CN117396977A - 应用层分辨率增强的磁共振影像处理装置及其方法 - Google Patents
应用层分辨率增强的磁共振影像处理装置及其方法 Download PDFInfo
- Publication number
- CN117396977A CN117396977A CN202280033084.1A CN202280033084A CN117396977A CN 117396977 A CN117396977 A CN 117396977A CN 202280033084 A CN202280033084 A CN 202280033084A CN 117396977 A CN117396977 A CN 117396977A
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic resonance
- learning
- layer
- data
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 238000003672 processing method Methods 0.000 claims abstract description 12
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 18
- 238000003384 imaging method Methods 0.000 description 16
- 238000005070 sampling Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 206010009244 Claustrophobia Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
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
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供磁共振影像处理方法,由本发明一实施例的磁共振影像处理装置执行,包括如下步骤:向人工神经网络模型输入层分辨率(Slice Resolution)大于0且小于1的输入图像;以及从上述人工神经网络模型输出层分辨率为1的输出图像。
Description
技术领域
本发明涉及应用层分辨率增强的磁共振影像处理装置及其方法,更详细地,涉及利用人工神经网络对从磁共振信号获取磁共振影像的过程进行加速的磁共振影像处理装置及其方法。
背景技术
通常,医用影像装置是指通过获取患者身体信息来提供影像的装置。医用影像装置包括X射线拍摄装置、超声波诊断装置、计算机断层拍摄装置、磁共振影像(MRI,MagneticResonance Imaging)拍摄装置等。
磁共振影像是指利用人体无害的磁场及非电离辐射在体内的氢原子核引起核磁共振现象来对原子核的密度及物理/化学特性进行成像的影像。磁共振影像拍摄装置对影像拍摄条件相对自由,不仅包含软组织的各种诊断信息,而且,可提供具有优秀对比度的影像,因此,在利用医用影像的诊断领域中占据非常重要的地位。
另一方面,利用磁共振影像拍摄装置进行的拍摄取决于拍摄部位及MR影像类型等,短则需要20多分钟,长则需要1小时以上。即,相比于其他医用影像拍摄装置,磁共振影像拍摄装置存在拍摄时间相对较长的缺点。这种缺点可对患者造成拍摄负担,尤其,对于患有幽闭恐惧症的患者而言,可导致手术本身变得困难。因此,随着最近开发缩短拍摄时间的技术,在提高影像质量层面上也需要改善。
发明内容
技术问题
本发明的目的在于,提供如下的磁共振影像处理装置及其方法,即,利用人工神经网络模型从加速拍摄的层分辨率大于0且小于1的磁共振影像中获取层分辨率为1的磁共振影像。
并且,本发明的再一目的在于,提供如下的磁共振影像处理装置及其方法,即,当没有高层分辨率的学习图像数据时,利用仅用低层分辨率的学习图像数据学习的人工神经网络模型获取层分辨率及分辨率增强的磁共振影像。
技术方案
本发明提供的磁共振影像处理方法由本发明一实施例的磁共振影像处理装置执行,包括如下步骤:向人工神经网络模型输入层分辨率(Slice Resolution)大于0且小于1的输入图像;以及从上述人工神经网络模型输出层分辨率为1的输出图像。
在本发明实施例的磁共振影像处理方法中,上述人工神经网络模型通过将层分辨率大于0且小于1的图像数据设定为学习输入数据并将层分辨率为1的图像数据设定为学习标签数据来学习。
在本发明实施例的磁共振影像处理方法中,上述学习输入数据包括按照将上述输入图像的层分辨率设定为1的基准测定的层分辨率大于0且小于1的图像数据,上述学习标签数据包括层分辨率与上述输入图像的层分辨率相同的图像数据。
在本发明实施例的磁共振影像处理方法中,上述学习输入数据包括学习图像及与上述学习图像相邻的层图像,上述人工神经网络模型接收上述学习图像及与上述学习图像相邻的层图像结合而成的图像来学习。
在本发明实施例的磁共振影像处理方法中,上述输入图像包括需要提高层分辨率的对象图像及与上述对象图像相邻的层图像,上述人工神经网络模型接收上述对象图像及与上述对象图像相邻的层图像结合而成的图像。
在本发明实施例的磁共振影像处理方法中,上述输入图像包括k空间(k-space)图像及DICOM(Digital Imaging and Communications in Medicine,医学数字成像和通信)图像中的至少一种。
本发明一实施例的磁共振影像处理装置执行如下步骤:向人工神经网络模型输入层分辨率(Slice Resolution)大于0且小于1的输入图像;以及从上述人工神经网络模型输出层分辨率为1的输出图像。
在本发明实施例的磁共振影像处理装置中,上述人工神经网络模型通过将层分辨率大于0且小于1的图像数据设定为学习输入数据并将层分辨率为1的图像数据设定为学习标签数据来学习。
在本发明实施例的磁共振影像处理装置中,上述学习输入数据包括按照将上述输入图像的层分辨率设定为1的基准测定的层分辨率大于0且小于1的图像数据,上述学习标签数据包括层分辨率与上述输入图像的层分辨率相同的图像数据。
在本发明实施例的磁共振影像处理装置中,上述学习输入数据包括学习图像及与上述学习图像相邻的层图像,上述人工神经网络模型接收上述学习图像及与上述学习图像相邻的层图像结合而成的图像来学习。
在本发明实施例的磁共振影像处理装置中,上述输入图像包括需要提高层分辨率的对象图像及与上述对象图像相邻的层图像,上述人工神经网络模型接收上述对象图像及与上述对象图像相邻的层图像结合而成的图像。
在本发明实施例的磁共振影像处理装置中,上述输入图像包括k空间图像及DICOM图像中的至少一种。
发明的效果
本发明一实施例的磁共振影像处理装置及其方法具有如下效果,即,可利用人工神经网络模型从加速拍摄的层分辨率大于0且小于1的磁共振影像中获取层分辨率为1的磁共振影像。
并且,当没有高层分辨率的学习图像数据时,可利用仅用低层分辨率的学习图像数据学习的人工神经网络模型获取层分辨率及分辨率增强的磁共振影像。
附图说明
图1为用于说明本发明一实施例的磁共振影像处理装置的结构图。
图2为示出利用本发明一实施例的磁共振影像处理装置执行磁共振影像处理方法的流程图。
图3为用于说明本发明一实施例的全采样与子采样之间差异的图。
图4为用于说明本发明一实施例的层分辨率的图。
图5为示出本发明一实施例的人工神经网络模型的输入及输出的图。
图6为示出本发明一实施例的人工神经网络模型的学习的图。
具体实施方式
以下,参照附图详细说明本发明实施例,以便本发明所属技术领域的普通技术人员能够轻松实施本发明。但是,本发明可通过多种不同实施方式实现,并不限定于在此说明的实施例。而且,为了结合附图明确说明本发明,将省略与说明无关的部分,并且,通过本说明书的全文内容对相似的部分赋予了相似的附图标记。
在本说明书的全文内容中,当表示某部分与另一部分“相连接”时,不仅包括“直接连接”的情况,而且,也可包括在其中间通过其他元件“电连接”的情况。并且,当表示某部分“包括”另一结构要素时,除非存在特别相反的记载,否则意味着还包括其他结构要素,而并非排除其他结构要素。
在本说明书中,“服务器”是指包括一个以上存储器、一个以上计算机处理器及一个以上程序的计算机,其中,一个以上程序存储在存储器,可由一个以上处理器执行(executed),一个以上存储器、一个以上计算机处理器、一个以上程序可物理性地位于相同装置内,也可直接连接或通过通信网络相连接。
在本说明书中,“影像”是指由离散图像要素(例如,二维图像的像素及三维图像的体素)构成的多维(multi-dimensional)数据。例如,影像可包括通过磁共振影像拍摄(MRI)装置、计算机断层拍摄(CT)装置、超声波拍摄装置或X射线拍摄装置等医用影像装置获取的医疗影像。
在本说明书中,“影像复原”可包括增强低分辨率图像的分辨率或提高低质量图像的质量。并且,在磁共振影像拍摄的情况下,除上述含义外,“影像复原”还可包括对从子采样k空间数据生成的图像进行加工,使得其与从全采样k空间数据生成的图像变得相同/相似。
以下,参照附图详细说明本发明一实施例的磁共振影像处理装置。
图1为用于说明本发明一实施例的磁共振影像处理装置的结构图。
参照图1,磁共振影像处理装置100为可自行检测磁共振信号来获取磁共振影像的磁共振成像***,除此之外,也可以为用于处理外部获取影像的影像处理装置、设置有磁共振影像处理功能的智能手机、平板电脑(PC)、个人计算机(PC)、智能电视(TV)、微型服务器、云服务器、其他家电设备及其他移动或非移动计算装置,但并不局限于此。并且,磁共振影像处理装置100可以为设置有通信功能及数据处理功能的手表、眼镜、发带及戒指等可穿戴设备。
并且,本发明一实施例的磁共振影像处理装置100可通过与用于医疗机构的医疗影像存储传输***(PACS,Picture Archiving and Communication System)和/或磁共振影像拍摄装置(未图示)进行通信来收发医疗影像数据,磁共振影像处理装置100可应用人工神经网络模型复原磁共振影像数据。
具体地,本发明一实施例的磁共振影像处理装置100可通过云计算***(CloudComputing System)实现。云计算是指可通过互联网上的服务器综合使用数据存储、网络、内容使用等IT相关服务的计算环境。与此不同地,磁共振影像处理装置100也可通过能够执行磁共振影像处理方法的多种计算***实现,例如,服务器计算、边缘计算、无服务器计算等。
本发明一实施例的磁共振影像处理装置100可包括通信模块110、存储器120、处理器130、数据库140。
通信模块110可联动通信网络向磁共振影像处理装置100提供通信界面,磁共振影像处理装置100可利用通信模块110与下述客户端、医疗影像存储传输***(PACS)终端及医疗影像存储传输***服务器收发数据。其中,通信模块110可以为包括硬件及软件的装置,以便通过无线连接或有线连接与其他网络装置收发控制信号或数据信号等信息。
另一方面,在本说明书中,“终端”是指确保便携性及移动性的无线通信装置,例如,智能手机、平板电脑或笔记本电脑等所有类型的手持式(Handheld)无线通信装置。并且,“终端”也可以为设置有通信功能及数据处理功能的手表、眼镜、发带及戒指等可穿戴设备。并且,“终端”还可以为能够通过网络访问其他终端或服务器等的个人计算机等有线通信装置。
存储器120可以为存储介质,用于存储磁共振影像处理装置100执行的程序。并且,存储器120可执行临时存储或永久存储处理数据的功能。其中,存储器120可包括易失性存储介质(volatile storage media)或非易失性存储介质(non-volatile storage media),但是,本发明的范围并不限定于此。
处理器130可控制磁共振影像处理装置100执行的程序的整体过程。其中,处理器130可包括能够处理数据的诸如处理器(processor)的所有类型的装置。其中,“处理器(processor)”是指内置在硬件的数据处理装置,为了执行程序内的代码或指令表现的功能而具备物理结构电路。作为一例,上述内置在硬件的数据处理装置可以为微处理器(microprocessor)、中央处理器(CPU,central processing unit)、处理器核心(processorcore)、多处理器(multiprocessor)、专用集成电路(ASIC,application-specificintegrated circuit)、现场可编程门阵列(FPGA,field programmable gate array)、图形处理器(GPU,graphics processing unit)等处理装置,但是,本发明的范围并不限定于此。
数据库140可存储有使得磁共振影像处理装置100执行程序所需的各种数据。例如,数据库140可存储有用户列表、工作列表、影像处理信息、协议规则、医疗影像数据、人工神经网络模型400及学习数据。
另一方面,在通常情况下,医疗机构可配置有客户端及医疗影像存储传输***终端,上述客户端通过联动医疗影像数据拍摄设备来控制拍摄设备或管理医疗影像数据传输,上述医疗影像存储传输***终端设置有用于医疗人员查看、加工及管理医疗影像数据的医疗影像存储传输***程序。
客户端可设置有用于提供用户界面(UI)的程序,上述用户界面用于输出用户登录、工作列表及影像处理历史。医疗影像存储传输***终端向磁共振影像处理装置100传输存储在医疗影像存储传输***服务器的医疗影像数据、个人信息数据,可接收通过人工神经网络模型400复原的医疗影像数据并将其存储于医疗影像存储传输***服务器,或者,可设置有用于向显示器输出用户界面的程序。
以下,详细说明本发明一实施例的磁共振影像处理装置100执行的磁共振影像处理方法。
图2为示出利用本发明一实施例的磁共振影像处理装置执行磁共振影像处理方法的流程图。
参照图2,在磁共振影像处理方法中,本发明一实施例的磁共振影像处理装置100可优先执行步骤S210,向人工神经网络模型400输入层分辨率(Slice Resolution)大于0且小于1的输入图像。
输入图像作为磁共振影像,可包括k空间图像及DICOM图像中的至少一种。K空间是指存储数字化MR信号数据的临时图像空间(通常称为矩阵)。若K空间填满(当磁共振扫描结束时),则可对数据进行数学处理以生成最终图像。K空间可保留图像重建之前的原始数据。K空间图像可以为原始数据的图像。
DICOM(Digital Imaging and Communications in Medicine,医学数字成像和通信)是指医疗用数字影像及通信标准,是指医疗设备用于数字图像表达和通信的多种标准总称。
DICOM数据可主要包括患者信息及媒体特性信息(patient information andmedia characteristics)。例如,DICOM数据包括的多种医疗信息数据作为在医疗现场收集的患者的文本信息及未加工媒体信息,其格式没有特别限制。更具体地,DICOM数据可包括患者的生物信息、作为在医疗现场生成的患者或治疗部位等信息影像的医疗图像信息及在医疗现场拍摄的医疗动态影像或医疗视频信息。DICOM图像可以为DICOM数据包括的医疗影像。
并且,磁共振影像可以为由多个影像层累积而成的三维影像。并且,也可沿着各个方向对上述三维医疗影像执行层处理来生成多个影像层。
图3为用于说明本发明一实施例的全采样与子采样之间差异的图。图4为用于说明本发明一实施例的层分辨率的图。
参照图3及图4,磁共振影像可包括加速拍摄的k空间数据及基于加速拍摄的k空间数据生成的DICOM数据中的至少一种。
加速拍摄是指通过在k空间内获取在相位编码方向上更窄范围的信号来获取低分辨率的图像。并且,在医疗影像数据为磁共振拍摄影像的情况下,加速拍摄是指通过缩短磁共振拍摄时间来获取子采样的磁共振信息。子采样的磁共振信号可以为按照低于奈奎斯特采样率的采样率采样的磁共振信号。即,加速拍摄的磁共振影像可以为按照低于奈奎斯特采样率的采样率对磁共振信号进行采样获取的影像。子采样的磁共振影像可包括作为多种人工图像的伪影(artifacts)。
例如,全采样的磁共振信号线(line)数为n,子采样的磁共振信号线(line)数可以为n/2个。其中,若采样线的减少程度为1/2倍数,则磁共振影像拍摄的加速指数可以为2。若采样线的减少程度为1/3倍数、1/4倍数,则加速指数可分别为3、4。
相位分辨率可以为基于相位编码方向(Ky)测定的分辨率,相位编码方向是指在对磁共振信号进行采样的过程中采样线堆叠(stack)的方向。在此情况下,若将全采样k空间数据的相位编码轴数据范围设定为1,则相位分辨率的值表示实际加速拍摄的k空间数据内相位编码轴数据范围的相对大小。而且,读出分辨率是指基于采样线延伸方向(Kx)测定的分辨率。与相位分辨率相同地,读出分辨率的值可表示k空间内读出方向数据范围的相对大小。而且,层分辨率是指基于分别垂直于线圈的轴方向(Kz)、相位编码方向(Ky)及读出方向(Kx)的层堆叠方向(Kz)测定的分辨率。层分辨率的值可表示k空间内层堆叠方向数据范围的相对大小。
输入图像可包括相位分辨率及读出分辨率中的至少一个为1的图像。输入图像可包括层分辨率大于0且小于1的图像。
图5为示出本发明一实施例的人工神经网络模型的输入及输出的图。
参照图5,人工神经网络模型400可以为利用统计机器学习结果学习至少一个子采样的磁共振影像与至少一个全采样的磁共振影像之间相关关系的算法集合。人工神经网络模型400可包括至少一个神经网络。神经网络可包括深度神经网络(DNN,Deep NeuralNetwork)、循环神经网络(RNN,Recurrent Neural Network)、双向循环神经网络(BRDNN,Bidirectional Recurrent Deep Neural Network)、多层感知器(MLP,MultilayerPerceptron)、卷积神经网络(CNN,Convolutional Neural Network)等方式的网络模型,但并不限定于此。
例如,人工神经网络模型400可按照沿着相位编码方向堆叠的至少一个采样线的像素单位学习至少一个子采样的磁共振影像与至少一个全采样的磁共振影像之间的相关关系来构建。并且,除子采样的磁共振影像及全采样的磁共振影像外,人工神经网络模型400也可利用多种额外数据构建。例如,额外数据可使用对应磁共振影像的k空间数据、实数影像数据、虚数影像数据、尺寸影像数据、相位影像数据及多通道射频识别线圈的灵敏度数据、噪声图案影像数据中的至少一个。
图6为示出本发明一实施例的人工神经网络模型的学习的图。
参照图6,人工神经网络模型400可通过将层分辨率大于0且小于1的图像数据设定为学习输入数据(input)并将层分辨率大致为1的图像数据设定为学习标签数据(label)来学习。
学习输入数据可包括按照将输入图像的层分辨率设定为1的基准来测定的层分辨率大于0且小于1的图像数据。
例如,当输入图像的层分辨率为0.5时,相对于0.5,学习输入数据可具有大于0%且小于100%的层分别率。具体地,学习输入数据的层分辨率可以为0.25,若输入图像的层分辨率为0.5,则为0.5的50%。即,学习输入数据的层分辨率可以为将输入图像的层分辨率乘以与输入图像的层分辨率相对应的倍率来获得的值。相对于输入图像的层分辨率,学习输入数据的层分辨率可以与输入图像的层分辨率相同。
学习输入数据可包括学习图像及与学习图像相邻的层图像。例如,学习输入数据包括学习图像及与学习图像相邻的层图像,人工神经网络模型可接收学习图像及与学习图像相邻的层图像结合而成的图像。即,当复原低层分辨率的图像时,可利用相应图像层及与其相邻的其他图像层的数据。
另一方面,图像结合是指将多个层图像合并为一个输入集或将多个层图像重叠在相同平面。但是,也可应用其他方法,只要能够向人工神经网络模型同时输入多个层图像即可。
学习标签数据可包括层分辨率与输入图像的层分辨率相同的图像数据。例如,若输入图像的层分辨率为0.5,则学习标签数据可包括层分辨率为0.5的图像数据。
与学习输入数据相对应地,人工神经网络模型400输入图像可包括需要提高层分辨率的对象图像及与对象图像相邻的层图像。人工神经网络模型400可接收对象图像及与对象图像相邻的层图像结合而成的图像。由此,相对于人工神经网络模型400学习的学习输入数据,随着利用最佳输入图像数据执行影像复原,可提高从人工神经网络模型400输出的输出图像质量。
并且,人工神经网络模型400可通过将读出分辨率小于1的图像数据设定为输入并将读出分辨率为1的图像数据设定为标签来学习。并且,人工神经网络模型400可通过将相位分辨率小于1的图像数据设定为输入并将相位分辨率为1的图像数据设定为标签来学习。
接着,可执行步骤S220,从人工神经网络模型400输出层分辨率为1的输出图像。
由此,若向人工神经网络模型400输入层分辨率大于0且小于1的低分辨率磁共振影像,则可通过执行复原来输出层分辨率为1的分辨率增强磁共振影像。
如上所述,本发明一实施例的磁共振影像处理装置100及其方法可利用人工神经网络模型400从加速拍摄的层分辨率大于0且小于1的磁共振影像中获取层分辨率为1的磁共振影像。
并且,当没有高层分辨率的学习图像数据时,本发明一实施例的磁共振影像处理装置100及其方法可利用仅用低层分辨率的学习图像数据学习的人工神经网络模型400获取层分辨率及分辨率增强的磁共振影像。
另一方面,本发明一实施例的磁共振影像处理方法也可通过计算机可执行程序模块等包括计算机可读指令的记录介质实现。计算机可读介质可以为能够通过计算机访问的任意可用介质,包括所有易失性介质及非易失性介质、分离型介质及非分离型介质。并且,计算机可读介质可包括计算机存储介质。计算机存储介质可包括通过用于存储计算机可读指令、数据结构、程序模块或其他数据等信息的任意方法或技术实现的所有易失性介质及非易失性介质、分离型介质及非分离型介质。以上,虽然参照特定实施例说明了本发明的方法及***,但是,本发明的结构要素、部分工作或所有工作可使用具有通用硬件架构的计算机***来实现。
以上说明仅为本发明技术思想的例示性说明,本发明所属技术领域的普通技术人员可在不脱离本发明必要特征的范围内进行多种修改及变形。因此,本发明公开的实施例仅用于说明,并不限定本发明的技术思想,本发明技术思想的范畴并不限定于上述实施例。本发明的保护范围应基于发明要求保护范围来解释,与其等同范围内的所有技术思想均属于本发明要求保护范围内。
Claims (12)
1.一种磁共振影像处理方法,由磁共振影像处理装置执行,其特征在于,包括如下步骤:
向人工神经网络模型输入层分辨率大于0且小于1的输入图像;以及
从上述人工神经网络模型输出层分辨率为1的输出图像。
2.根据权利要求1所述的磁共振影像处理方法,其特征在于,上述人工神经网络模型通过将层分辨率大于0且小于1的图像数据设定为学习输入数据并将层分辨率为1的图像数据设定为学习标签数据来学习。
3.根据权利要求2所述的磁共振影像处理方法,其特征在于,
上述学习输入数据包括按照将上述输入图像的层分辨率设定为1的基准测定的层分辨率大于0且小于1的图像数据,
上述学习标签数据包括层分辨率与上述输入图像的层分辨率相同的图像数据。
4.根据权利要求2所述的磁共振影像处理方法,其特征在于,
上述学习输入数据包括学习图像及与上述学习图像相邻的层图像,
上述人工神经网络模型接收上述学习图像及与上述学习图像相邻的层图像结合而成的图像来学习。
5.根据权利要求1所述的磁共振影像处理方法,其特征在于,
上述输入图像包括需要提高层分辨率的对象图像及与上述对象图像相邻的层图像,
上述人工神经网络模型接收上述对象图像及与上述对象图像相邻的层图像结合而成的图像。
6.根据权利要求1所述的磁共振影像处理方法,其特征在于,上述输入图像包括k空间图像及DICOM图像中的至少一种。
7.一种磁共振影像处理装置,其特征在于,执行如下步骤:
向人工神经网络模型输入层分辨率大于0且小于1的输入图像;以及
从上述人工神经网络模型输出层分辨率为1的输出图像。
8.根据权利要求7所述的磁共振影像处理装置,其特征在于,上述人工神经网络模型通过将层分辨率大于0且小于1的图像数据设定为学习输入数据并将层分辨率为1的图像数据设定为学习标签数据来学习。
9.根据权利要求8所述的磁共振影像处理装置,其特征在于,
上述学习输入数据包括按照将上述输入图像的层分辨率设定为1的基准测定的层分辨率大于0且小于1的图像数据,
上述学习标签数据包括层分辨率与上述输入图像的层分辨率相同的图像数据。
10.根据权利要求8所述的磁共振影像处理装置,其特征在于,
上述学习输入数据包括学习图像及与上述学习图像相邻的层图像,
上述人工神经网络模型接收上述学习图像及与上述学习图像相邻的层图像结合而成的图像来学习。
11.根据权利要求7所述的磁共振影像处理装置,其特征在于,
上述输入图像包括需要提高层分辨率的对象图像及与上述对象图像相邻的层图像,
上述人工神经网络模型接收上述对象图像及与上述对象图像相邻的层图像结合而成的图像。
12.根据权利要求7所述的磁共振影像处理装置,其特征在于,上述输入图像包括k空间图像及DICOM图像中的至少一种。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2021-0045813 | 2021-04-08 | ||
KR1020210045813A KR102475397B1 (ko) | 2021-04-08 | 2021-04-08 | 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 |
PCT/KR2022/005011 WO2022216073A1 (ko) | 2021-04-08 | 2022-04-07 | 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117396977A true CN117396977A (zh) | 2024-01-12 |
Family
ID=83546421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280033084.1A Pending CN117396977A (zh) | 2021-04-08 | 2022-04-07 | 应用层分辨率增强的磁共振影像处理装置及其方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240159848A1 (zh) |
EP (1) | EP4318488A1 (zh) |
KR (1) | KR102475397B1 (zh) |
CN (1) | CN117396977A (zh) |
WO (1) | WO2022216073A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240215927A1 (en) * | 2022-12-28 | 2024-07-04 | Neuro42 Inc. | Deep learning super-resolution training for ultra low-field magnetic resonance imaging |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10203393B2 (en) * | 2016-05-31 | 2019-02-12 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for removing gibbs artifact in medical imaging system |
KR101923184B1 (ko) * | 2017-08-25 | 2018-11-28 | 삼성전자주식회사 | 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치 |
KR102210457B1 (ko) * | 2017-09-29 | 2021-02-01 | 연세대학교 산학협력단 | 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체 |
JP7351847B2 (ja) * | 2018-04-19 | 2023-09-27 | サトゥル メディカル,インコーポレイテッド | 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法 |
KR102163220B1 (ko) * | 2018-10-25 | 2020-10-08 | 한국과학기술원 | 뉴럴 네트워크를 이용한 자기공명 혈관 조영술 영상 처리 방법 및 장치 |
EP3910358A1 (en) * | 2020-05-15 | 2021-11-17 | Koninklijke Philips N.V. | Automated adjustment of the undersampling factor |
-
2021
- 2021-04-08 KR KR1020210045813A patent/KR102475397B1/ko active IP Right Grant
-
2022
- 2022-04-07 EP EP22784982.5A patent/EP4318488A1/en active Pending
- 2022-04-07 WO PCT/KR2022/005011 patent/WO2022216073A1/ko active Application Filing
- 2022-04-07 US US17/790,836 patent/US20240159848A1/en active Pending
