CN115526948A - 磁共振图像的射频场均匀性校正方法、装置及磁共振系统 - Google Patents
磁共振图像的射频场均匀性校正方法、装置及磁共振系统 Download PDFInfo
- Publication number
- CN115526948A CN115526948A CN202211378139.0A CN202211378139A CN115526948A CN 115526948 A CN115526948 A CN 115526948A CN 202211378139 A CN202211378139 A CN 202211378139A CN 115526948 A CN115526948 A CN 115526948A
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- neural network
- training
- correction
- 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
Images
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种磁共振图像的射频场均匀性校正方法、装置及磁共振系统。所述方法包括:获取待校正图像;将待校正图像输入预先训练的神经网络模型,神经网络模型基于待校正图像和金标准图像输出对应的亮度校正分布图,其中,亮度校正分布图为表征射频场不均匀分布引起的亮度不均特征图像,金标准图像为亮度均匀或亮度校正合格的图像;基于亮度校正分布图对待校正图像进行亮度校正。本方法适用于高、低场下磁共振图像的射频场均匀性校正,能够亮度校正的同时不会改变原图的对比度和结构等细节信息,并且同时有效改善射频场中发射场和接收场两部分引入的亮度不匀,有效提高扫描校正效率,保证扫描校正准确性。
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图像的射频场均匀性校正方法、装置及磁共振系统。
背景技术
磁共振系统(MR系统,Magnetic Resonance)的射频场分布存在不均匀性,对MR系统接收到的图像对比度信息产生亮度不匀信息干扰,影响图像信息的读取,以及图像分割等图像后处理分析,所以对射频场的不均匀性校正就非常有必要。
现有技术中,较为常见的均匀性校正方法是通过预扫描相同成像预期的VTC(volumetransmit coil)线圈图像作为参考图,利用预扫描图像相除的方法,去除了两次扫描中相同的发射场信息以及对比度信息,以对待校正图像进行均匀性校正。但该方法仅适用于线圈灵敏度分布较为均匀的低场下,而在高场上由于射频频率加大,射频波长变短,电磁波与人体的电介效应增强,导致VTC线圈自身射频场均匀性下降,进而导致VTC图像无法满足作为参考图的均匀性要求。另一种常见的均匀性校正方法是基于自身图像信息来提取线圈灵敏度分布,该方法无法很好的区分对比度和亮度均匀性导致的图像不匀,因此,该方法在校正亮度均匀性的同时,也会损失一定的图像对比度。
综上所述,现有技术在高场射频场校正的效果上都存在一些缺陷,且都不能对发射场和接收场进行完整有效的校正,都有一定的局限性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够适用于高、低场的磁共振图像的射频场均匀性校正方法、装置及磁共振系统。
第一方面,本申请提供了一种磁共振图像的射频场均匀性校正方法,包括:
获取待校正图像;
将待校正图像输入预先训练的神经网络模型,神经网络模型基于待校正图像和金标准图像输出对应的亮度校正分布图,其中,亮度校正分布图为表征射频场不均匀分布引起的亮度不均特征图像,金标准图像为亮度均匀或亮度校正合格的图像;
基于亮度校正分布图对待校正图像进行亮度校正。
在其中一个实施例中,神经网络模型的训练过程包括以下步骤:
获取训练所需的训练数据,训练数据包括亮度不匀的训练图像以及亮度均匀或亮度校正合格的金标准图像,训练图像与金标准图像的图像信息相同;
基于训练数据进行神经网络学习,训练得到神经网络模型。
在其中一个实施例中,基于训练数据进行神经网络学习,训练得到神经网络模型包括:
构建神经网络模型,神经网络模型中设置有训练参数;
分别将训练图像和金标准图像输入至神经网络模型中,生成输出亮度校正分布图的预测结果;
基于预测结果所对应的校正结果与金标准图像之间的差异,对训练参数进行迭代调整,直至差异满足预设要求。
在其中一个实施例中,在神经网络学习中,将预测结果所对应的校正结果与金标准图像之间的差异、以及预测结果的信息变化特征,作为神经网络学习的损失函数。
在其中一个实施例中,训练数据为在低场强下获取的数据,其中,基于在低场强下的训练数据训练得到的神经网络模型作为低场强下以及高场强下输出亮度校正分布图的模型。
在其中一个实施例中,基于亮度校正分布图对待校正图像进行亮度校正包括:
基于亮度校正分布图中的射频场不均匀信息,调整待校正图像的局部亮度,得到对应的亮度校正图像。
第二方面,本申请提供了一种磁共振图像的射频场均匀性校正装置,包括:
获取模块,用于获取待校正图像;
中间模块,用于将待校正图像输入预先训练的神经网络模型,神经网络模型基于待校正图像和金标准图像输出对应的亮度校正分布图,其中,亮度校正分布图为表征射频场不均匀分布引起的亮度不均特征图像,金标准图像为亮度均匀或亮度校正合格的图像;
校正模块,用于基于亮度校正分布图对待校正图像进行亮度校正。
在其中一个实施例中,还包括:
训练模块,用于获取训练所需的训练数据,训练数据包括亮度不匀的训练图像以及亮度均匀或亮度校正合格的金标准图像,训练图像与金标准图像的图像信息相同,以及基于训练数据进行神经网络学习,训练得到神经网络模型。
第三方面,本申请还提供了一种磁共振系统,包括:磁共振成像装置、以及如上述任意一种实施例所述的磁共振图像的射频场均匀性校正装置。
第四方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任意一种实施例所述的磁共振图像的射频场均匀性校正方法的步骤。
第五方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一种实施例所述的磁共振图像的射频场均匀性校正方法的步骤。
上述磁共振图像的射频场均匀性校正方法、装置、磁共振系统、计算机设备及存储介质,通过待校正图像经过预先训练的神经网络模型得到射频场不均匀分布相关的亮度校正分布图,基于亮度校正分布图再进一步进行亮度校正,如此,第一方面,亮度校正分布图作为校正中间变量进行亮度校正,保证了亮度校正不会改变原图的对比度和结构等细节信息,即仅对射频场引入的亮度不均匀性做校正,第二方面,基于预先训练的神经网络模型得到亮度校正分布图的方式可以适用于高、低场下磁共振图像的分析,得到对应的射频场不均匀信息,进一步进行高、低场下磁共振图像的射频场均匀性校正,第三方面,并不需要在每次磁共振扫描之前进行预扫描相同成像得到参考图,直接扫描校正即可,避免了两次扫描的麻烦,提高磁共振扫描校正效率,同时,可以避免两次扫描不同所引入的校正误差,不受射频场波动变化的影响,提高了磁共振扫描校正的准确性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1为一个实施例中磁共振图像的射频场均匀性校正方法的流程示意图;
图2为一个实施例中磁共振图像的射频场均匀性校正方法的原理示意图;
图3为一个实施例中磁共振图像的射频场均匀性校正装置的结构框图。
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,对本申请进行描述和说明。应当理解,此处所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。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请实施例提供的磁共振图像的射频场均匀性校正方法、装置、磁共振系统、计算机设备及存储介质,适用于磁共振系统(MR系统),尤其适用于对磁共振系统的图像进行射频场均匀性引起亮度不均的校正。磁共振成像技术是利用人体内原子核在磁场内与外加射频磁场发生共振,而产生影像的技术,然而MR系统射频场分布存在不均匀性,对MR接收到的图像对比度信息产生亮度不匀信息干扰,影响成像结果,以及图像分割等图像后处理分析,所以对射频场的不均匀性校正就非常有必要。在低场上,VTC线圈具有较为均匀的线圈灵敏度分布,可作为均匀性校正的参考图,来计算待校正接收线圈的灵敏度分布信息,对待校正图像进行均匀性校正。随着磁共振场强增强,在高场上,人体与电磁场的驻波效应增强,射频场的不均匀性问题就越严重,包括发射场和接收场的不匀特性都会更加严重且复杂。此时VTC线圈的均匀性也随之变差,无法满足作为参考图的均匀性要求。发射场匀场技术也具有一定的物理局限性,往往很难对全空间都进行有效的改善,所以高场上射频均匀性校正的难度随之加大。
在一个实施例中,如图1所示,提供了一种磁共振图像的射频场均匀性校正方法,包括以下步骤:
S100:获取待校正图像;
具体地,本实施例的待校正图像为亮度待校正的磁共振图像,磁共振图像通过磁共振系统扫描获取,其由于磁共振系统的射频场不均匀引起了图像的亮度不均。其中,本实施例的射频场包括发射场和接收场,待校正图像可以为高场或低场下磁共振系统扫描得到的图像,该高场和低场指的是磁共振成像设备的主磁场强度,可选地,高场的磁场强度为3.0T或更高的场强,低场的磁场强度为1.5T或更低的场强。
