CN115932687A - 磁共振成像mri的扫描方法、装置和电子设备 - Google Patents

磁共振成像mri的扫描方法、装置和电子设备 Download PDF

Info

Publication number
CN115932687A
CN115932687A CN202110926206.7A CN202110926206A CN115932687A CN 115932687 A CN115932687 A CN 115932687A CN 202110926206 A CN202110926206 A CN 202110926206A CN 115932687 A CN115932687 A CN 115932687A
Authority
CN
China
Prior art keywords
layer
scanning
image
current
level
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
CN202110926206.7A
Other languages
English (en)
Inventor
汪孔桥
郭立
赵明喜
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.)
Anhui Huami Information Technology Co Ltd
Original Assignee
Anhui Huami Health Technology 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 Anhui Huami Health Technology Co Ltd filed Critical Anhui Huami Health Technology Co Ltd
Priority to CN202110926206.7A priority Critical patent/CN115932687A/zh
Priority to PCT/CN2022/091295 priority patent/WO2023015983A1/zh
Publication of CN115932687A publication Critical patent/CN115932687A/zh
Priority to US18/413,257 priority patent/US20240148268A1/en
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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提出了一种磁共振成像MRI的扫描方法、装置和电子设备，包括在每个扫描层面段内，基于获取到的当前扫描层面的原始K空间数据生成当前扫描层面的第一层面图像；获取当前扫描层面是否为采用帧内成像模式进行成像的第一类扫描层面；响应于当前扫描层面不是第一类扫描层面，则确定当前扫描层面对应的相邻扫描层面以及对应的分辨率大于第一层面图像分辨率的第二层面图像；基于第一层面图像和相邻扫描层面的第二层面图像，采用MR帧间预测模式对当前扫描层面进行预测成像，生成当前扫描层面的第二层面图像。本申请中，通过利用相邻层面图像之间的结构相关性，实现每个扫描层面的层面图像的生成，达到了高速率、高质量的磁共振MRI扫描成像的目的。

