CN109597012A - 一种基于残差网络的单扫描时空编码成像重建方法 - Google Patents
一种基于残差网络的单扫描时空编码成像重建方法 Download PDFInfo
- Publication number
- CN109597012A CN109597012A CN201811580826.4A CN201811580826A CN109597012A CN 109597012 A CN109597012 A CN 109597012A CN 201811580826 A CN201811580826 A CN 201811580826A CN 109597012 A CN109597012 A CN 109597012A
- Authority
- CN
- China
- Prior art keywords
- space
- time code
- residual error
- imaging
- 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
- G01R33/54—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
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于残差网络的单扫描时空编码成像重建方法,涉及基于深度学习网络的磁共振图像重建技术。提供在单次扫描中获得二维图像,再使用深度学习方法重建得到一种基于残差网络的单扫描时空编码成像重建方法。将激励脉冲替换为线性扫频脉冲,有效抵抗由于不均匀磁场及化学位移造成的图像扭曲,同时获得和EPI相似的成像速度、分辨率和信噪比。SPEN成像沿相位编码方向都是欠采样的。尽管时空编码成像信号本身无需重建就能够反映成像物的轮廓,但是该轮廓的固有分辨率通常是很低。利用深度学习从低分辨率的信号空间重建SPEN图像,大幅提高图像分辨率,呈现质子密度分布,在获得和传统反卷积重建方法相似的分辨率的同时,获得高的信噪比。
Description
技术领域
本发明涉及基于深度学习网络的磁共振图像重建技术,具体上说,是涉及一种基于残差网络的单扫描时空编码成像重建技术。
背景技术
磁共振成像(MRI)是一种无损分析物体内部组织结构信息的成像技术。在临床中,MRI在神经成像、心血管成像以及功能磁共振成像都有着极其重要的作用。磁共振成像是通过对质子施加一定频率的射频脉冲,同时结合外加的三维梯度场来检测所产生的信号。常规的多扫描磁共振序列得到一幅磁共振图像一般需要几分钟,甚至几十分钟,这对于MRI在临床中的应用是不合适的。因此,超快速成像技术不仅能够缩短采样时间,提高采样效率,更能在一定程度上提高图像质量,减弱运动伪影对图像的影响。随着超快速成像技术的快读发展,其中基于Mansfield提出的平面回波(EPI)采集方法可以超快地在单次扫描获取完整的k空间[1],在灌注成像、动态成像和功能成像中得到了广泛应用。近年来,提出了一种新的基于时空编码(Spatiotemporal Encoding,SPEN)成像技术,可用与EPI相近的成像速度获取二维图像[2]。SPEN的k空间中,原本的相位编码的成像维度被取代为直接位置空间维,也就是只需要经过一维傅里叶变换就可以获得位置空间信息。SPEN成像可以获取与EPI类似的采样时间、分辨率、信噪比等,同时由于SPEN编码维的信号直接来自位置空间的包络,因此提高了抵抗不均匀场的能力,尤其是在全重聚的脉冲设计情形下。
由于SPEN扫描方法通过扫频脉冲引入一个与空间位置有关的二次相位分布,结合稳定相位近似定理,可以通过简单的取模获得磁共振图像,但是与EPI通过傅里叶变换的方法相比,模值图像的空间分辨率下降严重。2010年,Ben-Eliezer等人发现,SPEN方法采样得到的信号存在冗余性,即每次采样的相位稳定区域存在重叠[3]。现有的利用信号冗余性进行的超分辨率重建算法,包括共轭梯度重建算法,部分傅里叶重建算法[4],反卷积重建算法等。虽然已有的方法都可以进行超分辨重建,但是算法运行时间较长,去噪效果不明显。
深度学习,一种通过多个隐藏层有效学习输入数据和输出数据之间的非线性映射的算法,随着GPU性能快速提升,在近年取得了越来越多的关注。深度学习网络,特别是卷积神经网络,在各种问题的医学图像分析中广泛应用,包括分类、检测和分割。已有结果表明,基于卷积神经网络的方法在图像超分辨率重建方面远优于传统稀疏表示的方法[5]。作为深度神经网络模型的代表,残差网络能在网络层数很深时解决梯度***/消失的问题。
利用训练好的深度学习网络进行SPEN重建,可以在短时间内完成图像重建的过程,有效去除图像噪声,同时获得和传统反卷积重建方法相似的分辨率。
参考文献:
[1]Stehling M K,Turner R,Mansfield P.Echo-Planar Imaging:MagneticResonance Imaging in a Fraction of a Second[J].Science,1991,254(5028):43-50.
[2]Shrot Y,Frydman L.Spatially encoded NMR and the acquisition of 2Dmagnetic resonance images within a single scan[J].Journal of MagneticResonance,2005,172(2):179-190.
[3]Ben-Eliezer N,Shrot Y,Frydman L,et al.Parametric analysis of thespatial resolution and signal-to-noise ratio in super-resolvedspatiotemporally encoded(SPEN)MRI[J].Magnetic Resonance in Medicine OfficialJournal of the Society of Magnetic Resonance in Medicine,2014,72(2):418-429.
[4]Chen Y,Li J,Qu X,et al.Partial Fourier transform reconstructionfor single-shot MRI with linear frequency-swept excitation[J].MagneticResonance in Medicine Official Journal of the Society of Magnetic Resonancein Medicine,2013,69(5):1326-1336.
[5]Baumgartner C F,Oktay O,Rueckert D.Fully Convolutional Networks inMedical Imaging:Applications to Image Enhancement and Recognition[J].2017.
发明内容
本发明的目的在于提供在单次扫描中获得完整的二维图像,然后使用深度学习方法重建得到较高分辨的一种基于残差网络的单扫描时空编码成像重建方法。
本发明包括以下步骤:
1)在磁共振成像仪的操作软件中编写时空编码成像序列的代码,调试并编译通过。
2)准备好实验样品,将其固定在磁共振成像仪的样品管上,放入磁共振成像仪的腔体中间;
3)在磁共振成像仪的操作台上打开磁共振成像仪操作软件,首先用自旋回波序列进行定位,找到合适的成像区域,确定层选信息和感兴趣区域的大小。然后进行常规的调谐、匀场、频率校正和功率校正的操作;
4)执行步骤1)所述的时空编码成像序列,设置采样带宽和相关参数,对步骤3)中的感兴趣区域进行采样,得到K空间数据;
5)对步骤4)得到的K空间数据进行归一化、充零和一维傅里叶变换,得到图像域的数据;
6)在数据模拟软件中生成随机样本,并在软件中对其进行模拟的采样,得到原始的SPEN的K空间数据,对K空间数据进行归一化处理,充零,和对频率编码维进行一维傅里叶变换,得到用于训练深度学习网络的训练数据;
7)采用TensorFlow深度学习框架和Python搭建残差网络模型,设置好训练的相关参数;将步骤6)得到的训练数据输入网络进行训练,直至残差网络收敛并达到稳定,得到训练好的网络模型,然后利用训练好的网络模型对步骤5)得到的图像域数据进行重建,得到可靠的基于残差网络的单扫描时空编码成像。
在步骤1)中,所述时空编码成像序列的结构依次为:翻转角为90°的线性扫频激发脉冲、翻转角为180°的重聚脉冲、移位梯度和采样回波链。
在步骤6)中,所述随机样本可根据实验的待测样品的特征分布使用计算机批量随机生成,随机样本包含实验样本的所有特征,加入不稳定因素,提高网络模型对不理想实验环境的鲁棒性。
在步骤7)中,所述训练好的网络可重建一幅图像只需要几十毫秒,远小于传统算法的重建时间。
本发明将激励脉冲替换为线性扫频脉冲,可以有效抵抗由于不均匀磁场及化学位移造成的图像扭曲,同时获得和EPI相似的成像速度、分辨率和信噪比。SPEN成像沿相位编码方向都是欠采样的。尽管时空编码成像信号本身无需重建就能够反映成像物的轮廓,但是该轮廓的固有分辨率通常是很低的。本发明利用深度学习技术从低分辨率的信号空间重建SPEN图像,从而大幅提高图像的分辨率,更准确地呈现质子密度分布,在获得和传统反卷积重建方法相似的分辨率的同时,获得更高的信噪比。
附图说明
图1是本发明采用的单扫描时空编码成像序列图。
图2是重建时空编码图像使用的残差网络模型。在图2中,残差网络模型包含3个子网络:输入网络、残差学习网络和重建网络,所述输入网络将时空编码图像的实部和虚部作为输入;所述残差学习网络是进行图像重建的核心;所述重建网络用于把多个特征图重建为一幅高分辨率的二维图像。
图3是用传统去卷积方法和残差网络方法分别对水模、柠檬及鼠脑的数据重建得到的图像。
具体实施方式
以下结合附图和具体实施例对本发明作进一步说明。
如图1和2所示,本发明具体实施过程中的各个步骤如下:
1)在磁共振成像仪的操作软件中编写时空编码成像序列的代码,调试并编译通过。
2)准备好实验样品,将其固定在磁共振成像仪的样品管上,放入磁共振成像仪的腔体中间;
3)在磁共振成像仪的操作台上打开磁共振成像仪操作软件,首先用自旋回波序列进行定位,找到合适的成像区域,确定层选信息和感兴趣区域的大小。然后进行常规的调谐、匀场、频率校正和功率校正的操作;
4)执行步骤1)所述的时空编码成像序列,设置采样带宽和相关参数,对步骤3)中的感兴趣区域进行采样,得到K空间数据;
5)对步骤4)得到的K空间数据进行归一化、充零和一维傅里叶变换,得到图像域的数据;
6)在数据模拟软件中生成随机样本,并在软件中对其进行模拟的采样,得到原始的SPEN的K空间数据,对K空间数据进行归一化处理,充零,和对频率编码维进行一维傅里叶变换,得到用于训练深度学习网络的训练数据;
7)采用TensorFlow深度学习框架和Python搭建残差网络模型,设置好训练的相关参数;将步骤6)得到的训练数据输入网络进行训练,直至残差网络收敛并达到稳定,得到训练好的网络模型,然后利用训练好的网络模型对步骤5)得到的图像域数据进行重建,得到可靠的基于残差网络的单扫描时空编码成像。
以下给出具体实施例:
用基于残差网络的单扫描时空编码磁共振重建方法进行了实验,分别对水模、柠檬和鼠脑进行了成像试验,用来验证本发明的可行性。实验是在核磁共振7T小动物成像仪下进行的。在将准备好的样品放置在仪器的样品床上,将样品床放入7T磁共振成像仪的线圈中间;在磁共振成像仪的操作台上打开磁共振成像仪操作软件,首先用自旋回波序列进行定位,找到合适的成像区域,确定层选信息和感兴趣区域的大小。然后进行调谐、匀场、频率校正和功率校正;在磁共振成像仪操作软件中导入并编译运行时空编码成像序列,编译通过后,设置脉冲序列的采样带宽和其他参数。然后用SPEN序列进行采样。
数据采样完成后,按照步骤5)~7)对数据进行重建。将采样得到的实验数据输入已经训练好的残差网络中,进行重建,得到可靠的图像。同时,对SPEN采样结果进行传统的反卷积重建以作比较,重建出来的图像如图3所示。
本发明将时空编码序列应用于磁共振成像中的信号采样过程。然后将采样信号经过归一化、充零和频率维的一维傅里叶变换之后输入到已经训练好的残差网络中重建得到高分辨率的时空编码图像。和传统的反卷积方法相比,具有更快的重建速度和更高的信噪比。
Claims (3)
1.一种基于残差网络的单扫描时空编码成像重建方法,其特征在于包括以下步骤:
1)在磁共振成像仪的操作软件中编写时空编码成像序列的代码,调试并编译通过;
2)准备好实验样品,将其固定在磁共振成像仪的样品管上,放入磁共振成像仪的腔体中间;
3)在磁共振成像仪的操作台上打开磁共振成像仪操作软件,首先用自旋回波序列进行定位,找到合适的成像区域,确定层选信息和感兴趣区域的大小;然后进行常规的调谐、匀场、频率校正和功率校正的操作;
4)执行步骤1)所述的时空编码成像序列,设置采样带宽和相关参数,对步骤3)中的感兴趣区域进行采样,得到K空间数据;
5)对步骤4)得到的K空间数据进行归一化、充零和一维傅里叶变换,得到图像域的数据;
6)在数据模拟软件中生成随机样本,并在软件中对其进行模拟的采样,得到原始的SPEN的K空间数据,对K空间数据进行归一化处理,充零,和对频率编码维进行一维傅里叶变换,得到用于训练深度学习网络的训练数据;
7)采用TensorFlow深度学习框架和Python搭建残差网络模型,设置好训练的相关参数;将步骤6)得到的训练数据输入网络进行训练,直至残差网络收敛并达到稳定,得到训练好的网络模型,然后利用训练好的网络模型对步骤5)得到的图像域数据进行重建,得到可靠的基于残差网络的单扫描时空编码成像。
2.如权利要求1所述一种基于残差网络的单扫描时空编码成像重建方法,其特征在于在步骤4)中,所述时空编码成像序列的结构依次为:翻转角为90°的线性扫频激发脉冲、翻转角为180°的重聚脉冲、移位梯度和采样回波链。
3.如权利要求1所述一种基于残差网络的单扫描时空编码成像重建方法,其特征在于在步骤6)中,所述随机样本根据实验的待测样品的特征分布使用计算机批量随机生成,随机样本包含实验样本的所有特征,加入不稳定因素,提高网络模型对不理想实验环境的鲁棒性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580826.4A CN109597012B (zh) | 2018-12-24 | 2018-12-24 | 一种基于残差网络的单扫描时空编码成像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580826.4A CN109597012B (zh) | 2018-12-24 | 2018-12-24 | 一种基于残差网络的单扫描时空编码成像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109597012A true CN109597012A (zh) | 2019-04-09 |
CN109597012B CN109597012B (zh) | 2020-08-04 |
Family
ID=65964262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811580826.4A Active CN109597012B (zh) | 2018-12-24 | 2018-12-24 | 一种基于残差网络的单扫描时空编码成像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597012B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109036A (zh) * | 2019-05-24 | 2019-08-09 | 厦门大学 | 二维时空编码多扫磁共振成像非笛卡尔采样及重建方法 |
WO2021082103A1 (zh) * | 2019-10-31 | 2021-05-06 | 清华大学 | 基于深度学***面回波成像方法及装置 |
CN112924913A (zh) * | 2021-02-02 | 2021-06-08 | 厦门大学 | 一种时空编码磁共振成像超分辨率重建方法及*** |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
CN113391251A (zh) * | 2020-03-12 | 2021-09-14 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、装置和设备 |
CN115494439A (zh) * | 2022-11-08 | 2022-12-20 | 中遥天地(北京)信息技术有限公司 | 一种基于深度学习的时空编码图像校正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090231996A1 (en) * | 2005-08-01 | 2009-09-17 | Siemens Aktiengesellschaft | Method for the phase-related scheduling of data flow in switched networks |
CN107945146A (zh) * | 2017-11-23 | 2018-04-20 | 南京信息工程大学 | 一种基于深度卷积神经网络的时空卫星图像融合方法 |
CN108010100A (zh) * | 2017-12-07 | 2018-05-08 | 厦门大学 | 一种基于残差网络的单扫描磁共振定量t2成像重建方法 |
-
2018
- 2018-12-24 CN CN201811580826.4A patent/CN109597012B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090231996A1 (en) * | 2005-08-01 | 2009-09-17 | Siemens Aktiengesellschaft | Method for the phase-related scheduling of data flow in switched networks |
CN107945146A (zh) * | 2017-11-23 | 2018-04-20 | 南京信息工程大学 | 一种基于深度卷积神经网络的时空卫星图像融合方法 |
CN108010100A (zh) * | 2017-12-07 | 2018-05-08 | 厦门大学 | 一种基于残差网络的单扫描磁共振定量t2成像重建方法 |
Non-Patent Citations (2)
Title |
---|
SHROT, Y等: "《Spatially encoded NMR and the acquisition of 2D》", 《JOURNAL OF MAGNETIC RESONANCE》 * |
马红强等: "基于改进栈式稀疏去噪自编码器的自适应图像去噪", 《光学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109036A (zh) * | 2019-05-24 | 2019-08-09 | 厦门大学 | 二维时空编码多扫磁共振成像非笛卡尔采样及重建方法 |
CN110109036B (zh) * | 2019-05-24 | 2020-07-03 | 厦门大学 | 二维时空编码多扫磁共振成像非笛卡尔采样及重建方法 |
WO2021082103A1 (zh) * | 2019-10-31 | 2021-05-06 | 清华大学 | 基于深度学***面回波成像方法及装置 |
CN113391251A (zh) * | 2020-03-12 | 2021-09-14 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、装置和设备 |
CN112924913A (zh) * | 2021-02-02 | 2021-06-08 | 厦门大学 | 一种时空编码磁共振成像超分辨率重建方法及*** |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
CN115494439A (zh) * | 2022-11-08 | 2022-12-20 | 中遥天地(北京)信息技术有限公司 | 一种基于深度学习的时空编码图像校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109597012B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597012A (zh) | 一种基于残差网络的单扫描时空编码成像重建方法 | |
CN108132274B (zh) | 不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法 | |
CN108010100B (zh) | 一种基于残差网络的单扫描磁共振定量t2成像重建方法 | |
CN108663644B (zh) | 基于残差网络重建的单扫描定量磁共振t2*成像方法 | |
Lam et al. | Constrained magnetic resonance spectroscopic imaging by learning nonlinear low-dimensional models | |
US10338178B2 (en) | System and method for high-resolution spectroscopic imaging | |
Ramzi et al. | NC-PDNet: A density-compensated unrolled network for 2D and 3D non-Cartesian MRI reconstruction | |
CN106772167B (zh) | 核磁共振成像方法及装置 | |
Ramos‐Llordén et al. | High‐fidelity, accelerated whole‐brain submillimeter in vivo diffusion MRI using gSlider‐spherical ridgelets (gSlider‐SR) | |
CN105785298A (zh) | 一种高精度三维化学位移成像方法 | |
WO2019148610A1 (zh) | 一种基于数据一致性的多次激发弥散加权磁共振成像方法 | |
Zhang et al. | Accelerated MRI reconstruction with separable and enhanced low-rank Hankel regularization | |
Piredda et al. | Fast and high‐resolution myelin water imaging: Accelerating multi‐echo GRASE with CAIPIRINHA | |
Mani et al. | Model-based deep learning for reconstruction of joint kq under-sampled high resolution diffusion MRI | |
Qian et al. | Physics-informed deep diffusion MRI reconstruction: Break the bottleneck of training data in artificial intelligence | |
Mani et al. | Multi‐band‐and in‐plane‐accelerated diffusion MRI enabled by model‐based deep learning in q‐space and its extension to learning in the spherical harmonic domain | |
Wang et al. | High‐fidelity direct contrast synthesis from magnetic resonance fingerprinting | |
Sun et al. | Joint cross-attention network with deep modality prior for fast MRI reconstruction | |
Lam et al. | High-dimensional mr spatiospectral imaging by integrating physics-based modeling and data-driven machine learning: Current progress and future directions | |
Yan et al. | DC-SiamNet: Deep contrastive Siamese network for self-supervised MRI reconstruction | |
Vaish et al. | TL-HARDI: transform learning based accelerated reconstruction of HARDI data | |
Levac et al. | Accelerated motion correction with deep generative diffusion models | |
Zhang et al. | Towards Better Generalization Using Synthetic Data: A Domain Adaptation Framework for T 2 Mapping via Multiple Overlapping-Echo Acquisition | |
Shimron et al. | CORE‐PI: Non‐iterative convolution‐based reconstruction for parallel MRI in the wavelet domain | |
CN113920211A (zh) | 一种基于深度学习的快速磁敏感加权成像方法 |
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 |