伪影消除方法、系统、终端及存储介质
文献发布时间:2023-06-19 10:16:30
技术领域
本发明涉及磁共振成像技术领域,尤其是涉及一种伪影消除方法、系统、终端及存储介质。
背景技术
随着医学技术的发展,磁共振成像(Magnetic Resonance Imaging,MRI)技术正变得越来越重要。磁共振成像是诊断和处理各种疾病和损伤的常规程序,能够准确地反映病理组织情况,使医生能够进行准确的诊断,并根据磁共振成像的结果对病人进行针对性的治疗。
目前,通过磁共振成像获得的成像信号中会受到电磁干扰信号(ElectromagneticInterference,EMI)和噪声的影响,会造成磁共振成像伪影,进而降低磁共振成像的准确性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种伪影消除方法,能够分离电磁干扰信号和磁共振成像信号,降低磁共振成像伪影,提高磁共振成像的准确性。
根据本发明第一方面的实施例,提供了一种伪影消除方法,应用于具有至少两个接收器的磁共振成像装置,其特征在于,包括:获取来自不同接收器的至少两个磁共振信号,所述磁共振信号包括磁共振成像信号和电磁干扰信号;根据所述至少两个磁共振信号获取所述电磁干扰信号的权重信息;根据所述电磁干扰信号的权重信息和深度学习算法优化所述磁共振信号以获取所述磁共振成像信号;根据所述磁共振成像信号生成磁共振成像。
在一些实施例中,所述根据所述至少两个磁共振信号获取所述电磁干扰信号的权重信息包括:应用盲源分离算法分离所述磁共振成像信号和所述电磁干扰信号。
在一些实施例中,所述盲源分离算法包括:获取来自至少两个所述接收器的磁共振信号;根据所述磁共振信号生成混合矩阵;解析所述混合矩阵以获取所述磁共振成像信号和所述电磁干扰信号。
在一些实施例中,所述深度学习算法包括应用神经网络进行深度学习;所述神经网络的架构包括:卷积神经网络模型、生成对抗网络模型、循环神经网络模型、长短期记忆网络模型、自动编码器网络模型、深度信念网络模型、深度残差网络模型、门循环单元网络模型或回声状态网络模型中的一种或多种。
在一些实施例中,所述伪影消除方法还包括:根据时空多维耦合线性矩阵模型优化所述磁共振成像信号。
在一些实施例中,所述时空多维耦合线性矩阵模型包括:对所述接收器进行分组;将不同组的所述接收器设置为具有不同的信号敏感度;获取所述磁共振信号;根据所述磁共振信号和所述接收器的信号敏感度获取所述磁共振成像信号和所述电磁干扰信号的参数信息;根据所述磁共振成像信号和所述电磁干扰信号的参数信息优化所述磁共振成像信号。
根据本发明第二方面的实施例,提供了一种磁共振成像系统,其特征在于,包括:信号获取模块,用于获取来自不同接收器的至少两个磁共振信号,所述磁共振信号包括磁共振成像信号和电磁干扰信号;权重计算模块,用于根据所述至少两个磁共振信号获取所述电磁干扰信号的权重信息;成像优化模块,用于根据所述电磁干扰信号的权重信息和深度学习算法优化所述磁共振信号以获取所述磁共振成像信号;成像模块,用于根据所述磁共振成像信号生成磁共振成像。
在一些实施例中,所述磁共振成像系统还包括:信号接收模块,所述信号接收模块用于接收具有不同极化方向和灵敏度的射频信号。
根据本发明第三方面的实施例,提供了一种磁共振成像终端,其特征在于,包括至少两个接收器、存储器、处理器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:如第一方面所述的伪影消除方法。
根据本发明第四方面的实施例,提供了一种计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面所述的伪影消除方法。
