CN115115727B - 核磁图像处理方法、系统、设备及存储介质 - Google Patents
核磁图像处理方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115115727B CN115115727B CN202210551434.5A CN202210551434A CN115115727B CN 115115727 B CN115115727 B CN 115115727B CN 202210551434 A CN202210551434 A CN 202210551434A CN 115115727 B CN115115727 B CN 115115727B
- Authority
- CN
- China
- Prior art keywords
- image
- nuclear magnetic
- quantitative
- image sequence
- quality
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000010801 machine learning Methods 0.000 claims description 48
- 238000005481 NMR spectroscopy Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000002595 magnetic resonance imaging Methods 0.000 abstract description 14
- 238000004904 shortening Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 3
- 238000012307 MRI technique Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了核磁图像处理方法、系统、设备及存储介质。该方法包括：获取在预设时间长度内目标对象的低质量核磁图像序列；对低质量核磁图像序列进行分析处理，生成包含有目标对象的目标特征的定量图像序列；对包含有目标特征的定量图像序列进行重建处理，生成超分辨率图像。本方案通过将标准合成磁共振成像技术的扫描图像时间长度缩短为预设时间，能够有效提升图像扫描效率。由于对扫描图像时间进行缩短调整，因此所得到的扫描图像为低质量核磁图像序列。在得到低质量核磁图像序列后，利用定量分析技术和图像重建技术，对低质量核磁图像进行处理，得到满足使用需求的超分辨率图像，在满足图像质量需求的同时，能够有效缩短图像处理时间长度。
Description
技术领域
本申请属于计算机技术领域，尤其涉及核磁图像处理方法、系统、设备及存储介质。
背景技术
合成磁共振成像技术(Synthetic MR)是一种磁共振快速成像技术。基于二维动态多回波(multi echo multi delay,MDME)序列，可以实现一次扫描多种成像。扫描获得原始图像后，可同时计算得到定量的纵向弛豫时间，横向弛豫时间和质子密度，通过设置不同的重复时间，回波时间和反转时间可生成不同对比度的加权图像。通常在5-6分钟之间可获得全脑图像。
在现有技术当中，合成磁共振成像技术的扫描时间在5-6分钟之间，但是，相较于庞大的就诊患者来说，扫描时间仍然是制约磁共振发展和应用的一大痛点。此外，合成磁共振成像技术的计算原理为模型驱动，拟合计算，存在运算时间长。若缩短合成磁共振成像技术的扫描时间，则会直接导致合成图像质量低，无法满足图像识别需求。因此，需要一种能够快速生成高质量的核磁图像的方案。
发明内容
有鉴于此，本申请提供一种解决或部分解决上述问题的核磁图像处理方法、系统、设备及存储介质。
本申请实施例提供一种核磁图像处理方法，该方法包括：
获取在预设时间长度内目标对象的低质量核磁图像序列；
对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；
对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
可选地，所述获取在预设时间长度内目标对象的低质量核磁图像序列，包括：
根据核磁图像质量需求，确定对应的预设时间长度；
获取核磁设备在预设时间长度内进行图像采集得到的低质量核磁图像序列。
可选地，所述对所述低质量核磁图像序列进行解析处理，生成包含有所述目标对象的目标特征的定量图像，对包含有目标特征的所述定量图像进行重建处理，生成超分辨率图像，包括：
利用预设定量计算单元对所述低质量核磁图像序列进行预处理，生成定量图像序列；
将所述定量图像序列输入训练好的第一机器学习模型，对所述定量图像序列进行优化处理，生成包含有目标特征的超分辨率图像。
可选地，所述对所述低质量核磁图像序列进行解析处理，生成包含有所述目标对象的目标特征的定量图像序列，对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像，包括：
将所述低质量核磁图像序列输入携带有定量分析模块的训练好的第二机器学习模型；
