基于波浪梯度编码场和深度学习模型的磁共振成像方法

1.本发明涉及磁共振成像技术领域，具体涉及一种基于波浪梯度编码场和深度学习模型的磁共振成像方法、装置、设备及其存储介质。


背景技术：

2.在传统的磁共振成像(mri)中，扫描时间长是固有的特点。现有的磁共振成像加速方法中，并行成像是一种有效的加速成像的方法，并行成像是一种利用多通道的相控阵列线圈的空间编码能力，减少梯度磁场的编码步数，达到加速的目的，实际中，并行成像是通过多通道k空间之期间的冗余信息(先验信息)，达到欠采样的目的。在并行成像中，重建方法可以分为两类，一类是基于图像域解混叠或者求解方法，比如pils、sense和espirit等；另外一类是基于k空间数据填充的方法，比如smash、grappa和spirit等。在图像域的重建方法中，首先使用采集的k空间参考线(acs)估计线圈敏感度信息(csm)，加速后(欠采样)的k空间变成图像域后产生图像的混叠，然后利用csm进行解混叠；基于k空间数据填充的方法，类似于图像域的方法，通过采集的acs线，估计出用于填充k空间原始数据的卷积核(kernel)。无论是基于图像域还基于k空间的加速方法，都需要采集acs线用于估计csm或者kernel。然后采集acs在实际中是需要消耗大量时间的，而且采集完成acs线之后使用常用的算法(比如espirit等)估计csm或者kernel时需要消耗大量的时间，这对于实际应用是不友好的。
3.一种使用wave－caipi(其中caipi表示控制相位在相位和选层方向进行偏移或错位操作)可控混叠的并行成像方法在3d成像中具有显著的效果，其通过在三个空间方向造成混叠，充分利用三个方向的线圈敏感度变化，显著高倍加速三维成像的降低几何因子和残留混叠伪影。wave－caipi结合了波束相位编码(bpe)和可控混叠并行成像(caipirinha)，能够显著利用空间上三个方向混叠的csm信息，利用扩展的sense模型求解，系统具有更小的条件数，使得重建的几何因子更小以及分布更加均匀，从而重建图像具有更高的信噪比。尽管wave－caipi能够兼顾更高信噪比的同时实现更高的加速倍数，但是重建过程仍然需要采集acs估计csm，这个过程仍然没有避免在基于图像域或者k空间中消耗时间的过程，这在临床的应用中是不友好的。


技术实现要素：

4.鉴于现有技术中的上述缺陷或不足，期望提供一种基于wave－caipi梯度编码场和深度学习模型的磁共振成像方法、装置、设备及其存储介质。
5.第一方面，本技术实施例提供了一种基于wave－caipi深度学习模型的磁共振成像方法，该方法包括：在wave－caipi梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像；通过vcc对物理线圈通道数据做共轭对称，生成vcc通道数据；将物理线圈通道数据和vcc通道数据合并重建几何因子计算模型。
6.在其中一个实施例中，所述在wave－caipi梯度编码场的磁共振重建模型中引入
深度生成网络模型之前，该方法还包括：利用并行成像在磁共振加速成像采集多个对应于不同通道的欠采样k空间，通过基于不同的线圈敏感度信息，得到重建后的欠采样k空间的无伪影的图像。
7.在其中一个实施例中，所述在wave－caipi梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像，包括：在磁共振成像建立wave梯度场(wave)的编码模型：wave(x,y,z)＝em(x,y,z)，其中，e是编码矩阵，m表示在相位编码方向由可控混叠并行成像采样模式导致的偏移混叠，f
x
表示在x方向的傅里叶变换，s表示线圈敏感度信息，psf(k
x
,y,z)为wave－caipi梯度场的作用效果；通过wave(x,y,z)＝em(x,y,z)和得到其中，psf[x,y,z]为psf(k
x
,y,z)在读出方向的反傅里叶变换。
[0008]
在其中一个实施例中，所述通过vcc对物理线圈通道数据做共轭对称，生成vcc通道数据，包括：通过wave(x,y,z)＝em(x,y,z)和得到其中，wave
*
(x,y,z)表示通过vcc扩展后的数据，表示在现有的psf[x,y,z]基础上扩展通道数的psf。
[0009]
在其中一个实施例中，所述生成vcc通道数据之后，该方法还包括：引入无需训练的深度生成模型。
[0010]
在其中一个实施例中，所述将物理线圈通道数据和vcc通道数据合并重建几何因子计算模型，包括：通过公式得到经过vcc扩展后的几何因子g－factor，其中，表示经过vcc扩展后的编码矩阵。
[0011]
第二方面，本技术实施例还提供了一种基于wave－caipi梯度编码场和深度学习模型的磁共振成像装置，该装置包括：引入单元，用于在wave－caipi梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像；生成单元，用于通过vcc对物理线圈通道数据做共轭对称，生成vcc通道数据；重建单元，用于将物理线圈通道数据和vcc通道数据合并重建几何因子计算模型。
[0012]
第三方面，本技术实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本技术实施例描述中任一所述的方法。
[0013]
第四方面，本技术实施例还提供了一种计算机设备一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：所述计算机程序被处理器执行时实现如本技术实施例描述中任一所述的方法。
[0014]
本发明的有益效果：
[0015]
本发明提供的基于wave－caipi梯度编码场和深度学习模型的磁共振成像方法，将wave－caipi、vcc和dgm相结合，其不仅仅利用了wave－caipi和vcc降低系统条件数的优势，适用重建的g－factor更小，更加均匀，从而重建图形具有更高的信噪比，而且在求解的
过程中不需要采集acs线估计csm或者kernel，进而大大缩短传统卷积神经网络中需要大量的训练数据训练网络参数的数据采集时间，并且规避了采集数据不准确而引入的误差，也不需要传统重建中需要消耗时间去估计csm或者kernel，这能更加适应于临床需求。
附图说明
[0016]
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
[0017]
图1示出了本技术实施例提供的基于wave－caipi梯度编码场和深度学习模型的磁共振成像方法的流程示意图；
[0018]
图2示出了根据本技术一个实施例的基于wave－caipi梯度编码场和深度学习模型的磁共振成像装置200的示例性结构框图；
[0019]
图3示出了适于用来实现本技术实施例的终端设备的计算机系统的结构示意图；
[0020]
图4示出了本技术实施例提供的深度生成模型结构图；
[0021]
图5示出了本技术实施例提供的结合wave－caipi和vcc的仿真结果示意图；
[0022]
图6示出了本技术实施例提供的wv－dgm和wv－sense(wave－vcc sense)在大脑数据上的重建比较结果的示意图。
具体实施方式
[0023]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。
[0024]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0025]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0026]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0027]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示
第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0028]
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
[0029]
请参考图1，图1示出了本技术实施例提供的基于wave－caipi梯度编码场和深度学习模型的磁共振成像方法的流程示意图。
[0030]
如图1所示，该方法包括：
[0031]
步骤110，在wave－caipi梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像；
[0032]
步骤120，通过vcc对物理线圈通道数据做共轭对称，生成vcc通道数据；
[0033]
步骤130，将物理线圈通道数据和vcc通道数据合并重建几何因子计算模型。
[0034]
采用上述技术方案，将wave－caipi、vcc和dgm相结合，其不仅仅利用了wave－caipi和vcc降低系统条件数的优势，适用重建的g－factor更小，更加均匀，从而重建图形具有更高的信噪比，而且在求解的过程中不需要采集acs线估计csm或者kernel，进而大大缩短传统卷积神经网络中需要大量的训练数据训练网络参数的数据采集时间，并且规避了采集数据不准确而引入的误差，也不需要传统重建中需要消耗时间去估计csm或者kernel，这能更加适应于临床需求。
[0035]
在一些实施例中，本技术中的在wave－caipi梯度编码场的磁共振重建模型中引入深度生成网络模型之前，该方法还包括：利用并行成像在磁共振加速成像采集多个对应于不同通道的欠采样k空间，通过基于不同的线圈敏感度信息，得到重建后的欠采样k空间的无伪影的图像。
[0036]
具体地，在磁共振加速成像中，并行成像是一种有效的减低几何因子的加速成像的手段，其同时采集多个对应于不同通道的欠采样k空间，每个通道的线圈敏感度分布是不同的，所以每个k空间之间存在线圈敏感度编码的差异，即存在互补的信息，通过利用不同的线圈敏感度信息，可以从多个通的欠采样k空间重建得到无伪影的图像，实质上，并行成像主要是利用的是不同线圈k空间之间的冗余信息(先验信息)，达到欠采样加速采集的目的，其信号模型如下，
[0037][0038]
其中，(2)其中，gy(t)和gz(t)是在读出期间一对相位差π/2的wave－caipi梯度场。
[0039]
在一些实施例中，本技术中的在wave－caipi梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像，包括：在磁共振成像建立wave－caipi梯度场的编码模型：wave(x,y,z)＝em(x,y,z)，其中，e是编码矩阵，m表示在相位编码方向由可控混叠并行成像采样模式导致的偏移混叠，f
x
表示在x方向的傅里
叶变换，s表示线圈敏感度信息，psf(k
x
,y,z)为wave－caipi梯度场的作用效果；通过wave(x,y,z)＝em(x,y,z)和得到其中，psf[x,y,z]为psf(k
x
,y,z)在读出方向的反傅里叶变换。
[0040]
具体地，在mri中，wave－caipi梯度场的作用效果可以用psf表示，它是一个周期正弦变化的三维相位图，其中t与k空间读出方向的编码k
x
是一一线性对应的，psf(t,y,z)也可以写作离散形式psf(k
x
,y,z)，将psf(k
x
,y,z)在y和z方向做傅里叶变换，变成psf(k
x
,ky,kz)，它可以描述wave－caipi轨迹相对于笛卡尔轨迹的偏移量，将psf(k
x
,y,z)在读出方向做反傅里叶变换，即变成psf(x,y,z)，其可以描述wave－caipi梯度场在读出方向的扩散效应。wave－caipi的编码模型可以简化为，wave(x,y,z)＝em(x,y,z)(3)，其中e是编码矩阵，其中s表示csm，f
x
表示在x方向的傅里叶变换，m表示在相位编码方向由caipirinha采样模式导致的偏移混叠。实际上，公式(3)和(4)可以等价写成，其中psf[x,y,z]是在psf(k
x
,y,z)是在读出方向的反傅里叶变换。通过在编码矩阵中引入wave－caipi空间编码梯度，并且结合caipirinha，可以使得像素在3d空间中产生移动(混叠)，进而降低求解系统条件数，缩小几何因子(g－factor)。
[0041]
在一些实施例中，本技术中的通过vcc对物理线圈通道数据做共轭对称，生成vcc通道数据，包括：通过wave(x,y,z)＝em(x,y,z)和得到其中，wave
*
(x,y,z)表示通过vcc扩展后的数据，表示在现有的psf[x,y,z]基础上扩展通道数的psf。
[0042]
具体地，使用wave－ciapi加速mri成像的过程中能够有效降低g－factor，提高snr，vcc(vcc)技术是提高编码算子的系统条件数的另外一种并行成像方法，其中vcc主要利用目标的背景相位和线圈相位，提供额外的编码能力，具体做法是通过对物理线圈通道的数据做共轭对称，生成虚拟的共轭线圈通道的数据，将两者合并到一起用于重建，能够进一步降低系统的条件数量，降低几何因子，提高图像snr，通过在wave－caipi中引入vcc技术之后，并且结合(3)和(4)可以得到，(6)其中，wave
*
(x,y,z)表示通过vcc扩展后的数据，表示在原来的psf[x,y,z]基础上扩展通道数的psf。
[0043]
在一些实施例中，本技术中的将物理线圈通道数据和vcc通道数据合并重建几何因子计算模型，包括：通过公式得到经过vcc扩展后的几何因子g－factor，其中，表示经过vcc扩展后的编码矩阵。
[0044]
具体地，通过(5)得到经过vcc扩展后的g－factor如下，
其中，表示经过vcc扩展后的编码矩阵，(7)表示经过vcc扩展后的g－factor计算模型，原始g－factor的计算方式和(7)类似，只是e是没有经过vcc扩展后的模型。通过比较传统的g－factor和可以得到经过vcc扩展后的模型会对g－factor有效的降低，提高图像重建的信噪比。
[0045]
在一些实施例中，本技术中的所述生成vcc通道数据之后，该方法还包括：引入无需训练的深度生成模型。
[0046]
具体地，在(6)中的求解模型中，使用基于图像域的求解方式占主要地位，这在使用wave－caipi的优势的同时，仍然需要估计csm或者kernel(k空间的数据补全方法)，在临床中需要消耗一定的时间去进行采集acs，估计csm或者kernel也需要大量的时间。在本发明中，保留wave－caipi的优势的同时引入一种不需要训练的深度生成模型(dgm)，结合(1)、(3)和(4)式，本发明提出的模型为，命名为wave－vcc－dgm，
[0047]
其中，g(ξ)表示dgm，ξ表示固定的随机噪声，经过g(ξ)操作之后输出的结果是待求解的图像，其中核心思想为用dgm的网络参数去拟合需要求解的图像，dgm是一个简单的卷积生成器(当然在本发明中不仅仅局限于dgm网络架构，dgm只是一个适用于图像域的模型，如果在k空间进行求解的话，模型需要更改为符合k空间求解的网络结构)，由上采样(upsampling)、类卷积(convolution－like)、batch normalization(bn)、和激活函数层组成，结构如图4所示。
[0048]
在本发明中使用的深度生成网络模型，其本身能够对传统的基于图像域的csm或者k空间的kernel进行一个有效的近似，并且包含之前所有的假设，模型本身是低参数化的，不涉及卷积，并且具有简单的结构。虽然dmg不使用卷积操作，但是其结构与卷积神经网络密切相关，具体来说，该网络将不同通道之间的像素组合，由于按照线性排列的像素之间的耦合性并没有被提供，因此dgm并不是传统意义上的卷积操作，但是和卷积神经网络中的卷积操作类似，权重在空间位置之间共享。dmg中像素之间的耦合来源于上采样。在(8)中可以看出，本发明将dgm、wave－caipi以及vcc相结合，提出一种新的并不需要进行训练的网络模型wave－vcc－dgm，不仅可以利用wave－caipi的降低系统条件数的优势，而且利用vcc结合目标背景相位的优势，进一步降低重建图像的g－factor，提高图像的snr。
[0049]
除此之外，dgm能够使用不需要训练的优势，直接使用adam(不局限于adam)这类求解算法直接进行求解，达到最终图像拟合的要求，这在临床中可以大大减低采集训练数据的时间，并且不需要消耗大量的时间用于csm的估计，或者kernel的计算，这对于临床中快速实现是很友好的。wave－vcc－dgm模型能够使得并行成像更加灵活，在传统的求解并行成像中的两类方法中(基于k空间和基于图像域)，都会增加求解过程中的复杂度，比如基于k空间的计算kernel和基于图像域的估计csm，在非笛卡尔坐标系(non－cartesian)中计算kernel是相对比较复杂的，但是本发明中提出的模型可以避免这个问题，因为本发明使用calibration－free的方式进行求解，大大降低求解过程的复杂度。
[0050]
本发明经过实验证明，wave－vcc具有更好的效果，首先使用仿真的wave编码(psf为仿真)，结果如图5所示，可以看到相对于传统的基于图像域(以sense为例)的重建结果，
结合wave－caipi和vcc具有更好的结果。数据以均匀采样模板，实现4倍加速。
[0051]
在图5中使用仿真的wave编码模型进行初步试验，分别进行了传统基于图像域的重建(以sense为例)，使用4倍加速的均匀采样mask，可以看到wave－caipi和vcc(wave－vcc)结合的结果具有更好的重建信噪比。本发明还进行了经过真实wave空间编码的数据的重建试验，wave编码幅值为1.2mt/m，cycle的数量为7，这仅仅是示例，wave不局限于以上参数，结果如图6所示，结果显示wv－dgm相对于传统的wv－sense具有更好的效果。
[0052]
进一步地，参考图2，图2示出了根据本技术一个实施例的基于wave梯度编码场和深度学习模型的磁共振成像装置200的示例性结构框图。
[0053]
如图2所示，该装置包括：
[0054]
引入单元210，用于在wave－caipi梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像；
[0055]
生成单元220，用于通过vcc对物理线圈通道数据做共轭对称，生成vcc通道数据；
[0056]
重建单元230，用于将物理线圈通道数据和vcc通道数据合并重建几何因子计算模型。
[0057]
应当理解，装置200中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置200及其中包含的单元，在此不再赘述。装置200可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置200中的相应单元可以与电子设备中的单元相互配合以实现本技术实施例的方案。
[0058]
下面参考图3，其示出了适于用来实现本技术实施例的终端设备或服务器的计算机系统300的结构示意图。
[0059]
如图3所示，计算机系统300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有系统300操作所需的各种程序和数据。cpu 301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0060]
以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至i/o接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
[0061]
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种基于wave－caipi梯度编码场和深度学习模型的磁共振成像方法，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行图1的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。
[0062]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代
表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0063]
描述于本技术实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一子区域生成单元、第二子区域生成单元以及显示区域生成单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，显示区域生成单元还可以被描述为“用于根据第一子区域和第二子区域生成文本的显示区域的单元”。
[0064]
作为另一方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本技术的应用于透明窗口信封的文本生成方法。
[0065]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。