动态磁共振成像方法、装置、重建计算机及磁共振系统制造方法及图纸

本发明专利技术实施例提供一种动态磁共振成像方法、装置、重建计算机及磁共振系统。本发明专利技术实施例通过获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度，对于多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列，能够在高倍数加速和保证成像质量的情况下提高动态磁共振成像的重建速度。

【技术实现步骤摘要】
动态磁共振成像方法、装置、重建计算机及磁共振系统
本专利技术涉及医学成像
，尤其涉及一种动态磁共振成像方法、装置、重建计算机及磁共振系统。
技术介绍
动态MRI(MagneticResonanceImaging，磁共振成像)是一种利用磁共振设备采集多个时间点(或称时间帧)的图像以捕捉组织或者器官的动态变化过程的成像手段。动态MRI作为一类非常重要的磁共振成像方法，目前已经在临床上获得较为广泛的应用，其中主要包括心脏功能检查、动态对比增强扫描、血流成像、功能磁共振成像以及介入性磁共振成像等。加速数据采集速度并且保证成像质量一直以来都是动态磁共振成像中需要解决的关键性问题。相关技术中采用加速成像策略，通过减少一定倍数的数据采集量提高采集速率，同时保证一定的重建图像质量。然而，相关技术虽然能够在高加速倍数下一定程度上改善重建图像质量，但是重建时间过长，重建速度慢，尚不适用于临床。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供了一种动态磁共振成像方法、装置、重建计算机及磁共振系统，提高动态磁共振成像的重建速度。根据本专利技术实施例的第一方面，提供一种动态磁共振成像方法，包括：获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据；所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。根据本专利技术实施例的第二方面，提供一种动态磁共振成像装置，包括：数据获取模块，用于获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；初步重建模块，用于对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；优化模块，用于将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。根据本专利技术实施例的第三方面，提供一种重建计算机，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，所述外部接口，用于连接磁共振系统的数据采集器，所述数据采集器用于采集磁共振信号并将所述磁共振信号转换为对应的K空间数据；所述存储器，用于存储动态磁共振成像逻辑对应的机器可读指令；所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。根据本专利技术实施例的第四方面，提供一种磁共振系统，包括扫描计算机、磁共振设备和重建计算机，其中：所述扫描计算机，用于生成扫描协议，并发送给所述磁共振设备；所述磁共振设备，用于根据所述扫描协议对受检者进行磁共振扫描，在扫描过程中，根据预设采样轨迹对受检者进行动态磁共振降采样，得到所述受检者的多个时间帧的K空间数据；所述重建计算机，用于：获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。本专利技术实施例提供的技术方案可以包括以下有益效果：本专利技术实施例，通过获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据，所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列，能够在高倍数加速和保证成像质量的情况下缩短动态磁共振成像的整体重建运算时间，提高了动态磁共振成像的重建速度，可适用于临床。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。图1是本专利技术实施例提供的动态磁共振成像方法的流程示例图。图2是变密度采样轨迹的示例图。图3是构建采样轨迹的示例图。图4是相位编码行扩展的示意图。图5是本专利技术实施例提供的动态磁共振成像装置的功能方块图。图6是本专利技术实施例提供的重建计算机的一个硬件结构图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术实施例的一些方面相一致的装置和方法的例子。在本专利技术实施例使用的术语是仅仅出于描述特定本专利技术实施例的目的，而非旨在限制本专利技术实施例。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本专利技术实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本专利技术实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。近年来，针对动态磁共振成像，研究者们提出了一系列的加速成像策略，通过减少一定倍数的数据采集量以提高采集速率，同时保证一定的重本文档来自技高网...

【技术保护点】
1.一种动态磁共振成像方法，其特征在于，包括：/n获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据；所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；/n对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；/n将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。/n

【技术特征摘要】
1.一种动态磁共振成像方法，其特征在于，包括：
获取根据预设采样轨迹对受检者进行动态磁共振降采样得到的多个时间帧的K空间数据；所述预设采样轨迹中，K空间中间区域的采样密度大于K空间外周区域的采样密度；
对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像；
将所述多个时间帧对应的所有初步重建图像组成的初步图像序列，输入预先训练好的深度学习网络模型，得到所述深度学习网络模型优化后输出的目标图像序列。


2.根据权利要求1所述的方法，其特征在于，所述预设采样轨迹中，采集密度从K空间中间区域到K空间外周区域逐渐减小。


3.根据权利要求1所述的方法，其特征在于，对于所述多个时间帧中的每一时间帧，采用预先设定的重建算法对所述时间帧的K空间数据进行重建，得到所述时间帧对应的初步重建图像，包括：
对于所述多个时间帧中的每一时间帧，将所述每一时间帧的前m个时间帧对应的K空间数据和所述每一时间帧的后m个时间帧对应的K空间数据填充到所述每一时间帧中，得到所述每一时间帧对应的第一目标时间帧；m为自然数；
将所述第一目标时间帧对应的K空间数据中的每条相位编码行扩展为由多个相位编码行组成的K空间区段，得到所述每一时间帧对应的第二目标时间帧；
对所述第二目标时间帧进行傅里叶变换，得到所述每一时间帧对应的初步重建图像。


4.根据权利要求1所述的方法，其特征在于，所述深度学习网络模型的训练方法包括：
设置深度学习网络模型，以及设置所述深度学习网络模型的初始参数值；
获得若干组样本数据，每组样本数据包括输入初步图像序列和标签图像序列，所述输入初步图像序列中的图像为根据所述预先设定的重建算法重建得到的图像，所述标签图像序列中的图像为所述输入初步图像序列中的相应图像对应的满采样图像；
利用所述训练数据对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型。


5.根据权利要求4所述的方法，其特征在于，所述深度学习网络模型包括保真模块，所述保真模块用于对多通道K空间数据进行保真约束。


6.根据权利要求4所述的方法，其特征在于，利用所述训练数据对所述深度学习网络模型进行训练，得到训练好的深度学习网络模型，包括：
在训练过程中，第1组训练数据对应的深度学习网络模型的参数值为所述初始参数值，第j组训练数据对应的深度学习网络模型的参数值为经第j-1组训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组训练数据，执行如下操作：
将该组训练数据中的输入初步图像序列输入该组训练数据对应的深度学习网络模型，得到该组训练数据对应的输出初步图像序列；
将所述输出初步图像序列与该组训练数据中的标签图像序列输入预先构建的损失函数，获得所述损失函数的函数值；
通过反向传播法将所述函数值返回到深度学习网络模型的各层，对深度学习网络模型的参数值差异进行修正；
确定当前是否符合预设的收敛条件，若符合则...

【专利技术属性】
技术研发人员：孙爱琦，李翠萍，陈名亮，
申请(专利权)人：上海东软医疗科技有限公司，东软医疗系统股份有限公司，
类型：发明
国别省市：上海;31