本申请实施例基于具有至少两个接收器的磁共振成像装置,能够分离电磁干扰信号和磁共振成像信号,根据分离出的磁共振成像信号进行成像,降低磁共振成像伪影,提高磁共振成像的准确性
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一实施例的伪影消除方法流程图;
图2为根据本发明另一实施例的伪影消除方法流程图;
图3为根据本发明另一实施例的伪影消除方法流程图;
图4为图像空间图像;
图5为根据图4对应的k空间图像;
图6为根据本发明另一实施例的伪影消除方法获得的图像;
图7为根据本发明另一实施例的伪影消除方法获得的图像。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右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。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,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或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1为本发明一实施例提供的伪影消除方法流程图。如图1所示的伪影消除方法,至少包括以下步骤:S110:获取来自不同接收器的至少两个磁共振信号;S120:根据至少两个磁共振信号获取电磁干扰信号的权重信息;S130:根据电磁干扰信号的权重信息和深度学习算法优化磁共振信号以获取磁共振成像信号;S140根据磁共振成像信号生成磁共振成像。
根据本发明第一方面的实施例,提供了一种伪影消除方法,应用于具有至少两个接收器的磁共振成像装置,其特征在于,包括:获取来自不同接收器的至少两个磁共振信号,磁共振信号包括磁共振成像信号和电磁干扰信号;根据至少两个磁共振信号获取电磁干扰信号的权重信息;根据电磁干扰信号的权重信息和深度学习算法优化磁共振信号以获取磁共振成像信号;根据磁共振成像信号生成磁共振成像。
在一些实施例中,根据至少两个磁共振信号获取电磁干扰信号的权重信息包括:应用盲源分离算法分离磁共振成像信号和电磁干扰信号。
在一些实施例中,电磁干扰信号EMI的来源包括来自内部和外部。其中,电磁干扰信号EMI的来源可能包括电源线或电梯度等。电磁干扰信号EMI与磁共振成像MRI的编码梯度是独立的。电磁干扰信号EMI还可能与用于收集数据的序列和参数相关。即电磁干扰信号EMI涉及的参数可能包括主磁场或带宽,并且可能在进行长扫描后发送改变。
图2为本发明另一实施例提供的伪影消除方法流程图。如图2所示的伪影消除方法,至少包括以下步骤:S210:获取来自至少两个接收器的磁共振信号;S220:根据磁共振信号生成混合矩阵;S230:解析混合矩阵以获取磁共振成像信号和电磁干扰信号。
在一些实施例中,磁共振MR信号可以由磁梯度线圈空间编码,即接收的磁共振MR信号由线圈灵敏度图(coil sensitivity maps)进行调制。
在一些实施例中,磁共振成像MRI的成像受到射频线圈的位置、方向和物理特性的影响。来自外部源的电磁干扰信号EMI,即远场源,可以在受试者附近设置不同方向的线圈及多个接收器。
在一些实施例中,可以使用多个阵列线圈来检测近场源空间分布。人体是一种导电结构,且磁体外部的身体部分将与环境耦合。因此,需要使用在不同位置和方向的多个线圈来检测电磁干扰信号EMI分布,能够进一步改善磁共振MR扫描结果。
在一些实施例中,选择三个方向,例如X,Y,Z方向,来设置多个阵列线圈。在超低磁场0.001-0.1T下,磁共振MR信号的波长足够长,可以与磁共振成像MRI采集相互作用的电磁干扰信号EMI波长也很长。因此,表征电磁干扰信号EMI所需的传感器的数量可以很少。而在中高场磁场MR信号波长较短,需要使用更多阵列线圈。在高场,噪声主要来自样本的热噪声。而在低场或超低场中,噪声主要包括由线圈和接收链,例如射频前置放大,模数转换,解调等环节,产生的电噪声。
在一些实施例中,伪影消除方法通过应用具有多接收器的射频电子器件,可以实现对超低磁场,即0.001T到0.1T、低场,即0.1T到0.5T,中场即0.5T到3T和高场3T及以上磁共振成像MRI系统的伪影消除。
在一些实施例中,盲源分离算法包括:获取来自至少两个接收器的磁共振信号;根据磁共振信号生成混合矩阵;解析混合矩阵以获取磁共振成像信号和电磁干扰信号。
在一些实施例中,通过使用盲源分离(blind signal separation,BSS)分离电磁干扰信号EMI信号和磁共振MR信号。磁共振MR图像由线圈灵敏度图(coil sensitivitymaps,CSM)调制,然后傅立叶变换到k空间。在图像空间中线圈灵敏度图的调制等效于在k空间中的卷积。
在一些实施例中,假设电磁干扰信号EMI信号在整个k空间上是统计不变的。接收器检测到的磁共振MR信号和电磁干扰信号EMI可以线性建模为盲源分离(BSS)问题,继而分离磁共振MR信号和电磁干扰信号EMI信号。
在一些实施例中,进行盲源分离时,测量的数量应该大于源的数量。可以得出:m=Ws,其中,m是N个测量值,s是M个源,W是线性组合这些源的N*M混合矩阵。
在一些实施例中,当N>M时,可以通过独立成分分析(independent componentanalysis,ICA)通过测量值m计算得出混合矩阵W和M个源s。其中,s至多包含M-1个与磁共振MR信号相关的源和1个与电磁干扰信号EMI相关的源。
在一些实施例中,可以通过独立成分分析来预估混合矩阵。将测量到的混合信号分解为可加的子成分,得到对应的解混矩阵和混合矩阵。
在一些实施例中,可以通过定点算法来进行盲源分离,例如通过基于投影追踪(projection pursuit)的定点算法、基于熵最大化(entropy maximization)的信息极大化算法(infomax)或快速独立成分分析(fast ICA)等算法实现。
在一些实施例中,还可以通过主成分分析(Principal component analysis,PCA)来预估混合矩阵。可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来进行主成分分析。
在一些实施例中,还可以将多个接收器元件采集的磁共振MR数据的k空间重构为矩阵或张量,并使用奇异值分解分解。
在一些实施例中,还可以使用Welch法进行电磁干扰EMI和噪声分析。由于MR信号和EMI信号的功率谱分布特点不同。通过Welch法进行非参数化的经典谱预估。通过将信号分为部分重叠的数据段,分别加窗计算周期图,最后取平均,完成分析。
在一些实施例中,还可以使用自回归滑动平均(ARMA)模型进行电磁干扰EMI和噪声分析。应用自回归滑动平均模型可以改进经典谱估计方差性能差、分辨率低的问题。假设源信号s是由一个输入序列经过一个既有零点又有极点的线性非时变系统H(z)的输出,由s或其自相关函数r估计H(z)的参数,再由H(z)来估计功率谱,具体可以采用修正的Yule-Walker方法。得出每个源的功率谱密度后,再对其分类,如果源的功率谱密度在预设频带内高于预设阈值,则该源被识别为电磁干扰EMI。可以通过峰值检测来识别磁共振MR信号,即,检查对应于k空间中心的峰值是否高于阈值。
在一些实施例中,可以在图像空间中识别源。EMI通常呈现为与背景或物体区域重叠的图像空间中的亮噪声带。
在一些实施例中,可以将线圈灵敏度信息整合至独立成分分析算法中。
在一些实施例中,深度学习算法包括应用神经网络进行深度学习;神经网络的架构包括:卷积神经网络模型、生成对抗网络模型、循环神经网络模型、长短期记忆网络模型、自动编码器网络模型、深度信念网络模型、深度残差网络模型、门循环单元网络模型或回声状态网络模型中的一种或多种。
在一些实施例中,以应用卷积神经网络为例。输入是复数图像数据,例如大小为256×256×2×2的复数图像数据,倒数第二维的长度为2代表2个接收器,最后一维的长度为2分别代表实部通道与虚部通道,卷积神经网络模型的输出为256×256×2×2的残差图像数据,对应2个接收器的残差图像数据的实部与虚部。该卷积神经网络模型包括五个卷积层及激活函数,具体地,包括9×9卷积层,ReLu激活层,7×7卷积层,ReLu激活层;5×5卷积层,ReLu激活层,5×5卷积层,ReLu激活层,3×3卷积层,对应的每个卷积层的输出的通道数分别为128、64、32、32和4。训练模型时,可使用ADAM或者SGD优化器最小化损失函数,损失函数选择均方误差(Mean Squared Error,MSE)。
在一些实施例中,神经网络的输出可以是纯净的磁共振MR信号,进而连接到负责重建磁共振MR图像的另一网络,即输入磁共振MR信号并输出磁共振MR图。
在一些实施例中,可以设计不进行图像重建过程的神经网络,即由单一神经网络直接输出重建图像。此外,EMI消除过程可发生在原始数据k空间与图像空间之间混合空间中,例如k
在一些实施例中,神经网络的输出可以是电磁干扰信号EMI,并且可以通过从被污染的磁共振MR信号中减去电磁干扰信号EMI输出来获得纯净的磁共振MR信号。这种神经网络的训练方式能够尽快的获得训练数据。
在一些实施例中,可以通过具有良好屏蔽设置的磁共振系统采集纯净的磁共振MR信号进行训练。
在一些实施例中,可以通过仿真获得电磁干扰信号EMI。可以通过随机化电磁干扰信号EMI的相位、中心频率和带宽来产生电磁干扰信号EMI。还可以添加加性白高斯等噪声以模拟真实情况。
在一些实施例中,可以通过关闭NMR激发射频脉冲或从射频线圈移除磁共振MR信号源获取电磁干扰信号EMI。检测到的电磁干扰信号EMI还可以与收集数据的序列和参数相关。对于不同的序列和不同的参数设置,可能需要用匹配的参数来获取电磁干扰信号EMI。
在一些实施例中,可以在患者MRI扫描期间同时采集电磁干扰信号EMI训练数据。电磁干扰信号EMI可以通过在预期磁共振MR信号为零的时间的每个NMR激发重复周期内采集。
在一些实施例中,可以通过将模拟或采集的电磁干扰信号EMI或噪声信号,添加到纯净的磁共振MR信号来获得被电磁干扰信号EMI污染的磁共振MR数据。能够进行进一步的机器学习。
在一些实施例中,可以对阵列线圈的位置和方向进行针对性的优化。
在一些实施例中,可以通过仿真获得纯净的磁共振MR信号。磁共振成像MRI数据可通过用阵列线圈的图的线圈灵敏度调制复杂图像来产生,然后通过傅立叶变化转换为频域。
在一些实施例中,伪影消除方法还包括:根据时空多维耦合线性矩阵模型优化磁共振成像信号。
图3为本发明另一实施例提供的伪影消除方法流程图。如图3所示的伪影消除方法,至少包括以下步骤:S310:对接收器进行分组;S320:将不同组的接收器设置为具有不同的信号敏感度;S330:获取磁共振信号;S340:根据磁共振信号和接收器的信号敏感度获取磁共振成像信号和电磁干扰信号的参数信息;
S350:根据磁共振成像信号和电磁干扰信号的参数信息优化磁共振成像信号
在一些实施例中,时空多维耦合线性矩阵模型包括:对接收器进行分组;将不同组的接收器设置为具有不同的信号敏感度;获取磁共振信号;根据磁共振信号和接收器的信号敏感度获取磁共振成像信号和电磁干扰信号的参数信息;根据磁共振成像信号和电磁干扰信号的参数信息优化磁共振成像信号。
在一些实施例中,首先获取不包含磁共振MR信号、只包含电磁干扰信号EMI信号的训练数据。可以从特定受试者、一组受试者、体模、或无任何受试者或体模获得,还可以在特定患者磁共振成像MRI扫描期间的每个NMR激发重复周期内磁共振MR信号预期为零的时间采集。假设共有C个接收器元件,其中第1到第K个接收器元件被调节为对磁共振MR和电磁干扰信号EMI信号都有一定敏感度,第K+1到第C个接收器元件的对磁共振MR信号灵敏度被调节为接近0,对电磁干扰信号EMI的灵敏度被调节为最大,即只接收电磁干扰信号EMI。对于每个接收器元件i,采集的只包含电磁干扰信号EMI的训练数据为ni,其中i=1,2,3,…,C。利用后C-K个接收器元件的数据表示前K个接收器,可以建立如下公式:
[n
对公式进行简化,可以获得:
N
其中,N
可以得出:W=N
假设实际扫描时前K个和后C-K个接受器采集的数据为X
Y
在一些实施例中,Y
根据本发明第二方面的实施例,提供了一种磁共振成像系统,其特征在于,包括:信号获取模块,用于获取来自不同接收器的至少两个磁共振信号,磁共振信号包括磁共振成像信号和电磁干扰信号;权重计算模块,用于根据至少两个磁共振信号获取电磁干扰信号的权重信息;成像优化模块,用于根据电磁干扰信号的权重信息和深度学习算法优化磁共振信号以获取磁共振成像信号;成像模块,用于根据磁共振成像信号生成磁共振成像。
在一些实施例中,磁共振成像系统还包括:信号接收模块,信号接收模块用于接收具有不同极化方向和灵敏度的射频信号。
在一些实施例中,射频线圈可以设计或置于具有不同的目的。一些线圈可设计成使其对磁共振MR信号的灵敏度最小化或仅检测电磁干扰信号EMI。这可以通过远离成像区域或以对磁共振MR信号具有最小灵敏度的取向放置线圈来实现。一些线圈被设计成检测磁共振MR信号,同时具有最小的电磁干扰信号EMI污染。这种优化可以用于最大化消除电磁干扰信号EMI的效率,同时,这可以最小化电磁干扰信号EMI消除过程中的热噪声放大。
图4为图像空间图像。图5为根据图4对应的k空间图像。图4中从左到右依次为纯净磁共振MR信号、电磁干扰信号EMI、噪声信号和被电磁干扰和噪声污染的测磁共振MR信号成像的空间图像。图5中从左到右依次为纯净磁共振MR信号、电磁干扰信号EMI、噪声信号和被电磁干扰和噪声污染的测磁共振MR信号k空间图像。如图4和图5所示,当受到电磁干扰信号EMI和/或噪声信号干扰时,图像空间的图像和k空间的图像均会受到影响。
图6为根据本发明另一实施例的伪影消除方法获得的图像。如图6所示的图像可知,上方的图像为带有电磁干扰信号EMI的磁共振成像MRI,下方的图像为使用伪影消除方法进行电磁干扰信号EMI消除后获得的图像。通过对比可以得出,使用伪影消除方法进行电磁干扰信号EMI消除后获得的图像具有更高的信噪比,同时成像也更清晰。
图7为根据本发明另一实施例的伪影消除方法获得的图像。如图7所示的图像可知,上方的图像为带有电磁干扰信号EMI的人脑磁共振成像MRI,下方的图像为使用伪影消除方法进行电磁干扰信号EMI消除后获得的人脑图像。通过对比可以得出,使用伪影消除方法进行电磁干扰信号EMI消除后获得的图像成像更清晰,可以除去电磁干扰信号EMI带来的噪点。
根据本发明第三方面的实施例,提供了一种磁共振成像终端,其特征在于,包括至少两个接收器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现:如第一方面的伪影消除方法。
根据本发明第四方面的实施例,提供了一种计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现第一方面的伪影消除方法。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
- 伪影消除方法、系统、终端及存储介质
- 伪影消除方法、装置、存储介质及终端