磁共振成像方法、装置、计算机设备、介质和程序产品与流程

测量装置的制造及其应用技术1.本技术涉及磁共振成像技术领域，特别是涉及一种磁共振成像方法、装置、计算机设备、介质和程序产品。背景技术：2.磁共振成像技术是利用原子核在强磁场内发生共振产生的信号经图像重建的一种成像技术。由于磁共振成像技术不需要注射造影剂，无电离辐射等优点被广泛的应用。在磁共振成像的过程中，为了降低磁共振数据采集过程中的噪声，可以采用静音序列采集信号。但是将静音序列采集的信号填充至k空间得到k空间数据，使用该k空间数据生成的磁共振图像的信噪比较低。3.现有技术中，通过增加静音序列采集信号的时间可以提高磁共振图像的信噪比，但是时间的增加会带来运动伪影，同时会增加检测对象的不适。通过减少采集信号时的采样点数可以减少运动伪影，但是会导致磁共振图像的信噪比较低。现有技术无法保证在减少采样点数的同时提高磁共振图像的信噪比。技术实现要素：4.基于此，有必要针对上述技术问题，提供一种磁共振成像方法、装置、计算机设备、介质和程序产品。5.第一方面，本技术一个实施例提供一种磁共振成像方法，该方法包括：6.获取检测对象的初始k空间数据集，初始k空间数据集包括欠采样放射数据线，欠采样放射数据线上存在缺失的数据；7.将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；8.重建目标k空间数据集生成检测对象的磁共振图像。9.在其中一个实施例中，欠采样放射数据线包括第一数据段和第二数据段，第一数据段位于初始k空间数据集的中心区域，第二数据段位于初始k空间数据集的中心区域之外的其他区域，且第二数据段存在未填充的数据点；其中，中心区域是指以第一数据段对应的放射数据线为半径，覆盖初始k空间数据集的中心的区域。10.在其中一个实施例中，第一数据段填充的数据点密度大于第二数据段填充的数据点密度。11.在其中一个实施例中，欠采样放射数据线包括第一欠采样放射数据线和第二欠采样放射数据线；第一欠采样放射数据线对应的半径与第二欠采样放射数据线对应的半径不同。12.第二方面，本技术一个实施例提供一种磁共振成像方法，该方法包括：13.获取检测对象的磁共振信号，并将磁共振信号填充在k空间中得到初始k空间数据集；k空间的半径为第一半径，初始k空间数据集的至少部分数据对应的填充轨迹具有第二半径，第二半径小于第一半径；14.将初始k空间数据集输入机器学习模型，机器学习模型将初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，输出目标k空间数据集；15.重建目标k空间数据集生成检测对象的磁共振图像。16.在其中一个实施例中，k空间包括中心区域和中心区域之外的其他区域，中心区域是以第二半径为半径，覆盖k空间的中心的区域，且k空间的中心区域对应的采样速率满足满足奈奎斯特采样定律。17.第三方面，本技术一个实施例提供一种磁共振成像装置，该装置包括：18.第一获取模块，用于获取检测对象的初始k空间数据集，初始k空间数据集包括欠采样放射数据线，欠采样放射数据线上存在缺失的数据；19.第一确定模块，用于将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；20.第一重建模块，用于重建目标k空间数据集生成检测对象的磁共振图像。21.第四方面，本技术一个实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述实施例提供的方法的步骤。22.第五方面，本技术一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。23.第六方面，本技术一个实施例还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。24.本技术实施例提供一种磁共振成像方法、装置、计算机设备、介质和程序产品。该方法通过获取检测对象的初始k空间数据集；将初始k空间数据集输入机器学习模型，该机器学习模型对初始k空间数据集中的欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；重建目标k空间数据集生成检测对象的磁共振图像。本技术实施例提供的磁共振成像方法得到的初始k空间数据集中包括欠采样放射数据线，则可以减少采样点数，从而能够减少采样时间。同时，通过机器学习模型对欠采样放射数据线上缺失的数据进行补充可以得到目标k空间数据集，目标k空间数据集中包含恢复的k空间高频数据，则重建该目标k空间数据集生成的检测对象的磁共振图像的对比度较高，即磁共振图像的质量较高。