BR112020021311A2

BR112020021311A2 - Sistemas e métodos para aperfeiçoar a formação de imagem de ressonância magnética pela utilização de aprendizagem profunda

Info

Publication number: BR112020021311A2
Application number: BR112020021311-0A
Authority: BR
Inventors: Tao Zhang; Enhao Gong
Original assignee: Subtle Medical, Inc.
Priority date: 2018-04-19
Filing date: 2019-04-17
Publication date: 2021-01-19
Also published as: EP3781033A1; US20190347772A1; US20220130017A1; US11182878B2; US20210042883A1; KR20210005633A; AU2019256304A1; JP2023169278A; SG11202010238PA; CN111989039A; EP3781033A4; WO2019204406A1; KR102708986B1; JP7351847B2; US11715179B2; US20240037714A1; JP2021520882A

Abstract

é provido um método implementado em computador para aumentar a qualidade de imagem com tempo de obtenção reduzido. o método compreende a determinação de um esquema de obtenção de imagem acelerada para a formação de imagem de um indivíduo pela utilização de um aparelho de formação de imagem médica; obtenção de uma imagem médica do indivíduo de acordo com o esquema de obtenção de imagem acelerada pela utilização do aparelho de formação de imagem médica; aplicação de um modelo de rede profunda à imagem médica de maneira a aumentar a qualidade da imagem médica; e produção de uma imagem de qualidade aumentada do indivíduo, para análise por um médico.

Description

SISTEMAS E MÉTODOS PARA APERFEIÇOAR A FORMAÇÃO DE IMAGEM DE RESSONÂNCIA MAGNÉTICA PELA UTILIZAÇÃO DE APRENDIZAGEM PROFUNDA REFERÊNCIA CRUZADA COM PEDIDOS RELACIONADOS

[0001] Este pedido reivindica a prioridade do Pedido Provisório US nº 62/659.837 depositado em 19 de abril de o conteúdo do qual é incorporado aqui em sua totalidade.

ANTECEDENTES

[0002] Imagem por Ressonância Magnética (MRI), ou imagem por ressonância magnética nuclear, é uma técnica de formação de imagem médica comumente utilizada para visualizar um indivíduo (por exemplo, paciente) particularmente de estruturas internas detalhadas do corpo. A MRI provê uma imagem clínica com resolução aumentada, alto contraste entre os diferentes tecidos moles do corpo, sem envolver radiação ionizante e é, por esta razão, uma modalidade de formação de imagem para muitas doenças desafiadoras. Em comparação com outras modalidades tais como raio-X, TC e ultrassom, a MRI leva mais tempo, algumas vezes vários minutos, para a obtenção de dados de maneira a gerar imagens clinicamente úteis. Artefatos de imagem podem aparecer devido ao longo tempo de escaneamento. Tal longo tempo de escaneamento para exames de MR resultam em alto custo de imagem e limita o volume e acessibilidade do paciente. Algumas aplicações de MR (por exemplo, formação de imagem ponderada em difusão) requerem a repetição da mesma obtenção ou obtenção similar por várias vezes de maneira a se obter uma proporção sinal-ruído (SNR) adequada.

[0003] Métodos tais como formação de imagem em paralelo e sensoriamento comprimido, têm sido empregados para a obtenção de imagem de MR acelerada, no entanto, a capacidade de aceleração prática é ainda limitada. Por exemplo, quando o tempo de escaneamento é significativamente reduzido, a formação de imagem em paralelo sofre “aliasing” do objeto juntamente com ruído dramaticamente amplificado. Em um outro exemplo, o sensoriamento comprimido sofre com o turvamento da imagem. Os métodos convencionais podem alcançar uma obtenção de dados acelerada: (1) pela redução do número de repetições, (2) pela sub-amostragem além da taxa de amostragem de Nyquist ou (3) pela redução da resolução da imagem. Tais métodos podem resultar em imagens com vários problemas tais como baixa SNR, aliasing ou turvamento.

[0004] O termo “repetição”, tal como utilizado aqui, refere-se genericamente à repetição das obtenções de imagem pela utilização de parâmetros de formação de imagem no mesmo indivíduo, a repetição das obtenções de imagem que utiliza parâmetros de formação de imagem variados no mesmo indivíduo, a repetição de obtenções de imagem em um indivíduo em vários ângulos ou semelhantes, obtendo-se assim uma qualidade de imagem aumentada. Por exemplo, na MRI do tipo Rotulagem de Rotação Arterial (“Arterial Spin Labeling” - ASL), pode haver ASL multi-retardo que as imagens de alta qualidade podem ser computadas pela utilização de um certo modelo baseado na média ponderal de imagens múltiplas obtidas pela utilização dos mesmos parâmetros de formação de imagem, mas não os mesmos parâmetros de retardo. Em um outro exemplo, um método COSMOS pode ser utilizado para a obtenção de uma imagem de alta qualidade na MRI de Mapeamento de Susceptibilidade Quantitativa (“Quantitative Susceptibility Mapping” QSM), o método é baseado em modelo ou média ponderada de imagens múltiplas obtidas pela utilização dos mesmos parâmetros de formação de imagem. Durante a obtenção de imagem repetida, pode ser obtida uma imagem do indivíduo a partir de ângulos diferentes (por exemplo, girando ou movendo sua cabeça par várias posições) pela utilização dos mesmos parâmetros de formação de imagem.

[0005] Um dos métodos convencionais é a obtenção por Multi-NEX (número de excitações), o qual é chamado de método de repetição da mesma obtenção ou obtenção similar múltiplas vezes de maneira a melhorar a SNR para MRI.

Define m como a imagem verdadeira fundamental, mi como a imagem obtida para a iª obtenção e ni como o ruído ou desvios correspondentes da verdadeira fundamental em mi. Então, ,

[0006] Tipicamente, a média, incluindo a média linear ou a média ponderal que possivelmente se baseiam em certos modelos ponderais, de todas as imagens obtidas mave apresenta a SNR mais alta que qualquer imagem individual mi e é considerada como sendo uma estimativa de m. Alternativamente, um método de eliminação de ruído de imagem pode ser utilizado para aumentar a SNR de mi. Este processo pode ser representado por, ̃ , onde f representa uma função de eliminação de ruído e a imagem sem ruído ̃ é a estimativa de m. No entanto, esta abordagem não foi amplamente utilizada no passado como média simples para a maioria das obtenção de multi-NEX.

[0007] A formação de imagem em paralelo e o sensoriamento comprimido são dois métodos populares para acelerar a obtenção de MR por amostragem além da taxa de amostragem de Nyquist. A formação de imagem em paralelo utiliza um conjunto de matrizes de bobina com diferente sensibilidade de bobina de maneira a sintetizar dados não obtidos, enquanto o sensoriamento comprimido utiliza uma restrição de esparsidade e obtém uma estimativa da imagem subjacente pela resolução de um problema de otimização. Comumente, a formação de imagem em paralelo e o sensoriamento comprimido são combinados para se obter uma melhor qualidade de imagem e capacidade de aceleração. Define mu como a imagem de obtenção de sub-amostragem, então tanto a formação de imagem em paralelo quanto o sensoriamento comprimido podem ser formulados como: ̃ ,

onde f representa a reconstrução da imagem correspondente, e ̃ é a reconstrução estimada. No entanto, tais métodos podem obter uma qualidade de imagem melhor à custa de infraestruturas de hardware e tempos de obtenção.

[0008] A super resolução é um outro método convencional para aumentar a resolução da imagem: a imagem original mLR é obtida com baixa resolução e a imagem construída mSR tem melhor resolução de imagem. A mSR pode ser obtida pelo aumento do tamanho da matriz da mLR e estimativa dos conteúdos de alta frequência espacial adicional que não foram obtidos. Uma vez que imagens de baixa resolução requerem menos tempo de obtenção, o método da super resolução podem também diminuir o tempo de escaneamento da MR.

[0009] Similar às formulações anteriores, a reconstrução por super resolução pode ser também representada por uma função f que transforma uma imagem de baixa resolução em uma imagem ̃ de alta resolução. ̃ ,

[0010] O principal desafio para o método da super resolução é que a informação de alta frequência espacial (ou função f) é difícil de estimar diretamente. Desta forma, existe uma necessidade por um sistema aperfeiçoado para a formação de imagem de MR.

SUMÁRIO

[0011] O presente relatório provê sistemas de Imagem por Ressonância Magnética (MRI) que podem se direcionar para várias desvantagens dos sistemas convencionais, incluindo os reconhecidos acima. O método e sistema do presente relatório provêm uma qualidade de imagem melhor com tempo de obtenção de imagem reduzido. O tempo de computação para a reconstrução da reconstrução de imagem no tempo de execução pode também ser reduzido em comparação com os métodos de reconstrução iterativos padrão. O método e sistema providos podem reduzir significativamente o tempo de escaneamento da MR pela aplicação de técnicas de aprendizagem profunda para a reconstrução de imagem de maneira a aumentar a qualidade de imagem. Exemplos de baixa qualidade na formação de imagem médica incluem ruído (por exemplo, proporção sinal ruído baixa), turvamento (por exemplo, objeto em movimento), sombreamento (por exemplo, bloqueio ou interferência na detecção), informação faltante (por exemplo, pixels ou voxels faltantes na imagem devido à remoção de informação ou mascaramento), reconstrução (por exemplo, degradação no domínio de medição) e/ou objetos sub-amostrados (por exemplo, sub- amostragem devido a sensoriamento comprimido, aliasing). Os métodos e sistemas do presente relatório podem ser aplicados perfeitamente a sistemas existentes sem a necessidade de uma alteração na infraestrutura subjacente. Em particular, os métodos e sistemas providos podem aumentar a qualidade de imagem da MR sem custo adicional de componente de hardware e podem ser implementados independente da configuração ou especificação da infraestrutura subjacente.

