[发明专利]磁共振成像方法、装置、系统及存储介质

说明书

本发明实施例公开了一种磁共振成像方法、装置、系统及存储介质，该方法包括：获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据；将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像；其中，所述目标磁共振图像为全编码图像，所述已训练的预设神经网络模型在训练过程中，通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系，训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。解决了现有技术的磁共振成像方法至少存在网络模型没有充分地利用不同通道间信息的技术问题。

技术领域

本发明实施例涉及医学成像领域，尤其涉及一种磁共振成像方法、装置、系统及存储介质。

背景技术

磁共振心脏电影成像是一种非侵入式的成像技术，能够用于评估心功能，室壁运动异常等，为心脏临床诊断提供丰富的信息。然而，由于磁共振成像系统的物理、硬件，以及心脏运动周期时长的制约，磁共振心脏电影成像在时间和空间分辨率上比较受限，无法给出准确的图像信息，从而使医生无法根据得到的磁共振图像准确地评估部分心脏疾病，如心率不齐等。因此，在保证成像质量的前提下，利用快速成像方法提高磁共振心脏电影成像的时间和空间分辨率尤为重要。

目前，常用的磁共振心脏电影成像的方法有：并行成像(Parallel Imaging,PI)、压缩感知(Compressed Sensing,CS)和深度学习，其中，深度学习有基于级联卷积网络的磁共振动态成像(DC-CNN)、卷积递归神经网络(CRNN)以及有监督的交叉域网络DIMENSION等，他们要么直接学习从欠采K空间数据到全采图像的映射关系，由于获取大量无运动伪影的全采K空间数据需要花费大量人力、财力和时间，成本十分昂贵。因此目前这三种深度学习方法均是通过通道融合确定多个单通道K空间数据对应的全采K空间数据，然后将对应的单通道K空间数据和全采K空间数据作为训练样本，使网络模型学习单通道欠采K空间数据到全采K空间数据之间的映射关系。可以理解的是，使用该方法训练得到的网络模型没有充分地利用不同通道之间的信息，而且其加速倍数与单通道K空间数据的加速倍数一致，也就是说，如果要使网络模型对应多种加速倍数，则需要分别采集每一种加速倍数的欠采K空间数据。

由此可见，现有技术的磁共振成像方法至少存在网络模型没有充分地利用不同通道间信息的技术问题。

发明内容

本发明实施例提供了一种磁共振成像方法、装置、系统及存储介质，以解决现有基于神经网络模型的磁共振成像方法至少存在网络模型没有充分地利用不同通道间信息的技术问题。

第一方面，本发明实施例提供了一种磁共振成像方法，包括：

获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据；

将所述欠采K空间数据输入已训练的预设神经网络模型以得到目标磁共振图像；

其中，所述目标磁共振图像为全编码图像，所述已训练的预设神经网络模型在训练过程中，通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系，训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。

第二方面，本发明实施例还提供了一种磁共振成像装置，包括：

获取模块，用于获取基于时间交叉欠采方式采集的目标扫描部位的欠采K空间数据；

输出模块，用于将所述欠采K空间数据输入已训练的预设神经网络模型中，以得到目标磁共振图像；其中，所述目标磁共振图像为全编码图像，所述已训练的预设神经网络模型在训练过程中，通过确定欠编码K空间数据与全编码图像之间的对应关系确定欠采K空间数据与全编码图像之间的对应关系，训练过程中的欠编码K空间数据和所述全编码图像是根据所述欠采K空间数据对应的全编码K空间数据确定的。

第三方面，本发明实施例还提供了一种磁共振成像系统，包括：