CN104020430B - 磁共振成像运动伪影的校正方法及系统 - Google Patents

Abstract

本发明提出一种磁共振成像运动伪影的校正方法及系统，其中方法包括以下步骤：获取N组磁共振成像数据和与N组数据一一对应的导航数据,N为自然数；通过导航数据提取用于描述物体运动的特征向量；在高维特征空间中分别计算N个特征向量之间的差异度，并根据差异度将N个特征向量聚为多个集合；将每个集合中包含的特征向量相对应的磁共振成像数据放置到k空间以生成无相对运动的部分k空间数据；以及对每个集合中的部分k空间数据进行重建，并将包含数据最多的重建图像作为校正结果。根据本发明实施例的方法，通过特征向量的差异度对所获取的特征向量进行聚类，并对聚类结果进行重建以得到校正图像，从而提高了采集效率和伪影校正的效果。

Description

磁共振成像运动伪影的校正方法及系统

技术领域

本发明涉及磁共振成像和图像处理技术领域，特别涉及一种磁共振成像运动伪影的校正方法及系统。

背景技术

受试者（例如患者）进行磁共振扫描时，由于扫描时间长受试者无法长时间处于完全静止状态，即受试者会自主或不自主的运动。因此在进行扫描时，会产生一个或多个受试者的伪影，该伪影使得医生无法确定扫描部分的真实成像结果，会严重影像临床诊断结果。

现有的解决方式是，通过导航回波或自导航技术计算出采集信号与参考信号之间的相似性以检测当前采集磁共振信号是否存在运动，进而对运动污染的数据重新采样。

然而，现有的方式存在如下缺陷：

1、参考信号通常采用预扫描的方法确定初始位置状态，然而位置状态在扫描一段时间后会发生改变，从而影响采集效率。

2、由于采用数据重采的方法消除伪影，因此降低了采集效率。

3、在判断受试者是否运动时，通过预设的阈值进行判断。然而，该阈值的优化难度很高，难以确定该阈值。如果该阈值的设置过大会导致过多的数据被拒绝采集效率降低。如果设置过小则会导致过多的数据被接受无法去除运动伪影。

发明内容

本发明的目的旨在至少解决上述的技术缺陷之一。

为此，本发明一方面需要提供一种磁共振成像运动伪影的校正方法。该磁共振成像运动伪影的校正方法可以解决对伪影的处理效率低的问题。

本发明另一方面提出一种磁共振成像运动伪影的校正系统。

有鉴于此，本发明的实施例提出一种磁共振成像运动伪影的校正方法，包括以下步骤：磁共振成像数据和导航数据获取步骤，通过多个回波组成的回波链或回波组获取受试者的N组磁共振成像数据和与所述N组磁共振成像数据一一对应的N个导航数据,所述N为自然数；特征向量提取步骤，利用所述N个导航数据提取描述所述受试者运动状态的特征向量；特征向量聚类步骤，在高维特征空间中分别计算所述N个特征向量之间 的差异度，并根据所述差异度将所述N个特征向量聚为多个集合；部分k空间数据生成步骤，将每个集合中包含的特征向量相对应的所述磁共振成像数据放置到k空间以生成无相对运动的部分k空间数据；以及部分k空间数据重建步骤，对每个集合中所述无相对运动的部分k空间数据进行重建，并将包含所述磁共振成像数据最多的重建图像作为校正结果。

根据本发明实施例的方法，通过特征向量的差异度对所获取的特征向量进行聚类，并对聚类结果进行重建以得到校正图像，从而提高了处理效率和校正的准确度。

在本发明的一个实施例中，所述特征向量聚类步骤具体包括：在高维特征空间分别计算所述N个特征向量之间的差异度，并根据所述差异度生成差异度矩阵，所述差异度通过所述特征向量之间的关联关系描述；以及根据所述差异度矩阵将所述N个特征向量聚为多个集合。

在本发明的一个实施例中，在所述部分k空间数据重建步骤中，通过多路复用敏感度编码的并行成像方法对每个集合中所述无相对运动的部分k空间数据进行重建。

在本发明的一个实施例中，对所述部分k空间数据的重建通过如下公式求解，所述公式为，g_j,c,s=A_sS_j,cf_j，其中，g_j,c,s为第s个激发第c个线圈对应的卷绕图像的第j列数据，f_j表示未卷绕图像的第j列数据，A_s表示对f_j的卷绕操作，S_j,c表示一个对角矩阵。

在本发明的一个实施例中，所述差异度为高维特征空间中的距离。

在本发明的一个实施例中，在所述特征向量聚类步骤中，所述差异度为高维特征空间中的距离时根据特征向量之间的距离大小将多个特征向量进行分类。

在本发明的一个实施例中，所述对f_j的卷绕操作A_s通过如下公式表示，所述公式为， 其中，N_shot是激发总数，I是单位矩阵，Φ_s为激发序列引起的相位，i为虚数标志。

本发明另一方面的实施例提出了一种磁共振成像运动伪影的校正控制系统，包括：获取模块，用于通过多个回波组成的回波链或回波组获取受试者的N组磁共振成像数据和与所述N组磁共振成像数据一一对应的N个导航数据,所述N为自然数；提取模块，用于利用所述N个导航数据提取描述所述受试者运动状态的特征向量；聚类模块，用于在高维特征空间中分别计算所述N个特征向量之间的差异度，并根据所述差异度将所述N个特征向量聚为多个集合；生成模块，用于将每个集合中包含的特征向量相对应的所述磁共振成像数据放置到k空间以生成无相对运动的部分k空间数据；以及重建模块，用于对每个集合中所述无相对运动的部分k空间数据进行重建，并将包含所述磁共振成像数据最多的重建图像作为校正结果。

在本发明的一个实施例中，所述聚类模块包括：计算单元，用于在高维特征空间分别计算所述N个特征向量之间的差异度，并根据所述差异度生成差异度矩阵，所述差异度通过所述特征向量之间的关联关系描述；以及聚类单元，用于根据所述差异度矩阵将所述N个特征向量聚为多个集合。

在本发明的一个实施例中，所述重建模块通过多路复用敏感度编码的并行成像方法对每个集合中所述无相对运动的部分k空间数据进行重建。

在本发明的一个实施例中，所述重建模块对所述部分k空间数据的重建通过如下公式求解，所述公式为，g_j,c,s=A_sS_j,cf_j，其中，g_j,c,s为第s个激发第c个线圈对应的卷绕图像的第j列数据，f_j表示未卷绕图像的第j列数据，A_s表示对f_j的卷绕操作，S_j,c表示一个对角矩阵。

在本发明的一个实施例中，所述差异度为高维特征空间中的距离。

在本发明的一个实施例中，所述差异度为高维特征空间中的距离时根据特征向量之间的距离大小将多个特征向量进行分类。

在本发明的一个实施例中，所述对f_j的卷绕操作A_s通过如下公式表示，所述公式为， 其中，N_shot是激发总数，I是单位矩阵，Φ_s为激发序列引起的相位，i为虚数标志。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的磁共振成像运动伪影的校正方法的流程图；

图2为根据本发明一个实施例的采用导航回波所形成的差异度矩阵；

图3为根据本发明一个实施例的采用最小生成树聚类方法对多个特征向量进行聚类的示意图；

图4和图5分别为根据本发明一个实施例的在k空间数据的示意图；

图6为根据本发明一个实施例的脑部矢状位扫描和轴位扫描的原始图像和重建图像；以及

图7为根据本发明一个实施例的磁共振成像运动伪影的校正系统的结构框图。

图8为根据本发明一个实施例的聚类模块的结构框图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类 似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1为根据本发明一个实施例的磁共振成像运动伪影的校正方法的流程图。如图1所示，根据本发明实施例的磁共振成像运动伪影的校正方法包括以下步骤：通过多个回波组成的回波链或回波组获取受试者的N组磁共振成像数据和与N组磁共振成像数据一一对应的N个导航数据,N为自然数（步骤101）。利用N个导航数据提取描述受试者运动状态的特征向量（步骤103）。在高维特征空间中分别计算N个特征向量之间的差异度，并根据差异度将N个特征向量聚为多个集合（步骤105）。将每个集合中与其包含的多个特征向量相对应的磁共振成像数据放置到k空间以生成无相对运动的部分k空间数据（步骤107）。对每个集合中无相对运动的部分k空间数据进行重建，并将包含磁共振成像数据最多的重建图像作为校正结果（步骤109）。

