CN110664378B - 磁共振成像方法、装置、***及存储介质 - Google Patents
磁共振成像方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN110664378B CN110664378B CN201911032337.XA CN201911032337A CN110664378B CN 110664378 B CN110664378 B CN 110664378B CN 201911032337 A CN201911032337 A CN 201911032337A CN 110664378 B CN110664378 B CN 110664378B
- Authority
- CN
- China
- Prior art keywords
- space data
- under
- coded
- full
- image
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了一种磁共振成像方法、装置、***及存储介质,该方法包括:获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像;其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。解决了现有技术的磁共振成像方法至少存在网络模型没有充分地利用不同通道间信息的技术问题。
Description
技术领域
本发明实施例涉及医学成像领域,尤其涉及一种磁共振成像方法、装置、***及存储介质。
背景技术
磁共振心脏电影成像是一种非侵入式的成像技术,能够用于评估心功能,室壁运动异常等,为心脏临床诊断提供丰富的信息。然而,由于磁共振成像***的物理、硬件,以及心脏运动周期时长的制约,磁共振心脏电影成像在时间和空间分辨率上比较受限,无法给出准确的图像信息,从而使医生无法根据得到的磁共振图像准确地评估部分心脏疾病,如心率不齐等。因此,在保证成像质量的前提下,利用快速成像方法提高磁共振心脏电影成像的时间和空间分辨率尤为重要。
目前,常用的磁共振心脏电影成像的方法有:并行成像(Parallel Imaging,PI)、压缩感知(Compressed Sensing,CS)和深度学习,其中,深度学习有基于级联卷积网络的磁共振动态成像(DC-CNN)、卷积递归神经网络(CRNN)以及有监督的交叉域网络DIMENSION等,他们要么直接学习从欠采K空间数据到全采图像的映射关系,由于获取大量无运动伪影的全采K空间数据需要花费大量人力、财力和时间,成本十分昂贵。因此目前这三种深度学习方法均是通过通道融合确定多个单通道K空间数据对应的全采K空间数据,然后将对应的单通道K空间数据和全采K空间数据作为训练样本,使网络模型学习单通道欠采K空间数据到全采K空间数据之间的映射关系。可以理解的是,使用该方法训练得到的网络模型没有充分地利用不同通道之间的信息,而且其加速倍数与单通道K空间数据的加速倍数一致,也就是说,如果要使网络模型对应多种加速倍数,则需要分别采集每一种加速倍数的欠采K空间数据。
由此可见,现有技术的磁共振成像方法至少存在网络模型没有充分地利用不同通道间信息的技术问题。
发明内容
本发明实施例提供了一种磁共振成像方法、装置、***及存储介质,以解决现有基于神经网络模型的磁共振成像方法至少存在网络模型没有充分地利用不同通道间信息的技术问题。
第一方面,本发明实施例提供了一种磁共振成像方法,包括:
获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;
将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像;
其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。
第二方面,本发明实施例还提供了一种磁共振成像装置,包括:
获取模块,用于获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;
输出模块,用于将所述欠采K空间数据输入已训练的预设神经网络模型中,以得到目标磁共振图像;其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。
第三方面,本发明实施例还提供了一种磁共振成像***,包括:
扫描床,用于承载受检者;
扫描装置,用于对所述扫描床上的受检者的目标扫描部位进行扫描;
处理器,用于基于时间交叉欠采方式控制所述扫描装置对所述目标扫描部位进行扫描以得到欠采K空间数据,将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像,其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任一实施例所述的磁共振成像方法。
本发明实施例提供磁共振成像方法的技术方案,获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;将欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像;其中,目标磁共振图像为全编码图像,已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和全编码图像是根据该欠采K空间数据对应的全编码K空间数据确定的。由于全编码K空间数据由欠采K空间数据经过通道整合和平均得到的,因此全编码K空间数据,以及基于该全编码K空间数据得到的欠编码K空间数据与全编码图像均综合了不同通道间信息,因此已训练的预设神经网络模型也综合了不同通道间信息。另外,由全编码K空间数据可以确定各种欠采倍数的欠编码K空间数据,因此预设神经网络模型的训练样本不受欠采K空间数据的欠采倍数的限制,数据采集量较小,模型训练成本较低。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的磁共振成像方法的流程图;
图2A是本发明实施例一提供的时间交叉欠采方式的示意图;
图2B是本发明实施例一提供的将ky方向的采集通道沿t轴展开的示意图;
图3是本发明实施例一提供已训练的预设神经网络模型的使用过程示意图;
图4是本发明实施例二提供的模型训练方法的流程图;
图5是本发明实施例二提供的模型训练过程的示意图;
图6A是本发明实施例三提供的磁共振成像装置的结构框图;
图6B是本发明实施例三提供的又一磁共振成像装置的结构框图;
图7是本发明实施例四提供的磁共振成像***的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的磁共振成像方法的流程图。本实施例的技术方案适用于通过已训练的预设神经网络模型根据欠采K空间数据确定对应的目标磁共振图像的情况。该方法可以由本发明实施例提供的磁共振成像装置来执行,该装置可以采用软件和/或硬件的方式实现,并配置在处理器中应用。如图1所示,该方法具体包括如下步骤:
S101、获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据。
图2A示出了时间交叉欠采方式的示意图,将该图ky方向的采集通道沿t轴展开,如图2B所示,该图中的实线对应的通道采集K空间数据,而虚线对应的通道不采集K空间数据,可以看出的是,该图的欠采方式对应的加速倍数为4倍,根据前5帧K空间数据可以得到完整的K空间数据。
其中,时间交叉欠采方式适于采集运动器官的K空间数据,比如心脏、腹部器官等,因此本实施例的目标扫描部位为心脏、腹部器官等。
在一些实施例中,欠采K空间数据对应的欠采倍数可以是两倍、三倍或四倍等,本实施例在此不作具体限定。
S102、将欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像。
如图3所示,欠采K空间数据得到之后,将其输入已训练的预设神经网络模型中,从而由该已训练的预设神经网络模型基于该欠采K空间数据得到目标磁共振图像。其中,该已训练的预设神经网络模型用于通过确定欠编码K空间数据与全编码图像之间的对应关系,确定欠采K空间数据与全编码图像之间的对应关系。
可以理解的是,该已训练的预设神经网络模型要在训练过程中确定欠编码K空间数据与全编码图像之间的对应关系,需要构建包含欠编码K空间数据与全编码图像的训练样本,即在预设神经网络模型训练之前,需要先根据欠采K空间数据确定欠编码K空间数据和全编码图像。而欠编码K空间数据和全编码图像均是基于全编码K空间数据确定的,全编码K空间数据又是由对应帧的欠采K空间数据通过通道整合和平均得到的。
全编码K空间数据得到之后,对该全编码K空间数据进行傅里叶逆变换和通道融合即可得到全编码图像。
全编码K空间数据得到之后,先确定对应帧的欠编码K空间数据的通道提取矩阵,然后计算全编码K空间数据与对应提取矩阵的乘积,将该乘积作为对应帧的欠编码K空间数据。
需要说明的是,采用现有技术的通道整合方法对相应帧的欠采K空间数据进行通道整合即可,采用现有技术的通道融合方法对全编码K空间数据进行通道融合即可,本实施例在此均不作具体限定。
可以理解的是,在全编码K空间数据得到之后,可以通过不同欠采倍数的提取矩阵得到不同欠采倍数的欠编码K空间数据。即控制扫描装置对一个目标扫描部位采集一组欠采K空间数据,然后通过该组欠采K空间数据对应的全编码K空间数据和不同欠采倍数的提取矩阵,得到对应不同欠采倍数的欠编码K空间数据。可以理解的是,预设神经网络在学习了不同欠采倍数的欠编码K空间数据与对应的全编码图像之间的对应关系之后,变为已训练的预设神经网络,该已训练的预设神经网络模型可以根据不同欠采倍数的欠采K空间数据得到全编码图像。
可以理解的是,由于全编码K空间数据是通过对欠采K空间数据进行通道整合和平均得到的,因此其在确定的过程中综合了不同通道间信息。那么基于该全编码K空间数据得到的欠编码K空间数据和全编码图像也综合了不同通道间信息,那么已训练的预设神经网络模型在确定欠编码K空间数据和全编码图像之间的对应关系时,也综合了不同通道间信息,因此具有极高的稳定性。
为了提高目标图像的确定速度,本实施例的预设神经网络模型优选为并行神经网络模型,且该并行神经网络模型优选为无监督的并行神经网络模型。需要说明的是,该无监督的并行神经网络模型采用现有技术的模型算法即可,本实施例在此不作具体限定。
本发明实施例提供磁共振成像方法的技术方案,获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;将欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像;其中,目标磁共振图像为全编码图像,已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和全编码图像是根据该欠采K空间数据对应的全编码K空间数据确定的。由于全编码K空间数据由欠采K空间数据经过通道整合和平均得到的,因此全编码K空间数据,以及基于该全编码K空间数据得到的欠编码K空间数据与全编码图像均综合了不同通道间信息,因此已训练的预设神经网络模型也综合了不同通道间信息。另外,由全编码K空间数据可以确定各种欠采倍数的欠编码K空间数据,因此预设神经网络模型的训练样本不受欠采K空间数据的欠采倍数的限制,数据采集量较小,模型训练成本较低。
实施例二
图4是本发明实施例二提供的磁共振成像方法的流程图。本发明实施例在上述实施例的基础上,详细说明了预设神经网络的训练过程。如图4所示,包括:
S201、构建训练样本。
欠编码K空间数据与全编码图像得到之后,即可构建训练样本。如图5所示,该训练样本包括作为输入图像的至少两种欠采倍数的欠编码K空间数据和作为输出图像并与输入图像对应的全编码图像。
欠编码K空间数据的欠采倍数可由用户根据实际需求确定的提取矩阵确定。
示例性的,确定欠采倍数为三倍的欠编码K空间数据的提取矩阵,那么全编码K空间数据与该提取矩阵的乘积即为对应3倍欠采倍数的欠编码K空间数据。该欠编码K空间数据为输入图像,其对应的全编码K空间数据对应的全编码图像为输出图像。
示例性的,确定欠采倍数为四倍的欠编码K空间数据的提取矩阵,那么全编码K空间数据与该提取矩阵的乘积即为对应四倍欠采倍数的欠编码K空间数据。该欠编码K空间数据为输入图像,其对应的全编码K空间数据对应的全编码图像为输出图像。
由此可见,根据某一欠采倍数的欠采K空间数据即可得到多个欠采倍数的欠采K空间数据,因此本实施例在构建训练样本时不受欠采K空间数据的欠采倍数的限制。
S202、将训练样本输入预设神经网络模型以对该预设神经网络模型进行训练,从而得到已训练的预设神经网络模型。
将构建好的训练样本输入预设神经网络模型,该预设神经网络模型对接收的训练样本进行学习分析以建立欠编码K空间数据与全编码K空间数据之间的对应关系。本实施例将建立了欠编码K空间数据与全编码K空间数据之间的对应关系的预设神经网络模型称之为已训练的预设神经网络模型。
由于欠编码K空间数据与全编码图像均来源于全编码K空间数据,因此具有较好的对应关系,而且也综合了各个通道之间的关系信息。相较于直接基于欠采K空间数据进行模型训练,本实施例的已训练的神经网络模型所确定的欠编码K空间数据与全编码图像之间的对应关系更为稳定,那么根据该对应关系和欠采K空间数据所确定的全编码图像具有更高的准确性。
图5还示出了由欠采K空间数据、全编码K空间数据和欠编码K空间数据经傅里叶逆变换进行图像重建得到的图像。可以看出的是,重建得到的各个图像均为期望图像,因此预设神经网络模型训练过程中所使用的各种数据均是准确的。
相较于现有技术,本实施例在构建用于训练预设神经网络模型的训练样本时,所使用的输入图像的欠采倍数并不局限于所采集的欠采K空间数据的欠采倍数,可以根据实际需要直接从全编码K空间数据提取所需欠采倍数的欠编码K空间数据,因此预设神经网络模型的训练不受欠采K空间数据的欠采倍数的限制,数据采集量较小,模型训练成本较低。另外,欠编码K空间数据以及全编码图像均综合了不同通道间信息,因此已训练的预设神经网络模型在建立欠编码K空间数据与全编码图像之间的对应关系时也综合了各个通道之间相关性,这使得已训练的预设神经网络模型具有较高的稳定性。
实施例三
图6A是本发明实施例三提供的磁共振成像装置的结构框图。该装置用于执行上述任意实施例所提供的磁共振成像方法,该装置可选为软件或硬件实现。
该装置包括:
获取模块31,用于获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;
输出模块32,用于将欠采K空间数据输入已训练的预设神经网络模型中以得到目标磁共振图像;其中,目标磁共振图像为全编码图像,已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和全编码图像是根据欠采K空间数据对应的全编码K空间数据确定的。
如图6B所示,还包括训练模块30,该训练模块用于接收训练样本,控制预设神经网络模型对接收的训练样本进行学习,以确定欠编码K空间数据与全编码图像之间的对应关系,从而确定欠采K空间数据与全编码图像之间的对应关系。
本发明实施例提供的磁共振成像装置的技术方案,通过获取模块获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;通过输出模块将欠采K空间数据输入已训练的预设神经网络模型中以得到目标磁共振图像;其中,目标磁共振图像为全编码图像,已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系;训练过程中的欠编码K空间数据和全编码图像是根据欠采K空间数据对应的全编码K空间数据确定的。由于全编码K空间数据由欠采K空间数据经过通道整合和平均得到的,因此全编码K空间数据,以及基于该全编码K空间数据得到的欠编码K空间数据与全编码图像均综合了不同通道间信息,因此已训练的预设神经网络模型也综合了不同通道间信息。另外,由全编码K空间数据可以确定各种欠采倍数的欠编码K空间数据,因此预设神经网络模型的训练样本不受欠采K空间数据的欠采倍数的限制,数据采集量较小,模型训练成本较低。
本发明实施例所提供的磁共振成像装置可执行本发明任意实施例所提供的磁共振成像方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7是本发明实施例四二提供的磁共振成像***的示意图。该磁共振成像***100包括:扫描床111、扫描装置110和处理器120。扫描床111用于承载受检者;扫描装置110用于对扫描床111上的受检者的目标扫描部位进行扫描;处理器120用于基于时间交叉欠采方式控制扫描装置对所目标扫描部位进行扫描以得到欠采K空间数据,将欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像,其中,目标磁共振图像为全编码图像,已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和全编码图像是根据欠采K空间数据对应的全编码K空间数据确定的。
在一些实施例中,欠采K空间数据对应的欠采倍数可以是两倍、三倍、四倍等,本实施例在此不作具体限定。
欠采K空间数据得到之后,处理器将其输入已训练的预设神经网络模型中,从而由该已训练的预设神经网络模型基于该欠采K空间数据得到目标磁共振图像。其中,该已训练的预设神经网络模型用于通过确定欠编码K空间数据与全编码图像之间的对应关系,确定欠采K空间数据与全编码图像之间的对应关系。
可以理解的是,该已训练的预设神经网络模型要在训练过程中确定欠编码K空间数据与全编码图像之间的对应关系,需要构建包含欠编码K空间数据与全编码图像的训练样本,即在预设神经网络模型训练之前,需要先根据欠采K空间数据确定欠编码K空间数据和全编码图像。而欠编码K空间数据和全编码图像均是基于全编码K空间数据确定的,全编码K空间数据又是由对应帧的欠采K空间数据通过通道整合和平均得到的。
处理器在全编码K空间数据得到之后,对该全编码K空间数据进行傅里叶逆变换和通道融合即可得到全编码图像。
处理器在全编码K空间数据得到之后,先确定对应帧的欠编码K空间数据的通道提取矩阵,然后计算全编码K空间数据与对应提取矩阵的乘积,将该乘积作为对应帧的欠编码K空间数据。
需要说明的是,采用现有技术的通道整合方法对相应帧的欠采K空间数据进行通道整合即可,采用现有技术的通道融合方法对全编码K空间数据进行通道融合即可,本实施例在此均不作具体限定。
以理解的是,在全编码K空间数据得到之后,可以通过不同欠采倍数的提取矩阵得到不同欠采倍数的欠编码K空间数据。即控制扫描装置对一个目标扫描部位采集一组欠采K空间数据,然后通过该组欠采K空间数据对应的全编码K空间数据和不同欠采倍数的提取矩阵,就可以得到对应不同欠采倍数的欠编码K空间数据。可以理解的是,预设神经网络在学习了不同欠采倍数的欠编码K空间数据与对应的全编码图像之间的对应关系之后,变为已训练的预设神经网络,该已训练的预设神经网络模型可以根据不同欠采倍数的欠采K空间数据得到全编码图像。
可以理解的是,由于全编码K空间数据是通过对欠采K空间数据进行通道整合和平均得到的,因此其在确定的过程中综合了不同通道间信息。那么基于该全编码K空间数据得到的欠编码K空间数据和全编码图像也综合了不同通道间信息,那么已训练的预设神经网络模型在确定欠编码K空间数据和全编码图像之间的对应关系时,也综合了不同通道间信息,因此具有极高的稳定性。
为了提高目标图像的确定速度,本实施例的预设神经网络模型优选为并行神经网络模型,且该并行神经网络模型优选为无监督的并行神经网络模型。需要说明的是,该无监督的并行神经网络模型采用现有技术模型算法即可,本实施例在此不作具体限定。
由于全编码K空间数据由欠采K空间数据经过通道整合和平均得到的,因此全编码K空间数据,以及基于该全编码K空间数据得到的欠编码K空间数据与全编码图像均综合了不同通道间信息,因此已训练的预设神经网络模型也综合了不同通道间信息。另外,由全编码K空间数据可以确定各种欠采倍数的欠编码K空间数据,因此预设神经网络模型的训练样本不受欠采K空间数据的欠采倍数的限制,数据采集量较小,模型训练成本较低。
如图7所示,该磁共振成像***100还包括控制器130和输出装置140,其中,控制器130可同时监测或控制扫描装置110、处理器120和输出装置140。控制器130可以包括中央处理器(Central Processing Unit,CPU)、专门应用集成电路(Application-SpecificIntegrated Circuit,ASIC)、专用指令处理器(Application Specific Instruction SetProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理器(PhysicsProcessing Unit,PPU)、数字信号处理器(Digital Processing Processor,DSP)、现场可编程逻辑门阵列(Field-Programmable Gate Array,FPGA)、ARM处理器等中的一种或几种的组合。
输出装置140,比如显示器,可显示感兴趣区域的磁共振图像。进一步地,输出装置140还可显示受检者的身高、体重、年龄、成像部位、以及扫描装置110的工作状态等。输出装置140的类型可以是阴极射线管(CRT)输出装置、液晶输出装置(LCD)、有机发光输出装置(OLED)、等离子输出装置等中的一种或几种的组合。
磁共振成像***100可连接一个局域网(Local Area Network,LAN)、广域网(WideArea Network,WAN)、公用网络、私人网络、专有网络、公共交换电话网(Public SwitchedTelephone Network,PSTN)、互联网、无线网络、虚拟网络、或者上述网络的任何组合。
扫描装置110包括MR信号获取模块、MR控制模块和MR数据存储模块。其中,MR信号获取模块包括磁体单元和射频单元。磁体单元主要包括产生B0主磁场的主磁体和产生梯度的梯度组件。磁体单元中包含的主磁体可以是永磁体或超导磁体,梯度组件主要包含梯度电流放大器(AMP)、梯度线圈,梯度组件还可包含三个独立通道Gx、Gy、Gz,每个梯度放大器激发梯度线圈组中对应的一个梯度线圈,产生用于生成相应空间编码信号的梯度场,以对磁共振信号进行空间定位。射频单元主要包括射频发射线圈和射频接收线圈,射频发射线圈用于向受检者或人体发射射频脉冲信号,射频接收线圈用于接收从人体采集的磁共振信号,且根据功能的不同,组成射频单元的射频线圈可分为体线圈和局部线圈。在一个实施例中,体线圈或局部线圈的种类可以是鸟笼形线圈、螺线管形线圈、马鞍形线圈、亥姆霍兹线圈、阵列线圈、回路线圈等。在一个具体实施例中,局部线圈设置为阵列线圈,且该阵列线圈可设置为4通道模式、8通道模式或16通道模式。磁体单元和射频单元可组成开放性低场磁共振装置或者封闭型超导磁共振装置。
MR控制模块可监测包含磁体单元和射频单元的MR信号获取模块、MR数据处理模块。具体地,MR控制模块可接收MR信号获取模块发送的信息或者脉冲参数;此外,MR控制模块还可控制MR数据处理模块的处理过程。在一个实施例中,MR控制模块还连接有包含脉冲序列发生器、梯度波形发生器、发射机和接收机等,在接受用户从控制台发出的指令后,控制磁场模块执行相应扫描序列。
示例性地,本发明扫描装置110产生MR数据的具体过程包括:主磁体产生B0主磁场,受检者体内的原子核在主磁场作用下产生进动频率,该进动频率与主磁场强度呈正比;MR控制模块存储和发送需要执行的扫描序列(scan sequence)的指令,脉冲序列发生器根据扫描序列指令对梯度波形发生器和发射机进行控制,梯度波形发生器输出具有预定时序和波形的梯度脉冲信号,该信号经过Gx、Gy和Gz梯度电流放大器,再通过梯度组件中的三个独立通道Gx、Gy、Gz,每个梯度放大器激发梯度线圈组中对应的一个梯度线圈,产生用于生成相应空间编码信号的梯度场,以对磁共振信号进行空间定位;脉冲序列发生器还执行扫描序列,输出包括射频发射的射频脉冲的计时、强度、形状等数据以及射频接收的计时和数据采集窗口的长度到发射机,同时发射机将相应射频脉冲发送至射频单元中的体发射线圈产生B1场,在B1场作用下病人体内被激发的原子核发出的信号被射频单元中的接收线圈感知到,然后通过发送/接收开关传输到MR数据处理模块,经过放大、解调、过滤、AD转换等数字化处理,然后传输到MR数据存储模块。当MR数据存储模块获取一组原始的k-空间数据后,扫描结束。原始的k-空间数据被重新整理成与每个将被重建的图像对应的单独的k-空间数据组,每个k-空间数据组被输入到阵列处理器,进行图像重建后结合磁共振信号,形成一组图像数据。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种磁共振成像方法,该方法包括:
获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;
将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像;
其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的磁共振成像方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的磁共振成像方法。
值得注意的是,上述磁共振成像装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种磁共振成像方法,其特征在于,包括:
获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;
将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像;
其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的;
所述欠编码K空间数据的确定方法包括:
确定对应帧的欠编码K空间数据的通道提取矩阵;
将所述全编码K空间数据与对应帧的欠编码K空间数据的通道提取矩阵的乘积作为该对应帧的欠编码K空间数据;
所述全编码K空间数据的确定方法包括:
对所述欠采K空间数据进行整合和平均处理以得到对应的全编码K空间数据。
2.根据权利要求1所述的方法,其特征在于,预设神经网络模型的训练方法包括:
构建训练样本,所述训练样本包括作为输入图像的欠编码K空间数据和作为输出图像并与所述输入图像对应的全编码图像,其中,所述全编码图像由对应的全编码K空间数据通过傅里叶逆变换和通道融合得到;
将预设数量的训练样本输入预设神经网络模型以生成已训练的预设神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述欠采K空间数据对应一个欠采倍数,所述训练样本至少包含两种欠采倍数的欠编码K空间数据。
4.根据权利要求1-2任一所述的方法,其特征在于,所述预设神经网络模型为并行神经网络模型。
5.一种磁共振成像装置,其特征在于,包括:
获取模块,用于获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据;
输出模块,用于将所述欠采K空间数据输入已训练的预设神经网络模型中以得到目标磁共振图像;其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系;训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的;
所述欠编码K空间数据的确定方法包括:
确定对应帧的欠编码K空间数据的通道提取矩阵;
将所述全编码K空间数据与对应帧的欠编码K空间数据的通道提取矩阵的乘积作为该对应帧的欠编码K空间数据;
所述全编码K空间数据的确定方法包括:
对所述欠采K空间数据进行整合和平均处理以得到对应的全编码K空间数据。
6.一种磁共振成像***,其特征在于,包括:
扫描床,用于承载受检者;
扫描装置,用于对所述扫描床上的受检者的目标扫描部位进行扫描;
处理器,用于基于时间交叉欠采方式控制所述扫描装置对所述目标扫描部位进行扫描以得到欠采K空间数据,将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像,其中,所述目标磁共振图像为全编码图像,所述已训练的预设神经网络模型在训练过程中,通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系,训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的;
所述欠编码K空间数据的确定方法包括:
确定对应帧的欠编码K空间数据的通道提取矩阵;
将所述全编码K空间数据与对应帧的欠编码K空间数据的通道提取矩阵的乘积作为该对应帧的欠编码K空间数据;
所述全编码K空间数据的确定方法包括:
对所述欠采K空间数据进行整合和平均处理以得到对应的全编码K空间数据。
7.根据权利要求6所述的***,其特征在于,所述处理器还用于接收训练样本,并控制所述预设神经网络模型对接收的训练样本进行学习以确定欠编码K空间数据与全编码图像之间的对应关系,从而确定欠采K空间数据与全编码图像之间的对应关系,其中,所述训练样本包含作为输入图像的至少两种欠采倍数的欠编码K空间数据,与作为输出图像并与所述输入图像对应的全编码图像。
8.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-4中任一所述的磁共振成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911032337.XA CN110664378B (zh) | 2019-10-28 | 2019-10-28 | 磁共振成像方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911032337.XA CN110664378B (zh) | 2019-10-28 | 2019-10-28 | 磁共振成像方法、装置、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110664378A CN110664378A (zh) | 2020-01-10 |
CN110664378B true CN110664378B (zh) | 2022-05-24 |
Family
ID=69084592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911032337.XA Active CN110664378B (zh) | 2019-10-28 | 2019-10-28 | 磁共振成像方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110664378B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359076B (zh) * | 2020-03-06 | 2022-09-27 | 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 |
CN111696165B (zh) * | 2020-05-21 | 2023-09-15 | 深圳安科高技术股份有限公司 | 一种磁共振图像的生成方法和计算机设备 |
WO2023050249A1 (zh) * | 2021-09-30 | 2023-04-06 | 深圳先进技术研究院 | 基于深度学习的磁共振成像方法、***、终端及存储介质 |
CN114266728A (zh) * | 2021-11-27 | 2022-04-01 | 深圳先进技术研究院 | 一种磁共振影像获取方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679654A (zh) * | 2013-11-29 | 2014-03-26 | 深圳先进技术研究院 | 磁共振成像方法和*** |
CN106339982A (zh) * | 2016-08-24 | 2017-01-18 | 深圳先进技术研究院 | 快速磁共振心脏实时电影成像方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090091322A1 (en) * | 2007-04-25 | 2009-04-09 | Stefan Posse | Single-shot magnetic resonance spectroscopic imaging with partial parallel imaging |
US10114099B2 (en) * | 2015-02-11 | 2018-10-30 | The Board Of Trustees Of The Leland Stanford Junior University | High resolution magnetic resonance imaging with reduced distortion based on reduced-field-of-view and generalized parallel imaging |
-
2019
- 2019-10-28 CN CN201911032337.XA patent/CN110664378B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679654A (zh) * | 2013-11-29 | 2014-03-26 | 深圳先进技术研究院 | 磁共振成像方法和*** |
CN106339982A (zh) * | 2016-08-24 | 2017-01-18 | 深圳先进技术研究院 | 快速磁共振心脏实时电影成像方法及*** |
Non-Patent Citations (1)
Title |
---|
《磁共振成像的扫描参数的质量控制》;袁媛;《世界最新医学信息文摘》;20161231;第16卷(第21期);第137-138页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110664378A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110664378B (zh) | 磁共振成像方法、装置、***及存储介质 | |
KR102236865B1 (ko) | 자기 공명 시스템 작동 시퀀스 확립 | |
US9684979B2 (en) | MRI 3D cine imaging based on intersecting source and anchor slice data | |
CN110031786B (zh) | 磁共振图像重建方法、磁共振成像方法、设备及介质 | |
US10520570B2 (en) | System and method for tissue characterization using multislice magnetic resonance imaging | |
US8482279B2 (en) | System and method of parallel imaging for magnetic resonance imaging near metallic implants | |
CN109188326B (zh) | 磁共振成像方法和磁共振*** | |
US10816625B2 (en) | Silent 3D magnetic resonance fingerprinting | |
CN102870000A (zh) | 使用单个和多个通道接收器线圈的用于同时多切片磁共振成象的方法 | |
US11948676B2 (en) | Qualitative and quantitative MRI using deep learning | |
US20160139225A1 (en) | Method and apparatus for multi-slice imaging of t2-relaxation time | |
US20050073304A1 (en) | Method and magnetic resonance tomography apparatus for spatially resolved measurement of the B1 field distribution | |
CN110095742A (zh) | 一种基于神经网络的平面回波成像方法和装置 | |
US11131733B2 (en) | System and method for magnetic resonance fingerprinting with non-locally sequential sampling of k-space | |
EP3449270B1 (en) | Silent 3d magnetic resonance fingerprinting | |
US11592506B2 (en) | System and method for magnetic resonance imaging | |
US11266324B2 (en) | System and methods for fast multi-contrast magnetic resonance imaging | |
US7952355B2 (en) | Apparatus and method for reconstructing an MR image | |
US11269037B2 (en) | MR imaging using motion-dependent radial or spiral k-space sampling | |
WO2017167937A1 (en) | Dynamic mr imaging with increased temporal and spatial resolution | |
CN114325524B (zh) | 磁共振图像重建方法、装置、***及存储介质 | |
US20230194641A1 (en) | System and method for quantitative parameter mapping using magnetic resonance images | |
US11815579B2 (en) | Magnetic resonance imaging apparatus and method | |
US20230160982A1 (en) | Medical data processing apparatus, medical data processing method, and magnetic resonance imaging apparatus | |
US20200166595A1 (en) | Method for controlling a magnetic resonance tomography system |
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 |