CN106137199B - 扩散磁共振成像中的广义球面去卷积 - Google Patents

扩散磁共振成像中的广义球面去卷积 Download PDF

Info

Publication number
CN106137199B
CN106137199B CN201610314555.2A CN201610314555A CN106137199B CN 106137199 B CN106137199 B CN 106137199B CN 201610314555 A CN201610314555 A CN 201610314555A CN 106137199 B CN106137199 B CN 106137199B
Authority
CN
China
Prior art keywords
diffusion
magnetic resonance
tissue
space
space analysis
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.)
Active
Application number
CN201610314555.2A
Other languages
English (en)
Other versions
CN106137199A (zh
Inventor
J.I.斯佩尔
C.J.哈迪
L.马里内利
M.I.门策尔
E.T.谭
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN106137199A publication Critical patent/CN106137199A/zh
Application granted granted Critical
Publication of CN106137199B publication Critical patent/CN106137199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging
    • 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)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Vascular Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)

Abstract

本发明题为扩散磁共振成像中的广义球面去卷积。一种磁共振成像方法包括使用多个扩散编码根据从患者组织所获取的磁共振信号来生成空间解析纤维取向分布(FOD)，每个所获取磁共振信号对应于扩散编码其中之一，并且表示各成像体素中存在的旋磁核的磁自旋的位移的三维分布。生成空间解析FOD包括使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构空间解析FOD。该方法还包括使用空间解析FOD来生成患者组织中的纤维组织的表示。

Description

扩散磁共振成像中的广义球面去卷积
技术领域
本发明涉及磁共振成像(MRI)，更具体来说，涉及扩散磁共振成像中的广义球面去卷积(generalized spherical deconvolution)。
背景技术
一般来说，磁共振成像(MRI)检查基于主磁场、射频(RF)磁场和时变梯度磁场之间与感兴趣受检者、例如患者体内具有核自旋的旋磁材料的交互。某些旋磁材料、例如水分子中的氢核具有响应外部磁场的特性行为。这些核的自旋的进动能够通过操纵场以产生能够被检测、处理并且用于重构有用图像的RF信号来影响。
开发了技术来执行MRI成像序列，以生成可指示组织微结构的扩散信息，和/或评估组织的各种异常，例如神经损伤、神经退化障碍(neural degenerative disorder)等。在扩散成像中，信息在图像空间和扩散空间中编码，后者在本领域称作q空间。通常，q空间用来检测水分子中的氢核的移动。扩散编码梯度脉冲用来表征组织之内和之间——更具体来说单独体素(各空间位置)之内——的水分子的三维移动。水分子的移动可表征为例如脉动期间的非相干运动(其产生于扩散过程)和相干运动(其产生于组织移动)。
从q空间获取所得到的数据可分类为扩散谱成像(DSI)、单壳获取(例如高角度扩散成像(HARDI))或者多壳获取，这取决于取样技术。但是，由于获取技术的高维度(例如空间域中的3D和q空间中的3D)，所以评估体内水的扩散性质可引起获取图像重构的可接受数据的延长扫描时间。
发明内容
下面概述其范围与最初要求保护主题相称的某些实施例。这些实施例不是意在限制要求保护主题的范围，这些实施例而是仅意在提供本发明的可能形式的概述。实际上，本公开可包含可与下面提出的实施例相似或不同的多种形式。
在一个实施例中，一种磁共振成像方法包括使用多个扩散编码根据从患者组织所获取的磁共振信号来生成空间解析纤维取向分布(FOD)，每个所获取磁共振信号对应于扩散编码其中之一，并且表示各成像体素中存在的旋磁核的磁自旋的位移的三维分布。生成空间解析FOD包括使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构空间解析FOD。该方法还包括使用空间解析FOD来生成患者组织中的纤维组织的表示。
在第二实施例中，一种磁共振成像(MRI)系统包括：主场磁体，其可将患者体内的旋磁核放入均衡磁化中；多个梯度场线圈，其可将位置信息编码到旋磁核中；射频(RF)发射线圈，其可扰乱旋磁核离开其均衡磁化；多个RF接收线圈，配置成当旋磁核驰豫到其均衡磁化时接收来自旋磁核的MR信号；以及控制和分析电路，编程为使用多个扩散编码来获取磁共振信号(每个所获取磁共振信号对应于扩散编码其中之一，并且表示各成像体素中存在的旋磁核的磁自旋的位移的三维分布)，使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积以重构空间解析纤维取向分布(FOD)，并且使用空间解析FOD来生成患者体内的纤维组织的表示。
在第三实施例中，一个或多个有形非暂时机器可读介质，所述介质存储一个或多个处理器可执行的指令，以便使磁共振(MR)成像系统使用多个扩散编码来获取磁共振信号(每个所获取磁共振信号对应于扩散编码其中之一，并且表示各成像体素中存在的旋磁核的磁自旋的位移的三维分布)，使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积以重构空间解析纤维取向分布(FOD)，并且使用空间解析FOD来生成患者体内的纤维组织的表示。
技术方案1：一种磁共振成像方法，包括：
使用多个扩散编码根据从患者组织所获取的磁共振信号来生成空间解析纤维取向分布(FOD)，每个所获取磁共振信号对应于所述扩散编码其中之一，并且表示各成像体素中存在的旋磁核的磁自旋的位移的三维分布；
其中生成所述空间解析FOD包括使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构所述空间解析FOD；以及
使用所述空间解析FOD来生成所述患者组织中的纤维组织的表示。
技术方案2：如技术方案1所述的方法，其中，所述广义球面去卷积包括最小平方公式，并且其中使用所述广义球面去卷积包括对所述最小平方公式添加压缩感测(CS)正则项，并且所述CS正则项结合与所述患者组织有关的先前知识。
技术方案3：如技术方案2所述的方法，其中，使用所述空间解析FOD来生成所述患者组织中的纤维组织的所述表示包括通过与所述建模TRM相乘将所述重构FOD变换为扩散编码空间，以及基于所述乘法步骤的输出来计算定量组织图。
技术方案4：如技术方案2所述的方法，其中，所述CS正则项促进所述空间解析FOD的稀疏度。
技术方案5：如技术方案4所述的方法，其中，所述稀疏度通过与所述空间解析FOD关联的1范数的最小化来促进。
技术方案6：如技术方案2所述的方法，其中，所述CS正则项促进所述空间解析FOD的平滑性。
技术方案7：如技术方案6所述的方法，其中，所述平滑性通过所述空间解析FOD的全变分(TV)的最小化来促进。
技术方案8：如技术方案1所述的方法，其中，所述多个扩散编码形成具有扩散编码空间中的随机欠取样笛卡尔网格的欠取样扩散谱成像(DSI)数据集，并且其中执行广义球面去卷积以重构所述空间解析FOD包括使用压缩感测来重构总体平均传播函数(EAP)、将所重构EAP变换回完全取样DSI数据集以及对所述完全取样DSI数据集执行球面去卷积。
技术方案9：如技术方案1所述的方法，其中，执行广义球面去卷积包括通过对各成像体素中的各向异性分量、各向同性分量或两者的多个扩散率进行建模来扩展所述建模TRM，其中重构所述空间解析FOD包括采用所扩展TRM对于从所获取磁共振信号所得到的q空间数据进行去卷积、通过与所扩展TRM的相乘将所述空间解析FOD变换成所述扩散编码空间以及基于所述乘法步骤的输出来计算定量组织图。
技术方案10：一种磁共振成像(MRI)系统，包括：
主场磁体，配置成将患者体内的旋磁核放入均衡磁化中；
多个梯度场线圈，配置成将位置信息编码到所述旋磁核中；
射频(RF)发射线圈，配置成扰乱离开其均衡磁化的所述旋磁核；
多个RF接收线圈，配置成当所述旋磁核驰豫到其均衡磁化时接收来自所述旋磁核的MR信号；以及
控制和分析电路，编程为：
使用多个扩散编码来获取磁共振信号，每个所获取磁共振信号对应于所述扩散编码其中之一，并且表示各成像体素中存在的所述旋磁核的磁自旋的位移的三维分布；
使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构空间解析纤维取向分布(FOD)；以及
使用所述空间解析FOD来生成所述患者体内的纤维组织的表示。
技术方案11：如技术方案10所述的系统，其中，所述控制和分析电路配置成对所述最小平方公式添加压缩感测(CS)正则项，并且其中所述CS正则项结合与所述患者组织有关的先前知识，并且所述广义球面去卷积包括最小平方公式。
技术方案12：如技术方案11所述的系统，其中，所述控制和分析电路配置成通过与所述建模TRM的相乘将所述重构FOD变换为扩散编码空间，并且基于所述乘法步骤的输出来计算定量组织图。
技术方案13：如技术方案11所述的系统，其中，所述CS正则项促进所述空间解析FOD的稀疏度，并且其中所述稀疏度通过与所述空间解析FOD关联的1范数的最小化来促进。
技术方案14：如技术方案11所述的系统，其中，所述稀疏度通过与所述空间解析FOD关联的1范数的最小化来促进，并且其中所述CS正则项促进所述空间解析FOD的平滑性。
