CN118071856A

CN118071856A - 磁共振温度图像重建方法、装置、设备、介质及程序产品

Info

Publication number: CN118071856A
Application number: CN202410096569.6A
Authority: CN
Inventors: 郭华; 潘子异; 刘晶哲
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2024-01-23
Filing date: 2024-01-23
Publication date: 2024-05-24

Abstract

本申请提供一种磁共振温度图像重建方法、装置、设备、介质及程序产品。该方法包括：获取待重建的第一磁共振温度图像；利用基于深度学习网络构建的重建模型，根据第一磁共振温度图像，以及，基于磁共振设备采集的同一通道的K空间欠采样数据得到目标磁共振温度图像的重建信息，对第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像；其中，目标磁共振温度图像包括在第一磁共振温度图像之前的第二磁共振温度图像，或者，目标磁共振温度图像包括第一磁共振温度图像所在滑动窗口内位于第一共振温度图像之前的第二磁共振温度图像，和/或，位于第一共振温度图像之后的第三磁共振温度图像。本申请能够提高磁共振温度图像的重建及时性。

Description

磁共振温度图像重建方法、装置、设备、介质及程序产品

技术领域

本申请涉及图像处理技术，尤其涉及一种磁共振温度图像重建方法、装置、设备、介质及程序产品。

背景技术

在磁共振引导的热消融手术过程中，磁共振温度成像可以对人体组织的任意层面进行实时无创的温度监控，并且具有时空分辨率高、测温准确性好等优点，因此广泛为临床所使用。高倍K空间欠采样采集与实时磁共振温度图像重建在磁共振温度成像加速中具有非常重要的意义。通过高倍K空间欠采样加速，磁共振温度成像可以达到更高的时空分辨率、覆盖更大的成像范围，从而获取更加精确且全面的温度监测信息，能够更好地指导热消融手术。

目前，大部分的动态成像研究通常是对整个时间序列的图像的回顾性重建，即，基于整个时间序列的图像进行重建。故，如何提高磁共振温度图像的重建及时性是亟待解决的问题。

发明内容

本申请提供一种磁共振温度图像重建方法、装置、设备、介质及程序产品，用以提高磁共振温度图像的重建及时性。

第一方面，本申请提供一种磁共振温度图像重建方法，包括：

获取待重建的第一磁共振温度图像；利用基于深度学习网络构建的重建模型，根据所述第一磁共振温度图像，以及，目标磁共振温度图像的重建信息，对所述第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像；其中，所述第一磁共振温度图像和所述目标磁共振温度图像均为基于磁共振设备采集的同一通道的K空间欠采样数据得到的图像；所述目标磁共振温度图像包括在所述第一磁共振温度图像之前的第二磁共振温度图像，或者，所述目标磁共振温度图像包括所述第一磁共振温度图像所在滑动窗口内位于所述第一共振温度图像之前的第二磁共振温度图像，和/或，位于所述第一共振温度图像之后的第三磁共振温度图像。

可选地，所述目标磁共振温度图像包括：所述第二磁共振温度图像；所述重建模型包括：N个迭代单元，每个所述迭代单元包括CRNN模块和DC模块；所述N为大于或等于2的整数。

所述CRNN模块，用于根据上一迭代单元的输出结果、上一迭代单元的卷积结果，以及，所述第二磁共振温度图像在当前迭代单元的卷积结果，进行迭代卷积操作，得到所述第一磁共振温度图像在当前迭代单元的初始迭代结果。

所述DC模块，用于利用欠采样傅里叶变换矩阵、所述K空间欠采样数据、上一迭代单元的输出结果，以及，当前迭代单元的初始迭代结果，保持所述第一磁共振温度图像在当前迭代单元的迭代结果的保真度，得到当前迭代单元的迭代结果。

可选地，所述目标磁共振温度图像还包括：所述第三磁共振温度图像。

所述CRNN模块，具体用于根据上一迭代单元的输出结果、上一迭代单元的卷积结果、所述第二磁共振温度图像在当前迭代单元的卷积结果，以及，第三磁共振温度图像在当前迭代单元的卷积结果进行迭代卷积操作，得到所述第一磁共振温度图像在当前迭代单元的初始迭代结果。

可选地，所述对所述第一磁共振温度图像进行重建之前，还包括：

对所述第一磁共振温度图像进行预处理。

可选地，所述获取待重建的第一磁共振温度图像，包括：

获取磁共振设备采集的至少一个通道的K空间欠采样数据；

对所述至少一个通道的K空间欠采样数据进行周围填零操作；

对所述至少一个通道填零后的K空间欠采样数据进行反傅里叶变换至图像域，得到至少一个通道的第一磁共振温度图像；

所述利用基于深度学习网络构建的重建模型，根据所述第一磁共振温度图像，以及，目标磁共振温度图像的重建信息，对所述第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像，包括：

