一种磁共振成像方法和装置制造方法及图纸

本申请公开了一种磁共振成像方法和装置，该方法将深度网络模型和常规加速重建方法顺序结合，首先利用深度网络模型将降采样倍数较高的第一成像信息恢复到降采样倍数较低的第二成像信息，然后利用常规加速重建方法将降采样倍数较低的第二成像信息进行完全重建，从而得到最终磁共振图像。如此，在本申请提供的磁共振成像方法中，用于磁共振快速成像的深度神经网络的输出训练样本不是满采样或超满采样数据，而是降采样数据，因而，训练深度神经网络的输出训练样本通过常规降采样方法即可获得，因而，该输出训练样本可以通过较短的采集时间获得，因而，该深度神经网络可以应用到采集时间受限的磁共振成像应用场景中，例如腹部扫描。

【技术实现步骤摘要】
一种磁共振成像方法和装置
本申请涉及医学影像
，尤其涉及一种磁共振成像方法和装置。
技术介绍
磁共振成像(MagneticResonanceImaging，MRI)作为一种多参数、多对比度的成像技术，是现代医疗影像学中主要的成像方式之一，可以反映组织T1、T2和质子密度等多种特性，可为疾病的检出和诊断提供信息。磁共振成像的基本工作原理是利用磁共振现象，采用射频激励激发人体中的氢质子，运用梯度场进行位置编码，随后采用接收线圈接收带位置信息的电磁信号，最终利用傅里叶变换重建出图像信息。深度学习因其超强的学习能力，被广泛的应用于各个领域的研究。近些年在图像领域的研究尤为突出，例如Iphone的人脸识别，goolge的图像识别动物等等。磁共振图像有一个关键问题是扫描时间慢。深度神经网络(DNN,deepneuralnetwork)在近期被应用于加速磁共振扫描，以解决磁共振成像扫描速度慢的问题。DNN应用的一个重要前提是需要训练集，训练集中的输出样本一般为高质量无噪声的成像信息。该高质量无噪声的成像信息一般由满采样或超满采样的k-空间数据重建得到。该满采样或超满采样的k-空间数据的采集需要消耗较长的采集时间。然而，在某些应用场景中，例如腹部扫描，在扫描时需要扫描对象屏气，因扫描对象屏气时间不会太长，因而数据采集时间有限，不可能得到满采样或超满采样的k-空间数据。如此，导致DNN无法应用到这些采集时间受限的磁共振成像应用场景中。
技术实现思路
有鉴于此，本申请提供了一种磁共振成像方法和装置，以使DNN能够应用在采集时间受限的在磁共振成像的应用场景中。为了解决上述技术问题，本申请采用了如下技术方案：一种磁共振成像方法，包括：采用第一降采样倍数和预设采样轨迹采集磁共振成像数据，得到第一成像信息；利用深度神经网络对所述第一成像信息进行处理，得到第二成像信息；所述第二成像信息的降采样倍数为第二降采样倍数；所述第一降采样倍数大于所述第二降采样倍数；对所述第二成像信息进行完全重建，得到最终磁共振图像；其中，所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹；所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。可选地，所述对所述第二成像信息进行完全重建，得到最终磁共振图像，具体包括：采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建，得到最终磁共振图像。可选地，所述方法还包括：预先训练深度神经网络，所述预先训练深度神经网络，具体包括：采用第二降采样倍数采集磁共振数据，得到第三成像信息；根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息，得到第四成像信息；以所述第三成像信息为输出样本，以所述第四成像信息为输入样本，训练深度神经网络，得到用于磁共振加速重建的深度神经网络。可选地，所述第一成像信息和所述第二成像信息为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。可选地，所述第二降采样倍数为所述并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。可选地，所述第一降采样倍数超过所述并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。一种磁共振成像装置，包括：采集单元，用于采用第一降采样倍数和预设采样轨迹采集磁共振成像数据，得到第一成像信息；处理单元，用于利用深度神经网络对所述第一成像信息进行处理，得到第二成像信息；所述第二成像信息的降采样倍数为第二降采样倍数；所述第一降采样倍数大于所述第二降采样倍数；重建单元，用于对所述第二成像信息进行完全重建，得到最终磁共振图像；其中，所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹；所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。可选地，所述重建单元，具体包括：采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建，得到最终磁共振图像。可选地，所述装置还包括：训练单元，用于预先训练深度神经网络，所述训练单元，具体包括：采集子单元，用于采用第二降采样倍数采集磁共振数据，得到第三成像信息；提取子单元，用于根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息，得到第四成像信息；训练子单元，用于以所述第三成像信息为输出样本，以所述第四成像信息为输入样本，训练深度神经网络，得到用于磁共振加速重建的深度神经网络。可选地，所述第一成像信息和所述第二成像信息为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。相较于现有技术，本申请具有以下有益效果：基于以上技术方案可知，本申请提供的磁共振成像方法，将深度网络模型和常规加速重建方法顺序结合，首先利用深度网络模型将降采样倍数较高的第一成像信息恢复到降采样倍数较低的第二成像信息，然后利用常规加速重建方法将降采样倍数较低的第二成像信息进行完全重建，从而得到最终磁共振图像。如此，在本申请提供的磁共振成像方法中，用于磁共振快速成像的深度神经网络的输出训练样本不是满采样或超满采样数据，而是降采样数据，因而，训练深度神经网络的输出训练样本通过常规降采样方法即可获得，因而，该输出训练样本可以通过较短的采集时间获得，因而，该深度神经网络可以应用到采集时间受限的磁共振成像应用场景中，例如腹部扫描。附图说明为了清楚地理解本申请的具体实施方式，下面将描述本申请具有实施方式时用到的附图做一简要说明。显而易见地，这些附图仅是本申请的部分实施例。图1是本申请实施例提供的深度神经网络训练方法的一种实现方式流程示意图；图2是本申请实施例提供的深度神经网络训练方法的另一种实现方式流程示意图；图3是本申请实施例提供的磁共振成像方法的一种实现方式流程示意图；图4是本申请实施例提供的磁共振成像方法的另一种实现方式流程示意图；图5是本申请实施例提供的用于执行磁共振成像方法的控制设备结构示意图；图6是本申请实施例提供的磁共振成像装置结构示意图。具体实施方式DNN被应用于加速磁共振扫描的一个前提是需要对DNN进行训练。训练时采用的训练集样本包括两部分：一部分是输入样本，另一部分是输出样本，输入样本可以为低信噪比图像，该输入样本可以由降采样数据得到。输出样本通常是高质量低噪声的图像，通过对该输入样本和输出样本的深度学习，才能得到能够去除噪声的深度学习网络。对于没有运动或者不需要高时间分辨率的应用，深度学习所需要训练集的获取可以不考虑采集时间，输出训练样本可以通过满采样或超满采样的方式采集得到，该输出训练样本可以为满采样或超满采样K空间数据或者该K空间数据对应的图像。输入训练样本可以通过人工降采的方式从该满采样或超满采样K空间数据中提取出一定比例的数据。也就是说，该输入训练样本可以为输出训练样本的子集。但是，对于有些采集时间受限的应用场景，例如腹部扫描，采集时需要扫描对象屏气，采集时间有限，不可能得到满采样的K空间数据。即输出训练样本无法在一次屏息内得到。而且，两次腹部屏息不能得到完全对应的每层图像。因为人两次屏气状态下，肝脏的舒张状态不能完全一样，所以基本采集两次图像本文档来自技高网...

【技术保护点】
1.一种磁共振成像方法，其特征在于，包括：采用第一降采样倍数和预设采样轨迹采集磁共振成像数据，得到第一成像信息；利用深度神经网络对所述第一成像信息进行处理，得到第二成像信息；所述第二成像信息的降采样倍数为第二降采样倍数；所述第一降采样倍数大于所述第二降采样倍数；对所述第二成像信息进行完全重建，得到最终磁共振图像；其中，所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹；所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。

【技术特征摘要】
1.一种磁共振成像方法，其特征在于，包括：采用第一降采样倍数和预设采样轨迹采集磁共振成像数据，得到第一成像信息；利用深度神经网络对所述第一成像信息进行处理，得到第二成像信息；所述第二成像信息的降采样倍数为第二降采样倍数；所述第一降采样倍数大于所述第二降采样倍数；对所述第二成像信息进行完全重建，得到最终磁共振图像；其中，所述第一降采样倍数和所述预设采样轨迹为所述深度神经网络的输入训练样本的降采样倍数和采样轨迹；所述第二降采样倍数为所述深度神经网络的输出训练样本的降采样倍数。2.根据权利要求1所述的方法，其特征在于，所述对所述第二成像信息进行完全重建，得到最终磁共振图像，具体包括：采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法对所述第二成像信息进行完全重建，得到最终磁共振图像。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：预先训练深度神经网络，所述预先训练深度神经网络，具体包括：采用第二降采样倍数采集磁共振数据，得到第三成像信息；根据所述第一降采样倍数和预设采样轨迹从所述成像信息中提取出部分信息，得到第四成像信息；以所述第三成像信息为输出样本，以所述第四成像信息为输入样本，训练深度神经网络，得到用于磁共振加速重建的深度神经网络。4.根据权利要求1所述的方法，其特征在于，所述第一成像信息和所述第二成像信息为K空间域的K空间数据或者对所述K空间数据进行快速傅里叶变换得到的卷叠图。5.根据权利要求1-4任一项所述的方法，其特征在于，所述第二降采样倍数为所述并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法允许的降采样倍数。6.根据权利要求1-4任一...

【专利技术属性】
技术研发人员：黄峰，韩冬，梅玲，
申请(专利权)人：上海东软医疗科技有限公司，
类型：发明
国别省市：上海,31