CN104603630B

CN104603630B - 具有基于导航器的运动检测的磁共振成像系统

Info

Publication number: CN104603630B
Application number: CN201380046535.6A
Authority: CN
Inventors: T·尼尔森; P·博尔纳特
Original assignee: Koninklijke Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 2012-09-06
Filing date: 2013-09-02
Publication date: 2017-12-12
Anticipated expiration: 2033-09-02
Also published as: CN104603630A; US10156623B2; EP2893364B1; JP2015532610A; JP5992624B2; EP2893364A1; US20150212182A1; RU2015112295A; WO2014037868A1; BR112015004651A2

Abstract

本发明提供一种用于采集磁共振数据(242、244)的磁共振成像系统(200、300)。用于控制所述磁共振成像系统的处理器(230)执行指令(250、252、254、256、258)，所述指令引起所述处理器重复地：控制(100)所述磁共振成像系统来采集所述磁共振数据的部分，其中，所述磁共振数据的每个部分都包括导航器数据(244)；通过从所述磁共振数据的每个部分提取所述导航器数据来创建(102)导航器向量的集合；通过计算所述导航器向量的集合中的每个之间的度量来构建(104)相异性矩阵(246、400、700、800、900、1000、1100、1400、1500)；使用归类算法来生成(106)所述相异性矩阵的矩阵归类(248)；以及，控制(108)所述磁共振成像系统以使用所述矩阵归类来修改对所述磁共振数据的采集。

Description

具有基于导航器的运动检测的磁共振成像系统

技术领域

本发明涉及磁共振成像，尤其涉及使用相异性矩阵归类对磁共振成像的采集的修改。

背景技术

磁共振成像(MRI)数据采集期间的患者运动能够导致图像伪影，其危害得到的图像的诊断品质。这是个重要的问题，并且已引起旨在降低患者运动的影响的大量方法。尽管有这些过去的努力，但患者运动在今天仍是个重要问题；部分是由于现代磁共振(MR)扫描器中增大的SNR和快速扫描方法允许以更高的空间分辨率进行成像，这使得实验对运动更为敏感，部分是由于所提出的方法在常规临床应用中是不实际的。由于它们需要太过复杂和/或连接耗时的传感器，或者由于它们过度地延长了扫描持续时间，而可能出现这种情况。

其他常见的限制是对某些解剖结构/成像序列的限制、对图像对比度的负面影响等。

在Trevor Hastie、Robert Tibshirani、Jerome Friedman的“The Elements ofStatistical Learning：Data Mining,Inference,and Prediction,第二版(SpringerSeries in Statistics)”，第14.3章中解释了聚类分析的方法。

发明内容

本发明在独立权利要求中提供了一种磁共振成像系统和计算机程序产品。在从属权利要求中给出了实施例。

如本领域技术人员将认识到的，本发明的各方面可以被实现为装置、方法或计算机程序产品。因此，本发明的各方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件与硬件方面的实施例的形式，其在本文中大体上可以全部被称作“电路”、“模块”或“系统”。此外，本发明的各方面可以采取计算机程序产品的形式，其被实现在其上实现有计算机可执行代码的一个或多个计算机可读介质中。

可以使用一个或多个计算机可读介质的组合。所述计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文中使用的‘计算机可读存储介质’涵盖可以存储可由计算设备的处理器执行的指令的任意有形存储介质。所述计算机可读存储介质可以被称作计算机可读非暂时性存储介质。所述计算机可读存储介质也可以被称作有形计算机可读介质。在一些实施例中，计算机可读存储介质也能够存储能够由计算设备的处理器访问的数据。计算机可读存储介质的范例包括，但不限于：软盘、磁性硬盘驱动、固态硬盘、闪存、USB拇指驱动、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及处理器的寄存文件。光盘的范例包括压缩盘(CD)和数字多用盘(DVD)，例如CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或者DVD-R盘。术语计算机可读存储介质也指能够由计算机设备经由网络或通信链路访问的各种类型的记录介质。例如，可以在调制解调器上、在互联网上，或者在局域网上检索数据。可以使用任何合适的介质来传输被实现在计算机可读介质上的计算机可执行代码，包括但不限于无线、电话线、光纤线缆、RF等等，或前述的任何适当组合。

计算机可读信号介质可以包括具有被实现在其中(例如在基带中或作为载波的部分)的计算机可执行代码的传播数据信号。这样的传播信号可以采取多种形式中的任一种，包括，但不限于电磁、光学或其任意适当组合。计算机可读信号介质可以是任何计算机可读介质，其不是计算机可读存储介质，并且其能够通信、传播或传输由指令执行系统、装置或设备使用或与指令执行系统、装置或设备连接的程序。

‘计算机存储器’或‘存储器’是计算机可读存储介质的范例。计算机存储器是可直接访问处理器的任何存储器。‘计算机存储设备’或‘存储设备’是计算机可读存储介质的另外的范例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，反之亦然。

本文中使用的‘处理器’涵盖能够执行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的引用应被解释为可能包含多于一个处理器或处理核。例如，所述处理器可以是多核处理器。处理器也可以指在单个计算机系统内或被分布在多个计算机系统间的处理器的集合。术语计算设备也应被解释为可能指计算设备的集合或网络，每个计算设备都包括一个或多个处理器。所述计算机可执行代码可以由可以在相同计算设备内的或者可以甚至被分布在多个计算设备上的多个处理器执行。

计算机可执行代码可以包括能够令处理器执行本发明的一方面的机器可执行指令或程序。用于执行本发明的各方面的操作的计算机可执行代码可以被写成一种或多种编程语言的任意组合，包括面向对象的编程语言，诸如Java、Smalltalk、C++等等，以及常规程序性编程语言，诸如“C”编程语言或类似的编程语言，并被编译成机器可执行指令。在一些实例中，所述计算机可执行代码可以是高阶语言的形式或预编译形式，并且与联机生成所述机器可执行指令的解释器联合使用。

所述计算机可执行代码可以完全在用户的计算机上执行、部分地在用户的计算机上执行、作为独立的软件包执行、部分地在用户的计算机上并且部分地在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情形中，所述远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))被连接到用户的计算机，或者可以建立与外部计算机的连接(例如通过使用互联网服务提供商的互联网)。

本发明的各方面是参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图、图示和/或框图来描述的。应当理解，所述流程图、图示和/或框图中的每个框或部分框都能够由计算机程序指令(其在适用时以计算机可执行代码的形式)来实施。还要理解的是，在不互相排斥时，可以组合不同流程图、图示和/或框图中的框的组合。这些计算机程序指令可以被提供到通用计算机、专用计算机的处理器，或者其他可编程数据处理装置，以产生机器，从而经由所述计算机的所述处理器或其他可编程数据处理装置执行的所述指令创建用于实施在所述流程图和/或框图(一个或多个)框中指定的功能/动作的模块。

这些计算机程序指令也可以被存储在计算机可读介质中，其能够指导计算机、其他可编程数据处理装置或其他设备以特定方式起作用，使得被存储在所述计算机可读介质中的所述指令产生一件制造品，其包括实施在所述流程图和/或框图(一个或多个)框中指定的功能/动作的指令。

所述计算机程序指令也可以被加载到计算机、其他可编程数据处理装置或其他设备上，以实现在所述计算机、其他可编程装置或其他设备上执行的一系列操作步骤，以产生计算机实施的过程，使得在所述计算机或其他可编程装置上执行的所述指令提供用于实施在所述流程图和/或框图(一个或多个)框中指定的功能/动作的过程。

本文中使用的‘用户接口’是允许用户或操作者与计算机或计算机系统交互的接口。‘用户接口’也可以被称作‘人机交互设备’。用户接口可以向操作者提供信息或数据和/或从操作者接收信息或数据。用户接口可以使得来自操作者的输入能够被计算机接收到，并且可以向用户提供来自计算机的输出。换言之，所述用户接口可以允许操作者控制或操纵计算机，并且所述接口可以允许所述计算机指示所述操作者的控制或操纵的效果。数据或信息在显示器或图形用户界面上的显示是向操作者提供信息的范例。通过键盘、鼠标、轨迹球、触摸板、指点杆、绘图板、操纵杆、手柄、网络摄像头、耳机、变速杆、方向盘、踏板、有线手套、跳舞毯、遥控器和加速度计都是实现对来自操作者的信息或数据的接收的用户接口部件的范例。

本文中使用的‘硬件接口’涵盖使得计算机系统的处理器能够与外部计算设备和/或装置交互、和/或控制外部计算设备和/或装置的接口。硬件接口可以允许处理器向外部计算设备和/或装置发送控制信号或指令。硬件接口也可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的范例包括，但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口以及数字输入接口。

本文中使用的‘显示器’或‘显示设备’涵盖适用于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、声音和或触觉数据。显示器的范例包括，但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影机、以及头戴式显示器。

磁共振(MR)数据在本文中被定义为在磁共振成像扫描期间对由磁共振装置的天线通过原子自旋发出的射频信号所记录的测量结果。磁共振数据是医学图像数据的范例。磁共振成像(MRI)图像在本文中被定义为所述磁共振成像数据内包含的解剖数据的重建二维或三维可视化。该可视化能够使用计算机来执行。磁共振数据的部分也可以指“激发(shot)”。导航器数据是磁共振数据的范例，并且通常表示对象的位置或运动状态。

在本发明的一方面，提供一种用于从成像区采集磁共振数据的磁共振成像系统。所述磁共振成像系统包括用于控制所述磁共振成像系统的处理器。所述磁共振成像系统还包括存储器，所述存储器用于储存用于由处理器执行的机器可执行指令。所述机器可执行指令的执行令所述处理器重复地控制所述磁共振成像系统以采集所述磁共振数据的部分。所述磁共振数据中的每个部分都包括导航器数据。针对一些磁共振成像协议，所述数据可以是在几分钟的时间段内采集的。所述磁共振数据的所述部分指在完整协议期间采集的磁共振数据的部分。

本文中使用的导航器数据涵盖指示对象的运动的磁共振数据。例如如果对象在内部和外部完全静止，则所述导航器数据不应改变。然而，如果所述对象正在移动或者内部正在移动，则所述导航器数据可以用于表示或量化该运动。在一些实施例中，所述导航器数据可以是单独采集的导航器数据，其是以与磁共振数据的(一个或多个)部分交叉的方式被采集的。所述导航器数据也可以是图像数据和/或k空间中的数据，其是从所述磁共振数据的所述部分提取的。可以使用不同类型的导航器。例如，所述导航器数据可以是一维信号或投影，如中心k空间线。F导航器(平行于中心k空间线的k空间线)、O导航器(绕k空间原点的圆)是范例。对较高维度的数据的测量结果(例如小图像或它们的子集)也可以用作导航器。

机器可执行指令的执行还令所述处理器通过从所述磁共振数据中的每个部分提取所述导航器数据来重复地创建导航器向量的集合。在对所述导航器数据的每次采集之后，构建导航器向量，并且之后将导航器向量添加到导航器向量的集合中。

机器可执行指令的执行还令所述处理器通过计算所述导航器向量的集合中的每个之间的度量来重复地构建相异性矩阵或D-矩阵。本文中使用的度量是用于生成(一个或多个)值以评价两个导航器向量的接近度或相似度的的数学函数。本文中使用的相异性矩阵涵盖用于存储如通过两个或更多个数学对象(例如导航器向量)之间的度量测量的相对相异性的矩阵。

所述导航器向量中的每个之间的所述相异性是使用所述度量来测量的，并且其然后用于构建所述相异性矩阵。随着采集到越来越多的导航器数据，可以不需要每次都完整地重建所述相异性矩阵。例如，在添加一个导航器向量时，额外的数据可以简单地被添加到已有的相异性矩阵，并使其更大。所述指令的执行还令所述处理器使用归类算法重复地生成所述相异性矩阵的矩阵归类。所述归类算法将所述相异性矩阵作为输入，并然后输出矩阵归类。所述归类算法因此能够返回描述所述相异性矩阵内部的值的结构的归类，或者能够识别所述导航器集的值中的转变。所述指令的执行还令所述处理器控制所述磁共振成像系统以使用所述归类矩阵来修改对所述磁共振数据的采集。例如，所述矩阵归类可以指示所述对象自上次数据采集以来已在内部或外部移动了。这可以用于例如确定所述磁共振协议是否应被继续或者其是否应被中断。该实施例可以是有益的，因为其实现了对所述对象内部或外部的各种类型的移动的确定。这可以有助于更快速地生成磁共振图像。

在另一实施例中，所述归类算法是能用于选择所述归类矩阵的模式识别算法。例如，所述模式识别算法可以被编程或包含指令，所述指令使得所述过程能够识别所述导航器向量的值中的转变，或者可以能用于识别导航器向量的集合中的模式。例如，神经网络可以被编程为所述矩阵归类。

在另一实施例中，所述存储器还包括矩阵库，所述矩阵库包括范例矩阵。所述模式识别模块能用于选择所述范例矩阵中的一个。该实施例可以是有益的，因为其实现了对特定库矩阵的选择。这可以有助于更快速地生成所述矩阵归类。

在另一实施例中，所述范例矩阵中的每个都与修改指令相关联。通过执行所述修改指令来修改由所述磁共振成像系统对所述磁共振数据的采集。该实施例可以是有益的，因为其提供了在发生所述采集的同时联机修改对所述磁共振数据的所述采集的手段。矩阵在该上下文中的使用可以是有用的，因为可以很好地制定出所述矩阵库中的所述范例，并且用于改善数据品质的所述修改可以是已知的。

在另一实施例中，所述模式识别算法是聚类分析算法。所述聚类分析算法能用于执行所述导航器向量的集合的时间相关。各个导航器向量之间的所述时间相关然后可以用于生成所述相异性矩阵。本文中使用的聚类分析算法涵盖可以用于聚类分析(其也被称为数据分割)的算法。这可以是尤其有益的，因为聚类分析可以有用将所述导航器向量分为不同的组。例如，如果对象移动了，则所述聚类分析算法可以识别存在两个或更多个不同组的导航器向量。通过将所述导航器向量划分成这样的组，之后可以容易地识别对象在何时移动。然而，在一些实例中，所述聚类分析可以指示导航器向量具有与一定时期较高程度的相似度。例如，这可以指示所述对象的周期运动。

在另一实施例中，所述聚类算法是使用平均连接的凝聚分层聚类算法。这是个迭代过程，其中，你以包含仅一个元素(＝一个导航器激发)的聚类开始。这意味着在开始时，聚类的数据等于导航器激发的数目。在每次迭代中，通过对彼此最接近的两个聚类进行合并，使聚类的数目减少一个。

为了使用所述方法，你需要定义计算两个聚类之间的距离的度量。同样存在不同选项，但都基于针对属于所述聚类的元素的相异性矩阵值：你能够采取涉及到的全部元素的相异性值中的最小值、最大值或平均值。

这给了你随着聚类间相异性(两个聚类之间的融合发生在这里)的逐渐增加，而逐渐减小的聚类的序列。如果你标绘融合相异性对聚类的数目，如果导航器激发能够被分成不同的组，你将注意到在该图中的强跳跃。通过将阈值放置到最大容许聚类间距离，你从聚类的分层链中选择一个特定聚类。

在另一实施例中，所述归类算法是统计分析算法。这可以是有益的，因为存在可以用于识别数据的改变的多种众所周知的统计技术。

在另一实施例中，所述统计分析算法能用于通过执行以下方式中的任意一种来确定矩阵归类：执行贝叶斯分析、对所述相异性矩阵进行阈值处理、计算所述相异性矩阵的标准偏差、识别所述相异性矩阵中在预定范围以外的元素，以及执行基于概率的选择。

在另一实施例中，所述磁共振数据包括多个切片。所述指令的执行还令所述处理器针对所述多个切片中的每个使用所述相异性矩阵来计算相异性矩阵的集合。所述指令的执行还令所述处理器通过使用所述归类算法来生成矩阵归类的集合，以针对相异性矩阵的集合中的每个生成所述相异性矩阵。所述指令的执行还令所述处理器控制所述磁共振成像系统，以使用矩阵归类的集合来修改对所述磁共振数据的采集。在采集磁共振数据时，其可以在多于一个采集平面或切片中被采集。本文中使用的切片涵盖从中采集磁共振数据的二维区域。对二维的引用事实上是对期望位置的引用。所述磁共振数据是在傅立叶空间中被采集的，因此对磁共振数据的所述采集实质上是来自三维体积。根据每个特定切片，可以使用其自身的相异性矩阵。该实施例可以是尤其有益的，因为其允许在每个特定切片中优化所述磁共振协议。

在另一实施例中，通过将基于规则的算法应用于矩阵归类的集合，来执行所述控制磁共振成像系统。

在另一实施例中，所述磁共振数据包括在k空间中的样本点的集合。所述磁共振数据的每个部分都是样本点的集合的子集。

在另一实施例中，所述磁共振成像系统还包括能用于同时从多于一个通道接收所述磁共振数据的多通道射频系统。所述指令的执行还令所述处理器通过对来自所述多于一个通道的所述导航器数据进行组合，来创建导航器向量的集合。例如，可以在每个个体数据上采集导航器数据。可以使用多种不同的技术对来自所述通道中的每个的所述导航器数据进行组合。例如，通常在多通道射频系统中，针对不同的地理位置，以不同方式对来自所述通道中的每个的所述数据进行加权。相对的通道之间的该加权因子可以用于对导航器向量的集合进行组合。在其他实施例中，可以简单地对所述导航器向量进行平均。在其他实施例中，可以选择从所述不同射频通道收集的所述导航器数据的子集。

在另一实施例中，通过使用以下方式中的任一种来对所述导航器数据进行组合：使用预定权重来对来自所述多于一个通道的所述导航器数据进行平均，以及连接来自所述多于一个通道的所述导航器数据。在另一实施例中，所述预定加权因子是以下中的任一个：Roemer灵敏度、空间位置，或所接收的信号强度。

连接实现了大量测量结果到单一相异性值的减少。用于实现其的一种方式是针对每次测量(“x_ij”)定义度量(“d”)，并然后对被应用到其各自的测量的全部度量的值进行加和。在该情况中，i下标可以指不同的导航器激发，并且j下标可以指不同的测量值。这些能够是相同接收通道或者不同的接收通道或者甚至不同的设备(如呼吸带)的不同k空间样本。

在另一实施例中，在多通道磁共振采集的情况中，能够使用合适的通道通信将所述导航器信号组合到另外的过程，该途径暗含某些加权因子用于减小评价期间的数值工作量。这些加权因子可以从潜在地可用的线圈灵敏度信息并且也是从先验知识得到的，以额外地平衡所述导航器数据的所述个体信号的影响。这可以是在空间和置信度方面的。在另一实施例中，这可以包括通过指定合适的度量来省略所述信号组合过程，所述合适的度量在所述矩阵元素的计算期间考虑所述磁共振导航器信号的潜在的多通道性质。

在另一实施例中，通过以下方式中的任一种来修改对磁共振数据的所述采集：停止对磁共振数据的所述采集；修改扫描几何配置并限制对磁共振数据的所述采集；忽略所述磁共振数据中的一个或多个点；重新采集所述磁共振数据的部分；生成操作者警报；及其组合。根据由所述矩阵归类所确定的，可以需要各种动作用于校正对所述磁共振数据的所述采集。

在另一实施例中，所述度量是以下方式中的任一种：计算导航器向量之间的平方复合差之和；计算所述导航器向量的幅值的差异；计算导航器向量之间的差的绝对值；以及，计算导航器信号之间的相关性。所述度量也可以包括使所述导航器向量归一化。例如，可以使用所述D-矩阵的最小值作为计算所述度量的部分，来使所述导航器向量归一化。

