CN110276725B - 一种自由呼吸下腹部磁共振成像伪影的快速去除方法 - Google Patents
一种自由呼吸下腹部磁共振成像伪影的快速去除方法 Download PDFInfo
- Publication number
- CN110276725B CN110276725B CN201810212643.0A CN201810212643A CN110276725B CN 110276725 B CN110276725 B CN 110276725B CN 201810212643 A CN201810212643 A CN 201810212643A CN 110276725 B CN110276725 B CN 110276725B
- Authority
- CN
- China
- Prior art keywords
- artifact
- magnetic resonance
- image
- free
- sub
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 19
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 14
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 15
- 210000001015 abdomen Anatomy 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种自由呼吸下腹部磁共振成像伪影的快速去除方法，包含采集带伪影的图像数据部分、预处理得到若干子图部分、通过校正模型消除伪影部分以及L个子图拼接得到输出图像部分。本发明能够实时去除由于高倍亚采样图像中带有的条纹伪影，具有临床潜在应用价值。
Description
技术领域
本发明涉及一种自由呼吸下腹部磁共振成像伪影的快速去除方法，属于图像处理技术领域。
背景技术
目前，磁共振成像技术在腹部病变的临床诊断和治疗中起着至关重要的作用。但是磁共振成像时间长，腹部会受呼吸运动的影响。呼吸运动会导致器官发生运动和形变，从而导致图像中产生呼吸运动伪影，使得图像的分辨率和信噪比降低，在图像指导的介入治疗过程中则会出现静态指导信息和运动结构的位置不一致的现象。近年来，有研究者提出一种可以在受试者自由呼吸下成腹部图像的序列，即3D黄金角径向stack-of-stars(SOS)序列。然而在高倍亚采样的情况下，重建图像有明显的条纹伪影。通常采用基于压缩感知的方法来消除该类伪影，然而由于该方法需要迭代计算，重建速度慢，不具有临床应用的可行性。因此，亟需一种自由呼吸下腹部磁共振成像伪影的快速去除方法。
发明内容
为了能够解决受试者在自由呼吸下成腹部磁共振成像过程中，消除条纹伪影速度慢，难以临床应用的不足，本发明的目的在于提供一种可以在自由呼吸下降采样的磁共振图像条纹伪影的快速去除方法。
为了实现上诉目的，本发明的技术方案如下：
一种自由呼吸下腹部磁共振成像伪影的快速去除方法，由以下步骤组成：
1)采集受试者在腹部自由呼吸状态下带有条纹伪影的图像数据I0；优选的，所述的采集的磁共振扫描序列为3D黄金角径向stack-of-stars(SOS)扫描序列；优选的，所述的图像数据I0是通过5-20倍的降采样获得。
2)将采集到的I0进行预处理得到L个子图像，以便将降采样的图像数据I0，输入到矫正模型M中；优选的，所述的预处理方法采用边长为5-10个像素的方块为滑动窗口，遍历图像I0得到L个子区域，相邻子区域之间的重叠度为70-85％。
3)将L个子图像分别通过事先训练好的校正模型M进行伪影去除，优选的，所述的校正模型M是经过有监督学习得到的非线性映射，由堆叠卷积自编码网络构建；其中校正模型M的样本正确标注数据(ground true)为全K空间采样得到的无伪影图像，模型M的训练样本来自相应正确标注数据的5％-20％部分K空间采样得到的有伪影图像；优选的，样本正确标注数据的磁共振扫描序列为用3D黄金角径向stack-of-stars(SOS)扫描序列，完成K空间全采样。
4)将伪影去除后的L个子图拼接称为图像I1,作为去伪影后的输出。
综上所述，一种自由呼吸下腹部磁共振成像伪影的快速去除方法，主要创新之处在于：通过把全采样数据做为正确标准数据(ground true)以及把降采样数据做为样本输入，构建堆叠卷积自编码网络(Stacked Convolutional Auto-encoders，SCAE)，得到了输入输出图像数据之间的非线性映射，进而通过该网络，可以去除由于降采样而造成的条纹伪影，实现在自由呼吸下降采样的磁共振图像条纹伪影的快速去除。
附图说明
图1为本发明的整体流程图；
图2为本发明中一个重建结果图
具体实施方式
下面通过具体实施例对本发明进行说明，但本发明并不局限于此。
如图1所示，本发明的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，首先采集受试者在腹部自由呼吸状态下带有条纹伪影的图像数据I0；进而将采集到的I0进行预处理得到L个子图像；然后将L个子图像分别通过事先训练好的校正模型M进行伪影去除；最终将伪影去除后的L个子图拼接称为图像I1,作为去伪影后的输出。
本实施例中采集受试者在腹部自由呼吸状态下采用的磁共振扫描序列为3D黄金角径向stack-of-stars(SOS)扫描序列，进而通过5倍的降采样获得带伪影的图像数据I0。
本实施例中预处理方法，采用边长为7个像素的方块为滑动窗口，遍历图像I0后得到L个子领域，且相邻区域之间的重叠度为80％。
本实施例中的校正模型M，采用堆叠卷积自编码网络，该网络的样本正确标注数据为全K空间采样得到的无伪影图像，该网络的训练样本来自相应正确标注数据的20％部分K空间采样得到的有伪影图像，样本正确标注数据的磁共振扫描序列为用3D黄金角径向stack-of-stars(SOS)扫描序列，完成K空间全采样。此外该网络由9个隐藏层组成，包括：
1)1个滤波器尺寸为128×5×5的卷积层；
2)1个2×2的最大池化层；
3)64个滤波器尺寸5×5的卷积层；
4)1个2×2的最大池化层；
5)64个滤波器尺寸5×5的反卷积层；
6)1个2×2的上采样层；
7)128个滤波器尺寸为5×5的反卷积层；
8)1个2×2的上采样层；
9)1个滤波器尺寸为5×5的反卷积层。
图2显示为采用本发明得到自由呼吸下腹部磁共振成像伪影的去除图像；图像给出了三个典型受试者的结果图，左列为输入的带有条纹伪影的训练图像，中间列为堆叠卷积自编码网络(SCAE)输出的结果图，右列参考金标准图像(ground true)。结果表明本方法可以较好的删除条纹伪影，与金标准的误差仅出现在腹部边界，集中在脂肪高亮信号区域。
Claims (4)
1.一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，由以下步骤组成：
1)采集受试者在腹部自由呼吸状态下带有条纹伪影的图像数据I0；
2)将采集到的I0进行预处理得到L个子图像；
3)将L个子图像分别通过事先训练好的校正模型M进行伪影去除；校正模型M是经过有监督学习得到的非线性映射，由堆叠卷积自编码网络构建；其中校正模型M的样本正确标注数据为全K空间采样得到的无伪影图像，模型M的训练样本来自相应正确标注数据的5％-20％部分K空间采样得到的有伪影图像；
4)将伪影去除后的L个子图拼接称为图像I1,作为去伪影后的输出。
2.如权利要求1所述的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，所述的采集受试者在腹部自由呼吸状态下的图像数据I0时所采用的磁共振扫描序列为3D黄金角径向stack-of-stars(SOS)扫描序列；所述的图像数据I0是通过5-20倍的降采样获得。
3.如权利要求1所述的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，所述的预处理方法包括：采用边长为5-10个像素的方块为滑动窗口，遍历图像I0得到L个子区域，相邻子区域之间的重叠度为70-85％。
4.如权利要求1所述的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，所述的校正模型M的样本正确标注数据的磁共振扫描序列为3D黄金角径向stack-of-stars(SOS)扫描序列，完成K空间全采样。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810212643.0A CN110276725B (zh) | 2018-03-15 | 2018-03-15 | 一种自由呼吸下腹部磁共振成像伪影的快速去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810212643.0A CN110276725B (zh) | 2018-03-15 | 2018-03-15 | 一种自由呼吸下腹部磁共振成像伪影的快速去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110276725A CN110276725A (zh) | 2019-09-24 |
| CN110276725B true CN110276725B (zh) | 2022-03-25 |
Family
ID=67958442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810212643.0A Active CN110276725B (zh) | 2018-03-15 | 2018-03-15 | 一种自由呼吸下腹部磁共振成像伪影的快速去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110276725B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995561A (zh) * | 2010-10-22 | 2011-03-30 | 南方医科大学 | 基于图像域叠加的propeller磁共振数据重建方法 |
| CN102232830A (zh) * | 2010-04-30 | 2011-11-09 | 西门子(深圳)磁共振有限公司 | 一种磁共振成像水脂分离方法 |
| CN107072595A (zh) * | 2013-12-31 | 2017-08-18 | 威斯康星州医药大学股份有限公司 | 基于多模态成像的自适应重计划 |
| CN107154025A (zh) * | 2016-03-04 | 2017-09-12 | 北京大学 | 一种针对颈动脉磁共振血管壁成像的血流伪影去除方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005031B (zh) * | 2010-11-03 | 2012-05-02 | 宁波鑫高益磁材有限公司 | 一种mri***中k空间采样数据的运动伪影消除方法及装置 |
| WO2014055117A1 (en) * | 2012-10-04 | 2014-04-10 | Asuragen, Inc. | Diagnostic mirnas for differential diagnosis of incidental pancreatic cystic lesions |
| US9702956B2 (en) * | 2014-03-25 | 2017-07-11 | Beth Israel Deaconess Medical Center, Inc. (Bidmc, Inc.) | MRI methods and apparatus for flexible visualization of any subset of an enlarged temporal window |
| US10353034B2 (en) * | 2016-05-05 | 2019-07-16 | Siemens Healthcare Gmbh | Multi-echo pseudo-golden angle stack of stars thermometry with high spatial and temporal resolution using k-space weighted image contrast |
| CN107507148B (zh) * | 2017-08-30 | 2018-12-18 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
-
2018
- 2018-03-15 CN CN201810212643.0A patent/CN110276725B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102232830A (zh) * | 2010-04-30 | 2011-11-09 | 西门子(深圳)磁共振有限公司 | 一种磁共振成像水脂分离方法 |
| CN101995561A (zh) * | 2010-10-22 | 2011-03-30 | 南方医科大学 | 基于图像域叠加的propeller磁共振数据重建方法 |
| CN107072595A (zh) * | 2013-12-31 | 2017-08-18 | 威斯康星州医药大学股份有限公司 | 基于多模态成像的自适应重计划 |
| CN107154025A (zh) * | 2016-03-04 | 2017-09-12 | 北京大学 | 一种针对颈动脉磁共振血管壁成像的血流伪影去除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110276725A (zh) | 2019-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Computed tomography super-resolution using convolutional neural networks | |
| CN111081354B (zh) | 用于通过深度学习网络对医疗图像进行去噪的***和方法 | |
| CN110338795B (zh) | 一种径向黄金角磁共振心脏电影成像方法、装置和设备 | |
| US20220058438A1 (en) | Machine learning processing of contiguous slice image data | |
| CN110461228A (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
| CN113298710B (zh) | 基于外部注意力机制的光学相干层析超分辨率成像方法 | |
| CN112634197A (zh) | 一种颅内血管造影增强三维模型的建立方法 | |
| US11950877B2 (en) | System and method for fully automatic LV segmentation of myocardial first-pass perfusion images | |
| CN103033782B (zh) | 并行磁共振成像装置及其成像的方法 | |
| CN102590773A (zh) | 磁共振成像的方法和*** | |
| CN114187296B (zh) | 胶囊内窥镜图像病灶分割方法、服务器及*** | |
| CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
| CN106618571A (zh) | 一种磁共振成像方法和*** | |
| CN106526511A (zh) | 基于k空间中心鬼影定位的SPEED磁共振成像方法 | |
| CN113592745B (zh) | 一种基于对抗性域自适应的无监督mri图像复原方法 | |
| CN112037304A (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
| CN110942496A (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** | |
| CN110276725B (zh) | 一种自由呼吸下腹部磁共振成像伪影的快速去除方法 | |
| CN104574338A (zh) | 基于多角度线阵ccd传感器的遥感图像超分辨率重建方法 | |
| CN116068468B (zh) | 时域***矩阵联合x-space的MPI重建方法 | |
| CN107942271B (zh) | 基于迭代的speed快速磁共振成像方法 | |
| CN103728581B (zh) | 基于离散余弦变换的speed快速磁共振成像方法 | |
| CN113192151B (zh) | 一种基于结构相似性的mri图像重建方法 | |
| CN116503245A (zh) | 煤岩数字岩心序列图片多尺度融合与超分辨率重建方法 | |
| CN116258628A (zh) | 一种基于空间变换网络的参考图像超分辨率方法 |
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 |