S200:将待校正图像输入预先训练的神经网络模型,神经网络模型基于待校正图像和金标准图像输出对应的亮度校正分布图,其中,亮度校正分布图为表征射频场不均匀分布引起的亮度不均特征图像,金标准图像为亮度均匀或亮度校正合格的图像;
具体地,本实施例的预先训练的神经网络模型为前期通过采集大量的训练数据进行训练得到的模型,其经过训练可以识别待校正图像的亮度校正分布图,即识别待处理图像中的射频场不均匀分布,其中,训练数据可以包括亮度不均图像和亮度均匀或亮度校正合格的金标准图像,通过这些图像结合基本的神经网络模型进行训练,从而得到所要的模型,可选地,基本的神经网络模型例如BP神经网络、卷积神经网络CNN、全连接神经网络FCN、递归神经网络RNN等等。参看图2,基于预先训练好的神经网络模型,通过AI算法分析识别待校正图像和金标准图像之间的差异,从而输出对应的亮度校正分布图。
进一步地,本实施例预先训练的神经网络模型不仅适用于低场下磁共振系统扫描得到图像的分析,而且适用于高频场下磁共振系统扫描得到图像的分析,优选地,参看图2,本实施例基于低场下的训练数据训练神经网络模型,通过低场下训练出来的神经网络模型扩展迁移至高射频的磁共振系统上,实现高场磁共振系统图像的射频场均匀性校正。
具体地,参看图2,本实施例的亮度校正分布图可以基于待处理图像的整体轮廓结合灰阶形式表示其射频场不均匀分布的信息,也就是亮度不均特征图像,基于该亮度校正分布图可以清楚地知道待处理的原始图像射频场不均匀分布引起亮度不均的区域以及亮度不均的程度。
S300:基于亮度校正分布图对待校正图像进行亮度校正。
具体地,基本亮度校正分布图中射频场不均匀分布引起的亮度不均信息,对待校正图像进一步进行亮度的校正,即可得到清晰、亮度均匀或合格的图像。其中,基于该亮度校正分布图仅进行亮度的校正,即仅对射频场均匀性校正,并不会改变待校正图像原始的对比度和结构等细节信息,保护了校正图像的其他图像特征的准确性。
本实施例的磁共振图像的射频场均匀性校正方法,通过待校正图像经过预先训练的神经网络模型得到射频场不均匀分布相关的亮度校正分布图,基于亮度校正分布图再进一步进行亮度校正,如此,一方面,亮度校正分布图作为校正中间变量进行亮度校正,保证了亮度校正不会改变原图的对比度和结构等细节信息,即仅对射频场引入的亮度不均匀性做校正,另一方面,基于预先训练的神经网络模型得到亮度校正分布图的方式可以适用于高、低场下磁共振图像的分析,得到对应的射频场不均匀信息,进一步进行高、低场下磁共振图像的射频场均匀性校正。
传统技术通过预扫描相同成像得到参考图,利用预扫描图像相除的方法,去除了两次扫描中相同的发射场信息以及对比度信息,以对待校正图像进行均匀性校正。相对于传统技术,本实施例并不需要在每次磁共振扫描之前进行预扫描相同成像得到参考图,直接扫描校正即可,换而言之,只需一次扫描即可,在扫描结束的同时就可直接进行射频场不均匀性校正,避免了两次扫描的麻烦,提高磁共振扫描校正效率,同时,传统技术两次扫描之间可能会受到成像对象不稳定、射频场波动变化等影响,从而引入校正误差,降低校正准确性,而本实施例每次校正直接根据对应金标准图像进行识别分析,无论上述因素如何的不稳定,都不影响亮度校正分布图的准确性,从而也就不会影响磁共振扫描校正的准确性,保证了图像校准准确。
在一个实施例中,神经网络模型的训练过程包括以下步骤:获取训练所需的训练数据,训练数据包括亮度不匀的训练图像以及亮度均匀或亮度校正合格的金标准图像,训练图像与金标准图像的图像信息相同;基于训练数据进行神经网络学习,训练得到神经网络模型。
具体地,本实施例通过获取大量的训练数据对神经网络模型进行训练,其中,训练数据包括亮度不匀的训练图像以及亮度均匀或亮度校正合格的金标准图像。进一步地,本实施例通过低场的磁共振系统获取一批训练数据,该训练数据包括各部位线圈扫描待校正的训练图像,和相同图像信息的亮度均匀或亮度校正合格的金标准图像,训练图像和金标准图像除了亮度均匀性差异,其他图像特征一致,例如对比度、显示内容等图像信息相同。
优选地,训练数据具体可以由磁共振系统中的局部线圈和体线圈采集获取的,训练数据中的训练图像不仅可以包含局部线圈采集获取的图像,即训练图像中即包括发射场不均匀引起亮度不均的图像,也可以包含体线圈采集获取的图像,即包括接收场不均匀引起亮度不均的图像,训练数据中的金标准图像不仅可以基于体线圈接收到的图像中均匀度最高的图像,还可以基于训练图像进行亮度校正后合格的图像,具体可以手动调整获取校正之后合格的金标准图像,也可以基于局部线圈获取的训练图像和体线圈获取的金标准图像训练得到的神经网络模型输出的亮度校正分布图,进一步对训练图像进行亮度校正,将亮度校正之后合格的图像作为金标准图像。如此,训练图像和金标准图像为同一目标经过相同图像参数扫描得到的图像,两者之间只是射频场分布均匀性的差异,保证了训练图像和金标准图像除了亮度均匀性差异,其他图像特征一致,并且同时亮度校正分布图包含发射场和接收场这两部分不匀成分的影响,有效的改善了射频场发射场和接收场两部分引入的不匀,该方法突破了传统校正方法受限于物理因素导致的均匀性改善有限的问题。
