WO2021087740A1 - 磁共振成像方法、装置、服务器及存储介质 - Google Patents

磁共振成像方法、装置、服务器及存储介质 Download PDF

Info

Publication number
WO2021087740A1
WO2021087740A1 PCT/CN2019/115685 CN2019115685W WO2021087740A1 WO 2021087740 A1 WO2021087740 A1 WO 2021087740A1 CN 2019115685 W CN2019115685 W CN 2019115685W WO 2021087740 A1 WO2021087740 A1 WO 2021087740A1
Authority
WO
WIPO (PCT)
Prior art keywords
dimension
model
frame parallel
parallel imaging
space
Prior art date
Application number
PCT/CN2019/115685
Other languages
English (en)
French (fr)
Inventor
王珊珊
陈艳霞
郑海荣
李国斌
刘新
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 PCT/CN2019/115685 priority Critical patent/WO2021087740A1/zh
Publication of WO2021087740A1 publication Critical patent/WO2021087740A1/zh

Links

Images

Classifications

    • 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
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console

Definitions

  • This application belongs to the field of computer technology, and in particular relates to a magnetic resonance imaging method, device, server and storage medium.
  • the embodiments of the present application provide a magnetic resonance imaging method, device, server, and storage medium to increase the imaging speed on the basis of ensuring the imaging effect.
  • the first aspect of the embodiments of the present application provides a magnetic resonance imaging method, the method including:
  • the pre-trained multi-dimensional deep learning prior model uses the pre-trained multi-dimensional deep learning prior model to perform dynamic multi-frame parallel imaging on the K-space data to obtain the target magnetic resonance image;
  • the pre-trained multi-dimensional deep learning prior model includes at least two depths Learning prior models, each of the deep learning prior models is used to perform dynamic multi-frame parallel imaging of the K-space data from different preset dimensions to obtain the target magnetic resonance image.
  • the multi-dimensional deep learning prior model includes a multi-dimensional data filling model and at least one dynamic multi-frame parallel imaging model;
  • the use of a pre-trained multi-dimensional deep learning prior model to perform dynamic multi-frame parallel imaging on the K-space data to obtain a target magnetic resonance image includes:
  • the preset multiple dimensions include a time dimension, a space dimension, a sampling channel dimension, and a combined dimension between the time dimension, the space dimension, and the sampling channel dimension;
  • the using the multi-dimensional data filling model to fill the K-space data from preset multiple dimensions to obtain the filled full-sampled K-space data includes:
  • the combined dimension performs data filling and processing to obtain the image data.
  • the using the at least one dynamic multi-frame parallel imaging model to perform dynamic multi-frame parallel imaging of the image data from a preset multi-dimensionality to obtain the target magnetic resonance image includes:
  • Dynamic multi-frame parallel imaging is performed on the combined dimensions between the two to obtain the target magnetic resonance image.
  • the at least one dynamic multi-frame parallel imaging model includes a first dynamic multi-frame parallel imaging model and a second dynamic multi-frame parallel imaging model;
  • Using the at least one dynamic multi-frame parallel imaging model to perform dynamic multi-frame parallel imaging of the image data from the time dimension, the space dimension, and the sampling channel dimension to obtain the target magnetic resonance image include:
  • the first dynamic multi-frame parallel imaging model to perform dynamic multi-frame parallel imaging on the image data from the time dimension, the space dimension, and the sampling channel dimension to obtain a first imaging image ;
  • the loss function of the multi-dimensional deep learning prior model is:
  • K i is a preset weight coefficient
  • f i (x) is the loss function of the i-th deep learning prior model.
  • a second aspect of the present application provides a magnetic resonance imaging apparatus, including:
  • Acquisition module used for parallel acquisition of multi-channel dynamic multi-frame K-space data
  • the imaging module is configured to use the pre-trained multi-dimensional deep learning prior model to perform dynamic multi-frame parallel imaging on the K-space data to obtain a target magnetic resonance image; the pre-trained multi-dimensional deep learning prior model At least two deep learning prior models are included, and each of the deep learning prior models is used to perform dynamic multi-frame parallel imaging of the K-space data from different preset dimensions to obtain the target magnetic resonance image.
  • the multi-dimensional deep learning prior model includes a multi-dimensional data filling model and at least one dynamic multi-frame parallel imaging model;
  • the imaging module includes:
  • An update and processing unit configured to use the multi-dimensional data filling model to update and process the K-space data from preset multi-dimensional data to obtain image data;
  • the imaging unit is configured to use the at least one dynamic multi-frame parallel imaging model to perform dynamic multi-frame parallel imaging of the image data from preset multiple dimensions to obtain the target magnetic resonance image.
  • the preset multiple dimensions include a time dimension, a space dimension, a sampling channel dimension, and a combined dimension between the time dimension, the space dimension, and the sampling channel dimension;
  • the update and processing unit is specifically used for:
  • the combined dimension performs data filling and processing to obtain the image data.
  • the imaging unit is specifically configured to:
  • Dynamic multi-frame parallel imaging is performed on the combined dimensions between the two to obtain the target magnetic resonance image.
  • the at least one dynamic multi-frame parallel imaging model includes a first dynamic multi-frame parallel imaging model and a second dynamic multi-frame parallel imaging model;
  • the imaging unit includes:
  • the first imaging unit is configured to use the first dynamic multi-frame parallel imaging model to perform dynamic multi-frame parallel on the image data from the time dimension, the space dimension, and the sampling channel dimension Imaging to obtain the first imaging image;
  • the second imaging unit is configured to use the second dynamic multi-frame parallel imaging model to analyze the first imaging image from the combined dimension between the time dimension, the space dimension, and the sampling channel dimension.
  • One imaging image performing dynamic multi-frame parallel imaging to obtain the target magnetic resonance image.
  • the loss function of the multi-dimensional deep learning prior model is:
  • K i is a preset weight coefficient
  • f i (x) is the loss function of the i-th deep learning prior model.
  • a third aspect of the present application provides a server, including a memory, a processor, and a computer program stored in the memory and capable of running on the processor, wherein the processor executes the computer program when the computer program is executed.
  • a fourth aspect of the present application provides a computer-readable storage medium, the computer-readable storage medium stores a computer program, and is characterized in that, when the computer program is executed by a processor, the magnetic resonance imaging method described in the first aspect is implemented A step of.
  • multi-channel dynamic multi-frame K-space data is collected in parallel; a multi-dimensional deep learning prior model completed in advance is used to dynamically multiply the K-space data.
  • the pre-trained multi-dimensional deep learning a priori model includes at least two deep learning a priori models, and each of the deep learning a priori models is used to select from a different preset Dimensional dynamic multi-frame parallel imaging of the K-space data to obtain the target magnetic resonance image.
  • the dynamic multi-frame parallel imaging of the K-space data through the multi-dimensional deep learning prior model can improve the imaging speed in terms of technology that guarantees the imaging effect.
  • the embodiments provided in the second aspect to the fourth aspect of the present application have the same beneficial effects as the embodiments provided in the first aspect of the present application and the prior art, and will not be repeated here.
  • FIG. 1 is an implementation flowchart of a magnetic resonance imaging method provided by an embodiment of the present application
  • FIG. 2 is a flow chart of the specific implementation of S102 in Figure 1;
  • FIG. 3 is a specific implementation flow chart of S1022 in Figure 2;
  • FIG. 4 is a schematic structural diagram of a magnetic resonance imaging apparatus provided by an embodiment of the present application.
  • Figure 5 is a schematic structural diagram of a server provided by an embodiment of the present application.
  • magnetic resonance imaging technology can provide important anatomical and functional information along the space and time directions.
  • a basic challenge of magnetic resonance imaging is its slow imaging speed and long imaging time, which hinders it. Wide range of applications.
  • researchers have made different efforts, from hardware to software, including fast sequence, parallel magnetic resonance imaging (pMRI) and magnetic resonance image reconstruction from K-space data.
  • under-sampling or partial sampling of k-space is introduced.
  • under-sampling or partial sampling violates the Nyquist sampling theorem.
  • Directly performing inverse Fourier transform on under-sampled or partially-sampled K-space data will cause aliasing artifacts.
  • many methods have been introduced, such as traditional methods based on sparse, low-rank or dictionary learning. Although reliable results can be obtained, there are More complete theoretical support. However, most methods only work better at relatively low acceleration factors, the reconstruction time is relatively long, and the parameters are difficult to adjust to the best.
  • FIG. 1 it is an implementation flowchart of a magnetic resonance imaging method provided by an embodiment of the present application, and the method can be implemented by hardware or software of a server. The details are as follows:
  • the K-space data of a part of the preset sampling points is collected first.
  • the K-space data includes multiple frames of K-space data collected in parallel under different sampling channels corresponding to each sampling time within a preset time period.
  • the pre-trained multi-dimensional deep learning prior model uses the pre-trained multi-dimensional deep learning prior model to perform dynamic multi-frame parallel imaging on the K-space data to obtain a target magnetic resonance image; the pre-trained multi-dimensional deep learning prior model includes at least two Each of the deep learning prior models is used to perform dynamic multi-frame parallel imaging of the K-space data from different preset dimensions to obtain the target magnetic resonance image.
  • the input is K-space data
  • the output is the reconstructed target magnetic resonance image.
  • the K-space data includes data of preset dimensions, for example, it may be three-dimensional, five-dimensional or higher, and there is no limitation here.
  • the preset dimensions are five dimensions, including a two-dimensional sampling plane, cutting direction, sampling space, and sampling time; specifically, the multi-dimensional deep learning prior model includes multi-dimensional Data filling model and at least one dynamic multi-frame parallel imaging model; in the training process of the multi-dimensional deep learning prior model, it is necessary to comprehensively consider the convergence of the multi-dimensional data filling model and the at least one dynamic multi-frame parallel imaging model , Determining the multi-dimensional data by using the multi-dimensional data filling model and the mean square error sum of the at least one dynamic multi-frame parallel imaging model or adding preset boundary information on the basis of the mean square error sum as a constraint Fill the model and the weight of the at least one dynamic multi-frame parallel imaging model, and determine the loss function of the multi-dimensional image model based on the weight.
  • the loss function of the multi-dimensional deep learning prior model is:
  • K i is a preset weight coefficient
  • f i (x) is the loss function of the i-th deep learning prior model.
  • the preset multi-dimensionality may include a time dimension, a space dimension, a sampling channel dimension, and a combined dimension between the time dimension, the space dimension, and the sampling channel dimension; using pre-training
  • the completed multi-dimensional deep learning priori model performs dynamic multi-frame parallel imaging on the K-space data to obtain the target magnetic resonance image can be achieved through the steps shown in FIG. 2.
  • S102 includes:
  • S1021 Use the multi-dimensional data filling model to update and process the K-space data from a preset multi-dimensional data to obtain image data.
  • the K-space data obtained by under-sampling is partial data, and accurate analysis results cannot be obtained based on the partial data. Therefore, it is necessary to analyze the K-space data. Data filling can obtain sufficient K-space data while improving the sampling efficiency through under-sampling.
  • the K-space data is calculated from the time dimension, the space dimension, the sampling channel dimension, and the time dimension, the space dimension, and the K-space data through the multi-dimensional data filling model.
  • the combined dimensions between the sampling channel dimensions are filled and processed with data to obtain the image data.
  • the multi-dimensional data filling model may be any one of a pre-trained neural network model, an interpolation model, or a minimum spanning tree model, which is not specifically limited here.
  • the multi-dimensional data filling model is obtained by training a pre-established machine learning model (such as a neural network model, an interpolation model, or a minimum spanning tree model) using a first preset number of K-space data as training samples, and the multi-dimensional data
  • the dimensional data filling model is used for data filling and processing of the K-space data. Understandably, the K-space data
  • the input of the multi-dimensional data filling model is a preset number of K-space data
  • the output is image data obtained by processing after filling the K-space data.
  • the data points of the K-space data and the data points in the image space are not in a one-to-one correspondence, usually the data points of the K-space data correspond to a part of the information of all the data in the image space, which is the Fourier of the data in the image space.
  • the multi-dimensional data filling model needs to perform inverse Fourier transform processing on the k-space data after filling to obtain image data.
  • the image data is image data that needs to be analyzed, such as brain image data, heart image data, and so on.
  • S1022 includes:
  • Dynamic multi-frame parallel imaging is performed on the combined dimensions between the two to obtain the target magnetic resonance image.
  • the at least one dynamic multi-frame parallel imaging model includes a first dynamic multi-frame parallel imaging model and a second dynamic multi-frame parallel imaging model; as shown in FIG. 3, it is the specific implementation process of S1022 in FIG. Figure. It can be seen from Figure 3 that S1022 includes:
  • the first dynamic multi-frame parallel imaging model takes a first preset amount of image data as input, and uses preset constraints of the time dimension, the space dimension, and the sampling channel dimension as constraints, The image data is subjected to dynamic multi-frame parallel imaging, and the first imaging image is output.
  • the second dynamic multi-frame parallel imaging model uses a second preset number of the first imaging images as input, and uses a combination constraint condition between the time dimension, the space dimension, and the sampling channel dimension
  • dynamic multi-frame parallel imaging is performed on the first imaging image, and the target magnetic resonance image is output.
  • the magnetic resonance imaging method provided by the present application collects multi-channel dynamic multi-frame K-space data in parallel; utilizes the pre-trained multi-dimensional deep learning prior model to dynamically multiply the K-space data.
  • the pre-trained multi-dimensional deep learning a priori model includes at least two deep learning a priori models, and each of the deep learning a priori models is used to select from a different preset Dimensional dynamic multi-frame parallel imaging of the K-space data to obtain the target magnetic resonance image.
  • the dynamic multi-frame parallel imaging of K-space data through a multi-dimensional deep learning prior model can increase the imaging speed in terms of technology that guarantees the imaging effect.
  • FIG. 4 is a schematic structural diagram of a magnetic resonance imaging apparatus provided by an embodiment of the present application. It can be seen from FIG. 4 that the magnetic resonance imaging apparatus 4 provided by the embodiment of the present application includes an acquisition module 401 and an imaging module 402, where:
  • the acquisition module 401 is used to acquire multi-channel dynamic multi-frame K-space data in parallel;
  • the imaging module 402 is configured to use the pre-trained multi-dimensional deep learning prior model to perform dynamic multi-frame parallel imaging on the K-space data to obtain a target magnetic resonance image; the pre-trained multi-dimensional deep learning prior The model includes at least two deep learning prior models, and each of the deep learning prior models is used to perform dynamic multi-frame parallel imaging of the K-space data from different preset dimensions to obtain the target magnetic resonance image.
  • the multi-dimensional deep learning prior model includes a multi-dimensional data filling model and at least one dynamic multi-frame parallel imaging model;
  • the imaging module includes:
  • An update and processing unit configured to use the multi-dimensional data filling model to update and process the K-space data from preset multi-dimensional data to obtain image data;
  • the imaging unit is configured to use the at least one dynamic multi-frame parallel imaging model to perform dynamic multi-frame parallel imaging of the image data from preset multiple dimensions to obtain the target magnetic resonance image.
  • the preset multiple dimensions include a time dimension, a space dimension, a sampling channel dimension, and a combined dimension between the time dimension, the space dimension, and the sampling channel dimension;
  • the update and processing unit is specifically used for:
  • the combined dimension performs data filling and processing to obtain the image data.
  • the imaging unit is specifically configured to:
  • Dynamic multi-frame parallel imaging is performed on the combined dimensions between the two to obtain the target magnetic resonance image.
  • the at least one dynamic multi-frame parallel imaging model includes a first dynamic multi-frame parallel imaging model and a second dynamic multi-frame parallel imaging model;
  • the imaging unit includes:
  • the first imaging unit is configured to use the first dynamic multi-frame parallel imaging model to perform dynamic multi-frame parallel on the image data from the time dimension, the space dimension, and the sampling channel dimension Imaging to obtain the first imaging image;
  • the second imaging unit is configured to use the second dynamic multi-frame parallel imaging model to analyze the first imaging image from the combined dimension between the time dimension, the space dimension, and the sampling channel dimension.
  • One imaging image performing dynamic multi-frame parallel imaging to obtain the target magnetic resonance image.
  • the loss function of the multi-dimensional deep learning prior model is:
  • K i is a preset weight coefficient
  • f i (x) is the loss function of the i-th deep learning prior model.
  • FIG. 5 is a schematic structural diagram of a server provided by an embodiment of the present application.
  • the server 5 of this embodiment includes a processor 50, a memory 51, and a computer program 52 stored in the memory 51 and running on the processor 50, such as a magnetic resonance imaging program.
  • the processor 50 implements the steps in the embodiment of the magnetic resonance imaging method when the computer program 52 is executed, for example, steps 101 to 102 shown in FIG. 1.
  • the computer program 52 may be divided into one or more modules/units, and the one or more modules/units are stored in the memory 51 and executed by the processor 50 to complete the application.
  • the one or more modules/units may be a series of computer program instruction segments capable of completing specific functions, and the instruction segments are used to describe the execution process of the computer program 52 in the server 5.
  • the computer program 52 can be divided into an acquisition module and an imaging module (a module in a virtual device), and the specific functions of each module are as follows:
  • Acquisition module used for parallel acquisition of multi-channel dynamic multi-frame K-space data
  • the imaging module is configured to use the pre-trained multi-dimensional deep learning prior model to perform dynamic multi-frame parallel imaging on the K-space data to obtain a target magnetic resonance image; the pre-trained multi-dimensional deep learning prior model At least two deep learning prior models are included, and each of the deep learning prior models is used to perform dynamic multi-frame parallel imaging of the K-space data from different preset dimensions to obtain the target magnetic resonance image.
  • the disclosed device/terminal device and method may be implemented in other ways.
  • the device/terminal device embodiments described above are merely illustrative.
  • the division of the modules or units is only a logical function division, and there may be other divisions in actual implementation, such as multiple units.
  • components can be combined or integrated into another system, or some features can be omitted or not implemented.
  • the displayed or discussed mutual coupling or direct coupling or communication connection may be indirect coupling or communication connection through some interfaces, devices or units, and may be in electrical, mechanical or other forms.
  • the units described as separate components may or may not be physically separated, and the components displayed as units may or may not be physical units, that is, they may be located in one place, or they may be distributed on multiple communication units. Some or all of the units may be selected according to actual needs to achieve the objectives of the solutions of the embodiments.
  • the functional units in the various embodiments of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated unit can be implemented in the form of hardware or software functional unit.
  • the integrated module/unit is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer readable storage medium.
  • the present application implements all or part of the processes in the above-mentioned embodiments and methods, and can also be completed by instructing relevant hardware through a computer program.
  • the computer program can be stored in a computer-readable storage medium. When the program is executed by the processor, it can implement the steps of the foregoing method embodiments. .
  • the computer program includes computer program code, and the computer program code may be in the form of source code, object code, executable file, or some intermediate forms.
  • the computer-readable medium may include: any entity or device capable of carrying the computer program code, recording medium, U disk, mobile hard disk, magnetic disk, optical disk, computer memory, read-only memory (ROM, Read-Only Memory) , Random Access Memory (RAM, Random Access Memory), electrical carrier signal, telecommunications signal, and software distribution media, etc.
  • ROM Read-Only Memory
  • RAM Random Access Memory
  • electrical carrier signal telecommunications signal
  • software distribution media etc.
  • the content contained in the computer-readable medium can be appropriately added or deleted according to the requirements of the legislation and patent practice in the jurisdiction.
  • the computer-readable medium Does not include electrical carrier signals and telecommunication signals.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请适用于计算机技术领域，提出一种磁共振成像方法，包括：并行采集多通道的动态多帧K空间数据；利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。与现有技术相比，通过多维度深度学习先验模型对K空间数据进行动态多帧并行成像，能够在保证成像效果的技术上提高成像速度。

Description

磁共振成像方法、装置、服务器及存储介质 技术领域
本申请属于计算机技术领域，尤其涉及一种磁共振成像方法、装置、服务器及存储介质。
背景技术
目前，在磁共振成像过程中为了提高成像速度及成像效果，引入了深度学习算法，但是传统的深度学习算法是基于稀疏、低秩或字典学的方法，其通常在较低的加速倍数下效果较好，但是在高加速倍数的情况下，重建效果不是很理想。因此，并不能在保证成像效果的基础上提高成像速度。
发明内容
有鉴于此，本申请实施例提供了磁共振成像方法、装置、服务器及存储介质，以在保证成像效果的基础上提高成像速度。
本申请实施例的第一方面提供了一种磁共振成像方法，所述方法包括：
并行采集多通道的动态多帧K空间数据；
利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述多维度深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型；
所述利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像，包括：
利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据；
利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度；
所述利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据填充，得到填充后的全采样K空间数据，包括：
利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理，得到所述图像数据。
在一种可选的实现方式中，所述利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型；
所述利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
利用所述第一动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像， 得到第一成像图像；
利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像，进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述多维度深度学习先验模型的损失函数为：
Figure PCTCN2019115685-appb-000001
其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
本申请第二方面提供一种磁共振成像装置，包括：
采集模块，用于并行采集多通道的动态多帧K空间数据；
成像模块，用于利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述多维度深度学习先验模型包括多维度数据补填充模型以及至少一个动态多帧并行成像模型；
所述成像模块，包括：
更新及处理单元，用于利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据；
成像单元，用于利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度；
所述更新及处理单元，具体用于：
利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理，得到所述图像数据。
在一种可选的实现方式中，所述成像单元，具体用于：
利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型；
所述成像单元，包括：
第一成像单元，用于利用所述第一动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像，得到第一成像图像；
第二成像单元，用于利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像，进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述多维度深度学习先验模型的损失函数为：
Figure PCTCN2019115685-appb-000002
其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
本申请第三方面提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上第一方面所述磁共振成像方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上第一方面所述磁共振成像方法的步骤。
本申请第一方面提供的磁共振成像方法的实施例，通过并行采集多通道的动态多帧K空间数据；利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。与现有技术相比，通过多维度深度学习先验模型对K空间数据进行动态多帧并行成像，能够在保证成像效果的技术上提高成像速度。
本申请第二方面至第四方面提供的实施例与现有技术相比，与本申请第一方面提供的实施例与现有技术相比存在的有益效果相同，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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是本申请实施例提供的磁共振成像方法的实现流程图；
图2是图1中S102的具体实施流程图；
图3是图2中S1022的具体实现流程图；
图4是本申请实施例提供的磁共振成像装置的结构示意图；
图5是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
需要说明的是，磁共振成像技术能够沿着空间和时间方向提供重要的解刨学和功能信息，然而，磁共振成像的一个基本挑战是其成像速度慢，而且成像时间长，这阻碍了其广泛的应用。为了应对这一挑战，研究人员进行了不同的努力，从硬件到软件，包括快速序列，并行磁共振成像(pMRI)和来自K空间数据的磁共振图像重建等。
由于k空间的采集时间与采集数据量成正比，为了提高成像速度，引入了对k空间进行欠采样或部分采样。但是欠采样或部分采样的引入违反了奈奎斯特采样定理，直接对欠采样或者部分采样的K空间数据进行逆傅立叶变换会出现混叠伪影。目前，为了解决欠采样或者部分采样的K空间数据带来的混叠伪影，引入了很多种方法，例如传统的基于稀疏、低秩或字典学习的方法等，虽然可以获得可靠的结果，有比较完整的理论支持。但是，大多数方法仅仅在比较低的加速倍数下效果比较好，重建时间相对比较长，参数难以调整到最佳。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。如图1所示，是本申请实施例提供的磁共振成像方法的实现流程图，该方法可以由服务器的硬件或软件来实现。详述如下：
S101，并行采集多通道的动态多帧K空间数据。
可以理解地，由于采样点数与采样时间成正比，全采样对应的采样时间会较长，为了提高采样效率，在本申请的实施例中，先采集部分预设采样点的K空间数据。具体地，在本实施例中，所述K空间数据包括在预设时长内的每个采样时刻对应的不同采样通道下并行采集的多帧K空间数据。
S102，利用预先训练完成的多维度深度学习先验模型，对所述K空间数据 进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
具体地，所述预先训练完成的多维度深度学习先验模型在训练过程中，其输入是K空间数据，输出是重建之后的目标磁共振图像。所述K空间数据包括预设维度的数据，例如可以是三维、五维或更高维度，此处不做限制。示例性地，在本实施例中，所述预设维度为五维，包括二维的采样平面、切割方向、采样空间以及采样时间；具体地，所述多维度深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型；所述多维度深度学习先验模型在训练过程中，需要综合考虑所述多维度数据填充模型以及所述至少一个动态多帧并行成像模型的收敛，通过使用所述多维度数据填充模型以及所述至少一个动态多帧并行成像模型的均方误差和或者在均方误差和的基础上添加预设的边界信息作为约束，确定所述多维度数据填充模型以及所述至少一个动态多帧并行成像模型的权重，并基于权重确定所述多维图像模型的损失函数。
在一种可选的实现方式中，所述多维度深度学习先验模型的损失函数为：
Figure PCTCN2019115685-appb-000003
其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
作为示例而非限定，所述预设的多维度可以包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度；利用预先训练完成的多维度深度学习先验模型，对对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像可以通过如图2所示的步骤实现。
如图2所示，是图1中S102的具体实施流程图。由图2可知，S102包括：
S1021，利用所述多维度数据填充模型对所述K空间数据从预设多维度进 行数据更新及处理，得到图像数据。
可以理解地，由于所述欠采样的采样频率低于信号最高频率的两倍，通过欠采样获得的K空间数据为部分数据，基于部分数据无法获得准确地分析结果，因此，需要对K空间数据进行数据填充，在通过欠采样提高采样效率的同时，能够获得足够的K空间数据。
在本实施例中，通过所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理，得到所述图像数据。其中，所述多维度数据填充模型可以是预先训练完成的神经网络模型、插值模型或最小生成树模型中的任意一种，在此不做具体限定。
所述多维度数据填充模型以第一预设数量的K空间数据为训练样本，对预先建立的机器学习模型(如神经网络模型、插值模型或最小生成树模型等)进行训练得到，所述多维度数据填充模型用于对所述K空间数据进行数据填充及处理。可以理解地，所述K空间数据
在训练过程中，所述多维度数据填充模型的输入是预设数量的K空间数据，输出是将所述K空间数据进行填充之后，进行处理得到的图像数据。
S1022，利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像。
可以理解地，由于K空间数据的数据点和图像空间中的数据点不是一一对应的，通常K空间数据的数据点对应了图像空间中所有数据的一部分信息，其为图像空间中数据的傅立叶变换的结果，因此，为了在图像域进行分析，所述多维度数据填充模型需要对填充之后的所述K空间数据进行逆傅立叶变换处理，得到图像数据。其中，图像数据为需要分析的图像数据，例如大脑图像数据、心脏图像数据等。
在一种可选的实现方式中，S1022包括：
利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维 度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像，得到所述目标磁共振图像。
作为示例而非限定，所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型；如图3所示，是图2中S1022的具体实现流程图。由图3可知，S1022包括：
S301，利用所述第一动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像，得到第一成像图像。
其中，所述第一动态多帧并行成像模型以第一预设数量的图像数据为输入，以预设的所述时间维度、所述空间维度以及所述采样通道维度的约束条件为约束，对所述图像数据进行动态多帧并行成像，输出第一成像图像。
S302，利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像，进行动态多帧并行成像，得到所述目标磁共振图像。
其中，所述第二动态多帧并行成像模型以第二预设数量的所述第一成像图像为输入，以所述时间维度、所述空间维度以及所述采样通道维度之间的组合约束条件为约束，对所述第一成像图像进行动态多帧并行成像，输出所述目标磁共振图像。
通过上述实施例可知，本申请提供的磁共振成像方法，通过并行采集多通道的动态多帧K空间数据；利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。与现有技术相比，通过多维度深度学习先验模型对K空间数据进行动态多帧并行成像，能够在保证成像效果的技术上提 高成像速度。
图4是本申请实施例提供的磁共振成像装置的结构示意图。由图4可知，本申请实施例提供的磁共振成像装置4包括采集模块401以及成像模块402，其中，
采集模块401，用于并行采集多通道的动态多帧K空间数据；
成像模块402，用于利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述多维度深度学习先验模型包括多维度数据补填充模型以及至少一个动态多帧并行成像模型；
所述成像模块，包括：
更新及处理单元，用于利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据；
成像单元，用于利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度；
所述更新及处理单元，具体用于：
利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理，得到所述图像数据。
在一种可选的实现方式中，所述成像单元，具体用于：
利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维 度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型；
所述成像单元，包括：
第一成像单元，用于利用所述第一动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像，得到第一成像图像；
第二成像单元，用于利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像，进行动态多帧并行成像，得到所述目标磁共振图像。
在一种可选的实现方式中，所述多维度深度学习先验模型的损失函数为：
Figure PCTCN2019115685-appb-000004
其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
图5是本申请实施例提供的服务器的结构示意图。如图5所示，该实施例的服务器5包括：处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52，例如磁共振成像程序。处理器50执行计算机程序52时实现上述磁共振成像方法实施例中的步骤，例如图1所示的步骤101至102。
示例性的，计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器51中，并由处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序52在所述服务器5中的执行过程。例如，计算机程序52可以被分割成采集模块以及成像模块(虚拟装置中的模块)，各模 块具体功能如下：
采集模块，用于并行采集多通道的动态多帧K空间数据；
成像模块，用于利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计稀疏条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示 意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (20)

  1. 一种磁共振成像方法，其特征在于，所述方法包括：
    并行采集多通道的动态多帧K空间数据；
    利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
  2. 如权利要求1所述的磁共振成像方法，其特征在于，所述多维度深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型；
    所述利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像，包括：
    利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据；
    利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像。
  3. 如权利要求2所述的磁共振成像方法，其特征在于，所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度；
    所述利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据，包括：
    利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理，得到所述图像数据。
  4. 如权利要求3所述的磁共振成像方法，其特征在于，所述利用所述至少 一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
    利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像，得到所述目标磁共振图像。
  5. 如权利要求4所述的磁共振成像方法，其特征在于，所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型；
    所述利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
    利用所述第一动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像，得到第一成像图像；
    利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像，进行动态多帧并行成像，得到所述目标磁共振图像。
  6. 如权利要求1所述的磁共振成像方法，其特征在于，所述多维度深度学习先验模型的损失函数为：
    Figure PCTCN2019115685-appb-100001
    其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
  7. 如权利要求2所述的磁共振成像方法，其特征在于，所述多维度深度学习先验模型的损失函数为：
    Figure PCTCN2019115685-appb-100002
    其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
  8. 如权利要求3所述的磁共振成像方法，其特征在于，所述多维度深度学习先验模型的损失函数为：
    Figure PCTCN2019115685-appb-100003
    其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
  9. 如权利要求4所述的磁共振成像方法，其特征在于，所述多维度深度学习先验模型的损失函数为：
    Figure PCTCN2019115685-appb-100004
    其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
  10. 如权利要求5所述的磁共振成像方法，其特征在于，所述多维度深度学习先验模型的损失函数为：
    Figure PCTCN2019115685-appb-100005
    其中，K i为预设的权重系数，f i(x)为第i个所述深度学习先验模型的损失函数。
  11. 一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：
    并行采集多通道的动态多帧K空间数据；
    利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
  12. 如权利要求11所述的服务器，其特征在于，所述多维度深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型；
    所述利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像，包括：
    利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据；
    利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像。
  13. 如权利要求12所述的服务器，其特征在于，所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度；
    所述利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据，包括：
    利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理，得到所述图像数据。
  14. 如权利要求13所述的服务器，其特征在于，所述利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
    利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所 述采样通道维度之间的组合维度进行动态多帧并行成像，得到所述目标磁共振图像。
  15. 如权利要求14所述的服务器，其特征在于，所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型；
    所述利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
    利用所述第一动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像，得到第一成像图像；
    利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像，进行动态多帧并行成像，得到所述目标磁共振图像。
  16. 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下步骤：
    并行采集多通道的动态多帧K空间数据；
    利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像；所述预先训练完成的多维度深度学习先验模型包括至少两个深度学习先验模型，每个所述深度学习先验模型分别用于从不同的预设维度对所述K空间数据进行动态多帧并行成像，得到所述目标磁共振图像。
  17. 如权利要求16所述的计算可读存储介质，其特征在于，所述多维度深度学习先验模型包括多维度数据填充模型以及至少一个动态多帧并行成像模型；
    所述利用预先训练完成的多维度深度学习先验模型，对所述K空间数据进行动态多帧并行成像，得到目标磁共振图像，包括：
    利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更 新及处理，得到图像数据；
    利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像。
  18. 如权利要求17所述的计算机可读存储介质，其特征在于，所述预设多维度包括时间维度、空间维度、采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度；
    所述利用所述多维度数据填充模型对所述K空间数据从预设多维度进行数据更新及处理，得到图像数据，包括：
    利用所述多维度数据填充模型对所述K空间数据从所述时间维度、所述空间维度、所述采样通道维度、以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行数据填充及处理，得到所述图像数据。
  19. 如权利要求18所述的计算机可读存储介质，其特征在于，所述利用所述至少一个动态多帧并行成像模型对所述图像数据从预设多维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
    利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度、所述采样通道维度以及所述时间维度、所述空间维度与所述采样通道维度之间的组合维度进行动态多帧并行成像，得到所述目标磁共振图像。
  20. 如权利要求19所述的计算机可读存储介质，其特征在于，所述至少一个动态多帧并行成像模型包括第一动态多帧并行成像模型和第二动态多帧并行成像模型；
    所述利用所述至少一个动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度进行动态多帧并行成像，得到所述目标磁共振图像，包括：
    利用所述第一动态多帧并行成像模型对所述图像数据，从所述时间维度、所述空间维度以及所述采样通道维度对所述图像数据进行动态多帧并行成像， 得到第一成像图像；
    利用所述第二动态多帧并行成像模型对所述第一成像图像从所述时间维度、所述空间维度以及所述采样通道维度之间的组合维度对所述第一成像图像，进行动态多帧并行成像，得到所述目标磁共振图像。
PCT/CN2019/115685 2019-11-05 2019-11-05 磁共振成像方法、装置、服务器及存储介质 WO2021087740A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/115685 WO2021087740A1 (zh) 2019-11-05 2019-11-05 磁共振成像方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/115685 WO2021087740A1 (zh) 2019-11-05 2019-11-05 磁共振成像方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
WO2021087740A1 true WO2021087740A1 (zh) 2021-05-14

Family

ID=75849160

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/115685 WO2021087740A1 (zh) 2019-11-05 2019-11-05 磁共振成像方法、装置、服务器及存储介质

Country Status (1)

Country Link
WO (1) WO2021087740A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115363559A (zh) * 2021-05-19 2022-11-22 通用电气精准医疗有限责任公司 基于深度学习的图像采集医学系统和方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102798829A (zh) * 2012-08-14 2012-11-28 深圳先进技术研究院 基于机器学习的并行磁共振成像grappa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
CN108896943A (zh) * 2018-05-10 2018-11-27 上海东软医疗科技有限公司 一种磁共振定量成像方法和装置
CN109800800A (zh) * 2019-01-08 2019-05-24 上海东软医疗科技有限公司 一种磁共振成像获得深度学习训练集的方法和装置
US20190236817A1 (en) * 2018-01-30 2019-08-01 The Board Of Trustees Of The Leland Stanford Junior University Generalized Multi-Channel MRI Reconstruction Using Deep Neural Networks
CN110246200A (zh) * 2019-05-27 2019-09-17 深圳先进技术研究院 磁共振心脏电影成像方法、装置及磁共振扫描仪
CN110246568A (zh) * 2018-03-09 2019-09-17 皇家飞利浦有限公司 具有谱脂肪抑制的并行mr成像

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102798829A (zh) * 2012-08-14 2012-11-28 深圳先进技术研究院 基于机器学习的并行磁共振成像grappa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
US20190236817A1 (en) * 2018-01-30 2019-08-01 The Board Of Trustees Of The Leland Stanford Junior University Generalized Multi-Channel MRI Reconstruction Using Deep Neural Networks
CN110246568A (zh) * 2018-03-09 2019-09-17 皇家飞利浦有限公司 具有谱脂肪抑制的并行mr成像
CN108896943A (zh) * 2018-05-10 2018-11-27 上海东软医疗科技有限公司 一种磁共振定量成像方法和装置
CN109800800A (zh) * 2019-01-08 2019-05-24 上海东软医疗科技有限公司 一种磁共振成像获得深度学习训练集的方法和装置
CN110246200A (zh) * 2019-05-27 2019-09-17 深圳先进技术研究院 磁共振心脏电影成像方法、装置及磁共振扫描仪

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115363559A (zh) * 2021-05-19 2022-11-22 通用电气精准医疗有限责任公司 基于深度学习的图像采集医学系统和方法

Similar Documents

Publication Publication Date Title
CN110766769B (zh) 一种磁共振图像重建方法、装置、设备和介质
CN109239631B (zh) 一种磁共振成像方法和装置
CN111091603B (zh) 一种超声成像方法、装置、可读存储介质及终端设备
CN111127320B (zh) 基于深度学习的光声图像超分辨重建方法及装置
WO2020134826A1 (zh) 磁共振并行成像方法及相关设备
CN108814603B (zh) 一种磁共振成像方法和装置
CN113379867B (zh) 一种基于联合优化采样矩阵的核磁共振图像重建方法
CN109872376A (zh) 一种重建动态磁共振图像的方法、装置及可读存储介质
CN103218795B (zh) 基于自适应双字典学习的部分k空间序列图像重构方法
CN103077510B (zh) 基于小波hmt模型的多变量压缩感知重构方法
CN111383742A (zh) 一种医学成像模型的建立方法、装置、设备及存储介质
CN111025385B (zh) 一种基于低秩和稀疏约束的地震数据重建方法
CN113723171A (zh) 基于残差生成对抗网络的脑电信号去噪方法
WO2021087740A1 (zh) 磁共振成像方法、装置、服务器及存储介质
CN110246200B (zh) 磁共振心脏电影成像方法、装置及磁共振扫描仪
Hormigo et al. High resolution spectral analysis of images using the pseudo-Wigner distribution
CN109490954B (zh) 波场正演模拟方法及装置
CN112329920A (zh) 磁共振参数成像模型的无监督训练方法及无监督训练装置
WO2021114143A1 (zh) 一种图像重建方法、装置、终端设备及存储介质
CN110988763B (zh) 磁共振成像方法、装置、服务器及存储介质
CN115294229A (zh) 用于重建磁共振成像（mri）图像的方法及设备
CN112336337B (zh) 磁共振参数成像模型的训练方法及训练装置、介质和设备
US20220013231A1 (en) Method for ai applications in mri simulation
CN107895387A (zh) Mri图像重建方法及装置
CN103236049B (zh) 基于序列相似性插值的部分k空间图像重构方法

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: 19952104

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19952104

Country of ref document: EP

Kind code of ref document: A1