Magnetic Resonance in Medicine，57:1131–1139,2007)；
传输单元可采用常用的传输协议实现，例如http协议实现。
数据传输由磁共振接入网关进行协调,采用专用协议实现点对点高速数据传输。磁共振接入网关负责为需要发送数据的磁共振终端提供可用的数据接收端及密钥的协议。数据传输包括三个部分,数据发送端、信道和数据接收端。数据发送端位于控制工作站上,负责将经过压缩后的生数据和预成像结果数据发送到对应的数据接收端。信道是高速传输的保障,为数据发送方和接收方提供足够的带宽。数据接收端位于影像中心大数据存储系统,用于从信道中接收高速数据,并生成完整的数据包。传输中采用数据分块、校验和重发机制,保证数据的完整性。
4.云重建模块包括若干个并列设置的高性能GPU集群，内置隐正则化快速成像图像重建方法，集群内部的节点均实现了传输控制、负载均衡和图像重建等功能单元。
每个高性能GPU集群包括传输控制单元、负载均衡单元及图像重建单元；
传输控制单元：用于接收影像中心大数据存储系统中待重建数据包，解压解密后还原为数据预处理(标准化)模块处理后的标准格式数据；
传输控制单元包括传输单元、解压单元及解密单元；
负载均衡单元：负责管理待重建数据的数据分布信息，通过负载均衡算法将重建任务分配给不同节点；
图像重建单元中配置了多片高显存图形计算显卡(GPU1、GPU2、...、GPU...)，依赖CUDA平台对重建任务进行高度并行化，GPU间可协同并行计算，实现在线实时重建。
5.云处理模块：本发明中的系统也可配置图像后处理模块，成为云处理模块，高性能GPU集群或CPU处理器。该模块可以对重建后的磁共振图像进一步后处理。例如，针对特定成像要求，如磁共振弛豫定量成像，弥散成像等，云处理模块将计算相应的参数图。或针对用户需求，进行如图像去噪、分割、配准等后处理操作。具体工作过程为，将云重建中得到的图像输入云处理模块，通过云处理模块中配置的后处理软件，计算相应的参数图像或对图像进行处理，得到参数图像，或分割、配准后的图像。
本发明分布式磁共振医学影像云成像系统的使用方法如下：
步骤1，技师利用分布式磁共振扫描终端获取人体数据。和常规磁共振扫描类似，技师根据部位和疾病种类进行定位，选择序列并调整参数后进行扫描。该过程可以结合AI智能定位扫描等辅助工具完成。主控工作站将扫描得到的数据存入缓存单元中，等待进一步处理。
步骤2，扫描数据经数据预处理(标准化)模块进行格式转换，在经数据通信模块传输到云端，由云重建模块进行图像重建。具体操作如下：技师选择数据上传后，数据预处理(标准化)模块先解析原始数据参数，获得数据大小；数据通信模块向云重建模块发起传输请求,由云成像模块分配数据接收端和存储空间；数据通信模块通过专用协议连接分配到的数据接收端,并通过专用信道将所述的扫描数据传输至数据接收端；数据接收端接收扫描数据并校验完整性；云重建模块将数据接收端收到的人体扫描数据重建为医学磁共振图像。
步骤3，若当前图像已满足要求，则经数据通信模块返回扫描终端。若技师在上传时选择了图像去噪、分割、配准等要求，则由云处理模块对重建图像进行相应的处理，将相应的处理结果和图像一起返回扫描终端，供医生诊断使用。
本发明中提出的全新隐正则化成像方法，突破现有基于正则项先验假设的反问题求解方法对采样率下限的制约，形成超快磁共振成像图像重建方法，并设计与之相匹配的数据采集方式和数据标准化方案。该分布式超快磁共振成像系统将磁共振成像中信号采集端和图像重建端两部分分离，医院中配置磁共振扫描终端，扫描终端配置与隐正则化成像理论相匹配的数据采集方式，技师扫描患者后，数据经数据标准化模块转化为标准数据格式，技师仅需将其一键上传云端，云端实现高质量图像重建，再将图像返回扫描终端；同时，云端将配置基于隐正则化的快速重建方法，从而实现高欠采磁共振数据的高质量重建。该模式有望克服传统集成式高场磁共振成本高昂，使用先进的重建算法时重建部分硬件成本高且普及难度大、由于厂家不同使得数据采集、预处理、图像重建、后处理方法的不统一以及影像大数据的汇集与共享等诸多难题。

Claims (8)