在一个实施例中,基于训练数据进行神经网络学习,训练得到神经网络模型包括:构建神经网络模型,神经网络模型中设置有训练参数;分别将训练图像和金标准图像输入至神经网络模型中,生成输出亮度校正分布图的预测结果;基于预测结果所对应的校正结果与金标准图像之间的差异,对训练参数进行迭代调整,直至差异满足预设要求。
具体地,本实施例基于低场的训练数据进行神经网络学习,训练得到所需的神经网络模型,其中,将训练图像和金标准图像输入到神经网络模型中进行训练,在训练过程中,神经网络模型基于训练图像和金标准图像之间的差异与亮度校正分布图之间的映射关系,生成输出亮度校正分布图的预测结果,再基于该预测结果所对应的校正结果与金标准图像之间的差异,迭代调整神经网络模型所对应的训练参数,以调整该映射关系,直至该差异满足预设要求,从而训练得到神经网络模型。
在一个实施例中,在神经网络学习中,将预测结果所对应的校正结果与金标准图像之间的差异、以及预测结果的信息变化特征,作为神经网络学习的损失函数。具体地,主要以预测结果所对应的校正结果与金标准图像之间的差异最小作为损失函数,即网络训练的约束,其次,神经网络学习输出的亮度校正分布图中的信息特征是连续缓变的,本实施例还将该特征作为网络训练补充的损失函数,例如以预测结果的图象上的梯度最小作为损失函数,以进一步优化神经网络模型的训练,同时这一特征同时保证了亮度校正不会改变原图的对比度和结构等细节信息,仅对射频场引入的亮度不均匀性做校正。
在一个实施例中,训练数据为在低场强下获取的数据,其中,基于在低场强下的训练数据训练得到的神经网络模型作为低场强下以及高场强下输出亮度校正分布图的模型,低场强即磁共振成像设备的主磁场为低场,高场强即磁共振成像设备的主磁场为高场。具体地,在高场的磁共振系统中获取金标准图像很难,无法满足神经网络模型训练的需求,本实施例基于低场强下磁共振系统获取训练数据,并基于低场强下磁共振系统获取图像信息相同且亮度均匀的图像作为金标准图像,或者基于低场强下训练数据进一步亮度校正合格之后的图像作为金标准图像,通过低场的训练数据和金标准图像训练出来的神经网络模型,扩展迁移至高场的磁共振系统上,实现高场的磁共振系统射频场均匀性校正的功能,解决了有效解决高场神经网络训练过程中金标准图像获取难的问题,大大提高了本实施例的适用范围。进一步地,可以采用低场下多通道线圈的图像扩展训练数据,使得训练数据中包含高场特征,以适用于高场的磁共振系统。在一些实施例中,低场强的磁场强度小于等于1.5T,高场强的磁场强度大于等于3.0T。
在一个实施例中,基于亮度校正分布图对待校正图像进行亮度校正包括:基于亮度校正分布图中的射频场不均匀信息,调整待校正图像的局部亮度,得到对应的亮度校正图像。具体地,亮度校正分布图中的射频场不均匀信息包括亮度不均的区域以及亮度不均的程度,基于预设的图像标准亮度,根据亮度不均的区域以及亮度不均的程度对待校正图像进行亮度调整。
现结合一个具体的应用场景对本实施例进行详细说明,但不仅限于此。
参看图2,通过低场的磁共振系统获取一批训练数据,包括各部位线圈待校正的训练图像,和相同对比度的亮度均匀图像或亮度校正合格图像作为金标准图像,训练图像和金标准图像作为网络的训练数据;以金标准图像对训练图像进行训练,使得神经网络学习输出可用于亮度均匀校正的亮度校正分布图,即为射频场不均匀相关的亮度校正分布图;通过低场的磁共振系统训练得到的神经网络模型,同时扩展迁移至高场的磁共振系统上,同时实现高场下亮度校正分布图的输出。
参看图2,基于上述预先训练好的神经网络模型进行磁共振图像的射频场均匀性校正:获取低场或高场下待校正的磁共振图像;将待校正的磁共振图像输入预先训练的神经网络模型,模型输出对应的射频场不均匀相关的亮度校正分布图;基于亮度校正分布图中亮度不均的区域和亮度不均的程度进行亮度调整,得到射频场均匀性校正之后的磁共振图像。
本实施例的磁共振图像的射频场均匀性校正方法,通过待校正图像经过预先训练的神经网络模型得到射频场不均匀分布相关的亮度校正分布图,基于亮度校正分布图再进一步进行亮度校正,如此,一方面,亮度校正分布图作为校正中间变量进行亮度校正,保证了亮度校正不会改变原图的对比度和结构等细节信息,即仅对射频场引入的亮度不均匀性做校正,另一方面,基于预先训练的神经网络模型得到亮度校正分布图的方式可以适用于高、低场下磁共振图像的分析,得到对应的射频场不均匀信息,进一步进行高、低场下磁共振图像的射频场均匀性校正。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的磁共振图像的射频场均匀性校正方法的磁共振图像的射频场均匀性校正装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个磁共振图像的射频场均匀性校正装置实施例中的具体限定可以参见上文中对于磁共振图像的射频场均匀性校正方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种磁共振图像的射频场均匀性校正装置,包括:
获取模块10,用于获取待校正图像;
中间模块20,用于将待校正图像输入预先训练的神经网络模型,神经网络模型基于待校正图像和金标准图像输出对应的亮度校正分布图,其中,亮度校正分布图为表征射频场不均匀分布引起的亮度不均特征图像,金标准图像为亮度均匀或亮度校正合格的图像;
校正模块30,用于基于亮度校正分布图对待校正图像进行亮度校正。
在一个实施例中,如图3所示,该装置还包括训练模块40,用于获取训练所需的训练数据,训练数据包括亮度不匀的训练图像以及亮度均匀或亮度校正合格的金标准图像,训练图像与金标准图像的图像信息相同,以及基于训练数据进行神经网络学习,训练得到神经网络模型。
在一个实施例中,训练模块基于训练数据进行神经网络学习,训练得到神经网络模型包括:构建神经网络模型,神经网络模型中设置有训练参数;分别将训练图像和金标准图像输入至神经网络模型中,生成输出亮度校正分布图的预测结果;基于预测结果所对应的校正结果与金标准图像之间的差异,对训练参数进行迭代调整,直至映射关系满足预设要求。
在一个实施例中,在神经网络学习中,将预测结果所对应的校正结果与金标准图像之间的差异、以及预测结果的信息变化特征,作为神经网络学习的损失函数。
在一个实施例中,训练模块中训练数据为在低场强下获取的数据,其中,基于在低场强下的训练数据训练得到的神经网络模型作为低场强下以及高场强下输出亮度校正分布图的模型,低场强的磁场强度小于等于1.5T,高场强的磁场强度大于等于3.0T。
在一个实施例中,射频场包括发射场和接收场。
在一个实施例中,训练模块基于亮度校正分布图对待校正图像进行亮度校正包括:基于亮度校正分布图中的射频场不均匀信息,调整待校正图像的局部亮度,得到对应的亮度校正图像。
上述磁共振图像的射频场均匀性校正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,提供了种磁共振系统,包括:磁共振成像装置、以及如上述实施例中任意一种磁共振图像的射频场均匀性校正装置。该磁共振成像装置可以包括射频发射线圈、射频接收线圈、主机,主机用于控制射频发射线圈向目标对象发射射频脉冲,通过射频接收线圈接收对应的磁共振信号,基于磁共振信号生成磁共振图像,其中,磁共振图像的射频场均匀性校正装置可以基于主机载体,也可以为独立于主机的硬件设备。射频场均匀性校正装置的工作原理具体详细说明参看方法对应的说明,在此不再赘述。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施例中任意一种磁共振图像的射频场均匀性校正方法。具体详细说明参看方法对应的说明,在此不再赘述。
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,计算机程序被处理器执行时实现上述实施例中任意一种磁共振图像的射频场均匀性校正方法。具体详细说明参看方法对应的说明,在此不再赘述。
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、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-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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。
以上所述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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种磁共振图像的射频场均匀性校正方法,其特征在于,包括:
获取待校正图像;
将所述待校正图像输入预先训练的神经网络模型,所述神经网络模型基于所述待校正图像和金标准图像输出对应的亮度校正分布图,其中,所述亮度校正分布图为表征射频场不均匀分布引起的亮度不均特征图像,所述金标准图像为亮度均匀或亮度校正合格的图像;
基于所述亮度校正分布图对所述待校正图像进行亮度校正。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型的训练过程包括以下步骤:
获取训练所需的训练数据,所述训练数据包括亮度不匀的训练图像以及亮度均匀或亮度校正合格的金标准图像,所述训练图像与所述金标准图像的图像信息相同;
基于所述训练数据进行神经网络学习,训练得到所述神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述训练数据进行神经网络学习,训练得到所述神经网络模型包括:
构建神经网络模型,所述神经网络模型中设置有训练参数;
分别将所述训练图像和所述金标准图像输入至所述神经网络模型中,生成输出所述亮度校正分布图的预测结果;
基于所述预测结果所对应的校正结果与所述金标准图像之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
4.根据权利要求3所述的方法,其特征在于,在所述神经网络学习中,将所述预测结果所对应的校正结果与所述金标准图像之间的差异、以及所述预测结果的信息变化特征,作为所述神经网络学习的损失函数。
5.根据权利要求2所述的方法,其特征在于,所述训练数据为在低场强下获取的数据,其中,基于在低场强下的所述训练数据训练得到的所述神经网络模型作为低场强下以及高场强下输出所述亮度校正分布图的模型。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述基于所述亮度校正分布图对所述待校正图像进行亮度校正包括:
基于所述亮度校正分布图中的射频场不均匀信息,调整所述待校正图像的局部亮度,得到对应的亮度校正图像。
7.一种磁共振图像的射频场均匀性校正装置,其特征在于,包括:
获取模块,用于获取待校正图像;
中间模块,用于将所述待校正图像输入预先训练的神经网络模型,所述神经网络模型基于所述待校正图像和金标准图像输出对应的亮度校正分布图,其中,所述亮度校正分布图为表征射频场不均匀分布引起的亮度不均特征图像,所述金标准图像为亮度均匀或亮度校正合格的图像;
校正模块,用于基于所述亮度校正分布图对所述待校正图像进行亮度校正。
8.根据权利要求7所述的装置,其特征在于,还包括:
训练模块,用于获取训练所需的训练数据,所述训练数据包括亮度不匀的训练图像以及亮度均匀或亮度校正合格的金标准图像,所述训练图像与所述金标准图像的图像信息相同,以及基于所述训练数据进行神经网络学习,训练得到所述神经网络模型。
9.一种磁共振系统,其特征在于,包括:磁共振成像装置、以及如权利要求7或8所述的磁共振图像的射频场均匀性校正装置。
10.一种计算机设备,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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378139.0A CN115526948A (zh) | 2022-11-04 | 2022-11-04 | 磁共振图像的射频场均匀性校正方法、装置及磁共振系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378139.0A CN115526948A (zh) | 2022-11-04 | 2022-11-04 | 磁共振图像的射频场均匀性校正方法、装置及磁共振系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526948A true CN115526948A (zh) | 2022-12-27 |
Family
ID=84704972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211378139.0A Pending CN115526948A (zh) | 2022-11-04 | 2022-11-04 | 磁共振图像的射频场均匀性校正方法、装置及磁共振系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526948A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908760A (zh) * | 2023-07-11 | 2023-10-20 | 哈尔滨工业大学 | 一种基于深度解耦网络的mri偏置场修正方法及系统 |
-
2022
- 2022-11-04 CN CN202211378139.0A patent/CN115526948A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908760A (zh) * | 2023-07-11 | 2023-10-20 | 哈尔滨工业大学 | 一种基于深度解耦网络的mri偏置场修正方法及系统 |
CN116908760B (zh) * | 2023-07-11 | 2024-05-14 | 哈尔滨工业大学 | 一种基于深度解耦网络的mri偏置场修正方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10740931B2 (en) | Method for performing magnetic resonance imaging reconstruction with unsupervised deep learning | |
US11341616B2 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
CN102210587B (zh) | 用于确定磁共振系统控制序列的方法和装置 | |
US11346911B2 (en) | Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation | |
US20150302297A1 (en) | Magnetic Resonance Fingerprinting (MRF) Serial Artificial Neural Network (ANN) Sequence Design | |
KR102622283B1 (ko) | 맥스웰 병렬 이미징 | |
CN111443318B (zh) | 磁共振图像处理方法、装置、存储介质和磁共振成像系统 | |
US10718839B2 (en) | Method and apparatus for correcting uniformity of a magnetic resonance image | |
CN110610529A (zh) | 磁共振扫描仪的主磁场均匀化方法、设备和介质 | |
CN115526948A (zh) | 磁共振图像的射频场均匀性校正方法、装置及磁共振系统 | |
US20220260659A1 (en) | Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method | |
CN113920213A (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
CN111695624A (zh) | 数据增强策略的更新方法、装置、设备及存储介质 | |
Smith et al. | Trajectory optimized NUFFT: Faster non‐Cartesian MRI reconstruction through prior knowledge and parallel architectures | |
CN114140341A (zh) | 一种基于深度学习的磁共振图像非均匀场校正方法 | |
CN107862723B (zh) | 磁共振成像中的图像重构系统和方法 | |
JP7346270B2 (ja) | 医用情報処理装置、医用情報処理方法、およびプログラム | |
CN110246200B (zh) | 磁共振心脏电影成像方法、装置及磁共振扫描仪 | |
Wang et al. | Stochastic optimization of three‐dimensional non‐Cartesian sampling trajectory | |
US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
Chao et al. | Correction of inhomogeneous magnetic resonance images using multiscale retinex for segmentation accuracy improvement | |
Liu et al. | Real-time mapping of tissue properties for magnetic resonance fingerprinting | |
Aetesam et al. | Perceptually motivated generative model for magnetic resonance image denoising | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 |
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 |