【技术实现步骤摘要】
本专利技术涉及核磁共振成像，尤其涉及一种前瞻性欠采样mri dixon数据的快速重建方法及系统。
技术介绍
1、核磁共振成像（mri）是一种多参数、多对比度以及多序列的医学成像方式。mridixon成像技术是一种重要的核磁共振成像技术，它在脂肪定量等方面具有重要作用，但存在固有的核磁共振成像时间过长的问题。在mri dixon成像技术中，三点式mri dixon成像技术虽能有效克服磁场不均匀性带来的问题，获得更高质量的dixon图像，但这也增加了扫描时间，可能导致被扫描人员的不适并引入运动伪影。
2、深度学习网络或卷积神经网络，目前主要被应用在mri dixon水脂分离矫正、mridixon快速重建和mri dixon腹部脂肪定量技术中；但目前的技术存在以下问题：尚没有针对mri dixon数据特点设计的深度学习重建网络专利技术；现存的专利技术是一种既可以用于mri dixon水脂分离矫正又可以实现mri dixon快速重建的通用型深度学习网络，适用于mri dixon水脂分离矫正这样的图像分割任务，而非mri dixon快速重建这样的图像重建任务；此外，它是一种单分支的深度学习网络结构，mri dixon的幅值和相位信息由同一深度学习网络进行处理，这不利于mri dixon数据的精确重建；同时，目前无论是基于深度学习网络的mri dixon水脂分离矫正技术还是mri dixon快速重建技术，尚没有技术利用预先获得的被测物体轮廓信息来加速深度学习重建网络的收敛并提高网络重建质量。
技术实现
1、鉴于上述问题，本专利技术提供了一种前瞻性欠采样mri dixon数据的快速重建方法及系统，以期至少能够解决上述问题之一。
2、根据本专利技术的第一个方面，提供了一种前瞻性欠采样mri dixon数据的快速重建方法，包括：
3、通过在mri系统内放置磁兼容的深度相机和相对标记物捕捉被测量部位的轮廓信息，或通过卷积神经网络处理混叠的欠采样mri dixon数据，得到被测量部位的轮廓信息；
4、通过归一化操作和数据增强操作对轮廓信息和与轮廓信息相对应的前瞻性欠采样mri dixon数据进行预处理，得到预处理后的前瞻性欠采样mri dixon数据和预处理后的轮廓信息；
5、利用训练完成的mri dixon幅度重建网络对预处理后的前瞻性欠采样mri dixon数据的幅度信息进行处理，得到前瞻性欠采样mri dixon数据的幅度重建图像；
6、将预处理后的前瞻性欠采样mri dixon数据的相位信息和预处理后的轮廓信息进行像素级的乘法操作和自适应通道选择操作，得到具有相位信息和轮廓信息增强融合后的特征；
7、利用训练完成的mri dixon相位重建网络对具有相位信息和轮廓信息的增强融合特征进行处理，得到前瞻性欠采样mri dixon数据的相位重建图像，其中，训练完成的mridixon幅度重建网络和训练完成的mri dixon相位重建网络基于u-net深度卷积神经网络进行构建并形成并行的双分支结构；
8、利用幅度重建图像和相位重建图像，得到重建的前瞻性欠采样mri dixon复数数据，并将重建的前瞻性欠采样mri dixon的k空间数据和前瞻性欠采样mri dixon的k空间数据进行数据一致性操作，得到前瞻性欠采样mri dixon数据的快速重建结果，其中，重建的前瞻性欠采样mri dixon的k空间数据通过对重建的前瞻性欠采样mri dixon复数数据进行傅里叶变换操作得到，前瞻性欠采样mri dixon的k空间数据直接从mri系统中采集得到。
9、根据本专利技术的第二个方面，提供了一种前瞻性欠采样mri dixon数据的快速重建系统，包括：
10、轮廓信息获取模块，用于通过在mri系统内放置磁兼容的深度相机和相对标记物捕捉被测量部位的轮廓信息，或通过卷积神经网络处理混叠的欠采样mri dixon数据，得到被测量部位的轮廓信息；
11、数据预处理模块，用于通过归一化操作和数据增强操作对轮廓信息和与轮廓信息相对应的前瞻性欠采样mri dixon数据进行预处理，得到预处理后的前瞻性欠采样mridixon数据和预处理后的轮廓信息；
12、幅度重建模块，用于利用训练完成的mri dixon幅度重建网络对预处理后的前瞻性欠采样mri dixon数据的幅度信息进行处理，得到前瞻性欠采样mri dixon数据的幅度重建图像；
13、轮廓融合模块，用于将预处理后的前瞻性欠采样mri dixon数据的相位信息和预处理后的轮廓信息进行像素级的乘法操作和自适应通道选择操作，得到具有相位信息和轮廓信息增强融合后的特征；
14、相位重建模块，用于利用训练完成的mri dixon相位重建网络对具有相位信息和轮廓信息的增强融合特征进行处理，得到前瞻性欠采样mri dixon数据的相位重建图像，其中，训练完成的mri dixon幅度重建网络和训练完成的mri dixon相位重建网络基于u-net深度卷积神经网络进行构建并形成并行的双分支结构；
15、数据一致性模块，用于利用幅度重建图像和相位重建图像，得到重建的前瞻性欠采样mri dixon复数数据，并将重建的前瞻性欠采样mri dixon的k空间数据和前瞻性欠采样mri dixon的k空间数据进行数据一致性操作，得到前瞻性欠采样mri dixon数据的快速重建结果，其中，重建的前瞻性欠采样mri dixon的k空间数据通过对重建的前瞻性欠采样mri dixon复数数据进行傅里叶变换操作得到，前瞻性欠采样mri dixon的k空间数据直接从mri系统中采集得到。
16、根据本专利技术的第三个方面，提供了一种mri dixon幅度重建网络和mri dixon相位重建网络的训练方法，包括：
17、通过在mri系统内放置磁兼容的深度相机和相对标记物捕捉被测量部位的轮廓信息样本，或通过卷积神经网络处理混叠的欠采样mri dixon数据样本，得到被测量部位的轮廓信息样本；
18、基于预设采样模式和预设采样率构建回顾性欠采样模板，利用回顾性欠采样模板对从mri系统直接获取的全采样mri dixon的k空间数据样本进行欠采样操作和反傅里叶变换操作，得到回顾性欠采样mri dixon数据样本，其中，预设采样模式包括笛卡尔采样模式、径向采样模式和高斯采样模式；
19、通过归一化操作和数据增强操作对全采样mri dixon数据样本、回顾性欠采样mridixon数据样本以及轮廓信息样本进行数据样本预处理，其中，全采样mri dixon数据样本通过对全采样mri dixon的k空间数据样本进行反傅里叶变换操作得到；
20、基于第一u-net构建mri dixon幅度重建网络并利用mri dixon幅度重建网络处理预处理后的回顾性欠采样mri dixon数据样本的幅度信息，生成近似无伪影的幅度重建图像；
2本文档来自技高网...
【技术保护点】
1.一种前瞻性欠采样MRI Dixon数据的快速重建方法，其特征在于，包括：
2.一种前瞻性欠采样MRI Dixon数据的快速重建系统，其特征在于，包括：
3.一种MRI Dixon幅度重建网络和MRI Dixon相位重建网络的训练方法，其特征在于，包括：
4.根据权利要求3所述的方法，其特征在于，还包括：
5.根据权利要求3所述的方法，其特征在于，通过在MRI系统内放置磁兼容的深度相机和相对标记物捕捉被测量部位的轮廓信息样本，或通过卷积神经网络处理混叠的欠采样MRI Dixon数据样本，得到所述被测量部位的轮廓信息样本包括：
6.根据权利要求3所述的方法，其特征在于，通过归一化操作和数据增强操作对所述全采样MRI Dixon数据样本、所述回顾性欠采样MRI Dixon数据样本以及所述轮廓信息样本进行数据样本预处理包括：
7.根据权利要求3所述的方法，其特征在于，基于第一U-Net构建所述MRI Dixon幅度重建网络并利用所述MRI Dixon幅度重建网络处理预处理后的回顾性欠采样MRI Dixon数据样本
8.根据权利要求3所述的方法，其特征在于，将预处理后的轮廓信息样本与所述预处理后的回顾性欠采样MRI Dixon数据样本的相位信息进行融合增强，得到无随机相位效应的欠采样相位信息包括：
9.根据权利要求3所述的方法，其特征在于，基于第二U-Net构建所述MRI Dixon相位重建网络并利用所述MRI Dixon相位重建网络处理所述无随机相位效应的欠采样相位信息，生成近似无伪影的相位重建图像包括：
10.根据权利要求3所述的方法，其特征在于，利用所述近似无伪影的幅度重建图像和所述近似无伪影的相位重建图像得到重建的回顾性欠采样MRI Dixon复数数据样本，并将重建的回顾性欠采样MRI Dixon的K空间数据样本与回顾性欠采样MRI Dixon的K空间数据样本进行数据一致性操作，得到所述回顾性欠采样MRI Dixon数据样本的快速重建结果包括：
...【技术特征摘要】
1.一种前瞻性欠采样mri dixon数据的快速重建方法，其特征在于，包括：
2.一种前瞻性欠采样mri dixon数据的快速重建系统，其特征在于，包括：
3.一种mri dixon幅度重建网络和mri dixon相位重建网络的训练方法，其特征在于，包括：
4.根据权利要求3所述的方法，其特征在于，还包括：
5.根据权利要求3所述的方法，其特征在于，通过在mri系统内放置磁兼容的深度相机和相对标记物捕捉被测量部位的轮廓信息样本，或通过卷积神经网络处理混叠的欠采样mri dixon数据样本，得到所述被测量部位的轮廓信息样本包括：
6.根据权利要求3所述的方法，其特征在于，通过归一化操作和数据增强操作对所述全采样mri dixon数据样本、所述回顾性欠采样mri dixon数据样本以及所述轮廓信息样本进行数据样本预处理包括：
7.根据权利要求3所述的方法，其特征在于，基于第一u-net构建所述mri dixon幅度重建网络并利用所述m...
【专利技术属性】
技术研发人员：宋梦蝶，邱本胜，郝小涵，祁甫浪，罗鹏辉，郭哲宇，
申请(专利权)人：中国科学技术大学先进技术研究院，
类型：发明
国别省市：
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。