磁共振指纹成像方法和装置、磁共振成像设备

技术领域

本申请涉及磁共振成像领域，特别是涉及一种磁共振指纹成像方法和装置、磁共振成像设备。

背景技术

磁共振指纹（magnetic resonance fingerprint，MRF）序列大致包含三个主要流程：原始数据采集、图像重建和定量出图。

在现有技术中，定量出图是将对应磁共振图像中每个体素的实际体素演化与磁共振指纹字典做匹配，得到对应磁共振图像中每个体素的实际体素参数，最终得到磁共振图像。其中，磁共振指纹字典包括了体素演化与体素参数之间的映射关系，其主要根据扫描序列时序进行仿真得到。在部分磁共振扫描情形中，扫描序列时序需要在扫描完成后才能够确定。比如，心跳触发的磁共振扫描和呼吸触发的磁共振扫描。示例性地，在做心脏MRF时，由于数据采集时的扫描序列时序与心脏跳动有关，所以每次扫描序列时序是独一无二且无法预知的。进而，磁共振指纹字典也只能在数据采集完成后根据采集时记录的扫描序列时序进行仿真得到。因此，在磁共振指纹序列流程中的定量出图过程中，需要先根据扫描序列时序进行仿真得到磁共振指纹字典，再将每个体素的实际体素演化与磁共振指纹字典做匹配，得到每个体素的实际体素参数，最终得到磁共振图像。这就导致扫描序列时序需要在扫描完成后才能够确定的磁共振指纹序列流程中的定量出图过程较为漫长。

针对现有的扫描序列时序需要在扫描完成后才能够确定的磁共振指纹序列流程中的定量出图过程较为漫长的问题，目前还没有提出有效的解决方案。

发明内容

在本发明中提供了一种磁共振指纹成像方法和装置、磁共振成像设备，以解决现有的扫描序列时序需要在扫描完成后才能够确定的磁共振指纹序列流程中的定量出图过程较为漫长的问题。

第一个方面，在本发明中提供了一种磁共振指纹成像方法，所述成像方法包括：

获取待测对象的目标区域的扫描数据和实际扫描序列时序；

对所述扫描数据进行图像重建，得到若干实际体素演化；

将所述实际扫描序列时序和若干所述实际体素演化输入训练完备的神经网络模型；其中，训练完备的所述神经网络模型用于预测在所述实际扫描序列时序下的若干所述实际体素演化各自对应的实际体素参数；

根据训练完备的所述神经网络模型输出的若干所述实际体素参数，生成磁共振图像。

在其中的一些实施例中，若干所述实际体素演化包括所述磁共振图像中每个体素的实际体素演化；

若干所述实际体素参数包括所述磁共振图像中每个体素的实际体素参数。

在其中的一些实施例中，所述成像方法还包括：

获取样本扫描序列时序和样本体素参数；

根据所述样本扫描序列和所述样本体素参数，生成与所述样本体素参数对应的样本体素演化；

通过所述样本扫描序列时序、所述样本体素演化和所述样本体素参数，对所述神经网络模型进行训练。

在其中的一些实施例中，所述通过所述样本扫描序列时序、所述样本体素演化和所述样本体素参数，对所述神经网络模型进行训练，包括：

将所述样本扫描序列时序和所述样本体素演化作为所述神经网络模型的输入，并将所述样本体素参数作为所述神经网络模型的训练标签，对所述神经网络模型进行监督训练。

在其中的一些实施例中，所述获取样本扫描序列时序和样本体素参数，包括：

获取基础扫描序列时序、若干不同的人体生理信号和若干不同的所述样本体素参数；其中，所述人体生理信号包括心跳信号或呼吸信号；

根据所述基础扫描序列时序和若干不同的所述人体生理信号，生成若干不同的所述样本扫描序列时序。

在其中的一些实施例中，所述根据所述基础扫描序列时序和若干不同的所述人体生理信号，生成若干不同的所述样本扫描序列时序，包括：

仿真若干不同的所述人体生理信号对所述基础扫描序列时序的触发动作，根据所述触发动作调整所述基础扫描序列时序，得到若干不同的所述样本扫描序列时序。

在其中的一些实施例中，所述神经网络模型至少包括如下神经网络模型之一：

全连接神经网络模型、卷积神经网络模型、循序神经网络模型和长短时记忆神经网络模型。

第二个方面，在本发明中提供了一种磁共振指纹成像装置，所述成像装置包括：

数据采集模块，用于获取待测对象的目标区域的扫描数据和实际扫描序列时序；

图像重建模块，用于对所述扫描数据进行图像重建，得到若干实际体素演化；

参数确定模块，用于将所述实际扫描序列时序和若干所述实际体素演化输入训练完备的神经网络模型；其中，训练完备的所述神经网络模型用于预测在所述实际扫描序列时序下的若干所述实际体素演化各自对应的实际体素参数；

图像生成模块，用于根据训练完备的所述神经网络模型输出的若干所述实际体素参数，生成磁共振图像。

第三个方面，在本发明中提供了一种磁共振成像设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的磁共振指纹成像方法。

第四个方面，在本发明中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的磁共振指纹成像方法。

与相关技术相比，本发明提供的磁共振指纹成像方法，主要预先训练基于机器学习的神经网络模型，使其学习得到不同扫描序列时序下的体素演化与体素参数之间的映射关系。从而通过训练完备的神经网络模型，可以在扫描结束后，快速得到磁共振图像的实际体素参数，并生成磁共振图像。在扫描序列时序需要在扫描完成后才能够确定的场景下，相比于现有技术中，需要先根据实际扫描序列时序进行仿真得到磁共振指纹字典，再将每个体素的实际体素演化与磁共振指纹字典做匹配，得到每个体素的实际体素参数。本发明提供的磁共振指纹成像方法，能够更快的得到磁共振图像的实际体素参数，从而提高了磁共振图像的生成效率。因此，本发明解决了现有的扫描序列时序需要在扫描完成后才能够确定的磁共振指纹序列流程中的定量出图过程较为漫长的问题。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是执行本发明提供的磁共振指纹成像方法的终端硬件结构框图；

图2是本发明提供的磁共振指纹成像方法的流程图；

图3是本发明中扫描序列随心脏跳动正确触发的心脏磁共振图像；

图4是本发明中扫描序列未随心脏跳动正确触发的心脏磁共振图像；

图5是本发明一实施例中的磁共振指纹成像方法的流程图；

图6是本发明具体实施例中的神经网络模型的训练过程；

图7是本发明具体实施例中的神经网络模型的推断过程；

图8是本发明提供的磁共振指纹成像装置的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本发明中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是执行本发明提供的磁共振指纹成像方法的终端硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本发明中的磁共振指纹成像方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

在本发明中提供了一种磁共振指纹成像方法。

图2是本发明提供的磁共振指纹成像方法的流程图。参照图2，该磁共振指纹成像方法包括如下步骤：

步骤S210，获取待测对象的目标区域的扫描数据和实际扫描序列时序；

步骤S220，对扫描数据进行图像重建，得到若干实际体素演化；

步骤S230，将实际扫描序列时序和若干实际体素演化输入训练完备的神经网络模型；其中，训练完备的神经网络模型用于预测在实际扫描序列时序下的若干实际体素演化各自对应的实际体素参数；

步骤S240，根据训练完备的神经网络模型输出的若干实际体素参数，生成磁共振图像。

具体的，首先是在扫描待测对象的目标区域的过程中，实时获取待测对象的扫描数据，扫描数据则是K空间数据。实际扫描序列时序的获取时机与扫描类型相关。示例性地，当目标区域为待测对象的心脏部位时，实际扫描序列时序与待测对象的心跳相关。又或是，当目标区域为待测对象的肺部区域时，实际扫描序列时序与待测对象的呼吸相关。即扫描序列时序随生理信号（心跳或呼吸）触发，此类触发的目的是使得扫描时对象处于相对静止的状态，以避免运动伪影。图3是本发明中扫描序列随心脏跳动正确触发的心脏磁共振图像，图4是本发明中扫描序列未随心脏跳动正确触发的心脏磁共振图像。参照图3，当采用随心脏跳动触发的扫描序列时序时，心脏磁共振图像是比较清晰的。参照图4，当采用固定的扫描序列时序时，或是扫描序列时序的触发与心脏跳动不匹配时，心脏磁共振图像存在比较严重的伪影。

因此，需要采用随生理信号触发的扫描序列时序。此时，需要在扫描完成后，才能够获取确定的实际扫描序列时序。其中，扫描序列时序包括TR（repetition time，重复时间）、TE（echo time，回波时间）和FA（flip angle，翻转角）等序列信息。

其次，获取扫描数据之后，基于扫描数据进行图像重建，对扫描数据进行傅里叶变换或是逆傅里叶变换，可以得到若干实际体素演化。体素演化具体是指体素的时间演化，或是体素信号随时间的变化。其中，若干实际体素演化至少包括了磁共振图像中部分体素的实际体素演化。在实际应用过程中，若干体素演化通常包括磁共振图像中每个体素的实际体素演化。