[0012] Em um aspecto da invenção, é provido um método implementado em computador para aumentar a qualidade de imagem com tempo de obtenção reduzido. O método compreende: a determinação de um esquema de obtenção de imagem acelerada para a imagem de um indivíduo utilizando-se um aparelho de formação de imagem médica; obtenção, pela utilização do aparelho de formação de imagem médica, de uma imagem médica do indivíduo de acordo com o esquema de obtenção de imagem acelerada; pela aplicação de um modelo de rede profunda à imagem médica de maneira a aumentar a qualidade da imagem médica; e produzir uma qualidade imagem aumentada do indivíduo para análise por um médico. Em algumas realizações, a imagem médica inclui uma imagem de ressonância magnética.

[0013] Em algumas realizações da invenção, a determinação do esquema de obtenção de imagem acelerada compreende: a recepção de um fator de aceleração alvo ou velocidade de obtenção alvo por meio de uma interface gráfica de usuário, e seleção a partir de uma pluralidade de esquemas de obtenção de imagem acelerada com base no fator de aceleração alvo ou na velocidade de obtenção alvo. Em alguns casos, o esquema de obtenção de imagem acelerada é selecionado pela aplicação da pluralidade de esquemas de obtenção de imagem acelerada a uma parte da imagem médica para simulação.

[0014] Em algumas realizações, o esquema de obtenção de imagem acelerada é determinado com base em uma entrada do usuário e imagens produzidas simuladas em tempo real. Em algumas realizações, o esquema de obtenção de imagem acelerada compreende um ou more parâmetros relacionados com um espaço k sub-amostrado, um padrão de sub-amostragem e um número reduzido de repetições. Em alguns casos, o padrão de sub-amostragem é selecionado a partir de um grupo consistindo em um padrão de sub-amostragem uniforme, um padrão de sub-amostragem randômico e um padrão de sub-amostragem variável. Em algumas realizações, a imagem médica compreende a imagem do espaço k sub-amostrado ou imagem obtida pela utilização de um número reduzido de repetições.

[0015] Em algumas realizações, o modelo de aprendizagem profunda é treinado com métricas otimizadas de forma adaptativa baseadas na entrada do usuário e imagens produzidas simuladas em tempo real. Em algumas realizações, o modelo de aprendizagem profunda é treinado pela utilização de conjuntos de dados compreendendo pelo menos uma imagem de baixa qualidade e uma imagem de alta qualidade. Em alguns casos, a imagem de baixa qualidade é gerada pela aplicação de um ou mais filtros ou adição de ruído sintético à imagem de alta qualidade de maneira a criar ruído ou objetos de sub- amostragem. Em algumas realizações, o modelo de aprendizagem profunda é treinado pela utilização de fragmentos de imagem que compreendem uma parte de pelo menos uma imagem de baixa qualidade e uma imagem de alta qualidade. Em alguns casos, os fragmentos de imagem são selecionados com base em uma ou mais métricas que quantificam uma similaridade de imagem.

[0016] Em algumas realizações, o modelo de aprendizagem profunda é um modelo de aprendizagem profunda residual. Em algumas realizações, o modelo de aprendizagem profunda é treinado pelo ajuste de forma adaptativa de um ou mais parâmetros de modelo para aproximação a uma imagem de referência. Em algumas realizações, a qualidade aumentada da imagem do indivíduo apresenta SNR mais alta, maior resolução ou menos aliasing em comparação com a imagem médica obtida pela utilização do aparelho de formação de imagem médica.

[0017] Um outro aspecto do presente relatório provê um meio legível em computador não transitório compreendendo um código executável em máquina que, pela execução por um ou mais processadores de computador, implementa qualquer um dos métodos acima ou mencionados em alguma parte aqui. Por exemplo, o um ou mais processadores podem realizar operações que compreendem: a determinação de um esquema de obtenção de imagem acelerada para a imagem de um indivíduo pela utilização de um aparelho de formação de imagem médica; obtenção, pela utilização do aparelho de formação de imagem médica, de uma imagem médica do indivíduo de acordo com o esquema de obtenção de imagem acelerada; aplicação de um modelo de rede profunda à imagem médica de maneira a aumentar a qualidade da imagem médica; e produção de uma imagem de qualidade aumentada do indivíduo para análise por um médico.

[0018] Em algumas realizações, a imagem médica inclui uma imagem de ressonância magnética. Em algumas realizações, o esquema de obtenção de imagem acelerada é determinado com base na entrada do usuário e nas imagens produzidas simuladas em tempo real. Em algumas realizações, o esquema de obtenção de imagem acelerada compreende um ou mais parâmetros relacionados a um espaço k sub-amostrado, um padrão de sub-amostragem e um número reduzido de repetições.

[0019] Aspectos e vantagens adicionais do presente relatório ficarão prontamente claros para os técnicos no assunto a partir da descrição detalhada, onde apenas realizações ilustrativas do presente relatório são mostradas e descritas. Como será observado, o presente relatório é capaz de outras e diferentes realizações e seus vários detalhes são passíveis de modificações em vários aspectos óbvios, todas sem se afastarem do relatório. Da mesma forma, os desenhos e descrição devem ser considerados como ilustrativos em natureza e não como restritivos.

INCORPORAÇÃO POR REFERÊNCIA

[0020] Todas as publicações, patentes e pedidos de patente mencionados neste relatório são incorporados aqui como referência na mesma extensão em que cada publicação, patente ou pedido de patente individual fosse especificamente e individualmente indicado como endo incorporado como referência.

BREVE DESCRIÇÃO DOS DESENHOS

[0021] As novas características da invenção são apresentadas com particularidade nas reivindicações anexas. Uma melhor compreensão das características e vantagens da presente invenção será obtida por referência à descrição detalhada a seguir que apresenta realizações ilustrativas, nas quais os princípios da invenção são utilizados e nos desenhos anexos (também “figura” e “FIG.” aqui) nos quais:

[0022] A FIG. 1 ilustra esquematicamente um exemplo de transformação de imagem de baixa qualidade em imagem de alta qualidade pela utilização de um algoritmo de aprendizagem profunda;

[0023] A FIG. 2 ilustra esquematicamente um sistema de imagem por ressonância magnética (MRI) no qual um acelerador de imagem do presente relatório pode ser implementado;

[0024] A FIG. 3 mostra um diagrama de bloco de um exemplo de um sistema acelerador de formação de imagem de MR, de acordo com realizações do presente relatório;

[0025] A FIG. 4 mostra exemplos de determinação de um esquema de obtenção pela utilização de um módulo de obtenção de MRI interativo; e

[0026] A FIG. 5 ilustra um exemplo de método para aumentar a qualidade de imagem de MR com obtenção acelerada.

DESCRIÇÃO DETALHADA

[0027] Embora várias realizações da invenção tenham sido mostradas e descritas aqui, será óbvio para os técnicos no assunto que tais realizações são providas apenas como exemplo. Numerosas variações e substituições podem ocorrer aos técnicos no assunto sem se afastarem da invenção. Deve ser entendido que várias alternativas às realizações da invenção descrita aqui podem ser empregadas. Obtenção acelerada

[0028] O termo “obtenção acelerada”, tal como utilizado aqui, refere-se genericamente ao tempo de obtenção reduzido de MR. O sistema e método providos podem possibilitar a obtenção de imagem de MR com qualidade aumentada por um fator de aceleração de pelo menos 1.5, 2, 3, 4, 5, 10, 15, 20, um fator com um valor acima de 20 ou abaixo de 1,5, ou um valor entre quaisquer dois dos valores mencionados acima. Uma obtenção acelerada pode ser alcançada por meio de abordagens tais como: (1) redução do número de repetições para obtenção multi-NEX, (2) redução da taxa de amostragem abaixo da taxe de Nyquist ou (3) redução da resolução da imagem. Um esquema de aceleração pode compreender a utilização de uma ou mais das abordagens acima. Um esquema de aceleração pode compreender a utilização de qualquer combinação das abordagens acima. Em um exemplo, a obtenção acelerada pode ser alcançada pela redução do número de repetições. Em um outro exemplo, a obtenção acelerada pode ser alcançada pela sub-amostragem do espaço k. Em um exemplo adicional, a obtenção acelerada pode ser alcançada por uma combinação de redução do número de repetições e sub-amostragem do espaço k. Um esquema de aceleração pode compreender também um ou mais parâmetros que possam afetar um resultado de aceleração de uma abordagem selecionada. Um esquema de aceleração pode ser também chamado de esquema de obtenção ou esquema de obtenção de imagem acelerada que são utilizados de forma intercambiável por todo o relatório.

[0029] A formação de imagem em MR é baseada na travessia do espaço k em duas ou três dimensões em uma maneira determinada pela sequência de pulso. Embora a obtenção de dados na direção de codificação da frequência seja tipicamente rápida e da ordem de alguns milisegundos, um eco separado coletado com um valor ligeiramente diferente do gradiente de codificação de fase aplicado seja requerido para amostrar cada valor de ky ao longo do eixo de codificação de fase. A amostragem do espaço k através de um número prescrito de etapas de codificação de fase, desta forma, é responsável pela maior parte de tempo de obtenção na maioria das obtenções de imagem de MR.

[0030] Em alguns casos, a obtenção acelerada de dados pode ser alcançada por sub-amostragem do espaço k. O espaço k pode ser sub-amostrado de acordo com vários esquemas de amostragem. O esquema de amostragem pode incluir pelo menos uma densidade de amostragem ao longo de uma dada direção ou um padrão/trajetória predefinida. Por exemplo, o espaço k pode ser sub-amostrado pelo menos ao longo de uma dada direção, em virtude da densidade das amostras em relação ao critério de Nyquist para a imagem pretendida do CDV (campo de visão) de pelo menos 1%, 5%, 10%, 15%, 20%, 25%, 30%, 35%, 40%, 45%, 50% e semelhantes. O esquema de amostragem pode compreender outros fatores tais como a especificação de uma região do espaço k que é sub- amostrada, super-amostrada ou criticamente amostrada. Em algumas realizações, um ou mais parâmetros relacionados a um esquema de amostragem podem ser especificados em um esquema de aceleração.

[0031] Em algumas realizações, um padrão de sub-amostragem para a obtenção acelerada pode ser especificado em um esquema de aceleração. A obtenção acelerada pode utilizar um padrão de sub-amostragem tal como um padrão uniforme de sub-amostragens, padrão drandômico e sub-amostragens ou padrão de sub-amostragens variáveis. Vários padrões ou trajetórias tais como padrão de amostragem em espiral, fitas dispostas radialmente, padrão retilíneo, disco de Poisson, grade instável ou padrão randomizado podem ser aplicados para a amostragem do espaço k. O padrão ou trajetória pode ser determinado de acordo com uma técnica de formação de imagem específica. Por exemplo, para se obter uma melhor reconstrução paralela, o padrão de amostragem não deveria conter espaços vazios de ocorrência frequente. Desta forma, o disco de Poisson e a grade instável com densidade de amostragem uniforme ou variável podem ser selecionados como padrões de amostragem para processamento em paralelo.

[0032] Tal como mencionado anteriormente, as imagens obtidas com tempo de obtenção reduzido podem experienciar vários artefatos. Tais imagens podem apresentar qualidade mais baixa tal como SNR baixa, turvamento ou aliasing. Os métodos e sistemas do presente relatório podem reduzir estes artefatos pela aplicação de um método de aprendizagem em máquina às imagens de baixa qualidade resultando em uma imagem de MR de alta qualidade imagem com obtenção acelerada. Tal método pode ser utilizado para a reconstrução de imagem e pode ser utilizado em combinação com quaisquer técnicas de MR existentes. Método de aprendizagem profunda

[0033] A FIG. 1 ilustra esquematicamente um exemplo para a transformação de imagem de baixa qualidade (101, 103) em imagem de alta qualidade (105) pela utilização de um algoritmo de aprendizagem profunda (110). A imagem de baixa qualidade pode ser obtida pela utilização de abordagens de obtenção acelerada de dados como descrito acima. Em alguns casos, a abordagem de obtenção acelerada de dados pode ser especificada em um esquema de obtenção. A definição de macc como a imagem correspondendo à obtenção acelerada de dados. Um exemplo de obtenção acelerada em 2D com taxa de amostragem reduzida e/ou resolução de imagem reduzida é mostrado na FIG. 1. Durante a reconstrução de imagem, pode ser aplicado um algoritmo de aprendizagem profunda à imagem de baixa qualidade de maneira a estimar uma função f que transforma a imagem de baixa qualidade macc em uma imagem de alta qualidade ̃. A imagem de alta qualidade pode ser SNR alta, livre de alias, ou imagem de alta resolução. Em alguns casos, esta função f pode ser obtida por métricas g de otimização entre a imagem verdadeira fundamental m e a imagem estimada ̃ por meio de um processo de treinamento em um número de conjuntos de dados de treinamento: ̃ , ̃

[0034] Pode haver uma ou mais métricas de custo que podem ser combinadas com ponderações otimizadas. A g pode ser qualquer métrica adequada tal como l2 norm ‖ ̃ ‖ , l1 norm ‖ ̃ ‖ , dissimilaridade estrutural ou outras métricas. Em alguns casos, k pode ser a transformada de identidade, então as métricas são calculadas no domínio da imagem. k pode ser quaisquer outras transformadas, tais como a transformada de Fourier, desta forma, as métricas podem ser calculadas no correspondente domínio de frequência. Em alguns casos, a métrica g pode ser utilizada como critério durante o processo de treinamento do modelo de aprendizagem profunda. Em alguns casos, as métricas g podem ser também um modelo em rede que é treinado separadamente ou simultaneamente juntamente com f, de maneira a discriminar os estados da imagem e avaliar a qualidade de imagem. Em alguns casos, o modelo de aprendizagem profunda pode ser treinado com métricas otimizadas de forma adaptativa com base na entrada do usuário e imagens produzidas simuladas em tempo real.

[0035] O método de aprendizagem em máquina (110) pode compreender um ou mais algoritmos de aprendizagem em máquina . A rede neural artificial pode empregar qualquer tipo de modelo de rede neural, tal como uma rede neural do tipo feedforward, rede de função de base radial, rede neural recorrente, rede neural convolucional, rede de aprendizagem profunda residual e semelhantes. Em algumas realizações, o algoritmo de aprendizagem em máquina pode compreender um algoritmo de aprendizagem profunda tal como uma rede neural convolucional (CNN). Exemplos de algoritmos de aprendizagem em máquina podem incluir uma máquina de vetor de suporte (SVM), uma classificação Naïve Bayes, uma floresta randômica, um modelo de aprendizagem profunda tal como uma rede neural ou outro algoritmo de aprendizagem supervisionada ou algoritmo de aprendizagem não supervisionada. Em alguns casos, o método pode ser um método de aprendizagem profunda em máquina supervisionada.

[0036] A rede de aprendizagem profunda tal como CNN pode compreender camadas múltiplas. Por exemplo, o modelo de CNN pode compreender pelo menos uma camada de entrada, um número de camadas ocultas e uma camada de saída. Um modelo de CNN pode compreender qualquer número total de camadas e qualquer número de camadas ocultas. A arquitetura mais simples de uma rede neural inicia com uma camada de entrada seguida de camadas intermediárias ou ocultas e termina com a camada de saída. As camadas ocultas ou intermediárias podem atuar como extratores de recursos aprendíveis, enquanto a camada de saída neste exemplo provê imagens de MR com qualidade aumentada.

[0037] Cada camada da rede neural pode compreender um número de neurônios (ou nós). Um neurônio recebe uma entrada que é proveniente ou diretamente dos dados de entrada (por exemplo, dados de imagem de baixa qualidade, dados de espaço k sub-amostrado etc.) ou da saída de outros neurônios e realiza uma operação específica, por exemplo, adição. Em alguns casos, uma conexão de uma entrada com um neurônio é associada com um peso (ou fator ponderal). Em alguns casos, o neurônio pode somar os produtos de todos os pares de entradas e seus pesos associados. Em alguns casos, a soma ponderal é compensada com um desvio. Em alguns casos, a saída de um neurônio pode ser acionada pela utilização de um limite ou função de ativação. A função de ativação pode ser linear ou não linear. A função de ativação pode ser, por exemplo, uma função de ativação de unidade linear retificada (ReLU) ou outras funções tais como tangente hiperbólica de saturação, identidade, etapa binária, logística, arcTan, sinal suave (“softsign”), unidade linear retificada paramétrica, unidade linear exponencial, softPlus, identidade dobrada, softExponential, Sinusoide, Sinc, Gaussiana, funções sigmoides ou qualquer combinação destas.

[0038] Em algumas realizações, o processo de treinamento do modelo de aprendizagem profunda pode empregar um método de aprendizagem residual. Em alguns casos, o quadro de aprendizagem residual pode ser utilizado para a avaliação de um modelo de treinamento. Em alguns casos, o quadro de aprendizagem residual com conexões skip pode gerar connections imagens verdadeiras fundamentais estimadas a partir de imagens de qualidade mais baixa tal como as com alias de valor complexo, com refinamento de maneira a assegurar que seja consistente com as medições (consistência de dados). A imagem de entrada de baixa qualidade pode ser simplesmente obtida por meio da Transformada de Fourier inversa (FT) de dados sub-amostrados. Em alguns casos, o que o modelo aprende é o residual da diferença entre os dados brutos da imagem e os dados da imagem verdadeira fundamental, que são mais esparsos e menos complexos pela utilização da estrutura de rede. O método pode utilizar conexões de desvio para possibilitar a aprendizagem residual. Em alguns casos, uma rede residual pode ser utilizada e a saída do modelo direto pode ser residual/erro estimado entre as imagens de baixa qualidade e de alta qualidade. Em outras palavras, a função a ser aprendida pelo quadro de aprendizagem profunda é uma função residual que, em algumas situações, pode ser fácil de otimizar. A imagem de maior qualidade pode ser recuperada pela adição da imagem de baixa qualidade à residual. Esta abordagem de treinamento pode reduzir a complexidade do treinamento e obter um melhor desempenho, onde o nível de saída é pequeno, reduzindo a possibilidade de introdução de objetos de imagem grandes mesmo quando o modelo não prevê perfeitamente.

[0039] Os conjuntos de dados de treinamento podem ser alimentados a uma rede profunda compreendendo aprendizagem residual e uma rede neural convolucional. O modelo pode ser treinado pela utilização de uma imagem de referência com a qualidade alvo que apresenta uma SNR relativamente alta e melhor resolução. Em alguns casos, o modelo de aprendizagem profunda pode ser treinado com parâmetros ajustados de forma adaptativa com base na entrada do usuário e nas imagens produzidas simuladas em tempo real. Alternativamente ou em adição ao, a rede de aprendizagem profunda pode ser uma CNN “simples” que não envolve aprendizagem residual. Em alguns casos, um tipo de rede de aprendizagem profunda pode ser selecionado com base no objetivo do aumento da imagem de MR, características de dados de imagem ou outros fatores. Por exemplo, de acordo com um objetivo diferente do aumento da imagem tal como para aumentar a improve, para se alcançar livre de alias ou para aumentar a resolução da imagem, uma rede de aprendizagem profunda residual ou uma CNN simples pode ser selecionada. Em alguns casos, durante o processo de treinamento, o modelo de aprendizagem profunda pode ajustar de forma adaptativa os parâmetros do modelo de maneira a se aproximar da imagem de referência com a qualidade alvo de um conjunto inicial de imagens de entrada e produzindo uma imagem de qualidade aumentada.

[0040] Em algumas realizações, o processo de treinamento do modelo de aprendizagem profunda pode empregar uma abordagem baseada em fragmento. Em alguns casos, a imagem utilizada para treinamento (por exemplo, imagens de baixa qualidade de alta qualidade) pode ser dividida em fragmentos. Por exemplo, um par de imagens de treinamento tais como um par de imagem de alta qualidade e imagem de menor qualidade podem cada uma ser dividida espacialmente em um conjunto de fragmentos menores. A imagem de alta qualidade e a imagem de qualidade mais baixa podem ser divididas em um conjunto de fragmentos. O tamanho de um fragmento de imagem pode ser dependente da aplicação tal como o tamanho possível que uma característica reconhecível contida na imagem. Alternativamente, o tamanho de um fragmento de imagem pode ser predeterminado ou baseado em dados empíricos.