技术方案15：如技术方案10所述的系统，其中，所述控制和分析电路配置成对扩散编码空间中的笛卡尔网格随机地欠取样，使用压缩感测来重构总体平均传播函数(EAP)，将所重构EAP变换回完全取样DSI数据集，并且对所述完全取样扩散谱成像(DSI)数据集执行球面去卷积以重构所述空间解析FOD，其中所述多个扩散编码形成具有扩散编码空间中的所述随机欠取样笛卡尔网格的欠取样DSI数据集。
技术方案16：如技术方案10所述的系统，其中，所述控制和分析电路配置成通过对各成像体素中的各向异性分量、各向同性分量或两者的多个扩散率进行建模来扩展所述建模TRM，以便采用所扩展TRM对于从所获取磁共振信号所得到的q空间数据进行去卷积以重构所述空间解析FOD，通过与所扩展TRM的相乘将所述空间解析FOD变换成所述扩散编码空间，并且基于所述乘法步骤的输出来计算定量组织图。
技术方案17：一个或多个有形非暂时机器可读介质，存储由一个或多个处理器可执行以执行下列步骤的指令：
使用多个扩散编码使磁共振(MR)成像系统获取磁共振信号，每个所获取磁共振信号对应于所述扩散编码其中之一，并且表示各成像体素中存在的所述旋磁核的磁自旋的位移的三维分布；
使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构空间解析纤维取向分布(FOD)；以及
使用所述空间解析FOD来生成所述患者体内的纤维组织的表示。
技术方案18：如技术方案17所述的介质，其中，所述指令配置成对最小平方公式添加压缩感测(CS)正则项，并且其中所述CS正则项结合与所述患者组织有关的先前知识，并且所述广义球面去卷积包括所述最小平方公式。
技术方案19：如技术方案17所述的介质，其中，所述指令配置成对扩散编码空间中的笛卡尔网格随机地欠取样，使用压缩感测来重构总体平均传播函数(EAP)，将所重构EAP变换回完全取样扩散谱成像(DSI)数据集，并且对所述完全取样DSI数据集执行球面去卷积以重构所述空间解析FOD，其中所述多个扩散编码形成具有扩散编码空间中的所述随机欠取样笛卡尔网格的欠取样DSI数据集。
技术方案20：如技术方案17所述的介质，其中，所述指令配置成通过对各成像体素中的各向异性分量、各向同性分量或两者的多个扩散率进行建模来扩展所述建模TRM，以便采用所扩展TRM对于从所获取磁共振信号所得到的q空间数据进行去卷积以重构所述空间解析FOD，通过与所扩展TRM的相乘将所述空间解析FOD变换成所述扩散编码空间，并且基于所述乘法步骤的输出来计算定量组织图。
附图说明
通过参照附图阅读以下详细描述，将会更好地了解本申请实施例的这些及其他特征、方面和优点，附图中，相似标号在附图中通篇表示相似部件，附图包括：
图1是按照本公开的一个方面、配置成执行扩散成像的磁共振成像(MRI)系统的一实施例的图解示图；
图2是示出按照本公开的一个方面、用于通过对欠取样扩散谱成像(DSI)数据执行压缩感测(compressed sensing)之后接着球面去卷积来得到空间解析纤维取向分布(FOD)的方法的一实施例的过程流程图；
图3是比较按照图2的方法从模拟DSI数据所生成的FOD和通过对经由相同模拟DSI数据的傅立叶变换所得到的扩散传播函数（diffusion propagator）的一组加权重构求积分所生成的取向分布函数(ODF)的示例纤维交叉图的一实施例；
图4示出按照本公开的一个方面、根据从具有相当数据获取时间的两个不同数据集(一个从单壳高角度分辨率扩散成像(high angular resolution diffusion imaging:HARDI)获取来产生，而另一个使用按照图2的方法的压缩感测和球面去卷积从欠取样DSI数据来产生)所计算的空间解析FOD所生成的示例束成像(tractography)图像；
图5是示出用于基于广义球面去卷积算法从扩散MRI(dMRI)数据来得到空间解析FOD和/或定量组织图的方法的一实施例的过程流程图；
图6示出比较按照图5的方法所生成的FOD和从阻尼Richardson-Lucy算法(dRLA)所检测的纤维峰值的示例纤维交叉图；
图7是从按照图5的方法所生成的空间解析FOD和阻尼Richardson-Lucy算法(dRLA)所生成的示例束成像图像的一实施例；以及
图8是使用按照图5的方法所生成的数据和原始数据所计算的示例定量组织图的一实施例。
具体实施方式
下面将描述一个或多个具体实施例。在提供这些实施例的简要描述的过程中，本说明书中可能没有描述实际实现的所有特征。应当理解，在任何这种实际实现的开发中，如同任何工程或设计项目中那样，必须进行许多实现特定的判定以便实现开发人员的特定目标，例如符合系统相关和业务相关限制，这些限制可对每个实现而改变。此外，应当理解，这种开发工作可能是复杂且费时的，但仍然是获益于本公开的技术人员进行的设计、制作和制造的日常事务。
在介绍当前实施例的各个实施例的元件时，限定词“一”、“一个”、“该”和“所述”预计表示存在元件的一个或多个。术语“包含”、“包括”和“具有”预计包含在内，并且表示可存在除了列示元件之外的附加元件。此外，以下论述中的任何数字示例预计是非限制性地，并且因而附加数值、范围和百分比均在所公开实施例的范围之内。
扩散MRI(dMRI)可用来评估患者脑中的白质通路(例如，经由纤维跟踪，又称作束成像)，并且生成定量组织图(例如平均扩散率(MD)、分数各向异性(FA)、平均峰度、径向峰度和/或轴突弥散(NODDI))。dMRI数据一般通过采用变化扩散编码(其包括与水的扩散性质关联的方向(例如3D)和加权(例如b值)信息)重复进行dMRI获取来获取。扩散编码跨越3D空间、又称作q空间。
获取完整数据集以填充q空间(3D空间)并且生成高分辨率图像可引起延长扫描时间。一般来说，患者移动在MRI获取期间受到限制(例如，可能不允许患者移动)。因此，延长扫描时间可引起患者不适，以及在某些状况中，患者可能无法在获取期间保持静止。MRI数据获取期间的患者移动可引起不良图像质量。相应地，可期望减少dMRI技术的数据获取时间，以降低成像期间的患者不适和移动。用于减少dMRI获取时间的技术可以是对q空间数据进行欠取样，并且使用数学算法将欠取样q空间数据变换为完全取样数据集(例如，在数据获取期间没有欠取样的数据集，其可称作重构数据集)，并且重构图像。但是，部分因缺失q空间数据(例如，欠取样数据)，图像可能包括伪影并且具有不合需要的分辨率。按照当前实施例，组合球面去卷积(SD)和压缩感测的基于模型的技术用来对q空间数据(例如，欠取样q空间数据)进行降噪和处理，以生成与从完全q空间数据集所生成的图像相似的图像。这样，可加速dMRI q空间数据获取时间，而无需影响图像质量。实际上，与常规dMRI获取和处理技术相比，当前实施例改进图像分辨率和/或质量。
本文所述的实施例可由磁共振成像(MRI)系统来执行，其中特定成像例程(例如扩散MRI序列)由用户(例如放射科医生)来发起。因此，MRI系统可执行数据获取、数据构造和图像合成。相应地，参照图1，磁共振成像系统10示意地示为包括扫描仪12、扫描仪控制电路14和系统控制电路16。按照本文所述的实施例，MRI系统10一般配置成执行MR成像、例如用于扩散成像的成像序列。系统10还包括例如图片归档和通信系统(PACS)18等的远程访问和存储系统或者诸如远程放射（TELERAD）设备之类的其他装置，使得由系统10所获取的数据可在现场或不在现场访问。这样，可获取MR数据，之后接着在现场或不在现场处理和评估。虽然MRI系统10可包括任何适当扫描仪或探测器，但是在所示实施例中，系统10包括全身扫描仪12，其具有壳体20，经过其中形成膛22。台架24活动地进入膛22，以便准许患者26定位在其中以用于对患者体内的所选解剖进行成像。
