CN115456920A - 磁共振成像处理方法、装置、计算机设备和存储介质 - Google Patents
磁共振成像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115456920A CN115456920A CN202110643515.3A CN202110643515A CN115456920A CN 115456920 A CN115456920 A CN 115456920A CN 202110643515 A CN202110643515 A CN 202110643515A CN 115456920 A CN115456920 A CN 115456920A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- images
- scanned part
- scanned
- 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
Links
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 156
- 238000000034 method Methods 0.000 claims abstract description 69
- 230000003068 static effect Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 28
- 238000005070 sampling Methods 0.000 description 25
- 230000001133 acceleration Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 20
- 230000005284 excitation Effects 0.000 description 17
- 238000003709 image segmentation Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000003062 neural network model Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 5
- 230000000241 respiratory effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000005489 elastic deformation Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000264 spin echo pulse sequence Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种磁共振成像处理方法、装置、计算机设备和存储介质。方法包括:获取被扫描部位的图像集合;图像集合中包含多个重建图像,且多个重建图像对应被扫描部位的至少两次欠采样扫描;根据图像融合策略,将图像集合中的至少一个重建图像作为基准图像,进行图像融合,得到至少一个基准图像对应的融合图像;根据预设的图像显示策略,读取融合图像中的图像数据,进行输出显示。采用本方法能够提高扫描成像质量。
Description
技术领域
本申请涉及磁共振成像技术领域,特别是涉及一种磁共振成像处理方法、装置、计算机设备和存储介质。
背景技术
磁共振成像(MRI,Magnetic Resonance Imaging)系统的扫描过程中,容易受到被扫描物体的运动影响,在成像过程中产生运动伪影。
在传统的磁共振成像过程中,针对被扫描物体的规则运动方式,例如,呼吸运动,一般通过Navigator(导航)等技术监测方式,监测被扫描物体的呼吸运动,确定其呼吸运动周期规律中的平台期,从而在平台期进行扫描,以降低呼吸运动造成的图像运动伪影的影响;而针对被扫描物体的不规则运动方式,例如,胃肠部位蠕动,只能以加速倍数扫描的方式消除运动伪影问题。
然而,基于加速倍数扫描的方式得到的扫描频谱数据,会严重损失图像信息,因此,根据该扫描频谱数据进行图像重建得到的图像质量较差,导致成像质量较低。
发明内容
基于此,有必要针对上述技术问题,提供一种磁共振成像处理方法、装置、计算机设备和存储介质。
一种磁共振成像处理方法,所述方法包括:
获取被扫描部位的图像集合;所述图像集合中包含多个重建图像,且所述多个重建图像对应所述被扫描部位的至少两次欠采样扫描;
根据图像融合策略,将所述图像集合中的至少一个所述重建图像作为基准图像,进行图像融合,得到至少一个所述基准图像对应的融合图像;
根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示。
在其中一个实施例中,在所述获取被扫描部位的图像集合之前,所述方法还包括:
针对被扫描部位进行多次欠采样扫描,得到所述被扫描部位的具备时间关联关系的多组K空间数据;
对多组所述K空间数据,进行图像重建,得到多个重建图像,将所述多个重建图像组成所述被扫描部位的图像集合。
在其中一个实施例中,多组所述K空间数据具有相同的填充密度,且至少两组所述K空间数据的填充轨迹互补。
在其中一个实施例中,所述被扫描部位包含多个扫描层,所述方法还包括:
对所述被扫描部位进行多次欠采样扫描,得到所述被扫描部位的具备时间关联关系的多组K空间数据,每次欠采样扫描同时激发所述被扫描部位的至少两个扫描层。
在其中一个实施例中,所述方法还包括:
获取被扫描部位的轮廓信息;
根据所述轮廓信息,识别所述被扫描部位的特征信息,并根据预先存储的特征信息与运动属性的对应关系,确定所述被扫描部位的特征信息对应的目标运动属性;
根据预先存储的运动属性和图像融合策略的对应关系,确定所述目标运动属性对应的图像融合策略。
在其中一个实施例中,被扫描部位的所述目标运动属性为非刚性运动属性或刚性运动属性。
在其中一个实施例中,所述根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示,包括:
接收图像显示请求,所述图像显示请求中携带图像显示策略;
若所述图像显示策略为动态显示策略,则根据所述动态显示策略,基于时间顺序依次读取全部的所述融合图像并进行动态输出显示;
若所述图像显示策略为静态显示策略,则根据预设的图像评估标准在全部的所述融合图像中确定至少一个目标融合图像,读取所述目标融合图像并进行静态输出显示。
一种磁共振成像处理装置,所述装置包括:
获取模块,用于获取被扫描部位的图像集合;所述图像集合中包含多个重建图像,且所述多个重建图像对应所述被扫描部位的至少两次欠采样扫描;
融合模块,用于根据图像融合策略,将所述图像集合中的至少一个所述重建图像作为基准图像,进行图像融合,得到至少一个所述基准图像对应的融合图像;
显示模块,用于根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取被扫描部位的图像集合;所述图像集合中包含多个重建图像,且所述多个重建图像对应所述被扫描部位的至少两次欠采样扫描;
根据图像融合策略,将所述图像集合中的至少一个所述重建图像作为基准图像,进行图像融合,得到至少一个所述基准图像对应的融合图像;
根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示。
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以下步骤:
获取被扫描部位的图像集合;所述图像集合中包含多个重建图像,且所述多个重建图像对应所述被扫描部位的至少两次欠采样扫描;
根据图像融合策略,将所述图像集合中的至少一个所述重建图像作为基准图像,进行图像融合,得到至少一个所述基准图像对应的融合图像;
根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示。
上述磁共振成像处理方法、装置、计算机设备和存储介质,获取被扫描部位的图像集合;图像集合中包含多个重建图像,且所述多个重建图像对应所述被扫描部位的至少两次欠采样扫描;根据图像融合策略,将图像集合中的至少一个重建图像作为基准图像,进行图像融合,得到至少一个基准图像对应的融合图像;根据预设的图像显示策略,读取融合图像中的图像数据,进行输出显示。采用本方法,通过对被扫描部位重复多次的加速倍数扫描,消除扫描过程中的运动伪影问题,且同一被扫描部位的多次重复消除加速倍数扫描带来的欠采样问题,可以实现高质量的图像重建,通过对高质量重建图像的融合,进一步提高图像成像质量。
附图说明
图1为一个实施例中磁共振成像处理方法的应用环境图;
图2为一个实施例中磁共振成像处理方法的流程示意图;
图3为一个实施例中多个K空间数据进行图像重建流程示意图;
图4为一个实施例中K空间掩膜采样示意图;
图5为一个实施例中另一K空间掩膜采样示意图;
图6为一个实施例中K空间掩膜采样示意图;
图7为一个实施例中K空间掩膜采样示意图;
图8为一个实施例中图像重建模型进行图像重建的流程示意图;
图9为一个实施例中多层混叠激发扫描方法的流程示意图;
图10为一个实施例中图像融合方法的流程示意图;
图11为一个实施例中非刚性运动属性对应的图像融合方法的流程示意图;
图12为一个实施例中N幅非刚性运动属性的被扫描部位的重建图像;
图13为一个实施例中非刚性运动属性的图像融合方法的示意图;
图14为一个实施例中刚性运动属性对应的图像融合方法的流程示意图;
图15为一个实施例中N幅刚性运动属性的被扫描部位的重建图像;
图16为一个实施例中图像显示方法的流程示意图;
图17为一个实施例中磁共振成像处理装置的结构框图;
图18为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
首先,在具体介绍本申请实施例的技术方案之前,先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。在磁共振成像技术领域,通常情况下,在扫描成像过程中被扫描部位的运动会导致所成图像中包含运动伪影,影响图像成像质量。基于该背景,申请人通过长期的模型模拟研发以及实验数据的搜集、演示和验证,发现当被扫描部位不规则运动时,由于无法监测其运动规律,会出现在扫描过程中被扫描部位的运动,造成运动伪影问题。进而,如何实现被扫描部位不规则运动下的高质量扫描成像,成为目前亟待解决的难题。另外,需要说明的是,本申请实施例技术问题的发现以及下述实施例介绍的技术方案,申请人均付出了大量的创造性劳动。
在一个实施例中,如图1所示,提供了一种磁共振成像处理方法,本实施例以该方法应用于磁共振成像系统的应用终端进行举例说明,可以理解的是,该方法也可以应用于磁共振成像系统的服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,针对磁共振成像系统的应用终端,本实施例中均简称为计算机设备,以方便说明。本实施例中,该方法包括以下步骤:
步骤101,获取被扫描部位的图像集合。
其中,图像集合中包含多个重建图像,且该多个重建图像通过对被扫描部位欠采样扫描并重建获得。可选的,每一个重建图像对应被扫描部位的一次欠采样扫描/激发。如此,多个重建图像可以是对被扫描部位的同一感兴趣区域在不同时间内多次激发,且一次激发欠采样得到的信号重建可得到一个重建图像。示例性的,每个重建图像可对应不同的生理运动周期或者期相。
在实施中,计算机设备数据库中存储有图像集合,每一图像集合中包含同一被扫描部位的多个重建图像。其中,多个重建图像是磁共振成像系统基于加速倍数的扫描方式对被扫描部位进行重复扫描和图像重建得到的。在进行磁共振成像处理之前,计算机设备获取被扫描部位对应的图像集合。