1.分布式超快磁共振成像方法，其特征在于：具体包括如下步骤：
步骤1，构建核磁共振隐正则化模型；
步骤2，基于步骤1建立的隐正则化模型进行数据采集；
步骤3，对步骤2采集的数据进行标准化处理。
2.根据权利要求1所述的分布式超快磁共振成像方法，其特征在于：所述步骤1的具体过程为：
步骤1.1，构建器官解剖先验引导的跨序列超快速核磁共振图像重建模型；
步骤1.2，构造核磁共振重建隐正则化网络；
步骤1.3，对核磁共振重建隐正则化网络训练。
3.根据权利要求2所述的分布式超快磁共振成像方法，其特征在于：所述步骤1.1的具体过程为：
对于要重建的核磁共振图像
Figure FDA0003657822590000011
给定要重建的器官oi∈{o1,o2,…,oK}和k-空间欠采样数据
Figure FDA0003657822590000012
其中，N和U表示数据的基数并且U<N，同时给定对应的跨序列图像
Figure FDA0003657822590000013
构建以下核磁共振重建模型：
Figure FDA0003657822590000014
其中，
Figure FDA0003657822590000015
是各个通道的灵敏度，
Figure FDA0003657822590000016
是傅里叶变换，
Figure FDA0003657822590000017
是k-空间的采样矩阵；xt2∈Ωt1是与跨序列相关的约束域；
Figure FDA0003657822590000018
是刻画器官解剖先验的约束域。
4.根据权利要求2所述的分布式超快磁共振成像方法，其特征在于：所述步骤1.2的具体过程为：
步骤1.2.1，对核磁共振重建模型公式(1)通过梯度投影算法进行求解，得到如下迭代式：
Figure FDA0003657822590000021
其中，
Figure FDA0003657822590000022
为约束域Ωt1和
Figure FDA0003657822590000023
的投影算子；
步骤1.2.2，利用跨序列投影网络来代替公式(2)中的投影算子
Figure FDA0003657822590000024
Figure FDA0003657822590000025
其中：
Figure FDA0003657822590000026
步骤1.2.3，将跨序列投影网络设计为包含图像编码模块、图像解码模块和图像分割模块的双路径深度卷积神经网络，由投影定理得，凸集合的投影算子满足如下的非扩张性质：
|PNetθ(y)-PNetθ(x)|2≤|y-x|2 (5)；
步骤1.2.4，对卷积神经网络实施如下软谱范数归一化处理来满足公式(5)中的非扩张性质：
软谱范数归一化：卷积层生成的第i个特征映射为：
Figure FDA0003657822590000027
其中Wi,j是对应于卷积滤波器的矩阵，因此，我们标准化Wi,j为：
Figure FDA0003657822590000028
其中,σ为谱范数，c是收缩系数。
5.根据权利要求3所述的分布式超快磁共振成像方法，其特征在于：所述步骤1.3的具体过程为：
步骤1.3.1，构造训练数据集合，该训练数据集包括若干个数据组，每个数据组包括T2WI的k-空间欠采样数据yt2、相应的全采样数据重建图像
Figure FDA0003657822590000031
对应的器官分割掩码图pgt以及引导序列T1WI的全采样重建图像xt1；
步骤1.3.2，使用均方误差损失和交叉熵损失联合训练网络，损失函数如下公式(6)所示：
Figure FDA0003657822590000032
其中，Γ为训练数据集，|Γ|表示训练数据集中元素个数，
Figure FDA0003657822590000033
为图像分割模块的输出，
Figure FDA0003657822590000034
为核磁共振重建隐正则化网络输出，Θ为网络的参数；
步骤1.3.3，采用反向传播算法计算目标函数相对于网络参数的梯度，然后基于训练数据集采用Adam算法优化深度注意力网络参数，获得最优参数Θ*。
6.根据权利要求5所述的分布式超快磁共振成像方法，其特征在于：所述步骤2的具体过程为：
步骤2.1，选择特定器官oi，采集引导序列的k-空间全采样数据；
步骤2.2，采集待重建的序列的k-空间欠采样数据，在重建时，选取训练好的对应器官的核磁共振重建隐正则化网络，输入k-空间欠采样数据及引导序列核磁共振图像网络输出即为重建的高精度核磁共振图像。
7.根据权利要求6所述的分布式超快磁共振成像方法，其特征在于：所述步骤3的具体过程为：
步骤3.1，提取原始数据中的采集参数信息，保存为配置文件；采集原始数据中的参数名称和标准数据格式中的参数名称逐次对应，原始的参数名用标签<Y>标识，转换后的参数名用标签<D>标识；
步骤3.2，提取原始数据中的k空间数据，转化后的参数信息和k空间数据写入标准数据格式的文件中。
8.如权利要求7所述的分布式超快磁共振成像方法采用的分布式超快磁共振成像系统，其特征在于，包括依次连接的分布式磁共振终端、数据预处理模块、云重建模块及云处理模块。
CN202210565206.3A 2022-05-23 2022-05-23 分布式超快磁共振成像方法及其成像系统 Active CN114831621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565206.3A CN114831621B (zh) 2022-05-23 2022-05-23 分布式超快磁共振成像方法及其成像系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565206.3A CN114831621B (zh) 2022-05-23 2022-05-23 分布式超快磁共振成像方法及其成像系统

Publications (2)

Publication Number Publication Date
CN114831621A true CN114831621A (zh) 2022-08-02
CN114831621B CN114831621B (zh) 2023-05-26