扫描仪12包括用于产生激励被成像受检者的解剖内的旋磁材料的可控磁场的一系列关联线圈。具体来说，提供主电磁线圈28，以用于生成与膛22一般对齐的主磁场B0。一系列梯度线圈30、32和34准许可控梯度磁场被生成以用于在检查序列期间对患者26体内的某些旋磁核的位置编码。射频(RF)线圈36配置成生成用于激励患者体内的某些旋磁核的射频脉冲。除了可以是扫描仪12本地的线圈之外，系统10还包括配置用于接近(例如相对)患者26放置的一组接收线圈38(例如线圈阵列)。作为一个示例，接收线圈38能够包括宫颈/胸/腰(CTL)线圈、头部线圈、单面脊骨线圈等。一般来说，接收线圈38放置成接近患者26或者放置在患者26上，以使得接收由患者26体内的某些旋磁核在返回到其驰豫状态时生成的弱RF信号(相对于扫描仪线圈所生成的发射脉冲较弱)。
系统10的各种线圈由外部电路来控制，以便生成预期场和脉冲，并且按照可控方式读取来自旋磁材料的放射。在所示实施例中，主电源40向主场线圈28提供电力。驱动器电路42被提供电力，以使梯度场线圈30、32和34脉动。这种电路可包括用于如扫描仪控制电路14(其在一个实施例中可以是扩散成像模块)所输出的数字化脉冲序列所定义向线圈提供电流的放大和控制电路。提供另一种控制电路44以用于调节RF线圈36的操作。电路44包括用于在活动与不活动操作模式之间进行交替的开关装置，其中RF线圈36分别发射和不发射信号。电路44还包括配置成生成RF脉冲的放大电路。类似地，接收线圈38连接到开关46，其能够在接收与不接收模式之间切换接收线圈38。因此，接收线圈38在处于接收模式的同时随着通过驰豫来自患者26体内的旋磁核所产生的RF信号而进行谐振，并且它们在处于不接收模式的同时不随着来自发射线圈(即，线圈36)的RF能量进行谐振，以便防止不合需要的操作。另外，接收电路48配置成接收由接收线圈38所检测的数据，并且可包括一个或多个复用和/或放大电路。
应当注意，虽然扫描仪12和上述控制/放大电路示为通过单线条来耦合，但是许多这类线条在实际例示中可出现。例如，独立线条可用于控制、数据通信等。此外，适当硬件可沿每种类型的线路设置以用于适当处理数据。实际上，各种滤波器、数字化仪和处理器可设置在扫描仪与扫描仪和系统控制电路14、16的任一个或两个之间。通过非限制性示例，下面详细描述的某些控制和分析电路虽然示为单个单元，但是包括附加硬件，例如配置成执行本文所述的数据处理技术的图像重构硬件。
如所示，扫描仪控制电路14包括接口电路50，接口电路50输出用于驱动梯度场线圈和RF线圈以及用于接收表示检查序列中产生的磁共振信号的数据的信号。接口电路50耦合到控制和分析电路52。控制和分析电路52运行用于基于经由系统控制电路16所选的所定义协议来驱动电路42和电路44的命令。控制和分析电路52还用于接收磁共振信号，并且在将数据传送给系统控制电路16之前执行后续处理。扫描仪控制电路14还包括在操作期间存储配置参数、脉冲序列描述、检查结果等的一个或多个存储器电路54。如上所述，在一个实施例中，扫描仪控制电路14可对应于扩散成像模块的全部或部分。
接口电路56耦合到控制和分析电路52以用于在扫描仪控制电路14与系统控制电路16之间交换数据。在某些实施例中，控制和分析电路52虽然示为单个单元，但是可包括一个或多个硬件装置。此外，在某些实施例中，系统控制电路16可以是扩散成像模块的一部分。系统控制电路16包括接口电路58，接口电路58从扫描仪控制电路14接收数据，并且向扫描仪控制电路14回送数据和命令。接口电路58耦合到控制和分析电路60，控制和分析电路60可包括通用或专用计算机或工作站中的CPU。控制和分析电路60耦合到存储器电路62，以便存储用于操作MRI系统10的编程代码，并且存储用于存储经处理的图像数据供以后重构、显示和传输。编程代码可运行一个或多个算法，其在由处理器运行时配置成执行所获取q空间数据的重构，以便得到与整个患者组织的旋磁核的非相干运动(例如扩散)关联的角和径向信息，以生成患者组织的空间解析纤维取向分布(FOD)、定量图或其他图像。空间解析FOD可用来可视化纤维交叉或者生成纤维束图。例如，如以下更详细论述，空间解析FOD以及定量组织图可基于一个或多个算法(其采用广义球面去卷积)来生成。
可提供附加接口电路64以用于与诸如远程访问和存储装置18之类的外部系统组件交换图像数据、配置参数等。最后，系统控制和分析电路60可包括用于促进操作员接口并且用于产生重构图像的硬拷贝的各种外围装置。在所示实施例中，这些外设包括打印机60、监视器62以及其中包括诸如键盘或鼠标之类的装置的用户接口64。
应当注意，所述的MRI系统只是预计仅作为示范，并且还可使用其他系统类型，例如所谓的“开放”MRI系统。类似地，这类系统可通过其主磁体的强度来定额，并且可采用能够执行以下所述的数据获取和处理的任何适当定额的系统。实际上，所公开方法的至少一部分可由以上针对图1所述的系统10来执行。也就是说，MRI系统10可执行本文所述的获取技术，以及在一些实施例中可执行本文所述的数据处理技术。应当注意，在本文所述的获取之后，系统10可以简单地例如在存储器电路(例如存储器62)中存储所获取数据供以后本地和/或远程访问。因此，当本地和/或远程访问时，所获取数据可由专用或通用计算机中包含的一个或多个处理器来操纵。一个或多个处理器可访问所获取数据，并且运行共同存储用于执行包括本文所述扩散成像方法的方法的指令的一个或多个非暂时机器可读介质上存储的例程。例如，一个或多个处理器可对所获取数据单独地或者与球面去卷积相结合地应用压缩感测。
一种这样的方法80示为图2的过程流程图。具体来说，方法80包括多个步骤，其配置成处理q空间数据(例如扩散编码数据、3D数据)，以表征与患者的被成像组织(例如神经纤维)中的水的扩散特性关联的角和径向分量。方法80开始于使用欠取样扩散谱成像(DSI)来执行扩散MRI获取(框82)。DSI获取包括用于获取采取来自感兴趣三维(3D)区域(例如患者的组织)的一组信号的形式的数据的扩散脉冲序列。作为非限制性示例，获取可包括具有扩散敏化梯度脉冲的自旋回波或双自旋回波回波平面成像脉冲序列。脉冲序列产生一系列MR图像(在k空间中的复合傅立叶变换之后)，其中各图像表示q空间中的一个点。图像组成复合扩散编码数据集，其包含分别与扩散过程中的基本组织各向异性和几何限制相关的角和径向信息。在q空间位置的每个所获取的信号表示各体素中的旋磁材料(例如水中的质子)的自旋的三维(3D)位移分布。按照框82所得到的信号可包括与扩散编码其中之一对应的信号，并且可表示各成像体素中存在的旋磁核(例如水中的质子)的磁自旋的位移的三维分布。
如应当注意，信号可使用除了扩散谱成像(DSI)(其在笛卡尔网格上获取信号)之外的方法来获取。例如，例如，信号可使用高角度分辨率扩散成像(HARDI)或q球成像(其表示采用对一个球面单壳(例如HARDI)或多个同心球壳而不是全笛卡尔网格的获取的q空间成像的子集)来获取。
最综合的扩散信息通常使用满足尼奎斯特标准的获取来得到。按照框82的获取通常将具有高维度——包括空间域(例如k空间)中的三维和q空间域中的三维，以及在某些实施例中可按照尼奎斯特速率来执行。如上所述，某些dMRI序列的扫描时间可能较长，其可能限制dMRI的临床体内应用。为了减少dMRI扫描时间，在某些实施例中，可获取少于全部q空间数据。换言之，作为备选获取方法，可对q空间数据欠取样(例如，低于尼奎斯特速率的取样)。这类实施例中采用的获取轨迹可以是任何适当轨迹，例如非均匀(例如随机或者伪随机)图案、稀疏取样位置的规则取样图案等。在一个实施例中，图案可以不是均匀分布的。q空间的取样可处于q空间的任何预期半径之内。在某些实施例中，q空间的中心区域比q空间中的其他非中心区域更密集地取样。可用于q空间数据的欠取样方案的示例包括但不限于均匀随机分布、泊松圆盘和高斯。如应当注意，q空间中的样本数量可通过尼奎斯特取样率和图像获取时间来确定。
在对少于总可用q空间位置进行取样的实施例中，方法80可包括使用压缩感测重构(框84)来重构未取样q空间位置的q空间编码，以便生成总体平均传播函数(EAP)，以及对EAP使用傅立叶逆变换(框86)来产生一组均匀分布q空间数据点。由于欠取样图案的随机或者伪随机性质，压缩感测可实现缺失q空间数据的重构。压缩感测可通过利用与q空间数据有关的通用先前知识、例如信号稀疏性或最小全变分(TV)来恢复缺失q空间数据。但是，在某些实施例中，并行成像重构技术可潜在地用于合成缺失空间数据。
如本领域的技术人员将会理解，压缩感测是一种获取并且然后重构数据的技术。在压缩感测中，预期图像具有已知变换域(例如小波域)中的稀疏表示，并且因q空间欠取样引起的混叠伪影在那个变换域中是非相干的(即，类似噪声)。也就是说，数据取样图案选择成使得降低稀疏域中的相干性。这个非相干可通过对q空间编码随机欠取样来实现。q空间编码的欠取样可引起混叠，以及当欠取样为随机时，混叠是非相干的，并且充当稀疏变换系数的非相干干扰。
相应地，按照框82的取样可以是可服从使用压缩感测算法的重构的图案，以产生用于纤维跟踪和/或定量映射的EAP。虽然任何适当的压缩感测算法可用于重构(例如估计)，但是在一个实施例中，重构可使用非线性重构方案来执行。作为举例，成本函数最小化方法中的L1范数约束可用来恢复稀疏变换系数，其可用来计算EAP。这样，EAP可对欠取样q空间数据集来重构。
如上所述，EAP可使用可再变换的q空间数据的压缩感测来重构。例如，傅立叶逆变换可应用于EAP(框86)。傅立叶逆变换将重构EAP再变换为完全取样q空间数据集，其可用于纤维跟踪和/或定量映射。在傅立叶逆变换中，重构q空间数据(例如合成数据)的至少一部分可采用对应所获取q空间数据(例如按照框82所生成的欠取样q空间数据)来替代，由此生成完全取样q空间数据集。如应当注意，在某些实施例中，在球面去卷积处理之前的欠取样q空间数据的重构和再变换(例如按照框84、86)可省略，如以下参照图5更详细论述。
接着EAP的再变换，球面去卷积可应用(框90)于再变换q空间数据，以产生空间解析纤维取向分布(FOD)(框92)。例如，在某些实施例中，生成空间解析FOD包括使用压缩感测来重构总体平均传播函数(EAP)、将重构EAP变换回完全取样DSI数据集以及对完全取样DSI数据集执行球面去卷积。一旦经过重构，空间解析FOD可用于可视化纤维交叉或者用于纤维跟踪(框98)。使用重构空间解析FOD所生成的纤维束可具有比使用取向分布函数(ODF)所生成的束更好的解析纤维峰值，由此增加从欠取样DSI数据所生成的纤维交叉和纤维束成像的精度。
一般来说，快速傅立叶变换在q空间中执行，以产生EAP。EAP通过对扩散传播函数的一组加权重构求积分进一步处理，以产生ODF。空间解析ODF可用作束成像的输入。
但是，ODF的角分辨率可受到与水的扩散性质关联的加权(例如b值)信息影响。例如，低bmax(例如小于大约3000秒/平方毫米(s/mm2))可引起模糊ODF，而高bmax(例如大于大约6000 s/mm2)可具有不合需要的信噪比，由此降低纤维跟踪应用的ODF的灵敏度。因此，为了改进从扩散谱成像(DSI)q空间数据所生成的纤维束的质量，重构q空间数据可使用球面去卷积算法来处理，以生成空间解析FOD，其可用于高分辨率纤维跟踪而不是使用ODF。
可用来重构空间解析FOD的球面去卷积模型表达如下：
　(等式1)
　　　(等式2)
其中，λ||、λ⊥、λGM和λCSF分别表示(各向异性)白质(分别与白质纤维方向平行和垂直)和(各向同性)灰质(GM)和脑脊髓液(CSF)的扩散常数，ƒi是沿方向ui的所需纤维取向分布(FOD)，VGM和VCSF分别是GM和CSF的所需容积分数，b和q分别是用来获取数据S的扩散加权的强度和方向。等式2是球面去卷积模型的矩阵-向量符号。等式1和2可用于多壳或笛卡尔网格(DSI)获取和处理技术。对于单壳数据，模型通过消除各向同性分量来简化。
图3示出在各种bmax值、噪声级和交叉角的模拟q空间数据(高斯混合模型，FA = 0.8，D || = 1E-3 mm 2 /s，11-cube DSI)的按照框90的重构FOD和取向分布函数(ODF)。如所示，图3中，与ODF相比，基于重构空间解析FOD所生成的纤维交叉对3000-8000 s/mm2的bmax值同样或更好地定义，除了在8000 s/mm2的bmax(例如高bmax)和大约10%噪声的纤维交叉之外。相应地，现在知道，通过组合与压缩感测关联的降噪以及从球面去卷积所生成的FOD的使用，较高分辨率纤维图像可在大范围的b值来得到。
此外，对健康志愿者的实验在3T GE MR750临床MR扫描仪(GE Healthcare，Milwaukee，WI，USA)上使用32通道头部线圈（32-Channel Head Coil）来执行，并且获取两个单激发回波平面成像(EPI)获取(ASSET因子2，2.5 mm各向同性分辨率)，第一个是欠取样DSI获取(11立方，R = 4，bmax = 6,000 s/mm2)，以及第二个是单壳HARDI获取(150个方向，b= 3,000 s/mm2)。如图4所示，与高角度分辨率扩散成像(HARDI)q空间数据处理技术相比，使用按照框84的压缩感测和按照框90的球面去卷积的组合来处理dMRI信号的欠取样扩散谱成像(DSI)技术可改进纤维束成像分辨率。例如，图像110、112分别示出使用方法80所生成的患者脑组织中的运动束和光学辐射束。类似地，图像116、118分别示出经由单壳HARDI和球面去卷积技术所生成的患者脑组织中的运动束和光学辐射束。如箭头120所示，与束图像116、118相比，纤维角和取向在束图像110、112中更好地解析。
除了纤维跟踪之外，再变换q空间数据(例如合成到完全取样q空间数据)，按照框86所生成的还可用来产生与患者组织中的水的扩散关联的附加信息。例如，在某些实施例中，高阶模型拟合(框98)可用来拟合再变换重构q空间数据，并且生成患者组织的定量图(例如平均扩散(MD)、分数各向异性(FA)、平均峰度、径向峰度和/或轴突弥散NODDI))。
如上所述，本公开的某些实施例可将压缩感测的任何方面用于生成空间解析FOD(例如按照方法80的框84)。例如，图5示出用于使用广义球面去卷积算法对q空间数据进行分析和降噪以便空间解析纤维取向分布(FOD)的方法130。方法130开始于执行扩散MRI(dMRI)获取(框132)，以生成q空间数据。dMRI获取可使用任何适当dMRI获取技术(例如扩散谱成像(DSI)获取(例如笛卡尔网格获取)、单壳获取(例如HARDI)或者多壳获取)进行。取样可以是完整的(例如满足尼奎斯特标准)或不完整的(以生成欠取样数据集)。
接着q空间数据的获取，方法130将广义球面去卷积算法(框140)应用于按照框132所生成的q空间。广义球面去卷积算法可包括最小平方公式，以及在某些实施例中包括压缩感测正则项。压缩感测正则项可促进空间解析FOD的稀疏性。在某些实施例中，压缩感测正则项可通过使与空间解析FOD关联的L1范数为最小来促进稀疏性。另外，压缩感测正则项可促进空间解析FOD的平滑性。如以下更详细论述，平滑性可通过空间解析FOD的全变分(TV)的最小化来促进。例如，给定单壳(HARDI)获取中的特定体素的测量q空间数据d，标准球面去卷积任务的矩阵符号如下：