基于所述定量分析模块生成定量图像序列；
对所述定量图像进行重建处理，生成包含有目标特征的超分辨率图像。
可选地，所述生成包含有目标特征的超分辨率图像，包括：
确定纵向弛豫时间，横向弛豫时间及质子密度值；
利用所述第一机器学习模型，或者，携带有定量分析模块的训练好的第二机器学习模型，生成所述超分辨率图像。
可选地，所述将所述定量图像序列输入训练好的机器学习模型，对所述定量图像序列进行优化处理，生成包含有目标特征的超分辨率图像，包括：
将所述定量图像序列输入所述训练好的第一机器学习模型，生成图像浅层特征；
利用所述图像浅层特征和所述训练好的第一机器学习模型所包含的深层特征模型和图像重建模型，生成包含有目标特征的超分辨率图像。
可选地，所述第一机器学习模型的训练方式包括：
获取在预设时间长度内目标样本的低质量核磁图像序列样本，和在标准时间段内目标样本的高质量核磁图像序列样本；
构建包含有浅层特征提取模块、深层特征提取模块和图像重建模块的待训练的第一机器学习模型；
对所述低质量核磁图像序列样本和所述高质量核磁图像序列样本进行配准处理，输入所述待训练的第一机器学习模型；
生成训练好的第一机器学习模型。
本申请实施例提供一种核磁图像处理系统，所述系统包括：核磁设备和计算机设备；
所述核磁设备，用于根据预设时间进行图像采集，生成低质量核磁图像序列；
计算机设备，用于获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
本申请实施例提供一种电子设备，包括：存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
本申请实施例提供一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现如下方法：获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
本申请实施例提供的方案，获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。本方案通过将标准合成磁共振成像技术的扫描图像时间长度缩短为与预设时间，能够有效提升图像扫描效率。由于对扫描图像时间进行缩短调整，因此所得到的扫描图像为低质量核磁图像序列。在得到低质量核磁图像序列之后，进一步利用定量分析技术和图像重建技术，对低质量核磁图像进行处理，进而得到满足使用需求的超分辨率图像，在满足图像质量需求的同时，能够有效缩短图像处理(由低质量图像得到高质量图像)时间长度。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。在附图中：
图1为本申请实施例举例说明的核磁图像处理设备的结构示意图；
图2为本申请实施例提供的一种核磁图像处理方法的流程示意图；
图3为本申请实施例举例说明的机器学习模型架构的示意图；
图4为本申请实施例提供的核磁图像处理系统的结构示意图；
图5为本申请实施例提供的核磁图像处理装置的结构示意图；
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
在介绍本申请各实施例提供的技术方案之前，先对本文中涉及到专有名词进行简单的介绍。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于监测”。类似地，取决于语境，短语“如果确定”或“如果监测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当监测(陈述的条件或事件)时”或“响应于监测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
需要说明的是，合成磁共振成像技术(Synthetic MR)是一种磁共振快速成像技术。基于二维动态多回波(multi echo multi delay,MDME)序列，可以实现一次扫描多种成像。扫描获得原始图像后，可同时计算得到定量的纵向弛豫时间，横向弛豫时间和质子密度，通过设置不同的重复时间，回波时间和反转时间可生成不同对比度的加权图像。通常在5-6分钟之间可获得高质量图像。在实际应用中，由于需要使用核磁设备的用户数量庞大，扫描时间过长导致核磁设备难以满足大量用户的应用需求。此外，合成磁共振成像技术的计算原理为模型驱动，拟合计算，存在运算时间长。若缩短合成磁共振成像技术的扫描时间，则会直接导致合成图像质量低，无法满足图像识别需求。因此，需要一种能够在确保满足高质量成像需求的同时能够有效提高核磁图像处理效率的方案。
本申请实施例提供的所述方法的执行主体可以是一个装置也可以是多个装置。所述装置可以为但不限于集成于智能手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、智能电视、膝上型便携计算机、台式计算机、智能穿戴设备等任意终端设备上的装置。核磁图像处理设备并不做具体限定，而是指无需在个体上造成可见伤口的情况下能够实现对用户特定部位图像准确分类识别的设备。举例来说，如图1为本申请实施例举例说明的核磁图像处理设备的结构示意图。从图1中可以看到，该核磁图像处理设备包括显示器、处理器、核磁共振设备。接受者可以通过核磁共振设备进行无创图像采集，将通过核磁共振设备采集到的头部磁共振图像序列发送给处理器，该处理器中训练好的机器学习模型对头部磁共振图像序列进行识别。基于该核磁图像处理设备进行核磁图像处理的具体方法，将在下述各实施例中具体举例说明。
如图2为本申请实施例提供的一种核磁图像处理方法的流程示意图。从图2中可以看到，所述方法包括如下步骤：
201：获取在预设时间长度内目标对象的低质量核磁图像序列。
202：对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列。
203：对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
如前文所述可知，在现有的合成磁共振成像技术中通常需要5-6分钟左右的成像时间，才能得到满足使用需求的高质量图像。在本申请技术方案中，所说的预设时间是小于合成磁共振成像技术所需要的时间，比如，预设时间可以是1分钟至3分钟不等，可以根据实际需要对预设时间的时间长度进行适应性调整。这样使得预设时间的时间长度相对于合成磁共振成像技术的扫描时间长度明显缩短，从而能够在相同时间范围内为更多的用户提供核磁图像处理服务。
这里所说的低质量核磁图像序列，可以理解为相对于合成磁共振成像技术的高质量图像来说，由于缩短了核磁设备的扫描时间，因此，得到图像为低质量核磁图像序列。需要说明的是，得到的低质量核磁图像序列无法满足图像使用需求，还需要进一步对低质量核磁图像序列进行优化处理。具体来说，包括对低质量核磁图像序列进行定量分析，以及基于定量分析得到的定量图像序列进行进一步图像的重建处理，进而生成超分辨率图像。需要说明的是，对低质量核磁图像进行定量分析的过程以及图像的重建处理过程，将在下述实施例中进行举例说明，这里就不再重复赘述。
需要说明的是，目标对象可以理解为用户身体上某个部位，比如，头部、心脏、大脑等等将要被成像的部位。这里所说的目标特征，可以理解为用户身体上某个部位所具有的特征，比如，心脏病变部位所具有的病变特征、大脑病变部位所具有的病变特征等等。
通过图像重建处理所得到的超分辨率图像是能够满足用户图像应用需求的图像。该图像的使用者(比如，医生)能够从该超分辨率图像中清晰准确的识别出目标特征以及目标特征所反映的属性。
在本申请的一个或者多个实施例中，所述获取在预设时间长度内目标对象的低质量核磁图像序列，包括：根据核磁图像质量需求，确定对应的预设时间长度；获取核磁设备在预设时间长度内进行图像采集得到的低质量核磁图像序列。
不同的核磁图像采集需求时，进行采集时的时间长度不同。如前文所述，采集时间越长，所得到的核磁图像质量越高；采集时间越短，所得到的核磁图像质量越低。然而，采集时间过长，则严重影响工作效率，因此，需要根据实际需求，选择合适的预设时间长度。比如，可以根据目标特征的位置选择合适的预设时间长度，例如，针对头部设定预设时间长度为t1，针对心脏设定的预设时间长度为t2。在实际应用中，利用核磁设备进行图像采集的时候，可以控制核磁设备对目标对象进行预设时间长度的图像采集，并由核磁设备基于原始数据进行处理得到低质量核磁图像序列，在满足对核磁图像质量要求的情况下，尽可能提高图像处理效率。
在本申请的一个或者多个实施例中，所述对所述低质量核磁图像序列进行解析处理，生成包含有所述目标对象的目标特征的定量图像，对包含有目标特征的所述定量图像进行重建处理，生成超分辨率图像，包括：利用预设定量计算单元对所述低质量核磁图像序列进行预处理，生成定量图像序列；将所述定量图像序列输入训练好的第一机器学习模型，对所述定量图像序列进行优化处理，生成包含有目标特征的超分辨率图像。
在本实施例中，可以用定量计算单元以及机器学习模型，分别对低质量核磁图像序列进行相关处理，以便得到所需的包含有目标特征的超分辨率图像。
本实施例中的定量分析是指对人体组织的固有参数：纵向弛豫时间T1，横向弛豫时间T2及质子密度PD值的测量及相应的定量图的生成。
预设定量计算单元中进行定量分析各个参数的具体计算公式如下：
T1计算公式：Mz＝M0[1-2*(exp(-TD/T1))
T2计算公式：T2＝(TE1-TE2)/ln(ITE1/ITE2)
PD计算公式：PD＝CcoilCloadCvolCpixCtempCarb(T1ITE/T1*exp(-TE/T2*)sinα)
其中，TD为延迟时间，TE1和TE2为回波时间，ITE1和ITE2为不同回波时间下的信号强度，Ccoil、Cload、Cvol、Cpix、Ctemp、Carb为与磁共振性能相关的常数项，α为激励脉冲角度。
在定量分析时可采用如下两种方式：
一是采用模型驱动方式，解析计算。由MDME序列原理可知，MDME序列设置了两个回波时间，四个延迟时间，扫描的每一层都包含16幅由幅值和相位图像组成的复数图，找出每一层对应的相位图和幅值图，将相位图作为实部，幅值图作为虚部，采用的方法，即可得到每层对应的8幅模图，基于8幅模图，结合定量计算公式，即可通过自编程序实现定量图像序列的计算。对低质量待重建图像和高质量参考图像，分别采用解析计算的方式得到相应的定量图像序列，输入深度学习模型中，即可得到深度学习后的高质量的超分辨率图像。
