CN103384836A - 包含grappa算子的用于任意k空间轨迹的快速两步并行重建 - Google Patents

包含grappa算子的用于任意k空间轨迹的快速两步并行重建 Download PDF

Info

Publication number
CN103384836A
CN103384836A CN201180068184XA CN201180068184A CN103384836A CN 103384836 A CN103384836 A CN 103384836A CN 201180068184X A CN201180068184X A CN 201180068184XA CN 201180068184 A CN201180068184 A CN 201180068184A CN 103384836 A CN103384836 A CN 103384836A
Authority
CN
China
Prior art keywords
sample
data set
owing
ppi
space
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
CN201180068184XA
Other languages
English (en)
Other versions
CN103384836B (zh
Inventor
W·林
F·黄
M·富德勒
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN103384836A publication Critical patent/CN103384836A/zh
Application granted granted Critical
Publication of CN103384836B publication Critical patent/CN103384836B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • 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

Landscapes

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

Abstract

一种成像方法包括使用多个射频接收线圈来获取欠采样的磁共振部分并行成像（MR-PPI）数据集，以及重建欠采样的MR-PPI数据集以产生重建的磁共振（MR）图像。该重建包括：（i）使用一般性自动校准部分并行采集（GRAPPA）算子或直接卷积来填补欠采样的MR-PPI数据集的至少一些缺失数据，以便产生增强数据集；以及（ii）使用除GRAPPA算子和直接卷积之外的算法来重建增强数据集或在使用增强数据集作为用于迭代重建算法的初始化数据集的情况下使用除GRAPPA算子和直接卷积之外的算法来重建欠采样的MR-PPI数据集。在一些实施例中，MR-PPI数据集是非笛卡尔数据集，并且在操作（i）中使用针对更宽径向带的GRAPPA算子（GROWL）。

Description

包含GRAPPA算子的用于任意K空间轨迹的快速两步并行重建
技术领域
下文涉及磁共振成像领域、医疗成像领域和相关领域。
背景技术
磁共振（MR）成像是一种已知的医疗成像技术，其也被用于兽医成像和其他成像应用（例如对考古学伪影进行表征）中。MR成像具有超过其他成像技术的众多优点，例如不采用电离辐射，并提供多样的解剖对比模式和功能对比模式。在功能磁共振成像（fMRI）中，采用探测功能方面的对比模式。例如，在脑部fMRI中，采用诸如BOLD（血氧水平依赖）之类的对比模式，其提供间接地与神经活动有关的对比。在磁共振血管造影（MRA）中，采用提供血液对比的技术。在一些MRA方法中，向血流中注入外源的磁性造影剂。
这些各种动态MR成像技术对图像采集时间施加了严格的时间约束。由于其他原因（例如减少了运动伪影并提高了MR实验室的效率），快速MR成像也是有利的。为此，已经研发了诸如超短回波时间（UTE）技术之类的快速MR成像技术。不过，成像仍可能花费约几分钟到几十分钟，或更长时间。
用于实现更快速的MR成像数据采集的另一种方法是被称为部分并行成像（PPI）的这类成像技术。PPI技术的示例包括灵敏度编码（SENSE）、空间谐波的同时采集（SMASH）、一般性自动校准部分并行采集（GRAPPA）等。在这些技术中，具有不同线圈灵敏度的多个射频接收线圈获取缺失一些数据的欠采样的MR成像数据集（例如，如在SENSE中所完成的跳过一些相位编码线的采集）。通过经由使用带有不同线圈灵敏度的多个接收线圈而提供的额外信息，使用适当的重建技术（例如，SENSE或SMASH重建技术），来补偿缺失的数据。所获取的PPI数据集的欠采样对应于成像数据采集加速因子（通常表示为R），该因子的大小取决于欠采样的程度。通常，可以更快地获取更欠采样的数据集，但以引入欠采样所造成的图像伪影为潜在代价。
下文提供了如本文所公开的新的和改进的设备和方法。
发明内容
根据一个公开的方面，一种方法包括使用多个射频接收线圈获取欠采样的磁共振部分并行成像（MR-PPI）数据集，以及重建欠采样的MR-PPI数据集以产生重建的磁共振（MR）图像。该重建包括：（i）使用一般性自动校准部分并行采集（GRAPPA）算子或直接卷积以填补欠采样的MR-PPI数据集的至少一些缺失数据，以便产生包括欠采样的MR-PPI数据集和通过操作（i）填补的缺失数据的增强数据集；以及（ii）使用除GRAPPA算子之外并且除直接卷积之外的算法以重建增强数据集或在使用增强数据集作为用于迭代重建算法的初始化数据集的情况下使用除GRAPPA算子之外并且除直接卷积之外的算法以重建欠采样的MR-PPI数据集。
根据其他公开的方面，在如紧在前的段中阐述的方法中，所述获取包括获取以下欠采样的MR-PPI数据集，该欠采样的MR-PPI数据集包括未欠采样的包括k=0的中心k空间区域、在第一加速因子R1下被欠采样的围绕中心k空间区域的中间k空间区域、以及在第二加速因子R2下被欠采样的围绕中间k空间区域的外部k空间区域，其中R2>R1。操作（i）的执行可以先于操作（ii）的执行。在如紧在前的段中阐述的另一种方法中，所述获取包括在多个时间帧上获取欠采样的k-t MR-PPI数据集，该数据集包括未欠采样的包括k=0的中心k空间区域、在第一加速因子R1下被欠采样的围绕中心k空间区域的中间k空间区域、以及在第二加速因子R2下被欠采样的围绕中间k空间区域的外部k空间区域，其中R2>R1。
根据另一公开的方面，一种方法包括使用多个射频接收线圈来获取欠采样的非笛卡尔磁共振部分并行成像（MR-PPI）数据集，以及重建该欠采样的非笛卡尔MR-PPI数据集以产生重建的磁共振（MR）图像，其中该重建使用针对更宽径向带（wider radial band）的一般性自动校准部分并行采集（GRAPPA）算子（GROWL），以填补欠采样的非笛卡尔MR-PPI数据集的至少一些缺失数据。
根据其他公开的方面，在如紧在前的段中阐述的方法中，所述获取包括在多个时间帧上获取欠采样的非笛卡尔k-t MR-PPI数据集，所述欠采样在相邻时间帧中是不同的以产生沿时间维度的欠采样，所述重建使用GROWL以填补由于沿时间维度的欠采样导致的至少一些缺失数据。
根据另一公开的方面，紧在前的四个段中阐述的任何方法还可以包括在显示装置上显示重建的MR图像。根据另一个公开的方面，一种设备包括磁共振（MR）扫描器、多个射频接收线圈、以及数据处理装置，该数据处理装置被配置成与MR扫描器和射频接收线圈协作，以执行在紧在前的四个段中阐述的方法中的一种或多种。根据另一个公开的方面，一种存储介质存储了指令，该指令能够由磁共振（MR）成像系统执行以实施紧在前的四个段中阐述的方法中的一种或多种。
一个优点在于提供了具有减小的图像伪影的磁共振部分并行成像（MR-PPI）。
另一个优点在于提供具有与更快数据集采集对应的增强的净加速因子（net acceleration factor）的MR-PPI。
在阅读和理解以下详细描述之后，其他优点对于本领域的普通技术人员而言将是显而易见的。
附图说明
图1图解式地示出了如本文所公开的被配置成实施磁共振部分并行成像（MR-PPI）的成像系统。
图2图解式地示出了径向（radial）MR-PPI数据集，该径向MR-PPI数据集由图1的成像系统适当地获取并由图1的控制模块处理以将GROWL应用于该径向MR-PPI数据集。
图3图解式地示出了螺旋（spiral）MR-PPI数据集，该螺旋MR-PPI数据集由图1的成像系统适当地获取并由图1的控制模块处理以将GROWL应用于该螺旋MR-PPI数据集。
图4示出了径向成像示例，而使用GROWL算子将欠采样的径向数据集直接重建到笛卡尔网格上。
图5-11示出了例示性示例，其中图1的成像系统使用GRAPPA算子和多通道压缩感知来处理MR-PPI数据集。
图12-17示出了例示性示例，其中图1的成像系统使用GROWL和时间滤波来处理动态的（k-t）MR-PPI数据集。
具体实施方式
参考图1，一种成像系统包括磁共振（MR）扫描器10，例如包括例示的AchievaTMMR扫描器（可从荷兰Eindhoven的Koninklijke PhilipsElectronics N.V.获得），或InteraTM或PanoramaTMMR扫描器（二者也都可从Koninklijke Philips Electronics N.V.获得），或另一种市面上可获得的MR扫描器，或非市面上可获得的MR扫描器等。在典型实施例中，MR扫描器包括内部部件（未示出），该内部部件例如是产生静态（B0）磁场的超导主磁体或常导主磁体、用于将所选的磁场梯度叠加在该静态磁场上的数套磁场梯度线圈绕组、以被选择用于激励磁共振（通常为1H磁共振，尽管也设想到另一磁共振核子或多个磁共振核子的激励）的频率产生射频（B1）场的射频激励系统、以及射频接收系统，该射频接收系统包括射频接收线圈阵列或多个接收线圈，用于探测从受检者发射的磁共振信号。
MR扫描器10在磁共振（MR）控制模块12的控制下工作以执行磁共振部分并行成像（MR-PPI）。在MR-PPI中，通过多个磁共振接收通道（例如包括图解式地示出的接收线圈阵列14的射频接收线圈）来获取欠采样的成像数据集。在MR-PPI中，具有不同线圈灵敏度的多个接收线圈获取缺失一些数据的欠采样MR成像数据集（例如，如在SENSE中所完成的跳过一些相位编码线的采集）。通过经由使用带有不同线圈灵敏度的多个接收线圈而提供的额外信息，使用适当的重建技术（例如，SENSE或SMASH重建技术），来补偿缺失数据。所获取的PPI数据集的欠采样对应于成像数据采集加速因子（通常表示为R），该因子的大小取决于欠采样的程度。在图解式地示出的控制模块12中，欠采样的MR-PPI数据集的采集处于MR-PPI采集子模块16的控制下，并且由图像重建子模块18来执行图像重建。
由例示性计算机20或其他数字处理装置适当地实施MR控制模块12，该例示性计算机20或其他数字处理装置采用多核处理器或其他并行处理器、单核处理器、图形处理单元（即，GPU）等，并且具有与MR扫描器10相通的通信总线或其他操作性连接，以使MR扫描器10执行MR-PPI数据集采集。尽管数字处理装置采用数字处理器，但也设想到，数字处理装置包括或可以利用一些模拟电路，例如作为例示性示例的被配置成执行图像重建子模块18的一些或全部图像重建处理的专用集成电路（ASIC）。所公开的MR-PPI技术也可以被实施为存储指令的存储介质，所述指令在由数字处理装置20的处理器执行时，执行所公开的MR-PPI操作。例如，存储介质可以包括硬盘驱动器、光盘驱动器、随机存取存储器（RAM）、FLASH存储器、或其他静电存储器、其各种组合，或其他适当的存储介质。
成像系统通常还包括例示性键盘22或其他用户输入装置（例如，鼠标、轨迹球或其他指向装置），用户经例示性键盘22或其他用户输入装置来输入命令或参数等以发起或控制成像处理。将图像重建模块18产生的重建MR图像适当地显示在显示装置上，显示装置例如是例示性计算机20的例示性显示装置24。为此，例示性MR控制模块12包括或实现执行重建MR图像的适当渲染的图像显示子模块26，该适当渲染例如是产生三维渲染、或提取二维切片、或形成最大强度投影（MIP）、或产生在一序列时间帧上获取的图像的电影序列等，并且显示子模块26所生成的渲染被显示在显示装置24上。额外地或替代地，重建的MR图像可以被存储在存储器或存储装置中、经医院网络或互联网被输送或以其他方式被利用（图1中未示出这些额外/替代选择）。
继续参考图1，在这里公开的MR-PPI技术中，（1）缺失数据（即，欠采样）的布置和（2）用于填补缺失数据的方法两者的组合被设计为提供显著更快的成像数据采集（对应于完整数据集采集上的高净加速因子R），而与现有技术相比具有通常较小的图像伪影。一些这样的所公开技术采用针对更宽径向带的GRAPPA算子（GROWL）以将GRAPPA的益处扩展到欠采样的径向的、螺旋的或其他非笛卡尔的数据集中。如这里所公开的，这可以具有如下益处：以未欠采样的并且可用于校准GROWL的中心k空间区域（包括k=0）30的形式提供内置自校准数据。这种自校准数据的可用性是会聚在k=0处的径向或螺旋数据集的径向线的自然结果。在笛卡尔MR-PPI数据集中，可以任选地完全采样包括k=0的中心k空间区域以提供被内置到笛卡尔MR-PPI数据集中的自校准数据。但在其他设想到的实施例中，在采集MR-PPI数据集之前获取自校准数据。