利用所述重建模型，根据各通道的所述第一磁共振温度图像，以及，各通道的目标磁共振温度图像的重建信息，对各通道的所述第一磁共振温度图像进行重建，得到各通道重建后的第一磁共振温度图像。

可选地，所述方法还包括：

将各通道重建后的第一磁共振温度图像合并，得到合并后的磁共振温度图像。

第二方面，本申请提供一种磁共振温度图像重建装置，包括：

获取模块，用于获取待重建的第一磁共振温度图像；

重建模块，用于利用基于深度学习网络构建的重建模型，根据所述第一磁共振温度图像，以及，目标磁共振温度图像的重建信息，对所述第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像；

其中，所述第一磁共振温度图像和所述目标磁共振温度图像均为基于磁共振设备采集的同一通道的K空间欠采样数据得到的图像；

所述目标磁共振温度图像包括在所述第一磁共振温度图像之前的第二磁共振温度图像，或者，所述目标磁共振温度图像包括所述第一磁共振温度图像所在滑动窗口内位于所述第一共振温度图像之前的第二磁共振温度图像，和/或，位于所述第一共振温度图像之后的第三磁共振温度图像。

第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的方法。

第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任一项所述的方法。

本申请提供的磁共振温度图像重建方法、装置、设备、介质及程序产品，可以基于当前磁共振温度图像帧的过去所有帧的重建信息实现重建，或，在利用过去所有帧的重建信息的基础上，还可以通过滑动的时间窗口，进一步利用位于该时间窗口内的后续帧的重建信息实现当前帧的重建。

因此，可以提高磁共振温度图像的重建的及时性，例如，可以达到实时重建的效果。另外，本实施例可以充分利用磁共振温度图像在时间维度的信息冗余，可以尽可能提高磁共振设备的欠采样采集的加速倍数，以及，改善磁共振温度图像的重建质量。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为一种磁共振温度图像的示意图；

图2为本申请实施例提供的一种磁共振温度图像重建方法的流程示意图；

图3为本申请实施例提供的一种重建模型的结构示意图；

图4为本申请实施例提供的一种CRNN模块的结构示意图；

图5为本申请实施例提供的另一种磁共振温度图像重建方法的流程示意图；

图6为本申请实施例提供的一种磁共振温度图像重建结果的对比图；

图7为本申请实施例提供的一种磁共振温度图像重建结果的示意图；

图8为本申请实施例提供的一种磁共振温度图像重建装置的结构示意图；

图9为本申请提供的一种电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

首先对本申请所涉及的名词进行解释：

成像：是指通过光学系统将物体的信息投射到成像面上，形成能够被人眼或摄像机等设备观察到的图像。

磁共振温度成像：该技术可以对活体组织的任意层面进行温度成像，能实时检测目标部位的温度变化，可以用于磁共振引导的热消融手术中。

K空间：是一个数学概念，也称为傅里叶频率空间，或傅里叶空间，是寻常空间在傅利叶转换下的对偶空间，主要应用在磁振造影的成像分析。

K空间是一个二维空间，两个坐标Kx和Ky分别代表MR信号的频率编码和相位编码方向。每一帧磁共振(magnetic resonance，MR)图像都有其相应的K空间数据，对K空间的数据进行傅里叶转换，就能对原始数据中的空间定位编码信息进行解码，得到磁共振的图像数据，即把不同信号强度的MR信息分配到相应的空间位置上(即分配到各自的像素中)，即可得到MR图像。

动态成像：是一种连续快速动态地采集图像的方法，利用动态成像方法可以连续动态地观察人体器官的形态及功能状态，并可随意取得动态图像中不同的瞬时图像。

图1为一种磁共振温度图像的示意图。如图1所示，目前，在磁共振引导的热消融手术过程中，磁共振设备采用欠采样的方式，对磁共振温度图像时间序列进行加速采集，得到用于构建时间序列中各通道的每帧磁共振温度图像的K空间欠采样数据。

此处所说的通道是指磁共振设备的接收通道。例如，可以是32个通道等。

此处所说的欠采样方式，例如可以是压缩感知(compressed sensing，CS)欠采样、传统并行成像欠采样、k-t类等多种加速轨迹的欠采样方式。

图1是以6倍CS欠采样为例的示意图。其中，图1中的(a)是6倍CS欠采样K空间掩膜(mask)的一个示例，K空间中心10条(低频部分)为全采样，即，中间白色区域。K空间周围(高频部分)按照高斯分布(Gaussian distribution)随机抽样32条。抽样例如可以遵循如下规则：越靠近K空间中心，抽样概率越高，并且在时间维度t上需要保证CS抽样的随机性。

