CN101512555A - 迭代图像重构 - Google Patents

迭代图像重构 Download PDF

Info

Publication number
CN101512555A
CN101512555A CNA2007800337507A CN200780033750A CN101512555A CN 101512555 A CN101512555 A CN 101512555A CN A2007800337507 A CNA2007800337507 A CN A2007800337507A CN 200780033750 A CN200780033750 A CN 200780033750A CN 101512555 A CN101512555 A CN 101512555A
Authority
CN
China
Prior art keywords
data set
equipment
constraint
logic
reconstruct
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2007800337507A
Other languages
English (en)
Other versions
CN101512555B (zh
Inventor
马克·A·格里斯沃尔德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Case Western Reserve University
Original Assignee
Case Western Reserve University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Case Western Reserve University filed Critical Case Western Reserve University
Publication of CN101512555A publication Critical patent/CN101512555A/zh
Application granted granted Critical
Publication of CN101512555B publication Critical patent/CN101512555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/4824—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a non-Cartesian trajectory
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

描述了使用由约束图像重构过程处理产生的图像作为正向迭代重构过程处理中的约束的系统和方法。一种示例系统可包括约束重构逻辑，以接收具有初始格式的初始数据，并产生图像数据。该示例系统可包括迭代重构逻辑，用于使用该图像数据作为正向迭代步骤中的约束并且基于比较该图像数据与参考数据来计算校正因子。该示例系统可包括解构逻辑，以将该图像数据解构为具有该初始格式的解构后的图像数据，并且至少部分基于该校正因子来选择性地更新该解构后的图像数据。