Family

ID=82571763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565206.3A Active CN114831621B (zh) 2022-05-23 2022-05-23 分布式超快磁共振成像方法及其成像系统

Country Status (1)

Country Link
CN (1) CN114831621B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118285846A (zh) * 2024-06-06 2024-07-05 之江实验室 一种通用的超声ct虚拟孪生成像方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224948A (zh) * 2015-09-22 2016-01-06 清华大学 一种基于图像处理的最大间隔深度生成模型的生成方法
CN107146261A (zh) * 2017-03-21 2017-09-08 中国医学科学院北京协和医院 基于磁共振影像先验感兴趣区的生物发光断层成像定量重建方法
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
US20190026897A1 (en) * 2016-11-07 2019-01-24 Institute Of Automation, Chinese Academy Of Sciences Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field
CN109670066A (zh) * 2018-12-11 2019-04-23 江西师范大学 一种基于双路径深层语义网络的手绘式服装商品图像检索方法
CN110444225A (zh) * 2019-09-17 2019-11-12 中北大学 基于特征融合网络的声源目标识别方法
CN111860612A (zh) * 2020-06-29 2020-10-30 西南电子技术研究所（中国电子科技集团公司第十研究所） 无监督高光谱图像隐低秩投影学习特征提取方法
CN113598716A (zh) * 2021-08-24 2021-11-05 南方医科大学 一种光声与磁共振联合成像方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224948A (zh) * 2015-09-22 2016-01-06 清华大学 一种基于图像处理的最大间隔深度生成模型的生成方法
US20190026897A1 (en) * 2016-11-07 2019-01-24 Institute Of Automation, Chinese Academy Of Sciences Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field
CN107146261A (zh) * 2017-03-21 2017-09-08 中国医学科学院北京协和医院 基于磁共振影像先验感兴趣区的生物发光断层成像定量重建方法
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
CN109670066A (zh) * 2018-12-11 2019-04-23 江西师范大学 一种基于双路径深层语义网络的手绘式服装商品图像检索方法
CN110444225A (zh) * 2019-09-17 2019-11-12 中北大学 基于特征融合网络的声源目标识别方法
CN111860612A (zh) * 2020-06-29 2020-10-30 西南电子技术研究所（中国电子科技集团公司第十研究所） 无监督高光谱图像隐低秩投影学习特征提取方法
CN113598716A (zh) * 2021-08-24 2021-11-05 南方医科大学 一种光声与磁共振联合成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘芳华;阮若林;倪浩;王建峰;: "双正则化参数法超分辨率重建核磁共振图像", 核电子学与探测技术 *
陈蓝钰;常严;王雷;杨晓冬;: "基于正则化迭代的并行磁共振图像重建算法", 计算机测量与控制 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118285846A (zh) * 2024-06-06 2024-07-05 之江实验室 一种通用的超声ct虚拟孪生成像方法和系统

Also Published As

Publication number Publication date
CN114831621B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Armanious et al. Unsupervised medical image translation using cycle-MedGAN
Fabian et al. Data augmentation for deep learning based accelerated MRI reconstruction with limited data
KR102210474B1 (ko) 양전자방출 단층촬영 시스템 및 그것을 이용한 영상 재구성 방법
Hu et al. Brain MR to PET synthesis via bidirectional generative adversarial network
CN113314205B (zh) 一种高效的医学影像标注与学习系统
KR102622283B1 (ko) 맥스웰 병렬 이미징
US11514621B2 (en) Low-dose image reconstruction method and system based on prior anatomical structure difference
Dayarathna et al. Deep learning based synthesis of MRI, CT and PET: Review and analysis
US12023192B2 (en) Single or a few views computed tomography imaging with deep neural network
CN111047512B (zh) 图像增强方法、装置及终端设备
US7876940B2 (en) Universal image processing
Shao et al. SPECTnet: a deep learning neural network for SPECT image reconstruction
CN114831621B (zh) 分布式超快磁共振成像方法及其成像系统
JP2023526008A (ja) 複数の磁気共鳴イメージングシステム構成を使用した磁気共鳴画像の補正
CN116823625A (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
CN116152235A (zh) 一种肺癌ct到pet的医学图像跨模态合成方法
Kumar et al. HHO-based vector quantization technique for biomedical image compression in cloud computing
CN108924556A (zh) 处理断层扫描图像的方法、装置、设备及存储介质
US10964074B2 (en) System for harmonizing medical image presentation
Iddrisu et al. 3D reconstructions of brain from MRI scans using neural radiance fields
Fadhil et al. Design and implementation a prototype system for fusion image by using SWT-PCA algorithm with FPGA technique.
Zhou et al. CloudBrain-ReconAI: An online platform for MRI reconstruction and image quality evaluation
JP7139397B2 (ja) ディープニューラルネットワークおよび測定データの再帰的間引きを使用して医用画像を再構築するためのシステムおよび方法
CN114358285A (zh) 一种基于流模型的pet系统衰减校正方法
KR20240099328A (ko) 측정치의 희소 표현

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