Description

磁共振成像MRI的扫描方法、装置和电子设备
技术领域
本申请涉及磁共振成像技术领域，特别涉及一种磁共振成像MRI的扫描方法、装置、电子设备和计算机可读存储介质。
背景技术
磁共振成像(MRI)作为影像学的一种先进检查手段，已经与手术机器人开始结合，以实现高难度的手术操作，比如深脑肿瘤消融手术等等。因此，需要高质量地MRI的成像以及高速地成像速度。
相关技术中，MRI每层图像扫描时间获得了有效缩短，大大提高了MRI成像的速度，但是由于扫描时间的缩短导致获取到的MRI每层图像的图像质量出现影响，扫描时间与成像质量呈现了负相关。因此，如何实现高速率以及高质量的MRI成像是目前需要解决的问题。
申请内容
本申请旨在至少在一定程度上解决上述技术中的技术问题之一。
为此，本申请第一方面提出一种磁共振成像MRI的扫描方法。
本申请第二方面提出一种磁共振成像MRI的扫描装置。
本申请第三方面提出一种电子设备。
本申请第四方面提出一种可读存储介质。
本申请第五方面提出一种计算机程序产品。
为达到上述目的，本申请第一方面提出一种磁共振成像MRI的扫描方法，包括在每个扫描层面段内，获取当前扫描层面的原始K空间数据，并基于所述原始K空间数据生成所述当前扫描层面的第一层面图像；获取所述当前扫描层面是否为第一类扫描层面，其中，所述第一类扫描层面采用帧内成像模式进行成像；响应于所述当前扫描层面不是第一类扫描层面，则确定所述当前扫描层面对应的相邻扫描层面，并获取所述相邻扫描层面的第二层面图像，其中，所述第二层面图像的分辨率大于所述第一层面图像的分辨率；基于所述第一层面图像和所述相邻扫描层面的第二层面图像，采用MR帧间预测模式对所述当前扫描层面进行成像预测，生成所述当前扫描层面的第二层面图像。
另外，本申请第一方面提出的磁共振成像MRI的扫描方法，还可以具备如下技术特征：
根据本申请的一个实施例，所述磁共振成像MRI的扫描方法，还包括：若所述当前扫描层面为所述第一类扫描层面，基于所述第一层面图像，对所述当前扫描层面进行MR帧内成像，生成所述当前扫描层面的第二层面图像。
根据本申请的一个实施例，所述基于所述第一层面图像和所述相邻扫描层面的第二层面图像，采用MR帧间预测模式对所述当前扫描层面进行成像预测之前，还包括：响应于所述当前扫描层面为第二类扫描层面，获取所述第一层面图像和所述相邻扫描层面的第一层面图像和/或第二层面图像之间的结构相似度，并确定所述结构相似度大于预设相似度阈值，其中，所述第二类扫描层面采用单向帧间预测模式进行成像。
根据本申请的一个实施例，所述磁共振成像MRI的扫描方法，还包括：若所述结构相似度小于或者等于所述预设相似度阈值，把下一扫描层面修改为所述当前扫描层面，并返回执行所述获取当前扫描层面的K空间数据及后续步骤。
根据本申请的一个实施例，所述磁共振成像MRI的扫描方法，还包括：若所述结构相似度小于或者等于所述预设相似度阈值，保存所述K空间数据和所述第一层面图像。
根据本申请的一个实施例，所述保存所述K空间数据和所述第一层面图像之后，还包括：在下一扫描层面段扫描至所述当前扫描层面的扫描位置时，若当前扫描层面非所述下一扫描层面段的第一类扫描层面，则直接使用所述保存的所述第一层面图像作为所述当前扫描层面的第一层面图像；或者，若当前扫描层面为所述下一扫描层面段的所述第一类扫描层面，按照所述第一类扫描层面的采样率，对所述原始K空间数据进行补充采集，并基于补充采集后的K空间数据生成所述第一类扫描层面的第一层面图像。
根据本申请的一个实施例，所述确定所述当前扫描层面对应的相邻扫描层面，还包括：获取所述当前扫描层面的预测模式，其中，所述预测模式包括单向帧间预测和双向帧间预测；基于所述预测模式，将所述当前扫描层面的预测时所依赖的扫描层面确定所述相邻扫描层面。
根据本申请的一个实施例，所述基于所述预测模式，将所述当前扫描层面的预测时所依赖的扫描层面确定所述相邻扫描层面，包括：若所述预测模式为单向帧间预测模式，将所述当前层面图像预测时所依赖的前向预测扫描层面，作为所述相邻扫描层面；若所述预测模式为所述双向帧间预测模式，将所述当前层面图像预测时所依赖的前向预测扫描层面和反向预测扫描层面，确定作为所述相邻扫描层面。
根据本申请的一个实施例，所述磁共振成像MRI的扫描方法，还包括：若所述当前扫描层面为包括多个子扫描层面的层面集合，从所述层面集合的首个子扫描层面开始，对所述层面集合中每个子扫描层面进行MR帧间预测模式，生成所述层面集合中每个子扫描层面对应的第二层面图像，直至所述层面集合中每个子扫描层面成像完成，进入下一扫描层面或者下一扫描层面段。
根据本申请的一个实施例，生成所述当前扫描层面的第二层面图像的过程，包括：由特征提取层对输入的层面图像进行特征提取，输出特征图像，其中，所述输入的层面图像在进行MR帧间预测模式时为所述第一层面图像和所述相邻扫描层面的第二层面图像，在进行MR帧内成像时为所述第一层面图像；由数据处理层对所述特征图像生成预测K空间数据，并基于所述预测K空间数据，生成所述当前扫描层面的预测增强层面图像；将所述预测增强层面图像输入图像增强层中，输出残差信息，并基于所述残差信息和所述预测增强层面图像，生成所述当前扫描层面的第二层面图像。
根据本申请的一个实施例，所述基于所述预测K空间数据，生成所述当前扫描层面的预测增强层面图像，包括：将所述预测K空间数据中在采样频率上的预测数据替换为所述原始K空间数据，生成目标K空间数据；基于所述目标K空间数据生成所述当前层面的预测增强层面图像。
根据本申请的一个实施例，所述磁共振成像MRI的扫描方法，MR帧内成像由MR帧内成像模型完成，MR帧间预测模式由MR帧间预测模式模型完成，其中，所述MR帧间预测模式模型和MR帧内成像模型均包括多个图像处理单元，所述多个图像处理单元依次连接，其中，每个图像处理单元中包括所述特征提取层、所述数据处理层和所述图像增强层，其中，每个图像处理单元内的所述特征提取层、所述数据处理层与所述图像增强层顺次连接，所述图像增强层的输出为后一个图像处理单元中的所述特征提取层的输入。
为达上述目的，本申请第二方面提出一种磁共振成像MRI的扫描装置，包括：生成模块，用于在每个扫描层面段内，获取当前扫描层面的原始K空间数据，并基于所述原始K空间数据生成所述当前扫描层面的第一层面图像；判断模块，用于获取所述当前扫描层面是否为第一类扫描层面，其中，所述第一类扫描层面采用帧内成像模式进行成像；获取模块，用于响应于所述当前扫描层面不是第一类扫描层面，则确定所述当前扫描层面对应的相邻扫描层面，并获取所述相邻扫描层面的第二层面图像，其中，所述第二层面图像的分辨率大于所述第一层面图像的分辨率；成像模块，用于基于所述第一层面图像和所述相邻扫描层面的第二层面图像，采用MR帧间预测模式对所述当前扫描层面进行成像预测，生成所述当前扫描层面的第二层面图像。
另外，本申请第二方面提出的磁共振成像MRI的扫描装置，还可以具备如下技术特征：
根据本申请的一个实施例，所述成像模块，还用于：若所述当前扫描层面为所述第一类扫描层面，基于所述第一层面图像，对所述当前扫描层面进行MR帧内成像，生成所述当前扫描层面的第二层面图像。
根据本申请的一个实施例，所述磁共振成像MRI的扫描装置，还包括：相似度判定模块，用于响应于所述当前扫描层面为第二类扫描层面，获取所述第一层面图像和所述相邻扫描层面的第一层面图像和/或第二层面图像之间的结构相似度，并确定所述结构相似度大于预设相似度阈值，其中，所述第二类扫描层面采用单向帧间预测模式进行成像。
根据本申请的一个实施例，所述相似度判定模块，还用于：若所述结构相似度小于或者等于所述预设相似度阈值，把下一扫描层面修改为所述当前扫描层面，并返回执行所述获取当前扫描层面的K空间数据及后续步骤。
根据本申请的一个实施例，所述相似度判定模块，还用于：若所述结构相似度小于或者等于所述预设相似度阈值，保存所述K空间数据和所述第一层面图像。
根据本申请的一个实施例，所述生成模块，还用于：在下一扫描层面段扫描至所述当前扫描层面的扫描位置时，若当前扫描层面非所述下一扫描层面段的第一类扫描层面，则直接使用所述保存的所述第一层面图像作为所述当前扫描层面的第一层面图像；或者，若当前扫描层面为所述下一扫描层面段的所述第一类扫描层面，按照所述第一类扫描层面的采样率，对所述原始K空间数据进行补充采集，并基于补充采集后的K空间数据生成所述第一类扫描层面的第一层面图像。
根据本申请的一个实施例，所述获取模块，还用于：获取所述当前扫描层面的预测模式，其中，所述预测模式包括单向帧间预测和双向帧间预测；基于所述预测模式，将所述当前扫描层面的预测时所依赖的扫描层面确定所述相邻扫描层面。
根据本申请的一个实施例，所述获取模块，还用于：若所述预测模式为单向帧间预测模式，将所述当前层面图像预测时所依赖的前向预测扫描层面，作为所述相邻扫描层面；若所述预测模式为所述双向帧间预测模式，将所述当前层面图像预测时所依赖的前向预测扫描层面和反向预测扫描层面，确定作为所述相邻扫描层面。
根据本申请的一个实施例，所述磁共振成像MRI的扫描装置，还包括：扫描模块，用于若所述当前扫描层面为包括多个子扫描层面的层面集合，从所述层面集合的首个子扫描层面开始，对所述层面集合中每个子扫描层面进行MR帧间预测模式，生成所述层面集合中每个子扫描层面对应的第二层面图像，直至所述层面集合中每个子扫描层面成像完成，进入下一扫描层面或者下一扫描层面段。
根据本申请的一个实施例，所述成像模块，还用于：由特征提取层对输入的层面图像进行特征提取，输出特征图像，其中，所述输入的层面图像在进行MR帧间预测模式时为所述第一层面图像和所述相邻扫描层面的第二层面图像，在进行MR帧内成像时为所述第一层面图像；由数据处理层对所述特征图像生成预测K空间数据，并基于所述预测K空间数据，生成所述当前扫描层面的预测增强层面图像；将所述预测增强层面图像输入图像增强层中，输出残差信息，并基于所述残差信息和所述预测增强层面图像，生成所述当前扫描层面的第二层面图像。
根据本申请的一个实施例，所述成像模块，还用于：将所述预测K空间数据中在采样频率上的预测数据替换为所述原始K空间数据，生成目标K空间数据；基于所述目标K空间数据生成所述当前层面的预测增强层面图像。
根据本申请的一个实施例，所述成像模块，MR帧内成像由MR帧内成像模型完成，MR帧间预测模式由MR帧间预测模式模型完成，其中，所述MR帧间预测模式模型和MR帧内成像模型均包括多个图像处理单元，所述多个图像处理单元依次连接，其中，每个图像处理单元中包括所述特征提取层、所述数据处理层和所述图像增强层，其中，每个图像处理单元内的所述特征提取层、所述数据处理层与所述图像增强层顺次连接，所述图像增强层的输出为后一个图像处理单元中的所述特征提取层的输入。
本申请第三面提出一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面提出的磁共振成像MRI的扫描方法。
本申请第四方面提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面提出的磁共振成像MRI的扫描方法。
本申请第五方面提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面提出的磁共振成像MRI的扫描方法。