在由重建子模块18实现的操作32中，使用GRAPPA算子（在非笛卡尔MR-PPI数据集的情况下，其可以由GROWL实施）或诸如使用适当的卷积核的直接卷积之类的另一种插值技术，以填补欠采样的MR-PPI数据集的缺失数据。操作32将内置自校准数据30用于校准。在一些实施例中，GRAPPA算子、GROWL或直接卷积填补欠采样MR-PPI数据集的全部缺失数据以生成包括欠采样的MR-PPI数据集和填补数据的增强数据集。在这样的实施例中，使用重建算法34（其不是GRAPPA算子且不是直接卷积）来重建该增强数据集，或在将增强数据集用作迭代重建算法的初始化数据集的情况下将重建算法34用于重建欠采样的MR-PPI数据集。
不过，在其他实施例中，操作32仅填补欠采样MR-PPI数据集的一些，而不是全部缺失数据。这些实施例发现，针对在短范围（即在缺失数据靠近k空间中获取到的单个数据或获取到多个的数据时）的填补缺失数据，诸如GROWL之类的技术是高度有效的。不过，针对在较长范围（即，在缺失数据距离k空间中任何获取到的单个数据或获取到的多个数据较远时）的填补缺失数据，诸如GROWL之类的技术不太有效。在这些实施例中，操作32包括在围绕中心区域的中间k空间区域填补数据的GRAPPA算子（如本文所用的，其包括GROWL），而将算法34（其同样不是GRAPPA算子也不是直接卷积）用于执行包括在围绕中间k空间区域的外部k空间区域中填补缺失数据的重建。在这样的一些实施例中，中间k空间区域是在第一加速因子R1下被欠采样的，而外部k空间区域是在第二加速因子R2下被欠采样的，其中R2>R1。此外，在一些这样的实施例中，重建算法34至少采用具有由GRAPPA算子填补的缺失数据的中间k空间区域，来作为自校准数据。任选地，重建算法34可以采用中心k空间区域30和具有由GRAPPA算子或直接卷积操作32填补的缺失数据的中间k空间区域的组合，来作为自校准数据。
重建算法34可以采用傅里叶变换重建、迭代重建技术等。可以以各种方式来集成操作32、34。例如，可以在k空间或在图像空间中执行操作32。在迭代重建方法中，设想到，仅利用所获取的MR-PPI数据集进行一个或多个迭代以产生初始估计图像，然后应用操作32以填补缺失数据，这然后接着的是迭代重建算法的进一步迭代。操作34可以重建包括欠采样的MR-PPI数据集和填补数据的增强数据集以形成重建图像。可替代地，操作34可以迭代地重建欠采样的MR-PPI数据集，并且利用包括欠采样的MR-PPI数据集和填补数据的增强数据集作为用于迭代重建算法的初始化数据集。
继续参考图1并进一步参考图2，描述了用于重建径向MR-PPI数据集的实施例，其在操作32中采用GROWL。在这个实施例中，操作32使用GRAPPA外推算子以将每条径向线加宽成包括几条并行线的棒（rod）。使用中心k空间区域30实现自校准，其中满足奈奎斯特准则。使用这种方法，可以将现存的径向并行成像重建方法的一小时或更长的重建时间降低到大约5-10分钟的时间。作为例示性示例，图2示意性地示出了三维（3D）径向轨迹40。沿k空间中的径向线但以低于满足奈奎斯特采样准则的必要角速率的角速度来获取数据。在重建阶段期间，使用针对更宽径向带的GRAPPA算子（GROWL）以将每条径向线扩展成包括几条并行k空间线的棒42。由于接近中心k空间的数据被完全采样，所以可以将其用作自校准数据30（见图1）。
在使用GROWL填补缺失数据的适当方法中，使用GRAPPA相对移位算子以将每条径向线扩展成包括m条并行k空间线的棒或k空间区段42。中心k空间区域30对应于奈奎斯特圆（或球），其中采样满足奈奎斯特采样准则。将这个中心k空间区域30用于校准。在例示性示例中，引入最佳吉洪诺夫（Tikhonov）正则化因子以使由GRAPPA相对移位算子引入的误差最小化。假设t和S是目标向量和来自多个k空间位置和线圈通道的源数据点的矩阵。假设w是GRAPPA相对移位算子的权向量。在校准过程期间，通过求解超定线性方程tACS=SACSw，来确定权向量w，其中下标ACS表示自动校准信号（即，中心k空间区域30）。下标ACS表明目标和源数据点都在ACS区域30中被采集。求解线性方程tACS=SACSw的适当方法是线性最小二乘法，该线性最小二乘法力图使残差w0=arg minw(||tACS-SACS w||2)最小化，其中符号||…||表示L2范数。不过，最佳权向量应该使整个k空间的误差最小化，即，wopt=arg minw(||tE–SEw||2)，其中这里下标E表示目标和源数据点都在整个k空间中被采集。换言之，理想权向量是以下方程的解：tE=SEw。不过，因为仅SE是已知的，所以不能求解这个方程。相反，使用吉洪诺夫正则化，通过使wopt=arg minw{||tACS–SACS w||2+λ2||w||2}最小化，来求解方程tACS=SACSw，其中λ被称为吉洪诺夫因子。这个方程的解是
Figure BDA0000369974020000081
其中uj、vj和sj分别是通过奇异值分解产生的左奇异向量、右奇异向量和S的奇异值，而奇异向量和奇异值由j索引。
在用于实现数据填补操作32的适当方法中，首先将中心k空间区域30（其在这种情况下是奈奎斯特圆或球）之内的数据从获取的径向线重新网格化到笛卡尔网格上。对于每一条径向读出线，利用剪切方法来旋转重新网格化的笛卡尔数据集以与读出线对齐。然后从这个校准区域计算出GRAPPA相对移位算子权重，并利用GRAPPA相对移位算子权重将每条读出线扩展到更宽的带中。替代地，使用卷积核来直接确定所获取的读出线附近的笛卡尔目标点。
继续参考图1并进一步参考图3，用于重建螺旋MR-PPI数据集50的实施例在操作32中采用GROWL。该方法基于以下发现。因为任何MR扫描器都具有有限的梯度转换速率，所以任何轨迹的读出线都具有有限曲率。到第一近似度（degree approximation），读出线上的数据点线性远离。操作32是组合来自多个通道元件的多个相邻源点的卷积核，在此实施例中该操作32是GROWL算子。因此可以使用GROWL算子以估计离源读出线更远（根据线圈和噪声水平，通常为1-3/FOV）的目标点。这在针对螺旋轨迹50的图3的插图52中被示出。确定GROWL算子的三个参数是：源点的数量Nx、目标点与源读出线的距离Δky、和取向θ。对于给定的线圈配置，Nx可以是固定的，并且可以预先校准并随后使用带有不同Δky和θ的离散集的GROWL算子的阵列。可以使用完全采样的k空间（例如，针对径向和可变密度螺旋）或独立的灵敏度映射扫描来实施GROWL算子的校准。
可以如下实施图2或图3的方法：将每个读出线扩展成更宽的带。目标点保留在非笛卡尔网格上。然后使用重新网格化流程以渲染最终的重建。在替代实施方式中，使用卷积核来直接确定所获取的读出线附近的笛卡尔目标点。本文将这称为直接卷积。对于径向和螺旋轨迹，需要许多卷积核以将数据外推到不同角度。因为距离Δky可以是任意值，所以可以将具有最近Δky值的两个核进行插值以导出期望的核值用于减少的计算时间。
图4示出了使用GROWL算子将欠采样的径向数据集（8通道线圈，32个视图，256×256的矩阵尺寸）直接重建到笛卡尔网格上的径向示例。左侧示出了重新网格化到笛卡尔网格之后的结果，而右侧示出了应用GROWL算子之后的结果。顶部图像是重建的MR图像，而底部图像示出了对数标度上的对应的k空间的大小。
由于小的核尺寸和通常小的校准区域，所以GROWL是快速重建技术。在试验中，在3.0GHz个人计算机（PC）上都在10秒之内重建了径向图像和螺旋图像。可以通过考虑读出线的曲率并且在k空间的不同区域处应用不同的正规化（即，以用于k空间的选定区域的值代替对应于在整个k空间中采集相应的目标和源数据点的tE和SE，使得曲率在每个选定的区域中是相对均匀的）来进一步改善GROWL算子的性能。
图2-4的上述例示性示例采用使用GROWL的数据填补操作32用作仅有的数据填补操作。在以下示例中，数据填补操作32填补一些缺失数据，而使用不同技术填补另外的缺失数据，该不同技术可以将GROWL的结果用作自校准数据。
继续参考图1并进一步参考图5-11，描述了例示性示例，其中操作32采用GRAPPA算子，而重建算法34采用多通道压缩感知。这些示例在操作32中使用GRAPPA算子以填补缺失数据并且任选地改善了采用压缩感知的重建算法34（或，更普遍地，为迭代重建）的初始化。在图5中可以看出，结合具有被选择以平衡高加速因子和图像质量的三个密度水平的k空间轨迹或数据集60，适当地完成这个操作。例示性的获取的MR-PPI数据集60包括三个区域：未欠采样的包括k=0的中心k空间区域62；在第一加速因子R1下被欠采样的围绕中心k空间区域62的中间k空间区域64；以及在第二加速因子R2下被欠采样的围绕中间k空间区域64的外部k空间区域66，其中R2>R1（即，外部区域66比起中间区域64被更稀疏地采样，或更欠采样）。在例示性实施例中，R1=2，并且使用棋盘图案对中间区域64进行采样，而R2>2并且外部区域66对应于泊松盘轨迹。在图5中，kx方向垂直于纸面。中心k空间区域62是24×24区域并且具有R=1（即，未欠采样）。中间k空间区域64是64×64区域并且具有R1=2，而带有棋盘图案。外部k空间区域66具有R2=9，而带有泊松盘轨迹。
图6示出了对应于图5的k空间轨迹或数据集60的在应用了采用GRAPPA算子的操作32之后的k空间轨迹或数据集60'。使用GRAPPA算子以将每条kx线扩展到成为至少5条线。外推是沿ky和kz方向。核尺寸可以小到距每个通道1个点，尽管也设想到更大的核尺寸。因为卷积核的尺寸小，所以该操作32是快速的。此外，由于在这些实施例中由重建算法34提供了另外的缺失数据，所以不需要近似所有未获取的k空间数据。图6的k空间轨迹或数据集60'是包括欠采样的MR-PPI数据集60和由操作32填补的缺失数据的增强数据集60'，操作32在此实施例中采用GRAPPA算子。在增强数据集60'中，在采集期间中心k空间区域62被完全采样，且不被GRAPPA算子修改，相反，在应用GRAPPA算子时，中心k空间区域62被用作自校准数据。通过应用GRAPPA算子，将如所获取的具有R1=2的中间k空间区域64转换成具有R1'=1的增强的中间k空间区域64'。于是，增强的中间k空间区域64'不再是欠采样的，并且可以被用于计算迭代重建算法34的灵敏度图。在具有R2=9的外部k空间区域66中应用GRAPPA算子产生了具有一些填补的缺失数据但仍旧欠采样使得R2'保持大于一的增强外部k空间区域66'。
在图5-11的实施例中，迭代重建算法34是适当的压缩感知类型。在这里被称作“强”方法的一些实施例中，重建算法34对包括欠采样MR-PPI数据集60（见图5）和由操作32利用GRAPPA算子填补的缺失数据的增强数据集60'（见图6）进行重建。如果GRAPPA算子准确度被认为是高的，那么这种方法就是优选的。在这些实施例中，利用和获取的数据一样的方式来处理GRAPPA算子的结果，并该结果用在压缩感知或其他重建最小化方程的保真项（fidelity term）中。
在这里被称为“弱”方法的其他实施例中，重建算法34重建欠采样的MP-PPI数据集60（见图5），并使用包括欠采样的MR-PPI数据集和由操作32利用GRAPPA算子填补的缺失数据的增强数据集60'（见图6），以对迭代重建进行初始化。如果GRAPPA算子准确度被认为是不太高，那么这种方法就是优选的。在这些实施例中，仅将GRAPPA算子的结果用于增强重建迭代的初始化。
基于线圈几何结构和卷积核的尺寸，适当地评估GRAPPA算子的准确度。于是，可以在进行重建之前，在处理GRAPPA算子的结果的强方法和弱方法之间做出选择。将从Invivo Corp.Gainesville,FL所获取的八通道头部线圈用作示例，如果相位编码方向是左-右或前-后并且使用来自每个通道数据的同一切片的三个或多个源点，那么强方法是适合的。另一方面，如果仅使用来自每个线圈元件的一个源点，那么弱方法是适合的。
在图5-11的实施例中，将在操作32中获取的GRAPPA算子的结果用作初始化，在重建算法34中适当地采用压缩感知或自供给稀疏SENSE。如果线圈提供沿所有三个方向的空间编码能力，那么就可以在操作32中使用5×1核。此外，可以将GRAPPA算子的结果任选地用在自供给稀疏SENSE（仅强方法）的保真项中，以及用于改进的初始化（强和弱方法）。
参考图7和图8，分别示出了与图5和图6的数据集60、60'的重建对应的重建的MR图像。与不具有GRAPPA算子（图7以及图5的数据集60）的图像质量的情况相比，看到在具有GRAPPA算子（图8以及图6的数据集60'）的情况下，图像质量被显著地提高了。因此，针对自供给稀疏（self-feeding Sparse）SENSE，相比图7，GRAPPA算子（图8）的结果是更好的初始化。
参考图9和图10，示出了具有和不具有用于初始化的GRAPPA算子的自供给稀疏SENSE的性能的比较。图9示出了CPU时间对比（即，计算速度），而图10示出了准确度比较。在图9和图10中绘制的成像结果中，将GRAPPA算子的结果用于弱方法中，即，仅用于改进初始化。图9示出了在净加速因子接近5时会聚速度可以达到更快四倍。图10示出了准确度还与GRAPPA算子增强的初始化一起不断提高。
对于图11，如这里所公开的采用GRAPPA算子（或在非笛卡尔数据的情况下的GROWL）的操作32和压缩感测的组合可以显著地降低用于高分辨率3D成像的MR数据采集时间。对于256×227×8×115数据集，通过在Philips MR扫描器上使用3D FFE序列，采集时间可能花费接近10分钟。通过使用所公开的方法，可以将采集时间降低到2分钟，而不具有显著的图像劣化。图11示出了这种情况。图11的顶行示出了利用10分钟的采集时间使用八通道头部线圈所获取的高分辨率3D图像。中行示出了利用仅包括25%采样（数据的75%未被采样）的MR-PPI数据集的通过所公开方法的重建，25%采样意味着可以将采集时间降低到2.5分钟。底行示出了利用仅包括20%采样（数据的80%未被采样）的MR-PPI数据集的通过所公开方法的重建，20%采样意味着可以将采集时间降低到2分钟。如在图11中所见，这些高度加速的MR-PPI采集的图像质量不会显著下降。
尽管图5-11的例示性实施例采用笛卡尔MR-PPI数据集和GRAPPA算子，但使用针对更宽径向带的GRAPPA算子（GROWL）扩展到非笛卡尔MR-PPI数据集是直截了当的。此外，可以使用诸如直接卷积之类的技术替代GRAPPA算子。
参考图12-17，描述了例示性示例，其中图5-11的方法适于在一序列连续的时间帧上的动态成像。如在图12中所见的，该方法使用具有三个密度水平的k-t轨迹或数据集70。包括k=0的中心k空间区域72是未欠采样的（即，具有加速因子R=1）。这个区域可以，例如，包括围绕k空间的中心的五条线。围绕中心k空间区域72的中间k空间区域74在第一加速因子R1下被欠采样。在一些实施例中，R1=3，该区域具有20条线的宽度，但设想到其他值。围绕中间k空间区域74的外部k空间区域76在第二加速因子R2下被欠采样，其中R2>R1（即，比起中间区域74，外部区域76被更稀疏地采样或更欠采样）。在一些实施例中，使用如在Tsao等人的“Optimizing Spatiotemporal Sampling for k-t BLAST and k-t SENSE:Application to High-Resolution Real-Time Cardiac Steady-State FreePrecession”，Magn.Reson.Med.vol.53pages1372-82(2005)中描述的轨迹或图案对外部区域76进行采样，但也设想到其他图案或k空间轨迹。图12的例示性示例具有6.4的净加速因子，而针对最中心5条线（中心k空间区域72）具有在所有时间帧中的完全采样。在减小因子为3的情况下获取再往外的21条线（中间k空间区域74）。21条线的位置周期性处于具有三个相邻时间帧的时间段的图案中。最外部的线（外部k空间区域76）具有减小因子10。
在图12-17的动态MR成像方法中，使用GROWL以精确地外推k空间线，并因此降低时间滤波的加速因子。这里在整个时间维度上使用GROWL。示出了针对笛卡尔采样（图13-15）和针对径向采样（图16）的示例。
图13-15示出了笛卡尔采样示例。图13示出了如通过MR-PPI采集子模块16（返回参考图1）获取的例示性k-t MR-PPI数据集80。由实心圆示出所获取的样本，而由空心圆示出缺失（即，未获取的）的样本。图13示出了具有三时间段周期性的时间上不同的采集图案的两个周期（即，六个时间帧）。
图14示出了包括所获取的样本和由GROWL填补的额外缺失样本的增强k-t数据集80'，利用实心圆表示由GROWL增加的样本。GROWL之后，减小因子被减小3倍。
图15示出了任选的进一步填补操作之后的进一步增强的k-t数据集80''，其中通过相邻时间帧之间的数据共享来填补另外的缺失样本。在图15中，也由实心圆表示在整个时间帧上的数据共享所填补的样本。
图16示出了径向采集示例。具体而言，图16示出了表示为t=2的时间帧，其中获取的k-t MR-PPI数据集是单条线（在图16中垂直取向），并且获取的k-t MR-PPI数据集通过GROWL和通过来自相邻t=1和t=3时间帧的数据共享来被增补。在每个相继时间帧之间的采样沿不同的径向方向操作，使得径向采集时间帧之间的数据共享提供实质的加速。同样，在每个时间帧中采样包括k=0的中心k空间区域中的数据以提供完全采样的数据用于GROWL的自校准。加速是实质的，因为在t=2时间帧中获取的单个（垂直的）k空间线被增加到5条线（两条垂直线由GROWL增加，两条正交线由来自相邻t=1和t=3时间帧的任选时间共享增加）。如果省略了任选的时间共享，那么加速就是三倍（一条获取的线加上由GROWL产生的两条额外线）。
如下继续进行采用如由图13-16的例示性笛卡尔和径向数据集示例所描述的数据填补的适当的动态成像方法。首先，实施图像支持降低（imagesupport reduce）以增强GROWL的准确度。适当的方法是在对应的所需位置从每个时间帧中减去平均k空间（沿时间方向）。然后针对每个时间帧执行GROWL。这需要将每条线扩展到成为三条线（更一般地，取决于GROWL中使用的核尺寸，可以扩展到多于或少于三条线）。可以如在示例中那样使用完全采样的中心k空间区域72对核进行自校准，或可以使用预扫描灵敏度图来计算核。由操作32适当地执行这种GROWL数据填补（参见图1）。
任选地，由与相邻时间帧的数据共享来提供进一步的数据填补。（这对应于针对笛卡尔数据的图15中所示的数据填补，或通过图16的径向数据集示例中的t=1和t=3时间帧数据）。可以共享来自相邻时间帧的高频信息而对时间分辨率没有实质影响，以便进一步减小加速因子。
然后由执行时间滤波的迭代算法来处理具有通过GROWL以及任选地通过整个时间帧上的时间共享填补的至少一些缺失数据的k-t数据集，以填补至少一些缺失数据。这种迭代算法被适当地实现为重建算法34（见图1）。可以采用各种时间滤波算法，例如k-t PCA、k-t BLAST、k-t FOCUSS、k-tSPARSE、k-t GRAPPA等。在一些实施例中采用k-t FOCUSS。参见，例如Jung等人，“k-t FOCUSS:A general compressed sensing framework for highresolution dynamic MRI”，Magnetic Resonance in Medicine vol.61pp.103-116(2009))。这之后是图像支持补偿，通过将平均k空间加回每个时间帧适当地实现该图像支持补偿。适当地使用小核，例如，核尺寸为5X1或7X1的小核，还任选地执行k空间中的卷积。仅使用时间滤波所插值的数据使用了该任选的卷积的结果。
参考图17，可以应用公开的k-t MR-PPI成像来用于获取实时图像和/或用于带有任意轨迹的动态成像。例示性示例是心脏电影成像，其中数据集的尺寸是160×256×24(通道)×24(时间帧)。图17示出了准确度的比较（对于5的净减小因子，如由受关注的心脏区域处的均方根误差RMSE来度量）。
本申请已经描述了一个或多个优选实施例。他人在阅读和理解之前的详细描述之后可能想到修改和变更。意图是本申请被解释为包括所有这样的修改和变更，到它们落入所附权利要求或其等同的范围内的程度内。

