[发明专利]基于深度学习的心脏磁共振电影成像伪影抑制方法和系统

说明书

本发明提供了一种基于深度学习的心脏磁共振电影成像伪影抑制方法和系统，包括：采集有黑带伪影或血流伪影的心脏磁共振电影图像并进行预处理，进行图像联合计算获得无伪影图像；构建深度学习模型，模型中的伪影抑制网络的输入为有黑带伪影或血流伪影的心脏电影图像，输出为黑带伪影或血流伪影抑制后的心脏电影图像；利用预处理后的有伪影图像和无伪影图像对深度学习模型进行网络训练，直至伪影抑制网络的参数达到目标条件，得到训练后的深度学习模型并进行保存；将待消除黑带伪影或血流伪影的心脏电影图像进行伪影消除，得到伪影消除后的心脏电影图像。本发明克服了传统相位循环方法易引入血流伪影的局限性，同时对黑带伪影和血流伪影进行抑制。

技术领域

本发明涉及医学图像处理技术领域，具体地，涉及一种基于深度学习的心脏磁共振电影成像伪影抑制方法和系统。

背景技术

心脏磁共振成像是利用核磁共振原理对心脏解剖结构和心动功能进行成像，是一项安全无辐射的技术。它能够提供多种对比度成像，已经成为多种心脏疾病临床诊断的金标准。

心脏电影成像是记录了心脏的收缩和舒张过程，对整个心动周期进行动态成像，已被广泛地用于心脏结构和心脏功能分析。目前，平衡式稳态自由进动序列(BalancedSteady State Free Precession，bSSFP)是最常用于临床心脏电影成像的序列之一，它成像速度快，信噪比高，对比度较好，因此在心脏电影成像中被广泛应用。

然而，bSSFP序列对于共振频率较为敏感，当特定位置受到磁场不均匀导致共振频率发生偏移，呈现低信号强度，进一步形成图像上的黑带伪影。由于磁场不均匀难以完全避免，故大多数心脏电影成像中会出现黑带伪影，给心脏结构和功能分析带来一定的困难。

专利文献CN111833410A(申请号：CN202010646786.X)公开了一种基于深度学习的X射线散射抑制方法，包括以下步骤：S1：对胸腔CT数据进行降采样；S2：根据区域生长算法，将降采样后的数据，去除掉胸腔CT数据的金属伪影；S3：将去除金属伪影后的数据，根据阈值进行像素的划分，对划分后的胸腔CT重新标记像素；S4：重复上述处理方式，预处理大量的胸腔CT数据；S5：将预处理后的数据作为训练集和测试集用于进行深度学习训练，获取最优的网络模型。本发明技术用于心脏磁共振电影成像的黑带伪影和血流伪影校正，应用场景与上述专利不同。

目前，传统的黑带伪影抑制方法是通过相位循环成像来实现。相位循环是指通过循环改变bSSFP序列中的相位增量，使得图像上黑带伪影的位置发生平移，从而利用多幅图像结合的方式压制黑带伪影。虽然相位循环方法能够抑制黑带伪影，但由于需要同时采集多幅图像，扫描时间严重增加，扫描效率降低。

在多数情况下，多幅心脏电影图像的采集需要在一个屏气下完成，以避免呼吸运动导致图像之间不匹配，给图像联合计算带来问题。然而，多幅图像的需求严重增加了病人需要屏住呼吸的时间，降低了扫描舒适度，并且增加了引入运动伪影的风险。此外，相位循环方法需要改变相位增量，因此至少会存在一个相位增量下，采集得到的图像中黑带伪影覆盖血流经过区域，从而导致严重的血流伪影，而多幅图像联合则会进一步将血流伪影引入到最终图像中。因此，相位循环方法去除黑带伪影的效果具有应用局限性。

总之，尽管相位循环方法能够抑制黑带伪影，但其缺点包括增加扫描时间，降低扫描舒适度以及引入血流伪影等问题。因此，我们需要进一步探索和开发新的方法来解决这些问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的心脏磁共振电影成像伪影抑制方法和系统。

根据本发明提供的基于深度学习的心脏磁共振电影成像伪影抑制方法，包括：

步骤S1：采集有黑带伪影或血流伪影的心脏磁共振电影图像，对图像进行预处理操作，并进行图像联合计算获得无伪影图像；