一种螺旋桨磁共振成像的重建系统和方法与流程

技术特征：
1.一种螺旋桨磁共振成像的重建系统，其特征在于，包括：模型建立模块，用于预先建立以及训练形成一深度学习模型；存储模块，连接所述模型建立模块，用于存储所述深度学习模型；图像获取模块，用于获取待重建的加速的磁共振图像以及对应的线圈灵敏度图像；结果获取模块，分别连接所述图像获取模块和所述存储模块，用于将待重建的加速的所述磁共振图像以及所述线圈灵敏度图像输入所述深度学习模型中以分别输出叶片图像以及所述叶片图像之间的运动参数；图像矫正模块，连接所述结果获取模块，用于基于输出的所述运动参数对输出的每个所述叶片图像进行矫正；图像重建模块，连接所述图像矫正模块，用于对矫正后的每个所述叶片图像进行合并以获得重建的高分辨率的去伪影的磁共振图像。2.如权利要求1所述的一种螺旋桨磁共振成像的重建系统，其特征在于，所述模型建立模块包括：图像收集单元，用于收集已公开的磁共振图像作为训练样本；图像处理单元，连接所述图像收集单元，用于获取所述训练样本对应的线圈灵敏度图像；第一参数设置单元，用于设置螺旋桨磁共振仿真的成像参数；第二参数设置单元，用于设置随机运动参数；第一数据生成单元，分别连接所述图像收集单元、图像处理单元、第一参数设置单元和第二参数设置单元，用于基于所述训练样本、对应的所述线圈灵敏度图像、所述成像参数以及所述随机运动参数以生成未加速的k空间数据；第二数据生成单元，连接所述第一数据生成单元，用于对未加速的所述k空间数据进行欠采样处理生成加速的所述k空间数据；模型构建单元，建立一未训练的深度学习模型；训练单元，分别连接所述图像处理单元、所述第二数据生成单元以及所述模型构建单元，用于以加速的所述k空间数据、对应的所述线圈灵敏度图像作为所述深度学习模型的输入，深度学习模型输出的叶片图像作为第一输出结果以及所述叶片图像之间的运动参数作为第二输出结果，基于总损失函数训练所述深度学习模型，并将训练好的所述深度学习模型存储于所述存储模块中。3.如权利要求2所述的一种螺旋桨磁共振成像的重建系统，其特征在于，所述深度学习模型的总损失函数由第一损失函数和第二损失函数权重相加获得；所述第一损失函数用于计算所述第一输出和未加速的所述k空间数据之间的损失；所述第二损失函数用于计算所述第二输出与所述随机运动参数之间的损失。4.如权利要求3所述的一种螺旋桨磁共振成像的重建系统，其特征在于，所述成像参数包括叶片数量、叶片旋转角度以及k空间矩阵大小。5.如权利要求3所述的一种螺旋桨磁共振成像的重建系统，其特征在于，所述随机运动参数包括平移和旋转角度。6.如权利要求3所述的一种螺旋桨磁共振成像的重建系统，其特征在于，所述图像处理单元用于：对于为单通道图像或者多通道合并后的所述训练样本，随机仿真以生产对应的
多通道的所述线圈灵敏度图像。7.如权利要求3所述的一种螺旋桨磁共振成像的重建系统，其特征在于，所述深度学习模型的网络架构包括：傅里叶逆变换层，以加速的所述k空间数据作为输入，将所述k空间数据从频率域转换成图像域作为输出；共轭相乘层，以所述傅里叶逆变换层的输出和线圈灵敏度图作为输入，每个所述叶片图像与对应通道的线圈灵敏度图共轭相乘；线圈通道结合层，输入端连接共轭相乘层的输出端，以将每个通道的共轭相乘结果相加作为输出；第一卷积模块，输入端连接线圈通道结合层的输出端，包括若干卷积层，输出第一次卷积操作后的每个叶片的中间图像；第一傅里叶变换层，输入端连接所述第一卷积模块的输出端，将叶片的中间图像从图像域转换成频率域，形成中间的k空间数据；第一数据一致层，一输入端连接所述第一傅里叶变换层，另一输入端以加速的所述k空间数据作为输入，以加速的所述k空间数据部分替换中间的k空间数据；第一中心裁剪层，输入端连接所述第一数据一致层的输出端，对替换后的所述k空间数据中每个叶片的k空间进行裁剪获取每个叶片的k空间中心区域并输出；第一全连接层，输入端连接所述第一中心裁剪层的输出端，输出初步估计的运动参数；初步图像重建层，分别连接第一卷积模块的输出端和第一全连接层的输出端以作为输入，基于初步估计的所述运动参数对第一次卷积操作后输出的每个叶片的中间进行初步重建合并，进一步初步仿真生成叶片图像；融合层，分别连接所述初步图像重建层的输出端和所述第一卷积模块的输出端以作为输入，将初步仿真生成的所述叶片图像与第一次卷积操作后的图像分别进行融合；第二卷积模块，输入端连接所述融合层的输出端，包括若干卷积层，对融合后的图像进行第二次卷积操作，第一输出端输出叶片图像作为所述第一输出结果；所述第二卷积模块的第二输出端依次连接第二傅里叶变换层、第二数据一致层、第二中心裁剪层、第二全连接层；所述第二数据一致层还以加速的所述k空间数据作为输入进行部分数据替换；所述第二中心裁剪层获取每个叶片的k空间中心区域；所述第二全连接层的输出端输出运动参数作为第二输出结果。8.如权利要求7所述的一种螺旋桨磁共振成像的重建系统，其特征在于，所述第一中心裁剪层和第二中心裁剪层分别截取的k空间中心区域大小为30
×
30。9.一种螺旋桨磁共振成像的重建方法，其特征在于，使用如权利要求1-8任意一项所述的一种螺旋桨磁共振成像的重建系统，包括：步骤a1，获取待重建的加速的磁共振图像以及对应的线圈灵敏度图像；步骤a2，将待重建的加速的所述磁共振图像以及所述线圈灵敏度图像输入训练好的所述深度学习模型中以分别输出叶片图像以及所述叶片图像之间的运动参数；步骤a3，基于输出的所述运动参数对每个所述叶片图像进行矫正；步骤a4，对矫正后的每个所述叶片图像进行合并以获得重建的高分辨率的去伪影的磁
共振图像。10.如权利要求9所述一种螺旋桨磁共振成像的重建方法，其特征在于，步骤a2中，所述深度学习模型的训练步骤包括：步骤b1，收集已公开的磁共振图像作为训练样本；步骤b2，获取所述训练样本对应的线圈灵敏度图像；步骤b3，设置螺旋桨磁共振仿真的成像参数；步骤b4，设置随机运动参数；步骤b5，设置基于所述训练样本、对应的所述线圈灵敏度图像、所述成像参数以及所述随机运动参数以生成未加速的k空间数据；步骤b6，对未加速的所述k空间数据进行欠采样处理生成加速的所述k空间数据；步骤b7，以加速的所述k空间数据、对应的所述线圈灵敏度图像输入构建的深度学习模型，输出叶片图像作为第一输出结果以及输出所述叶片图像之间的估计运动参数作为第二输出结果，训练所述深度学习模型，并将训练好的所述深度学习模型进行存储。

技术总结
本发明提供一种螺旋桨磁共振成像的重建系统和方法，步骤A1，获取待重建的加速的磁共振图像以及对应的线圈灵敏度图像；将待重建的加速的磁共振图像以及线圈灵敏度图像输入训练好的深度学习模型中以输出叶片图像以及叶片图像之间的运动参数；基于输出的运动参数对每个叶片图像进行矫正；对矫正后的每个叶片图像进行合并以获得重建的高分辨率的去伪影的磁共振图像。针对加速的螺旋桨图像进行处理，生成的磁共振图像质量更好，信噪比高、伪影少，有助于医生诊断提升准确率。有助于医生诊断提升准确率。有助于医生诊断提升准确率。


技术研发人员：张志遵 朱瑞星 吕孟叶
受保护的技术使用者：杭州微影医疗科技有限公司
技术研发日：2021.12.24
技术公布日：2022/4/29