[0041] Em alguns casos, um ou mais fragmentos podem ser selecionados a partir do conjunto de fragmentos e utilizados para o treinamento do modelo. Em alguns casos, um ou mais fragmentos correspondendo às mesmas coordenadas podem ser selecionados a partir de um par de imagens. Alternativamente, um par de fragmentos pode não corresponder às mesmas coordenadas. O par selecionado de fragmentos pode ser então utilizado para o treinamento. Em alguns casos, são selecionados os fragmentos do par de imagens com similaridade acima de um limite predeterminado. Um ou mais pares de fragmentos podem ser selecionados pela utilização de quaisquer métricas adequadas que quantifiquem similaridade de imagem. Por exemplo, um ou mais pares de fragmentos podem ser selecionados pelo cálculo de um índice de similaridade estrutural, pico da proporção sinal-ruído (PSNR), erro médio quadrado (MSE), erro absoluto, outras métricas ou qualquer combinação das acima. Em alguns casos, a comparação de similaridade pode ser realizada pela utilização de uma janela deslizante sobre a imagem.

[0042] O modelo de aprendizagem profunda (110) pode ser treinado pela utilização de um ou mais conjuntos de dados de treinamento compreendendo os dados de imagem de MR. Em um exemplo, o conjunto de dados de treinamento pode ser de dados de imagem de volume em 3D compreendendo fatias axiais múltiplas e cada fatia pode ser imagens de valor complexo cada uma podendo incluir dois canais para componentes reais e imaginários. O conjunto de dados de treinamento pode compreender imagens de qualidade mais baixa obtidas a partir de dispositivos de formação de imagem de MR. Por exemplo, a imagem de entrada de baixa qualidade pode ser obtida simplesmente por meio da Transformada de Fourier inversa (FT) de dados sub-amostrados (por exemplo, dados do espaço k). Em alguns casos, o conjunto de dados de treinamento pode compreender conjuntos de dados aumentados obtidos a partir de simulação. Por exemplo, dados de imagem de uma base de dados clínicos pode ser utilizada para gerar dados de imagem de baixa qualidade. Em um exemplo, a FFT e filtros podem ser aplicados aos dados brutos de imagem para transformá-los em dados de imagem de baixa qualidade tal como pela aplicação de máscaras para remover certos pontos de dados de maneira a criar objetos. Em um outro exemplo, filtros de embaçamento de imagem podem ser aplicados diretamente em imagens de alta qualidade para gerar imagens de baixa qualidade. Em um exemplo adicional, pode ser adicionado ruído sintético às imagens de alta qualidade de maneira a criar imagens com ruídos. Em algumas realizações, os dados de entrada de imagem de maior qualidade podem ser obtidos a partir de obtenção direta de imagem pela utilização de um dispositivo de formação de imagem de MR com tempo de obtenção mais longo ou obtenções repetidas de imagem como descrito aqui.

[0043] O modelo de aprendizagem profunda treinado pode ser utilizado para transformar os dados de entrada compreendendo os dados de imagem de qualidade mais baixa de MR data nos dados de saída compreendendo dados de qualidade mais alta de imagem de MR. Em alguns casos, os dados de entrada pode ser um volume em 3D compreendendo fatias axiais múltiplas. Em um exemplo, fatias de entrada e de saída podem ser imagens de valor complexo do mesmo tamanho e cada uma inclui dois canais para componentes reais e imaginários. Com o auxílio do sistema provido, pode ser obtida uma imagem de MR de qualidade mais alta com obtenção acelerada.

[0044] Em algumas realizações, durante a fase de treinamento etapas adicionais de processo podem ser aplicadas às imagens de entrada de aprendizagem profunda com base nas preferências do usuário. Por exemplo, filtros de imagem tais como filtro de passagem, filtro de baixa passagem e semelhantes podem ser aplicados às imagens de entrada. Em alguns casos, pode ser adicionado ruído sintético às imagens de entrada. Similarmente, etapas de pós-processamento de imagem podem ser aplicadas às imagens de saída da aprendizagem profunda com base nas preferências do usuário. Por exemplo, filtros de imagem tais como filtro de alta passagem, filtro de baixa passagem e semelhantes podem ser aplicados às imagens de saída. Em alguns casos, pode ser adicionado ruído sintético às imagens de saída.

[0045] Os sistemas e métodos do presente relatório podem prover um sistema acelerador de formação de imagem que pode ser implementado em qualquer sistema de formação de imagem de MR existente sem a necessidade de uma alteração de infraestrutura de hardware. O sistema acelerador de formação de imagem pode ser implementado em software, hardware, firmware, incorporado em hardware, hardware autônomo, hardware de aplicação específica ou qualquer combinação destes. O sistema acelerador de formação de imagem pode ser um sistema autônomo que é separado do sistema de formação de imagem de MR. Alternativamente ou em adição ao, o sistema acelerador de formação de imagem pode ser integral com o sistema de formação de imagem de MR de como um componente de um controlador do sistema de formação de imagem de MR. Visão geral do sistema

[0046] A FIG. 2 ilustra esquematicamente um sistema de imagem por ressonância magnética (MRI) (200) no qual um acelerador de imagem (240) do presente relatório pode ser implementado. O sistema MRI (200) pode compreender um sistema magnético (203), uma mesa de transporte de paciente (205) conectada ao sistema magnético e um controlador (201) acoplado de forma operacional ao sistema magnético. Em um exemplo, um paciente pode deitar-se na mesa de transporte de paciente (205) e o sistema magnético (203) passa em torno do paciente. O controlador (201) pode controlar campos magnéticos e sinais de radiofrequência (RF) providos pelo sistema magnético (203) e pode receber sinais de detectores no sistema magnético (203). O sistema MRI (200) pode adicionalmente compreender um sistema de computador (210) e uma ou mais bases de dados acopladas de forma operacional ao controlador (201) em uma rede (230). O sistema de computador (210) pode ser utilizado para implementar o acelerador de formação de imagem de MR (240). O sistema de computador (210) pode ser utilizado para gerar um acelerador de formação de imagem pela utilização de conjuntos de dados de treinamento. Embora o diagrama ilustrado mostre o controlador e o sistema de computador como componentes separados, o controlador e o sistema de computador podem ser integrados em um único componente.

[0047] O controlador (201) pode ser operado para prover informação do controlador da sequência de MRI a respeito de uma sequência de pulso e/ou para gerenciar as operações de todo o sistema, de acordo com programas instalados de software. O controlador pode servir também como um elemento para instruir um paciente para realizar tarefas tais como, por exemplo, segurar a respiração por uma mensagem de voz produzida pela utilização de uma técnica de síntese de voz automática. O controlador pode receber comandos de um operador que indica que a sequência de escaneamento a ser realizada. O controlador pode compreender vários componentes tais como um módulo gerador de pulso que é configurado para operar os componentes do sistema para que realizem a sequência de escaneamento desejada, produzindo dados que indicam o tempo, força e formato dos pulsos RF a serem produzidos e o tempo e o comprimento da janela de aquisição de dados. O módulo gerador de pulso pode ser acoplado a um conjunto de amplificadores de gradiente para controlar o tempo e formato dos pulsos em gradiente a serem produzidos durante o escaneamento. O módulo gerador de pulso recebe também dados do paciente a partir de um controlador de aquisição fisiológica que recebe sinais de sensores fixados no paciente, tais como sinais de ECG (eletrocardiograma) a partir de eletrodos ou sinais respiratórios de um fole. O módulo gerador de pulso pode ser acoplado a um circuito de interface de ambiente de escaneamento o qual recebe sinais de vários sensores associados com a condição do paciente e do sistema magnético. Um sistema de posicionamento de paciente pode receber comandos por meio do circuito de interface de ambiente de escaneamento para mover o paciente para a posição desejada para o escaneamento.

[0048] O controlador (201) pode compreender um módulo de transceptor que é configurado para produzir pulsos que são amplificados por um amplificador de RF e acoplado à bobina de RF por um comutador transmitir/receber. Os sinais resultantes irradiados pelos núcleos excitados no paciente podem ser detectados pela mesma bobina de RF e acoplada por meio do comutador transmitir/receber a um pré-amplificador. Os sinais amplificados de ressonância magnética nuclear (NMR) são demodulados, filtrados e digitalizados na seção receptora do transceptor. O comutador transmitir/receber é controlado por um sinal do módulo gerador de pulso de maneira a acoplar eletricamente o amplificador de RF à bobina para o modo transmitir e para o pré-amplificador para o modo receber. O comutador transmitir/receber pode também possibilitar que uma bobina de RF separada (por exemplo, uma bobina de cabeça ou bobina de superfície, não mostradas) seja utilizada ou para o modo transmitir ou para o modo receber.

[0049] Os sinais de NMR capturados pela bobina de RF podem ser digitalizados pelo módulo transceptor e transferidos para um módulo de memória acoplado ao controlador. O receptor no módulo transceptor pode preservar a fase dos sinais de NMR obtidos em adição à magnitude do sinal. O sinal de NMR convertido em frequência é aplicado a um conversor analógico- digital (A/D) (não mostrado) que amostra e digitaliza o sinal de NMR analógico. As amostras podem ser aplicadas a um detector digital e processador de sinal que produz valores em fase (I) e valores em quadratura (Q) correspondendo ao sinal de NMR recebido. A corrente resultante de valores I e Q digitalizados do sina de NMR recebido pode então ser empregada para reconstruir uma imagem. O acelerador de formação de imagem provido pode ser utilizado para a reconstrução da imagem de maneira a se obter uma qualidade aumentada.

[0050] O controlador (201) pode compreender ou ser acoplado a um console operador (não mostrado) que pode incluir dispositivos de entrada (por exemplo, teclado) e painel de controle e um display. Por exemplo, o controlador pode conter portas de entrada/saída (I/O) conectadas a um dispositivo de I/O tal como um display, teclado e impressora. Em alguns casos, o console operador pode se comunicar por meio da rede com o sistema de computador (210) que possibilita que um operador controle a produção e apresentação de imagens em uma tela do display. As imagens podem ser imagens de MR com qualidade aumentada obtidas de acordo com um esquema de obtenção acelerada. O esquema de obtenção de imagem pode ser determinado automaticamente pelo acelerador de formação de imagem (240) e/ou por um usuário como descrito mais adiante neste documento.

