WO2020118615A1 - 一种磁共振成像及斑块识别方法和装置 - Google Patents

一种磁共振成像及斑块识别方法和装置 Download PDF

Info

Publication number
WO2020118615A1
WO2020118615A1 PCT/CN2018/120878 CN2018120878W WO2020118615A1 WO 2020118615 A1 WO2020118615 A1 WO 2020118615A1 CN 2018120878 W CN2018120878 W CN 2018120878W WO 2020118615 A1 WO2020118615 A1 WO 2020118615A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
deep learning
magnetic resonance
plaque
sampled
Prior art date
Application number
PCT/CN2018/120878
Other languages
English (en)
French (fr)
Inventor
王珊珊
肖韬辉
郑海荣
刘新
梁栋
Original Assignee
深圳先进技术研究院
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 深圳先进技术研究院 filed Critical 深圳先进技术研究院
Priority to US16/979,535 priority Critical patent/US11756191B2/en
Priority to PCT/CN2018/120878 priority patent/WO2020118615A1/zh
Publication of WO2020118615A1 publication Critical patent/WO2020118615A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/36—Level of detail
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Definitions

  • the plaque in the high-resolution vascular wall imaging image is identified.
  • the neural network corresponding to the pre-established deep learning reconstruction model is a densely-connected network, and the neural network corresponding to the pre-established deep learning reconstruction model sequentially includes:
  • the deep learning reconstruction model is established as follows:
  • the sample is an undersampled blood vessel wall image
  • the label is a fully sampled blood vessel wall image corresponding to the undersampled blood vessel wall image
  • the magnetic resonance under-sampled K-space data is head-neck combined magnetic resonance vascular wall under-sampled K-space data.
  • First convolution layer first dense connection block, first conversion layer, second dense connection block, second conversion layer, third dense connection block, third conversion layer, fourth dense connection block, fourth conversion layer,
  • the above device further includes:
  • the sample is an undersampled blood vessel wall image
  • the label is a fully sampled blood vessel wall image corresponding to the undersampled blood vessel wall image
  • the neural network corresponding to the pre-established deep learning patch recognition model in turn includes:
  • the plaque in the high-resolution vascular wall imaging image is identified.
  • FIG. 1 is a method flowchart of an embodiment of a magnetic resonance imaging and plaque recognition method described in this application.
  • this application provides method operation steps or device structures as shown in the following embodiments or drawings, more or fewer operation steps or module units may be included in the method or device based on conventional or without creative labor .
  • the execution order of these steps or the module structure of the device is not limited to the execution order or module structure shown in the embodiment of the present application and shown in the drawings.
  • the method or the module structure shown in the embodiments or the drawings can be connected to perform sequential execution or parallel execution (for example, parallel processor or multi-threaded processing). Environment, even distributed processing environment).
  • Step 101 Obtain magnetic resonance under-sampled K-space data
  • the neural network corresponding to the plaque recognition model may in turn include: multiple convolutional layers, pooling layers, and first residual blocks , Multiple convolutional layers, second residual blocks, multiple convolutional layers, third residual blocks, multiple convolutional layers, pooling layers, multiple convolutional layers, pooling layers, multiple fully connected layers .
  • the sample is an undersampled blood vessel wall image
  • the label is a fully sampled blood vessel wall image corresponding to the undersampled blood vessel wall image
  • a residual block is introduced into the deep neural network.
  • the structure of the neural network can include a total of 12 convolutional layers, 3 residual blocks, 3 pooling layers, and 3 full connections as shown in Figure 4.
  • Floor In Figure 4, ⁇ 2 or ⁇ 3 on the side of the convolution layer means that there are 2 or 3 convolutional layers in succession, and the value in parentheses (64/128, 3 ⁇ 3) means that there are 2 consecutive convolutional layers.
  • the number of feature maps set is 64 and 128, and the size of the convolution kernel is 3 ⁇ 3.
  • the maximum pooling is used for the pooling operation. For three fully connected layers, the number of neurons in each layer can be set to: 4096 , 4096, 1000, and finally through softmax can get the output of the detection result.
  • the image domain image can be analyzed by human vision, but it is still an undersampled image with low resolution.
  • the effect of patch recognition based on this image is not very good.
  • the deep neural network in the data analysis module is used for high-resolution reconstruction of the undersampled image, that is, a high-resolution image is obtained, and patch identification can be further performed based on the obtained high-resolution image.
  • Step 2 Transform the magnetic resonance under-sampled K-space data into the image domain to obtain a preprocessed image
  • Step 4 Identify the plaque in the high-resolution vascular wall imaging image through the pre-established deep learning plaque recognition model.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种磁共振成像及斑块识别方法和装置，其中，该方法包括：获取磁共振欠采样K空间数据（101）；将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像（102）；通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像（103）；通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块（104）。通过上述方案解决了现有的无法简单高效确定斑块情况的技术问题，达到了简单高效实现将欠采样的图像转换为高分辨率的图像，并能从高分辨率的图像中准确识别出斑块情况的技术效果。

Description

一种磁共振成像及斑块识别方法和装置 技术领域
本申请属于图像处理技术领域，尤其涉及一种磁共振成像及斑块识别方法和装置。
背景技术
磁共振成像是一种较为先进的现代医学影像技术，在科学研究与临床诊断上具有及其重要的意义。然而，磁共振成像速度慢严重阻碍了磁共振成像技术的发展。磁共振血管壁成像是一种能够检测头颈一体化动脉血管壁和斑块的无创性影像手段，其成像速度和质量会影响对头颈部斑块的识别效果。
目前所提出的磁共振成像技术一般仅是从调整成像的物理方法角度实现头颈一体化血管壁成像，这些方法很难达到高空间分辨率和低扫描时间，这样也就使得对头颈一体化血管壁成像中的斑块识别变得更为困难。
针对如何通过磁共振成像技术进行高效的头颈部斑块成像和识别，目前尚未提出有效的解决方案。
发明内容
本申请目的在于提供一种磁共振成像及斑块识别方法和装置，可以实现将欠采样的图像转换为高分辨率的图像，并能从高分辨率的图像中准确识别出斑块的位置。
本申请提供一种磁共振成像及斑块识别方法和装置是这样实现的：
一种磁共振成像及斑块识别方法，所述方法包括：
获取磁共振欠采样K空间数据；
将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
在一个实施方式中，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像，包括：
通过傅里叶逆变换，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像。
在一个实施方式中，所述预先建立的深度学习重建模型对应的神经网络为密集连接网络，所述预先建立的深度学习重建模型对应的神经网络依次包括：
第一卷积层、第一密集连接块、第一转换层、第二密集连接块，第二转换层、第三密集连接块、第三转换层、第四密集连接块、第四转换层、第五密集连接块、第五转换层和第二卷积层，其中，每个密集连接块中包括多个密集连接层，在每个密集连接块内每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。
在一个实施方式中，按照如下方式建立所述深度学习重建模型：
获取预先设计的深度学习重建模型；
根据预先获取的样本和标签，对所述预先设计的深度学习重建模型进行训练；
将训练得到的模型作为所述预先建立的深度学习重建模型；
其中，所述样本为欠采样的血管壁图像，标签为与欠采样的血管壁图像对应的全采样的血管壁图像。
在一个实施方式中，所述预先建立的深度学习斑块识别模型对应的神经网络依次包括：
多个卷积层、池化层、第一残差块、多个卷积层、第二残差块、多个卷积层、第三残差块、多个卷积层、池化层、多个卷积层、池化层、多个全连接层。
在一个实施方式中，按照如下方式建立所述深度学习斑块识别模型：获取预先设计的深度学习斑块识别模型；根据预先获取的样本和标签，对所述预先设计的深度学习斑块识别模型进行训练；将训练得到的模型作为所述预先建立的深度学习斑块识别模型；其中，所述样本为全采样的血管壁图像，所述标签为斑块的坐标信息。
在一个实施方式中，所述磁共振欠采样K空间数据为头颈联合的磁共振血管壁欠采样K空间数据。
一种磁共振成像及斑块识别装置，包括：
获取模块，用于获取磁共振欠采样K空间数据；
变换模块，用于将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
重建模块，用于通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
识别模块，用于通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
在一个实施方式中，所述变换模块具体用于通过傅里叶逆变换，将所述磁共振欠采 样K空间数据变换至图像域，得到预处理图像。
在一个实施方式中，所述预先建立的深度学习重建模型对应的神经网络为密集连接网络，所述预先建立的深度学习重建模型对应的神经网络依次包括：
第一卷积层、第一密集连接块、第一转换层、第二密集连接块，第二转换层、第三密集连接块、第三转换层、第四密集连接块、第四转换层、第五密集连接块、第五转换层和第二卷积层，其中，每个密集连接块中包括多个密集连接层，在每个密集连接块内每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。
在一个实施方式中，上述装置还包括：
第一建立模块，用于按照如下方式建立所述深度学习重建模型：
获取预先设计的深度学习重建模型；
根据预先获取的样本和标签，对所述预先设计的深度学习重建模型进行训练；
将训练得到的模型作为所述预先建立的深度学习重建模型；
其中，所述样本为欠采样的血管壁图像，标签为与欠采样的血管壁图像对应的全采样的血管壁图像。
在一个实施方式中，所述预先建立的深度学习斑块识别模型对应的神经网络依次包括：
多个卷积层、池化层、第一残差块、多个卷积层、第二残差块、多个卷积层、第三残差块、多个卷积层、池化层、多个卷积层、池化层、多个全连接层。
在一个实施方式中，上述装置还包括：第二建立模块，用于按照如下方式建立所述深度学习斑块识别模型：获取预先设计的深度学习斑块识别模型；根据预先获取的样本和标签，对所述预先设计的深度学习斑块识别模型进行训练；将训练得到的模型作为所述预先建立的深度学习斑块识别模型；其中，所述样本为全采样的血管壁图像，所述标签为斑块的坐标信息。
在一个实施方式中，所述磁共振欠采样K空间数据为头颈联合的磁共振血管壁欠采样K空间数据。
一种终端设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现如下步骤：
获取磁共振欠采样K空间数据；
将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的 血管壁成像图像；
通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现如下步骤：
获取磁共振欠采样K空间数据；
将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
本申请提供的一种磁共振成像及斑块识别方法和装置，通过将磁共振欠采样K空间数据变换至图像域，得到预处理图像；然后，基于深度学习重建模型，对预处理图像进行重建，得到高分辨率的血管壁成像图像，再通过深度学习斑块识别模型，识别出高分辨率的血管壁成像图像中的斑块。即，仅需要获取磁共振欠采样的K空间数据，就可以最终确定出其中的斑块情况，通过上述方案解决了现有的无法简单高效确定斑块情况的技术问题，达到了简单高效实现将欠采样的图像转换为高分辨率的图像，并能从高分辨率的图像中准确识别出斑块情况的技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的磁共振成像及斑块识别方法一种实施例的方法流程图；
图2是本申请提供的头颈磁共振血管壁成像与检测一体化数据流向图；
图3是本申请提供的血管壁图像深度卷积重建网络示意图；
图4是本申请提供的头颈斑块深度卷积检测网络示意图；
图5是本申请提供的成像与识别一体化设备示意图；
图6是本申请提供的终端设备的架构示意图；
图7是本申请提供的磁共振成像及斑块识别装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
针对现有的头颈部斑块高清成像和准确识别所存在的问题，在本例中考虑到如何可以结合深度神经网络对欠采样图像进行高分辨率重建，然后基于高分辨率图像再通过深度神经网络进行斑块的识别，那么可以有效缩短扫描时间，提高斑块识别的准确率。
图1是本申请所述一种磁共振成像及斑块识别方法一个实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至分布式处理环境)。
具体的如图1所示，本申请一种实施例提供的一种磁共振成像及斑块识别方法可以包括：
步骤101：获取磁共振欠采样K空间数据；
其中，K空间是寻常空间在傅利叶转换下的对偶空间，主要应用在磁振造影的成像分析，其他如磁振造影中的射频波形设计，以及量子计算中的初始态准备也会到K空间的概念，其中，K与出现在波动数学中的波数相应，可说都是“频率空间频率”的概念。
通过磁共振扫描可以得到欠采样的K空间数据，K空间数据不是人眼可以分辨的真实图像，因此，在实际使用的时候，需要将K空间数据转换至图像域，即，人直观可以识别的真实图像。
在进行磁共振扫描的时候，为了缩短扫描时间可以采用欠采样的方式进行扫描，具体扫描时候的欠采比可以根据实际需求选择，本申请对此不作限定。
步骤102：将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
在实际由样K空间数据变换至图像域可以是通过傅里叶逆变换，将磁共振欠采样K空间数据变换至图像域，得到预处理图像。因为K空间是寻常空间在傅利叶转换下的对偶空间，通过傅里叶逆变换就可以将数据变换至寻常空间，即，得到人们可以看明白的图像。
步骤103：通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
上述步骤102到步骤103中，将K空间数据变换至图像域，得到了预处理图像，但是因为最初的K空间数据是欠采样的，因此上述预处理图像也是欠采样，即，分辨率不高的图像。基于这种分辨率不高的图像进行斑块的识别，一般较难得到理想的识别效果。
为此，可以对变换至图像域的预处理图像进行重建，以得到高分辨率的血管壁成像图像。具体的，可以通过预先建立的深度学习重建模型对上述预处理图像进行重建。该预先建立的深度学习重建模型对应的神经网络可以是密集连接网络，预先建立的深度学习重建模型对应的神经网络可以依次包括：第一卷积层、第一密集连接块、第一转换层、第二密集连接块，第二转换层、第三密集连接块、第三转换层、第四密集连接块、第四转换层、第五密集连接块、第五转换层和第二卷积层，其中，每个密集连接块中包括多个密集连接层，在每个密集连接块内每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。
即，该预先建立的深度学习重建模型对应的神经网络可以包括：2个卷积层、5个密集连接块和5个转换层。因此采用了密集连接块，可以加强特征的传播，支持特征的复用，减少参数的数量，可以使得该预先建立的深度学习重建模型具备更好的重建能力。
步骤104：通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
通过步骤103中的图像重建操作，可以得到高分辨率的血管壁成像图像，对该图像进行斑块识别，可以识别得到较为准确的斑块信息。例如：斑块的具体位置、大小、形状等等。
在进行斑块识别的时候，可以通过预先建立的深度学习斑块识别模型进行识别，该斑块识别模型对应的神经网络可以依次包括：多个卷积层、池化层、第一残差块、多个卷积层、第二残差块、多个卷积层、第三残差块、多个卷积层、池化层、多个卷积层、池化层、多个全连接层。
例如，该斑块识别模型对应的神经网络可以包括：12个卷积层、3个残差块、3个池化层和3个全连接层组成。
然而，值得注意的是，本例所列举的神经网络中的层级结构仅是一种示例性描述，具体的每种层的数量可以根据实际需要选择，本申请对此不作限定。
在上例中，通过将磁共振欠采样K空间数据变换至图像域，得到预处理图像；然后，基于深度学习重建模型，对预处理图像进行重建，得到高分辨率的血管壁成像图像，再通过深度学习斑块识别模型，识别出高分辨率的血管壁成像图像中的斑块。即，仅需要获取磁共振欠采样的K空间数据，就可以最终确定出其中的斑块情况，通过上述方案解决了现有的无法简单高效确定斑块情况的技术问题，达到了简单高效实现将欠采样的图像转换为高分辨率的图像，并能从高分辨率的图像中准确识别出斑块情况的技术效果。
上述的深度学习重建模型可以是按照如下方式建立的：
S1：获取预先设计的深度学习重建模型；
S2：根据预先获取的样本和标签，对所述预先设计的深度学习重建模型进行训练；
S3：将训练得到的模型作为所述预先建立的深度学习重建模型；
其中，所述样本为欠采样的血管壁图像，标签为与欠采样的血管壁图像对应的全采样的血管壁图像。
上述的磁共振欠采样K空间数据可以但不限于是头颈联合的磁共振血管壁欠采样K空间数据。
下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。
在本例中采用深度学习算法对磁共振血管壁图像进行快速高分辨率的重建，并对头颈部斑块进行自动检测和分类，即，提出了一种人工智能血管壁成像与斑块自动检测一体化的方法。具体的，可以包括：数据的采集、样本制作、深度卷积重建网络和检测网络的构建、网络训练及测试、实时成像与斑块检测。
如图2所示，对所获取的磁共振欠采样k空间数据进行傅里叶(FFT)逆变换求得其图像域，然后，再利用已训练好的深度学习重建模型进行在线重建，得到重建的磁共振血管壁图像。然后，对重建的磁共振血管壁图像字节进行在线自动检测，通过深度学习检测模型能够自动识别出头颈部存在的血管壁斑块。
进一步的，本例所使用的数据可以是回顾性的磁共振扫描仪上所采集的头颈血管壁磁共振图像，有斑块的数据可以是由专业人员进行标注后的，在实际实现的时候，将收 集到的数据统一预处理之后，制作成深度学习网络的输入和输出样本，以便对重建和检测的深度神经网络模型进行训练。
在图像重建的时候，可以采用密集连接网络(DenseNet)，所使用的重建网络可以如图3所示，该网络可以包含：2个卷积层、5个密集连接块(dense block)及5个转换层(transition layers)。其中，密集连接块将每一层的特征都输入给之后的所有层，从而使得所有层的特征都可以串联起来，具有加强特征传播、支持特征复用、减少参数数量的优点。本例中的密集连接块中均为5层的密集连接，每个密集连接块之后使用转换层相连。其中，转换层由Batch Normalization(批量归一化)、Convolution(卷积层)和Average Pooling(平均池化层)构成。其中，该重建网络的输入为欠采样的血管壁图像，输出标签对应全采样的血管壁图像。
在本例中，在深度神经网络中引入了残差块，神经网络的结构可以如图4所示共包含12个卷积层、3个残差块、3个池化层和3个全连接层。在图4中，卷积层边上的×2或×3的表示含连续2个或3个卷积层，括号(64/128，3×3)中的数值表示连续2个卷积层中设置的特征图数分别为64与128、卷积核大小为3×3，池化操作采用最大池化，对于三个全连接层而言，每层的神经元个数可以分别设置为：4096、4096、1000，最终经过softmax可以得到检测结果的输出。在引入残差块之后，使得深度神经网络可以更好地提取目标点、边缘等基础特征，并有利于提高对斑块的检测性能。其中，该头颈斑块的检测网络的输入为全采样的血管壁图像，输出标签为对应标记斑块的坐标信息。
在本例中提供了一种人工智能成像与诊断一体化的应用设备，如图5所示可以包括：数据采集模块、标准重建模块、外置工作站模块、数据分析模块：
1)数据采集模块，用于直接对人体头颈部进行高倍欠采样扫描，得到磁共振血管壁K空间数据；
2)标准重建模块，用于对原始K空间数据进行重建，将其重建为人眼视觉能分析的图像域图像；
具体的，可以通过傅里叶逆变换对上述K空间数据进行处理，从而得到人眼视觉能分析的图像域图像。
3)外置工作站模块，用于辅助标准重建模块，以缩短重建时间，其中，标准重建模块或外置工作站模块的输出会输入到数据分析模块；
该外置工作站模块可以理解为上述标准重建模块的辅助模块，例如，如果标准重建模块的处理负荷比较，那么可以分一部分处理任务到外置工作站模块中，通过外置工作 站模块辅助进行处理。在具体处理的过程中，外置工作站模块可以采用与标准重建模块并行的方式运行，从而缩短重建的时间。
4)数据分析模块，用于对标准重建模块或外置工作站模块重建的图像域图像进行快速高分辨重建，并利用已经植入该模块的深度学习检测网络对重建的高分辨图像进行自动识别，从而检测出头颈斑块。
对于标准重建模块而言，得到的仅是人眼视觉能分析的图像域图像，但仍旧是分辨率不高的欠采样图像，基于这种图像进行斑块识别效果不是很好，因此，可以再通过数据分析模块中的深度神经网络对欠采样图像进行高分辨率重建，即，得到高分辨率的图像，基于得到的高分辨率图像可以进一步进行斑块识别。
在上例中，提出了用于快速高分辨成像的深度卷积重建网络与用于头颈部斑块自动识别诊断的深度卷积检测网络。基于深度学习的人工智能成像和识别方法，该方法可以应用于磁共振血管壁的成像与斑块检测。
本申请上述实施例所提供的方法实施例可以在终端设备、计算机终端或者类似的运算装置中执行。以运行在终端设备上为例，图6是本发明实施例的一种磁共振成像及斑块识别方法的计算机终端的硬件结构框图。如图6所示，终端设备10可以包括一个或多个(图中仅示出一个)处理器102(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)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解，图6所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，终端设备10还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的磁共振成像及斑块识别方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的磁共振成像及斑块识别方法。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计算机终端10。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。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络 适配器(Network Interface Controller，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，传输模块106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在软件层面，上述磁共振成像及斑块识别装置可以如图7所示，包括：
获取模块701，用于获取磁共振欠采样K空间数据；
变换模块702，用于将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
重建模块703，用于通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
识别模块704，用于通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
在一个实施方式中，变换模块702具体可以用于通过傅里叶逆变换，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像。
在一个实施方式中，预先建立的深度学习重建模型对应的神经网络为密集连接网络，预先建立的深度学习重建模型对应的神经网络可以依次包括：第一卷积层、第一密集连接块、第一转换层、第二密集连接块，第二转换层、第三密集连接块、第三转换层、第四密集连接块、第四转换层、第五密集连接块、第五转换层和第二卷积层，其中，每个密集连接块中包括多个密集连接层，在每个密集连接块内每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。
在一个实施方式中，上述磁共振成像及斑块识别装置还可以包括：第一建立模块，用于按照如下方式建立所述深度学习重建模型：获取预先设计的深度学习重建模型；根据预先获取的样本和标签，对所述预先设计的深度学习重建模型进行训练；将训练得到的模型作为所述预先建立的深度学习重建模型；其中，所述样本为欠采样的血管壁图像，标签为与欠采样的血管壁图像对应的全采样的血管壁图像。
在一个实施方式中，上述预先建立的深度学习斑块识别模型对应的神经网络可以依次包括：多个卷积层、池化层、第一残差块、多个卷积层、第二残差块、多个卷积层、第三残差块、多个卷积层、池化层、多个卷积层、池化层、多个全连接层。
在一个实施方式中，上述磁共振成像及斑块识别装置还可以包括：第二建立模块，用于按照如下方式建立所述深度学习斑块识别模型：获取预先设计的深度学习斑块识别模型；根据预先获取的样本和标签，对所述预先设计的深度学习斑块识别模型进行训练； 将训练得到的模型作为所述预先建立的深度学习斑块识别模型；其中，所述样本为全采样的血管壁图像，所述标签为斑块的坐标信息。
在一个实施方式中，上述磁共振欠采样K空间数据可以是头颈联合的磁共振血管壁欠采样K空间数据。
本申请的实施例还提供能够实现上述实施例中的磁共振成像及斑块识别方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；
其中，所述处理器、存储器、通信接口通过所述总线4完成相互间的通信；所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的基于深度先验学习的头颈联合成像方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤1：获取磁共振欠采样K空间数据；
步骤2：将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
步骤3：通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
步骤4：通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
从上述描述可知，通过将磁共振欠采样K空间数据变换至图像域，得到预处理图像；然后，基于深度学习重建模型，对预处理图像进行重建，得到高分辨率的血管壁成像图像，再通过深度学习斑块识别模型，识别出高分辨率的血管壁成像图像中的斑块。即，仅需要获取磁共振欠采样的K空间数据，就可以最终确定出其中的斑块情况，通过上述方案解决了现有的无法简单高效确定斑块情况的技术问题，达到了简单高效实现将欠采样的图像转换为高分辨率的图像，并能从高分辨率的图像中准确识别出斑块情况的技术效果。
本申请的实施例还提供能够实现上述实施例中的磁共振成像及斑块识别方法中全部步骤的一种计算机可读存储介质，所述计算机可读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基于磁共振成像及斑块识别方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤1：获取磁共振欠采样K空间数据；
步骤2：将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
步骤3：通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
步骤4：通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
从上述描述可知，通过将磁共振欠采样K空间数据变换至图像域，得到预处理图像；然后，基于深度学习重建模型，对预处理图像进行重建，得到高分辨率的血管壁成像图像，再通过深度学习斑块识别模型，识别出高分辨率的血管壁成像图像中的斑块。即，仅需要获取磁共振欠采样的K空间数据，就可以最终确定出其中的斑块情况，通过上述方案解决了现有的无法简单高效确定斑块情况的技术问题，达到了简单高效实现将欠采样的图像转换为高分辨率的图像，并能从高分辨率的图像中准确识别出斑块情况的技术效果。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例 如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备 的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。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说明书实施例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。
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (16)

  1. 一种磁共振成像及斑块识别方法，其特征在于，所述方法包括：
    获取磁共振欠采样K空间数据；
    将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
    通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
    通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
  2. 根据权利要求1所述的方法，其特征在于，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像，包括：
    通过傅里叶逆变换，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像。
  3. 根据权利要求1所述的方法，其特征在于，所述预先建立的深度学习重建模型对应的神经网络为密集连接网络，所述预先建立的深度学习重建模型对应的神经网络依次包括：
    第一卷积层、第一密集连接块、第一转换层、第二密集连接块，第二转换层、第三密集连接块、第三转换层、第四密集连接块、第四转换层、第五密集连接块、第五转换层和第二卷积层，其中，每个密集连接块中包括多个密集连接层，在每个密集连接块内每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。
  4. 根据权利要求1所述的方法，其特征在于，按照如下方式建立所述深度学习重建模型：
    获取预先设计的深度学习重建模型；
    根据预先获取的样本和标签，对所述预先设计的深度学习重建模型进行训练；
    将训练得到的模型作为所述预先建立的深度学习重建模型；
    其中，所述样本为欠采样的血管壁图像，标签为与欠采样的血管壁图像对应的全采样的血管壁图像。
  5. 根据权利要求1所述的方法，其特征在于，所述预先建立的深度学习斑块识别模型对应的神经网络依次包括：
    多个卷积层、池化层、第一残差块、多个卷积层、第二残差块、多个卷积层、第三残差块、多个卷积层、池化层、多个卷积层、池化层、多个全连接层。
  6. 根据权利要求1所述的方法，其特征在于，按照如下方式建立所述深度学习斑块识别模型：
    获取预先设计的深度学习斑块识别模型；
    根据预先获取的样本和标签，对所述预先设计的深度学习斑块识别模型进行训练；
    将训练得到的模型作为所述预先建立的深度学习斑块识别模型；
    其中，所述样本为全采样的血管壁图像，所述标签为斑块的坐标信息。
  7. 根据权利要求1至6中任一项所述的方法，其特征在于，所述磁共振欠采样K空间数据为头颈联合的磁共振血管壁欠采样K空间数据。
  8. 一种磁共振成像及斑块识别装置，其特征在于，包括：
    获取模块，用于获取磁共振欠采样K空间数据；
    变换模块，用于将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；
    重建模块，用于通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；
    识别模块，用于通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
  9. 根据权利要求8所述的装置，其特征在于，所述变换模块具体用于通过傅里叶逆变换，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像。
  10. 根据权利要求8所述的装置，其特征在于，所述预先建立的深度学习重建模型对应的神经网络为密集连接网络，所述预先建立的深度学习重建模型对应的神经网络依次包括：
    第一卷积层、第一密集连接块、第一转换层、第二密集连接块，第二转换层、第三密集连接块、第三转换层、第四密集连接块、第四转换层、第五密集连接块、第五转换层和第二卷积层，其中，每个密集连接块中包括多个密集连接层，在每个密集连接块内每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。
  11. 根据权利要求8所述的装置，其特征在于，还包括：
    第一建立模块，用于按照如下方式建立所述深度学习重建模型：
    获取预先设计的深度学习重建模型；
    根据预先获取的样本和标签，对所述预先设计的深度学习重建模型进行训练；
    将训练得到的模型作为所述预先建立的深度学习重建模型；
    其中，所述样本为欠采样的血管壁图像，标签为与欠采样的血管壁图像对应的全采 样的血管壁图像。
  12. 根据权利要求8所述的装置，其特征在于，所述预先建立的深度学习斑块识别模型对应的神经网络依次包括：
    多个卷积层、池化层、第一残差块、多个卷积层、第二残差块、多个卷积层、第三残差块、多个卷积层、池化层、多个卷积层、池化层、多个全连接层。
  13. 根据权利要求8所述的装置，其特征在于，还包括：
    第二建立模块，用于按照如下方式建立所述深度学习斑块识别模型：
    获取预先设计的深度学习斑块识别模型；
    根据预先获取的样本和标签，对所述预先设计的深度学习斑块识别模型进行训练；
    将训练得到的模型作为所述预先建立的深度学习斑块识别模型；
    其中，所述样本为全采样的血管壁图像，所述标签为斑块的坐标信息。
  14. 根据权利要求8至13中任一项所述的装置，其特征在于，所述磁共振欠采样K空间数据为头颈联合的磁共振血管壁欠采样K空间数据。
  15. 一种终端设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至7中任一项所述方法的步骤。
  16. 一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。
PCT/CN2018/120878 2018-12-13 2018-12-13 一种磁共振成像及斑块识别方法和装置 WO2020118615A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/979,535 US11756191B2 (en) 2018-12-13 2018-12-13 Method and apparatus for magnetic resonance imaging and plaque recognition
PCT/CN2018/120878 WO2020118615A1 (zh) 2018-12-13 2018-12-13 一种磁共振成像及斑块识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/120878 WO2020118615A1 (zh) 2018-12-13 2018-12-13 一种磁共振成像及斑块识别方法和装置

Publications (1)

Publication Number Publication Date
WO2020118615A1 true WO2020118615A1 (zh) 2020-06-18

Family

ID=71076219

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/120878 WO2020118615A1 (zh) 2018-12-13 2018-12-13 一种磁共振成像及斑块识别方法和装置

Country Status (2)

Country Link
US (1) US11756191B2 (zh)
WO (1) WO2020118615A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11869535B1 (en) * 2019-12-12 2024-01-09 Amazon Technologies, Inc. Character-level emotion detection
CN112802024B (zh) * 2021-01-11 2024-02-06 国创育成医疗器械发展(深圳)有限公司 一种磁共振血管壁图像分割方法
CN113077527B (zh) * 2021-03-16 2022-11-18 天津大学 一种基于欠采样的快速磁共振图像重建方法
CN113096207B (zh) * 2021-03-16 2023-01-13 天津大学 基于深度学习和边缘辅助的快速磁共振成像方法与系统
CN113933773A (zh) * 2021-09-30 2022-01-14 深圳先进技术研究院 基于深度学习的磁共振成像方法、系统、终端及存储介质
CN117710514A (zh) * 2024-02-06 2024-03-15 中国科学院深圳先进技术研究院 动态磁共振成像方法、模型训练方法、装置、设备及介质
CN117710513A (zh) * 2024-02-06 2024-03-15 中国科学院深圳先进技术研究院 基于量子卷积神经网络的磁共振成像方法、装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070249931A1 (en) * 2006-04-19 2007-10-25 Fain Sean B Segmentation of the airway tree using hyperpolarized nobel gases and diffusion weighted magnetic resonance imaging
CN102509113A (zh) * 2011-11-08 2012-06-20 浙江大学 一种脑瘤mib-1指数范围检测方法
CN103646410A (zh) * 2013-11-27 2014-03-19 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN106056647A (zh) * 2016-05-30 2016-10-26 南昌大学 一种基于卷积稀疏双层迭代学习的磁共振快速成像方法
CN106530258A (zh) * 2016-11-22 2017-03-22 哈尔滨工业大学 基于高阶全变分正则化的快速迭代磁共振图像重建方法
CN107064845A (zh) * 2017-06-06 2017-08-18 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN108542390A (zh) * 2018-03-07 2018-09-18 清华大学 基于多对比度磁共振影像的血管斑块成分识别方法
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210361167A1 (en) * 2018-09-17 2021-11-25 Tatiana WOLFE Signal isolation magnetic resonance image (simri) and methods thereof
CN111709925B (zh) * 2020-05-26 2023-11-03 深圳科亚医疗科技有限公司 用于血管斑块分析的装置、系统及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070249931A1 (en) * 2006-04-19 2007-10-25 Fain Sean B Segmentation of the airway tree using hyperpolarized nobel gases and diffusion weighted magnetic resonance imaging
CN102509113A (zh) * 2011-11-08 2012-06-20 浙江大学 一种脑瘤mib-1指数范围检测方法
CN103646410A (zh) * 2013-11-27 2014-03-19 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN106056647A (zh) * 2016-05-30 2016-10-26 南昌大学 一种基于卷积稀疏双层迭代学习的磁共振快速成像方法
CN106530258A (zh) * 2016-11-22 2017-03-22 哈尔滨工业大学 基于高阶全变分正则化的快速迭代磁共振图像重建方法
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
CN107064845A (zh) * 2017-06-06 2017-08-18 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN108542390A (zh) * 2018-03-07 2018-09-18 清华大学 基于多对比度磁共振影像的血管斑块成分识别方法

Also Published As

Publication number Publication date
US20200410675A1 (en) 2020-12-31
US11756191B2 (en) 2023-09-12

Similar Documents

Publication Publication Date Title
WO2020118615A1 (zh) 一种磁共振成像及斑块识别方法和装置
CN109712119B (zh) 一种磁共振成像及斑块识别方法和装置
CN109712208B (zh) 基于深度学习的大视野磁共振扫描图像重建方法和装置
CN112017198B (zh) 基于自注意力机制多尺度特征的右心室分割方法及装置
CN109783910B (zh) 一种利用生成对抗网络加速的结构优化设计方法
Guo et al. Over-and-under complete convolutional rnn for mri reconstruction
Pal et al. A review and experimental evaluation of deep learning methods for MRI reconstruction
CN113781640A (zh) 基于弱监督学习的三维人脸重建模型建立方法及其应用
Cao et al. Collaborative discrepancy optimization for reliable image anomaly localization
CN111353935A (zh) 基于深度学习的磁共振成像优化方法及其设备
Shi et al. Affirm: Affinity fusion-based framework for iteratively random motion correction of multi-slice fetal brain MRI
Varghese et al. Unpaired image-to-image translation of structural damage
US20230032472A1 (en) Method and apparatus for reconstructing medical image
Yi et al. Contrastive learning for local and global learning mri reconstruction
WO2020118616A1 (zh) 一种基于深度先验学习的头颈联合成像方法和装置
CN116228542A (zh) 基于跨尺度非局部注意力机制的图像超分辨率重建方法
Guedri et al. Three-dimensional reconstruction of blood vessels of the human retina by fractal interpolation
Sun et al. Assessing Cardiac Dynamics based on X-Ray Coronary Angiograms.
Li et al. Dconformer: A denoising convolutional transformer with joint learning strategy for intelligent diagnosis of bearing faults
CN110853012B (zh) 获得心脏参数的方法、装置及计算机存储介质
CN114419015A (zh) 一种基于多模态配准的脑功能融合分析方法
WO2021184350A1 (zh) 一种基于神经网络的网格化磁共振图像重建方法和装置
Amirrajab et al. A framework for simulating cardiac MR images with varying anatomy and contrast
CN115115722A (zh) 图像重建模型生成及图像重建方法、装置、设备和介质
CN113792740A (zh) 眼底彩照的动静脉分割方法、系统、设备及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18943308

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03.11.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18943308

Country of ref document: EP

Kind code of ref document: A1