二是采用将模型和深度学习相结合方式。在传统方式中若仅通过公式进行解析计算获取定量值和定量图的方式可能会存在计算时间较长，此外，在组织交界处的模型拟合时容易出现偏差等问题。因此，为了提高计算效率和准确性，可结合深度学习的方法，通过迭代优化自动生成相应的定量图像序列的计算和学习过程，即可将低质量和高质量的原始图像直接输入含有解析计算公式的深度学习模型中，获取深度学习后的高质量的超分辨率图像。
在本申请的一个或者多个实施例中，所述对所述低质量核磁图像序列进行解析处理，生成包含有所述目标对象的目标特征的定量图像序列，对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像，包括：将所述低质量核磁图像序列输入携带有定量分析模块的训练好的第二机器学习模型；基于所述定量分析模块生成定量图像序列；对所述定量图像进行重建处理，生成包含有目标特征的超分辨率图像。
在本实施例中，可以将定量计算单元的相关定量分析算法融入到第二机器学习模型当中，
将深度学习模型与解析计算模型相结合构建定量图计算及优化网络，利用解析计算模型构建目标函数，以原始图像为输入，定量图为输出，以计算出的原始图像和输入的原始图像之间的差异值来优化一组权重和偏差组成的映射函数，从而训练第二机器学习模型。在使用过程中，对低质量和高质量图像都采用上述方式得到优化后的定量图像序列。
在本申请的一个或者多个实施例中，所述将所述定量图像序列输入训练好的第一机器学习模型，对所述定量图像序列进行优化处理，生成包含有目标特征的超分辨率图像，包括：将所述定量图像序列输入所述训练好的第一机器学习模型，生成图像浅层特征；利用所述图像浅层特征和所述训练好的第一机器学习模型所包含的深层特征模型和图像重建模型，生成包含有目标特征的超分辨率图像。
为了便于理解，下面将对第一机器学习的构成进行举例说明。如图3为本申请实施例举例说明的第一机器学习模型架构的示意图。
基于预处理后的图像数据，通过第一机器学习模型框架搭建基于通道划分卷积神经网络的快速合成磁共振图像超分辨率重建网络。重建网络包括三个部分：浅层特征提取模块，深层特征提取模块和图像重建模块。模型架构如图3所示。
浅层特征提取模块包括两个3X3的卷积层和一个1X1的卷积层。深层特征提取模块包括N个结构相同的通道划分块(Channel Splitting Block,CSB)，每个CSB由稠密连接和残差网络构成。图像重建模块主要包括像素调整层和外部残差连接。损失函数为低质量图像序列LR和高质量图像序列HR图像之间的L1 Loss。
需要说明的是，第一机器学习模型的架构可以根据实际需要进行调整，这里仅作为举例说明，并不构成对本申请技术方案的限制。
在本申请的一个或者多个实施例中，所述第一机器学习模型的训练方式包括：获取在预设时间长度内目标样本的低质量核磁图像序列样本，和在标准时间段内目标样本的高质量核磁图像序列样本；构建包含有浅层特征提取模块、深层特征提取模块和图像重建模块的待训练的第一机器学习模型；对所述低质量核磁图像序列样本和所述高质量核磁图像序列样本进行配准处理，输入所述待训练的第一机器学习模型；生成训练好的所述第一机器学习模型。
在实际应用中，为了获得更好的训练效果，在收集训练样本的时候，采集获得同一受检者在不同扫描参数下的不同扫描时间的合成磁共振图像，作为待处理的训练样本图像。举例来说，标准合成磁共振采集图像(5分钟左右)为高质量核磁图像序列样本(HR)，快速合成磁共振采集图像(1分钟到3分钟不等)为待重建的低质量核磁图像序列样本(LR)。
在得到样本图像之后，对图像进行预处理。对低质量核磁图像序列样本LR和高质量核磁图像序列样本HR的合成磁共振图像，通过计算得到原始模图，通过后处理软件得到相应的定量图和加权图。对低质量核磁图像序列样本LR和高质量核磁图像序列样本HR的图像进行配准，切块和旋转等处理，以进行数据增强。
利用所述超分辨率重建网络对低质量核磁图像序列样本LR和高质量核磁图像序列样本HR进行分析，以得到训练后的超分辨率图像。根据预先定义的损失函数调整所述第一机器学习模型的参数，使得训练后的超分辨率图像与高质量核磁图像序列样本HR图像之间的损失最小。
基于上述实施例可知，获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。本方案通过将标准合成磁共振成像技术的扫描图像时间长度缩短为与预设时间，能够有效提升图像扫描效率。由于对扫描图像时间进行缩短调整，因此所得到的扫描图像为低质量核磁图像序列。在得到低质量核磁图像序列之后，进一步利用定量分析技术和图像重建技术，对低质量核磁图像进行处理，进而得到满足使用需求的超分辨率图像，在满足图像质量需求的同时，能够有效缩短图像处理(由低质量图像得到高质量图像)时间长度。
基于同样的思路，本申请实施例还提供一种核磁图像处理系统。如图4为本申请实施例提供的核磁图像处理系统的结构示意图。从图4中可以看到，该系统包括：
