CN115135237A - 磁共振影像处理装置及其方法 - Google Patents

磁共振影像处理装置及其方法 Download PDF

Info

Publication number
CN115135237A
CN115135237A CN202080096587.4A CN202080096587A CN115135237A CN 115135237 A CN115135237 A CN 115135237A CN 202080096587 A CN202080096587 A CN 202080096587A CN 115135237 A CN115135237 A CN 115135237A
Authority
CN
China
Prior art keywords
magnetic resonance
resonance image
image
data
image processing
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
CN202080096587.4A
Other languages
English (en)
Inventor
高陈圭
尹哉砚
郑根宇
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.)
Oxygen Medicine Co ltd
Original Assignee
Oxygen Medicine 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 Oxygen Medicine Co ltd filed Critical Oxygen Medicine Co ltd
Publication of CN115135237A publication Critical patent/CN115135237A/zh
Pending legal-status Critical Current

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
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明的一实施例提供一种基于磁共振影像处理装置的磁共振影像处理方法，包括下列步骤：获取子采样的磁共振信号；利用第一并行成像技术从子采样的磁共振信号获取第一k空间(k‑space)数据；利用傅里叶逆运算从第一k空间数据获取第一磁共振影像；对第一磁共振影像进行预处理生成第一输入影像数据；以及利用第一人工神经网络模型从第一输入影像数据获取第一输出磁共振影像。

