本发明专利技术提供一种磁共振图像生成方法、系统、终端及存储介质，包括：构建磁共振影像数据集；构建卷积神经网络模型；利用磁共振影像数据集对所述卷积神经网络模型进行训练，直至神经网络的代价函数收敛；将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型，生成多对比度的磁共振成像结果。本发明专利技术通过一种深度学习卷积神经网络模型U‑Net，实现从单一序列扫描的磁共振指纹(MRF)生成多对比度的磁共振图像，即扫描一次生成多种对比度的图像。这样不仅可很大程度降低扫描时间，而且还能降低磁共振成像的成本，使这一项技术的临床应用更加广泛。
A Method, System, Terminal and Storage Media for MR Image Generation
【技术实现步骤摘要】
一种磁共振图像生成方法、系统、终端及存储介质
本专利技术属于磁共振
，具体涉及一种磁共振图像生成方法、系统、终端及存储介质。
技术介绍
MRI(磁共振成像)是一种无创成像技术，可以在不使用有害的电离辐射(相比于X射线CT)的情况下生成三维详细的解剖图像，通常用于疾病检测、诊断和病情监测。它利用射频电磁波(RF，radiofrequency)对置于静磁场中的含有自旋不为零的原子核物质进行激发，发生核磁共振(NMR，NuclearMagneticResonance)，并用感应线圈采集磁共振信号，按一定后处理方法进行处理并最终成像。MRI特别适合于对非骨骼部位即身体的软组织进行成像。与计算机断层扫描(CT)不同，MRI不使用X射线等破坏性电离辐射。MRI的成像结果可以更清楚地看到大脑、脊髓及神经、肌肉韧带和肌腱、血管甚至局部代谢情况。MRI的一个广泛用途是脑部成像。因MRI可以区分白质和灰质，故其可以用于诊断脑动脉瘤和脑部肿瘤，同时，利用一些神经成像的方法，例如扩散加权成像，灌注成像。此外，MRI不使用有害的电离辐射，所以当诊断或治疗需要频繁成像时，它是理想的成像模式。虽然MRI具有诸多优良特性，然而磁共振图像的采集时间过长很大程度的限制了其临床应用(急诊扫描等)。磁共振的加速成像也成为了临床上的重要挑战的一个方向。目前的应用而言，临床磁共振一般会扫描T1加权成像，T2加权成像，FLAIR成像，Diffusion扩散成像等多个序列，每一个对比度成像时间从几十秒到数分钟不等，故总成像时间可达半小时。患者常需忍受在封闭空间内、高噪声中扫描最长半小时，且在腹部成像有时需要憋气以达到更好的成像效果。
技术实现思路
针对现有技术的上述不足，本专利技术提供一种磁共振图像生成方法、系统、终端及存储介质，以解决上述技术问题。第一方面，本专利技术提供一种磁共振图像生成方法，包括：构建磁共振影像数据集；构建卷积神经网络模型；利用磁共振影像数据集对所述卷积神经网络模型进行训练，直至神经网络的代价函数收敛；将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型，生成多对比度的磁共振成像结果。进一步的，所述构建磁共振影像数据集，包括：向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据；选择MRF磁共振参数为恒定的TR、TE和变化的激发角度，对应的T2加权成像为快速自旋回波序列；设定优先对磁共振指纹成像MRF数据进行归一化，并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理；将数据库划分为训练集、验证集和测试集。进一步的，所述利用磁共振影像数据集对所述卷积神经网络模型进行训练，直至神经网络的代价函数收敛，包括：将数据集中的所有数据投入模型训练100个循环；在每个训练循环结束时，采集卷积神经网络模型在测试集上的代价函数值；判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内：是，则判定所述模型此时处在欠拟合状态；否，则判定所述模型此时处在过拟合状态。进一步的，所述将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型，生成多对比度的磁共振成像结果，包括：根据磁共振成像仪器的扫描数据生成磁共振指纹MRF；将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。第二方面，本专利技术提供一种磁共振图像生成系统，包括：数据构建单元，配置用于构建磁共振影像数据集；模型构建单元，配置用于构建卷积神经网络模型；模型训练单元，配置用于利用磁共振影像数据集对所述卷积神经网络模型进行训练，直至神经网络的代价函数收敛；图像生成单元，配置用于将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型，生成多对比度的磁共振成像结果。进一步的，所述数据构建单元包括：数据存储模块，配置用于向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据；参数选择模块，配置用于选择MRF磁共振参数为恒定的TR、TE和变化的激发角度，对应的T2加权成像为快速自旋回波序列；处理设置模块，配置用于设定优先对磁共振指纹成像MRF数据进行归一化，并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理；数据划分模块，配置用于将数据库划分为训练集、验证集和测试集。进一步的，所述模型训练单元包括：循环设置模块，配置用于将数据集中的所有数据投入模型训练100个循环；参数采集模块，配置用于在每个训练循环结束时，采集卷积神经网络模型在测试集上的代价函数值；差值判断模块，配置用于判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内；第一判定模块，配置用于判定所述模型此时处在欠拟合状态；第二判定模块，配置用于判定所述模型此时处在过拟合状态。进一步的，所述图像生成单元包括：指纹生成模块，配置用于根据磁共振成像仪器的扫描数据生成磁共振指纹MRF；图像生成模块，配置用于将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。第三方面，提供一种终端，包括：处理器、存储器，其中，该存储器用于存储计算机程序，该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。本专利技术的有益效果在于，本专利技术提供的磁共振图像生成方法、系统、终端及存储介质，通过一种深度学习卷积神经网络模型U-Net，实现从单一序列扫描的磁共振指纹(MRF)生成多对比度的磁共振图像，即扫描一次生成多种对比度的图像。这样不仅可很大程度降低扫描时间，而且还能降低磁共振成像的成本，使这一项技术的临床应用更加广泛。此外，本专利技术设计原理可靠，结构简单，具有非常广泛的应用前景。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例的方法的示意性流程图。图2是本专利技术一个实施例的方法的模型示意图。图3是本专利技术一个实施例的方法的模型训练流程图。图4是本专利技术一个实施例的方法的图像生成流程图。图5是本专利技术一个实施例的系统的示意性框图。图6为本专利技术实施例提供的一种终端的结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。下面对本专利技术中出现的关键术语进行解释。图1是本专利技术一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种磁共振图像生成系统。如图1所示，该方法100包括：步骤110，构建磁共振影像数据集；步骤120，构建卷积神经网络模型本文档来自技高网...
【技术保护点】
1.一种磁共振图像生成方法，其特征在于，包括：构建磁共振影像数据集；构建卷积神经网络模型；利用磁共振影像数据集对所述卷积神经网络模型进行训练，直至神经网络的代价函数收敛；将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型，生成多对比度的磁共振成像结果。
【技术特征摘要】
1.一种磁共振图像生成方法，其特征在于，包括：构建磁共振影像数据集；构建卷积神经网络模型；利用磁共振影像数据集对所述卷积神经网络模型进行训练，直至神经网络的代价函数收敛；将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型，生成多对比度的磁共振成像结果。2.根据权利要求1所述的磁共振图像生成方法，其特征在于，所述构建磁共振影像数据集，包括：向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据；选择MRF磁共振参数为恒定的TR、TE和变化的激发角度，对应的T2加权成像为快速自旋回波序列；设定优先对磁共振指纹成像MRF数据进行归一化，并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理；将数据库划分为训练集、验证集和测试集。3.根据权利要求1所述的磁共振图像生成方法，其特征在于，所述利用磁共振影像数据集对所述卷积神经网络模型进行训练，直至神经网络的代价函数收敛，包括：将数据集中的所有数据投入模型训练100个循环；在每个训练循环结束时，采集卷积神经网络模型在测试集上的代价函数值；判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内：是，则判定所述模型此时处在欠拟合状态；否，则判定所述模型此时处在过拟合状态。4.根据权利要求1所述的磁共振图像生成方法，其特征在于，所述将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型，生成多对比度的磁共振成像结果，包括：根据磁共振成像仪器的扫描数据生成磁共振指纹MRF；将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。5.一种磁共振图像生成系统，其特征在于，包括：数据构建单元，配置用于构建磁共振影像数据集；模型构建单元，配置用于构建卷积神经网络模型；模型训练单元，配置用于利用磁共振影像数据集对所述卷积神经网络模型进行训练，...
【专利技术属性】
技术研发人员：闵垚森，
申请(专利权)人：山东颐邦齐鲁医生集团管理有限公司，
类型：发明
国别省市：山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。