CN115905817A - 一种多通道非均匀场信号降噪方法、装置和存储介质 - Google Patents
一种多通道非均匀场信号降噪方法、装置和存储介质 Download PDFInfo
- Publication number
- CN115905817A CN115905817A CN202211644552.7A CN202211644552A CN115905817A CN 115905817 A CN115905817 A CN 115905817A CN 202211644552 A CN202211644552 A CN 202211644552A CN 115905817 A CN115905817 A CN 115905817A
- Authority
- CN
- China
- Prior art keywords
- noise
- main coil
- signal
- coil
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009467 reduction Effects 0.000 title claims abstract description 31
- 238000000819 phase cycle Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 12
- 238000013461 design Methods 0.000 description 23
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000000685 Carr-Purcell-Meiboom-Gill pulse sequence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004185 liver Anatomy 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
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种多通道非均匀场信号降噪方法、装置和存储介质，方法包括不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将第一信号数据用于模型训练或拟合，得到主线圈噪声预测模型；放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算；由于多通道线圈在一次相位循环的数据采集中，将振铃信号进行了抵消，使得主线圈噪声预测模型能够对环境噪声均值进行预测，基于预测结果计算得到真实信号，实现非均匀场下的信号降噪，提高了非均场的信号质量。
Description
技术领域
本发明属于磁共振技术领域，具体涉及一种多通道非均匀场信号降噪方法、装置和存储介质。
背景技术
当磁共振系统处于复杂的电磁环境中时，例如处于没有屏蔽室的电磁环境中时，磁共振信号将极大地受到噪声的影响，进而影响图像质量或定量估计的准确性。而通过多个噪声线圈采集噪声以对磁共振信号进行主动降噪，对于提升图像质量或定量估计准确性具有重要作用。
现有技术中的多通道降噪方法中，采集到的信号模型可以表示为：
S'＝S+N；
其中，S'表示主线圈采集到的信号，S表示真实的磁共振信号，N表示主线圈的噪声。在采集信号时，噪声线圈可以同步地采集到多通道噪声N1,...,NC，其中，c表示噪声线圈通道数量，通过构建主线圈噪声的预测模型f，就能够预测得到主线圈噪声N＝f(N1,...,NC)。
然而，上述方法只能适用于均匀场，对于受振铃信号影响的非均匀场，上述方法则很难适用。在非均匀场下，采集到的信号可以表示为S'＝S+R+N，其中，R表示振铃信号。由于振铃信号难以通过线圈噪声预测模型进行预测，因此现有方法无法适用。
发明内容
本发明的目的是提供一种多通道非均匀场信号降噪方法、装置和存储介质，用以解决现有技术中的方法无法用于非均匀场的信号降噪的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面提供一种多通道非均匀场信号降噪方法，包括：
不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到模型M，其中，所述多通道线圈包括主线圈和至少一个噪声线圈，所述模型M为主线圈噪声预测模型；
放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；
根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；
其中，不放置被测样本时，所述主线圈和至少一个噪声线圈采集的信号数据仅为噪声数据，所述噪声数据包括环境噪声数据和振铃信号数据；放置被测样本时，所述主线圈采集的数据还包括真实信号数据；
其中，多通道线圈在进行数据采集时，施加的磁共振序列采用相位循环，一次相位循环包含m次数据采集，m为偶数，且m次采集的振铃信号相加为零。
在一种可能的设计中，在一次相位循环的m次数据采集中，通过更改脉冲相位，以使每两次采集的数据中的振铃信号数据模值相同且相位相反，以便m次采集的振铃信号相加为零。
在一种可能的设计中，在将第一信号数据或第二信号数据作为模型输入时，具体包括：
将噪声线圈采集的一次相位循环的数据直接以复数形式作为模型输入，或者
将噪声线圈采集的一次相位循环的数据的实部和虚部进行拼接后作为模型输入。