所述系统包括：核磁设备41和计算机设备42；所述核磁设备，用于根据预设时间进行图像采集，生成低质量核磁图像序列；计算机设备，用于获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
基于同样的思路，本申请实施例还提供一种核磁图像处理装置。如图5为本申请实施例提供的核磁图像处理装置的结构示意图。从图5中可以看到，该装置包括：
获取模块51，用于获取在预设时间长度内目标对象的低质量核磁图像序列。
生成模块52，用于对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列。
所述生成模块52，还用于对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
可选地，获取模块51，根据核磁图像质量需求，确定对应的预设时间长度；获取核磁设备在预设时间长度内进行图像采集得到的低质量核磁图像序列。
可选地，生成模块52，用于利用预设定量计算单元对所述低质量核磁图像序列进行预处理，生成定量图像序列；将所述定量图像序列输入训练好的第一机器学习模型，对所述定量图像序列进行优化处理，生成包含有目标特征的超分辨率图像。
可选地，生成模块52，用于将所述低质量核磁图像序列输入携带有定量分析模块的训练好的第二机器学习模型；基于所述定量分析模块生成定量图像序列；对所述定量图像进行重建处理，生成包含有目标特征的超分辨率图像。
可选地，生成模块52，用于确定纵向弛豫时间，横向弛豫时间及质子密度值；利用所述第一机器学习模型，或者，携带有定量分析模块的训练好的第二机器学习模型，生成所述超分辨率图像。
可选地，生成模块52，用于将所述定量图像序列输入所述训练好的第一机器学习模型，生成图像浅层特征；利用所述图像浅层特征和所述训练好的第一机器学习模型所包含的深层特征模型和图像重建模型，生成包含有目标特征的超分辨率图像。
可选地，还包括训练模块53，用于获取在预设时间长度内目标样本的低质量核磁图像序列样本，和在标准时间段内目标样本的高质量核磁图像序列样本；构建包含有浅层特征提取模块、深层特征提取模块和图像重建模块的待训练的第一机器学习模型；对所述低质量核磁图像序列样本和所述高质量核磁图像序列样本进行配准处理，输入所述待训练的第一机器学习模型；生成训练好的第一机器学习模型。
图6为本申请实施例提供的电子设备的结构示意图。如图6所示，所述电子设备包括：存储器61以及处理器62；其中，
所述存储器61，用于存储程序；
所述处理器62，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像。
上述存储器61可被配置为存储其它各种数据以支持在计算设备上的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令。存储器61可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述处理器62在执行存储器61中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
进一步，如图6所示，电子设备还包括：显示器63、电源组件64、通讯组件65等其它组件。图6中仅示意性给出部分组件，并不意味着该电子设备只包括图6所示组件。
相应的，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的核磁图像处理方法的步骤或功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (5)
1.一种核磁图像处理方法，其特征在于，所述方法包括：
获取在预设时间长度内目标对象的低质量核磁图像序列；具体包括：根据核磁图像质量需求和目标特征的位置，确定对应的预设时间长度；获取核磁设备在预设时间长度内进行图像采集得到的低质量核磁图像序列；
对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像；具体包括：将所述低质量核磁图像序列输入携带有定量分析模块的训练好的第二机器学习模型；基于所述定量分析模块生成定量图像序列；对所述定量图像进行重建处理，生成包含有目标特征的超分辨率图像；
其中，定量分析模块工作方式包括：将模型和深度学习相结合，通过迭代优化自动生成相应的定量图像序列的计算和学习过程，即可将低质量核磁图像直接输入含有解析计算公式的深度学习模型中，获取深度学习后的高质量的超分辨率图像；将模型和深度学习相结合具体包括：将深度学习模型与解析计算模型相结合构建定量图计算及优化网络；其中，解析计算模型用于构建目标函数；以原始图像为输入，定量图为输出，以计算出的原始图像和输入的原始图像之间的差异值来优化一组权重和偏差组成的映射函数，从而训练包含有所述目标函数和所述映射函数的第二机器学习模型。
2.根据权利要求1所述的方法，其特征在于，所述生成包含有目标特征的超分辨率图像，包括：
确定纵向弛豫时间，横向弛豫时间及质子密度值；
利用携带有定量分析模块的训练好的第二机器学习模型，生成所述超分辨率图像。
3.一种核磁图像处理系统，其特征在于，所述系统包括：核磁设备和计算机设备；
所述核磁设备，用于根据预设时间进行图像采集，生成低质量核磁图像序列；具体包括：根据核磁图像质量需求和目标特征的位置，确定对应的预设时间长度；获取核磁设备在预设时间长度内进行图像采集得到的低质量核磁图像序列；
计算机设备，用于获取在预设时间长度内目标对象的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像；具体包括：将所述低质量核磁图像序列输入携带有定量分析模块的训练好的第二机器学习模型；基于所述定量分析模块生成定量图像序列；对所述定量图像进行重建处理，生成包含有目标特征的超分辨率图像；
其中，定量分析模块工作方式包括：将模型和深度学习相结合，通过迭代优化自动生成相应的定量图像序列的计算和学习过程，即可将低质量核磁图像直接输入含有解析计算公式的深度学习模型中，获取深度学习后的高质量的超分辨率图像；将模型和深度学习相结合具体包括：将深度学习模型与解析计算模型相结合构建定量图计算及优化网络；其中，解析计算模型用于构建目标函数；以原始图像为输入，定量图为输出，以计算出的原始图像和输入的原始图像之间的差异值来优化一组权重和偏差组成的映射函数，从而训练包含有所述目标函数和所述映射函数的第二机器学习模型。
4.一种电子设备，其特征在于，包括：存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取在预设时间长度内目标对象的低质量核磁图像序列；具体包括：根据核磁图像质量需求和目标特征的位置，确定对应的预设时间长度；获取核磁设备在预设时间长度内进行图像采集得到的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像；具体包括：将所述低质量核磁图像序列输入携带有定量分析模块的训练好的第二机器学习模型；基于所述定量分析模块生成定量图像序列；对所述定量图像进行重建处理，生成包含有目标特征的超分辨率图像；
其中，定量分析模块工作方式包括：将模型和深度学习相结合，通过迭代优化自动生成相应的定量图像序列的计算和学习过程，即可将低质量核磁图像直接输入含有解析计算公式的深度学习模型中，获取深度学习后的高质量的超分辨率图像；将模型和深度学习相结合具体包括：将深度学习模型与解析计算模型相结合构建定量图计算及优化网络；其中，解析计算模型用于构建目标函数；以原始图像为输入，定量图为输出，以计算出的原始图像和输入的原始图像之间的差异值来优化一组权重和偏差组成的映射函数，从而训练包含有所述目标函数和所述映射函数的第二机器学习模型。
5.一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现如下方法：
获取在预设时间长度内目标对象的低质量核磁图像序列；具体包括：根据核磁图像质量需求和目标特征的位置，确定对应的预设时间长度；获取核磁设备在预设时间长度内进行图像采集得到的低质量核磁图像序列；对所述低质量核磁图像序列进行分析处理，生成包含有所述目标对象的目标特征的定量图像序列；对包含有目标特征的所述定量图像序列进行重建处理，生成超分辨率图像；具体包括：将所述低质量核磁图像序列输入携带有定量分析模块的训练好的第二机器学习模型；基于所述定量分析模块生成定量图像序列；对所述定量图像进行重建处理，生成包含有目标特征的超分辨率图像；
其中，定量分析模块工作方式包括：将模型和深度学习相结合，通过迭代优化自动生成相应的定量图像序列的计算和学习过程，即可将低质量核磁图像直接输入含有解析计算公式的深度学习模型中，获取深度学习后的高质量的超分辨率图像；将模型和深度学习相结合具体包括：将深度学习模型与解析计算模型相结合构建定量图计算及优化网络；其中，解析计算模型用于构建目标函数；以原始图像为输入，定量图为输出，以计算出的原始图像和输入的原始图像之间的差异值来优化一组权重和偏差组成的映射函数，从而训练包含有所述目标函数和所述映射函数的第二机器学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551434.5A CN115115727B (zh) | 2022-05-18 | 2022-05-18 | 核磁图像处理方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551434.5A CN115115727B (zh) | 2022-05-18 | 2022-05-18 | 核磁图像处理方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115115727A CN115115727A (zh) | 2022-09-27 |
| CN115115727B true CN115115727B (zh) | 2023-08-01 |
Family
ID=83327291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210551434.5A Active CN115115727B (zh) | 2022-05-18 | 2022-05-18 | 核磁图像处理方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115115727B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108778116A (zh) * | 2016-04-04 | 2018-11-09 | 株式会社日立制作所 | 磁共振成像装置以及图像处理方法 |
| CN109727197A (zh) * | 2019-01-03 | 2019-05-07 | 云南大学 | 一种医学图像超分辨率重建方法 |
| CN109741416A (zh) * | 2019-01-04 | 2019-05-10 | 北京大学深圳医院 | 核磁共振图像重建方法、装置、计算机设备及其存储介质 |
| CN111353935A (zh) * | 2020-01-03 | 2020-06-30 | 首都医科大学附属北京友谊医院 | 基于深度学习的磁共振成像优化方法及其设备 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8472689B2 (en) * | 2008-03-04 | 2013-06-25 | Carestream Health, Inc. | Method for enhanced voxel resolution in MRI image |
| US9213076B2 (en) * | 2012-02-27 | 2015-12-15 | Medimagemetric LLC | System, process and computer-accessible medium for providing quantitative susceptibility mapping |
| US9931082B2 (en) * | 2015-07-31 | 2018-04-03 | General Electric Company | Time optimal phase sensitive inversion recovery reconstruction for magnetic resonance imaging |
| US10074038B2 (en) * | 2016-11-23 | 2018-09-11 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
| WO2019060258A1 (en) * | 2017-09-19 | 2019-03-28 | University Of Cincinnati | SYSTEMS AND METHODS FOR DETECTING SMALL PHYSIOLOGICAL OR PATHOLOGICAL CHANGES USING HIGH RESOLUTION MAGNETIC RESONANCE IMAGING |
| WO2019204406A1 (en) * | 2018-04-19 | 2019-10-24 | Subtle Medical, Inc. | Systems and methods for improving magnetic resonance imaging using deep learning |
| CN108896943B (zh) * | 2018-05-10 | 2020-06-12 | 上海东软医疗科技有限公司 | 一种磁共振定量成像方法和装置 |
| EP4088129A1 (en) * | 2020-01-08 | 2022-11-16 | UMC Utrecht Holding B.V. | Accelerated time domain magnetic resonance spin tomography |
| CN112037304B (zh) * | 2020-09-02 | 2023-12-08 | 上海大学 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
| CN114445273A (zh) * | 2020-11-03 | 2022-05-06 | 中国科学院深圳先进技术研究院 | 磁共振图像处理方法、计算机设备及存储介质 |
-
2022
- 2022-05-18 CN CN202210551434.5A patent/CN115115727B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108778116A (zh) * | 2016-04-04 | 2018-11-09 | 株式会社日立制作所 | 磁共振成像装置以及图像处理方法 |
| CN109727197A (zh) * | 2019-01-03 | 2019-05-07 | 云南大学 | 一种医学图像超分辨率重建方法 |
| CN109741416A (zh) * | 2019-01-04 | 2019-05-10 | 北京大学深圳医院 | 核磁共振图像重建方法、装置、计算机设备及其存储介质 |
