磁共振图像处理方法、装置、存储介质和磁共振成像***
技术领域
本发明实施例涉及医学图像处理技术,尤其涉及一种磁共振图像处理方法、装置、存储介质和磁共振成像***。
背景技术
由成像***(例如磁共振成像(MRI)***)拍摄的磁共振图像可以表示为空间域中的磁共振图像数据或者表示为k空间中的磁共振图像相关数据,即频域。可以使用相对高频率的分量在k空间中演示磁共振图像中的锐利过渡,例如器官的边界处附近的过渡。然而,有限的采样时间或差的信噪比(SNR)可能导致k空间中磁共振图像相关数据(简称k空间数据)的欠采样。这可能导致磁共振图像数据中的高频分量不足,从而导致重建磁共振图像中出现“边缘振荡”现象,称为“截断伪影”。
目前减少重建磁共振图像中截断伪影的方法主要有两类。一类方法是对采集到的k空间数据施加低通滤波。但是因该方法滤除掉k空间的高频率数据,会导致磁共振图像模糊。另外,在对重建磁共振图像进行Sinc函数插值的情况下,该方法更无法有效的滤除由于Sinc函数插值强化的截断伪影。另一类方法是对k空间数据外插值,或者对磁共振图像域数据内插值。但是,磁共振图像域数据内插值的方法对由于分辨率不够呈现的马赛克效应抑制效果不好;而对k空间数据外插值的方法的约束力度不易把控,如果约束过松,则不能有效的抑制较重的截断伪影,如果约束过重,则会修改磁共振图像外观,使磁共振图像细节看起来不自然。
发明内容
本发明实施例提供一种磁共振图像处理方法、装置、存储介质和磁共振成像***,以实现在保持伪影纠正后的磁共振图像的分辨率和信噪比基本不变,也不增加扫描时间的情况下,获得伪影校正效果更好的磁共振重建图像。
第一方面,本发明实施例提供了一种磁共振图像处理方法,包括:
获取待校正数据,并将所述待校正数据输入伪影校正模型,生成初始校正数据,其中,所述伪影校正模型基于神经网络模型预先训练获得,所述初始校正数据对应的k空间包括比所述待校正数据对应的k空间多的高频成分;
分别对所述待校正数据和所述初始校正数据进行加权处理,生成加权结果,并对两个所述加权结果进行融合处理,生成目标校正k空间数据;
重建所述目标校正k空间数据,生成伪影校正后的目标校正磁共振图像。
第二方面,本发明实施例还提供了一种磁共振图像处理装置,该装置包括:
初始校正数据生成模块,用于获取待校正数据,并将所述待校正数据输入伪影校正模型,生成初始校正数据,其中,所述伪影校正模型基于神经网络模型预先训练获得,所述初始校正数据对应的k空间包括比所述待校正数据对应的k空间多的高频成分;
加权融合模块,用于分别对所述待校正数据和所述初始校正数据进行加权处理,生成加权结果,并对两个所述加权结果进行融合处理,生成目标校正k空间数据;
重建模块,用于重建所述目标校正k空间数据,生成伪影校正后的目标校正磁共振图像。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明任意实施例所提供的磁共振图像处理方法。
第四方面,本发明实施例还提供了一种磁共振成像***,该***包括:
MRI扫描仪,用于扫描位于其内的对象并产生与对象有关的待校正数据;
图像处理器,与所述MRI扫描仪通信连接,被编程为:
获取所述待校正数据,并根据所述待校正数据生成初始校正数据,其中,所述待校正初始校正数据对应的k空间包括比所述待校正数据对应的k空间多的高频成分;
分别对所述待校正数据和所述初始校正数据进行加权处理,生成加权结果,并对两个所述加权结果进行融合处理,生成目标校正k空间数据;
重建所述目标校正k空间数据,生成伪影校正后的目标校正磁共振图像。
本发明实施例通过基于神经网络模型训练获得的伪影校正模型,对包含截断伪影/吉布斯伪影的待校正数据进行伪影校正生成伪影得到抑制的初始校正数据,在不增加扫描时间的情况下,提高了对截断伪影的抑制程度。通过对包含伪影成分较多的待校正数据和伪影被有效抑制的初始校正数据的加权融合处理,生成伪影校正后的目标校正磁共振图像,使得目标校正磁共振图像中包含待校正数据中的部分数据和初始校正数据中的部分数据,实现了在保持伪影纠正后的磁共振图像的分辨率和信噪比基本不变的情况下,获得伪影校正效果更好的磁共振图像。
附图说明
图1是本发明实施例一中的一种磁共振图像处理方法的流程图;
图2A是本发明实施例一中的一种k空间数据分布示意图;
图2B是本发明实施例一中的另一种k空间数据分布示意图;
图3A是本发明实施例二中的一种磁共振图像处理方法的流程图;
图3B是本发明实施例二中的一种伪影校正模型的示意图;
图4是本发明实施例三中的一种磁共振图像处理装置的结构示意图;
图5是本发明实施例五中的一种磁共振成像***的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
在磁共振成像过程中,由于k空间中高频成分的缺失,最终形成的图像中会产生严重的吉布斯伪影,本实施例提供的磁共振图像处理方法可适用于磁共振图像中的伪影校正,特别适用于减小磁共振图像中的吉布斯伪影或者截断伪影。该方法可以由磁共振图像处理装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有图像处理功能的设备中,例如笔记本电脑、台式电脑或服务器等。参见图1,本实施例的方法具体包括如下步骤:
S110、获取待校正数据,并将待校正数据输入伪影校正模型,生成初始校正数据。
其中,待校正数据的采集可以是基于笛卡尔轨迹的单向平行、迂回平行,可以是非笛卡尔轨迹的螺旋轨迹、放射状轨迹、螺旋桨、刀锋或者风车等轨迹等。待校正数据可以是k空间数据(称为待校正k空间数据),也可以是由待校正k空间数据生成的磁共振图像(称为待校正磁共振图像)。伪影校正模型基于神经网络模型预先训练获得。初始校正数据是指进行伪影校正处理所获得的数据,其数据类型与待校正数据的数据类型之间的关系由伪影校正模型的输入数据和输出数据的数据类型决定,本实施例中以初始校正数据的数据类型与待校正数据的数据类型一致为例进行说明。经过伪影校正模型处理后的初始校正数据对应的k空间包括比待校正数据对应的k空间多的高频成分。或者,待校正数据对应的图像包含吉布斯伪影,而经过伪影校正模型处理后的初始校正数据对应的图像吉布斯伪影受抑制。
示例性地,如果待校正数据为待校正k空间数据,那么可以通过磁共振(MRI)扫描仪对对象进行扫描获取磁共振信号,对该磁共振信号进行相位编码和频率编码获得该对象的k空间数据;或者从外部存储介质和内部存储介质中读取k空间数据。若待校正数据为待校正磁共振图像,则可以对上述获得的k空间数据进行反傅里叶变换或采用诸如并行成像算法、压缩感知算法、半傅里叶算法或网格化算法等磁共振图像重建算法进行磁共振图像重建而获得;或者直接从外部存储介质和内部存储介质读取磁共振图像。
因需要将获得的数据输入伪影校正模型,故需要根据伪影校正模型对输入数据的要求对获取的数据进行一定的预处理操作,便可获得待校正k空间数据或者待校正磁共振图像。这里的预处理操作可以是整流操作以校正或移除任何不可靠和不正确的数据值;可以是噪声过滤操作以去除扫描期间产生的噪声;可以执行滤波器以去除不想要的频率范围中的数据值,例如,可以使用低通滤波器来移除高频范围中的数据值;也可以填充欠采样的原始数据以减少马赛克效应;还可以基于数据的频率将数据值分类为若干区域,并且在不同的频率范围上执行不同的预处理操作;还可以是图像归一化、图像分割或图像平滑等至少一种。
获得待校正数据之后,将该待校正数据输入伪影校正模型,该模型的输出结果便为初始校正数据。由于伪影校正模型是基于深度学习的神经网络模型,故待校正数据对应的伪影可以被很好地抑制(减轻),获得伪影校正效果更好的初始校正数据。
示例性地,获取待校正数据包括:获取待校正数据对应的原始k空间数据,原始k空间数据中的k空间中心区域被填充;对原始k空间数据中除去k空间中心区域的剩余k空间区域进行数值填充,生成待校正数据。
其中,原始k空间数据是指对象的扫描数据,其可以是通过扫描仪扫描获得,也可以从存储介质中读取获得。在一个实施例中,原始k空间数据200的数据分布可如图2A所示,第一设定区域为完全填充,第二设定区域未填充。其中第一设定区域的部分或全局可设置为包含低频成分的k空间中心区域240,第二设定区域的部分或局部可设置为包含低频成分的边缘区域250。在另一个实施例中,由于在扫描对象的过程中,扫描时间有限,故该原始k空间数据中的数据矩阵可以是部分欠采样的。参见图2B,原始k空间数据200仅在k空间中心区域210被数据(低频数据)完全填充,而k空间中心区域210之外的剩余k空间区域中的k空间中间区域220被数据部分填充,且剩余k空间区域中的k空间边缘区域230中则无数据填充。k空间中心区域210和k空间中间区域220中的填充数据共同构成k空间数据中的数据矩阵。本实施例中以笛卡尔采样填充轨迹获得的k空间为例说明,整个k空间可填充沿频率编码方向-128至+127共256条数据编码线,然而原始k空间数据并非完全填充,在此实施例中仅沿频率编码方向-5至+4的十条数据线在k空间中心区域210完全填充,该部分对应低频成分;k空间中间区域220沿频率编码方向-100至-6、+4至+98数据线隔行填充(加速倍率R为2);k空间边缘区域230沿频率编码方向-128至-101、+99至+127未采集,该部分对应高频成分。
示例性地,根据上述说明,获取待校正数据之前需要对初始获得的数据进行预处理。首先,根据初始获得的数据获得原始k空间数据。如果初始获得的数据为k空间数据,则可将其作为原始k空间数据。如果初始获得的数据为磁共振图像,则需要将其经由傅里叶变换或图像重建算法等方式转换至k空间,获得原始k空间数据。然后,对于k空间中间区域220未填充的部分可通过拟合k空间中心区域210的数据恢复。例如,k空间中间区域220未填充的部分恢复可通过压缩感知方法(compressed sensing,CS)、SENSE、SMASH、GRAPPA、AUTO-SMASH、VD-AUTO-SMASH、GENERALIZED SMASH、mSMASH、PILS以及SPACE RIP等方法中的一种或多种。之后,对k空间边缘区域230进行数值填充(高频成分填充),例如零填充或非零填充。最后,如果待校正数据为待校正k空间数据,则可以将上述数值填充后的k空间数据作为待校正k空间数据;如果待校正数据为待校正磁共振图像,则需要对上述数值填充后的k空间数据转换至空间阈,获得待校正磁共振图像。这样设置的好处在于,不仅可以获得标准化的模型输入数据,还可以一定程度上较少模型输出磁共振图像中的马赛克效应。
S120、分别对待校正数据和初始校正数据进行加权处理,生成加权结果,并对两个加权结果进行融合处理,生成目标校正k空间数据。
在此实施例中,初始校正数据中k空间边缘区域230沿频率编码方向-128至-101、+99至+127未采集的部分或全部可被拟合恢复。在一个实施例中,初始校正数据中k空间中心区域210、k空间中间区域220也可被修改,其修改程度小于初始校正数据中k空间边缘区域230数据的修改程度。在另一个实施例中,初始校正数据中k空间中心区域210也可保持固定,即与待校正数据对应的k空间中心区域210相同。
示例性地,虽然初始校正数据中的伪影得到有效抑制,且一定程度上减轻了马赛克效应,但是初始校正数据中可能会出现对象的结构特征弱化及信噪比增大等问题,故为了获得数据更加真实及显示效果更加自然的磁共振图像,将具有较好的对象结构特征和较小信噪比的待校正数据与具有较好的伪影校正效果的初始校正数据进行融合。具体实施时,由于k空间中心区域的数据矩阵对应于对象的结构特征,而剩余k空间区域的数据矩阵(尤其是高频成分)对应于对象的细节特征,故需要确保进行融合操作的数据均为k空间中的数据。若待校正数据和初始校正数据为磁共振图像,则需要将两者均转换至k空间。之后,可以分别为待校正数据和初始校正数据设置合理的权重,并分别依据设置的权重进行加权,获得两个数据各自对应的加权结果。最后,将两个加权结果进行融合,生成目标校正k空间数据。
S130、重建目标校正k空间数据,生成伪影校正后的目标校正磁共振图像。
其中,目标校正磁共振图像是指经过伪影校正的最终磁共振图像,其不仅具有更好的伪影校正效果,而且其内的马赛克效应也会得到较好地抑制,同时其磁共振图像分辨率和信噪比相对于待校正数据基本保持不变。
示例性地,采用反傅里叶变换或图像重建算法等方式将目标校正k空间数据转换至空间阈,获得目标校正磁共振图像。
本实施例的技术方案,通过基于神经网络模型训练获得的伪影校正模型,对包含截断伪影/吉布斯伪影的待校正数据进行伪影校正生成伪影得到抑制的初始校正数据,在不增加扫描时间的情况下,提高了对截断伪影的抑制程度。通过对包含伪影成分较多的待校正数据和伪影被有效抑制的初始校正数据的加权融合处理,生成伪影校正后的目标校正磁共振图像,使得目标校正磁共振图像中包含待校正数据中的部分数据和初始校正数据中的部分数据,实现了在保持伪影纠正后的磁共振图像的分辨率和信噪比基本不变的情况下,获得伪影校正效果更好的磁共振重建图像。
在上述技术方案的基础上,伪影校正模型通过如下方式预先训练获得:获取至少两组模型训练数据,每组模型训练数据包括输入数据和期望输出数据,期望输出数据中的伪影成分少于输入数据中的伪影成分;以输入数据为设定神经网络模型的训练输入数据,以期望输出数据为设定神经网络模型的训练约束数据,对设定神经网络模型进行训练,获得伪影校正模型;其中,期望输出数据对应的k空间包含比输入数据对应的k空间多的高频成分。
由于伪影校正模型是用于进行伪影校正的,故用于伪影校正模型训练的输入数据应该是具有较多伪影成分的数据,而期望输出数据则应是没有伪影成分或者伪影成分很少的数据。若模型训练数据为磁共振图像,那么可以根据磁共振图像中伪影成分的多少来选取训练样本。若模型训练数据为k空间数据,那么输入数据便为欠采样的k空间数据,即缺失高频成分的k空间数据,而期望输出数据则为高频成分恢复的k空间数据。这里设定神经网络模型是基于深度学习的神经网络模型,其可以是卷积神经网络(Convoltional NeuralNetworks,CNN),生成对抗网络Generative Adversarial Networks,GAN)或者其他形式的神经网络模型,例如可以是全卷积神经网络模块FCN、Mask-RCNN、DeepLab、U-Net,V-Net或SegNet等。
实施例二
本实施例在上述实施例的基础上,增加了“依据预设权重值分布规则,生成第一权重矩阵和第二权重矩阵”。在此基础上,还可以进一步对“分别对待校正数据和初始校正数据进行加权处理,生成加权结果”进行优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3A,本实施例提供的磁共振图像处理方法包括:
S210、获取待校正数据,并将待校正数据输入伪影校正模型,生成初始校正数据。
如图3B是根据本申请一些实施例描述的示例性的伪影校正模型的示意图。伪影校正模型可采用神经网络模型,该模型可以包括输入层320、多个隐藏层340和输出层360。多个隐藏层340可以包括一个或多个卷积层、一个或多个修正线性单元层(ReLU层)、一个或多个池化层、一个或多个完全连接层、或类似物,或其组合。
为了说明的目的,示出了CNN模型的多个示例性隐藏层340,其包括卷积层340-1、池化层340-2和完全连接层340-N。如结合图3A的步骤所述,神经网络训练单元可以获取缺少高频成分或者完全不包含高频成分的k空间数据或者其对应的图像作为CNN模型的输入,包含高频成分的k空间数据或者其对应的图像可作为参考数据。
卷积层340-1可以包括多个内核(例如A,B,C和D)。可以使用该多个内核来提取对比度信息的特征。在一些实施例中,多个内核中的每一个可以提取高频成分的特征信息。该特征可以包括线圈合并系数、通道相关系数等。
池化层340-2可以将卷积层340-1的输出作为输入。池化层340-2可以包括多个池化节点(例如E,F,G和H)。可以使用该多个池化节点对卷积层340-1的输出进行采样,并且因此可以减少计算机100的数据处理的计算负担并且增加数据处理速度。在一些实施例中,神经网络训练单元可以减小对应于池化层340-2中的k空间高频成分矩阵的规模。
完全连接层340-N可以包括多个神经元(例如O,P,M和N)。该多个神经元可以连接到来自诸如池化层的先前层的多个节点。在完全连接的层340-N中,神经网络训练单元可以基于高频成分相关的线圈合并系数来确定与多个神经元相对应的多个向量,并且用多个加权系数进一步加权该多个向量。
在输出层360中,神经网络训练单元可以基于完全连接层340获得的多个向量和权重系数确定输出,例如期望输出数据,该期望输出数据对应的k空间包含比输入数据对应的k空间多的高频成分。
在一些实施例中,神经网络训练单元可以访问计算机中的多个处理单元,例如GPU。多个处理单元可以执行CNN模型的某些层中的并行处理。可以以这样的方式执行并行处理,即可以将CNN模型的层中的不同节点的计算分配给两个或更多个处理单元。例如,一个GPU可以运行与内核A和B相对应的计算,另一个(或多个)GPU可以运行卷积层340-1中与内核C和D相对应的计算。类似地,对应于CNN模型中其他类型层中的不同节点的计算可以由多个GPU并行执行。
S220、依据预设权重值分布规则,生成第一权重矩阵和第二权重矩阵。
其中,预设权重值分布规则是指生成权重矩阵时,权重矩阵中权重值的分布规则,例如可以是权重数值之间的关系,也可以是各个权重值的位置关系等,例如为了提高后续加权处理的处理速度,可以将第一权重矩阵、第二权重矩阵与待校正k空间数据对应的数据矩阵的矩阵大小设置相同,且每一个矩阵元素在矩阵中的位置均对应一致。
示例性地,根据预设权重值分布规则,分别生成与待校正数据对应的第一权重矩阵,以及与初始校正数据对应的第二权重矩阵。应当理解的是,第一权重矩阵中的各个矩阵元素值(权重值)并非全部相同,同样地,第二权重矩阵中的各个矩阵元素值(权重值)也并非全部相同。另外,第一权重矩阵和第二权重矩阵的矩阵大小可以相同,也可以不相同,那么两个权重矩阵中矩阵元素的位置便可以对应一致,或不对应,也就是不限定第一权重矩阵和第二权重矩阵的表现形式及存储关系。
示例性地,预设权重值分布规则为与k空间数据中同一个元素对应的第一权重矩阵中的第一权重值和第二权重矩阵中的第二权重值之和为1,且第一权重矩阵中作用于k空间数据中第一设定区域的各矩阵元素的权重值大于作用于k空间数据中第二设定区域的各矩阵元素的权重值。其中,第一设定区域和第二设定区域分别是第一权重矩阵中预先设定的两个区域范围,该两个区域可以完全覆盖第一权重矩阵,也可以仅构成第一权重矩阵的一部分。第一设定区域和第二设定区域的设定取决于待校正数据和初始校正数据之间的融合目的,例如可以将融合结果中需要尽量保留的待校正数据对应的数据矩阵范围设定为第一设定区域。
示例性地,预设权重值分布规则可以对生成的权重矩阵的数值进行限定。由于待校正数据和初始校正数据对应的k空间数据矩阵的矩阵大小和矩阵元素位置都是一致的,故第一权重矩阵和第二权重矩阵可以理解为对同样的k空间数据矩阵进行加权,只是矩阵元素值不同。那么预设权重值分布规则中的一项数值限定为:针对k空间数据矩阵中的任一个矩阵元素,均可以从第一权重矩阵和第二权重矩阵中各自确定出一个权重值,分别是第一权重值和第二权重值,预设权重值分布规则便是第一权重值和第二权重值之和为1。如果第一权重矩阵和第二权重矩阵的矩阵大小和矩阵元素位置是一致的,那么该项预设权重值分布规则便可以表达为:W1(x,y)+W2(x,y)=1,这里W1和W2分别为第一权重矩阵和第二权重矩阵,x和y分别表示k空间数据矩阵中的矩阵元素的坐标。另一项数值限定为:根据k空间数据中第一设定区域中的各个矩阵元素可以从第一权重矩阵中确定出多个权重值,称为第一组权重值;根据k空间数据中第二设定区域中的各个矩阵元素同样可以从第一权重矩阵中确定出多个权重值,称为第二组权重值,那么第一组权重值中的各个权重值要大于第二组权重值中的各个权重值。如果第一权重矩阵和第二权重矩阵的矩阵大小和矩阵元素位置是一致的,那么该项预设权重值分布规则便可以为在第一设定区域,第一权重矩阵的值从k空间中心点到***逐渐递减,第二权重矩阵的值从k空间中心点到***逐渐递增;在第二设定区域,第一权重矩阵的值小于第二权重矩阵的值。这样设置的好处在于,可以根据待校正数据和初始校正数据的数值分布情况,以及输出数据的需求,设置合理的权重矩阵,从而快速获得符合要求的加权结果。
示例性地,第一设定区域为k空间中心区域,第二设定区域为除去k空间中心区域的剩余k空间区域。例如,k空间的数据分布可如图2A所示,第一设定区域为完全填充,第二设定区域未填充。其中第一设定区域的部分或全局可设置为包含低频成分的k空间中心区域240,第二设定区域的部分或局部可可设置为包含低频成分的边缘区域250。又如,参见图2B,第一设定区域为k空间中心区域210,第二设定区域为包含k空间中间区域220和k空间边缘区域230的剩余k空间区域。这样设置的好处在于,可以使得融合所得的目标校正磁共振图像相对于待校正数据而言,k空间中心区域的数据基本保持不变或者变化幅度小于k空间边缘区域的数据变化幅度,从而使得目标校正磁共振图像能够更大程度上保持磁共振图像的分辨率和信噪比。
S230、依据第一权重矩阵对待校正数据进行加权处理,生成第一加权结果。
示例性地,根据上述说明可知,加权处理须在k空间中进行,故首先获取待校正数据对应的k空间数据k1,之后再计算待校正数据对应的k空间数据k1与第一权重矩阵W1的乘积,作为第一加权结果。
S240、依据第二权重矩阵对初始校正数据进行加权处理,生成第二加权结果。
示例性地,同上需先获取初始校正数据对应的k空间数据k2,之后再计算初始校正数据对应的k空间数据k2与第二权重矩阵W2的乘积,作为第二加权结果。
S250、对两个加权结果进行融合处理,生成目标校正k空间数据。
示例性地,融合第一加权结果和第二加权结果,生成目标校正k空间数据。具体实施时,计算第一加权结果W1*k1和第二加权结果W2*k2的和,作为目标校正k空间数据K=W1*k1+W2*k2。
S260、重建目标校正k空间数据,生成伪影校正后的目标校正磁共振图像。
本实施例的技术方案,通过依据预设权重值分布规则,分别生成与待校正数据对应的第一权重矩阵和与初始校正数据对应的第二权重矩阵,并分别利用第一权重矩阵和第二权重矩阵对待校正数据和初始校正数据进行加权求和,获得目标校正磁共振图像,能够使得待校正数据与初始校正数据的融合效果更加自然,从而获得更加满足实际需求的伪影校正磁共振图像。
以下是本发明实施例提供的磁共振图像处理装置的实施例,该装置与上述各实施例的磁共振图像处理方法属于同一个发明构思,在磁共振图像处理装置的实施例中未详尽描述的细节内容,可以参考上述磁共振图像处理方法的实施例。
实施例三
本实施例提供一种磁共振图像处理装置,参见图4,该装置具体包括:
初始校正数据生成模块410,用于获取待校正数据,并将待校正数据输入伪影校正模型,生成初始校正数据,其中,伪影校正模型基于神经网络模型预先训练获得,初始校正数据对应的k空间包括比待校正数据对应的k空间多的高频成分;
加权融合模块420,用于分别对待校正数据和初始校正数据进行加权处理,生成加权结果,并对两个加权结果进行融合处理,生成目标校正k空间数据;
重建模块430,用于重建目标校正k空间数据,生成伪影校正后的目标校正磁共振图像
可选地,初始校正数据生成模块410具体用于:
获取待校正数据对应的原始k空间数据,原始k空间数据中的k空间中心区域被填充;
对原始k空间数据中除去k空间中心区域的剩余k空间区域进行数值填充,生成待校正数据。
可选地,在上述装置的基础上,该装置还包括权重矩阵生成模块,用于:
在分别对待校正数据和初始校正数据进行加权处理,生成加权结果之前,依据预设权重值分布规则,生成第一权重矩阵和第二权重矩阵。
进一步地,预设权重值分布规则为与k空间数据中同一个元素对应的第一权重矩阵中的第一权重值和第二权重矩阵中的第二权重值之和为1,且第一权重矩阵中作用于k空间数据中第一设定区域的各矩阵元素的权重值大于作用于k空间数据中第二设定区域的各矩阵元素的权重值。
其中,第一设定区域为k空间中心区域,第二设定区域为除去k空间中心区域的剩余k空间区域。
可选地,加权融合模块420具体用于:
依据第一权重矩阵对待校正数据进行加权处理,生成第一加权结果;
依据第二权重矩阵对初始校正数据进行加权处理,生成第二加权结果。
可选地,在上述装置的基础上,该装置还包括模型训练模块,用于通过如下方式预先训练获得伪影校正模型:
获取至少两组模型训练数据,每组模型训练数据包括输入数据和期望输出数据,期望输出数据中的伪影成分少于输入数据中的伪影成分;
以输入数据为设定神经网络模型的训练输入数据,以期望输出数据为设定神经网络模型的训练约束数据,对设定神经网络模型进行训练,获得伪影校正模型;
其中,期望输出数据对应的k空间包含比输入数据对应的k空间多的高频成分。
通过本发明实施例三的一种磁共振图像处理装置,实现了在保持伪影纠正后的磁共振图像的分辨率和信噪比基本不变,也不增加扫描时间的情况下,获得伪影校正效果更好的磁共振重建图像。
本发明实施例所提供的磁共振图像处理装置可执行本发明任意实施例所提供的磁共振图像处理方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述磁共振图像处理装置的实施例中,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。
实施例四
本实施例提供一种包含计算机可执行指令的存储介质,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图像处理方法,该方法包括:
获取待校正数据,并将待校正数据输入伪影校正模型,生成初始校正数据,其中,伪影校正模型基于神经网络模型预先训练获得,初始校正数据对应的k空间包括比待校正数据对应的k空间多的高频成分;
分别对待校正数据和初始校正数据进行加权处理,生成加权结果,并对两个加权结果进行融合处理,生成目标校正k空间数据;
重建目标校正k空间数据,生成伪影校正后的目标校正磁共振图像。
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图像处理方法中的相关操作。
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,ROM)、随机存取存储器(RandomAccess Memory,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提供的磁共振图像处理方法。
以下是本发明实施例提供的磁共振成像***的实施例,该装置与上述各实施例的磁共振成像方法属于同一个发明构思,在磁共振成像***的实施例中未详尽描述的细节内容,可以参考上述磁共振成像方法的实施例。
实施例五
本实施例提供一种磁共振成像***,参见图5,该***具体包括:MRI扫描仪510和与MRI扫描仪510通信连接的图像处理器520;
MRI扫描仪510用于扫描位于其内的对象并产生与对象有关的待校正数据;
图像处理器520被编程为:
获取待校正数据,并根据待校正数据生成初始校正数据,其中,待校正初始校正数据对应的k空间包括比待校正数据对应的k空间多的高频成分;
分别对待校正数据和初始校正数据进行加权处理,生成加权结果,并对两个加权结果进行融合处理,生成目标校正k空间数据;
重建目标校正k空间数据,生成伪影校正后的目标校正磁共振图像。。
当然,本领域技术人员可以理解,图像处理器520还可以实现本发明任意实施例所提供的磁共振图像处理方法的技术方案。
图5显示的磁共振成像***仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示,该磁共振成像***包括MRI扫描仪510、至少两个MRI辅助设备530、中央控制器540、输入/输出设备550和图像处理器520,且图5中以两个MRI辅助设备530为例进行说明。MRI扫描仪510、至少两个MRI辅助设备530、中央控制器540、输入/输出设备550和图像处理器520可以通过总线或其他方式连接,图5中以通过总线560连接为例。
MRI扫描仪510可包括主磁场发生器、至少两个梯度线圈、射频(RF)发射器和/或RF接收器。主磁场发生器可以产生静磁场(例如,Z方向上的磁场B0)。主磁场发生器可以是各种类型,包括例如永磁体、超导电磁体、电阻电磁体等。梯度线圈可包括X梯度线圈、Y梯度线圈和Z梯度线圈。梯度线圈可以在X,Y和Z中的至少一个方向上产生到主磁场的磁场梯度,以编码被扫描对象的空间信息。X梯度被配置用于提供X位置信息,其可以被称为频率编码;Y梯度被配置用于提供Y位置信息,其可以被称为相位编码。RF发射器可包括至少两个RF线圈。RF发射器可以产生RF磁场。在静磁场、梯度磁场和RF磁场的协调作用下,可以生成与被扫描对象有关的MR信号。RF接收器可以接收用于磁共振图像构造的MR信号。RF接收器可包括至少两个RF线圈。在一些实施例中,可以根据一个或以上特定条件确定或改变主磁场发生器、梯度线圈、RF发射器和接收器的功能、尺寸、类型、几何形状、位置、数量和大小中的至少一项。例如,根据功能和尺寸的不同,RF线圈可以分类为体积线圈和局部线圈。在一些实施例中,体积线圈可包括鸟笼线圈、横向电磁线圈、局部线圈可包括鸟笼线圈、表面线圈、鞍形线圈等。在一些实施例中螺线管线圈、鞍形线圈、柔性线圈等。
MRI辅助设备530可以与MRI扫描仪510协调以生成与对象有关的至少两个数据。MRI辅助设备530可以包括一个或以上梯度放大器、RF放大器和定位设备。梯度放大器可以与MRI扫描仪510中的梯度线圈连接。梯度放大器可以包括X梯度放大器、Y梯度放大器和Z梯度放大器。梯度放大器的一个或以上可以连接到波形发生器(图5中未示出)。波形发生器可以产生适用于梯度放大器的各种梯度波形。波形(例如,电流或电压)可以由梯度放大器放大并且应用于梯度线圈以控制MRI扫描仪510中的磁场强度和方向。RF放大器可以与RF发射器连接。RF放大器可以连接到波形发生器(图5中未示出)。波形发生器可以产生适用于RF放大器的RF信号。RF信号可以由RF放大器放大并传送到RF发射器以产生RF磁场。定位装置可以被配置用于调整MRI扫描仪510的FOV(视野)中的对象的位置。定位装置可包括为了扫描或在扫描期间移动到期望位置的床板。
中央控制器540可以控制MRI扫描仪510、MRI辅助设备530、输入/输出设备550和图像处理器520中的至少一个。中央控制器540可以从MRI扫描仪510、MRI辅助设备530、输入/输出设备550和图像处理器520中的至少一个接收信息或向其发送信息。例如,中央控制器540可以从用户提供的输入/输出设备550接收命令;中央控制器540可以处理用户经由输入/输出设备550输入的数据,并将数据转换为一个或以上命令;中央控制器540可以根据接收的命令或变换的命令控制MRI扫描仪510、MRI辅助设备530和图像处理器520中的至少一个;中央控制器540可以从MRI扫描仪510的RF接收器接收MR信号或与受试对象有关的数据;中央控制器540可以将MR信号或数据发送到图像处理器520;中央控制器540可以从图像处理器520接收处理数据或构造的磁共振图像;中央控制器540可以将处理后的数据或构造的磁共振图像发送到输入/输出设备550以进行显示。中央控制器540可包括计算机、程序、算法、软件、存储设备、以及MRI扫描仪510、MRI辅助设备530、输入/输出设备550的至少两个接口和图像处理器520中的至少一个。
输入/输出设备550可以接收输入和/或输出信息。输入和/或输出信息可包括程序、软件、算法、数据、文本、数字、图像、语音等,或其任何组合。例如,用户可以输入一些初始参数或条件以启动扫描。又例如,可以从外部资源导入一些信息,包括例如软盘、硬盘、有线终端、无线终端等,或其任何组合。输出信息可以被发送到显示器、打印机、存储设备、计算设备等,或其组合。
图像处理器520可以处理与对象有关的数据并构建磁共振图像。图像处理器520可以是在中央控制器540上实现的程序、算法和/或软件,也可以是与中央控制器540配合协调的独立***,包括处理器、控制器、存储器、显示器、程序、算法和/或软件。要处理的数据可以从MRI扫描仪510生成,或者从其他外部源获取。例如,数据可以是从MRI扫描仪510生成的原始数据,由中央控制器540预处理;可以是预先存储在中央控制器540的存储设备中,从中央控制器540访问;还可以是从外部资源导入,包括例如软盘、硬盘、有线终端、无线终端等,或其任何组合。待处理的数据和/或已经构建的磁共振图像可以包括噪声和伪影等。图像处理器520可以减少或消除数据或磁共振图像中的噪声和伪影等。示例性伪影可以是吉布斯伪影,其也可以被称为吉布斯效应/现象、边缘振荡伪影/效果、吉布斯边缘振荡、截断伪影和/或频谱泄漏伪影。
应当注意上述成像***的描述仅仅是为了说明的目的而提供的,并不是为了限制本申请的范围。许多替代、修改和变化对于本领域普通技术人员来说可能是显而易见的。例如,MRI扫描仪510和MRI辅助设备530可以与计算机断层(CT)扫描仪或正电子发射断层(PET)扫描仪组合。又例如,可以根据具体的实施方案变化或改变***的功能。仅作为示例,图像处理器520可包括噪声消除模块或其他模块。
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。