[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109658471B - 一种医学图像重建方法和系统 - Google Patents

一种医学图像重建方法和系统 Download PDF

Info

Publication number
CN109658471B
CN109658471B CN201811564525.2A CN201811564525A CN109658471B CN 109658471 B CN109658471 B CN 109658471B CN 201811564525 A CN201811564525 A CN 201811564525A CN 109658471 B CN109658471 B CN 109658471B
Authority
CN
China
Prior art keywords
space data
data
neural network
space
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811564525.2A
Other languages
English (en)
Other versions
CN109658471A (zh
Inventor
李国斌
刘楠
宗金光
黄小倩
廖术
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201811564525.2A priority Critical patent/CN109658471B/zh
Publication of CN109658471A publication Critical patent/CN109658471A/zh
Priority to US16/390,284 priority patent/US10803631B2/en
Application granted granted Critical
Publication of CN109658471B publication Critical patent/CN109658471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/482—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a Cartesian trajectory
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/4824—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a non-Cartesian trajectory
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/421—Filtered back projection [FBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请实施例公开了一种医学图像重建方法。所述方法包括：对K空间进行采样处理，得到第一K空间数据；对所述第一K空间数据进行轨迹调整，得到第二K空间数据；利用重建模块对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

Description

一种医学图像重建方法和系统
技术领域
本申请涉及图像处理领域，特别涉及一种医学图像重建方法和系统。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)是一种强大的医用成像模式，利用磁共振现象进行成像，具有非侵入性、无电离、辐射等特点，其所获得的图像具有清晰、精细、分辨率高、对比度好等特点。MRI可应用于人体解剖结构、生理功能、血流和代谢信息的成像等领域。然而，MRI的成像速度较慢，检查一次约为几分钟至十几分钟，这极大的限制了图像的时间和空间分辨率。因此，有必要提出一种图像重建方法，减少成像时间并提高成像质量。
发明内容
本申请实施例之一提供一种医学图像重建方法。所述方法包括：对K空间进行采样处理，得到第一K空间数据；对所述第一K空间数据进行轨迹调整，得到第二K空间数据；利用重建模块对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述重建模块中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法或压缩感知方法。
在一些实施例中，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。
在一些实施例中，所述轨迹调整包括：利用非神经网络的数据处理方式，包括但不限于部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。
本申请实施例之一提供一种轨迹调整确定方法。所述方法包括：获取多个初始K空间数据；对所述初始K空间数据进行采样处理，得到第一K空间数据；利用至少一种轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据；基于所述第二K空间数据和初始K空间数据，获得至少一个初始轨迹优化模型，所述初始轨迹优化模型为神经网络模型或神经网络模型与非神经网络模型的混合模型，基于所述初始化轨迹优化模型获得对应的轨迹调整方法的误差，将所述最小误差对应的轨迹调整方法作为确定的轨迹调整方法。
在一些实施例中，所述基于所述初始化优化轨迹模型获得对应的轨迹调整方法的误差，包括：基于所述第二K空间数据和初始K空间数据生成至少一个训练集，所述一个训练集对应一种轨迹调整方法；利用所述训练集对至少一个初始模型进行训练，得到对应的神经网络模型；基于至少一个神经网络模型，获得每个神经网络模型的训练误差，将所述训练误差作为对应的轨迹调整方法的误差。
在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述初始轨迹优化模型中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法、部分傅里叶方法或压缩感知方法。
在一些实施例中，所述对所述初始K空间数据进行采样处理包括：利用预设采样轨迹对初始K空间数据进行处理，所述预设采样轨迹包括但不限于笛卡尔采样轨迹、螺旋采样轨迹或径向采样轨迹。
在一些实施例中，所述轨迹调整方法为非机器学习的数据处理方式，包括但不限于：部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。
本申请实施例之一提供一种轨迹优化模型训练方法。所述方法包括：获取多个初始K空间数据；对所述初始K空间数据进行采样处理，得到第一K空间数据；利用轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据；基于所述第二K空间数据和初始K空间数据，生成训练集；利用所述训练集对初始模型进行训练，得到轨迹优化模型。
本申请实施例之一提供一种医学图像重建系统。所述系统包括：采样模块，用于对K空间进行采样处理，得到第一K空间数据；调整模块，用于对所述第一K空间数据进行轨迹调整，得到第二K空间数据；重建模块，用于对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述重建模块中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法或压缩感知方法。
在一些实施例中，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。
在一些实施例中，所述调整模块用于利用非神经网络的数据处理方式，包括但不限于部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。
本申请实施例之一提供一种医学图像重建装置。所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现医学图像重建方法。
本申请实施例之一提供一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现医学图像重建方法。
本申请实施例之一提供一种轨迹调整确定装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现轨迹调整确定方法。
