一种用于核磁共振成像的降噪方法和降噪系统与流程

1.本发明属于核磁共振技术领域，尤其涉及一种用于核磁共振成像的降降噪方法和降噪系统。


背景技术：

2.核磁共振技术自1946年发现至今，其在物理、化学、材料科学、生命科学和医学等领域中得到广泛应用。作为最为有效的无损检测方法之一，核磁共振技术从利用弛豫时间谱揭示几千米地层下油水组成，到波谱解析化学分子结构，再到医疗图像识别人体器官病变等应用。其中核磁共振成像(magnetic resonance imaging，mri)作为一种临床医疗诊断方法，利用生物磁自旋成像。人体部位在外加静磁场和射频脉冲作用下产生信号，同时梯度场实现信号的空间编码。最后用探头检测、处理、转换后在屏幕上显示图像。
3.现有技术中，核磁共振成像仪一般依赖屏蔽室等电磁屏蔽装置来保证成像质量和稳定性。但是，屏蔽室对电磁作用的消除存在一定的局限性，同时增加了仪器成本，也阻碍了核磁共振成像仪特别是轻量型低场核磁共振成像仪的推广和应用。


技术实现要素：

4.鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种用于核磁共振成像的降噪方法和降噪系统，基于核磁共振原始数据和环境噪声数据进行噪声采集，再基于深度学习网络算法，对所采集到的噪声进行消除，以去除噪声、提高核磁共振图像质量。
5.为了实现上述目的，本发明实施例采用如下技术方案：
6.第一方面，本发明实施例提供了一种用于核磁共振成像的降噪方法，包括如下步骤：
7.步骤s1，在核磁共振成像线圈或仪器周围，在不与成像线圈耦合的前提下，设置环境噪声采集模块；通过所述环境噪声采集模块采集环境噪声，并将所采集的环境噪声输入环境噪声消除模块；
8.步骤s2，数据采集模块采集原始核磁共振数据，环境噪声消除模块利用所接收的环境噪声消除数据采集模块所采集的原始核磁共振数据中的环境噪声。
9.作为本发明的一个优选实施例，所述方法还包括：
10.所述步骤s2消除所采集原始核磁共振数据中的环境噪声后得到中间数据；
11.步骤s3，构建神经网络deep-ift，以同时生成核磁共振实部图像和虚部图像；
12.步骤s4，基于历史数据对所构建的神经网络deep-ift进行训练，得到成熟的神经网络deep-ift；
13.步骤s5，将中间数据输入成熟的神经网络deep-ift中，消除所述中间数据的随机噪声，并转化和输出第一核磁共振图像。
14.作为本发明的一个优选实施例，所述方法还包括：
15.步骤s6，基于noise2noise原理构建mri-dn网络；
16.步骤s7，将步骤s5所得到的第一核磁共振图像输入所述mri-dn网络中，根据噪声相对于信号随机产生的原理，进一步消除随机噪声并增强信噪比，完成对核磁共振图像的去噪，并输出最终的核磁共振图像。
17.作为本发明的一个优选实施例，所构建的神经网络deep-ift，包括以下至少一种构型：
18.第一种构型采用分叉网络，所述分叉网络依次包括由两层全连接层构成的一维全连接网络、重构层、二维零填充层及两个分支结构，每个分支结构包括两层二维卷积层及两个次分支结构，其中一个次分支结构依次为二维卷积转置层及重构层，另一个次分支结构为二维卷积层；所述两层全连接层采用tanh函数；所述第一种构型的分叉网络数据处理过程包括：对输入的数据在一维全连接网络中采用tanh函数进行处理，然后一维全连接网络的输出经重构层后进入二维零填充层被重新转置为二维数据，二维数据被分别导入两个分支结构的两个两层卷积网络，分别生成图像的实部数据和虚部数据，分别计算实部和虚部的值，再由分支结构中的二维卷积转置层和重构层分别计算实部和虚部的衰减值衰减函数分别计算实部和虚部的值并将其叠加作为拟合方向的选择；