根据本发明实施例的方法，根据特征向量的差异度对所获取的特征向量进行聚类，并对聚类结果进行重建以得到校正图像，从而提高了处理效率和校正的准确度。

在步骤101和步骤103中，采用例如快速自旋回波或快速梯度回波等回波链采集方法获得N组成像数据，其中同一回波链所获得的数据为一组；同时利用例如OrbitalNavigator等导航回波或PROPELLER等自导航(Self Navigator)方式获取可用于描述运动状态的N个导航信号，这N个导航信号与N组成像数据一一对应。

在步骤105中，提取N个导航信号当中的描述运动状态的特征向量，在高维特征空间分别计算N个特征向量之间的差异度，并根据差异度生成差异度矩阵，差异度通过特征向量之间的距离描述。再根据差异度矩阵将N个特征向量聚为多个集合。

具体地，在高维特征空间当中采用自相关等方式计算每两个特征向量之间的相关性倒 数以生成差异度矩阵，将特征空间中的距离作为差异度。差异度为高维特征空间中的距离时根据特征向量之间的距离大小将N个特征向量进行分类。

图2为根据本发明一个实施例的采用导航回波所形成的差异度矩阵。如图2所示，每行/列都为一个特征向量与其它特征向量之间的差异度，其亮度越高则标明与其它激发之间的差异度就越大。

图3为根据本发明一个实施例的采用最小生成树聚类方法对多个特征向量进行聚类的示意图。如图3所示，点A，B，C，…，K均为特征向量。对应特征向量之间的连接线表示距离，连接线越长则表示对应特征向量之间的差异度越大。图中特征向量F和特征向量G的连接线最长，因此将特征向量A，B，C，…，K分为两个集合，第一集合包括特征向量A至F，第二集合包括特征向量G至K。同一集合中的特征向量和其对应的导航数据以及磁共振成像数据处于相对静止的同一状态下。

在步骤107中，对于同一状态下特征向量的每个聚类集合中所包含的磁共振成像数据放置到k空间以生成对应集合的部分k空间数据。可以采用随机采样的方式，以保证同一状态下的部分k空间数据可均匀的分布在k空间中。

图4和图5分别为根据本发明一个实施例的在k空间数据的示意图。对上述第一集合和第二集合的磁共振成像数据放置到k空间所获得的部分k空间数据分别如图4和图5所示。

在步骤109中，通过多路复用敏感度编码的并行成像方法（Multiplexed SENSE）对每个集合中同一运动状态下的部分k空间数据进行重建以得到重建图像。对运动伪影的部分k空间数据的重建通过如下公式表示，公式为，g_j,c,s=A_sS_j,cf_j-公式1，其中，g_j,c,s为第s个激发第c个线圈对应的卷绕图像的第j列数据，s=1,2,…,N_shot，N_shot是shots总数，c=1,2,…,C，j=1,2,…N_x，f_j表示未卷绕图像的第j列数据，A_s表示对f_j的卷绕操作，S_j,c表示一个对角矩阵。对f_j的卷绕操作A_s通过如下公式表示，公式为，其中，N_shot是激发总数。I是单位矩阵，Φ_s为激发序列引起的相位，i为虚数标志。设N是f_j的维数，则I维数为m=N/N_shot。

对于上述公式1存在如下关系，g_j,c,s=E_j,c,sf_j-公式2，其中E_j,c,s=A_sS_j,c。对于某一聚类中的所有线圈和所有激发都有如公式2的对应关系，且对于激发所求解的f_j是相同的，因此可以得到如下公式，g_j=E_jf_j-公式3，其中 $g_j={(g_{j,\mathrm{1,1},}{g}_{j,\mathrm{1,2}},...,g_{j,1,C}{,g}_{j,\mathrm{2,1}},g_{j,\mathrm{2,2}},...,g_{j,2,C},...,g_{j,N_{\mathrm{shot}},C})}^T,$ E_j为卷绕矩阵A_s和敏感度矩阵S_j,c的乘积， $E_j={(E_{j,\mathrm{1,1},}{E}_{j,\mathrm{1,2}},...,E_{j,1,C}{,E}_{j,\mathrm{2,1}},E_{j,\mathrm{2,2}},...,E_{j,2,C},...,E_{j,N_{\mathrm{shot}},C})}^T,$ f_j为未混叠的图像即最终校正结果。