Claims (20)

1.一种方法，包括：
使用多个射频接收线圈（14）来获取欠采样的磁共振部分并行成像（MR-PPI）数据集；以及
重建所述欠采样的MR-PPI数据集以产生重建的磁共振（MR）图像，所述重建包括以下操作：
（i）使用一般性自动校准部分并行采集（GRAPPA）算子或直接卷积来填补所述欠采样的MR-PPI数据集的至少一些缺失数据，以便产生包括所述欠采样的MR-PPI数据集和通过所述操作（i）填补的缺失数据的增强数据集，以及
（ii）使用除GRAPPA算子之外并且除直接卷积之外的算法来重建所述增强数据集，或在使用所述增强数据集作为用于迭代重建算法的初始化数据集的情况下使用除GRAPPA算子之外并且除直接卷积之外的算法来重建所述欠采样的MR-PPI数据集。
2.根据权利要求1所述的方法，其中：
所述获取包括获取以下的欠采样的MR-PPI数据集，所述欠采样的MR-PPI数据集包括未欠采样的包含k=0的中心k空间区域、在第一加速因子R1下被欠采样的围绕所述中心k空间区域的中间k空间区域、以及在第二加速因子R2下被欠采样的围绕所述中间k空间区域的外部k空间区域，其中R2>R1。
3.根据权利要求2所述的方法，其中，R1=2且所述中间k空间区域具有棋盘的欠采样图案。
4.根据权利要求2-3中的任一项所述的方法，其中，所述操作（i）使用GRAPPA算子或直接卷积，并采用未欠采样的所述中心k空间区域作为自校准数据。
5.根据权利要求4所述的方法，其中，所述操作（ii）包括迭代重建，所述迭代重建对包括所述欠采样的MR-PPI数据集和通过所述操作（i）填补的缺失数据的所述增强数据集进行重建。
6.根据权利要求4所述的方法，其中，所述操作（ii）包括对所述欠采样的MR-PPI数据集进行重建的迭代重建，并使用包括所述欠采样的MR-PPI数据集和通过所述操作（i）填补的缺失数据的所述增强数据集来对所述迭代重建进行初始化。
7.根据权利要求2-5中的任一项所述的方法，其中，所述操作（ii）采用压缩感知以重建包括以下中的一项的数据集：
所述欠采样的MR-PPI数据集，以及
包括所述欠采样的MR-PPI数据集和通过所述操作（i）填补的缺失数据的所述增强数据集。
8.根据权利要求1所述的方法，其中：
所述获取包括在多个时间帧上获取欠采样的k-t MR-PPI数据集，所述欠采样的k-t MR-PPI数据集包括未欠采样的包含k=0的中心k空间区域、在第一加速因子R1下被欠采样的围绕所述中心k空间区域的中间k空间区域、以及在第二加速因子R2下被欠采样的围绕所述中间k空间区域的外部k空间区域，其中R2>R1。
9.根据权利要求8所述的方法，其中，对所述中间k空间区域的所述欠采样包括在相邻时间帧中使用对所述中间k空间区域的不同采样。
10.根据权利要求8-9中的任一项所述的方法，其中，所述操作（i）使用GRAPPA算子或直接卷积来填补欠采样的所述中间k空间区域的缺失数据，并采用未欠采样的所述中心k空间区域作为自校准数据。
11.根据权利要求10所述的方法，其中，所述操作（ii）至少采用具有通过所述操作（i）填补的缺失数据的所述中间k空间区域作为自校准数据。
12.根据权利要求8-11中的任一项所述的方法，其中，所述操作（ii）采用k-t FOCUSS来填补所述欠采样的MR-PPI数据集的一些但非全部的缺失数据。
13.根据权利要求1-12中的任一项所述的方法，其中：
所述获取包括获取欠采样的非笛卡尔MR-PPI数据集；并且
所述操作（i）包括使用针对更宽径向带的GRAPPA算子（GROWL），来填补所述欠采样的非笛卡尔MR-PPI数据集的一些但非全部的缺失数据。
14.一种方法，包括：
使用多个射频接收线圈（14）来获取欠采样的非笛卡尔磁共振部分并行成像（MR-PPI）数据集；以及
重建所述欠采样的非笛卡尔MR-PPI数据集以产生重建的磁共振（MR）图像，所述重建使用针对更宽径向带的一般性自动校准部分并行采集（GRAPPA）算子（GROWL）以填补所述欠采样的非笛卡尔MR-PPI数据集的至少一些缺失数据。
15.根据权利要求14所述的方法，其中，所述重建包括使用GROWL通过（1）识别与所述欠采样的非笛卡尔MR-PPI数据集的所获取样本相邻的在笛卡尔网格上的点，并且（2）对与所识别的在所述笛卡尔网格上的点相邻的所述欠采样的非笛卡尔MR-PPI数据集的样本进行插值以确定所识别的在笛卡尔网格上的点的值，从而来填补样本。
16.根据权利要求14-15中的任一项所述的方法，其中，所述获取包括在多个时间帧上获取欠采样的非笛卡尔k-t MR-PPI数据集，所述欠采样在相邻时间帧中是不同的以产生沿时间维度的欠采样，所述重建使用GROWL以填补由于沿时间维度的所述欠采样而导致的至少一些缺失数据。
17.根据权利要求14-16中的任一项所述的方法，其中，所述重建此外使用除GROWL之外的算法来填补所述欠采样的非笛卡尔MR-PPI数据集的至少一些缺失数据。
18.根据权利要求1-17中的任一项所述的方法，还包括：
在显示装置（52）上显示所述重建的MR图像。
19.一种设备，包括：
磁共振（MR）扫描器（10）；
多个射频接收线圈（14）；以及
数据处理装置（50），其被配置成与所述MR扫描器和所述射频接收线圈协作以实施根据权利要求1-17中的任一项所述的方法。
20.一种存储有指令的存储介质，所述指令能够由磁共振（MR）成像系统（10、12、14）执行以实施根据权利要求1-17中的任一项所述的方法。
CN201180068184.XA 2010-12-22 2011-12-19 用于磁共振成像的方法和设备 Expired - Fee Related CN103384836B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201061426031P 2010-12-22 2010-12-22
US61/426,031 2010-12-22
PCT/IB2011/055765 WO2012085810A2 (en) 2010-12-22 2011-12-19 Rapid parallel reconstruction for arbitrary k-space trajectories

Publications (2)

Publication Number Publication Date
CN103384836A true CN103384836A (zh) 2013-11-06
CN103384836B CN103384836B (zh) 2016-10-26

Family

ID=45524898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180068184.XA Expired - Fee Related CN103384836B (zh) 2010-12-22 2011-12-19 用于磁共振成像的方法和设备

Country Status (5)

Country Link
US (1) US9390521B2 (zh)
EP (1) EP2656094A2 (zh)
JP (1) JP5926285B2 (zh)
CN (1) CN103384836B (zh)
WO (1) WO2012085810A2 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104569880A (zh) * 2014-12-31 2015-04-29 中国科学院深圳先进技术研究院 一种磁共振快速成像方法及系统
CN105093143A (zh) * 2014-05-19 2015-11-25 上海联影医疗科技有限公司 磁共振片层层面加速方法磁共振成像装置
CN105607020A (zh) * 2014-11-13 2016-05-25 西门子公司 用于生成磁共振图像的方法以及用于该方法的磁共振设备
CN106028927A (zh) * 2013-12-18 2016-10-12 三星电子株式会社 磁共振成像设备及操作磁共振成像设备的方法
CN107615089A (zh) * 2014-01-03 2018-01-19 朱宇东 压缩感知和mri的建模和验证方法
CN109633503A (zh) * 2018-12-28 2019-04-16 上海联影医疗科技有限公司 磁共振图像重建方法、装置、计算机设备和存储介质
CN110045184A (zh) * 2019-04-02 2019-07-23 国网上海市电力公司 一种基于压缩感知macsmp的超次谐波测量方法
CN110570487A (zh) * 2019-08-26 2019-12-13 上海联影智能医疗科技有限公司 欠采样模型生成方法、图像重建方法、装置和计算机设备
CN110716088A (zh) * 2019-10-30 2020-01-21 国网上海市电力公司 一种基于压缩感知macsmp的超高次谐波测量方法
CN111257809A (zh) * 2020-01-23 2020-06-09 上海东软医疗科技有限公司 磁共振成像方法、装置、存储介质及医疗设备
CN111513716A (zh) * 2019-02-05 2020-08-11 通用电气精准医疗有限责任公司 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
CN112106034A (zh) * 2018-07-13 2020-12-18 华为技术有限公司 一种用于神经网络的卷积方法及装置
CN112598574A (zh) * 2020-12-11 2021-04-02 华南理工大学 一种用于移动设备中的多分辨率并行磁共振图像重建方法
CN112834971A (zh) * 2020-12-31 2021-05-25 苏州朗润医疗系统有限公司 一种基于奇异值分解的mri迭代自校准并行成像算法
CN113009398A (zh) * 2021-04-08 2021-06-22 浙江大学 结合k空间和图像空间重建的成像方法和装置

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9427171B2 (en) * 2012-03-19 2016-08-30 Koninklijke Philips N.V. Magnetic resonance image reconstruction method with respiratory MOT detection during sampling of central and peripheral K-space areas
KR101330638B1 (ko) * 2012-05-10 2013-11-18 고려대학교 산학협력단 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치
US9482732B2 (en) * 2012-11-08 2016-11-01 Nicolas Chesneau MRI reconstruction with motion-dependent regularization
KR101461099B1 (ko) * 2012-11-09 2014-11-13 삼성전자주식회사 자기공명영상장치 및 기능적 영상획득방법
CN103142228A (zh) * 2012-12-14 2013-06-12 中国科学院深圳先进技术研究院 压缩感知磁共振快速成像方法
CN103901379B (zh) * 2012-12-28 2019-05-31 上海联影医疗科技有限公司 磁共振扫描成像方法及系统
EP2972450B1 (en) * 2013-03-13 2021-02-17 Koninklijke Philips N.V. Automatic optimization of parallel imaging acceleration parameters
US10258246B2 (en) * 2013-04-22 2019-04-16 Ohio State Innovation Foundation Direct inversion for phase-based dynamic magnetic resonance measurements
CN104166111B (zh) * 2013-05-28 2015-07-01 上海联影医疗科技有限公司 磁共振图像采集与重建方法及装置
CN104181486B (zh) * 2013-07-05 2015-07-22 上海联影医疗科技有限公司 磁共振图像重建方法及装置
WO2015167307A1 (ko) * 2014-04-30 2015-11-05 삼성전자 주식회사 자기 공명 영상 장치 및 자기 공명 영상의 생성 방법
RU2568929C1 (ru) 2014-04-30 2015-11-20 Самсунг Электроникс Ко., Лтд. Способ и система для быстрой реконструкции изображения мрт из недосемплированных данных
CN105243399B (zh) * 2015-09-08 2018-09-25 浪潮(北京)电子信息产业有限公司 一种实现图像卷积的方法和装置、实现缓存的方法和装置
US10849561B2 (en) * 2015-10-21 2020-12-01 University Of Virginia Patent Foundation Systems and methods for reducing respiratory-induced motion artifacts for accelerated imaging
US10267883B2 (en) * 2015-12-11 2019-04-23 Siemens Healthcare Gmbh System and method for motion resolved MRI
CN107576925B (zh) * 2017-08-07 2020-01-03 上海东软医疗科技有限公司 磁共振多对比度图像重建方法和装置
JP7183055B2 (ja) * 2018-01-31 2022-12-05 キヤノンメディカルシステムズ株式会社 画像再構成方法及び再構成装置
EP3561535A1 (de) * 2018-04-26 2019-10-30 Siemens Healthcare GmbH Simultane mehrschicht-magnetresonanzbildgebung mit variabler dichte der k-raum-abtastung
US11143730B2 (en) 2019-04-05 2021-10-12 University Of Cincinnati System and method for parallel magnetic resonance imaging
CN111856365B (zh) * 2019-04-24 2023-03-14 深圳先进技术研究院 磁共振成像方法、装置、系统及存储介质
CN111856364B (zh) * 2019-04-24 2023-03-28 深圳先进技术研究院 一种磁共振成像方法、装置、系统及存储介质
CN110246200B (zh) * 2019-05-27 2022-12-23 深圳先进技术研究院 磁共振心脏电影成像方法、装置及磁共振扫描仪
US11568584B2 (en) 2019-08-26 2023-01-31 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for magnetic resonance imaging
JP7509546B2 (ja) 2020-02-12 2024-07-02 キヤノンメディカルシステムズ株式会社 画像再構成装置
CN112557980B (zh) * 2020-11-02 2022-05-03 上海东软医疗科技有限公司 磁共振图像矫正方法、装置、介质和电子设备
CN114328742B (zh) * 2021-12-31 2023-02-03 广东泰迪智能科技股份有限公司 一种中央空调的缺失数据预处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002177240A (ja) * 2000-12-15 2002-06-25 Hitachi Medical Corp 磁気共鳴イメージング装置における計測方法及び磁気共鳴イメージング装置
CN1615798A (zh) * 2003-10-08 2005-05-18 通用电气医疗技术服务公司 用于选择性阻塞远端动作的方法和设备
CN101201392A (zh) * 2006-11-17 2008-06-18 美国西门子医疗解决公司 产生磁共振数据文件的方法和设备
CN101305908A (zh) * 2007-05-17 2008-11-19 西门子（中国）有限公司 并行采集图像重建的信噪比计算方法
CN101308202A (zh) * 2007-05-17 2008-11-19 西门子（中国）有限公司 并行采集图像重建的方法和装置
CN101435858A (zh) * 2007-11-16 2009-05-20 西门子公司 基于部分并行获取进行磁共振成像的方法和装置
JP2009268901A (ja) * 2008-05-06 2009-11-19 General Electric Co <Ge> 圧縮センシングと共にパラレルイメージングを用いるシステムおよび方法
WO2010109348A2 (en) * 2009-03-25 2010-09-30 Koninklijke Philips Electronics, N.V. Motion detection and correction in magnetic resonance imaging for rigid, nonrigid, translational, rotational, and through-plane motion

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3847554B2 (ja) 2000-12-04 2006-11-22 株式会社日立メディコ 磁気共鳴イメージング装置
ES2378144T3 (es) * 2001-05-17 2012-04-09 Amalgamated Research, Inc. Dispositivo fractal para aplicaciones de mezcla y de reactores
US20070280862A1 (en) * 2001-06-27 2007-12-06 Nu Element, Inc. Modular Micro-Reactor Architecture And Method For Fluid Processing Devices
EP1444530B1 (en) 2001-11-12 2008-08-13 Wisconsin Alumni Research Foundation Three-dimensional phase contrast magnetic resonance imaging using interleaved projection-reconstruction data
US7005853B2 (en) * 2002-05-13 2006-02-28 Koninklijke Philips Electronics N.V. Prior-information-enhanced dynamic magnetic resonance imaging
EP1651975A1 (en) 2003-07-02 2006-05-03 Universität Zürich K-t blast and k-t sense magnetic resonance imaging
DE10353342B4 (de) 2003-11-14 2008-07-17 Siemens Ag Verbesserte MRT-Bildgebung auf Basis konventioneller PPA-Rekonstruktionsverfahren
US8112145B2 (en) 2004-06-03 2012-02-07 Wisconsin Alumni Research Foundation MRI method for assessing myocardial viability
JP5042862B2 (ja) 2005-02-11 2012-10-03 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 短いエコー時間での磁気共鳴イメージング
EP1902424B1 (en) * 2005-07-08 2009-11-11 Wisconsin Alumni Research Foundation Highly constrained image reconstruction method
WO2007037951A2 (en) 2005-09-22 2007-04-05 Wisconsin Alumni Research Foundation Reconstruction of motion encoded mr images involving a highly constrained backprojection
US7309984B2 (en) 2005-10-27 2007-12-18 Wisconsin Alumni Research Foundation Parallel magnetic resonance imaging method using a radial acquisition trajectory
US7397242B2 (en) * 2005-10-27 2008-07-08 Wisconsin Alumni Research Foundation Parallel magnetic resonance imaging method using a radial acquisition trajectory
DE102006033862B3 (de) * 2006-07-21 2007-12-06 Siemens Ag Verfahren zur dynamischen Magnet-Resonanz-Bildgebung sowie Magnet-Resonanz-Gerät
US7382127B2 (en) * 2006-09-15 2008-06-03 General Electric Company System and method of accelerated MR propeller imaging
US7777487B2 (en) 2007-02-15 2010-08-17 Uwm Research Foundation, Inc. Methods and apparatus for joint image reconstruction and coil sensitivity estimation in parallel MRI
US7423430B1 (en) 2007-04-06 2008-09-09 The Board Of Trustees Of The University Of Illinois Adaptive parallel acquisition and reconstruction of dynamic MR images
US7619410B2 (en) 2007-06-08 2009-11-17 General Electric Company System and method for accelerated magnetic resonance parallel imaging
US9141999B2 (en) * 2007-10-12 2015-09-22 Floor Plans First, LLC Electronic floor plan server and method
JP5211403B2 (ja) * 2007-11-29 2013-06-12 株式会社日立メディコ 磁気共鳴イメージング装置
EP2232444B1 (en) * 2007-12-20 2011-10-12 Wisconsin Alumni Research Foundation Method for dynamic prior image constrained image reconstruction
US9734432B2 (en) 2009-03-20 2017-08-15 Case Western Reserve University Reducing acquisition time
DE102009014461B4 (de) * 2009-03-23 2011-06-22 Siemens Aktiengesellschaft, 80333 Verfahren, Magnetresonanzgerät und Computerprogramm zur Erstellung von Bildern mittels paralleler Akquistionstechnik
DE102009014498B4 (de) * 2009-03-23 2011-03-24 Siemens Aktiengesellschaft Verfahren, Magnetresonanzgerät und Computerprogramm zur Erstellung von Bildern mittels paralleler Akquisitionstechnik
US8692549B2 (en) * 2009-05-27 2014-04-08 Siemens Aktiengesellschaft Method for reconstructing images of an imaged subject from a parallel MRI acquisition
JP5717839B2 (ja) * 2010-03-23 2015-05-13 マックス プランク ゲゼルシャフト ツゥアー フェデルゥン デル ヴィッセンシャフテン エー フォー 正規化非線形逆再構成法を用いて磁気共鳴画像シーケンスを再構成するための方法及び装置
US8699773B2 (en) * 2010-10-21 2014-04-15 Beth Israel Deaconess Medical Center Method for image reconstruction using low-dimensional-structure self-learning and thresholding
US9081074B2 (en) * 2012-08-21 2015-07-14 Beth Israel Deaconess Medical Center, Inc. (Bidmc, Inc.) Method and apparatus for accelerated phase contrast magnetic resonance angiography and blood flow imaging

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002177240A (ja) * 2000-12-15 2002-06-25 Hitachi Medical Corp 磁気共鳴イメージング装置における計測方法及び磁気共鳴イメージング装置
CN1615798A (zh) * 2003-10-08 2005-05-18 通用电气医疗技术服务公司 用于选择性阻塞远端动作的方法和设备
CN101201392A (zh) * 2006-11-17 2008-06-18 美国西门子医疗解决公司 产生磁共振数据文件的方法和设备
CN101305908A (zh) * 2007-05-17 2008-11-19 西门子（中国）有限公司 并行采集图像重建的信噪比计算方法
CN101308202A (zh) * 2007-05-17 2008-11-19 西门子（中国）有限公司 并行采集图像重建的方法和装置
CN101435858A (zh) * 2007-11-16 2009-05-20 西门子公司 基于部分并行获取进行磁共振成像的方法和装置
JP2009268901A (ja) * 2008-05-06 2009-11-19 General Electric Co <Ge> 圧縮センシングと共にパラレルイメージングを用いるシステムおよび方法
WO2010109348A2 (en) * 2009-03-25 2010-09-30 Koninklijke Philips Electronics, N.V. Motion detection and correction in magnetic resonance imaging for rigid, nonrigid, translational, rotational, and through-plane motion

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NICOLE SEIBERLICH 等: "Using the GRAPPA Operator and the Generalized Sampling Theorem to Reconstruct Undersampled Non-Cartesian Data", 《MAGNETIC RESONANCE IN MEDICINE》 *
WEI LIN 等: "GRAPPA Operator for Wider Radial Bands (GROWL) with Optimally Regularized Self-Calibration", 《MAGNETIC RESONANCE IN MEDICINE》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106028927A (zh) * 2013-12-18 2016-10-12 三星电子株式会社 磁共振成像设备及操作磁共振成像设备的方法
CN106028927B (zh) * 2013-12-18 2019-04-05 三星电子株式会社 磁共振成像设备及操作磁共振成像设备的方法
CN107615089B (zh) * 2014-01-03 2023-12-19 朱宇东 压缩感知和mri的建模和验证方法
CN107615089A (zh) * 2014-01-03 2018-01-19 朱宇东 压缩感知和mri的建模和验证方法
CN107290698B (zh) * 2014-05-19 2019-11-19 上海联影医疗科技有限公司 磁共振成像装置
CN105093143A (zh) * 2014-05-19 2015-11-25 上海联影医疗科技有限公司 磁共振片层层面加速方法磁共振成像装置
CN105093143B (zh) * 2014-05-19 2017-08-22 上海联影医疗科技有限公司 磁共振片层层面加速方法
CN107290698A (zh) * 2014-05-19 2017-10-24 上海联影医疗科技有限公司 磁共振成像装置
CN105607020A (zh) * 2014-11-13 2016-05-25 西门子公司 用于生成磁共振图像的方法以及用于该方法的磁共振设备
CN104569880B (zh) * 2014-12-31 2017-04-05 中国科学院深圳先进技术研究院 一种磁共振快速成像方法及系统
CN104569880A (zh) * 2014-12-31 2015-04-29 中国科学院深圳先进技术研究院 一种磁共振快速成像方法及系统
CN112106034B (zh) * 2018-07-13 2024-05-24 华为技术有限公司 一种用于神经网络的卷积方法及装置
CN112106034A (zh) * 2018-07-13 2020-12-18 华为技术有限公司 一种用于神经网络的卷积方法及装置
CN109633503A (zh) * 2018-12-28 2019-04-16 上海联影医疗科技有限公司 磁共振图像重建方法、装置、计算机设备和存储介质
CN111513716B (zh) * 2019-02-05 2023-05-23 通用电气精准医疗有限责任公司 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
CN111513716A (zh) * 2019-02-05 2020-08-11 通用电气精准医疗有限责任公司 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
CN110045184A (zh) * 2019-04-02 2019-07-23 国网上海市电力公司 一种基于压缩感知macsmp的超次谐波测量方法
CN110570487A (zh) * 2019-08-26 2019-12-13 上海联影智能医疗科技有限公司 欠采样模型生成方法、图像重建方法、装置和计算机设备
CN110716088A (zh) * 2019-10-30 2020-01-21 国网上海市电力公司 一种基于压缩感知macsmp的超高次谐波测量方法
CN111257809A (zh) * 2020-01-23 2020-06-09 上海东软医疗科技有限公司 磁共振成像方法、装置、存储介质及医疗设备
CN112598574A (zh) * 2020-12-11 2021-04-02 华南理工大学 一种用于移动设备中的多分辨率并行磁共振图像重建方法
CN112834971A (zh) * 2020-12-31 2021-05-25 苏州朗润医疗系统有限公司 一种基于奇异值分解的mri迭代自校准并行成像算法
CN113009398A (zh) * 2021-04-08 2021-06-22 浙江大学 结合k空间和图像空间重建的成像方法和装置
CN113009398B (zh) * 2021-04-08 2021-12-17 浙江大学 结合k空间和图像空间重建的成像方法和装置

Also Published As

Publication number Publication date
RU2013133926A (ru) 2015-01-27
US9390521B2 (en) 2016-07-12
EP2656094A2 (en) 2013-10-30
JP5926285B2 (ja) 2016-05-25
CN103384836B (zh) 2016-10-26
WO2012085810A3 (en) 2012-11-22
JP2014503292A (ja) 2014-02-13
WO2012085810A2 (en) 2012-06-28
US20130279786A1 (en) 2013-10-24

Similar Documents

Publication Publication Date Title
CN103384836A (zh) 包含grappa算子的用于任意k空间轨迹的快速两步并行重建
US9396562B2 (en) MRI reconstruction with incoherent sampling and redundant haar wavelets
US10670678B2 (en) MR imaging using stack-of stars acquisition
US9482732B2 (en) MRI reconstruction with motion-dependent regularization
US9188655B2 (en) Magnetic resonance imaging apparatus and image processing apparatus
US8638096B2 (en) Method of autocalibrating parallel imaging interpolation from arbitrary K-space sampling with noise correlations weighted to reduce noise of reconstructed images
US9709650B2 (en) Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images
US8379951B2 (en) Auto calibration parallel imaging reconstruction method from arbitrary k-space sampling
US8155419B2 (en) MRI acquisition using sense and highly undersampled fourier space sampling
CN107209238B (zh) 具有对边带伪迹的抑制的并行多切片mr成像
Brummer et al. Noquist: reduced field‐of‐view imaging by direct Fourier inversion
US11016154B2 (en) Magnetic resonance imaging apparatus and image reconstruction program
US8334696B2 (en) Method for magnetic resonance imaging with parallel and localized spatial encoding magnetic fields
US10295643B2 (en) Magnetic resonance imaging apparatus and control method
Milles et al. Quantitative evaluation of compressed sensing in MRI: Application to 7T time-of-flight angiography
RU2764643C2 (ru) Управляемая потоком данных коррекция фазозависимых артефактов в системе магнитно-резонансной томографии
US10845442B2 (en) Magnetic resonance imaging apparatus, processing apparatus and medical image processing method
US20070055134A1 (en) Undersampled magnetic resonance imaging
WO2017167937A1 (en) Dynamic mr imaging with increased temporal and spatial resolution
Giliyar Radhakrishna et al. Improving spreading projection algorithm for rapid k‐space sampling trajectories through minimized off‐resonance effects and gridding of low frequencies
RU2575135C2 (ru) Быстрая параллельная реконструкция для произвольных траекторий к-пространства
JP7510840B2 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
US20230288515A1 (en) Augmenting Diffusion-Weighted Magnetic Resonance Imaging Data

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20161026

Termination date: 20171219

CF01 Termination of patent right due to non-payment of annual fee