当在两个导航器向量上执行度量计算时，在一些实施例中，可以在所述导航器数据上执行傅立叶变换，作为预处理步骤。

所述导航器数据可以是一维信号或投影，如中心k-空间线。F-导航器(平行于所述中心k-空间线的k-空间线)、O-导航器(绕k-空间原点的圆)为范例。在更高维度中的数据的测量结果(如小图像或其子集)也可以用作导航器。

在另一实施例中，所述磁共振数据还包括图像数据。所述指令的执行令所述磁共振成像系统从第一感兴趣区域采集所述图像数据，并且从第二感兴趣区域采集所述导航器数据。在备选的实施例中，所述导航器数据是从所述图像数据中得到的。在一些实施例中，所述导航器可以是源自于实际成像和/或体积的磁共振信号，或者可以备选地源自不同于所述成像体积的子体积。

在另一实施例中，所述磁共振成像系统包括用于生成运动数据/导航器类型的数据的运动检测系统。所述指令的执行令所述过程在对所述磁共振数据的所述采集期间采集所述运动数据。所述指令的执行还令所述处理器将所述运动数据并入所述相异性矩阵。该实施例可以是有益的，因为额外的数据可以用于组合成所述相异性矩阵，使其更为准确。例如，所述信号可以起因于外部运动感测设备，例如被放置在所述患者之外的枕、带或相机。在一些实施例中，所述导航器的源可以指相同的运动状态，并且使用支持其的合适的相异性矩阵同时将所述导航器的源考虑在内。

为了将不同类型的数据并入单个相异性矩阵，可以使用比例因子或其他函数。

对来自多个源的导航器数据进行组合或使用诸如呼吸带的运动监测系统，数据不是根本问题。在实践中，其当然会需要一些实验过程来平衡不同的测量结果相对于彼此的影响(即，调节所述度量)。

用于对来自不同元素的导航器数据进行组合的动机略不同于连接。用于对所述相异性矩阵的计算的工作利用导航器激发的数目按比例调节二次方程。为了快速计算所述D矩阵值，有利的是保持导航器向量短。这是为什么其能够有用于在计算所述相异性之前将所述导航器向量组合成一个向量。能够应用甚至更大的压缩：例如，能够对相邻样本进行平均化，或者仅将每n个样本考虑在内。

在本发明的另一方面，提供一种包括机器可读指令的计算机程序产品，所述机器可读指令用于由控制磁共振成像系统的处理器执行，用于从成像区采集磁共振数据。所述机器可执行指令的执行令所述处理器重复地控制所述磁共振成像系统，以采集所述磁共振数据的部分。所述磁共振数据的每个部分都包括导航器数据。

机器可执行指令的执行还令所述处理器通过从所述磁共振数据的每个部分提取所述导航器数据，来重复地创建导航器向量的集合。机器可执行指令的执行还令所述处理器使用归类算法重复地生成所述相异性矩阵的矩阵归类。机器可执行指令的执行还令所述处理器重复地控制所述磁共振成像系统，以使用所述矩阵归类修改对所述磁共振数据的采集。

在本发明的另一方面，还提供一种控制所述磁共振成像系统的方法。所述方法包括重复地控制所述磁共振成像系统以采集所述磁共振数据的部分的步骤。所述磁共振数据的每个部分都包括导航器数据。所述方法还包括通过从所述磁共振数据的每个部分提取所述导航器数据来创建导航器向量的集合的步骤。所述方法还包括通过计算导航器向量的集合中的每个之间的度量来构建相异性矩阵的步骤。所述方法还包括使用归类算法生成所述相异性矩阵的矩阵归类的步骤。所述方法还包括控制所述磁共振成像系统以使用所述矩阵归类来修改对所述磁共振数据的采集的步骤。

