CN110095742A - 一种基于神经网络的平面回波成像方法和装置 - Google Patents

Abstract

本申请提供一种基于神经网络的平面回波成像方法和装置。根据一个例子，所述方法包括：根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据；根据所述k空间的数据，得到所述被检体的初始磁共振图像；将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像，其中，所述第一神经网络被配置为消除化学位移伪影的神经网络，所述第二神经网络被配置为纠正图像变形的神经网络。本申请提供的基于神经网络的平面回波成像方法和装置，能够在有效消除化学位移伪影的同时，提供形变矫正的功能，从而使得重建得到的磁共振图像的质量更好。

Description

一种基于神经网络的平面回波成像方法和装置

技术领域

本申请涉及磁共振成像技术领域，尤其涉及一种基于神经网络的平面回波成像的方法及装置。

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。MRI可以反映出受检体内组织的纵向弛豫时间T1、横向弛豫时间T2和质子密度等多种特性，从而为疾病的检出和诊断提供信息。MRI***的基本工作原理是根据磁共振现象，采用射频发射线圈激励受检体中的氢质子，并运用梯度磁场进行空间编码，随后采用射频接收线圈接收带位置信息的电磁信号，最终重建出被检体的磁共振图像。

平面回波成像(Echo Planar Imaging，EPI)是一种非常快速的MRI技术，能够在几分之一秒内获取整个磁共振图像。EPI是目前应用广泛的快速成像序列，可以适用于身体的许多部位，包括大脑、腹部和心脏。

然而由于MRI***的主磁场稳定性的欠缺，EPI序列正反梯度磁场快速切换导致的涡流，化学位移等因素，使用EPI序列得到的磁共振图像容易有化学位移伪影，图像形变等问题。

发明内容

有鉴于此，本申请提供一种基于神经网络的平面回波成像的方法及装置。

第一方面，本申请提供的一种基于神经网络的平面回波成像的方法是通过如下技术方案实现的：

根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据；

根据所述k空间的数据，得到所述被检体的初始磁共振图像；

将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像，其中，所述第一神经网络被配置为消除化学位移伪影的神经网络，所述第二神经网络被配置为纠正图像变形的神经网络。

第二方面，本申请提供一种基于神经网络的平面回波成像装置，包括：

扫描模块，用于根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据；

第一重建模块，用于根据所述k空间的数据，得到所述被检体的初始磁共振图像；

第二重建模块，将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像，其中，所述第一神经网络被配置为消除化学位移伪影的神经网络，所述第二神经网络被配置为纠正图像变形的神经网络。

第三方面，本申请提供一种基于神经网络的平面回波成像装置，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使实现第一方面所述的基于神经网络的平面回波成像方法。

本申请提供的基于神经网络的平面回波成像方法和装置，能够在有效消除化学位移伪影的同时，提供形变矫正的功能，从而使得重建得到的磁共振图像的质量更好。

附图说明

图1是一种MRI***的构成示意图；

图2A是EPI序列的时序示意图；

图2B是EPI序列填充k空间的轨迹示意图；

图3是本申请一个实施例提供的平面回波成像方法的流程图；

图4A是本申请一个实施例提供的训练第一神经网络的流程图；

图4B是本申请一个实施例提供的训练第二神经网络的流程图；

图5是本申请一个实施例提供的训练第二神经网络时使用的扫描序列的时序示意图；

图6是本申请一个实施例提供的平面回波成像装置的结构示意图；

图7是本申请一个实施例提供的平面回波成像装置的硬件结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

为了更好的理解本申请，首先介绍MRI***。如图1所示，简单示意了MRI***的组成，主要包括检查床110、磁体120、梯度线圈131-133、射频线圈140、主计算机150、梯度放大器160、射频控制器170和控制台180。磁体120是产生主磁场的装置。梯度线圈131-133、梯度放大器160等组成梯度***，主要用于产生梯度磁场以能够进行磁共振信号的空间定位编码。其中，梯度线圈由三组独立的线圈构成，分别为X轴梯度线圈131，Y轴梯度线圈132和Z轴梯度线圈133。一般来讲，X方向的空间编码为频率编码，Y方向的空间编码为相位编码，Z方向的空间编码为选层。射频线圈140、射频控制器170等组成射频***，主要用于向被检体发射射频信号，再从被检体接收射频信号，因此射频线圈140有射频发射线圈和射频接收线圈之分，射频发射线圈和射频接收线圈可以为同一个线圈，也可以分为不同的线圈。为了简单起见，图1中只画了一个线圈140。主计算机150负责磁共振成像序列的发送、采集的射频数据的运算、磁共振图像的重建和显示等。

在MRI***对被检体进行扫描时，射频接收线圈采样得到的磁共振信号经模数变换之后填充到k空间中。其中，k空间为矩阵形式。将k空间填满之后，对k空间的数据进行傅里叶变换，可以重建出一幅被检体的磁共振图像。对传统的磁共振序列来讲，例如自旋回波序列，一次射频激发后，射频接收线圈得到的多个数据可以填充k空间的一行。k空间的每行都对应一个特定的相位编码，每行中的各数据对应不同的频率编码。其中，射频激发的脉冲是由射频发射线圈发出的。在经历N次射频激发之后，可以将k空间填满，其中，N为k空间的行数。因此传统的磁共振序列所需的扫描时间较长。

对于EPI来讲，在单个射频激发后，可以获得多行k空间数据，甚至可以获得所有k空间数据。因此，使用EPI序列可以极大地缩短磁共振扫描所需的时间。如图2A所示，图2A中的横坐标表示时间。在射频发射线圈发出角度为α的激发脉冲之后，X轴梯度线圈从正振幅快速振荡到负振幅，形成一系列梯度回波，参见图2A中的Gx的波形。通过Y轴梯度线圈对这一系列梯队回波中的每个回波进行不同的相位编码，参见图2A中的Gy的波形。X轴梯度线圈的每个振荡对应于k空间中的一行数据，并为该行数据中的每个数据进行了频率编码。此外，图2A中的Gz表示Z轴梯度线圈的设置。需要注意的是，图2A中的波形只是示意性的描述，实际临床使用的EPI序列中各梯度线圈的设置会更复杂。

由于EPI的多个回波是由X轴梯度线圈连续正反向切换产生的，因此产生的信号在k空间内的填充是一种迂回的轨迹，如图2B所示。

但是，在正反梯度之间进行快速切换会产生较大的涡流，同时由于主磁场的不均匀性，会使得EPI的k空间的奇偶行之间产生相位差。从而导致一系列问题，例如，伪影、图像变形等。

磁共振的原理可知，脂肪质子的共振频率低于水质子的共振频率，而在磁共振中，一般以水质子的共振频率为中心频率，脂肪质子共振的频率会落入水质子空间编码中频率编码的频率范围。这样重建后的磁共振图像上脂肪组织的信号会产生错位。化学位移伪影出现在脂肪组织和其他组织的分界上。对于EPI来讲，化学位移伪影会出现在相位编码方向上。而且主磁场越强，化学位移伪影越明显。对于化学位移伪影，可以使用脂肪抑制技术，例如，使用带压脂模块的序列来抑制正常脂肪组织的信号。然而，使用额外的带压脂模块的序列通常会降低重建的磁共振图像的信噪比。

为此，本申请提供了一种基于神经网络的平面回波成像方法，可以提高使用EPI技术的磁共振图像的质量。参见图3，所述方法包括以下步骤。

步骤S301，根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据。

被检体的磁共振参数的设置，可以根据被检体的身体情况、诊断需求、病灶等由操作员确定。具体的磁共振扫描参数值可以为本领域惯用的各个磁共振扫描参数，例如回波时间、重复时间、切片层厚等等。需要说明的是，EPI序列根据激发脉冲的不同，又可以分为梯度回波EPI序列，自旋回波EPI序列，反转恢复EPI序列。本申请提供的方法适用于这几种成像序列。此外，本申请提供的平面回波成像方法，使用的序列不包括压脂模块。

步骤S302，根据所述k空间的数据，得到所述被检体的初始磁共振图像。

对所述k空间的数据进行傅里叶变换，得到初始磁共振图像。需要注意的是，该初始磁共振图像可能存在化学位移伪影和图像变换等问题。

步骤S303，将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像。

神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它能够模拟生物神经***对真实世界物体所作出的交互反应。神经网络可以包括输入层、输出层和若干隐含层，可以利用每层若干神经单元拟合复杂的函数。本申请可以采用各种常见的神经网络，例如全卷积神经网络(Fully Convolutional Network)、U-Net、生成对抗网络(Generative Adversarial Net，GAN)等等，本申请并不限制神经网络的具体形式。其中，所述第一神经网络和所述第二神经网络可以使用相同的神经网络，也可以使用不同的神经网络，本申请对此不作限制。

本申请所使用的神经网络包括第一神经网络和第二神经网络。其中，第一神经网络为消除化学位移伪影的神经网络，第二神经网络为纠正图像变形的神经网络。可以将初始磁共振图像输入第一神经网络，第一神经网络对该初始磁共振图像进行化学位移伪影的消除，得到去化学位移伪影的磁共振图像，然后将去化学位移伪影的磁共振图像输入第二神经网络，第二神经网络纠正该图像的形变，从而得到最终的磁共振图像。当然，也可以先将初始磁共振图像输入第二神经网络，得到形变纠正后的磁共振图像，然后将形变纠正后的磁共振图像输入第一神经网络，从而得到最终的磁共振图像。

需要说明的是，对于不同的EPI序列，例如，梯度回波EPI序列，自旋回波EPI序列，反转恢复EPI序列，这些序列生成的初始磁共振图像可以使用同一预先训练的神经网络来消除化学位移伪影和图像变形。

本申请提供的基于神经网络的平面回波成像方法，首先根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据。然后根据所述k空间的数据，得到所述被检体的初始磁共振图像。最后将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像。本申请使用预先训练的神经网络，能够在有效消除化学位移伪影的同时，提供形变矫正的功能，从而使得重建得到的磁共振图像的质量更好。

在使用上述神经网络对初始磁共振图像进行重建之前，需要预先训练所述神经网络。如图4A所示，所述第一神经网络的训练过程包括如下步骤。

S401，获取待训练的所述第一神经网络的第一样本集。其中，所述第一样本集的样本包括含脂肪带化学位移伪影的输入磁共振图像和第一标准图像。

可以根据EPI序列对某一被检体进行扫描，得到的k空间数据，然后将该k空间数据进行傅里叶变换，得到一幅输入磁共振图像。需要注意的是，这个输入磁共振图像是含脂肪带化学位移伪影的磁共振图像。然后使用带压脂模块的序列对该被检体重新进行扫描，得到无化学位移伪影的磁共振图像，作为第一标准图像。一个被检体的输入磁共振图像和第一标准图像构成一个样本，对于第一样本集来讲，可以由多个这样的样本组成。为了使样本集的覆盖范围尽可能宽，被检体可以有不同的病灶、不同的身材、不同的年龄、不同的性别等等。

S402，根据所述第一样本集，训练所述第一神经网络。

训练所述第一神经网络可以使用如下的步骤。

首先，初始化第一神经网络的各层的参数。其各层的参数可以是随机的初始值，例如可以使用高斯分布随机初始化各层参数。神经网络的各层参数的初始化方法根据所使用的神经网络的种类有所区别，可以根据本领域技术人员熟知的方法进行初始化，本申请对此不作限制。

然后，将第一样本集的样本中的输入磁共振图像输入第一神经网络，得到该样本的第一优化图像。该优化图像的优化方向是不包括化学位移伪影。在训练所述第一神经网络时，可以将单个样本输入第一神经网络，对第一神经网络进行训练，也可以将多个样本同时输入第一神经网络，对第一神经网络进行训练。还可以将所有样本同时输入第一神经网络，对第一神经网络进行训练。本申请对此不作限定。

接着，根据样本的第一标准图像和第一优化图像，计算第一神经网络的损失函数，并优化第一神经网络的各层的参数值。

可以使用如下数值对第一优化图像与对应的标准图像进行比较。例如计算第一优化图像与对应的第一标准图像之间的均方误差(Mean Square Error，MSE)，也可以是计算两个图像之间的结构相似性(Structural Similarity，SSIM)指数，还可以是两个图像之间的平均绝对误差(Mean Absolute Error，MAE)。损失函数可以使用MSE，SSIM，MAE等的值作为计算的基准，当然还可以使用本领域技术人员熟知的其他数值来计算损失函数，本申请对此不作限制。

可以使用梯度下降优化算法对神经网络的各层参数值进行优化。梯度下降是常用的优化神经网络的方法。在梯度下降的算法中，从某些初始解出发，迭代寻找最优的参数值。每次迭代中，先计算误差值在当前点的梯度，然后沿着负梯度方向搜索最优解。学习率决定了达到最优解的步长，可以根据经验值设定学习率的大小。

根据同一次输入第一神经网络的样本个数的不同，可以使用不同的梯度下降算法。例如每次只输入一个样本时，可以使用随机梯度下降(Stochastic Gradient Descent，SGD)算法。每次输入多个样本时，可以使用小批量梯度下降法(Mini-Batch GradientDescent，MBGD)算法。同时输入所有样本时，可以使用批量梯度下降法(Batch GradientDescent，BGD)算法。

当然，还可以使用本领域技术人员熟知的其他算法对神经网络的参数进行优化，本申请对此不作限定。神经网络参数的优化的算法的具体实现可以参见相关算法的描述，在此不再赘述。

直到第一样本集中所有的样本都用来对第一神经网络的参数进行优化。当所有样本都参与第一神经网络的训练之后，完成了一个训练回合(epoch)。对于第一神经网络的训练，可以只进行一个训练回合的训练，也可以进行多个训练回合的训练。这是由第一样本集的大小、损失函数的收敛速度等因素决定的。

当判断第一神经网络的损失函数已收敛后，完成对第一神经网络的训练，得到第一神经网络各层的优化参数。可以使用本领域技术人员熟知的方法判断损失函数是否收敛，此处不再赘述。

如图4B所示，所述第二神经网络的训练过程包括如下步骤。

S411，获取待训练的所述第二神经网络的样第二本集。其中，所述第二样本集的样本至少包括一幅形变的伪影图。

在实施方式一中，第二样本集中的样本可以包括两幅沿不同相位编码方向形变的伪影图。

为获得两幅沿不同相位编码方向形变的伪影图，首先，需要设置相应的扫描序列。参见图5，扫描序列包括正向序列和反向序列。其中，正向序列的相位编码设置为正，而反向序列中相位编码设置为负。正向序列和反向序列的其他参数一致。使用正向序列对被检体进行扫描得到一幅正向相位编码方向形变的k空间数据，对该k空间数据进行重建得到正向相位编码方向形变的伪影图。使用反向序列对同一被检体进行扫描得到反向相位编码方向形变的k空间数据，对该k空间数据进行重建得到反向相位编码方向形变的伪影图。这两幅伪影图构成第二样本集的样本。对于实施方式一来讲，不包括标准图像，一个样本只包括这两幅伪影图。

在实施方式二中，第二样本集中的样本可以包括两幅沿不同相位编码方向形变的伪影图和第二标准图像。

在该实施方式中，第二样本集的样本还可以包括标准图像。首先可以使用如实施方式一所述的方法，得到两幅沿不同相位编码方向形变的伪影图。然后通过传统算法对这两幅伪影图进行精细配准，得到对应的第二标准图像，或者可以通过其他的成像序列对同一个被检体采集无形变的图像作为第二标准图像，将第二标准图像和这两幅伪影图作为一个样本。

在实施方式三中，第二样本集中的样本可以包括一幅形变的伪影图和第三标准图像。

对于实施方式三的样本来讲，其伪影图的形变方向主要是沿相位编码方向的形变。对于每个样本的伪影图来讲，都有一个对应的第三标准图，该第三标准图可以是对同一被检体通过其他的成像序列采集得到的。

S412，根据所述第二样本集，训练所述第二神经网络。

训练所述第二神经网络可以使用如下的步骤。

首先，初始化第二神经网络的各层的参数。其初始化方法同第一神经网络类似，在此不再赘述。

然后，将第二样本集的样本中的伪影图像输入第二神经网络，得到该样本的第二优化图像。该优化图像的优化方向是不包括形变。同样的，在训练所述第二神经网络时，可以将一个样本输入第二神经网络，对第二神经网络进行训练，也可以将多个样本同时输入第二神经网络，对第二神经网络进行训练。也可以将所有样本同时输入第二神经网络，对第二神经网络进行训练。本申请对此不作限定。

对上述的实施方式一来讲，将样本中的两幅伪影图输入第二神经网络，可以得到两幅第二优化图像。也就是说，对于样本的正向相位编码方向形变的伪影图，可以得到一幅第二优化图像，对于样本的反向相位编码方向形变的伪影图，可以得到另一幅第二优化图像。由于样本的正向和反向相位编码方向形变的伪影图是对于同一被检体进行扫描，只是扫描时设置的相位编码方向不同，因此，经过第二神经网络得到的这两幅第二优化图像的相似度较高。

对上述的实施方式二来讲，同实施方式一一样，将样本中的两幅伪影图输入第二神经网络，可以得到两幅第二优化图像。

对上述的实施方式三来讲，将样本中的一幅伪影图输入第二神经网络，可以得到一幅第三优化图像。

接着，计算第二神经网络的损失函数，并优化第二神经网络的各层的参数值。

在计算损失函数时，损失函数的计算方法与样本是否包括标准图像相关。具体如下所述。

对上述实施方式二来讲，每个样本包括第二标准图像，与第一神经网络相似，可以分别计算每幅第二优化图像与对应的第二标准图像之间的MSE、SSIM、MAE等的值。以使用MSE作为计算损失函数为例，对于一个样本，可以得到两幅第二优化图像，对每幅第二优化图像分别求其与该样本的第二标准图像的MSE的值。然后将得到的两个MSE的值一起代入计算损失函数的公式。

对上述实施方式三来讲，每个样本包括第三标准图像，与实施方式二相似，可以计算第三优化图像与对应的第三标准图像之间的MSE、SSIM、MAE等的值。以使用MSE作为计算损失函数为例，对于一个样本，可以得到一幅第三优化图像，求其与对应的第三标准图像的MSE的值。然后将得到的MSE的值代入计算损失函数的公式。

对上述的实施方式一来讲，由于没有标准图像，因此首先计算每幅第二优化图像与其对应的输入伪影图像之间的差值，由此方法可以得到两幅优化图像分别对应的差值，将两个差值的和一起代入计算损失函数的公式。仍以MSE值为例，差值的和的计算可以通过如下公式(1)得到：

MSE_total＝|MSE_image1|+|MSE_image2| (1)，

其中，MSE_image1为第一幅伪影图和根据第一幅伪影图得到的第二优化图之间的MSE值，MSE_image2为第二幅伪影图和第二幅伪影图得到的第二优化图之间的MSE值。将MSE_total代入损失函数的计算公式。除了可以使用上述的数值之外，还可以计算分别计算第二优化图像与输入的伪影图像之间的差值图，由此方法可以得到两幅差值图，然后计算两幅差值图的互信息(mutual information)，然后将该互信息代入损失函数的计算公式。

根据上述的损失函数的计算方法，可以使用如第一神经网络一样的梯度下降优化算法，根据损失函数，对第二神经网络的各层参数值进行优化，在此不再赘述。

直到第二样本集中所有的样本都用来对第二神经网络的参数进行优化。当所有样本都参与第二神经网络的训练之后，完成了一个训练回合。对于第二神经网络的训练，可以只进行一个训练回合的训练，也可以进行多个训练回合的训练。这是由第二样本集的大小、损失函数的收敛等因素确定的。

当判断第二神经网络的损失函数已收敛后，完成对第二神经网络的训练，得到第二神经网络各层的优化参数。可以使用本领域技术人员熟知的方法判断损失函数是否收敛，此处不再赘述。

需要说明的是，虽然在训练第二神经网络时，所使用的样本集中的样本可以包括两幅沿不同的相位编码方向形变的伪影图。但是其参数优化之后，在实际使用中，输入的图像是单幅图像。单幅图像的编码包括正向的编码方向的形变和/或负向的编码方向的形变，通过第二神经网络，可以纠正这两个方向的形变。

由上述训练第一神经网络和第二神经网络的步骤可知，对于这两个神经网络，在训练的时候，是分别进行训练的。而在使用的时候是将一幅初始磁共振图像输入包括这两个神经网络的神经网络，该初始磁共振图像依次经过这两个神经网络，进行形变纠正和化学位移伪影的去除。

与前述基于神经网络的平面回波成像方法的实施例相对应，本申请还提供了基于神经网络的平面回波成像装置的实施例。下面结合附图进行详细的介绍。

参见图6，为本申请实施例提供的一种基于神经网络的平面回波成像装置的结构示意图，其中该成像装置可以应用在MRI***上。如图6所示，该成像装置可以包括：扫描模块610、第一重建模块620和第二重建模块630。

扫描模块610，用于根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据。

第一重建模块620，用于根据所述k空间的数据，得到所述被检体的初始磁共振图像。

第二重建模块630，将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像。其中，第一神经网络为消除化学位移伪影的神经网络，所述第二神经网络为纠正图像变形的神经网络。

在一种可选的实施方式中，所述平面回波成像序列包括以下任一：梯度回波平面回波成像序列；自旋回波平面回波成像序列；反转恢复平面回波成像序列。

在一种可选的实施方式中，所述装置还包括第一训练模块，用于：获取第一样本集，其中，所述第一样本集的样本包括含脂肪带化学位移伪影的输入磁共振图像和第一标准图像；根据所述第一样本集，训练所述第一神经网络。

在一种可选的实施方式中，所述装置还包括第二训练模块，用于：获取第二样本集，其中，所述第二样本集的样本至少包括一幅形变的伪影图；根据所述第二样本集，训练所述第二神经网络。

更进一步的，所述第二样本集的所述样本包括以下任一种：两幅沿不同相位编码方向形变的伪影图；两幅沿不同相位编码方向形变的伪影图和第二标准图像；一幅形变的伪影图和第三标准图像。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。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申请方案的目的。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。

请参见图7，为本申请实施例提供的一种基于神经网络的平面回波成像装置的硬件结构示意图。该成像装置可以包括处理器701、存储有机器可执行指令的机器可读存储介质702。处理器701与机器可读存储介质702可经由***总线703通信。并且，通过读取并执行机器可读存储介质702中与平面回波成像的成像逻辑对应的机器可执行指令，处理器701可执行上文描述的基于神经网络的平面回波成像方法。

本文中提到的机器可读存储介质702可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。

本说明书中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。

本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。

适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位***(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。

适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。

虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。

类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种***模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和***通常可以一起集成在单个软件产品中，或者封装成多个软件产品。

由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种基于神经网络的平面回波成像方法，应用于磁共振成像***，其特征在于，所述方法包括：

根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据；

根据所述k空间的数据，得到所述被检体的初始磁共振图像；

将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像，其中，所述第一神经网络被配置为消除化学位移伪影的神经网络，所述第二神经网络被配置为纠正图像变形的神经网络。

2.根据权利要求1所述的方法，其特征在于，所述平面回波成像序列包括以下任一：

梯度回波平面回波成像序列；

自旋回波平面回波成像序列；

反转恢复平面回波成像序列。

3.根据权利要求1所述的方法，其特征在于，在将所述初始磁共振图像输入预先训练的第一神经网络之前，所述方法还包括：

获取第一样本集，其中，所述第一样本集中的样本包括含脂肪带化学位移伪影的输入磁共振图像和第一标准图像；

根据所述第一样本集，训练所述第一神经网络。

4.根据权利要求1所述的方法，其特征在于，在将所述初始磁共振图像输入预先训练的第二神经网络之前，所述方法还包括：

获取第二样本集，其中，所述第二样本集的样本至少包括一幅形变的伪影图；

根据所述第二样本集，训练所述第二神经网络。

5.根据权利要求4所述的方法，其特征在于，所述第二样本集的所述样本包括以下任一种：

两幅沿不同相位编码方向形变的伪影图；

两幅沿不同相位编码方向形变的伪影图和第二标准图像；

一幅形变的伪影图和第三标准图像。

6.一种基于神经网络的平面回波成像装置，应用于磁共振成像***，其特征在于，所述装置包括：

扫描模块，用于根据选择的磁共振参数，使用平面回波成像序列对被检体进行扫描，得到k空间的数据；

第一重建模块，用于根据所述k空间的数据，得到所述被检体的初始磁共振图像；

第二重建模块，将所述初始磁共振图像输入预先训练的第一神经网络和第二神经网络，得到所述被检体的最终磁共振图像，其中，所述第一神经网络被配置为消除化学位移伪影的神经网络，所述第二神经网络被配置为纠正图像变形的神经网络。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括第一训练模块，用于：

获取第一样本集，其中，所述第一样本集的样本包括含脂肪带化学位移伪影的输入磁共振图像和第一标准图像；

根据所述第一样本集，训练所述第一神经网络。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括第二训练模块，用于：

获取第二样本集，其中，所述第二样本集的样本至少包括一幅形变的伪影图；

根据所述第二样本集，训练所述第二神经网络。

9.根据权利要求8所述的装置，其特征在于，所述第二样本集的所述样本包括以下任一种：

两幅沿不同相位编码方向形变的伪影图；

两幅沿不同相位编码方向形变的伪影图和第二标准图像；

一幅形变的伪影图和第三标准图像。

10.一种基于神经网络的平面回波成像装置，应用于磁共振成像***，其特征在于，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序以实现权利要求1-5中任一所述基于神经网络的平面回波成像的方法。