本申请实施例之一提供一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现轨迹调整确定方法。
本申请实施例之一提供一种轨迹优化模型训练装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现轨迹优化模型训练方法。
本申请实施例之一提供一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现轨迹优化模型训练方法。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1所示为基于本申请一些实施例中示例磁共振成像系统的示意图；
图2A所示为基于本申请一些实施例中示例磁共振成像系统的示意图；
图2B所示为基于本申请一些实施例中具有处理模块的示例计算机设备的示例硬件和/或软件组件的示意图；
图3为根据本申请一些实施例中磁共振成像的示例性流程图；
图4为根据本申请一些实施例所示的医学图像重建系统的模块图；
图5为根据本申请一些实施例所示的医学图像重建方法的示例性流程图；
图6为根据本申请一些实施例所示的轨迹调整确定方法的示例性流程图；
图7为根据本申请一些实施例所示的轨迹优化模型训练方法的示例性流程图；
图8为根据本申请一些实施例所示的利用不同采样方法获得的K空间数据分布示意图；
图9为根据本申请一些实施例所示的利用不同采样方法获得的K空间数据分布示意图；
图10为根据本申请一些实施例所示的经过轨迹调整处理前后的K空间数据分布示意图；
图11为根据本申请一些实施例所示的经过轨迹调整处理前后的K空间数据分布示意图；
图12为根据本申请一些实施例所示的经过轨迹调整处理前后的K空间数据分布示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1所示为基于本申请一些实施例中示例磁共振成像系统100的示意图。
如图1所示，磁共振成像系统100可以包括MRI扫描仪110、控制模块120、处理模块130和显示模块140。MRI扫描仪110可以包括磁体模块111和RF模块112。磁体模块111可以包括一个主磁场发生器和/或一个梯度磁场发生器(未在图1中标示)。所述主磁场发生器可以包括在MRI过程中产生静磁场B0的主磁体。所述主磁体可以采用永磁体、超导电磁体、电阻电磁体等。所述梯度磁场发生器可以在X、Y和/或Z方向上产生磁场梯度。如本申请所述，所述X方向也可以被称为读出(RO)方向，所述Y方向也可以被称为相位编码(PE)方向，所述Z方向也可以被称为层面选择(SS)方向。在本申请中，读出方向和频率编码方向可以互换使用。所述梯度磁场可以编码位于MRI扫描仪110中的某个目标主体(受检者)的空间信息。RF模块112可以包括RF发射线圈和/或接收线圈，其中：所述RF发射线圈可以发射RF信号(或称为射频脉冲)，以激发受检者感兴趣区域，产生回波信号(spin echo)；所述RF接收线圈可以接收感兴趣区域发射的回波信号。在一些实施例中，所述RF信号可以是30°脉冲信号、40°脉冲信号、60°脉冲信号等。在一些实施例中，磁体模块111和/或RF模块112的功能、尺寸、类型、几何形状、位置、数量可以根据一个或多个特定条件来确定或改变。例如，根据功能和尺寸的差异，所述RF线圈可以分为体线圈和局部线圈。在本申请的一些实施例中，所述体线圈可以设置为鸟笼线圈、横向电磁线圈、鞍形线圈、赫姆赫兹线圈等。在本申请的一些实施例中，所述局部线圈可以包括相控阵列线圈、环状线圈等。在一些实施例中，可以将磁体模块111和RF模块112设计成围绕一个目标主体的形式，形成隧道式MRI扫描仪(例如，封闭式MRI扫描仪)或开放式MRI扫描仪(例如，开放孔式MRI扫描仪)。
控制模块120可以控制MRI扫描仪110中的磁体模块111和/或RF模块112、处理模块130和/或显示模块140。控制模块120可以从MRI扫描仪110、处理模块130和/或显示模块140处接收信息。控制模块120可以发送信息至MRI扫描仪110、处理模块130和/或显示模块140。根据本申请的一些实施例，控制模块120可以从显示模块140处接收命令，所述命令可以由用户提供，并根据所述命令调整磁体模块111和/或RF模块112对应的扫描参数对感兴趣的区域成像。处理模块130可以处理从不同模块处接收到的不同种类的信息。
为了进一步理解本申请，下面对几个实施例进行具体描述，本申请中的实施例并不构成对本申请的限定。例如，在一些实施例中，处理模块130可以处理从RF模块112处接收到的MR信号，基于所述MR信号生成一个或多个MR图像，并将一个或多个所述MR图像发送至显示模块140。在一些实施例中，处理模块130可以通过显示模块140处理由用户或操作者输入的数据，将所述数据转换为特定命令，并将所述命令提供给控制模块120。显示模块140可以接收输入和/或显示输出信息。所述输入和/或输出信息可以包括程序、软件、算法、数据、文本、数字、图像、语音等的一种或几种的组合。例如，用户或操作者可以通过输入一个或多个初始参数或条件启动扫描。在本申请中，除非明确提示例外情形，用户和操作者可以互换使用。又例如，信息可以从外部源导入，所述外部源包括，例如，软盘、硬盘、无线终端等的一种或几种的组合。在一些实施例中，控制模块120、处理模块130和/或显示模块140可以集成于MRI控制台。操作者可以在MRI扫描过程中设置参数，控制成像程序，查看通过所述MRI控制台生成的图像。
需要注意的是，以上对于MRI系统100的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解本申请后，可能在不背离这一原理的情况下，对实施上述方法和系统的应用领域形式和细节上进行各种修正和改变。例如，MRI系统100的配置和/或功能可以根据具体实施情况而改变。仅仅作为示例，MRI系统100可以进一步包括其它组件，例如，患者定位模块、梯度放大器模块和其它设备或模块。值得注意的是，MRI系统可以是传统的或单模式的医疗系统，或是包括例如正电子发射断层摄影-磁共振成像(PET-MRI)系统、远程医疗MRI系统等的多模式系统。然而，这些修正和改变仍在以上描述的范围之内。
图2A所示为基于本申请一些实施例中示例磁共振成像系统的示意图。
如图2A所示，主磁体201可以产生主磁场(B0场)，并将所述主磁场作用于暴露在所述主场内的物体(或称为目标对象)上。梯度线圈202可以位于主磁体201所限定的圆筒内。梯度线圈202可以产生第二磁场(也可称为梯度场)。梯度线圈202可以包括三组线圈，即X梯度线圈、Y梯度线圈和/或Z梯度线圈(未在图2A中标示)。在一些实施例中，所述Z梯度线圈可以基于圆形(Maxwell)线圈设计，X梯度线圈和Y梯度线圈可以基于鞍座(Golay)线圈的配置设计。所述三组线圈可以产生用于位置编码的三种不同磁场。梯度线圈202可以将MR信号的空间编码用于图像构造。梯度线圈202可以与X梯度放大器204、Y梯度放大器205或Z梯度放大器206中的一个或多个连接。所述三个放大器中的一个或多个可以与波形发生器216连接。波形发生器216可以产生作用于X梯度放大器204、Y梯度放大器205和/或Z梯度放大器206的梯度波形。所述放大器可以放大波形。放大后的波形可以作用于梯度线圈202中三组线圈中的一组，从而分别在X轴、Y轴或Z轴方向上产生磁场。梯度线圈202可以应用在封闭式MRI扫描仪或开放式MRI扫描仪上。在某些情况下，梯形线圈202的所有三组线圈，可以产生三个梯度场。在本申请的一些实施例中，激发X梯度线圈和Y梯度线圈，可以在X方向和Y方向上产生梯度场。
RF线圈203可以产生第三磁场，所述第三磁场可以产生图像重建所需的MR信号。在某些情况下，RF线圈203可以包括发射线圈和接收线圈(未在图2A中标示)。在一些实施例中，RF线圈203可以与RF电子设备209连接，形成一个或多个用于波形发射器和/或波形接收器的集成电路(IC)。RF电子设备209可以与RF放大器207和模拟-数字转换器(ADC)208连接。波形发生器216可以产生脉冲波形。所述脉冲波形可以经RF放大器207放大，并且在被作用于RF线圈203之前由RF电子设备209处理，产生经过放大的脉冲信号。在本申请的一些实施例中，波形发生器216可以周期性地或恒定地产生一系列脉冲波形。
所述RF信号可以用于产生第三磁场。通过应用一个或多个梯度场，例如X方向上的梯度场，可以生成一个或多个MR信号。例如，可以生成具有多个回波的回波链。所述回波链长度(ETL)可以是恒定的或变化的。例如，对于需要成像的相同的组织，ETL可以是固定的，对于不同的组织，ETL可以是不同的。此外，即使对于相同的组织，ETL也可以是变化的。RF线圈203的接收线圈可以接收回波链。然后，可以将所述回波链发送至RF电子设备209，并将其传送至ADC 208进行数字化处理。RF电子设备209可以对回波链进行解调和滤波。随后，图像处理器21可以在例如CPU213的辅助下，对所述回波链进行处理，生成一个或多个图像。控制台214可以通过链接与CPU 213进行通信，并向一个或多个操作者提供界面，所述界面可以控制图像显示器212上图像的生成和/或显示。控制台214可以包括输入设备和控制面板等(未在图2A中标示)。输入设备可以包括键盘、触摸屏、鼠标、遥控器等的一种或几种的组合。
CPU 213可以控制波形发生器216中波形的产生和图像处理器211中图像的生成。CPU 213可以是中央处理单元(central processing unit，CPU)、专用集成电路(application-specific integrated circuit，ASIC)、专用指令集处理器(anapplication-specific instruction-set processor，ASIP)、图形处理单元(graphicsprocessing unit，GPU)、物理处理单元(physics processing unit，PPU)、微控制器单元、数字信号处理器(igital signal processor，DSP)、现场可编程门阵列、ARM等的一种或几种的组合。
数据存储器215可以存储接收到的MR信号。当MRI扫描完成时，可以获取扫描对象(例如，某个器官组织或身体某个特定部位)的数据。所述数据的傅立叶变换可以通过但不限于CPU 213、图像处理器211等的一种或几种的组合执行。当傅立叶变换完成后，可以生成关于扫描对象的一个或多个图像。数据存储器215可以存储所述关于扫描对象的一个或多个图像。所述关于扫描对象的一个或多个图像可以进一步被传送到图像显示器212进行显示。
在一些实施例中，补偿控制器210可以用于控制由主场和匀场线圈201产生的主磁场的均匀性。
需要注意的是，以上对于MRI系统的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解本申请后，可能在不背离这一原理的情况下，对实施上述方法和系统的应用领域形式和细节上进行各种修正和改变。但这些修正和改变仍在以上描述的范围内。
图2B所示为基于本申请一些实施例中具有处理模块的示例计算机设备的示例硬件和/或软件组件的示意图。
如图2B所示，计算机设备200可以包括一个处理器250、一个存储器260、一个输入/输出界面(I/O)270和一个通信端口280。
处理器250可以根据本申请所述的技术，执行计算机指令(例如，程序代码)以及执行处理模块130的功能。所述计算机指令可以包括执行本申请所述的特定功能的例程、程序、对象、组件、数据结构、过程、模块和功能等。例如，处理器250可以处理从MRI扫描仪110、数据存储器215、MRI系统100和/或MRI系统200的其它组件处获得图像数据。在一些实施例中，处理器250可以包括一个或多个硬件处理器，例如，微控制器、微处理器、精简指令集计算机(reduced instruction set computer，RISC)、专用集成电路(application specificintegrated circuits，ASIC)、专用指令集处理器(application-specific instruction-set processor，ASIP)、中央处理单元(central processing unit，CPU)、图形处理单元(graphics processing unit，GPU)、物理处理单元(physics processing unit，PPU)、微控制器单元、数字信号处理器(digital signal processor，DSP)、现场可编程门阵列(fieldprogrammable gate array，FPGA)、高级RISC机(ARM)、可编程逻辑器件(programmablelogic device，PLD)、可执行一个或多个功能的电路或处理器等的一种或几种的组合。
仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应当注意的是本申请所述的计算设备200也可以包括多个处理器，因此本申请所述的一个处理器所执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如，如本申请所述，计算机设备200的处理器可以执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算机设备200中的两个或多个不同的处理器联合地或单独地执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或第一处理器和第二处理器共同执行步骤A和步骤B)。
存储器260可以存储从MRI扫描仪110、处理模块130、数据存储器215、MRI系统100和/或MRI系统200中的其它组件处获得数据/信息。在一些实施例中，存储器260可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等的一种或几种的组合。例如，所述大容量存储器可以包括磁盘、光盘、固态驱动器等。所述可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。所述易失性读写存储器可以包括随机存取存储器(RAM)。所述RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。所述ROM可以包括掩膜ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能磁盘ROM等。在一些实施例中，为了执行本申请中所述的示例性方法，存储器260可以存储一个或多个程序和/或指令。例如，存储器260可以存储处理模块130中的程序，所述程序用于确定正则化项目。
I/O 270可以输入和/或输出信号、数据和信息等。在一些实施例中，I/O 270可以将用户与处理模块130连接起来。在一些实施例中，I/O 270可以包括输入设备和输出设备。所述输入设备可以包括键盘、鼠标、触摸屏、麦克风等的一种或几种的组合。所述输出设备可以包括显示设备、扬声器、打印机、投影仪等的一种或几种的组合。所述显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲幕、电视设备、阴极射线管(CRT)、触摸屏等的一种或几种的组合。
为了便于数据通信，通讯端口280可以与网络连接。通讯端口280可以在处理模块130和MRI扫描仪110、控制模块120和/或显示模块140之间建立连接。所述连接可以是有线连接、无线连接、其它可以传输和/或接收数据的通信连接等的一种或几种的组合。所述有线连接可以包括例如电缆、光缆、电话线等的一种或几种的组合。所述无线连接可以包括例如Bluetooth TM链接、Wi-Fi TM链接、WiMax TM链接、WLAN链接、ZigBee链接、移动网络链接(例如，3G、4G、5G等)等的一种或几种的组合。在一些实施例中，通讯端口280可以是标准化通讯端口，例如RS232、RS485等。在一些实施例中，通讯端口280可以是专门设计的通讯端口。例如，可以根据医学数字成像和通信(DICOM)协议设计通讯端口280。
图3所示为基于本申请一些实施例中磁共振成像的示例性的流程图。
在一些实施例中，MRI系统100中的一个或多个组件可以执行或实施方法300中的至少一部分。
在301中，可以选择一个或多个协议。协议可以用于对一个或多个组织成像、诊断疾病和/或配置临床情景。协议可以包括在不同平面定向的和/或具有不同参数的一定数量的脉冲序列。所述脉冲序列可以包括自旋回波序列、梯度回波序列、稳态自由进动序列、反转恢复序列等的一种或几种的组合。自旋回波序列可以包括快速自旋回波(fast spinecho，FSE)、半傅立叶采集单速涡轮自旋回波(half-Fourier acquisition single-shotturbo spin-echo，HASTE)、涡轮梯度自旋回波(turbo gradient spin echo，TGSE)等的一种或几种的组合。当进行MR扫描时，操作员可以选择扫描的协议。例如，对于颅扫描，操作者可以选择包括“常规成人脑(Routine Adult Brain)”或“Willis磁共振血管造影圈(MRAngiogram Circle of Willis)”、“血管增强扫描”或“磁化率定量”等之一的协议。上述协议或其它协议可以存储在如图2所示的数据存储器215或其它存储设备中(例如，外部存储设备或MR系统100可以访问的服务器等)。