进一步的，在图像重建完成后，将若干实际体素演化和实际扫描序列输入至训练完备的神经网络模型。基于机器学习的神经网络模型，通过学习得到不同扫描序列时序下的体素演化与体素参数之间的映射关系。因此，该神经网络模型，可以预测在实际扫描序列时序下的若干实际体素演化各自对应的实际体素参数，进而可以得到磁共振图像中部分体素或是每个体素的实际体素参数。其中，体素参数是指体素的组织参数，包括T1（纵向弛豫时间）、T2（横向弛豫时间）和PD（质子密度）等参数。

在其中的一个实施例中，若干实际体素演化包括磁共振图像中每个体素的实际体素演化；若干实际体素参数包括磁共振图像中每个体素的实际体素参数。

最终，根据磁共振图像中部分体素或是每个体素的实际体素参数，生成相应的磁共振图像。

通过上述说明可知，本发明提供的磁共振指纹成像方法，主要预先训练基于机器学习的神经网络模型，使其学习得到不同扫描序列时序下的体素演化与体素参数之间的映射关系。从而通过训练完备的神经网络模型，可以在扫描结束后，快速得到磁共振图像的实际体素参数，并生成磁共振图像。在扫描序列时序需要在扫描完成后才能够确定的场景下，相比于现有技术中，需要先根据实际扫描序列时序进行仿真得到磁共振指纹字典，再将每个体素的实际体素演化与磁共振指纹字典做匹配，得到每个体素的实际体素参数。本发明提供的磁共振指纹成像方法，能够更快的得到磁共振图像的实际体素参数，从而提高了磁共振图像的生成效率。因此，本发明解决了现有的扫描序列时序需要在扫描完成后才能够确定的磁共振指纹序列流程中的定量出图过程较为漫长的问题。

其中，对于神经网络模型，需要进一步说明的是，体素演化以图像时间序列的形式输入，其处理模块可以包含1D（一维）和2D（二维）模块的级联，从而使模型既能提取时间序列信息、又能从空间相邻体素中获取更充分信息；扫描序列时序以时间序列向量的形式输入，其处理模块可以是1D的全连接网络等模块，从而提取出对定量图的调制信息。

由于本发明提供的磁共振指纹成像方法需要训练完备的神经网络模型，进而还需要对神经网络模型进行训练。

图5是本发明一实施例中的磁共振指纹成像方法的流程图。参照图5，在其中的一些实施例中，磁共振指纹成像方法还包括：

步骤S310，获取样本扫描序列时序和样本体素参数；

步骤S320，根据样本扫描序列和样本体素参数，生成与样本体素参数对应的样本体素演化；

步骤S330，通过样本扫描序列时序、样本体素演化和样本体素参数，对神经网络模型进行训练。

具体的，本实施例中通过样本数据对神经网络模型进行训练。样本数据主要包括了样本扫描序列时序和样本体素参数以及样本体素演化。由于在不同扫描序列下的体素参数和体素演化之间的映射关系是不同的，则在本实施例中需要先获取若干不同的样本扫描序列时序和若干不同的样本体素参数。在样本数据的预处理阶段，可以根据若干不同的样本扫描序列时序确定各自对应的体素参数和体素演化之间的映射关系，然后分别确定在不同映射关系（样本扫描序列时序）下，各个样本体素参数对应的样本体素演化。在神经网络模型的训练过程中，将样本扫描序列时序和样本体素演化作为模型输入，神经网络模型则是以最小化实际预测的体素参数与相对应的样本体素参数之间的误差为学习目标，不断迭代更新模型参数，最终得到训练完备的神经网络模型。

进而，在一具体实施例中，步骤S330，通过样本扫描序列时序、样本体素演化和样本体素参数，对神经网络模型进行训练，具体包括：

将样本扫描序列时序和样本体素演化作为神经网络模型的输入，并将样本体素参数作为神经网络模型的训练标签，对神经网络模型进行监督训练。

在其中的一些实施例中，步骤S310，获取样本扫描序列时序和样本体素参数，具体包括：

获取基础扫描序列时序、若干不同的人体生理信号和若干不同的样本体素参数；其中，人体生理信号包括心跳信号或呼吸信号；根据基础扫描序列时序和若干不同的人体生理信号，生成若干不同的样本扫描序列时序。

本实施例中提供了一种样本扫描序列时序的具体生成方式。由于实际扫描序列时序与人体生理信号相关，从而需要构建不同人体生理信号下的样本扫描序列时序。首先是确定固定的基础扫描序列时序，基础扫描序列时序是在扫描前预先设定的扫描序列时序，在扫描过程中，基础扫描序列时序中的采集动作随实际人体生理信号触发，因此最终形成的实际扫描序列时序与预先设定的基础扫描序列不同。最后，将不同的人体生理信号作用在基础扫描序列时序上，从而得到不同的样本扫描序列时序。具体的，则是仿真若干不同的人体生理信号对基础扫描序列时序的触发动作，根据触发动作调整基础扫描序列时序，得到若干不同的样本扫描序列时序。

其中，人体生理信号可以根据历史扫描数据确定，历史扫描数据中包含了不同历史患者具有的真实人体生理信号。同时也可以在合理范围内，随机仿真生成人体可能产生的人体生理信号。

进一步，人体生理信号的具体内容可根据神经网络模型的实际应用场景确定。示例性地，当神经网络模型针对应用于心脏磁共振指纹扫描时，则人体生理信号应当至少包括心跳信号。

需要说明的是，本发明提供的磁共振指纹成像方法，重点在于通过基于机器学习的神经网络模型，可以在扫描结束后，快速得到磁共振图像的实际体素参数，并生成磁共振图像。应当可以理解的是，现有技术中各种类型的神经网络模型均满足本发明的使用要求。示例性地，神经网络模型至少包括如下神经网络模型之一：全连接神经网络模型、卷积神经网络模型、循序神经网络模型和长短时记忆神经网络模型。

如下通过一个具体实施例对本发明中的技术方案进行说明。

在该具体实施例中，磁共振指纹成像方法主要包括对神经网络模型进行训练以及通过神经网络模型预测实际体素参数两个过程。

图6是本发明具体实施例中的神经网络模型的训练过程。图7是本发明具体实施例中的神经网络模型的推断过程。

对神经网络模型进行训练主要包括训练数据准备和模型构建和训练。

具体的，参照图6，在基础扫描序列时序的基础上，叠加伪随机生成的人体生理信号，模拟人体生理信号触发时的样本扫描序列时序，并根据模拟的样本扫描序列时序生成对应的磁共振指纹字典。其中，磁共振指纹字典包括了体素演化与体素参数之间的映射关系。然后结合不同的磁共振字典和不同的样本体素参数，生成对应的样本体素演化。最后以样本扫描序列时序和样本体素演化作为神经网络模型的输入，以体素参数作为输出，并采用对应的样本体素参数作进行监督，训练神经网络模型。神经网络模型的可能结构包括但不限于简单的全连接网络（Fully Convolutional Networks，FCN）、卷积神经网络（Convolutional Neural Networks，CNN）、循环神经网络（Recurrent Neural Network，RNN）、长短时记忆网络（Long Short-Term Memory，LSTM）等。

通过神经网络模型预测实际体素参数主要包括模型推断。

具体的，参照图7，扫描实际人体生理信号触发的磁共振指纹，将得到的实际体素演化与记录的实际扫描序列时序输入给训练完备的神经网络模型，得到每个体素的实际体素参数。

在本发明中还提供了一种磁共振指纹成像装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图8是本发明提供的磁共振指纹成像装置的结构框图。参照图8，磁共振指纹成像装置包括：

数据采集模块610，用于获取待测对象的目标区域的扫描数据和实际扫描序列时序；

图像重建模块620，用于对扫描数据进行图像重建，得到若干实际体素演化；

参数确定模块630，用于将实际扫描序列时序和若干实际体素演化输入训练完备的神经网络模型；其中，训练完备的神经网络模型用于预测在实际扫描序列时序下的若干实际体素演化各自对应的实际体素参数；

图像生成模块640，用于根据训练完备的神经网络模型输出的若干实际体素参数，生成磁共振图像。

本发明提供的磁共振指纹成像装置，主要预先训练基于机器学习的神经网络模型，使其学习得到不同扫描序列时序下的体素演化与体素参数之间的映射关系。从而通过训练完备的神经网络模型，可以在扫描结束后，快速得到磁共振图像的实际体素参数，并生成磁共振图像。在扫描序列时序需要在扫描完成后才能够确定的场景下，相比于现有技术中，需要先根据实际扫描序列时序进行仿真得到磁共振指纹字典，再将每个体素的实际体素演化与磁共振指纹字典做匹配，得到每个体素的实际体素参数。本发明提供的磁共振指纹成像装置，能够更快的得到磁共振图像的实际体素参数，从而提高了磁共振图像的生成效率。因此，本发明解决了现有的扫描序列时序需要在扫描完成后才能够确定的磁共振指纹序列流程中的定量出图过程较为漫长的问题。

在本发明中还提供了一种磁共振成像设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述磁共振成像设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述实施例中提供的磁共振指纹成像方法，在本发明中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种磁共振指纹成像方法。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。