生成磁共振图像的方法和系统、计算机可读存储介质与流程

1.本发明公开的实施例涉及医学成像技术，更具体地涉及一种生成磁共振图像的方法和系统，以及计算机可读存储介质。


背景技术：

2.磁共振成像(mri)作为一种医学成像模态，可以在不使用x射线或其他电离辐射的情况下获得人体的三维图像。
3.mri利用具有强磁场的磁体来产生静磁场b0。当将人体的待成像部位定位于静磁场b0中时，与人体组织中的氢原子核相关联的核自旋产生极化，使待成像部位的组织在宏观上产生纵向磁化矢量，处于平衡状态。当施加与静磁场b0的方向相交的射频场b1后，质子旋转的方向发生改变，纵向磁化矢量衰减，待成像部位的组织在宏观上产生横向磁化矢量。
4.移除射频场b1后，纵向磁化强度逐渐恢复至平衡状态，横向磁化矢量以螺旋状进行衰减直至恢复为零，纵向磁化矢量恢复以及横向磁化矢量衰减的过程中产生磁共振信号，该磁共振信号能够被采集，并基于采集的该信号可以重建待成像部位的组织图像。
5.通常将纵向磁化矢量恢复至平衡状态的时间长度称作纵向弛豫时间，即t1。将横向磁化矢量衰减为0的时间长度称作横向弛豫时间，即t2。而人体不同的组织通常具有不同的t1和不同的t2。另外，人体不同组织还通常具有不同的质子密度(proton density,pd)。
6.在磁共振扫描时可以通过调整扫描参数(或扫描序列)得到突出组织间t1对比的图像(t1加权像，t1wi)、突出组织间t2对比的图像(t2加权像，t2wi)以及突出组织间质子密度对比的图像(pd加权像，例如flair)。
7.为了满足临床诊断需求，常常需要针对同一个成像部位(例如脑部)执行多个扫描序列来分别得到上述不同类型的加权像。这使得磁共振检查通常需要较长的时间。


技术实现要素：

8.本发明的一方面提供一种生成磁共振图像的方法，包括：获取多个定量图；基于多个定量图合成第一加权图像；以及，基于训练的深度学习网络将第一加权图像转换为对应的第二加权图像。
9.另一方面，获取多个定量图包括：基于初始图像计算多个定量图，初始图像是通过磁共振成像设备执行预设的扫描序列产生的。
10.另一方面，多个定量图包括t1定量图、t2定量图和质子密度定量图。
11.另一方面，合成第一加权图像的步骤包括：根据多个定量图中的定量值与假设的序列参数和图像信号值之间的预设关系确定第一加权图像。
12.另一方面，假设的序列参数包括假设的回波时间、假设的重复时间以及假设的反转恢复时间中的部分或全部。
13.另一方面，第一加权图像为t1加权图像、t2加权图像或质子密度加权图像，该第一加权图像是基于以下公式得到的：
14.s＝pd
·
exp(-te/t2)
·
(1-exp(-tr/t2))；
15.其中，s为第一加权图像的图像信号值，exp为以自然常数e 为底的指数函数，te为假设的回波时间，tr为假设的重复时间，t1、t2、pd 分别为t1定量值、t2定量值和质子密度定量值。
16.另一方面，第一加权图像为t1wi-flair图像、t2wi-flair图像、stir图像或psir图像，该第一加权图像是基于以下公式得到的：
17.s＝pd
·
exp(-te/t2)
·
(1-2
·
exp(-ti/t1) exp(-tr/t1)；
18.其中，s为第一加权图像的图像信号值，exp为以自然常数e 为底的指数函数，te为假设的回波时间，tr为假设的重复时间，ti为假设的反转恢复时间，t1、t2、pd分别为t1定量值、t2定量值和质子密度定量值。
19.另一方面，合成第一加权图像的步骤还包括：对多个定量图分别进行卷积运算，并基于卷积运算结果合成第一加权图像。
20.另一方面，训练深度学习网络的输入数据集包括多个第一加权图像，训练深度学习网络的输出数据集包括：通过执行磁共振成像扫描并基于扫描数据进行图像重建得到的多个真实加权图像。
21.另一方面，深度学习网络的网络参数是通过求解下式得到的： minθ||f(θ)-f||2；其中，θ是网络参数，f包括真实加权图像，f(θ) 表示深度学习网络的输出，min表示最小化。
22.本发明另一方面还提供一种计算机可读存储介质，其包括存储的计算机程序，其中，在该计算机程序被运行时执行上述任一方面的方法。
23.本发明另一方面还提供一种生成磁共振图像的系统，其包括：定量图获取模块，其用于获取多个定量图；图像合成模块，其用于基于多个定量图合成第一加权图像；以及，转换模块，其用于基于训练的深度学习网络将第一加权图像转换为对应的第二加权图像。
24.另一方面，该系统还包括：磁共振成像设备，用于生成初始图像；以及，计算模块，其用于基于初始图像计算多个定量图。
25.应理解，提供上文的简要描述是为了以简化的形式介绍在具体实施方式中进一步描述的一些概念。这并不意味着识别所要求保护的主题的关键或必要特征，其范围由详细描述之后的权利要求唯一地限定。此外，所要求保护的主题不限于解决在上文中或在本公开的任一区段中所提及的任何缺点的实现。
附图说明
26.参考所附附图，通过阅读下列非限制性实施例的描述，本发明将被更好地理解，其中：
27.图1示出了根据本发明实施例生成磁共振图像的方法的流程图；
28.图2为利用图1所示方法生成磁共振图像的示例图；
29.图3示出了一种磁共振成像设备的结构示意图；
30.图4示出了根据本发明实施例生成磁共振图像的系统的框图；
31.图5、图6分别示出了根据本发明实施例生成的脑部t1wi图像和实际扫描重建的脑部t1wi图像；
32.图7、图8分别示出了根据本发明实施例生成的脑部t2wi图像和实际扫描重建的脑
部t2wi图像；
33.图9、图10分别示出了根据本发明实施例生成的脑部 t2w-flair图像和实际扫描重建的脑部t2w-flair图像；
34.图11、图12分别示出了根据本发明实施例生成的前列腺t2wi 图像和实际扫描重建的前列腺t2wi图像。
具体实施方式
35.以下描述的各种实施例包括用于生成磁共振图像的方法和系统，以及计算机可读存储介质。
36.图1示出了该方法的一个实施例的流程图，图2示出了利用该方法生成磁共振图像的示例图。参考图1、图2，在步骤s13中，获取多个定量图。具体地，步骤s13可以包括基于初始图像计算定量图的步骤，该初始图像是通过磁共振成像设备执行扫描序列产生的，其可以是模图或实图，通过磁共振成像设备执行扫描序列并重建磁共振图像的技术将在下文结合图3 进行描述。
37.例如，可以通过初始图像数据中每个像素的信号值计算对应体素的特征参数(或定量值)，该特征参数在图像上的分布形成其定量图。在一种实施例中，该定量值或特征参数可以包括t1、t2和质子密度。
38.为了获得定量图而产生初始图像时所执行的扫描序列有多种，例如可以是自旋回波(se)序列、快速自旋回波(fse)序列、，梯度回波(ge) 序列，反转恢复(ir)序列、快速场回波(tfe)序列或从以上序列中选择的两种或更多中序列的组合。利用获得的初始图像像素中的信号值和序列参数之间的方程关系，可以求解例如t1、t2和质子密度等定量值。
39.可以利用已知的技术来基于磁共振图像计算t1、t2和质子密度，以得到对应的t1定量图、t2定量图和质子密度定量图，在此不再赘述。
40.在其它实施例中，已知的定量图可以存储在存储空间中，以能够被调用以用于执行本发明的实施例。
41.继续参考图1、图2，在步骤s15中，基于该多个定量图合成第一加权图像。
42.本发明的实施例中，可以根据该多个定量图中相应位置处的定量值与假设的序列参数和加权图像信号值之间的预设关系确定该第一加权图像，该第一加权图像可以包括t1加权图像t1wi、t2加权图像t2wi、质子密度加权图像pdwi、t1w-flair图像、t2w-flair图像、stir图像、psir图像、 psir-vossel图像中的任一个。该预设关系可以通过图像合成公式来描述。该假设的序列参数可以包括假设的回波时间(te)、假设的重复时间(tr)以及假设的反转恢复时间(ti)中的部分或全部。
43.由于利用定量图生成每个定量(或特征参数)的加权图像的过程中并未执行真实的扫描序列，因此通过假设的扫描序列的序列参数与这些定量的预设关系来生成这些定量参数的加权图像，而改变这些序列参数的假设值，可以得到突出不同定量对比的图像。
44.在一个具体的实施例中，在步骤s15中，基于以下公式(1) 合成第一加权图像。
45.s＝pd
·
exp(-te/t2)
·
(1-exp(-tr/t2))，(1)；
46.其中，s为第一加权图像的信号值，基于上述公式为每个像素计算s值可以得到例如t1wi图像或者t2wi图像，exp为以自然常数e为底的指数函数，te为假设的回波时间，tr为
假设的重复时间，t1、t2、pd分别为t1定量值、t2定量值和质子密度定量值。
47.当为公式(1)设置较小的te值(例如10毫秒)以及较小的tr值(例如500毫秒)时，得到的图像为t1wi。该图像可能具有与执行t1 加权的扫描序列所重建的图像类似的图像特征，例如脑脊液等含水组织区域为暗区。
48.当为公式(1)设置较大的te值(例如100毫秒)以及较大的 tr值(例如4500毫秒)时，得到的图像为t2wi。该图像可能具有与执行t2 加权的扫描序列所重建的图像类似的图像特征，例如脑脊液等含水组织区域为高亮区。
49.当为公式(1)设置较小的te值(例如10毫秒)以及较大的 tr值(例如8000毫秒)时，得到的图像为pdwi，该图像可能具有与执行质子密度加权的扫描序列所重建的图像类似的图像特征，例如，氢质子含量越多的组织，其图像信号越强。
50.现有技术存在多种用于t1加权、t2加权和质子密度加权的扫描序列，在此不再赘述。
51.在步骤s15中，还可以基于以下公式(2)合成第一加权图像，具体地可以合成t1w-flair(fluid attenuated inversion recovery，液体衰减反转恢复)图像、t2w-flair图像、stir(short t1 inversion recovery，短t1反转恢复)图像、psir(phase sensitive inversion recovery，相位敏感反转恢复)图像或psir vossel图像等。
52.s＝pd
·
exp(-te/t2)
·
(1-2
·
exp(-ti/t1) exp(-tr/t1)， (2)；
53.其中，s为第一加权图像的信号值，exp为以自然常数e为底的指数函数，te为假设的回波时间，tr为假设的重复时间，ti为假设的反转恢复时间。
54.当为公式(2)设置较小的te值(例如10毫秒)以及较小的 tr值(例如2500毫秒)，并设置合适的ti值(例如1050毫秒)时，得到的图像为t1w-flair。该图像可能具有与执行t1w-flair扫描序列所重建的图像类似的图像特征。
55.当为公式(2)设置较大的te值(例如100毫秒)以及较大的 tr值(例如15000毫秒)，并设置合适的ti值(例如3000毫秒)时，得到的图像为t2w-flair。该图像可能具有与执行t2w-flair扫描序列所重建的图像类似的图像特征。
56.当为公式(2)设置较大的te值(例如100毫秒)以及较大的 tr值(例如15000毫秒)，并设置较小的ti值(例如300毫秒)时，得到的图像s为stir图像，该图像可能具有与执行stir扫描序列所重建的图像类似的图像特征，例如具有脂肪抑制特征。
57.当为公式(2)设置较小的te值(例如10毫秒)以及较大的 tr值(例如6000毫秒)，并设置较小的ti值(例如500毫秒)时，得到的图像为psir图像，该图像可能具有与执行psir扫描序列所重建的图像类似的图像特征。
58.当为公式(2)设置较小的te值(例如10毫秒)以及较大的 tr值(例如8000毫秒)，并设置较小的ti值(例如10毫秒)时，得到的图像为psir vossel图像，该图像可能具有与执行psir vossel扫描序列所重建的图像类似的图像特征。
59.现有技术中也存在多种t1w-flair、t2w-flair、stir、psir 以及psir vossel扫描序列，在此不再赘述。
60.可选地，为了进行合适的特征提取，将在步骤s13中得到的t1、 t2和pd定量图输入至图像合成公式之前，还对其进行卷积运算，并且，在步骤s15中，将卷积运算后得到的t1、t2和pd定量图输入对应的图像合成公式以合成第一加权图像。
61.例如，得到的t1、t2和pd定量图的尺寸分别为512*512，则卷积运算的输入可以是512*512*1(其中1为输入通道数或者图像厚度或层数)，采用尺寸为5*5*1*64(其中5、5、1分别为卷积核的长、宽、厚，64 为卷积核的个数)的卷积核进行卷积运算后，得到的特征图像为512*512*64 (其中512、512、64分别为输出图像的长、宽、厚)，将其输入至公式(1) 或(2)或其它合适的公式，并设定公式中的序列参数的值后，即可输出相应的第一加权图像。
62.如上所述，可以通过单次较短时间的磁共振扫描流程来得到一幅初始图像，基于该初始图像可以计算与每个像素相关的定量值，在步骤s15 中，基于该定量、特定加权图像与序列参数之间的预设关系来设置假定的序列参数值，可以生成第一加权图像。如前面描述的，生成的第一加权图像可能具有与执行特定扫描序列后得到的重建图像相类似的图像特征，然而由于磁共振成像的复杂性，实际的磁共振成像结果可能会受到上述序列参数之外的因素影响，因此该第一加权图像依然有可能与实际扫描图像之间存在较大差异，而使其难以直接用于临床观察。
63.因此，如图1、图2所示，本实施例的方法进一步包括步骤s17：基于训练的深度学习网络将每个第一加权图像转换为对应的第二加权图像。
64.其中，训练该深度学习网络的输入数据集可以包括多个按照步骤s15得到的第一加权图像，训练该深度学习网络的输出数据集可以包括通过执行磁共振成像扫描并基于扫描数据进行图像重建得到的真实的加权图像，例如，真实t1加权图像、真实t2加权图像、真实质子密度加权图像真实的 t1w-flair、t2w-flair、stir、psir等。
65.具体的，该深度学习网络可以是基于adam(自适应矩估计，adaptive moment estimation)优化方法或其他公知的模型进行训练得到的。当该深度学习网络创建或训练好后，只要将上述每个第一加权图像输入到该网络中，就可以获取与实际扫描图像更相近的第一加权图像。
66.上述深度学习网络可以包括输入层、输出层以及处理层(或称为隐藏层)，其中，输入层用于对输入的数据或图像进行预处理，例如，去均值、归一化或降维等，处理层可以包括用于进行特征提取的多个卷积层以及对卷积层的输出结果做一次非线性映射的激励层。
67.每个卷积层都包括若干个神经元，且多个卷积层中的神经元的数量可以相同，也可以根据需要进行不同的设置。基于第一加权图像(已知输入)和真实加权图像(期望输出)，通过设置网络中处理层的数量和每个处理层中神经元的数量，并估计(或调整或校准)网络的权重和/或偏差，以识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。
68.具体地，当其中一层的神经元数量为n，且该n个神经元中对应的值为x1,x2,
…
xn，与所述其中一层连接的下一层的神经元数量为m，且该m个神经元中对应的值为y1,y2,
…
ym，则所述相邻的两层之间可以表示为：
[0069][0070]
其中，xi表示前一层的第i个神经元所对应的值，yj表示后一层的第j个神经元所对应的值，w
ji
表示权重，bj表示偏差。在一些实施例中，函数f为修正线性函数。
[0071]
因此，通过调整权重w
ji
和/或偏差bj，即可识别出每层的输入和输出之间的数学关系，使得损失函数(loss function)收敛，以训练得到上述深度学习网络。
[0072]
本实施例中，该深度学习网络的网络参数是通过求解下式(3) 得到的：
[0073]
minθ||f(θ)-f||2，(3)；
[0074]
其中，θ表示该深度学习网络的网络参数，例如可以包括上述权重w
ji
和/或偏差bj，f包括真实加权图像，例如上述人一种真实加权图像，f(θ)表示该深度学习网络的输出，min表示最小化。通过最小化网络输出图像和实际扫描图像的差异来设定网络参数，以构建该深度学习网络。
[0075]
在一个实施例中，虽然深度学习网络的配置将由估计问题的先验知识、输入、输出等的维度引导，依赖于或者专门根据输入数据实现所需输出数据的最佳近似。在各种替代实施方式中，可以利用数据，成像几何，重建算法等的某些方面和/或特征来为深度学习网络中的某些数据表示赋予明确的含义，这可以有助于加速训练。因为这创建了在深度学习网络中单独训练(或预训练)或定义某些层的机会。
[0076]
在一些实施例中，上述的训练的网络是基于外部载体(例如，医学成像系统之外的设备)上的训练模块训练得到的。在一些实施例中，训练系统可以包括用于存储训练数据集的第一模块，用于基于模型进行训练和/ 或更新的第二模块，以及用于连接第一模块和第二模块的通讯网络。在一些实施例中，第一模块包括第一处理单元和第一存储单元，其中第一存储单元用于存储训练数据集，第一处理单元用于接收相关的指令(例如，获取训练数据集)并根据指令发送训练数据集，此外，第二模块包括第二处理单元和第二存储单元，其中第二存储单元用于存储训练模型，第二处理单元用于接收相关的指令、进行网络的训练和/或更新等，在另一些实施例中，还可以将训练数据集存储在第二模块的第二存储单元中，训练系统可以不包括第一模块。在一些实施例中，通讯网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0077]
一旦数据(例如，训练的网络)被生成和/或配置，数据就可以被复制和/或加载到医学成像系统(例如下文将描述的磁共振成像系统)中，这可以以不同的方式完成。例如，可以通过医学成像系统和计算机之间的定向连接或链路加载模型。就这一点而言，可以使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或网络)标准或协议来完成不同元件之间的通信。备选地或另外地，数据可以间接地加载到医学成像系统中。例如，数据可以存储到合适的机器可读介质(例如，闪存卡等)中，然后使用该介质将数据(现场，诸如由系统的用户或授权人员)加载到医学成像系统，或者数据可以下载到能够本地通信的电子设备(例如，笔记本电脑等)中，然后在现场使用(例如，由系统的用户或授权人员)该设备以将该数据经由直接连接(例如，usb连接器等)上传到医学成像系统中。
[0078]
如本文所讨论的，深度学习技术(又被称为深度机器学习、分层学习或深度结构化学习等)采用用于学习的人工神经网络。深度学习方法的特征在于使用一个或多个网络架构来提取或模拟感兴趣数据。深度学习方法可以使用一个或多个处理层(例如，输入层、输出层、卷积层、归一化层、采样层等等，按照不同的深度网络模型可以具有不同数量和功能的处理层) 来完成，其中层的配置和数量允许深度网络处理复杂的信息提取和建模任务。通常通过所谓的学习过程(或训练过程)来估计网络的特定参数(又可以称为“权重”或“偏差”)。被学习或训练的参数通常会导致(或输出)一个对应于不同级别层的网络，因此提取或模拟初始数据的不同方面或前一层的输出通常可以表示层的层次结构或级联。在图像处理或重建的过程中，这可以表征为相对于数据中的不同特征级别的不同层。因此，处理可以分层进行，即，较早或较高级别的层可以对应于从输入数据中提取“简单”特征，接着是将这
些简单特征组合成表现出更高复杂度的特征的层。实际上，每层(或者更具体地，每层中的每个“神经元”)可以采用一个或多个线性和/或非线性变换(所谓的激活函数)来将输入数据处理为输出数据表示。多个“神经元”的数量可以是在多个层之间恒定的，或者可以从层到层变化。
[0079]
如本文所讨论的，作为解决特定问题的深度学习过程的初始训练的一部分，训练数据集包括已知输入值以及深度学习过程的最终输出的期望(目标)输出值。以这种方式，深度学习算法可以(以监督或引导的方式或以无监督或非指导的方式)处理该训练数据集，直到识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。学习过程通常利用(部分)输入数据，并为该输入数据创建网络输出，然后将创建的网络输出与该数据集的期望输出进行比较，然后使用创建的和期望的输出之间的差异来迭代地更新网络的参数(权重和/或偏差)。通常可以使用随机梯度下降(stochastic gradient descent,sgd)方法来更新网络的参数，然而本领域技术人员应当理解也可以使用本领域中已知的其他方法来更新网络参数。类似地，可以采用单独的验证数据集以对所训练的网络进行验证，其中已知输入和期望输出都是已知的，通过将已知输入提供给所训练的网络可以得到网络输出，然后将该网络输出与(已知的)期望输出进行比较以验证先前的培训和/或防止过度培训。
[0080]
继续参考图1、图2，在一个示例中，当利用公式(1)得到尺寸为512*512*64的第一t1加权图像，将其输入训练好的上述深度学习网络，采用尺寸为3*3*64*64的卷积核进行多次卷积运算，再采用尺寸为3*3*64*1 的卷积核进行卷积运算后，得到尺寸为512*512*1的第二t1加权图像。
[0081]
类似地，当利用公式(2)得到尺寸为512*512*64的第一flair 图像，将其输入训练好的上述深度学习网络，采用尺寸为3*3*64*64的卷积核进行多次卷积运算，再采用尺寸为3*3*64*1的卷积核进行卷积运算后，得到尺寸为512*512*1的第二flair加权图像。
[0082]
上述第二t1加权图像和第二flair图像具有优化的图像质量，例如由于与实际扫描图像更接近而能够直接用于临床观察。
[0083]
图3示出了一种磁共振成像设备的结构示意图，该系统作为一个示例，可以用于执行扫描序列以生成上述初始图像，还可以用于执行扫描序列以生成真实的加权图像，还可以用于存储或向其它系统传送已经生成的图像。
[0084]
该磁共振成像设备300包括扫描仪310。扫描仪310用于对对象(例如人体)36进行磁共振扫描以生成对象36的感兴趣区域的图像数据，该感兴趣区域可以是预先确定的成像部位或成像组织。
[0085]
磁共振成像设备300还可以包括控制器320，其耦合至扫描仪 310，以用于控制扫描仪310执行上述磁共振扫描的流程。具体地，控制器 320可以通过序列发生器(图中未示出)来向扫描仪310的相关部件(例如下文将描述的射频发生器、梯度线圈驱动器等)发送序列控制信号，使得扫描仪310执行预设的扫描序列。
[0086]
本领域技术人员可以理解，上述“扫描序列”是指在执行磁共振成像扫描时应用的具有特定功率、幅度、宽度、方向和时序的脉冲的组合，这些脉冲通常可以包括例如射频脉冲和梯度脉冲。该射频脉冲可以包括，例如用于激发人体内质子发生共振的射频发射脉冲。该梯度脉冲可以包括，例如切片选择梯度脉冲、相位编码梯度脉冲、频率编码梯度脉冲等。
通常，可以在磁共振系统中预先设置多个扫描序列，以使得能够选择与临床检测需求相适应的序列，该临床检测需求可以包括，例如成像部位、成像功能等。
[0087]
在一个示例中，扫描仪310可以包括主磁体组件111、床312、射频发生器313、射频发射线圈314、梯度线圈驱动器35、梯度线圈组件316、射频功率放大器319和数据采集单元317。
[0088]
主磁体组件311通常包括限定在外壳内的环形超导磁体，该环形超导磁体安装在环形的真空容器内。该环形超导磁体及其外壳限定了环绕对象36的圆柱形的空间，如图3所示的扫描腔318。主磁体组件311生成沿扫描腔318的z方向的恒定磁场，即b0场。通常，b0场中较为均匀的部分形成在主磁体的中心区域中。
[0089]
床312用于承载对象36，并响应控制器320的控制以沿着z方向行进以进出上述扫描腔318，例如，在一个实施例中，可以将对象36的成像体积定位至扫描腔中的磁场强度较为均匀的中心区域，以便于对对象36 的成像体积进行扫描成像。
[0090]
磁共振成像设备300利用所形成的b0场将静磁脉冲信号发射至位于扫描腔中的对象36，使得对象36体内的共振体积的质子的进动有序化，产生纵向磁化矢量。
[0091]
射频发生器313、射频功率放大器319可以作为射频发射链路的一部分，其中，射频发生器313用于响应控制器320的控制信号以产生射频脉冲，该射频脉冲通常为功率较小的射频小信号，该射频小信号可以经由射频功率放大器319进行放大后施加至射频发射线圈314。
[0092]
射频发射线圈314可以连接发射/接收(t/r)开关，通过控制该发射/接收开关可以使得体线圈在发射和接收模式进行切换，在发射模式下，射频发射线圈314用于响应上述射频激发脉冲，以向对象36发射正交于静磁场b0的射频场b1以激发对象36体内的原子核，使纵向磁化矢量转变为横向磁化矢量。在接收模式下，体线圈可以用于接收来自对象36的磁共振信号。
[0093]
当射频激发脉冲结束后，对象36的横向磁化矢量逐渐恢复为零的过程中产生自由感应衰减信号。
[0094]
梯度线圈驱动器315用于响应控制器320发出的梯度脉冲控制信号或者匀场控制信号以为梯度线圈组件316提供合适的电流/功率。
[0095]
梯度线圈组件316一方面在成像空间中形成变化的磁场以便为上述磁共振信号提供三维位置信息，另一方面用于产生b0场的补偿磁场以对 b0场进行匀场。
[0096]
梯度线圈组件316可以包括三个梯度线圈，三个梯度线圈用于分别产生倾斜到互相垂直的三个空间轴(例如x轴、y轴和z轴)中的磁场梯度。更具体地，梯度线圈组件316在切片选择方向(例如，z向)上施加磁场梯度以便在成像体积中进行选层。本领域技术人员理解，该层是三维成像体积中沿着z向分布的多个二维切片中任意一个，上述“z向”通常是患者定位在床312上时，可以从头部延伸至脚部的方向。当对该成像进行扫描时，射频发射线圈314将射频激发脉冲发射至成像体积的该层并激发该层。梯度线圈组件316在相位编码方向(例如y向)上施加磁场梯度，以便对被激发的层的磁共振信号进行相位编码。梯度线圈组件316在对象36的频率编码方向(例如x向)上施加梯度场，以便对被激发的层的磁共振信号进行频率编码。
[0097]
数据采集单元317用于响应控制器320的数据采集控制信号以采集上述(例如由体
线圈或者表面线圈接收的)磁共振信号，在一个实施例中，该数据采集单元317可以包括，例如射频前置放大器、相位检测器以及模拟/数字转化器，其中射频前置放大器用于对磁共振信号进行放大，相位检测器用于对放大后的磁共振信号进行相位检测，模拟/数字转换器用于将经相位检测的磁共振信号从模拟信号转换为数字信号。
[0098]
该磁共振成像设备300包括图像重建单元330，其可以基于上述数字化的磁共振信号重建对象36的成像体积的一系列二维切片图像，即上述的图像序列。具体地，重建单元可以基于与控制器320进行通信以执行上述的图像重建。
[0099]
该磁共振成像设备300包括处理单元340，其可以对上述图像序列中的任一图像进行任何需要的图像处理，例如图像校正、确定图像的显示参数等。上述的图像处理可以是对图像在对比度、均匀度、清晰度、亮度等任一方面做出的改进或适应性调整。具体地，处理单元340可以基于与控制器120进行通信以执行上述的图像处理。
[0100]
磁共振成像设备300可以包括显示单元350，其可以用于显示操作界面以及数据处理过程中产生的各种数据或图像。
[0101]
该磁共振成像设备300还包括控制台360，其可以包括用户输入设备，诸如键盘和鼠标等，控制器320可以响应用户基于操作控制台360 或者设置在主磁体壳体上的操作面板/按键等产生的控制命令，来与扫描仪 310、图像重建单元、处理单元340、显示单元350等进行通信。
[0102]
在一种实施例中，控制器320、图像重建单元330、处理单元340可以分别或者共有地包括计算机和存储介质，在该存储介质上记录要由计算机执行的预定的控制程序、数据处理程序，例如该存储介质上可以存储用于实施成像扫描、图像重建、图像处理等的程序，例如，可以存储用于实施本发明实施例的生成磁共振图像的方法的程序。上述存储介质可以包括例如rom、软盘、硬盘、光盘、磁光盘、cd-rom、或非易失性存储卡。
[0103]
上述磁共振成像设备300仅作为一个示例进行描述，在其它实施例中，该设备可以具有多种变换形式，只要能够从成像对象采集图像数据即可。
[0104]
参考图4，本发明的实施例还可以提供一种用于生成磁共振图像的系统，该系统包括定量图获取模块43、图像合成模块45以及优化模块 47。
[0105]
定量图获取模块43，其用于获取定量图。在一种示例中，该定量图获取模块41能够与磁共振成像设备的重建模块通信以接收初始图像，该初始图像是通过磁共振成像设备(例如图3所示的设备)执行预设的扫描序列产生的。在其它示例中，该定量图获取模块41可以与数据存储模块通信，以调取预先存储于其中的定量图。
[0106]
图像合成模块45用于基于该多个定量图合成对应的多个第一加权图像。
[0107]
优化模块47用于基于训练的深度学习网络将任一第一加权图像转换为对应的第二加权图像。
[0108]
在描述本发明实施例的生成磁共振图像的方法时已详细描述了其原理和示例，本发明实施例的生成磁共振的系统可以用于执行上述方法，两者具有相同的发明构思。
[0109]
本发明的另一个实施例还提供一种一种计算机可读存储介质，其包括存储的计算机程序，其中，在该计算机程序被运行时执行本发明实施例的生成磁共振图像的方法。
[0110]
图5、图6分别示出了根据本发明实施例生成的脑部t1wi图像和实际扫描重建的脑部t1wi图像，图7、图8分别示出了根据本发明实施例生成的脑部t2wi图像和实际扫描重建
的脑部t2wi图像，图9、图10分别示出了根据本发明实施例生成的脑部t2w-flair图像和实际扫描重建的脑部 t2w-flair图像，图11、图12分别示出了根据本发明实施例生成的前列腺 t2wi图像和实际扫描重建的前列腺t2wi图像。通过对比基于本发明实施例生成的各种加权图像和实际扫描的图像发现，利用本发明的方法能够得到与实际扫描成像结果非常接近的图像，因此该方法能够代替现有的扫描流程来进行磁共振成像。
[0111]
本发明的各种实施例通过首先利用定量图生成第一加权图像，然后将其作为深度学习网络的输入，其中该深度学习网络已经经过训练以能够优化该第一加权图像，得到第二加权图像。相较现有技术，无需执行真实扫描来获得图像，因此大大节省了磁共振检查的时间；该第二加权图像与实际扫描重建图像具有非常接近的图像特征和图像质量，使得实现快速成像的同时，保证医学诊断的可靠性，并且，由于首先根据定量图获取了作为中间结果的第一加权图像，再将其作为深度学习网络的输入，有效利用先验信息能够得到简化的神经网络结构，更容易进行参数调整以及网络结构优化等细节的处理，效率有所提高，还可避免复杂的图像后处理操作。
[0112]
在以上各种实施例中，处理单元、控制单元包括电路，该电路被配置为执行本文中所讨论的一个或多个任务、功能或步骤。在各种实施例中，处理单元可以与磁共振成像系统的数据处理单元120集成在一起，控制单元可以与磁共振成像系统的控制单元130集成在一起。本文中所使用的“处理单元”“控制单元”不旨在必须限制为单个处理器或计算机。例如，处理单元、控制单元可以包括多个处理器、asic、fpga和/或计算机，该多个处理器、asic、fpga和/或计算机可被整合到共用的外壳或单元中，或者可以分布在各种单元或外壳中。所描绘的处理单元、控制单元包括存储器。存储器130可以包括一个或多个计算机可读存储介质。例如，存储器130可以存储关于系统特性的信息(例如，关于空间梯度的信息)、图像(例如标准人体图像)、用于执行上述任一实施例的算法或过程等。进一步地，本文中讨论的过程流程和/或流程图(或者其方面)可以表示被存储在存储器中以用于引导扫描控制或预扫描控制的一个或多个指令集。
[0113]
如本文中所使用的，以单数叙述且冠以用词“一”或“一个”的元件或步骤应该被理解为不排除所述元件或步骤的复数，除非此类排除被明确地陈述。此外，参照本发明的“一个实施例”并不旨在被解释为排除同时纳入所叙述的特征的额外实施例的存在。而且，除非明确叙述相反情况，实施例“包含(comprising)”、“包括(including)”、“具有(having)”具有特定性质的元件或多个元件可包括不具有该性质的附加的这样的元件。术语“包括(including)”和“其中(in which)”被用作相应的术语“包含(comprising)”和“其中(wherein)”的简明语言对等词。此外，在所附权利要求中，术语“第一”、“第二”和“第三”等仅用作标记，并且不旨在对其对象强加数值要求或特定位置顺序。
[0114]
此书面说明书使用示例来公开本发明，包括最佳模式，也可以使任何相关技术领域的普通技术人员能够实现本发明，包括制造并使用任何设备或系统以及执行任何涵盖的方法。本发明的专利保护范围由权利要求书限定，并可包括本领域技术人员知道的其他示例。如果它们具有与权利要求书的文字语言没有区别的结构要素，或者它们包括与权利要求书的文字语言无实质区别的等效结构要素，则旨在使该其它示例落在权利要求书的范围内。