[go: up one dir, main page]

CN110276725A - 一种自由呼吸下腹部磁共振成像伪影的快速去除方法 - Google Patents

一种自由呼吸下腹部磁共振成像伪影的快速去除方法 Download PDF

Info

Publication number
CN110276725A
CN110276725A CN201810212643.0A CN201810212643A CN110276725A CN 110276725 A CN110276725 A CN 110276725A CN 201810212643 A CN201810212643 A CN 201810212643A CN 110276725 A CN110276725 A CN 110276725A
Authority
CN
China
Prior art keywords
artifact
magnetic resonance
image
resonance imaging
lower abdomen
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.)
Granted
Application number
CN201810212643.0A
Other languages
English (en)
Other versions
CN110276725B (zh
Inventor
吕骏
郑亦嘉
张珏
方竞
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Priority to CN201810212643.0A priority Critical patent/CN110276725B/zh
Publication of CN110276725A publication Critical patent/CN110276725A/zh
Application granted granted Critical
Publication of CN110276725B publication Critical patent/CN110276725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种自由呼吸下腹部磁共振成像伪影的快速去除方法，包含采集带伪影的图像数据部分、预处理得到若干子图部分、通过校正模型消除伪影部分以及L个子图拼接得到输出图像部分。本发明能够实时去除由于高倍亚采样图像中带有的条纹伪影，具有临床潜在应用价值。

Description

一种自由呼吸下腹部磁共振成像伪影的快速去除方法
技术领域
本发明涉及一种自由呼吸下腹部磁共振成像伪影的快速去除方法，属于图像处理技术领域。
背景技术
目前，磁共振成像技术在腹部病变的临床诊断和治疗中起着至关重要的作用。但是磁共振成像时间长，腹部会受呼吸运动的影响。呼吸运动会导致器官发生运动和形变，从而导致图像中产生呼吸运动伪影，使得图像的分辨率和信噪比降低，在图像指导的介入治疗过程中则会出现静态指导信息和运动结构的位置不一致的现象。近年来，有研究者提出一种可以在受试者自由呼吸下成腹部图像的序列，即3D黄金角径向stack-of-stars(SOS)序列。然而在高倍亚采样的情况下，重建图像有明显的条纹伪影。通常采用基于压缩感知的方法来消除该类伪影，然而由于该方法需要迭代计算，重建速度慢，不具有临床应用的可行性。因此，亟需一种自由呼吸下腹部磁共振成像伪影的快速去除方法。
发明内容
为了能够解决受试者在自由呼吸下成腹部磁共振成像过程中，消除条纹伪影速度慢，难以临床应用的不足，本发明的目的在于提供一种可以在自由呼吸下降采样的磁共振图像条纹伪影的快速去除方法。
为了实现上诉目的，本发明的技术方案如下：
一种自由呼吸下腹部磁共振成像伪影的快速去除方法，由以下步骤组成：
1)采集受试者在腹部自由呼吸状态下带有条纹伪影的图像数据I0；优选的，所述的采集的磁共振扫描序列为3D黄金角径向stack-of-stars(SOS)扫描序列；优选的，所述的图像数据I0是通过5-20倍的降采样获得。
2)将采集到的I0进行预处理得到L个子图像，以便将降采样的图像数据I0，输入到矫正模型M中；优选的，所述的预处理方法采用边长为5-10个像素的方块为滑动窗口，遍历图像I0得到L个子区域，相邻子区域之间的重叠度为70-85％。
3)将L个子图像分别通过事先训练好的校正模型M进行伪影去除，优选的，所述的校正模型M是经过有监督学习得到的非线性映射，由堆叠卷积自编码网络构建；其中校正模型M的样本正确标注数据(ground true)为全K空间采样得到的无伪影图像，模型M的训练样本来自相应正确标注数据的5％-20％部分K空间采样得到的有伪影图像；优选的，样本正确标注数据的磁共振扫描序列为用3D黄金角径向stack-of-stars(SOS)扫描序列，完成K空间全采样。
4)将伪影去除后的L个子图拼接称为图像I1,作为去伪影后的输出。
综上所述，一种自由呼吸下腹部磁共振成像伪影的快速去除方法，主要创新之处在于：通过把全采样数据做为正确标准数据(ground true)以及把降采样数据做为样本输入，构建堆叠卷积自编码网络(Stacked Convolutional Auto-encoders，SCAE)，得到了输入输出图像数据之间的非线性映射，进而通过该网络，可以去除由于降采样而造成的条纹伪影，实现在自由呼吸下降采样的磁共振图像条纹伪影的快速去除。
附图说明
图1为本发明的整体流程图；
图2为本发明中一个重建结果图
具体实施方式
下面通过具体实施例对本发明进行说明，但本发明并不局限于此。
如图1所示，本发明的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，首先采集受试者在腹部自由呼吸状态下带有条纹伪影的图像数据I0；进而将采集到的I0进行预处理得到L个子图像；然后将L个子图像分别通过事先训练好的校正模型M进行伪影去除；最终将伪影去除后的L个子图拼接称为图像I1,作为去伪影后的输出。
本实施例中采集受试者在腹部自由呼吸状态下采用的磁共振扫描序列为3D黄金角径向stack-of-stars(SOS)扫描序列，进而通过5倍的降采样获得带伪影的图像数据I0。
本实施例中预处理方法，采用边长为7个像素的方块为滑动窗口，遍历图像I0后得到L个子领域，且相邻区域之间的重叠度为80％。
本实施例中的校正模型M，采用堆叠卷积自编码网络，该网络的样本正确标注数据为全K空间采样得到的无伪影图像，该网络的训练样本来自相应正确标注数据的20％部分K空间采样得到的有伪影图像，样本正确标注数据的磁共振扫描序列为用3D黄金角径向stack-of-stars(SOS)扫描序列，完成K空间全采样。此外该网络由9个隐藏层组成，包括：
1)1个滤波器尺寸为128×5×5的卷积层；
2)1个2×2的最大池化层；
3)64个滤波器尺寸5×5的卷积层；
4)1个2×2的最大池化层；
5)64个滤波器尺寸5×5的反卷积层；
6)1个2×2的上采样层；
7)128个滤波器尺寸为5×5的反卷积层；
8)1个2×2的上采样层；
9)1个滤波器尺寸为5×5的反卷积层。
图2显示为采用本发明得到自由呼吸下腹部磁共振成像伪影的去除图像；图像给出了三个典型受试者的结果图，左列为输入的带有条纹伪影的训练图像，中间列为堆叠卷积自编码网络(SCAE)输出的结果图，右列参考金标准图像(ground true)。结果表明本方法可以较好的删除条纹伪影，与金标准的误差仅出现在腹部边界，集中在脂肪高亮信号区域。

