CN116468813A - 磁共振图像重建装置及磁共振图像重建方法 - Google Patents
磁共振图像重建装置及磁共振图像重建方法 Download PDFInfo
- Publication number
- CN116468813A CN116468813A CN202210025762.1A CN202210025762A CN116468813A CN 116468813 A CN116468813 A CN 116468813A CN 202210025762 A CN202210025762 A CN 202210025762A CN 116468813 A CN116468813 A CN 116468813A
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- data
- magnetic resonance
- image
- scan 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 48
- 238000012937 correction Methods 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims description 74
- 230000035945 sensitivity Effects 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 description 35
- 238000010586 diagram Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 13
- 238000002595 magnetic resonance imaging Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004738 parenchymal cell Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
磁共振图像重建装置,基于欠采样的频域扫描数据对图像数据进行重建,所述磁共振图像重建装置具有:图像域修正部,在图像域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的图像域修正数据;频域修正部,在频域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的频域修正数据;优化部,根据所述图像域修正数据及所述频域修正数据对所述频域扫描数据进行优化;以及重建部,利用优化后的所述频域扫描数据重建所述图像数据。
Description
技术领域
本发明涉及磁共振图像重建装置及磁共振图像重建方法。
背景技术
磁共振成像装置是利用置于静磁场的氢原子核与特定频率的高频磁场共振的磁共振现象的非侵入式的医学图像成像装置。磁共振成像技术具有分辨率高、无创伤、无辐射的特点,能够检查人体的各种实质性器官,因此广泛应用于临床疾病的诊断。磁共振成像装置包含对被检体进行扫描的磁共振扫描装置及根据扫描数据对图像进行重建的磁共振图像重建装置。
传统的磁共振成像装置使用光栅扫描,依次取得频域的k空间中的频域信息,在k空间的频域信息收集完成后,通过对频域的数据进行逆傅里叶变换从而进行成像。由于传统的磁共振技术需要采集完整的频域信息,因此存在扫描时间长,容易使患者产生不适,且容易产生动作伪影(Motion Artefacts)的问题。
已知仅采集部分频域信息,通过欠采样的频域数据对图像进行重建,从而对磁共振成像装置的扫描时间进行加速的技术。作为该技术,可以举出基于并行成像(ParallelImaging)或压缩感知(Compressed Sensing)等算法的磁共振成像装置。对于这种技术,由于缺失了部分频域信息的数据,因此成像质量较低。近年来,随着机器学习技术的发展,提出了使用深度学习的磁共振成像装置,机器学习技术可以用于图像域或频域的数据的修正,也可以用于构成端到端的重建神经网络。通过使用机器学习技术,可以增加扫描加速幅度,提高成像质量。
专利文献1公开了一种基于深度学习的磁共振成像系统,其基于压缩感知算法对图像进行重建,使用神经网络对时域图像进行处理,从而提高成像质量。
现有技术文献
专利文献
专利文献1:
美国专利申请2017/0309019
发明内容
发明要解决的课题
现有的基于深度学习的磁共振成像装置存在训练难度大、训练时间长、成像质量低的问题。
用来解决课题的手段
本发明提供一种磁共振图像重建装置及磁共振图像重建方法。
磁共振图像重建装置,基于欠采样的频域扫描数据对图像数据进行重建,所述磁共振图像重建装置具有:图像域修正部,在图像域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的图像域修正数据;频域修正部,在频域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的频域修正数据;优化部,根据所述图像域修正数据及所述频域修正数据对所述频域扫描数据进行优化;以及重建部,利用优化后的所述频域扫描数据重建所述图像数据。
磁共振图像重建方法,基于欠采样的频域扫描数据对图像数据进行重建,所述磁共振图像重建方法包含:图像域修正步骤,在图像域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的图像域修正数据;频域修正步骤,在频域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的频域修正数据;优化步骤,根据所述图像域修正数据及所述频域修正数据对所述频域扫描数据进行优化;以及重建步骤,利用优化后的所述频域扫描数据重建所述图像数据。
发明效果
根据本发明的磁共振图像重建装置及磁共振图像重建方法,能够更加准确且可靠地对图像数据进行重建。此外,能够加速磁共振图像重建装置的训练过程。
附图说明
图1是表示第一实施方式中的磁共振图像重建装置的结构的一例的图。
图2是用于对第一实施方式中的K空间插值部的处理进行说明的数据流图。
图3是用于对第一实施方式中的灵敏度分布计算部的处理进行说明的数据流图。
图4是用于对第一实施方式中的图像域修正部的处理进行说明的数据流图。
图5是用于对第一实施方式中的一致性数据计算部的处理进行说明的数据流图。
图6是用于对第一实施方式中的频域修正部的处理进行说明的数据流图。
图7是用于对第一实施方式中的优化部的处理进行说明的数据流图。
图8是用于对第一实施方式中的重建部的处理进行说明的数据流图。
图9是表示第一实施方式的磁共振图像重建方法的流程的流程图。
图10是用于对第一实施方式的磁共振图像重建方法的步骤S105、步骤S106进行说明的数据流图。
图11是对通过第一实施方式的磁共振图像重建装置重建的图像数据与通过现有技术重建的图像数据进行比较的图。
图12是表示第二实施方式中的磁共振图像重建装置的结构的一例的图。
图13是表示第二实施方式的磁共振图像重建方法的流程的流程图。
具体实施方式
下面,参照附图对本发明的磁共振图像重建装置及磁共振图像重建方法进行说明。
(第一实施方式)
本实施方式的磁共振图像重建装置,对磁共振扫描装置扫描被检体而得到的k空间的频域扫描数据K0进行合计n次优化(n为大于或等于1的整数),基于经过n次优化后的频域扫描数据Kn对扫描的图像数据IMG进行成像。磁共振扫描装置向置于经过频率编码及相位编码的磁场中的被检体发射脉冲信号,并从多个接收线圈接收因特定的原子核磁共振而产生的回波信号,从而获取被检体的频域扫描数据K0。
在本实施方式中,频域扫描数据K0是宽度W×高度H×通道数量C(线圈数量)的三维张量,其中宽度方向是频率编码方向,高度方向是相位编码方向。一般来说,磁共振扫描为了降低扫描时间而进行省略了特定的频率编码的欠采样,因此在扫描中跳过频率编码方向(宽度方向)上的一部分坐标而进行扫描。因此在频域扫描数据K0中,宽度方向(频率编码方向)上的一部分坐标不存在数据,对该一部分坐标上的数据进行填零处理。由于在K空间中,中心位置附近的数据对重建出的图像数据IMG的对比度的影响大,因此在进行欠采样时,通常集中采样位于频率编码方向上中心位置附近的数据而跳过距离中心位置较远的一部分位置的数据。
在本实施方式中,使用掩模M表示在磁共振扫描中对频域扫描数据K0中的哪些频率编码进行了采样。掩模M是宽度W×高度H的矩阵,将进行了采样的频率编码、相位编码的坐标的值设为1,将未进行采样的频率编码、相位编码的坐标的值设为0。
图1是表示第一实施方式中的磁共振图像重建装置1的结构的一例的图。第一实施方式中的磁共振图像重建装置1具有输入输出接口101、显示接口102、通信接口103、存储部104、K空间插值部105、灵敏度分布计算部106、图像域修正部107、一致性数据计算部108、频域修正部109、优化部110及重建部111。输入输出接口101、显示接口102、通信接口103、存储部104、K空间插值部105、灵敏度分布计算部106、图像域修正部107、一致性数据计算部108、频域修正部109、优化部110及重建部111相互可通信地连接。
输入输出接口101连接磁共振图像重建装置1和未图示的输入装置,从输入装置受理用户的输入操作,将基于受理的输入操作的信号传递给磁共振图像重建装置1。输入输出接口101例如是USB等串行总线接口。输入装置包括鼠标和键盘、轨迹球、开关、按钮、控制杆、触摸屏、麦克风等。此外,输入输出接口101也可以与存储装置连接,与存储装置进行各种数据的读写。存储装置例如是HDD(Hard Disc Drive,硬盘)、SSD(Solid State Drive,固态驱动)等。
显示接口102连接磁共振图像重建装置1和未图示的显示装置,向显示装置发送数据,使显示装置显示图像。显示接口102例如是Digital Visual Interface(DVI,数字视频接口)或High-Definition Multimedia Interface(HDMI(注册商标),高清晰度多媒体接口)等影像输出接口。显示装置包括LCD(Liquid Crystal Display,液晶显示器)或有机EL(Electroluminescence,电致发光)显示器等。显示装置显示用于受理来自用户的输入操作的用户界面及磁共振图像重建装置1输出的图像数据IMG等,用户界面例如是GUI(Graphical User Interface,图形用户界面)等。
通信接口103连接磁共振图像重建装置1和未图示的服务器,能够在与服务器之间收发各种数据。通信接口103例如是无线网卡、有线网卡等网卡。
存储部104存储用于进行图像重建的频域扫描数据K0及与其对应的掩模M。此外,存储部104存储磁共振图像重建装置1进行图像重建时所使用的参数,例如神经网络的参数等。此外,存储部104存储用于对磁共振图像重建装置1所使用的各神经网络及其他可进行机器学习的参数进行训练的教师数据,每组教师数据包括频域扫描数据K0、掩模M及真实图像数据IMGGT。存储部104例如通过ROM、闪存、RAM(Random Access Memory,随机存取存储器)、HDD(Hard Disc Drive,硬盘)、SSD(Solid State Drive,固态驱动)、寄存器等存储装置来实现。闪存和HDD、SSD等是非易失性的存储介质。这些非易失性的存储介质可以通过NAS(Network Attached Storage,网络附加存储)或外部存储服务器装置等经由网络连接的其他存储装置来实现。其中,上述网络例如包括因特网、WAN(Wide Area Network,广域网)、LAN(Local Area Network,局域网)、运营商终端、无线通信网、无线基站、专用线路等。
K空间插值部105根据掩模M对频域扫描数据K0中的经过填零处理的部分进行插值处理,生成频域插值数据KSI。K空间插值部105具有第一神经网络1051和运算单元1052。第一神经网络1051例如是前馈神经网络(Feed Forward Neural Network)、卷积神经网络(Convolutional Neural Network)或Transformer等。优选第一神经网络1051是卷积神经网络。更优选第一神经网络1051是U-Net。在本实施方式中,设第一神经网络1051是包含输入层、输出层、卷积层、激励层、池化层、批标准化层、全连接层且输入层和输出层的尺寸相等的卷积神经网络。第一神经网络1051所使用的各参数存储于存储部104。运算单元1052将掩模M转换为逆掩膜IM,逆掩膜IM是与掩膜M的尺寸相同,将掩膜M中的1替换为0,将掩膜M中的0替换为1的矩阵。
图2是用于对第一实施方式中的K空间插值部105的处理进行说明的数据流图。下面参照图2对K空间插值部105的处理进行说明。首先,K空间插值部105从存储部104读取频域扫描数据K0,将该频域扫描数据K0输入至第一神经网络1051。第一神经网络1051通过已经过训练的神经网络对频域扫描数据K0进行处理,生成与频域扫描数据K0尺寸相同的神经网络数据NN1(K0)。可以认为,第一神经网络1051所进行的处理是根据频域扫描数据K0中未填零的部分的数据向频域扫描数据K0中填零的部分填充数据的处理。神经网络数据NN1(K0)与频域扫描数据K0相比,不仅在频域扫描数据K0中填零的部分填充了数据,未填零的部分的数据也产生了变化。然后,K空间插值部105从存储部104读取掩模M,通过运算单元1052计算逆掩膜IM。然后,K空间插值部105将神经网络数据NN1(K0)和逆掩膜IM的内积与频域扫描数据K0和掩膜M的内积相加而计算出频域插值数据KSI。频域插值数据KSI与频域扫描数据K0相比,仅在频域扫描数据K0中填零的部分与频域扫描数据K0不同,而在剩余的部分中保留频域扫描数据K0中的原始数据。可以认为,频域插值数据KSI是K空间插值部105基于欠采样的频域扫描数据K0推测出的正常采样的频域扫描数据。
灵敏度分布计算部106基于频域扫描数据K0估计磁共振扫描装置所使用的多个线圈的灵敏度,生成灵敏度分布图SM。灵敏度分布计算部106具有逆傅里叶变换单元1061、第二神经网络1062及运算单元1063。第二神经网络1062例如是前馈神经网络、卷积神经网络或Transformer等。优选第二神经网络1062是卷积神经网络。更优选第二神经网络1062是U-Net。在本实施方式中,设第二神经网络1062是包含输入层、输出层、卷积层、激励层、池化层、批标准化层、全连接层且输入层和输出层的尺寸相等的卷积神经网络。第二神经网络1062所使用的各参数存储于存储部104。运算单元1063将第二神经网络1062输出的神经网络数据NN2(X0)转换为灵敏度分布图SM。
图3是用于对第一实施方式中的灵敏度分布计算部106的处理进行说明的数据流图。下面参照图3对灵敏度分布计算部106的处理进行说明。首先,灵敏度分布计算部106从存储部104读取频域扫描数据K0,通过逆傅里叶变换单元1061对频域扫描数据K0进行逆傅里叶变换而生成图像域数据X0。然后,灵敏度分布计算部106将图像域数据X0输入至第二神经网络1062。第二神经网络1062通过已经过训练的神经网络对图像域数据X0进行处理,生成与图像域数据X0尺寸相同的神经网络数据NN2(X0)。可以认为,第二神经网络1062的处理是对图像域数据X0进行去伪影和去噪声的处理。之后,灵敏度分布计算部106使运算单元1063基于神经网络数据NN2(X0)计算灵敏度分布图SM。具体地说,对于神经网络数据NN2(X0)中包含的每一个体素v,确定宽度方向上的坐标w及高度方向上的坐标h与该体素v相同的线圈数量C个体素(包括体素v自身),求这些体素的体素值的和方根(Root Sum Square),然后计算该体素v的体素值除以该和方根的商,将该商值设为该体素v的像素值。灵敏度分布图SM是宽度W×高度H×线圈数量C(通道数)的三维张量,表示各线圈的灵敏度。灵敏度分布图SM的各个通道所对应的宽度W×高度H的矩阵分别表示各个线圈的灵敏度。
图像域修正部107对由优化部110进行了t次优化后的频域扫描数据K0即频域扫描数据Kt进行修正,生成图像域修正数据IRt,其中t是大于等于0小于等于n的整数。关于优化部110及其进行的优化处理后述。图像域修正部107具有逆傅里叶变换单元1071、线圈合并单元1072、第三神经网络1073、线圈分离单元1074及傅里叶变换单元1075。线圈合并单元1072将多通道的数据转换为单通道的数据。第三神经网络1073例如是前馈神经网络、卷积神经网络或Transformer等。优选第三神经网络1073是卷积神经网络。更优选第三神经网络1073是U-Net。在本实施方式中,设第三神经网络1073是包含输入层、输出层、卷积层、激励层、池化层、批标准化层、全连接层且输入层和输出层的尺寸相等的卷积神经网络。第三神经网络1073所使用的各参数存储于存储部104。线圈分离单元1074将单通道的数据转换为多通道的数据。
图4是用于对第一实施方式中的图像域修正部107的处理进行说明的数据流图。下面参照图4对图像域修正部107的处理进行说明。首先,图像域修正部107从存储部104读取频域扫描数据Kt,通过逆傅里叶变换单元1071对频域扫描数据Kt进行逆傅里叶变换而生成图像域数据Xt。然后,图像域修正部107使线圈合并单元1072根据灵敏度分布图SM对逆傅里叶变换单元1071生成的图像域数据Xt的多个线圈的数据进行整合,生成线圈合并数据Yt。线圈合并数据Yt是根据由灵敏度分布图SM表示的各线圈的灵敏度将图像域数据Xt所具有的线圈数量C个通道整合为单通道所得的数据,是宽度W×高度H的矩阵。然后,图像域修正部107将线圈合并数据Yt输入至第三神经网络1073。第三神经网络1073通过已经过训练的神经网络对线圈合并数据Yt进行处理,生成与线圈合并数据Yt的尺寸相同的神经网络数据NN3(Yt)。可以认为,第三神经网络NN3的处理是在图像域对线圈合并数据Yt进行去伪影和去噪声的处理。然后,图像域修正部107使线圈分离单元1074根据灵敏度分布图SM将神经网络数据NN3(Yt)的单通道分离为多个通道,生成线圈分离数据Zt。线圈分离数据Zt是根据各线圈的灵敏度将神经网络数据NN3(Yt)的一个通道分离为与各个线圈相对应的线圈数量C个通道所得的数据,是宽度W×高度H×线圈数量C的三维张量。然后,图像域修正部107通过傅里叶变换单元1075对线圈分离数据Zt进行傅里叶变换,生成图像域修正数据IRt。
一致性数据计算部108生成用于对频域扫描数据Kt与频域扫描数据K0的一致性进行约束的一致性数据DCt。
图5是用于对第一实施方式中的一致性数据计算部108的处理进行说明的数据流图。下面参照图5对一致性数据计算部108的处理进行说明。首先,一致性数据计算部108从存储部104读取频域扫描数据K0和频域扫描数据Kt,计算从频域扫描数据Kt减去频域扫描数据K0得到的差张量。然后,一致性数据计算部108计算掩膜M与上述差张量的内积。然后,一致性数据计算部108将该内积乘以学习参数ηt以生成一致性数据DCt。
频域修正部109对频域扫描数据Kt进行修正,生成频域修正数据KRt。频域修正部109具有第四神经网络1091。第四神经网络1091例如是前馈神经网络、卷积神经网络或Transformer等。优选第四神经网络1091是卷积神经网络。更优选第四神经网络1091是U-Net。在本实施方式中,设第四神经网络1091是包含输入层、输出层、卷积层、激励层、池化层、批标准化层、全连接层且输入层和输出层的尺寸相等的卷积神经网络。第四神经网络1091所使用的各参数存储于存储部104。
图6是用于对第一实施方式中的频域修正部109的处理进行说明的数据流图。下面参照图6对频域修正部109的处理进行说明。频域修正部109从存储部104读取频域扫描数据Kt,将频域扫描数据Kt输入至第四神经网络1091。第四神经网络1091通过已经过训练的神经网络对频域扫描数据Kt进行处理,生成与频域扫描数据Kt的尺寸相同的频域修正数据KRt。可以认为,第四神经网络1091的处理是在频域对频域扫描数据Kt进行去伪影和去噪声的处理。
优化部110基于频域插值数据KSI、图像域修正数据IRt、一致性数据DCt和频域修正数据KRt对频域扫描数据Kt进行优化,生成频域扫描数据Kt+1。
图7是用于对第一实施方式中的优化部110的处理进行说明的数据流图。下面参照图7对优化部110的处理进行说明。首先,优化部110计算从频域扫描数据Kt减去一致性数据DCt得到的差张量。然后,优化部110依次向该差张量加上图像域修正数据IRt、频域修正数据KRt和频域插值数据KSI,从而生成频域扫描数据Kt+1。
重建部111基于经过n次优化后的频域扫描数据Kn生成图像数据IMG。重建部111具有逆傅里叶变换单元1111、通道合并单元1112。
图8是用于对第一实施方式中的重建部111的处理进行说明的数据流图。下面参照图8对重建部111的处理进行说明。在判定为已经对频域扫描数据K0进行了n次优化后,重建部111从存储部104读取频域优化数据Kn,通过逆傅里叶变换单元1111对频域优化数据Kn进行逆傅里叶变换而生成图像域数据Xn。之后,重建部111使通道合并单元1112基于图像域数据Xn生成作为宽度W×高度H的矩阵的图像数据IMG。具体地说,通道合并单元1112针对图像数据IMG中包含的每一个像素p,确定图像域数据Xn中的宽度方向上的坐标w及高度方向上的坐标h与该像素p相同的线圈数量C个体素,然后将这些体素的体素值的和方根(Root SumSquare)设为像素p的像素值。
图9是表示第一实施方式的磁共振图像重建方法的流程的流程图。下面参照图9对第一实施方式的磁共振图像重建方法的流程进行说明。
本实施方式的磁共振图像重建方法进行合计n次迭代,在每一个迭代中对频域扫描数据K0进行一次优化,以使欠采样的频域扫描数据K0逐渐近似正常采样的频域扫描数据KNS。在本实施方式中,进行一次迭代是指按顺序执行一次步骤S105、步骤S106。在本实施方式的磁共振图像重建方法的执行中,不对各神经网络的参数及其他可进行机器学习的参数进行改变。迭代次数优选是6~12次。
在步骤S101中,用户根据显示于显示装置的用户界面,通过输入装置选择存储于存储部104或从外部输入的频域扫描数据K0及与该频域扫描数据K0对应的掩模M。然后,前进至步骤S102。
在步骤S102中,K空间插值部105根据掩模M对频域扫描数据K0中的经过填零处理的部分进行插值处理,生成频域插值数据KSI。然后,前进至步骤S103。频域插值数据KSI在之后的n次迭代中用于对频域扫描数据Kt进行优化。
在步骤S103中,灵敏度分布计算部106基于频域扫描数据K0估计磁共振扫描装置所使用的多个线圈的灵敏度,生成灵敏度分布图SM。然后,前进至步骤S104。灵敏度分布图SM在之后的n次迭代中用于计算频域修正数据KRt。
在步骤S104中,磁共振图像重建装置1将迭代次数IT设为0。然后,前进至步骤S105。
图10是用于对第一实施方式的磁共振图像重建方法的步骤S105、步骤S106进行说明的数据流图。下面参照图10对步骤S105、S106进行说明。
步骤S105包括步骤S1051、步骤S1052、步骤S1053,步骤S1051、步骤S1052、步骤S1053可以并行地进行,也可以按顺序进行。在本实施方式中对并行地进行步骤S1051、步骤S1052、步骤S1053的情况进行说明。在步骤S1051中,图像域修正部107基于灵敏度分布图SM对频域扫描数据Kt进行修正而生成图像域修正数据IRt,将图像域修正数据IRt向优化部110输出。在步骤S1052中,一致性数据计算部108基于频域扫描数据Kt及频域扫描数据K0生成用于对频域扫描数据Kt与频域扫描数据K0的一致性进行约束的一致性数据DCt,将一致性数据DCt向优化部110输出。在步骤S1053中,频域修正部109对频域扫描数据Kt进行修正而生成频域修正数据KRt,将频域修正数据KRt向优化部110输出。在步骤S1051、步骤S1052、步骤S1053的处理全部完成后,前进至步骤S106。
下面回到图9的说明。在步骤S106中,优化部110基于频域插值数据KSI、图像域修正数据IRt、一致性数据DCt和频域修正数据KRt对频域扫描数据Kt进行优化,生成频域扫描数据Kt+1。然后,前进至步骤S107。
在步骤S107中,磁共振图像重建装置1判定迭代次数IT是否等于n,在判定为“是”的情况下,前进至步骤S108,在判定为否的情况下前进至步骤S105。
在步骤S108中,重建部111基于n次优化后的频域扫描数据K0即频域优化数据Kn生成图像数据IMG并结束处理。
在步骤S109中,磁共振图像重建装置1使迭代次数IT增加1,进行下一次的迭代。
在以上的说明中,本实施方式的磁共振图像重建装置及磁共振图像重建方法使用了第一神经网络至第四神经网络以及参数ηt,这些神经网络以及参数如果不进行训练则不能够正常地进行工作。下面,对上述神经网络及参数的训练方法进行说明。
首先,从存储部104读取预先存储的多组教师数据。在每一组教师数据中,包括作为输入数据的通过磁共振扫描装置扫描得到的欠采样的频域扫描数据K0及与其对应的掩模M,以及作为输出数据的真实图像数据IMGGT。
然后,将多组教师数据划分为训练集(Training Set)和测试集(Test Set)。作为训练集和测试集的比例的例子,可以举出80%、20%,或90%、10%等。例如,假设教师数据的总数是10000组,则将数据#1~#10000的教师数据划分为,数据#1~#8000作为训练集,数据#8001~#10000作为测试集。在此情况下,将训练集中的各组教师数据中的输入数据输入至磁共振图像重建装置1,执行本实施方式的磁共振图像重建方法而计算出图像数据IMG,然后计算出图像数据IMG与真实图像数据IMGGT的差异值,根据该差异值进行反向传播,由此变更各神经网络的参数及其他可进行机器学习的参数,以使磁共振图像重建装置1输出的图像数据IMG与真实图像数据IMGGT的差异值变小。反复进行上述步骤直到对于训练集中的大多数数据,磁共振图像重建装置1输出的图像数据IMG与真实图像数据IMGGT的差异值小于预先设定的阈值为止。此时,判定各神经网络及参数的训练完成。
然后,向已学习完成的磁共振图像重建装置1输入测试数据(数据#8000~#10000)的输入数据,计算磁共振图像重建装置1输出的图像数据IMG与真实图像数据IMGGT的差异值作为评价数据。
下面,对本实施方式的磁共振图像重建装置及磁共振图像重建方法的效果进行说明。
现有技术的磁共振设备为了减少扫描的时间,对k空间的频域信息进行欠采样,生成欠采样的频域数据。基于欠采样的频域数据重建扫描图像是一个病态问题(ill-posedproblem),存在无穷多的解,无法唯一确定地重建出正确的扫描图像。本实施方式的磁共振图像重建装置及磁共振图像重建方法基于压缩感知(Compressive Sensing)算法对该问题进行求解。压缩感知算法通过加入约束条件(Constraint)从而唯一地确定出一个适当的解。
基于压缩感知的磁共振图像重建方法通过反复对欠采样的频域扫描数据K0进行优化从而计算出正常采样的频域扫描数据KNS。经过t+1次优化的频域扫描数据Kt+1与经过t次优化的频域扫描数据Kt的关系通过下式表示。
Kt+1=Kt-ηt·DCt+G(Kt)
其中ηt是可进行机器学习的学习参数,G(Kt)是关于Kt的函数。表示附加的约束条件。
在本实施方式中,将图像域修正数据IRt、频域修正数据KRt、频域插值数据KSI作为函数G(Kt),对图像重建施加了稀疏约束(sparsity constraint)。
图像域修正数据IRt是通过第三神经网络NN3在图像域对频域扫描数据Kt进行修正所得的修正数据,将频域扫描数据Kt与图像域修正数据IRt相加的处理可以认为是在图像域对频域扫描数据Kt进行去噪声和去伪影处理,使频域扫描数据Kt更加接近正常采样的频域扫描数据KNS。频域修正数据KRt是通过第四神经网络NN4在频域对频域扫描数据Kt进行修正所得的修正数据,将频域扫描数据Kt与频域修正数据KRt相加的处理可以认为是在频域对频域扫描数据Kt进行去噪声和去伪影处理,使频域扫描数据Kt更加接近正常采样的频域扫描数据KNS。频域插值数据KSI是第一神经网络1051基于欠采样的频域扫描数据K0生成的数据,可以认为是第一神经网络1051推测出的正常采样的频域扫描数据。通过向频域扫描数据Kt加入学习参数λt倍的频域插值数据KSI,从而使频域扫描数据Kt更加接近正常采样的频域扫描数据KNS。
在4X欠采样的情况下,本实施方式的磁共振图像重建装置1所生成的图像数据IMG与真实图像数据IMGGT的MSE=2.372e-11±2.292e-11,NMSE=0.003668±0.003615,PSNR=40.5±3.687,SSIM=0.9514±0.03687。在8X欠采样的情况下,本实施方式的磁共振图像重建装置1所生成的图像数据IMG与真实图像数据IMGGT的MSE=9.638e-11±1.146e-10,NMSE=0.01261±0.00547,PSNR=34.77±4.609,SSIM=0.9064±0.06189。
图11是对通过本实施方式的磁共振图像重建装置1重建的图像数据IMG与通过现有技术重建的图像数据进行比较的图。
图11的(a)表示在4X欠采样的情况下的通过本实施方式的磁共振图像重建装置1重建的图像数据,图11的(b)表示4X欠采样的情况下的通过现有技术重建的图像数据,图11的(c)表示8X欠采样的情况下的通过本实施方式的磁共振图像重建装置1重建的图像数据,图11的(d)表示8X欠采样的情况下的通过现有技术重建的图像数据,图11的(e)表示真实图像数据。
根据图11可知,在4X欠采样的情况下,通过本实施方式的磁共振图像重建装置1重建的图像数据几乎完整地还原了真实图像数据,此外还对图像进行去噪声、去伪影的处理。与此相对,通过现有技术重建的图像数据并未完整地还原出图像中的细小结构,例如血管。此外该图像中存在明显的噪声和伪影。在8X欠采样的情况下,通过本实施方式的磁共振图像重建装置1重建的图像数据损失了部分图像的细节,但仍然大致完整地还原了真实图像数据,此外还对图像进行去噪声、去伪影的处理。与此相对,通过现有技术重建的图像数据损失了大量的细节信息并且产生了严重的噪声及伪影。
根据本实施方式,由于在K空间插值部105、灵敏度分布计算部106、图像域修正部107、频域修正部109中使用了神经网络,因此能够提高对图像数据IMG的重建精度,并且能够减少直到对图像数据IMG进行重建为止的迭代次数。
根据本实施方式,由于通过图像域修正数据IRt及频域修正数据KRt对频域扫描数据Kt进行修正,因此能够更加准确且可靠地对图像数据IMG进行重建。此外,由于图像域修正数据IRt及频域修正数据KRt是并行地计算的,因此能够提高重建的速度,提高对图像数据IMG的重建精度。
根据本实施方式,由于通过频域插值数据KSI对频域扫描数据Kt进行优化,因此能够更加准确且可靠地对图像数据IMG进行重建,并且能够加速训练的过程。
根据本实施方式,由于通过灵敏度分布图SM计算图像域修正数据IRt,因此能够进一步提高对图像数据IMG的重建精度。
(第二实施方式)
下面,对第二实施方式的磁共振图像重建装置及磁共振图像重建方法进行说明,在第二实施方式中,以与第一实施方式的不同之处为中心进行说明,对与第一实施方式的共同之处省略说明。在第二实施方式的说明中,对与第一实施方式相同的部分标注相同的标号进行说明。
图12是表示第二实施方式中的磁共振图像重建装置2的结构的一例的图。
第二实施方式的磁共振图像重建装置2与第一实施方式相比,不具有K空间插值部105,并且具有优化部110B以替代优化部110。其他的结构与第一实施方式相同。
优化部110B基于图像域修正数据IRt、一致性数据DCt和频域修正数据KRt对频域扫描数据Kt进行优化,生成频域扫描数据Kt+1。
图13是表示第二实施方式的磁共振图像重建方法的流程的流程图。第二实施方式的磁共振图像重建方法与第一实施方式相比,不具有步骤S102,其他的步骤与第一实施方式相同。
根据本实施方式,由于通过图像域修正数据IRt及频域修正数据KRt对频域扫描数据Kt进行修正,因此能够更加准确且可靠地对图像数据IMG进行重建。
(变形例)
在以上的实施方式中,灵敏度分布计算部106基于神经网络对线圈灵敏度分布图SM进行了计算。但也可以是,灵敏度分布计算部106基于ESPiRiT算法计算线圈灵敏度分布图SM。此外,也可以对单线圈的磁共振扫描装置扫描出的频域扫描数据(单通道)进行重建。
此外,也可以对频域扫描数据K0进行超分辨率处理,从而提升图像数据IMG的精度及分辨率。
以上示例了本发明的几个实施方式,但这些实施方式是作为例子提示的,并非意图限定发明的范围。这些新的实施方式能够以其他各种各样的形态实施,在不脱离发明的主旨的范围内能够进行各种各样的省略、替换、变更等。这些实施方式及其变形被包含在发明的范围或主旨中,并且被包含在权利要求书所记载的发明和其等效的范围中。另外,前述的各实施方式能够相互组合来实施。
Claims (8)
1.一种磁共振图像重建装置,基于欠采样的频域扫描数据对图像数据进行重建,
所述磁共振图像重建装置具有:
图像域修正部,在图像域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的图像域修正数据;
频域修正部,在频域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的频域修正数据;
优化部,根据所述图像域修正数据及所述频域修正数据对所述频域扫描数据进行优化;以及
重建部,利用优化后的所述频域扫描数据重建所述图像数据。
2.如权利要求1所述的磁共振图像重建装置,其中,
所述磁共振图像重建装置对所述频域扫描数据进行预先确定的次数的优化,
所述优化部根据针对经过t次优化的所述频域扫描数据的所述图像域修正数据及针对经过t次优化的所述频域扫描数据的所述频域修正数据对经过t次优化的所述频域扫描数据进行优化,其中t为大于或等于0且小于所述预先确定的次数的整数。
3.如权利要求2所述的磁共振图像重建装置,其中,
所述磁共振图像重建装置还具有k空间差值部,所述k空间差值部对未经过优化的所述频域扫描数据进行差值运算而生成频域差值数据,
所述优化部根据所述频域差值数据、针对经过t次优化的所述频域扫描数据的所述图像域修正数据及针对经过t次优化的所述频域扫描数据的所述频域修正数据对经过t次优化的所述频域扫描数据进行优化,其中t为大于或等于0且小于所述预先确定的次数的整数。
4.如权利要求3所述的磁共振图像重建装置,其中,
所述磁共振图像重建装置还具有灵敏度分布计算部,所述灵敏度分布计算部分别计算生成所述频域扫描数据的磁共振扫描系统的各接收线圈的灵敏度分布图,
所述图像域修正部基于所述灵敏度分布图对所述频域扫描数据进行修正。
5.如权利要求4所述的磁共振图像重建装置,其中,
所述灵敏度分布计算部、所述图像域修正部、所述频域修正部及所述k空间差值部具有神经网络。
6.如权利要求5所述的磁共振图像重建装置,其中,
所述神经网络是卷积神经网络。
7.如权利要求1所述的磁共振图像重建装置,其中,
所述磁共振图像重建装置还具有一致性数据计算部,所述一致性数据计算部生成用于对未优化的所述频域扫描数据及优化后的所述频域扫描数据的一致性进行约束的一致性数据,
所述优化部根据所述图像域修正数据、所述频域修正数据及所述一致性数据进行所述频域扫描数据的优化。
8.一种磁共振图像重建方法,基于欠采样的频域扫描数据对图像数据进行重建,
所述磁共振图像重建方法包含:
图像域修正步骤,在图像域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的图像域修正数据;
频域修正步骤,在频域中对所述频域扫描数据进行修正,生成针对所述频域扫描数据的频域修正数据;
优化步骤,根据所述图像域修正数据及所述频域修正数据对所述频域扫描数据进行优化;以及
重建步骤,利用优化后的所述频域扫描数据重建所述图像数据。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025762.1A CN116468813A (zh) | 2022-01-11 | 2022-01-11 | 磁共振图像重建装置及磁共振图像重建方法 |
JP2023001205A JP2023102276A (ja) | 2022-01-11 | 2023-01-06 | 磁気共鳴イメージング装置、画像再構成装置及び画像再構成方法 |
US18/152,373 US20230221388A1 (en) | 2022-01-11 | 2023-01-10 | Magnetic resonance imaging apparatus, image reconstruction apparatus, and image reconstruction method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025762.1A CN116468813A (zh) | 2022-01-11 | 2022-01-11 | 磁共振图像重建装置及磁共振图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468813A true CN116468813A (zh) | 2023-07-21 |
Family
ID=87174006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210025762.1A Pending CN116468813A (zh) | 2022-01-11 | 2022-01-11 | 磁共振图像重建装置及磁共振图像重建方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2023102276A (zh) |
CN (1) | CN116468813A (zh) |
-
2022
- 2022-01-11 CN CN202210025762.1A patent/CN116468813A/zh active Pending
-
2023
- 2023-01-06 JP JP2023001205A patent/JP2023102276A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2023102276A (ja) | 2023-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11422217B2 (en) | Progressive generative adversarial network in medical image reconstruction | |
US10692250B2 (en) | Generalized multi-channel MRI reconstruction using deep neural networks | |
US20190257905A1 (en) | Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering | |
US11341616B2 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
KR102210457B1 (ko) | 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체 | |
CN108776318B (zh) | 磁共振多对比度图像重建 | |
US11346911B2 (en) | Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation | |
US20140286560A1 (en) | Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images | |
US11696700B2 (en) | System and method for correcting for patient motion during MR scanning | |
CN107205686B (zh) | 去除在磁共振成像的重影伪影的方法及为此的磁共振装置 | |
JP2020146449A (ja) | 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置 | |
US11748921B2 (en) | Learnable extrapolation for deep learning-based medical image reconstruction | |
CN112368745A (zh) | 用于磁共振成像的图像重建的方法和系统 | |
US20230380714A1 (en) | Method and system for low-field mri denoising with a deep complex-valued convolutional neural network | |
EP4177625A1 (en) | Magnetic resonance imaging apparatus, image processing apparatus, and image processing method | |
US20240036138A1 (en) | Multichannel deep learning reconstruction of multiple repetitions | |
US20230274418A1 (en) | Self-supervised machine learning for medical image reconstruction | |
CN116468813A (zh) | 磁共振图像重建装置及磁共振图像重建方法 | |
CN112669400B (zh) | 基于深度学习预测和残差架构的动态mr重建方法 | |
JP2021099794A (ja) | ディープニューラルネットワークおよび測定データの再帰的間引きを使用して医用画像を再構築するためのシステムおよび方法 | |
CN118071849A (zh) | 磁共振图像重建装置及磁共振图像重建方法 | |
WO2018037868A1 (ja) | 磁気共鳴イメージング装置および画像再構成方法 | |
US20230221388A1 (en) | Magnetic resonance imaging apparatus, image reconstruction apparatus, and image reconstruction method | |
WO2022186263A1 (ja) | 画像処理装置、画像処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 | |
KR102514804B1 (ko) | 비지도 학습 기반 자기 공명 영상 처리 방법 및 그 장치 |
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 |