也就是说，本技术实施例提供的磁共振成像方法能够保证在减少采样时间的同时提高磁共振图像的信噪比(质量)和对比度。附图说明25.为了更清楚地说明本技术实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域不同技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。26.图1为一个实施例提供的磁共振成像方法的应用场景示意图；27.图2为一个实施例提供的磁共振成像方法的步骤流程示意图；28.图3为一个实施例提供的机器学习模型训练过程的步骤流程示意图；29.图4为一个实施例提供的确定训练样本的步骤流程示意图；30.图5为一个实施例提供的金标准k空间数据集的示意图；31.图6为一个实施例提供的训练样本的示意图；32.图7为一个实施例提供的训练样本的部分区域示意图；33.图8为另一个实施例提供的磁共振成像方法的步骤流程示意图；34.图9为另一个实施例提供的磁共振成像方法的步骤流程示意图；35.图10为一个实施例提供的磁共振成像装置的结构示意图；36.图11为另一个实施例提供的磁共振成像装置的结构示意图；37.图12为一个实施例提供的计算机设备的结构示意图。具体实施方式38.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似改进，因此本技术不受下面公开的具体实施例的限制。39.本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。40.本技术实施例提供的磁共振成像方法可以应用于如1所示的应用场景中。该应用环境包括终端102和磁共振设备104，其中，终端102可以通过网络与磁共振设备104进行通信。上述终端102可以但不限于是各种个人计算机、笔记本电脑和平板电脑。本实施例对磁共振设备104的具体结构不作限制。41.下面以具体的实施例对本技术的技术方案以及本技术的技术方案如何解决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，对本技术的实施例进行描述。42.请参见图2，本技术一个实施例提供一种磁共振成像方法，以该方法应用于图1中的终端为例进行说明。该磁共振成像方法包括以下步骤：43.步骤200、获取检测对象的初始k空间数据集，初始k空间数据集包括欠采样放射数据线，欠采样放射数据线上存在缺失的数据。44.初始k空间数据集是指终端根据得到的检测对象对应的磁共振信号对k空间进行填充得到的k空间数据集。磁共振信号可以是应用图1中的磁共振设备得到并存储在终端的存储器中的。终端在将磁共振信号填充至k空间时，采用的填充轨迹是放射状轨迹。也就是说，k空间中包括许多放射数据线，示例性的，初始k空间数据集可通过径向黄金角稀疏采样获得。每条放射数据线从k空间的中心径向延伸，每条放射数据线上包括多个数据点(回波信号的编码位置点)，终端将磁共振信号填充至每条放射数据线上的数据点中。每条放射数据线上的数据点对应的是全采样时的数据点，全采样的采样速率满足奈奎斯特采样定律。45.初始k空间数据集包括全采样放射数据线和欠采样放射数据线。全采样放射数据线是指磁共振信号对放射线上的所有数据点均进行填充；欠采样放射数据线是指磁共振信号对放射线的数据点进行部分填充，即欠采样放射数据线相对于全采样放射数据线存在部分数据缺失(未填充)。46.在一个可选的实施例中，欠采样放射数据线可以是磁共振信号对放射线上的数据点按照固定间隔填充得到的，也可以是磁共振信号随机对放射数据线上的数据点进行填充得到的。47.步骤210、将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集。48.初始k空间数据集中的欠采样放射数据线上存在缺失的数据。终端在得到初始k空间数据集后，将其输入预先训练好的机器学习模型中，机器学习模型通过对初始k空间数据集中欠采样放射线上缺失的数据进行补充，可以输出目标k空间数据集。目标k空间数据集中的放射数据线上均填充有数据。49.步骤220、重建目标k空间数据集生成检测对象的磁共振图像。50.终端在得到目标k空间数据集后，对其进行三维重建可以得到检测对象对应的磁共振图像。本实施例对重建目标k空间数据集的具体方法不作限制，只要能够实现其功能即可。51.本技术实施例提供的磁共振成像方法通过获取检测对象的初始k空间数据集；将初始k空间数据集输入机器学习模型，该机器学习模型对初始k空间数据集中的欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；重建目标k空间数据集生成检测对象的磁共振图像。本技术实施例提供的磁共振成像方法得到的初始k空间数据集中包括欠采样放射数据线，则可以减少采样点数，从而能够减少采样时间，进而减少生理运动、非生理运动对于采样数据的影响，提高最终重建后的磁共振图像的信噪比。同时，通过机器学习模型对欠采样放射数据线上缺失的数据进行补充可以得到目标k空间数据集，目标k空间数据集中包含恢复的k空间高频数据，则重建该目标k空间数据集生成的检测对象的磁共振图像的对比度较高，即磁共振图像的质量较高。也就是说，本技术实施例提供的磁共振成像方法能够保证在减少采样时间的同时提高磁共振图像的信噪比和对比度。52.在一个实施例中，欠采样放射数据线包括第一数据段和第二数据段，第一数据段位于初始k空间数据集的中心区域，第二数据段位于初始k空间数据集的中心区域之外的其他区域，且第二数据段存在未填充的数据点；其中，中心区域是指以第一数据段对应的放射数据线为半径，覆盖初始k空间数据集的中心的区域。53.初始k空间数据集可以包括中心区域和除中心区域之外的区域(外围区域)，中心区域是指以预设长度为半径，覆盖初始k空间数据集的中心的区域。初始k空间数据集中的欠采样放射数据线包括第一数据段和第二数据段。第一数据段是指放射数据线上填充第一数据的线段，第二数据段是指放射数据线上填充第二数据的线段。第二数据段存在未填充的数据点，即，第二数据未将第二数据段对应的放射数据线上的数据点完全填充。本实施例对第一数据段对应的放射数据线上第一数据的填充数量不作限制。第一数据段位于初始k空间数据集的中心区域，也就是说，第一数据段对应的放射数据线的半径与预设长度相同；第二数据段位于初始k空间数据集中的外围区域。也就是说，初始k空间数据集中的外围区域存在未填充的数据点。54.在一个实施例中，第一数据段填充的数据点密度大于第二数据段填充的数据点密度。也就是说，填充于第一数据段对应的放射数据线上的数据点的第一数据量大于填充于第二数据段对应的放射数据线上的数据点的第二数据量。初始k空间数据集中的欠采样放射数据线的中心区域填充的数据点的密度大于外围区域填充的数据点的密度。本实施例对第一数据段填充的具体的数据点密度和第二数据段填充的具体的数据点密度不作限制，只要能够实现其功能即可。55.在一个具体的实施例中，第一数据段对应的放射数据线上的数据点全部被填充，第二数据点对应的放射数据线上的数据点按照预设间隔部分被填充(每隔一个回波信号的编码位置点填充一个)。56.在另一个具体的实施例中，第二数据段对应的放射数据线上的数据点，每隔一个数据点填充一个，第二数据段对应的放射数据线上的数据点，每隔两个数据点填充一个。57.在一个实施例中，欠采样放射数据线包括第一欠采样放射数据线和第二欠采样放射数据线；第一欠采样放射数据线对应的半径与第二欠采样放射数据线对应的半径不同。第一欠采样放射数据线是指第一数据段对应的放射数据线，第二欠采样放射数据线是指第二数据段对应的放射数据线。第一欠采样放射数据线对应的半径为第一欠采样数据线的长度，第二欠采样放射数据线的半径为第二欠采样数据线的长度。可以是第一欠采样放射数据线的长度小于第二欠采样放射数据线的长度，也可以是第一欠采样放射数据线的长度大于第二欠采样放射数据线的长度。第一欠采样放射数据线对应的半径，以及第二欠采样放射数据线对应的半径可以根据初始k空间数据集的半径确定，本实施例对此不作限制。58.在本实施例中，提出了将初始k空间数据集中的欠采样放射数据线的多种情况，通过机器学习模型对于多种情况下的欠采样放射数据线上缺失的数据均可以进行补充，得到目标k空间数据集，这样可以提高本技术提供的磁共振成像方法的适用性和可靠性。59.在一个实施例中，如图3所示，机器学习模型的训练过程可以包括：60.步骤300、获取金标准k空间数据集，根据金标准k空间数据集确定训练样本。61.金标准k空间数据集是指根据磁共振信号对k空间数据集中的所有放射数据线上的数据点进行全采样填充得到的k空间数据集，且金标准k空间数据集对应的采样过程不受运动的影响或者运动影响受抑制。示例性的，可采用3d黄金角径向stack-of-stars(sos)扫描序列获取金标准k空间数据集，该序列对于运动伪影具有很好的抑制作用。终端在得到金标准k空间数据集后，通过对金标准k空间数据集中的数据抽取或数据赋值处理可以得到训练样本。62.在一个可选的实施例中，如图4所示，根据金标准k空间数据集确定训练样本的方法可以包括以下几种：63.步骤400、保留金标准k空间数据集的中心区域的数据，并将金标准k空间数据集中除中心区域之外的其他区域的数据置零，得到训练样本。其中，金标准k空间数据集的中心区域是指以预设范围覆盖金标准k空间数据集的中心的区域。64.也就是说，训练样本对应的k空间数据集中均是欠采样放射数据线，该欠采样放射数据线的第一数据段是通过全采样得到的数据段，即第一数据段对应的放射数据线上的数据点全被填充；第二数据段上对应的放射数据线上的数据点均未被填充。65.步骤410、保留金标准k空间数据集的中心区域的数据，并将金标准k空间数据集中除中心区域之外的其他区域的数据进行抽取处理，将其他区域的其余数据置零，得到训练样本。66.也就是说，训练样本对应的k空间数据集中可以均是欠采样放射数据线，该欠采样放射数据线的第一数据段是通过全采样得到的数据段，该欠采样放射数据线的第二数据段对应的放射数据线上存在未填充的数据点。训练样本对应的k空间数据集中可以包括欠采样放射数据线和全采样放射数据线，该全采样放射数据线也可以包括两个数据段，其中一个数据段位于k空间数据集的中心区域，这两个数据段对应的放射数据线上的数据点均被填充；该欠采样放射数据线的第一数据段是通过全采样得到的数据点，该欠采样放射数据线的第二数据段对应的放射数据线上存在未填充的数据点。67.步骤420、按照预设间距保留金标准k空间数据集中的放射数据线上的数据，将金标准k空间数据集中的其余放射数据线上的数据置零，得到训练样本。68.也就是说，训练样本对应的k空间数据集中均是欠采样放射数据线，该欠采样放射数据线的第一数据段和第二数据段对应的放射数据线上的数据点均是按照预设间隔进行填充的。69.金标准k空间数据集如图5所示。机器学习模型的训练样本如图6所示，该训练样本由保留金标准k空间数据集的中心区域，将金标准k空间数据集中除中心区域之外的其他区域的数据进行抽取和赋值处理得到的。图6中训练样本的部分区域的放大图如图7所示。70.步骤310、使用训练样本和金标准k空间数据集对初始机器学习模型进行训练，得到机器学习模型。71.终端使用的训练样本可以是上述实施例提供的根据金标准k空间数据集确定训练样本的至少一个方法得到的样本。终端使用得到的训练样本和金标准k空间数据集对初始机器学习模型进行训练可以得到机器学习模型。72.在一个可选的实施例中，可以在得到的训练样本中加入高斯噪声信号，这样得到的训练样本更加符合实际应用，从而通过训练得到的机器学习模型更加准确，使用该机器学习模型可以得到更加准确的目标k空间数据集。73.在一个可选的实施例中，在对初始机器学习模型训练的过程中，可以借助感知损失的思想，用初始机器学习模型提前获知金标准k空间数据集的信息，构建损失函数，这样可以提高训练效率和准确性。74.在一个实施例中，机器学习模型可以是有多个子模型构成的模型集合，每个子模型对应的不同扫描时间。多个子模型分别对应的不同扫描时间的训练样本可以通过对金标准k空间数据集进行不同程度的裁剪或抽取得到，也可以是通过采集不同时间长度对应的金标准k空间数据集，分别对每个金标准k空间数据集进行裁剪或抽取得到的。75.在一个可选的实施例中，请参见图8，将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线缺失的数据进行补充，输出目标k空间数据集的步骤可以包括：76.步骤800、获取初始k空间数据集对应的扫描时间，得到目标扫描时间。77.初始k空间数据集对应的扫描时间，即，填充初始k空间数据集的磁共振信号所需的扫描时间。该目标扫描时间可以是磁共振设备发送至终端的，也可以是终端从磁共振设备中获取得到的。78.步骤810、根据目标扫描时间从机器学习模型中确定与目标扫描时间对应的子模型。79.机器学习模型中的每个子模型具有与其对应的扫描时间。终端可以在机器学习模组中查找与目标扫描时间相同的扫描时间对应的子模型。80.步骤820、将初始k空间数据集输入至与目标扫描时间对应的子模型，得到目标k空间数据集。81.终端将初始k空间数据集输入与目标扫描时间对应的子模型，该子模型通过对初始k空间数据集中欠采样数据放射数据线上缺失的数据进行补充，可以得到目标k空间数据集。82.在另一个可选的实施例中，可以在机器学习模型中构建一个评价体系，该评价体系可以考虑图像保真度和图像对比度等方面。这样在终端将初始k空间数据集输入机器学习模型后，机器学习模型中的每个子模型均对初始k空间数据集中欠采样放射数据线缺失的数据进行补充，可以得到多个补充后的k空间数据集，通过评价体系对多个补充后的k空间数据集进行评价，以得到目标k空间数据集。83.在本实施例中，机器学习模型可以适应不同的扫描时间，也就是说，医护人员可以根据实际情况灵活选用不同的扫描时间，这样可以提高本技术提供的磁共振成像方法的适用性。同时，机器学习模型有一定的容错能力，即扫描时间的变换对磁共振图像的质量影像不大，这样可以提高通过本技术提供的磁共振成像方法得到的磁共振图像的质量。84.请参见图9，在一个实施例中，本技术提供一种磁共振成像方法，以该方法应用于图1中的终端为例进行说明。该磁共振成像方法包括以下步骤：85.步骤900、获取检测对象的磁共振信号，并将磁共振信号填充在k空间中得到初始k空间数据集；k空间的半径为第一半径，初始k空间数据集的至少部分数据对应的填充轨迹具有第二半径，第二半径小于第一半径。86.应用图1中的磁共振设备得到检测对象的磁共振信号，并将该磁共振信号发送至终端。该磁共振信号可以是磁共振设备得到直接发送至终端的，也可以是终端在需要时从磁共振设备中获取的。终端在获取到检测对象的磁共振信号后，根据该磁共振信号对k空间进行填充得到初始k空间数据集。87.终端在将磁共振信号填充至k空间时，采用的填充轨迹是放射状轨迹，即，k空间中包括许多放射数据线，每条放射数据线从k空间的中心径向延伸，每条放射数据线上包括多个数据点，终端将磁共振信号填充至每条放射数据线上的数据点中。k空间的半径为第一半径，初始k空间数据集的至少部分数据对应的填充轨迹具有第二半径。也就是说，初始k空间数据集中存在部分放射数据线的半径小于第一半径，或者是全部放射数据线的半径小于第一半径。在放射数据线的半径小于第一半径时，放射数据线上填充的数据点就小于全采样时填充的数据点，则初始k空间数据集中会存在缺失的数据。88.步骤910、将初始k空间数据集输入机器学习模型，机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，输出目标k空间数据集。89.终端在得到初始k空间数据集后，将其输入机器学习模型，通过机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，即对初始k空间数据集中至少部分数据对应的填充轨迹从第二半径到第一半径中缺失的数据进行补充，可以得到目标k空间数据集。对机器学习模型的描述可以参考上述实施例中的具体描述，在此不再赘述。90.步骤920、重建目标k空间数据集生成检测对象的磁共振图像。91.终端在得到目标k空间数据集后，对其进行三维重建可以得到检测对象对应的磁共振图像。本实施例对重建目标k空间数据集的具体方法不作限制，只要能够实现其功能即可。92.本技术实施例提供的磁共振成像方法通过获取检测对象的磁共振信号，并将磁共振信号填充至k空间得到初始k空间数据集；将初始k空间数据集输入机器学习模型，机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，输出目标k空间数据集；重建目标k空间数据集生成检测对象的磁共振图像。本技术实施例提供的磁共振成像方法得到的初始k空间数据集中至少部分数据所对应的填充轨迹具有第二半径，即初始k空间数据集中存在缺失的数据，这样可以减少采样点数，从而能够减少采样时间。同时，通过机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，得到目标k空间数据集，目标k空间数据集中包括恢复的k空间高频数据，则重建该目标k空间数据集生成的检测对象的磁共振图像的对比度较高，即磁共振图像的质量较高。也就是说，本技术实施例提供的磁共振成像方法能够保证在减少采样时间的同时提高磁共振图像的信噪比(质量)和对比度。93.在一个实施例中，k空间包括中心区域和中心区域之外的其他区域，中心区域是以第二半径为半径，覆盖k空间的中心的区域，且k空间的中心区域对应的采样速率奈奎斯特采样定律。也就是说，初始k空间数据集的中心区域的数据点均填充；初始k空间数据集中的外围区域部分数据点未填充，初始k空间数据集中的外围区域均未填充。即初始k空间数据集包括欠采样放射数据线，该欠采样放射数据线包括第一欠采样放射数据线和第二欠采样反射数据线，第一欠采样放射数据线的半径为第二半径，第一欠采样放射数据线的数据点均被填充，第二欠采样放射数据线上的数据存在未被填充的情况。94.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。95.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的磁共振成像方法的磁共振成像装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个磁共振成像装置实施例中的具体限定可以参见上文中对于磁共振成像方法的限定，在此不再赘述。96.在一个实施例中，如图10所示，提供了一种磁共振成像装置10，该装置包括：第一获取模块11、第一确定模块12和第一重建模块13，其中：97.第一获取模块11用于获取检测对象的初始k空间数据集，初始k空间数据集包括欠采样放射数据线，欠采样放射数据线上存在缺失的数据；98.第一确定模块12用于将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；99.第一重建模块13用于重建所述目标k空间数据集生成检测对象的磁共振图像。100.在一个实施例中，欠采样放射数据线包括第一数据段和第二数据段，第一数据段位于初始k空间数据集的中心区域，第二数据段位于初始k空间数据集的中心区域之外的其他区域，且第二数据段存在未填充的数据点；其中，中心区域是指以第一数据段对应的放射数据线为半径，覆盖初始k空间数据集的中心的区域。101.在一个实施例中，第一数据段填充的数据点密度大于第二数据段填充的数据点密度。102.在一个实施例中，欠采样放射数据线包括第一欠采样放射数据线和第二欠采样放射数据线；第一欠采样放射数据线对应的半径与第二欠采样放射数据线对应的半径不同。103.在一个实施例中，如图11所示，提供了一种磁共振成像装置20，该装置包括：第二获取模块21、第二确定模块22和第二重建模块23，其中：104.第二获取模块21用于获取检测对象的磁共振信号，并将磁共振信号填充在k空间中得到初始k空间数据集；k空间的半径为第一半径，初始k空间数据集的至少部分数据对应的填充轨迹具有第二半径，第二半径小于第一半径；105.第二确定模块22用于将初始k空间数据集输入机器学习模型，机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，输出目标k空间数据集；106.第二重建模块23用于重建目标k空间数据集生成检测对象的磁共振图像。107.在一个实施例中，k空间包括中心区域和中心区域之外的其他区域，中心区域是以第二半径为半径，覆盖k空间的中心的区域，且k空间的中心区域对应的采样速率满足奈奎斯特采样定律。108.上述磁共振成像装置10和磁共振成像装置20中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。109.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种磁共振成像方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。110.本领域技术人员可以理解，图12中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。111.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现以下步骤：112.获取检测对象的初始k空间数据集，初始k空间数据集包括欠采样放射数据线，欠采样放射数据线上存在缺失的数据；113.将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；114.重建目标k空间数据集生成检测对象的磁共振图像。115.在一个实施例中，欠采样放射数据线包括第一数据段和第二数据段，第一数据段位于初始k空间数据集的中心区域，第二数据段位于初始k空间数据集的中心区域之外的其他区域，且第二数据段存在未填充的数据点；其中，中心区域是指以第一数据段对应的放射数据线为半径，覆盖初始k空间数据集的中心的区域。116.在一个实施例中，第一数据段填充的数据点密度大于第二数据段填充的数据点密度。117.在一个实施例中，欠采样放射数据线包括第一欠采样放射数据线和第二欠采样放射数据线；第一欠采样放射数据线对应的半径与第二欠采样放射数据线对应的半径不同。118.在一个实施例中，处理器执行计算机程序时还实现以下步骤：119.获取检测对象的磁共振信号，并将磁共振信号填充在k空间中得到初始k空间数据集；k空间的半径为第一半径，初始k空间数据集的至少部分数据对应的填充轨迹具有第二半径，第二半径小于第一半径；120.将初始k空间数据集输入机器学习模型，机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，输出目标k空间数据集；121.重建目标k空间数据集生成检测对象的磁共振图像。122.在一个实施例中，k空间包括中心区域和中心区域之外的其他区域，中心区域是以第二半径为半径，覆盖k空间的中心的区域，且k空间的中心区域对应的采样速率满足奈奎斯特采样定律。123.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：124.取检测对象的初始k空间数据集，初始k空间数据集包括欠采样放射数据线，欠采样放射数据线上存在缺失的数据；125.将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；126.重建目标k空间数据集生成检测对象的磁共振图像。127.在一个实施例中，欠采样放射数据线包括第一数据段和第二数据段，第一数据段位于初始k空间数据集的中心区域，第二数据段位于初始k空间数据集的中心区域之外的其他区域，且第二数据段存在未填充的数据点；其中，中心区域是指以第一数据段对应的放射数据线为半径，覆盖初始k空间数据集的中心的区域。128.在一个实施例中，第一数据段填充的数据点密度大于第二数据段填充的数据点密度。129.在一个实施例中，欠采样放射数据线包括第一欠采样放射数据线和第二欠采样放射数据线；第一欠采样放射数据线对应的半径与第二欠采样放射数据线对应的半径不同。130.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：131.获取检测对象的磁共振信号，并将磁共振信号填充在k空间中得到初始k空间数据集；k空间的半径为第一半径，初始k空间数据集的至少部分数据对应的填充轨迹具有第二半径，第二半径小于第一半径；132.将初始k空间数据集输入机器学习模型，机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，输出目标k空间数据集；133.重建目标k空间数据集生成检测对象的磁共振图像。134.在一个实施例中，k空间包括中心区域和中心区域之外的其他区域，中心区域是以第二半径为半径，覆盖k空间的中心的区域，且k空间的中心区域对应的采样速率满足奈奎斯特采样定律。135.在一个实施例中，提供了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以下步骤：136.取检测对象的初始k空间数据集，初始k空间数据集包括欠采样放射数据线，欠采样放射数据线上存在缺失的数据；137.将初始k空间数据集输入机器学习模型，机器学习模型对欠采样放射数据线上缺失的数据进行补充，输出目标k空间数据集；138.重建目标k空间数据集生成检测对象的磁共振图像。139.在一个实施例中，欠采样放射数据线包括第一数据段和第二数据段，第一数据段位于初始k空间数据集的中心区域，第二数据段位于初始k空间数据集的中心区域之外的其他区域，且第二数据段存在未填充的数据点；其中，中心区域是指以第一数据段对应的放射数据线为半径，覆盖初始k空间数据集的中心的区域。140.在一个实施例中，第一数据段填充的数据点密度大于第二数据段填充的数据点密度。141.在一个实施例中，欠采样放射数据线包括第一欠采样放射数据线和第二欠采样放射数据线；第一欠采样放射数据线对应的半径与第二欠采样放射数据线对应的半径不同。142.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：143.获取检测对象的磁共振信号，并将磁共振信号填充在k空间中得到初始k空间数据集；k空间的半径为第一半径，初始k空间数据集的至少部分数据对应的填充轨迹具有第二半径，第二半径小于第一半径；144.将初始k空间数据集输入机器学习模型，机器学习模型对初始k空间数据集的至少部分数据对应的填充轨迹延长至第一半径，输出目标k空间数据集；145.重建目标k空间数据集生成检测对象的磁共振图像。146.在一个实施例中，k空间包括中心区域和中心区域之外的其他区域，中心区域是以第二半径为半径，覆盖k空间的中心的区域，且k空间的中心区域对应的采样速率满足奈奎斯特采样速率。147.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。148.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。149.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!