　　　(等式3)
其中，H是纤维响应函数矩阵，以及f是所需纤维取向分布(FOD)。施加非负约束，以避免负纤维(例如，物理上无意义的信息)。潜在纤维方向的数量(例如f的大小)通常大于测量的数量(例如d的大小)，从而引起欠定系统(例如矩阵H是非二次的)。系统地减少测量数据点的数量(例如欠取样d)可降低确定性，并且引起FOD的增加模糊。但是，压缩感测应用于球面去卷积任务可恢复FOD的原始分辨率(例如锐度)。因此，在某些实施例中，压缩感测(CS)正则化算子可应用于球面去卷积，以生成广义球面卷积。广义球面去卷积的矩阵符号可如等式4所示来表达。
　　　(等式4)
其中，Ψ是正则化算子(例如f的全变分(TV))、f的1范数(||·||1)或者f的变换的1范数)，以及ε是噪声相关小标量。
等式4可通过分别使用能够操控非负约束的交替方向算法或者迭代收缩/阈值算法(ISTA)来求解。例如，对于Ψ = ||·||1，即，如果假定f为稀疏，则可应用交替方向算法。
对于Ψ是f的全变分(TV)，可使用迭代收缩阈值算法(ISTA)方式，从而产生常数值的平滑稳定阶段（smooth plateau），由此分离FOD中的背景和不同峰值。因为f在单球的表面来定义，所以Ψ适合于非笛卡尔取样。相应地，与常规球面去卷积技术相比，基于等式4的广义球面去卷积促进f的稀疏性(例如纤维方向)，并且降低杂散纤维方向。
在其他实施例中，球面去卷积模型可一般化成包括各成像体素(例如3D空间)中的各向异性分量、各向同性分量或者其组合的多个扩散值。因此，部分由于经由算法允许多个自由度，重构FOD与扩展组织响应矩阵(TRM)的相乘可产生降噪q空间数据。如以上针对等式1和2所示，常规球面去卷积算法使用扩散率的单个集合(例如λ||、λ⊥、λGM、λCSF)。但是，通过将多个扩散率结合到球面去卷积算法中，可对q空间数据进行降噪，由此增加定量组织映射的图像质量。结合多个扩散率的广义球面去卷积算法在等式5-7中表达如下：
(等式5)
　　　(等式6)
　　　(等式7)
其中，下标j、k和l分别是各向异性和各向同性分量的不同扩散系数的下标。等式7可使用上述压缩感测正则化来求解。
基于等式4所表达的广义球面去卷积算法和矩阵，空间解析FOD可用于纤维跟踪(框96)，如上所述。例如，纤维交叉的单壳模拟使用高斯混合模型(FA = 0.8，D|| = 1E-3mm2/s，b = 3000 s/mm2，128个方向)来执行，其中变化交叉角(例如在30°与90°之间)并且高达10%加性Rician噪声。广义球面去卷积算法(例如等式4，Ψ = ||·||1，交替方向算法)和按照等式3的阻尼Richardson-Lucy算法(dRLA)用来计算FOD。随后，纤维峰值使用简单邻域比较来检测。
对健康自愿者的实验在3T GE MR750临床扫描仪(GE Healthcare，Milwaukee，WI，USA)上使用32通道头部线圈单激发回波平面成像(EPI)HARDI获取(在b = 3,000 s/mm2、1.8 mm各向同性分辨率的150个方向)来执行。数据以因子R=3随机地欠取样，从而产生具有50个方向的单壳数据集。球面去卷积使用Richardson-Lucy算法(dRLA)、例如等式3对完全取样数据来执行，以生成参考图像。另外，欠取样q空间数据使用dRLA(等式3)和等式4所表达的广义球面去卷积来处理，其中Ψ是使用迭代收缩/阈值算法(ISTA)的全变分。
图6是示例纤维交叉图140的阵列，示出交叉纤维模拟研究的所检测纤维取向分布(FOD)峰值，其比较从等式4所表达的广义球面去卷积(Ψ = ||·||1，交替方向算法)以及在不同噪声级(例如在0%与10%之间)、等式3所表达的常规dRLA所得出的FOD峰值。如示例纤维交叉图140所示，使用常规dRLA技术(142)所生成的纤维峰值引起有噪数据(例如高于0%的噪声级)的杂散峰值。但是，使用广义球面去卷积算法(146)所计算的峰值与噪声级无关地恢复各种交叉角的正确峰值计数和方向。另外，广义球面去卷积得出的纤维峰值146还示出在无噪声情况(例如，大约0%噪声)下的30°的纤维角的解析峰值交叉。注意，各纤维交叉图140的右上的数字指示所检测FOD峰值的数量，而左边的数字表示使用dRLA所检测的FOD峰值以及右边的数字表示使用方法130所检测的FOD峰值。例如，在0%的噪声级和30°的交叉角的纤维交叉图140中，使用dRLA所检测的FOD峰值的数量为1，而使用方法130所检测的FOD峰值的数量为2。
图7示出按照框96、使用等式4所表达的所得出TV-ISTA广义球面去卷积算法的示例纤维束。除了具有较高束密度之外，使用欠取样q空间数据基于等式4所生成的图像(例如TV-ISTA图像150、152)与使用完全取样q空间数据集基于等式3所表达的常规dRLA算法所生成的图像(例如参考图像154、156)相比具有相似纤维束。也就是说，与分支到大脑皮层的SLF的运动束和和精细结构的常规dRLA处理相比，等式4中的TV-ISTA广义球面去卷积算法仅使用数据的三分之一来恢复相似纤维束信息。此外，如基于等式3所生成的欠取样dRLA图像160、162所示，使用常规dRLA的欠取样q空间数据的纤维束信息没有清楚地解析。因此，与常规dRLA处理相比，使用所公开的等式4数据处理q空间数据改进纤维峰值和纤维跟踪的分辨率。因此，合乎需要的纤维峰值和纤维跟踪分辨率可使用具有更少q空间取样点的数据集来实现，由此减少dMRI的总获取时间。
除了纤维跟踪之外，使用按照等式5-7的广义球面去卷积所生成的FOD可用来对q空间数据进行降噪，并且生成定量组织图。例如，方法130包括将按照框140所生成的空间解析FOD与扩展组织响应矩阵(TRM)进行比较(框168，以重构q空间数据。这样，空间解析FOD可用来回到q空间数据，和/或将潜在欠取样q空间数据再变换成用来基于乘法步骤的输出来计算定量组织图的完全取样q空间数据集(框170)。此外，由于结合到广义球面去卷积算法(例如等式5-7)中的多个扩散分量，从欠取样q空间数据所生成的定量图的分辨率和精度与从完全取样q空间数据集所生成的定量图是相当的。因此，通过使用所公开的广义球面去卷积算法(等式5-7)，可对q空间数据进行欠取样，并且获取时间可减少，而无需降低图像质量。
图8示出使用对原始q空间数据或者将等式5-7所表达的广义球面去卷积算法用于欠取样和完全取样q空间数据集所重构的q空间数据的高阶模型拟合的平均扩散率(MD)172、分数各向异性(FA)176、正交峰度(orth K)178、平均峰度(mean K)180和平行峰度(parK)184的示例定量组织图。将定量图172、176、178、180、184与从十倍平均完全取样q空间数据所生成的真实数据（ground truth）参考图像进行比较。如所示，按照框168基于重构q空间数据所生成的定量图172、176、178、180、184与真实数据图是相当的，并且与使用原始数据所生成的图相比具有增加的图像质量。因此，广义球面去卷积算法(等式5-7)实现q空间数据的降噪，使得定量组织图可采用更少q空间数据点来生成，由此减少dMRI获取时间。
本书面描述使用示例来公开本发明的实施例，其中包括最佳模式，以及还使本领域的技术人员能够实施本发明，包括制作和使用任何装置或系统并且执行任何结合的方法。本发明的专利范围由权利要求书来定义，并且可包括本领域的技术人员想到的其他示例。如果这类其他示例具有与权利要求书的文字语言完全相同的结构元件，或者如果它们包括具有与权利要求书的文字语言的非实质差异的等效结构元件，则它们意在落入权利要求书的范围之内。