与磁共振设备通信连接的电子设备能够获取磁共振设备采集的各通道的高倍K空间欠采样数据，并对该数据进行周围填零重建得到各通道的磁共振温度图像。为了便于区分，该磁共振温度图像称为欠采样磁共振温度图像。

继续参照图1，图1中的(b)示出了通过磁共振设备全采样采集的K空间数据重建的图像(为了便于区分，该图像称为全采样磁共振温度图像)的幅值图像和相位图像(包括x-y平面和y-t平面)，图1中的(c)示出了欠采样磁共振温度图像的幅值图像和相位图像(包括x-y平面和y-t平面)。

通过对比图1中的(b)和(c)可知，欠采样磁共振温度图像在相位编码方向(即纵轴)可以看到明显的欠采样伪影，无法满足实际使用时的需求，需要对其进行重建，以获取与全采样磁共振温度图像接近的图像。

回顾性重建(retrospective reconstruction)是指为了更好地显示图像的细微结构，对扫描所得的原始数据(raw data)再次有针对性地进行重建。目前，大部分的动态成像研究通常是对整个时间序列的图像的回顾性重建，即，基于整个时间序列的图像进行重建。故，如何提高磁共振温度图像的重建及时性是亟待解决的问题。

近年来，基于深度学习的欠采样图像重建方式，因为表现出更快的重建速度和更高的重建图像质量而受到越来越多的关注。有鉴于此，本申请针对欠采样磁共振温度图像时间序列，提供的一种利用基于深度学习网络构建的重建模型来实时重建磁共振温度图像的方法，在保证重建速度(即实时重建)的同时，高效利用磁共振温度图像在时间维度的信息冗余，以提高重建质量。

发明人通过研究发现，综合磁共振温度图像的应用场景，使用基于深度学习网络构建的重建模型重建磁共振温度图像，应当满足以下三个条件：

(1)考虑到温度计算需要相位图，因此，使用重建模型重建得到的磁共振温度图像需要保留相位信息。即，重建模型应当输出复数图像，以实现温度的测量和监控。

(2)考虑到术中温度成像为动态成像，因此，使用重建模型进行磁共振温度图像重建时，应当充分利用时间维度的信息冗余，以尽可能提高欠采样采集的加速倍数，改善图像的重建质量。

(3)考虑到热消融手术需要实时温度成像以指导消融进程，因此，本申请使用重建模型应当在利用时间维度信息的同时，提高磁共振温度图像重建的及时性，可以达到实时重建(real-time reconstruction)的效果。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

应理解，本申请实施例的方法的执行主体可以是磁共振设备，也可以是磁共振设备的控制装置(例如芯片)，也可以是电子设备。在一些实施例中，该电子设备可以与磁共振设备通信连接。下面以电子设备为例进行说明。

图2为本申请实施例提供的一种磁共振温度图像重建方法的流程示意图，如图2所示，该方法例如可以包括如下步骤：

S201、获取待重建的第一磁共振温度图像。

该第一磁共振温度图像可以是基于磁共振设备采集的任一通道的K空间欠采样数据得到的图像。即，第一磁共振温度图像为欠采样磁共振温度图像。该第一磁共振温度图像可以是复数图像，即包括幅值和相位信息的图像。

一种可能的实现方式，电子设备可以自行基于磁共振设备采集的至少一个通道的K空间欠采样数据进行处理，得到待重建的至少一个通道的第一磁共振温度图像。例如，电子设备可以获取磁共振设备采集的至少一个通道的K空间欠采样数据；对至少一个通道的K空间欠采样数据进行周围填零操作；然后对至少一个通道填零后的K空间欠采样数据进行反傅里叶变换至图像域，得到至少一个通道的第一磁共振温度图像。

一种可能的实现方式，上述“基于磁共振设备采集的至少一个通道的K空间欠采样数据进行处理，得到待重建的至少一个通道的第一磁共振温度图像”的操作也可以是由其他设备处理完成后，传输至该电子设备的。

应理解，上述第一磁共振温度图像可以是该通道的磁共振温度图像时间序列中的一帧或多帧。

S202、利用基于深度学习网络构建的重建模型，根据第一磁共振温度图像，以及，目标磁共振温度图像的重建信息，对第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像。