[0051] O sistema de MRI (200) pode compreender uma interface de usuário. A interface de usuário pode ser configurada para receber a entrada do usuário e produzir informação para um usuário. A entrada do usuário pode estar relacionada ao controle de obtenção de imagem. A entrada do usuário pode estar relacionada à operação do sistema de MRI (por exemplo, certas configurações de limite para o controle da execução do programa, parâmetros para o controle da estimativa de união da sensibilidade da bobina e a reconstrução de imagem etc.). A entrada do usuário pode estar relacionada a várias operações ou configurações a cerca do acelerador de formação de imagem. A entrada do usuário pode incluir, por exemplo, uma seleção de um local alvo, configurações de apresentação de uma imagem reconstruída, preferência de apresentação customizadas, seleção de um esquema de obtenção, configurações de um esquema de obtenção selecionado e vários outros. A interface de usuário pode incluir uma tela tal como uma tela de toque e qualquer outro dispositivo externo interativo com usuário tal como controlador manual, mouse, joystick, teclado, trackball, touchpad, botão, comandos verbais, reconhecimento de gesto, sensor de atitude, sensor térmico, sensores de toque capacitivo, pedais de comutação ou qualquer outro dispositivo.

[0052] A plataforma de MRI (200) pode compreender sistemas de computador (210) e sistemas de base de dados (220), que podem interagir com o controlador. O sistema de computador pode compreender um computador laptop, um computador desktop, um servidor central, sistema de computação distribuído etc. O processor pode ser um processador de hardware tal como uma unidade de processamento central (CPU), uma unidade de processamento gráfico (GPU), uma unidade de processamento de propósito geral, que pode ser um processador de núcleo único ou de múltiplos núcleos, uma pluralidade de processadores para processamento em paralelo, na forma de arquiteturas espaciais refinadas tais como arranjo de portas programáveis em campo (“field programmable gate array” -FPGA), um circuito integrado de aplicação específica (ASIC), e/ou um ou mais processadores Advanced RISC Machine (ARM). O processador pode ser quaisquer circuitos integrados adequados, tais como plataformas de computação ou microprocessadores, dispositivos lógicos e semelhantes. Embora o relatório seja descrito com referência a um processador, outros tipos de circuitos integrados e dispositivos lógicos são também aplicáveis. Os processadores ou máquinas não estão limitados à capacidade de operação de dados. Os processadores ou máquinas podem realizar operações de dados de 512 bit, 256 bit, 128 bit, 64 bit, 32 bit ou 16 bit. Detalhes relativos ao sistema de computador são descritos em relação à FIG. 3.

[0053] O sistema de MRI (200) pode compreender uma ou mais bases de dados. A uma ou mais bases de dados (220) podem utilizar quaisquer técnicas adequadas de base de dados. Por exemplo, uma base de dados de linguagem de consulta estruturada (SQL) ou “NoSQL” pode ser utilizada para armazenar dados de imagem de MR, dados brutos de imagem, dados de imagem reconstruída, conjunto de dados de treinamentos, modelo treinado, parâmetros de um esquema de obtenção etc. Algumas das bases de dados podem ser implementadas pela utilização de várias estruturas de dados padrão, tal como uma matriz, hash, lista (vinculada), estrutura, arquivo de texto estruturado (por exemplo, XML), tabela, JSON, NOSQL e/ou semelhantes. Tais estruturas de dados podem ser armazenadas em memória e/ou em arquivos (estruturados). Em uma outra alternativa, uma base de dados orientada para objeto pode ser utilizada. Bases de dados de objetos podem incluir um número de coleções de objetos que são agrupados e/ou vinculados em conjunto por atributos em comum; podem estar relacionados a outras coleções de objetos por alguns atributo em comum. As bases de dados orientadas para objeto realizam similaridade a bases de dados relacionais com a exceção de que os objetos não são apenas peças de dados, mas podem apresentar outros tipos de funcionalidade incorporados em um dado objeto. Se a base de dados do presente relatório for implementada como uma estrutura de dados, o uso da base de dados do presente relatório pode ser integrada em um outro componente tal como o componente da presente invenção. Também, a base de dados pode ser implementada como uma mistura de estruturas de dados, objetos e estruturas relacionais. As bases de dados podem ser consolidadas e/ou distribuídas em variações por meio de técnicas de processamento de dados padrão. Partes das bases de dados, por exemplo, tabelas, podem ser exportadas e/ou importadas e, então, descentralizadas e/ou integradas.

[0054] A rede (230) pode estabelecer conexões entre os componentes na plataforma de MRI e uma conexão do sistema de MRI a sistemas externos. A rede (230) pode compreender qualquer combinação de redes de área local e/ou de área ampla pela utilização tanto de sistemas de comunicação sem fio quanto por fio. Por exemplo, a rede (230) pode incluir a Internet, bem como redes de telefone móvel. Em uma realização, a rede (230) utiliza tecnologias ou protocolos de comunicação padrão. Desta forma, a rede (230) pode incluir vínculos que utilizam tecnologias tais como Ethernet, 802.11, interoperabilidade mundial para acesso de micro-ondas (“worldwide interoperability for microwave access” - WiMAX), protocolos de comunicação móvel 2G/3G/4G, modo de transferência assíncrono (ATM), InfiniBand, PCI Express Advanced Switching etc. Outros protocolos de rede utilizados na rede (230) podem incluir comutação de rótulos multiprotocolo (MPLS), o protocolo de controle de transmissão/protocolo de Internet (TCP/IP), o Protocolo de Datagrama de Usuário (“User Datagram Protocol” - UDP), o protocolo de transporte de hipertexto (HTTP), o protocolo de transferência de correio simples (SMTP), o protocolo de transferência de arquivo (FTP) e semelhantes. Os dados intercambiados na rede podem ser representados pela utilização de tecnologias e/ou formatos incluindo dados de imagem na forma binária (por exemplo, Gráficos Portáteis de Redes (“Portable Networks Graphics” - PNG)), a linguagem de marcação de hipertexto (HTML), e linguagem de marcação extensível (XML) etc. em adição, todos ou alguns dos vínculos podem ser criptografados pela utilização de tecnologias de criptografia convencionais tais como camadas seguras de soquete (SSL), segurança de camada de transporte (TLS), segurança de Protocolo de Internet (IPsec) etc. Em uma outra realização, as entidades na rede podem utilizar tecnologias de comunicação de dados customizada e/ou dedicada em vez de ou em adição a, as descritas acima. Esquema de Obtenção

[0055] Em algumas realizações, o acelerador de formação de imagem de MR do presente relatório pode capacitar a obtenção acelerada de imagem com qualidade de imagem melhorada. Em alguns casos, um esquema de obtenção pode ser selecionado e/ou determinado automaticamente pelo acelerador de formação de imagem. Em alguns casos, um esquema de obtenção pode ser selecionado ou definido por um usuário. Um ou mais parâmetros de um esquema de obtenção podem incluir, por exemplo, o número de etapas de codificação, amostragem padrão do espaço k, resolução de imagem, campo de visão, velocidade de escaneamento, esquemas de amostragem tais como padrão, regiões de amostragem completa, regiões sub-amostradas e várias outras. Em alguns casos, o esquema de obtenção pode incluir também a seleção de um método de reconstrução ou configuração de um ou mais parâmetros relacionados a um método de reconstrução. Sistema acelerador de formação de imagem

[0056] A FIG. 3 mostra um diagrama de blocos de um exemplo de um sistema acelerador de formação de imagem de MR (300), de acordo com realizações do presente relatório. O sistema acelerador de formação de imagem de MR (300) pode compreender um acelerador de formação de imagem de MR (240) que pode ser o mesmo que o acelerador de formação de imagem descrito na FIG. 2. O acelerador de formação de imagem de MR (240) pode compreender componentes múltiplos, incluindo, mas não se limitando a, um módulo de treinamento de acelerador (302), um módulo de reconstrução de imagem (304), um módulo de obtenção de MRI (306) e um módulo de interface de usuário (308).

[0057] O módulo de treinamento de acelerador (302) pode ser configurado para se obter e gerenciar os conjuntos de dados de treinamentos. O módulo de treinamento de acelerador (302) pode compreender um algoritmo de aprendizagem profunda tal como uma rede neural convolucional (CNN). O módulo de treinamento de acelerador pode ser configurado para implementar os métodos de aprendizagem em máquina como descrito acima. O módulo de treinamento de acelerador pode treinar um modelo off-line. Alternativamente ou adicionalmente, o módulo de treinamento de acelerador pode utilizar dados de tempo real como opinião para refinar o modelo.

[0058] O módulo de reconstrução de imagem (304) pode ser configurado para reconstruir imagens utilizando um modelo treinado obtido pelo módulo de treinamento de acelerador. O módulo de reconstrução de imagem pode tomar uma ou mais imagens do espaço k ou dados de imagem de qualidade mais baixa de MR como entrada e produzir dados de imagem de MR com qualidade aumentada.

[0059] O módulo de obtenção de MRI interativo (306) pode ser acoplado de forma operacional ao módulo de reconstrução de imagem e/ou ao controlador do sistema de MRI. O módulo de obtenção de MRI interativo (306) pode ser configurado para gerar um esquema de obtenção. Em alguns casos, o módulo de obtenção de MRI interativo pode receber uma entrada do usuário indicando uma aceleração desejada (por exemplo, fator de aceleração, velocidade de obtenção, resolução de imagem, campo de visão, região alvo etc.). Em resposta à recepção da aceleração alvo ou desejada, o módulo de obtenção de MRI interativo pode rodar testes em um ou mais esquemas de obtenção e elementos de maneira a determinar um esquema de obtenção ótimo. O esquema de obtenção ótimo pode ser determinado com base em uma regra predeterminada. Por exemplo, o esquema de obtenção ótimo pode ser determinado com base na qualidade da imagem de saída. Por exemplo, pode ser selecionado um esquema de obtenção que atende ao objetivo de aceleração alvo enquanto provendo imagens de melhor qualidade. Em alguns casos, o módulo de obtenção de MRI interativo pode permitir que um usuário defina um esquema de obtenção. Em resposta à recepção de um esquema de obtenção definido pelo usuário, o módulo de obtenção de MRI interativo pode rodar simulações e gerar imagens de saída associadas com o esquema de obtenção. Um usuário pode ou não ajustar adicionalmente o esquema de obtenção de maneira a alterar a qualidade ou outras características da imagens de saída. O esquema de obtenção determinado pode então ser transmitido para o controlador do sistema de MRI de maneira a controlar a operação do sistema de formação de imagem como descrito aqui. O módulo de obtenção de MRI interativo pode ser acoplado de forma operacional ao módulo de interface de usuário (308) para receber a entrada do usuário e produzir um esquema de obtenção auto gerado ou imagens simuladas.