可以理解的是，可以对本发明的前述实施例中的一个或多个进行组合，只要所组合的实施例不互相排斥。

附图说明

下面将仅以举例的方式并参考附图来描述本发明的优选实施例，其中：

图1示出了图示根据本发明的实施例的方法的流程图；

图2图示了根据本发明的实施例的磁共振成像系统的范例。

图3示出了根据本发明的其他实施例的磁共振成像系统；

图4示出了对来自T2加权头部成像的范例的相异性矩阵的可视化；

图5示出了对也是来自T2加权头部成像的相异性矩阵500的另一可视化；

图6示出了对在T1加权肩部成像期间构建的相异性矩阵的另一可视化，并且也图示了周期运动；

图7示出了在T1加权肩部成像期间采集的相异性矩阵的另一范例；

图8示出了对相异性矩阵的另一可视化，其图示在T1加权肩部成像期间的突然不可逆运动；

图9示出了对相异性矩阵的另一可视化，其图示可以如何通过分析相异性矩阵来改善图像品质；

图10示出了对相异性矩阵的另一可视化；

图11示出了对图10的所述矩阵在重排序之后的可视化；

图12示出了针对在图10和图11中示出的范例，聚类的数目1200对融合阈值1202的图；

图13描绘了针对图10和图11中示出的范例，取决于相异性水平的聚类尺寸分布；

图14示出了对相异性矩阵的另一可视化；

图15示出了对相异性矩阵的另一可视化；

图16示出了针对图14中示出的相异性矩阵，针对不同TSE激发的聚类指数；

图17示出针对图15中示出的相异性矩阵，针对不同TSE激发的聚类指数；

图18示出了针对图14和图15中示出的范例，转移概率分布(PDF)在实验期间的演变；以及

图19图示了关于在图18中示出的两个范例中两个观察到的运动状态之间的转移概率的认知的演变。

附图标记列表：

200 磁共振成像系统

204 磁体

206 磁体的孔径

208 成像区

210 磁场梯度线圈

212 磁场梯度线圈电源

214 射频线圈

216 收发器

218 对象

220 对象支撑体

226 计算机系统

228 硬件接口

230 处理器

232 用户接口

236 计算机存储设备

238 计算机存储器

240 脉冲序列

242 磁共振数据

244 导航器数据

246 相异性矩阵

248 矩阵归类

250 控制模块

252 导航器数据提取模块

254 相异性矩阵生成模块

256 矩阵归类模块

300 磁共振成像系统

302 运动检测系统

304 第一感兴趣区域

306 第二感兴趣区域

310 矩阵库

312 修改指令

314 运动数据

400 相异性矩阵

402 激发数目

404 激发数目

406 激发5

700 相异性矩阵

702 激发95

800 相异性矩阵

802 激发130

804 激发170至180

900 相异性矩阵

902 激发1至4

1000 相异性矩阵

1100 相异性矩阵

1200 聚类的数目

1202 融合阈值

1300 相异性

1302 融合阈值

1400 相异性矩阵

1500 相异性矩阵

1800 左图像

1802 右图像

1900 左图像

1902 右图像

具体实施方式

这些图中同样数字的元件为等价的元件或执行相同的功能。前面已讨论过的元件如果功能等价的话+在后面的图中进行讨论。

图1示出了图示根据本发明的实施例的方法的流程图。首先在步骤100中采集磁共振数据。所述磁共振系统采集所述磁共振数据的部分。所述磁共振数据的每个部分都包括导航器数据。接下来，在步骤102中，通过从所述磁共振数据的每个部分提取导航器数据来创建导航器向量的集合。接下来，在步骤104中，使用导航器向量的集合的每个之间的度量来计算相异性矩阵。由于这是个迭代过程，因此可以简单地通过添加新采集的导航器向量并计算在已有的导航器向量之间的相异性来从先前版本更新所述相异性矩阵。接下来，在步骤106中，使用归类算法生成所述相异性矩阵的矩阵归类。然后，在步骤108中，使用所述矩阵归类来修改对所述磁共振数据的所述采集。例如，所述矩阵归类可以与用于修改如何采集所述磁共振数据的一组命令相关联。所述方法然后进行到步骤100，并且重复所述步骤直到所述磁共振数据中的全部都被采集到。

图2图示了根据本发明的实施例的磁共振成像系统200的范例。磁共振成像系统200包括磁体204。磁体200是具有通过其的孔径206的超导圆柱型磁体200。不同类型的磁体的使用也是可能的。例如，也有可能使用分裂式圆柱形磁体和所谓的开放式磁体两者。分裂式圆柱形磁体类似于标准的圆柱形磁体，除了低温恒温器已被分成两部分，以允许进入所述磁体的等平面，例如，这样的磁体可以与带电粒子束治疗联合使用。开放式磁体具有两个磁体部分，一个在另一个之上，它们之间具有足够大以容纳对象的空间：所述两个部分区域的布置类似于亥姆霍兹线圈的布置。开放式磁体是受欢迎的，因为所述对象受到较少约束。所述圆柱形磁体的低温恒温器内部具有一组超导线圈。在圆柱形磁体204的孔径206内具有成像区208，其中，磁场强且均匀，足以执行磁共振成像。

在所述磁体的孔径206内也具有一组磁场梯度线圈210，其用于对磁共振数据的采集，以对磁体204的成像区208内的磁自旋进行空间编码。磁场梯度线圈210连接到磁场梯度线圈电源212。磁场梯度线圈210被认为是具有代表性的。通常，磁场梯度线圈210包含三组独立的线圈，用于在三个正交的空间方向进行空间编码。磁场梯度电源向所述磁场梯度线圈施加电流。被施加到磁场梯度线圈210的所述电流被控制为时间的函数，并且可以是斜坡的或脉冲的。

毗邻成像区208的是射频线圈214，其用于操纵成像区208内的磁自旋的取向，并且用于从也在成像区208内的自旋接收射频发射。射频天线可以包含多个线圈元件。所述射频天线也可以被称为通道或天线。射频线圈214被连接到射频收发器216。射频线圈214和射频收发器216可以由分开的发射线圈和接收线圈以及分开的发射器和接收器代替。应当理解，射频线圈214和射频收发器216是具有代表性的。射频线圈214被认为也代表专用发射天线和专用接收天线。类似地，收发器216也可以表示分开的发射器和接收器。射频线圈214也可以具有多个接收元件/发射元件，并且射频收发器216可以具有多个接收通道/发射通道。

磁场梯度线圈电源212和收发器216被连接到计算机系统226的硬件接口228。计算机系统226还包括处理器230。处理器230被连接到硬件接口228、用户接口232、计算机存储设备234和计算机存储器236。

计算机存储器236被示为包含控制模块250。控制模块250包含计算机可执行代码，其使得处理器230能够控制磁共振成像系统200的操作和功能。例如，控制模块250可以使用脉冲序列240以采集磁共振数据242。计算机存储器236还被示为包含导航器数据提取模块252。导航器数据提取模块252包含计算机可执行代码，其使得所述处理器能够从磁共振数据242提取导航器数据244。模块252的确切实施可以取决于导航器数据244的性质。例如，模块252可以从磁共振数据242提取k-空间数据的部分。计算机存储器236被示为还包含相异性矩阵生成模块254。模块254包含计算机可执行代码，其使得处理器230能够使用导航器数据244来生成相异性矩阵246。计算机存储器236还被示为包含矩阵归类模块256。矩阵归类模块256包含计算机可执行代码，其使得处理器230能够使用相异性矩阵246来生成矩阵归类248。计算机存储器236还被示为包含脉冲序列修改模块258。脉冲序列修改模块258包含计算机可执行代码，其使得处理器230能够修改脉冲序列240。对所述脉冲序列的修改可以或可以不意味着修改如由脉冲序列240指定执行的个体命令。例如，脉冲序列修改模块258可以简单地具有所述数据的被采集的部分。

图3示出了磁共振成像系统300，其类似于图2中示出的磁共振成像系统。在该实施例中，存在额外的运动检测系统302。运动检测系统302被认为表示能够检测对象218的运动的任何系统。302可以是例如相机、传感器、加速度计或其他类型的运动检测系统。成像区208内被示为第一感兴趣区域304，从中采集磁共振数据242。也被示为在成像区208内的是第二感兴趣区域306。导航器数据244是从第二感兴趣区域306采集的。在一些实施例中，第二感兴趣区域306至少部分地在第一感兴趣区域304内。应指出，所述磁共振数据导航器数据是在傅立叶空间中采集的。这样，所述磁共振数据和所述傅立叶数据至少部分地是在第一感兴趣区域304和第二感兴趣区域306以外采集的。

计算机存储设备234还被示为包含矩阵库310。所述矩阵库包含对范例矩阵的选择，能够由矩阵归类模块256将其与相异性矩阵246进行比较。来自库310的矩阵被选择为最佳匹配相异性矩阵246。在该实施例中，存在与矩阵归类248相关联的修改指令312。修改指令312然后被控制模块250用于修改脉冲序列240。计算机存储设备234还被示为包含使用运动检测系统302采集的运动数据314。相异性矩阵生成模块254在该实施例中能用于令所述处理器将运动数据314并入相异性矩阵246。

本发明的实施例可以提供用于基于导航器信号实时表征患者运动的一般方法。其尤其可以解决以下问题：

1、其实现了在多种不同运动类型之间的区分。例如，在周期性运动(例如规律呼吸运动)、突然的偶然的患者运动(例如咳嗽)以及不可逆运动(其实质上改变了患者的位置)之间。能够进行该区分是重要的，因为其能够用于预测继续数据采集的成功或失败，并且可以有助于触发如何继续进行扫描的适当决策。

