【技术实现步骤摘要】
一种磁共振成像及斑块识别方法和装置
本申请属于图像处理
，尤其涉及一种磁共振成像及斑块识别方法和装置。
技术介绍
磁共振成像是一种较为先进的现代医学影像技术，在科学研究与临床诊断上具有及其重要的意义。然而，磁共振成像速度慢严重阻碍了磁共振成像技术的发展。磁共振血管壁成像是一种能够检测头颈一体化动脉血管壁和斑块的无创性影像手段，其成像速度和质量会影响对头颈部斑块的识别效果。目前所提出的磁共振成像技术一般仅是从调整成像的物理方法角度实现头颈一体化血管壁成像，这些方法很难达到高空间分辨率和低扫描时间，这样也就使得对头颈一体化血管壁成像中的斑块识别变得更为困难。针对如何通过磁共振成像技术进行高效的头颈部斑块成像和识别，目前尚未提出有效的解决方案。
技术实现思路
本申请目的在于提供一种磁共振成像及斑块识别方法和装置，可以实现将欠采样的图像转换为高分辨率的图像，并能从高分辨率的图像中准确识别出斑块的位置。本申请提供一种磁共振成像及斑块识别方法和装置是这样实现的：一种磁共振成像及斑块识别方法，所述方法包括：获取磁共振欠采样K空间数据；将所述磁共振欠采样K空间数据变换至图像域，...
【技术保护点】
1.一种磁共振成像及斑块识别方法，其特征在于，所述方法包括：获取磁共振欠采样K空间数据；将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。
【技术特征摘要】
1.一种磁共振成像及斑块识别方法，其特征在于，所述方法包括：获取磁共振欠采样K空间数据；将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像；通过预先建立的深度学习重建模型，对所述预处理图像进行重建，得到高分辨率的血管壁成像图像；通过预先建立的深度学习斑块识别模型，识别出所述高分辨率的血管壁成像图像中的斑块。2.根据权利要求1所述的方法，其特征在于，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像，包括：通过傅里叶逆变换，将所述磁共振欠采样K空间数据变换至图像域，得到预处理图像。3.根据权利要求1所述的方法，其特征在于，所述预先建立的深度学习重建模型对应的神经网络为密集连接网络，所述预先建立的深度学习重建模型对应的神经网络依次包括：第一卷积层、第一密集连接块、第一转换层、第二密集连接块，第二转换层、第三密集连接块、第三转换层、第四密集连接块、第四转换层、第五密集连接块、第五转换层和第二卷积层，其中，每个密集连接块中包括多个密集连接层，在每个密集连接块内每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。4.根据权利要求1所述的方法，其特征在于，按照如下方式建立所述深度学习重建模型：获取预先设计的深度学习重建模型；根据预先获取的样本和标签，对所述预先设计的深度学习重建模型进行训练；将训练得到的模型作为所述预先建立的深度学习重建模型；其中，所述样本为欠采样的血管壁图像，标签为与欠采样的血管壁图像对应的全采样的血管壁图像。5.根据权利要求1所述的方法，其特征在于，所述预先建立的深度学习斑块识别模型对应的神经网络依次包括：多个卷积层、池化层、第一残差块、多个卷积层、第二残差块、多个卷积层、第三残差块、多个卷积层、池化层、多个卷积层、池化层、多个全连接层。6.根据权利要求1所述的方法，其特征在于，按照如下方式建立所述深度学习斑块识别模型：获取预先设计的深度学习斑块识别模型；根据预先获取的样本和标签，对所述预先设计的深度学习斑块识别模型进行训练；将训练得到的模型作为所述预先建立的深度学习斑块识别模型；其中，所述样本为全采样的血管壁图像，所述标签为斑块的坐标信息。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述磁共振欠采样K空间数据为头颈联合的磁共振血管壁欠采样K空间数据。8.一种磁共振成像及斑块识别装置，其特征在于，包括：获取模块，用于获取磁共振欠采样K空间数据；变换模块，用于将所述磁共振欠采样K空间数据变换至图像域，得到预...
【专利技术属性】
技术研发人员：王珊珊，肖韬辉，郑海荣，刘新，梁栋，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44
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。