[0060] O módulo de interface de usuário (308) pode renderizar uma interface gráfica de usuário (GUI) (340) permitindo que um usuário selecione um esquema de obtenção, modifique um ou mais parâmetros de um esquema de obtenção, visualize informação relacionada às configurações de formação de imagem e de obtenção e semelhantes. A GUI pode mostrar elementos gráficos que permitem que um usuário visualize ou acesse informação relacionada à obtenção de imagem. Uma interface gráfica de usuário pode conter vários elementos interativos tais como botões, caixas de texto e semelhantes, que podem permitir que um usuário proveja comandos ou conteúdos de entrada digitando, clicando ou arrastando diretamente tais elementos interativos. Por exemplo, um usuário pode criar ou modificar manualmente um padrão de escaneamento, selecionar um fator de aceleração e configurar outros parâmetros por meio da GUI. Detalhes adicionais são descritos mais adiante com respeito à FIG. 4.

[0061] Em alguns casos, a interface gráfica de usuário (GUI) ou interface de usuário pode ser provida em um display (335). O display pode ou não ser uma tela de toque. O display pode ser uma tela de diodo emissor de luz (LED), tela de diodo emissor de luz orgânico (OLED), tela de cristal líquido (LCD), tela de plasma ou qualquer outro tipo de tela. O display pode ser configurado para mostrar uma interface de usuário (UI) ou uma interface gráfica de usuário (GUI) renderizada por meio de um aplicativo (por exemplo, por meio de uma interface de programação de aplicativo (API) executada no sistema de computador local ou em nuvem).

[0062] O sistema acelerador de formação de imagem (300) pode ser implementado em software, hardware, firmware, incorporado em hardware, hardware autônomo, hardware de aplicação específica ou qualquer combinação destes. O sistema acelerador de formação de imagem, módulos, componentes, algoritmos e técnicas podem incluir a implementação em um ou mais programas de computador que são executáveis e/ou interpretáveis em um sistema programável incluindo pelo menos um processador programável, que pode ser de propósito especial ou geral, acoplado para receber dados e instruções de e transmitir dados e instruções para um sistema de armazenamento, pelo menos um dispositivo de entrada e pelo menos um dispositivo de saída. Estes programas de computador (também conhecidos como programas, software, aplicativos ou códigos de software) podem incluir instruções de máquina para um processador programável e podem ser implementados em uma linguagem de programação procedural de alto nível e/ou de programação orientada para objeto, e/ou em linguagem de montagem/máquina. Tal como utilizados aqui, os termos “meio legível em máquina” e “meio legível em computador” referem-se a qualquer programa de computador, aparelho e/ou dispositivo (tal como discos magnéticos, discos óticos, memória ou Dispositivos Lógicos Programáveis (PLDs)) utilizados para prover instruções de máquina e/ou dados para um processador programável. O sistema acelerador de formação de imagem pode ser um sistema autônomo que é separado do sistema de formação de imagem de MR. Alternativamente ou em adição, o sistema acelerador de formação de imagem pode ser integral com o sistema de formação de imagem de MR tal como um componente de um controlador do sistema de formação de imagem de MR.

[0063] Em alguns casos, o sistema acelerador de formação de imagem pode empregar um paradigma de inteligência de borda onde o processamento de dados e melhora da imagem de MR são realizados na borda ou porta de entrada da borda (sistema de MRI). Em alguns casos, o modelo de aprendizagem em máquina pode ser construído, desenvolvido e treinado em nuvem/centro de dados e rodado no sistema de MRI (por exemplo, acelerador de hardware). Por exemplo, o software que roda em borda pode ser o módulo de reconstrução de imagem (304). O software que roda em nuvem ou em um ambiente local pode ser o módulo de treinamento de acelerador para o treinamento, desenvolvimento e gerenciamento dos modelos de aprendizagem profunda ou o módulo de obtenção de MRI interativo (306) de maneira a configurar remotamente o controlador de MRI.

[0064] A FIG. 4 mostra exemplos de determinação de um esquema de obtenção por meio do módulo de obtenção de MRI interativo mencionado anteriormente. Um esquema de obtenção pode ser determinado autonomamente, semi-autonomamente ou manualmente. Em um modo totalmente automático (400), o acelerador de formação de imagem pode ser configurado para determinar automaticamente um esquema de obtenção ótimo. Por exemplo, um usuário pode dar entrada, por meio de uma interface de usuário, de uma aceleração alvo. A aceleração alvo pode ser provida por meio de quaisquer formatos adequados na GUI mencionada anteriormente, tal como uma seleção de um cardápio do tipo “drop-down”, manipulação de um elemento gráfico (por exemplo, barra deslizante), entrada direta em uma caixa de texto (por exemplo, entrada de um fator de aceleração) ou através de outros meios tais como comando de voz e semelhantes. A aceleração pode estar relacionada a um aspecto da obtenção de imagem, incluindo, mas não se limitando a, fator de aceleração, velocidade de obtenção, resolução de imagem, campo de visão e região alvo. Em um exemplo, a aceleração alvo pode ser uma seleção de „obtenção rápida‟, „obtenção média‟, „obtenção lenta‟. Em um outro exemplo, a aceleração alvo pode ser um fator de aceleração tal como um fator de 1.5, 2, 3, 4, 5, 10, 15, 16, 17, 18, 19, 20, um fator de um valor acima de 20 ou abaixo de 1.5 ou um valor entre dois dos valores mencionados anteriormente.

[0065] Em algumas realizações, em resposta à recepção da aceleração alvo, uma simulação de um ou mais esquemas de obtenção pode ser realizada de maneira a se determinar um esquema de obtenção ótimo. Em alguns casos, o um ou mais esquemas de obtenção podem ser aplicados a fragmentos de imagem para aumentar a velocidade de computação na simulação. O esquema de obtenção ótimo pode ser determinado com base em uma regra predeterminada. Por exemplo, o esquema de obtenção ótimo pode ser determinado com base na qualidade da imagem de saída (fragmento). Por exemplo, pode ser selecionado um esquema de obtenção que atende ao objetivo de aceleração alvo enquanto provendo as imagens de melhor qualidade. Em alguns casos, o esquema de obtenção determinado pode ser mostrado para um usuário para aprovação posterior ou para ajuste posterior. O esquema de obtenção aprovado ou determinado pode ser transmitido para o controlador do sistema de MRI para o controle da operação de formação de imagem consistente com o descrito aqui.

[0066] Em alguns casos, um usuário pode ser permitido definir um esquema de obtenção de uma maneira semi-autônoma (410). Um usuário pode especificar um ou mais parâmetros de um esquema de obtenção. Em resposta à recepção do esquema de obtenção, o módulo de obtenção de MRI interativo pode rodar simulações e imagens de saída associadas com o esquema de obtenção. Um usuário pode ou não ajustar adicionalmente o esquema de obtenção de maneira a alterar a qualidade ou outras características da imagens de saída. Em alguns casos, um usuário pode ser provido com um ajuste auxiliado pelo sistema. Em alguns casos, um usuário pode ajustar manualmente um ou mais parâmetros pela visualização das imagens de saída simuladas em um display. No exemplo (420) ilustrado, um usuário pode receber uma imagem de qualidade mais baixa (esquerda) e uma imagem de qualidade mais alta simulada (direita) que pode ser obtida pelo esquema de obtenção atual. Em alguns casos, a imagem simulada pode ser atualizada dinamicamente enquanto o usuário ajusta um ou mais parâmetros do esquema de obtenção. O esquema de obtenção determinado pode então ser transmitido para o controlador do sistema de MRI para controlar as operações do sistema de formação de imagem como descrito aqui.

[0067] O presente relatório provê sistemas de computador que são programados para implementar os métodos do relatório. Com referência de volta à FIG. 3, um sistema de computador (300) é programado ou de alguma outra forma configurado para gerenciar e/ou implementar um acelerador de formação de imagem de MR e suas operações. O sistema de computador (300) pode regular vários aspectos das FIGs. 1-2 do presente relatório, tais como, por exemplo, o sistema magnético, o módulo de treinamento de acelerador, o módulo de reconstrução de imagem, o módulo de obtenção de MRI interativo, o módulo de interface de usuário e os métodos ilustrados na FIG. 4 e na FIG. 5.

[0068] O sistema de computador (300) pode incluir uma unidade de processamento central (CPU, também “processador” e “processador de computador” aqui), uma unidade de processamento gráfico (GPU), uma unidade de processamento de propósito geral, que pode ser um processador de núcleo único ou de núcleos múltiplos ou uma pluralidade de processadores para processamento em paralelo. O sistema de computador (300) pode incluir também uma memória ou local de memória (por exemplo, memória de acesso randômico, memória de apenas leitura, memória flash), unidade de armazenamento eletrônico (por exemplo, disco rígido), interface de comunicação (por exemplo, adaptador de rede) para comunicação com um ou mais outros sistemas e dispositivos periféricos (335, 220), tais como cache, outra memória, armazenamento de dados e/ou adaptadores de apresentação eletrônicos. A memória, unidade de armazenamento, interface e dispositivos periféricos estão em comunicação com a CPU por meio de barramento de comunicação (linhas sólidas), tais como uma placa mãe. A unidade de armazenamento pode ser uma unidade de armazenamento de dados (ou repositório de dados) para o armazenamento de dados. O sistema de computador (300) pode ser acoplado de forma operacional a uma rede de computador (“rede”) (230) com o auxílio da interface de comunicação. A rede (230) pode ser a Internet, uma internet e/ou extranet ou uma intranet e/ou extranet que está em comunicação com a Internet. A rede (230) em alguns casos é uma rede de telecomunicação e/ou dados. A rede (230) pode incluir um ou mais servidores de computador, os quais podem permitir computação distribuída, tal como computação em nuvem. A rede (230), em alguns casos com o auxílio do sistema de computador (300), pode implementar uma rede do tipo “peer-to-peer”, que pode permitir que dispositivos acoplados ao sistema de computador (300) se comportem como um cliente ou como um servidor.

[0069] A CPU pode executar uma sequência de instruções legíveis em máquina, que podem estar incorporadas em um programa ou software. As instruções podem ser armazenadas em um local de memória, tal como a memória. As instruções pode ser direcionadas para a CPU, que pode subsequentemente programar ou de alguma outra forma configurar a CPU para implementar os métodos do presente relatório. Exemplos de operações realizadas pela CPU podem incluir busca, decodificação, execução e write-back.

[0070] A CPU pode ser parte de um circuito, tal como um circuito integrado. Um ou mais outros componentes do sistema podem ser incluídos no circuito. Em alguns casos, o circuito é um circuito integrado de aplicação específica (ASIC).

[0071] A unidade de armazenamento pode armazenar arquivos, tais como drivers, bibliotecas e programas salvos. A unidade de armazenamento pode armazenar dados do usuário, por exemplo, as preferências dos usuário e programas do usuário. O sistema de computador (300), em alguns casos, pode incluir uma ou mais unidades de armazenamento de dados adicionais que são externas ao sistema de computador, tal como localizadas em um servidor remoto que está em comunicação por meio de uma intranet ou da Internet.

[0072] O sistema de computador (300) pode se comunicar com um ou mais sistemas de computadores remotos por meio da rede (230). Por exemplo, o sistema de computador (300) pode se comunicar com um sistema de computador remoto de um usuário ou uma plataforma de participação (por exemplo, operador). Exemplos de sistemas de computadores remotos incluem computadores pessoais (por exemplo, PC portátil), slate ou tablet (por exemplo, Apple® iPad, Samsung® Galaxy Tab), telefones, telefones inteligentes (por exemplo, Apple® iPhone, dispositivo Android, Blackberry®) ou assistentes pessoais digitais. O usuário pode acessar o sistema de computador (300) por meio da rede (230).

[0073] Os métodos como descritos aqui podem ser implementados por meio de código executável em máquina (por exemplo, processador de computador) armazenado em um local de armazenamento eletrônico do sistema de computador (300), tal como, por exemplo, na memória ou na unidade de armazenamento eletrônico. O código executável em máquina ou legível em máquina pode ser provido na forma de software. Durante o uso, o código pode ser executado pelo processador. Em alguns casos, o código pode ser recuperado de uma unidade de armazenamento e armazenado na memória para acesso imediato pelo processador. Em algumas situações, a unidade de armazenamento eletrônico pode ser impedida e as instruções executáveis em máquina são armazenadas na memória.

[0074] O código pode ser compilado previamente e configurado para uso com uma máquina contendo um processador adaptado para executar o código ou pode ser compilado durante o tempo de execução. O código pode ser fornecido em uma linguagem de programação que pode ser selecionada para possibilitar que o código execute de maneira compilada previamente ou como compilada.

[0075] Os aspectos dos sistemas e métodos providos aqui, tal como o sistema de computador (300), podem ser incorporados em programação. Vários aspectos da tecnologia podem ser pensados como “produtos” ou “artigos de manufatura” tipicamente na forma de código executável em máquina (ou processador) e/ou dados associados que são conduzidos ou incorporados em um tipo de meio legível em máquina. O código executável em máquina pode ser armazenado em uma unidade de armazenamento eletrônico, tal como uma memória (por exemplo, memória de leitura apenas, memória de acesso randômico, memória flash) ou um disco rígido. O meio do tipo de “armazenamento” pode incluir qualquer uma ou todas as memórias tangíveis dos computadores, processadores ou semelhantes ou módulos associados destes, tais como memórias semicondutoras, drive de fita, drive de disco e semelhantes, os quais podem prover um armazenamento não transitório a qualquer tempo para a programação do software. Todo ou partes do software podem em momentos se comunicarem por meio da Internet ou várias outras redes de telecomunicação. Tais comunicações, por exemplo, podem possibilitar o carregamento do software a partir de um computador ou processador para um outro, por exemplo, de um servidor de gerenciamento ou computador hospedeiro para a plataforma do computador de um servidor de aplicativo. Desta forma, um outro tipo de meio que pode conter os elementos de software inclui ondas óticas, elétricas e eletromagnéticas, tais como as utilizadas em interfaces físicas entre dispositivos locais, por meio de redes fixas com fio e óticas e por várias ligações aéreas. Os elementos físicos que carregam tais ondas, tais como ligações por fio ou sem fio, ligações óticas ou semelhantes, também podem ser considerados como meios contendo o software. Tal como utilizados aqui, a não ser que restritos a meios de “armazenamento” não transitórios tangíveis, termos tais como “meio legível em” computador ou máquina referem-se a qualquer meio que participe no provimento de instruções para um processador para execução.

[0076] Desta forma, um meio legível em máquina, tal como código executável em computador, pode assumir muitas formas, incluindo, mas não se limitando a, um meio de armazenamento tangível, um meio portador de onda ou meio de transmissão físico. Os meios de armazenamento não volátil incluem, por exemplo, discos óticos ou magnéticos, tais como quaisquer dos dispositivos de armazenamento em qualquer (quaisquer) computador (es) ou semelhantes, tais que possam ser utilizados para implementar as bases de dados etc. mostradas nos desenhos. Os meios de armazenamento volátil incluem memória dinâmica, tal como a memória principal de tal plataforma de computador. Os meios de transmissão tangível incluem cabos coaxiais; fio de cobre e fibras óticas, incluindo os fios que compreendem um barramento dentro de um a sistema de computador. Os meios de transmissão portadores de onda podem assumir a forma de sinais elétricos ou eletromagnéticos ou ondas acústicas ou luminosas tais como as geradas durante as comunicações de dados de rádio frequência (RF)

e de infravermelho (IR). As formas comuns de meios legíveis em computador, desta forma, incluem, por exemplo: um disquete, um disco flexível, um disco rígido, fita magnética, qualquer outro meio magnético, um CD-ROM, DVD ou DVD-ROM, qualquer outro meio ótico, cartões perfurados, qualquer outro meio de armazenamento físico com padrões de perfurações, uma RAM, uma ROM, uma PROM e EPROM, uma FLASH-EPROM, qualquer outro chip ou cartucho de memória, uma onda portadora que transporta dados ou instruções, cabos ou vínculos que transportam tal onda portadora ou qualquer outro meio a partir do qual um computador pode ser o código e/ou dados de programação. Muitas destas formas de meios legíveis em computador podem estar envolvidas no carregamento de uma ou mais sequências de uma ou mais instruções para um processador para execução. O sistema de computador (300) pode incluir ou estar em comunicação com um display eletrônico (335) que compreende uma interface de usuário (UI) (340) para o provimento de, por exemplo, apresentação de imagens reconstruídas, esquemas de obtenção, por exemplo. Exemplos de UIs incluem, sem limitação, uma interface gráfica de usuário (GUI) e interface de usuário baseada em rede. A GUI pode ser renderizada pelo módulo de interface de usuário (308).

[0077] Os métodos e sistemas do presente relatório podem ser implementados por meio de um ou mais algoritmos. Um algoritmo pode ser implementado por meio de software pela execução pela unidade de processamento central. Por exemplo, algumas realizações utilizam o algoritmo ilustrado na FIG. 4 e na FIG. 5 ou outros algoritmos providos nas descrições associadas acima.

[0078] A FIG. 5 ilustra um exemplo de método (500) para aumentar a qualidade de imagem de MR com obtenção acelerada. As imagens de MR podem ser obtidas a partir do sistema de formação de imagem de MR (operação (510)) para o treinamento de um modelo de aprendizagem profunda. As imagens de MR podem ser utilizadas para formar conjuntos de dados de treinamento (operação (520)). O conjunto de dados de treinamento pode compreender imagem de qualidade relativamente mais baixa data e dados de imagem de qualidade mais alta correspondente (isto é, dados verdadeiros fundamentais). O conjunto de dados de treinamento pode compreender imagens de baixa qualidade obtidas a partir de dispositivos de formação de imagem. Por exemplo, a imagem de entrada de baixa qualidade pode ser obtida simplesmente por meio da Transformada de Fourier inversa (FT) dos dados sub-amostrados (por exemplo, dados do espaço k). O conjunto de dados de treinamento pode compreender conjuntos de dados aumentados obtidos a partir de simulação. Por exemplo, os dados de imagem de base de dados clínicos podem ser utilizados para gerar imagem de baixa qualidade data. Em um exemplo, a FFT e filtros podem ser aplicados para dados brutos de imagem para transformá-los em dados de imagem de baixa qualidade tal como pela aplicação de máscaras para remover certos pontos de dados de maneira a criar objetos. Similarmente, dados de imagem de entrada de qualidade mais alta podem ser obtidos a partir da obtenção direta de imagem com tempo de obtenção mais longo. Em um exemplo, o conjunto de dados de treinamento pode ser dados de imagem de volume em 3D compreendendo fatias axiais múltiplas e cada fatia pode ser imagens de valor complexo cada uma pode incluir dois canais para componentes reais e imaginários.

[0079] A etapa de treinamento (530) pode compreender um algoritmo de aprendizagem profunda consistente com o presente relatório. O algoritmo de aprendizagem profunda pode ser uma rede neural convolucional, por exemplo. Em alguns casos, o algoritmo de aprendizagem profunda pode ser uma rede de aprendizagem residual profunda. O acelerador treinado pode ser então utilizado para transformar uma imagem de qualidade mais baixa de MR em uma imagem de MR de qualidade mais alta com um esquema de aceleração selecionado. O esquema de aceleração pode ser determinado pela recepção de uma aceleração alvo de um usuário (operação (540)) então realizar simulações em uma pluralidade de esquemas de obtenção para determinar um esquema de obtenção ótimo (operação (550)). Alternativamente ou em adição, o esquema de obtenção pode ser determinado pela recepção de um esquema de obtenção especificado pelo usuário (operação (540)) então gerar resultados de simulação em tempo real (operação (570)) para mostrar as imagens de saída simuladas sob o esquema de obtenção (operação (570)). Um usuário pode confirmar ou ajustar adicionalmente o esquema de obtenção pela visualização das imagens de saída simuladas (operação (580)).

[0080] Embora a FIG. 5 mostre um método de acordo com algumas realizações, um técnico no assunto irá reconhecer que existem muitas adaptações para as várias realizações. Por exemplo, as operações podem ser realizadas em qualquer ordem. Algumas das operações podem ser omitidas, algumas das operações podem ser realizadas concorrentemente em uma etapa, algumas das operações repetidas e algumas das operações podem compreender sub-etapas de outras operações.

[0081] Sempre que os termos “pelo menos”, “maior que” ou “maior ou igual a” precedem o primeiro valor numérico em uma série de dois ou mais valores numéricos, os termos “pelo menos”, “maior que” ou “maior ou igual a” se aplicam a cada um dos valores numéricos nesta série de valores numéricos. Por exemplo, maior ou igual a 1, 2 ou 3 é equivalente a maior ou igual a 1, maior ou igual a 2 ou maior ou igual a 3.

[0082] Sempre que os termos “não mais que”, “menor que”, ou “menor ou igual a” precedes o primeiro valor numérico em uma série de dois ou mais valores numéricos, os termos “não mais que”, “menor que” ou “menor ou igual a” se aplicam a cada um dos valores numéricos nesta série de valores numéricos. Por exemplo, menor ou igual a 3, 2 ou 1 é equivalente a menor ou igual a 3, menor ou igual a 2 ou menor ou igual a 1.

[0083] Tal como utilizados aqui A e/ou B englobam um ou mais de A ou de B e combinações destes tais como A e B. Será entendido que embora os termos

“primeiro”, “segundo”, “terceiro” etc. são utilizados aqui para descrever vários elementos, componentes, regiões e/ou seções, estes elementos, componentes, regiões e/ou seções não devem ser imitados por estes termos. Estes termos são utilizados meramente para distinguir um elemento, componente, região ou seção de um outro elemento, componente, região ou seção. Desta forma, o primeiro elemento, componente, região ou seção discutida aqui poderia ser denominado um segundo elemento, componente, região ou seção sem se afastar dos ensinamentos da presente invenção.

[0084] A terminologia utilizada aqui tem o propósito apenas de descrever realizações particulares e não se destina a limitar a invenção. Tal como utilizadas aqui, as formas no singular “um”, “uma” e “o/a” incluem também as formas no plural, a não ser que o contexto claramente indique diferentemente. Deve ser adicionalmente entendido que os termos “compreende” e/ou “compreendendo”, ou “inclui” e/ou “incluindo”, quando utilizados neste relatório, especificam a presença de características, regiões, números inteiros, etapas, operações, elementos e/ou componentes indicados, mas não excluem a presença ou adição de uma ou mais outras características, regiões, números inteiros, etapas, operações, elementos, componentes e/ou grupos destes.

[0085] A referência por todo este relatório a “algumas realizações” ou “uma realização”, significa que uma característica ou estrutura descritas em conexão com a realização está incluída em pelo menos uma realização. Desta forma, a existência da frase “em algumas realizações” ou “em uma realização”, em vários locais por todo este relatório não necessariamente todas se referem à mesma realização. Além disto, as característica ou estruturas podem ser combinadas em qualquer maneira adequada em uma ou mais realizações.

[0086] Embora realizações preferidas da presente invenção tenham sido mostradas e descritas aqui, será óbvio para os técnicos no assunto que tais realizações são providas apenas como exemplo. Não é pretendido que a invenção seja limitada por exemplos específicos providos no relatório. Embora a invenção tenha sido descrita com referência ao relatório mencionado anteriormente, as descrições e ilustrações das realizações aqui não devem ser consideradas em um sentido limitante.

Numerosas variações, alterações e substituições irão ocorrer aos técnicos no assunto sem se afastarem da invenção.

Além disto, deve ser entendido que todos os aspectos da invenção não estão limitados às apresentações, configurações ou proporções relativas específicas mostradas aqui que dependem de uma variedade de condições e variáveis.

Deve ser entendido que várias alternativas às realizações da invenção descrita aqui podem ser empregadas na prática da invenção.

Desta forma, é contemplado o fato da invenção cobrir quaisquer de tais alternativas, modificações, variações ou equivalentes.

Pretende-se que as reivindicações anexas definam o escopo da invenção e que os métodos e estruturas dentro do escopo destas reivindicações e suas equivalentes estejam cobertos por estas.

Claims

REIVINDICAÇÕES

1. Método implementado em computador para aumentar a qualidade de imagem com tempo de obtenção reduzido, caracterizado pelo fato de compreender: (a) a determinação de um esquema de obtenção de imagem acelerada para a formação de imagem de um indivíduo pela utilização de um aparelho de formação de imagem médica; (b) a obtenção, pela utilização do aparelho de formação de imagem médica, de uma imagem médica do indivíduo de acordo com o esquema de obtenção de imagem acelerada; (c) a aplicação de um modelo de rede profunda à imagem médica de maneira a aumentar a qualidade da imagem médica; e (d) a produção de uma imagem de qualidade aumentada do indivíduo para análise por um médico.

2. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato da imagem médica incluir uma imagem de ressonância magnética.

3. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato da determinação do esquema de obtenção de imagem acelerada compreender: (i) a recepção de um fator de aceleração alvo ou velocidade de obtenção alvo por meio de uma interface gráfica de usuário, e (ii) a seleção do esquema de obtenção de imagem acelerada a partir de uma pluralidade de esquemas de obtenção de imagem acelerada com base no fator de aceleração alvo ou na velocidade de obtenção alvo.

4. Método implementado em computador de acordo com a reivindicação 3, caracterizado pelo fato da seleção do esquema de obtenção de imagem acelerada compreender a aplicação da pluralidade de esquemas de obtenção de imagem acelerada a uma parte da imagem médica para simulação.

5. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato do esquema de obtenção de imagem acelerada ser determinado com base na entrada do usuário e nas imagens produzidas simuladas em tempo real.

6. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato do esquema de obtenção de imagem acelerada compreender um ou mais parâmetros relacionados a um espaço k sub-amostrado, um padrão de sub-amostragem e um número reduzido de repetições.

7. Método implementado em computador de acordo com a reivindicação 6, caracterizado pelo fato do padrão de sub-amostragem ser selecionado a partir de um grupo consistindo em um padrão de sub-amostragem uniforme, um padrão de sub-amostragem randômico e um padrão de sub-amostragem variável.

8. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato da imagem médica compreender a imagem do espaço k sub-amostrado ou a imagem obtida pela utilização de um número reduzido de repetições.

9. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato do modelo de aprendizagem profunda ser treinado com métricas otimizadas de forma adaptativa com base na entrada do usuário e imagens produzidas simuladas em tempo real.

10. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato do modelo de aprendizagem profunda ser treinado pela utilização de um conjunto de dados de treinamentos compreendendo pelo menos uma imagem de baixa qualidade e uma imagem de alta qualidade.

11. Método implementado em computador de acordo com a reivindicação 10, caracterizado pelo fato da imagem de baixa qualidade ser gerada pela aplicação de um ou mais filtros ou adição de ruído sintético à imagem de alta qualidade de maneira a criar ruído ou objetos de sub-amostragem.

12. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato do modelo de aprendizagem profunda ser treinado pela utilização de fragmentos de imagem que compreendem uma parte de pelo menos uma imagem de baixa qualidade e uma imagem de alta qualidade.

13. Método implementado em computador de acordo com a reivindicação 12, caracterizado pelo fato dos fragmentos de imagem serem selecionados com base em uma ou mais métricas que quantificam uma similaridade de imagem.

14. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato do modelo de aprendizagem profunda ser um modelo de aprendizagem profunda residual.

15. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato do modelo de aprendizagem profunda ser treinado pelo ajuste de forma adaptativa de um ou mais parâmetros de modelo de maneira a aproximar uma imagem de referência.

16. Método implementado em computador de acordo com a reivindicação 1, caracterizado pelo fato da qualidade imagem aumentada do indivíduo ser uma SNR maior, resolução maior ou menos aliasing em comparação com a imagem médica obtida pela utilização do aparelho de formação de imagem médica.

17. Meio de armazenamento legível em computador não transitório incluindo instruções que, quando executadas por um ou mais processadores, fazem com que o um ou mais processadores realizem operações caracterizado pelo fato de compreender: (a) a determinação de um esquema de obtenção de imagem acelerada para a formação de imagem de um indivíduo pela utilização de um aparelho de formação de imagem médica;

(b) a obtenção, pela utilização do aparelho de formação de imagem médica, de uma imagem médica do indivíduo de acordo com o esquema de obtenção de imagem acelerada; (c) a aplicação de um modelo de rede profunda à imagem médica de maneira a aumentar a qualidade da imagem médica; e (d) a produção de uma imagem de qualidade aumentada do indivíduo para análise por um médico.

18. Meio de armazenamento legível em computador não transitório de acordo com a reivindicação 17, caracterizado pelo fato da imagem médica incluir uma imagem de ressonância magnética.

19. Meio de armazenamento legível em computador não transitório de acordo com a reivindicação 17, caracterizado pelo fato do esquema de obtenção de imagem acelerada ser determinado com base na entrada do usuário e nas imagens produzidas simuladas em tempo real.

20. Meio de armazenamento legível em computador não transitório de acordo com a reivindicação 17, caracterizado pelo fato do esquema de obtenção de imagem acelerada compreender um ou mais parâmetros relacionados a um espaço k sub-amostrado, um padrão de sub-amostragem e um número reduzido de repetições.