相对于每个集合所获得的k空间数据均可以通过公式4对混叠图像g_j进行最小二乘处理得到未混叠的图像f_j。即多个重建图像，并在多个重建图像中选取包含成像数据最多的重建图像作为校正结果。图6为根据本发明一个实施例的脑部矢状位扫描和轴位扫描的原始图像和重建图像。图6中，图像A和图像D为原始图像，而图像B和C为利用原始图像A的采集数据利用本方法获得的重建图像，图像E和F为利用原始图像D的采集数据利用本方法获得的重建图像，从图6中可以看出利用本方法获得的重建图像中无运动伪影，且更为锐利。

根据本发明实施例的方法，根据特征向量的差异度对所获取的特征向量进行聚类，并对聚类结果进行重建以得到校正图像，从而提高了处理效率和校正的准确度。

图7为根据本发明一个实施例的磁共振成像运动伪影的校正系统的结构框图。如图7所示，根据本发明实施例的磁共振成像运动伪影的校正系统包括：获取模块100、提取模块300、聚类模块500、生成模块700和重建模块900。

具体地，获取模块100用于通过多个回波组成的回波链或回波组获取受试者的N组磁共振成像数据和与N组磁共振成像数据一一对应的N个导航数据,N为自然数。提取模块300用于利用N个导航数据提取描述受试者运动状态的特征向量。聚类模块500用于在高维特征空间中分别计算N个特征向量之间的差异度，并根据差异度将N个特征向量聚为多个集合。生成模块700用于将每个集合中包含的特征向量相对应的磁共振成像数据放置到k空间以生成无相对运动的部分k空间数据。重建模块900用于对每个集合中无相对运动的部分k空间数据进行重建，并将包含磁共振成像数据最多的重建图像作为校正结果。

根据本发明实施例的系统，根据特征向量的差异度对所获取的特征向量进行聚类，并对聚类结果进行重建以得到校正图像，从而提高了处理效率和校正的准确度。

在本发明的一个实施例中，获取模块100通过例如快速自旋回波或快速梯度回波等回波链采集方法获得N组成像数据，其中同一回波链所获得的数据为一组；同时利用例如Orbital Navigator等导航回波或PROPELLER等自导航(Self Navigator)方式获取可用于描述运动状态的N个导航信号，这N个导航信号与N组成像数据一一对应。

图8为根据本发明一个实施例的聚类模块的结构框图。如图8所示，根据本发明实施例的聚类模块500包括：计算单元510和聚类单元530。

具体而言，计算单元510用于在高维特征空间分别计算N个特征向量之间的差异度，并根据差异度生成差异度矩阵，差异度通过特征向量之间的关联关系描述。聚类单元530用于根据差异度矩阵将N个特征向量聚为多个集合。

在本发明的一个实施例中，计算单元510在高维特征空间当中采用自相关等方式计算每两个特征向量之间的相关性倒数以生成差异度矩阵，将特征空间中的距离作为差异度。差 异度为高维特征空间中的距离时根据特征向量之间的距离大小将N个特征向量进行分类。

图3为根据本发明一个实施例的采用最小生成树聚类方法对多个特征向量进行聚类的示意图。如图3所示，点A，B，C，…，K均为特征向量。对应特征向量之间的连接线表示距离，连接线越长则表示对应特征向量之间的差异度越大。图中特征向量F和特征向量G的连接线最长，因此将特征向量A，B，C，…，K分为两个集合，第一集合包括特征向量A至F，第二集合包括特征向量G至K。同一集合中的特征向量和其对应的导航数据以及磁共振成像数据处于相对静止的同一状态下。

生成模块700将同一状态下特征向量的每个聚类集合中所包含的磁共振成像数据放置到k空间以生成对应集合的部分k空间数据。本发明的示例中可以采用随机采样的方式，以保证同一状态下的部分k空间数据可均匀的分布在k空间中。

在本发明的一个实施例中，重建模块900通过多路复用敏感度编码的并行成像方法对每个集合中无相对运动的部分k空间数据进行重建。重建模块900通过多路复用敏感度编码的并行成像方法（Multiplexed SENSE）对每个集合中同一运动状态下的部分k空间数据进行重建以得到重建图像。对运动伪影的部分k空间数据的重建通过如下公式表示，公式为，g_j,c,s=A_sS_j,cf_j-公式1，其中，g_j,c,s为第s个激发第c个线圈对应的卷绕图像的第j列数据，s=1,2,…,N_shot，N_shot是shots总数，c=1,2,…,C，j=1,2,…N_x，f_j表示未卷绕图像的第j列数据，A_s表示对f_j的卷绕操作，S_j,c表示一个对角矩阵。对f_j的卷绕操作A_s通过如下公式表示，公式为，其中，N_shot是激发总数。I是单位矩阵，Φ_s为激发序列引起的相位，i为虚数标志。设N是f_j的维数，则I维数为m=N/N_shot。

对于上述公式1存在如下关系，g_j,c,s=E_j,c,sf_j-公式2，其中E_j,c,s=A_sS_j,c。对于某一聚类中的所有线圈和所有激发都有如公式2的对应关系，且对于激发所求解的f_j是相同的，因此可以得到如下公式，g_j=E_jf_j-公式3，其中 $g_j={(g_{j,\mathrm{1,1},}{g}_{j,\mathrm{1,2}},...,g_{j,1,C}{,g}_{j,\mathrm{2,1}},g_{j,\mathrm{2,2}},...,g_{j,2,C},...,g_{j,N_{\mathrm{shot}},C})}^T,$ E_j为卷绕矩阵A_s和敏感度矩阵S_j,c的乘积， $E_j={(E_{j,\mathrm{1,1},}{E}_{j,\mathrm{1,2}},...,E_{j,1,C}{,E}_{j,\mathrm{2,1}},E_{j,\mathrm{2,2}},...,E_{j,2,C},...,E_{j,N_{\mathrm{shot}},C})}^T,$ f_j为未混叠的图像即最终校正结果。

相对于每个集合所获得的k空间数据均可以通过公式4对混叠图像g_j进行最小二乘处理得到未混叠的图像f_j。即多个重建图像，并在多个重建图像中选取包含成像数据最多的重 建图像作为校正结果如图6所示。

根据本发明实施例的系统，根据特征向量的差异度对所获取的特征向量进行聚类，并对聚类结果进行重建以得到校正图像，从而提高了处理效率和校正的准确度。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种磁共振成像运动伪影的校正方法，其特征在于，包括以下步骤：

磁共振成像数据和导航数据获取步骤，通过多个回波组成的回波链或回波组获取受试者的N组磁共振成像数据和与所述N组磁共振成像数据一一对应的N个导航数据,所述N为自然数；

特征向量提取步骤，利用所述N个导航数据提取描述所述受试者运动状态的特征向量；

特征向量聚类步骤，在高维特征空间中分别计算N个特征向量之间的差异度，并根据所述差异度将所述N个特征向量聚为多个集合；

部分k空间数据生成步骤，将每个集合中包含的特征向量相对应的所述磁共振成像数据放置到k空间以生成无相对运动的部分k空间数据；以及

部分k空间数据重建步骤，对每个集合中所述无相对运动的部分k空间数据进行重建，并将包含所述磁共振成像数据最多的重建图像作为校正结果。

2.如权利要求1所述的磁共振成像运动伪影的校正方法，其特征在于，所述特征向量聚类步骤具体包括：

在高维特征空间分别计算所述N个特征向量之间的差异度，并根据所述差异度生成差异度矩阵，所述差异度通过所述特征向量之间的关联关系描述；以及

根据所述差异度矩阵将所述N个特征向量聚为多个集合。

3.如权利要求1所述的磁共振成像运动伪影的校正方法，其特征在于，在所述部分k空间数据重建步骤中，通过多路复用敏感度编码的并行成像方法对每个集合中所述无相对运动的部分k空间数据进行重建。

4.如权利要求3所述的磁共振成像运动伪影的校正方法，其特征在于，对所述部分k空间数据的重建通过如下公式求解，所述公式为，

g_j,c,s＝A_sS_j,cf_j，

其中，g_j,c,s为第s个激发第c个线圈对应的卷绕图像的第j列数据，f_j表示未卷绕图像的第j列数据，A_s表示对f_j的卷绕操作，S_j,c表示敏感度矩阵。

5.如权利要求1所述的磁共振成像运动伪影的校正方法，其特征在于，所述差异度为高维特征空间中的距离。

6.如权利要求5所述的磁共振成像运动伪影的校正方法，其特征在于，在所述特征向量聚类步骤中，所述差异度为高维特征空间中的距离时根据特征向量之间的距离大小将多个特征向量进行分类。

7.如权利要求4所述的磁共振成像运动伪影的校正方法，其特征在于，所述对f_j的卷绕操作A_s通过如下公式表示，所述公式为，

$A_s=(I,e^{{\mathrm{i\Φ}}_s}I,e^{i2{\mathrm{\Φ}}_s}I,...,e^{i(N_{shot}-1){\mathrm{\Φ}}_s}I)f_j,$

其中，N_shot是激发总数，I是单位矩阵，Φ_s为激发序列引起的相位，i为虚数标志。

8.一种磁共振成像运动伪影的校正系统，其特征在于，包括：

获取模块，用于通过多个回波组成的回波链或回波组获取受试者的N组磁共振成像数据和与所述N组磁共振成像数据一一对应的N个导航数据,所述N为自然数；

提取模块，用于利用所述N个导航数据提取描述所述受试者运动状态的特征向量；

聚类模块，用于在高维特征空间中分别计算N个特征向量之间的差异度，并根据所述差异度将所述N个特征向量聚为多个集合；

生成模块，用于将每个集合中包含的特征向量相对应的所述磁共振成像数据放置到k空间以生成无相对运动的部分k空间数据；以及

重建模块，用于对每个集合中所述无相对运动的部分k空间数据进行重建，并将包含所述磁共振成像数据最多的重建图像作为校正结果。

9.如权利要求8所述的磁共振成像运动伪影的校正系统，其特征在于，所述聚类模块包括：

计算单元，用于在高维特征空间分别计算所述N个特征向量之间的差异度，并根据所述差异度生成差异度矩阵，所述差异度通过所述特征向量之间的关联关系描述；以及

聚类单元，用于根据所述差异度矩阵将所述N个特征向量聚为多个集合。

10.如权利要求8所述的磁共振成像运动伪影的校正系统，其特征在于，所述重建模块通过多路复用敏感度编码的并行成像方法对每个集合中所述无相对运动的部分k空间数据进行重建。

11.如权利要求10所述的磁共振成像运动伪影的校正系统，其特征在于，所述重建模块对所述部分k空间数据的重建通过如下公式求解，所述公式为，

g_j,c,s＝A_sS_j,cf_j，

其中，g_j,c,s为第s个激发第c个线圈对应的卷绕图像的第j列数据，f_j表示未卷绕图像的第j列数据，A_s表示对f_j的卷绕操作，S_j,c表示敏感度矩阵。

12.如权利要求8所述的磁共振成像运动伪影的校正系统，其特征在于，所述差异度为高维特征空间中的距离。

13.如权利要求12所述的磁共振成像运动伪影的校正系统，其特征在于，所述差异度为高维特征空间中的距离时根据特征向量之间的距离大小将多个特征向量进行分类。

14.如权利要求11所述的磁共振成像运动伪影的校正系统，其特征在于，所述对f_j的卷绕操作A_s通过如下公式表示，所述公式为，

$A_s=(I,e^{{\mathrm{i\Φ}}_s}I,e^{i2{\mathrm{\Φ}}_s}I,...,e^{i(N_{shot}-1){\mathrm{\Φ}}_s}I)f_j,$

其中，N_shot是激发总数，I是单位矩阵，Φ_s为激发序列引起的相位，i为虚数标志。