Description

磁共振影像处理装置及其方法
技术领域
本发明涉及一种磁共振影像处理装置及其方法，尤其是一种利用人工神经网络从磁共振信号加速获取磁共振影像的磁共振影像处理装置及其方法。
背景技术
一般来说，医疗用影像装置是一种获取患者的身体信息后提供影像的装置。医疗用影像装置包括X射线拍摄装置、超声波诊断装置、计算机断层扫描装置、磁共振影像(Magnetic Resonance Imaging,MRI)成像装置等。
在此，磁共振影像利用对人体无害的磁场与非电离射线让体内的氢原子核发生核磁共振现象而将原子核的密度及物理/化学特性予以影像化。磁共振成像装置的影像拍摄条件相对自由并且包含软组织里的各种诊断信息，还能提供具有优异对比度的影像，因此在利用医疗用影像的诊断领域占有很重要的地位。
具体地，磁共振成像装置是一种在对原子核施加了一定磁场的状态下供应一定频率的能量并且把原子核释出的能量转换成信号而诊断人体内部的影像诊断装置。由于组成原子核的质子自备自旋角运动量与磁偶极子，因此施加了磁场后会沿着磁场方向对齐并且原子核以磁场方向为中心进行旋进运动。凭借该旋进运动能通过核磁共振现象获取人体影像。
另一方面，使用磁共振成像装置的拍摄时间根据拍摄部位与MR影像种类等因素而短则需要20多分钟，长则需要1小时以上。即，磁共振成像装置存在着拍摄时间比其它医疗用影像拍摄装置相对较长的缺点。该缺点会让患者对拍摄感到负担，患有幽闭恐惧症的患者则几乎无法进行该方法。因此，迄今为止人们还依然努力开发能缩短拍摄时间的技术，与此同时，影像质量方面也需要改善。
发明内容
技术问题
本发明的磁共振影像处理装置及其方法提供一种即使缩短磁共振影像拍摄时间也能获取优质重建影像的磁共振影像处理装置及其方法而能够轻易进行患者的病变部位诊断。
技术方案
本发明一实施例提供一种基于磁共振影像处理装置的磁共振影像处理方法，该磁共振影像处理方法包括下列步骤：获取子采样(subsa mpling)的磁共振信号；利用第一并行成像技术从子采样的磁共振信号获取第一k空间(k-space)数据；利用傅里叶逆运算从第一k空间数据获取第一磁共振影像；对第一磁共振影像进行预处理生成第一输入影像数据；以及利用第一人工神经网络模型从第一输入影像数据获取第一输出磁共振影像。
本实施例能提供下述磁共振影像处理方法，即，如果有多个子采样的磁共振信号，则分别获取多个第一k空间数据及多个第一磁共振影像，对第一磁共振影像进行预处理生成第一输入影像数据的步骤包括下列步骤：合成(combine)多个第一磁共振影像获取单个第二磁共振影像；以及对第二磁共振影像进行预处理生成第一输入影像数据。
本实施例能提供下述磁共振影像处理方法，即，合成多个第一磁共振影像获取单个第二磁共振影像的步骤利用如下数学式1执行。
数学式1：
ci＝Si·m，
Figure BDA0003796125680000021
Figure BDA0003796125680000031
其中，ci＝第i个第一磁共振影像，
Si＝第i个线圈的灵敏度矩阵，
m＝基于复数值信息的第二磁共振影像，
mreal＝基于实数值信息的第二磁共振影像。
本实施例能提供下述磁共振影像处理方法，即，合成多个第一磁共振影像获取单个第二磁共振影像的步骤利用如下数学式2执行。
数学式2：
Figure BDA0003796125680000032
其中，m＝基于复数值信息的第二磁共振影像，
Si *＝第i个线圈的灵敏度矩阵的共轭转置矩阵(Conjugate tran sposedmetrix)，
ci＝第i个第一磁共振影像。
本实施例能提供下述磁共振影像处理方法，即，第一磁共振影像包含目标图像和以相位编码方向混叠的图像，对第一磁共振影像进行预处理生成第一输入影像数据的步骤包括下列步骤：移动(shift)第一磁共振影像获取移位的第一磁共振影像，以使得混叠的图像与目标图像匹配；以及沿着分别垂直于相位编码方向及读出方向的第一方向对第一磁共振影像和移位的第一磁共振影像进行堆栈(stack)并予以分组(grouping)来生成第一输入影像数据。
本实施例能提供下述磁共振影像处理方法，即，第二磁共振影像包含目标图像和以相位编码方向混叠的图像，对第二磁共振影像进行预处理生成第一输入影像数据的步骤包括下列步骤：移动第二磁共振影像获取移位的第二磁共振影像，以使得混叠的图像与目标图像匹配；以及沿着分别垂直于相位编码方向及读出方向的第一方向对第二磁共振影像和移位的第二磁共振影像进行堆栈并予以分组来生成第一输入影像数据。
本实施例能提供下述磁共振影像处理方法，即，第一人工神经网络模型输入以第一磁共振影像为基础生成的噪声图案影像(noise patte rn image)。
本实施例能提供下述磁共振影像处理方法，即，第一人工神经网络模型具有包含收缩路径(Contracting path)与扩展路径(Expanding path)的人工神经网络结构，收缩路径(Contracting path)包含多个卷积(Convolution)层与池化(Pooling)层，扩展路径(Expanding path)则包含多个卷积层与反池化(Unpooling)层，噪声图案影像被输入到扩展路径(Expanding path)的多个卷积层及反池化层中的至少一个。
本发明的扩展实施例能提供下述磁共振影像处理方法，即，包括利用傅里叶运算从第一输出磁共振影像获取第二k空间数据的步骤，获取第二k空间数据的步骤则包括下列步骤：分解(decombine)第一输出磁共振影像获取多个第二输出磁共振影像；以及利用傅里叶运算从第二输出磁共振影像获取第二k空间数据。
本实施例能提供下述磁共振影像处理方法，即，分解(decombine)第一输出磁共振影像获取多个第二输出磁共振影像的步骤利用如下数学式3或数学式4执行。
数学式3：
Figure BDA0003796125680000041
其中，
Figure BDA0003796125680000042
Si＝第i个线圈的灵敏度矩阵，
Figure BDA0003796125680000043
数学式4：
Figure BDA0003796125680000044
其中，
Figure BDA0003796125680000045
Si＝第i个线圈的灵敏度矩阵，
Figure BDA0003796125680000046
Figure BDA0003796125680000047
本实施例能提供下述磁共振影像处理方法，即，包括利用第二并行成像技术从第二k空间数据获取第三k空间数据的步骤。。
本实施例能提供下述磁共振影像处理方法，即，包括下列步骤：利用傅里叶逆运算从第三k空间数据获取第三磁共振影像；对第三磁共振影像进行预处理生成第二输入影像数据；以及利用第二人工神经网络模型从第二输入影像数据获取第三输出磁共振影像。
本发明一实施例的用于执行磁共振影像处理方法的磁共振影像处理装置提供一种磁共振影像处理装置，其包括：存储器，存储有磁共振影像处理程序；以及处理器，执行程序；随着程序的执行，处理器获取子采样的磁共振信号，利用第一并行成像技术从子采样的磁共振信号获取第一k空间数据，利用傅里叶逆运算从第一k空间数据获取第一磁共振影像，对第一磁共振影像进行预处理生成第一输入影像数据，利用第一人工神经网络模型从第一输入影像数据获取第一输出磁共振影像。
发明的效果
本发明的磁共振影像处理装置及其方法提供即使缩短磁共振影像拍摄时间也能获取优质重建影像的磁共振影像处理装置及其方法而能够轻易进行患者的病变部位诊断。
而且，本发明实施例的磁共振影像处理装置及其方法获取多个磁共振影像并且提供利用第一人工神经网络模型及第二人工神经网络模型从对多个磁共振影像进行预处理来生成的输入数据重建的高准确度输出磁共振影像，能轻易进行患者病变部位的诊断。
附图说明
图1是示出本发明一实施例的磁共振影像处理装置的结构的结构图。
图2是示出本发明一实施例的磁共振影像处理方法的流程的流程图。
图3是示出本发明一实施例的磁共振影像处理方法的概略图。
图4是用于说明本发明一实施例的全采样与子采样的差异点的概略图。
图5是用于说明本发明一实施例的并行成像技术GRAPPA(全局自校准部分并行采集)与SPIRiT(迭代自校准并行成像重建)的差异点的概略图。