19.第二种构型采用分叉网络，所述分叉网络依次包括由两层全连接层构成的一维全连接网络、重构层、二维零填充层、两个分支结构、连接层和重构层，每个分支结构包括两层二维卷积层和一层二维卷积转置层；所述两层全连接层采用tanh函数；所述第二种构型的分叉网络数据处理过程包括：对输入的数据在一维全连接网络中采用tanh函数进行处理，然后一维全连接网络的输出经重构层后进入二维零填充层被重新转置为二维数据，二维数据被分别导入分叉的两个两层卷积网络，分别生成图像的实部数据和虚部数据，分别计算实部和虚部的值；实部数据和虚部数据同时进入连接层和重构层，整合后作为一个数据计算衰减值；
20.第三种构型依次包括由两层全连接层构成的一维全连接网络、重构层、二维堆填充层、两层二维卷积层及两个分支结构，其中一个分结构依次包括二维卷积转置层和重构层，另一个分支结构为二维卷积层；所述两层全连接层采用tanh函数；所述第三种构型的数据处理过程包括：对输入的数据在一维全连接网络中采用tanh函数进行处理，一维全连接网络的输出被重新转置为二维数据，二维数据经双层卷积网络同时生成图像的实部数据和虚部数据，并对实数数据和虚部数据的整合值，并计算实数数据和虚部数据的衰减值。
21.作为本发明的一个优选实施例，所述环境噪声采集模块为多通道，每个通道包括噪声测量探头和前置放大器。
22.作为本发明的一个优选实施例，所述噪声测量探头为由线圈与电容组成的谐振电路，共振频率为核磁共振成像仪的拉莫尔频率，并与核磁共振测量具有相似的带宽。
23.作为本发明的一个优选实施例，所述利用所接收的环境噪声消除所采集原始核磁共振数据中的环境噪声，根据环境噪声的相似性原理进行消除。
24.作为本发明的一个优选实施例，所述基于noise2noise原理构建mri-dn网络，包括：
25.利用noise2noise网络，通过目的切片图像和相邻的2n个切片图像，n＝1或者2，经过u-net网络然后计算均方误差数值，将噪声消除。
26.第二方面，本发明实施例还提供了一种用于核磁共振成像的降噪系统，所述系统
包括：环境噪声采集模块、环境噪声消除模块、deep-ift模块及mri-dn网络模块；其中，
27.所述环境噪声采集模块设置于成像线圈或仪器周围，用于在不与成像线圈耦合的前提下，采集环境噪声，并将所采集的环境噪声输入数据环境噪声消除模块；
28.所述环境噪声消除模块用于利用所接收的环境噪声消除数据采集模块所采集的原始核磁共振数据中的环境噪声，使核磁共振成像系统中的数据采集模块获得中间数据，并发送给deep-ift模块；
29.所述deep-ift模块用于构建和训练神经网络deep-ift，并将中间数据输入到训练好的神经网络deep-ift中，消除所述中间数据的随机噪声，转化和输出第一核磁共振图像，并传输给mri-dn网络模块；
30.所述mri-dn网络模块用于基于noise2noise原理构建mri-dn网络，并根据噪声相对于信号随机产生的原理，进一步消除第一核磁共振图像中的随机噪声，同时增强信噪比，完成对核磁共振图像的去噪，输出最终的核磁共振图像。
31.作为本发明的一个优选实施例，所述环境噪声采集模块为多通道模式，每个通道包括噪声测量探头和前置放大器，所述前置放大器和环境噪声消除模块相连本发明实施例所提供的技术方案具有如下有益效果：
32.所述用于核磁共振成像的降噪方法和降噪系统，基于核磁共振原始数据和环境噪声数据处理消除环境噪声，再基于深度学习网络算法，去除了随机噪声，提高核磁共振图像质量；同时适用于屏蔽室及非屏蔽状态下的低场和高场核磁共振成像仪，降低仪器的成本，提高仪器使用的可移动性，拓展低场和高场核磁共振成像仪的使用范围。
33.当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
34.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
35.图1是本发明实施例所提供的用于核磁共振成像的降噪方法流程图；
36.图2是本发明实施例中环境噪声采集模块示意图；
37.图3是本发明实施例中噪声测量探头线圈示意图；
38.图4是本发明实施例中核磁共振数据去除环境噪声前的原始数据图；
39.图5是本发明实施例中核磁共振数据去除环境噪声后的数据图；
40.图6是本发明实施例中神经网络deep-ift的第一种构型图；