在302中，可以设置一个或多个参数。通过控制台214，所述参数可以通过用户界面设置，用户界面可以显示在例如如图2所示的图像显示器212上。所述参数可以包括图像对比度和/或图像比率、感兴趣区域(ROI)、层面厚度、成像类型(例如，T1加权成像、T2加权成像、质子密度加权成像等)、T1、T2、自旋回波类型(自旋回波、快速自旋回波(FSE)、快速恢复FSE、单次FSE、梯度回波序列、稳态进动快速成像等)、翻转角值、采集时间(TA)、回波时间(TE)、重复时间(TR)、回波链长度(ETL)、激励次数(NEX)、反转时间、带宽(例如，RF接收器带宽、RF发射器带宽等)等的一种或几种的组合。
需要注意的是，以上对于MRI系统100的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解本申请后，可能在不背离这一原理的情况下，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。例如，回波链中的相位数可以是一个、两个、三个、多个、或等于回波的数量。在一些实施例中，多个回波可以位于一个相位中，其余的回波属于一个或多个其他相位，或不属于任何相位。然而，这些修正和改变仍在以上描述的范围内。
在303中，准备MR扫描。所述准备可以包括在扫描区域内定位目标主体(例如，选定部分感兴趣对象)、设置扫描范围、调整和匹配匀场线圈、调整中心频率、调整发射器衰减/增益、调整接收信号衰减/增益、设置虚拟周期等的一种或几种的组合。
在304中，扫描感兴趣对象的所选部分。所述扫描可以包括定位器扫描、平行成像校准扫描、自动预扫描等的一种或几种的组合。例如，所述定位器扫描可以产生低分辨率和大视野(FOV)的定位图像。所述定位图像可以在随后的步骤中使用。在此步骤中，可以在所选部分上施加脉冲序列，所述脉冲序列可以包括例如RF信号。在一些实施例中，所选部分可以包括血管区域和出血灶区域。
MRI是一种非侵入性成像技术，通过使用一个强大的主磁场使目标主体(或其中一部分)的核自旋保持一致。当目标主体暴露在磁场(例如，主磁场B0)中时，目标主体的核自旋趋向于与主磁场B0一致，但仍以拉莫频率进动。目标主体中的核自旋的总体运动受制于主磁场B0，可以表示为净磁化强度(M)，所述净磁化强度(M)是多个单核自旋的平均值。净磁化强度M可以包括纵向分量(沿Z轴与主磁场B0一致)和横向分量(在XY平面内，垂直于主磁场B0)。通过主磁场B0的作用，在宏观视图中M可以构成纵向磁化向量。以拉莫频率振荡的第二磁场，即RF场B1，可以作用于净磁化强度M，使净磁化M偏离主磁场B0方向。通过RF场B1的激励作用，净磁化强度M的纵向分量可能减小，并可能出现净磁化强度M的横向分量。仅作为示例，如果施加具有30°翻转角的RF信号，当RF发射器关闭时，净磁化强度M包含纵向分量和横向分量。横向磁化可以激发RF接收线圈中的电流信号，所述电流信号可以被称为MR信号。基于本申请其它部分所述的一个或多个梯度场，根据在步骤301中选择的脉冲序列，所述MR信号可以对应于一个或多个回波链，所述回波链可以包括例如一个或多个回波信号。
在305中，接收产生的MR信号。如图2所示，RF线圈203可以执行步骤305。所述MR信号可以相当于一个或多个回波信号等。所述回波信号可以包括一个或多个特征成分，例如，第一特征成分和第二特征成分。所述第一特征成分可以是幅值信息(例如，幅值)。所述第二特征成分可以是相位信息(例如，相位)和/或幅值信息(例如，幅值)。值得注意的是，步骤305和步骤304可以重复执行，直到获得足够的用于生成图像的数据或者生成图像。对MR信号执行一个或多个操作生成所选部分的图像。所述操作可以进一步包括数据的傅立叶变换(FT)、频率编码、相位编码等的一种或几种的组合。所述操作可以包括将MR信号的数据填充到傅立叶域(也可以称为空间频率空间、k空间)中。例如，傅立叶变换可以是快速傅立叶变换(FFT)、二维FT、三维FT等的一种或几种的组合。在306中，生成所选部分的一个或多个图像。图像可以显示在例如图像显示器212(如图2所示)或其他显示装置(例如，外部显示装置)上。
需要注意的是，以上对于流程图的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解本申请后，可能在不背离这一原理的情况下，对实施上述方法和系统的应用领域形式和细节上进行各种修正和改变。然而，这些修正和改变仍在以上描述的范围内。例如，步骤301、步骤302和步骤303可以以不同于图3所示的顺序执行。或者，步骤301、步骤302和步骤303可以同时执行。
图4是基于本申请一些实施例所示的医学图像重建系统的模块图。
如图4所示，医学图像重建系统400可以包括：采样模块410，调整模块420和重建模块430。在一些实施例中，采样模块410，调整模块420和重建模块430可以包含在图1所示的处理模块130中。
采样模块410，用于对K空间进行采样处理，得到第一K空间数据。
在一些实施例中，所述采样模块410可以用于利用预设采样轨迹对K空间进行处理，所述预设采样轨迹包括但不限于笛卡尔采样轨迹、螺旋采样轨迹或径向采样轨迹。
在一些实施例中，第一K空间数据即为对K空间进行采样处理后得到的K空间数据。
在一些实施例中，可以采用一种或任意几种采样轨迹的组合对K空间进行采样处理。在一些实施例中，采样轨迹可以包括不等间隔采样轨迹或等间隔采样轨迹。不等间隔采样轨迹可以包括螺旋轨迹、径向轨迹、随机轨迹、变密度螺旋轨迹、对数螺旋轨迹等中一种或任意几种的组合。螺旋轨迹可以包括恒定角速度螺旋轨迹、恒定线速度螺旋轨迹、交错螺旋轨迹等。例如，当采样交错螺旋轨迹进行K采样处理时，可以按照一定的角度间隔，将单支螺旋轨迹整体绕K空间的原点进行旋转，形成多支交错在一起的螺旋轨迹。又例如，可以在K空间的一个圆形域内使用均匀密度的阿基米德螺旋，在圆外改用变密度的对数螺旋。等间隔采样轨迹可以包括笛卡尔采样轨迹等。
在一些实施例中，所述采样处理的采样方式可以包括局部满采样方式、局部欠采样方式和/或全局欠采样方式。
在一些实施例中，满采样方式可以为采样轨迹的分布密度高于或者等于奈奎斯特采样定理的采样要求。欠采样方式可以为采样轨迹的分布密度小于奈奎斯特采样定理的采样要求。在一些实施例中，当利用对数螺旋轨迹对K空间进行采样处理时，可以对K空间的中心区(低频区)进行局部满采样，在K空间的高频区进行局部欠采样。
调整模块420，用于对所述第一K空间数据进行轨迹调整，得到第二K空间数据。
在一些实施例中，所述调整模块420可以用于利用非神经网络的数据处理方式，包括但不限于部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。非神经网络的数据处理方式是指可以利用具体的方法对K空间数据进行相应的处理，例如，可以采用部分傅里叶成像方法对K空间数据进行处理。
在一些实施例中，所述调整模块420可以利用神经网络的数据处理方法，对第一K空间数据进行轨迹调整，得到轨迹调整后的K空间数据。神经网络的处理方式是指利用机器学习的方式对K空间数据进行相应的处理。例如，可以采用深度学习模型对K空间数据进行处理。
重建模块430，用于对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
在一些实施例中，当重建模块中仅包括神经网络模型来进行K空间数据的重建处理时，所述训练集可以包括第一K空间参考数据和对应的经过数据重建后的图像数据。在一些实施例中，所述第一K空间参考数据可以是成像质量较好的K空间数据。成像质量较好可以是第一K空间参考数据对应的图像数据获得的伪影小、信噪比高、分辨率高、对比度高等一种或者任意几种情况的组合。例如，训练集T1为{(D1，D1’)，(D2，D2’)，…}，其中，D1为第一K空间参考数据，D1’为D1经过数据重建后的图像数据，D2为第一K空间参考数据，D2’为D2经过数据重建后的图像数据，通过训练集T1训练得到神经网络模型S1，当获取到第一K空间数据D3并输入到神经网络模型S1时，神经网络S1的输出数据为重建后的图像数据D3’。
在一些实施例中，重建模块仅包括非神经网络模型来进行K空间数据的重建处理时，所述重建模块中包括数据重建算法，所述数据重建算法可以包括并行成像方法或、压缩感知方法、部分傅里叶成像方法、网格化方法等一种或任意几种的组合。所述重建模块对K空间数据进行重建处理，得到重建后的图像数据。
在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述重建模块中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法或压缩感知方法。
在一些实施例中，当重建模块中包括神经网络模型和非神经网络模型来进行K空间数据的重建处理时，训练集可以包括多个第一K空间参考数据和对应的选定的参考数据。所述选定的参考数据为成像质量较好的数据。同时，设定所述非神经网络模型，例如，可以设置所述非神经网络模型的相关参数，所述相关参数可以根据实际应用情况进行设置。通过将所述多个第一K空间参考数据作为输入数据，将对应的选定的参考数据作为输出数据，训练得到所述重建模块。
在一些实施例中，当重建模块中包括神经网络模型和非神经网络模型来进行K空间数据的重建处理时，训练集可以包括多个第一K空间参考数据和对应选定的第二K空间参考数据。所述第二K空间参考数据为所述第一K空间参考数据通过轨迹调整得到的最优K空间数据。所述最优K空间数据可以是成像质量较好的K空间数据。例如，训练集T2为{(D4，D4’)，(D5，D5’)，…}，其中，D4和D5分别为第一K空间参考数据，D4’和D5’为经过通过轨迹调整得到的最优K空间数据，通过训练集T2训练得到神经网络模型S2，当第一K空间数据D6通过不同的轨迹调整分别得到K空间数据Da和K空间数据Db，将获取到的第一K空间数据D6并输入到神经网络模型S2时，神经网络S2的输出数据为最优K空间数据Da。在一些实施例中，数据重建算法可以采用并行成像方法、压缩感知方法、部分傅里叶方法、网格化方法等。需要说明的是，本申请对数据重建算法采用的方法不做限定，只需采用具体的方法对K空间数据进行处理，得到成像质量高的重建图像数据即可。
数据重建可以实现的有益效果包括：实现磁共振图像的有效信息的恢复，例如，去除由于K空间欠采样导致的混叠伪影，抑制由于MR信号T2、T2*衰减、运动造成的伪影，降低磁共振图像的噪声、获得更高的信号噪声比、提高图像的组织对比度等。
在一些实施例中，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。
在一些实施例中，所述神经网络模型可以为机器学习模型。机器学习模型可以包括：深度信念网络模型、VGG卷积神经网络、OverFeat、R-CNN、SPP-Net、Fast R-CNN、FasterR-CNN、R-FCN、DSOD等。所述初始模型可以具有多个初始模型参数，例如，学习率，超参数等。所述初始模型参数可以是系统的默认值，也可以根据实际应用情况进行调整修改。所述初始模型的训练过程可以从现有技术中找到，在此不在赘述。当满足某一预设条件时，例如，训练样本数达到预定的数量，模型的检测正确率大于某一预定准确率阈值，或损失函数(Loss Function)的值小于某一预设值，训练过程停止，训练完成后获取到神经网络模型。
应当理解，图4所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图4中披露的采样模块410，调整模块420和重建模块430可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，采样模块410和调整模块420可以是两个模块，也可以是一个模块同时具有采样和调整图像的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。
图5为根据本申请一些实施例所示的医学图像重建方法的示例性流程图。
步骤501，对K空间进行采样处理，得到第一K空间数据。
在一些实施例中，第一K空间数据即为对K空间进行采样处理后得到的K空间数据。
在一些实施例中，K空间可包括全采样区域和欠采样区域。全采样区域的K空间填充位点完全填充，即全采样，欠采样区域部分K空填充位点填充数据、部分K空间填充位点未填充数据。例如，全采样区域为K空间中的部分区域，且周期全采样区域的全部K空间填充位点填充K空间数据，而欠采样区域分别位于全采样区域的两侧。全采样区域和欠采样区域可交错或间隔分布。
在一些实施例中，可以利用预设采样轨迹对K空间进行处理，所述预设采样轨迹包括但不限于笛卡尔采样轨迹、螺旋采样轨迹或径向采样轨迹。需要说明的是，本申请对采样轨迹不做具体的限定，对采样轨迹的更多说明可以参见图4，在此不再赘述。
图8为根据本申请一些实施例所示的利用不同采样方法获得的K空间数据分布示意图。在一些实施例中，对K空间利用笛卡尔采样轨迹进行采样处理，当采样方式为满采样时，K空间数据分布如图8a所示。当采样方式为欠采样时，可以分别在K空间的x轴和y轴方向进行欠采样，例如，在K空间的x轴和y轴方向进行欠采样时，K空间数据的分布分别如图8b和图8c所示。
图9为根据本申请一些实施例所示的利用不同采样方法获得的K空间数据分布示意图。在一些实施例中，对K空间利用笛卡尔采样轨迹进行采样处理，当采样方式为在K空间的x轴和y轴的任意一个方向随机欠采样时，K空间数据分布如图9a所示。当采样方式为在K空间的x轴和y轴的两个方向随机欠采样时，K空间数据分布如图9b所示。在一些实施例中，对K空间利用径向采样轨迹进行采样处理，当采样方式为在K空间的角度方向随机欠采样时，K空间数据分布如图9c所示。
步骤503，对所述第一K空间数据进行轨迹调整，得到第二K空间数据。
在一些实施例中，第二K空间数据即为对所述第一K空间数据进行轨迹调整后得到的K空间数据。
在一些实施例中，可以利用非神经网络的数据处理方式，包括但不限于部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。非神经网络的数据处理方式是指可以利用具体的方法对K空间数据进行相应的处理，例如，可以采用压缩感知成像方法对K空间数据进行处理。
在一些实施例中，可以利用神经网络的数据处理方法，对第一K空间数据进行轨迹调整，得到轨迹调整后的K空间数据。神经网络的处理方式是指利用机器学习的方式对K空间数据进行相应的处理。例如，可以采用深度学习模型对K空间数据进行处理。
图10根据本申请一些实施例所示的经过轨迹调整处理前后的K空间数据分布示意图。在一些实施例中，可以利用部分傅里叶成像方法对K空间数据进行轨迹调整处理。如图10a所示，原K空间采样轨迹即经过轨迹调整处理前的K空间数据分布中，K空间中心采样密度高，四周随机或者规则欠采样，如图10b所示，经过部分傅里叶成像方法处理后，K空间中心高采样密度的区域获得了扩大。
图11根据本申请一些实施例所示的经过轨迹调整处理前后的K空间数据分布示意图。
在一些实施例中，可以利用并行成像方法对K空间数据进行轨迹调整处理。如图11a所示，原K空间采样轨迹即经过轨迹调整处理前的K空间数据分布中，K空间部分区域进行了规则欠采样，四周随机或者规则欠采样，如图11b所示，经过并行成像方法处理后，K空间部分区域的数据密度获得了扩大。
图12根据本申请一些实施例所示的经过轨迹调整处理前后的K空间数据分布示意图。在一些实施例中，可以利用并行成像方法以及网格化方法对K空间数据进行轨迹调整处理。如图12a所示，原K空间采样轨迹即经过轨迹调整处理前的K空间数据分布中，K空间部分区域进行了径向采样，如图12b所示，经过并行成像方法以及网格化方法处理后，K空间部分的采样轨迹部分转换为笛卡尔采样轨迹。
步骤505，利用重建模块对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
在一些实施例中，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。在一些实施例中，所述样本数据可以为K空间数据或K空间数据对应的图像数据，所述期望数据为样本数据经过数据重建算法处理后的得到数据。关于模型训练的更多描述可以参见图4的相关说明，在此不再赘述。
基于上述实施例，使得K空间数据经过采样处理，缩短了成像时间，通过对经过采样处理后K空间数据进行轨迹调整处理，使得经过数据重建处理得到的图像质量更好。
在一些实施例中，流程500可以通过处理逻辑来执行，该处理逻辑可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图5所示的用于医学图像重建的流程500中的一个或多个操作可以通过图1所示的磁共振图成像系统实现。例如，流程500可以以指令的形式存储在处理模块130中，并由控制模块120执行调用和/或执行。
需要注意的是，以上描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可以在不背离这一原理的情况下，对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。
图6为根据本申请一些实施例所示的轨迹调整确定方法600的示例性流程图。
步骤602，获取多个初始K空间数据。
在一些实施例中，初始K空间数据可以是成像质量较好的K空间数据。例如，全采样的K空间数据、平均次数较多的K空间数据、图像信噪比较高的K空间数据、空间分辨率较高的K空间数据。需要说明的是，本申请对初始K空间数据的获取方式不做限定，只需获得成像质量较好的K空间数据即可。成像质量较好可以是初始K空间数据对应的成像数据获得的伪影小、信噪比高、分辨率高、对比度高等一种或者任意几种情况的组合。
步骤604，对所述初始K空间数据进行采样处理，得到第一K空间数据。
在一些实施例中，第一K空间数据即为初始K空间数据经过采样处理后的K空间数据。
在一些实施例中，所述对所述初始K空间数据进行采样处理对所述多个参考数据进行采样处理包括：利用预设采样轨迹对初始K空间数据进行处理，所述预设采样轨迹包括但不限于笛卡尔采样轨迹、螺旋采样轨迹或径向采样轨迹。需要说明的是，对初始K空间数据进行采样处理可以参考图4中对K空间数据进行采样处理的描述，在此不再赘述。
步骤606，利用至少一种轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据。
在一些实施例中，第二K空间数据即为第一K空间数据经过轨迹调整方法处理后的K空间数据。
在一些实施例中，所述预设的轨迹调整方法为非神经网络的数据处理方式，包括但不限于：部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。非神经网络的数据处理方式是指可以利用具体的方法对K空间数据进行相应的处理，例如，可以采用并行成像方法对K空间数据进行处理。
在一些实施例中，可以利用神经网络的数据处理方法，对第一K空间数据进行轨迹调整，得到轨迹调整后的K空间数据。神经网络的处理方式是指利用机器学习的方式对K空间数据进行相应的处理。例如，可以采用深度学习模型对K空间数据进行处理。
步骤608，基于所述第二K空间数据和初始K空间数据，获得至少一个初始轨迹优化模型，所述初始轨迹优化模型为神经网络模型或神经网络模型与非神经网络模型的混合模型，基于所述初始化轨迹优化模型获得对应的轨迹调整方法的误差，将所述最小误差对应的轨迹调整方法作为确定的轨迹调整方法。
在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述初始轨迹优化模型中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法、部分傅里叶方法或压缩感知方法。
在一些实施例中，所述基于所述初始化优化轨迹模型获得对应的轨迹调整方法的误差，包括(说明书附图中未示出)：
步骤6081，基于所述第二K空间数据和初始K空间数据基于多个参考数据和对应的轨迹调整后的K空间数据生成至少一个训练集，所述一个训练集对应一种轨迹调整方法。
在一些实施例中，可以利用至少一种轨迹调整方法初始K空间数据进行处理，得到对应的第二K空间数据。在一些实施例中，训练集中可以包括初始K空间数据和利用一种轨迹调整方法处理后得到第二K空间数据。基于多种轨迹调整方法，可以得到多个训练集。例如，训练集A1中包括初始K空间数据和利用并行成像方法处理后得到的K空间数据，训练集A1对应的轨迹调整方法即为并行成像方法。又例如，训练集A2中包括初始K空间数据和利用压缩感知方法处理后得到的K空间数据，训练集A2对应的轨迹调整方法即为压缩感知方法。
步骤6083，利用所述训练集对至少一个初始模型进行训练，得到对应的神经网络模型。
在一些实施例中，利用至少一个训练集对一个初始模型进行训练，得到对应的神经网络模型，所述神经网络包含在对应的初始化轨迹调整模型中。例如，基于步骤6081得到训练集A1和训练集A2，分别对初始模型进行训练，得到神经网络模型B1和神经网络模型B2，神经网络模型B1和神经网络模型B2分别包含在对应的初始化轨迹调整模型M1和初始化轨迹调整模型M2中。
步骤6085，基于至少一个神经网络模型，获得每个神经网络模型的训练误差，将所述训练误差作为对应的轨迹调整方法的误差。
在一些实施例中，所述训练误差可以为训练集中的初始K空间数据与神经网络模型的输出的差异。训练误差的计算形式可以根据实际应用情况进行选择，本申请对训练误差的计算形式不做具体的限定，例如，可以是均方误差(mean-square error，MSE)或其他计算形式。
在一些实施例中，可以将所述最小误差对应的轨迹调整方法作为确定的轨迹调整方法。例如，基于步骤6083得到的神经网络模型B1和神经网络模型B2的训练误差为t1和t2，当t1大于t2时，选取初始化轨迹调整模型M2对应的压缩感知方法为轨迹调整方法。
基于上述实施例，可以利用不同的轨迹调整方法对K空间数据进行处理，并将得到的K空间数据进行模型训练，基于模型误差来选择最优的轨迹调整方法，提高了轨迹调整处理的效率。
图7为根据本申请一些实施例所示的轨迹优化模型训练方法700的示例性流程图。
步骤702，获取多个初始K空间数据。
在一些实施例中，初始K空间数据可以是成像质量较好的K空间数据。例如，全采样的K空间数据、平均次数较多的K空间数据、图像信噪比较高的K空间数据、空间分辨率较高的K空间数据。需要说明的是，本申请对初始K空间数据的获取方式不做限定，只需获得成像质量较好的K空间数据即可。成像质量较好可以是初始K空间数据对应的成像数据获得的伪影小、信噪比高、分辨率高、对比度高等一种或者任意几种情况的组合。
步骤704，对所述初始K空间数据进行采样处理，得到第一K空间数据。
在一些实施例中，第一K空间数据即为初始K空间数据经过采样处理后的K空间数据。
在一些实施例中，所述对所述初始K空间数据进行采样处理对所述多个参考数据进行采样处理包括：利用预设采样轨迹对初始K空间数据进行处理，所述预设采样轨迹包括但不限于笛卡尔采样轨迹、螺旋采样轨迹或径向采样轨迹。需要说明的是，对初始K空间数据进行采样处理可以参考图4中对K空间数据进行采样处理的描述，在此不再赘述。
步骤706，利用轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据。
在一些实施例中，第二K空间数据即为第一K空间数据经过轨迹调整方法处理后的K空间数据。
在一些实施例中，所述预设的轨迹调整方法为非神经网络的数据处理方式，包括但不限于：部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。非神经网络的数据处理方式是指可以利用具体的方法对K空间数据进行相应的处理，例如，可以采用并行成像方法对K空间数据进行处理。
在一些实施例中，可以利用神经网络的数据处理方法，对第一K空间数据进行轨迹调整，得到轨迹调整后的K空间数据。神经网络的处理方式是指利用机器学习的方式对K空间数据进行相应的处理。例如，可以采用深度学习模型对K空间数据进行处理。
步骤708，基于所述第二K空间数据和初始K空间数据生成训练集。
在一些实施例中，训练集中可以包括初始K空间数据和利用轨迹调整方法处理后得到第二K空间数据。例如，训练集A3中可以包括初始K空间数据和利用部分傅里叶方法处理后得到的第二K空间数据。
步骤70A，利用所述训练集对初始模型进行训练，得到轨迹优化模型。
在一些实施例中，可以利用训练集对一个初始模型进行训练，得到对应的神经网络模型，所述神经网络包含在对应的初始化轨迹调整模型中。例如，基于步骤708得到训练集A3，对初始模型进行训练，得到神经网络模型B3，神经网络模型B3包含在对应的轨迹调整模型M3中。
基于上述实施例，可以利用不同的轨迹调整方法对K空间数据进行处理，并将得到的K空间数据进行模型训练，得到对应的轨迹优化模型，可以通过轨迹优化模型来直接进行后续的处理，降低了处理时间，提高了处理效率。
本申请实施例可能带来的有益效果包括但不限于：(1)K空间数据经过采样处理，缩短了成像时间，通过对经过采样处理后K空间数据进行轨迹调整处理，使得经过数据重建处理得到的图像质量更好。(2)利用不同的轨迹调整方法对K空间数据进行处理，并将得到的K空间数据进行模型训练，基于模型误差来选择最优的轨迹调整方法，提高了轨迹调整处理的效率。(3)利用不同的轨迹调整方法对K空间数据进行处理，并将得到的K空间数据进行模型训练，得到对应的轨迹优化模型，可以通过轨迹优化模型来直接进行后续的处理，降低了处理时间，提高了处理效率。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (6)

1.一种轨迹调整确定方法，其特征在于，所述方法包括：
获取多个初始K空间数据，所述初始K空间数据为感兴趣对象扫描得到的磁共振信号填充至K空间中获得；
利用预设采样轨迹对所述初始K空间数据进行采样处理，得到第一K空间数据，所述采样处理包括局部满采样、局部欠采样或全局欠采样中的至少一种，所述预设采样轨迹由K空间中填充K空间数据的K空间填充位点确定；
利用至少一种轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据，所述第二K空间数据对应的K空间填充位点的密度大于所述第一K空间数据对应的K空间填充位点的密度；
基于所述第二K空间数据和初始K空间数据，获得至少一个初始轨迹优化模型，所述初始轨迹优化模型为神经网络模型或神经网络模型与非神经网络模型的混合模型，基于所述初始化轨迹优化模型获得对应的轨迹调整方法的误差，将所述最小误差对应的轨迹调整方法作为确定的轨迹调整方法。
2.如权利要求1所述的方法，其特征在于，所述基于所述初始化优化轨迹模型获得对应的轨迹调整方法的误差，包括：
基于所述第二K空间数据和初始K空间数据生成至少一个训练集，所述一个训练集对应一种轨迹调整方法；
利用所述训练集对至少一个初始模型进行训练，得到对应的神经网络模型；
基于至少一个神经网络模型，获得每个神经网络模型的训练误差，将所述训练误差作为对应的轨迹调整方法的误差。
3.如权利要求1所述的方法，其特征在于，所述神经网络模型与非神经网络模型的混合模型是指在所述初始轨迹优化模型中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括并行成像方法、部分傅里叶方法或压缩感知方法。
4.如权利要求1所述的方法，其特征在于，所述对所述初始K空间数据进行采样处理包括：
利用至少一种预设采样轨迹对初始K空间数据进行处理，所述预设采样轨迹包括笛卡尔采样轨迹、螺旋采样轨迹或径向采样轨迹中的至少一种。
5.如权利要求1所述的方法，其特征在于，所述轨迹调整方法为非机器学习神经网络模型的数据处理方式，包括：
部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法中的至少一种。
6.一种轨迹调整确定装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1-5中任意一项所述的操作。
CN201811564525.2A 2018-12-20 2018-12-20 一种医学图像重建方法和系统 Active CN109658471B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811564525.2A CN109658471B (zh) 2018-12-20 2018-12-20 一种医学图像重建方法和系统
US16/390,284 US10803631B2 (en) 2018-12-20 2019-04-22 Systems and methods for magnetic resonance imaging

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811564525.2A CN109658471B (zh) 2018-12-20 2018-12-20 一种医学图像重建方法和系统

Publications (2)

Publication Number Publication Date
CN109658471A CN109658471A (zh) 2019-04-19
CN109658471B true CN109658471B (zh) 2023-07-25

Family

ID=66115123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811564525.2A Active CN109658471B (zh) 2018-12-20 2018-12-20 一种医学图像重建方法和系统

Country Status (2)

Country Link
US (1) US10803631B2 (zh)
CN (1) CN109658471B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11300645B2 (en) 2018-07-30 2022-04-12 Hyperfine Operations, Inc. Deep learning techniques for magnetic resonance image reconstruction
AU2019321607A1 (en) 2018-08-15 2021-02-11 Hyperfine Operations, Inc. Deep learning techniques for suppressing artefacts in magnetic resonance images
US11344219B2 (en) 2019-03-14 2022-05-31 Hyperfine Operations, Inc. Deep learning techniques for alignment of magnetic resonance images
CN111856362A (zh) * 2019-04-24 2020-10-30 深圳先进技术研究院 磁共振成像方法、装置、系统及存储介质
CN111856364B (zh) * 2019-04-24 2023-03-28 深圳先进技术研究院 一种磁共振成像方法、装置、系统及存储介质
CN111856365B (zh) * 2019-04-24 2023-03-14 深圳先进技术研究院 磁共振成像方法、装置、系统及存储介质
US10996306B2 (en) * 2019-04-25 2021-05-04 General Electric Company MRI system and method using neural network for detection of patient motion
US11507642B2 (en) * 2019-05-02 2022-11-22 Silicon Storage Technology, Inc. Configurable input blocks and output blocks and physical layout for analog neural memory in deep learning artificial neural network
CN110031786B (zh) * 2019-05-14 2022-01-11 上海联影医疗科技股份有限公司 磁共振图像重建方法、磁共振成像方法、设备及介质
CN110333466B (zh) * 2019-06-19 2022-06-07 东软医疗系统股份有限公司 一种基于神经网络的磁共振成像方法和装置
CN112285622A (zh) * 2019-07-22 2021-01-29 深圳市前海安测信息技术有限公司 核磁共振成像控制方法、装置及计算机可读存储介质
US11710261B2 (en) * 2019-07-29 2023-07-25 University Of Southern California Scan-specific recurrent neural network for image reconstruction
CN110493596B (zh) * 2019-09-02 2021-09-17 西北工业大学 一种基于神经网络的视频编码系统及方法
US11810227B2 (en) * 2019-11-27 2023-11-07 Siemens Healthcare Gmbh MR image reconstruction based on a-priori information
US11348291B2 (en) * 2019-11-29 2022-05-31 Shanghai United Imaging Intelligence Co., Ltd. System and method for reconstructing magnetic resonance images
CN110942496B (zh) * 2019-12-13 2022-02-11 厦门大学 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统
US11170543B2 (en) * 2020-01-13 2021-11-09 The Board Of Trustees Of The Leland Stanford Junior University MRI image reconstruction from undersampled data using adversarially trained generative neural network
CN113359076B (zh) * 2020-03-06 2022-09-27 上海联影医疗科技股份有限公司 磁共振成像方法、装置、计算机设备和存储介质
CN113391251B (zh) * 2020-03-12 2023-05-26 上海联影医疗科技股份有限公司 磁共振图像重建方法、装置和设备
US11408954B2 (en) * 2020-03-24 2022-08-09 GE Precision Healthcare LLC Systems and methods of reducing noise and artifacts in magnetic resonance imaging
CN111932649B (zh) * 2020-08-04 2024-05-24 中国科学院深圳先进技术研究院 一种动态医学成像方法、装置、设备及存储介质
US11885862B2 (en) 2020-10-28 2024-01-30 GE Precision Healthcare LLC Deep learning based magnetic resonance imaging (MRI) examination acceleration
US12045917B2 (en) 2020-12-22 2024-07-23 GE Precision Healthcare LLC Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images
JP7377231B2 (ja) * 2021-02-02 2023-11-09 富士フイルムヘルスケア株式会社 磁気共鳴イメージング装置、及び、画像処理方法
EP4298590A2 (en) 2021-02-26 2024-01-03 Bayer Aktiengesellschaft Actor-critic approach for generating synthetic images
CN115556490A (zh) * 2022-10-31 2023-01-03 杭州融御科技有限公司 基于物联网的dicom数字影像与胶片打印机控制系统
CN117078792B (zh) * 2023-10-16 2023-12-12 中国科学院自动化研究所 正则项自适应优化的磁粒子图像重建系统、方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7583082B1 (en) * 2006-04-19 2009-09-01 University Of Virginia Patent Foundation Partially parallel magnetic resonance imaging using arbitrary k-space trajectories with image reconstruction based on successive convolution operations
CN102096055A (zh) * 2010-12-14 2011-06-15 南方医科大学 一种用于磁共振成像非均匀采样数据的快速精确重建方法
KR20150125543A (ko) * 2014-04-30 2015-11-09 삼성전자주식회사 자기 공명 영상 장치 및 자기 공명 영상의 생성 방법
CN108814603A (zh) * 2018-05-10 2018-11-16 上海东软医疗科技有限公司 一种磁共振成像方法和装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7309984B2 (en) * 2005-10-27 2007-12-18 Wisconsin Alumni Research Foundation Parallel magnetic resonance imaging method using a radial acquisition trajectory
US7688068B2 (en) 2008-05-06 2010-03-30 General Electric Company System and method for using parallel imaging with compressed sensing
US10846860B2 (en) * 2013-03-05 2020-11-24 Nview Medical Inc. Systems and methods for x-ray tomosynthesis image reconstruction
DE102013213940B3 (de) 2013-07-16 2015-01-08 Siemens Aktiengesellschaft Erfassung von MR-Daten mit unterschiedlicher Dichte
DE102014200006B4 (de) * 2014-01-02 2015-12-03 Siemens Aktiengesellschaft Rekonstruktion von fehlenden Magnetresonanz-Rohdaten
US20150346305A1 (en) * 2014-05-28 2015-12-03 General Electric Company System and method for generating a magnetic resonance image
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
US10713785B2 (en) 2017-02-13 2020-07-14 Siemens Healthcare Gmbh Image quality assessment system and method
JP6772112B2 (ja) * 2017-07-31 2020-10-21 株式会社日立製作所 医用撮像装置及び医用画像処理方法
EP3781033A4 (en) * 2018-04-19 2022-01-19 Subtle Medical, Inc. SYSTEMS AND METHODS FOR IMPROVING MAGNETIC RESONANCE IMAGING USING DEEP LEARNING
KR102215702B1 (ko) * 2018-06-04 2021-02-16 한국과학기술원 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치
US11125844B2 (en) * 2018-07-06 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based methods to accelerate multi-spectral imaging
CN108829639B (zh) * 2018-07-06 2023-10-27 上海联影医疗科技股份有限公司 一种磁共振成像方法和设备
US11023785B2 (en) * 2018-07-23 2021-06-01 International Business Machines Corporation Sparse MRI data collection and classification using machine learning
CN109325985B (zh) * 2018-09-18 2020-07-21 上海联影智能医疗科技有限公司 磁共振图像重建方法、装置和计算机可读存储介质
EP3660789B1 (en) * 2018-11-28 2020-11-25 Siemens Healthcare GmbH Model-based image reconstruction using analytic models learned by artificial-neural-networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7583082B1 (en) * 2006-04-19 2009-09-01 University Of Virginia Patent Foundation Partially parallel magnetic resonance imaging using arbitrary k-space trajectories with image reconstruction based on successive convolution operations
CN102096055A (zh) * 2010-12-14 2011-06-15 南方医科大学 一种用于磁共振成像非均匀采样数据的快速精确重建方法
KR20150125543A (ko) * 2014-04-30 2015-11-09 삼성전자주식회사 자기 공명 영상 장치 및 자기 공명 영상의 생성 방법
CN108814603A (zh) * 2018-05-10 2018-11-16 上海东软医疗科技有限公司 一种磁共振成像方法和装置

Also Published As

Publication number Publication date
US20200202586A1 (en) 2020-06-25
US10803631B2 (en) 2020-10-13
CN109658471A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109658471B (zh) 一种医学图像重建方法和系统
US10185012B2 (en) System and method for magnetic resonance imaging
Sbrizzi et al. Fast quantitative MRI as a nonlinear tomography problem
CN107126211B (zh) 磁共振成像方法和系统
CN109310361B (zh) 用于快速磁共振成像的系统和方法
JP5325795B2 (ja) 位相差合成画像を用いた高度に制約された逆投影再構成法を利用した造影ｍｒａ
KR101663365B1 (ko) 자기 공명 제어 시퀀스 결정
US12032045B2 (en) Systems and methods for pulse sequence configuration in magnetic resonance imaging
JP2012505709A (ja) 移動テーブルｍｒｉ装置及び方法
CN107638179B (zh) 磁共振翻转角的计算方法、系统和计算机可读存储介质
JP2017217488A (ja) 磁気共鳴イメージング装置
CN112370040B (zh) 磁共振成像方法、装置、存储介质及电子设备
US11592506B2 (en) System and method for magnetic resonance imaging
CN112763957B (zh) 磁共振成像系统和方法
US11119172B2 (en) Systems and methods for magnetic resonance imaging
CN111856363B (zh) 同步多层磁共振成像的系统、方法
JP5808659B2 (ja) 磁気共鳴イメージング装置及びＴ１ρイメージング法
US11543482B2 (en) Magnetic resonance imaging using motion-compensated image reconstruction
US20220409083A1 (en) Systems and methods for magnetic resonance imaging
US11940516B2 (en) Systems and methods for magnetic resonance imaging
US20220409084A1 (en) Systems and methods for magnetic resonance imaging
US10295642B2 (en) Construction of diagnostic images from MRI data acquired in an inhomogeneous polarizing magnetic field
CN116299102A (zh) 磁共振成像的方法和系统
CN116205999A (zh) 磁共振t1映射系统和方法
CN116158749A (zh) 一种基于波浪式梯度的磁共振多对比度参数成像方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant