CN116630462A - 磁共振图像的重建方法、装置、计算机设备和存储介质 - Google Patents

磁共振图像的重建方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116630462A
CN116630462A CN202310842207.2A CN202310842207A CN116630462A CN 116630462 A CN116630462 A CN 116630462A CN 202310842207 A CN202310842207 A CN 202310842207A CN 116630462 A CN116630462 A CN 116630462A
Authority
CN
China
Prior art keywords
image
undersampled
data
reconstruction
space 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
Application number
CN202310842207.2A
Other languages
English (en)
Inventor
王兴猎
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.)
Shenzhen United Imaging Research Institute of Innovative Medical Equipment
Original Assignee
Shenzhen United Imaging Research Institute of Innovative Medical Equipment
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 Shenzhen United Imaging Research Institute of Innovative Medical Equipment filed Critical Shenzhen United Imaging Research Institute of Innovative Medical Equipment
Priority to CN202310842207.2A priority Critical patent/CN116630462A/zh
Publication of CN116630462A publication Critical patent/CN116630462A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种磁共振图像的重建方法、装置、计算机设备和存储介质，其中，该方法包括：获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图；通过预先构建的图像重建模型，对当前欠采样K空间数据和线圈敏感度图进行图像重建，得到初步重建图像；基于注意力机制学习初步重建图像中每个像素点的注意力权重，结合当前欠采样K空间数据对初步重建图像进行数据一致性处理，得到目标重建图像。通过本申请，采用注意力机制学习初步重建图像中每个像素点的注意力权重，对初步重建图像进行数据一致性处理，解决了图像重建优化处理中采用硬数据一致性，导致重建图像效果差的问题。

Description

磁共振图像的重建方法、装置、计算机设备和存储介质
技术领域
本申请涉及核磁共振图像处理技术领域，特别是涉及一种磁共振图像的重建方法、装置、计算机设备和存储介质。
背景技术
磁共振成像(MRI)作为一种医学成像技术，可以绘制不同组织内部的精确立体图像，对全身各个系统疾病的诊断，尤其是早期肿瘤的诊断等具有重大价值。但是在临床应用中，MRI的采集时间很长，成像速度较慢，会影响检查效率，以及患者在检查过程中的体验，并且长时间的成像等待加大了患者身体移动的可能，容易导致磁共振成像出现伪影，影响图像重建效果。因此，在提升磁共振图像重建速度的同时，保证磁共振图像质量成为业界研究的一个主要问题。
目前基于多通道线圈在K空间中以规律欠采的磁共振图像并行重建技术是主要的加速方式之一，其中涉及到图像重建优化的处理，通常采用将欠采样的像素点直接对K空间进行覆盖填充的硬数据一致性处理，不能最大化还原原始信息，导致重建图像效果差的问题。
针对相关技术中存在图像重建优化处理中采用硬数据一致性，导致重建图像效果差的问题，目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种磁共振图像的重建方法、装置、计算机设备和存储介质，以解决相关技术中图像重建优化处理中采用硬数据一致性，导致重建图像效果差的问题。
第一个方面，在本实施例中提供了一种磁共振图像的重建方法，包括：
获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图；
通过预先构建的图像重建模型，对所述当前欠采样K空间数据和所述线圈敏感度图进行图像重建，得到初步重建图像；
基于注意力机制学习所述初步重建图像中每个像素点的注意力权重，结合所述当前欠采样K空间数据对所述初步重建图像进行数据一致性处理，得到目标重建图像。
在其中的一些实施例中，所述获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图，包括：
基于并行成像欠采样模式，对所述成像对象进行磁共振扫描，得到所述当前欠采样K空间数据；
基于预先构建的线圈敏感度估计模型，输入基于自动校准信号保留的所述当前欠采样K空间数据，得到各通道对应的所述线圈敏感度图。
在其中的一些实施例中，所述通过预先构建的图像重建模型，对所述当前欠采样K空间数据和所述线圈敏感度图进行图像重建，得到初步重建图像，包括：
根据所述当前欠采样K空间数据和所述线圈敏感度图，将多通道的对应数据整合得到单通道图像域数据；
通过学习训练集中各通道中欠采样K空间数据和全采样K空间数据之间的差值，建立所述图像重建模型；
基于所述图像重建模型确认每个通道的K空间差值，对所述单通道图像域数据重建得到所述初步重建图像。
在其中的一些实施例中，所述基于所述图像重建模型确认每个通道的K空间差值，对所述单通道图像域数据重建得到所述初步重建图像，包括：
在所述图像重建模型中，输入所述单通道图像域数据，得到中间预测结果；
基于所述线圈敏感度图，将所述中间预测结果转换为多通道预测结果，经过傅里叶变换得到每个通道的所述K空间差值；
根据所述当前欠采样K空间数据和所述K空间差值，得到所述初步重建图像。
在其中的一些实施例中，所述基于注意力机制学习所述初步重建图像中每个像素点的注意力权重，结合所述当前欠采样K空间数据对所述初步重建图像进行数据一致性处理，得到目标重建图像，包括：
根据所述初步重建图像和全采样K空间数据，通过变形器结构逐个学习所述像素点的注意力权重；
根据每个所述像素点的注意力权重，将所述初步重建图像中输出的每个像素点和对应的当前欠采样K空间数据进行结合，得到所述目标重建图像。
在其中的一些实施例中，上述方法还包括：
将构建的所述图像重建模型和基于注意力机制的数据一致性处理结合，至少进行一次端对端的迭代训练，获得所述目标重建图像。
在其中的一些实施例中，上述方法还包括：
根据所述目标重建图像和全采样K空间数据计算结构相似度损失；
根据所述结构相似度损失进行反向传播，更新线圈敏感度估计模型、图像重建模型以及注意力机制的网络参数。
第二个方面，在本实施例中提供了一种磁共振图像的重建装置，包括：欠采样模块、初步重建模块以及数据一致性模块；
所述欠采样模块，用于获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图；
所述初步重建模块，用于通过预先构建的图像重建模型，对所述当前欠采样K空间数据和所述线圈敏感度图进行图像重建，得到初步重建图像；
所述数据一致性模块，用于基于注意力机制学习所述初步重建图像中每个像素点的注意力权重，结合所述当前欠采样K空间数据对所述初步重建图像进行数据一致性处理，得到目标重建图像。
第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的磁共振图像的重建方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的磁共振图像的重建方法。
与相关技术相比，在本实施例中提供的一种磁共振图像的重建方法、装置、计算机设备和存储介质，通过获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图；通过预先构建的图像重建模型，对所述当前欠采样K空间数据和所述线圈敏感度图进行图像重建，得到初步重建图像；基于注意力机制学习每个像素点的注意力权重，结合所述当前欠采样K空间数据对所述初步重建图像进行数据一致性处理，得到目标重建图像，能够在通过图像重建得到初步重建图像后，基于注意力机制学习所述初步重建图像中每个像素点的注意力权重，对初步重建图像进行数据一致性处理，考虑了图像重建输出结果和真实采样结果分布间的差异，最大化还原原始信息，解决了图像重建优化处理中采用硬数据一致性处理容易产生轻微的条纹伪影，导致重建图像效果差的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是一个实施例中磁共振图像的重建方法的终端的硬件结构框图；
图2是一个实施例中磁共振图像的重建方法的流程图；
图3是一个实施例中采用的深度学习神经网络结构的示意图；
图4是一个实施例中训练注意力机制的过程示意图；
图5是一个实施例中实现端对端的迭代训练的示意图；
图6是一个优选实施例中磁共振图像的重建方法的流程图；
图7是一个实施例中磁共振图像的重建装置的结构框图。
图中：102、处理器；104、存储器；106、传输设备；108、输入输出设备；10、欠采样模块；20、初步重建模块；30、数据一致性模块。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“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。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的磁共振图像的重建方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的磁共振图像的重建方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
磁共振成像(MRI)作为一种医学成像技术，可以绘制不同组织内部的精确立体图像，对全身各个系统疾病的诊断，尤其是早期肿瘤的诊断等具有重大价值。但是在临床应用中，MRI的采集时间很长，成像速度较慢，会影响检查效率，以及患者在检查过程中的体验，并且长时间的成像等待加大了患者身体移动的可能，容易导致磁共振成像出现伪影，影响图像重建效果。因此，在提升磁共振图像重建速度的同时，保证磁共振图像质量成为业界研究的一个主要问题。
目前基于多通道线圈在K空间中以规律欠采的磁共振图像并行重建技术是主要的加速方式之一，其中涉及到图像重建优化的处理，通常采用将欠采样的像素点直接对K空间进行覆盖填充的硬数据一致性处理，不能最大化还原原始信息，容易出现异常条纹伪影，并且伪影去除不干净的情况，从而导致重建图像效果差的问题。
在本实施例中提供了一种磁共振图像的重建方法，图2是本实施例磁共振图像的重建方法的流程图，如图2所示，该方法包括以下步骤：
步骤S210，获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图。
具体的，并行成像技术是利用多通道线圈在K空间以规律欠采的方式实现扫描速度的提升，不同的线圈在不同的空间位置上具有不同的信号强度，该信号强度反映了线圈对不同空间位置组织信号的敏感程度，称为线圈敏感度图。在图像重建过程中需要依赖不同空间位置的线圈单元，对相同空间位置的不同线圈敏感度信息去除卷褶伪影。
以规律欠采的方式对成像对象进行磁共振扫描，得到当前欠采样K空间数据，当前欠采样K空间数据指根据欠采模板采样得到的K空间数据。线圈敏感度图可以由局部线圈单元采集获得的信息和所有线圈单元采集获得的信息间的比值等关系确定。另外，还可以采用自动校正方法，在原有欠采样的基础上采集K空间中心附近参考数据，在正式扫描时附加扫描ACS(Auto CalibrationSignal，自动校准信号)行，利用K空间中心数据进行线圈敏感度图估计。
示例性的，还可以训练深度学习网络，构建线圈敏感度估计模型，通过线圈敏感度估计模型得到线圈敏感度图，同时能够提高估计线圈敏感度图的准确性。
步骤S220，通过预先构建的图像重建模型，对当前欠采样K空间数据和线圈敏感度图进行图像重建，得到初步重建图像。
具体的，根据全采样K空间数据建立金标准，与欠采样K空间数据共同构建训练集；通过学习全采样K空间数据和欠采样K空间数据的关系，预先构建得到图像重建模型。其中，全采样K空间数据指在填满K空间所有数据点的采样方式下，得到的K空间数据。
在获取各线圈多通道的线圈敏感度图后，将多通道的线圈敏感度图整合为单通道图像域数据。将单通道图像域数据输入图像重建模型，输出中间预测结果，结合线圈敏感度图确定每个通道学习的K空间差值；根据各通道的K空间差值和当前欠采样K空间数据得到初步重建图像。
步骤S230，基于注意力机制学习初步重建图像中每个像素点的注意力权重，结合当前欠采样K空间数据对初步重建图像进行数据一致性处理，得到目标重建图像。
具体的，基于注意力机制进行数据一致性处理，即数据保真处理。其中，将初步重建图像经傅里叶变换转换到K空间，利用全采样K空间数据引导初始化，相当于加入了实际采样的k空间信息，通过训练注意力机制中变形器结构(Transformer)学习初步重建图像中每个像素点的注意力权重。
根据每个像素点的注意力权重，对每个像素点的当前欠采样K空间数据和初步重建图像中每个像素点的输出进行加权处理，得到经过数据一致性处理的目标重建图像。
上述步骤在对当前欠采样K空间数据和线圈敏感度图进行图像重建，得到初步重建图像后，采用注意力机制学习初步重建图像中每个像素点的注意力权重，结合当前欠采样K空间数据对初步重建图像进行数据一致性处理，相比现有技术中采用将欠采样的像素点直接对K空间进行覆盖填充的硬数据一致性处理，或者单一权重的数据一致性处理，本申请实施例考虑了图像重建输出结果和真实采样结果分布间的差异进行图像重建优化，能够最大化还原原始信息，同时有效缓解一些伪影问题，解决了图像重建优化处理中采用硬数据一致性，导致重建图像效果差的问题。
在其中的一些实施例中，上述步骤S210中获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图，可以通过以下步骤实现：
步骤S211，基于并行成像欠采样模式，对成像对象进行磁共振扫描，得到当前欠采样K空间数据。
具体的，基于并行成像欠采样模式，将K空间采集的相位编码线的行距以相同的间距增宽，以减少相位编码步级数，从而缩短序列扫描时间。例如，将每条K空间线的行距增大两倍或三倍，对应需要采集的相位编码步级数变为原来的一半或三分之一。通过在欠采样模式下对成像对象进行磁共振扫描，使用等间隔规律欠采的方式实现加速，得到当前欠采样K空间数据。
步骤S212，基于预先构建的线圈敏感度估计模型，输入基于自动校准信号保留的当前欠采样K空间数据，得到各通道对应的线圈敏感度图。
具体的，基于自动校准信号对获取的当前欠采样K空间数据进行线圈敏感度图估计，具体是计算ACS条数，并根据ACS条数保留K空间中心的ACS信号，经过反傅里叶变换后，将基于自动校准信号保留的当前欠采样K空间数据输入线圈敏感度估计模型，通过线圈敏感度估计模型输出各线圈通道的信号数据；将各线圈通道的信号数据分别除以所有线圈通道的RSS(和平方根)图，得到每个线圈通道对应的线圈敏感度图。以下给出RSS图的计算方式：
其中，i表示线圈通道，N表示线圈通道总数；xi表示当前欠采样K空间数据中，第i个线圈通道的K空间数据。
通过模拟欠采样模式得到欠采样数据集，再基于自动校准信号对欠采样数据集进行保留处理，将基于自动校准信号保留的欠采样数据集作为训练集，进行线圈敏感度图估计，采用深度学习神经网络训练得到线圈敏感度估计模型。
以下给出一种示例性的深度学习神经网络，图3是本实施例中采用的深度学习神经网络结构的示意图，如图3所示，本实施例中采用Res-UNet深度学习神经网络，网络中上采样和下采样都采用了残差卷积模块，在图3左侧的上采样进行输入，图3右侧的下采样进行输出，上下采样的层数均设置为3，通道数设置为64，正则化层中均采用实例正则化(IN)。在上下采样变化的桥卷积模块，采用具有两个卷积层的RepVGG模块，能够解耦训练过程和推理输出过程的网络结构，提升模型计算速度。
本实施例中通过并行成像技术扫描获取当前欠采样K空间数据，并通过线圈敏感度估计模型确定每个信号通道对应的线圈敏感度图，其中采用深度学习神经网络构建线圈敏感度估计模型，能够提供更好的敏感度图估计。
在其中的一些实施例中，上述步骤S220中通过预先构建的图像重建模型，对当前欠采样K空间数据和线圈敏感度图进行图像重建，得到初步重建图像，可以通过以下步骤实现：
步骤S221，根据当前欠采样K空间数据和线圈敏感度图，将多通道的对应数据整合得到单通道图像域数据。
具体的，上述多通道的对应数据包括每个线圈通道所对应的K空间数据和线圈敏感度图，根据线圈敏感度图对多线圈通道进行整合，可以更好利用线圈敏感度图和线圈位置相关的这一先验知识。经过多通道整合后，进一步进行反傅里；叶变换后得到单通道图像域数据。以下为一种示例性的多通道整合的计算方式：
其中，R表示多通道整合运算；i表示线圈通道，N表示线圈通道总数；xi表示当前欠采样K空间数据中，第i个线圈通道的K空间数据；Si表示第i个线圈通道的线圈敏感度图；表示的是矩阵的共轭运算，该运算根据Landweber迭代算法转化得到。
步骤S222，通过学习训练集中各通道中欠采样K空间数据和全采样K空间数据之间的差值，建立图像重建模型。
具体的，预先构建训练集，训练集中包含各通道中欠采样K空间数据、全采样K空间数据以及欠采样K空间数据和全采样K空间数据之间的差值。基于训练集，采用深度学习神经网络训练得到图像重建模型。其中，可以采用如图3所示的Res-UNet深度学习神经网络，利用其重参数方法，解耦训练过程和推理输出过程的网络结构，在保证图像重建质量情况下提升模型计算速度。
在其中的一些实施例中，上述训练集的构建包括：
采集成像对象的全采样K空间数据，通过欠采样模板模拟欠采样模式，得到欠采样K空间数据，以构建训练集。
以全采样模式对成像对象进行磁共振扫描，获取全采样K空间数据。通过欠采样模板(mask图像)模拟欠采样模式，其中，对全采样K空间数据进行傅里叶变换得到多通道图像域数据，并计算多通道图像域数据的和平方根(RSS)图；将全采样K空间数据乘以欠采样模板得到欠采样K空间数据。经过上述处理，将原始mat格式的全采样K空间数据和欠采样模板，转换格式为欠采样K空间数据和欠采样模块，以及将全采样K空间数据的RSS图作为金标准，构建训练集。
步骤S223，基于图像重建模型确认每个通道的K空间差值，对单通道图像域数据重建得到初步重建图像。
具体的，在图像重建模型中输入单通道图像域数据，结合每个通道的线圈敏感度图，确认每个通道的K空间差值；根据当前欠采样K空间数据和每个通道学习的K空间差值，得到经过图像重建的初步重建图像。
本实施例中通过学习欠采样K空间数据和全采样K空间数据之间的差值，构建图像重建模型；根据线圈敏感度图对多线圈通道进行整合，可以更好利用线圈敏感度图和线圈位置相关的这一先验知识，将整合得到的单通道图像域数据输入图像重建模型进行图像重建，得到初步重建图像。
在其中的一些实施例中，上述步骤S223中基于图像重建模型确认每个通道的K空间差值，对单通道图像域数据重建得到初步重建图像，可以通过以下步骤实现：
在图像重建模型中，输入单通道图像域数据，得到中间预测结果；基于线圈敏感度图，将中间预测结果转换为多通道预测结果，经过傅里叶变换得到每个通道的K空间差值；根据当前欠采样K空间数据和K空间差值，得到初步重建图像。
具体的，输入单通道图像域数据后，得到中间预测结果；再根据多通道的线圈敏感度图，将单通道对应的中间预测结果转换为多通道预测结果，经过傅里叶变换后得到每个通道学习的K空间差值。
根据当前欠采样K空间数据和K空间差值，得到每个通道估计的K空间数据；再经过反傅里叶变换处理，得到多通道的图像域数据，通过对多通道的图像域数据计算RSS，得到初步重建图像。
本实施例中将整合得到的单通道图像域数据输入图像重建模型，结合学习到的每个通道的K空间差值，能够对当前欠采样K空间数据和线圈敏感度图进行图像重建，得到初步重建图像。
在上述实施例中通过图像重建模型获得初步重建图像，再进一步通过以下实施例对初步重建图像进行数据一致性处理。
在其中的一些实施例中，步骤S230中基于注意力机制学习初步重建图像中每个像素点的注意力权重，结合当前欠采样K空间数据对初步重建图像进行数据一致性处理，得到目标重建图像，可以通过以下步骤实现：
根据初步重建图像和全采样K空间数据，通过训练注意力机制中变形器结构逐个学习像素点的注意力权重；根据每个像素点的注意力权重，将初步重建图像中输出的每个像素点和对应的当前欠采样K空间数据进行结合，得到目标重建图像。
具体的，基于注意力机制对初步重建图像进行数据一致性处理，其中，将初步重建图像经傅里叶变换转换到K空间，在变形器结构中输入全采样K空间数据和转换到K空间的初步重建图像，利用全采样K空间数据引导初始化，相当于引入了实际采样的K空间信息，学习初步重建图像中每个像素点的注意力权重；再根据注意力权重，进行相关注意力计算，将初步重建图像中输出的每个像素点和对应的当前欠采样K空间数据进行结合，输出目标重建图像。
图4是本实施例中训练注意力机制的过程示意图，如图4所示，将转换到K空间的初步重建图像序列化为查询(query)、键(Key)和值(Value)三个序列，图4中分别表示为Q、K和V，并使用多层感知机(MLP)对query进行位置编码，作为第一阶段的多头注意力模块的输入，随后进行加及正则化运算(Add&Norm)。在全采样K空间数据引导query初始化模块，使用第一阶段多头注意力模块的输出作为第二阶段多头注意力模块的query序列，以及将全采样K空间数据作为key-value序列，输入第二阶段的多头注意力模块中，随后进行加及正则化运算。再依次经过前馈层、加与正则化操作以及前馈网络处理后，输出训练完成的注意力机制，能够用于进行数据一致性处理。图4中由下至上的两个多头注意力模块分别是第一阶段和第二阶段的多头注意力模块。
本实施例中所采用的基于注意力机制的数据一致性处理得到目标重建图像的过程，可以表达为：初始化一个与初步重建图像大小相同中间图像，根据初步重建图像、当前欠采样K空间数据以及每个像素点的注意力权重，对中间图像的像素点填充得到目标重建图像的过程。其中，对于没有实际采样的像素点，以图像重建模块输出的初步重建图像中对应位置的像素点进行填充；对于有实际采样的像素点，提取初步重建图像和当前欠采样K空间数据中对应位置的像素点，并根据该像素点的注意力权重对初步重建图像和当前欠采样K空间数据加权处理后进行填充，最终得到目标重建图像。
示例性的，上述过程可以用以下公式表示：
kout＝(1-mask)*kcnn+Atrans(mask*kcnn+mask*k0)；
其中，kout表示经过一致性处理的输出(即目标重建图像)；mask表示磁共振并行成像欠采样模式，有实际采样的像素点mask为1，没有实际采样的像素点mask为0；kcnn表示图像重建模型的输出(即初步重建图像)；Atrans表示基于注意力机制的数据一致性处理；k0表示当前欠采样K空间数据(实际采样信号)。
在其中的一些实施例中，还可以将构建的图像重建模型和基于注意力机制的数据一致性处理结合，至少进行一次端对端的迭代训练，获得目标重建图像。
为了更好地提升图像重建模型和基于注意力机制的数据一致性处理的重建效果，图5是本实施例中实现端对端的迭代训练的示意图，如图5所示，将以上实施例中的图像重建模型和数据一致性处理结合，进行端对端迭代处理，再得到目标重建图像。流程中共享图像重建模型的参数，能够减少图像重建模型储存参数量和设计复杂度，还可以提升图像重建模型的鲁棒性。示例性的，可以将图像重建模型和数据一致性处理联合三次。
在其中的一些实施例中，根据目标重建图像和全采样K空间数据计算结构相似度损失；根据结构相似度损失进行反向传播，更新线圈敏感度估计模型、图像重建模型以及注意力机制的网络参数。
具体的，根据数据一致性处理输出的目标重建图像计算RSS图，与全采样K空间数据的RSS图计算结构相似度(SSIM)损失，进行反向传播更新线圈敏感度估计模型、图像重建模型和注意力机制的网络参数，从而能够不断提升各模型的表现性能。
下面通过优选实施例对本实施例进行描述和说明。
图6是本优选实施例的磁共振图像的重建方法的流程图，如图6所示，该方法包括以下步骤：
步骤S610，基于并行成像欠采样模式，对成像对象进行磁共振扫描，得到当前欠采样K空间数据。
步骤S620，基于预先构建的线圈敏感度估计模型，输入基于自动校准信号保留的当前欠采样K空间数据，得到各通道对应的线圈敏感度图。
步骤S630，根据当前欠采样K空间数据和线圈敏感度图，将多通道的对应数据整合得到单通道图像域数据。
步骤S640，通过学习训练集中各通道中欠采样K空间数据和全采样K空间数据之间的差值，建立图像重建模型。
步骤S650，将单通道图像域数据输入图像重建模型中，得到中间预测结果；基于线圈敏感度图，将中间预测结果转换为多通道预测结果，经过傅里叶变换得到每个通道的K空间差值；根据当前欠采样K空间数据和K空间差值，得到初步重建图像。
步骤S660，根据初步重建图像和全采样K空间数据，基于注意力机制逐个学习像素点的注意力权重；根据每个像素点的注意力权重，将初步重建图像中输出的每个像素点和对应的当前欠采样K空间数据进行结合，得到目标重建图像。
步骤S670，根据目标重建图像和全采样K空间数据计算结构相似度损失；根据结构相似度损失进行反向传播，更新线圈敏感度估计模型、图像重建模型以及注意力机制的网络参数。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种磁共振图像的重建装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是本实施例的磁共振图像的重建装置的结构框图，如图7所示，该装置包括：欠采样模块10、初步重建模块20以及数据一致性模块30。
欠采样模块10，用于获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图。
初步重建模块20，用于通过预先构建的图像重建模型，对当前欠采样K空间数据和线圈敏感度图进行图像重建，得到初步重建图像。
数据一致性模块30，用于基于注意力机制学习初步重建图像中每个像素点的注意力权重，结合当前欠采样K空间数据对初步重建图像进行数据一致性处理，得到目标重建图像。
通过本实施例中提供的装置，在对当前欠采样K空间数据和线圈敏感度图进行图像重建，得到初步重建图像后，采用注意力机制学习初步重建图像中每个像素点的注意力权重，结合当前欠采样K空间数据对初步重建图像进行数据一致性处理，相比现有技术中采用将欠采样的像素点直接对K空间进行覆盖填充的硬数据一致性处理，或者单一权重的数据一致性处理，本申请实施例考虑了图像重建输出结果和真实采样结果分布间的差异进行图像重建优化，能够最大化还原原始信息，同时有效缓解一些伪影问题，解决了图像重建优化处理中采用硬数据一致性，导致重建图像效果差的问题。
在其中的一些实施例中，上述欠采样模块10还用于基于并行成像欠采样模式，对成像对象进行磁共振扫描，得到当前欠采样K空间数据；基于预先构建的线圈敏感度估计模型，输入基于自动校准信号保留的当前欠采样K空间数据，得到各通道对应的线圈敏感度图。
在其中的一些实施例中，上述初步重建模块20还用于根据当前欠采样K空间数据和线圈敏感度图，对多通道整合得到单通道图像域数据；通过学习训练集中各通道中欠采样K空间数据和全采样K空间数据之间的差值，建立图像重建模型；基于图像重建模型确认每个通道的K空间差值，对单通道图像域数据重建得到初步重建图像。
在其中的一些实施例中，上述初步重建模块20中训练集的构建包括：采集成像对象的全采样K空间数据，通过欠采样模板模拟欠采样模式，得到欠采样K空间数据，以构建训练集。
在其中的一些实施例中，上述初步重建模块20还用于在图像重建模型中，输入单通道图像域数据，得到中间预测结果；基于线圈敏感度图，将中间预测结果转换为多通道预测结果，经过傅里叶变换得到每个通道的K空间差值；根据当前欠采样K空间数据和K空间差值，得到初步重建图像。
在其中的一些实施例中，上述数据一致性模块30还用于根据初步重建图像和全采样K空间数据，通过变形器结构逐个学习像素点的注意力权重；根据每个像素点的注意力权重，将初步重建图像中输出的每个像素点和对应的当前欠采样K空间数据进行结合，得到目标重建图像。
在其中的一些实施例中，上述装置还包括联合模块，用于将构建的图像重建模型和基于注意力机制的数据一致性处理结合，至少进行一次端对端的迭代训练，获得目标重建图像。
在其中的一些实施例中，上述装置还包括模型参数更新模块，用于根据目标重建图像和全采样K空间数据计算结构相似度损失；根据结构相似度损失进行反向传播，更新线圈敏感度估计模型、图像重建模型以及注意力机制的网络参数。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述计算机设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的磁共振图像的重建方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种磁共振图像的重建方法。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其他实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其他实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种磁共振图像的重建方法，其特征在于，包括：
获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图；
通过预先构建的图像重建模型，对所述当前欠采样K空间数据和所述线圈敏感度图进行图像重建，得到初步重建图像；
基于注意力机制学习所述初步重建图像中每个像素点的注意力权重，结合所述当前欠采样K空间数据对所述初步重建图像进行数据一致性处理，得到目标重建图像。
2.根据权利要求1所述的磁共振图像的重建方法，其特征在于，所述获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图，包括：
基于并行成像欠采样模式，对所述成像对象进行磁共振扫描，得到所述当前欠采样K空间数据；
基于预先构建的线圈敏感度估计模型，输入基于自动校准信号保留的所述当前欠采样K空间数据，得到各通道对应的所述线圈敏感度图。
3.根据权利要求1所述的磁共振图像的重建方法，其特征在于，所述通过预先构建的图像重建模型，对所述当前欠采样K空间数据和所述线圈敏感度图进行图像重建，得到初步重建图像，包括：
根据所述当前欠采样K空间数据和所述线圈敏感度图，将多通道的对应数据整合得到单通道图像域数据；
通过学习训练集中各通道中欠采样K空间数据和全采样K空间数据之间的差值，建立所述图像重建模型；
基于所述图像重建模型确认每个通道的K空间差值，对所述单通道图像域数据重建得到所述初步重建图像。
4.根据权利要求3所述的磁共振图像的重建方法，其特征在于，所述基于所述图像重建模型确认每个通道的K空间差值，对所述单通道图像域数据重建得到所述初步重建图像，包括：
在所述图像重建模型中，输入所述单通道图像域数据，得到中间预测结果；
基于所述线圈敏感度图，将所述中间预测结果转换为多通道预测结果，经过傅里叶变换得到每个通道的所述K空间差值；
根据所述当前欠采样K空间数据和所述K空间差值，得到所述初步重建图像。
5.根据权利要求1所述的磁共振图像的重建方法，其特征在于，所述基于注意力机制学习所述初步重建图像中每个像素点的注意力权重，结合所述当前欠采样K空间数据对所述初步重建图像进行数据一致性处理，得到目标重建图像，包括：
根据所述初步重建图像和全采样K空间数据，通过变形器结构逐个学习所述像素点的注意力权重；
根据每个所述像素点的注意力权重，将所述初步重建图像中输出的每个像素点和对应的当前欠采样K空间数据进行结合，得到所述目标重建图像。
6.根据权利要求1所述的磁共振图像的重建方法，其特征在于，还包括：
将构建的所述图像重建模型和基于注意力机制的数据一致性处理结合，至少进行一次端对端的迭代训练，获得所述目标重建图像。
7.根据权利要求1-6中任意一项所述的磁共振图像的重建方法，其特征在于，还包括：
根据所述目标重建图像和全采样K空间数据计算结构相似度损失；
根据所述结构相似度损失进行反向传播，更新线圈敏感度估计模型、图像重建模型以及注意力机制的网络参数。
8.一种磁共振图像的重建装置，其特征在于，包括：欠采样模块、初步重建模块以及数据一致性模块；
所述欠采样模块，用于获取成像对象的当前欠采样K空间数据和对应的线圈敏感度图；
所述初步重建模块，用于通过预先构建的图像重建模型，对所述当前欠采样K空间数据和所述线圈敏感度图进行图像重建，得到初步重建图像；
所述数据一致性模块，用于基于注意力机制学习所述初步重建图像中每个像素点的注意力权重，结合所述当前欠采样K空间数据对所述初步重建图像进行数据一致性处理，得到目标重建图像。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任意一项所述的磁共振图像的重建方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的磁共振图像的重建方法的步骤。
CN202310842207.2A 2023-07-10 2023-07-10 磁共振图像的重建方法、装置、计算机设备和存储介质 Pending CN116630462A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310842207.2A CN116630462A (zh) 2023-07-10 2023-07-10 磁共振图像的重建方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310842207.2A CN116630462A (zh) 2023-07-10 2023-07-10 磁共振图像的重建方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116630462A true CN116630462A (zh) 2023-08-22

Family

ID=87636809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310842207.2A Pending CN116630462A (zh) 2023-07-10 2023-07-10 磁共振图像的重建方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116630462A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557675A (zh) * 2024-01-12 2024-02-13 北京航空航天大学杭州创新研究院 一种深度学习mri图像加速重建方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557675A (zh) * 2024-01-12 2024-02-13 北京航空航天大学杭州创新研究院 一种深度学习mri图像加速重建方法及系统
CN117557675B (zh) * 2024-01-12 2024-04-30 北京航空航天大学杭州创新研究院 一种深度学习mri图像加速重建方法及系统

Similar Documents

Publication Publication Date Title
CN108535675B (zh) 一种基于深度学习和数据自洽的磁共振多通道重建方法
US20210295474A1 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
CN104781685B (zh) 用于使用非相干采样和冗余haar子波的动态磁共振成像的图像重建
US11346911B2 (en) Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation
CN110264538B (zh) 用于核磁共振图像重建的方法、系统和装置
CN111210484B (zh) 医学图像生成方法、模型训练方法、装置及介质
KR102584166B1 (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
CN116630462A (zh) 磁共振图像的重建方法、装置、计算机设备和存储介质
CN109741416A (zh) 核磁共振图像重建方法、装置、计算机设备及其存储介质
CN114331849A (zh) 一种跨模态核磁共振超分网络及图像超分辨率方法
US11941732B2 (en) Multi-slice MRI data processing using deep learning techniques
US20240290011A1 (en) Dual-domain self-supervised learning for accelerated non-cartesian magnetic resonance imaging reconstruction
US11967004B2 (en) Deep learning based image reconstruction
US20240036138A1 (en) Multichannel deep learning reconstruction of multiple repetitions
CN113866694B (zh) 一种快速三维磁共振t1定量成像方法、系统及介质
US11585876B2 (en) System and method for MRI coil sensitivity estimation and reconstruction
Yu et al. Universal Generative Modeling in Dual-domain for Dynamic MR Imaging
CN117333571B (zh) 磁共振图像的重建方法、系统、设备及介质
WO2023017963A1 (ko) 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
WO2022124473A1 (ko) K-space 도메인에 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR102572311B1 (ko) 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
CN116740217B (zh) 基于人工智能技术的动脉自旋标记方法、装置及存储介质
US20240354569A1 (en) Method, program and device for improving quality of medical data based on deep learning
KR102546620B1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
KR102352004B1 (ko) 자기 공명 파라미터 맵 재구성 장치 및 방법

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