图6是示出本发明一实施例的第一磁共振影像预处理方法的流程的流程图。
图7是示出本发明一实施例的第一磁共振影像预处理方法的概略图。
图8是示出本发明的变形实施例对第一磁共振影像进行预处理生成第一输入影像数据的方法的流程的流程图。
图9是示出本发明一实施例利用第一人工神经网络模型从第一输入影像数据获取第一输出磁共振影像的步骤的概略图。
图10是示出本发明一实施例的第一人工神经网络模型结构的概略图。
图11用于说明本发明一实施例中作为学习数据适用于人工神经网络模型的噪声图案影像。
图12示出了本发明一实施例中把噪声图案影像作为学习数据适用于人工神经网络模型来缓和幻影(hallucination)的效果。
图13是示出包含本发明一实施例的磁共振影像处理方法的扩展实施例的磁共振影像处理方法的流程的流程图。
图14是示出本发明扩展实施例的磁共振影像处理方法的概略图。
图15是示出本发明扩展实施例的第二输出磁共振影像获取步骤及第二k空间数据获取步骤的流程图。
图16示出了本发明一实验例的加速4倍的重建影像与比较例。
图17示出了本发明另一实验例的加速6倍的重建影像与比较例。
具体实施方式
下面为了让本发明所属技术领域中的普通技术人员能够轻易实行而合成附图详细说明本发明的实施例。但本发明可以通过各种不同形态实现，因此不得将本发明局限于此处说明的实施例。为了清楚地说明本发明而省略了附图中与该说明无关的部分，整体说明书中相似的要素使用了相似的附图标记。
本说明书并没有说明实施例的全部要素，将省略本发明所属技术领域中一般内容或实施例之间重复的内容。说明书中使用的术语“部(part，portion)”可以由软件或硬件实现，某些实施例中由一个要素(unit,element)实现多个“部”，或者，某些实施例中一个“部”包含多个要素。
本说明书中，“影像”可以意味着由离散型图像要素(例如，二维图像里的像素及三维图像里的体素)构成的多维(multi-dimensional)数据。例如，影像可以包括由磁共振成像装置、计算机断层扫描(CT)装置、超声波拍摄装置或X射线拍摄装置之类的医疗影像装置获取的医疗影像。
本说明书中，“对象(object)”是拍摄的对象，可以包括人、动物或其一部分。例如，对象可以包括身体的一部分(脏器或器官等，or gan)或模体(phantom)等。模体指的是具有非常近似于生物密度与有效原子序数的体积的物质，可以包括具有相似于身体的性质的球形(sphere)模体。
磁共振影像(Magnetic Resonance Image，MRI)系统是一种以明暗对比方式表现出对具特定强度的磁场所发生的RF(Radio Frequency，射频)信号的磁共振(MagneticResonance，MR)信号的强度而获得对于对象的断层部位的图像的系统。
具体地，MRI系统形成静磁场(static magnetic field)并且以静磁场方向对齐位于静磁场里的对象的特定原子核的磁偶极子矩方向。倾斜磁场线圈对静磁场施加倾斜信号而形成倾斜磁场，能够按照各对象的部位诱导不同的共振频率。RF线圈能按照拟获取影像的部位的共振频率照射磁共振信号。而且，RF线圈随着倾斜磁场的形成而能够接收对象的各部位所辐射的相异的共振频率的磁共振信号。MRI系统针对通过该步骤收到的磁共振信号适用影像重建技术来获取影像。而且，MRI系统能针对通过多通道RF线圈接收的多个磁共振信号进行串行或并行信号处理而把多个磁共振信号重构成影像数据。
下面说明本发明一实施例的磁共振影像处理装置100。
本发明一实施例的磁共振影像处理装置100涉及一种直接/间接适用于前述MRI系统并且从磁共振信号加速获取磁共振影像的磁共振影像处理装置100。
磁共振影像处理装置100不仅可以是能自己感知磁共振信号后获取磁共振影像的MRI系统，也可以是针对取自外部的影像进行处理的影像处理装置、具有针对磁共振影像的处理(processing)功能的智能手机、平板电脑(PC)、个人电脑、智能电视(TV)、微服务器、其他家电产品及其它移动设备或非移动计算装置，但本发明并不限定于此。而且，磁共振影像处理装置100可以是具有通信功能及数据处理功能的手表、眼镜、头带及戒指之类的可穿戴设备。
图1是示出本发明一实施例的磁共振影像处理装置100的结构的结构图。
请参阅图1，磁共振影像处理装置100可包括通信模块110、存储器120、处理器130、数据库(DB)140。
通信模块110联动通信网而为磁共振影像处理装置100提供通信接口，其能发挥出和MRI成像装置、用户终端及管理服务器收发数据的功能。在此，通信模块可以是包含下列硬件及软件的装置，为了通过和其它网络装置的有线无线连接收发控制信号或数据信号之类信号而需要该硬件及软件。
存储器120可以是存储有磁共振影像处理程序的记录介质。而且，存储器120能发挥出把处理器所处理的数据予以暂时或永久保存的功能。在此，存储器120可以包括易失性存储介质(volatile storage med ia)或非易失性存储介质(non-volatile storagemedia)，但不能凭此限定本发明的范围。
处理器130可以控制磁共振影像处理装置100进行磁共振影像处理程序的整体过程。关于处理器130所执行的过程的各步骤，将在后面合成图2至图15进行说明。
在此，处理器130可以包括诸如处理器(processor)一样能处理数据的所有装置种类。在此，作为一例，“处理器(processor)”指的可以是内置于硬件的数据处理装置，该装置具有为了执行程序所含代码或指令所实现的功能而以物理方式结构化的电路。如前所述，内置于硬件的数据处理装置可例举微处理器(microprocessor)、中央处理器(centralprocessing unit：CPU)、处理器内核(processor core)、多处理器(multiprocessor)、应用程序专用集成电路(ASIC,application-specific integrated circuit)、现场可编程门阵列(FPGA，field programmable gate array)之类的处理装置，但不能凭此限定本发明的范围。
数据库140可以存储磁共振影像处理装置100为了执行程序而需要的各种数据。例如，数据库可存储后述的人工神经网络的学习数据、磁共振信号310数据、k空间数据及磁共振影像数据等。
另一方面，本发明中“终端”可以是保证携带型与移动性的无线通信装置，例如，可以是智能手机、平板电脑或笔记本电脑等一切类型的手持式(Handheld)无线通信装置。而且，“终端”也可以是具有通信功能及数据处理功能的手表、眼镜、头带及戒指之类的可穿戴设备。而且，“终端”也可以是能通过网络接入其它终端或服务器等的个人计算机之类的有线通信装置。
而且，网络指的是能让诸如终端及服务器之类各个节点相互之间进行信息交换的连接结构，包括近距通信网(LAN：Local Area Network)、广域通信网(WAN：Wide AreaNetwork)、互联网(WWW：World Wide Web)、有线无线数据通信网、电话网、有线无线电视通信网等。无线数据通信网络包括但不限于3G、4G、5G、第三代合作伙伴计划(3GPP，3rdGeneration Partnership Project)、长期演进(LTE，Long Term Evolution)、全球微波接入互操作性(WIMAX，World Interoperability for Microwave Access)、移动热点(Wi-Fi)、蓝牙通信、红外线通信、超声波通信、可视光线通信(VLC：Visible LightCommunication)、光照上网(LiFi)等。
下面详细说明本发明一实施例的磁共振影像处理装置100所进行的磁共振影像处理方法。图2是示出本发明一实施例的磁共振影像处理方法的流程的流程图。图3是示出本发明一实施例的磁共振影像处理方法的概略图。
请参阅图2与图3，本发明一实施例的磁共振影像处理装置100所进行的磁共振影像处理方法可以先进行获取子采样的磁共振信号310的步骤S210。
图4是用于说明本发明一实施例的全采样与子采样的差异点的概略图。