Claims (20)

1.一种磁共振成像方法，包括：
使用多个扩散编码根据从患者组织所获取的磁共振信号来生成空间解析纤维取向分布(FOD)，每个所获取磁共振信号对应于所述扩散编码其中之一，并且表示各成像体素中存在的旋磁核的磁自旋的位移的三维分布；
其中生成所述空间解析纤维取向分布包括使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构所述空间解析纤维取向分布；以及
使用所述空间解析纤维取向分布来生成所述患者组织中的纤维组织的表示。
2.如权利要求1所述的方法，其中，所述广义球面去卷积包括最小平方公式，并且其中使用所述广义球面去卷积包括对所述最小平方公式添加压缩感测(CS)正则项，并且所述压缩感测正则项结合与所述患者组织有关的先前知识。
3.如权利要求2所述的方法，其中，使用所述空间解析纤维取向分布来生成所述患者组织中的纤维组织的所述表示包括通过与所述建模组织响应矩阵相乘将所述重构纤维取向分布变换为扩散编码空间，以及基于所述与所述建模组织响应矩阵相乘的输出来计算定量组织图。
4.如权利要求2所述的方法，其中，所述压缩感测正则项促进所述空间解析纤维取向分布的稀疏度。
5.如权利要求4所述的方法，其中，所述稀疏度通过与所述空间解析纤维取向分布关联的1范数的最小化来促进。
6.如权利要求2所述的方法，其中，所述压缩感测正则项促进所述空间解析纤维取向分布的平滑性。
7.如权利要求6所述的方法，其中，所述平滑性通过所述空间解析纤维取向分布的全变分(TV)的最小化来促进。
8.如权利要求1所述的方法，其中，所述多个扩散编码形成具有扩散编码空间中的随机欠取样笛卡尔网格的欠取样扩散谱成像(DSI)数据集，并且其中执行广义球面去卷积以重构所述空间解析纤维取向分布包括使用压缩感测来重构总体平均传播函数(EAP)、将所重构总体平均传播函数变换回完全取样扩散谱成像数据集以及对所述完全取样扩散谱成像数据集执行球面去卷积。
9.如权利要求1所述的方法，其中，执行广义球面去卷积包括通过对各成像体素中的各向异性分量、各向同性分量或两者的多个扩散率进行建模来扩展所述建模组织响应矩阵，其中重构所述空间解析纤维取向分布包括采用所扩展组织响应矩阵对于从所获取磁共振信号所得到的q空间数据进行去卷积、通过与所扩展组织响应矩阵的相乘将所述空间解析纤维取向分布变换成扩散编码空间以及基于所述与所扩展组织响应矩阵的相乘的输出来计算定量组织图。
10.一种磁共振成像(MRI)系统，包括：
主场磁体，配置成将患者体内的旋磁核放入均衡磁化中；
多个梯度场线圈，配置成将位置信息编码到所述旋磁核中；
射频(RF)发射线圈，配置成扰乱离开其均衡磁化的所述旋磁核；
多个射频接收线圈，配置成当所述旋磁核驰豫到其均衡磁化时接收来自所述旋磁核的磁共振信号；以及
控制和分析电路，编程为：
使用多个扩散编码来获取磁共振信号，每个所获取磁共振信号对应于所述扩散编码其中之一，并且表示各成像体素中存在的所述旋磁核的磁自旋的位移的三维分布；
使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构空间解析纤维取向分布(FOD)；以及
使用所述空间解析纤维取向分布来生成所述患者体内的纤维组织的表示。
11.如权利要求10所述的系统，其中，所述控制和分析电路配置成对最小平方公式添加压缩感测(CS)正则项，并且其中所述压缩感测正则项结合与所述患者体内的纤维组织有关的先前知识，并且所述广义球面去卷积包括所述最小平方公式。
12.如权利要求11所述的系统，其中，所述控制和分析电路配置成通过与所述建模组织响应矩阵的相乘将所述重构纤维取向分布变换为扩散编码空间，并且基于所述与所述建模组织响应矩阵的相乘的输出来计算定量组织图。
13.如权利要求11所述的系统，其中，所述压缩感测正则项促进所述空间解析纤维取向分布的稀疏度，并且其中所述稀疏度通过与所述空间解析纤维取向分布关联的1范数的最小化来促进。
14.如权利要求11所述的系统，其中，所述空间解析纤维取向分布的稀疏度通过与所述空间解析纤维取向分布关联的1范数的最小化来促进，并且其中所述压缩感测正则项促进所述空间解析纤维取向分布的平滑性。
15.如权利要求10所述的系统，其中，所述控制和分析电路配置成对扩散编码空间中的笛卡尔网格随机地欠取样，使用压缩感测来重构总体平均传播函数(EAP)，将所重构总体平均传播函数变换回完全取样扩散谱成像数据集，并且对所述完全取样扩散谱成像数据集执行球面去卷积以重构所述空间解析纤维取向分布，其中所述多个扩散编码形成具有扩散编码空间中的所述随机欠取样笛卡尔网格的欠取样扩散谱成像数据集。
16.如权利要求10所述的系统，其中，所述控制和分析电路配置成通过对各成像体素中的各向异性分量、各向同性分量或两者的多个扩散率进行建模来扩展所述建模组织响应矩阵，以便采用所扩展组织响应矩阵对于从所获取磁共振信号所得到的q空间数据进行去卷积以重构所述空间解析纤维取向分布，通过与所扩展组织响应矩阵的相乘将所述空间解析纤维取向分布变换成扩散编码空间，并且基于所述与所扩展组织响应矩阵的相乘的输出来计算定量组织图。
17.一个或多个有形非暂时机器可读介质，存储由一个或多个处理器可执行以执行下列步骤的指令：
使用多个扩散编码使磁共振(MR)成像系统获取磁共振信号，每个所获取磁共振信号对应于所述扩散编码其中之一，并且表示各成像体素中存在的旋磁核的磁自旋的位移的三维分布；
使用所获取磁共振信号和建模组织响应矩阵(TRM)来执行广义球面去卷积，以重构空间解析纤维取向分布(FOD)；以及
使用所述空间解析纤维取向分布来生成患者体内的纤维组织的表示。
18.如权利要求17所述的介质，其中，所述指令配置成对最小平方公式添加压缩感测(CS)正则项，并且其中所述压缩感测正则项结合与所述患者体内的纤维组织有关的先前知识，并且所述广义球面去卷积包括所述最小平方公式。
19.如权利要求17所述的介质，其中，所述指令配置成对扩散编码空间中的笛卡尔网格随机地欠取样，使用压缩感测来重构总体平均传播函数(EAP)，将所重构总体平均传播函数变换回完全取样扩散谱成像(DSI)数据集，并且对所述完全取样扩散谱成像数据集执行球面去卷积以重构所述空间解析纤维取向分布，其中所述多个扩散编码形成具有扩散编码空间中的所述随机欠取样笛卡尔网格的欠取样扩散谱成像数据集。
20.如权利要求17所述的介质，其中，所述指令配置成通过对各成像体素中的各向异性分量、各向同性分量或两者的多个扩散率进行建模来扩展所述建模组织响应矩阵，以便采用所扩展组织响应矩阵对于从所获取磁共振信号所得到的q空间数据进行去卷积以重构所述空间解析纤维取向分布，通过与所扩展组织响应矩阵的相乘将所述空间解析纤维取向分布变换成扩散编码空间，并且基于所述与所扩展组织响应矩阵的相乘的输出来计算定量组织图。
CN201610314555.2A 2015-05-13 2016-05-13 扩散磁共振成像中的广义球面去卷积 Active CN106137199B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/711,650 US10324154B2 (en) 2015-05-13 2015-05-13 Generalized spherical deconvolution in diffusion magnetic resonance imaging
US14/711650 2015-05-13

Publications (2)

Publication Number Publication Date
CN106137199A CN106137199A (zh) 2016-11-23
CN106137199B true CN106137199B (zh) 2018-06-26

Family

ID=57276907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610314555.2A Active CN106137199B (zh) 2015-05-13 2016-05-13 扩散磁共振成像中的广义球面去卷积

Country Status (2)

Country Link
US (1) US10324154B2 (zh)
CN (1) CN106137199B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9720063B2 (en) * 2012-12-18 2017-08-01 General Electric Company Diffusion spectrum imaging systems and methods
US20190365229A1 (en) * 2018-05-29 2019-12-05 Wisconsin Alumni Research Foundation System and method for assessment of neuro-inflammation using magnetic resonance imaging (mri)
WO2019232279A1 (en) * 2018-05-31 2019-12-05 Boston Medical Center Corporation White matter fibrography by synthetic magnetic resonance imaging

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001038895A1 (en) 1999-11-24 2001-05-31 Board Of Regents, The University Of Texas System Methods and systems for generating tractograms
US6614226B2 (en) 2000-03-31 2003-09-02 The General Hospital Corporation Diffusion imaging of tissues
WO2001091639A1 (en) 2000-05-26 2001-12-06 The Johns Hopkins University School Of Medicine Method of fiber reconstruction employing data acquired by magnetic resonance imaging
AU2002338376A1 (en) 2001-04-06 2002-10-21 Lawrence R. Frank Method for analyzing mri diffusion data
US7078897B2 (en) 2002-01-16 2006-07-18 Washington University Magnetic resonance method and system for quantification of anisotropic diffusion
AU2002953540A0 (en) 2002-12-24 2003-01-16 The University Of Queensland Correction of non-linear gradients effects on magnetic resonance imaging
US7034531B1 (en) 2003-01-09 2006-04-25 The General Hospital Corporation Diffusion MRI using spherical shell sampling
US8380280B2 (en) 2003-07-08 2013-02-19 The United States Of America, As Represented By The Secretary Of The Department Of Health And Human Services Non-invasive in vivo MRI axon diameter measurement methods
US7643863B2 (en) 2003-07-08 2010-01-05 Basser Peter J Diffusion tensor and q-space MRI specimen characterization
US7881878B2 (en) 2005-04-11 2011-02-01 Siemens Medical Solutions Usa Inc. Systems, devices, and methods for diffusion tractography
US7711171B2 (en) 2006-04-20 2010-05-04 The United States Of America As Represented By The Department Of Health And Human Services Estimation of the average propagator from magnetic resonance data
US7511494B2 (en) 2006-05-11 2009-03-31 The General Hospital Corporation Method for measuring the microarchitecture of complex tissue with MRI
US8170305B2 (en) 2006-10-19 2012-05-01 Brown University Quantitative tract-of-interest metrics for white matter integrity based on diffusion tensor MRI data
US7495440B2 (en) 2007-05-03 2009-02-24 Wen-Yih Isaac TSENG Q-space sampling method and diffusion spectrum imaging method employing the same
EP2053416A1 (en) 2007-10-25 2009-04-29 Commissariat A L'energie Atomique Real-time magnetic resonance diffusion imaging
EP2141506B1 (en) 2008-07-01 2019-04-03 The Regents of The University of California Identifying fiber tracts using magnetic resonance imaging (MRI)
US8811706B2 (en) 2008-08-07 2014-08-19 New York University System, method and computer accessible medium for providing real-time diffusional kurtosis imaging and for facilitating estimation of tensors and tensor-derived measures in diffusional kurtosis imaging
US8704515B2 (en) 2008-08-11 2014-04-22 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Magnetic resonance specimen evaluation using multiple pulsed field gradient sequences with a wavenumber magnitude local minimum and restricted compartment estimation
DE102009036969B3 (de) 2009-08-12 2011-02-17 Fachhochschule Stralsund Verfahren zur Rauschunterdrückung und Richtungskontrastverstärkung kernspintomographischer Diffusionsdaten, Bildgebungsverfahren, Computerprogrammprodukt und Bildgebungsvorrichtung
WO2011106821A1 (en) * 2010-03-03 2011-09-09 Brain Research Institute Foundation Pty Ltd Image processing system
US9402562B2 (en) 2010-03-25 2016-08-02 The General Hospital Corporation Systems and methods for improved tractographic processing
US9489731B2 (en) 2011-03-15 2016-11-08 Universith of Pittsburgh—Of the Commonwealth System of Higher Education Directional diffusion fiber tracking
US8922210B2 (en) 2011-03-31 2014-12-30 General Electric Company Method and apparatus for performing diffusion spectrum imaging
US9103898B2 (en) * 2011-04-18 2015-08-11 General Electric Company Motion correction in accelerated T1-weighted magnetic resonance imaging
EP2515137A1 (en) 2011-04-19 2012-10-24 UMC Utrecht Holding B.V. Processing a dataset representing a plurality of pathways in a three-dimensional space
US9404986B2 (en) * 2011-05-06 2016-08-02 The Regents Of The University Of California Measuring biological tissue parameters using diffusion magnetic resonance imaging
US8918160B2 (en) 2011-07-07 2014-12-23 Alan Penn Computer aided diagnostic method and device
WO2013192624A1 (en) 2012-06-22 2013-12-27 Northeastern University Fiber orientation image processing methods and systems
US9239367B2 (en) * 2012-09-14 2016-01-19 General Electric Company Intra-blade filter for motion corrected magnetic resonance data
US9720063B2 (en) * 2012-12-18 2017-08-01 General Electric Company Diffusion spectrum imaging systems and methods
US9880246B2 (en) * 2013-01-28 2018-01-30 University Of Southern California Linear transform for diffusion MRI
CN103279633B (zh) 2013-03-26 2016-06-29 浙江工业大学 基于扩散加权磁共振数据的脑纤维三维显示方法
CN103280144B (zh) 2013-04-07 2015-06-17 浙江工业大学 一种模拟手术训练系统
CN104599244B (zh) 2014-12-23 2018-06-15 中国科学院深圳先进技术研究院 磁共振弥散张量成像的去噪方法和系统

Also Published As

Publication number Publication date
US10324154B2 (en) 2019-06-18
CN106137199A (zh) 2016-11-23
US20160334489A1 (en) 2016-11-17

Similar Documents

Publication Publication Date Title
Zhu et al. Image reconstruction by domain-transform manifold learning
CN111513716B (zh) 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
CN104781685B (zh) 用于使用非相干采样和冗余haar子波的动态磁共振成像的图像重建
CA3107326A1 (en) Deep learning techniques for magnetic resonance image reconstruction
US10852376B2 (en) Magnetic resonance imaging method and device
CN103576116B (zh) 磁共振成像中的运动校正的多激励叶片获取
CN110992433A (zh) 用于利用空数据一致性来稀疏图像重建的系统和方法
de Leeuw den Bouter et al. Deep learning-based single image super-resolution for low-field MR brain images
KR102622283B1 (ko) 맥스웰 병렬 이미징
CN103901377B (zh) 用于相干和非相干运动的同时检测的q-空间的复数重建
CN109073720A (zh) 静音磁共振指纹识别
CN106137199B (zh) 扩散磁共振成像中的广义球面去卷积
WO2021104954A1 (en) Hybrid compressed sensing image reconstruction
US8160342B2 (en) System and method for processing data signals
US9274197B2 (en) Magnetic resonance imaging data sampling methods and systems
WO2023075781A1 (en) Sparse representation of measurements
US8768095B2 (en) System and method for processing data signals
WO2023038910A1 (en) Dual-domain self-supervised learning for accelerated non-cartesian magnetic resonance imaging reconstruction
Forigua et al. SuperFormer: Volumetric Transformer Architectures for MRI Super-Resolution
Shimron et al. CORE‐PI: Non‐iterative convolution‐based reconstruction for parallel MRI in the wavelet domain
CN115552272A (zh) 使用多个磁共振成像系统配置对磁共振图像的校正
EP4227702A1 (en) Artificial intelligence for end-to-end analytics in magnetic resonance scanning
US20230196556A1 (en) Systems and methods of magnetic resonance image processing using neural networks having reduced dimensionality
Deng et al. Intelligent Imaging Method of Nuclear Magnetic Resonance Medical Devices Based on Compression Sensing
CN116579377A (zh) 用于磁共振扫描中的端到端分析的人工智能

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant