一种基于解剖先验数据的磁共振成像图像重建方法技术

本发明专利技术涉及磁共振成像技术领域，尤其涉及一种基于解剖先验数据的磁共振成像图像重建方法，包括：获取训练数据，并将训练数据按解剖部位进行分类，针对每个解剖部位重建一个子成像模型；在实际扫描时，通过定位扫描或导航信号识别待成像的解剖部位，根据所识别的解剖部位选择对应的子成像模型，并使用所选的子成像模型来重建图像。本发明专利技术的有益效果在于：针对各个解剖部位进行图像重建，获得的磁共振图像具有更好的图像质量，比如噪声水平更低、伪影更少等；此外，对于相同的图像质量需要更少的磁共振成像数据，因此所需的扫描时间更少。因此所需的扫描时间更少。因此所需的扫描时间更少。

【技术实现步骤摘要】
一种基于解剖先验数据的磁共振成像图像重建方法


[0001]本专利技术涉及磁共振成像(Magnetic Resonance Imaging，MRI)
，尤其涉及一种基于解剖先验数据的磁共振图像重建方法。

技术介绍

[0002]随着医疗行业的快速发展，磁共振成像技术被广泛应用于各种疾病的临床诊断。磁共振成像系统获取的原始数据为频域空间的数据(即k空间数据)，通过一系列信号处理方法(即图像重建方法)将原始数据转换为磁共振图像。图像重建方法在一定程度上决定了磁共振图像的质量，尤其是为了节省扫描时间而只采集部分k空间数据时，图像重建方法对于获得高质量的图像尤为重要。
[0003]通常来说，可以结合先验知识来进行图像重建。现有的图像重建方法通常使用来自诸如接收线圈灵敏度(例如SENSE、GRAPPA等并行成像图像重建算法)和变换域数据稀疏性(例如压缩感知方法)之类的先验知识，但现有技术中未出现基于扫描的解剖方位分别进行图像重建的方法。

技术实现思路

[0004]针对现有技术中存在的上述问题，现提供一种磁共振成像图像重建方法。
[0005]具体技术方案如下：
[0006]本专利技术包括一种基于解剖先验数据的磁共振成像图像重建方法，在进行磁共振图像重建之前，预先针对目标对象的各个解剖部位形成多个对应的子成像模型，具体训练过程包括：
[0007]步骤A1，采集所述目标对象的训练数据，并将所述训练数据按所述目标对象的各个所述解剖部位划分为多个训练样本；
[0008]步骤A2，利用多个所述训练样本分别针对多个所述解剖部位建立模型，以针对每个所述解剖部位形成一个对应的所述子成像模型，以及针对每个所述解剖部位形成对应的参考图像；
[0009]还包括利用多个所述子成像模型进行磁共振图像重建过程，具体包括：
[0010]步骤B1，针对所述目标对象进行主扫描获取磁共振数据，并执行至少一次定位信息采集，将采集的所述定位信息与所述参考图像进行对比，以识别出当前扫描的所述解剖部位；
[0011]步骤B2，根据识别出的所述解剖部位，调取对应的所述子成像模型，利用所述子成像模型将所述磁共振数据重建为对应所述解剖部位的解剖图像；
[0012]步骤B3，将各个所述解剖部位对应的所述解剖图像合并形成所述目标对象的整体图像。
[0013]可选的，每一个所述训练样本包括一对通过从磁共振成像系统采集获取或者从磁共振成像的计算机仿真系统获取的训练图像和k空间训练数据，其中所述k空间训练数据作
为所述子成像模型的输入，所述训练图像作为所述子成像模型的输出。
[0014]可选的，在所述步骤A1中，获取所述训练数据的方法包括：
[0015]步骤A11，通过满采样方式采集原始k空间训练数据；
[0016]步骤A12，根据所述原始k空间训练数据形成第一训练图像；
[0017]步骤A13，将所述第一训练图像进行仿射变换得到第二训练图像；
[0018]步骤A14，通过降采样方式从所述第二训练图像中获取稀疏采样k空间数据作为最终输入所述子成像模型的所述k空间训练数据，并将所述第二训练图像作为所述子成像模型的输出。
[0019]可选的，所述步骤A2具体包括：
[0020]步骤A21，对所述第二训练图像进行图像配准及平均后得到所述参考图像；
[0021]步骤A22，将从所述步骤A14中获取的所述稀疏采样k空间数据作为所述k空间训练数据，将所述第二训练图像作为所述训练图像，每一对所述k空间训练数据和所述训练图像组成一个所述训练样本，用于训练对应的所述子成像模型。
[0022]可选的，所述训练样本中的所述k空间训练数据被完全采样或通过后处理进行欠采样。
[0023]可选的，其中所述k空间训练数据为二维数据或三维数据；
[0024]当所述k空间训练数据为所述二维数据时，每个所述解剖部位包括至少一个成像层面；
[0025]当所述k空间训练数据为所述三维数据时，每个所述解剖部位包括至少一个成像块。
[0026]可选的，所述训练数据的采样轨迹包括笛卡尔的采样轨迹或非笛卡尔的采样轨迹。
[0027]可选的，在所述步骤B1中，通过在执行所述主扫描之前执行至少一次定位扫描采集到所述定位信息，所述定位扫描的过程具体包括：
[0028]执行至少一次所述定位扫描获取定位图像，将所述定位图像与所述参考图像进行图像配准得到第一变换矩阵；
[0029]从磁共振成像系统获取所述定位扫描的扫描方位，得到所述定位扫描相对于所述主扫描的扫描方位的第二变换矩阵；
[0030]将所述第一变换矩阵和所述第二变换矩阵相乘得到第三变换矩阵，通过所述第三变换矩阵得到所述主扫描对应的所述解剖部位。
[0031]可选的，在所述步骤B1中，在执行所述主扫描的过程中采集导航信号，将所述导航信号通过逆傅立叶变换获得导航图像，并将所述导航图像和所述参考图像进行图像匹配得到第三变换矩阵，通过所述第三变换矩阵得到所述主扫描对应的所述解剖部位。
[0032]可选的，所述子成像模型采用的网络架构包括卷积神经网络和/或生成性对抗网络和/或自编码器。
[0033]可选的，在所述子成像模型的训练过程中，所述训练数据包含有各种病变情形的磁共振数据。
[0034]本专利技术的技术方案具有如下优点或有益效果：提供一种基于解剖先验数据的磁共振成像图像重建方法，利用各个解剖方位的磁共振数据训练针对各个解剖部位的子成像模
型，在后续的扫描过程中，利用这些子成像模型分别针对每个解剖部位的图像进行重建，从而获得更好的磁共振图像质量；同时，由于后续扫描过程中可以利用降采样的或信噪比较低的原始磁共振成像数据重建出质量更佳的磁共振图像，也有效地缩短了扫描时间。
附图说明
[0035]参考所附附图，以更加充分的描述本专利技术的实施例。然而，所附附图仅用于说明和阐述，并不构成对本专利技术范围的限制。
[0036]图1为本专利技术实施例中针对解剖部位训练子成像模型的原理示意图；
[0037]图2为本专利技术实施例中利用稀疏采样的k空间数据进行图像重建的流程示意图；
[0038]图3为本专利技术实施例中的模型训练流程以及图像重建流程的整体流程图；
[0039]图4为本专利技术实施例中针对各个解剖部位的子成像模型的训练流程图；
[0040]图5为本专利技术实施例中利用定位扫描识别解剖部位的原理示意图；
[0041]图6为本专利技术实施例中利用导航信号识别解剖部位的原理示意图。
具体实施方式
[0042]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作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]需要说明的是，在不冲突的情况下，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于解剖先验数据的磁共振成像图像重建方法，其特征在于，在进行磁共振图像重建之前，预先针对目标对象的各个解剖部位形成多个对应的子成像模型，具体训练过程包括：步骤A1，采集所述目标对象的训练数据，并将所述训练数据按所述目标对象的各个所述解剖部位划分为多个训练样本；步骤A2，利用多个所述训练样本分别针对多个所述解剖部位建立模型，以针对每个所述解剖部位形成一个对应的所述子成像模型，以及针对每个所述解剖部位形成对应的参考图像；还包括利用多个所述子成像模型进行磁共振图像重建过程，具体包括：步骤B1，针对所述目标对象进行主扫描获取磁共振数据，并执行至少一次定位信息采集，将采集的所述定位信息与所述参考图像进行对比，以识别出当前扫描的所述解剖部位；步骤B2，根据识别出的所述解剖部位，调取对应的所述子成像模型，利用所述子成像模型将所述磁共振数据重建为对应所述解剖部位的解剖图像；步骤B3，将各个所述解剖部位对应的所述解剖图像合并形成所述目标对象的整体图像。2.根据权利要求1所述的磁共振成像图像重建方法，其特征在于，每一个所述训练样本包括一对通过从磁共振成像系统采集获取或者从磁共振成像的计算机仿真系统获取的训练图像和k空间训练数据，其中所述k空间训练数据作为所述子成像模型的输入，所述训练图像作为所述子成像模型的输出。3.根据权利要求2所述的磁共振成像图像重建方法，其特征在于，在所述步骤A1中，获取所述训练数据的方法包括：步骤A11，通过满采样方式采集原始k空间训练数据；步骤A12，根据所述原始k空间训练数据形成第一训练图像；步骤A13，将所述第一训练图像进行仿射变换得到第二训练图像；步骤A14，通过降采样方式从所述第二训练图像中获取稀疏采样k空间数据作为最终输入所述子成像模型的所述k空间训练数据，并将所述第二训练图像作为所述子成像模型的输出。4.根据权利要求3所述的磁共振成像图像重建方法，其特征在于，所述步骤A2具体包括：步骤A21，对所述第二训练图像进行图像配准及平均后得到所述参考图像；步骤A22，将从所述步骤A14中获取...

【专利技术属性】
技术研发人员：刘懿龙，朱瑞星，
申请(专利权)人：杭州微影医疗科技有限公司，
类型：发明
国别省市：