磁共振快速参数成像方法和系统的制作方法
【专利摘要】本发明提供了一种磁共振快速参数成像方法，所述方法包括：接收磁共振扫描仪输入的原始K空间数据；根据神经网络建立深度学习模型；获取训练数据，对所述训练数据进行傅立叶逆变换，得到训练矩阵；获取校对数据，对所述校对数据进行傅立叶逆变换和曲线拟合，得到校对图像，根据所述校对图像得到所述校对矩阵；根据所述训练矩阵和所述校对矩阵训练所述深度学习模型，得到已训练深度学习模型；获取新的训练矩阵，根据所述新的训练矩阵和所述已训练深度学习模型重建磁共振参数图像。采用该方法能有效地提高重建图像质量。此外，还提供了一种磁共振快速参数成像系统。
【专利说明】磁共振快速参数成像方法和系统
【技术领域】
[0001]本发明涉及磁共振成像领域，特别是涉及一种磁共振快速参数成像方法及系统。【背景技术】
[0002]磁共振参数成像技术通常是改变同一成像序列的参数，采集一系列和成像参数相关的参数加权图像。对图像中的每个像素点，按照一定的公式，拟合得到对应的参数。但参数成像需多次扫描，成像时间为结构像的几倍到几十倍，速度十分缓慢。
[0003]为了满足参数成像速度的要求，目前已将并行成像技术、部分傅里叶技术等K空间欠采方案应用到参数成像中，通过减少相位方向的扫描线数以达到减少扫描时间的目的。常用的磁共振快速参数成像技术先从降采数据中重建参数加权图像，再用参数加权图像拟合参数值，因此，重建参数加权图像时引入的误差会在拟合参数值的过程中放大，形成误差传递，导致产生错误，从而降低了重建图像的质量。
【发明内容】
[0004]基于此，有必要提供一种能提高重建图像质量的磁共振快速参数成像的方法。
[0005]一种磁共振快速参数成像方法，包括:
[0006]接收磁共振扫描仪输入的原始K空间数据；
[0007]根据神经网络建立深度学习模型；
[0008]获取训练数据，对所述训练数据进行傅立叶逆变换，得到训练矩阵；
[0009]获取校对数据，对所述校对数据进行傅立叶逆变换和曲线拟合，得到校对图像，根据所述校对图像得到所述校对矩阵；
[0010]根据所述训练矩阵和所述校对矩阵训练所述深度学习模型，得到已训练深度学习模型；
[0011]获取新的训练矩阵，根据所述新的训练矩阵和所述已训练深度学习模型重建磁共振参数图像。
[0012]在其中一个实施例中，所述原始K空间数据包括全采样原始K空间数据和欠采样原始K空间数据。
[0013]在其中一个实施例中，所述训练数据包括对所述全采样原始K空间数据进行欠采样或对所述欠采样原始K空间数据的自校准线进行欠采样所得到的数据。
[0014]在其中一个实施例中，所述根据所述训练矩阵和所述校对矩阵训练所述深度学习模型的步骤包括:
[0015]获取所述深度学习模型的输入层，根据所述训练矩阵训练所述输入层，得到所述输入层的特征和所述输入层的特征对应的参数；
[0016]将所述输入层作为目标层，获取所述目标层的邻接隐层；
[0017]根据所述目标层的特征训练所述目标层的邻接隐层，得到所述邻接隐层的特征和所述邻接隐层的特征对应的参数；[0018]将所述邻接隐层作为所述目标层，迭代执行所述获取所述目标层的邻接隐层的步骤；
[0019]更新所述原始K空间数据，得到新K空间数据。
[0020]在其中一个实施例中，所述根据所述训练矩阵训练所述深度学习模型的输入层的步骤包括:
[0021]根据公式:
[0022]
【权利要求】
1.一种磁共振快速参数成像方法，包括: 接收磁共振扫描仪输入的原始K空间数据； 根据神经网络建立深度学习模型； 获取训练数据，对所述训练数据进行傅立叶逆变换，得到训练矩阵； 获取校对数据，对所述校对数据进行傅立叶逆变换和曲线拟合，得到校对图像，根据所述校对图像得到所述校对矩阵； 根据所述训练矩阵和所述校对矩阵训练所述深度学习模型，得到已训练深度学习模型； 获取新的训练矩阵，根据所述新的训练矩阵和所述已训练深度学习模型重建磁共振参数图像。
2.根据权利要求1所述的方法，其特征在于，所述原始K空间数据包括全采样原始K空间数据和欠采样原始K空间数据。
3.根据权利要求1和2所述的方法，其特征在于，所述训练数据包括对所述全采样原始K空间数据进行欠采样或对所述欠 采样原始K空间数据的自校准线进行欠采样所得到的数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述训练矩阵和所述校对矩阵训练所述深度学习模型的步骤包括: 获取所述深度学习模型的输入层，根据所述训练矩阵训练所述输入层，得到所述输入层的特征和所述输入层的特征对应的参数； 将所述输入层作为目标层，获取所述目标层的邻接隐层； 根据所述目标层的特征训练所述目标层的邻接隐层，得到所述邻接隐层的特征和所述邻接隐层的特征对应的参数； 将所述邻接隐层作为所述目标层，迭代执行所述获取所述目标层的邻接隐层的步骤； 更新所述原始K空间数据，得到新K空间数据。
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练矩阵训练所述深度学习模型的输入层的步骤包括: 根据公式:
6.根据权利要求4所述的方法，其特征在于，所述迭代执行所述获取所述目标层的邻接隐层的步骤之后，还包括: 判断所述新K空间数据是否满足终止条件，若否，则根据所述新K空间数据迭代训练所述深度学习模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述已训练深度学习模型重建磁共振参数图像的步骤包括: 对所述新K空间数据均匀欠采样再进行傅立叶逆变换，得到新的训练矩阵； 将所述新的训练矩阵输入所述已训练深度学习模型，输出磁共振参数图像。
8.—种磁共振快速参数成像系统，包括: 数据接收模块，用于接收磁共振扫描仪输入的原始K空间数据； 建模模块，用于根据神经网络建立深度学习模型； 训练矩阵获取模块，用于获取训练数据，对所述训练数据进行傅立叶逆变换，得到训练矩阵； 校对矩阵获取模块，用于获取校对数据，对所述校对数据进行傅立叶逆变换和曲线拟合，得到校对图像，根据所述校对图像得到所述校对矩阵； 已训练深度学习模型获取模块，用于根据所述训练矩阵和所述校对矩阵训练所述深度学习模型，得到已训练深度学习模型； 重建模块，用于获取新的训练矩阵，根据所述新的训练矩阵和所述已训练深度学习模型重建磁共振参数图像。
9.根据权利要求8所述的系统，其特征在于，所述已训练模型获取模块包括: 输入层数据计算模块，用于获取所述深度学习模型的输入层，根据所述训练矩阵训练所述输入层，得到所述输入层的特征和所述输入层的特征对应的参数； 邻接隐层获取模块，用于将所述输入层作为目标层，获取所述目标层的邻接隐层； 邻接隐层数据计算模块，用于根据所述目标层的特征训练所述目标层的邻接隐层，得到所述邻接隐层的特征和所述邻接隐层的特征对应的参数； 迭代获取模块，用于将所述邻接隐层作为所述目标层，迭代执行所述获取所述目标层的邻接隐层的步骤； 更新模块，用于更新所述原始K空间数据，得到新K空间数据。
10.根据权利要求9所述的系统，其特征在于，所述输入层数据计算模块还用于根据公式:
11.根据权利要求9所述的系统，其特征在于，所述已训练模型获取模块还包括: 迭代训练模块，用于判断所述新K空间数据是否满足终止条件。
12.根据权利要求8所述的系统，其特征在于，所述重建模块包括: 新训练矩阵获取模块，用于对所述新K空间数据均匀欠采样再进行傅立叶逆变换，得到新的训练矩阵；输出模块，用于将所述新的训练矩阵输入所述已训练深度学习模型，输出磁共振参数图像 。
【文档编号】G06T7/00GK103646410SQ201310617004
【公开日】2014年3月19日 申请日期:2013年11月27日 优先权日:2013年11月27日
【发明者】梁栋, 朱燕杰, 朱顺, 刘新, 郑海荣 申请人:中国科学院深圳先进技术研究院