Claims (5)

1.一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，由以下步骤组成：
1)采集受试者在腹部自由呼吸状态下带有条纹伪影的图像数据I0；
2)将采集到的I0进行预处理得到L个子图像；
3)将L个子图像分别通过事先训练好的校正模型M进行伪影去除；
4)将伪影去除后的L个子图拼接称为图像I1,作为去伪影后的输出。
2.如权利要求1所述的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，所述的采集受试者在腹部自由呼吸状态下的图像数据I0时所采用的磁共振扫描序列为3D黄金角径向stack-of-stars(SOS)扫描序列；所述的图像数据I0是通过5-20倍的降采样获得。
3.如权利要求1所述的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，所述的预处理方法包括：采用边长为5-10个像素的方块为滑动窗口，遍历图像I0得到L个子区域，相邻子区域之间的重叠度为70-85％。
4.如权利要求1所述的一种自由呼吸下腹部磁共振成像伪影的快速去除方法，其特征在于，所述的校正模型M是经过有监督学习得到的非线性映射，由堆叠卷积自编码网络构建；其中校正模型M的样本正确标注数据为全K空间采样得到的无伪影图像，模型M的训练样本来自相应正确标注数据的5％-20％部分K空间采样得到的有伪影图像。
5.如权利要求4所述的校正模型M，其特征在于，样本正确标注数据的磁共振扫描序列为用3D黄金角径向stack-of-stars(SOS)扫描序列，完成K空间全采样。
CN201810212643.0A 2018-03-15 2018-03-15 一种自由呼吸下腹部磁共振成像伪影的快速去除方法 Active CN110276725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810212643.0A CN110276725B (zh) 2018-03-15 2018-03-15 一种自由呼吸下腹部磁共振成像伪影的快速去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810212643.0A CN110276725B (zh) 2018-03-15 2018-03-15 一种自由呼吸下腹部磁共振成像伪影的快速去除方法

Publications (2)

Publication Number Publication Date
CN110276725A true CN110276725A (zh) 2019-09-24
CN110276725B CN110276725B (zh) 2022-03-25

Family

ID=67958442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810212643.0A Active CN110276725B (zh) 2018-03-15 2018-03-15 一种自由呼吸下腹部磁共振成像伪影的快速去除方法

Country Status (1)

Country Link
CN (1) CN110276725B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101995561A (zh) * 2010-10-22 2011-03-30 南方医科大学 基于图像域叠加的propeller磁共振数据重建方法
CN102005031A (zh) * 2010-11-03 2011-04-06 宁波鑫高益磁材有限公司 一种mri系统中k空间采样数据的运动伪影消除方法及装置
CN102232830A (zh) * 2010-04-30 2011-11-09 西门子(深圳)磁共振有限公司 一种磁共振成像水脂分离方法
US20140100124A1 (en) * 2012-10-04 2014-04-10 Asuragen, Inc. Diagnostic mirnas for differential diagnosis of incidental pancreatic cystic lesions
US20150276909A1 (en) * 2014-03-25 2015-10-01 Beth Israel Deaconess Medical Center, Inc. (Bidmc, Inc.) Mri methods and apparatus for flexible visualization of any subset of an enlarged temporal window
CN107072595A (zh) * 2013-12-31 2017-08-18 威斯康星州医药大学股份有限公司 基于多模态成像的自适应重计划
CN107154025A (zh) * 2016-03-04 2017-09-12 北京大学 一种针对颈动脉磁共振血管壁成像的血流伪影去除方法
US20170322274A1 (en) * 2016-05-05 2017-11-09 Siemens Healthcare Gmbh Multi-Echo Pseudo-Golden Angle Stack of Stars Thermometry with High Spatial and Temporal Resolution Using k-Space Weighted Image Contrast
CN107507148A (zh) * 2017-08-30 2017-12-22 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102232830A (zh) * 2010-04-30 2011-11-09 西门子(深圳)磁共振有限公司 一种磁共振成像水脂分离方法
CN101995561A (zh) * 2010-10-22 2011-03-30 南方医科大学 基于图像域叠加的propeller磁共振数据重建方法
CN102005031A (zh) * 2010-11-03 2011-04-06 宁波鑫高益磁材有限公司 一种mri系统中k空间采样数据的运动伪影消除方法及装置
US20140100124A1 (en) * 2012-10-04 2014-04-10 Asuragen, Inc. Diagnostic mirnas for differential diagnosis of incidental pancreatic cystic lesions
CN107072595A (zh) * 2013-12-31 2017-08-18 威斯康星州医药大学股份有限公司 基于多模态成像的自适应重计划
US20150276909A1 (en) * 2014-03-25 2015-10-01 Beth Israel Deaconess Medical Center, Inc. (Bidmc, Inc.) Mri methods and apparatus for flexible visualization of any subset of an enlarged temporal window
CN107154025A (zh) * 2016-03-04 2017-09-12 北京大学 一种针对颈动脉磁共振血管壁成像的血流伪影去除方法
US20170322274A1 (en) * 2016-05-05 2017-11-09 Siemens Healthcare Gmbh Multi-Echo Pseudo-Golden Angle Stack of Stars Thermometry with High Spatial and Temporal Resolution Using k-Space Weighted Image Contrast
CN107507148A (zh) * 2017-08-30 2017-12-22 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTOPHER M. RANK等: ""Artifact model-based respiratory motion compensation (MoCo) for simultaneous PET/MR based on strongly undersampled radial MR data"", 《2014 IEEE NUCLEAR SCIENCE SYMPOSIUM AND MEDICAL IMAGING CONFERENCE (NSS/MIC)》 *
肖韬辉等: ""深度学习的快速磁共振成像及欠采样轨迹设计"", 《中国图象图形学报》 *

Also Published As

Publication number Publication date
CN110276725B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN111081354B (zh) 用于通过深度学习网络对医疗图像进行去噪的系统和方法
Yu et al. Computed tomography super-resolution using convolutional neural networks
CN106204489B (zh) 结合深度学习与梯度转换的单幅图像超分辨率重建方法
EP3971824A1 (en) Improving quality of medical images using multi-contrast and deep learning
US20220058438A1 (en) Machine learning processing of contiguous slice image data
CN112634197A (zh) 一种颅内血管造影增强三维模型的建立方法
CN104931903B (zh) 一种磁共振去除运动伪影的方法及装置
CN113192151B (zh) 一种基于结构相似性的mri图像重建方法
CN113592745B (zh) 一种基于对抗性域自适应的无监督mri图像复原方法
KR102331104B1 (ko) 팬텀에 대한 구조 영상 기반의 공간해상도와 화질의 동시 개선 신경망 학습을 통한 새로운 핵의학영상 재구성 시스템
Wang et al. Reduction of Gibbs artifacts in magnetic resonance imaging based on Convolutional Neural Network
CN114758028B (zh) 一种基于优化正则化和cnn的欠采样磁共振图像的高性能重建方法
CN112037304A (zh) 基于swi相位图像的两阶段的边缘增强qsm重建方法
CN117372606A (zh) 一种快速的超低场磁共振成像系统及方法
CN112508868A (zh) 一种颅内血管综合图像生成方法
CN114170152A (zh) 一种模拟化三维颅内血管狭窄分析模型的建立方法
Li et al. Wtfusion: Wavelet-assisted transformer network for multisensor image fusion
Malczewski PET image reconstruction using compressed sensing
CN116165587A (zh) 一种基于深度学习的定量磁敏感成像方法
CN110276725A (zh) 一种自由呼吸下腹部磁共振成像伪影的快速去除方法
CN112508881A (zh) 一种颅内血管图像配准方法
CN108986027A (zh) 基于改进的联合三边滤波器的深度图像超分辨重建方法
Ahmed et al. Dynamic MRI using deep manifold self-learning
CN112508875A (zh) 一种模拟化三维血管狭窄分析模型的建立方法
Deshpande et al. Super-resolution in a world of scarce resources for medical imaging applications

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
GR01 Patent grant
GR01 Patent grant