[发明专利]一种磁共振成像获得深度学习训练集的方法和装置

说明书

本发明公开一种磁共振成像获得深度学习训练集的方法、装置、计算机可读存储介质及处理器。并行成像以第一预设加速倍数采集被测部位K空间数据；对K空间数据利用并行成像方式重建图像，对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集；获取被测部位满K空间噪声数据；对满K空间噪声数据以第二预设加速倍数抽取出部分噪声数据，再并行成像重建获得噪声图像集；标记图像集与噪声图像集相加获得深度学习训练集的输入图像集。本发明无需对被测部位的K空间数据多次采集，单次采集即可获得输入图像集与标记图像集。应用本发明获得的深度学习训练集训练得到的DNN模型可在采集时间受限和/或采集次数受限条件下实现高质量磁共振成像。

技术领域

本发明涉及医学影像技术领域，尤其涉及一种磁共振成像获得深度学习训练集的方法及装置。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)作为一种多参数、多对比度的成像技术，能够反映组织的纵向弛豫时间T1、横向弛豫时间T2和质子密度等多种特性，进而为疾病的检出和诊断提供信息。目前，磁共振成像已经成为医学影像检查的重要技术手段。

磁共振成像的工作原理是，利用磁共振现象，采用射频激励激发人体中的氢原子，运用梯度场进行位置编码，采用接收线圈接收带有位置信息的电磁信号，最终对电磁信号进行傅里叶变换重建出图像信息。然而，磁共振成像过程中扫描速度慢、扫描时间长，限制了磁共振成像在临床上的应用。

深度学习因具有超强的学习能力，目前已被广泛应用于图像、视频、声音和自然语言处理等领域。近期，深度神经网络(Deep Neural Networks，DNN)被应用于磁共振成像中，以加快磁共振成像的扫描速度，解决磁共振成像扫描过慢的问题。DNN是深度学习应用的核心，DNN是由训练集训练获得。因此，对于深度学习在磁共振成像加速的应用，如何获取深度学习训练集显得尤为重要。

目前现有的将深度学习应用于磁共振成像扫描加速的方法，在获取深度学习训练集时，不考虑K空间数据采集时间的限制。但是临床中，某些人体被测部位的扫描时间是有限的，导致采集时间受限，而通过现有技术中的方法获取的深度学习训练集显然不适用于该临床磁共振成像场景。具体而言，通过现有技术中的方法获取的深度学习训练集训练获得的模型，无法根据采集时间受限条件下采集获得的数据获得高质量的输出图像。因此，针对上述临床应用场景，难以应用目前的技术手段获得深度学习的训练集。

发明内容

有鉴于上述问题，本申请提供了一种磁共振成像获得深度学习训练集的方法和装置，实现在采集时间受限条件下获取深度学习的训练集。

为了解决上述技术问题，本申请采用了如下技术方案：

第一方面，本申请提供一种磁共振成像获得深度学习训练集的方法，包括：

采用并行成像方法以第一预设加速倍数采集被测部位的K空间数据；

对所述K空间数据利用并行成像方式重建图像，并对重建出的图像进行去噪处理，获得深度学习训练集的标记图像集；

获取所述被测部位满K空间的噪声数据；

对所述满K空间的噪声数据以第二预设加速倍数抽取部分噪声数据，对抽取的所述部分噪声数据利用并行成像方式重建图像获得噪声图像集；

将所述标记图像集与所述噪声图像集相加获得所述深度学习训练集的输入图像集。

作为一种可能的实现方式，所述第二预设加速倍数大于或等于所述第一预设加速倍数。

作为一种可能的实现方式，所述第一预设加速倍数取值范围为1.2倍-2倍。

作为一种可能的实现方式，所述采用并行成像方法以第一预设加速倍数采集被测部位的K空间数据，具体为：