一種磁共振欠采方法及裝置與流程

本發明屬于磁共振重建技術領域，尤其涉及一種磁共振欠采方法及裝置。

背景技術：

目前，通常采用廣義自動校準部分并行采集(generalizedauto-calibratingpartiallyparallelacquisitions，grappa)算法、spirit算法和敏感性編碼(sensitivityencoding，sense)算法等進行磁共振成像。然而，grappa算法存在重建圖像質量差，數據掃描時間長的問題，尤其當加速倍數加大時，效果逐漸變得很不理想；spirit算法是基于grappa算法的基礎上進行改進的另一種成像技術，效果相比grappa算法有了一些改進，但是還是存在與grappa算法類似的問題。基于圖像域的sense算法主要利用線圈靈敏度信息對混疊圖像進行展開和組合，得到無混合偽影的圖像，但對線圈靈敏度的精確性和分辨率的要求非常高，導致在保證成像質量的同時卻延長了成像時間。

故，有必要提出一種新的技術方案，以解決上述技術問題。

技術實現要素：

鑒于此，本發明實施例提供一種磁共振欠采方法及裝置，以提高磁共振成像的效率和精確度。

本發明實施例的第一方面，提供一種磁共振欠采方法，所述磁共振欠采方法包括：

沿著預設維度對k空間的視野進行欠采掩模的設置；

對所述欠采掩模進行漢明濾波，以獲取相應的欠采軌跡；

根據所述欠采軌跡對k空間數據進行采集；

將從所述k空間數據中采集的數據輸入至深度學習網絡，以獲取線上磁共振圖像。

本發明實施例的第二方面，提供一種磁共振欠采裝置，所述磁共振欠采裝置包括：

設置模塊，用于沿著預設維度對k空間的視野進行欠采掩模的設置；

濾波模塊，用于對所述欠采掩模進行漢明濾波，以獲取相應的欠采軌跡；

采集模塊，用于根據所述欠采軌跡對k空間數據進行采集；

線上成像模塊，用于將從所述k空間數據中采集的數據輸入至深度學習網絡，以獲取線上磁共振圖像。

本發明實施例與現有技術相比存在的有益效果是：本發明實施例通過沿著預設維度對k空間的視野進行欠采掩模的設置，并對所述欠采掩模進行漢明濾波，以獲取漢明濾波非對稱一維低頻欠采軌跡，再根據該欠采軌跡對k空間數據進行采集，將采集的數據輸入至深度學習網絡，從而獲取線上磁共振圖像，縮短了磁共振成像時間，提高了磁共振成像的精確度，進而實現了更快速更精準的磁共振成像。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明實施例一提供的磁共振欠采方法的實現流程圖；

圖2a是原始磁共振圖像的示例圖；圖2b是spirit算法在一維均勻欠采軌跡下的重建圖像的示例圖；圖2c是grappa算法在一維均勻欠采軌跡下的重建圖像的示例圖；圖2d是在均勻欠采軌跡下的重建圖像的示例圖；圖2e是在一維隨機欠采軌跡下的重建圖像的示例圖；圖2f是在漢明濾波非對稱一維低頻欠采軌跡下的重建圖像的示例圖；

圖3是本發明實施例二提供的磁共振欠采裝置的組成示意圖。

具體實施方式

以下描述中，為了說明而不是為了限定，提出了諸如特定系統結構、技術之類的具體細節，以便透徹理解本發明實施例。然而，本領域的技術人員應當清楚，在沒有這些具體細節的其它實施例中也可以實現本發明。在其它情況中，省略對眾所周知的系統、裝置、電路以及方法的詳細說明，以免不必要的細節妨礙本發明的描述。

為了說明本發明所述的技術方案，下面通過具體實施例來進行說明。

實施例一：

圖1示出了本發明實施例一提供的磁共振欠采方法的實現流程，所述實現流程詳述如下：

步驟s101，沿著預設維度對k空間的視野進行欠采掩模的設置。

在本發明實施例中，磁共振成像中的視野(fieldofview，fov)是圖像控件平面的范圍，即圖像的邊界。所述k空間將原始磁共振采樣時間域數據映射到頻率域。所述k空間是指相位編碼和頻率編碼后，采樣的磁共振數據構成的傅里葉頻域空間。所述欠采掩模可以用于控制在對k空間的視野進行欠采時欠采的區域。所述預設維度可以是指預先設置的某一維度。

可選的，所述沿著預設維度對k空間的視野進行欠采掩模的設置包括：

根據所述欠采掩模，沿著預設維度對k空間的視野進行非對稱低頻采樣。

可選的，所述沿著預設維度對k空間的視野進行非對稱低頻采樣包括：

沿著預設維度對k空間的視野中的低頻區域進行非對稱采樣。

可選的，所述預設維度為相位編碼方向。其中，所述相位編碼是在y軸方向施加線性梯度磁場，造成自旋質子有規律的進動相位差，然后利用此相位差來定位體素在y軸方向的坐標。射頻脈沖停止后，y軸方向的梯度磁場施加后，各體素磁化矢量有規律的進動導致相位發生規律性的變化，從而識別體素的位置。

步驟s102，對所述欠采掩模進行漢明濾波，以獲取相應的欠采軌跡。

在本發明實施例中，可以通過對所述欠采掩模加漢明窗進行漢明濾波，以獲取新的掩模，從而獲取漢明濾波非對稱一維低頻欠采軌跡。其中，所述漢明窗的大小可以和所述欠采掩模的大小相同。

步驟s103，根據所述欠采軌跡對k空間數據進行采集。

在本發明實施例中，可以將從k空間數據中采集的數據表示為：y＝hmeu，其中，u表示原始圖像，e表示傅里葉變換或者多通道編碼函數，m表示一維部分傅里葉采樣軌跡，h表示漢明濾波。

步驟s104，將從所述k空間數據中采集的數據輸入至深度學習網絡，以獲取線上磁共振圖像。

在本發明實施例中，所述深度學習網絡可以為超分辨率卷積神經網絡，該卷積網絡的基本配置是：網絡設置為三層，第一層有64個卷積核，每個卷積核大小為9*9；第二層有32個卷積核，每個卷積核大小為5*5；最后一層有一個卷積核，大小為5*5。通過制作好的樣本數據，利用該網絡對其進行訓練，網絡在工作站上面進行訓練，該工作站內存128g，帶有16核的處理器(intelxeon(r)cpue5-2680v3@2.5ghz)，整個網絡線下訓練用時四天。訓練完成之后，再進行線上測試。

本發明實施例在臺式電腦上面進行測試，該電腦配備window10(64位)操作系統、8gb隨機存取存儲器(randomaccessmemory，ram)ram和英特爾(r)酷睿(tm)i3-3240cpu@3.40ghz.amd3.40ghz，所用matlab版本是matlab2014b。實驗結果如圖2a至圖2f所示，圖2a是原始磁共振圖像的示例圖，圖2b是spirit算法在一維均勻欠采軌跡下的重建圖像的示例圖，圖2c是grappa算法在一維均勻欠采軌跡下的重建圖像的示例圖，圖2d是在均勻欠采軌跡下的重建圖像的示例圖，圖2e是在一維隨機欠采軌跡下的重建圖像的示例圖，圖2f是在漢明濾波非對稱一維低頻欠采軌跡下的重建圖像的示例圖。將圖2b、圖2c和圖2f的重建圖像與圖2a中的原始圖像進行對比，例如，將圖2b、圖2c和圖2f的重建圖像中長方形框中的圖像與圖2a中的原始圖像中長方形框中的圖像進行對比，可以看出，本發明實施例所設計的漢明濾波非對稱一維低頻欠采軌跡在同等加速倍數下的重建圖像要明顯優于grappa和spirit算法下的重建圖像；將圖2d、圖2e和圖2f的重建圖像與圖2a中的原始圖像進行對比，例如將圖2d、圖2e和圖2f的重建圖像中長方形框中的圖像與圖2a中的原始圖像中長方形框中的圖像進行對比，可以看出，本發明實施例所采用的漢明濾波非對稱一維低頻欠采軌跡相比于傳統的一維均勻欠采軌跡和一維隨機欠采軌跡能取得更好的重建結果。

此外，在重建時間上面，本發明所提供的方案在線上測試所用時間為14.9s，而grappa算法和spirit算法分別用時：46.7s和36.7s。本發明所用時間僅為這兩種經典算法的三分之一，故本發明重建速度要快得多。

本發明實施例通過沿著預設維度對k空間的視野進行欠采掩模的設置，并對所述欠采掩模進行漢明濾波，以獲取漢明濾波非對稱一維低頻欠采軌跡，再根據該欠采軌跡對k空間數據進行采集，將采集的數據輸入至深度學習網絡，從而獲取線上磁共振圖像，縮短了磁共振成像時間，提高了磁共振成像的精確度，進而實現了更快速更精準的磁共振成像。

應理解，上述實施例中各步驟的序號的大小并不意味著執行順序的先后，各過程的執行順序應以其功能和內在邏輯確定，而不應對本發明實施例的實施過程構成任何限定。

實施例二：

圖3示出了本發明實施例二提供的磁共振欠采裝置的組成示意圖，為了便于說明，僅示出了與本發明實施例相關的部分，詳述如下：

所述磁共振欠采裝置包括：

設置模塊31，用于沿著預設維度對k空間的視野進行欠采掩模的設置；

濾波模塊32，用于對所述欠采掩模進行漢明濾波，以獲取相應的欠采軌跡；

采集模塊33，用于根據所述欠采軌跡對k空間數據進行采集；

線上成像模塊34，用于將從所述k空間數據中采集的數據輸入至深度學習網絡，以獲取線上磁共振圖像。

可選的，所述設置模塊31具體用于：

根據所述欠采掩模，沿著預設維度對k空間的視野進行非對稱低頻采樣。

可選的，所述設置模塊31具體用于：

沿著預設維度對k空間的視野中的低頻區域進行非對稱采樣。

可選的，所述預設維度為相位編碼方向。

本發明實施例提供的磁共振欠采裝置可以使用在前述對應的方法實施例一中，詳情參見上述實施例一的描述，在此不再贅述。

所述領域的技術人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能模塊完成，即所述裝置的內部結構劃分成不同的功能模塊，上述功能模塊既可以采用硬件的形式實現，也可以采用軟件的形式實現。另外，各功能模塊的具體名稱也只是為了便于相互區別，并不用于限制本申請的保護范圍。

綜上所述，本發明實施例沿著預設維度對k空間的視野進行欠采掩模的設置，并對所述欠采掩模進行漢明濾波，以獲取漢明濾波非對稱一維低頻欠采軌跡，再根據該欠采軌跡對k空間數據進行采集，將采集的數據輸入至深度學習網絡，從而獲取線上磁共振圖像，縮短了磁共振成像時間，提高了磁共振成像的精確度，進而實現了更快速更精準的磁共振成像。

所屬領域的技術人員可以清楚地了解到，為了描述的方便和簡潔，僅以上述各功能單元、模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能單元、模塊完成，即將所述裝置的內部結構劃分成不同的功能單元或模塊，以完成以上描述的全部或者部分功能。實施例中的各功能單元、模塊可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中，上述集成的單元既可以采用硬件的形式實現，也可以采用軟件功能單元的形式實現。另外，各功能單元、模塊的具體名稱也只是為了便于相互區分，并不用于限制本申請的保護范圍。上述系統中單元、模塊的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。

在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述或記載的部分，可以參見其它實施例的相關描述。

本領域普通技術人員可以意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機軟件和電子硬件的結合來實現。這些功能究竟以硬件還是軟件方式來執行，取決于技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的范圍。

在本發明所提供的實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊或單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通訊連接可以是通過一些接口，裝置或單元的間接耦合或通訊連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。

另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現，也可以采用軟件功能單元的形式實現。

所述集成的模塊/單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明實現上述實施例方法中的全部或部分流程，也可以通過計算機程序來指令相關的硬件來完成，所述的計算機程序可存儲于一計算機可讀存儲介質中，該計算機程序在被處理器執行時，可實現上述各個方法實施例的步驟。。其中，所述計算機程序包括計算機程序代碼，所述計算機程序代碼可以為源代碼形式、對象代碼形式、可執行文件或某些中間形式等。所述計算機可讀介質可以包括：能夠攜帶所述計算機程序代碼的任何實體或裝置、記錄介質、u盤、移動硬盤、磁碟、光盤、計算機存儲器、只讀存儲器(read-onlymemory，rom)、ram、電載波信號、電信信號以及軟件分發介質等。需要說明的是，所述計算機可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減，例如在某些司法管轄區，根據立法和專利實踐，計算機可讀介質不包括是電載波信號和電信信號。

以上所述實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍，均應包含在本發明的保護范圍之內。