41.图7是本发明实施例中神经网络deep-ift的第二种构型图；
42.图8是本发明实施例中神经网络deep-ift的第三种构型图；
43.图9是本发明实施例中分别利用傅里叶变换和神经网络deep-ift实现图像重构的实例图；
44.图10是本发明实施例中神经网络deep-ift降低噪声的实例图；
45.图11是本发明实施例中mri-dn网络的算法架构示意图；
46.图12是本发明实施例中mri-dn网络降低噪声的实例图。
具体实施方式
47.本技术发明人在发现上述问题后，对现有的核磁共振成像的噪声问题进行了细致研究。噪声是核磁成像中遇到的最主要问题，为了拓展低场核磁共振成像仪的应用范围，增强低场核磁共振成像仪的稳定性和可移动性，就必须开发不依赖于电磁屏蔽装置的去噪技术。
48.随着深度学习技术的发展和快速普及，利用深度学习来提高核磁共振成像的信噪比变得可行。深度学习技术可用于替代经典的傅立叶变换技术实现图像重构，同时可以得到消除随机噪声的高分辨率数据。而最新发展的noise2noise技术也可以实现针对各种图像的信号增强和噪声消除。但核磁共振图像不同于一般的图像，如何将基于深度学习算法的去噪声技术应用于核磁共振图像，仍然存在一定的问题。
49.应注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征也可以相互组合。
51.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为只是或暗示相对重要性。
52.经过上述深入分析后，本发明提出了一种用于核磁共振成像的降噪方法和降噪系统，在没有电磁屏蔽的各种噪声环境中，环境噪声和随机噪声会对核磁成像的成像质量产生较大的影响，因此，本发明在硬件装置上运行基于深度学习算法的软件程序，在采集到核磁共振原始数据和环境噪声数据之后，首先利用环境噪声的相关性，对原始数据进行降噪处理，去除环境噪声的影响；然后基于特殊构型模型的深度学习网络deep-ift，实现基于模型的图像重构和进一步降噪；最后利用基于noise2noise原理的深度学习网络mri-dn，实现随机噪声的消除和图像的增强。本发明使得核磁共振成像仪的使用不再需要进行电磁屏蔽，与传统的傅里叶变换图像重构算法相比有巨大优势，能实现高噪声数据的有效还原和图像重构；同时能够用于低场核磁共振成像仪的原始信号环境降噪、图像重构和随机噪声消除，也可扩展应用于高场和超高场核磁共振成像领域。
53.如图1所示，本发明实施例所提供的用于核磁共振成像的降噪方法，包括如下步骤：
54.步骤s1，在核磁共振成像线圈或仪器周围，在不与成像线圈耦合的前提下，设置环境噪声采集模块；通过所述环境噪声采集模块采集环境噪声，并将所采集的环境噪声输入环境噪声消除模块。
55.本步骤首先通过设置相应的元件采集环境噪声，后续步骤再利用所采集的环境噪
声，根据相似性原理来消除核磁共振原始数据中的环境噪声，拓展核磁成像仪的使用范围。环境噪声在低场核磁共振成像中对成像质量的影响尤为严重，当低场核磁共振成像仪进行可移动使用、应用在不同环境下而无法采用屏蔽室时，利用物理电磁屏蔽实现对环境噪声的屏蔽变得不太现实。因此，本步骤通过设置环境噪声探头采集到环境噪声。
56.如图2所示，本步骤中，所述环境噪声采集模块为多通道，每个通道包括噪声测量探头201和前置放大器202，前置放大器202和数据采集模块203相连。具体来说，在核磁共振成像仪的不同位置放置1到n个噪声测量探头201用于检测环境噪声，噪声信号经过前置放大器202的放大，输入数据采集模块203的环境噪声消除模块中。
57.在一个具体实施例中，所述噪声测量探头201由线圈与电容组成谐振电路，共振频率为核磁共振成像仪的拉莫尔频率，并与核磁共振测量具有相似的带宽；如图3所示，所述线圈包括但不限于采用表面线圈204或螺旋形线圈205实现。在另一具体实施例中，所述噪声测量探头201通过电极探头实现。
58.步骤s2，数据采集模块采集原始核磁共振数据，环境噪声消除模块利用所接收的环境噪声消除数据采集模块所采集的原始核磁共振数据中的环境噪声；消除所采集原始核磁共振数据中的环境噪声后得到中间数据。
59.本步骤中，所述环境噪声消除模块单独设置或设置于数据采集模块中。所述利用所接收的环境噪声数据消除所采集核磁共振原始数据中的环境噪声，根据环境噪声的相似性原理来消除。数据采集模块203的环境噪声消除模块接收到环境噪声信号后，先将所接收环境噪声的模拟信号转化成数字信号，再根据环境噪声的相似性原理，消除所采集的原始核磁共振数据中的环境噪声。
60.图4是一个具体实例中核磁共振原始数据去除环境噪声前，图5是该具体实例中核磁共振原始数据去除环境噪声后的对比。如图4和图5所示，所采集的核磁共振图像数据是一道多回波数据，包括实部和虚部两道数据；经过环境噪声的消除步骤，核磁共振原始数据变得平滑、均匀。
61.步骤s3，构建神经网络deep-ift，以同时生成核磁共振实部图像和虚部图像。
62.本步骤中，所构建的神经网络deep-ift，包括以下至少一种构型：
63.第一种构型采用分叉网络，所述分叉网络依次包括由两层全连接层构成的一维全连接网络、重构层、二维零填充层及两个分支结构，每个分支结构包括两层二维卷积层及两个次分支结构，其中一个次分支结构依次为二维卷积转置层及重构层，另一个次分支结构为二维卷积层。如图6所示，其中402a是一个全连接网络，有两层全连接网络构成，这两层全连接网络都是用tanh函数；所述第一种构型的分叉网络数据处理过程包括：对输入的数据在一维全连接网络中采用tanh函数进行处理，然后一维全连接网络的输出被重新转置为二维数据，二维数据被分别导入分叉的两个两层卷积网络用于生成图像的实部数据403a和虚部数据404a，二维卷积网络我们使用relu函数。其中，作为输入端的402a部分，也可以使用3层及以上的全连接网络实现，作为卷积网络部分的403a和404a也可以用3层及以上的卷积网络实现，衰减函数使用均方误差(mse)。衰减函数分别计算实部和虚部的衰减值后再将其叠加作为拟合方向的选择。此外，网络架构里面的核心参数(kernel)和偏差参数(bias)可以根据采集通道和生成图片的大小进行调整；使用了二维卷积转置层、重置层、二维零填充层来连接全连接层和卷积层。
64.第二种构型采用分叉网络，所述分叉网络依次包括由两层全连接层构成的一维全连接网络、重构层、二维零填充层、两个分支结构、连接层和重构层，每个分支结构包括两层二维卷积层和一层二维卷积转置层。如图7所示，其中402b是一个全连接网络，有两层全连接网络构成，这两层全连接网络都是用tanh函数；所述第二种构型的分叉网络数据处理过程包括：对输入的数据在一维全连接网络中采用tanh函数进行处理，然后一维全连接网络的输出被重新转置为二维数据，二维数据被分别导入分叉的两个两层卷积网络用于生成图像的实部数据403b和虚部数据404b，二维卷积网络我们使用relu函数。其中，作为输入端的402b部分，也可以使用3层及以上的全连接网络实现，作为卷积网络部分的403b和404b也可以用3层及以上的卷积网络实现，衰减函数使用mse。实部数据和虚部数据同时进入连接层和重构层，整合后作为一个数据计算衰减值作为拟合方向的选择。此外，网络架构里面的核心参数(kernel)和偏差参数(bias)可以根据采集通道和生成图片的大小进行调整。我们还使用了二维卷积转置层，重置层，二维零填充层来连接全连接层和卷积层。第二种构型与第一种构型类似，不同的地方是将实部和虚部整合为同一个数据计算衰减值，并进行拟合。
65.第三种构型依次包括由两层全连接层构成的一维全连接网络、重构层、二维堆填充层、两层二维卷积层及两个分支结构，其中一个分结构依次包括二维卷积转置层和重构层，另一个分支结构为二维卷积层。如图8所示，其中402c是一个全连接网络，有两层全连接网络构成，这两层全连接网络都是用tanh函数；所述第三种构型的数据处理过程包括：对输入的数据在一维全连接网络中采用tanh函数进行处理，然后一维全连接网络的输出被重新转置为二维数据，二维数据被分别一个两层卷积网络用于同时生成图像的实部数据和虚部数据403c，二维卷积网络我们使用relu函数。其中，作为输入端的402c部分，也可以使用3层及以上的全连接网络实现，作为卷积网络部分的403c也可以用3层及以上的卷积网络实现，衰减函数使用mse。二维数据经双层卷积网络同时生成图像的实部数据和虚部数据，并计算实数数据和虚部数据的整合值，再同时计算实数数据和虚部数据的衰减值作为拟合方向的选择。此外，网络架构里面的核心参数(kernel)和偏差参数(bias)可以根据采集通道和生成图片的大小进行调整。我们还使用了二维卷积转置层，重置层，二维零填充层来连接全连接层和卷积层。第三种构型图401c与之前两种构型的显著区别在于将实部数据和虚部数据作为一个(64
×
64
×
2或者128
×
128
×
2)数据进行输出。
66.上述三种构型可以同时生成实部图像和虚部图像而不用分别训练两个网络，也就是说，不需要同时训练两个网络，而是在同一个网络上实现实部和虚部两种图像重构。
67.步骤s4，基于历史数据对所构建神经网络deep-ift进行训练，得到成熟的神经网络deep-ift。
68.本步骤中，在一个具体实施例中，优选地，利用50000张核磁成像数据对deep-ift进行训练。训练一共迭代了200次，损失函数达到10-5
左右。通过训练，deep-ift可以成功替代反傅立叶变换，能将时域数据转化为图像。如图9所示的图像转化结果显示，deep-ift与反傅里叶变换获得的数据(501，502和503)相比，deep-ift输出结果(504和505)几乎达到了100％的高保真级别的还原，达到了设计要求。
69.deep-ift的另外一个重要功能是实现一定程度的噪声消除，这里所消除的是随机噪声。首先在50000张核磁成像图像转化为时域数据(或空间数据)并引入高斯噪声，作为输入数据。然后将50000张核磁成像的图像数据作为输出数据，重新训练神经网络，训练一共
迭代了200次左右，损失函数达到10-5
左右。图10是测试数据的结果比对，与引入噪声的数据602相比，噪声消除后的数据603与原始数据601高度相似，说明deep-ift可以在一定程度上消除随机噪声。实例中，deep-ift的网络架构使信噪比提高了3倍。
70.步骤s5，将中间图像数据输入成熟的神经网络deep-ift中，消除所述中间数据的随机噪声，并转化和输出第一核磁共振图像。
71.本步骤中，利用训练好的神经网络deep-ift，同时实现针对mri原始数据实部和虚部的图像重构。deep-ift的网络架构一种新的网络架构，可同时实现针对mri原始数据实部和虚部的图像重构。deep-ift的网络架构的主要特点包括采用信号处理的全连接网络图6和分叉处理的基于二维卷积网络的图7和图8。同时，神经网络deep-ift架构可以很好的重构图像，替代传统的傅里叶变换算法。
72.步骤s6，基于noise2noise原理构建mri-dn网络。
73.如图11所示，mri-dn网络是利用noise2noise网络设计的核磁共振成像数据噪声消除网络。与noise2noise网络不同的是，mri-dn使用自身数据进行降噪。通过目的切片图像和相邻的2n个切片图像(n＝1或者2)701经过u-net网络702然后计算均方误差mse数值，将噪声消除。通过测试发现，mri-dn充分利用三维mri数据，相邻切片图像噪声的随机性，以及信号的相似性的特点，将信号提取出来。
74.步骤s7，将步骤s5所得到的第一核磁共振图像输入所述mri-dn网络中，根据噪声相对于信号随机产生的原理，进一步消除随机噪声并增强信噪比，完成对核磁共振图像的去噪，并输出最终的核磁共振图像。
75.如图12所示，a是处理前的核磁成像图片，b是处理后的核磁成像图片，由图12可见，通过本步骤很好的实现了随机噪声的消除。
76.mri-dn网络架构是主要用于图像的增强，mri-dn网络采用自学习算法，利用噪声随机性和信号的相关性将噪声区分开来，进行消除。利用mri-dn网络可以获得高信噪比数据，进而实现图像增强。相对于传统的图像增强算法比如gnn，mri-dn网络并不会产生不可解释的异常信号，使图像增强更接近于真是情况。实施例中，mri-dn网络架构使信噪比提高了1.5倍。
77.需要说明的是，本实施例所提供的用于核磁共振成像的降噪方法，同样适用于屏蔽室中的低场和高场核磁共振成像仪的降噪和图像重构。屏蔽室可以隔离外部环境噪声，但是无法屏蔽内部环境噪声(如人体所产生的噪声)。多通道的环境噪声采集模块可以同时用于获取核磁共振成像系统附近的各种噪声，故此多通道环境噪声采集模块可以同时应用于基于屏蔽室的低场和高场核磁共振成像仪，及无屏蔽室的可移动使用的低场和高场核磁共振成像仪。
78.由以上技术方案可以看出，本实施例所提供的用于核磁共振成像的降噪方法，基于核磁共振原始数据和环境噪声数据进行噪声采集，对所采集到的噪声进行消除，再基于深度学习网络算法，去除随机噪声，提高了核磁共振图像质量；同时适用于屏蔽室及非屏蔽状态下的低场和高场核磁共振成像仪，提高了仪器使用的可移动性，拓展了低场和高场核磁共振成像仪的使用范围。
79.基于同样的思想，本发明实施例还提供了一种用于核磁共振成像的降噪系统，所述系统包括：环境噪声采集模块、环境噪声消除模块、deep-ift模块及mri-dn网络模块。
80.其中，所述环境噪声采集模块设置于成像线圈或仪器周围，用于在不与成像线圈耦合的前提下，采集环境噪声，并将所采集的环境噪声输入数据环境噪声消除模块；所述环境噪声采集模块为多通道模式，每个通道包括噪声测量探头和前置放大器，所述前置放大器和环境噪声消除模块相连；
81.所述环境噪声消除模块用于利用所接收的环境噪声消除数据采集模块所采集的原始核磁共振数据中的环境噪声，使核磁共振成像系统中的数据采集模块获得中间数据，并发送给deep-ift模块；
82.所述deep-ift模块用于构建和训练神经网络deep-ift，并将中间数据输入到训练好的神经网络deep-ift中，消除所述中间数据的随机噪声，转化和输出第一核磁共振图像，并传输给mri-dn网络模块；
83.所述mri-dn网络模块用于基于noise2noise原理构建mri-dn网络，并根据噪声相对于信号随机产生的原理，进一步消除第一核磁共振图像中的随机噪声，同时增强信噪比，完成对核磁共振图像的去噪，输出最终的核磁共振图像。
84.本实施例中各模块通过处理器实现，当需要存储时适当增加存储器。其中，所述处理器可以是但不限于微处理器mpu、中央处理器(central processing unit，cpu)、网络处理器(network processor，np)、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)、其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件等。所述存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
85.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
86.另外需要说明的是，本实施例所述用于核磁共振成像的降噪系统可以是独立的系统，也可以是集成到或者修改现有磁共振成像系统；所述系统与用于核磁共振成像的降噪方法是对应的，对所述方法的描述与限定，同样适用于所述系统，在此不再赘述。
87.以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明，并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的优选实施例。本领域技术人员应当理解，本发明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所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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。