【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 ...
【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
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。