步骤102,根据图像融合策略,将图像集合中的至少一个重建图像作为基准图像,进行图像融合,得到至少一个基准图像对应的融合图像。
在实施中,计算机设备根据预置图像融合策略,在图像集合中随机选择至少一个重建图像作为基准图像,针对每个基准图像,将其他图像与该基准图像进行一次图像融合,从而得到该基准图像对应的融合图像。或者,计算机设备根据预置图像融合策略,以及最终成像需求,在图像集合中选择至少一个目标重建图像作为基准图像,针对每个目标基准图像,将其他图像与该基准图像进行一次图像融合,从而得到该基准图像对应的融合图像。
本申请实施例选择的基准图像的数目不做限定,因此,对于图像集合中的全部的重建图像都可以作为基准图像,例如,图像集合中包含重建图像A、B、C,则分别以这3个重建图像A、B、C作为基准图像,进行对应的图像融合。进而,可以得到3个基准图像对应的融合图像A1、B1、C1。其中,图像融合过程后续会进行详细说明,此处不再赘述。
步骤103,根据预设的图像显示策略,读取融合图像中的图像数据,进行输出显示。
在实施中,由于计算机设备可以得到一个或多个融合图像,则对应的图像显示策略可以根据所得融合图像的数目以及具体需求场景进行适应性选择。进而,计算机设备根据选定的图像融合策略,在至少一个融合图像中,读取目标融合图像中的图像数据,并将该图像数据进行输出显示。
可选的,图像显示策略中可以包含静态融合图像显示策略和动态融合图像显示策略;动态融合图像显示策略为基于时间顺序进行融合图像动态播放的图像显示策略,因此,本申请实施例对于图像显示策略不做限定。
可选的,本实施例中提供了图像融合策略的选项列表,用户可以在该图像融合策略的选项列表中进行目标图像融合策略的勾选。也可以对于图像融合策略进行预定义,以默认的一种图像融合策略进行图像融合。
上述磁共振成像处理方法中,获取被扫描部位的图像集合;该图像集合中包含多个重建图像;根据图像融合策略,将图像集合中的至少一个重建图像作为基准图像,进行图像融合,得到至少一个基准图像对应的融合图像;根据预设的图像显示策略,读取融合图像中的图像数据,进行输出显示。采用本方法,对被扫描部位进行重复多次的加速倍数扫描,加速倍数扫描可以消除扫描过程中的运动伪影问题,多次重复对同一被扫描部位的扫描消除单次加速倍数扫描带来的欠采样问题,可以实现无重建伪影的图像重建,进而通过对重建图像的融合,得到高质量成像图像。
在一个可选的实施例中,如图2所示,在步骤101之前,该方法还包括以下步骤:
步骤201,针对被扫描部位进行多次欠采样扫描,得到被扫描部位的具备时间关联关系的多组K空间数据。被扫描部位包含多个扫描层,每次欠采样扫描可同时激发被扫描部位的两个或多个扫描层。
其中,若磁共振成像系统进行二维成像,则被扫描部位对应为某一身体部位的一个扫描切面,若磁共振成像系统进行三维成像,则被扫描部位对应为某一身体部位的一个扫描块。而对于身体部位则可以是头部、腹部、胃、肠、脊椎等,本申请实施例不做限定。
在实施中,计算机设备针对同一被扫描部位进行重复的加速倍数扫描,每次的加速倍数扫描得到的该被扫描部位的K空间数据均携带对应的时间戳信息,进而得到具备时间关联关系的多组K空间数据。例如,针对每一扫描切面,利用欠采样的掩膜(Mask)以加速倍数接近N倍的扫描方式进行重复N次的扫描,得到该扫描切面的具备时间关联关系的N组扫描K空间数据。
可选的,进行重复多次的加速倍数扫描时,每次扫描可以使用相同的加速倍数,也可以使用不同的加速倍数,本实施例不做限定。
可选的,针对每次扫描时对应的扫描序列,可以但不限于为GRE(Gradientrecalled echo,梯度回波脉冲序列)、FSE(Fast spin echo,快速自旋回波脉冲序列)、EPI(平面回波成像,Echo Planar Imaging)及各种变种序列,同时本申请中也适用于T1、T2以及PD(Proton Density,质子密度)等各种图像对比度。
步骤202,对多组K空间数据进行图像重建,得到多个重建图像,将多个重建图像组成被扫描部位的图像集合。
在实施中,如图3所示,计算机设备利用Mask1(掩膜1)至MaskN(掩膜N)加速倍数扫描可以得到N个掩膜对应的N组K空间数据,将多组扫描的K空间数据作为图像重建算法的输入数据,基于预设的图像重建算法进行图像重建处理,得到每组K空间数据对应的重建图像(即图3中的图像1至图像N),这N个图像组成被扫描部位(例如,一个扫描切面)的图像集合。
其中,图像重建方式可以是对N组K空间数据分别进行重建,也可以联合进行重建,具体的图像重建算法可以是压缩感知方法、深度学习方法等,本申请实施例不做限定。
可选的,对于扫描中不同的Mask(掩膜)对应有多种不同的采样位置点,如图4所示,图4中实线表示采样位置,虚线表示未采样位置,图4中的Mask每一次扫描的采样点位置都是随机的(即随机密度),又如,还可以如图5所示,图5中显示的Mask每次扫描的中心区域都是满采样的,非中心区域为固定间隔欠采样;或者,中心区域额外采集参考线,参考线数目不限,非中心区域为固定间隔欠采样。
本实施例中,对同一被扫描部位进行加速倍数扫描方式的重复扫描采样,针对采样得到的多组扫描K空间数据进行图像重建,加速倍数的方式消除运动伪影,同时重复扫描可以保证图像重建时多组K空间数据间的相互学习,进而得到的多个重建图像消除了运动伪影同时提高了重建图像的成像质量。
在一个可选的实施例中,步骤202中根据多组K空间数据以及图像重建算法,进行图像重建包含多种多样的实现方法,本实施例中列举出可行的实现方式:
方式一,若存在多组K空间数据,如图6所示,则将采集到的多组K空间数据输入预先训练的神经网络模型中,通过神经网络模型对基于时间关联关系的多组K空间数据进行迭代重建,得到多组K空间数据对应的多个重建图像。
在实施中,若存在多组数据为K空间互补采样数据,具体地,在进行K空间采样时,N=3的情况,Mask1至Mask3之间具有互补性,即Mask1、Mask2和Mask3合并在一起可以组合成一个完整的或者近似完整的融合K空间,分别利用Mask1、Mask2和Mask3对同一被扫描部位进行采样得到3组K空间数据,将这3组K空间数据输入预先训练的神经网络模型中,计算机设备通过预先训练的神经网络模型对这3组基于时间关联关系的K空间数据进行迭代重建,得到这3组K空间数据对应的3个重建图像。
可选的,如图7所示,图7中的实心圆点表示当前数据点被采样,空心圆点表示当前数据点未采样,则多组(N大于3组)K空间数据合并在一起也可以组合成一个完成的或者近似完整的融合K空间。因此,本申请实施例对于扫描过程中的采样轨迹也不做限定,在2维或3维扫描过程中均可以使用笛卡尔采样轨迹进行采样(例如,图6中的采样轨迹),也可以利用radial、spiral、wave、sine等非笛卡尔采样轨迹进行采样。
其中,由上文可知,图像重建的神经网络模型需要进行预先训练。因此,可以根据构建的训练样本进行模型训练,具体地,训练样本的构建方法包括:针对一个静止的扫描部位进行N次重复扫描,每次都进行全采样形式的扫描,则可以得到N个没有欠采样伪影,也没有运动伪影的基准图像,另外,针对这一扫描部位,模拟人体在扫描过程中的运动情况,即主动对被扫描部位施加一次或多次运动偏移,再次进行N次全采样形式的扫描,得到N个全采样数据,并在N个全采样数据中根据不同Mask掩膜进行欠采样K空间数据的抽取,得到的N个输入图像。将N个基准图像与N个输入图像建立对应关系,得到N对输入图像与基准图像组成的神经网络模型的训练集。
进而,利用训练集对图像重建的神经网络模型进行模型训练,如图8所示,该神经网络模型的训练过程如下所示:
将训练集输入至神经网络模型进行模型运算,其中,训练集中的N个输入图像,以及将N个输入图像合并后的融合K空间图像作为模型运算的数据,进行深度学习。其中,合并后的融合K空间图像可以为图像重建神经网络模型提供一种或多种模型初始参数信息。例如,线圈敏感度信息、图像重建的卷积核的系数,除参考图像之外额外的约束项条件等。进而,根据N个输入图像以及融合K空间图像提供的信息,模型进行运算处理,得到每一输入图像对应的输出图像,将输出图像与训练集中对应的基准图像(即图8中的参考图像)进行对比,确定模型的损失函数(Loss function),根据模型的损失函数判断是否对模型的参数进行调整,若损失函数大于预设误差阈值,则对模型参数进行适应性调整,重新对训练集数据进行模型运算,直至损失函数小于预设误差阈值,若损失函数小于预设误差阈值则模型训练结束。图8中的重建结果与参考图像仅显示为一个,但是实际处理过程中若多个输入图像,则对应多个参考图像,进而可以得到多个重建结果(即重建图像)。
方式二,若存在多组所述K空间数据,根据压缩感知算法对采集到的基于时间关联关系的多组K空间数据进行图像重建,得到多组K空间数据对应的多个重建图像。
其中,除了对于采样空间(K空间合并后)为全采样,还可以利用不同的Mask实行欠采样的采样方式。例如,N次扫描采集得到的N个采样样本合并后,仍然是一个欠采样的K空间,但是合并后的K空间欠采样的倍数大大减小。
在实施中,若多组所述K空间数据为欠采样数据,则需要使用预设的压缩感知算法获取稀疏信号(即欠采样的多组K空间数据)的稀疏结构和稀疏信号的不相关特性,对具备时间关联关系但时间不连续的多组K空间数据进行图像重建。其中,对于采样空间合并后为欠采样的情况,不限于应用压缩感知算法进行图像重建,还可以是并行成像、AI(Artificial Intelligence,人工智能)算法等,本申请实施例不做限定。
在一个可选的实施例中,如图9所示,步骤201的具体处理过程如下所示:
步骤901,根据预设的多层混叠激发策略确定至少一个扫描单元,其中,一个扫描单元包含至少两个扫描层。
在实施中,针对一个被扫描部位(此时的扫描部位指的是具体身体部位,例如,脑部、腹部等,并非指一个扫描切面或扫描块),具备多个扫描层,计算机设备需要根据预设的激发策略,控制磁共振成像系统中的射频线圈发射射频激发信号对被扫描部位进行激发扫描。因此,计算机设备根据预设的多层混叠激发策略,在被扫描物体全部的扫描层中预先确定至少一个扫描单元。其中,一个扫描单元包含至少两个扫描层。
步骤902,通过欠采样扫描方式分别对每一扫描单元重复激发并采集对应的K空间数据,得到被扫描部位的具备时间关联关系的多组K空间数据。
在实施中,欠采样扫描方式可以为多层混叠激发策略,其发射的混叠激发信号可以同时激发一个扫描单元中包含的全部扫描层,因此,计算机设备通过加速倍数扫描方式的混叠激发信号,针对每一扫描单元整体进行重复多次的混叠激发并采集该扫描单元对应的K空间数据,最后,计算机设备根据每一扫描单元的扫描时间先后顺序得到被扫描部位全部扫描单元的具备时间关联关系的多组K空间数据。
可选的,对于被扫描部位包含的多个扫描层,也可以采用逐层激发策略发射激发信号,对每一扫描层激发并采集对应的K空间数据,得到被扫描部位的多个扫描层的具备时间关联关系的多组K空间数据,因此,本申请实施例对于激发方式不做限定。
在一个可选的实施例中,如图10所示,该磁共振成像处理方法还包括:
步骤1001,获取被扫描部位的轮廓信息。
在实施中,在进行被扫描部位的精准扫描之前,计算机设备可以先对被扫描部位进行定位像扫描,得到被扫描部位的轮廓信息,并将扫描得到的轮廓信息进行存储。进而,计算机设备可以获取被扫描部位对应的轮廓信息。
步骤1002,根据轮廓信息,识别被扫描部位的特征信息,并根据预先存储的特征信息与运动属性的对应关系,确定被扫描部位的特征信息对应的目标运动属性。可选的,被扫描部位的特征信息可以是被扫描部位的所属器官种类、大小、形状等。
在实施中,计算机设备在数据库中预先存储有特征信息与运动属性的对应关系。计算机设备得到被扫描部位的轮廓信息后,可以识别其中包含的被扫描部位的特征信息,进而,根据识别出的被扫描部位的特征信息在数据库中进行查询,确定被扫描部位的特征信息对应的目标运动属性。
步骤1003,根据预先存储的运动属性和图像融合策略的对应关系,确定目标运动属性对应的图像融合策略。
在实施中,计算机设备在数据库中预先存储有运动属性和图像融合策略的对应关系,因此,在确定出被扫描部位的目标运动属性之后,计算机设备根据目标运动属性在数据库中进行查询,确定目标运动属性对应的图像融合策略。
进而,步骤102的处理过程可以如下所示:
步骤1004,根据目标运动属性对应的图像融合策略,以图像集合中的至少一个重建图像为基准图像,进行图像融合,得到至少一个基准图像对应的融合图像。
在实施中,计算机设备执行目标运动属性对应的图像融合策略,随机选择或者根据需求选择图像集合中的至少一个重建图像作为图像融合的基准图像,针对每一基准图像,将其他图像与基准图像进行图像融合,得到该基准图像对应的融合图像。例如,图像集合中包含A、B、C三个重建图像,以其中的重建图像A作为基准图像,进行图像融合,则将重建图像B与图像重建C分别与重建图像A进行图像融合,分别得到过程图像A1和过程图像A2,再将过程图像A1与过程图像A2进行图像融合,得到该基准图像A对应的融合图像A3。可选的,也可以选择将图像集合中的每一重建图像都作为基准图像,针对每一基准图像进行图像融合,得到图像集合中每一重建图像对应的融合图像,例如,分别以图像集合中的重建图像A、B、C为基准图像,每一基准图像应用相同的图像融合原理,最终得到重建图像A、B、C分别对应的融合图像A3、B3、C3。因此,对于选择的基准图像的数目,本申请实施例不做限定。
本实施例中,根据轮廓信息对被扫描部位进行特征信息识别,进而在被扫描部位特征信息与运动属性的对应关系中,确定被扫描部位的目标运动属性,再在运动属性与图像融合策略的对应关系中,确定目标运动属性对应的图像融合策略,以该图像融合策略对该被扫描部位的重建图像进行图像融合得到融合图像,融合图像相比于重建图像提高了图像信噪比。
在一个可选的实施例中,如图11所示,步骤1003的具体处理过程包括如下步骤:
步骤1101,若被扫描部位的目标运动属性为非刚性运动属性,在预先存储的运动属性和图像融合策略的对应关系中,确定非刚性运动属性对应的非刚性图像融合策略。
其中,非刚性运动属性为被扫描部位的运动区域在发生运动的时候会产生弹性形变的属性。
在实施中,若计算机设备确定被扫描部位的目标运动属性为非刚性运动属性,则计算机设备可以在数据库中查询预先存储的运动属性和图像融合策略的对应关系,确定非刚性运动属性对应的非刚性图像融合策略。
进而,计算机设备根据非刚性图像融合策略,对被扫描部位以加速倍数方式的N次重复扫描得到的N个重建图像,进行图像融合。则步骤102的处理过程可以如下所示:
步骤1102,根据非刚性图像融合策略中的图像分割模型,提取图像集合中每一重建图像中包含的静态区域图像,以至少一个重建图像中包含的静态区域图像为基准图像,通过图像融合模型进行融合,得到对应至少一个基准图像的融合图像。
在实施中,如图12所示,1至N幅均为同一个被扫描部位的重建图像,这N幅重建图像作为一个图像集合,其中,这N幅图像中的白色区域为被扫描部位运动区域,白色区域大小、形状不同,其表示被扫描部位的运动区域在扫描过程中由于发生运动造成弹性形变。计算机设备根据非刚性图像融合策略中的图像分割模型,提取图像集合中每一重建图像包含的静态区域图像数据,得到每一重建图像对应的静态区域图像,计算机设备以提取出的至少一个重建图像对应的静态区域图像作为基准图像,针对每一基准图像,通过图像融合模型对除基准图像之外的其他重建图像的静态区域图像与基准图像进行融合,得到至少一个基准图像对应的融合图像。
如图13所示,N个重建图像输入预先训练的图像分割神经网络模型,进行图像分割,提取每一重建图像分割后的静态区域图像,图13中,以由上至下顺序的第一个重建图像对应的第一静态区域图像(图13中显示为白色椭圆区域)作为基准图像,将其他重建图像对应的静态区域图像与基准图像进行初步图像合并,得到对应的N-1个初步融合图像,进而将N-1个初步融合图像以及基准图像一并输入至预先训练的图像融合神经网络模型进行图像融合,得到该基准图像对应的融合图像。
可选的,非刚性图像融合策略中包含的图像分割(神经网络)模型和图像融合(神经网络)模型可以根据预先构建的图像训练集进行模型训练,其中,模型的训练过程与上述图13展示的模型的应用过程基本相同,仅是在对训练集进行处理后,增加了针对每次模型输出结果进行误差判断的过程,若模型输出结果的对应误差大于预设的模型误差阈值,则进行模型参数的调整,直至输出结果的对应误差小于或者等于模型误差阈值;进而,若输出结果的误差小于或者等于模型误差阈值,停止模型训练,因此,对于具体的图像分割模型和图像融合模型的训练过程,本申请实施例不再进行详细描述。
本实施例中,通过以图像集合中的至少一个重建图像作为基准图像,进行图像融合,由基准图像得到了增强了图像信噪比的融合图像,提高了被扫描部位的图像质量。
在一个可选的实施例中,如图14所示,步骤1003的具体处理过程包括如下步骤:
步骤1401,若被扫描部位的目标运动属性为刚性运动属性,在预先存储的运动属性和图像融合策略的对应关系中,确定刚性运动属性对应的刚性图像融合策略。
其中,刚性运动属性为被扫描部位的运动区域在发生运动的时候不会产生弹性形变的属性。
在实施中,若计算机设备确定被扫描部位的目标运动属性为刚性运动属性,则计算机设备可以在数据库预先存储的运动属性和图像融合策略的对应关系中,确定刚性运动属性对应的刚性图像融合策略。
进而,计算机设备根据刚性图像融合策略,对被扫描部位以加速倍数方式的N次重复扫描得到的N个重建图像,进行图像融合。则步骤102的处理过程可以如下所示:
步骤1402,根据刚性图像融合策略,将图像集合中至少一个重建图像包含的动态区域图像作为配准标准图像,根据图像配准模型,对图像集合中的其他重建图像进行动态区域的图像配准,得到对应至少一个配准标准图像的配准图像。
在实施中,如图15所示,1至N幅均为同一个被扫描部位的重建图像,这N幅重建图像作为一个图像集合,其中,这N幅图像中的白色区域为被扫描部位运动区域,白色区域大小、形状均相同,只是所处重建图像中的位置不同,其表示被扫描部位的运动区域在扫描过程中运动但未产生弹性形变。因此,计算机设备以图像集合中至少一个重建图像包含的动态区域图像作为配准标准图像,根据预先训练的图像配准模型(例如,图像神经网络配准模型),对图像集合中的其他重建图像进行动态区域的图像配准。具体地,以配准标准图像中动态区域图像在重建图像中的所处位置为基准,对其他重建图像的动态区域所处位置进行调整,直至其他重建图像中的动态区域图像在重建图像中的所处位置与配准标准图像的动态区域图像在重建图像中的所处位置相同或者小于预设误差值,则得到配准标准图像对应的一组配准图像。具体的一组配准图像也包含用于图像配准的配准标准图像,即若图像集合中包含N幅重建图像,以至少一个重建图像的动态区域图像作为配准标准图像,针对每个配准标准图像进行图像配准,得到包含该配准标准图像的一组配准图像。其中,一组配准图像即为动态区域所处位置相同或者近似相同的图像。另外,对于配准标准图像的数目可以为一个,也可以为多个,本申请实施例不做限定。
例如,以图15中N幅图像中的第一幅图像中心位置的动态区域图像(图15中的白色区域图像)为配准标准图像,第2幅至第N幅图像中的动态区域图像都以此为基准进行动态区域图像位置的调整,直至得到与配准标准图像中动态区域图像位置相同或者近似相同的配准图像。
步骤1403,根据图像分割模型,提取配准图像包含的动态区域图像和静态区域图像。
在实施中,计算机设备根据预先训练的图像分割模型,针对至少一组配准图像,提取其中每一配准图像中包含的动态区域图像和静态区域图像。例如,一组配准图像中包含N幅配准图像,针对每一配准图像利用预先训练的图像分割模型提取该配准图像包含的动态区域图像和静态区域图像。
其中,图像分割模型的训练过程与上述步骤1102中的图像分割模型的训练过程相同,本实施例不再赘述。
步骤1404,根据图像融合模型,对至少一组配准图像的动态区域图像和静态区域图像进行图像融合,得到融合图像。
在实施中,计算机设备根据预先训练的图像融合模型,对至少一组配准图像的动态区域图像和静态区域图像进行图像融合,具体地,计算机设备可以根据预先训练的图像融合模型先针对一组配准图像的动态区域图像进行图像融合,得到动态区域的融合图像,再针对该组配准图像中的静态区域图像进行图像融合,进而得到静态区域的融合图像,最后,将动态区域的融合图像与静态区域的融合图像进行图像融合,得到最终的融合图像。
可选的,计算机设备还可以直接基于配准图像进行整体图像融合,得到最终的融合图像,本实施例不做限定。
可选的,当被扫描部位的多个重建图像中动态区域的图像偏移不大时,刚性图像融合策略中还可以不对被扫描部位的重建图像进行配准,直接进行图像的融合,其具体图像融合过程与上述配准后进行图像融合过程相同,本申请实施例不再赘述。
本实施例中,通过以图像集合中的至少一个重建图像中的动态区域图像作为配准标准图像,进行图像配准,得到配准图像,然后,再以至少一个配准图像为基准图像,进行图像融合,由基准图像得到了增强了图像信噪比的融合图像,提高了被扫描部位的图像质量。
在一个可选的实施例中,如图16所示,步骤103的具体处理过程如下所示:
步骤1601,接收图像显示请求,图像显示请求中携带图像显示策略。
在实施中,针对计算机设备显示界面,提供了多种显示模式选项,每种显示模式选项对应一种图像显示策略,用户可以通过触发计算机设备显示界面上的显示模式选项,发送图像显示请求,该图像显示请求中携带对应的图像显示策略。计算机设备接收该图像显示请求,读取图像显示请求中携带的图像显示策略。
可选的,计算机设备也可以预先设定图像显示策略,当需要进行图像显示时,均以设定的图像显示策略进行图像显示。
步骤1602,若图像显示策略为动态显示策略,则根据动态显示策略,基于时间顺序依次读取全部的融合图像并进行动态输出显示。
在实施中,每一融合图像对应的基准图像携带由对应的时间戳信息,该时间戳信息表征在进行N次重复扫描过程中,每一基准图像的扫描时间,进而由该基准图像进行图像融合得到的融合图像也携带相同的时间戳信息,因此,若图像显示请求中携带的图像显示策略为动态显示策略,则在得到的全部的融合图像中基于融合图像的时间戳信息进行时间由前向后的顺序排序,根据时间由前向后的顺序依次读取融合图像,并进行输出显示,显示结果实现了被扫描部位的运动过程动态播放显示。
步骤1603,若图像显示策略为静态显示策略,则根据预设的图像评估标准在全部的融合图像中确定至少一个目标融合图像,读取目标融合图像并进行静态输出显示。
在实施中,若图像显示策略为静态显示策略,则计算机设备根据预设的图像评估标准在全部的融合图像中确定至少一个目标融合图像,例如,基于融合图像的信噪比进行融合图像信噪比由高到低的排序,选取其中信噪比高的至少一个目标融合图像,读取目标融合图像进行静态输出显示。其中,针对静态输出显示的融合图像的数目,可以预先设定数目阈值进行选定,或者按照全部融合图像的预设比例阈值进行选定,具体情况可以根据实际情况进行选择,本实施例不做限定。
可选的,计算机设备也可以直接显示未经图像融合的重建图像,其显示的重建图像数目也可以根据设定的图像显示策略进行显示,可以为1个,也可以为N个,未经图像融合的重建图像与融合后的融合图像还可以一并显示,通过对比,直观显示未经融合图像与融合后图像间的差别。
本实施例中,根据不同的显示需求,对应不同的图像显示策略,可以实现融合图像的灵活显示。
应该理解的是,虽然图1、图2、图9至图11、图14、图16的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图2、图9至图11、图14、图16中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图17所示,提供了一种磁共振成像处理装置1700,包括:获取模块1710、融合模块1720和显示模块1730,其中:
获取模块1710,用于获取被扫描部位的图像集合;图像集合中包含多个重建图像,且多个重建图像对应被扫描部位的至少两次欠采样扫描;
融合模块1720,用于根据图像融合策略,将图像集合中的至少一个重建图像作为基准图像,进行图像融合,得到至少一个基准图像对应的融合图像;
显示模块1730,用于根据预设的图像显示策略,读取融合图像中的图像数据,进行输出显示。
在一个可选的实施例中,该装置1700还包括:
扫描模块,用于针对被扫描部位进行多次欠采样扫描,得到被扫描部位的具备时间关联关系的多组K空间数据;
图像重建模块,用于对多组K空间数据进行图像重建,得到多个重建图像,将多个重建图像组成被扫描部位的图像集合。
在一个可选的实施例中,多组K空间数据具有相同的填充密度,且至少两组K空间数据的填充轨迹互补。
在一个可选的实施例中,扫描模块用于根据预设的多层混叠激发策略确定至少一个扫描单元,其中,一个扫描单元包含至少两个扫描层;
通过加速倍数扫描方式的混叠激发信号,分别激发并采集每一扫描单元对应的K空间数据,得到被扫描部位的具备时间关联关系的多组K空间数据。
在一个可选的实施例中,该装置1700还包括:
定位扫描模块,用于获取被扫描部位的轮廓信息;
第一确定模块,用于根据轮廓信息,识别被扫描部位的特征信息,并根据预先存储的特征信息与运动属性的对应关系,确定被扫描部位的特征信息对应的目标运动属性;
第二确定模块,用于根据预先存储的运动属性和图像融合策略的对应关系,确定目标运动属性对应的图像融合策略。
则融合模块1720用于根据目标运动属性对应的图像融合策略,以图像集合中的至少一个重建图像为基准图像,进行图像融合,得到至少一个基准图像对应的融合图像。
在一个可选的实施例中,第二确定模块用于若所述被扫描部位的目标运动属性为非刚性运动属性,在预先存储的运动属性和图像融合策略的对应关系中,确定非刚性运动属性对应的非刚性图像融合策略;
则融合模块1720用于根据非刚性图像融合策略中的图像分割模型,提取图像集合中每一重建图像中包含的静态区域图像,以至少一个重建图像中包含的静态区域图像为基准图像,通过图像融合模型进行融合,得到对应至少一个基准图像的融合图像。
在一个可选的实施例中,第一确定模块用于若被扫描部位的所述目标运动属性为刚性运动属性,在预先存储的运动属性和图像融合策略的对应关系中,确定刚性运动属性对应的刚性图像融合策略;
则融合模块1720用于根据刚性图像融合策略,将图像集合中至少一个所述重建图像包含的动态区域图像作为配准标准图像,根据图像配准模型,图像集合中的其他所述重建图像进行动态区域的图像配准,得到对应至少一个配准标准图像的配准图像;
根据图像分割模型,提取所述配准图像包含的动态区域图像和静态区域图像;
根据图像融合模型,对至少一组配准图像的动态区域图像和静态区域图像进行图像融合,得到融合图像。
在一个可选的实施例中,显示模块1730用于接收图像显示请求,图像显示请求中携带图像显示策略;
若图像显示策略为动态显示策略,则根据动态显示策略,基于时间顺序依次读取全部的融合图像并进行动态输出显示;
若图像显示策略为静态显示策略,则根据预设的图像评估标准在全部的融合图像中确定至少一个目标融合图像,读取所述目标融合图像并进行静态输出显示。
关于磁共振成像处理装置1700的具体限定可以参见上文中对于磁共振成像处理方法的限定,在此不再赘述。上述磁共振成像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种磁共振成像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图18中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,其上处理器执行计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种磁共振成像处理方法,其特征在于,所述方法包括:
获取被扫描部位的图像集合;所述图像集合中包含多个重建图像,且所述多个重建图像对应所述被扫描部位的至少两次欠采样扫描;
根据图像融合策略,将所述图像集合中的至少一个所述重建图像作为基准图像,进行图像融合,得到至少一个所述基准图像对应的融合图像;
根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示。
2.根据权利要求1所述的方法,其特征在于,在所述获取被扫描部位的图像集合之前,所述方法还包括:
针对被扫描部位进行多次欠采样扫描,得到所述被扫描部位的具备时间关联关系的多组K空间数据;
对多组所述K空间数据进行图像重建,得到多个重建图像,所述多个重建图像组成所述被扫描部位的图像集合。
3.根据权利要求2所述的方法,其特征在于,多组所述K空间数据具有相同的填充密度,且至少两组所述K空间数据的填充轨迹互补。
4.根据权利要求1所述的方法,其特征在于,所述被扫描部位包含多个扫描层,所述方法还包括:
对所述被扫描部位进行多次欠采样扫描,得到所述被扫描部位的具备时间关联关系的多组K空间数据,每次欠采样扫描同时激发所述被扫描部位的至少两个扫描层。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述被扫描部位的轮廓信息;
根据所述轮廓信息,识别所述被扫描部位的特征信息,并根据预先存储的特征信息与运动属性的对应关系,确定所述被扫描部位的特征信息对应的目标运动属性;
根据预先存储的运动属性和图像融合策略的对应关系,确定所述目标运动属性对应的图像融合策略。
6.根据权利要求5所述的方法,其特征在于,所述被扫描部位的所述目标运动属性为非刚性运动属性或刚性运动属性。
7.根据权利要求1所述的方法,其特征在于,所述根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示,包括:
接收图像显示请求,所述图像显示请求中携带图像显示策略;
若所述图像显示策略为动态显示策略,则根据所述动态显示策略,基于时间顺序依次读取全部的所述融合图像并进行动态输出显示;
若所述图像显示策略为静态显示策略,则根据预设的图像评估标准在全部的所述融合图像中确定至少一个目标融合图像,读取所述目标融合图像并进行静态输出显示。
8.一种磁共振成像处理装置,其特征在于,所述装置包括:
获取模块,用于获取被扫描部位的图像集合;所述图像集合中包含多个重建图像,且所述多个重建图像对应所述被扫描部位的至少两次欠采样扫描;
融合模块,用于根据图像融合策略,将所述图像集合中的至少一个所述重建图像作为基准图像,进行图像融合,得到至少一个所述基准图像对应的融合图像;
显示模块,用于根据预设的图像显示策略,读取所述融合图像中的图像数据,进行输出显示。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643515.3A CN115456920A (zh) | 2021-06-09 | 2021-06-09 | 磁共振成像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643515.3A CN115456920A (zh) | 2021-06-09 | 2021-06-09 | 磁共振成像处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456920A true CN115456920A (zh) | 2022-12-09 |
Family
ID=84295200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110643515.3A Pending CN115456920A (zh) | 2021-06-09 | 2021-06-09 | 磁共振成像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456920A (zh) |
-
2021
- 2021-06-09 CN CN202110643515.3A patent/CN115456920A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101923184B1 (ko) | 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치 | |
KR101659578B1 (ko) | 자기 공명 영상 처리 방법 및 장치 | |
JP6232043B2 (ja) | K空間領域の中央および周辺のサンプリング最中での呼吸運動の検出を用いた磁気共鳴画像の再構成 | |
CN103800006B (zh) | 磁共振成像设备和获取功能图像的方法 | |
CN104095634B (zh) | 用于产生图像数据的方法 | |
CN104095633B (zh) | 用于产生图像数据的方法 | |
KR101664138B1 (ko) | 멀티 슬라이스 자기 공명 영상을 사용하는 조직 특성 감별 시스템 및 방법 | |
US20160148378A1 (en) | Systems and Methods for Three-Dimensional Spiral Perfusion Imaging | |
CN103654780A (zh) | 医学成像设备及其控制方法 | |
CN1973211A (zh) | 涉及k-空间中心过度采样的非笛卡尔轨迹的对比度预备mri | |
US10267883B2 (en) | System and method for motion resolved MRI | |
CN112435341B (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
US10191132B2 (en) | Method and apparatus for multi-slice imaging of T2-relaxation time | |
CN110031786A (zh) | 磁共振图像重建方法、磁共振成像方法、设备及介质 | |
CN105051564A (zh) | 用于压缩感测MRI中的经改进的k-空间采样的方法 | |
CN109917315A (zh) | 磁共振成像扫描方法、装置、计算机设备和存储介质 | |
CN107510458A (zh) | 一种磁共振成像方法和设备 | |
CN103901377B (zh) | 用于相干和非相干运动的同时检测的q-空间的复数重建 | |
CN107865659A (zh) | 磁共振成像装置及获取磁共振图像的方法 | |
CN110095742A (zh) | 一种基于神经网络的平面回波成像方法和装置 | |
CN110148195A (zh) | 一种磁共振图像生成方法、系统、终端及存储介质 | |
US10527695B2 (en) | Systems and methods for efficient magnetic resonance fingerprinting scheduling | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN109324302B (zh) | 根据读入的图像数据自动识别和设置磁共振协议 | |
US20210166384A1 (en) | System, method and computer-accessible medium for tissue fingerprinting |
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 |