一种磁共振T2定量成像方法及系统

技术领域

本发明涉及磁共振成像领域，特别是涉及一种磁共振T

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)是利用原子核在强磁场内发生共振产生的信号经图像重建的一种成像技术。MRI可分为定性的参数加权成像和定量的参数成像。虽然参数加权成像可以提供良好的组织对比度，但是由于图像的对比度与获得图像所用的脉冲序列以及扫描参数有很大的关系，因此在不同设备上采集到的图像组织对比度往往存在差异，难以进行横向和纵向对比。定量参数成像可以直接测量组织的特性参数值，减少仪器设备条件对成像结果的影响，因此具有重要的应用价值。

现有的T

发明内容

基于以上背景，本发明提供了一种磁共振T

为实现上述目的，本发明提供了如下方案：

一种磁共振T

设计磁共振T

确定多扫描多重叠回波T

利用所述脉冲序列在设定的采样参数下对待测样品进行多次扫描采样，得到待测样品的多扫描多重叠回波信号；

对所述待测样品的多扫描多重叠回波信号进行处理，得到待测样品的待重建多扫描多重叠回波图像；

根据待测样品特征模拟生成设定量的深度神经网络训练样本，构成训练样本集；

确定用于T

采用所述训练样本集对所述深度神经网络进行训练，获得训练好的深度神经网络；

将所述待测样品的待重建多扫描多重叠回波图像输入所述训练好的深度神经网络进行重建，获得待测样品的高分辨T

本发明还提供了一种磁共振T

脉冲序列设计模块，用于设计磁共振T

信号采集模块，用于利用所述脉冲序列在设定的采样参数下对待测样品进行多次扫描采样，得到待测样品的多扫描多重叠回波信号；

信号处理模块，用于对所述待测样品的多扫描多重叠回波信号进行处理，得到待测样品的待重建多扫描多重叠回波图像；

训练样本集生成模块，用于将所述脉冲序列输入磁共振成像仿真软件中，并且依据真实实验的非理想性添加相应的非理想项，以尽量模拟真实情况；根据所述待测样品特征生成设定量的随机模板；利用仿真软件对各随机模板进行模拟采样，得到各随机模板的多扫描多重叠回波信号；将各随机模板的多扫描多重叠回波信号重排成二维k空间信号，然后进行二维傅里叶变换，得到各随机模板的多扫描多重叠回波图像；将各随机模板的多扫描多重叠回波图像和相应的随机模板构成一个训练样本，得到设定量的训练样本，构成训练样本集。

深度神经网络确定模块，用于确定用于T

T

根据本发明提供的具体实施例，本发明公开了以下技术效果：

1)与单扫描多重叠回波成像相比，本发明设计的多扫描多重叠回波成像脉冲序列缩短了单次扫描的采样回波链长度，在保证信噪比的同时提高了图像的分辨率；

2)通过设计适用于多扫描多重叠回波图像的涡流伪影去除方法，有效去除多扫描多重叠回波图像的涡流伪影；

3)在模拟生成深度神经网络的训练样本集阶段，考虑到实际实验中重聚脉冲的非理想性，对重聚脉冲引入了不相干的随机平滑的等效重聚角度图以尽量模拟真实情况，减小了重建的T

4)利用深度神经网络对去除涡流伪影后的多扫描多重叠回波图像进行T

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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讲，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的附图。

图1为本发明实施例1中磁共振T

图2为本发明实施例1中脉冲序列的结构示意图；

图3为本发明实施例2中深度神经网络的结构示意图；

图4为本发明实施例3中磁共振T

具体实施方式

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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

本发明提出了一种磁共振T

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

如图1所示，为本发明实施例1中磁共振T

S1：设计磁共振T

S2：确定多扫描多重叠回波T

S3：利用所述脉冲序列在设定的采样参数下对待测样品进行多次扫描采样，得到待测样品的多扫描多重叠回波信号；

S4：对所述待测样品的多扫描多重叠回波信号进行处理，得到待测样品的待重建多扫描多重叠回波图像；

S5：根据待测样品模拟生成设定量的深度神经网络训练样本，构成训练样本集；

S6：确定用于T

S7：采用所述训练样本集对所述深度神经网络进行训练，获得训练好的深度神经网络；

S8：将所述待测样品的待重建多扫描多重叠回波图像输入所述训练好的深度神经网络进行重建，获得待测样品的高分辨T

接下来将对上述各步骤做详细描述：

在设计成像所需的脉冲序列时，考虑到单扫描多重叠回波成像要获得高的图像分辨率需要较长的采样回波链长度，导致图像信噪比降低，因此本发明提出多扫描方法，通过多次扫描缩短脉冲序列中采样回波链长度，从而在保证图像信噪比的同时提高图像的分辨率。

如图2所示，为本发明实施例1中磁共振T

其中，α

破坏梯度包括频率编码维、相位编码维和层面选择维的破坏梯度；

采样回波链包括频率编码维的梯度链和相位编码维的梯度链；

其中，m

确定多扫描多重叠回波成像脉冲序列的采样参数，具体包括：

确定射频激发脉冲的个数n和各射频激发脉冲的翻转角α

确定重聚脉冲的翻转角β；

确定各回波的重叠方式，即各回波在k空间中的位置，从而确定各射频激发脉冲之间的时间间隔比例以及各射频激发脉冲之后的回波移位梯度的大小比例；

确定脉冲序列扫描次数、成像视野、成像矩阵以及回波间隔，从而确定采样回波链长度与采样回波链中频率编码维和相位编码维的梯度值、预相位编码梯度值、各射频脉冲之间的时间间隔与各回波移位梯度值；

确定脉冲序列重复时间TR。

在利用所述脉冲序列得到多扫描多重叠回波图像后，本发明考虑到：由于所述脉冲序列的采样回波链中频率编码维上梯度的快速切换易产生涡流，使采集的信号产生相位累积误差，从而导致多扫描多重叠回波图像出现涡流伪影，降低图像质量，为此，本发明提出了一个相位校正方法，具体方案如下：

设定一个待定系数的线性相位模型，并设置其中各个参数的取值范围和取值步长；

将所述待测样品的多扫描多重叠回波信号重排成二维k空间信号S(k

对S(k

依照设定的线性相位模型向I(x,k

对I′(x,k

将添加相位后的多扫描多重叠回波图像与将添加相位后的多扫描多重叠回波图像按扫描次数进行循环位移和叠加后得到的图像进行比较，计算添加相位后的多扫描多重叠回波图像的涡流伪影程度；

在设定的次数内重复以上过程，找到在线性相位模型参数取值范围内，添加相位后涡流伪影程度最小的多扫描多重叠回波图像，该图像即为涡流伪影被最大程度地消除了的待测样品的待重建多扫描多重叠回波图像。

在确定深度神经网络前，本发明考虑到深度神经网络需要大量的训练样本，而真实的训练样本难以获得，因此，本发明利用模拟方法生成深度神经网络所需的训练样本，具体步骤如下：

将所述脉冲序列输入磁共振成像仿真软件中，依据真实实验的非理想性添加相应的非理想项，以尽量模拟真实情况；

根据待测样品特征生成设定量的随机模板；

利用仿真软件对各随机模板进行模拟采样，得到各随机模板的多扫描多重叠回波信号；将各随机模板的多扫描多重叠回波信号重排成二维k空间信号，然后进行二维傅里叶变换，得到各随机模板的多扫描多重叠回波图像；

将各随机模板的多扫描多重叠回波图像和相应的随机模板构成一个训练样本，得到设定量的训练样本，构成训练样本集。

此外，本发明考虑到实际实验中脉冲序列的重聚脉冲往往角度不准，因此在利用磁共振成像仿真软件对随机模板进行模拟采样前，对重聚脉冲引入不相干的随机平滑的等效重聚角度图，以保证获得的训练样本尽可能与真实情况相符，降低最终重建结果的误差。

接下来对本发明中确定用于T

确定深度神经网络的网络结构；

确定深度神经网络的输入和输出通道数；

确定训练深度神经网络的损失函数。

训练深度神经网络时，将训练样本集分批次输入深度神经网络进行迭代训练，每次训练网络计算出损失函数的值，根据该值自动调整神经网络的参数值使损失函数的值减小，重复上述训练直至损失函数的值不再减小，保存深度神经网络参数。

深度神经网络训练完成后，将去涡流伪影后的多扫描多重叠回波图像作为深度神经网络的输入，直接得到高分辨的T

基于上述，本发明在实施例1中设计好了成像所需的脉冲序列，训练好了图像重建所需的深度神经网络，并提出了一些为提升T

在对真实样品进行T

实施例2：

如图3所示，为本发明实施例2中深度神经网络的结构示意图。其中的1表示去除涡流伪影后的多扫描多重叠回波图像，2表示重建得到的T

该深度神经网络是一个五层的U-Net网络，可以看作是对称的编-解码器结构，包括4个编码处理单元(图3的左半部分)和4个解码处理单元(图3的右半部分)；

每个编码处理单元包括依次串联的第一卷积模块和最大池化模块；每个最大池化模块做下采样处理；每个解码处理单元包括依次串联的反卷积模块和第二卷积模块；每个反卷积模块做上采样处理。

需要说明的是，本发明中深度神经网络不限于U-Net，可以是其它网络；编码处理单元和解码处理单元的数量也不限定为4个，可为任意正整数个。只要能够实现本发明如上述的深度神经网络的功能，都在本发明的保护范围内。

更具体的，本发明实施例2中的第一卷积模块包括依次串联的设定量的第一卷积层和一个Relu激活函数；最大池化模块包括一个最大池化层；

第二卷积模块包括依次串联的一个反卷积层和设定量的第二卷积层；

第三卷积模块包括一个第三卷积层；

第一卷积层和第二卷积层中包含设定量的卷积核，第三卷积层中包含一个卷积核；卷积核的大小均为3×3、步长均为1、padding形式均为same；

最大池化层中包含设定量的卷积核，卷积核的大小为2×2、步长为2、padding形式为same；

反卷积层中包含设定量的卷积核，卷积核的大小为2×2、步长为2。

另外，本发明实施例2中还对编码处理单元的第一卷积层中卷积核的数量以及解码处理单元的第二卷积层中卷积核的数量进行了限定。

其中，后一个编码处理单元的第一卷积层中卷积核的数量是当前编码处理单元的第一卷积层中卷积核的数量的二倍；

后一个解码处理单元的第二卷积层中卷积核的数量是当前解码处理单元的第二卷积层中卷积核的数量的二分之一。

图3中的64、128、256、512和1024表示的就是卷积层中卷积核的数量。

而且，由图3可以看出，随着下采样的进行，编码处理单元的侧面积逐渐减小为上一个编码处理单元的二分之一，表示编码处理单元中特征图的面积依次减小为上一个特征图面积的二分之一；随着上采样的进行，解码处理单元的侧面积逐渐增大为上一个解码处理单元的二倍，表示解码处理单元中特征图的面积依次增大为上一个特征图面积的二倍。

需要说明的是，本发明中各卷积模块中卷积层的数量可为任意正整数个，各卷积层的卷积核数量也不仅限于实施例2中所示的64、128、256、512和1024，只要编码处理单元与解码处理单元的数量相等，且后一个编码处理单元的第一卷积层中卷积核的数量是当前编码处理单元的第一卷积层中卷积核的数量的二倍；后一个解码处理单元的第二卷积层中卷积核的数量是当前解码处理单元的第二卷积层中卷积核的数量的二分之一，卷积层中卷积核的各种数量设置均在本发明的保护范围内。

深度神经网络的损失函数为：

其中，L表示损失函数的值，M表示深度神经网络训练样本集中训练样本的数量，||||表示范数，f()表示深度神经网络的映射关系，x

采用指数衰减的方式调整学习率以控制所述深度神经网络的训练次数：设定初始学习率为0.0001，每达到设定训练次数后，所述学习率降低一次。

训练深度神经网络时，将训练样本集分批次输入深度神经网络进行迭代训练，每次训练网络计算出损失函数的值，根据该值自动调整W和b的值使损失函数的值减小，重复上述训练直至损失函数的值不再减小，保存深度神经网络参数W和b。

实施例3：

如图4所示，本发明还提供了一种磁共振T

具体的，系统包括：

脉冲序列设计模块，用于设计磁共振T

信号采集模块，用于利用脉冲序列在设定的采样参数下对待测样品进行多次扫描采样，得到待测样品的多扫描多重叠回波信号；

信号处理模块，用于对待测样品的多扫描多重叠回波信号进行处理，得到待测样品的待重建多扫描多重叠回波图像；

训练样本集生成模块，用于将脉冲序列输入磁共振成像仿真软件中，并且依据真实实验的非理想性添加相应的非理想项，以尽量模拟真实情况；根据待测样品特征生成设定量的随机模板；利用仿真软件对各随机模板进行模拟采样，得到各随机模板的多扫描多重叠回波信号；将各随机模板的多扫描多重叠回波信号重排成二维k空间信号，然后进行二维傅里叶变换，得到各随机模板的多扫描多重叠回波图像；将各随机模板的多扫描多重叠回波图像和相应的随机模板构成一个训练样本，得到设定量的训练样本，构成训练样本集。

深度神经网络确定模块，用于确定用于T

T

综上所述，本发明中提供的磁共振T

1)与单扫描多重叠回波成像相比，本发明设计的多扫描多重叠回波成像脉冲序列，缩短了单次扫描的采样回波链长度，在保证信噪比的同时提高了图像的分辨率；

2)通过设计适用于多扫描多重叠回波图像的涡流伪影去除方法，有效去除多扫描多重叠回波图像的涡流伪影；

3)在模拟生成深度神经网络的训练样本集阶段，考虑到实际实验中重聚脉冲的非理想性，对重聚脉冲引入了不相干的随机平滑的等效重聚角度图以尽量模拟真实情况，减小了重建的T

4)利用深度神经网络对去除涡流伪影后的多扫描多重叠回波图像进行T

因此，利用本发明提供的方法及系统，能够获得高分辨率的磁共振T

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。