其中，目标磁共振温度图像包括在第一磁共振温度图像之前的第二磁共振温度图像。例如，第二磁共振温度图像可以是与第一磁共振温度图像相邻的上一帧磁共振温度图像。

或者，目标磁共振温度图像包括第一磁共振温度图像所在滑动窗口内位于第一共振温度图像之前的第二磁共振温度图像，和/或，位于第一共振温度图像之后的第三磁共振温度图像。在该实现方式下，是否存在第二磁共振温度图像，以及，第三磁共振温度图像，与第一磁共振温度图像在该滑动窗口内的位置有关。

当第一磁共振温度图像为该滑动窗口的第一个图像时，则可以利用该第一磁共振温度图像，以及，位于该第一磁共振温度图像之后的第三磁共振温度图像的重建信息进行第一磁共振温度图像的重建。当第一磁共振温度图像为该滑动窗口的最后一个图像时，则可以利用该第一磁共振温度图像，以及，位于该第一磁共振温度图像之前的第二磁共振温度图像的重建信息进行第一磁共振温度图像的重建。当第一磁共振温度图像为该滑动窗口的中间图像时，则可以利用该第一磁共振温度图像、位于该第一磁共振温度图像之前的第二磁共振温度图像的重建信息，以及，位于该第一磁共振温度图像之后的第三磁共振温度图像的重建信息进行第一磁共振温度图像的重建。

应理解，上述所说的第二磁共振温度图像和第三磁共振温度图像是复数图像，即包括幅值和相位信息的图像。第二磁共振温度图像和第三磁共振温度图像的重建信息，例如可以是第二磁共振温度图像采用本实施例方式重建过程中的信息。

上述重建模型可以是基于任一深度学习网络构建的模型。例如，卷积神经网络(Convolutional Neural Network，CRNN)。

一种可能的实现方式，以目标磁共振温度图像包括第二磁共振温度图像为例，假定该第二磁共振温度图像是与第一磁共振温度图像相邻的上一帧磁共振温度图像。

在该实现方式下，可以将第一磁共振温度图像，以及，第二磁共振温度图像的重建信息输入至利用基于深度学习网络构建的重建模型中，以通过该重建模型对第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像。

在该实现方式下，该重建模型可以预先使用第一样本磁共振温度图像、第二样本磁共振温度图像的重建信息，以及，重建后的第一样本磁共振温度图像训练得到的。

通过这种方式，可以在重建过程中，将每一帧的磁共振温度图像的重建信息传递给下一帧磁共振温度图像进行重建的优化，即当前磁共振温度图像帧的重建是基于过去所有帧的重建信息实现的，譬如利用线性系统状态方程的卡尔曼滤波方法。该种重建方法也可以称为基于队列方法的重建方法。

通过该方式，可以充分利用磁共振温度图像在时间维度的信息冗余，以尽可能提高磁共振设备的欠采样采集的加速倍数，以及，改善磁共振温度图像的重建质量。

另一种可能的实现方式，以目标磁共振温度图像包括第一磁共振温度图像所在滑动窗口内位于第一共振温度图像之前的第二磁共振温度图像和位于第一共振温度图像之后的第三磁共振温度图像为例，在该实现方式下，可以利用所述重建模型，根据第一磁共振温度图像、第二磁共振温度图像的重建信息以及第三磁共振温度图像的重建信息，对第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像。

在该实现方式下，该重建模型可以预先使用第一样本磁共振温度图像、第二样本磁共振温度图像的重建信息、第三样本磁共振温度图像的重建信息，以及，重建后的第一样本磁共振温度图像训练得到的。

通过这种方式，可以在重建过程中，在利用过去所有帧的重建信息的基础上，还可以通过滑动的时间窗口，进一步利用位于该时间窗口内的后续帧的重建信息实现当前帧的重建。在该实现方式下，需要同时重建该时间窗口内多帧图像，以利用时间维度信息同时实现实时重建。

该种重建方法也可以称为基于滑动窗口的重建方法。基于滑动窗口的重建方法的原理是利用多帧之间的联系，譬如利用多帧之间的低秩稀疏性(即L+S算法)来实现重建的优化。该重建方法虽然也是一种回顾性重建，但相比于现有技术中基于整个时间序列的回顾性重建来说，本申请实施例的方法仅需基于较短的滑动窗口即可实现，提高了图像重建的及时性。具体实现时，滑动窗口的长度可以根据图像重建质量的需求确定，对此不做限定。

应理解，在该实现方式下，第一磁共振温度图像可以是该滑动窗口内的任一帧磁共振温度图像。

下面以重建模型为基于卷积循环神经网络(Convolutional Recurrent NeuralNetwork，CRNN)构建的模型为例，对重建模型如何实现磁共振温度图像重建进行说明。在一些实施例中，该重建模型也可以称为CRNN网络，本申请对此不做区分，两者含义等同。

为了便于理解，下面先对磁共振温度图像的重建原理进行说明：

磁共振温度图像的重建问题可以看作一个优化问题，该优化问题例如可以如下述公式(1)所示：

其中，是重建得到的复数磁共振图像序列，D_x和D_y分别是重建后磁共振温度图像在频率编码和相位编码方向的长度，T是时间序列的长度，是采集得到的K空间欠采样数据；F_u是K空间欠采样傅里叶变换矩阵；R代表图像序列x的正则化项，包括使用x稀疏域的0范数或1范数，或使用x的秩范数或核范数等；λ系数用来调节数据保真项的比例，可以根据测得的欠采样K空间y的噪声水平来调节。

通过引入辅助变量z(约束为z＝x)，可以将上述公式(1)的优化求解问题转化为迭代交替求解，分别如下述公式(2a)和公式(2b)所示：

其中，迭代起点为K空间填零重建(zero-filled)图像，是欠采样反傅里叶变换矩阵，μ是调节系数。

公式(2a)为梯度下降步骤，公式(2b)通常看作数据一致性(data consistency，DC)步骤，可以简写为x⁽ⁱ⁾＝DC(z^(i-1)；y)。

以上为磁共振温度图像的重建原理。基于此原理，本申请的重建模型重建磁共振温度图像通过公式可以表示如下：

z⁽ⁱ⁾＝x^(i-1)+CRNN(x^(i-1)) (3a)

x⁽ⁱ⁾＝DC(z^(i-1)；y) (3b)

需说明，公式(3a)直接使用CRNN(x^(i-1))来计算图像欠采样造成的噪声残差，因此不再需要明确地给出正则化项R的具体形式。

公式(3b)对应的DC步骤在实现上具有如下解析解形式：

其中，系数λ₀＝λ/μ，Λ为对角阵，Ω为K空间采样空间，F和F^H表示正向与逆向傅立叶变换矩阵。

图3为本申请实施例提供的一种重建模型的结构示意图，如图3所示，继续上述公式(3a)和(3b)，本申请所提供的重建模型可以包括：N个迭代单元。其中，每个迭代单元包括一个CRNN模块和DC模块；所述N为大于或等于2的整数。

以第一磁共振温度图像为复数图像x⁽⁰⁾(包括实部和虚部2个通道)为例，通过该重建模型进行重建时，首先经过第一个迭代单元中的CRNN模块获得z⁽¹⁾，然后经过第一个迭代单元中的DC模块获得x⁽¹⁾，经过N次迭代即x⁽⁰⁾→z⁽¹⁾→x⁽¹⁾→…→z^(N)→x^(N)后，最终输出重建得到的无欠采样伪影的复数图像x^(N)，即，x^(N)重建后的第一磁共振温度图像，该重建后的第一磁共振温度图像可以用于温度计算。

下面分别以采用基于队列方法的重建方法的重建模型CRNNUni、基于滑动窗口的重建方法的重建模型CRNNBi为例，以第n个迭代单元为例，对重建模型所包括的迭代单元进行说明。

第一种：重建模型CRNNUni。

以目标磁共振温度图像包括第二磁共振温度图像为例，假定该第二磁共振温度图像是与第一磁共振温度图像相邻的上一帧磁共振温度图像为例。

图4为本申请实施例提供的一种CRNN模块的结构示意图。结合图3和图4中的(a)所示，在该实现方式下，CRNN模块(即CRNN Block)，用于根据上一迭代单元的输出结果上一迭代单元的卷积结果以及，第二磁共振温度图像在当前迭代单元的卷积结果进行迭代卷积操作，得到第一磁共振温度图像在当前迭代单元的初始迭代结果其中，t表示当前帧。

应理解，在该实现方式下，当n取值为1时，上一迭代单元的卷积结果例如可以为空，或者是默认结果等。

DC模块，用于利用欠采样傅里叶变换矩阵F_u，以及，磁共振设备所采集的K空间欠采样数据y，上一迭代单元的输出结果以及，当前迭代单元的初始迭代结果保持所述第一磁共振温度图像在当前迭代单元的迭代结果的保真度，得到当前迭代单元的迭代结果

通过上述方式，可以利用上一帧磁共振温度图像的重建信息进行当前帧的重建，即，利用单向时间循环信息来改善图像的重建质量。因此，上述重建模型也可以称为单向时间循环网络模型。

应理解，在该实现方式下，需要实时保存上一帧磁共振温度图像在每次迭代循环中的卷积结果，以用于当前帧的重建计算。

第二种：重建模型CRNNBi。

以目标磁共振温度图像包括第一磁共振温度图像所在滑动窗口内位于第一共振温度图像之前的第二磁共振温度图像和位于第一共振温度图像之后的第三磁共振温度图像为例。

结合图3和图4中的(b)，在该实现方式下，CRNN模块，用于根据上一迭代单元的输出结果上一迭代单元的卷积结果第二磁共振温度图像在当前迭代单元的卷积结果以及，第三磁共振温度图像在当前迭代单元的卷积结果进行迭代卷积操作，得到第一磁共振温度图像在当前迭代单元的初始迭代结果

在该实现方式下，该模型可以同时输入多帧磁共振温度图像进行重建，因此，在重建过程中可以实时获取上一帧和下一帧的卷积结果，从而可以利用上一帧磁共振温度图像的重建信息，以及，下一帧磁共振温度图像的重建信息进行当前帧的重建，即，利用双向时间循环信息来改善图像的重建质量。因此，上述重建模型也可以称为双向时间循环网络模型。

应理解，上述虽然以一个第二磁共振温度图像和一个第三磁共振温度图像为例进行了示例说明，当包括多个第二磁共振温度图像和/或多个第三磁共振温度图像时，可以将每个第二磁共振温度图像和/或第三磁共振温度图像的重建信息采用上述方式引入CRNN模块中进行处理。

另外，当目标磁共振温度图像仅包括第二磁共振温度图像或仅包括第三磁共振温度图像时，另一分支的重建信息例如可以为空，或者是默认结果等。

下面对重建模型CRNNUni以及重建模型CRNNBi中的CRNN模块的一种可能的结构进行示例说明。

继续参照图3和图4，例如，在CRNN模块，输入为x⁽ⁿ⁾(即第n次迭代的开始)，CRNN模块的第一部分是利用时间信息的Bi-T或Uni-T的CRNN子模块，即，Uni-T CRNN或Bi-T CRNN，也可以称为CRNNUni时间循环结构，或，CRNNBi时间循环结构，随后是多组卷积操作(例如64通道的卷积操作)，依次得到最终通过单个卷积操作得到该模块输出CRNN(x⁽ⁿ⁾)。中间的卷积操作中利用了上一迭代单元的信息即上一次迭代从而利用迭代循环来改善重建效果，具体可以通过下述公式(5)进行表示：

其中*代表卷积操作，w_l和w_i分别代表对上一层和上一次迭代的卷积参数，b_l为偏差项。每次卷积操作后通过激活层(rectifier linear unit，ReLU)非线性激活特征，激活函数可以表示为σ(x)＝max(0,x)。

以上为以重建模型为基于CRNN构建的模型为例，对重建模型如何实现磁共振温度图像重建进行说明。

下面对本申请实施例涉及的重建模型训练过程进行示例性的说明。

例如，为降低训练过程中图形处理器(graphics processing unit，GPU)的占用，可以对待重建的第一样本磁共振温度图像(例如256×256)先进行预处理。例如，图像增强、图像裁剪等。

示例性的，可以沿频率编码方向对待重建的第一样本磁共振温度图像进行剪切(例如剪切到32×256尺寸)作为模型的输入。

在上述示例下，重建模型的图像输入与输出的维度可以为32×256×n_t×2，其中32为频率编码方向，256为相位编码方向，n_t为时间维度，2为实部和虚部(2个维度)。时间维度n_t取决于重建模型的性质。

以重建模型CRNNUni为例，可以先对长度为T的样本磁共振温度图像时间序列沿时间维度剪切出长度在10-20帧的多组片段，随后将该多组片段中的每一帧磁共振温度图像作为第一样本磁共振温度图像用于该重建模型的训练。例如，逐帧(即n_t＝1)输入至重建模型进行训练。

以重建模型CRNNBi为例，n_t可以取值4-10帧不等。例如，可以先对长度为T的样本磁共振温度图像时间序列，按照n_t的取值，沿时间维度剪切出多组片段，随后将该多组片段中的多帧磁共振温度图像均作为第一样本磁共振温度图像用于该重建模型的训练。例如，将一组片段中的图像帧同时输入至重建模型进行训练。

应理解，在采用该实现方式训练重建模式时，训练后的重建模型在用于磁共振温度图像重建时，即在对所述第一磁共振温度图像进行重建之前，也可以先对第一磁共振温度图像采用训练时的方式进行预处理，以降低GPU的占用。

在采用上述方式训练重建模型时，重建模型的损失函数L(θ)可以定义为网络重建图像x_rec与真值图像x_t之间的逐像素均方误差(mean squared error，MSE)，计算公式例如可以如下述公式(6)所示：

其中S为训练集，n_S为训练集S样本数，θ为重建模型的网络参数权重，x_u表示真值图像x_t经过降采样之后获得的图像。示例性的，在训练过程中，例如可以使用Adam优化器进行损失函数最小化优化求解。

下面通过一个示例对本申请实施例提供的磁共振温度图像重建方法进行示例性的说明。

图5为本申请实施例提供的另一种磁共振温度图像重建方法的流程示意图。如图5所示，磁共振设备进行MR扫描，采集到多个通道的K空间欠采样数据，然后传输至电子设备。即，降采样的k空间。

在本示例中，假定重建模型的训练样本的尺寸(譬如256×256×n_coil)与磁共振设备采集的K空间欠采样数据的尺寸(譬如128×128×n_coil)不匹配。因此，电子设备可以先进行数据匹配操作。在本示例中，K空间欠采样数据也可以称为降采样的K空间欠采样数据。n_coil表示磁共振设备的线圈匝数，例如可以是32。

例如，先对各通道的K空间欠采样数据(譬如128×128×n_coil)进行周围填零(zeropadding)操作，以匹配到256×256×n_coil尺寸。随后，对各通道填零后的K空间欠采样数据进行反傅里叶变换(IFFT)至图像域，得到各通道的第一磁共振温度图像。即，多通道混叠图像。

在该实现方式下，可以逐通道输入至重建模型进行图像重建。在各通道图像逐一重建后，将各通道重建后的第一磁共振温度图像(譬如256×256×n_coil)合并，得到合并后的磁共振温度图像(譬如256×256)，以用于后续温度计算，得到温度图像(譬如256×256)。该合并后的磁共振温度图像即为包括幅值和相位的复数图像。

应理解，上述图5中仅是以单次采集为例的示意图，并未从时间维度上进行示意。即，并未展示连续动态采集过程中，对图像进行重建的过程。

图6为本申请实施例提供的一种磁共振温度图像重建结果的对比图。如图6所示，本示例给出了使用重建模型CRNNBi、重建模型CRNNUni，以及，传统CRNN网络(即不使用时间维度信息冗余进行重建)，分别对6倍压缩感知回顾性欠采样的磁共振温度图像进行重建的一组实验结果对比。

图6中的(a)为全采样真值温度图像(背景为重建得到的幅值图像)。

图6中的(b)为K空间欠采样数据填零结果。

图6中的(c)为使用传统CRNN网络进行重建得到的温度图。

图6中的(d)为使用传统CRNN网络进行重建得到的温度图与(a)全采样真值之间的温度误差。

图6中的(e)为使用重建模型CRNNBi进行重建得到的温度图。

图6中的(f)为使用重建模型CRNNBi进行重建得到的温度图与(a)全采样真值之间的温度误差。

图6中的(g)为使用重建模型CRNNUni进行重建得到的温度图。

图6中的(h)为使用重建模型CRNNUni进行重建得到的温度图与(a)全采样真值之间的温度误差。

通过图6可以看出，未使用时间维度信息的传统CRNN网络在幅值图和温度图像上均显示出较为严重的误差，即重建效果较差；而使用本申请提出的重建模型CRNNBi和重建模型CRNNUni两组方案，均可以获得与全采样真值非常接近的幅值图像和温度图像(包括x-y平面和y-t平面)，重建效果较好。

图7为本申请实施例提供的一种磁共振温度图像重建结果的示意图。图7示出了以重建模型CRNNUni对8倍压缩感知欠采样图像进行重建的一组实验结果。应理解，使用重建模型CRNNBi同样可以得到相似的结果。

图7中左侧的图像为通过重建模型CRNNUni重建得到的单层幅值和温度图像(例如，x-y平面，层7，背景为重建得到的梯度回波(gradient recalled echo，GRE)幅值图像)。图7中间的12张子图为GRE图像重建后温度图像的局部放大图(层1-12，x-y平面)。图7右侧的图像为重建得到的单层(靠近加热中心)温度图像的局部放大图(x-z平面)，即x-z平面温度图像的放大图。

通过图7可以看出，通过本申请的方法重建得到的温度图像没有明显压缩感知欠采样图像伪影，并且温度监控能够覆盖较大空间范围，能够得到类三维等体素(1.8×1.8×1.8mm³)的温度信息，即能够实现二维多层(类三维)温度监控。

图8为本申请实施例提供的一种磁共振温度图像重建装置的结构示意图。如图8所示，该装置例如可以包括：获取模块801、重建模块802。可选地，在一些实施例中，该装置还可以包括处理模块803。

获取模块801，用于获取待重建的第一磁共振温度图像；

重建模块802，用于利用基于深度学习网络构建的重建模型，根据所述第一磁共振温度图像，以及，目标磁共振温度图像的重建信息，对所述第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像；

在一些实施例中，所述目标磁共振温度图像包括：所述第二磁共振温度图像；所述重建模型包括：N个迭代单元，每个所述迭代单元包括CRNN模块和DC模块；所述N为大于或等于2的整数。

在一些实施例中，所述目标磁共振温度图像还包括：所述第三磁共振温度图像；所述CRNN模块，具体用于根据上一迭代单元的输出结果、上一迭代单元的卷积结果、所述第二磁共振温度图像在当前迭代单元的卷积结果，以及，第三磁共振温度图像在当前迭代单元的卷积结果进行迭代卷积操作，得到所述第一磁共振温度图像在当前迭代单元的初始迭代结果。

在一些实施例中，处理模块803，还用于在重建模块802对所述第一磁共振温度图像进行重建之前，对所述第一磁共振温度图像进行预处理。

在一些实施例中，获取模块801，具体用于获取磁共振设备采集的至少一个通道的K空间欠采样数据；对所述至少一个通道的K空间欠采样数据进行周围填零操作；对所述至少一个通道填零后的K空间欠采样数据进行反傅里叶变换至图像域，得到至少一个通道的第一磁共振温度图像。

在该实现方式下，重建模块802具体用于利用所述重建模型，根据各通道的所述第一磁共振温度图像，以及，各通道的目标磁共振温度图像的重建信息，对各通道的所述第一磁共振温度图像进行重建，得到各通道重建后的第一磁共振温度图像。

可选地，处理模块803，还用于将各通道重建后的第一磁共振温度图像合并，得到合并后的磁共振温度图像。

本申请实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图9为本申请提供的一种电子设备的结构示意图。如图9所示，该电子设备可以包括：至少一个处理器901、存储器902。该电子设备例如可以是磁共振设备的芯片，也可以是前述与磁共振设备连接的电子设备。

存储器902，用于存储程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器902可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器901用于执行存储器902存储的计算机执行指令，以实现前述方法实施例的方法。其中，处理器901可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

可选地，当该电子设备900是前述与磁共振设备连接的电子设备时，该电子设备900通过通信接口903可以与磁共振设备进行通信交互。

在具体实现上，如果通信接口903、存储器902和处理器901独立实现，则通信接口903、存储器902和处理器901可以通过总线相互连接并完成相互间的通信。

可选的，在具体实现上，如果通信接口903、存储器902和处理器901集成在一块芯片上实现，则通信接口903、存储器902和处理器901可以通过内部接口完成通信。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于实现上述方法实施方式的动作。

本申请还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述方法实施方式的动作。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims

1.一种磁共振温度图像重建方法，其特征在于，包括：

获取待重建的第一磁共振温度图像；

利用基于深度学习网络构建的重建模型，根据所述第一磁共振温度图像，以及，目标磁共振温度图像的重建信息，对所述第一磁共振温度图像进行重建，得到重建后的第一磁共振温度图像；

2.根据权利要求1所述的方法，其特征在于，所述目标磁共振温度图像包括：所述第二磁共振温度图像；所述重建模型包括：N个迭代单元，每个所述迭代单元包括CRNN模块和DC模块；所述N为大于或等于2的整数；

所述CRNN模块，用于根据上一迭代单元的输出结果、上一迭代单元的卷积结果，以及，所述第二磁共振温度图像在当前迭代单元的卷积结果，进行迭代卷积操作，得到所述第一磁共振温度图像在当前迭代单元的初始迭代结果；

3.根据权利要求2所述的方法，其特征在于，所述目标磁共振温度图像还包括：所述第三磁共振温度图像；

4.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述第一磁共振温度图像进行重建之前，还包括：

对所述第一磁共振温度图像进行预处理。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述获取待重建的第一磁共振温度图像，包括：

获取磁共振设备采集的至少一个通道的K空间欠采样数据；

对所述至少一个通道的K空间欠采样数据进行周围填零操作；

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

7.一种磁共振温度图像重建装置，其特征在于，所述装置包括：

获取模块，用于获取待重建的第一磁共振温度图像；

8.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-6中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。

10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的方法。