磁共振成像方法和系统技术方案

本发明专利技术提供了一种磁共振成像方法，所述方法包括：使用预设采样模式获取对应K空间的欠采K空间数据；根据所述预设采样模式训练深度学习模型，使用训练获得的深度学习模型表征K空间中已采样点和未采样点间的映射关系，根据已获得的K空间数据和所述映射关系对所述K空间进行填充，获得完整K空间数据；对所述完整K空间数据进行逆傅立叶变换，获得磁共振图像。本发明专利技术提供的磁共振成像方法，由于利用的是欠采K空间数据，可以达到快速扫描、快速成像的目的；而且由于是对完整K空间数据进行逆傅立叶变换获得磁共振图像，因此避免了卷褶伪影，成像质量高。本发明专利技术还提供了一种磁共振成像系统。

【技术实现步骤摘要】
磁共振成像方法和系统
本专利技术涉及图像
，特别是涉及一种磁共振成像方法和系统。
技术介绍
K空间为磁共振图像原始数据的填充存储空间格式，K空间数据经逆傅立叶变换可获得重建磁共振图像。数据采集需满足奈奎斯特采样定理，因此需要采集许多条的相位编码线，以满足重建磁共振图像的需要，这样就严重影响了扫描速度。为了提高磁共振成像速度，快速成像技术广泛应用于磁共振成像中。该技术主要利用磁共振信号的稀疏性或接收线圈的敏感度信息，减少成像所必需的相位编码线数，获得更快的扫描速度。我们将减少了相位编码线数的K空间数据称为欠采K空间数据。然而若直接对欠采数据进行逆傅立叶变换，得到的磁共振图像有很强的卷褶伪影，严重影响成像质量。
技术实现思路
基于此，有必要针对使用欠采数据直接进行逆傅立叶变换，得到的磁共振图像有很强的卷褶伪影，影响成像质量的问题，提供一种磁共振成像方法和系统。一种磁共振成像方法，所述方法包括：使用预设采样模式获取对应K空间的欠采K空间数据；根据所述预设采样模式训练深度学习模型，使用训练获得的深度学习模型表征K空间中已采样点和未采样点间的映射关系，根据已获得的K空间数据和所述映射关系对所述K空间进行填充，获得完整K空间数据；对所述完整K空间数据进行逆傅立叶变换，获得磁共振图像。一种磁共振成像系统，所述系统包括：欠采K空间数据获取模块，用于使用预设采样模式获取对应K空间的欠采K空间数据；完整K空间数据获取模块，用于根据所述预设采样模式训练深度学习模型，使用训练获得的深度学习模型表征K空间中已采样点和未采样点间的映射关系，根据已获得的K空间数据和所述映射关系对所述K空间进行填充，获得完整K空间数据；逆傅立叶变换模块，用于对所述完整K空间数据进行逆傅立叶变换，获得磁共振图像。上述磁共振成像方法，根据预设采样模式训练深度学习模型，从而使用训练获得的深度学习模型估计K空间中已采样点和未采样点之间的映射关系，从而根据给映射关系填充K空间，获得完整K空间数据。最后对完整K空间数据进行逆傅立叶变换获得磁共振图像。由于利用的是欠采K空间数据，可以达到快速扫描、快速成像的目的；而且由于是对完整K空间数据进行逆傅立叶变换获得磁共振图像，因此避免了卷褶伪影，成像质量高。附图说明图1为一个实施例中磁共振成像方法的流程示意图；图2为一个实施例中K空间的示意图；图3为一个实施例中根据所述预设采样模式训练深度学习模型，使用训练获得的深度学习模型表征K空间中已采样点和未采样点间的映射关系，根据已获得的K空间数据和映射关系对K空间进行填充，获得完整K空间数据的步骤的流程示意图；图4为一个举例中用6个基向量表示一个一维向量的示意图；图5为一个实施例中使用稀疏自编码器求解用以表示欠采K空间数据的基向量的示意图；图6为一个实施例中磁共振成像系统的结构框图；图7为一个实施例中完整K空间数据获取模块的结构框图；图8为一个实施例中深度学习模型训练模块的结构框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。除非上下文另有特定清楚的描述，本专利技术中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本专利技术并不对此进行限定。本专利技术中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。如图1所示，在一个实施例中，提供了一种磁共振成像方法，该方法包括：步骤102，使用预设采样模式获取对应K空间的欠采K空间数据。可通过磁共振扫描仪获取欠采的K空间数据。预设采样模式可为任意的欠采采样模式，比如变密度随机采样模式。K空间为磁共振图像原始数据的填充存储空间格式，K空间数据经逆傅立叶变换可获得重建磁共振图像。如图2所示，假设全采的K空间为M×N的矩阵，行方向为频率编码方向，列方向为相位编码方向，只在相位编码方向欠采，没有采集的部分用0来填充。假设加速因子为2，则采集的数据为M/2行。其中，K空间中心数据（如图2中202部分，可为预设面积或预设行数构成的区域）为全采，其余部分欠采，对采样模式没有限制。例如图2所采用的采样模式是变密度采样，图2中白色表示采集的部分，黑色表示未采集（欠采）的部分。步骤104，根据预设采样模式训练深度学习模型，使用训练获得的深度学习模型表征K空间中已采样点和未采样点间的映射关系，根据已获得的K空间数据和映射关系对K空间进行填充，获得完整K空间数据。K空间数据具有对称性，而且各条相位编码线具有相关性，因此可利用已采数据估计未采数据，从而获得完整K空间数据。具体地，可使用欠采K空间数据训练深度学习模型，并使用训练获得的深度学习模型估计已采样点和未采样点间的映射关系，从而根据该映射关系和已采样数据可获得K空间中的未采样数据，并填入K空间中，从而可获得完整的K空间数据。在一个实施例中，根据预设采样模式训练深度学习模型的步骤包括：对K空间的全采中心数据按照预设采样模式进行欠采，获得欠采中心数据；用全采中心数据和欠采中心数据训练深度学习模型。本实施例中，采用欠采K空间数据本身进行训练，因为K空间的中心数据是全采的，对全采中心数据按与采集欠采K空间数据时相同的采样模式进行欠采集，这样就获得了对应全采中心数据的欠采中心数据。然后用K空间的全采中心数据和获得的欠采中心数据训练深度学习模型，从而可利用全采中心数据和欠采中心数据的对应关系，估计出K空间中已采样点和未采样点之间的映射关系，从而便于后续根据该映射关系获得完整K空间数据。在一个实施例中，根据预设采样模式训练深度学习模型的步骤包括：采集一组全采K空间数据；按照预设采样模式对全采K空间数据进行欠采，获得训练欠采数据；用全采K空间数据和训练欠采数据训练深度学习模型。本实施例中，先采集一组全采K空间数据，该全采K空间数据经傅立叶逆变换可以获得重建后的图像。用于采集欠采K空间数据时相同的采样模式对全采K空间数据进行欠采集，这样就获得了对应全采K空间数据的训练欠采数据。然后用全采K空间数据和训练欠采数据训练深度学习模型，从而可利用全采K空间数据和训练欠采数据的对应关系，估计出欠采K空间数据对应的K空间中已采样点和未采样点之间的映射关系，从而便于后续根据该映射关系获得完整K空间数据。深度学习（DeepLearning）是机器学习的一个分支，源于人工神经网络的研究，含有多隐层的多层感知器就是一种深度学习结构，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习模型需要多层来获得更抽象的特征表达。具体地，深度学习模型包括若干层，每一层包括若干神经元单元，每个神经元单元为一个运算单元，在每一层从这些神经元单元的输入端输入数据，神经元单元的输出端输出数据。宏观上来讲，从深度学习模型的第一层输入数据，然后从第一层开始将每一层输出的特征作为下一层的输入，逐层抽象，最终从最后一层输出数据。通过逐层的特征变换，将样本在原空间的特征表示变本文档来自技高网...

【技术保护点】
一种磁共振成像方法，所述方法包括：使用预设采样模式获取对应K空间的欠采K空间数据；根据所述预设采样模式训练深度学习模型，使用训练获得的深度学习模型表征K空间中已采样点和未采样点间的映射关系，根据已获得的K空间数据和所述映射关系对所述K空间进行填充，获得完整K空间数据；对所述完整K空间数据进行逆傅立叶变换，获得磁共振图像。

【技术特征摘要】
1.一种磁共振成像方法，所述方法包括：使用预设采样模式获取对应K空间的欠采K空间数据；根据所述预设采样模式训练深度学习模型；将所述欠采K空间数据输入训练获得的深度学习模型获得输出值，将所述输出值填入所述K空间中的对应位置，获得填充K空间数据；根据所述填充K空间数据和预设采样模式训练所述深度学习模型，继续执行将所述欠采K空间数据输入训练获得的深度学习模型获得输出值，将所述输出值填入所述K空间中的对应位置，获得填充K空间数据的步骤，直至满足迭代终止条件，将迭代终止后获得的所述填充K空间数据作为完整K空间数据；对所述完整K空间数据进行逆傅立叶变换，获得磁共振图像。2.根据权利要求1所述的方法，其特征在于，所述根据所述预设采样模式训练深度学习模型，包括：对K空间的全采中心数据按照所述预设采样模式进行欠采，获得欠采中心数据；用所述全采中心数据和所述欠采中心数据训练深度学习模型。3.根据权利要求1所述的方法，其特征在于，所述根据所述预设采样模式训练深度学习模型，包括：采集一组全采K空间数据；按照所述预设采样模式对全采K空间数据进行欠采，获得训练欠采数据；用所述全采K空间数据和所述训练欠采数据训练深度学习模型。4.根据权利要求1所述的方法，其特征在于，所述迭代终止条件包括：达到预设迭代次数或者本次迭代获得的填充K空间数据与上一次迭代获得的填充K空间数据间的误差小于误差阈值。5.根据权利要求1所述的方法，其特征在于，所述根据所述预设采样模式训练深度学习模型，包括：使用超完备基向量表示训练样本，所述训练样本包括全采数据和按照所述预设采样模式对所述全采数据进行欠采获得的欠采数据；将所述使用超完备基向量表示的训练样本输入所述深度学习模型的第一层，并从所述第一层开始，将所述深度学习模型每一层输出的特征作为下一层的输入从而对每一层进行训练，直至获得所述深度学习模型所有层的参数。6.一种磁共振成像系统，其特征在于，所述系统包括：欠采K空间数据获取模块，用于使用预设采样模式获取对应K空间的欠采...

【专利技术属性】
技术研发人员：梁栋，朱燕杰，朱顺，刘新，郑海荣，
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