一种磁共振成像获得深度学习训练集的方法和装置与流程

本发明涉及医学影像技术领域，尤其涉及一种磁共振成像获得深度学习训练集的方法及装置。

背景技术：

磁共振成像(magneticresonanceimaging，mri)作为一种多参数、多对比度的成像技术，能够反映组织的纵向弛豫时间t1、横向弛豫时间t2和质子密度等多种特性，进而为疾病的检出和诊断提供信息。目前，磁共振成像已经成为医学影像检查的重要技术手段。

磁共振成像的工作原理是，利用磁共振现象，采用射频激励激发人体中的氢原子，运用梯度场进行位置编码，采用接收线圈接收带有位置信息的电磁信号，最终对电磁信号进行傅里叶变换重建出图像信息。然而，磁共振成像过程中扫描速度慢、扫描时间长，限制了磁共振成像在临床上的应用。

深度学习因具有超强的学习能力，目前已被广泛应用于图像、视频、声音和自然语言处理等领域。近期，深度神经网络(deepneuralnetworks，dnn)被应用于磁共振成像中，以加快磁共振成像的扫描速度，解决磁共振成像扫描过慢的问题。dnn是深度学习应用的核心，dnn是由训练集训练获得。因此，对于深度学习在磁共振成像加速的应用，如何获取深度学习训练集显得尤为重要。

目前现有的将深度学习应用于磁共振成像扫描加速的方法，在获取深度学习训练集时，不考虑k空间数据采集时间的限制。但是临床中，某些人体被测部位的扫描时间是有限的，导致采集时间受限，而通过现有技术中的方法获取的深度学习训练集显然不适用于该临床磁共振成像场景。具体而言，通过现有技术中的方法获取的深度学习训练集训练获得的模型，无法根据采集时间受限条件下采集获得的数据获得高质量的输出图像。因此，针对上述临床应用场景，难以应用目前的技术手段获得深度学习的训练集。

技术实现要素：

有鉴于上述问题，本申请提供了一种磁共振成像获得深度学习训练集的方法和装置，实现在采集时间受限条件下获取深度学习的训练集。

为了解决上述技术问题，本申请采用了如下技术方案：

第一方面，本申请提供一种磁共振成像获得深度学习训练集的方法，包括：

采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据；

对所述k空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集；

获取所述被测部位满k空间的噪声数据；

对所述满k空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的所述部分噪声数据利用并行成像方式重建图像获得噪声图像集；

将所述标记图像集与所述噪声图像集相加获得所述深度学习训练集的输入图像集。

作为一种可能的实现方式，所述第二预设加速倍数大于或等于所述第一预设加速倍数。

作为一种可能的实现方式，所述第一预设加速倍数取值范围为1.2倍-2倍。

作为一种可能的实现方式，所述采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据，具体为：

采用并行成像方法以第一预设加速倍数采集被测部位在预设屏气时间段内的k空间数据。

作为一种可能的实现方式，所述被测部位为腹部或胸部。

作为一种可能的实现方式，所述将所述标记图像集与所述噪声图像集相加，具体为以下任意一种：

将所述标记图像集的模与所述噪声图像集的模相加、将所述标记图像集的复数与所述噪声图像集的复数相加，以及将所述标记图像集与所述噪声图像集在k空间相加。

作为一种可能的实现方式，所述获取所述被测部位满k空间的噪声数据，具体为：

分别获取n个被试所述被测部位的满k空间的噪声数据，得到n组满k空间的噪声数据；所述n为大于或等于2的整数；

对所述满k空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的部分噪声数据利用并行成像方式重建图像获得噪声图像集，具体为：

对所述n组满k空间的噪声数据以第二预设加速倍数分别抽取部分噪声数据，得到n组部分噪声数据，对所述n组部分噪声数据分别利用并行成像方式重建图像获得n个噪声图像集；

将所述标记图像集与所述噪声图像集相加获得所述深度学习训练集的输入图像集，具体为：

将所述n个噪声图像集分别与所述标记图像集相加，获得所述深度学习训练集的n个输入图像集。

第二方面，本申请提供一种磁共振成像获得深度学习训练集的装置，包括：

k空间数据采集单元，用于采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据；

标记图像集获取单元，用于对所述k空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集；

噪声数据获取单元，用于获取所述被测部位满k空间的噪声数据；

噪声图像集获取单元，用于对所述满k空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的所述部分噪声数据利用并行成像方式重建图像获得噪声图像集；

输入图像集获取单元，用于将所述标记图像集与所述噪声图像集相加获得所述深度学习训练集的输入图像集。

作为一种可能的实现方式，所述k空间数据采集单元，包括：

第一采集子单元，用于采用并行成像方法以第一预设加速倍数采集被测部位在预设屏气时间段内的k空间数据。

作为一种可能的实现方式，所述输入图像集获取单元，用于将所述标记图像集的模与所述噪声图像集的模相加、将所述标记图像集的复数与所述噪声图像集的复数相加，或将所述标记图像集与所述噪声图像集在k空间相加，获得所述深度学习训练集的输入图像集。

作为一种可能的实现方式，所述噪声数据获取单元，包括：

第一噪声数据获取子单元，用于分别获取n个被试所述被测部位的满k空间的噪声数据，得到n组满k空间的噪声数据；所述n为大于或等于2的整数；

所述噪声图像集获取单元，包括：

第一噪声图像集获取子单元，用于对所述n组满k空间的噪声数据以第二预设加速倍数分别抽取部分噪声数据，得到n组部分噪声数据，对所述n组部分噪声数据分别利用并行成像方式重建图像获得n个噪声图像集；

所述输入图像集获取单元，包括：

第一输入图像集获取子单元，用于将所述n个噪声图像集分别与所述标记图像集相加，获得所述深度学习训练集的n个输入图像集。

第三方面，本申请提供一种计算机可读存储介质，所述介质上存储有计算机程序，所述程序被处理器执行时实现如本申请上述第一方面所提供的磁共振成像获得深度学习训练集的方法。

第四方面，本申请提供一种处理器，其特征在于，所述处理器用于运行程序，所述程序运行时执行如本申请上述第一方面所提供的磁共振成像获得深度学习训练集的方法。

与现有技术相比，本发明至少具有以下优点：

本申请提供了一种磁共振成像获得深度学习训练集的方法和装置，采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据；对k空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集；获取被测部位满k空间的噪声数据；对满k空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的部分噪声数据利用并行成像方式重建图像获得噪声图像集；将标记图像集与噪声图像集相加获得深度学习训练集的输入图像集。

对于标记图像集：本申请利用并行成像技术和图像去噪技术获得高质量的图像作为深度学习训练集的标记图像集。由于并行成像技术是以第一预设加速倍数采集的被测部位的k空间数据，无需满采样k空间数据便可获得高质量图像，因此，能够实现在有限的采集时间内获得深度学习训练集的标记图像集。

对于输入图像集：本申请基于某一加速倍数下并行成像方式重建出的图像中噪声分布，与满k空间噪声数据按照同一加速倍数重建出的噪声图像集中噪声分布的一致性，通过将标记图像集与噪声图像集相加的方式，获得质量较差的图像作为深度学习训练集的输入图像集。由于输入图像集是根据标记图像集获得的，因此，输入图像集和标记图像集均是以第一预设加速倍数采集的被测部位的k空间数据作为数据基础。由于被测部位的k空间数据能够在有限的采集时间内得到，进而，本申请也实现了在有限的采集时间内获得深度学习训练集的输入图像集。

另外，本申请无需对被测部位的k空间数据进行多次采集，通过单次采集k空间数据即可获得深度学习训练集的输入图像集与标记图像集。

可见，相比于现有技术，本申请获取深度学习训练集的方法和装置的适用性更广。应用本申请最终获得的深度学习训练集训练得到的dnn模型，可用于在采集时间受限和/或采集次数受限条件下，高质量地实现磁共振成像。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请第一实施例提供的磁共振成像获得深度学习训练集的方法流程图；

图2为本申请提供的满采样水膜k空间数据重建得到的图像；

图3为本申请提供的并行成像方法以2*2的加速倍数采集水膜k空间数据重建得到的图像；

图4为本申请提供的图3与图2做差得到的噪声分布图像；

图5为本申请提供的对满k空间的噪声数据以2*2的加速倍数抽取得到的噪声数据重建获得的噪声分布图像；

图6为本申请提供的以预定加速倍数抽取人体被测部位满采样噪声数据重建得到的噪声分布图像；

图7为本申请提供的以与图6相同预定加速倍数对人体被测部位并行成像重建出的图像；

图8为本申请提供的并行成像重建得到的脑部图；

图9为本申请提供的脑部噪声分布图；

图10为本申请提供的图8对应的线圈几何因子图；

图10a为本实施例提供的满的噪声图像；

图10b为本实施例提供的2.4倍加速的卷叠噪声图像；

图11为本申请第二实施例提供的磁共振成像获得深度学习训练集的方法流程图；

图12为本申请第三实施例提供的控制设备的硬件结构图；

图13为本申请第四实施例提供的磁共振成像获得深度学习训练集的装置结构示意图；

图14为本申请第五实施例提供的磁共振成像获得深度学习训练集的装置结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

获取深度学习的训练集，是深度学习应用于磁共振成像的关键所在。深度学习训练集分为两个部分：一部分是输入图像集，作为用于训练dnn的输入训练样本，输入图像集往往是具有噪声和/或伪影的低质量图像；另一部分是标记图像集，作为用于训练dnn的输出训练样本，标记图像集为符合磁共振成像需求的高质量图像，噪声较少，伪影水平低。

目前，获取深度学习训练集可通过以下两种方式实现。

第一种实现方式：获取一组满采样k空间数据，经过重建得到质量理想的图像作为标记图像集；再降采样采集一组k空间数据，直接进行并行重建后作为输入图像集。进而，通过两次k空间数据采集，分别得到了深入学习训练集的输入图像和输出图像。

第二种实现方式：获取一组满采样k空间数据，经过重建得到质量理想的图像作为标记图像集；再从满采样的k空间数据中抽取部分数据，根据部分数据并行重建得到输入图像集。进而，通过一次k空间数据采集，得到了深入学习训练集的输入图像和输出图像。

但是，经过研究发现，在某些磁共振成像的临床应用场景中，上述获取深度学习训练集的方法并不适用。例如，对腹部进行磁共振成像需要被测者屏气配合采集，但是被测者的屏气时间有限，进而限制了对腹部的扫描时间不能过长，因此采集时间是有限的。在采集时间受限的情况下无法满采样k空间数据，导致无法利用上述两种实现方式得到深度学习训练集的标记图像集。

另外，上述第一种实现方式是通过两次采集被测者的被测部位分别获得标记图像集和输入图像集，但是针对腹部采集的场景，由于两次屏气采集时肝脏的舒张状态无法完全一致，两次采集不能获取到完全对应的每层图像。因此，上述第一种实现方式得到的输入图像集与标记图像集无法相互对应，进而不适用于作为深度学习的训练集来训练dnn。

此外，上述第二种实现方式获得输入训练集，需要抽取满采样k空间数据中的部分数据，但是由于成像的卷叠特性，抽取部分数据的加速倍数受到限制。例如，只能按照整数倍数加速抽取，无法按照1.2和1.6等非整数倍数加速抽取。因此，即便通过上述第二种方式获取了深度学习训练集，该训练集所训练的dnn模型应用在磁共振成像时，也只能适用于将整数加速倍数采集的图像作为dnn模型的输入图像。故第二种实现方式的加速抽取适用性有限。

鉴于在采集时间受限条件下，难以通过以上两种实现方式获取应用于磁共振成像的深度学习训练集，针对如何在采集时间受限条件下获取深度学习训练集进行深入研究后，在本申请中提出了一种磁共振成像获得深度学习训练集的方法和装置。下面结合附图和实施例进行详细说明。

第一实施例

参见图1，该图为本申请实施例提供的磁共振成像获得深度学习训练集的方法流程图。

如图1所示，本实施例提供的磁共振成像获得深度学习训练集的方法，包括：

步骤101：采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据。

并行成像方法是一种业内广泛使用的成像方法。常用的并行成像方法主要有两种：一种是基于图像域的敏感度编码(sensitivityencoding，sense)方法，另一种是基于k空间域的广义自校准部分并行采集(generalizedautocalibratingpartiallyparallelacquistions，grappa)方法。本步骤具体可以采用其中任意一种并行成像方法实现对被测部位k空间数据的采集。

并行成像方法对k空间数据采集时可无需满采样k空间数据，而是采集部分数据，后续利用线圈的敏感度信息恢复出未采集部分的信息。由于采集的数据量相对于满采样k空间数据较少，加快磁共振扫描速度。

第一预设加速倍数为本实施例预设的采集被测部位k空间数据的加速倍数。需要说明的是，利用并行成像方法采集k空间数据时，加速倍数越大，图像重建后的噪声越严重。为保证后续获取的标记图像集的质量，步骤101采集k空间数据的第一预设加速倍数不可过高。作为一示例，第一预设加速倍数的取值范围为1.2倍-2倍，即可选用1.2倍-2倍中的任意数值作为本实施例中的第一预设加速倍数。

为在采集时间受限的条件下获取深度学习训练集，本实施例提供的方法要求能够应用于采集时间受限的被测部位磁共振成像。因此，本实施例提供的方法中，被测部位可以是采集时间受限的部位，例如腹部和心脏等。对于某些病情严重的患者，使其深呼吸一次的持续时间有限，因此需要在采集时间受限的情况下，尽快完成采集。

当然，本实施例提供的获取深度学习训练集的方法还可以应用于其他对于采集时间没有特殊限制的部位，因此，本实施例中被测部位还可以是被测者的任意mri检查部位，例如头部、颈部和四肢关节等。需要说明的是，本实施例中，对于采集的具体被测部位不进行限定。

为在采集时间受限的条件下获取深度学习训练集，步骤101中采用并行成像方法以第一预设加速倍数对于被测部位的k空间数据采集，具体可以是在预设屏气时间段内实现的。预设屏气时间可以为根据mri临床经验预先设定的屏气时间段。作为示例，预设屏气时间段为20秒。则步骤101具体实施时，采用并行成像方法以第一预设加速倍数在20秒内采集被测部位的k空间数据。

步骤102：对所述k空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集。

但是利用并行成像加速时噪声较大。加速倍数越大，并行成像方法重建出的图像中噪声越严重。为获取高质量的图像作为训练集的标记图像集，需要对并行成像重建后的图像进行去噪处理，以提高图像的质量，例如图像信噪比、图像对比度和清晰度等。

经研究发现，并行成像的加速倍数越高，并行成像重建后图像中折叠区域面积越大，噪声分布越不均匀；并行成像的加速倍数越小，并行成像重建后图像中折叠区域面积越小，噪声分布越均匀。因此，本步骤中，可具体根据第一预设加速倍数，和/或重建后图像中的噪声分布特点，选择适宜的去噪方法对重建后图像进行处理，提高图像的质量。

步骤103：获取所述被测部位满k空间的噪声数据。

作为一种实现方式，本步骤可具体通过控制关闭扫描设备的射频，获取被测部位满k空间的噪声数据。在实际应用中，满k空间噪声数据与扫描设备的线圈和序列采样带宽等相关。

根据以上说明可知，采集获取被测部位满k空间的噪声数据无需考虑采集时间等限制条件。

下面结合图2至图5，对并行成像重建后图像中噪声分布的特点进行分析和说明。

图2为满采样水膜的k空间数据重建得到的图像。图3为并行成像方法以2*2的加速倍数采集水膜的k空间数据，重建得到的图像。图4为图3所示图像与图2所示图像做差得到的噪声分布图像。图5为对满k空间的噪声数据以2*2的加速倍数抽取得到的噪声数据重建获得的噪声分布图像。

参考图2和图3可知，图2是由满k空间数据重建得到的，因此图像质量非常高，几乎不存在噪声。图3由于是加速扫描重建得到的图像，图像中分布着中间高、上下两边低的噪声。通过比较图4和图5可知，除却图3中残余的伪影以外，图4与图5的噪声分布具有一致性。

由于将图2与图4相叠加能够得到图3，基于图4和图5噪声分布的一致性，可以发现，如将图2与图5相叠加，也能够近似得到图3。

另外，研究发现人体被测部位并行成像重建后图像的噪声也具有上述分布特点。下面结合图6和图7，对人体被测部位并行成像重建后图像的噪声的分布特点进行说明。

图6为从人体被测部位的满采样噪声数据中按照预定加速倍数抽取得到的噪声数据进行重建后得到的噪声分布图像。图7为以预定加速倍数对人体被测部位并行成像重建出的图像。需要说明的是，图6和图7的人体被测部位相同，预定加速倍数也相同；满采样噪声数据即为人体被测部位的满k空间的噪声数据。根据图6和图7可知，图6与图7中的噪声分布一致。

综合上述研究发现，按照预定加速倍数抽取被测部位满k空间的噪声数据，进行图像重建后图像中的噪声分布，与采用并行成像方法按照该预定加速倍数并行成像重建出的图像中噪声分布具有一致性。即，预定加速倍数并行成像重建出的图像中噪声分布与该预定加速倍数下的噪声本身相同。

采用并行成像方法加速采集k空间数据，经过并行成像重建出的图像由于存在噪声，图像质量不佳，可作为深度学习训练集中的输入图像集。如果存在高质量的标记图像集，在标记图像集的基础上加上以预定加速倍数的噪声分布图像，即可获得与并行成像方法以预定加速倍数采集的k空间数据并行成像重建出的图像质量相当且噪声分布一致的图像，进而可作为本实施例所求的深度学习训练集的输入图像集。

为获取深度学习训练集的输入图像集，本步骤首先获取所述被测部位满k空间的噪声数据，用于后续对噪声数据进行加速抽取。满k空间的噪声数据可以是满采集k空间的噪声数据而获得的。

需要说明的是，在获取噪声数据时，无需考虑有限的采集时间。这是因为，输入图像集中的噪声是从满k空间的噪声数据中抽取出来的，噪声分布仅仅与加速倍数相关，与k空间数据的采集时间是否受限无关。本步骤获取满k空间的噪声数据，即可用于在后续抽取时，获取任意加速倍数下的噪声数据。

步骤104：对所述满k空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的所述部分噪声数据利用并行成像方式重建图像获得噪声图像集。

本实施例中，将第二预设加速倍数对应的噪声数据通过并行成像方式重建，获得的图像作为用于与标记图像集相加形成输入图像集的噪声数据集。

需要说明的是，第二预设加速倍数大于或等于第一预设加速倍数。

步骤105：将所述标记图像集与所述噪声图像集相加获得所述深度学习训练集的输入图像集。

噪声数据集是满k空间的噪声数据按照第二预设加速倍数抽取重建获得的，噪声数据集的噪声分布与被测部位按照第二预设加速倍数并行成像重建出的图像中的噪声分布具有一致性，噪声数据集可用于与标记图像集相加，获得与被测部位按照第二预设加速倍数并行成像出的图像质量水平相当图像，作为深度学习训练集的输入图像集。

步骤105可采用多种方式执行，下面提供三种执行步骤105的具体实现方式：

第一种具体实现方式：将标记图像集的模与噪声图像集的模相加，获得深度学习训练集的输入图像集。

第二种具体实现方式：将标记图像集的复数与噪声图像集的复数相加，获得深度学习训练集的输入图像集。

第三种具体实现方式：将标记图像集与噪声图像集在k空间相加，获得深度学习训练集的输入图像集。

需要说明的是，本实施例中步骤101至102可以在步骤103至104之前实施，可以在步骤103至104之后实施，当然，也可以与步骤103至104同时实施。本实施例对于标记图像集和噪声图像集的获取顺序不进行限定。

以上，为本申请实施例提供的一种磁共振成像获得深度学习训练集的方法。该方法采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据；对k空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集；获取被测部位满k空间的噪声数据；对满k空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的部分噪声数据利用并行成像方式重建图像获得噪声图像集；将标记图像集与噪声图像集相加获得深度学习训练集的输入图像集。

对于标记图像集：本申请利用并行成像技术和图像去噪技术获得高质量的图像作为深度学习训练集的标记图像集。由于并行成像技术是以第一预设加速倍数采集的被测部位的k空间数据，无需满采样k空间数据便可获得高质量图像，因此，能够实现在有限的采集时间内获得深度学习训练集的标记图像集。

对于输入图像集：本申请基于某一加速倍数下并行成像方式重建出的图像中噪声分布，与满k空间噪声数据按照同一加速倍数重建出的噪声图像集中噪声分布的一致性，通过将标记图像集与噪声图像集相加的方式，获得质量较差的图像作为深度学习训练集的输入图像集。由于输入图像集是根据标记图像集获得的，因此，输入图像集和标记图像集均是以第一预设加速倍数采集的被测部位的k空间数据作为数据基础。由于被测部位的k空间数据能够在有限的采集时间内得到，进而，本申请也实现了在有限的采集时间内获得深度学习训练集的输入图像集。

另外，本申请无需对被测部位的k空间数据进行多次采集，通过单次采集k空间数据即可获得深度学习训练集的输入图像集与标记图像集，能够适用于在采集次数受限的条件下获得深度学习训练集。可见，相比于现有技术，本申请获取深度学习训练集的方法适用性更广。应用本申请最终获得的深度学习训练集训练得到的dnn模型，可用于在采集时间受限和/或采集次数受限条件下，高质量地实现磁共振成像。

基于步骤104获得噪声图像集的方法，本实施例提供的方法获得的磁共振成像深度学习训练集，可用于训练dnn模型，该模型能够将以第二预设加速倍数加速采集重建得到的图像作为输入图像，输出高质量的磁共振图像。可以理解的是，根据第二预设加速倍数的取值不同，利用该方法得到的深度学习训练集的噪声图像集不同，进而将噪声图像集与标记图像集相加所得到的输入图像集也不同。由此可见，该方法适用于获得用于训练任意加速倍数对应的深度学习训练集的输入图像集。由于获取不同加速倍数对应的输入图像集时，标记图像集可以重复使用，从而提高了标记图像集的利用率。另外，噪声图像集是从满k空间的噪声数据中按照第二预设加速倍数抽取获得的，因此，获取不同加速倍数对应的输入图像集时，一次采集的满k空间噪声数据也可以重复使用，获得不同加速倍数对应的噪声图像集，可见，该方法提高了满k空间的噪声数据的利用率。

线圈固定的情况下，可预先获知线圈的几何因子(geometricfactor,gfactor)。图8为并行成像重建得到的脑部图。将图8与满采样脑部的k空间数据重建得到的图像相减，获得如图9所示的脑部噪声分布图。图10为图8对应的线圈几何因子图。根据图9和图10，可发现图9中的噪声分布不是随机的白噪声，而是具有与图10中gfactor一致的分布规律。进而可利用gfactor抽取噪声数据。下面，还提供了步骤104至105获得深度学习训练集的输入图像集的如下具体实施方式：

a1、将被测部位满k空间的噪声数据解一次sense＝1，得到满的噪声图像。

a2、将满k空间的噪声数据进行第二预设加速倍数的卷叠，得到卷叠噪声图像。

需要说明的，第二预设加速倍数可以为整倍数，例如2、3倍等，也可以为非整倍数，例如1.5、2.4倍等。

作为示例，参见图10a和图10b，图10a为本实施例提供的满的噪声图像，图10b为本实施例提供的2.4倍加速的卷叠噪声图像。

a3、将卷叠噪声图像与各个线圈的敏感度信息相乘，得到各个通道卷叠后噪声的k空间数据。

a4、将卷叠后噪声的k空间数据与以第二预设加速倍数卷叠后的标记图像集的k空间数据相加，得到待解k空间数据。

a5、对待解k空间数据解一次sense，得到加速倍数为第二预设加速倍数的输入图像集。

经过研究发现，针对不同体型的被试(人)的被测部位进行磁共振成像时，采用相同的加速倍数并行成像重建出的图像中，噪声存在差异。经过研究分析，噪声差异主要是因体型不同的被试的被测部位热噪声存在差异造成的。为提高利用深度学习训练集训练得到的dnn模型的适用性，使其能够将不同体型的被试的被测部位磁共振图像输入后，获得高质量的磁共振图像，本申请提供了另一种磁共振成像获得深度学习训练集的方法。下面结合是实施例和附图对该方法的具体实现方式进行详细描述。

第二实施例

参见图11，该图为本申请实施例提供的磁共振成像获得深度学习训练集的方法流程图。

如图11所示，本实施例提供的磁共振成像获得深度学习训练集的方法，包括：

步骤1101：采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据。

步骤1102：对所述k空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集。

本实施例中，步骤1101至1102与第一实施例中步骤101和102相同，相关描述可参见第一实施例，在此不再加以赘述。

步骤1103：分别获取n个被试所述被测部位的满k空间的噪声数据，得到n组满k空间的噪声数据。

本实施例中，n为大于或等于2的整数。由于n个被试的体型不可能完全一致，因此，针对n个被试的相同被测部位采集得到的n组满k空间的噪声数据中，热噪声存在差异。

作为一具体示例，可分别获取3个被试的腹部的满k空间的噪声数据。3个被试分别具有相互差异较大的不同体型，例如：第一被试身高160cm，体重60kg；第二被试身高170cm，体重55kg；第三被试身高178cm，体重80kg。

由此，得到三组满k空间的噪声数据。其中，第一被试对应的噪声数据作为第一组满k空间的噪声数据；第二被试对应的噪声数据作为第二组满k空间的噪声数据；第三被试对应的噪声数据作为第三组满k空间的噪声数据。由于三个被试的体型不同，因此得到的三组满k空间的噪声数据存在热噪声差异。

步骤1104：对所述n组满k空间的噪声数据以第二预设加速倍数分别抽取部分噪声数据，得到n组部分噪声数据，对所述n组部分噪声数据分别利用并行成像方式重建图像获得n个噪声图像集。

作为一具体示例，若步骤1103获得三组满k空间的噪声数据，本步骤可以以第二预设加速倍数从中分别抽取部分噪声数据，得到三组部分噪声数据。其中，第一被试对应的部分噪声数据作为第一组部分噪声数据；第二被试对应的部分噪声数据作为第二组部分噪声数据；第三被试对应的部分噪声数据作为第三组部分噪声数据。其后，对三组部分噪声数据分别利用并行成像方式重建图像，获得三个被试各自对应的三个噪声图像集。

步骤1105：将所述n个噪声图像集分别与所述标记图像集相加，获得所述深度学习训练集的n个输入图像集。

为提高利用深度学习训练集训练得到的dnn模型对于不同体型被试的适用性，步骤1105通过将n个噪声图像集分别与标记图像集相加的方式，扩大深度学习训练集的输入图像集。噪声图像集越多，获得的输入图像集越多，进而利用输入图像集和标记图像集训练出的dnn模型对于不同体型被试的适用性越高，相应地，dnn模型的训练难度越高。

本实施例中，步骤1105可采用多种方式执行，下面提供三种执行步骤105的具体实现方式：

第一种具体实现方式：将n个噪声图像集的模分别与标记图像集的模相加，获得深度学习训练集的n个输入图像集。

第二种具体实现方式：将n个噪声图像集的复数分别与标记图像集的复数相加，获得深度学习训练集的n个输入图像集。

第三种具体实现方式：将n个噪声图像集分别与标记图像集在k空间相加，获得深度学习训练集的n个输入图像集。

需要说明的是，本实施例中步骤1101至1102可以在步骤1103至1104之前实施，可以在步骤1103至1104之后实施，当然，也可以与步骤1103至1104同时实施。本实施例对于标记图像集和噪声图像集的获取顺序不进行限定。另外，n个噪声图像集可以同时获取，也可以按照一定的次序分别获取，在此对n个噪声图像集的获取顺序不进行限定。

以上，为本申请实施例提供的一种磁共振成像获得深度学习训练集的方法。该方法为提高深度学习训练集训练的dnn模型的适用性，基于不同被试同一被测部位的图像热噪声差异，获得n个不同被试同一被测部位的噪声图像集。通过将标记图像集与n个噪声图像集相加的方式，获得质量较差的n个图像作为深度学习训练集的n个输入图像集，进而扩大了深度学习训练集的输入图像集数量。n个输入图像集相比于单一的输入图像集，噪声分布更加多样化，进而，利用本申请实施例提供的获取深度学习训练集方法得到的训练集，可用于训练适用性更高的dnn模型，即不同体型的被试其被测部位的质量较差图像输入dnn模型后均可得到较高质量的输出图像。

此外，该方法能够在有限的采集时间条件下，获得深度学习训练集的标记图像集，因输入图像集是在标记图像集的基础上获得的，且噪声图像集无需考虑采集时间，因此该方法能够在有限的采集时间条件下，获得深度学习训练集的输入图像集。

另外，该方法无需对被测部位的k空间数据进行多次采集，通过单次采集k空间数据即可获得深度学习训练集的输入图像集与标记图像集，能够适用于在采集次数受限的条件下获得深度学习训练集。

上述实施例的磁共振成像获得深度学习训练集的方法可以由控制设备执行。下面结合附图和实施例，对本申请提供的控制设备进行详细描述。

第三实施例

参见图12，该图为本申请提供的控制设备的硬件结构图。

如图12所示，本实施例提供的控制设备，包括：

处理器1201，通信接口1202，存储器1203，总线1204。其中，处理器1201、通信接口1202和存储器1203通过总线1204完成相互间的通信。

其中，存储器1203中可以存储有磁共振成像获得深度学习训练集的逻辑指令，该存储器例如可以是非易失性存储器。处理器1201可以调用执行存储器1203中的磁共振成像获得深度学习训练集的逻辑指令，以执行上述第一实施例提供的磁共振成像获得深度学习训练集的方法。作为一种实现方式，该磁共振成像获得深度学习训练集的逻辑指令可以为控制软件对应的程序，程序被处理器1201执行时，实现第一实施例保护的磁共振成像获得深度学习训练集的方法中部分或全部步骤。此时，作为一种可能的实现方式，控制设备可以对应地在显示界面上显示该指令对应的功能界面。

磁共振成像获得深度学习训练集的逻辑指令的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请第一实施例提供的方法的全部或部分步骤。

本申请进一步提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现本申请第一实施例保护的磁共振成像获得深度学习训练集的方法中部分或全部步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

上述的磁共振成像获得深度学习训练集的逻辑指令，可以称为“磁共振成像获得深度学习训练集装置”，该装置可以划分成各个功能单元或模块。具体参见以下实施例。

基于第一实施例提供的磁共振成像获得深度学习训练集的方法，本申请还提供了一种对应的装置。下面结合附图，介绍本申请实施例提供的磁共振成像获得深度学习训练集的装置的具体实施方式。

第四实施例

参见图13，该图为本申请实施例提供的磁共振成像获得深度学习训练集的装置的结构示意图。

如图13所示，本实施例提供的磁共振成像获得深度学习训练集的装置，包括：

k空间数据采集单元1301、标记图像集获取单元1302、噪声数据获取单元1303、噪声图像集获取单元1304和输入图像集获取单元1305。

其中，k空间数据采集单元1301，用于采用并行成像方法以第一预设加速倍数采集被测部位的k空间数据；

标记图像集获取单元1302，用于对所述k空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集；

噪声数据获取单元1303，用于获取所述被测部位满k空间的噪声数据；

噪声图像集获取单元1304，用于对所述满k空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的所述部分噪声数据利用并行成像方式重建图像获得噪声图像集；

输入图像集获取单元1305，用于将所述标记图像集与所述噪声图像集相加获得所述深度学习训练集的输入图像集。

以上，为本申请实施例提供的一种磁共振成像获得深度学习训练集的装置。该装置中，对于标记图像集的获取：利用并行成像技术和图像去噪技术获得高质量的图像作为深度学习训练集的标记图像集。由于并行成像技术是以第一预设加速倍数采集的被测部位的k空间数据，无需满采样k空间数据便可获得高质量图像，因此，能够实现在有限的采集时间内获得深度学习训练集的标记图像集。对于输入图像集的获取：基于某一加速倍数下并行成像方式重建出的图像中噪声分布，与满k空间噪声数据按照同一加速倍数重建出的噪声图像集中噪声分布的一致性，通过将标记图像集与噪声图像集相加的方式，获得质量较差的图像作为深度学习训练集的输入图像集。由于输入图像集是根据标记图像集获得的，因此，输入图像集和标记图像集均是以第一预设加速倍数采集的被测部位的k空间数据作为数据基础。由于被测部位的k空间数据能够在有限的采集时间内得到，进而，本申请也实现了在有限的采集时间内获得深度学习训练集的输入图像集。

另外，本申请无需对被测部位的k空间数据进行多次采集，通过单次采集k空间数据即可获得深度学习训练集的输入图像集与标记图像集，能够适用于在采集次数受限的条件下获得深度学习训练集。可见，相比于现有技术，本申请获取深度学习训练集的装置适用性更广。应用本申请最终获得的深度学习训练集训练得到的dnn模型，可用于在采集时间受限和/或采集次数受限条件下，高质量地实现磁共振成像。

本实施例提供的装置获得的磁共振成像深度学习训练集，可用于训练dnn模型，该模型能够将以第二预设加速倍数加速采集重建得到的图像作为输入图像，输出高质量的磁共振图像。可以理解的是，根据第二预设加速倍数的取值不同，利用该装置得到的深度学习训练集的噪声图像集不同，进而将噪声图像集与标记图像集相加所得到的输入图像集也不同。由此可见，该装置适用于获得用于训练任意加速倍数对应的深度学习训练集的输入图像集。由于获取不同加速倍数对应的输入图像集时，标记图像集可以重复使用，从而提高了标记图像集的利用率。另外，噪声图像集是从满k空间的噪声数据中按照第二预设加速倍数抽取获得的，因此，获取不同加速倍数对应的输入图像集时，一次采集的满k空间噪声数据也可以重复使用，获得不同加速倍数对应的噪声图像集，可见，该装置提高了满k空间的噪声数据的利用率。

作为一种可能的实现方式，在本实施例提供的装置中，k空间数据采集单元1301，包括：

第一采集子单元，用于采用并行成像方法以第一预设加速倍数采集被测部位在预设屏气时间段内的k空间数据。

作为一种可能的实现方式，在本实施例提供的装置中，所述输入图像集获取单元1305，用于将所述标记图像集的模与所述噪声图像集的模相加、将所述标记图像集的复数与所述噪声图像集的复数相加，或将所述标记图像集与所述噪声图像集在k空间相加，获得所述深度学习训练集的输入图像集。

经过研究发现，针对不同体型的被试(人)的被测部位进行磁共振成像时，采用相同的加速倍数并行成像重建出的图像中，噪声存在差异。经过研究分析，噪声差异主要是因体型不同的被试的被测部位热噪声存在差异造成的。为提高利用深度学习训练集训练得到的dnn模型的适用性，使其能够将不同体型的被试的被测部位磁共振图像输入后，获得高质量的磁共振图像，本申请提供了另一种磁共振成像获得深度学习训练集的装置。

需要说明的是，该装置为在第四实施例所提供装置的基础上进行的适应性改进，与第二实施例提供的磁共振成像获得深度学习训练集的方法对应，具体也可参照第二实施例和第四实施例中的相关描述。下面结合是实施例和附图对该方法的具体实现方式进行详细描述。

第五实施例

参见图14，该图为本申请提供的另一种磁共振成像获得深度学习训练集的装置结构示意图。

如图14所示，本实施例提供的磁共振成像获得深度学习训练集的装置，包括：

k空间数据采集单元1301、标记图像集获取单元1302、噪声数据获取单元1303、噪声图像集获取单元1304和输入图像集获取单元1305。

其中，k空间数据采集单元1301与标记图像集获取单元1302在本实施例中的作用与其各自在第四实施例中的作用相同，此处不再进行赘述，关于k空间数据采集单元1301与标记图像集获取单元1302详细描述可参照第四实施例。

本实施例中，噪声数据获取单元1303，包括：

第一噪声数据获取子单元13031，用于分别获取n个被试所述被测部位的满k空间的噪声数据，得到n组满k空间的噪声数据。其中，n为大于或等于2的整数。

本实施例中，噪声图像集获取单元1304，包括：

第一噪声图像集获取子单元13041，用于对所述n组满k空间的噪声数据以第二预设加速倍数分别抽取部分噪声数据，得到n组部分噪声数据，对所述n组部分噪声数据分别利用并行成像方式重建图像获得n个噪声图像集。

本实施例中，输入图像集获取单元1305，包括：

第一输入图像集获取子单元13051，用于将所述n个噪声图像集分别与所述标记图像集相加，获得所述深度学习训练集的n个输入图像集。

以上，为本申请实施例提供的一种磁共振成像获得深度学习训练集的装置。该装置为提高深度学习训练集训练的dnn模型的适用性，基于不同被试同一被测部位的图像热噪声差异，获得n个不同被试同一被测部位的噪声图像集。通过将标记图像集与n个噪声图像集相加的方式，获得质量较差的n个图像作为深度学习训练集的n个输入图像集，进而扩大了深度学习训练集的输入图像集数量。n个输入图像集相比于单一的输入图像集，噪声分布更加多样化，进而，利用本申请实施例提供的获取深度学习训练集装置得到的训练集，可用于训练适用性更高的dnn模型，即不同体型的被试其被测部位的质量较差图像输入dnn模型后均可得到较高质量的输出图像。

此外，该装置能够在有限的采集时间条件下，获得深度学习训练集的标记图像集，因输入图像集是在标记图像集的基础上获得的，且噪声图像集无需考虑采集时间，因此该装置能够在有限的采集时间条件下，获得深度学习训练集的输入图像集。

另外，该装置无需对被测部位的k空间数据进行多次采集，通过单次采集k空间数据即可获得深度学习训练集的输入图像集与标记图像集，能够适用于在采集次数受限的条件下获得深度学习训练集。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。