- 2022-04-07 CN CN202280033084.1A patent/CN117396977A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240159848A1 (en) | 2024-05-16 |
WO2022216073A1 (ko) | 2022-10-13 |
KR20220140067A (ko) | 2022-10-18 |
KR102475397B1 (ko) | 2022-12-08 |
EP4318488A1 (en) | 2024-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10915990B2 (en) | Systems and methods for denoising medical images with deep learning network | |
KR102588863B1 (ko) | 자기 공명 영상 처리 장치 및 그 방법 | |
US10867375B2 (en) | Forecasting images for image processing | |
US11663819B2 (en) | Image processing method, apparatus, and device, and storage medium | |
KR102428725B1 (ko) | 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램 | |
KR102584166B1 (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
CN111402355A (zh) | Pet图像重建方法、装置和计算机设备 | |
Wahid et al. | Multi-layer basis pursuit for compressed sensing MR image reconstruction | |
CN117396977A (zh) | 应用层分辨率增强的磁共振影像处理装置及其方法 | |
US11734817B2 (en) | Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method | |
EP4297041A1 (en) | System and method for restoring and transmitting medical image | |
US9224229B2 (en) | Process and apparatus for data registration | |
KR102467290B1 (ko) | 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 | |
CN115965837A (zh) | 图像重建模型训练方法、图像重建方法及相关设备 | |
KR102467249B1 (ko) | 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 | |
KR102472546B1 (ko) | 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 | |
KR102475390B1 (ko) | 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 | |
CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
KR102429284B1 (ko) | 컴바인이 적용되는 자기 공명 영상 처리 장치 및 그 방법 | |
WO2021116359A1 (en) | Screen capturing via mobile computing devices using matrix code | |
CN107799166B (zh) | 医学成像*** | |
KR102572311B1 (ko) | 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
WO2023128074A1 (ko) | 스캔 파라미터를 이용하는 자기 공명 영상 처리 방법 및 장치 | |
US20230326099A1 (en) | Magnetic resonance image processing apparatus and method using artificial neural network in k-space domain | |
CN115147502A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 |
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 |