| CN111353935A (zh) * | 2020-01-03 | 2020-06-30 | 首都医科大学附属北京友谊医院 | 基于深度学习的磁共振成像优化方法及其设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115115727A (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Armanious et al. | Unsupervised medical image translation using cycle-MedGAN | |
| US11257191B2 (en) | Systems and methods for deblurring medical images using deep neural network | |
| Lahoud et al. | Zero-learning fast medical image fusion | |
| CN113344799A (zh) | 用于使用深度神经网络减少医学图像中的有色噪声的系统和方法 | |
| US20220130084A1 (en) | Systems and methods for medical image processing using deep neural network | |
| CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
| US12039699B2 (en) | Method and system for simulating and constructing original medical images from one modality to other modality | |
| CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
| Armanious et al. | Unsupervised adversarial correction of rigid MR motion artifacts | |
| CN109215014A (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
| Do et al. | 7T MRI super-resolution with Generative Adversarial Network | |
| US10159424B2 (en) | Method and apparatus for generating medical image data records | |
| US11455755B2 (en) | Methods and apparatus for neural network based image reconstruction | |
| CN115115727B (zh) | 核磁图像处理方法、系统、设备及存储介质 | |
| Alogna et al. | Brain magnetic resonance imaging generation using generative adversarial networks | |
| CN112330640A (zh) | 医学图像中结节区域的分割方法、装置及设备 | |
| CN111681297A (zh) | 图像重建方法、计算机设备和存储介质 | |
| CN111311531A (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
| CN117203671A (zh) | 基于机器学习的迭代图像重建改进 | |
| CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
| EP3771405A1 (en) | Method and system for automated dynamic medical image acquisition | |
| CN113112507A (zh) | 灌注影像分析方法、系统、电子设备及存储介质 | |
| CA3104607A1 (en) | Contrast-agent-free medical diagnostic imaging | |
| Tripathi et al. | Modified restricted Boltzmann machine (mRBM) for denoising of motion artifact-induced MRI scans | |
| Baldeon-Calisto et al. | Deepsit: Deeply supervised framework for image translation on breast cancer analysis |
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 |