2、其可以分析在实际数据采集期期间的运动，并且不需要校准。尤其地，其不依赖于在其他运动校正技术中做出的假设，诸如：

-扫描期间的运动与在所述扫描之前的导航器“训练阶段”期间相同

-存在能够用作运动分析中的参考的“平均状态”

-在某个阈值以下的运动是可容许的，而在阈值以上的运动则是不容许的。

经验显示，对这些假设中的任一个的依赖都有限制。

3、其能够用于预测对数据的适当重新采集对于减少/避免运动伪影有多有用。

4、所述方法快。其能够在测量期间被执行，并且能够用于实时地控制数据采集，帮助决策所述数据中的哪个部分应被重新采集，以进一步改善数据一致性和图像品质。

5、不需要对导航器的规划，并且其能够与众多运动感测途径一起执行。

本发明的实施例可以具有以下特征：

1、根据导航器数据计算“相异性矩阵”(或简称：D矩阵)，所述导航器数据是除正常成像数据以外额外采集的。

2、通过对所述D矩阵的定量分析来表征运动。这是可能的，因为不同类型的运动导致所述D矩阵中的特征模式。此外，模式的强度反映运动的强度，从而能够根据对所述矩阵的评价得出定量结论。

为了实施实施例，可以除正常成像数据以外还采集导航器数据。信号必须具有以有资格作为导航器的基本特征在于，其在没有运动时应是可重现的。

存在许多选项以实现该目标，例如：

-向TSE或TFE采集添加一个回波，以采集经典导航器，或浮动导航器，或轨道导航器。

-使用FID作为导航器

-导航器也能够被插入到FFE序列中。

-将导航器形成为在数据采集序列之前或之后的适当磁化制备方案中的元素。

接下来讨论对所述相异性矩阵的计算。相异性矩阵的一个元素D_ij是通过将导航器数据i与导航器数据j进行比较(例如通过计算全部导航器样本的平方复合差之和)而从导航器数据计算的。该范例仅为示范性的，也存在计算D_ij的备选方式。如果在数据采集期间采集到了N个导航器，则这得到N×N矩阵。

一旦已计算出相异性矩阵，不同的运动类型产生D矩阵上的不同模式。这将在下面通过来自志愿者实验的几个范例来显示。分析这些模式允许决定对某些数据的重新采集是否能够防止因运动导致的图像伪影。

图4至图11、图14和图15图示对相似度矩阵的可视化。在这些范例中，正方形的褪色用于指示相异性。如果正方形完全变白，则具有低相异性。如果正方形越暗，则具有高相异性。全部范例都来自多切片、多激发TSE序列，其中，轨道导航器被添加到回波链。D矩阵被显示为灰阶，其中，暗值表示大的相异性，并且白色表示低的相异性。

首先，图示了对可逆偶然运动的检测。图4示出了对来自T2加权头部成像的范例的相异性矩阵400的可视化。x轴被标为402，并且y轴被标为404。x轴和y轴两者都指示激发数目。本文中使用的激发被理解为与磁共振数据的部分相等价。D矩阵中的大部分是白色，其指示低的相异性。导航器中的大多数与大部分的TSE激发彼此一致性良好。例外的是激发数目5(406)其不同于全部其他的激发。在该实验中，志愿者在数据采集期间短暂地抓挠前额，导致激发数目5(406)被干扰。图像伪影源自于该干扰。如果用重新采集的数据代替激发数目5(406)，则伪影消失。针对该类型运动的其他范例是咳嗽和吞咽。

接下来，图示了对周期运动的检测。图5示出了对相异性矩阵500的另一可视化。该范例也来自T2加权头部成像。这里，D矩阵能够被分成两组，其中一组内的激发与另一组的激发的一致性良好，但与其他组的激发则不是：组1＝1、5、9、14、18、19；组2＝2、3、4、6、7、8、10、11、12、13、15、16、17。这得到棋盘样模式。在该范例中，运动是血管的脉动。规则模式是由心脏频率和导航器频率的搏动导致的(由序列TR确定)。对组1中的所述激发的重新采集能够减少所述图像中的脉冲伪影。类似的模式可以源自于对部分周期运动源(例如呼吸和心脏运动)的不同的适当叠加。

图6示出了对相异性矩阵600的另一可视化，其是在T1加权肩部成像期间构建的，并且也图示周期运动。其示出由呼吸运动诱导的相当有规律的棋盘模式。叠加在棋盘上的是朝着D矩阵的右上角和左下角逐渐增大的相异性(＝在导航器之间逐渐增加的时间)。这是由漂移造成的。

这也是针对D矩阵用于区分不同运动类型的能力的第一个范例，在该情况下为漂移和周期运动。基于这些D矩阵数据，能够做出决策重新采集对于潜在地改善数据一致性和图像品质是否有意义。

接下来，图示了对突然不可逆改变的检测。图7示出了在T1加权肩部成像期间采集的相异性矩阵的另一范例。相异性矩阵中的陡变被示为在激发数目95(被标为702)周围，在其中发生突然不可逆的改变。从扫描的开始直到该时间的全部数据都与另一个一致性良好，但不匹配在该事件之后发生的任何事情。在激发#95之后测量的全部数据彼此之间一致性良好，并且不匹配扫描的第一部分。这是在其中重新采集若干次激发将不防止伪影时的情况。相反，优选地重复全部激发数目1至95。

应指出，所述D矩阵也弱包含棋盘样呼吸运动模式。但其强度与突然不可逆运动相比较为微小。

接下来，图示了对可逆运动和不可逆运动的组合的检测。图8示出了对相异性矩阵800的另一可视化。在该范例(T1w肩部成像)中示出在激发数目130、802处的突然不可逆运动，以及在数目170-180附近短时间段的可逆运动(被标为804)。此外，由于针对整个扫描存在的呼吸，存在弱的规律棋盘模式。

图9示出了对相异性矩阵900的另一可视化，其图示了可以如何通过分析相异性矩阵900来改善图像品质。图9是另一范例，为什么D矩阵能够有用，下面的附图示出了来自头部成像的结果，其中，志愿者在扫描期间轻轻咳嗽。左图像示出了被实时分析以重新采集受干扰数据(在该范例中为激发数目1-激发数目4，其被标为902)的D矩阵。中心和右图像分别示出了未使用和使用重新采集的数据的重建图像。重新采集通过减少重影伪影，而显著改善了图像品质。

下面的附图图示了聚类分析对本发明的实施例的应用。图10和图11示出了对D-矩阵1000、1100的可视化。

图10示出了针对由19个TSE激发组成的实验的D-矩阵1000的范例。相异性值的波动不是随机的，而是似乎为棋盘样模式。在TSE激发被分组为聚类并且根据由聚类过程创建的顺序重新排序D-矩阵的行和列时，这变得显而易见。

重新排序的D-矩阵1100被示于图11中。根据重新排序的矩阵，显而易见的是所述数据集能够被分成两个不同的组。

在范例中，使用“具有平均连接的凝聚分层聚类算法”。这是根据n个元素的有限集合而创建聚类的分层序列的算法：所述算法通过创建n个聚类(其每个仅包含1个元素)进行初始化。然后在每个步骤中，对具有最小相异性的两个聚类进行合并。由所述算法存储在其合并两个聚类的相异性的值(下文中称作融合阈值)。由于总是融合具有最低相异性的聚类，因此所述融合阈值随着聚类的数目单调减小。在n个步骤之后，所述算法由于全部聚类已被融合成包含整个集的一个聚类而结束。

对所述聚类过程的更详细分析能够被用于表征所述数据集。这将在下文中使用几个范例来讨论。所述融合阈值是针对被视为仍可容许的聚类内的全部元素的平均相异性的度量。被评级为容许的阈值能够或者是由特殊域知识(即观察到的来自先前实验的D-矩阵值的分布)确定的，或者是基础过程的模型(MR信号强度、噪声……)。独立于绝对阈值的又一不同的备选是考虑与聚类的数目相关的融合阈值。预计聚类的最佳数目由图中的‘扭结’指示。

图12示出针对在图10和图11中示出的范例，聚类的数目1200对融合阈值1202的图。从中明显看出，在从一个到两个聚类时，融合阈值中有大的下降(410→280)。从两个到三个，阈值下降280下降到220。其后，存在阈值的逐渐下降。可以说聚类的最佳数目是2或3。对于如何解决该问题的更多了解可以从对聚类过程的不同的可视化获悉，其包含更多信息：

图13标绘取决于相异性水平1300的聚类大小分布。图13示出在不同水平的聚类间相异性时，存在聚类大小的哪种分布。在水平轴1300上示出相异性的值。垂直轴1302上的一个单位对应于集中的一个元素。属于一个聚类的元素被示为相同的灰阶。可以通过在各自的水平上绘制垂直线，来发现在某个相异性水平的聚类大小的分布。由线下的不同灰阶的数目来给出存在的聚类的数目。每个聚类的大小是线与灰阶的相交的长度。

例如，在400的相异性水平，仅存在两个聚类。第一聚类1304包含9个元素，第二聚类1306包含10个元素。

如果所述相异性阈值被降低，则第一改变出现在280的水平：在这里第二聚类被分裂两个亚组，一个包含2个并且另一个包含8个元素。

在该上下文中，聚类分析的目的是通过重新采集被运动干扰的数据来改善MR数据集的品质。即，必须在额外的成像时间与对品质的可能的改善之间做出权衡。

从图13，能够看出，如果第一聚类的全部元素都被重新采集(并且所重新采集的数据属于第二聚类)，则整个数据集的相异性能够从400降低到280。通过重新采集第二聚类的较小亚组的2个元素，相异性的进一步降低是可能的。这意味着，聚类的层级能够被用于描绘伴随多少额外的扫描时间，能够预期多少改善。即，实际问题不是将阈值放在何处用于聚类，而是针对某种品质改进能够花费多少额外的时间。这是关于在速度与品质之间的权衡的决策，其将由MR系统的操作者经由扫描器的用户接口做出。

对可能的改善的预测不能单独从图13做出，因为在该可视化中缺失了重要信息：元素的时间排序。

图14和图15示出对D矩阵1400、1500的另外的可视化。这些图示出观察到的D矩阵1400和在重新排序之后的结果1500(相比较前一个范例，在该范例中有更多的行和列，因为在该实验中使用了不同的序列，其被分成更多的TSE段)。

在该范例中，数据集也能够被分裂成大致相等大小的两组。但在该范例中，属于两个聚类的元素在时间上是连续的，而在第一范例中，它们不是。图16示出针对图14中示出的D矩阵的不同TSE段的聚类索引，其中索引在两个聚类之间振荡。该模式是在两种状态之间的周期运动所特有的。

图17示出针对图15中示出的D矩阵的不同TSE段的聚类索引。图17中的模式与图15中的模式非常不同：扫描的第一部分属于第一聚类，第二部分属于另一个。这是扫描期间的不可逆改变所特有的。如果决定通过重新采集来消除聚类2的元素，则由于在该范例中患者将非常不可能返回到第一运动状态而没有希望成功。

能够通过计算运动状态将从一种状态改变到另一种的概率，而使该定性讨论更为定量。

图18示出转移概率分布(PDF)在实验期间的演变。左图像1800示出从状态1到状态2的转移的概率，右图像1802示出从状态2到状态1的转移的概率。图像中的每条水平线以灰阶编码(白色表示0)示出针对状态转移的概率密度函数。由于每次患者在某个时间点i处于特定运动状态，这些概率分布因此演变，对于他在时间点i+1是否仍在相同运动状态的观察结果能够被用于更新概率分布函数。即每个图像中线的数目是由患者被观察到在各自运动状态的次数给出的。

这意味着，每个图像中的最后的线表示关于在实验结束时的状态转移的概率的知识的状态。

图19在左边示出这对第一范例的情形，其中在实验期间发生重复的状态转移。因此，针对另外的状态转移的概率估计为大约50％。即在该范例中试图使用重新采集来用来自聚类2的数据代替来自聚类1的数据能够成功。

相反，图19在右边示出这对第二范例的相同情形，其中仅一个状态转移在测量时间的～60％时发生。这里在实验结束时的两个PDF都显示，状态转移是高度不可能的。即，试图用通过重新采集来代替来自聚类2的数据将不会成功。在该范例中，需要不同的策略：例如，重新调节扫描几何学，以覆盖患者在状态1中的位置，或者中止扫描，或者通知用户。这只是聚类能够如何帮助做出决策以解决运动相关的品质问题的一个范例。

图19图示关于在图18中示出的两个范例中两个观察到的运动状态之间的转移概率的指示的演变。每个图像中的底线表示在实验结束时的知识的状态。

左图1900：针对第一范例的数据。这里，PDF相当宽泛，并且以实验结束的50％处为中心，指示存在患者未来将在运动状态之间改变的公平机会。

右图1902：针对第二范例的数据。由于在整个实验期间尽管查到一个状态转移，因此两个PDF都快速演变成在低概率值的窄的分布。

尽管已在附图和前文的描述中图示并描述了本发明，但要将这样的图示和描述视为示例性或示范性的而非限制性的；本发明不限于所公开的实施例。

本领域技术人员在实践要求保护的发明时，从对附图、公开内容和所附权利要求书的研究，能够理解并实现对所公开实施例的其他变型。在权利要求书中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以完成权利要求书中记载的若干个项目的功能。互不相同的从属权利要求中记载了特定措施这一仅有事实并不指示不能有利地组合这些措施。计算机程序可以被存储/分布在适当介质上，例如与其他硬件一起或作为其他硬件的部分提供的光学存储介质或固态介质，但也可以被分布为其他形式，例如经由互联网或者其他有线或无线电信系统。权利要求书中的任何附图标记均不应被解读为限制范围。

Claims

1.一种用于从成像区(208)采集磁共振数据(242、244)的磁共振成像系统(200、300)，其中，所述磁共振成像系统包括：

-处理器(230)，其用于控制所述磁共振成像系统；以及

-存储器(236)，其用于存储用于由所述处理器执行的机器可执行指令(250、252、254、256、258)，其中，所述机器可执行指令的执行令所述处理器重复地：

-控制(100)所述磁共振成像系统以采集所述磁共振数据的部分，其中，所述磁共振数据的每个部分都包括导航器数据(244)；

-通过从所述磁共振数据的每个部分提取所述导航器数据来创建(102)导航器向量的集合；

-通过计算所述导航器向量的集合中的每个所述导航器向量之间的度量来构建(104)相异性矩阵(246、400、700、800、900、1000、1100、1400、1500)；

-使用归类算法来生成(106)所述相异性矩阵的矩阵归类(248)；并且

-控制(108)所述磁共振成像系统以使用所述矩阵归类来修改对所述磁共振数据的采集。

2.如权利要求1所述的磁共振成像系统，其中，所述归类算法是能用于选择所述矩阵归类的模式识别算法。

3.如权利要求2所述的磁共振成像系统，其中，所述存储器还包括矩阵库(310)，所述矩阵库(310)包括范例矩阵，其中，所述模式识别算法能用于选择所述范例矩阵中的一个。

4.如权利要求3所述的磁共振成像系统，其中，所述范例矩阵中的每个都与修改指令(312)相关联，其中，由所述磁共振成像系统对所述磁共振数据的采集是通过执行所述修改指令而被修改的。

5.如权利要求2所述的磁共振成像系统，其中，所述模式识别算法是聚类分析算法，其中，所述聚类分析算法能用于执行所述导航器向量的集合的时间相关。

6.如权利要求1所述的磁共振成像系统，其中，所述归类算法是统计分析算法。

7.如权利要求6所述的磁共振成像系统，其中，所述统计分析算法能通过执行以下方式中的任一种来确定所述矩阵归类：执行贝叶斯分析；对所述相异性矩阵进行阈值处理；计算所述相异性矩阵的标准偏差；识别所述相异性矩阵中在预定范围以外的元素；以及，执行基于概率的选择。

8.如前述权利要求中任一项所述的磁共振成像系统，其中，所述磁共振数据包括多个切片，其中，所述指令的执行还令所述处理器：

-针对所述多个切片中的每个使用所述相异性矩阵来计算相异性矩阵的集合；

-通过使用所述归类算法来生成矩阵归类的集合，以针对所述相异性矩阵的集合中的每个生成所述相异性矩阵；并且

-控制所述磁共振成像系统，以使用所述矩阵归类的集合来修改对所述磁共振数据的采集。

9.如权利要求1所述的磁共振成像系统，其中，所述磁共振成像系统还包括多通道射频系统，所述多通道射频系统能用于同时从多于一个通道接收所述磁共振数据，其中，所述指令的执行还令所述处理器通过组合来自所述多于一个通道的所述导航器数据来创建所述导航器向量的集合。

10.如权利要求9所述的磁共振成像系统，其中，通过使用以下方式中的任一种来组合所述导航器数据：使用预定加权对来自所述多于一个通道的所述导航器数据进行平均，以及连接来自所述多于一个通道的所述导航器数据。

11.如权利要求1所述的磁共振成像系统，其中，通过以下方式中的任一种来修改对磁共振数据的所述采集：停止对磁共振数据的所述采集；修改扫描几何配置并重启对磁共振数据的所述采集；忽略所述磁共振数据中的一个或多个部分；重新采集所述磁共振数据的所述部分；生成操作者警报；以及它们的组合。

12.如权利要求1所述的磁共振成像系统，其中，所述度量是以下中的任一个：计算导航器向量之间的平方复合差之和；计算所述导航器向量的幅值的差异；计算导航器向量之间的差的绝对值；以及，计算导航器信号之间的相关性。

13.如权利要求1所述的磁共振成像系统，其中，所述磁共振数据包括图像数据，其中，所述指令的执行令所述磁共振成像系统从第一感兴趣区域采集所述图像数据并从第二感兴趣区域采集所述导航器数据。

14.如权利要求1所述的磁共振成像系统，其中，所述磁共振成像系统包括用于采集运动数据(314)的运动检测系统(302)，其中，所述指令的执行令所述处理器在对所述磁共振数据的所述采集期间采集所述运动数据，其中，所述指令的执行还令所述处理器将所述运动数据并入所述相异性矩阵。

15.一种用于从成像区(208)采集磁共振数据(242、244)的磁共振成像方法，其中，所述磁共振成像方法包括重复地执行以下步骤：

-控制(100)磁共振成像系统以采集所述磁共振数据的部分，其中，所述磁共振数据的每个部分都包括导航器数据；

-使用归类算法来生成(106)所述相异性矩阵的矩阵归类；并且

-控制(108)所述磁共振成像系统，以使用所述矩阵归类来修改对所述磁共振数据的采集。

16.一种计算机可读介质，其具有被存储于其上的机器可读指令(250、252、254、256、258)，所述机器可读指令包括：

-用于控制(100)磁共振成像系统以采集磁共振数据的部分的机器可读指令，其中，所述磁共振数据的每个部分都包括导航器数据；

-用于通过从所述磁共振数据的每个部分提取所述导航器数据来创建(102)导航器向量的集合的机器可读指令；

-用于通过计算所述导航器向量的集合中的每个所述导航器向量之间的度量来构建(104)相异性矩阵(246、400、700、800、900、1000、1100、1400、1500)的机器可读指令；

-用于使用归类算法来生成(106)所述相异性矩阵的矩阵归类的机器可读指令；并且

-用于控制(108)所述磁共振成像系统以使用所述矩阵归类来修改对所述磁共振数据的采集的机器可读指令。