请参阅图4，子采样的磁共振信号310可以是以低于奈奎斯特采样率的采样率采样的磁共振信号310。而且，子采样的磁共振影像是以低于奈奎斯特采样率的采样率采集磁共振信号310后获取的影像。子采样的磁共振影像可以是包含混叠伪影(aliasing artifact)的影像。混叠伪影可以是所扫描的对象大于视场(FOV，field of view)时发生在磁共振影像的人工图像。另一方面，全采样的磁共振影像可以是以奈奎斯特采样率以上的采样率采集k空间数据后获取的影像。
例如，全采样的磁共振信号310的线(line)数可以是n个而子采样的磁共振信号310的线(line)数可以是n/2个。在此，采样线的减少程度为1/2倍数的话，磁共振影像拍摄的加速指数可以为2。采样线的减少程度为1/3倍数、1/4倍数的话，加速指数分别可以分别为3、4。
而且，子采样方法可以区分为均匀子采样与非均匀子采样。均匀子采样指的是让采样线的间隔维持规定间隔来进行采样。与此相反，非均匀子采样通常指的是，使采样线的间隔随着接近采样数据的中心部分逐渐变窄来增加采样并使采样线的间隔随着远离中心部分逐渐变宽来减少采样。
另一方面，磁共振影像处理装置100包含在MRI系统，能以收自RF线圈的磁共振信号为基础获取对应于子采样的磁共振信号310的输入数据。而且，磁共振影像处理装置100也可以从外部的磁共振成像装置、外部服务器及数据库中的至少一个获取对应于子采样的磁共振信号310的输入数据。
请重新参阅图2与图3，步骤S210之后，可以进行步骤S220，即，利用第一并行成像技术从子采样的磁共振信号310获取第一k空间数据320。
在此，并行成像技术是一种影像重建技术，从子采样的磁共振信号310和/或k空间数据获取全采样的k空间数据和/或和磁共振影像一样的高准确度k空间数据和/或磁共振影像。
进行基于并行成像技术的影像重建时，只要是能采用公知技术SP ACE RIP(Sensitivity Profiles From an Array of Coils for Encoding and Reconstructionin Parallel，用于编码和重建的线圈阵列的灵敏度分布)、SMASH(Simultaneousacquisition of spatial harmonics，空间谐波同步采集)、PILS(Partially ParallelImaging With Localized Sen sitivitie，基于局部灵敏度的部分平行成像)、GRAPPA(Generalized Autocalibrating Partially Parallel Acquisitions，全局自动校准部分并行采集)、SPIRiT(iterative Self-consistent Parallel Imaging Reconstructi on，迭代自校准并行成像重建)等的并行成像技术的就能不受限制地适用。
图5是用于说明本发明一实施例的并行成像技术GRAPPA与SPIRi T的差异点的概略图。
请参阅图4与图5，优选地，第一并行成像技术采用GRAPPA进行影像重建，该GRAPPA把子采样的磁共振信号310作为输入数据并且把全采样的k空间影像数据作为输出。
即，第一并行成像技术可以是GRAPPA技术。GRAPPA能把子采样的磁共振信号310数据修正成相似于全采样的k空间数据的高准确度k空间数据。也就是说，全采样的影像数据的线(line)数为n个而子采样的影像数据的线(line)数为n/2个时，GRAPPA能从子采样的影像数据的n/2个线中推测并生成未采样的剩余n/2个线。
例如，虽然在取自RF线圈一个通道的子采样的磁共振信号310采集了第一线与第三线及第四线但没有采集第二线的话，可以对最接近第二线的第一线与第三线进行线性组合来推测第二线。如前所述，GR APPA能从相邻线的线性组合推测出没有采集的其余线而修正成相似于全采样的影像数据。即，能按照各通道生成高准确度k空间形态的影像数据。
不同于该GRAPPA，SPIRiT能通过对相邻于包括所要推测像素的线的像素数据与相邻相应线的采样线的数据进行线性组合来推测未采样像素的数据。
步骤S220之后，能进行利用傅里叶逆(IFFT)运算从第一k空间数据320获取第一磁共振影像的步骤S230。
GRAPPA能把完整的k空间形态的影像数据予以傅里叶逆变换来生成重建影像，即，第一磁共振影像。在此，第一磁共振影像能包含目标图像和以相位编码方向Ky混叠的图像。
请参阅图4与图5，相位编码方向Ky可以是和磁共振信号310采样过程中采样线堆栈(stack)方向平行地延伸的方向。而且，读出方向Kx可以是采样线延伸的方向。另一方面，Kz方向可以命名为线圈的轴方向或者分别垂直于后述相位编码方向Ky及读出方向Kx的第一方向Kz。
另一方面，如果有多个子采样的磁共振信号310，则能分别获取多个第一k空间数据320及多个第一磁共振影像。即，如果有多个接收磁共振信号310的RF线圈的话，对应各个通道所接收的多个磁共振信号310地生成的多个重建影像就成为第一磁共振影像。
步骤S230之后，能进行对第一磁共振影像进行预处理生成第一输入影像数据340的步骤S240。
图6是示出本发明一实施例的第一磁共振影像预处理方法的流程的流程图。图7是示出本发明一实施例的第一磁共振影像预处理方法的概略图。
请参阅图6与图7，针对第一磁共振影像720进行预处理生成第一输入影像数据740的步骤S240可以包括步骤S241，即，移动(shift)第一磁共振影像720来获取移位的第一磁共振影像710、730，以使得混叠的图像A1、A2与目标图像T匹配。
请参阅图7的(a)，例如，第一磁共振影像720可包含对象(大脑)的目标图像T和混叠的图像A1、A2。在此，沿着相位编码方向Ky左/右移动第一磁共振影像720的话，能得到移位的第一磁共振影像710、730。
在此，能够按照使得混叠的图像A1、A2与目标图像T匹配的程度完成第一磁共振影像720的移动。例如能如下移动，即，让往左移位的第一磁共振影像710所含对象的混叠的图像A2以相位编码方向Ky及读出方向Kx所形成的平面为基准配置到和原始图像的第一磁共振影像720所含对象的目标图像T的位置相同的位置。而且，能如下移动，即，让往右移位的第一磁共振影像730所含对象的混叠的图像A1以相位编码方向Ky及读出方向Kx所形成的平面为基准配置到和原始图像的第一磁共振影像720所含对象的目标图像T的位置相同的位置。
而且，请参阅图7的(b)，针对第一磁共振影像720进行预处理生成第一输入影像数据740的步骤S240可以包括步骤S242，即，沿着分别垂直于相位编码方向Ky及读出方向Kx的第一方向Kz对第一磁共振影像720和移位的第一磁共振影像710、730进行堆栈(stack)并予以分组(grouping)来生成第一输入影像数据740。
在此，在图7的(b)中，第一方向Kz是和Kz方向并行的方向。相位编码方向Ky是和Ky方向并行的方向，读出方向Kx是和Kx方向并行的方向。而且，能把堆栈的第一磁共振影像720与多个移位的第一磁共振影像710、730捆绑成一个群组后生成输入到后述第一人工神经网络模型500的第一输入影像数据740。
图8是示出本发明变形实施例对第一磁共振影像进行预处理生成第一输入影像数据340的方法的流程的流程图。
请参阅图8，作为本发明的变形实施例，对第一磁共振影像进行预处理生成第一输入影像数据340的步骤S240'能包括合成(combine)多个第一磁共振影像获取单个第二磁共振影像330的步骤S241'。多个第一磁共振影像能从多个RF线圈通道各自接收的磁共振信号310生成。合成(combine)是一种通过输入由多线圈接收的多个第一磁共振影像来输出单个第二磁共振影像330的过程。
具体地，合成(combine)多个第一磁共振影像获取单个第二磁共振影像330的步骤S241'可利用如下数学式1执行：
数学式1：
ci＝Si·m，
Figure BDA0003796125680000131
Figure BDA0003796125680000141
其中，ci＝第i个第一磁共振影像，
Si＝第i个线圈的灵敏度矩阵，
m＝基于复数值信息的第二磁共振影像，
mreal＝基于实数值信息的第二磁共振影像。
在此，能以第一磁共振影像信息与RF线圈的灵敏度信息为基础获取第二磁共振影像330。第一磁共振影像信息可以是第二磁共振影像330信息乘以作为加权值的各线圈的灵敏度信息的值。另一方面，获取第二磁共振影像330的方法可使用下述方法，即，第一磁共振影像除以各相应线圈的灵敏度信息来获取的方法，但可能会发生噪声放大的问题。因此，为了防止噪声放大、简化计算并加速计算，获取基于实数值信息的第二磁共振影像330可能较容易。为了能获取基于实数值信息的第二磁共振影像330，各个线圈灵敏度矩阵的大小之和应为1。
另一方面，合成多个第一磁共振影像获取单个第二磁共振影像330的步骤S241'可以利用如下数学式2执行：
数学式2
Figure BDA0003796125680000142
其中，mreal＝基于实数值信息的第二磁共振影像，
Si *＝第i个线圈的灵敏度矩阵的共轭转置矩阵，
ci＝第i个第一磁共振影像。
以复数值信息为基础获取第二磁共振影像330时能使用数学式2。此时，相比于采用数学式1的情形，虽然获取第二磁共振影像330时的运算会复杂，但能获取更准确的第二磁共振影像330。
而且，对第一磁共振影像进行预处理生成第一输入影像数据340的步骤S240'可包括步骤S242'，即，针对利用所述数学式1或数学式2合成的第二磁共振影像330进行预处理生成第一输入影像数据340的步骤。
由多个第一磁共振影像合成的第二磁共振影像330能包含目标图像和以相位编码方向Ky混叠的图像。而且，针对第二磁共振影像330进行预处理生成第一输入影像数据340的步骤S242'可以进行和下述步骤S240相同的过程，该下述步骤则是对前述第一磁共振影像进行预处理生成第一输入影像数据340的步骤S240。
即，针对第二磁共振影像330进行预处理生成第一输入影像数据340的步骤S242'能包括下列步骤(未图示)：移动第二磁共振影像330来获取移位的第二磁共振影像330，以使得混叠的图像与目标图像匹配；沿着分别垂直于相位编码方向Ky及读出方向Kx的第一方向Kz对第二磁共振影像330和移位的第二磁共振影像330进行堆栈并予以分组来生成第一输入影像数据340。
综上所述，通过合成多个第一磁共振影像来获取第二磁共振影像330并且由此生成第一输入影像数据340的过程以更多的磁共振信号310数据为基础生成高准确度的第一输入影像数据340，然后能输入到后述的人工神经网络。
步骤S240之后能进行步骤S250，即，利用第一人工神经网络模型500从第一输入影像数据340获取第一输出磁共振影像350。
图9是示出本发明一实施例中利用第一人工神经网络模型500从第一输入影像数据340获取第一输出磁共振影像350的步骤的概略图。
请参阅图9，第一人工神经网络模型500可以是利用统计机器学习结果学习至少一个子采样的磁共振影像与至少一个全采样的磁共振影像之间相关关系的算法的集合体。第一人工神经网络模型500能包括至少一个神经网络。神经网络可以包括但不限于诸如深度神经网络(DNN，Deep Neural Network)、循环神经网络(RNN，Recurrent Neural Network)、双向循环神经网络(BRDNN，Bidirectional Recurre nt Deep Neural Network)、多层感知机(MLP，Multilayer Perceptron)、卷积神经网络(CNN，Convolutional Neural Network)等方式的网络模型。
例如，第一人工神经网络模型500可以是利用神经网络以沿着相位编码方向Ky堆栈的至少一个采样线的诸多像素为单位学习至少一个子采样的磁共振影像及至少一个全采样的磁共振影像之间的相关关系而构建的模型。
而且，除了子采样的磁共振影像及全采样的磁共振影像以外，第一人工神经网络模型500能利用各种附加数据构建。例如，能把对应第一磁共振影像的k空间数据、实数影像数据、虚数影像数据、尺寸影像数据、相位影像数据及多通道RF线圈的灵敏度数据、噪声图案影像NP数据中的至少一个作为附加数据利用。
图10是示出本发明一实施例的第一人工神经网络模型500的结构的概略图。
请参阅图10，优选地，第一人工神经网络模型能具有包含收缩路径510与扩展路径520的用于生物医学影像分割的卷积网络(U-net，Convolutional Networks forBiomedical Image Segmentation)结构。
收缩路径510可以包括多个卷积(Convolution；Conv)层与池化(Pooling)层。例如，收缩路径510能包含以多个3x3卷积层作为输入层并且适用了小波变换(WaveletTransform)的池化层组合而成的多个组合。
而且，扩展路径520可以包括多个卷积层与反池化(Un-pooling)层。例如，扩展路径520包含由多个3x3卷积层与适用了逆小波变换(Inverse Wavelet Transform)的反池化层组合而成的多个组合，还包括输出层1x1卷积层。另一方面，扩展路径520的各部分可以输入后述的噪声图案影像NP来让第一人工神经网络学习。
图11用于说明本发明一实施例中作为学习数据适用于人工神经网络模型的噪声图案影像NP。图12用于说明本发明一实施例中把噪声图案影像NP作为学习数据适用于人工神经网络模型而得到的幻影(halluc ination)缓和效果。
请参阅图11，噪声图案影像NP可以是在重建的影像中随着对象的各部分以噪声的发生程度为基础适用加权值后予以区分显示的影像。作为一例，噪声图案影像NP可以是把子采样的磁共振影像适用一般人工神经网络模型后重建的影像和全采样的磁共振影像进行比较并且根据所感知的噪声生成的图案影像。
具体地，请参阅图11的(a)，请查看对比影像1130，该对比影像1130针对把子采样的磁共振影像1110作为人工神经网络模型的输入后输出的重建影像1120与全采样的磁共振影像进行了对比，可以看到影像的中央部分以竖立的椭圆形态发生了大量噪声的部分(Poor-con ditiond，PC)。而且，还能看到影像的外侧噪声发生较少的部分(Goo d-conditioned，GC)。以该对象各部分的噪声生成差异度为基础生成的就是噪声图案影像NP。
请参阅图11的(b)，请查看对比影像1160，该对比影像1160针对把子采样的磁共振影像1140与噪声图案影像NP作为人工神经网络模型的输入后输出的重建影像1150与全采样的磁共振影像进行了对比，可以看到噪声在整个影像上都有所减少。
而且，请参阅图12，从左边起能依次看到全采样的磁共振影像1210、子采样的磁共振影像1220、利用以子采样的磁共振影像1220作为输入的人工神经网络模型输出的重建影像1230、利用以子采样的磁共振影像1220及噪声图案影像NP作为输入的人工神经网络模型输出的重建影像1240。
在各个影像下端则可以看到放大了对象图像的一部分。在此可以看出，子采样的磁共振影像1220的放大部分h2中混叠的图像与目标图像重叠而和全采样的磁共振影像的放大部分h1之间发生了差异。该现象称为幻影(hallucination)现象，在重建影像的放大部分h3也能看到由于子采样的磁共振影像的影像而使得图像改变的情形。与此对比，运用了噪声图案影像NP的重建影像1240的放大部分h4则可以看到和全采样的磁共振影像1210的放大部分h1相似地缓和了幻影现象。
参照该噪声图案影像NP的适用效果，作为优选的实施例，第一人工神经网络模型500可以是把以第一磁共振影像为基础生成的噪声图案影像NP作为输入。即，第一人工神经网络模型500能进行下述过程，即，以第一输入影像数据340与噪声图案影像NP作为输入数据而输出第一输出磁共振影像350的过程。
例如，噪声图案影像NP可以输入到第一人工神经网络模型500的扩展路径520(Expanding path)的多个卷积层及反池化层中的至少一个。具体地，噪声图案影像NP能输入到作为扩展路径520的输出层的卷积层，能按照反池化层各个图像大小而予以池化后输入。
在一实施例中，磁共振影像处理装置100能自行构建前述第一人工神经网络模型500。在另一实施例中，磁共振影像处理装置100也能从外部服务器或外部设备获取外部服务器或外部设备所构建的第一人工神经网络模型500。而且，磁共振影像处理装置100以利用神经网络的第一人工神经网络模型500为基础获取第一输出磁共振影像350，该第一输出磁共振影像350则是针对子采样的磁共振影像的重建影像，从而能达到下列目的，即，加速影像获取速度并提升影像品质。
在此，所获取的第一输出磁共振影像350被提供给用户终端后可应用于患者的病变部位诊断。另一方面，能进一步进行磁共振影像处理步骤提高第一输出磁共振影像350的准确度。
图13是示出包含本发明一实施例的磁共振影像处理方法的扩展实施例的磁共振影像处理方法的流程的流程图。图14是示出本发明扩展实施例的磁共振影像处理方法的概略图。
请参阅图13与图14，步骤S250之后，能进行利用傅里叶运算从第一输出磁共振影像350获取第二k空间数据360的步骤S260。
图15是示出本发明扩展实施例的第二输出磁共振影像400获取步骤及第二k空间数据360获取步骤的流程图。
请参阅图15，第二k空间数据360获取步骤S260可以包括步骤S261，即，分解(decombine)第一输出磁共振影像350来获取多个第二输出磁共振影像400。
具体地，分解(decombine)第一输出磁共振影像350来获取多个第二输出磁共振影像400的步骤可以利用如下数学式3或数学式4执行：
数学式3：
Figure BDA0003796125680000181
其中，
Figure BDA0003796125680000182
Si＝第i个线圈的灵敏度矩阵，
Figure BDA0003796125680000191
数学式3是根据复数值信息获取了第一输出磁共振影像350时能适用的数学式。
数学式4：
Figure BDA0003796125680000192
其中，
Figure BDA0003796125680000193
Si＝第i个线圈的灵敏度矩阵，
Figure BDA0003796125680000194
Figure BDA0003796125680000195
数学式4是根据实数值信息获取了第一输出磁共振影像350时能适用的数学式。在此，在前述合成过程中提取复数值的相位信息而能够获取第一输出磁共振影像350的相位信息。凭此，第一输出磁共振影像350以各个RF线圈的灵敏度信息为基础分解而能够生成多个磁共振影像。
而且，获取第二k空间数据360的步骤S260可以包括利用傅里叶运算从第二输出磁共振影像400获取第二k空间数据360的步骤S262。凭此，可以对从第一输出磁共振影像350生成的多个磁共振影像适用傅里叶变换获取多个第二k空间数据360。
步骤S260之后，能进行利用第二并行成像技术从第二k空间数据360获取第三k空间数据370的步骤S270。
在此，第二并行成像技术可以是下述并行成像技术，该技术能获取从全采样的第二k空间数据360修正的全采样的第三k空间数据370。优选地，第二并行成像技术可以使用前述SPIRiT技术。
在此，第一并行成像技术使用GRAPPA而第二并行成像技术则使用SPIRiT，从而在获取重建影像的过程中能获取高准确度的重建影像。
步骤S270之后，可以进行利用傅里叶逆运算从第三k空间数据370获取第三磁共振影像的步骤S280。
步骤S280之后，可以进行对第三磁共振影像进行预处理生成第二输入影像数据390的步骤S290。
在此，对第三磁共振影像进行预处理生成第二输入影像数据390的方法可以进行和下述步骤相同的过程，该下述步骤则是对前述第一磁共振影像进行预处理生成第一输入影像数据340的步骤S240。
另一方面，在变形实施例中，对第三磁共振影像进行预处理生成第二输入影像数据390的步骤S290可以包括如下步骤，即，合成(co mbine)多个第三磁共振影像获取单个第四磁共振影像380的步骤。
在此，合成多个第三磁共振影像获取单个第四磁共振影像380的方法可以使用和下述方法相同的方法，该方法通过合成前述第一磁共振影像获取单个第二磁共振影像330。
而且，对第三磁共振影像进行预处理生成第二输入影像数据390的步骤S290可以包括如下步骤，即，对第四磁共振影像380进行预处理生成第二输入影像数据390。
在此，对第四磁共振影像380进行预处理生成第二输入影像数据390的方法可以使用和下述方法相同的方法，该方法对前述第二磁共振影像330进行预处理生成第一输入影像数据340。
步骤S290之后，可以进行利用第二人工神经网络模型600从第二输入影像数据390获取第三输出磁共振影像的步骤S300。
在此，第二人工神经网络模型600可以使用和前述第一人工神经网络模型500相同的人工神经网络模型。或者，也可以使用进一步学习了第一输入影像数据340的第一人工神经网络模型500，也可以使用不同于第一人工神经网络模型500的人工神经网络模型。
步骤S300之后，再对第二输出磁共振影像400进行傅里叶变换和/或分解并予以傅里叶变换来获取第四k空间数据410，以此为基础，能把步骤S260到步骤S300为止的过程作为一组反复进行。
而且，第二输出磁共振影像400能提供给用户终端后作为患者的病变部位诊断影像使用。
下面说明依据本发明一实施例的磁共振影像处理装置100及其方法实施的实验例。
图16示出了本发明一实验例的加速4倍的重建影像与比较例。在此，加速指数是4，子采样的线数可以是全采样的线数的1/4。
请参阅图16，从左边起能依次看到全采样的磁共振影像1610、以GRAPPA技术重建的磁共振影像1620、通过CG-SENSE(共轭梯度敏感度编码)重建的磁共振影像1630、通过一般人工神经网络模型重建的磁共振影像1640、由本发明的磁共振影像处理装置100重建的磁共振影像1650。而且，可以在各个影像下面看到一些影像，这些影像是把和全采样的磁共振影像1610对比时的差异点予以影像化的误差影像放大了4倍的影像，可以看出由本发明的磁共振影像处理装置100重建的磁共振影像1650的误差最小。
图17示出了本发明另一实验例的加速6倍的重建影像与比较例。在此，加速指数是6，子采样的线数可以是全采样的线数的1/6。
请参阅图17，从左边起能依次看到全采样的磁共振影像1710、以GRAPPA技术重建的磁共振影像1720、通过CG-SENSE重建的磁共振影像1730、通过一般人工神经网络模型重建的磁共振影像1740、由本发明的磁共振影像处理装置100重建的磁共振影像1750。而且，可以在各个影像下面看到一些影像，这些影像是把和全采样的磁共振影像1710对比而分析了差异点的误差影像放大了4倍的影像，可以看出由本发明的磁共振影像处理装置100重建的磁共振影像1750的误差最小。
前面说明的本发明实施例的磁共振影像处理装置100及其方法即使缩短了利用磁共振成像装置拍摄磁共振影像的时间也能通过重建影像生成高准确度的磁共振影像。
而且，本发明实施例的磁共振影像处理装置100及其方法获取多个磁共振影像并且对其进行预处理生成输入数据，提供使用第一人工神经网络模型500及第二人工神经网络模型600重建的高准确度输出磁共振影像，从而能轻易进行患者的病变部位诊断。
另一方面，本发明一实施例的磁共振影像处理方法也能以记录介质的形态实现，该记录介质包含诸如计算机可执行的程序模块等的计算机可执行指令。计算机可读记录介质可以是计算机可接入的任何可用介质，包括易失性及非易失性储存装置、分离性及非分离性介质。而且，计算机可读介质可包括计算机存储介质。计算机存储介质包括由用来存储计算机可读指令、数据结构、程序模块或其它数据之类信息的任何方法或技术实现的易失性及非易失性、分离性及非分离性介质。本文虽然以和特定实施例相关联的方式说明了本发明的方法及系统，但是其要素或动作的一部分或全部则可以使用具有通用硬件架构的计算机系统实现。
前文仅仅举例说明了本发明的技术思想，但是本发明所属技术领域中的普通技术人员能够在不脱离本发明的本质特性的范畴内实现各种变形及修改。因此，本说明书所揭示的实施例仅仅用于说明而不是用于限定本发明的技术思想，这些实施例并不能限定本发明的技术思想范畴。本发明的保护范围应根据发明要求保护范围阐释，而且其等值范围内的所有技术思想均应包含在本发明的权利范围内。

Claims (14)

1.一种基于磁共振影像处理装置的磁共振影像处理方法，其特征在于，包括下列步骤：
获取子采样的磁共振信号；
利用第一并行成像技术从所述子采样的磁共振信号获取第一k空间数据；
利用傅里叶逆运算从所述第一k空间数据获取第一磁共振影像；
对所述第一磁共振影像进行预处理生成第一输入影像数据；以及
利用第一人工神经网络模型从所述第一输入影像数据获取第一输出磁共振影像。
2.根据权利要求1所述的磁共振影像处理方法，其特征在于，
如果有多个所述子采样的磁共振信号，则分别获取多个所述第一k空间数据及多个所述第一磁共振影像，
对所述第一磁共振影像进行预处理生成第一输入影像数据的步骤包括下列步骤：
合成多个所述第一磁共振影像获取单一第二磁共振影像；以及
对所述第二磁共振影像进行预处理生成第一输入影像数据。
3.根据权利要求2所述的磁共振影像处理方法，其特征在于，
合成多个所述第一磁共振影像获取单个第二磁共振影像的步骤利用如下数学式1执行。
数学式1：
Ci＝Si·m，
Figure FDA0003796125670000011
Figure FDA0003796125670000021
其中，Ci＝第i个第一磁共振影像，
Si＝第i个线圈的灵敏度矩阵，
m＝基于复数值信息的第二磁共振影像，
mreal＝基于实数值信息的第二磁共振影像。
4.根据权利要求2所述的磁共振影像处理方法，其特征在于，
合成多个所述第一磁共振影像获取单个第二磁共振影像的步骤利用如下数学式2执行。
数学式2：
Figure FDA0003796125670000022
其中，m＝基于复数值信息的第二磁共振影像，
S* i＝第i个线圈的灵敏度矩阵的共轭转置矩阵，
ci＝第i个第一磁共振影像。
5.根据权利要求1所述的磁共振影像处理方法，其特征在于，
所述第一磁共振影像包含目标图像和以相位编码方向混叠的图像，
对所述第一磁共振影像进行预处理生成第一输入影像数据的步骤包括下列步骤：
移动所述第一磁共振影像获取移位的第一磁共振影像，以使得所述混叠的图像与所述目标图像匹配；以及
沿着分别垂直于所述相位编码方向及读出方向的第一方向对所述第一磁共振影像和所述移位的第一磁共振影像进行堆栈并予以分组来生成第一输入影像数据。
6.根据权利要求2所述的磁共振影像处理方法，其特征在于，
所述第二磁共振影像包含目标图像和以相位编码方向混叠的图像，
对所述第二磁共振影像进行预处理生成第一输入影像数据的步骤包括下列步骤：
移动所述第二磁共振影像获取移位的第二磁共振影像，以使得所述混叠的图像与所述目标图像匹配；以及
沿着分别垂直于所述相位编码方向及读出方向的第一方向对所述第二磁共振影像和所述移位的第二磁共振影像进行堆栈并予以分组来生成第一输入影像数据。
7.根据权利要求1所述的磁共振影像处理方法，其特征在于，所述第一人工神经网络模型接收以所述第一磁共振影像为基础生成的噪声图案影像。
8.根据权利要求7所述的磁共振影像处理方法，其特征在于，
所述第一人工神经网络模型具有包含收缩路径与扩展路径的人工神经网络结构，
所述收缩路径包含多个卷积层与池化层，所述扩展路径则包含多个卷积层与反池化层，
所述噪声图案影像被输入到所述扩展路径的所述多个卷积层及反池化层中的至少一个。
9.根据权利要求1或2所述的磁共振影像处理方法，其特征在于，
包括如下步骤，即，利用傅里叶运算从所述第一输出磁共振影像获取第二k空间数据，
获取所述第二k空间数据的步骤则包括下列步骤：
分解所述第一输出磁共振影像来获取多个第二输出磁共振影像；以及
利用傅里叶运算从所述第二输出磁共振影像获取第二k空间数据。
10.根据权利要求9所述的磁共振影像处理方法，其特征在于，
分解所述第一输出磁共振影像来获取多个第二输出磁共振影像的步骤利用如下数学式3或数学式4执行。
数学式3：
Figure FDA0003796125670000041
其中，
Figure FDA0003796125670000042
第i个第二输出磁共振影像，
Si＝第i个线圈的灵敏度矩阵，
Figure FDA0003796125670000043
基于复数值信息的第一输出磁共振影像，
数学式4：
Figure FDA0003796125670000044
其中，
Figure FDA0003796125670000045
第i个第二输出磁共振影像，
Si＝第i个线圈的灵敏度矩阵，
Figure FDA0003796125670000046
基于实数值信息的第一输出磁共振影像，
Figure FDA0003796125670000047
第一输出磁共振影像的相位信息。
11.根据权利要求9所述的磁共振影像处理方法，其特征在于，包括如下步骤：利用第二并行成像技术从所述第二k空间数据获取第三k空间数据。
12.根据权利要求11所述的磁共振影像处理方法，其特征在于，包括下列步骤：
利用傅里叶逆运算从所述第三k空间数据获取第三磁共振影像；
对所述第三磁共振影像进行预处理生成第二输入影像数据；以及
利用第二人工神经网络模型从所述第二输入影像数据获取第三输出磁共振影像。
13.一种用于执行磁共振影像处理方法的磁共振影像处理装置，其特征在于，
包括：
存储器，存储有磁共振影像处理程序；以及
处理器，执行所述程序，
随着所述程序的执行，所述处理器获取子采样的磁共振信号，利用第一并行成像技术从所述子采样的磁共振信号获取第一k空间数据，利用傅里叶逆运算从所述第一k空间数据获取第一磁共振影像，对所述第一磁共振影像进行预处理生成第一输入影像数据，利用第一人工神经网络模型从所述第一输入影像数据获取第一输出磁共振影像。
14.一种计算机可读记录介质，其特征在于，存储有能够执行权利要求1至权利要求12中任一项所述方法的程序。
CN202080096587.4A 2020-02-13 2020-05-27 磁共振影像处理装置及其方法 Pending CN115135237A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020200017998A KR102144320B1 (ko) 2020-02-13 2020-02-13 자기 공명 영상 처리 장치 및 그 방법
KR10-2020-0017998 2020-02-13
PCT/KR2020/006853 WO2021162176A1 (ko) 2020-02-13 2020-05-27 자기 공명 영상 처리 장치 및 그 방법

Publications (1)

Publication Number Publication Date
CN115135237A true CN115135237A (zh) 2022-09-30

Family

ID=72043554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080096587.4A Pending CN115135237A (zh) 2020-02-13 2020-05-27 磁共振影像处理装置及其方法

Country Status (6)

Country Link
US (1) US20220309719A1 (zh)
EP (1) EP4088654A4 (zh)
JP (1) JP2023513801A (zh)
KR (3) KR102144320B1 (zh)
CN (1) CN115135237A (zh)
WO (1) WO2021162176A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024103414A1 (zh) * 2022-11-16 2024-05-23 中国科学院深圳先进技术研究院 一种磁共振图像重建方法和图像重建装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7446903B2 (ja) * 2020-04-23 2024-03-11 株式会社日立製作所 画像処理装置、画像処理方法及び画像処理システム
KR102572311B1 (ko) * 2020-12-10 2023-08-29 주식회사 에어스메디컬 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR102584166B1 (ko) * 2020-12-10 2023-10-05 주식회사 에어스메디컬 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
CN114266728A (zh) * 2021-11-27 2022-04-01 深圳先进技术研究院 一种磁共振影像获取方法、装置、设备和介质
WO2023128074A1 (ko) * 2021-12-30 2023-07-06 주식회사 에어스 메디컬 스캔 파라미터를 이용하는 자기 공명 영상 처리 방법 및 장치
CN114114116B (zh) * 2022-01-27 2022-08-23 南昌大学 磁共振成像生成方法、系统、存储介质及计算机设备
KR102428725B1 (ko) * 2022-02-15 2022-08-04 주식회사 에어스메디컬 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
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

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101330638B1 (ko) * 2012-05-10 2013-11-18 고려대학교 산학협력단 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치
JP6261589B2 (ja) * 2012-08-29 2018-01-17 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． フィードバックを用いた反復ｓｅｎｓｅノイズ除去
KR101659578B1 (ko) * 2015-09-01 2016-09-23 삼성전자주식회사 자기 공명 영상 처리 방법 및 장치
KR101923184B1 (ko) * 2017-08-25 2018-11-28 삼성전자주식회사 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치
JP7246903B2 (ja) * 2017-12-20 2023-03-28 キヤノンメディカルシステムズ株式会社 医用信号処理装置
KR102233996B1 (ko) * 2018-04-27 2021-03-29 연세대학교 산학협력단 자기 공명 영상 재구성 장치 및 방법
KR102215702B1 (ko) * 2018-06-04 2021-02-16 한국과학기술원 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치
US11125844B2 (en) * 2018-07-06 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based methods to accelerate multi-spectral imaging
CA3107326A1 (en) * 2018-07-30 2020-02-06 Hyperfine Research, Inc. Deep learning techniques for magnetic resonance image reconstruction
KR102131505B1 (ko) * 2018-08-29 2020-07-07 한국과학기술원 뉴럴 네트워크를 이용한 에코평면 영상 고스트 아티팩트 제거 방법 및 그 장치
US11175365B2 (en) * 2018-10-02 2021-11-16 General Electric Company System and method for sparse image reconstruction utilizing null data consistency
US11710261B2 (en) * 2019-07-29 2023-07-25 University Of Southern California Scan-specific recurrent neural network for image reconstruction
US11348291B2 (en) * 2019-11-29 2022-05-31 Shanghai United Imaging Intelligence Co., Ltd. System and method for reconstructing magnetic resonance images

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024103414A1 (zh) * 2022-11-16 2024-05-23 中国科学院深圳先进技术研究院 一种磁共振图像重建方法和图像重建装置

Also Published As

Publication number Publication date
US20220309719A1 (en) 2022-09-29
KR20210103364A (ko) 2021-08-23
WO2021162176A1 (ko) 2021-08-19
KR20210103363A (ko) 2021-08-23
KR102588863B1 (ko) 2023-10-16
EP4088654A1 (en) 2022-11-16
KR102144320B1 (ko) 2020-08-13
EP4088654A4 (en) 2024-01-24
JP2023513801A (ja) 2023-04-03

Similar Documents

Publication Publication Date Title
CN115135237A (zh) 磁共振影像处理装置及其方法
Sandino et al. Compressed sensing: From research to clinical practice with deep neural networks: Shortening scan times for magnetic resonance imaging
CN108335339A (zh) 一种基于深度学习和凸集投影的磁共振重建方法
KR102584166B1 (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
CN109613460B (zh) 磁共振成像方法、装置、计算机设备和存储介质
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
US11734817B2 (en) Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method
CN113506271A (zh) 医学扫描数据处理方法和系统
CN112370040A (zh) 磁共振成像方法、装置、存储介质及电子设备
CN115113114A (zh) 用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像的系统和方法
CN110226100A (zh) 用于磁共振成像的系统和方法
CN114255291A (zh) 用于磁共振参数定量成像的重建方法、系统
KR102090690B1 (ko) 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR102572311B1 (ko) 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
WO2022124473A1 (ko) K-space 도메인에 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR102467249B1 (ko) 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102472546B1 (ko) 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
US20240127498A1 (en) Magnetic resonance image processing method and apparatus using scan parameters
KR102475397B1 (ko) 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
Qiu et al. A new parallel MRI image reconstruction model with elastic net regularization
CN118015437A (zh) 医学图像处理方法、设备和存储介质
Haskell Retrospective Motion Correction for Magnetic Resonance Imaging
CN115685033A (zh) 磁共振图像校正方法、装置、计算机设备和可读存储介质
CN117368817A (zh) 图像重建方法、磁共振成像方法和计算机设备
CN115251883A (zh) 医学图像获取装置和方法

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
CB02 Change of applicant information

Address after: 9th Floor, 1838 South Circular Road, Guanyue District, Seoul, South Korea

Applicant after: Ellse Medical Co.,Ltd.

Address before: 1838, 9th Floor, Nambu Loop Road, Gwanak-gu, Seoul, Korea

Applicant before: Oxygen Medicine Co.,Ltd.

CB02 Change of applicant information