本申请提出的磁共振成像MRI的扫描方法及装置，获取每个扫描层面段内当前扫描层面的原始K空间数据，生成当前扫描层面对应的第一层面图像，进而判断当前扫描层面是否为第一类扫描层面。确定当前扫描层面不属于第一类扫描层面后，获取其相邻扫描层面对应的第二层面图像，并基于当前扫描层面的第一扫描层面图像与相邻扫描层面对应的第二层面图像，生成当前扫描层面对应的第二层面图像。本申请中，先行获取每个扫描层面对应的低分辨率的第一层面图像，再通过对第一层面图像的分辨率进行处理，获取到高分辨率的第二层面图像，有效缩短了成像时间，通过利用相邻层面图像之间的结构相关性，实现对于每个扫描层面对应的第一层面图像的预测生成，有效缩短了扫描时间，对每个扫描层面段中不同的扫描层面进行单独的扫描成像，保证了成像质量，达到了高速率、高质量的磁共振MRI扫描成像的目的。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请一实施例的磁共振成像MRI的扫描方法的流程示意图；
图2为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图3为本申请一实施例的MR帧内成像模型的流程示意图；
图4为本申请一实施例的DC计算架构数据处理的流程示意图；
图5为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图6为本申请一实施例的MR帧间预测模式模型的流程示意图；
图7为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图8为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图9为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图10为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图11为本申请另一实施例的MR帧间预测模式模型的流程示意图；
图12为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图13为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图14为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图；
图15为本申请一实施例的磁共振成像MRI的扫描装置的结构示意图；
图16为本申请另一实施例的磁共振成像MRI的扫描装置的结构示意图；
图17为本申请一实施例的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面结合附图来描述本申请提出的磁共振成像MRI的扫描方法、装置、空调系统、电子设备和计算机可读存储介质。
图1为本申请一实施例的磁共振成像MRI的扫描方法的流程示意图，如图1所示，该方法包括：
S101，在每个扫描层面段内，获取当前扫描层面的原始K空间数据，并基于原始K空间数据生成当前扫描层面的第一层面图像。
核磁共振成像(Nuclear Magnetic Resonance Imaging，NMRI)，又称自旋成像(spin imaging)，也称磁共振成像(Magnetic Resonance Imaging，MRI)，是利用核磁共振(nuclear magnetic resonance，NMR)原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。
一般情况下，MRI多用于医学上对于人体的组织结构的检查成像。人体内广泛存在含单数质子的原子核，比如氢原子核等等，质子存在自旋运动，通过将存在自旋运动的质子放置于强外磁场中，使其在平行或反平行于外磁场的两个方向上排列。基于该场景，用特定频率的射频脉冲进行激发，使得含有单数质子的原子核吸收一定量的能进而产生共振，即为磁共振现象。实现中，停止发射射频脉冲后，产生磁共振现象的含单数质子的原子核可以将吸收到的能逐步释放，相应地，其相位和能级可以恢复至受到射频脉冲激发前的状态，该过程即为弛豫过程，进一步地，弛豫过程所耗时长即为弛豫时间。
人体的不同的组织结构所需的弛豫时间是不同的，不同组织结构之间的弛豫时间的不同，奠定了磁共振成像的成像基础。一般情况下，在进行磁共振检查中，需要把人体的待检测组织结构分为多个检查层面。通过对每个检查层面的单独成像，进而生成待检测组织结构的完整图像。
MRI扫描成像过程中，针对每个扫描层面，其扫描获取到的图像数据均会存储于K空间中，可以从K空间中获取到每个扫描层面对应的原始K空间数据，其中携带有当前扫描层面的部分图像数据，基于该部分数据生成当前扫描层面的第一层面图像。
实现中，人体的组织结构的每个部位所适用的采样频率各不相同，在MRI扫描成像的过程中，需要针对每个扫描层面所覆盖的组织结构及时调整采样频率，以获取高准确度的层面图像数据。可选地，可以采用欠采样的方式对当前扫描层面进行图像数据采集，基于实际情况对当前扫描层面的扫描频率进行实时的调整，进而获取到当前扫描层面的精准图像数据，并存储于K空间中。
进一步地，可以采用设定的图像数据处理方法，将原始K空间数据转换成为层面图像，比如反傅里叶变换(inverse fourier transform，IFFT)等等。
S102，获取当前扫描层面是否为第一类扫描层面，其中，第一类扫描层面采用帧内成像模式进行成像。
第一类扫描层面，即为每个扫描层面段中首个开始扫描成像的扫描层面。
由于本申请提出的磁共振MRI扫描成像方法中，第一类扫描层面与非第一类扫描层面的第一层面图像的生成方式不同，因此，在针对某一个扫描层面开始进行扫描成像时，需要进行类型判断。
可选地，可以通过当前扫描层面在其所属的扫描层面段中的所处位置，判断当前扫描层面是否为第一类扫描层面。针对每个扫描层面段中所包含的扫描层面，按扫描先后顺序编号，获取当前扫描层面所对应的编号，进而确定当前扫描层面在其所属的扫描层面段中的所处位置。比如按照“1、2、3、4……”的顺序对扫描层面段内的扫描层面进行编号，则若获取到的编号为其所属扫描层面段的初始编号为1，则确定当前扫描层面为第一类扫描层面。
可选地，也可以通过当前扫描层面是否存在前叙扫描层面，判断当前扫描层面是否为第一类扫描层面。若当前扫描层面存在前叙扫描层面，则当前扫描层面确定为非第一类扫描层面；若当前扫描层面不存在前叙扫描层面，则当前扫描层面确定为第一类扫描层面。
进一步地，针对属于第一类扫描层面的当前扫描层面，通过获取当前扫描层面的原始K空间中存储的K空间图像数据，进而生成当前扫描层面的第一层面图像，将第一层面图像输入至图像处理模型，进行分辨率的进一步处理，以获取当前层面的高质量成像。
可选地，图像处理模型可以是磁共振(Magnetic resonance，MR)帧内成像模型。可以理解为，针对每个扫描层面段中的第一类扫描层面的第一层面图像，可以对该帧第一层面图像内的像素信息进行图像处理，进而生成该帧第一层面图像对应的高分辨率的成像。进一步地，将对第一类扫描层面的第一层面图像的帧内像素信息进行处理从而生成高质量成像的模型，确定为MR帧内成像模型。
S103，响应于当前扫描层面不是第一类扫描层面，则确定当前扫描层面对应的相邻扫描层面，并获取相邻扫描层面的第二层面图像，其中，第二层面图像的分辨率大于第一层面图像的分辨率。
可选地，可以通过获取当前扫描层面在其所属扫描层面段中的所处位置，确定当前扫描层面是否为非第一类扫描层面。依然以上述示例为例，设定扫描层面段中每个扫描层面按扫描先后顺序编号为“1、2、3、4……”，则扫描层面编号为1以外的其他扫描层面，均可以确定为非第一类扫描层面。
可选地，可以通过当前扫描层面是否存在前叙扫描层面，判断当前扫描层面是否为非第一类扫描层面，若当前扫描层面存在前叙扫描层面，则当前扫描层面确定为非第一类扫描层面。
可选地，可以通过扫描层面的编号确定当前扫描层面的相邻扫描层面，或者判断当前扫描层面与其对应的前叙扫描层面之间是否存在其他扫描层面，获取前叙扫描层面中与当前扫描层面之间不存在其他扫描层面的，作为当前扫描层面的相邻扫描层面，进而获取到相邻扫描层面的第二层面图像。
进一步地，将低分辨率的第一层面图像输入至特征提取的图像处理层，比如预设的第一深度卷积神经网络，进行图像特征的提取以及处理，输出特征图像后，将其输入至设定的数据处理层，比如计算架构(Data Consistency，DC)，进行K空间数据的替换，将替换后获取到的层面图像输入至图像增强层中，比如设定的第二深度卷积神经网络，进一步处理，进而获取高分辨率的层面图像，即为任一扫描层的第一层面图像对应的第二层面图像。
S104，基于第一层面图像和相邻扫描层面的第二层面图像，采用MR帧间预测模式对当前扫描层面进行成像预测，生成当前扫描层面的第二层面图像。
一般情况下，磁共振扫描成像可以用于对于人体组织结构的检查扫描，将任一人体的组织结构划分称为多个扫描层面段，通过每个扫描层面段的成像，以及对每个扫描层面段生成的图像的整合，进而实现组织结构的整体成像。由于获取的多个扫描层面段是基于同一个组织结构划分的，所以每个扫描层面段所对应的扫描对象之间具有结构相关性，进一步地，则每个扫描层面段中的每个扫描层面也具有结构相关性。
基于当前扫描层面的相邻扫描层面的第二层面图像，可以获取当前扫描层面的第一层面图像，进一步地，基于相邻扫描层面的第二层面图像与当前扫描层面的第一层面图像，可以获取到当前扫描层面的第二层面图像。
可选地，可以通过MR帧间预测模式模型，将当前扫描层面的第一层面图像以及相邻扫描层面的第二层面图像共同处理，获取到当前扫描层面的第二层面图像。
可以理解为，当前扫描层面并非所属扫描层面段的第一类扫描层面时，可以对当前扫描层面的第一层面图像中的像素信息，以及当前扫描层面的相邻扫描层面的第二层面图像中的像素信息进行处理，进而生成当前扫描层面的预测第一层面图像对应的第二层面图像。进一步地，将对非第一类扫描层面的第一层面图像和其相邻扫描层面的第二层面图像中的像素信息进行处理从而生成预测的高质量成像的模型，确定为MR帧间预测模型。
需要说明的是，本申请实施例中的每个扫描层面均会生成低分辨率的第一层面图像，进而生成高分辨率的第二层面图像，可以理解为，第二层面图像与第一层面图像内容相同，但是分辨率更高、质量更高，是每个扫描层面对应的高质量的最终成像。
本申请提出的磁共振成像MRI的扫描方法，获取每个扫描层面段内当前扫描层面的原始K空间数据，生成当前扫描层面对应的第一层面图像，进而判断当前扫描层面是否为第一类扫描层面。确定当前扫描层面不属于第一类扫描层面后，获取其相邻扫描层面对应的第二层面图像，并基于当前扫描层面的第一扫描层面图像与相邻扫描层面对应的第二层面图像，生成当前扫描层面对应的第二层面图像。本申请中，先行获取每个扫描层面对应的低分辨率的第一层面图像，再通过对第一层面图像的分辨率进行处理，获取到高分辨率的第二层面图像，有效缩短了成像时间，通过利用相邻层面图像之间的结构相关性，实现对于每个扫描层面对应的第一层面图像的预测生成，有效缩短了扫描时间，对每个扫描层面段中不同的扫描层面进行单独的扫描成像，保证了成像质量，达到了高速率、高质量的磁共振MRI扫描成像的目的。
在上述实施例的基础上，针对第一类扫描层面的层面图像的生成，可结合图2进一步理解，图2为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图，如图2所示，该方法包括：
S201，若当前扫描层面为第一类扫描层面，基于第一层面图像，对当前扫描层面进行MR帧内成像，生成当前扫描层面的第二层面图像。
一般情况下，针对第一类扫描层面，由于其不存在前叙相邻扫描层面，且其对应的第二层面图像会作为后续扫描层面的成像预测依赖，因此需要保证属于第一类扫描层面的扫描层面对应的第二层面图像的正确性。
从原始K空间数据中获取当前扫描层面对应的图像数据，可以生成当前扫描层面的第一层面图像。进一步地，通过MR帧内成像模型生成当前扫描层面的第二层面图像。
如图3所示，将第一层面图像输入至预设的第一深度卷积神经网络，进行图像特征的提取，获取到第一层面图像的特征图像。将获取到的特征图像输入至第一个数据处理，比如图中所示的DC计算架构，并对其进行K空间数据替换，并将K空间数据替换后的层面图像输入至设定的第二深度卷积神经网络，进行层面图像的残差处理，并输出残差信息。将残差信息与DC输出的分辨率增强后的层面图像进行融合，进而生成第二层面图像。
其中，DC的运行方式如图4所示，输入第一层面图像的特征图像至DC，DC可以对输入的特征图像进行数据转换，比如通过傅里叶变换(fourier transform，FFT)进行特征图像至图像数据的转换。其中，通过图像转换处理获取到的图像数据与K空间存储的扫描获取的图像数据格式相同。进一步地，可以将K空间中对该扫描层面扫描获取到的部分图像数据替换至转换获取到的图像数据中。其中，K空间保存着扫描获取到的属于第一层面图像的部分图像数据，该部分图像数据的数据量由第一类扫描层面的采样频率确定。
需要说明的是，根据进行MRI扫描装置以及对于MRI成像的分辨率的要求，可以多次的进行上述第二层面图像的处理过程的循环，直至最终输出的图像分辨率达到要求。
本申请提出的磁共振成像MRI的扫描方法，针对第一类扫描层面的第一层面图像，通过MR帧内成像模型进行分辨率的增强，保证了第一类扫描层面的成像质量以及准确性，使得后续依赖第一类扫描层面的第二层面图像进行预测成像的准确性可以得到有效保证。
上述实施例中，针对非第一类扫描层面的层面图像获取，可结合图5进一步理解，图5为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图，如图5所示，该方法包括：
S501，响应于当前扫描层面为第二类扫描层面，获取第一层面图像和相邻扫描层面的第一层面图像和/或第二层面图像之间的结构相似度，并确定结构相似度大于预设相似度阈值，其中，第二类扫描层面采用单向帧间预测模式进行成像。
本申请实施例中，每个扫描层面段中所包含的扫描层面可分为第一类扫描层面与非第一类扫描层面，其中，非第一类扫描层面可以包括第二类扫描层面，第二类扫描层面存在前叙相邻扫描层面。
针对属于第二类扫描层面的当前扫描层面，可以基于其前叙相邻扫描层面与当前扫描层面之间的结构相关性，通过其前叙相邻扫描层面的第二层面图像进行预测，获取到当前扫描层面的第一层面图像。其中，属于第二类扫描层面的当前扫描层面的第一层面图像，可以通过单向帧间预测的模式获取。
其中，同一扫描层面段中所包含的不同扫描层面之间具备结构相关性，尤其是相邻的两个扫描层面，所对应的扫描对象的部位是相邻的，因此，相邻的两个扫描层面具备更强的相关性，其中，相关性可以是相似性。
获取到当前扫描层面的第一层面图像后，可以设置一个相似度阈值，若当前扫描层面的第一层面图像与其前叙相邻扫描层面的第一层面图像和/或第二层面图像之间的结构相似度大于预设的相似度阈值时，则可以判断，当前扫描层面与前叙扫描层面所对应的扫描对象的结构相似，没有发生异常变化，预测获取到的当前扫描层面的第一层面图像是合理可用的。
进一步地，基于当前扫描层面的第一层面图像可以获取高分辨率、高质量的第二层面图像。可选地，可以通过图像处理模型进行分辨率的处理，比如MR帧间预测模式模型，如图6所示。
可以将前叙扫描层面的第二层面图像与当前扫描层面的第一层面图像同时输入至设定的第一深度卷积神经网络进行图像特征的提取，获取第一层面图像的特征图像，再将获取到的特征图像输入至DC计算架构进行K空间数据的替换，具体的DC计算架构的K空间数据的替换方法可参见上述相关详细内容，此处不再赘述。
进一步地，将DC输出的分辨率增强的图像输入至设定的第二深度卷积神经网络进行残差处理，并输出残差信息。基于第二深度卷积神经网络输出的残差信息与DC输出的分辨率增强的图像，生成高分辨率的第二层面图像。
需要说明的是，针对第一层面图像的处理可以根据不同的需求实现多轮次的循环，进而达到设定的层面图像的标准。
本申请提出的磁共振成像MRI的扫描方法，基于结构相似性通过前叙相邻扫描层面的第二层面图像的预测，获取当前扫描层面的第一层面图像，并生成更高分辨率的当前扫描层面的第二层面图像。本申请中，通过预测获取当前层面的第一层面图像，有效缩短了成像时间，通过MR帧间预测模式模型对前叙相邻扫描层面的第二层面图像以及当前扫描层面的第一层面图像同时进行图像处理，保证了成像的准确率以及质量。
上述实施例的基础上，当结构相似度小于或者等于预设相似度阈值时，可结合图7，图7为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图，如图7所示，该方法包括：
S701，若结构相似度小于或者等于预设相似度阈值，把下一扫描层面修改为当前扫描层面，并返回执行获取当前扫描层面的K空间数据及后续步骤。
在上述实施例的基础上，在当前扫描层面的第一层面图像与前叙扫描层面的第一层面图像和/或第二层面图像之间的结构相似度小于或者等于预设的相似度阈值时，则表明当前扫描层面与前叙扫描层面之间的结构相似度较低，可以判断当前扫描层面对应的扫描对象与前叙扫描层面对应的扫描对象相比，结构发生了较大的变化。
由于MRI扫描对象的整体成像是基于每个扫描层面段生成的图像融合获取的，每个扫描层面段最终的成像是基于扫描层面段中的全部扫描层面的第二层面图像进行融合获取。则在当前扫描层面与前叙相邻扫描层面所对应的层面图像之间的结构相似度小于设定的相似度阈值时，若继续基于前叙相邻扫描层面的第二层面图像进行预测构建当前扫描层面的第一层面图像，则当前扫描层面的第一层面图像与扫描对象的实际情况不符，成像结果是不准确的。进一步地，若继续基于当前扫描层面的成像结果预测构建下一扫描层面的第一层面图像，则下一扫描层面的成像结果也会是不准确的，进而使得当前扫描层面所属的扫描层面段的最终成像结果的准确率受到影响。
进一步地，当前扫描层面与前叙扫描层面所对应的扫描对象之间的位置临近，因此，对发生变化的扫描对象所对应的部位需要构建一个新的扫描层面段，以进行完整的成像。
进一步地，当前扫描层面可以作为下一个扫描层面段中的扫描层面，使得MRI扫描成像的过程可以根据实际情况的不同及时做出调整，针对扫描对象中发生结构变化的部位可以进行重点成像，以保证成像结果的准确性以及可用性。
可选地，可以将当前扫描层面作为下一个扫描层面段的首个扫描层面，即作为第一类扫描层面，也可以将当前扫描层面作为下一个扫描层面段中的处于非首位的其他位置的扫描层面，即作为非第一类扫描层面进行扫描成像。
其中，若将当前扫描层面作为下一个扫描层面段的首个扫描层面，则该扫描层面属于下一个扫描层面段的第一类扫描层面，通过获取其对应的K空间数据，可以生成第一层面图像，进而实现后续相关成像操作，获取相应的第二层面图像。若将当前扫描层面作为下一个扫描层面段中的处于非首位的其他位置的扫描层面，则该扫描层面属于下一个扫描层面段的非第一类扫描层面，可以在下一个扫描层面段中轮到该扫描层面进行成像时，进行相关的层面图像获取的操作。
本申请提出的磁共振成像MRI的扫描方法，针对当前扫描层面的第一层面图像小于或者等于预设的与前叙扫描层面的第二层面图像之间设定的相似度阈值的情况下，提出了相应的处理方法，在MRI扫描过程中可以按照实际情况的改变及时作出调整，使得可以对发生变化的扫描部位进行重点成像，提高了MRI扫描成像的准确率，强化了成像结果的可用性。
进一步地，可结合图8，图8为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图，如图8所示，该方法包括：
S801，若结构相似度小于或者等于预设相似度阈值，保存K空间数据和第一层面图像。
一般情况下，为了减少MRI在扫描和/或预测过程中对于图像数据的获取时长，在MRI扫描或者预测的过程中，所获取到的扫描图像数据会存储于K空间中。同样地，针对某一个扫描层面的第一层面图像所预测的图像数据也会进行存储。在后续的通过扫描和/或预测行为进行层面图像的获取过程中，如果出现针对相同扫描层面进行图像数据的获取，可以直接调用前期保存的数据，有效缩短数据获取时长。
本申请实施例中，当前叙相邻扫描层面的第二层面图像与当前扫描层面的第一层面图像之间的相似度小于或者等于预设的相似度阈值时，可以判断，对当前扫描层面的第一层面图像的预测出现了异常情况，比如，第一层面图像的清晰度较低等等。该场景下，会将当前扫描层面扫描获取到的图像数据存储于K空间中，将基于前叙相邻层面的第二层面图像预测获取到的图像存储于设定位置。
进一步地，可以将当前扫描层面从其当前所属的扫描层面段中移出，添加至下一个扫描层面段中。
作为一种可能的实现方式，当前扫描层面可以是下一个扫描层面段中的某一个扫描层面，则在下一扫描层面段扫描至当前扫描层面的扫描位置时，若当前扫描层面非下一扫描层面段的第一类扫描层面，则直接使用保存的第一层面图像作为当前扫描层面的第一层面图像。
本申请实施例中，若当前扫描层面在下一个扫描层面段中属于非第一类扫描层面，则在针对该扫描层面进行成像时，可以直接使用存储的历史扫描数据生成该扫描层面对应的第一层面图像。
一般情况下，针对属于非第一类扫描层面的扫描层面的第一层面图像，会根据其前叙相邻扫描层面的第二层面图像进行预测，然后根据二者之间的相似度的结果进行后续的成像步骤。因此，若当前扫描层面存在存储的历史图像数据时，可以直接调用历史存储的层面图像数据，并基于历史的层面图像数据生成当前扫描层面的第一层面图像。通过对历史数据的调用，可以有效缩短第一层面图像的生成时间，同时保障了第一层面图像的准确性。
作为另一种可能的实现方式，也可以将当前扫描层面作为下一个扫描层面的初始扫描层面，即若当前扫描层面为下一扫描层面段的第一类扫描层面，按照第一类扫描层面的采样率，对原始K空间数据进行补充采集，并基于补充采集后的K空间数据生成第一类扫描层面的第一层面图像。
本申请实施例中，当前扫描层面可以作为下一个扫描层面段的第一类扫描层面。
实现中，K空间存储有已经进行扫描采样的扫描层面的图像数据，属于第一类扫描层面的扫描层面的第一层面图像可以通过获取K空间的图像数据生成。进一步地，当该扫描层面属于第一类扫描层面时，其第一层面图像的生成需要基于该扫描层面完整的采样图像数据。
一般情况下，由于采样存在采样频率，因此存储于K空间的历史图像数据只是针对该扫描层面扫描采样获取到的部分图像数据，其数据量由该扫描层面的采样频率确定。当该扫描层面为第一类扫描层面时，需要对该扫描层面未被采集到的部分，进行图像数据的补充采样，进而获取到该扫描层面的完整图像数据。
需要说明的是，为了使得补充采样获取到的图像数据与K空间存储的历史数据的格式统一，在进行图像数据的补充采样时，可以将采样频率调整至与第一类扫描层面的采样率一致。
进一步地，在补充采样完毕后，K空间数据中可以存储有该扫描层面的完整图像数据，进而可以基于K空间数据生成该扫描层面的第一层面图像。
本申请提出的磁共振成像MRI的扫描方法，提出了当扫描层面的第一层面图像与前叙相邻扫描层面的第二层面图像之间的相似度低于预设的相似度阈值时，当前扫描层面在下一个扫描层面段中处于不同位置所对应的处理方法，有效的缩短了MRI的扫描成像时间，保证了成像的准确率。
图9为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图，如图9所示，该方法包括：
S901，获取当前扫描层面的预测模式，其中，预测模式包括单向帧间预测和双向帧间预测。
单向帧间预测，为根据当前扫描层面与其前叙相邻扫描层面之间的结构相似性，基于当前扫描层面的前叙相邻扫描层面的第二层面图像预测，进而获取当前扫描层面的第一层面图像的预测方式。
双向帧间预测，为根据当前扫描层面的第二层面图像与其前叙相邻扫描层面的第二层面图像，对当前扫描层面与前叙相邻扫描层面之间的层面图像进行预测，进而获取到两个扫描层面之间的层面图像集的预测方式。
本申请实施例中，可以根据需要获取的层面图像的类型，确定所需的预测模式。
一般情况下，为了提高每个扫描层面段的成像质量，会在每个扫描段内生成尽可能多的层面图像，通过多个扫描层面对应的层面图像的融合，使得对应的扫描层面段可以输出高质量的MRI扫描成像。
可选地，可以使用单向帧间预测的方式，基于前叙相邻扫描层面的第二层面图像对当前扫描层面的第一层面图像进预测。
可选地，可以使用双向帧间预测的方式，基于前叙相邻扫描层的第二层面图像以及当前扫描层面的第二层面图像，生成两个相邻的扫描层面之间的层面图像集。
如图10所示，设定当前扫描层面段中，属于第一类扫描层面的扫描层面的第二层面图像为I1，基于I1进行单向帧间预测，可以生成下一个扫描层面的层面图像P2。基于I1以及P2进行双向帧间预测，可以生成I1对应的扫描层面与P2对应的扫描层面之间的层面图像集，该层面图像集包含有层面图像B1以及层面图像B2。
进一步地，基于P2进行单向帧间预测生成下一个扫描层面的层面图像P3，基于P2以及P3进行双向帧间预测，获取P2以及P3对应的两个相邻扫描层面之间的包含有层面图像B3以及层面图像B4的层面图像集。
需要说明的是，B1、B2以及B3、B4仅为示例，在实际情况中，两个相邻扫描层面之间的层面图像数量可以为多个，在此不做限定。
S902，基于预测模式，将当前扫描层面的预测时所依赖的扫描层面确定相邻扫描层面。
单向帧间预测，需要基于前叙相邻扫描层面的层面图像实现；双向帧间预测，需要基于所需获取的层面图像的前叙以及后续两个相邻扫描层面的层面图像实现。
可选地，若预测模式为单向帧间预测模式，将当前扫描层面的层面图像预测时所依赖的前向预测扫描层面，作为相邻扫描层面。
依然如图10所示，P2是基于I1进行的单项预测生成的，P3是基于P2进行的单项预测生成的，即I1为P2在进行单向帧间预测时所依赖的前向预测扫描层面的层面图像，因此，I1对应的扫描层面可以确定为P2对应的扫描层面的相邻扫描层面。同样地，P2为P3在进行单向帧间预测时所依赖的前向预测扫描层面的层面图像，则可以将P2对应的扫描层面确定为P3对应的扫描层面的相邻扫描层面。
可选地，若预测模式为双向帧间预测模式，将当前层面图像预测时所依赖的前向预测扫描层面和反向预测扫描层面，确定作为相邻扫描层面。
如图10所示，B1以及B2是基于I1以及P2进行双向帧间预测生成的，根据图示顺序可知，I1为B1以及B2生成时所依赖的前向预测扫描层面的层面图像，P2为B1以及B2生成时所依赖的反向预测扫描层面的层面图像，则I1对应的扫描层面以及P2对应的扫描层面可以确定为B1以及B2的相邻扫描层面。
同样地，B3以及B4是基于P2以及P3进行双向帧间预测生成的，根据图示顺序可知，P2为B3以及B4生成时所依赖的前向预测扫描层面的层面图像，P3为B3以及B4生成时所依赖的反向预测扫描层面的层面图像，则P2对应的扫描层面以及P3对应的扫描层面可以确定为B3以及B4的相邻扫描层面。
需要说明的是，只有在当前扫描层面的层面图像与前叙相邻扫描层面的层面图像之间的结构相似度大于预设的相似度阈值时，才会进行后续的双向帧间预测。可以理解为，图10中，只有P2与I1之间的相似度大于预设的阈值，才会进行下一步地基于I1与P2进行双向帧间预测生成B1以及B2。或者，只有在P3与P2之间的相似度大于预设的阈值时，才会进行下一步地基于P2与P3进行双向帧间预测生成B3以及B4。
可选地，可以采用MR帧间预测模式网络模型，生成高分辨率的B1、B2、B3以及B4类型的扫描层面对应的第二层面图像。
如图11所示，为了更加准确的进行分辨率的提高，可以将双向帧间预测获取到的低分辨率的第一层面图像与其相邻的两个扫描层面的第二层面图像，同时输入至设定的第一深度卷积神经网络进行图像特征提取，生成特征图像并输出。进一步地，将第一深度卷积神经网络输出的特征图像输入至DC计算架构进行K空间数据替换，并将K空间数据替换后的层面图像输入至设定的第二深度卷积神经网络进行残差处理，输出残差信息。将第二深度卷积神经网络输出的残差信息与DC输出的分辨率增强的层面图像进行融合，生成相应的第二层面图像。
本申请提出的磁共振成像MRI的扫描方法，根据不同的扫描层面的层面图像的需求，通过不同的帧间预测方式获取扫描层面的第一层面图像，有效缩短了MRI扫描成像的时间，保证了成像质量。
进一步的，如图12所示，图12为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图，该方法包括：
S1201，若当前扫描层面为包括多个子扫描层面的层面集合，从层面集合的首个子扫描层面开始，对层面集合中每个子扫描层面进行MR帧间预测模式，生成层面集合中每个子扫描层面对应的第二层面图像，直至层面集合中每个子扫描层面成像完成，进入下一扫描层面或者下一扫描层面段。
本申请实施例中，当前扫描层面可以不包含扫描子层面，仅为单一的扫描层面，也可以包含有多个扫描子层面，由多个子层面组合生成。
针对当前扫描层面包含有子扫描层面的情况，需要对当前扫描层面中包含的所有扫描子层面按扫描先后的顺序逐个进行成像，针对当前子扫描层面，基于其前叙相邻扫描子层面的层面图像进行单向帧间预测，获取当前扫描子层面的第一层面图像，进一步地，通过MR帧间预测模式生成子扫描层面的第二层面图像。对所有的子扫描层面进行相同的操作，直至获取全部子扫描层面的第二层面图像，即可结束当前扫描层面的扫描成像。
若当前扫描层面是其对应的扫描层面段的最后一个扫描层面，则完成当前扫描层面的成像后即可进入下一个扫描层面段开始下一个扫描层面段中首个扫描层面的成像以及后续操作，若当前扫描层面在其对应的扫描层面段中处于非最后的位置，则完成当前扫描层面的成像后，直接进入下一个扫描层面，获取下一个扫描层面的第一层面图像。
本申请提出的磁共振成像MRI的扫描方法，当扫描层面段包含多个扫描层面，或者扫描层面包含有多个子扫描层面时，需要逐个按顺序进行层面图像的生成，使得最终输出的层面图像可以实现高质量的呈现。
上述实施例中，当前扫描层面的第二层面图像的获取，可结合图13进一步理解，图13为本申请另一实施例的磁共振成像MRI的扫描方法的流程示意图，如图13所示，该方法包括：
S1301，由特征提取层对输入的层面图像进行特征提取，输出特征图像，其中，输入的层面图像在进行MR帧间预测模式时为第一层面图像和相邻扫描层面的第二层面图像，在进行MR帧内成像时为第一层面图像。
一般情况下，第二层面图像是基于第一层面图像进行分辨率的处理获取到的，本申请实施例中，可以将第一层面图像输入至特征提取层，比如设定的第一深度卷积神经网络，进行特征提取并生成相应的特征图像。
其中，特征提取层针对不同类型的扫描层面的第一层面图像，设置有不同的特征提取处理流程，进而实现不同类型扫描层面的第一层面图像的图像特征提取。
比如，针对每个扫描层面段中属于第一类扫描层面的首个扫描层面，其第一层面图像可以基于K空间中存储的图像数据生成，并通过MR帧内成像模型实现图像分辨率的增强，进而生成第二层面图像。其中，MR帧内成像模型中，特征提取层可以是设定的第一深度卷积神经网络，进而实现对第一层面图像的单独处理。
再比如，若当前扫描层面属于非第一类扫描层面，则当前扫描层面的第一层面图像，可以通过基于前叙相邻扫描层面的第二层面图像进行单向帧间预测获取，也可以通过基于前向相邻扫描层面的第二层面图像以及反向相邻扫描层面的第二层面图像进行双向帧间预测获取，通过单向帧间预测和/或双向帧间预测获取到的当前扫描层面的第一层面图像，可以通过MR帧间预测模式模型实现图像分辨率的增强，进而生成第二层面图像。
其中，针对单向帧间预测获取到的扫描层面的第一层面图像，可以将前叙相邻扫描层面的第二层面图像以及当前扫描层面的第一层面图像同时输入MR帧间预测模式模型，MR帧间预测模式模型中的特征提取层可以对两个层面图像同时进行特征提取融合，进而生成第一层面图像对应的特征图像。
其中，针对双向帧间预测获取到的扫描层面的第一层面图像，可以将前向相邻扫描层面的第二层面图像、反向相邻扫描层面的第二层面图像以及当前扫描层面的第一层面图像同时输入MR帧间预测模式模型，MR帧间预测模式模型中的特征提取层可以对三个层面图像同时进行特征提取融合，进而生成第一层面图像对应的特征图像。
S1302，由数据处理层对特征图像生成预测K空间数据，并基于预测K空间数据，生成当前扫描层面的预测增强层面图像。
一般情况下，MR帧内成像模型以及MR帧间预测模式模型均设置有数据处理层，数据处理层的输入为特征提取层的输出，通过数据处理层，可以实现K空间数据的替换。
其中，数据处理层可以是DC计算架构，DC中可以通过对于特征图像的傅里叶变换获取相应的图像数据，并将转换到的图像数据与K空间存储的图像数据进行对比，将其中K空间存储的图像数据可以覆盖的部分进行替换，再通过反傅里叶变换将替换后的图像数据转换成增强后的层面图像。
可以理解为，将预测K空间数据中在采样频率上的预测数据替换为原始K空间数据，生成目标K空间数据。
一般情况下，K空间的图像数据基于采样获取，且基于采样频率K空间仅存储了部分的图像数据。同时，基于前叙相邻扫描层面的第二层面图像预测生成的当前扫描层面的第一层面图像，携带有预测获取到的当前扫描层面的全部图像数据。
因此，为了提高当前扫描层面的第一层面图像的准确性，可以将预测获取的图像数据中与K空间所存储的采样获取的图像数据进行替换，其中，所替换的数据是全部预测图像数据中与K空间存储的图像数据处于相同位置的图像数据，进而生成目标K空间数据。
如图14(a)所示，灰色的部分可以理解为进行扫描采样并存储于K空间内的当前扫描层面的第一层面图像的图像数据，由于扫描存在采样频率，因此所获取的仅为当前扫描层面的部分图像数据，白色的部分为没有扫描采样获取图像数据的空白部分。设定黑色的部分代表图像数据，通过预测获取到的当前扫描层面的第一层面图像的图像数据可以如图14(b)所示。进一步地，将14(b)中与14(a)处于相同位置的当前扫描层面的第一层面图像的图像数据进行替换，即可生成当前扫描层面的第一层面图像的目标K空间数据，如14(c)所示。
进一步地，基于目标K空间数据生成当前层面的预测增强层面图像。
本申请实施例中，在进行K空间数据替换后，所获取到的目标K空间数据的准确性更高，可以基于更高准确性的图像数据生成比输入的特征图像分辨率更高的层面图像，即为当前层面的预测增强层面图像。
S1303，将预测增强层面图像输入图像增强层中，输出残差信息，并基于残差信息和预测增强层面图像，生成当前扫描层面的第二层面图像。
获取到预测增强层面图像后，可以输入图像增强层中，其中，图像增强层可以是第二深度神经网络。第二深度神经网络对输入图像的残差进行处理，输出残差的增强信息，进一步地，将输出的残差的增强信息与输入第二深度神经网络的层面图像进行融合，进而生成当前扫描层面的第二层面图像。
需要说明的是，MR帧内成像由MR帧内成像模型完成，MR帧间预测模式由MR帧间预测模式模型完成，其中，MR帧间预测模式模型和MR帧内成像模型均包括多个图像处理单元，多个图像处理单元依次连接，其中，每个图像处理单元中包括特征提取层、数据处理层和图像增强层，其中，每个图像处理单元内的特征提取层、数据处理层与图像增强层顺次连接，图像增强层的输出为后一个图像处理单元中的特征提取层的输入。
其中，MR帧间预测模式模型和MR帧内成像模型中所包含的图像处理单元的数量，基于当前层面的第二层面图像的分辨率的要求，可以由人工设定，也可以基于MRI扫描设备的相关参数确定。
需要说明的是，关于对当前扫描层面的第一层面图像进行分辨率增强处理，以生成当前扫描层面的第二层面图像的方法，除了上述实施例中提及的方法，还包括其他可以实现对当前扫描层面的第一层面图像进行分辨率增强的图像处理方法，在此不做限定。
本申请提出的磁共振成像MRI的扫描方法，示出了第二层面图像的生成过程，使得低分辨率的第一层面图像可以通过相应的成像模型生成分辨率更高的第二层面图像，有效保证了MRI扫描的成像质量。
与上述几种实施例提出的磁共振成像MRI的扫描方法相对应，本申请的一个实施例还提出了一种磁共振成像MRI的扫描装置，由于本申请实施例提出的磁共振成像MRI的扫描装置与上述几种实施例提出的磁共振成像MRI的扫描方法相对应，因此上述磁共振成像MRI的扫描方法的实施方式也适用于本申请实施例提出的磁共振成像MRI的扫描装置，在下述实施例中不再详细描述。
图15为本申请一实施例的磁共振成像MRI的扫描装置的结构示意图，如图15所示，磁共振成像MRI的扫描装置100，包括生成模块11、判断模块12、获取模块13、成像模块14，其中：
生成模块11，用于在每个扫描层面段内，获取当前扫描层面的原始K空间数据，并基于原始K空间数据生成当前扫描层面的第一层面图像；
判断模块12，用于获取当前扫描层面是否为第一类扫描层面，其中，第一类扫描层面采用帧内成像模式进行成像；
获取模块13，用于响应于当前扫描层面不是第一类扫描层面，则确定当前扫描层面对应的相邻扫描层面，并获取相邻扫描层面的第二层面图像，其中，第二层面图像的分辨率大于第一层面图像的分辨率；
成像模块14，用于基于第一层面图像和相邻扫描层面的第二层面图像，采用MR帧间预测模式对当前扫描层面进行成像预测，生成当前扫描层面的第二层面图像。
图16为本申请一实施例的磁共振成像MRI的扫描装置的结构示意图，如图16所示，磁共振成像MRI的扫描装置200，包括生成模块21、判断模块22、获取模块23、成像模块24、相似度判定模块25、扫描模块26，其中：
需要说明的是，生成模块21、判断模块22、获取模块23、成像模块24与生成模块11、判断模块12、获取模块13、成像模块14，具有相同的结构和功能。
本申请实施例中，成像模块24，还用于：若当前扫描层面为第一类扫描层面，基于第一层面图像，对当前扫描层面进行MR帧内成像，生成当前扫描层面的第二层面图像。
本申请实施例中，磁共振成像MRI的扫描装置200，还包括：
相似度判定模块25，用于响应于当前扫描层面为第二类扫描层面，获取第一层面图像和相邻扫描层面的第一层面图像和/或第二层面图像之间的结构相似度，并确定结构相似度大于预设相似度阈值，其中，第二类扫描层面采用单向帧间预测模式进行成像。
本申请实施例中，相似度判定模块25，还用于：若结构相似度小于或者等于预设相似度阈值，把下一扫描层面修改为当前扫描层面，并返回执行获取当前扫描层面的K空间数据及后续步骤。
本申请实施例中，相似度判定模块25，还用于：若结构相似度小于或者等于预设相似度阈值，保存K空间数据和第一层面图像。
本申请实施例中，生成模块21，还用于：在下一扫描层面段扫描至当前扫描层面的扫描位置时，若当前扫描层面非下一扫描层面段的第一类扫描层面，则直接使用保存的第一层面图像作为当前扫描层面的第一层面图像；或者，若当前扫描层面为下一扫描层面段的第一类扫描层面，按照第一类扫描层面的采样率，对原始K空间数据进行补充采集，并基于补充采集后的K空间数据生成第一类扫描层面的第一层面图像。
本申请实施例中，获取模块23，还用于：获取当前扫描层面的预测模式，其中，预测模式包括单向帧间预测和双向帧间预测；基于预测模式，将当前扫描层面的预测时所依赖的扫描层面确定相邻扫描层面。
本申请实施例中，获取模块23，还用于：若预测模式为单向帧间预测模式，将当前层面图像预测时所依赖的前向预测扫描层面，作为相邻扫描层面；若预测模式为双向帧间预测模式，将当前层面图像预测时所依赖的前向预测扫描层面和反向预测扫描层面，确定作为相邻扫描层面。
本申请实施例中，磁共振成像MRI的扫描装置200，还包括：
扫描模块26，用于若当前扫描层面为包括多个子扫描层面的层面集合，从层面集合的首个子扫描层面开始，对层面集合中每个子扫描层面进行MR帧间预测模式，生成层面集合中每个子扫描层面对应的第二层面图像，直至层面集合中每个子扫描层面成像完成，进入下一扫描层面或者下一扫描层面段。
本申请实施例中，成像模块24，还用于：由特征提取层对输入的层面图像进行特征提取，输出特征图像，其中，输入的层面图像在进行MR帧间预测模式时为第一层面图像和相邻扫描层面的第二层面图像，在进行MR帧内成像时为第一层面图像；由数据处理层对特征图像生成预测K空间数据，并基于预测K空间数据，生成当前扫描层面的预测增强层面图像；将预测增强层面图像输入图像增强层中，输出残差信息，并基于残差信息和预测增强层面图像，生成当前扫描层面的第二层面图像。
本申请实施例中，成像模块24，还用于：将预测K空间数据中在采样频率上的预测数据替换为原始K空间数据，生成目标K空间数据；基于目标K空间数据生成当前层面的预测增强层面图像。
本申请实施例中，成像模块24，还用于：MR帧内成像由MR帧内成像模型完成，MR帧间预测模式由MR帧间预测模式模型完成，其中，MR帧间预测模式模型和MR帧内成像模型均包括多个图像处理单元，多个图像处理单元依次连接，其中，每个图像处理单元中包括特征提取层、数据处理层和图像增强层，其中，每个图像处理单元内的特征提取层、数据处理层与图像增强层顺次连接，图像增强层的输出为后一个图像处理单元中的特征提取层的输入。
本申请提出的磁共振成像MRI的扫描装置，获取每个扫描层面段内当前扫描层面的原始K空间数据，生成当前扫描层面对应的第一层面图像，进而判断当前扫描层面是否为第一类扫描层面。确定当前扫描层面不属于第一类扫描层面后，获取其相邻扫描层面对应的第二层面图像，并基于当前扫描层面的第一扫描层面图像与相邻扫描层面对应的第二层面图像，生成当前扫描层面对应的第二层面图像。本申请中，先行获取每个扫描层面对应的低分辨率的第一层面图像，再通过对第一层面图像的分辨率进行处理，获取到高分辨率的第二层面图像，有效缩短了成像时间，通过利用相邻层面图像之间的结构相关性，实现对于每个扫描层面对应的第一层面图像的预测生成，有效缩短了扫描时间，对每个扫描层面段中不同的扫描层面进行单独的扫描成像，保证了成像质量，达到了高速率、高质量的磁共振MRI扫描成像的目的。
为了实现上述实施例，为达到上述实施例，本申请还提出了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。
图17示出了可以用来实施本申请的实施例的示例电子设备1700的示意性框图。该电子设备1700包括存储器171、处理器172。其中，处理器172通过读取存储器171中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现上述磁共振成像MRI的扫描方法。
本申请实施例的电子设备，通过处理器172执行存储在存储器171上的计算机程序，获取每个扫描层面段内当前扫描层面的原始K空间数据，生成当前扫描层面对应的第一层面图像，进而判断当前扫描层面是否为第一类扫描层面。确定当前扫描层面不属于第一类扫描层面后，获取其相邻扫描层面对应的第二层面图像，并基于当前扫描层面的第一扫描层面图像与相邻扫描层面对应的第二层面图像，生成当前扫描层面对应的第二层面图像。本申请中，先行获取每个扫描层面对应的低分辨率的第一层面图像，再通过对第一层面图像的分辨率进行处理，获取到高分辨率的第二层面图像，有效缩短了成像时间，通过利用相邻层面图像之间的结构相关性，实现对于每个扫描层面对应的第一层面图像的预测生成，有效缩短了扫描时间，对每个扫描层面段中不同的扫描层面进行单独的扫描成像，保证了成像质量，达到了高速率、高质量的磁共振MRI扫描成像的目的。
本申请实施例还提出一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述磁共振成像MRI的扫描方法。
本申请实施例的计算机可读存储介质，通过存储计算机程序并被处理器执行，获取每个扫描层面段内当前扫描层面的原始K空间数据，生成当前扫描层面对应的第一层面图像，进而判断当前扫描层面是否为第一类扫描层面。确定当前扫描层面不属于第一类扫描层面后，获取其相邻扫描层面对应的第二层面图像，并基于当前扫描层面的第一扫描层面图像与相邻扫描层面对应的第二层面图像，生成当前扫描层面对应的第二层面图像。本申请中，先行获取每个扫描层面对应的低分辨率的第一层面图像，再通过对第一层面图像的分辨率进行处理，获取到高分辨率的第二层面图像，有效缩短了成像时间，通过利用相邻层面图像之间的结构相关性，实现对于每个扫描层面对应的第一层面图像的预测生成，有效缩短了扫描时间，对每个扫描层面段中不同的扫描层面进行单独的扫描成像，保证了成像质量，达到了高速率、高质量的磁共振MRI扫描成像的目的。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (16)

1.一种磁共振成像MRI的扫描方法，其特征在于，包括：
在每个扫描层面段内，获取当前扫描层面的原始K空间数据，并基于所述原始K空间数据生成所述当前扫描层面的第一层面图像；
获取所述当前扫描层面是否为第一类扫描层面，其中，所述第一类扫描层面采用帧内成像模式进行成像；
响应于所述当前扫描层面不是第一类扫描层面，则确定所述当前扫描层面对应的相邻扫描层面，并获取所述相邻扫描层面的第二层面图像，其中，所述第二层面图像的分辨率大于所述第一层面图像的分辨率；
基于所述第一层面图像和所述相邻扫描层面的第二层面图像，采用MR帧间预测模式对所述当前扫描层面进行成像预测，生成所述当前扫描层面的第二层面图像。
2.根据权利要求1所述的方法，其特征在于，还包括：
若所述当前扫描层面为所述第一类扫描层面，基于所述第一层面图像，对所述当前扫描层面进行MR帧内成像，生成所述当前扫描层面的第二层面图像。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一层面图像和所述相邻扫描层面的第二层面图像，采用MR帧间预测模式对所述当前扫描层面进行成像预测之前，还包括：
响应于所述当前扫描层面为第二类扫描层面，获取所述第一层面图像和所述相邻扫描层面的第一层面图像和/或第二层面图像之间的结构相似度，并确定所述结构相似度大于预设相似度阈值，其中，所述第二类扫描层面采用单向帧间预测模式进行成像。
4.根据权利要求3所述的方法，其特征在于，还包括：
若所述结构相似度小于或者等于所述预设相似度阈值，把下一扫描层面修改为所述当前扫描层面，并返回执行所述获取当前扫描层面的K空间数据及后续步骤。
5.根据权利要求3所述的方法，其特征在于，还包括：
若所述结构相似度小于或者等于所述预设相似度阈值，保存所述K空间数据和所述第一层面图像。
6.根据权利要求5所述的方法，其特征在于，所述保存所述K空间数据和所述第一层面图像之后，还包括：
在下一扫描层面段扫描至所述当前扫描层面的扫描位置时，若当前扫描层面非所述下一扫描层面段的第一类扫描层面，则直接使用所述保存的所述第一层面图像作为所述当前扫描层面的第一层面图像；或者，
若当前扫描层面为所述下一扫描层面段的所述第一类扫描层面，按照所述第一类扫描层面的采样率，对所述原始K空间数据进行补充采集，并基于补充采集后的K空间数据生成所述第一类扫描层面的第一层面图像。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述确定所述当前扫描层面对应的相邻扫描层面，还包括：
获取所述当前扫描层面的预测模式，其中，所述预测模式包括单向帧间预测和双向帧间预测；
基于所述预测模式，将所述当前扫描层面的预测时所依赖的扫描层面确定所述相邻扫描层面。
8.根据权利要求7所述的方法，其特征在于，所述基于所述预测模式，将所述当前扫描层面的预测时所依赖的扫描层面确定所述相邻扫描层面，包括：
若所述预测模式为单向帧间预测模式，将所述当前层面图像预测时所依赖的前向预测扫描层面，作为所述相邻扫描层面；
若所述预测模式为所述双向帧间预测模式，将所述当前层面图像预测时所依赖的前向预测扫描层面和反向预测扫描层面，确定作为所述相邻扫描层面。
9.根据权利要求1所述的方法，其特征在于，还包括：
若所述当前扫描层面为包括多个子扫描层面的层面集合，从所述层面集合的首个子扫描层面开始，对所述层面集合中每个子扫描层面进行MR帧间预测模式，生成所述层面集合中每个子扫描层面对应的第二层面图像，直至所述层面集合中每个子扫描层面成像完成，进入下一扫描层面或者下一扫描层面段。
10.根据权利要求1-6任一项所述的方法，其特征在于，生成所述当前扫描层面的第二层面图像的过程，包括：
由特征提取层对输入的层面图像进行特征提取，输出特征图像，其中，所述输入的层面图像在进行MR帧间预测模式时为所述第一层面图像和所述相邻扫描层面的第二层面图像，在进行MR帧内成像时为所述第一层面图像；
由数据处理层对所述特征图像生成预测K空间数据，并基于所述预测K空间数据，生成所述当前扫描层面的预测增强层面图像；
将所述预测增强层面图像输入图像增强层中，输出残差信息，并基于所述残差信息和所述预测增强层面图像，生成所述当前扫描层面的第二层面图像。
11.根据权利要求10所述的方法，其特征在于，所述基于所述预测K空间数据，生成所述当前扫描层面的预测增强层面图像，包括：
将所述预测K空间数据中在采样频率上的预测数据替换为所述原始K空间数据，生成目标K空间数据；
基于所述目标K空间数据生成所述当前层面的预测增强层面图像。
12.根据权利要求11所述的方法，其特征在于，MR帧内成像由MR帧内成像模型完成，MR帧间预测模式由MR帧间预测模式模型完成，其中，所述MR帧间预测模式模型和MR帧内成像模型均包括多个图像处理单元，所述多个图像处理单元依次连接，其中，每个图像处理单元中包括所述特征提取层、所述数据处理层和所述图像增强层，其中，每个图像处理单元内的所述特征提取层、所述数据处理层与所述图像增强层顺次连接，所述图像增强层的输出为后一个图像处理单元中的所述特征提取层的输入。
13.一种磁共振成像MRI的扫描装置，其特征在于，包括：
生成模块，用于在每个扫描层面段内，获取当前扫描层面的原始K空间数据，并基于所述原始K空间数据生成所述当前扫描层面的第一层面图像；
判断模块，用于获取所述当前扫描层面是否为第一类扫描层面，其中，所述第一类扫描层面采用帧内成像模式进行成像；
获取模块，用于响应于所述当前扫描层面不是第一类扫描层面，则确定所述当前扫描层面对应的相邻扫描层面，并获取所述相邻扫描层面的第二层面图像，其中，所述第二层面图像的分辨率大于所述第一层面图像的分辨率；
成像模块，用于基于所述第一层面图像和所述相邻扫描层面的第二层面图像，采用MR帧间预测模式对所述当前扫描层面进行预测成像，生成所述当前扫描层面的第二层面图像。
14.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
16.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
CN202110926206.7A 2021-08-12 2021-08-12 磁共振成像mri的扫描方法、装置和电子设备 Pending CN115932687A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110926206.7A CN115932687A (zh) 2021-08-12 2021-08-12 磁共振成像mri的扫描方法、装置和电子设备
PCT/CN2022/091295 WO2023015983A1 (zh) 2021-08-12 2022-05-06 磁共振成像mri的扫描方法、装置和电子设备
US18/413,257 US20240148268A1 (en) 2021-08-12 2024-01-16 Methods, Apparatuses And Electronic Devices For Magnetic Resonance Imaging Scanning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110926206.7A CN115932687A (zh) 2021-08-12 2021-08-12 磁共振成像mri的扫描方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN115932687A true CN115932687A (zh) 2023-04-07

Family

ID=85199799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110926206.7A Pending CN115932687A (zh) 2021-08-12 2021-08-12 磁共振成像mri的扫描方法、装置和电子设备

Country Status (3)

Country Link
US (1) US20240148268A1 (zh)
CN (1) CN115932687A (zh)
WO (1) WO2023015983A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE528733T1 (de) * 2007-12-20 2011-10-15 Wisconsin Alumni Res Found Verfahren für dynamische eingeschränkte bildrekonstruktion mit vorhergehendem bild
CN104181485B (zh) * 2013-07-04 2015-07-01 上海联影医疗科技有限公司 磁共振扫描和图像重建方法及装置
CN104434108B (zh) * 2014-12-09 2017-02-01 中国科学院武汉物理与数学研究所 一种基于相邻层信息和欠采样的多层磁共振快速成像方法
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
US20210174939A1 (en) * 2019-12-09 2021-06-10 Tencent America LLC Deep learning system for detecting acute intracranial hemorrhage in non-contrast head ct images
CN112526423B (zh) * 2020-12-10 2023-06-06 川北医学院 基于共轭和层间信息的并行磁共振成像算法

Also Published As

Publication number Publication date
WO2023015983A1 (zh) 2023-02-16
US20240148268A1 (en) 2024-05-09

Similar Documents

Publication Publication Date Title
CN103229069B (zh) 使用多点狄克逊技术的mr 成像
CN111656392B (zh) 用于合成磁共振图像的系统和方法
US7385397B2 (en) Magnetic resonance imaging device and data processing method for magnetic resonance imaging device
JP6462306B2 (ja) 医用画像処理装置及び磁気共鳴イメージング装置
CN111856368B (zh) 利用神经网络检测患者运动的mri系统和方法
Royuela‐del‐Val et al. Nonrigid groupwise registration for motion estimation and compensation in compressed sensing reconstruction of breath‐hold cardiac cine MRI
US20180068070A1 (en) Method and apparatus for determining a similarity parameter for an original protocol with a reference protocol for medical imaging
JP2014508622A (ja) 事前情報に制約される正則化を使用するｍｒ画像再構成
JP2016519994A (ja) 正則化された検出再構成を使用するマルチエコーディクソン水−脂肪分離及びｂ０歪補正による並列ｍｒｉ
JP6494986B2 (ja) 磁気共鳴イメージング装置及び画像処理装置
EP2411827A1 (en) Magnetic resonance partially parallel imaging (ppi) with motion corrected coil sensitivities
US10401463B2 (en) Breath-hold detection for magnetic resonance imaging
US8552727B2 (en) Magnetic resonance imaging apparatus
US20180204045A1 (en) Method and apparatus for classifying magnetic resonance measurement data acquired from an examination object using a magnetic resonance fingerprinting method
CN110074786B (zh) 核磁共振匀场方法、装置、计算设备及核磁共振成像系统
CN103282790A (zh) 快速双对比度mr成像
JP2004081657A (ja) 繊維状画像抽出方法、画像処理装置および磁気共鳴撮像システム
CN115932687A (zh) 磁共振成像mri的扫描方法、装置和电子设备
Pan et al. Reconstruction-driven motion estimation for motion-compensated MR CINE imaging
US10495716B2 (en) Method and magnetic resonance apparatus for distortion correction of acquired scan data of an examination object from an enlarged field of view and returning to a desired field of view thereafter
JP4664605B2 (ja) 磁気共鳴イメージング装置
EP4075157A1 (en) Method for correcting object specific inhomogeneities in an mr imaging system
JP2011036452A (ja) 磁気共鳴イメージング装置
US10481235B2 (en) Magnetic resonance imaging apparatus and image processing apparatus
US20230062908A1 (en) Method and system for magnetic resonance imaging

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240424

Address after: 243000 floor 7, building B2, huami Global Innovation Center, No. 900, Wangjiang West Road, high tech Zone, Hefei, China (Anhui) pilot Free Trade Zone, Hefei, Anhui

Applicant after: Anhui Huami Information Technology Co.,Ltd.

Country or region after: China

Address before: No. 01, Floor 5, Building B2, Zhong'an Chuanggu Science Park, No. 900, Wangjiang West Road, China (Anhui) Pilot Free Trade Zone, Hefei, Anhui Province, 243000

Applicant before: Anhui huami Health Technology Co.,Ltd.

Country or region before: China