Description

迭代图像重构
技术领域
在这里描述的系统、方法、计算机可读介质等一般涉及磁共振成像(MRI)领域。它们获得到图像重构的具体应用。
背景技术
磁共振成像(MRI)的目标在于对对象的横向磁化的空间分布进行成像。为此，可以检查点r处的局部性质。可以使用梯度磁铁(gradient magnet)在主磁场B0中隔离点r。可以利用射频(RF)脉冲来激励对象中的自旋(spin)，导致它们进入更高的能量状态，并然后以已知的频率(f)旋进(precess)，同时它们在返回到它们的低能量状态时释放多余能量。RF接收线圈(组)可以接收该多余能量。RF接收线圈可以在空间上是非选择性的，并因而可以集成在整卷上。所接收的信号S(t)可以表示为：
S ( t ) = ∫ x Mxy ( x ) e - i 2 πk ( t ) x dx
其中S(t)为释放它们能量的所有点产生的所有信号之和。然而，可以关注每个点r处的局部性质。并发处理(complicating processing)是来自其他点的数据可以影响用于描述一点的局部性质的数据的事实。查看点的局部性质可以包括对图像的空间频率成分进行采样并然后重构图像。将所接收的数据与所重构的图像进行比较促进了确定重构处理工作得如何正确(例如，准确)。尽管描述了MR成像，但类似的问题可能也存在于其他成像方法(例如，计算机断层成像(CT)、正电子发射断层成像(PET)、单光子发射计算机断层成像(SPECT))。
图像重构是将原始数据变换为空间图像的处理，其中空间图像如实地表示从其接收原始数据的对象。图像重构可以被看作涉及基于关于系统输出的认识来标识到系统的输入的逆问题。规则化(regularization)涉及将输入的一些期望性质并入用于标识输入的计算。一般地，MR图像重构可以被看作涉及给出k空间信号s(k)来求解图像I(x)的问题，其中：
S ( k ) = ∫ - ∞ ∞ I ( x ) e - i 2 πkΔkx dx
其中，-N<＝k<＝N。
如果采样了完整k空间，则在信号域和频率域之间将存在一对一关系。然而，获取完整k空间样本可能是不切实际的。代替地，可以获取部分获取。部分获取还可能在其他成像方法中发生。利用部分获取，理论上无穷多的图像可以匹配所收集的k空间样本。此外，所重构的图像可以包括与欠采样相关的伪像(artifact)。所以，挑战在于利用表示少于所有可用信号的信号S(k)来构成良好的图像I(x)，其中信号S(k)可以是有噪的，并且挑战在于以及时的方式来实现上述操作。
用于改善所重构的图像的技术涉及“填充”部分k空间的缺失数据。各种技术可以用于提供所述缺失数据。例如，可以对缺失位置进行零填充，其中将零放入没有对其提供k空间信号的位置。这一般不是令人满意的。其他技术可以包括：例如，共轭合成(conjugate synthesis)、Margosian直接方法(Margosian direct method)、零差解调(homodyne demodulation)、Cupper的迭代方法(Cupper’s iterative method)、基于凸集迭代投影(POCS，iterativeprojection onto convex sets)、单值分解(singular value decomposition)等。还可以采用迭代方法用于各种上下文中成功的各种量。然而，从部分k空间进行重构的这些并且绝大多数重构方法可能遭受与欠采样相关的伪像。
因而，关注尝试校正伪像的重构方法。这些方法参与发现如实地表示正被成像的对象的“校正后的图像”。在这些方案中，图像形成处理可被看作理想图像I(x，y)和所测量的k空间信号S(k，l)之间的线性变换，所述理想图像I(x，y)将完美地表示从其接收了k空间信号的对象，其中，例如：
S ( k , l ) = &Sigma; x = 0 M - l &Sigma; y = 0 N - l I ( x , y ) A ( x , y , k , l )
其中，A(x，y，k，l)取决于ΔB0，即改变的B0场。
将该方程变换为傅立叶变换后的重构的图像I’(x’，y’)和理想图像I(x，y)之间的关系产生了：
I &prime; ( x &prime; , y &prime; ) = &Sigma; x = 0 M - l &Sigma; y = 0 N - l I ( x , y ) K ( x , y , x &prime; , y &prime; )
其中，K(x，y，x’，y’)取决于A的逆傅立叶变换。
因此，断定发现校正后的图像涉及求解方程的线性系统。存在用于求解方程的线性系统的不同方法。例如，方法包括：共轭梯度(CG)、最速下降(SD)等。因而，可以将到重构的一种方案看作求解：
I’n＝KnIn，
其中，I(x，y)是理想图像，I’(x’，y’)是重构的图像，而K是表示图像的几何畸变的度量的矩阵。
可以将这看作一般类型的线性方程系统：
Ax＝b
使用CG方法来很好地求解它。
使用CG方法，人们可以尝试最小化：
F(x)＝1/2xTAx-bTx
以消除错误
e＝Ax-b。
通过设A＝K、b＝I’而x＝I，CG方法可以用于求解标准方程：
KHKI＝KHI’。
表示一示例CG方法的以下步骤可以用于求解KHKI＝KHI’。
建立初始解I0作为畸变图像I’
计算第一留数r0＝I’-KI0
计算第一方向ρ0＝Kr0
重复
计算 C m = | | K H r m | | 2 2
计算 D m = | | K &rho; m | | 2 2
计算am＝cm/dm
更新解Im+1＝Im+amρm
更新留数rm+1＝rm-amKρm
计算 C m = | | K H r m + 1 | | 2 2 / C m
更新方向ρm+1＝KHrm+1+cmρm
m＝m+1
直到满足终止条件。
以上方法一般地描述了在图像重构期间迭代处理(例如，CG)可以如何进行。注意，正向迭代步骤是不受约束的。
发明内容
附图说明
附图图示了阐明本发明各方面的各种示例实施例的各种示例系统、方法等，所述附图并入并构成说明书的一部分。将理解，在附图中所图示的元件边界(例如，框、框组、或其他形状)表示边界的一个示例。本领域的普通技术人员将理解：在一些示例中，一个元件可以被设计为多个元件，多个元件可以被设计为一个元件；被示出为另一元件的内部组件的元件可以被实现为外部组件，并且反之亦然等。此外，可以不按比例绘制元件。
现有技术图1图示了与传统的高度约束投影重构(HYPR，highlyconstrained projection reconstruction)处理相关联的处理和数据。
现有技术图2图示了与传统的共轭梯度(CG)图像重构处理相关联的处理和数据。
图3图示了与采用约束重构的输出作为正向迭代步骤中的约束的迭代图像重构相关联的处理和数据。
图4图示了配置有重构逻辑的示例MRI设备。
图5图示了其中在这里阐明的示例系统和方法可以操作的示例计算机，该计算机可操作为可连接到MRI设备。
图6图示了与采用约束重构的输出作为正向迭代步骤中的约束的迭代图像重构相关联的处理和数据。
图7图示了与采用约束重构的输出作为正向迭代步骤中的约束的迭代图像重构相关联的方法。
具体实施方式
在背景技术中提出的方法一般地描述了在图像重构期间迭代处理(例如，CG)可以如何进行。注意，正向迭代步骤是不受约束的。在这里描述的示例系统和方法包括对正向迭代步骤的约束。在一示例中，由高度约束投影重构(HYPR)产生的图像可以操作为用于图像重构的迭代解中的正向迭代步骤的约束。
约束投影重构方法不预期从所有可能的位置接收信号。仅通过从特定位置查找、接受、和处理信号，甚至在面对包含在邻近位置处变化的时间过程(time course)的数据的严重欠采样时，也可以重构相对来说不存在伪像的图像。例如，这些特定位置可以与使用HYPR产生的图像有关。约束的特性可以指示可构成多么不存在伪像的图像。传统的约束重构可以不理会原始数据和从所述原始数据重构的图像之间的不一致性。相反地，示例方法标识参考数据(例如，原始数据、部分校正数据)和从所述数据重构的图像之间的不一致性。一旦标识不一致性，示例方法就可尝试改善约束图像(例如，复合物(composite))和/或就可尝试改善促进将参考数据与重构图像相关的校正数据。例如，可以通过使用共轭梯度(CG)方法、最速下降(SD)方法等，来生成所述改善。
下面描述一个示例方法的一般流程：
获取单一原始数据集
从原始数据构成复合物(或建立另一约束)
建立参考数据集
使用约束重构方法来重构复合图像
重复
{
    标识参考数据和重构图像之间的差别
    确定与重构图像和原始数据相关的校正因子
    更新参考数据
    使用参考数据和校正因子来重构复合图像
}
直到(满足终止条件)为止
尽管该方法描述了标识参考数据和重构图像之间的差别，但是将理解，也可以采取其他方案。例如，可以做出原始数据和重构图像之间的差别。例如，参考数据可以是通过重复/直到(repeat/until)循环的较早迭代的结果。
HYPR促进了加快磁共振(MR)获取，并因而已被用于包括MR血管造影术的应用中。在HYPR中，从一组单独帧创建复合物。复合物包含MR信号的可能位置。通过将处理限制到已知已从其接收信号的位置，可以在更短的获取时间中获得更好的图像质量。获取少于所有正常所需要的数据可被称为欠采样。欠采样典型地导致伪像(例如，图像拖尾伪像)。通过约束从其处理信号的位置，可以在传统系统上减少这些伪像。
可以从复合帧创建重构图像。使用HYPR，重构图像中的信噪比(SNR)将更多地取决于复合帧中的信号，而不是单独时间帧中的信号。该情况促进了减轻与每个单位时限的SNR相关联的问题。
以下包括了在这里采用的所选择的术语的定义。定义包括落入术语范围内的并且可以用于实现的组件的各种示例和/或形式。这些示例不意欲进行限制。术语的单数和复数形式两者可以在所述定义之内。
在这里使用的“计算机可读介质”是指参与直接或间接提供信号、指令和/或数据的介质。计算机可读介质可以采用以下形式，所述形式包括但不限于：非易失性介质、易失性介质、和传送介质。计算机可读介质的普通形式包括但不限于：软盘、硬盘、磁带、CD-ROM、其他光学介质、RAM、存储芯片或卡、载波/脉冲、以及计算机、处理器或其他电子装置可以从其进行读取的其他介质。可以将用于在网络(如，因特网)上传播指令或其他软件的信号看作“计算机可读介质”。
在这里使用的“数据存储器”是指可以存储数据的物理和/或逻辑实体。例如，数据存储器可以是数据库、表格、文件、列表、队列、堆阵、存储器、寄存器等。数据存储器可以驻留于一个逻辑和/或物理实体中，和/或可以被分布于两个或多个逻辑和/或物理实体之间。
在这里使用的“逻辑”包括但不限于：硬件、固件、软件和/或每个的组合，以执行(多个)功能或(多个)动作，和/或从另一逻辑、方法、和/或系统引发功能或动作。逻辑可以采用以下形式，所述形式包括：软件控制微处理器、离散逻辑(如，专用集成电路(ASIC))、编程逻辑装置、包含指令的存储装置等。逻辑可以包括：一个或多个门电路、门电路的组合、或其他电路组件。在描述了多个逻辑的逻辑(logical logic)的情况下，可能将多个逻辑的逻辑合并为一个物理的逻辑(physical logic)。类似的，在描述了单一逻辑的逻辑的情况下，可能在多个物理的逻辑之间分布所述单一逻辑的逻辑。
“可操作的连接”、或通过其“可操作地连接”实体的连接是其中可以发送和/或接收信号、物理通信、和/或逻辑通信的连接。典型地，可操作的连接包括：物理接口、电接口、和/或数据接口，但将注意，可操作的连接可以包括足以允许可操作的控制的这些或其他类型的连接的不同组合。例如，可以通过使得能够直接或通过一个或多个中间实体(如，处理器、操作系统、逻辑、软件、或其他实体)彼此传输信号，来可操作地连接两个实体。逻辑和/或物理通信信道可以用于创建可操作的连接。
在这里使用的“软件”包括但不限于：可以被读取、解释、编译、和/或执行并且导致计算机、处理器、或其他电子装置执行功能、动作和/或以所期望的方式运转的一个或多个计算机或处理器指令。可以以各种形式(如，例程、算法、模块、方法、线程、和/或包括来自动态和/或静态链接库的单独应用或代码的程序)来实施该指令。可以以各种可执行和/或可加载的形式来实现软件，所述形式包括但不限于：单机程序、功能调用(本地和/或远程)、servelet、applet、在存储器中存储的指令、部分操作系统或其他类型的可执行指令。将理解，软件的形式例如可以取决于所期望的应用的需要、该软件运行的环境、和/或设计者/程序员的期望等。还将理解，计算机可读和/或可执行指令可以位于一个逻辑中，和/或分布于两个或多个通信、协作、和/或并行处理逻辑之间，并因而可以以串行、并行、大规模并行和其他方式来加载和/或执行所述指令。
可以使用编程语言和工具(如，Java、C++、汇编、固件、微代码、和/或其他语言和工具)，来产生用于执行在这里描述的示例系统和方法的各种组件的适当软件。可以将软件(不管是整个系统还是系统的组件)实施为制造品(article of manufacture)，并且维持或提供为如先前所定义的计算机可读介质的部分。软件的另一形式可以包括在网络或其他通信介质上向接收方传送软件的程序代码的信号。因而，在一个示例中，计算机可读介质具有事实上被下载到用户的软件/固件的信号的形式。在另一示例中，计算机可读介质具有事实上在服务器上维持的软件/固件的形式。
在这里使用的“用户”包括但不限于：一个或多个人、软件、计算机或其他装置、或这些的组合。
以对存储器内的数据比特的运算的算法和符号表示，来呈现以下的详细描述中的一些部分。这些算法描述和表示是本领域技术人员用来向其他人传递他们的工作实质的手段。这里并且一般地，将算法理解为产生结果的一连串运算。所述运算可以包括物理量的物理操纵(manipulation)。尽管是非必须地，但通常来说，物理量采用能够被存储、转移、组合、比较、和以别的方式在逻辑中操纵等的电或磁信号的形式。
主要因为公共使用的原因，已经多次证明将这些信号称为比特、值、元素、符号、字符、术语、数字等是便利的。然而，应记住，这些和类似的术语将与适当的物理量相关联，并且仅仅是应用于这些量的方便标签。除非以别的方式特别地陈述，可理解，贯穿说明书中，术语(如，处理、计算、运算、确定、显示等)是指对被表示为物理(电子)量的数据进行操纵和变换的计算机系统、逻辑、处理器、或类似电子装置的动作和处理。
参考现有技术图1和图2的处理和数据流程图，可以更好地理解传统方法。然而，为了简化说明的目的，将所阐明的方法示出和描述为一系列的块，将理解，所述块的顺序不限制该方法，这是因为一些块可以与除了所示出和描述的块之外的其他块以不同的顺序和/或同时出现。而且，可以需要少于所有所图示的块来实现示例方法。此外，附加和/或可替换的方法可以采用附加的、未图示的块。
在流程图中，块表明可以利用逻辑实现的“处理块”。处理块可以表示方法步骤和/或用于执行该方法步骤的设备元件。流程图没有描绘用于任何具体编程语言、方法、或风格(例如，过程的、面向对象的)的语法。相反地，流程图图示了本领域技术人员可以采用以开发用于执行所图示的处理的逻辑的功能信息。将理解，在一些示例中，未示出程序元素(如，时间变量、例程循环等)。将进一步理解，电子和软件应用可以涉及动态和灵活的处理，使得可以以不同于所示出的次序的其他次序来执行所图示的块和/或使得可以将块组合或分隔为多个组件。将理解，可以使用各种编程方式(如，机器语言、过程的、面向对象的、和/或人工智能技术)来实现所述处理。
现有技术图1图示了与传统的HYPR重构处理相关联的处理和数据。所得到的HYPR图像199可以被用作迭代重构处理(例如，CG、SD)中的约束。例如，HYPR图像199可以被用于控制从其接受信号的位置。在时间t0、t1、..tn处，获取多个中间层(interleaf)(例如，帧102、104、..108)。这些帧可以被组合为复合帧110，从该复合帧110可以重构复合图像120。帧110或图像120两者都将不具有时间解析度(resolution)。
例如，使用Radon变换逻辑130，可以将复合图像120投影到被放射状采样的平面，以产生复合图像120的正弦图(sinogram)140。然后，例如可以使用正弦图除法逻辑160，来将与单独帧(例如，102、104、..108)相关联的正弦图(例如，152、154、..158)除以复合图像的正弦图140。然后，例如可以使用反向投影逻辑180，将所得到的数据(例如，所除出的正弦图170)不过滤地反向投影到图像域中，以创建单独帧图像190。然后，例如可以使用帧/图像乘法逻辑195来将单独帧图像190乘以复合图像120，以产生最后的重构图像199。
从与现有技术图1相关联地执行的处理中可以看出，单独图像(例如，102、104、..108)可以被看为复合图像120的加权。加权概念促进了充分利用图像的稀疏，以允许对图像进行严重的欠采样。当不同时间信号时间过程在图像的宽分隔的区域处发生时，现有技术图1所图示的传统的HYPR处理执行良好。这是加权因子图像的相当低的空间解析度的结果。然而，当不同的时间信号时间过程接近一起发生时(例如，邻近的静脉和动脉)，HYPR重构可提供少于所期望的结果。
该应用描述了对于迭代重构处理的修改。通过不将约束重构看作完整的重构本身，而将其看作迭代图像重构处理的可校正的约束，修改出现。举例来说，HYPR图像199可以被用作图像重构的CG方法中的正向迭代步骤中的约束。另外举例来说，HYPR图像199可以被用作图像重构的SD方法中的步骤中的约束(例如，参见图6)。在这些图像重构方法中，HYPR图像199可以被用作允许迭代方法比非约束迭代方法更快地收敛的接近最佳的约束。
现有技术图2图示了与传统的CG重构方法相关联的处理和数据。可以向网格化(gridding)逻辑220提供初始数据210，所述网格化逻辑220将初始数据210置于原始数据域中的所期望的(例如，正确的)位置，以产生网格化后的原始数据域数据。在一些示例中，网格化逻辑220还可以填充由于部分获取造成的数据缺失。网格化后的原始数据域数据可以被提供到快速傅立叶变换(FFT)逻辑230。FFT逻辑230对网格化后的原始数据域数据执行FFT，并且将变换后的数据提供到CG逻辑240。然后，CG逻辑240可以将第一数据集(例如，初始数据210)与变换后的数据进行比较，以确定要应用于改善(例如，优化)第一数据集和变换后的数据之间的一致的校正因子。
然后，例如可以通过去网格化逻辑250来解构(例如，Radon变换、去网格化)图像数据，以产生解构后的数据。然后，例如可以基于校正因子来更新解构后的数据。该解构后的数据然后被提供到网格化逻辑220以开始另一周期。处理可以继续，例如直到CG逻辑240确定不提供附加校正因子为止。举例来说，CG逻辑240可以确定过程已经收敛，可以确定预定的、可配置的次数的迭代已经发生等。CG逻辑240可以产生图像260。例如，可以通过现有技术图2所图示的处理在每次迭代中更新图像260。
图3图示了与使用约束重构(例如，HYPR)的结果作为正向处理步骤中的约束的重构方法(例如CG)相关联的处理和数据。在一个示例中，向约束重构逻辑320(例如，HYPR重构逻辑)提供初始数据310，以产生重构后的图像330(例如，HYPR重构后的图像)。可以从例如MR设备、CT设备、PET设备、SPECT设备等接收初始数据310。尽管描述了HYPR重构逻辑320，但是将理解，可以采用其他约束重构逻辑。在一个示例中，初始数据310可以包括从单独接收机接收并且被单独保存的多组数据。在另一示例中，初始数据310可以包括从单独接收机接收并且被组合为一组单一组合后的信号的多组数据。
例如如果原始数据310包括具有不同的信号时间过程的放置得很近的像素，则图像330可以包括某些位置中的人为信号(artifactual signal)。可以向迭代重构逻辑340(例如，CG逻辑)提供图像330，所述迭代重构逻辑340将识别其中人为信号出现的位置。迭代重构逻辑340可以将所述位置识别为例如其中重构图像330与参考数据集(例如，初始数据310)不同的位置。迭代重构逻辑340不向传统系统那样简单地接收或忽略伪像，而是可以产生校正因子，以尝试缩小差别。
因而，然后，例如可以通过解构逻辑350(例如，去网格化逻辑)来解构(例如，radon变换、去网格化)图像数据，以产生解构后的数据。例如，可以基于校正因子来校正该解构后的数据。该校正后的数据然后可被提供到约束重构逻辑320以开始另一周期。处理可以继续，例如直到CG逻辑340确定该过程已经收敛为止。CG逻辑340也可以提供图像360。例如，可以通过图3所图示的处理在每次迭代中更新图像360。
与传统的HYPR处理不同，即使当邻近像素具有不同的信号时间过程时，图3所图示的处理也促进了重构精确的(例如，不存在伪像并且没有被瞬间模糊的)图像。此外，传统的HYPR重构可能需要用户基于所期望的图像的现有认知而提供的输入。在这里描述的示例系统和方法不需要类似的用户输入。另外，因为甚至可以采用包括狭窄分隔的时间过程的投影、而不是仅采用具有宽分割的时间过程的投影来生成复合物，所以可以更简单地定义复合图像。因而，CG逻辑340可以校正当其执行HYPR重构时、由于HYPR逻辑320使用的非理想复合物造成的残留伪像。图3所图示的处理可以比单纯的HYPR方法得到较少的SNR，然而，它将产生比从单纯的HYPR方法得到的时间解析度大得多的时间解析度。因而，该处理可以在例如实时心脏成像中有价值。
尽管图3图示了串行发生的各种动作，但是将理解，图3所图示的各种动作实际上也可以并行发生。举例来说，第一过程可以执行约束重构(例如，HYPR)，而第二过程可以执行迭代重构过程(例如，CG、SD)，并且第三过程可以解构数据(例如，去网格化)。尽管描述了三个过程，但是将理解，可以采用更大和/或更小数量的过程，并且可以采用轻便过程、正规过程、线程、和其他方式。将理解，其他示例方法在一些情况下也可包括实际上并行发生的动作。
图4图示了被配置以产生对象的MR图像的示例MRI设备400。设备400可以是许多不同类型的MRI设备之一，例如，西门子1.5T奏鸣曲成像器(Siemens 1.5T Sonata imager)。设备400包括：(多个)基本场磁铁410和基本场磁铁供应420。理想地，基本场磁铁410将产生均匀的B0场。然而，在实践中，B0场可能不均匀，并且可以在正被MRI设备400成像的对象上变化。MRI设备400可以包括：被配置以发射梯度磁场(如，GS、GP和GR)的梯度线圈430。梯度线圈供应440可以至少部分地控制梯度线圈430。
MRI设备400也可以包括：被配置以生成RF脉冲并且从RF脉冲指向的对象接收所得到的磁共振信号的(多个)RF天线450。在一个示例中，可以采用单独的RF传送和接收线圈。RF传送-接收单元460可以至少部分地控制RF天线450。控制计算机470可以至少部分地控制梯度线圈供应440和RF传送-接收单元460。在一个示例中，可以对控制计算机470编程以执行如在这里描述的那些方法的方法，和/或控制重构逻辑490执行如在这里描述的那些方法的方法。在一个示例中，MRI设备400可以包括多个信号接收机(例如，天线、线圈)。因而，在一个示例中，重构逻辑490可以对从单独接收机接收的信号执行一组约束重构。在另一示例中，重构逻辑490可以对从两个或多个接收机接收的组合信号执行约束重构。
可以采用从RF天线450接收的MR信号来生成图像，并因而所述MR信号可以经历变换过程(如，生成像素化(pixilate)的图像数据的二维FFT)。图像计算机480或其他类似处理装置可以执行该变换。在一个示例中，可以对图像计算机480编程以执行如在这里描述的那些方法的方法，和/或控制重构逻辑490执行如在这里描述的那些方法的方法。然后可以在显示器499上示出图像数据。
尽管图4图示了包括以各种方式连接的各种组件的示例MRI设备400，但是将理解，其他MRI设备可以包括以其他方式连接的其他组件。在一个示例中，为了实现在这里描述的示例系统和方法，MRI设备400可以被配置有重构逻辑490。在不同的示例中，重构逻辑490可以永久地和/或可拆卸地附着于MRI设备。尽管将重构逻辑490图示为连接到控制计算机490和图像计算机480的单一逻辑，但是将理解，重构逻辑490可以分布在设备400的其他元件之间和/或可操作为连接到设备400的其他元件。重构逻辑490可以被配置以接收原始数据和执行约束重构方法(例如，HYPR)，以产生可被用作正向迭代重构过程中的约束的图像。
图5图示了其中在这里图示的示例方法可以操作并且其中可以实现示例重构逻辑的示例计算机500。在不同的示例中，计算机500可以是MRI设备的部分，或可以可操作为可连接到MRI设备。
计算机500包括：可操作为通过总线508连接的处理器502、存储器504、和输入/输出端口510。在一个示例中，计算机500可包括：被配置为执行迭代重构方法的重构逻辑530，所述迭代重构方法使用约束重构方法产生的图像作为重构中的正向迭代步骤的约束。因而，重构逻辑530(无论在计算机500中被实现为硬件、固件、软件、和/或其组合)可以提供用于接收MR数据的部件(例如，硬件、软件)、用于对MR数据执行HYPR重构的部件(例如，硬件、软件)、和用于使用HYPR重构的结果作为正向迭代步骤中的约束来执行迭代重构的部件(例如，硬件、软件)。在不同的示例中，重构逻辑530可以永久地和/或可拆卸地附着于接收机500。
处理器502可以是包括双微处理器和其他多处理器架构的各种各样的处理器。存储器504可以包括易失性存储器和/或非易失性存储器。磁盘506可以例如经由输入/输出接口(例如，卡、装置)518和输入/输出端口510来可操作地连接到计算机500。盘506可以包括但不限于：如磁盘驱动器的装置、带驱动器、Zip驱动器、闪存卡、和/或存储棒。此外，盘506可以包括光学驱动器，如CD-ROM和/或数字视频ROM驱动器(DVD ROM)。例如，存储器504可以存储过程514和/或数据516。盘506和/或存储器504可以存储控制和分配计算机500的资源的操作系统。
总线508可以是单一内部总线互联架构和/或其他总线或网状架构。尽管图示了单一总线，但是将理解，计算机500可以使用未图示的其他总线(例如，PCIE、SATA、无限宽带(Infiniband)、1394、USB、以太网)来与各种装置、逻辑、和外围设备进行通信。
计算机500可经由i/o接口518和输入/输出端口510来与输入/输出装置互相作用。输入/输出装置可以包括但不限于：键盘、麦克风、定点和选择装置、相机、视频卡、显示器、盘506、网络装置520等。输入/输出端口510可以包括但不限于：串行端口、并行端口、和USB端口。
计算机500可以在网络环境中操作，并因而可以经由i/o接口518和/或i/o端口510连接到网络装置520。通过网络装置520，计算机500可以与网络进行互相作用。在一个示例中，计算机500可以通过网络连接到其获取参数可以被动态改编的MRI设备。通过该网络，计算机500可以被逻辑地连接到远程计算机。计算机500与其相互作用的网络包括但不限于：局域网(LAN)、广域网(WAN)、和其他网络。
图6图示了与采用约束重构的输出作为正向迭代步骤中的约束的迭代图像重构相关联的处理和数据。可以向产生图像630的HYPR逻辑620提供初始数据610。然后可以向去网格化逻辑640提供图像630，所述去网格化逻辑640向最速下降逻辑650提供解构后的数据。最速下降逻辑650可以提供可以通过图像重构过程在每次迭代中更新的图像660。最速下降逻辑650还可以计算用于选择性地操纵参考数据的校正因子，所述参考数据然后通过HYPR和SD过程被提供用于另一迭代。
可以参考图7的处理和数据流程图来更好地理解示例方法。尽管为了简化说明的目的，将所阐明的方法示出和描述为一系列的块，但是将理解，所述块的顺序不限制该方法，这是因为一些块可以与除了所示出和描述的块之外的其他块以不同的顺序和/或同时出现。而且，可以需要少于所有所图示的块来实现示例方法。此外，附加和/或可替换的方法可以采用附加的、未图示的块。
图7图示了与采用约束重构的输出作为正向迭代步骤中的约束的迭代图像重构相关联的方法700。方法700可以在710中包括从参考数据集创建图像域数据集。例如，可以从磁共振(MR)、计算机断层成像(CT)设备、正电子发射断层成像(PET)设备、和单光子发射计算机断层成像(SPECT)设备接收参考数据集。例如，参考数据集可以是从MR设备收集的空间频率域数据集。在一个示例中，参考数据集可以是从其中信号集被组合为单组信号的一组接收机接收的一组信号集。在另一示例中，参考数据集可以是从一组接收机接收并在每个接收机的基础上被单独保存的一组信号。
方法700可以在720中包括从图像域数据集创建测试数据集。例如，创建测试数据集的步骤可以包括执行约束投影重构方法。在不同的示例中，创建测试数据集的步骤还可以包括执行迭代重构过程(例如，CG、SD)。
方法700在730中还可以包括例如基于测试数据集和参考数据集之间的差别来计算校正因子。例如，可以将原始空间频率域数据与解构后的图像数据进行比较，以确定构造/解构过程执行地如何精确。
可以在740中做出确定。例如，可以检查包括收敛因子、迭代计数等的终止条件。如果该确定是方法700应完成，则处理可以终止。然而，如果740中的确定是处理应该继续，则可以在750中更新参考数据集。可以至少部分基于在730中计算的校正因子来更新参考数据集。然后，处理可以返回到710，其中通过迭代方法的另一迭代可以开始。
在一个示例中，方法被实现为在计算机可读介质上提供的处理器可执行指令和/或操作。因而，在一个示例中，计算机可读介质可以存储可操作为执行以下方法的处理器可执行指令，所述方法包括：从参考数据集创建图像域数据集，从图像域数据集创建测试数据集，基于参考数据集和测试数据集之间的差别来计算校正因子，并且基于该校正因子来选择性地更新参考数据集，以及重复这些动作直到满足终止条件为止。尽管将该方法描述为被提供在计算机可读介质上，但是将理解在这里描述的其他示例方法也可以被提供在计算机可读介质上。
尽管已经通过描述示例而阐明了示例系统、方法等，并且尽管已经相当详细地描述了所述示例，但是本申请人不意欲将所附权利要求的范围约束或以任何方式限定为这种细节。当然，不可能为了描述在这里描述的系统、方法等的目的而描述组件或方法的每个可想到的组合。对于本领域技术人员来说，附加优点和修改将容易想到。因此，本发明不限于特定细节、代表性的设备、所示出和描述的说明性的示例。因而，该申请意欲包含落入所附权利要求内的变化、修改、和变型。此外，在前的描述不打算限制本发明的范围。相反地，本发明的范围将由所附权利要求和它们的等效物确定。
就在详细描述或权利要求中采用术语“包括”或“包含”来说，其意欲为包括性的，在某种意义上与当采用术语“含有”作为权利要求中的过渡词语时、该术语被解释的意思类似。此外，就在详细描述或权利要求中采用术语“或”(例如，A或B)来说，其意欲意谓“A或B或两者”。当本申请人意欲指明“仅A或B，而不是两者”时，那么将使用术语“仅A或B，而不是两者”。因而，在这里术语“或”的使用是包括性的，而不是排他性的使用。参见Bryan A.Garner，A Dictionary of Modern Legal Usage 624(2d.Ed.1995)(现代法律习语词典)。

Claims (20)

1.一种系统，包括：
约束重构逻辑，被配置为接收具有初始格式的初始数据，以从该初始数据建立参考数据，并从该参考数据产生图像数据；
迭代重构逻辑，被配置为使用该图像数据作为正向迭代过程正向迭代处理中的约束，并基于比较该图像数据与参考数据来计算校正因子；以及
解构逻辑，被配置为将该图像解构为具有初始格式的解构后的数据，并至少部分基于该校正因子和解构后的数据，来选择性地更新该参考数据。
2.根据权利要求1的系统，其中该约束重构逻辑执行HYPR重构。
3.根据权利要求1的系统，其中该迭代重构逻辑执行共轭梯度重构。
4.根据权利要求1的系统，其中该迭代重构逻辑执行最速下降重构。
5.根据权利要求1的系统，该初始数据为空间频率数据。
6.根据权利要求1的系统，该初始数据是从磁共振成像(MRI)设备、正电子发射断层成像(PET)设备、计算机断层成像(CT)设备、和单光子发射计算机断层成像(SPECT)设备之一中接收的。
7.一种设备，包括：
MRI设备；以及
重构逻辑，能够操作为连接到该MRI设备，该重构逻辑被配置为使用由约束重构产生的图像作为迭代图像重构中的正向迭代步骤中的约束。
8.根据权利要求7的设备，该重构逻辑为共轭梯度(CG)重构逻辑、和最速下降(SD)逻辑之一，该迭代图像重构为CG重构、和SD重构之一。
9.根据权利要求7的设备，该MRI设备包括多个信号接收机，并且其中该重构逻辑执行对从单独接收机接收的信号的一组约束重构、和对从两个或多个接收机接收的组合信号的约束重构之一。
10.根据权利要求7的设备，该约束重构为高度约束投影重构(HYPR)。
11.一种迭代重构方法，包括：
重复地进行以下操作，
从参考数据集创建图像域数据集，其中创建图像域数据集的步骤包括执行约束重构处理；
从该图像域数据集创建测试数据集；
基于该参考数据集和测试数据集之间的差别来计算校正因子；以及
至少部分基于该校正因子来选择性地更新该参考数据集；
直到已满足了终止条件为止。
12.根据权利要求11的方法，其中该约束重构处理是约束投影重构处理。
13.根据权利要求11的方法，其中创建图像域数据集的步骤包括执行高度约束投影重构(HYPR)。
14.根据权利要求12的方法，其中创建测试数据集的步骤包括执行共轭梯度(CG)重构处理。
15.根据权利要求12的方法，其中创建测试数据集的步骤包括执行最速下降(SD)重构处理。
16.根据权利要求12的方法，该参考数据集为以下两者之一：从一组接收机接收并且被组合为单组信号的一组信号集、和从一组接收机接收并且在每个接收机的基础上被单独保存的一组信号。
17.根据权利要求12的方法，该参考数据集是从计算机断层成像(CT)设备、正电子发射断层成像(PET)设备、和单光子发射计算机断层成像(SPECT)设备之一收集的。
18.根据权利要求12的方法，其中该终止条件与以下一个或多个有关：差别小于预定阈值、和已执行预定次数的迭代。
19.一种用于存储计算机可执行指令的计算机可读介质，当计算机执行所述指令时，所述指令导致计算机执行迭代重构方法，该方法包括：
重复地进行以下操作，
通过执行高度约束投影重构(HYPR)来从参考数据集创建图像域数据集，该参考数据集是从MR设备、CT设备、PET设备、和SPECT设备之一收集的；
通过执行CG重构、和SD重构之一来从该图像域数据集创建测试数据集；
基于该参考数据集和测试数据集之间的差别来计算校正因子；以及
至少部分基于校正因子来选择性地更新该参考数据集；
直到已满足终止条件为止。
20.一种系统，包括：
用于接收MR数据的部件；
用于对MR数据执行HYPR重构的部件；以及
用于使用该HYPR重构的结果作为正向迭代步骤中的约束来执行迭代重构的部件。
CN2007800337507A 2006-09-11 2007-03-21 迭代图像重构 Active CN101512555B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/519,105 US7558414B2 (en) 2006-09-11 2006-09-11 Iterative image reconstruction
US11/519,105 2006-09-11
PCT/US2007/007047 WO2008033165A2 (en) 2006-09-11 2007-03-21 Iterative image reconstruction

Publications (2)

Publication Number Publication Date
CN101512555A true CN101512555A (zh) 2009-08-19
CN101512555B CN101512555B (zh) 2012-05-02

Family

ID=39169738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2007800337507A Active CN101512555B (zh) 2006-09-11 2007-03-21 迭代图像重构

Country Status (3)

Country Link
US (1) US7558414B2 (zh)
CN (1) CN101512555B (zh)
WO (1) WO2008033165A2 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923056A (zh) * 2010-07-20 2010-12-22 南昌航空大学 一种非完全数据下的光学层析重建计算方法
CN104360381A (zh) * 2014-10-20 2015-02-18 李闯 一种地震资料的偏移成像处理方法
CN104751499A (zh) * 2013-12-31 2015-07-01 上海联影医疗科技有限公司 一种pet二维图像重建方法及装置
CN106990375A (zh) * 2015-12-10 2017-07-28 西门子保健有限责任公司 用于指纹重构的无字典mr参数推测
CN108918928A (zh) * 2018-09-11 2018-11-30 广东石油化工学院 一种负荷分解中功率信号自适应重构方法
CN110992433A (zh) * 2018-10-02 2020-04-10 通用电气公司 用于利用空数据一致性来稀疏图像重建的系统和方法
CN112697158A (zh) * 2020-12-03 2021-04-23 南京工业大学 一种用于室内外场景的人为回环即时定位和建图方法及系统

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004100070A1 (en) * 2003-05-06 2004-11-18 Philips Intellectual Property & Standards Gmbh Iterative method of determining a spatial distribution of values of a property
US8468189B2 (en) * 2006-11-08 2013-06-18 Okinawa Institute Of Science And Technology Promotion Corporation Iterated variational regularization combined with componentwise regularization
DE102007009209B3 (de) * 2007-02-26 2008-08-28 Siemens Ag Verfahren zur Erzeugung von zeitlich hochaufgelösten MR-Aufnahmen durch Multiplikation unterabgetasteter Bilder mit einem Mittelwertbild
WO2009082531A1 (en) 2007-12-20 2009-07-02 Wisconsin Alumni Research Foundation Method for prior image constrained image reconstruction
EP2232444B1 (en) * 2007-12-20 2011-10-12 Wisconsin Alumni Research Foundation Method for dynamic prior image constrained image reconstruction
EP2240906B1 (en) * 2008-01-14 2013-12-11 Wisconsin Alumni Research Foundation Method for prior image constrained progressive image reconstruction
US8326054B2 (en) * 2008-11-26 2012-12-04 Wisconsin Alumni Research Foundation Method for prior image constrained image reconstruction in cardiac cone beam computed tomography
US8111893B2 (en) * 2009-06-09 2012-02-07 Wisconsin Alumni Research Foundation Method for dynamic prior image constrained image reconstruction
US8577949B2 (en) * 2009-07-07 2013-11-05 L-3 Communications Integrated Systems, L.P. System for conjugate gradient linear iterative solvers
US8768095B2 (en) * 2009-08-14 2014-07-01 General Electric Company System and method for processing data signals
US8450693B2 (en) * 2009-12-11 2013-05-28 General Electric Company Method and system for fault-tolerant reconstruction of images
US8761478B2 (en) * 2009-12-15 2014-06-24 General Electric Company System and method for tomographic data acquisition and image reconstruction
US8929626B2 (en) * 2010-02-22 2015-01-06 Koninklijke Philips N.V. RF antenna arrangement and method for multi nuclei MR image reconstruction involving parallel MRI
US8204172B1 (en) 2010-03-17 2012-06-19 General Electric Company System and method of prior image constrained image reconstruction using short scan image data and objective function minimization
US8483463B2 (en) 2010-05-19 2013-07-09 Wisconsin Alumni Research Foundation Method for radiation dose reduction using prior image constrained image reconstruction
US8189735B2 (en) * 2010-07-22 2012-05-29 General Electric Company System and method for reconstruction of X-ray images
US8781243B2 (en) 2011-01-07 2014-07-15 Wisconsin Alumni Research Foundation Method for constrained reconstruction of high signal-to-noise ratio images
CN104025156B (zh) * 2011-12-13 2017-05-24 皇家飞利浦有限公司 用于基于利用正则化的迭代重建算法和/或去噪算法来处理图像的处理部件和方法
KR101340944B1 (ko) * 2011-12-21 2013-12-13 한국과학기술원 방사형 좌표계에서의 자기공명 영상 방법
US10564241B2 (en) * 2012-01-17 2020-02-18 Regents Of The University Of Minnesota Steering resonance along a trajectory
KR101375490B1 (ko) 2012-04-27 2014-03-17 가천대학교 산학협력단 Ｐｅｔ 장치의 구동을 이용한 초고해상도 ｐｅｔ 영상 획득 방법
US9208588B2 (en) 2013-09-25 2015-12-08 Wisconsin Alumni Research Foundation Fast statistical imaging reconstruction via denoised ordered-subset statistically-penalized algebraic reconstruction technique
DE102014216402B4 (de) * 2014-08-19 2018-12-27 Siemens Healthcare Gmbh Signalverarbeitung in einem Magnetresonanztomographiegerät
US11403792B2 (en) 2017-06-19 2022-08-02 Washington University Deep learning-assisted image reconstruction for tomographic imaging
US10551458B2 (en) 2017-06-29 2020-02-04 General Electric Company Method and systems for iteratively reconstructing multi-shot, multi-acquisition MRI data
CN110363824B (zh) * 2019-05-20 2022-02-15 南京医科大学 一种基于非线性作用函数的磁共振图像共轭梯度重构方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4851779A (en) * 1987-08-14 1989-07-25 Picker International, Inc. Three dimensional volume imaging with conjugate symmetrization
US6249595B1 (en) * 1998-01-22 2001-06-19 General Electric Company Iterative reconstruction for EPI
EP1029892B1 (de) * 1999-02-10 2002-06-05 Dr. Suwelack Skin & Health Care AG Beta-1,3-Glucan aus Euglena enthaltendes gefriergetrocknetes Erzeugnis, seine Herstellung und Verwendung
US6560353B1 (en) * 2000-03-21 2003-05-06 Magnetic Resonance Innovations, Inc. Method of MRI image reconstruction from partially acquired data in two or more dimensions using a multidimensional inverse transform technique
WO2001073463A1 (en) * 2000-03-24 2001-10-04 Koninklijke Philips Electronics N.V. Magnetic resonance imaging method with sub-sampling
DE10211485A1 (de) * 2002-03-15 2003-09-25 Philips Intellectual Property Verfahren zur Bestimmung einer Objektfunktion
US7429860B2 (en) * 2003-01-28 2008-09-30 University Of Southern California Noise reduction for spectroscopic signal processing
WO2005047919A1 (en) * 2003-11-12 2005-05-26 Invivo Corporation Method for generating fast magnetic resonance images
US7301342B2 (en) * 2005-04-15 2007-11-27 Case Western Reserve University Bunched phase encoding (BPE)
WO2007037951A2 (en) * 2005-09-22 2007-04-05 Wisconsin Alumni Research Foundation Reconstruction of motion encoded mr images involving a highly constrained backprojection

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923056A (zh) * 2010-07-20 2010-12-22 南昌航空大学 一种非完全数据下的光学层析重建计算方法
CN104751499A (zh) * 2013-12-31 2015-07-01 上海联影医疗科技有限公司 一种pet二维图像重建方法及装置
CN104360381A (zh) * 2014-10-20 2015-02-18 李闯 一种地震资料的偏移成像处理方法
CN104360381B (zh) * 2014-10-20 2018-03-06 李闯 一种地震资料的偏移成像处理方法
CN106990375A (zh) * 2015-12-10 2017-07-28 西门子保健有限责任公司 用于指纹重构的无字典mr参数推测
CN106990375B (zh) * 2015-12-10 2019-05-03 西门子保健有限责任公司 用于指纹重构的无字典mr参数推测
CN108918928A (zh) * 2018-09-11 2018-11-30 广东石油化工学院 一种负荷分解中功率信号自适应重构方法
CN108918928B (zh) * 2018-09-11 2020-11-10 广东石油化工学院 一种负荷分解中功率信号自适应重构方法
CN110992433A (zh) * 2018-10-02 2020-04-10 通用电气公司 用于利用空数据一致性来稀疏图像重建的系统和方法
CN110992433B (zh) * 2018-10-02 2024-02-27 通用电气公司 用于利用空数据一致性来稀疏图像重建的系统和方法
CN112697158A (zh) * 2020-12-03 2021-04-23 南京工业大学 一种用于室内外场景的人为回环即时定位和建图方法及系统

Also Published As

Publication number Publication date
WO2008033165A3 (en) 2008-11-20
US20080063247A1 (en) 2008-03-13
CN101512555B (zh) 2012-05-02
WO2008033165A2 (en) 2008-03-20
US7558414B2 (en) 2009-07-07

Similar Documents

Publication Publication Date Title
CN101512555B (zh) 迭代图像重构
Lin et al. Artificial intelligence for MR image reconstruction: an overview for clinicians
CN110992433B (zh) 用于利用空数据一致性来稀疏图像重建的系统和方法
Garyfallidis et al. Dipy, a library for the analysis of diffusion MRI data
Lee et al. Deep learning in MR image processing
Zhou et al. Limited view tomographic reconstruction using a cascaded residual dense spatial-channel attention network with projection data fidelity layer
CN103608825A (zh) 确定迭代影像重建中的像元映射的方法
US9939509B2 (en) Variable density incoherent spatiotemporal acquisition (VISTA) for highly accelerated magnetic resonance imaging
Cheng et al. Applications of artificial intelligence in nuclear medicine image generation
CN103261908A (zh) 用于估计动脉/组织/静脉动态系统的感兴趣的量的系统和方法
Sudarshan et al. Joint PET-MRI image reconstruction using a patch-based joint-dictionary prior
Deka et al. Compressed Sensing Magnetic Resonance Image Reconstruction Algorithms
CN103810731A (zh) 一种基于tv范数的pet图像重建方法
Lingala et al. Tracer kinetic models as temporal constraints during brain tumor DCE‐MRI reconstruction
Singh et al. Emerging trends in fast MRI using deep-learning reconstruction on undersampled k-space data: a systematic review
CN104173049A (zh) 用于借助磁共振断层成像系统记录图像数据组的方法
CN101198984A (zh) 用于发射断层摄影的噪声模型选择
WO2024093083A1 (zh) 一种基于变分自编码器的磁共振加权图像合成方法和装置
US20230186532A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
JP2022167159A (ja) 疑似データ生成装置、疑似データ生成方法および疑似データ生成プログラム
Tahaei MR-Guided PET Image Restoration for Neurological Applications
Cole Improved Data Representations and Data-efficient Methods in Deep Learning for MRI Applications
Goncharov et al. Nonparametric posterior learning for emission tomography with multimodal data
Martín González Parallelization and Deep Learning Techniques for the Registration and Reconstruction of Dynamic Cardiac Magnetic Resonance Imaging
Antoniano-Villalobos et al. Bayesian estimation of probabilistic sensitivity measures

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant