CN115836855A - 一种移动式磁共振设备成像方法、装置、存储介质及终端 - Google Patents
一种移动式磁共振设备成像方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN115836855A CN115836855A CN202310151513.1A CN202310151513A CN115836855A CN 115836855 A CN115836855 A CN 115836855A CN 202310151513 A CN202310151513 A CN 202310151513A CN 115836855 A CN115836855 A CN 115836855A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- noise reduction
- network
- reconstruction network
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000005070 sampling Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Images
Classifications
-
- 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
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种移动式磁共振设备成像方法,方法包括:通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据;将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;预先训练的降噪重建网络是基于全采样的训练数据训练生成的;输出待扫描对象对应的磁共振图像。由于本申请通过增加扫描时间来构建全采样的训练数据,根据训练数据进行模型训练得到预先训练的降噪重建网络,实际应用中通过短时间的随机采样得到实时数据,并结合预先训练的降噪重建网络输出高质量图像,从而实现了移动式磁共振设备在较短时间内生成磁共振图像,提升了高质量的磁共振图像的生成速度。
Description
技术领域
本发明涉及图像处理技术领域以及数字医疗技术领域,特别涉及一种移动式磁共振设备成像方法、装置、存储介质及终端。
背景技术
移动式磁共振设备由于具有体积小,重量轻,无需安装在固定场所的磁共振屏蔽室等特点,被应用于一些特殊病人的磁共振影像检查,如急诊患者、重症监护患者等不方便进行长距离移动并对检查时间要求较为严格的患者。而由于移动式磁共振设备其磁共振场强普遍低于固定式磁共振设备,造成了其成像质量比固定式磁共振设备的成像质量差。
目前为了克服移动式磁共振设备成像质量差的缺点,通过增加扫描时间的方式以保证便携式移动磁共振的成像质量。但是增加扫描时间对检查时间要求极度严格的患者是无法接受的,例如急性缺血性脑卒中患者。
综上,移动式磁共振设备如何在较短时间内生成高质量磁共振图像是亟需解决的问题。
发明内容
本申请实施例提供了一种移动式磁共振设备成像方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种移动式磁共振设备成像方法,方法包括:
通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据;
将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;其中,预先训练的降噪重建网络是基于全采样的训练数据训练生成的;
输出待扫描对象对应的磁共振图像。
可选的,按照以下步骤生成预先训练的降噪重建网络,包括:
通过移动式磁共振设备对多个扫描对象进行全采样,以获取每个扫描对象组织的频率和相位的编码,得到多个K空间训练数据;
根据多个K空间训练数据构建全采样的训练数据;
构建目标降噪重建网络,并将全采样的训练数据输入目标降噪重建网络中,输出网络代价值;
当网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。
可选的,根据多个K空间训练数据构建全采样的训练数据,包括:
根据每个K空间数据进行图像重建,得到每个K空间数据的磁共振图像;
将每个K空间数据和与其对应的磁共振图像进行关联,得到K空间-图像数据集;
将K空间-图像数据集进行随机等份划分,并将预设份数的K空间-图像数据集确定为全采样的训练数据。
可选的,构建目标降噪重建网络,包括:
利用神经网络构建降噪重建网络;
构建降噪重建网络的代价函数;
将代价函数映射至降噪重建网络中,得到目标降噪重建网络;
其中,所述代价函数为:
可选的,通过移动式磁共振设备对待扫描对象进行随机采样之前,还包括:
利用随机采样函数构建预设大小的随机采样块,得到数据随机采集层;
将移动式磁共振设备的数据采集参数设置为数据随机采集层。
可选的,所述随机采样块的函数为:
可选的,当网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数,包括:
当网络代价值未到达最小时,将网络代价值进行反向传播,以更新降噪重建网络的网络参数,并继续执行将全采样的训练数据输入目标降噪重建网络中,输出网络代价值的步骤,直到网络代价值到达最小且网络训练次数到达预设次数时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。
第二方面,本申请实施例提供了一种移动式磁共振设备成像装置,装置包括:
目标K空间数据生成模块,用于通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据;
数据输入模块,用于将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;其中,预先训练的降噪重建网络是基于全采样的训练数据生成的;
磁共振图像输出模块,用于输出待扫描对象对应的磁共振图像。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,移动式磁共振设备成像装置首先通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据,然后将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;预先训练的降噪重建网络是基于全采样的训练数据训练生成的,最后输出待扫描对象对应的磁共振图像。由于本申请通过增加扫描时间来构建全采样的训练数据,根据训练数据进行模型训练得到预先训练的降噪重建网络,实际应用中通过短时间的随机采样得到实时数据,并结合预先训练的降噪重建网络输出高质量图像,从而实现了移动式磁共振设备在较短时间内生成磁共振图像,提升了高质量的磁共振图像的生成速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种移动式磁共振设备成像方法的流程示意图;
图2是本申请实施例提供的一种降噪重建网络训练方法的流程示意图;
图3是本申请实施例提供的一种移动式磁共振设备成像过程的过程示意框图;
图4是本申请实施例提供的一种移动式磁共振设备成像装置的结构示意图;
图5是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种移动式磁共振设备成像方法、装置、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请通过增加扫描时间来构建全采样的训练数据,根据训练数据进行模型训练得到预先训练的降噪重建网络,实际应用中通过短时间的随机采样得到实时数据,并结合预先训练的降噪重建网络输出高质量图像,从而实现了移动式磁共振设备在较短时间内生成磁共振图像,提升了高质量的磁共振图像的生成速度,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3,对本申请实施例提供的移动式磁共振设备成像方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的移动式磁共振设备成像装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种移动式磁共振设备成像方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据;
其中,移动式磁共振设备是可以便捷式携带的磁共振成像设备,该设备体积小,重量轻,移动式磁共振设备场强大多在1T以下,从而导致短时间内生成的图像质量差。固定式磁共振设备由于场强在1T-3T之间,从而使得可在较短时间生成高质量图像。待扫描对象可以是需要采用移动式磁共振设备进行成像的目标用户。随机采样是根据预先设置在移动式磁共振设备中的采样参数进行的,随机采样的数据所需时间较短,保障了较短时间内获取表征待扫描对象的编码数据。
在本申请实施例中,在通过移动式磁共振设备对待扫描对象进行随机采样之前,还需要对移动式磁共振设备设置数据随机采集层。首先利用随机采样函数构建预设大小的随机采样块,得到数据随机采集层,然后将移动式磁共振设备的数据采集参数设置为数据随机采集层。随机采样函数可表示为,其中随机采样函数/>的最佳实现方式为伪随机算法,但不限于该方式,构建大小为S的随机采样块可表示为/>,其中S的最佳值为5,但不限于该值。
具体的,所述随机采样块的函数为:
在一种可能的实现方式中,在对移动式磁共振设备设置数据随机采集层后,可通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据。K空间数据是频域数据,低频分量会集中在K空间的中心区域,高频分量集中在K空间的周边。
S102,将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;其中,预先训练的降噪重建网络是基于全采样的训练数据训练生成的;
其中,预先生成的降噪重建网络参数以及预先训练的降噪重建网络是采用多个扫描对象的全采样数据对网络进行训练后生成的。
在本申请实施例中,首先通过移动式磁共振设备对多个扫描对象进行全采样,以获取每个扫描对象组织的频率和相位的编码,得到多个K空间训练数据,然后根据多个K空间训练数据构建全采样的训练数据,其次构建目标降噪重建网络,并将全采样的训练数据输入目标降噪重建网络中,输出网络代价值,最后当网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。预先训练的降噪重建网络以及预先生成的降噪重建网络参数可以集成到移动式磁共振设备中使用,也可以集成到第三方电脑终端中进行使用。
在一种可能的实现方式中,当预先训练的降噪重建网络以及预先生成的降噪重建网络参数集成到移动式磁共振设备中使用时,在得到目标K空间数据后,可直接将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络中进行处理。
在另一种可能的实现方式中,当预先训练的降噪重建网络以及预先生成的降噪重建网络参数集成到第三方电脑终端中使用时,在得到目标K空间数据后,可将该数据发送到第三方电脑终端,第三方电脑终端在接收到目标K空间数据后,将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络中进行处理。
具体的,预先训练的降噪重建网络可根据预先生成的降噪重建网络参数对目标K空间数据进行插值补全,以得到足量的编码数据,预先训练的降噪重建网络可根据足量的编码数据确定出高质量的磁共振图像。
S103,输出待扫描对象对应的磁共振图像。
在本申请实施例中,在经过预先训练的降噪重建网络进行处理后,可输出待扫描对象对应的磁共振图像。
在本申请实施例中,移动式磁共振设备成像装置首先通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据,然后将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;预先训练的降噪重建网络是基于全采样的训练数据训练生成的,最后输出待扫描对象对应的磁共振图像。由于本申请通过增加扫描时间来构建全采样的训练数据,根据训练数据进行模型训练得到预先训练的降噪重建网络,实际应用中通过短时间的随机采样得到实时数据,并结合预先训练的降噪重建网络输出高质量图像,从而实现了移动式磁共振设备在较短时间内生成磁共振图像,提升了高质量的磁共振图像的生成速度。
请参见图2,为本申请实施例提供了一种降噪重建网络训练方法的流程示意图。如图2所示,本申请实施例的方法可以包括以下步骤:
S201,通过移动式磁共振设备对多个扫描对象进行全采样,以获取每个扫描对象组织的频率和相位的编码,得到多个K空间训练数据;
在一种可能的实现方式中,通过移动式磁共振设备对多个扫描对象进行全采样,以获取每个扫描对象组织的频率和相位的编码,得到多个K空间训练数据DK,其中n的最佳值为100,但不限于该值。
S202,根据多个K空间训练数据构建全采样的训练数据;
在本申请实施例中,在根据多个K空间训练数据构建全采样的训练数据时,首先根据每个K空间数据进行图像重建,得到每个K空间数据的磁共振图像,然后将每个K空间数据和与其对应的磁共振图像进行关联,得到K空间-图像数据集,最后将K空间-图像数据集进行随机等份划分,并将预设份数的K空间-图像数据集确定为全采样的训练数据。
在一种可能的实现方式中,将多个K空间训练数据DK进行重建,获得图像数据集DI;将多个K空间训练数据DK与图像数据集DI根据重建关系进行一一对应,构建出K空间-图像数据集D;将K空间-图像数据集D随机分成5等份,每一份单独作为测试集,其余4份作为全采样的训练数据。
S203,构建目标降噪重建网络,并将全采样的训练数据输入目标降噪重建网络中,输出网络代价值;
在本申请实施例中,在构建目标降噪重建网络时,首先利用神经网络构建降噪重建网络,然后构建降噪重建网络的代价函数,最后将代价函数映射至降噪重建网络中,得到目标降噪重建网络。
其中,所述代价函数为:
在本申请实施例中,在得到目标降噪重建网络后,可将全采样的训练数据输入目标降噪重建网络中,输出网络代价值。
在一种可能的实现方式中,利用神经网络构建目标降噪重建网络N,神经网络例如为UNet、ResNet等。将全采样的训练数据输入目标降噪重建网络N中,输出网络代价值。
S204,当网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。
在另一种可能的实现方式中,当网络代价值未到达最小时,将网络代价值进行反向传播,以更新降噪重建网络的网络参数,并继续执行将全采样的训练数据输入目标降噪重建网络中,输出网络代价值的步骤,直到网络代价值到达最小且网络训练次数到达预设次数时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数/>。
例如图3所示,图3是本申请提供的一种移动式磁共振设备成像过程的过程示意框图,选取n个扫描对象的全采样的K空间数据构建K空间数据集DK,其中n的最佳值为100,但不限于该值;然后将由全采样的K空间数据集DK进行重建,获得图像数据集DI;最后将K空间数据集DK与图像数据集DI根据重建关系进行一一对应,构建出K空间-图像数据集D;利用随机采样函数,其中随机采样函数/>的最佳实现方式为伪随机,但不限于该方式,构建大小为S的随机采样块/>,得到数据随机采样层,其中S的最佳值为5,但不限于该值;以现有技术,如UNet、ResNet等,构建K空间降噪重建网络N;构建降噪重建网络代价函数;将获得的K空间-图像数据集D随机分成5等份,每一份单独作为测试集,其余4份作为训练集,重复进行5次建模,获得训练后的K空间降噪重建网络/>,及K空间降噪重建网络参数/>;将便携移动磁共振数据采集参数设置为随机采样函数/>,然后对目标对象开始进行K空间数据采集,获得K空间数据T;将K空间数据T输入训练后的K空间降噪重建网络中,结合训练后的K空间降噪重建网络参数/>获得磁共振图像I。
在本申请实施例中,移动式磁共振设备成像装置首先通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据,然后将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;预先训练的降噪重建网络是基于全采样的训练数据训练生成的,最后输出待扫描对象对应的磁共振图像。由于本申请通过增加扫描时间来构建全采样的训练数据,根据训练数据进行模型训练得到预先训练的降噪重建网络,实际应用中通过短时间的随机采样得到实时数据,并结合预先训练的降噪重建网络输出高质量图像,从而实现了移动式磁共振设备在较短时间内生成磁共振图像,提升了高质量的磁共振图像的生成速度。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图4,其示出了本发明一个示例性实施例提供的移动式磁共振设备成像装置的结构示意图。该移动式磁共振设备成像装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括目标K空间数据生成模块10、数据输入模块20、磁共振图像输出模块30。
目标K空间数据生成模块10,用于通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据;
数据输入模块20,用于将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;其中,预先训练的降噪重建网络是基于全采样的训练数据生成的;
磁共振图像输出模块30,用于输出待扫描对象对应的磁共振图像。
需要说明的是,上述实施例提供的移动式磁共振设备成像装置在执行移动式磁共振设备成像方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的移动式磁共振设备成像装置与移动式磁共振设备成像方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,移动式磁共振设备成像装置首先通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据,然后将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;预先训练的降噪重建网络是基于全采样的训练数据训练生成的,最后输出待扫描对象对应的磁共振图像。由于本申请通过增加扫描时间来构建全采样的训练数据,根据训练数据进行模型训练得到预先训练的降噪重建网络,实际应用中通过短时间的随机采样得到实时数据,并结合预先训练的降噪重建网络输出高质量图像,从而实现了移动式磁共振设备在较短时间内生成磁共振图像,提升了高质量的磁共振图像的生成速度。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的移动式磁共振设备成像方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的移动式磁共振设备成像方法。
请参见图5,为本申请实施例提供了一种终端的结构示意图。如图5所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(RandomAccess Memory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及移动式磁共振设备成像应用程序。
在图5所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的移动式磁共振设备成像应用程序,并具体执行以下操作:
通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据;
将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;其中,预先训练的降噪重建网络是基于全采样的训练数据训练生成的;
输出待扫描对象对应的磁共振图像。
在一个实施例中,处理器1001还执行以下操作:
通过移动式磁共振设备对多个扫描对象进行全采样,以获取每个扫描对象组织的频率和相位的编码,得到多个K空间训练数据;
根据多个K空间训练数据构建全采样的训练数据;
构建目标降噪重建网络,并将全采样的训练数据输入目标降噪重建网络中,输出网络代价值;
当网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。
在一个实施例中,处理器1001在执行根据多个K空间训练数据构建全采样的训练数据时,具体执行以下操作:
根据每个K空间数据进行图像重建,得到每个K空间数据的磁共振图像;
将每个K空间数据和与其对应的磁共振图像进行关联,得到K空间-图像数据集;
将K空间-图像数据集进行随机等份划分,并将预设份数的K空间-图像数据集确定为全采样的训练数据。
在一个实施例中,处理器1001在执行构建目标降噪重建网络时,具体执行以下操作:
利用神经网络构建降噪重建网络;
构建降噪重建网络的代价函数;
将代价函数映射至降噪重建网络中,得到目标降噪重建网络;
其中,所述代价函数为:
在一个实施例中,处理器1001在执行通过移动式磁共振设备对待扫描对象进行随机采样之前时,还执行以下操作:
利用随机采样函数构建预设大小的随机采样块,得到数据随机采集层;
将移动式磁共振设备的数据采集参数设置为数据随机采集层。
在一个实施例中,处理器1001在执行当网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数时,具体执行以下操作:
当网络代价值未到达最小时,将网络代价值进行反向传播,以更新降噪重建网络的网络参数,并继续执行将全采样的训练数据输入目标降噪重建网络中,输出网络代价值的步骤,直到网络代价值到达最小且网络训练次数到达预设次数时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。
在本申请实施例中,移动式磁共振设备成像装置首先通过移动式磁共振设备对待扫描对象进行随机采样,以获取待扫描对象组织的频率和相位的编码,得到目标K空间数据,然后将目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;预先训练的降噪重建网络是基于全采样的训练数据训练生成的,最后输出待扫描对象对应的磁共振图像。由于本申请通过增加扫描时间来构建全采样的训练数据,根据训练数据进行模型训练得到预先训练的降噪重建网络,实际应用中通过短时间的随机采样得到实时数据,并结合预先训练的降噪重建网络输出高质量图像,从而实现了移动式磁共振设备在较短时间内生成磁共振图像,提升了高质量的磁共振图像的生成速度。
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,移动式磁共振设备成像的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,移动式磁共振设备成像的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种移动式磁共振设备成像方法,其特征在于,所述方法包括:
通过移动式磁共振设备对待扫描对象进行随机采样,以获取所述待扫描对象组织的频率和相位的编码,得到目标K空间数据;
将所述目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;其中,所述预先训练的降噪重建网络是基于全采样的训练数据训练生成的;
输出所述待扫描对象对应的磁共振图像。
2.根据权利要求1所述的方法,其特征在于,按照以下步骤生成预先训练的降噪重建网络,包括:
通过移动式磁共振设备对多个扫描对象进行全采样,以获取每个扫描对象组织的频率和相位的编码,得到多个K空间训练数据;
根据所述多个K空间训练数据构建全采样的训练数据;
构建目标降噪重建网络,并将全采样的训练数据输入所述目标降噪重建网络中,输出网络代价值;
当所述网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述多个K空间训练数据构建全采样的训练数据,包括:
根据每个K空间数据进行图像重建,得到每个K空间数据的磁共振图像;
将每个K空间数据和与其对应的所述磁共振图像进行关联,得到K空间-图像数据集;
将所述K空间-图像数据集进行随机等份划分,并将预设份数的K空间-图像数据集确定为全采样的训练数据。
5.根据权利要求1所述的方法,其特征在于,所述通过移动式磁共振设备对待扫描对象进行随机采样之前,还包括:
利用随机采样函数构建预设大小的随机采样块,得到数据随机采集层;
将所述移动式磁共振设备的数据采集参数设置为数据随机采集层。
7.根据权利要求2所述的方法,其特征在于,所述当所述网络代价值到达最小时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数,包括:
当所述网络代价值未到达最小时,将所述网络代价值进行反向传播,以更新所述降噪重建网络的网络参数,并继续执行将全采样的训练数据输入所述目标降噪重建网络中,输出网络代价值的步骤,直到所述网络代价值到达最小且网络训练次数到达预设次数时,生成预先训练的降噪重建网络和预先生成的降噪重建网络参数。
8.一种移动式磁共振设备成像装置,其特征在于,所述装置包括:
目标K空间数据生成模块,用于通过移动式磁共振设备对待扫描对象进行随机采样,以获取所述待扫描对象组织的频率和相位的编码,得到目标K空间数据;
数据输入模块,用于将所述目标K空间数据以及预先生成的降噪重建网络参数输入预先训练的降噪重建网络;其中,所述预先训练的降噪重建网络是基于全采样的训练数据生成的;
磁共振图像输出模块,用于输出所述待扫描对象对应的磁共振图像。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151513.1A CN115836855B (zh) | 2023-02-22 | 2023-02-22 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151513.1A CN115836855B (zh) | 2023-02-22 | 2023-02-22 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115836855A true CN115836855A (zh) | 2023-03-24 |
CN115836855B CN115836855B (zh) | 2023-05-12 |
Family
ID=85580027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310151513.1A Active CN115836855B (zh) | 2023-02-22 | 2023-02-22 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115836855B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
CN109884625A (zh) * | 2019-02-22 | 2019-06-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卷积神经网络的雷达关联成像方法 |
CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
CN114010180A (zh) * | 2021-11-05 | 2022-02-08 | 清华大学 | 一种基于卷积神经网络的磁共振快速成像方法及装置 |
CN115375785A (zh) * | 2022-07-29 | 2022-11-22 | 上海康达卡勒幅医疗科技有限公司 | 一种基于人工神经网络的磁共振图像重建方法及设备 |
-
2023
- 2023-02-22 CN CN202310151513.1A patent/CN115836855B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
CN109884625A (zh) * | 2019-02-22 | 2019-06-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卷积神经网络的雷达关联成像方法 |
CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
CN114010180A (zh) * | 2021-11-05 | 2022-02-08 | 清华大学 | 一种基于卷积神经网络的磁共振快速成像方法及装置 |
CN115375785A (zh) * | 2022-07-29 | 2022-11-22 | 上海康达卡勒幅医疗科技有限公司 | 一种基于人工神经网络的磁共振图像重建方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115836855B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060313B (zh) | 一种图像伪影校正方法和系统 | |
CN110249365B (zh) | 用于图像重建的系统和方法 | |
CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
CN109685206A (zh) | 生成用于图像处理的神经网络模型的系统和方法 | |
CN110298897A (zh) | 用于正电子发射断层成像图像重建的系统和方法 | |
CN105849804A (zh) | 过滤噪声的计算高效方法 | |
CN113920213B (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 | |
CN106680750B (zh) | 磁共振匀场图像获取方法、匀场方法及磁共振系统 | |
CN110931035B (zh) | 音频处理方法、装置、设备及存储介质 | |
CN116030259B (zh) | 一种腹部ct图像多器官分割方法、装置及终端设备 | |
WO2023143129A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115330615A (zh) | 伪影去除模型的训练方法、装置、设备、介质及程序产品 | |
CN113837980A (zh) | 分辨率的调整方法、装置、电子设备及存储介质 | |
CN111445547B (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
CN115836855A (zh) | 一种移动式磁共振设备成像方法、装置、存储介质及终端 | |
CN109727211A (zh) | 一种图像去噪方法、装置、计算设备及介质 | |
CN110808058A (zh) | 语音增强方法、装置、设备及可读存储介质 | |
CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
US11941731B2 (en) | Systems and methods for image processing | |
CN110097622B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
CN110148194B (zh) | 图像重建方法和装置 | |
CN116109724B (zh) | 一种磁共振图像矫正方法、装置、存储介质及终端 | |
CN111612860A (zh) | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 | |
CN117392119B (zh) | 基于位置先验和特征感知的肿瘤病变区域检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |