CN108896943A - 一种磁共振定量成像方法和装置 - Google Patents
一种磁共振定量成像方法和装置 Download PDFInfo
- Publication number
- CN108896943A CN108896943A CN201810444262.5A CN201810444262A CN108896943A CN 108896943 A CN108896943 A CN 108896943A CN 201810444262 A CN201810444262 A CN 201810444262A CN 108896943 A CN108896943 A CN 108896943A
- Authority
- CN
- China
- Prior art keywords
- echo
- magnetic resonance
- image
- data
- neural network
- 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.)
- Granted
Links
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
- G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
-
- 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
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
- G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
Landscapes
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开一种磁共振定量成像方法和装置。该方法根据第二深度神经网络来获取磁共振定量值,因为深度神经网络为数据驱动型模型,能够实现对真实世界的准确描述,因此,相较于现有的用于计算磁共振定量的成像数学模型,本申请根据深度神经网络模型能够获取较为精确的磁共振定量值。此外,该深度神经网络模型的运行较快,因此,本申请能够减少磁共振定量的计算时间,提高获取效率。此外,用于获取磁共振定量的第二深度神经网络模型的输入数据为图像重建得到的图像,这种利用深度神经网络进行重建图像的方法,图像重建速率较快。因此,该图像重建方法也有利于提高磁共振定量成像速度。
Description
技术领域
本申请涉及医学影像技术领域,尤其涉及一种磁共振定量成像方法和装置。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)作为一种多参数、多对比度的成像技术,是现代医疗影像学中主要的成像方式之一,可以反映组织T1、T2和质子密度等多种特性,可为疾病的检出和诊断提供信息。
传统的磁共振图像主要包括不同对比度性质的定性图像如T1加权,T2加权,质子密度加权,弥散加权,磁敏感加权等等。但磁共振图像能提供的远远不止这些定性信息,其还能提供磁共振定量信息。该磁共振定量信息对于疾病诊断尤其是在脑神经科学研究以及临床应用方面更为重要。随着磁共振技术的发展,基于磁共振的定量成像已经越来越多地应用于临床诊断和治疗指导。
现有的磁共振定量成像一般均是基于磁共振信号的成像数学模型,通过重建出多组磁共振图像,然后利用数据拟合的方法从该多组磁共振图像中获取磁共振定量值。然而,现有的磁共振成像存在扫描时间长的缺陷,并且用于计算磁共振定量的成像数学模型往往是真实世界的简化描述,忽略很多因素的影响,如此,基于该数学模型计算得到的定量值的精确度较低,此外,拟合计算的过程往往是非线性的,导致计算时间长。
发明内容
有鉴于此,本申请实施例提供了一种磁共振定量成像方法,以提高磁共振定量成像速度以及定量值的精确度。
为了解决上述技术问题,本申请采用了如下技术方案:
一种磁共振定量成像方法,所述方法包括:
根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据;
分别相继采用第一深度神经网络模型的图像重建方法和显式解析解成像方法或者分别相继采用显式解析解成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到各个回波的磁共振图像;
将各个回波的磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像;
所述第一深度神经网络模型为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像作为输出训练样本、由多个回波的特定部分k-空间数据或者其部分重建得到的各个磁共振图像作为输入训练样本进行训练得到的,所述多个回波的特定部分k-空间数据为从各个回波的满采或超满采k-空间数据中分别选出的特定比例的k-空间数据;
所述第二深度神经网络模型为根据由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集作为输出训练样本,以多个回波的特定部分k-空间数据通过部分重建方法和第一深度神经网络模型的图像重建方法相继重建后得到的各个磁共振图像的各个子集作为输入训练样本进行训练得到的。
一种磁共振定量成像装置,所述装置包括:
采集单元,用于根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据;
图像重建单元,用于分别相继采用第一深度神经网络模型的图像重建方法和显式解析解成像方法或者分别相继采用显式解析解成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到各个回波的磁共振图像;
磁共振定量成像单元,用于将各个回波的磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像;
所述第一深度神经网络模型为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像作为输出训练样本、由多个回波的特定部分k-空间数据或者其部分重建得到的各个磁共振图像作为输入训练样本进行训练得到的,所述多个回波的特定部分k-空间数据为从各个回波的满采或超满采k-空间数据中分别选出的特定比例的k-空间数据;
所述第二深度神经网络模型为根据由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集作为输出训练样本,以多个回波的特定部分k-空间数据通过部分重建方法和第一深度神经网络模型的图像重建方法相继重建后得到的图像的各个子集作为输入训练样本进行训练得到的。
相较于现有技术,本申请具有以下有益效果:
基于以上技术方案可知,本申请实施例提供的磁共振定量成像方法根据第二深度神经网络来获取磁共振定量值,因为深度神经网络为数据驱动型模型,能够实现对真实世界的准确描述,因此,相较于现有的用于计算磁共振定量的成像数学模型,本申请根据深度神经网络模型能够获取较为精确的磁共振定量值。此外,该深度神经网络模型的运行较快,因此,本申请能够减少磁共振定量的计算时间,提高获取效率。此外,用于获取磁共振定量的第二深度神经网络模型的输入数据为图像重建得到的图像,这种利用深度神经网络进行重建图像的方法,图像重建速率较快。因此,该图像重建方法也有利于提高磁共振定量成像速度。
附图说明
图1是本申请实施例提供的第一深度神经网络模型训练方法流程图;
图2是本申请实施例提供的第二深度神经网络模型训练方法流程图;
图3是本申请实施例一提供的磁共振定量成像方法流程图;
图4是本申请实施例二提供的磁共振定量成像方法流程图;
图5是本申请实施例三提供的磁共振定量成像方法流程图;
图6是本申请实施例四提供的磁共振定量成像方法流程图;
图7是本申请实施例五提供的磁共振定量成像方法流程图;
图8本申请实施例提供的磁共振定量成像的控制设备的结构示意图;
图9是本申请实施例六提供的磁共振定量成像装置的结构示意图;
图10是本申请实施例七提供的磁共振定量成像装置的结构示意图;
图11是本申请实施例七提供的一种图像修正单元的结构示意图;
图12是本申请实施例七提供的另一种图像修正单元的结构示意图;
图13是本申请实施例八提供的磁共振定量成像装置的结构示意图。
具体实施方式
在介绍本申请的具体实施方式之前,首先介绍描述本申请实施方式时用到的技术术语。
显式解析解成像方法为使用有解析解的显示函数进行成像的方法。该显式解析解成像方法可以包括:并行成像方法、k-t BLAST方法和zero-padding方法等等。并且进一步地,并行成像方法包括两种成像方法,一种是自校准并行重建方法(Generalized Auto-calibrating Patially Parallel Acquisitions,GRAPPA),另一种是敏感度编码方法(Sensitivity Encoding,SENSE)。
深度神经网络(英文:Deep Neural Networks,缩写:DNN)是一种利用多层简单函数,逼近难以显式表达函数的方法,多层简单函数的参数可以由训练数据集训练得到。
DNN模型为数据驱动型模型,其不是根据现有的一些数据拟合出一数学模型,而是通过训练多组输入数据与期望预测结果之间的关系(即模型训练),从而得到一个能够准确描述输入数据与期望预测结果的关系。在该关系中,没有忽略影响预测结果的任一因素,因此,该DNN模型可以看作是对真实世界的真实描述,能够较为准确地反映真实世界。而磁共振成像过程中,可以获取到k-空间数据和理想的磁共振图像以及理想的磁共振定量值,因此,可以将DNN模型应用到磁共振成像以及磁共振定量成像过程中。
基于背景技术部分可知,目前,磁共振定量成像通常基于磁共振定量成像数学模型,利用数据拟合方法从多组重建的磁共振图像中获取磁共振定量值。然而这种方法存在以下缺陷:第一,磁共振图像的扫描时间过长;第二,用于计算磁共振定量的数学模型通常是真实世界的简化描述,忽略了很多影响定量值的因素,进而导致磁共振定量计算精度不足;第三,拟合计算的过程往往是非线性的,导致计算时间长。由于临床医学对磁共振定量成像的成像速度和成像质量有着越来越高的需求,以上缺陷均会对磁共振定量成像在临床医学中的进一步发展与应用造成消极影响。
现有的磁共振图像的扫描时间过长是因为,现有的磁共振成像方法采用单一图像重建算法实现从降采k-空间数据到图像的转换。而这一转换过程中,存在很多需要解决的问题,例如:各种伪影、图像分辨率低、噪声高等等。若这些问题仅通过一种图像重建算法实现,则需要消耗很长的时间。而发明人经过研究发现:由降采样数据重建得到的图像质量问题可具体划分为两大类:一类是可以用显示函数表达并且有显示解的问题,例如折叠伪影、由于半傅里叶采集造成的图像模糊和吉布斯伪影;另一类是难以用显示函数表达,或者没有显示解的问题,例如,高噪声、由于采集矩阵有限而造成的低分辨率和吉布斯伪影等。
而且,显式解析解成像例如并行成像是基于多通道线圈提供的冗余信息实现的,DNN图像重建是基于对先验知识的应用实现的。如此,显式解析解成像和DNN图像重建所基于的信息不同,因此,可以将这两种成像方法相继结合在一起使用,来发挥各自的优势,提高重建图像质量和重建速度,
此外,DNN模型为数据驱动型模型,其不是根据现有的一些数据拟合出一数学模型,而是通过训练多组输入数据与期望输出结果之间的关系(即模型训练),从而得到一个能够准确描述输入数据与期望输出结果的关系。因此,该DNN模型可以看作是对真实世界的真实描述,能够较为准确地反映真实世界。因此,通过DNN模型计算得到的磁共振定量值较为精准。
此外,当利用DNN模型获取磁共振定量时,则可以预先训练好用于获取磁共振定量的DNN模型,在应用时,直接利用该训练好的DNN模型来获取磁共振定量,可以大幅降低计算磁共振定量的运算时间。
基于此,本申请实施例提供了一种磁共振定量成像方法。首先,根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据;接着,分别相继采用第一深度神经网络模型的图像重建方法和显式解析解成像方法或者分别相继采用显式解析解成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到各个回波的磁共振图像;最后,将各个回波的磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像。该磁共振定量成像方法根据第二深度神经网络来获取磁共振定量值,因为深度神经网络为数据驱动型模型,而数据驱动型模型能够实现对真实世界的准确描述,因此,相较于现有的用于计算磁共振定量的成像数学模型,本申请根据深度神经网络模型能够获取较为精确的磁共振定量值。此外,该深度神经网络模型的运行较快,因此,本申请能够减少磁共振定量的计算时间,提高获取效率。此外,用于获取磁共振定量的第二深度神经网络模型的输入数据为重建得到的图像,这种利用深度神经网络进行重建图像的方法,图像重建速率较快。因此,该图像重建方法也有利于提高磁共振定量成像速度。
需要说明,本申请实施例提供的磁共振定量成像方法中,需要利用预先训练好的第一深度神经网络模型(以下简称Model1)对图像进行重建,和第二深度神经网络模型(以下简称Model2)以求取磁共振定量。因此,在利用Model1进行图像重建之前,需要训练好Model1;在利用Model2求解磁共振定量之前,需要训练好Model2。为便于理解,在介绍本申请实施例提供的磁共振定量方法之前,首先结合图1和图2分别描述本申请实施例提供的Model1、Model2的训练方法的具体实施方式。
如图1所示,是本申请实施例提供的Model1训练方法流程图。该Model1的训练方法包括:
S101:获取Model1训练集的输出训练样本和输入训练样本。
输出训练样本和输入训练样本是训练集用以训练和估计Model1的数据基础,为此,首先需要获取用于输出训练样本和输入训练样本。要求输出训练样本、输入训练样本分别与Model1训练完成后实际应用场景下输出数据、输入数据相关。如此,才可以保障利用Model1进行DNN重建后获得的磁共振图像的图像质量。
在本申请实施例中,要求Model1的输出数据是具有较高图像质量的磁共振图像,而由各个回波的满采或超满采k-空间数据重建得到的多个磁共振图像具有高图像质量,本申请实施例以由各个回波的满采或超满采k-空间数据重建得到的多个磁共振图像作为Model1的输出训练样本。
为了理解超满采k-空间数据的概念,首先介绍满采k-空间数据的概念。所谓满采k-空间数据是在磁共振定量成像的实际应用中,采集所有各行相位编码线上的数据。例如,设定磁共振定量成像的实际应用中,满采k-空间数据包括256行相位编码线上的数据,而超满采k-空间数据则包括多于256行相位编码线上的数据,例如包括384行相位编码线上的数据。从消耗的扫描时间来说,超满采k-空间数据的扫描时间大于满采k-空间数据的扫描时间,例如,超满采k-空间是满采k-空间扫描时间的1.5倍,甚至10倍。如此,由超满采k-空间数据重建得到的磁共振图像的信噪比和/或分辨率高于由满采k-空间数据重建得到的磁共振图像的信噪比和/或分辨率。
在该磁共振定量成像的应用场景下,显式解析解成像和DNN重建相继结合对多个回波的k-空间采集数据进行图像重建。其中,在本申请实施例中,显式解析解成像和DNN重建的顺序不做限定,如此,作为一示例,可以先进行显式解析解成像,再以显式解析解成像的结果作为DNN图像重建的输入,进行DNN重建。作为另一示例,也可以先进行DNN重建,再进行显式解析解成像重建。因此,对应于这两个示例,Model1的输入数据可以是采用显式解析解成像方法对降采样获得的多个回波的k-空间采集数据部分重建后,获得的图像,也可以是多个回波的k-空间采集数据。
相应地,对Model1的输入训练样本可以为由显式解析解成像对多个回波的部分k-空间数据进行部分重建得到的磁共振图像,也可以是多个回波的部分k-空间数据。而该多个回波的部分k-空间数据可以从上述输出训练样本对应的多个回波的超满采k-空间数据中选取出的部分k-空间数据。准确地说,本申请用于训练Model1的输入训练样本可以为由多个回波的特定部分k-空间数据或者其进行部分重建得到的磁共振图像,该多个回波的特定部分k-空间数据为从所述多个回波的超满采k-空间数据中选出的一定比例的k-空间数据。需要说明,一定比例可以为0~100%(不包括两端点)。
S102:将输入训练样本作为所训练Model1的输入,运行Model1,获得输入训练样本的预测结果。
需要说明,在本步骤中,获取到的输入训练样本的预测结果为输入训练样本对应的预测图像。
S103:判断预测结果与输出训练样本的结构相似性是否满足预设条件。如果满足预设条件,则执行步骤S104;如果不满足预设条件,则执行步骤S105。
输出训练样本在Model1训练过程中对于输入训练样本而言,具有Model1输入训练样本的预测结果的期望值意义。输入训练样本经过Model1获得的预测结果需要与由满采或超满采k-空间数据重建得到的磁共振图像进行比较,作为Model1参数调整与否以及具体如何调整的依据。需要说明的是,预测结果也是图像的形式。
结构相似性(英语:Structural Similarity Index,缩写:SSIM index)是一种衡量两幅图像相似度的指标,该指标最初由德州大学奥斯丁分校的图像和视频工程实验室提出,经常用于对未经压缩的无失真图像与失真后的图像进行比较、衡量。在本实施例预先训练Model1的过程中,可将预测结果理解为失真后图像,将输出训练样本理解为无失真图像。
本步骤中所说的预设条件,可以是预设的用于衡量Model1训练是否完成的条件。举例而言,预设条件可以是一个也可以包含多个子预设条件,可以是输入训练样本的预测结果与输出训练样本SSIM index阈值下限。下面给出一个更具体的示例:预设条件为预测结果与输出训练样本的(x1,y1)~(x2,y2)矩形区域内SSIM index不小于87%。预设条件是制约所训练Model1精准性的关键条件,常根据经验设置。
S104:停止迭代,完成对Model1的训练。
若步骤S103的判断结果为是,则表明输入训练样本的预测结果与输出训练样本的结构相似性已经满足了预设条件,符合Model1训练的要求。该Model1已经可以用于磁共振定量成像。
S105:调整所训练Model1的相关参数,并返回执行S102。
若步骤S103的判断结果为否,则表明输入训练样本的预测结果与输出训练样本的结构相似性仍未能达到Model1的训练要求。需要以Model1的该次输出训练样本作为Model1参数求解的已知变量,对当前模型的相关参数加以调整。调整后,还需要进一步训练Model1,因此返回执行S102,重复迭代过程,直至最终Model1训练完成。
需要说明,为了提高Model1的准确度,该Model1还可以在实际应用中不断地利用新的训练样本进行训练,以不断更新Model1,提高Model1的准确度,进而提高图像重建质量。
以上为本申请实施例提供的Model1训练方法的具体实施方式。经上述训练得到的Model1可应用于如下实施例提供的磁共振定量成像过程中的磁共振图像的重建。
下面介绍本申请实施例提供的Model2训练方法的具体实施方式。
如图2所示,是本申请实施例提供的Model2训练方法流程图。该Model2的训练方法包括:
S201:获取Model2训练集的输出训练样本和输入训练样本。
输出训练样本和输入训练样本是训练集用以训练和估计Model2的数据基础,为此,首先需要获取用于输出训练样本和输入训练样本。要求输出训练样本、输入训练样本分别与Model2训练完成后实际应用场景下输出数据、输入数据相关。如此,才可以保障利用Model2求解磁共振定量的准确性。
在本申请实施例中,要求Model2的输出数据是具有较高准确性的磁共振定量值,而由各个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值准确性较高,因此,本申请实施例以由各个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集作为Model2的输出训练样本。在该磁共振定量成像的应用场景下,根据Model2的输入图像和Model2,获取磁共振定量图。其中,在本申请实施例中,Model2的输入图像是分别采用并行成像方法和Model1的图像重建方法相继对各个回波的k-空间采集数据进行图像重建后,获得的图像。因此,相应地,对Model2的输入训练样本可以为以多个回波的部分k-空间数据通过部分重建方法和Model1的图像重建方法相继重建后得到的图像的各个子集。
可选地,为提高所训练Model2对磁共振定量值计算的准确性,该多个回波的部分k-空间数据可以为训练Model1所用的输入训练样本对应的多个回波的特定部分k-空间数据,即从所述多个回波的满采或超满采k-空间数据中选出的一定比例的k-空间数据。
需要说明的是,在本实施例中,一副磁共振图像的一个子集可以为该幅磁共振图像的一部分,一副磁共振图像的各个子集共同组成了该幅完整的磁共振图像。
在磁共振定量图中,一个图像点的磁共振定量值的计算不依赖于周边其它点的磁共振定量值,因此,为了增加model2的泛化能力,扩增model2的训练集,在本实施例中,可以将磁共振图像的各个子集作为Model2的输入训练样本,相比于将整幅图像作为Model2的输入训练样本,能够有效扩大训练集。应用扩大化的训练集训练样本能够提升Model2的训练效果。
磁共振图像的子集可以是对图像逐点划分的图像点。例如一幅由256×256个图像点构成的图像,如果按照各图像点为图像划分子集,则该幅图像共有65536个子集。此外,图像的子集还可以是对图像逐片划分的图像区域,例如将图像中组织定量值差异小于第一阈值的结构对应的图像区域作为一片,每一片称为该图像的一个子集。另外,图像的子集还可以是对图像逐类划分的图像区域,例如将灰度值作为划分类的基准,图像中灰度值差异小于第二阈值的图像区域作为一类,每一类称为该图像的一个子集。上述磁共振图像子集的描述仅为为图像子集的方式仅为示例性说明,对应用于本申请的图像其他子集形式不做限制。
S202:逐一将各个回波的磁共振图像的各个子集输入到第二深度神经网络模型中,依次获取到各个回波的磁共振图像的各个子集对应的预测磁共振定量。
举例说明:设定在本申请实施例中,采用6个回波,每个回波包括3个子集,如此,共包括18个磁共振图像的子集,则S202具体为:逐一将该18个子集输入到第二深度神经网络模型中,依次获取到该18个子集分别对应的预测磁共振定量。
在本步骤中,一副磁共振图像可以包括多个磁共振图像的子集。
S203:分别判断各个回波的磁共振图像的各个子集对应的预测磁共振定量与输出训练样本中对应子集的磁共振定量的平均方差是否小于预设阈值,如果各个平均方差均小于预设阈值,则执行步骤S204;如果存在至少一个平均方差不小于预设阈值,则执行步骤S205。
本申请实施例提供的Model2训练方法采用平均方差(英文:Mean Square Error,缩写:MSE)作为度量预测磁共振定量相对输出训练样本的波动性的指标。输出训练样本在Model2训练过程中对于输入训练样本而言,具有Model2输入训练样本的预测磁共振定量的期望值意义。因此,一个子集的预测磁共振定量与输出训练样本中对应子集的磁共振定量的平均方差越小,表明该子集的预测磁共振定量相对输出训练样本的波动性或偏离程度越小,该子集的预测磁共振定量越逼近理想的期望值。本步骤中,将各个回波的磁共振图像的各个子集通过Model2获得的预测磁共振定量与输出训练样本中对应子集的磁共振定量之间的MSE与预设阈值进行比较,比较结果作为Model2参数调整与否以及具体如何调整的依据。
本步骤中所说的预设阈值,可以是预设的用于衡量Model2训练是否完成的条件,同时也是制约所训练Model2求解磁共振定量准确性的关键条件,常根据经验设置。举例而言,预设阈值可以为0.06。
仍以S202中所举的例子进行说明。在示例的18个的子集中,若该18个子集的预设磁共振定量与输出训练样本中对应子集的磁共振定量的平均方差均小于预设阈值,则执行步骤S204;如果存在至少一个平均方差不小于预设阈值,则执行步骤S205。
S204:停止迭代,完成对Model2的训练。
若各个子集对应的输入训练样本经过Model2获得的预测磁共振定量与输出训练样本中对应子集的磁共振定量的MSE均小于0.06,表明Model2已达到期望目标,该Model2已经可以用于磁共振定量成像。
S205:调整所训练Model2的相关参数,并返回执行S202。
若各个子集对应的输入训练样本经过Model2获得的预测磁共振定量与输出训练样本中对应子集的磁共振定量的MSE不小于0.06,则表明Model2未达到期望目标,需要以Model2的该次输出训练样本作为Model2参数求解的已知变量,对当前模型的相关参数加以调整。调整后,还需要进一步训练Model2,因此返回执行S202,重复迭代过程,直至最终Model2训练完成。
需要说明,为了提高Model2的准确度,该Model2还可以在实际应用中不断地利用新的训练样本进行训练,以不断更新Model2,提高Model2的准确度,进而提高图像重建质量。
以上为本申请实施例提供的Model2训练方法的具体实施方式。经上述训练得到的Model2可应用于如下实施例提供的磁共振定量成像方法中。
需要说明,在本申请实施例中,Model1和Model2可以使用相同类型的DNN模型,也可以采用不同类型的DNN模型,例如Model1可以采用ResNET模型,Model2可以采用Unet模型。
下面结合附图3详细描述本申请提供的磁共振定量成像方法的具体实现方式。
本申请实施例提供的磁共振定量成像方法利用DNN和显示解析解成像方法结合的方式来共同完成各回波磁共振图像的重建。并且,为了显示解析解成像方法和DNN重建图像的优势,显示解析解成像方法可以完成一部分图像重建过程,而DNN重建图像方法可以完成剩余部分的图像重建过程。例如,设定降采样采集的原始k-空间数据为完整k-空间数据的20%,则可以利用该20%的k-空间数据通过显示解析解成像方法重建出40%的k-空间数据,然后再利用该40%的k-空间数据通过DNN重建出100%k-空间数据,即完整k-空间数据。
更具体地,当显示解析解成像方法包括并行成像方法和半傅里叶成像方法时,上述例子可以具体为:采用采集到的20%的原始k-空间数据通过并行成像方法重建出40%的k-空间数据,然后,采用该重建出的40%的k-空间数据通过半傅里叶重建方法得到50%的k-空间数据,最后,采用该50%的k-空间数据通过DNN模型,重建出100%的k-空间数据及其图像。
需要说明,在下述具体实现方式中,以显式解析解成像方法为并行成像方法为例,以Model1的输入数据为由并行成像方法对降采样获得的多个回波的k-空间采集数据部分重建后,获得的图像为例进行描述。如此,在下述各实施例提供的成像方法中,均是先进行并行成像,然后再进行DNN重建。
实施例一
需要说明,在本申请实施例中,利用并行成像方法和利用Model1相继结合方式来共同完成各回波磁共振图像的重建。并且,为了发挥并行成像方法和DNN重建图像的优势,并行成像方法可以完成一部分图像重建过程,而DNN重建图像方法可以完成剩余部分的图像重建过程。
请参见图3,本申请实施例提供的磁共振定量成像方法包括以下步骤:
S301:根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据。
本实施例为实现磁共振定量成像,需要首先获取多个回波对应的k-空间数据。降采样方式是一种加快磁共振定量成像速度的数据采样方法,利用降采样方式对多个回波的k-空间数据进行部分采集,得到多个回波的k-空间采集数据用于并行成像后续的部分重建。降采样的方式可以有多种,例如随机降采样,变密度降采样,等密度降采样和半傅里叶采样等。
为便于理解,以采样目标是一幅二维图像为例对降采样方式进行说明。以等密度采样为示例,若采样的加速倍数(又称加速因子)R=2,则对于一幅二维图像可以每隔一行或一列获取图像中的数据。由于采集数据量缩减,由此,实现采集速度的提升。
S302:分别相继采用并行成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到各个回波的磁共振图像。
本申请实施例为提高最终求取的磁共振定量值的准确性,从以下两个方面提高。第一方面,需要提高各个回波的磁共振图像的质量。第二方面,需要保证预先训练的第二深度神经网络模型的可靠性。第二方面通过本申请实施例前述提供的Model2训练方法实现方式来保障。
本步骤主要从第一方面入手,但是需要说明的是,本步骤提高各个回波的磁共振图像质量的同时,也为实现较高的图像重建速度。步骤S302可以具体包括:
A1:采用并行成像方法对每个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像。
需要注意的是,由于采集多个回波的部分k-空间数据的降采样方式有多种选择,利用不同的降采样方式获得的多个回波的k-空间采集数据具有不同的数据特点,因此,步骤A1中为了获得较好的图像重建效果,可针对不同的降采样方式采用不同的并行成像重建方法。
作为一种示例,当步骤S301采用随机降采样方式或变密度降采样方式采集多个回波的部分k-空间数据时,则可使用GRAPPA对各个回波的k-空间采集数据进行部分重建,得到各个回波虚拟通道的部分k-空间数据;接着,对各个回波虚拟通道的部分k-空间数据进行图像重建,得到各个回波的第一图像。
作为另一种示例,当步骤S301采用等密度降采样方式时,例如等距离采样或交叉等距离采样来采集部分k-空间数据,则可使用敏感度编码方法SENSE对各个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像。SENSE算法是一种图像域重建算法,通过傅里叶变换将k-空间采集数据变换到图像域,然后在图像域进行插值,重建得到各个回波的第一图像。
本步骤A1中,利用并行成像方法对每个回波的k-空间采集数据进行部分重建,相比于完全重建,提高了图像重建速度。所谓部分重建,是指重建出的图像不是完整k-空间内的图像,而是部分k-空间中的图像。也就是说,部分重建仅拟合出k-空间中的部分未采集数据,而非全部为采集数据。例如,采集的k-空间为第1行、第5行、……、第4n+1行数据,则经过部分重建后,拟合出第2行、第6行、……、第4n+2行数据,而没有拟合第4n+3行以及第4n+4行的数据。
由此可知,采用并行重建方法对每个回波的k-空间采集数据进行部分重建,能够有效节省磁共振定量成像的时间。
为了发挥并行成像方法的优势,本步骤A1使用与采集多个回波的部分k-空间数据的降采样方式相对应的并行成像重建方法进行部分重建,主要目的是为改善磁共振图像的折叠伪影问题。
A2:根据所述各个回波的第一图像和第一深度神经网络模型,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像,将各个回波的第二图像作为各个回波的磁共振图像。
尽管经过步骤A1对每个回波的k-空间采集数据部分重建后得到各个回波的第一图像,有效缩短了采集时间,提高了磁共振定量成像速度,并且能够解决磁共振定量成像中折叠伪影的问题,但各个回波的第一图像仍存在噪声高、分辨率低的问题。有鉴于此,结合DNN重建在超分辨、去噪等方面的优势,在本步骤A2中,以各个回波的第一图像作为第一深度神经网络模型的输入,通过第一深度神经网络模型进行完全重建,以解决各个回波的第一图像存在的噪声高、分辨率低的问题。
本步骤A2采用预先训练好的Model1实现对各个回波的第一图像的完全重建。
由于根据步骤S301和A1所得的各个回波的第一图像与Model1输入训练样本具有极其紧密的相关性,并且输出训练样本是由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像,根据这些训练样本获得的Model1所输出的各个回波的第二图像其图像质量具有较高的可靠性保障,因此本步骤A2中为重建磁共振图像,将第一图像作为Model1的输入后,最终Model1所输出的多个回波的第二图像相较于对应回波的第一图像,图像噪声减少,图像分辨率得到提高。将各个回波的第二图像作为各个回波的磁共振图像。
S303:将各个回波的磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像。
本步骤根据步骤S302得到的各个回波的磁共振图像,和预先训练好的Model2,获取磁共振定量值。作为示例,这里所说的磁共振定量,可以包括弛豫时间T1、弛豫时间质子密度(英文:Proton Density,缩写:PD)和磁量图(英文:Quantitative SusceptibilityMapping,缩写:QSM)等四组中的一组或多组。
以上为本申请实施例一提供的磁共振定量成像方法。该磁共振定量成像方法根据第二深度神经网络来获取磁共振定量值,因为深度神经网络为数据驱动型模型,而数据驱动型模型不会忽略影响预测结果的因素,能够实现对真实世界的准确描述,因此,相较于现有的用于计算磁共振定量的成像数学模型,本申请实施例根据深度神经网络模型能够获取较为精确的磁共振定量值。此外,该深度神经网络模型的运行较快,因此,本申请能够减少磁共振定量的计算时间,提高获取效率。此外,用于获取磁共振定量的第二深度神经网络的输入数据为重建得到的图像,这种利用深度神经网络进行重建图像的方法,图像重建速率较快。因此,该图像重建方法也有利于提高磁共振定量成像速度。
需要说明,由于在上述实施例提供的磁共振成像方法中,通过降采样方式获得的k-空间采集数据是实际采集得到的,能够体现数据的真实性,有利于修正上述S302获得的磁共振图像。为此,为进一步提高磁共振成像的成像质量,本申请实施例还提供了磁共振定量成像的另一种实现方式,具体参见实施例二。
实施例二
需要说明的是,实施例二与实施例一有诸多相似之处,为了简要起见,此处仅对其不同之处进行改进,其相似之处请参见实施例一的相应描述。
请参见图4,是本申请实施例二提供的磁共振定量成像方法流程图。如图4所示,该磁共振定量成像方法包括:
S401:根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据。
S402:采用并行成像方法对每个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像。
S403:根据所述各个回波的第一图像和第一深度神经网络模型,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像,将各个回波的第二图像作为各个回波的磁共振图像。
本实施例中步骤S401、S402、S403分别与实施例一中步骤S301、A1、A2相同,为了简要起见,在此不再详细描述,详细信息请参见实施例一中的描述。
S404:分别利用各个回波的k-空间采集数据,对相应回波的磁共振图像进行修正,将修正后的各个回波图像作为各个回波的最终磁共振图像。
S405:将各个回波的最终磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像。
本实施例中步骤S405与实施例一中步骤S303相似,但与之不同的是,第二深度神经网络模型的输入是经过S404修正后获得的各个回波的最终磁共振图像。由于经过修正,第二深度神经网络模型的输入可靠性增强,因而能够提高S405磁共振定量求解的准确性。
需要说明的是,由于在本实施例中,第二深度神经网络模型的输入与实施例一中的Model2的输入相比发生了变化,因此,本实施例中所用的第二深度神经网络模型在预先训练过程中所用的输入训练样本为:以多个回波的特定部分k-空间数据经过部分重建和第一深度神经网络模型的完全重建后得到的图像经过S404对应的修正方式修正后,获得的各个回波的最终磁共振图像。
上述实施例二所提供的磁共振定量成像方法中,在S404对各个回波的磁共振图像的修正具有多种实现方式,由此容易理解的是,根据S404的实现方式可以形成多种磁共振定量成像方法的实现方式。下面结合实施例和附图详细描述几种本申请提供的磁共振定量成像方法的具体实现方式。需要说明的是,以下实施例仅为本申请对所提供磁共振定量成像方法实现方式的示例性说明和描述,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例三
需要说明的是,实施例三与实施例二有诸多相似之处,为了简要起见,此处仅对其不同之处进行改进,其相似之处请参见实施例二的相应描述。
请参见图5,是本申请实施例三提供的磁共振定量成像方法流程图。如图5所示,该磁共振定量成像方法包括:
S501:根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据。
S502:采用并行成像方法对每个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像。
S503:根据所述各个回波的第一图像和第一深度神经网络模型,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像,将各个回波的第二图像作为各个回波的磁共振图像。
本实施例中步骤S501至S503分别与实施例二中步骤S401至S403相同,为了简要起见,在此不再详细描述,详细信息请参见实施例一中的描述。以下步骤S504至S506将对应于实施例二中S404,具体描述如何利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
S504:将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据。
经过映射得到的各个回波的第一完整k-空间数据,具体包括:采样区域的k-空间数据和非采样区域的k-空间数据。对于采样区域,相比于当前各个回波的第一完整k-空间数据中的采样区域的k-空间数据,前期已经在步骤S501中获得实际采样得到的多个回波的k-空间采集数据;对于非采样区域,当前第一完整k-空间数据中的非采样区域的k-空间数据,即为该区域经图像重建后得到的较优数据资源。
S505:利用各个回波的k-空间采集数据分别替换对应回波的第一完整k-空间数据中的采样区域的k-空间数据,得到各个回波的第二完整k-空间数据。
由于通过降采样方式获得的多个回波的k-空间采集数据,与各个回波的第二图像映射到k-空间后对应的采样区域k-空间数据相比,其数据是切实采集而非重建映射的,能够体现更高的真实性,有利于呈现较优的磁共振图像。为此,为提高磁共振定量成像的成像质量,本步骤中将各个回波的第一完整k-空间数据中的采样区域的k-空间数据替换为经过步骤S501获得的各个回波的k-空间采集数据。非采样区域的k-空间数据不做任何变动。替换到采样区域的k-空间采集数据与非采样区域的k-空间数据共同构成各个回波的第二完整k-空间数据。
S506:根据各个回波的第二完整k-空间数据进行图像重建,得到各个回波的最终磁共振图像。
根据步骤S405得到的各个回波第二完整k-空间数据,相比于各个回波的第一完整k-空间数据,具有更加真实的数据资源。故而,将各个回波第二完整k-空间数据进行图像的重建,得到的最终磁共振图像相比于步骤S503获得的各个回波的磁共振图像,具有更高的图像质量以及可信度。
S507:将各个回波的最终磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像。
以上为本申请实施例三提供的磁共振定量成像方法。该方法对于采样区域,由降采样获得的多个回波的k-空间采集数据,相比于多个回波的磁共振图像映射到k-空间数据后采样区域的k-空间数据,更加贴合实际情况。由此,将采样区域的k-空间数据替换为多个回波的k-空间采集数据,重建后得到的最终磁共振图像质量和可靠性得以提高。进而,以最终磁共振图像的子集作为该第二深度神经网络模型的最终输入图像具有更高的质量和分辨率,能够相应提高S507中磁共振定量求解的准确性。
另外,本申请在实施例二所提供的磁共振定量成像方法的基础上,还提供了另一种磁共振定量成像方法中对磁共振图像的修正的实现方式。采用并行成像方法、DNN重建方法以及半傅里叶重建方法相继结合方式分别处理影响磁共振定量成像过程中易影响图像质量的问题。并且,为了发挥并行成像方法、DNN重建图像和半傅里叶重建图像的优势,若设定降采样倍数为5,则原始k-空间数据为20%的完整k-空间数据。则采用采集到的20%的原始k-空间数据通过并行成像方法重建出40%的k-空间数据,然后,采用该重建出的40%的k-空间数据通过半傅里叶重建方法得到50%的k-空间数据,最后,采用该50%的k-空间数据通过DNN模型,重建出100%的k-空间数据及其图像。
下面结合附图6详细描述本实施例提供的该磁共振定量成像方法的具体实现方式。
实施例四
需要说明的是,实施例四与实施例二有诸多相似之处,为了简要起见,此处仅对其不同之处进行改进,其相似之处请参见实施例二的相应描述。
请参见图6,是本申请实施例四提供的磁共振定量成像方法流程图。如图6所示,该磁共振定量成像方法包括:
S601:根据半傅里叶采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据。
半傅里叶采样方式仅采集略多于半数的数据,所以扫描时间降低了近一半,理论上加速倍数R在1~2之间。这种采样方式将半傅里叶区间作为k-空间的采样区域,而半傅里叶区间以外的k-空间数据不进行采集。为便于理解,下面对半傅里叶采样方式进行举例说明。
作为二维磁共振成像的示例,若半傅里叶系数为0.8,则将相位编码方向连续的80%区间作为采样区域。对于二维磁共振成像,相位编码仅有一个方向,因此在k-空间的一条直线方向上定义部分采样点,采集部分采样点得到k-空间采集数据。在该示例实施场景下,部分采样点可以是等距离分布、变密度分布或是随机分布的。
作为三维磁共振成像的示例,可以在两个相位编码方向使用半傅里叶采样,比如半傅里叶系数分别为0.8和0.9,则在两个相位编码方向构成的夹角内连续72%的区间作为采样区域。可以在k-空间内两个相位编码方向形成的平面上定义部分采样点,采集部分采样点得到k-空间采集数据。在该示例实施场景下,部分采样点可以是等距离分布、较差等距离分布、随机分布、变密度随机分布或是变密度泊松分布等分布状态。
作为动态磁共振成像的示例,可以在相位编码方向和时间维度方向形成的二维或三维空间内定义部分采样点,采集部分采样点得到k-空间采集数据。
S602:采用并行成像方法对每个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像。
S603:根据所述各个回波的第一图像和第一深度神经网络模型,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像,将各个回波的第二图像作为各个回波的磁共振图像。
本实施例中步骤S602、S603分别与实施例二中步骤S402、S403相同,为了简要起见,在此不再详细描述,详细信息请参见实施例二中的描述。以下步骤S604至S609将对应于实施例二中S404,具体描述如何利用k-空间采集数据,对所述磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。
S604:将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据。
经过映射得到的各个回波的第一完整k-空间数据,具体包括:采样区域的k-空间数据和非采样区域的第一k-空间数据。对于采样区域,相比于当前第一完整k-空间数据中的采样区域的k-空间数据,前期已经在步骤S601中获得了根据半傅里叶采样方式实际采样得到的k-空间采集数据;对于非采样区域,当前第一完整k-空间数据中的非采样区域的第一k-空间数据即为该区域经图像重建后对应的数据资源。
然而,为了进一步优化用于最终图像重建的k-空间数据,本实施例还分别针对第一完整k-空间数据中的采样区域的k-空间数据及非采样区域的第一k-空间数据进行了如下操作:
S605:将各个回波的第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到各个回波的第三完整k-空间数据。
将各个回波第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,主要是为了便于以半傅里叶重建方法对k-空间数据进行重建。将各个回波经过设置后的k-空间数据称为各个回波的第三完整k-空间数据,其中包括采样区域的k-空间数据,以及非采样区域的k-空间数据。各个回波第三完整k-空间数据中采样区域的k-空间数据,与第一完整k-空间数据中采样区域的k-空间数据一致;而各个回波第三完整k-空间数据中非采样区域的k-空间数据均为0。
S606:分别利用各个回波第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到各个回波的非采样区域的第二k-空间数据。
半傅里叶重建方法对数据进行重建的原理是:利用k-空间的数学对称性对数据进行复制。因此,在本步骤中,经过半傅里叶重建后,各个回波非采样区域的k-空间数据均从0重建为对应回波采样区域的k-空间数据对称性复制后所对应的数据,将其称为各个回波的非采样区域的第二k-空间数据。
经研究发现,此步骤中半傅里叶重建方法进行数据重建,可以有效解决由于S601半傅里叶采样方式采集部分k-空间数据所带来的图像模糊和吉布斯伪影等问题。
S607:将各个回波的非采样区域的第一k-空间数据与非采样区域的第二k-空间数据进行加权平均,得到各个回波的非采样区域的第三k-空间数据。
本实施例中,为优化各个回波最终用于图像重建的k-空间数据,对于非采样区域,将第一完整k-空间数据的非采样区域的k-空间数据,与半傅里叶数据重建后获得的非采样区域的半傅里叶重建k-空间数据,以加权平均的形式计算,得到各个回波的非采样区域k-空间数据作为非采样区域的最终重建k-空间数据。
作为本步骤的替代实现方式,还可以为各个回波的非采样区域的第一k-空间数据与各个回波的非采样区域的第二k-空间数据分别设置系数,再进行数学计算。例如,为非采样区域的第一k-空间数据设置系数q,为非采样区域的第二k-空间数据设置系数p,将各数据与对应系数相乘,再将乘以系数后的k-空间对应数据相加得到各个回波的非采样区域的第三k-空间数据。
S608:将各个回波的非采样区域的第三k-空间数据和对应回波的k-空间采集数据相加,得到各个回波的第四完整k-空间数据。
对于采样区域,与本申请实施例三类似地,相比于当前第一完整k-空间数据中的采样区域的k-空间数据,前期已经在步骤S601中获得了根据半傅里叶采样方式实际采样得到的k-空间采集数据,因此,以各个回波的k-空间采集数据,作为各个回波用于最终图像重建的采样区域优选的k-空间数据。
由此,各个回波非采样区域的第三k-空间数据和采样区域的k-空间采集数据共同构成了第四完整k-空间数据。
S609:根据各个回波的第四完整k-空间数据进行图像重建,分别得到各个回波的最终磁共振图像。
各个回波的第四完整k-空间数据中,所包含的是用于优化最终图像重建效果的k-空间数据,具体包括:针对非采样区域所优化的第三k-空间数据,以及针对采样区域所替换的k-空间采集数据。故,针对各个回波的第四完整k-空间数据进行最终图像重建后,能够得到相较于磁共振图像更高质量的重建图像,以此作为各个回波的最终磁共振图像。
S610:将各个回波的最终磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像。
以上为本实施例四提供的磁共振定量成像方法。该方法在采集多个回波的部分k-空间数据时,采用了半傅里叶采样方式,基于该降采样方式的特点,针对各个回波的第一完整k-空间数据中非采样区域的第一k-空间数据进行了处理。具体地,对第一完整k-空间数据中非采样区域的第一k-空间数据置0,再以半傅里叶重建方法进行数据重建获得非采样区域的第二k-空间数据;之后,非采样区域的第一k-空间数据与非采样区域的第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据作为用于最终图像重建的第四完整k-空间数据中非采样区域k-空间数据。
另外,对于采样区域,由各个回波半傅里叶采样方式获得的k-空间采集数据,相比于各个回波第二图像映射到k-空间数据后采样区域的k-空间数据,真实,并且能够提高图像重建的可靠性,因此,以k-空间采集数据作为用于最终图像重建的第四完整k-空间数据中采样区域k-空间数据。如此,非采样区域的第三k-空间数据与k-空间采集数据共同构成的第四完整k-空间数据可用于图像最终重建,最终重建后获得的图像能够去除多种伪影,具有更高的质量、分辨率和清晰度,因而可以作为最终磁共振图像。根据该最终磁共振图像和第二深度神经网络模型,可以获取更高准确度的磁共振定量值。
此外,当降采样方式为半傅里叶采样方式时,作为本申请实施例四的替换实施例,也可以在进行并行成像之后,DNN重建之前,进行半傅里叶重建。详见实施例五。
实施例五
请参见图7,本申请实施例五提供的磁共振定量成像方法流程图。如图7所示,该磁共振定量成像方法包括:
S701:根据半傅里叶采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据。
S702:采用并行成像方法对每个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像。
本实施例中,步骤S701、S702与上述实施例四中的步骤S601、S602相同,为了简要起见,在此不再详细描述。
S703:对各个回波的第一图像进行半傅里叶重建,得到各个回波的第三图像。
S704:以各个回波的第三图像作为第一深度神经网络模型的输入,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像。
各个回波的第二图像即作为磁共振图像。
S705:将各个回波的磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像。
以上为本申请实施例五提供的磁共振定量成像方法的具体实现方式。
该方法在采集多个回波的部分k-空间数据时,采用了半傅里叶采样方式,基于该降采样方式的特点,针对并行成像方法部分重建获得的各个回波的第一图像,首先进行半傅里叶重建,获得各个回波的第三图像,作为第一深度神经网络模型的输入;再根据各个回波的第三图像和第一深度神经网络模型,完全重建获得各个回波的第二图像,作为第二深度神经网络模型的输入;最后将各个回波的最终磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像。由于本实施例采用了并行成像方法、DNN重建方法以及半傅里叶重建方法相继结合方式分别处理影响磁共振定量成像过程中易影响图像质量的问题,故,第二深度神经网络模型的最终输入图像的质量和可靠性得到提升,有利于提高磁共振定量求解的准确性。
上述各实施例提供的磁共振定量成像方法是以先对k-空间采集数据进行并行成像再进行DNN重建的顺序作为并行成像和第一深度神经网络模型相继进行图像重建的示例说明的。实际上,本申请提供的磁共振定量成像方法也可以先进行DNN重建,再进行并行成像的顺序实现本申请提供的磁共振图像的重建。
需要说明,当采用先进行第一深度神经网络模型重建,再进行并行成像的顺序实现本申请提供的磁共振图像的重建时,相应地,第一深度神经网络模型的输入数据为部分k-空间数据,而非并行成像部分重建后的图像。如此,用于训练第一深度神经网络模型的输入训练样本为特定部分k-空间数据。
根据上述按照先进行并行成像,再进行DNN重建的顺序进行磁共振定量成像的具体实现方式,本领域技术人员很容易想到按照先进行DNN重建,再进行并行成像的顺序进行磁共振定量成像的具体实施方式,为了简要起见,在此不再详细描述。
此外,上述实施例中的并行成像方法是显式解析解成像方法的一个示例,不应理解为对本申请实施例的限定。实际上,作为本申请实施例的扩展,上述并行成像方法可以替换为k-t BLAST方法或zero-padding方法等其它显式解析解成像方法。换句话说,只要采用显式解析解成像方法和通过第一深度神经网络模型的图像重建方法相继对所述k-空间采集数据进行图像重建,得到第二深度神经网络模型的输入图像,再根据该输入图像和第二深度神经网络模型获取磁共振定量的实现方式,均在本申请的保护范围之列。
上述各实施例提供的磁共振定量成像方法可以由图8所示的控制设备执行。图8所示的控制设备包括处理器(processor)810,通信接口(Communications Interface)820,存储器(memory)830,总线840。处理器810,通信接口820,存储器830通过总线840完成相互间的通信。
其中,存储器830中可以存储有磁共振定量成像的逻辑指令,该存储器例如可以是非易失性存储器(non-volatile memory)。处理器810可以调用执行存储器830中的磁共振定量成像的逻辑指令,以执行上述的磁共振定量成像方法。作为实施例,该磁共振定量成像的逻辑指令可以为控制软件对应的程序,在处理器执行该指令时,控制设备可以对应地在显示界面上显示该指令对应的功能界面。
磁共振定量成像的逻辑指令的功能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,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上述的磁共振定量成像的逻辑指令,可以称为“磁共振定量成像装置”,该装置可以划分成各个功能模块。具体参见以下实施例。
下面结合附图介绍本申请实施例提供的磁共振定量成像装置的具体实施方式。
实施例六
参见图9,为本申请实施例提供六的一种磁共振定量成像装置的结构示意图,该装置包括:
采集单元91,用于根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据;
图像重建单元92,用于分别相继采用第一深度神经网络模型的图像重建方法和显式解析解成像方法或者分别相继采用显式解析解成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到各个回波的磁共振图像;
磁共振定量成像单元93,用于逐一将各个回波的磁共振图像的各个子集输入到第二深度神经网络模型中,依次获取到各个子集对应的磁共振定量,进而得到磁共振定量图像;其中,每个回波的磁共振图像的子集为对应回波的磁共振图像的一部分;
其中,所述第一深度神经网络模型为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像作为输出训练样本、由多个回波的特定部分k-空间数据或者其部分重建得到的各个磁共振图像作为输入训练样本进行训练得到的,所述多个回波的特定部分k-空间数据为从各个回波的满采或超满采k-空间数据中分别选出的特定比例的k-空间数据;
所述第二深度神经网络模型为根据由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集作为输出训练样本,以多个回波的特定部分k-空间数据通过部分重建方法和第一深度神经网络模型的图像重建方法相继重建后得到的图像的各个子集作为输入训练样本进行训练得到的。
当图像重建单元92相继采用显式解析解成像方法和深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建时,图像重建单元92可以包括:
第一图像重建子单元921,用于采用显式解析解成像方法对各个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像;
第二图像重建子单元922,用于根据各个回波的第一图像和第一深度神经网络模型,通过第一深度神经网络模型进行完全重建,得到各个回波的第二图像作为磁共振图像。
由于本申请实施例提供的磁共振定量成像装置中,需要利用预先训练好的第一深度神经网络模型对图像进行重建,因此,可选地,该装置还可以包括:第一模型训练单元94,用于预先训练所述第一深度神经网络模型,第一模型训练单元94,具体包括:
第一获取子单元941,用于获取训练集的输出训练样本和输入训练样本,所述输出训练样本为由各个回波的满采或超满采k-空间数据重建得到的多个磁共振图像;所述输入训练样本为由特定部分k-空间数据或者其进行部分重建得到的磁共振图像;所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的特定比例的k-空间数据;
第一迭代子单元942,用于利用所述输入训练样本和所述输出训练样本迭代第一深度神经网络模型中的参数,在每次迭代过程中,将所述输入训练样本作为第一深度神经网络模型的输入,通过第一深度神经网络模型后得到输入训练样本的预测结果;判断所述预测结果与所述输出训练样本之间的结构相似性是否满足预设条件,如果是,停止迭代,第一深度神经网络模型训练完成,如果否,调整第一深度神经网络模型的参数,继续进行下一次迭代过程。
此外,由于本申请实施例提供的磁共振定量成像装置中,需要利用预先训练好的第二深度神经网络模型对磁共振定量进行成像,因此,可选地,该装置还可以包括:第二模型训练单元95,用于预先训练所述第二深度神经网络模型,第二模型训练单元95,具体包括:
第二获取子单元951,用于获取训练集的输出训练样本和输入训练样本,所述输出训练样本为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集,所述输入训练样本为以多个回波的特定部分k-空间数据经过部分重建和第一深度神经网络模型的完全重建后得到的图像的各个子集作为输入训练样本;
第二迭代子单元952,用于利用所述输入训练样本和所述输出训练样本迭代第二深度神经网络模型中的参数,在每次迭代过程中,将各幅磁共振图像的各个子集作为第二深度神经网络模型的输入,通过第二深度神经网络模型后得到该子集的预测结果,分别判断各幅磁共振图像的各个子集的预测结果与所述输出训练样本中对应子集的磁共振定量之间的平均方差否小于预设阈值,如果各个平均方差均小于预设阈值,停止迭代,第二深度神经网络模型训练完成,如果存在至少一个平均方差不小于预设阈值,调整第二深度神经网络模型的参数,继续进行下一次迭代过程。
需要说明,为了提高第一模型训练单元94、第二模型训练单元95分别训练第一深度神经网络模型、第二深度神经网络模型的准确度,还可以在实际应用中不断地利用新的训练样本对第一模型训练单元94、第二模型训练单元95进行训练,以不断更新第一模型训练单元94、第二模型训练单元95,提高第一模型训练单元94、第二模型训练单元95的准确度,并分别应用到图像重建、磁共振定量成像中,进而提高磁共振定量求解的准确度。
以上为本申请实施例五提供的磁共振定量成像装置。该磁共振定量成像装置根据第二深度神经网络来获取磁共振定量值,因为深度神经网络为数据驱动型模型,能够实现对真实世界的准确描述,因此,相较于现有的用于计算磁共振定量的成像数学模型,本申请实施例五提供的磁共振定量成像装置根据深度神经网络模型能够获取较为精确的磁共振定量值。此外,该深度神经网络模型的运行较快,因此,本申请实施例六能够减少磁共振定量的计算时间,提高获取效率。此外,用于获取磁共振定量的第二深度神经网络的输入数据为图像重建得到的图像,这种利用深度神经网络进行重建图像的装置,图像重建速率较快。因此,也有利于提高磁共振定量成像速度。
由于在上述实施例六提供的磁共振定量成像装置中,采样单元通过降采样方式获得的k-空间采集数据是切实采集得到的,能够体现更高的真实性,有利于修正上述实施例六图像重建单元获得的磁共振图像。为此,为提高磁共振定量成像的成像质量,本申请在实施例六的基础上,提供了磁共振定量成像装置的另一种实施方式,具体利用k-空间采集数据,对磁共振图像进行修正,将修正后的磁共振图像作为最终磁共振图像。下面结合图10至图12详细描述本申请提供的磁共振定量成像装置实施例的具体实现方式。
实施例七
图10是本实施例提供的磁共振定量成像装置的结构示意图。如图10所示,本实施例提供的磁共振定量成像装置在实施例六的基础上,还可以包括:
图像修正单元96,用于在得到各个回波的磁共振图像之后,获取磁共振定量之前,分别利用各个回波的k-空间采集数据,对相应回波的磁共振图像进行修正,将修正后的各个回波图像作为各个回波的最终磁共振图像。
图11是图像修正单元96的一种结构示意图。作为一种可选地实施方式,图像修正单元96可以具体包括:
第一映射子单元9601,用于将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的k-空间数据;
替换子单元9602,用于利用各个回波的所述k-空间采集数据替换对应回波的第一完整k-空间数据中的采样区域的k-空间数据,得到各个回波的第二完整k-空间数据;
第一重建子单元9603,用于根据各个回波的第二完整k-空间数据进行图像重建,得到各个回波的最终磁共振图像。
以上为本实施例提供的磁共振定量成像装置的图像修正单元一种可选实施方式。对于采样区域,由降采样获得的多个回波的k-空间采集数据,相比于多个回波的磁共振图像映射到k-空间数据后采样区域的k-空间数据,更加贴合实际情况。由此,将采样区域的k-空间数据替换为多个回波的k-空间采集数据,重建后得到的最终磁共振图像质量和可靠性得以提高。进而,以最终磁共振图像的子集作为该第二深度神经网络模型的最终输入图像具有更高的质量和分辨率,能够相应提高磁共振定量求解的准确性。
图12是图像修正单元96的另一种结构示意图。当采集单元91所采用的降采样方式为半傅里叶采样方式时,则作为另一种可选地实施方式,图像修正单元96可以具体包括:
第二映射子单元9611,用于将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的第一k-空间数据;
设置子单元9612,用于将各个回波的第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到各个回波的第三完整k-空间数据;
第二重建子单元9613,用于分别利用各个回波的第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到各个回波的非采样区域的第二k-空间数据;
第一计算子单元9614,用于将各个回波的非采样区域的第一k-空间数据与所述非采样区域的第二k-空间数据进行加权平均,得到各个回波的非采样区域的第三k-空间数据;
第二计算子单元9615,用于将各个回波的非采样区域的第三k-空间数据和对应回波的k-空间采集数据相加,得到各个回波的第四完整k-空间数据;
第三重建子单元9616,用于根据各个回波的第四完整k-空间数据进行图像重建,分别得到各个回波的最终磁共振图像。
以上为本实施例提供的磁共振定量成像装置的图像修正单元另一种可选实施方式。该实施方式在采集多个回波的部分k-空间数据时,采用了半傅里叶采样方式,基于该降采样方式的特点,针对各个回波的第一完整k-空间数据中非采样区域的第一k-空间数据进行了处理。具体地,对第一完整k-空间数据中非采样区域的第一k-空间数据置0,再以半傅里叶重建方法进行数据重建获得非采样区域的第二k-空间数据;之后,非采样区域的第一k-空间数据与非采样区域的第二k-空间数据进行加权平均,得到非采样区域的第三k-空间数据作为用于最终图像重建的第四完整k-空间数据中非采样区域k-空间数据。
另外,对于采样区域,由各个回波半傅里叶采样方式获得的k-空间采集数据,相比于各个回波第二图像映射到k-空间数据后采样区域的k-空间数据,真实,并且能够提高图像重建的可靠性,因此,以k-空间采集数据作为用于最终图像重建的第四完整k-空间数据中采样区域k-空间数据。如此,非采样区域的第三k-空间数据与k-空间采集数据共同构成的第四完整k-空间数据可用于图像最终重建,最终重建后获得的图像能够去除多种伪影,具有更高的质量、分辨率和清晰度,因而可以作为最终磁共振图像。根据该最终磁共振图像和第二深度神经网络模型,可以获取更高准确度的磁共振定量值。
此外,作为上述实施例的替换实施例,本申请还提供了一种磁共振定量成像装置实施例八,具体参见图13。图13是本实施例八提供的磁共振定量成像装置的结构示意图。
实施例八
本实施例提供的磁共振定量成像装置包括采集单元91和图像重建单元92,其中,图像重建单元92除了包括第一图像重建子单元921和第二图像重建子单元922外,还可以进一步包括:
第三图像重建子单元1301,用于在第一图像重建子单元921得到各个回波的第一图像之后,第二图像重建子单元922通过第一深度神经网络模型进行完全重建之前,对各个回波的第一图像进行半傅里叶重建,得到各个回波的第三图像;
而且,在该实施例中,第二图像重建子单元922具体用于以第三图像重建子单元1301获得的各个回波的第三图像作为第一深度神经网络模型的输入,通过第一深度神经网络模型进行完全重建,得到各个回波的第二图像。
以上为本申请实施例提供的磁共振定量成像装置的具体实现方式。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的一种磁共振定量成像方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种磁共振定量成像方法,其特征在于,所述方法包括:
根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据;
分别相继采用第一深度神经网络模型的图像重建方法和显式解析解成像方法或者分别相继采用显式解析解成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到各个回波的磁共振图像;
将各个回波的磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像;
所述第一深度神经网络模型为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像作为输出训练样本、由多个回波的特定部分k-空间数据或者其部分重建得到的各个磁共振图像作为输入训练样本进行训练得到的,所述多个回波的特定部分k-空间数据为从各个回波的满采或超满采k-空间数据中分别选出的特定比例的k-空间数据;
所述第二深度神经网络模型为根据由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集作为输出训练样本,以多个回波的特定部分k-空间数据通过部分重建方法和第一深度神经网络模型的图像重建方法相继重建后得到的各个磁共振图像的各个子集作为输入训练样本进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述得到各个回波的磁共振图像之后,所述获取各个回波的磁共振定量图之前,还包括:
分别利用各个回波的k-空间采集数据,对相应回波的磁共振图像进行修正,将修正后的各个回波图像作为各个回波的最终磁共振图像。
3.根据权利要求2所述的方法,其特征在于,所述分别利用各个回波的k-空间采集数据,对相应回波的磁共振图像进行修正,将修正后的各个回波图像作为各个回波的最终磁共振图像,具体包括:
将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的k-空间数据;
利用各个回波的所述k-空间采集数据替换对应回波的第一完整k-空间数据中的采样区域的k-空间数据,得到各个回波的第二完整k-空间数据;
根据各个回波的第二完整k-空间数据进行图像重建,得到各个回波的最终磁共振图像。
4.根据权利要求2所述的方法,其特征在于,所述降采样方式为半傅里叶采样方式,所述分别利用各个回波的k-空间采集数据,对相应回波的磁共振图像进行修正,将修正后的各个回波图像作为各个回波的最终磁共振图像,具体包括:
将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的第一k-空间数据;
将各个回波的第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到各个回波的第三完整k-空间数据;
分别利用各个回波的第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到各个回波的非采样区域的第二k-空间数据;
将各个回波的非采样区域的第一k-空间数据与所述非采样区域的第二k-空间数据进行加权平均,得到各个回波的非采样区域的第三k-空间数据;
将各个回波的非采样区域的第三k-空间数据和对应回波的k-空间采集数据相加,得到各个回波的第四完整k-空间数据;
根据各个回波的第四完整k-空间数据进行图像重建,分别得到各个回波的最终磁共振图像。
5.根据权利要求1所述的方法,其特征在于,所述第一深度神经网络模型的输入训练样本为由多个回波的特定部分k-空间数据进行部分重建得到的磁共振图像,
所述分别相继采用显式解析解成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到磁共振图像,具体包括:
采用显式解析解成像方法对各个回波的k-空间采集数据进行部分重建,得到各个回波的第一图像;
根据所述各个回波的第一图像和第一深度神经网络模型,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像,所述各个回波的第二图像作为各个回波的磁共振图像。
6.根据权利要求5所述的方法,其特征在于,所述降采样方式为半傅里叶采样方式,
所述得到各个回波的第一图像之后,通过所述第一深度神经网络模型进行完全重建之前,还包括:
对各个回波的第一图像进行半傅里叶重建,得到各个回波的第三图像;
所述根据所述各个回波的第一图像和第一深度神经网络模型,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像,具体包括:
以所述各个回波的第三图像作为第一深度神经网络模型的输入,通过所述第一深度神经网络模型进行完全重建,得到各个回波的第二图像。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述磁共振图像的子集为磁共振图像中的图像点、组织定量值差异小于第一阈值的结构对应的图像区域或者灰度值差异小于第二阈值的图像区域。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
预先训练所述第一深度神经网络模型,
所述预先训练所述第一深度神经网络模型,具体包括:
获取训练集的输出训练样本和输入训练样本;
利用所述输入训练样本和所述输出训练样本迭代第一深度神经网络模型中的参数,在每次迭代过程中,将所述输入训练样本作为第一深度神经网络模型的输入,通过第一深度神经网络模型后得到预测结果;判断所述预测结果与所述输出训练样本之间的结构相似性是否满足预设条件,如果是,停止迭代,第一深度神经网络模型训练完成,如果否,调整第一深度神经网络模型的参数,继续进行下一次迭代过程。
9.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
预先训练所述第二深度神经网络模型,
所述预先训练所述第二深度神经网络模型,具体包括:
获取训练集的输出训练样本和输入训练样本,所述输出训练样本为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集,所述输入训练样本为以多个回波的特定部分k-空间数据经过部分重建和第一深度神经网络模型的完全重建后得到的各个磁共振图像的各个子集作为输入训练样本;
利用所述输入训练样本和所述输出训练样本迭代第二深度神经网络模型中的参数,在每次迭代过程中,将各幅磁共振图像的各个子集作为第二深度神经网络模型的输入,通过第二深度神经网络模型后得到该子集的预测结果,分别判断各幅磁共振图像的各个子集的预测结果与所述输出训练样本中对应子集的磁共振定量之间的平均方差是否小于预设阈值,如果各个平均方差均小于预设阈值,停止迭代,第二深度神经网络模型训练完成,如果存在至少一个平均方差不小于预设阈值,调整第二深度神经网络模型的参数,继续进行下一次迭代过程。
10.一种磁共振定量成像装置,其特征在于,所述装置包括:
采集单元,用于根据降采样方式采集多个回波的部分k-空间数据,得到多个回波的k-空间采集数据;
图像重建单元,用于分别相继采用第一深度神经网络模型的图像重建方法和显式解析解成像方法或者分别相继采用显式解析解成像方法和第一深度神经网络模型的图像重建方法对各个回波的k-空间采集数据进行图像重建,得到各个回波的磁共振图像;
磁共振定量成像单元,用于将各个回波的磁共振图像输入到第二深度神经网络模型中,获取各个回波的磁共振定量图像;
所述第一深度神经网络模型为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像作为输出训练样本、由多个回波的特定部分k-空间数据或者其部分重建得到的各个磁共振图像作为输入训练样本进行训练得到的,所述多个回波的特定部分k-空间数据为从各个回波的满采或超满采k-空间数据中分别选出的特定比例的k-空间数据;
所述第二深度神经网络模型为根据由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集作为输出训练样本,以多个回波的特定部分k-空间数据通过部分重建方法和第一深度神经网络模型的图像重建方法相继重建后得到的图像的各个子集作为输入训练样本进行训练得到的。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
图像修正单元,用于在得到各个回波的磁共振图像之后,获取各个回波的磁共振定量图之前,分别利用各个回波的k-空间采集数据,对相应回波的磁共振图像进行修正,将修正后的各个回波图像作为各个回波的最终磁共振图像。
12.根据权利要求11所述的装置,其特征在于,所述图像修正单元具体包括:
第一映射子单元,用于将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的k-空间数据;
替换子单元,用于利用各个回波的所述k-空间采集数据替换对应回波的第一完整k-空间数据中的采样区域的k-空间数据,得到各个回波的第二完整k-空间数据;
第一重建子单元,用于根据各个回波的第二完整k-空间数据进行图像重建,得到各个回波的最终磁共振图像。
13.根据权利要求11所述的装置,其特征在于,所述降采样方式为半傅里叶采样方式,
所述图像修正单元具体包括:
第二映射子单元,用于将各个回波的磁共振图像映射到k-空间,得到各个回波的第一完整k-空间数据;所述第一完整k-空间数据包括采样区域的k-空间数据和非采样区域的第一k-空间数据;
设置子单元,用于将各个回波的第一完整k-空间数据中的非采样区域的第一k-空间数据设置为0,得到各个回波的第三完整k-空间数据;
第二重建子单元,用于分别利用各个回波的第三完整k-空间数据通过半傅里叶重建方法进行数据重建,以得到各个回波的非采样区域的第二k-空间数据;
第一计算子单元,用于将各个回波的非采样区域的第一k-空间数据与所述非采样区域的第二k-空间数据进行加权平均,得到各个回波的非采样区域的第三k-空间数据;
第二计算子单元,用于将各个回波的非采样区域的第三k-空间数据和对应回波的k-空间采集数据相加,得到各个回波的第四完整k-空间数据;
第三重建子单元,用于根据各个回波的第四完整k-空间数据进行图像重建,分别得到各个回波的最终磁共振图像。
14.根据权利要求10-13任一项所述的装置,其特征在于,所述装置还包括:
第一模型训练单元,用于预先训练所述第一深度神经网络模型,
所述第一模型训练单元,具体包括:
第一获取子单元,用于获取训练集的输出训练样本和输入训练样本,所述输出训练样本为由各个回波的满采或超满采k-空间数据重建得到的多个磁共振图像;所述输入训练样本为由特定部分k-空间数据或者其进行部分重建得到的磁共振图像;所述特定部分k-空间数据为从所述满采或超满采k-空间数据中选出的特定比例的k-空间数据;
第一迭代子单元,用于利用所述输入训练样本和所述输出训练样本迭代第一深度神经网络模型中的参数,在每次迭代过程中,将所述输入训练样本作为第一深度神经网络模型的输入,通过第一深度神经网络模型后得到预测结果;判断所述预测结果与所述输出训练样本之间的结构相似性是否满足预设条件,如果是,停止迭代,第一深度神经网络模型训练完成,如果否,调整第一深度神经网络模型的参数,继续进行下一次迭代过程。
15.根据权利要求10-13任一项所述的装置,其特征在于,所述装置还包括:
第二模型训练单元,用于预先训练所述第二深度神经网络模型,
所述第二模型训练单元,具体包括:
第二获取子单元,用于获取训练集的输出训练样本和输入训练样本,所述输出训练样本为由多个回波的满采或超满采k-空间数据重建得到的多个磁共振图像计算得到的磁共振定量值的各个子集,所述输入训练样本为以多个回波的特定部分k-空间数据经过部分重建和第一深度神经网络模型的完全重建后得到的图像的各个子集作为输入训练样本;
第二迭代子单元,用于利用所述输入训练样本和所述输出训练样本迭代第二深度神经网络模型中的参数,在每次迭代过程中,将一个磁共振图像的一个子集作为第二深度神经网络模型的输入,通过第二深度神经网络模型后得到该子集的预测结果,判断该子集的预测结果与所述输出训练样本中对应子集的磁共振定量之间的平均方差否小于预设阈值,如果是,停止迭代,第二深度神经网络模型训练完成,如果否,调整第二深度神经网络模型的参数,继续进行下一次迭代过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444262.5A CN108896943B (zh) | 2018-05-10 | 2018-05-10 | 一种磁共振定量成像方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444262.5A CN108896943B (zh) | 2018-05-10 | 2018-05-10 | 一种磁共振定量成像方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108896943A true CN108896943A (zh) | 2018-11-27 |
CN108896943B CN108896943B (zh) | 2020-06-12 |
Family
ID=64343190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444262.5A Active CN108896943B (zh) | 2018-05-10 | 2018-05-10 | 一种磁共振定量成像方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108896943B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814056A (zh) * | 2019-02-01 | 2019-05-28 | 沈阳工业大学 | 一种获取磁共振精准定量图像的方法 |
CN110148195A (zh) * | 2019-05-22 | 2019-08-20 | 山东颐邦齐鲁医生集团管理有限公司 | 一种磁共振图像生成方法、***、终端及存储介质 |
CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗***股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN111127395A (zh) * | 2019-11-19 | 2020-05-08 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于swi图像和循环神经网络的血管识别方法 |
CN112037304A (zh) * | 2020-09-02 | 2020-12-04 | 上海大学 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
CN112213674A (zh) * | 2020-09-11 | 2021-01-12 | 上海东软医疗科技有限公司 | 磁共振压缩感知重建方法及装置 |
CN112365560A (zh) * | 2020-11-27 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、***、可读存储介质和设备 |
CN112370040A (zh) * | 2020-11-13 | 2021-02-19 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及电子设备 |
CN112748382A (zh) * | 2020-12-15 | 2021-05-04 | 杭州电子科技大学 | 基于CUNet伪影定位的SPEED磁共振成像方法 |
WO2021087740A1 (zh) * | 2019-11-05 | 2021-05-14 | 深圳先进技术研究院 | 磁共振成像方法、装置、服务器及存储介质 |
CN113359076A (zh) * | 2020-03-06 | 2021-09-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
CN114325524A (zh) * | 2020-09-29 | 2022-04-12 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、装置、***及存储介质 |
WO2022183988A1 (en) * | 2021-03-03 | 2022-09-09 | The University Of Hong Kong | Systems and methods for magnetic resonance image reconstruction with denoising |
CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、***、设备及存储介质 |
US20230084413A1 (en) * | 2021-09-13 | 2023-03-16 | Siemens Healthcare Gmbh | Deep learning-based realtime reconstruction |
US11651839B2 (en) | 2020-03-02 | 2023-05-16 | Uchicago Argonne, Llc | Systems and methods for generating phase diagrams for metastable material states |
US11663494B2 (en) | 2019-12-05 | 2023-05-30 | Uchicago Argonne, Llc | Systems and methods for hierarchical multi-objective optimization |
US11710038B2 (en) * | 2020-04-13 | 2023-07-25 | Uchicago Argonne, Llc | Systems and methods for active learning from sparse training data |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010033162A1 (en) * | 2000-03-27 | 2001-10-25 | Harvey Paul Royston | Magnetic resonance imaging method for imaging time-dependent contrast |
US20130253876A1 (en) * | 2012-03-20 | 2013-09-26 | Josef Pfeuffer | Determination of a Magnetic Resonance System Activation Sequence |
WO2015175028A1 (en) * | 2014-02-11 | 2015-11-19 | The General Hospital Corporation | Systems and methods for acceleration magnetic resonance fingerprinting |
CN106373167A (zh) * | 2016-11-15 | 2017-02-01 | 西安交通大学 | 一种基于深度神经网络的压缩传感核磁共振成像方法 |
CN107072592A (zh) * | 2014-11-11 | 2017-08-18 | 株式会社日立制作所 | 磁共振成像装置以及定量性磁化率匹配方法 |
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
-
2018
- 2018-05-10 CN CN201810444262.5A patent/CN108896943B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010033162A1 (en) * | 2000-03-27 | 2001-10-25 | Harvey Paul Royston | Magnetic resonance imaging method for imaging time-dependent contrast |
US20130253876A1 (en) * | 2012-03-20 | 2013-09-26 | Josef Pfeuffer | Determination of a Magnetic Resonance System Activation Sequence |
WO2015175028A1 (en) * | 2014-02-11 | 2015-11-19 | The General Hospital Corporation | Systems and methods for acceleration magnetic resonance fingerprinting |
CN107072592A (zh) * | 2014-11-11 | 2017-08-18 | 株式会社日立制作所 | 磁共振成像装置以及定量性磁化率匹配方法 |
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
CN106373167A (zh) * | 2016-11-15 | 2017-02-01 | 西安交通大学 | 一种基于深度神经网络的压缩传感核磁共振成像方法 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814056B (zh) * | 2019-02-01 | 2020-11-10 | 沈阳工业大学 | 一种获取磁共振精准定量图像的方法 |
CN109814056A (zh) * | 2019-02-01 | 2019-05-28 | 沈阳工业大学 | 一种获取磁共振精准定量图像的方法 |
CN110148195A (zh) * | 2019-05-22 | 2019-08-20 | 山东颐邦齐鲁医生集团管理有限公司 | 一种磁共振图像生成方法、***、终端及存储介质 |
CN110333466A (zh) * | 2019-06-19 | 2019-10-15 | 东软医疗***股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
CN110333466B (zh) * | 2019-06-19 | 2022-06-07 | 东软医疗***股份有限公司 | 一种基于神经网络的磁共振成像方法和装置 |
CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
CN110346743B (zh) * | 2019-07-22 | 2021-09-14 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
WO2021087740A1 (zh) * | 2019-11-05 | 2021-05-14 | 深圳先进技术研究院 | 磁共振成像方法、装置、服务器及存储介质 |
CN111127395B (zh) * | 2019-11-19 | 2023-04-07 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于swi图像和循环神经网络的血管识别方法 |
CN111127395A (zh) * | 2019-11-19 | 2020-05-08 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于swi图像和循环神经网络的血管识别方法 |
US11663494B2 (en) | 2019-12-05 | 2023-05-30 | Uchicago Argonne, Llc | Systems and methods for hierarchical multi-objective optimization |
US11651839B2 (en) | 2020-03-02 | 2023-05-16 | Uchicago Argonne, Llc | Systems and methods for generating phase diagrams for metastable material states |
CN113359076A (zh) * | 2020-03-06 | 2021-09-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
US11710038B2 (en) * | 2020-04-13 | 2023-07-25 | Uchicago Argonne, Llc | Systems and methods for active learning from sparse training data |
CN112037304B (zh) * | 2020-09-02 | 2023-12-08 | 上海大学 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
CN112037304A (zh) * | 2020-09-02 | 2020-12-04 | 上海大学 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
CN112213674A (zh) * | 2020-09-11 | 2021-01-12 | 上海东软医疗科技有限公司 | 磁共振压缩感知重建方法及装置 |
CN112213674B (zh) * | 2020-09-11 | 2023-03-21 | 上海东软医疗科技有限公司 | 磁共振压缩感知重建方法及装置 |
CN114325524A (zh) * | 2020-09-29 | 2022-04-12 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、装置、***及存储介质 |
CN114325524B (zh) * | 2020-09-29 | 2023-09-01 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、装置、***及存储介质 |
CN112370040A (zh) * | 2020-11-13 | 2021-02-19 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及电子设备 |
CN112370040B (zh) * | 2020-11-13 | 2024-03-26 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及电子设备 |
CN112365560B (zh) * | 2020-11-27 | 2023-01-24 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、***、可读存储介质和设备 |
CN112365560A (zh) * | 2020-11-27 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、***、可读存储介质和设备 |
CN112748382A (zh) * | 2020-12-15 | 2021-05-04 | 杭州电子科技大学 | 基于CUNet伪影定位的SPEED磁共振成像方法 |
WO2022183988A1 (en) * | 2021-03-03 | 2022-09-09 | The University Of Hong Kong | Systems and methods for magnetic resonance image reconstruction with denoising |
US20230084413A1 (en) * | 2021-09-13 | 2023-03-16 | Siemens Healthcare Gmbh | Deep learning-based realtime reconstruction |
CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、***、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108896943B (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108896943A (zh) | 一种磁共振定量成像方法和装置 | |
CN111856368B (zh) | 利用神经网络检测患者运动的mri***和方法 | |
CN109242849A (zh) | 医学图像处理方法、装置、***和存储介质 | |
Malavé et al. | Reconstruction of undersampled 3D non‐Cartesian image‐based navigators for coronary MRA using an unrolled deep learning model | |
CN110097550A (zh) | 一种基于深度学习的医学图像分割方法及*** | |
CN108814603B (zh) | 一种磁共振成像方法和装置 | |
CN107037386B (zh) | 一种平面回波成像方法以及*** | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
US11948676B2 (en) | Qualitative and quantitative MRI using deep learning | |
CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
CN109239631A (zh) | 一种磁共振成像方法和装置 | |
CN110664378B (zh) | 磁共振成像方法、装置、***及存储介质 | |
US20190311506A1 (en) | System, in particular a magnetic resonance system, for producing images | |
CN103876739A (zh) | 用于并行成像应用的多阶段磁共振重建 | |
CN112184845B (zh) | 弥散加权图像重建模型的生成方法及装置 | |
Ferreira et al. | Accelerating Cardiac Diffusion Tensor Imaging With a U‐Net Based Model: Toward Single Breath‐Hold | |
CN114255291A (zh) | 用于磁共振参数定量成像的重建方法、*** | |
Kleineisel et al. | Real‐time cardiac MRI using an undersampled spiral k‐space trajectory and a reconstruction based on a variational network | |
CN112213673B (zh) | 动态磁共振成像方法、装置、重建计算机及磁共振*** | |
CN106137198A (zh) | 一种磁共振成像方法及装置 | |
Gigandet et al. | Estimating the confidence level of white matter connections obtained with MRI tractography | |
CN115423894B (zh) | 一种基于变分自编码器的磁共振加权图像合成方法和装置 | |
Gulamhussene et al. | Transfer-learning is a key ingredient to fast deep learning-based 4D liver MRI reconstruction | |
US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
CN118215851A (zh) | 用于加速非笛卡尔磁共振成像重建的双域自监督学习 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |