[发明专利]基于波浪梯度编码场和深度学习模型的磁共振成像方法

说明书

本申请公开了一种基于波浪(Wave－CAIPI)编码梯度场和深度学习模型的磁共振成像方法、装置、设备及其存储介质，该方法包括：在Wave－CAIPI梯度编码场的磁共振重建模型中引入深度生成网络模型(DGM)，加速磁共振成像；通过虚拟共轭线圈(VCC)对物理线圈通道数据做共轭对称，生成VCC通道数据；将物理线圈通道数据和VCC通道数据合并重建几何因子计算模型。本申请提供的上述方案，将Wave－CAIPI梯度编码场合VCC(Wave－CAIPI)技术和DGM相结合，其不仅仅利用了Wave－CAIPI和VCC降低系统条件数的优势，适用重建的g－factor更小，更加均匀，从而重建图形具有更高的信噪比，缩短传统卷积神经网络中需要大量的训练数据训练网络参数的步骤。

技术领域

本发明涉及磁共振成像技术领域，具体涉及一种基于波浪梯度编码场和深度学习模型的磁共振成像方法、装置、设备及其存储介质。

背景技术

在传统的磁共振成像(MRI)中，扫描时间长是固有的特点。现有的磁共振成像加速方法中，并行成像是一种有效的加速成像的方法，并行成像是一种利用多通道的相控阵列线圈的空间编码能力，减少梯度磁场的编码步数，达到加速的目的，实际中，并行成像是通过多通道k空间之期间的冗余信息(先验信息)，达到欠采样的目的。在并行成像中，重建方法可以分为两类，一类是基于图像域解混叠或者求解方法，比如PILS、SENSE和ESPIRiT等；另外一类是基于k空间数据填充的方法，比如SMASH、GRAPPA和SPIRiT等。在图像域的重建方法中，首先使用采集的k空间参考线(ACS)估计线圈敏感度信息(CSM)，加速后(欠采样)的k空间变成图像域后产生图像的混叠，然后利用CSM进行解混叠；基于k空间数据填充的方法，类似于图像域的方法，通过采集的ACS线，估计出用于填充k空间原始数据的卷积核(kernel)。无论是基于图像域还基于k空间的加速方法，都需要采集ACS线用于估计CSM或者kernel。然后采集ACS在实际中是需要消耗大量时间的，而且采集完成ACS线之后使用常用的算法(比如ESPIRiT等)估计CSM或者kernel时需要消耗大量的时间，这对于实际应用是不友好的。

一种使用Wave－CAIPI(其中CAIPI表示控制相位在相位和选层方向进行偏移或错位操作)可控混叠的并行成像方法在3D成像中具有显著的效果，其通过在三个空间方向造成混叠，充分利用三个方向的线圈敏感度变化，显著高倍加速三维成像的降低几何因子和残留混叠伪影。Wave－CAIPI结合了波束相位编码(BPE)和可控混叠并行成像(CAIPIRINHA)，能够显著利用空间上三个方向混叠的CSM信息，利用扩展的SENSE模型求解，系统具有更小的条件数，使得重建的几何因子更小以及分布更加均匀，从而重建图像具有更高的信噪比。尽管Wave－CAIPI能够兼顾更高信噪比的同时实现更高的加速倍数，但是重建过程仍然需要采集ACS估计CSM，这个过程仍然没有避免在基于图像域或者k空间中消耗时间的过程，这在临床的应用中是不友好的。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于Wave－CAIPI梯度编码场和深度学习模型的磁共振成像方法、装置、设备及其存储介质。

第一方面，本申请实施例提供了一种基于Wave－CAIPI深度学习模型的磁共振成像方法，该方法包括：在Wave－CAIPI梯度编码场的磁共振重建模型中引入深度生成网络模型，加速磁共振成像；通过VCC对物理线圈通道数据做共轭对称，生成VCC通道数据；将物理线圈通道数据和VCC通道数据合并重建几何因子计算模型。

在其中一个实施例中，所述在Wave－CAIPI梯度编码场的磁共振重建模型中引入深度生成网络模型之前，该方法还包括：利用并行成像在磁共振加速成像采集多个对应于不同通道的欠采样k空间，通过基于不同的线圈敏感度信息，得到重建后的欠采样k空间的无伪影的图像。