在一种可能的设计中，所述主线圈噪声预测模型包括第一主线圈噪声预测模型或第二主线圈噪声预测模型，其中，所述第一主线圈噪声预测模型用于同时预测主线圈噪声均值的实部和虚部，所述第二主线圈噪声预测模型包括分别用于预测主线圈噪声均值实部的噪声实部预测模型和用于预测主线圈噪声均值虚部的噪声虚部预测模型。
在一种可能的设计中，若信号采集时回波信号上各个采集点之间的噪声为独立同分布，则所述主线圈噪声预测模型的输入为2pc维向量，所述主线圈噪声预测模型的输出为2维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量。
在一种可能的设计中，若信号采集时回波信号上n个采集点之间的噪声相互关联，则所述主线圈噪声预测模型的输入为2pcn维向量，所述主线圈噪声预测模型的输出为2n维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量。
在一种可能的设计中，根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，包括：
根据主线圈的噪声均值预测结果
以及主线圈一次相位循环采集的信号均值
计算真实信号数据S，计算公式如下：
其中，N1,N2,...,Nm分别表示主线圈第1,2,...,m次采集时信号中的噪声数据，S'1,S'2,...,S'm分别表示主线圈第1,2,...,m次采集的总信号数据。
在一种可能的设计中，所述主线圈噪声预测模型基于线性模型、多项式模型、机器学习模型或深度学习模型拟合或训练得到。
第二方面提供一种多通道非均匀场信号降噪装置，包括：
模型生成模块，用于不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到模型M，其中，所述多通道线圈包括主线圈和至少一个噪声线圈，所述模型M为主线圈噪声预测模型；
噪声预测模块，用于放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；
信号计算模块，用于根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；
其中，不放置被测样本时，所述主线圈和至少一个噪声线圈采集的信号数据仅为噪声数据，所述噪声数据包括环境噪声数据和振铃信号数据；放置被测样本时，所述主线圈采集的数据还包括真实信号数据；
其中，多通道线圈在进行数据采集时，施加的磁共振序列采用相位循环，一次相位循环包含m次数据采集，m为偶数，且m次采集的振铃信号相加为零。
第三方面提供一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的多通道非均匀场信号降噪方法。
第四方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的多通道非均匀场信号降噪方法。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的多通道非均匀场信号降噪方法。
本发明相较于现有技术的有益效果为：
本发明通过不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到主线圈噪声预测模型；通过放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；最后根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；由于多通道线圈在一次相位循环的数据采集中，将振铃信号进行了抵消，从而使得主线圈噪声预测模型能够仅对环境噪声均值进行预测，进而基于预测结果计算得到真实信号，实现了非均匀场下的信号降噪，进而提高非均场的信号质量。
附图说明
图1为本申请实施例中的多通道非均匀场信号降噪方法的流程图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
在基于非均匀场的磁共振扫描系统中，采集到的信号数据会含有振铃信号，信号的数学表达形式如下：
S'＝S+R+N；
其中，S'表示主线圈最终采集到的信号，R表示振铃信号，N表示主线圈噪声，S表示真实信号。
由于振铃信号较大且不同于随机噪声，因此会极大地影响扫描结果。基于此，本申请实施例提出了一种多通道非均匀场信号降噪方法。该方法通过不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到主线圈噪声预测模型；通过放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；最后根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；由于多通道线圈在一次相位循环的数据采集中，将振铃信号进行了抵消，从而使得主线圈噪声预测模型能够仅对环境噪声均值进行预测，进而基于预测结果计算得到真实信号，实现了非均匀场下的信号降噪，进而提高非均场的信号质量。
下面将对本申请实施例提供的多通道非均匀场信号降噪方法进行详细说明。
如图1所示，是本申请实施例提供的多通道非均匀场信号降噪方法的流程图，所述多通道非均匀场信号降噪方法包括但不限于由步骤S1～S3实现：
步骤S1.不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到模型M，其中，所述多通道线圈包括主线圈和至少一个噪声线圈，所述模型M为主线圈噪声预测模型；
其中，不放置被测样本时，所述主线圈和至少一个噪声线圈采集的信号数据仅为噪声数据，所述噪声数据包括环境噪声数据和振铃信号数据,即此时主线圈采集的信号数据包括环境噪声数据和振铃信号数据，噪声线圈采集的信号数据也包括环境噪声数据和振铃信号数据。将噪声线圈采集的信号数据作为模型输入，并将主线圈采集的信号数据作为模型输出，通过模型训练能够得到用于预测主线圈噪声均值的主线圈噪声预测模型。
在步骤S1一种可能的设计中，所述噪声预测模型基于线性模型、多项式模型、机器学习模型或深度学习模型拟合或训练得到。即可以根据具体应用的场景和需求的不同，利用现有已知的模型对数据进行训练或拟合，得到专用于主线圈噪声均值预测的噪声预测模型。
其中，多通道线圈在进行第一信号数据采集时，施加的磁共振序列采用相位循环，一次相位循环包含m次数据采集，m为偶数，且m次采集的振铃信号相加为零。优选的，在一次相位循环的m次数据采集中，通过更改脉冲相位，以使每两次采集的数据中的振铃信号数据模值相同且相位相反，以便m次采集的振铃信号相加为零；例如通过相位90度和-90度进行2次采集，使得它们的振铃信号相反，则两次采集到的信号有以下公式成立：
S1’＝S+R+N1；
S2’＝S-R+N2；
其中，S1’和S2’是两次数据采集各自得到的信号数据，N1和N2分别是主线圈两次采集的噪声数据，S为实际信号数据，将两组数据平均即可消除振铃信号的影响，即有以下公式：
(S1’+S2’)/2＝S+(N1+N2)/2；
那么，为了得到实际信号S，需要对(N1+N2)/2进行预测。
例如：将噪声线圈两次采得的噪声数据分别记为：N11......N1c和N21......N2c，这些噪声数据不仅包含环境噪声，还包含振铃信号。如果先将噪声数据平均，用(N11+N21)/2......(N1C+N2C)/2预测(N1+N2)/2，会损失掉部分信息，且将两个不同时刻的噪声平均在一起，将导致预测效果难以保证。而如果不对主线圈数据及噪声数据进行平均，将极大地受到振铃信号的影响，继而预测噪声将变得非常困难。因此，本申请实施例采用未平均的噪声数据N11......N1c和N21......N2c作为输入，直接对平均过后的主线圈噪声(N1+N2)/2进行预测。
在步骤S1一种可能的设计中，在将第一信号数据或第二信号数据作为模型输入时，具体包括：
将噪声线圈采集的一次相位循环的数据直接以复数形式作为模型输入，或者
将噪声线圈采集的一次相位循环的数据的实部和虚部进行拼接后作为模型输入。
其中，需要说明的是，由于每个回波可以同时采集多个点，这些点在相近的时间内被采集所以它们噪声可以视为是相关的，因此将邻近点(可以包括一个回波的所有点甚至是多个回波的点)的噪声也作为输入可以提升模型的效果。
在步骤S1一种可能的设计中，所述主线圈噪声预测模型包括第一主线圈噪声预测模型或第二主线圈噪声预测模型，其中，所述第一主线圈噪声预测模型用于同时预测主线圈噪声均值的实部和虚部，所述第二主线圈噪声预测模型包括分别用于预测主线圈噪声均值实部的噪声实部预测模型和用于预测主线圈噪声均值虚部的噪声虚部预测模型。
其中，需要说明的是，由于上述公式中的数据均为复数，所以模型的输入数据可以直接使用复数，也可以将实部和虚部进行拼接进而使用实数作为输入。但是输出无论是使用复数或将实部和虚部进行拼接，本质上都会变成多目标回归问题，这将导致输出难以保证是0均值的高斯分布，而在磁共振的许多应用中，需要保证噪声为0均值。为了解决这个问题，需要建立两个模型，即噪声实部预测模型和噪声虚部预测模型，分别用于预测(N1+N2)/2的实部及虚部，但此时每个模型的输入仍然是复数或者是实部和虚部的拼接。而在对噪声分布不敏感的场景下，可以只训练一个模型，输出为复数或一个二维向量。
在步骤S1一种可能的设计中，若信号采集时回波信号上各个采集点之间的噪声为独立同分布，则所述主线圈噪声预测模型的输入为2pc维向量，所述主线圈噪声预测模型的输出为2维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量。
在步骤S1一种可能的设计中，若信号采集时回波信号上n个采集点之间的噪声相互关联，则所述主线圈噪声预测模型的输入为2pcn维向量，所述主线圈噪声预测模型的输出为2n维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量。
具体的，在本申请实施例中，考虑实数模型(复数模型也能够适用)，且使用单一模型同时预测实部及虚部。以深度学习模型为例，假设有p个循环相位，c个噪声线圈，每个回波采集个点，那么，在一种可能的设计中，若信号采集时回波信号上各个采集点之间的噪声为独立同分布，则所述噪声预测模型的输入为2pc维向量，所述噪声预测模型的输出为2维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量；在这种情形下，输入维度较小，且训练样本量较大，优选采用全连接网络(FCNN)。而在另一种可能的设计中，若信号采集时回波信号上n个采集点之间的噪声相互关联，则所述噪声预测模型的输入为2pcn维向量，所述噪声预测模型的输出为2n维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量。在这种情形下，由于输入数据维度较大，使用全连接网络将导致参数空间巨大，进而需要极多的训练样本。为了减少网络参数，优选采用共享参数的网络模型，例如：CNN和LSTM。其中，采用CNN的情形下可令输入为c*n*2p的三维张量，2p为通道数，在采用LSTM的情形下，可令每个时刻的输入为2pc，每个时刻的输出为2维向量，共n个时刻。当然，值得注意的是，上述各神经网络的具体结构可根据场景进行调节，此处不做限定，例如激活函数的选择、网络层数、卷积核大小、是否使用批正则以及dropout等。
步骤S2.放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；
其中，需要说明的是，多通道线圈在进行第二信号数据采集时，施加的磁共振序列采用相位循环，一次相位循环包含m次数据采集，m为偶数，且m次采集的振铃信号相加为零；也就是说，多通道线圈在进行第一信号数据采集和第二信号数据采集时采用的磁共振序列完全相同。
其中，需要说明的是，在放置被测样本时，所述主线圈采集的数据还包括真实信号数据，也就是说，此时主线圈采集的信号数据包括环境噪声数据、振铃信号数据和真实信号数据(但总体表现形式上仅为信号数据S)，噪声线圈采集的信号数据包括环境噪声数据和振铃信号数据。为了获得主线圈中的真实信号数据，通过将噪声数据采集的信号数据输入到主线圈噪声预测模型中，预测得到主线圈的噪声均值，基于噪声均值的预测结果，即可计算得到真实信号数据。
步骤S3.根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；
在步骤S3一种可能的设计中，根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，包括：
根据主线圈的噪声均值预测结果
以及主线圈一次相位循环采集的信号均值
计算真实信号数据S，计算公式如下：
其中，N1,N2,...,Nm分别表示主线圈第1,2,...,m次采集时信号中的噪声数据，S'1,S'2,...,S'm分别表示主线圈第1,2,...,m次采集的总信号数据。
当前，可以理解的是，本申请实施例上述公开的内容优选用于对时域信号进行降噪，但同样也适用于对频域信号进行降噪。在对频域信号进行降噪时，对采集到的一个回波的n个点，对其做傅里叶变换得到其频域信号，对每个频率都可以通过上述方法进行降噪。此外，还可以将多个频率作为输入，以提升降噪效果。
基于上述公开的内容，本申请实施例通过不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到主线圈噪声预测模型；通过放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；最后根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；由于多通道线圈在一次相位循环的数据采集中，将振铃信号进行了抵消，从而使得主线圈噪声预测模型能够仅对环境噪声均值进行预测，进而基于预测结果计算得到真实信号，实现了非均匀场下的信号降噪，进而提高非均场的信号质量。
作为本申请实施例的一个具体应用，以下通过给出在0.07T非均匀场中使用CPMG序列测定人体肝脏的T1、T2、PDFF和D参数的信号降噪的示例，进一步对本申请实施例中的上述方法进行说明。
具体的，对每个TR和TE通过更改回聚脉冲相位的方法(90度和-90度)进行两次采集，在采集数据时，同步地利用8个噪声线圈采集噪声数据，对每个回波，采集64个点。假设每个回波采集的64个点的噪声为独立同分布，因为一共有8个噪声通道，所以输入为32(2*8*2)维向量。需要注意的是，必须要为实部和虚部分别建立模型，即共2个模型，这两个模型具有相同的输入，输出都是一个实数，分别表示预测噪声的实部及虚部。这样可以保证得到的降噪后的噪声均值为0，进而保证对信号做autophase(自动校相)后得到的实值信号的噪声也具有0均值，这样才能正确的拟合T1、T2、PDFF、D。其中，本应用例中的神经网络使用六层全连接神经网络，每层的数据维度为32、64、64、32、16和1，其中第一层为输入层，第六层为输出层，其余四层为隐藏层，此外，还选择RELU为激活函数，均方差为损失函数，并使用Adam算法进行参数求解。
在得到降噪后的信号后，通过对信号做自动校相，能够得到质量良好的磁共振信号，其中，自动校相的方法包括：
对一组复数(c1、c2……cn)及一个模值为1的复数a，有：
r＝abs(Real(a*c1)+Real(a*c1)+……+Real(a*c1))/abs(Imag(a*c1)+Imag(a*c1)+……+I mag(a*c1))；其中，r为定义的参数，表示实部与虚部的比值，abs表示取模运算；
假设在a＝a0时，r取得最大值，则可以定义：
autophase(c1、c2……cn)＝(Real(a0*c1)、Real(a0*c1)……Real(a0*c1))。
第二方面提供一种多通道非均匀场信号降噪装置，包括：
模型生成模块，用于不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到模型M，其中，所述多通道线圈包括主线圈和至少一个噪声线圈，所述模型M为主线圈噪声预测模型；
噪声预测模块，用于放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；
信号计算模块，用于根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；
其中，不放置被测样本时，所述主线圈和至少一个噪声线圈采集的信号数据仅为噪声数据，所述噪声数据包括环境噪声数据和振铃信号数据；放置被测样本时，所述主线圈采集的数据还包括真实信号数据；
其中，多通道线圈在进行数据采集时，施加的磁共振序列采用相位循环，一次相位循环包含m次数据采集，m为偶数，且m次采集的振铃信号相加为零。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第三方面提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的多通道非均匀场信号降噪方法。
其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第三方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第四方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的多通道非均匀场信号降噪方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器；所述收发器可以但不限于为WiFi(无线保真)无线收发器、蓝牙无线收发器、GPRS(General Packet RadioService，通用分组无线服务技术)无线收发器和/或ZigBee(紫蜂协议，基于IEEE802.15.4标准的低功耗局域网协议)无线收发器等。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第四方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的多通道非均匀场信号降噪方法。
本实施例第五方面提供的前述包含指令的计算机程序产品的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多通道非均匀场信号降噪方法，其特征在于，包括：
不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到模型M，其中，所述多通道线圈包括主线圈和至少一个噪声线圈，所述模型M为主线圈噪声预测模型；
放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；
根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；
其中，不放置被测样本时，所述主线圈和至少一个噪声线圈采集的信号数据仅为噪声数据，所述噪声数据包括环境噪声数据和振铃信号数据；放置被测样本时，所述主线圈采集的数据还包括真实信号数据；
其中，多通道线圈在进行数据采集时，施加的磁共振序列采用相位循环，一次相位循环包含m次数据采集，m为偶数，且m次采集的振铃信号相加为零。
2.根据权利要求1所述的多通道非均匀场信号降噪方法，其特征在于，在一次相位循环的m次数据采集中，通过更改脉冲相位，以使每两次采集的数据中的振铃信号数据模值相同且相位相反，以便m次采集的振铃信号相加为零。
3.根据权利要求1所述的多通道非均匀场信号降噪方法，其特征在于，在将第一信号数据或第二信号数据作为模型输入时，具体包括：
将噪声线圈采集的一次相位循环的数据直接以复数形式作为模型输入，或者
将噪声线圈采集的一次相位循环的数据的实部和虚部进行拼接后作为模型输入。
4.根据权利要求1所述的多通道非均匀场信号降噪方法，其特征在于，所述主线圈噪声预测模型包括第一主线圈噪声预测模型或第二主线圈噪声预测模型，其中，所述第一主线圈噪声预测模型用于同时预测主线圈噪声均值的实部和虚部，所述第二主线圈噪声预测模型包括分别用于预测主线圈噪声均值实部的噪声实部预测模型和用于预测主线圈噪声均值虚部的噪声虚部预测模型。
5.根据权利要求1所述的多通道非均匀场信号降噪方法，其特征在于，若信号采集时回波信号上各个采集点之间的噪声为独立同分布，则所述主线圈噪声预测模型的输入为2pc维向量，所述主线圈噪声预测模型的输出为2维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量。
6.根据权利要求1所述的一种多通道非均匀场信号降噪方法，其特征在于，若信号采集时回波信号上n个采集点之间的噪声相互关联，则所述主线圈噪声预测模型的输入为2pcn维向量，所述主线圈噪声预测模型的输出为2n维向量，其中，p表示循环相位的数量，c表示噪声线圈数量或通道数量。
7.根据权利要求1所述的一种多通道非均匀场信号降噪方法，其特征在于，根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，包括：
根据主线圈的噪声均值预测结果
以及主线圈一次相位循环采集的信号均值
计算真实信号数据S，计算公式如下：
其中，N1,N2,...,Nm分别表示主线圈第1,2,...,m次采集时信号中的噪声数据，S'1,S'2,...,S'm分别表示主线圈第1,2,...,m次采集的总信号数据。
8.根据权利要求1所述的一种多通道非均匀场信号降噪方法，其特征在于，所述主线圈噪声预测模型基于线性模型、多项式模型、机器学习模型或深度学习模型拟合或训练得到。
9.一种多通道非均匀场信号降噪装置，其特征在于，包括：
模型生成模块，用于不放置被测样本，采用多通道线圈采集不含真实信号的第一信号数据，并将所述第一信号数据用于模型训练或拟合，得到模型M，其中，所述多通道线圈包括主线圈和至少一个噪声线圈，所述模型M为主线圈噪声预测模型；
噪声预测模块，用于放置被测样本，采用多通道线圈采集含有真实信号的第二信号数据，并将所述第二信号数据输入到所述主线圈噪声预测模型中，对主线圈的噪声均值进行预测；
信号计算模块，用于根据主线圈的噪声均值预测结果以及主线圈采集的信号数据对真实信号数据进行计算，实现非均匀场下的信号降噪；
其中，不放置被测样本时，所述主线圈和至少一个噪声线圈采集的信号数据仅为噪声数据，所述噪声数据包括环境噪声数据和振铃信号数据；放置被测样本时，所述主线圈采集的数据还包括真实信号数据；
其中，多通道线圈在进行数据采集时，施加的磁共振序列采用相位循环，一次相位循环包含m次数据采集，m为偶数，且m次采集的振铃信号相加为零。
10.一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～8任意一项所述的多通道非均匀场信号降噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644552.7A CN115905817B (zh) | 2022-12-20 | 2022-12-20 | 一种多通道非均匀场信号降噪方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644552.7A CN115905817B (zh) | 2022-12-20 | 2022-12-20 | 一种多通道非均匀场信号降噪方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115905817A true CN115905817A (zh) | 2023-04-04 |
| CN115905817B CN115905817B (zh) | 2023-11-03 |
Family
ID=86494853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211644552.7A Active CN115905817B (zh) | 2022-12-20 | 2022-12-20 | 一种多通道非均匀场信号降噪方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115905817B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455013A (zh) * | 2023-11-10 | 2024-01-26 | 无锡鸣石峻致医疗科技有限公司 | 一种训练样本数据生成方法、系统、电子设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521809A (zh) * | 2011-12-08 | 2012-06-27 | 沈阳工业大学 | 一种磁共振相控阵线圈图像均匀性的正则化校正方法 |
| US20150071514A1 (en) * | 2013-09-10 | 2015-03-12 | Ohio State Innovation Foundation | Methods and devices for optimization of magnetic resonance imaging protocols |
| CN105848578A (zh) * | 2013-10-23 | 2016-08-10 | 三星电子株式会社 | 磁共振成像设备和方法 |
| JP2019208990A (ja) * | 2018-06-07 | 2019-12-12 | キヤノンメディカルシステムズ株式会社 | 医用画像診断装置 |
| CN112001856A (zh) * | 2020-07-29 | 2020-11-27 | 东软医疗系统股份有限公司 | 去噪模型的训练方法及去除图像噪声方法、相关装置 |
| CN112304811A (zh) * | 2020-10-22 | 2021-02-02 | 无锡鸣石峻致医疗科技有限公司 | 一种对运动不敏感的低场核磁共振表观扩散系数测量方法 |
| CN112669406A (zh) * | 2020-12-31 | 2021-04-16 | 苏州朗润医疗系统有限公司 | 一种基于投影估计的相控阵线圈磁共振图像非均匀性校正方法 |
| CN114140341A (zh) * | 2021-10-29 | 2022-03-04 | 厦门大学 | 一种基于深度学习的磁共振图像非均匀场校正方法 |
-
2022
- 2022-12-20 CN CN202211644552.7A patent/CN115905817B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521809A (zh) * | 2011-12-08 | 2012-06-27 | 沈阳工业大学 | 一种磁共振相控阵线圈图像均匀性的正则化校正方法 |
| US20150071514A1 (en) * | 2013-09-10 | 2015-03-12 | Ohio State Innovation Foundation | Methods and devices for optimization of magnetic resonance imaging protocols |
| CN105848578A (zh) * | 2013-10-23 | 2016-08-10 | 三星电子株式会社 | 磁共振成像设备和方法 |
| JP2019208990A (ja) * | 2018-06-07 | 2019-12-12 | キヤノンメディカルシステムズ株式会社 | 医用画像診断装置 |
| CN112001856A (zh) * | 2020-07-29 | 2020-11-27 | 东软医疗系统股份有限公司 | 去噪模型的训练方法及去除图像噪声方法、相关装置 |
| CN112304811A (zh) * | 2020-10-22 | 2021-02-02 | 无锡鸣石峻致医疗科技有限公司 | 一种对运动不敏感的低场核磁共振表观扩散系数测量方法 |
| CN112669406A (zh) * | 2020-12-31 | 2021-04-16 | 苏州朗润医疗系统有限公司 | 一种基于投影估计的相控阵线圈磁共振图像非均匀性校正方法 |
| CN114140341A (zh) * | 2021-10-29 | 2022-03-04 | 厦门大学 | 一种基于深度学习的磁共振图像非均匀场校正方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴鹏 等: "多通道相位图像的改进型自适应重建算法", 《波谱学杂志》, vol. 33, no. 04, pages 539 - 548 * |
| 黄鑫 等: "一种基于互信息量的并行磁共振图像重建新算法", 《中国生物医学工程学报》, vol. 26, no. 6, pages 850 - 855 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455013A (zh) * | 2023-11-10 | 2024-01-26 | 无锡鸣石峻致医疗科技有限公司 | 一种训练样本数据生成方法、系统、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115905817B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | RARE: Image reconstruction using deep priors learned without groundtruth | |
| US11327137B2 (en) | One-dimensional partial Fourier parallel magnetic resonance imaging method based on deep convolutional network | |
| CN107064845A (zh) | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 | |
| CN110807492B (zh) | 一种磁共振多参数同时定量成像方法及系统 | |
| CN115905817B (zh) | 一种多通道非均匀场信号降噪方法、装置和存储介质 | |
| US11948676B2 (en) | Qualitative and quantitative MRI using deep learning | |
| CN103649782B (zh) | 催化多回波相位展开方法 | |
| CN114241078A (zh) | 一种加速磁共振超分辨率成像方法、装置、设备及介质 | |
| US20230194640A1 (en) | Systems and methods of deep learning for large-scale dynamic magnetic resonance image reconstruction | |
| Smith et al. | Automatic off‐resonance correction in spiral imaging with piecewise linear autofocus | |
| CN111210484A (zh) | 医学图像生成方法、模型训练方法、装置及介质 | |
| CN110246200B (zh) | 磁共振心脏电影成像方法、装置及磁共振扫描仪 | |
| CN109471053B (zh) | 一种基于双约束的介电特性迭代成像方法 | |
| Gan et al. | Block coordinate plug-and-play methods for blind inverse problems | |
| Wen et al. | A conditional normalizing flow for accelerated multi-coil MR imaging | |
| Chen et al. | Neighborhood matching for curved domains with application to denoising in diffusion MRI | |
| Liberman et al. | Minimal linear networks for magnetic resonance image reconstruction | |
| CN112329920A (zh) | 磁共振参数成像模型的无监督训练方法及无监督训练装置 | |
| CN116186542A (zh) | 一种基于深度学习的探地雷达信号分辨率提高方法及系统 | |
| 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 | |
| US11480639B1 (en) | Method and apparatus for improved efficiency of non-cartesian imaging using accelerated calibration scan for k-space shift correction | |
| CN115629347A (zh) | 一种磁共振成像系统中获得梯度轨迹的方法、装置和介质 | |
| Rajmic et al. | Piecewise-polynomial signal segmentation using convex optimization | |
| CN115222628A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| Koolstra et al. | Stochastic neighbor embedding as a tool for visualizing the encoding capability of magnetic resonance fingerprinting dictionaries |
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 |