CN115166612A - 基于深度学习的超快速磁共振成像高精度仿真方法及*** - Google Patents

基于深度学习的超快速磁共振成像高精度仿真方法及*** Download PDF

Info

Publication number
CN115166612A
CN115166612A CN202210859475.0A CN202210859475A CN115166612A CN 115166612 A CN115166612 A CN 115166612A CN 202210859475 A CN202210859475 A CN 202210859475A CN 115166612 A CN115166612 A CN 115166612A
Authority
CN
China
Prior art keywords
magnetic resonance
imaging
net
simu
simulation
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.)
Pending
Application number
CN202210859475.0A
Other languages
English (en)
Inventor
蔡聪波
黄海涛
蔡淑惠
杨亲亲
陈忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202210859475.0A priority Critical patent/CN115166612A/zh
Publication of CN115166612A publication Critical patent/CN115166612A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

基于深度学习的超快速磁共振成像高精度仿真方法及***，涉及磁共振成像仿真成像。制作虚拟成像对象；根据仿真的磁共振序列对虚拟成像对象Bloch仿真，得磁共振图像并保留磁共振序列成像参数、不理想因素；使用位置编码模板、虚拟成像对象、磁共振序列成像参数构成的动态卷积核、不理想因素及磁共振图像制作训练样本；构建Simu‑Net用于同时接受一维的磁共振序列成像参数、二维的位置编码模板和虚拟成像对象模板；训练Simu‑Net；构建指定磁共振序列成像参数和不理想因素条件下的样本，使用Simu‑Net进行虚拟磁共振成像。实现任意长度的动态成像参数下的磁共振成像仿真，实现超快速磁共振成像高精度仿真。

Description

基于深度学习的超快速磁共振成像高精度仿真方法及***
技术领域
本发明涉及磁共振成像的仿真成像领域，特别是涉及一种基于深度学习的超快速磁共振成像高精度仿真方法及***。
背景技术
磁共振成像是医学诊断的一项重要手段。随着深度学习领域的快速发展，基于深度学习的磁共振重建技术得到越来越多的关注。但是往往这些基于深度学习的磁共振重建技术需要大量的磁共振数据用以训练，而现实中大量的实采数据难以获得，这限制许多基于深度学习的磁共振重建技术的发展。所以越来越多的研究者将目光转向仿真数据。
传统的磁共振仿真方法是利用Bloch公式或者EPG进行仿真。对于传统的Bloch仿真方法而言，为了获得足够高的精度，需要根据脉冲、梯度的作用逐个计算数以千计的质子的状态(质子数量与虚拟成像对象的尺寸的大小呈正相关)，并通过对整个视野内的所有质子进行不断求和，以获取磁共振信号并填充至k空间，但即使在GPU加速的条件下，传统的Bloch仿真方法速度依然非常慢。对于另一种EPG的仿真方法而言，它往往是用于确定磁共振成像中回波的类型与强度，但并不适合用于仿真成像。
发明内容
本发明的目的在于提供能够极大地提高生成仿真磁共振图像的速度，用以满足其它基于深度学习的磁共振重建技术对仿真数据依赖与要求的一种基于深度学习的超快速磁共振成像高精度仿真方法及***。
所述基于深度学习的超快速磁共振成像高精度仿真方法，包括如下步骤：
S1：制作虚拟成像对象；
S2：根据仿真的磁共振序列对虚拟成像对象进行传统的Bloch仿真，得到磁共振图像并保留磁共振序列成像参数、不理想因素；
S3：使用一个位置编码模板、与所述虚拟成像对象、磁共振序列成像参数、不理想因素以及磁共振图像制作训练样本；
S4：针对磁共振成像的特点，构建一个特殊的深度神经网络仿真器Simu-Net；
S5：使用所述训练样本对深度神经网络仿真器Simu-Net进行训练，得到训练好的深度神经网络仿真器Simu-Net；
S6：构建指定磁共振序列成像参数和不理想因素条件下的样本，使用所述深度神经网络仿真器Simu-Net进行磁共振成像仿真，得到磁共振图像
优选的，步骤S1中，制作虚拟成像对象，具体为：
S11：使用成对的磁共振T2加权图像(T2 Weighted Image,T2-W)与磁共振PD加权图像(PD Weighted Image,PD-W)，对于磁共振PD加权图像，根据如下磁共振信号公式：
Figure BDA0003757607990000021
反向求得PD，即质子密度图，并归一化作为虚拟成像对象的质子密度图；
S12：对于磁共振T2加权图像，可根据如下磁共振信号公式：
Figure BDA0003757607990000022
Figure BDA0003757607990000023
反向求得T2，即横向弛豫时间图，并对T2进行缩放，缩放至人体合理的T2值范围，作为虚拟成像对象的T2图；
S13：根据已经获得的PD，根据如下公式：
T1[PD-W＞0]＝2
T1[PD-W＝0]＝0
获取T1，也即纵向弛豫时间图，作为虚拟成像对象的T1图；
S14：将PD、T1、T2组合在一起，构成一个虚拟成像对象；
S15：重复步骤S11-S14，生成足够数量的虚拟成像对象；
优选的，步骤S2中，根据仿真的磁共振序列对虚拟成像对象进行传统的Bloch仿真，得到磁共振图像并保留磁共振序列成像参数、不理想因素，具体为：
S21：选择仿真中要使用的磁共振成像序列；
S22：生成随机曲面，并缩放到合理的区间，用作磁共振成像过程中的不理想因素，如主磁场的不均匀性dB0、射频脉冲的不均匀性B1+等；
S23：根据选定的磁共振成像序列和不理想因素，以传统的Bloch仿真方法对所述虚拟成像对象进行仿真成像，并保留成像参数、不理想因素，获得磁共振图像、磁共振成像参数与不理想因素；
优选的，步骤S3中，使用一个位置编码模板与所述虚拟成像对象、磁共振序列成像参数、不理想因素、磁共振图像制作训练样本，具体为：
将一个带有调制信息的图，作为位置编码模板，与所述虚拟成像对象、磁共振序列成像参数、不理想因素，磁共振图像组成一个训练样本，不断重复该步骤，直至获得足够数量的训练样本；
优选的，步骤S4中，针对磁共振成像的特点，构建一个特殊的深度神经网络仿真器Simu-Net，具体为：
构建磁共振成像仿真网络Simu-Net。Simu-Net由三部分组成：动态滤波器生成模块、动态卷积模块、编码器-解码器模块。其中动态滤波器生成模块用于接收一维的磁共振序列成像参数。
优选的，步骤S5中，使用所述训练样本对深度神经网络仿真器Simu-Net进行训练，得到训练好的深度神经网络仿真器Simu-Net，具体为：
S51：将所述训练样本中的一维的磁共振序列成像参数输入动态滤波器生成模块，获得一维的输出；
S52：将所述一维的输出用作动态卷积模块的卷积权重w和偏置b；
S53：将所述训练样本中的位置编码模板、虚拟成像对象、不理想因素作为input输入到动态卷积模块；
S54：将动态卷积模块的输出，输入到编码器-解码器模块，而编码器-解码器模块的输出(也即是Simu-Net的输出)是磁共振成像仿真器Simu-Net仿真的磁共振图像；
S55：将所述训练样本中的磁共振图像作为label，与磁共振成像仿真网络Simu-Net的输出，作loss，反向更新Simu-Net的参数；
S56：不断重复步骤S51-S55，迭代更新Simu-Net，直至磁共振成像仿真器Simu-Net处于最优，从而获得训练好的磁共振成像仿真器Simu-Net；
优选的，在步骤S6中，构建指定磁共振序列成像参数的样本，使用所述训练好的磁共振成像仿真器Simu-Net，得到磁共振图像，具体为：
S61：构建指定的磁共振序列成像参数、不理想因素条件下的样本；
S62：将样本输入到磁共振成像仿真器Simu-Net，进行仿真磁共振成像，获得指定磁共振序列成像参数、不理想因素条件下的磁共振图像；
基于深度学习的超快速磁共振成像高精度仿真***，包括：
虚拟成像对象生成单元：生成模拟磁共振成像所需要的虚拟成像对象；
磁共振Bloch模拟成像单元：对所述虚拟成像对象进行传统的Bloch模拟磁共振成像；
训练样本生成单元：生成深度神经网络的所需要的训练样本；
深度神经网络仿真器Simu-Net构建单元：构建一个特殊的深度神经网络仿真器Simu-Net；
深度神经网络仿真器Simu-Ne训练单元：用所述训练样本训练磁共振成像仿真器Simu-Net，得到训练好的磁共振成像仿真器Simu-Net；
深度神经网络仿真器Simu-Net磁共振成像仿真单元：使用训练好的磁共振成像仿真器Simu-Net，在所指定磁共振序列成像参数与不理想因素条件下生成仿真的磁共振图像。
优选的，所述虚拟成像对象生成单元，还包括：
PD生成子单元：使用成对的磁共振T2加权图像(T2 Weighted Image,T2-W)与磁共振PD加权图像(PD Weighted Image，PD-W)，对于磁共振PD加权图像，根据如下磁共振信号公式：
Figure BDA0003757607990000041
反向求得PD，即质子密度图，并归一化作为虚拟成像对象的质子密度图；
T2生成子单元：对于磁共振T2加权图像，可根据如下磁共振信号公式：
Figure BDA0003757607990000042
Figure BDA0003757607990000043
反向求得T2，即横向弛豫时间图，并对T2进行缩放，缩放至人体合理的T2值范围，作为虚拟成像对象的T2图；
T1生成子单元：根据已经获得的PD，根据如下公式：
T1[PD-W＞0]＝2
T1[PD-W＝0]＝0
获得T1，也即纵向弛豫时间图，作为虚拟成像对象的T1图；
虚拟成像对象组合子单元：将PD、T1、T2组合在一起，构成一个虚拟成像对象；
优选的，所述磁共振Bloch模拟成像单元，还包括：
磁共振序列选择子单元：选择仿真中要使用的磁共振成像序列；
不理想因素生成子单元：生成随机曲面，并缩放到合理的区间，用作磁共振成像过程中的不理想因素，如主磁场的不均匀性dB0、射频脉冲的不均匀性B1+等；
Bloch仿真磁共振成像子单元：根据选定的磁共振成像序列和不理想因素，以传统的Bloch仿真方法对所述虚拟成像对象进行仿真成像，并保留成像参数、不理想因素，获得磁共振图像、磁共振成像参数、不理想因素；
优选的，所述训练样本生成单元，还包括：
训练样本生成单元：将一个带有调制信息的图，作为位置编码模板，与所述虚拟成像对象、磁共振序列成像参数、磁共振图像组成一个训练样本，生成足够数量的训练样本；
优选的，所述深度神经网络仿真器Simu-Net构建单元，还包括：
深度神经网络仿真器Simu-Net构建子单元：构建磁共振成像仿真器Simu-Net。Simu-Net由三部分组成：动态滤波器生成模块、动态卷积模块、编码器-解码器模块；其中动态滤波器生成模块用于接收一维的磁共振序列成像参数。
优选的，所述深度神经网络仿真器Simu-Net训练单元，还包括：
仿真器Simu-Net训练子单元：将所述训练样本中的一维的磁共振序列成像参数输入动态滤波器生成模块，获得一维的输出；将所述一维的输出用作动态卷积模块的卷积权重w和偏置b；将所述位置编码模板、训练样本中的虚拟成像对象、不理想因素作为input输入到动态卷积模块；将动态卷积模块的输出，输入到编码器-解码器模块，而编码器-解码器模块的输出(也即是Simu-Net的输出)是磁共振成像仿真网络Simu-Net的仿真磁共振图像；将所述磁共振图像作为label，与磁共振成像仿真器Simu-Net的输出，作loss，反向更新Simu-Net的参数；不断重复，迭代更新Simu-Net，直至磁共振成像仿真器Simu-Net处于最优，从而获得训练好的磁共振成像仿真器Simu-Net；
优选的，所述深度神经网络仿真器Simu-Net磁共振成像仿真单元，还包括：
样本生成子单元：构建指定的磁共振序列成像参数与不理想因素条件下的样本；
仿真器Simu-Net仿真磁共振成像子单元：将样本输入到磁共振成像仿真器Simu-Net，进行仿真磁共振成像，获得指定磁共振序列成像参数与不理想因素条件下的磁共振图像。
本发明制作虚拟成像对象；根据仿真的磁共振序列对虚拟成像对象进行传统的Bloch仿真，得到磁共振图像并保留磁共振序列成像参数、不理想因素；使用位置编码模板、虚拟成像对象、磁共振序列成像参数构成的动态卷积核、不理想因素以及磁共振图像制作训练样本；构建特殊的深度神经网络仿真器Simu-Net，该Simu-Net可同时接受一维的磁共振序列成像参数、二维的位置编码模板和虚拟成像对象模板；使用训练样本对深度神经网络仿真器Simu-Net进行训练，得到训练好的深度神经网络仿真器Simu-Net；构建指定磁共振序列成像参数和不理想因素条件下的样本，使用深度神经网络仿真器Simu-Net进行虚拟磁共振成像，得到磁共振图像。本发明不仅能够实现任意长度的动态成像参数下的磁共振成像仿真，还可以实现超快速的磁共振成像高精度仿真。
附图说明
图1是本发明一种基于深度学习的超快速磁共振成像高精度仿真成像方法流程示意图；
图2是本发明制作虚拟成像对象与制作训练样本的流程示意图；
图3是本发明仿真器Simu-Net的结构示意图；
图4是本发明一种基于深度学习的超快速磁共振成像高精度仿真***示意图；
图5是本发明实施示例中一种基于深度学习的超快速磁共振成像高精度的FSE序列仿真***所生成的磁共振图像与传统Bloch方法生成的磁共振图像的对比图。
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详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明实施示例的一种基于深度学习的超快速磁共振成像高精度的快速自旋回波(Fast Spin Echo，FSE)序列仿真方法流程示意图。如图1所示，一种基于深度学习的超快速磁共振成像高精度的快速自旋回波(Fast Spin Echo，FSE)序列仿真方法，具体包括：
S1制作虚拟成像对象，还包括：
S11：使用成对的磁共振T2加权图像(T2 Weighted Image，T2-W)与磁共振PD加权图像(PD Weighted Image，PD-W)，本实施例中具体为下载公开数据集IXI，IXI数据集中包含配对的磁共振T2加权图像和磁共振PD加权图像，对于磁共振PD加权图像，根据如下磁共振信号公式：
Figure BDA0003757607990000061
反向求得PD，即质子密度图，并归一化作为虚拟成像对象的质子密度图；
S12：对于磁共振T2加权图像，可根据如下磁共振信号公式：
Figure BDA0003757607990000062
Figure BDA0003757607990000063
反向求得T2，即横向弛豫时间图，并对T2进行缩放，缩放至人体合理的T2值范围，本实施例中将T2缩放到20-80ms，作为虚拟成像对象的T2；
S13：根据已经获得的PD，根据如下公式：
T1[PD-W＞0]＝2
T1[PD-W＝0]＝0
获取T1，也即纵向弛豫时间图，作为虚拟成像对象的T1；
S14：将PD、T1、T2组合在一起，构成一个虚拟成像对象；
S15：重复步骤S11-S14，生成足够数量的虚拟成像对象；
S2根据仿真的磁共振序列对虚拟成像对象进行传统的Bloch仿真，得到磁共振图像并保留磁共振序列成像参数、不理想因素，还包括：
S21：选择仿真中要使用的磁共振成像序列；
S22：生成随机曲面，并缩放到合理的区间，用作磁共振成像过程中的不理想因素，本实施例中不理想因素为射频脉冲的不均匀性B1+，故将随机曲面缩放到0.7-1.3A.U的范围；
S23：本实施例中选定的磁共振成像序列FSE、不理想因素B1+，以传统的Bloch仿真方法对所述虚拟成像对象进行仿真成像，并保留成像参数回波链长度(Echo TrainLength，ETL)、激发脉冲角度(Excitation Pulse Flip Angle，FA)、重聚脉冲角度(Refocuse Pulse Flip Angle，RFA)、不理想因素B1+，获得磁共振图像、磁共振成像参数、不理想因素；
S3如图2所示，使用一个位置编码模板、与所述虚拟成像对象、磁共振序列成像参数以及磁共振图像制作训练样本，还包括：
将一个位置编码模板、与所述虚拟成像对象、磁共振序列成像参数、磁共振图像组成一个训练样本，不断重复该步骤，直至获得足够数量的训练样本；
S4针对磁共振成像的特点，构建一个特殊的深度神经网络仿真器Simu-Net：
构建磁共振成像仿真网络Simu-Net，该仿真器Simu-Net的结构示意图如图3所示，Simu-Net由三部分组成：动态滤波器生成模块、动态卷积模块、编码器-解码器模块。其中动态滤波器生成模块用于接收一维的磁共振序列成像参数。本实施例中，动态滤波器生成模块由一个全连接层构成，动态卷积模块由两层2D卷积层构成，编码器-解码器模块由一个U-Net网络构成；
S5使用所述训练样本对深度神经网络仿真器Simu-Net进行训练，得到训练好的深度神经网络仿真器Simu-Net，还包括：
S51：将所述训练样本中的一维的磁共振序列成像参数输入动态滤波器生成模块，获得一维的输出；
S52：将所述一维的输出用作动态卷积模块的卷积权重w和偏置b
S53：将所述训练样本中的位置编码模板、虚拟成像对象、不理想因素作为input输入到动态卷积模块；
S54：将动态卷积模块的输出，输入到编码器-解码器模块，而编码器-解码器模块的输出(也即是Simu-Net的输出)是磁共振成像仿真器Simu-Net仿真的磁共振图像；
S55：将所述磁共振图像作为label，与磁共振成像仿真器Simu-Net的输出，作loss，反向更新Simu-Net的参数；
S56：不断重复步骤S51-S55，迭代优化Simu-Net，直至磁共振成像仿真器Simu-Net处于最优，从而获得训练好的磁共振成像仿真器Simu-Net；
S6构建指定磁共振序列成像参数的样本，所述训练好的磁共振成像仿真器Simu-Net进行仿真的磁共振成像，得到磁共振图像；
S61：构建指定的磁共振序列成像参数和不理想因素条件下的样本；
S62：将样本输入到磁共振成像仿真器Simu-Net，进行仿真的磁共振成像，获得指定磁共振序列成像参数和不理想因素条件下的磁共振图像；
参见图4，本发明还提出一种基于深度学习的超快速磁共振成像高精度的快速自旋回波(Fast Spin Echo，FSE)序列仿真***，该***采用上述的一种基于深度学习的超快速磁共振成像高精度的快速自选回波(Fast Spin Echo，FSE)序列仿真方法，包括：
虚拟成像对象生成单元10，具体的，包括：
PD生成子单元11：使用公开数据集IXI中成对的磁共振T2加权图像(T2 WeightedImage，T2-W)与磁共振PD加权图像(PD Weighted Image，PD-W)，对于磁共振PD加权图像，根据如下磁共振信号公式：
Figure BDA0003757607990000081
反向求得PD，即质子密度图，并归一化作为虚拟成像对象的质子密度图；
T2生成子单元12：对于磁共振T2加权图像，可根据如下磁共振信号公式：
Figure BDA0003757607990000082
Figure BDA0003757607990000083
反向求得T2，即横向弛豫时间图，并对T2进行缩放，缩放至人体合理的T2值范围，本实施例中缩放值20-80ms，作为虚拟成像对象的T2；
T1生成子单元13：根据已经获得的PD，根据如下公式：
T1[PD-W＞0]＝2
T1[PD-W＝0]＝0
获取T1，也即纵向弛豫时间图，作为虚拟成像对象的T1；
虚拟成像对象组合子单元14：将PD、T1、T2组合在一起，构成一个虚拟成像对象；
磁共振Bloch模拟成像单元20，具体的，包括：
磁共振序列选择子单元21：选择仿真中要使用的磁共振成像序列，本实施例中选择快速自旋回波序列(Fast Spin Echo，FSE)；
不理想因素生成子单元22：生成随机曲面，并缩放到合理的区间，用作磁共振成像过程中的不理想因素，本实施例中不理想因素为射频脉冲的不均匀性B1+，故将随机曲面缩放到0.7-1.3A.U，作为射频脉冲的不均匀性B1+；
Bloch仿真磁共振成像子单元23：根据选定的磁共振成像序列FSE和不理想因素，以传统的Bloch仿真方法对所述虚拟成像对象进行仿真成像，并保留成像参数，本实施例中保留的成像参数为回波链长度(Echo Train Length，ETL)、激发脉冲角度(ExcitationPulse Flip Angle，FA)、重聚脉冲角度(Refocuse Pulse Flip Angle，RFA)、不理想因素B1+，获得磁共振图像、磁共振成像参数、不理想因素；
训练样本生成单元30：将所述虚拟成像对象、所述磁共振序列成像参数、所述磁共振图像组成一个训练样本，生成足够数量的训练样本；
深度神经网络仿真器Simu-Net构建单元40：构建磁共振成像仿真器Simu-Net。Simu-Net由三部分组成：动态滤波器生成模块、动态卷积模块、编码器-解码器模块；本实施例中，动态滤波器生成模块由一个全连接层构成，动态卷积模块由两层2D卷积层构成，编码器-解码器模块由一个U-Net网络构成；
深度神经网络仿真器Simu-Net训练单元50：将所述训练样本中的一维的磁共振序列成像参数输入动态滤波器生成模块，获得一维的输出；将所述一维的输出用作动态卷积模块的卷积权重w和偏置b；将所述训练样本中的虚拟成像对象作为input输入到动态卷积模块；将动态卷积模块的输出，输入到编码器-解码器模块，编码器-解码器模块的输出(也即是Simu-Net的输出)是磁共振成像仿真器Simu-Net仿真的磁共振图像；将所述磁共振图像作为label，与磁共振成像仿真器Simu-Net的输出，作loss，反向更新Simu-Net的参数；不断重复迭代优化，直至磁共振成像仿真器Simu-Net处于最优，从而获得训练好的磁共振成像仿真器Simu-Net；
深度神经网络仿真器Simu-Net磁共振成像仿真单元60，具体的，包括：
样本生成子单元61：构建指定的磁共振序列成像参数的样本；
仿真器Simu-Net仿真磁共振成像子单元62：将样本输入到磁共振成像仿真器Simu-Net，进行仿真磁共振成像，获得指定磁共振序列成像参数和不理想因素条件下的磁共振图像。
图5给出本发明实施例中一种基于深度学习的超快速磁共振成像高精度的FSE序列仿真***所生成的磁共振图像(Simu-Net)与传统Bloch方法生成的磁共振图像(BlochSimulation)的对比图。可以看出本发明实现任意长度的动态成像参数下的磁共振成像仿真，仿真效果好。
本发明中应用具体个例对本发明的原理及实施方式进行阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (10)

1.基于深度学习的超快速磁共振成像高精度仿真方法，其特征在于包括以下步骤：
S1：制作虚拟成像对象；
S2：根据仿真的磁共振序列对虚拟成像对象进行传统的Bloch仿真，得到磁共振图像并保留磁共振序列成像参数、不理想因素；
S3：使用一个位置编码模板、与所述虚拟成像对象、磁共振序列成像参数、不理想因素以及磁共振图像制作训练样本；
S4：针对磁共振成像的特点，构建一个特殊的深度神经网络仿真器Simu-Net；
S5：使用所述训练样本对深度神经网络仿真器Simu-Net进行训练，得到训练好的深度神经网络仿真器Simu-Net；
S6：构建指定磁共振序列成像参数和不理想因素条件下的样本，使用所述深度神经网络仿真器Simu-Net进行磁共振成像仿真，得到磁共振图像。
2.根据权利要求1所述基于深度学习的超快速磁共振成像高精度仿真方法，其特征在于在步骤S1中，所述制作虚拟成像对象，具体包括：
S11：使用成对的磁共振T2加权图像与磁共振PD加权图像，对于磁共振PD加权图像，根据如下磁共振信号公式：
Figure FDA0003757607980000011
反向求得PD，即质子密度图，并归一化作为虚拟成像对象的质子密度图；
S12：对于磁共振T2加权图像，根据如下磁共振信号公式：
Figure FDA0003757607980000012
Figure FDA0003757607980000013
反向求得T2，即横向弛豫时间图，并对T2进行缩放，缩放至人体合理的T2值范围，作为虚拟成像对象的T2图；
S13：根据已经获得的磁共振PD加权图像，根据如下公式：
T1[PD-W＞0]＝2
T1[PD-W＝0]＝0
获取T1，也即纵向弛豫时间图，作为虚拟成像对象的T1图；
S14：将PD、T1、T2组合在一起，构成一个虚拟成像对象；
S15：重复步骤S11-S14，生成足够数量的虚拟成像对象。
3.根据权利要求1所述基于深度学习的超快速磁共振成像高精度仿真方法，其特征在于在步骤S2中，所述根据仿真的磁共振序列对虚拟成像对象进行传统的Bloch仿真，得到磁共振图像并保留磁共振序列成像参数、不理想因素，具体包括：
S21：选择仿真中要使用的磁共振成像序列；
S22：生成随机曲面，并缩放到合理的区间，用作磁共振成像过程中的不理想因素，如主磁场的不均匀性dB0、射频脉冲的不均匀性B1+等；
S23：根据选定的磁共振成像序列和不理想因素，以传统的Bloch仿真方法对所述虚拟成像对象进行仿真成像，并保留成像参数、不理想因素，获得磁共振图像、磁共振成像参数、不理想因素。
4.根据权利要求1所述基于深度学习的超快速磁共振成像高精度仿真方法，其特征在于在步骤S3中，所述使用一个位置编码模板、与所述虚拟成像对象、磁共振序列成像参数、不理想因素以及磁共振图像制作训练样本，具体包括：
将一个带有调制信息的图，作为位置编码模板，与所述虚拟成像对象、磁共振序列成像参数、磁共振图像组成一个训练样本，不断重复该步骤，直至获得足够数量的训练样本。
5.根据权利要求1所述基于深度学习的超快速磁共振成像高精度仿真方法，其特征在于在步骤S4中，所述特殊的深度神经网络仿真器Simu-Net，由三部分组成：动态滤波器生成模块、动态卷积模块、编码器-解码器模块；其中动态滤波器生成模块用于接收一维的磁共振序列成像参数。
6.根据权利要求1所述基于深度学习的超快速磁共振成像高精度仿真方法，其特征在于在步骤S5中，所述使用所述训练样本对深度神经网络仿真器Simu-Net进行训练，得到训练好的深度神经网络仿真器Simu-Net，具体包括：
S51：将所述训练样本中的一维的磁共振序列成像参数输入动态滤波器生成模块，获得一维输出；
S52：将所述一维输出用作动态卷积模块的卷积权重w和偏置b；
S53：将所述训练样本中的位置编码模板、虚拟成像对象、不理想因素作为input输入到动态卷积模块；
S54：将动态卷积模块的输出，输入到编码器-解码器模块，而编码器-解码器模块的输出是磁共振成像仿真器Simu-Net仿真的磁共振图像；
S55：将所述训练样本中的磁共振图像作为label，与磁共振成像仿真网络Simu-Net的输出，作loss，反向更新Simu-Net的参数；
S57：不断重复步骤S51-S55，迭代更新Simu-Net，直至磁共振成像仿真器Simu-Net处于最优，从而获得训练好的磁共振成像仿真器Simu-Net。
7.基于深度学习的超快速磁共振成像高精度仿真***，其特征在于依次包括虚拟成像对象生成单元、磁共振Bloch模拟成像单元、训练样本生成单元、深度神经网络仿真器Simu-Net构建单元、深度神经网络仿真器Simu-Net训练单元、深度神经网络仿真器Simu-Net磁共振成像仿真单元；
所述虚拟成像对象生成单元用于生成模拟磁共振成像所需要的虚拟成像对象；
所述磁共振Bloch模拟成像单元用于对所述虚拟成像对象进行传统Bloch模拟磁共振成像；
所述训练样本生成单元用于生成深度神经网络的所需要的训练样本；
所述深度神经网络仿真器Simu-Net构建单元用于构建一个特殊的深度神经网络仿真器Simu-Net；
所述深度神经网络仿真器Simu-Net训练单元用于使用所述训练样本训练磁共振成像仿真器Simu-Net，得到训练好的磁共振成像仿真器Simu-Net；
所述深度神经网络仿真器Simu-Net磁共振成像仿真单元用于使用训练好的磁共振成像仿真器Simu-Net，在所指定磁共振序列成像参数与不理想因素条件下生成仿真的磁共振图像。
8.根据权利要求7所述基于深度学习的超快速磁共振成像高精度仿真***，其特征在于所述虚拟成像对象生成单元，还包括：
PD生成子单元：用于使用成对的磁共振T2加权图像与磁共振PD加权图像，对于磁共振PD加权图像，根据如下磁共振信号公式：
Figure FDA0003757607980000031
反向求得PD，即质子密度图，并归一化作为虚拟成像对象的质子密度图；
T2生成子单元：用于对于磁共振T2加权图像，根据如下磁共振信号公式：
Figure FDA0003757607980000032
Figure FDA0003757607980000033
反向求得T2，即横向弛豫时间图，并对T2进行缩放，缩放至人体合理的T2值范围，作为虚拟成像对象的T2图；
T1生成子单元：用于根据已经获得的PD，根据如下公式：
T1[PD-W＞0]＝2
T1[PD-W＝0]＝0
获取T1，也即纵向弛豫时间图，作为虚拟成像对象的T1图；
虚拟成像对象组合子单元：用于将PD、T1、T2组合在一起，构成一个虚拟成像对象。
9.根据权利要求7所述基于深度学习的超快速磁共振成像高精度仿真***，其特征在于所述磁共振Bloch模拟成像单元，具体包括磁共振序列选择子单元、不理想因素生成子单元和Bloch仿真磁共振成像子单元；
磁共振序列选择子单元：用于选择仿真中要使用的磁共振成像序列；
不理想因素生成子单元：用于生成随机曲面，并缩放到合理的区间，用作磁共振成像过程中的不理想因素，如主磁场的不均匀性dB0、射频脉冲的不均匀性B1+等；
Bloch仿真磁共振成像子单元：用于根据选定的磁共振成像序列和不理想因素，以传统的Bloch仿真方法对所述虚拟成像对象进行仿真成像，并保留成像参数、不理想因素，获得磁共振图像、磁共振成像参数、不理想因素；
所述训练样本生成单元用于将一个带有调制信息的图，作为位置编码模板，与所述虚拟成像对象、所述磁共振序列成像参数、所述磁共振图像组成一个训练样本，生成足够数量的训练样本。
10.根据权利要求7所述基于深度学习的超快速磁共振成像高精度仿真***，其特征在于所述深度神经网络仿真器Simu-Net构建单元用于构建磁共振成像仿真器Simu-Net，所述Simu-Net由三部分组成：动态滤波器生成模块、动态卷积模块、编码器-解码器模块；其中动态滤波器生成模块用于接收一维的磁共振序列成像参数；
所述深度神经网络仿真器Simu-Net训练单元，包括仿真器Simu-Net训练子单元：用于将所述训练样本中的一维的磁共振序列成像参数输入动态滤波器生成模块，获得一维的输出；将所述一维的输出用作动态卷积模块的卷积权重w和偏置b；将所述训练样本中的位置编码模板、虚拟成像对象、不理想因素作为input输入到动态卷积模块；将动态卷积模块的输出，输入到编码器-解码器模块，而编码器-解码器模块的输出是磁共振成像仿真网络Simu-Net仿真的磁共振图像；将所述磁共振图像作为label，与磁共振成像仿真器Simu-Net的输出，作loss，反向更新Simu-Net的参数；不断重复，迭代更新Simu-Net，直至磁共振成像仿真器Simu-Net处于最优，从而获得训练好的磁共振成像仿真器Simu-Net；
所述深度神经网络仿真器Simu-Net磁共振成像仿真单元，包括样本生成子单元、仿真器Simu-Net仿真磁共振成像子单元：所述样本生成子单元用于构建指定的磁共振序列成像参数与不理想因素条件下的样本；所述仿真器Simu-Net仿真磁共振成像子单元用于将样本输入到磁共振成像仿真网络Simu-Net，进行仿真磁共振成像，获得指定磁共振序列成像参数与不理想因素条件下的磁共振图像。
CN202210859475.0A 2022-07-21 2022-07-21 基于深度学习的超快速磁共振成像高精度仿真方法及*** Pending CN115166612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210859475.0A CN115166612A (zh) 2022-07-21 2022-07-21 基于深度学习的超快速磁共振成像高精度仿真方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210859475.0A CN115166612A (zh) 2022-07-21 2022-07-21 基于深度学习的超快速磁共振成像高精度仿真方法及***

Publications (1)

Publication Number Publication Date
CN115166612A true CN115166612A (zh) 2022-10-11

Family

ID=83495798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210859475.0A Pending CN115166612A (zh) 2022-07-21 2022-07-21 基于深度学习的超快速磁共振成像高精度仿真方法及***

Country Status (1)

Country Link
CN (1) CN115166612A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110082696A (zh) * 2019-04-30 2019-08-02 上海东软医疗科技有限公司 一种多回波序列的成像方法和装置
CN111583356A (zh) * 2020-05-13 2020-08-25 首都医科大学附属北京友谊医院 一种基于卷积神经网络的磁共振图像合成方法和装置
US20210134028A1 (en) * 2019-11-06 2021-05-06 Xiamen University Method and system for simultaneous quantitative multiparametric magnetic resonance imaging (mri)
CN113030813A (zh) * 2021-02-26 2021-06-25 厦门大学 一种磁共振t2定量成像方法及***
CN114021485A (zh) * 2021-12-01 2022-02-08 厦门大学 基于Bloch仿真合成训练样本的螺旋桨欠采重建***
CN114299185A (zh) * 2021-12-31 2022-04-08 清华大学 磁共振图像生成方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110082696A (zh) * 2019-04-30 2019-08-02 上海东软医疗科技有限公司 一种多回波序列的成像方法和装置
US20210134028A1 (en) * 2019-11-06 2021-05-06 Xiamen University Method and system for simultaneous quantitative multiparametric magnetic resonance imaging (mri)
CN111583356A (zh) * 2020-05-13 2020-08-25 首都医科大学附属北京友谊医院 一种基于卷积神经网络的磁共振图像合成方法和装置
CN113030813A (zh) * 2021-02-26 2021-06-25 厦门大学 一种磁共振t2定量成像方法及***
CN114021485A (zh) * 2021-12-01 2022-02-08 厦门大学 基于Bloch仿真合成训练样本的螺旋桨欠采重建***
CN114299185A (zh) * 2021-12-31 2022-04-08 清华大学 磁共振图像生成方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汪红志;赵地;杨丽琴;夏天;周月;苗志英;: "基于AI+MRI的影像诊断的样本增广与批量标注方法", 波谱学杂志, no. 04, 12 December 2018 (2018-12-12) *

Similar Documents

Publication Publication Date Title
US10712416B1 (en) Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network
CN108335339B (zh) 一种基于深度学习和凸集投影的磁共振重建方法
CN108828481B (zh) 一种基于深度学习和数据一致性的磁共振重建方法
CN108535675B (zh) 一种基于深度学习和数据自洽的磁共振多通道重建方法
CN110807492B (zh) 一种磁共振多参数同时定量成像方法及***
CN107064845B (zh) 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
WO2018223275A1 (zh) 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN106970343A (zh) 一种磁共振成像方法及装置
US11170543B2 (en) MRI image reconstruction from undersampled data using adversarially trained generative neural network
US11948676B2 (en) Qualitative and quantitative MRI using deep learning
CN109597012B (zh) 一种基于残差网络的单扫描时空编码成像重建方法
KR20220024425A (ko) 자기 공명 이미징에서의 이미지 재구성을 위한 시스템들 및 방법들
US11815581B2 (en) Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method
CN113971706A (zh) 一种快速磁共振智能成像方法
CN113030813B (zh) 一种磁共振t2定量成像方法及***
Liberman et al. Minimal linear networks for magnetic resonance image reconstruction
CN115356672B (zh) 多维磁共振成像方法、***及存储介质
CN110320227A (zh) 一种二维核磁共振d-t2谱反演方法及装置
CN106137199B (zh) 扩散磁共振成像中的广义球面去卷积
CN109799471B (zh) 一种磁共振波谱成像模拟方法及***、存储介质、电子设备
CN115166612A (zh) 基于深度学习的超快速磁共振成像高精度仿真方法及***
JPH01502323A (ja) 核磁気共鳴の画像化のための方法及び装置
Gutierrez et al. Reducing the complexity of model-based MRI reconstructions via sparsification
US11675029B2 (en) Retrospective tuning of soft tissue contrast in magnetic resonance imaging
EP0466756A1 (en) Region selection in nuclear magnetic resonance inspection

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