磁共振图像的重建方法、装置及电子设备制造方法及图纸

本发明专利技术实施例公开了一种磁共振图像的重建方法、装置及电子设备。该方法包括：获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；其中，所述目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。本发明专利技术通过基于第一序列的第一样本欠采样数据和基于第二序列的第二样本欠采样数据二次训练得到目标神经网络模型，解决了第二序列的样本满采样数据不易获取的问题，提高了模型输出的恢复数据的数据质量。的恢复数据的数据质量。的恢复数据的数据质量。

【技术实现步骤摘要】
磁共振图像的重建方法、装置及电子设备


[0001]本专利技术实施例涉及磁共振成像
，尤其涉及一种磁共振图像的重建方法、装置及电子设备。

技术介绍

[0002]磁共振成像(Magnetic Resonance Imaging，MRI)是利用磁共振现象从人体中获取电磁信号从而重建人体信息的技术，属于断层成像的一种。磁共振成像技术具有非侵入性、无电离辐射损伤和成像清晰等特点，几乎适用于全身各系统的不同疾病的诊断，例如肿瘤、炎症、创伤、退行性病变，以及各种先天性疾病等的检查。
[0003]磁共振成像技术需要获取满采样的K空间数据才能对人体信息进行重建，采集的数据越多则采集的时间越长，成像速度越慢。因此，为提高成像速度，现有技术通过采集被测对象的欠采样数据，并基于神经网络模型重建与欠采样数据对应的满采样数据。但神经网络模型的好坏受到训练标准
---
满采样数据的影响，不同采集场景采集到的满采样数据的质量参差不齐，且有些采集场景下甚至无法采集到满采样数据，因此现有技术中作为神经网络模型训练标准的满采样数据较难获取，使得模型输出的满采样数据质量较差。

技术实现思路

[0004]本专利技术实施例提供了一种磁共振图像的重建方法、装置及电子设备，以在满采样数据难获取的情况下，仍能使得模型输出数据质量很好的满采样数据。
[0005]第一方面，本专利技术实施例提供了一种磁共振图像的重建方法，该方法包括：
[0006]获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
[0007]基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；
[0008]其中，所述目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。
[0009]第二方面，本专利技术实施例还提供了一种磁共振图像的重建装置，该装置包括：
[0010]恢复数据输出模块，用于获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；
[0011]磁共振图像重建模块，用于基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；
[0012]其中，所述目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。
[0013]第三方面，本专利技术实施例还提供了一种电子设备，该设备包括：
[0014]一个或多个处理器；
[0015]存储器，用于存储一个或多个程序；
[0016]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的磁共振图像的重建方法。
[0017]第四方面，本专利技术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上述所涉及的任一所述的磁共振图像的重建方法。
[0018]本专利技术实施例通过根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据进行二次训练得到目标神经网络模型，解决了现有技术基于第二序列采集到的样本满采样数据质量差的问题，基于第一序列采集到的样本满采样数据保证了神经网络模型的标准训练数据的数据质量，从而使得训练完成的目标神经网络模型输出数据质量好的恢复数据，进而提高基于输出的恢复数据重建得到的磁共振图像的质量。
附图说明
[0019]图1是本专利技术实施例一提供的一种磁共振图像的重建方法的流程图；
[0020]图2是本专利技术实施例二提供的一种磁共振图像的重建方法的流程图；
[0021]图3是本专利技术实施例三提供的一种目标神经网络模型二次训练过程的示意图；
[0022]图4是本专利技术实施例三提供的一种磁共振图像的重建方法的流程图；
[0023]图5是本专利技术实施例四提供的一种磁共振图像的重建装置的示意图；
[0024]图6是本专利技术实施例五提供的一种电子设备的结构示意图。
具体实施方式
[0025]下面结合附图和实施例对本专利技术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专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0026]实施例一
[0027]图1是本专利技术实施例一提供的一种磁共振图像的重建方法的流程图，本实施例可适用于采用磁共振设备进行扫描重建磁共振图像的情况，该方法可以由磁共振图像的重建装置来执行，该装置可采用软件和/或硬件的方式实现。具体包括如下步骤：
[0028]S110、获取基于第二序列采集到的被测对象的欠采样数据，并将欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据。
[0029]在磁共振采集过程中，首先给被测对象发射频率与氢质子进动频率一致的射频脉冲，被测对象将产生宏观横向磁化矢量，该宏观横向磁化矢量切割接收线圈而产生的电信号为原始的磁共振信号。同时，利用X、Y和Z三组梯度线圈产生的梯度场的有机组合，进行层面和层厚的选择，以进行在任意横断面上的扫描，在此过程中，通过梯度线圈产生的梯度场完成对原始磁共振信号的频率编码和相位编码。原始的磁共振信号属于模拟信号而非数字信号，经过模数转换后，变为数字信号。该数字信号被填充至K空间，成为数字数据点阵。K空间又称为傅里叶空间，是一个空间数据点阵。尽管K空间的点阵与磁共振图像的点阵不是一一对应的关系，但是K空间的点阵与图像矩阵是一致的。K空间在频率编码方向上的采样点
数与磁共振图像频率编码方向上的采样点数与磁共振图像频率编码方向上真正的像素数目是一致的；而K空间在相位编码方向的点数(即相位编码线的数目)与图像在相位编码方向上的像素数目也是一样的。K空间的点阵越大，图像的像素越小，空间分辨率越高，则所需要采集的时间越多；反之，K空间的点阵越小，图像的像素越大，空间分辨率越低，则所需要采集的时间越少。当K空间中的所有矩阵位置均填充有数据时，此时该K空间数据为满采样数据，当K空间中部分矩阵位置填充有数据时，此时该K空间数据为欠采样数据。采集被测对象的欠采样数据，并基于神经网络模型重建与欠采样数据对应的恢复数据，可以提高磁共振成像速度。
[0030]其中，恢复数据可包括输入到目标神经网络模型中的欠采样数据和预测数据。其中，具体的，欠采样数据仅填充K空间的部分区域，预测数据填充至K空间中欠采样数据未填充的空白区域，即恢复数据填充K空间的区域大于输入到目标神经网络模型中的欠采样数据填充K空间的区域。在一个实施例中，可选的，预测数据填充K空间中欠采样数据未填充的部分空白区域或全部空白区域。其中，具体的，恢复数据可填充K空间绝大部分区域或者全部区域。
[0031本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磁共振图像的重建方法，其特征在于，包括：获取基于第二序列采集到的被测对象的欠采样数据，并将所述欠采样数据输入到训练完成的目标神经网络模型中，得到输出的恢复数据；基于所述恢复数据进行重建得到与所述被测对象对应的磁共振图像；其中，所述目标神经网络模型是根据基于第一序列采集到的样本满采样数据处理得到的第一样本欠采样数据和基于第二序列采集到的第二样本欠采样数据经过二次训练得到的。2.根据权利要求1所述的方法，其特征在于，还包括：根据所述第二序列的第二场景特征集，建立所述第一序列的第一场景特征集；其中，所述第一场景特征集与所述第二场景特征集中预设数量的场景特征信息不同；所述第二场景特征集中的场景特征信息包括对比度、线圈类型、被测对象、脉冲序列类型以及线圈与被测对象之间的相对位置中的一项或多项。3.根据权利要求2所述的方法，其特征在于，所述第二场景特征集中的被测对象包括胎儿，相应的，所述第一场景特征集中的被测对象为至少两种组织部位。4.根据权利要求2所述的方法，其特征在于，所述第二场景特征集中的脉冲序列类型为回波平面DWI脉冲序列，对应的，所述第一场景特征集中的脉冲序列类型为液体衰减反转恢复脉冲序列。5.根据权利要求2所述的方法，其特征在于，所述第二场景特征集中的脉冲序列类型为单脉冲快速自旋成像回波脉冲序列，对应的，所述第一场景特征集中的脉冲序列类型为多脉冲快速自旋成像回波脉冲序列。6.根据权利要求1所述的方法，其特征在于，所述目标神经网络模型的训练方法，包括：获取基于第一序列采集到的样本满采样数据，并根据所述样本满采样数据对初始神经网络模型进行初次训练，确定训练完成的预训练神经网络模型；获取基于第二序列采集到的第二样本欠采样数据，并根据所述第二样本欠采样数据对所述预训练神经网络模型进行再次训练，确定训练完成的目...

【专利技术属性】
技术研发人员：翟人宽，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：