CN107862723B - 磁共振成像中的图像重构系统和方法 - Google Patents
磁共振成像中的图像重构系统和方法 Download PDFInfo
- Publication number
- CN107862723B CN107862723B CN201711008863.3A CN201711008863A CN107862723B CN 107862723 B CN107862723 B CN 107862723B CN 201711008863 A CN201711008863 A CN 201711008863A CN 107862723 B CN107862723 B CN 107862723B
- Authority
- CN
- China
- Prior art keywords
- image
- reconstructed image
- reconstructed
- correction information
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000002595 magnetic resonance imaging Methods 0.000 title description 38
- 238000012937 correction Methods 0.000 claims abstract description 138
- 238000003384 imaging method Methods 0.000 claims description 51
- 238000009499 grossing Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 description 61
- 230000008569 process Effects 0.000 description 47
- 238000012986 modification Methods 0.000 description 27
- 230000004048 modification Effects 0.000 description 27
- 238000003860 storage Methods 0.000 description 25
- 230000035945 sensitivity Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 210000004185 liver Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003702 image correction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
-
- 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
- G01R33/54—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
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/5659—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by a distortion of the RF magnetic field, e.g. spatial inhomogeneities of the RF magnetic field
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
提供了用于图像重构的方法和系统。可获得多个线圈图像。可基于第一重构算法来重构基于该多个线圈图像的第一重构图像。可基于第二重构算法来重构基于该多个线圈图像的第二重构图像。可基于第一重构图像和第二重构图像来生成关于第一重构图像的校正信息。可基于第一重构图像和关于第一重构图像的校正信息来生成第三重构图像。
Description
技术领域
本公开一般涉及磁共振成像(MRI),并且尤其涉及MRI中的图像重构系统和方法。
背景技术
MRI是广泛使用的医疗技术。然而,MRI中的重构图像可能包括亮度不均匀性,这可能最终引起误诊。由此,可能希望开发出可移除或减少亮度不均匀性以改善重构图像的质量的图像重构方法和系统。
发明内容
本公开涉及MRI。本公开的一方面涉及图像重构方法。该方法可包括:一个或多个下述操作。获得成像对象的多个线圈图像。基于所述多个线圈图像根据第一重构算法来重构第一重构图像。基于所述多个线圈图像根据第二重构算法来重构第二重构图像。基于所述第一重构图像和所述第二重构图像来生成关于所述第一重构图像的校正信息。基于所述第一重构图像和关于所述第一重构图像的所述校正信息来生成第三重构图像。
在一些实施例中,所述第一重构算法是平方和算法。
在一些实施例中,所述第二重构算法是几何平均算法。
在一些实施例中,所述重构第一重构图像或所述重构第二重构图像进一步包括一个或多个下述操作。对于成像对象中的多个点中的每个点,确定所述多个线圈图像中与成像对象的该点有关的对应像素的像素坐标;获得该点在所述多个线圈图像中的对应像素的像素值。基于成像对象中的所述多个点在所述多个线圈图像中的对应像素的像素坐标和像素值来重构所述第一重构图像或所述第二重构图像。
在一些实施例中,所述校正信息涉及所述第一重构图像的亮度不均匀性。
在一些实施例中,所述生成涉及所述第一重构图像的亮度不均匀性的校正信息进一步包括:将所述第一重构图像除以所述第二重构图像以生成相除图像。
在一些实施例中,所述生成第三重构图像进一步包括:将所述第一重构图像除以所述相除图像。
在一些实施例中,所述生成涉及亮度不均匀性的校正信息进一步包括一个或多个下述操作:平滑所述相除图像以生成经平滑的相除图像;以及归一化经平滑的相除图像以生成经归一化的图像。
在一些实施例中,所述生成第三重构图像进一步包括:将所述第一重构图像除以所述经归一化的图像。
本公开的另一方面涉及图像重构系统。该系统可包括线圈图像生成模块、重构模块和校正模块。线圈图像生成模块,其配置成生成成像对象的多个线圈图像。重构模块,其配置成基于所述多个线圈图像根据第一重构算法来生成第一重构图像,并且基于所述多个线圈图像根据第二重构算法来生成第二重构图像。校正模块,其配置成通过基于所述第二重构图像校正所述第一重构图像来生成第三重构图像。
在一些实施例中,所述重构模块进一步包括:平方和重构单元,其配置成基于所述多个线圈图像使用平方和算法来生成所述第一重构图像;以及几何平均重构单元,其配置成基于所述多个线圈图像使用几何算法来生成所述第二重构图像。
在一些实施例中,所述校正模块进一步包括:重构图像获得单元,其配置成获得重构图像;校正信息生成单元,其配置成生成所述重构图像的校正信息;以及校正信息应用单元,其配置成基于所述校正信息来校正所述重构图像。
在一些实施例中,所述重构第一重构图像或所述重构第二重构图像进一步包括:对于成像对象中的多个点中的每个点,确定所述多个线圈图像中与成像对象的该点有关的对应像素的像素坐标;获得该点在所述多个线圈图像中的对应像素的像素值;以及基于成像对象中的所述多个点在所述多个线圈图像中的对应像素的像素坐标和像素值来重构所述第一重构图像或所述第二重构图像。
在一些实施例中,所述校正信息涉及所述第一重构图像的亮度不均匀性信息。
在一些实施例中,所述生成涉及亮度不均匀性的校正信息包括:将所述第一重构图像除以所述第二重构图像以生成相除图像。
在一些实施例中,所述生成第三重构图像进一步包括:将所述第一重构图像除以所述相除图像。
在一些实施例中,所述生成涉及亮度不均匀性的校正信息进一步包括:平滑所述相除图像以生成经平滑的相除图像;以及归一化经平滑的相除图像以生成经归一化的图像。
在一些实施例中,所述生成第三重构图像进一步包括:将所述第一重构图像除以所述经归一化的图像。
本公开的另一方面涉及一种包括可执行指令的非瞬态计算机可读介质,所述可执行指令在由至少一个处理器执行时使所述至少一个处理器实行一种方法,所述方法包括:获得多个线圈图像;基于所述多个线圈图像基于第一重构算法来重构第一重构图像;基于所述多个线圈图像基于第二重构算法来重构第二重构图像;基于所述第一重构图像和所述第二重构图像来生成关于所述第一重构图像的校正信息;以及基于所述第一重构图像和关于所述第一重构图像的所述校正信息来生成第三重构图像。
本公开的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是显而易见的。本披露的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图简要说明
根据示例性实施例可以进一步描述本公开。参考附图可以详细描述所述示例性实施例。所述附图不是按照比例的。所述实施例并非限制性的示例性实施例,其中相同的附图标记代表附图的几个视图中相似的结构,并且其中:
图1解说了根据本公开的一些实施例的成像系统100的示意图;
图2解说了可在其上实现纳入了本教导的专门系统的计算机的架构;
图3A解说根据本公开的一些实施例的示例性图像处理设备;
图3B解说根据本公开的一些实施例的示例性重构模块;
图3C解说根据本公开的一些实施例的示例性校正模块;
图4解说了解说根据本公开的一些实施例的用于图像重构的示例性过程的流程图;
图5是解说根据本公开的一些实施例的用于图像重构的示例性过程的流程图;
图6是解说根据本公开的一些实施例的用于校正重构图像的示例性过程的流程图;
图7是解说根据本公开的一些实施例的用于获得校正信息的示例性过程的流程图;
图8是解说根据本公开的一些实施例的用于生成校正信息的示例性过程的流程图;
图9是解说根据本公开的一些实施例的用于图像重构的示例性过程的流程图;
图10解说了基于GA算法的重构肝脏图像;
图11解说了基于SOS算法的重构肝脏图像;
图12解说了基于SOS算法的重构肝脏图像和基于GA算法的重构肝脏图像的相除图像;以及
图13解说了基于SOS算法的重构肝脏图像的经校正图像。
具体实施方式
在下面的详细描述中,为了提供对相关申请的透彻理解,通过实施例阐述了实施例的具体细节。然而,对于本领域技术人员来说显而易见的是,本申请可以在没有这些具体细节的情况下被实现。在其他情况下,为了避免不必要地模糊本申请的各方面,已经以较高级别(没有细节)描述了众所周知的方法、程序、系统、部件和/或电路。对本申请的实施例的各种修改对于本领域技术人员将是显而易见的,并且在不脱离本申请的精神和范围的情况下,本申请定义的一般原理可以应用于其他实施例和应用场景中。因此,本申请不限于所示的实施例,而是符合与权利要求一致的最广范围。
应当理解的是,本申请使用的术语“系统”、“引擎”、“单元”、“模块”和/或“区块”是一种以降序的形式来区分不同组件、元件、部件、部件或组件的级别方法。然而,如果其他表达方式达到相同的目的,则这些术语可能被其他表达方式所取代。
应当理解的是,当单元、引擎、模块或区块被称为“在…上”、“连接到”或“耦合到”另一单元、引擎、模块或区块时,其可以直接“在…上”、“连接到”或“耦合到”、或者与另一单元、引擎、模块或区块通信,或者可以存在中间的单元、引擎、模块或区块,除非上下文明确提示例外情形。如本申请所使用的,术语“和/或”包括一个或多个相关所列项目的任何一种和所有的组合。
本申请使用的术语仅用于描述特定示例性实施例的目的,而不是限制性的。如本申请所使用的,除非上下文明确提示例外情形,单数形态的“一”,“一个”和“该”也可以包括复数。应当进一步理解的是,在本说明书中使用的术语“包括”和/或“包含”时,指存在所述特征、整形常量、步骤、操作、元素和/或组件,但不排除存在或添加一个或多个其他特征、整形常量、步骤、操作、元件、组件和/或其组合。
本文中所提供的本公开涉及磁共振成像(MRI)。具体而言,本公开涉及MRI中的图像重构系统和方法。根据本公开的一些实施例,该方法可包括获得多个线圈图像并且基于该多个线圈图像使用两种重构算法来生成第一重构图像和第二重构图像。该方法可进一步包括基于第一和第二重构图像来生成关于第一重构图像的校正信息,并且基于该校正信息来校正第一重构图像。
图1解说了根据本公开的一些实施例的成像系统100的示意图。成像系统100可包括磁共振成像(MRI)设备110、图像处理设备120、终端130、显示器140、数据库150、以及网络160。在一些实施例中,图像处理设备120的至少一部分可以被实现在图2中所示的计算机200上。
MRI设备110可获得MR图像数据。MR图像数据可包括关于成像对象的空间编码信息。MR图像数据也可被称为K空间数据。MR图像数据可被传递到成像处理设备120。成像处理设备120可处理该MR数据以生成MR图像。在一些实施例中,MR图像数据可包括一个或多个MR信号。
MRI设备110可包括MRI扫描器、主磁体、梯度磁体系统、以及射频(RF)系统(图1中未示出)、或类似物等、或其组合。MRI扫描器可被配置成放置成像对象。MRI扫描器可以是隧道类型MRI扫描器150(即,闭孔MRI扫描器等)、或开放式MRI扫描器(即,开孔MRI扫描器等)。
MRI设备110的主磁体可在成像过程期间生成静态磁场。主磁体可以是各种类型的,包括永磁体、超导磁体、电磁体、或类似物等、或其组合。主磁体可具有任何磁场强度,例如,0.35T、0.5T、1T、1.5T、3T等。仅作为示例,主磁体的磁场强度可以为1.5T。
MRI设备110的梯度磁体系统可生成在一个或多个方向上对主磁场的磁场梯度。例如,梯度磁体系统可生成在x、y和z方向上对主磁场的磁场梯度。该梯度磁体系统可包括在不同方向上的多个梯度线圈。
MRI设备110的RF系统可包括RF发射线圈和RF接收线圈。RF发射线圈和/或RF接收线圈可以是鸟笼线圈、横电磁线圈、表面线圈、鞍形线圈、螺线管线圈、鞍形线圈、柔性线圈、或类似物等、或其组合。RF发射线圈可向成像对象发射RF场以产生磁共振现象。RF发射线圈可发射具有任何回波时间(TE)和重复时间(TR)的RF脉冲。RF脉冲的TE可以是任何正数,例如,1ms、2ms、30ms、100ms、或类似物等、或其组合。仅作为示例,RF脉冲的TE可以是2.2ms。TR脉冲可以是任何正数,例如,1ms、2ms、30ms、100ms、或类似物等、或其组合。在一些实施例中,RF脉冲的TR可以是4.9ms。
MRI设备110的RF接收线圈可接收和/或放大MR信号。在一些实施例中,MRI设备110可包括多个RF接收线圈。该多个RF接收线圈可具有各种空间灵敏度并可并行地接收MR信号。
在一些实施例中,MRI设备110可包括模数转换器(ADC)(图1中未示出)。该模数转换器可将一个或多个RF接收线圈接收到的MR信号转换成MR图像数据。该模数转换器可以是直接转换ADC、逐次逼近ADC、斜坡比较ADC、威尔金森ADC、积分式ADC、增量编码ADC、管线ADC、Σ-△ADC、或类似物等、或其组合。
图像处理设备120可生成和/或处理MR图像。该MR图像可以是线圈图像、重构MR图像、扩散加权图像、扩散张量图像、灌注加权图像、功能性MR图像、灵敏度加权图像、MR波谱图像、或类似物等、或其组合。该MR图像可以是四维(4D)图像、三维(3D)图像、二维(2D)图像、或类似物等、或其组合。MR图像可以是任何对象(例如,脑部、胸部、心脏、胸腔、腹腔等)的图像。
MR图像可具有任何像素带宽(BW)。例如,MR图像的BW可以是20Hz/像素、100Hz/像素、300Hz/像素、或类似物等。仅作为示例,MR图像的BW可以是345Hz/像素。MR图像可具有任何视场(FOV)。例如,MR图像的FOV可以是40*40mm、256*256mm、192*256mm、或类似物等。在一些实施例中,MR图像的FOV可以是260*260mm。MR图像可具有任何分辨率。例如,MR图像的分辨率可以是256*256,1024*1024,2048*2048、或类似物等。在一些实施例中,MR图像的分辨率可以是256*256。
在一些实施例中,MR图像可以是线圈图像。图像处理设备120可基于MR图像数据来生成线圈图像。MR图像数据也可被称为K空间数据。MR图像数据可包括关于成像对象的空间编码信息。MR图像数据可以由MRI设备110获得,或从另一来源(例如,数据库150、存储等)检索。仅作为示例,图像处理设备120可基于MR图像数据使用傅立叶变换算法来生成线圈图像。在一些实施例中,MRI设备110可包括多个RF接收线圈。图像处理设备120可生成与每个RF接收线圈相对应的多个线圈图像。
图像处理设备120可基于MR图像数据或多个线圈图像来生成重构MR图像。MR图像数据可以由MRI设备110获得,或从另一来源(例如,数据库150、存储等)检索。该多个线圈图像可以由图像处理设备120生成,或从另一来源(例如,数据库150、存储等)检索。关于基于多个线圈图像来生成重构图像的更多描述可以在本公开中别处找到。例如,参见图5及其描述。
成像处理设备120可处理MR图像。示例性处理可包括增强一图像以生成增强图像、从图像提取某些信息、校正图像的亮度不均匀性、或类似物等、或其组合。图像处理可包括对图像执行一个或多个操作。示例性操作可包括图像操纵(例如,旋转、反转、大小调整、裁剪等)、图像校正、图像加权、图像相减、图像相除、图像分割、图像二值化、图像交叠、图像匹配、图像底片显影、图像噪声减小、图像增强、图像压缩、或类似物等、或其组合。示例性图像校正可包括亮度不均匀性校正、图像畸变校正、梯度非线性校正、运动伪影校正、色彩校正、或类似物等、或其组合。
图像处理设备120可以是任何种类的可以处理图像的设备。例如,图像处理设备120可包括专攻图像处理或事务处理的高性能计算机、个人计算机、便携式设备、服务器、微处理器、集成芯片、数字信号处理器(DSP)、平板、PDA、或类似物等、或其组合。在一些实施例中,成像处理设备120可以被实现在图2中所示的计算机200上。
图像处理可涉及图像重构技术、亮度不均匀性校正技术、或类似物等、或其组合。如本文中所使用的,“校正”亮度不均匀性可指完全地或部分地移除存在的、或由图像处理技术所标识出的亮度不均匀性。
适用于MR图像数据的图像重构技术可包括空间谐波同时捕获(SMASH)算法、自动SMASH算法、可变密度自动SMASH算法、广义自动校准部分并行捕获(GRAPPA)算法、广义SMASH算法、来自线圈阵列的用于并行编码和重构的灵敏度分布(SPACE RIP)算法、或类似物等、或其组合。基于多个线圈图像的图像重构技术可包括平方和(SOS)算法、几何平均(GA)算法、灵敏度编码(SENSE)算法、具有局部化灵敏度的并行成像(PILS)算法、改良灵敏度编码(MSENSE)算法、SPACE RIP算法、或类似物等、或其组合。仅作为示例,图像处理设备120可基于多个线圈图像使用SOS算法来生成重构MR图像。作为另一示例,图像处理设备120可基于多个线圈图像使用GA算法来生成重构MR图像。
亮度不均匀性校正技术可包括同态滤波算法、同态反锐化掩模(HUM)算法、表面拟合算法、非参数非均匀强度归一化(N3)算法、偏置场校正物(BFC)算法、基于最大似然的算法、模糊c均值算法、直方图匹配算法、或类似物等、或其组合。
终端130可被连接到图像处理设备120或与之通信。终端130可允许一个或多个操作者(例如,医生、成像技术人员等)控制图像在显示器140上的产生和/或显示。终端130可包括输入设备、输出设备、控制面板(图1中未示出)、或类似物等、或其组合。输入设备可以是键盘、触摸屏、鼠标、遥控器、可穿戴设备、或类似物等、或其组合。输入设备可包括可经由键盘来输入的字母数字和其他键、触摸屏(例如,具有触感或触觉反馈等)、语音输入、眼球跟踪输入、脑监视系统、或任何其他相当的输入机制。通过输入设备接收到的输入信息可经由网络160被传达给图像处理设备120以供进一步处理。另一种类型的输入设备可包括光标控制设备,诸如鼠标、轨迹球、或光标方向键,以用于将方向信息和命令选择传达给例如图像处理设备120并且用于控制显示器140或另一显示设备上的光标移动。
显示器140可显示信息。该信息可包括图像处理前和/或后的图像、输入与图像捕获和/或处理有关的参数的请求、或类似物等、或其组合。显示器140可包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器或曲面屏幕(或电视)、阴极射线管(CRT)、或类似物等、或其组合。
数据库150可存储图像和/或有关信息或参数。这些图像可包括MR图像(例如,线圈图像、重构MR图像等)、经处理MR图像(例如,经分割MR图像、经校正MR图像等)。这些参数可包括磁场强度、MR图像的分辨率、RF脉冲的TE、RF脉冲的TR、以及MR图像的带宽、MR图像的视场(FOV)、或类似物等、或其组合。
网络160可建立成像系统100中的不同单元之间的连接。网络160可以是单个网络、或各种网络的组合。网络160可以是有线网络或无线网络。有线网络可包括使用局域网(LAN)、广域网(WAN)、蓝牙、ZigBee、近场通信(NFC)、或类似物等、或其组合。无线网络可以是蓝牙、近场通信(NFC)、无线局域网(WLAN)、WiFi、无线广域网(WWAN)、或类似物等、或其组合。
应当注意,以上与成像系统100有关的描述是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的范围。例如,由成像处理设备120生成的图像的部分或全部可由终端130处理。在一些实施例中,终端130和显示器140可以与图像处理设备120组合为单个设备或可以是图像处理设备120的一部分。类似的修改应当落在本公开的范围之内。
图2解说了可在其上实现纳入了本教导的专门系统的计算机200的架构。这样的纳入了本教导的专门系统具有可包括用户接口元件的硬件平台的功能块解说。计算机200可以是通用计算机或专用计算机。计算机200可被用来实现如本文中所描述的任何图像处理组件。例如,图像处理设备120可以经由计算机的硬件、软件程序、固件、或其组合来被实现在计算机(诸如计算机200)上。尽管为方便起见仅示出了一个此类计算机,但是与如本文中所描述的图像处理有关的计算机功能可按分布式方式被实现在数个类似平台上,以使得处理负荷分布开来。在一些实施例中,计算机120可以被用作图1中所示的成像处理设备120。
计算机200例如可包括连接去往和来自与之相连接以促成数据通信的网络的通信(COM)端口211。计算机200还可包括一个或多个处理器形式的中央处理单元(CPU)205以用于执行程序指令。该示例性计算机平台可包括内部通信总线204、程序存储、以及不同形式的数据存储(例如,盘208、只读存储器(ROM)206、或随机存取存储器(RAM)207),以用于要由该计算机处理和/或传达的各种数据文件,以及可能还用于要由CPU 205执行的程序指令。计算机200还可包括I/O组件209,其支持计算机与其中的其他组件(诸如用户接口元件213)之间的输入/输出流。计算机200还可经由网络通信来接收编程和数据。
如本文中所描述的图像处理和/或其他过程的方法的各方面可被实施在编程中。技术的程序方面可被认为是通常以在某类机器可读介质上执行或实施在某类机器可读介质中的可执行代码和/或相关联联的数据的形式的“产品”或“制品”。有形非瞬态“存储”类型介质包括可在任何时间为软件编程提供存储的存储器或用于计算机、处理器或类似物等的其它存储、或其相关联的模块(诸如各种半导体存储器,带驱动器,盘驱动器及类似物等)中的任何或所有。
软件的所有或部分可能有时通过网络(诸如,因特网或各种其它电信网络)来传达。此类通信例如可使得能够将软件从一个计算机或处理器加载到另一个计算机或处理器中,例如,从管理服务器或调度系统的宿主计算机加载到计算环境或实现计算环境或与图像处理有关的类似功能性的其他系统的(诸)硬件平台中。因此,可承载软件元素的另一种类型的介质包括光波、电波和电磁波,诸如跨本地设备之间的物理接口、通过有线和光学地线网络、和越过各种空中链路来使用的。承载这些波的物理元件(诸如有线或无线链路、光学链路或类似物等)也可以被认为是承载软件的介质。如本文中所使用的,除非被限制于有形“存储”介质,否则诸如计算机或机器“可读介质”之类的术语指的是参与向处理器提供指令以供执行的任何介质。
机器可读介质可以采取许多形式,包括但不限于有形存储介质、载波介质、或物理传输介质。非易失性存储介质包括,例如,光盘或磁盘,诸如任何(诸)计算机或类似物等中的可被用于实现附图中所示的系统或其任何组件的任何存储设备。易失性存储介质可包括动态存储器,诸如这种计算机平台的主存储器。有形传输介质可包括同轴电缆;铜线和光纤,包括形成计算机系统内的总线的导线。载波传输介质可采取电或电磁信号、或声波或光波(诸如在射频(RF)和红外(IR)数据通信期间生成的那些)的形式。计算机可读介质的常见形式可包括例如:软盘、柔性盘、硬盘、磁带、任何其它磁介质,CD-ROM、DVD或DVD-ROM、任何其它光学介质,穿孔卡片纸带、具有孔图案的任何其他物理存储介质,RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或卡带盒,传输数据或指令的载波、传输这种载波的电缆或链路,或者计算机可从中读取编程代码和/或数据的任何其它介质。在将一个或多个指令的一个或多个序列携带至物理处理器以供执行时可涉及这些形式的计算机可读介质中的许多。
本领域技术人员将认识到,本文的教导顺应于各种修改和/或增强。例如,尽管本文中描述的各种组件的实现可被实施在硬件设备中,但是它也可被实现为仅软件方案,例如安装在现存服务器上。另外,如本文中所公开的图像处理可被实现为固件、固件/软件组合、固件/硬件组合、或硬件/固件/软件组合。
图3A解说根据本公开的一些实施例的示例性图像处理设备120。图像处理设备120可包括线圈图像生成模块310、重构模块330、以及校正模块350。图像处理设备120中的组件可被彼此连接和/或连接到成像系统100中的其他组件(例如,MRI设备110、终端130、显示器140、数据库150、或类似物等、或其组合)或与彼此和/或成像系统100中的其他组件通信。
线圈图像生成模块310可生成线圈图像。如本文中所使用的,线圈图像可以是基于线圈所采集的MR图像数据来生成的重构MR图像。MR图像数据可以由MRI设备110获得,或从另一来源(例如,数据库150、存储等)检索。线圈图像可被发送给图像处理设备120中的一个或多个其他组件,例如重构模块330、校正模块340、或类似物等、或其组合。线圈图像可被发送给成像系统100中的一个或多个其他组件,例如终端130、显示器140、数据库150、或类似物等、或其组合。
在一些实施例中,MR图像数据可由MRI设备110获得。考虑到RF接收线圈的不同部分可能对MR信号具有不同的灵敏度,基于由MR设备110所采集的MR图像数据所生成的线圈图像可能具有亮度不均匀性。
在一些实施例中,图像处理设备120可基于具有多个RF接收线圈的MRI设备110所获得的MR图像数据来生成多个线圈图像,所述多个线圈图像是分别基于各RF接收线圈所采集的MR图像数据来生成的成像对象的多个图像。在该情形中,图像处理设备120可生成与每个RF接收线圈相对应的线圈图像。该多个线圈图像可能由于MRI设备110中的各个RF接收线圈的灵敏度上的差异而具有不同的亮度不均匀性。
重构模块330可执行图像重构以生成重构图像。重构图像可以是4D重构MR图像、3D重构MR图像、或2D重构MR图像。重构图像可以是灰阶图像、RGB图像、或二进制图像。由重构模块330生成的重构图像可被发送给图像处理设备120中的其他(诸)组件,例如,校正模块350、或类似物等、或其组合。重构图像可被发送给成像系统100中的一个或多个组件,例如终端130、显示器140、数据库150、或类似物等、或其组合。
重构模块330可基于MR图像数据或多个线圈图像来生成重构图像。MR图像数据可以由MRI设备110获得,或从另一来源(例如,数据库150、存储等)检索。该多个线圈图像可以由线圈图像生成模块310生成,或从另一来源(例如,数据库150、存储等)检索。
重构模块330可基于多个线圈图像来生成多个重构图像。该多个重构图像可基于相同线圈图像集或不同线圈图像集来生成。如本文中所使用的,线圈图像集可包括一个或多个线圈图像。该多个重构图像可使用相同算法或不同算法来生成。第一重构图像可基于第一组多个线圈图像来生成。第二重构图像可基于第二组多个线圈图像来生成。第一组多个线圈图像和第二组多个线圈图像可以相同或不同。例如,第一组多个线圈图像和第二组多个线圈图像可以基于相同MRI设备110在相同时间或不同时间获得的MR图像数据来生成。作为另一示例,第一组多个线圈图像和第二组多个线圈图像可以基于不同MRI设备110在相同时间或不同时间获得的MR图像数据来生成。
重构模块330可基于图像重构技术来执行图像重构。基于MR图像数据的图像重构技术可包括SMASH算法、自动SMASH算法、可变密度自动SMASH算法、GRAPPA算法、广义SMASH算法、SPACE RIP算法、或类似物、或其组合。基于多个线圈图像的图像重构技术可包括SOS算法、GA算法、SENSE算法、PILS算法、MSENSE算法、以及SPACE RIP算法、或类似物等、或其组合。
在一些实施例中,图像处理设备120可基于多个线圈图像来生成两个重构MR图像。例如,第一重构MR图像可使用SOS算法基于第一组线圈图像来重构,并且第二重构MR图像可使用GA算法基于第二组线圈图像来重构。第一组线圈图像和第二组线圈图像可以相同或不同。
在一些实施例中,重构模块330可包括平方和重构单元331(图3B中示出)、几何平均重构单元333(图3B中示出)、以及存储单元(图3A中未示出)。平方和重构单元331可基于多个线圈图像使用SOS算法来生成重构图像。几何平均重构单元333可基于多个线圈图像使用GA算法来生成重构图像。存储单元可被用来存储MR图像数据、重构MR图像、或类似物等、或其组合。
校正模块350可校正图像。该图像可以是线圈图像、重构图像、或类似物等、或其组合。该图像可以由线圈图像生成模块310、重构模块330生成,或从另一来源(例如,数据库150、以及存储等)检索。校正模块350可校正亮度不均匀性、畸变、梯度非线性、运动伪影、或类似物等、或其组合。
在一些实施例中,校正模块350可校正图像的亮度不均匀性。亮度不均匀性也可被称为强度非均匀性。具有亮度不均匀性的图像的亮度可能被非均匀地分布。校正模块350可基于亮度不均匀性校正算法来校正图像的亮度不均匀性。该亮度不均匀性校正算法可包括同态滤波算法、HUM算法、表面拟合算法、N3算法、BFC算法、基于最大似然的算法、模糊c-均值算法、直方图匹配算法、或类似物等、或其组合。
在一些实施例中,校正模块350可基于两个重构图像来校正亮度不均匀性。这两个重构图像可基于相同MR数据集或同一组多个线圈图像来重构。关于基于两个重构图像来校正亮度不均匀性的更多描述可在本公开中别处找到。例如,参见图7和图9及其描述。
在一些实施例中,校正模块350可包括重构图像获得单元351(图3C中示出)、校正信息生成单元353(图3C中示出)、校正信息应用单元355(图3C中示出)、以及存储单元(图3C中未示出)。重构图像获得单元351可获得重构图像。校正信息生成单元353可生成重构图像的校正信息。校正信息应用单元355可基于校正信息来校正重构图像。存储单元可被用来存储MR图像数据、重构MR图像、校正信息、或类似物等、或其组合。
图3B解说根据本公开的一些实施例的示例性重构模块330。重构模块330可包括平方和重构单元331和几何平均重构单元333。
平方和重构单元331可基于多个线圈图像使用SOS算法来生成重构图像。几何平均重构单元333可基于多个线圈图像使用GA算法来生成重构图像。关于SOS算法和GA算法的更多描述可在本公开中别处找到。例如,参见图5和图9及其描述。
图3C解说根据本公开的一些实施例的示例性校正模块350。校正模块350可包括重构图像获得单元351、校正信息生成单元353、以及校正信息应用单元355。
重构图像获得单元351可获得重构图像。重构图像可以是4D重构图像、3D重构图像、或2D重构图像。重构图像可以从重构模块330获得,或从另一来源(例如,数据库150、存储等)检索。在一些实施例中,重构图像获得单元351可获得多个重构图像。该多个重构图像可基于相同MR数据集或不同MR数据集来生成。该多个重构图像可基于相同的一组多个线圈图像或不同的多个线圈图像的集合来生成。该多个重构图像可使用相同重构技术或不同重构技术来生成。
校正信息生成单元353可生成重构图像的校正信息。校正信息可包括与亮度不均匀性、畸变信息、梯度非线性信息、运动伪影信息、或类似物等、或其组合有关的校正信息。校正信息可通过各种方式来生成。例如,校正信息可通过平滑该重构图像以捕捉或强调该重构图像中所包含的感兴趣信息来生成。作为另一示例,校正信息可通过将该重构图像与另一重构图像作比较来生成。这两个重构图像可基于相同MR图像数据或相同线圈图像集来生成。作为进一步示例,校正信息可基于该多个RF接收线圈的空间灵敏度来生成。关于校正信息生成的更多描述可在本公开中别处找到。例如,参见图6及其描述。在一些实施例中,校正信息可以是与亮度不均匀性有关的校正信息。与亮度不均匀性有关的校正信息可被用来校正亮度不均匀性。
校正信息应用单元355可基于校正信息来校正重构图像。该校正信息可以由校正信息生成单元生成,或从另一来源(例如,数据库150、存储等)检索。关于基于校正信息来校正重构图像的更多描述可在本公开中别处找到。例如,参见图6及其描述。
应当注意,以上与图像处理设备120有关的描述是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的范围。例如,重构模块330可包括利用其他重构技术(例如,SENSE算法、GA算法、PILS算法、MSENSE算法、SPACE RIP等)的一个或多个其他重构单元(附图中未示出)。作为另一示例,校正信息生成单元350可包括相除图像生成子单元、图像平滑子单元、和/或图像归一化子单元(附图中未示出)。
图4解说了解说根据本公开的一些实施例的用于图像重构的示例性过程400的流程图。在一些实施例中,过程400可由成像系统100(图1中所示)中的一个或多个设备(例如,图像处理设备120)、以及图像处理设备120(图3A中所示)来执行。在一些实施例中,过程400的至少一部分可以由图2中所示的计算机200来执行。
在410,可获得多个线圈图像。该多个线圈图像可以由线圈图像生成模块310生成,或从另一来源(例如,数据库150、存储等)检索。关于线圈图像的详细描述可在本公开中别处找到。例如,参见图1和图3及其描述。在一些实施例中,该多个线圈图像可由线圈图像生成模块310基于由成像系统100的MRI设备100所采集的MR图像数据来生成。
在420,可以基于多个线圈图像来生成重构图像。420中的图像重构可由图3A中解说的重构模块330来执行。重构图像可基于多个线圈图像利用图像重构技术(包括SOS算法、GA算法、SENSE算法、PILS算法、以及MSENSE算法、SPACE RIP算法、或类似物等、或其组合)来生成。在420中可以生成不止一个重构图像。该不止一个重构图像可基于相同线圈图像集或不同线圈图像集来生成。该不止一个重构图像可使用相同算法或不同算法来生成。仅作为示例,重构图像可基于多个线圈图像利用SOS算法和/或GA算法来生成。关于SOS算法和GA算法的更多描述可在本公开中别处找到。例如,参见图5和图9及其描述。
在430,可以校正重构图像以生成经校正图像。430中的图像校正可由图3A中解说的校正模块350来执行。430中的校正操作可包括强度不均质性校正、畸变校正、梯度非线性校正、运动伪影校正、或类似物等、或其组合。
在一些实施例中,重构图像的亮度不均匀性可使用亮度不均匀性校正算法来校正。该亮度不均匀性校正算法可包括同态滤波算法、HUM算法、表面拟合算法、N3算法、BFC算法、基于最大似然的算法、模糊c-均值算法、直方图匹配算法、或类似物等、或其组合。
在一些实施例中,校正模块350可基于两个重构图像来校正亮度不均匀性。这两个重构图像可基于相同MR数据集或同一组多个线圈图像来获得。关于基于两个重构图像来校正亮度不均匀性的更多描述可在本公开中别处找到。例如,参见图7和图9及其描述。
应当注意,以上描述的过程400是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言显然的是,可在本公开的教导下进行众多变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。在一些实施例中,一些步骤可被减少或添加。例如,430可被改变并且噪声减少算法可被使用来处理重构图像。作为另一示例,420可被省略并且线圈图像的亮度不均匀性可在430被校正。
图5是解说了解说根据本公开的一些实施例的用于图像重构的示例性过程500的流程图。在一些实施例中,过程500可由成像处理设备120中的重构模块330执行。在一些实施例中,参考图5描述的过程500可以是用于达成图4中示出的420的示例性过程。
在510,可确定多个线圈图像中的对应像素的像素坐标。该多个线圈图像中的对应像素可涉及成像对象的点,也就是与对应像素对应的成像对象内的位置。该多个线圈图像可以是相同的成像对象的重构图像。
在520,可获得该多个线圈图像中的对应像素的像素值。如本文中所使用的,像素值可指像素的灰度值。假设有n个线圈图像,就成像对象的点的诸对应像素而言,这些对应像素的像素值可被记为P1,P2,P3,…,Pn。
在530,可基于该多个线圈图像中的对应像素的像素坐标和像素值来生成重构图像。成像对象在重构图像中的点的像素值可被记为P。像素值P可以基于对应像素P1,P2,P3,…,Pn的像素值来确定。例如,像素值P可以是对应像素P1,P2,P3,…,Pn的像素值的统计参数(例如,平均值、中值、众数、平方和、几何平均等)。
在一些实施例中,像素值P可以使用SOS算法基于对应像素的像素值来确定。在该情形中,过程500可由成像处理设备120中的平方和重构单元331来执行。SOS算法可以根据以下式(1)来执行:
其中n指线圈图像的数目。
在一些实施例中,像素值P可以使用GA算法基于对应像素的像素值来确定。在该情形中,过程500可由成像处理设备120中的几何平均重构单元333来执行。GA算法可以根据以下式(2)来执行:
其中n指线圈图像的数目。
应当注意,以上描述的过程500是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言显然的是,可在本公开的教导下进行众多变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。在一些实施例中,在510,可确定多个像素坐标,并且重构图像中这多个像素的像素值可被同时确定。在一些实施例中,在510,可以确定像素坐标。在该情形中,重构图像中的像素的像素值可被相继确定。类似的修改应当落在本公开的范围之内。
图6是解说根据本公开的一些实施例的用于校正重构图像的示例性过程600的流程图。在一些实施例中,过程600可由成像处理设备120中的校正模块350执行。在一些实施例中,参考图6描述的过程600可以是用于达成图4中示出的430的示例性过程。
在610,可以获得重构图像。重构图像的获得可以由重构图像获得单元351执行。重构图像可以是4D重构图像、3D重构图像、或2D重构图像。重构图像可以从重构模块330获得,或从另一来源(例如,数据库150、存储等)检索。在610中可以获得一个或多个重构图像。所获得的不止一个重构图像可基于相同MR图像数据或线圈图像来生成。所获得的不止一个重构图像可使用相同重构技术或不同重构技术来生成。关于图像重构的详细描述可在本公开中别处找到。例如,参见图1和图4及其描述。
在一些实施例中,在610可获得第一重构图像和第二重构图像。仅作为示例,第一重构图像可以使用SOS算法来生成,并且第二重构图像可以使用GA算法来生成。第一重构图像和第二重构图像两者可基于由相同MRI设备110从相同扫描获得的MR图像数据来生成。在一些实施例中,重构图像可以由变换算法(例如,对数变换算法、极坐标变换算法等)来变换。
在630,可以生成关于该重构图像的校正信息。校正信息可以是近似校正信息。校正信息的生成可由校正信息生成单元353来执行。校正信息可包括与亮度不均匀性、图像畸变信息、梯度非线性信息、运动伪影信息、色彩信息、或类似物等、或其组合有关的校正信息。
校正信息可基于在610获得的一个或多个重构图像来生成。校正信息可通过比较多个重构图像来生成。例如,校正信息可通过将多个重构图像相除,或者通过将多个重构图像彼此相减,或类似物等,或其组合来生成。校正信息可基于一个重构图像来生成。例如,校正信息可通过平滑该重构图像以捕捉或强调该重构图像中所包含的感兴趣信息来生成。作为另一示例,如果重构图像是在610中基于多个线圈图像从重构模块330获得的,则该校正信息可基于该多个RF接收线圈的空间灵敏度来生成。
在一些实施例中,校正信息可以是与亮度不均匀性有关的校正信息。与亮度不均匀性有关的校正信息可基于一个或多个重构图像来生成。在基于一个重构图像生成与亮度不均匀性有关的校正信息的情形中,与亮度不均匀性有关的校正信息可通过平滑该重构图像来生成。平滑一图像可趋于捕捉或强调该图像中的感兴趣信息而略去该图像中的噪声。因此,经平滑的重构图像可被用来校正重构图像的亮度不均匀性。
重构图像可以使用平滑算法来平滑。平滑算法可包括低通滤波器算法、加性平滑算法、数字滤波器算法、指数平滑算法、卡尔曼滤波器、内核平滑器算法、Kolmogorov-Zurbenko滤波器算法、拉普拉斯平滑算法、Ramer-Douglas-Peucker算法、Savitzky-Golay平滑滤波器算法、或类似物等、或其组合。在一些实施例中,重构图像可以由低通滤波器来平滑。低通滤波器可以是高斯滤波器、巴特沃斯滤波器、切比雪夫滤波器、或类似物等、或其组合。
在基于多个重构图像生成与亮度不均匀性有关的校正信息的情形中,与亮度不均匀性有关的校正信息可通过将该多个重构图像相除来生成。例如,与亮度不均匀性有关的校正信息可以通过将第一重构图像除以第二重构图像来生成。第一重构图像和第二重构图像可基于相同MR图像数据集或同一组多个线圈图像来生成。第一重构图像与第二重构图像的相除重构图像可包含与亮度不均匀性有关的校正信息,其被用来校正第一重构图像和/或第二重构图像的亮度不均匀性。关于获得两个重构图像上的亮度不均匀性的校正信息的更多描述可在本公开中别处找到。例如,参见图7和图9及其描述。
在650,经校正重构图像可以基于校正信息来生成。操作650可以由校正信息应用单元355来执行。在一些实施例中,校正信息可以是与亮度不均匀性有关的校正信息。在650,可以校正重构图像的亮度不均匀性以生成经校正重构图像。
仅作为示例,在630可生成可被用来校正亮度不均匀性的经平滑重构图像或相除重构图像。经校正重构图像可以通过将重构图像除以经平滑重构图像或相除重构图像来生成。将重构图像除以经平滑重构图像意味着将该重构图像中的所有像素的像素值除以经平滑重构图像中的对应像素的像素值。经平滑重构图像中的对应像素可以是具有与重构图像中的该像素相同的坐标的像素。将重构图像除以相除重构图像意味着将该重构图像中的所有像素的像素值除以相除重构图像中的对应像素的像素值。相除重构图像中的对应像素可以是具有与重构图像中的该像素相同的坐标的像素。
应当注意,以上描述的过程600是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言显然的是,可在本公开的教导下进行众多变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。例如,在650,经校正重构图像可以通过将重构图像乘以经平滑重构图像的倒数来生成。将重构图像乘以经平滑重构图像的倒数意味着将该重构图像中的所有像素的像素值乘以经平滑重构图像中的对应像素的像素值的倒数。经平滑重构图像中的对应像素可以是具有与重构图像中的该像素相同的坐标的像素。类似的修改应当落在本公开的范围之内。
图7是解说根据本公开的一些实施例的用于获得校正信息的示例性过程700的流程图。在一些实施例中,过程700可由成像处理设备120中的校正模块350执行。在一些实施例中,参考图7描述的过程700可以是用于达成图6中示出的630的示例性过程。
在710,可以获得基于第一重构算法的第一重构图像。在730,可以获得基于第二重构算法的第二重构图像。第一重构图像和第二重构图像的获得可以由重构图像获得单元351来执行。重构图像可以是3D MR重构图像或2D MR重构图像。第一重构图像和第二重构图像可基于相同MR图像数据集或同一组线圈图像来生成。第一重构图像和第二重构图像可基于不同重构算法(例如,SOS算法、GA算法、迭代算法等)来生成。关于图像重构的更多描述可在本公开中别处找到。例如,参见图1和图4及其描述。
在一些实施例中,第一重构图像可以基于SOS算法来生成,并且第二重构图像可以基于GA算法来生成。关于SOS算法和GA算法的更多描述可在本公开中别处找到。例如,参见图5和图9及其描述。
在750,可基于第一重构图像和第二重构图像来生成第一重构图像的校正信息。校正信息可包括与亮度不均匀性、图像畸变信息、梯度非线性信息、运动伪影信息、色彩信息、或类似物等、或其组合有关的校正信息。
在一些实施例中,校正信息可以包括与亮度不均匀性有关的校正信息。与亮度不均匀性有关的校正信息可基于第一重构图像与第二重构图像之间的差异来生成。仅作为示例,与亮度不均匀性有关的校正信息可以通过将第一重构图像除以第二重构图像来确定。将第一重构图像除以第二重构图像意味着将第一重构图像中的所有像素的像素值除以第二重构图像中的对应像素的像素值。第二重构图像中的对应像素可以是具有与第一重构图像中的该像素相同的坐标的像素。作为另一示例,例如,与亮度不均匀性有关的校正信息可以通过将第二重构图像除以第一重构图像来确定。
因为第一重构图像和第二重构图像可以基于相同的MR数据集或同一组线圈图像来生成,所以它们可包含关于成像对象的相同结构信息。将第一重构图像除以第二重构图像可提供第一重构图像的校正信息(例如,第一重构图像的亮度不均匀性)。关于生成校正信息的更多描述可在本公开中别处找到。例如,参见图8及其描述。
应当注意,以上描述的过程700是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言显然的是,可在本公开的教导下进行众多变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。例如,710和730可以在同时被执行。作为另一示例,730可以在710之前被执行。类似的修改应当落在本公开的范围之内。
图8是解说根据本公开的一些实施例的用于生成校正信息的示例性过程800的流程图。在一些实施例中,过程800可由成像处理设备120中的校正模块350执行。在一些实施例中,参考图8描述的过程800可以是用于达成图7中示出的750的示例性过程。
在810,可以基于第一重构图像和第二重构图像来生成相除图像。相除图像可以通过将第一重构图像除以第二重构图像来生成。第一重构图像和第二重构图像可基于相同MR图像数据集或同一线圈图像集来生成。将第一重构图像除以第二重构图像意味着将第一重构图像中的所有像素的像素值除以第二重构图像中的对应像素的像素值,因此相除图像是由第一重构图像中的所有像素的像素值与第二重构图像中的对应像素的像素值的比值构成的矩阵。第二重构图像中的对应像素可以是具有与第一重构图像中的该像素相同的坐标的像素。关于相除图像的更多描述可在本公开中别处找到。例如,参见图7及其描述。
在一些实施例中,第一重构图像可以是基于SOS算法来生成的重构图像,并且第二重构图像可以是基于GA算法来生成的重构图像。第一重构图像和第二重构图像可基于相同MR图像数据集或同一线圈图像集来生成。在810,可以通过将基于SOS算法的第一重构图像除以基于GA算法的第二重构图像来生成相除图像。
在830,相除图像可被平滑以生成经平滑相除图像。平滑一图像可趋于捕捉或强调该图像中的感兴趣信息而略去该图像中的噪声、其他精密标度结构、或瞬态现象。相除图像可以使用平滑算法来平滑。在一些实施例中,相除图像可以使用低通滤波器算法(例如,高斯滤波器、巴特沃斯滤波器、切比雪夫滤波器等)来平滑。关于平滑图像的更多描述可在本公开中别处找到。例如,参见图6及其描述。
在850,经平滑的相除图像可被归一化。归一化操作可被用来使得校正重构图像和重构图像具有相同的动态范围。例如,校正重构图像和重构图像的整体像素值可以是相同的。作为另一示例,经平滑的相除图像可通过调整整体像素值以使得其平均像素值可等于1来归一化。
应当注意,以上描述的过程800是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言显然的是,可在本公开的教导下进行众多变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。例如,可以省略830。作为另一示例,可以省略850。作为另一示例,810可通过将第一重构图像乘以第二重构图像的倒数来执行。作为另一示例,850可以在830之前被执行。相除图像可首先被归一化并且然后被平滑。类似的修改应当落在本公开的范围之内。
图9是解说了解说根据本公开的一些实施例的用于图像重构的示例性过程900的流程图。在一些实施例中,过程900可由成像系统100(图1中所示)的一个或多个设备(例如,图像处理设备120)、以及图像处理设备120(图3A中所示)来执行。在一些实施例中,过程900的至少一部分可以由图2中所示的计算机200来执行。在一些实施例中,参考图9描述的过程900可以是图4中示出的过程400的示例性实施例。
在910,可以生成基于SOS算法的第一重构图像。在920,可以生成基于GA算法的第二重构图像。第一重构图像和/或第二重构图像可以是3D MR重构图像或2D MR重构图像。第一重构图像和第二重构图像可由图像处理设备120的重构模块330基于同一组线圈图像来生成。仅作为示例,第一重构图像可以由SOS重构单元331来生成,并且第二重构图像可以由GA重构单元333来生成。关于SOS算法和GA算法的更多描述可在本公开中别处找到。例如,参见图5及其描述。
第一重构图像和第二重构图像可因线圈的空间灵敏度而具有亮度不均匀性。SOS算法可能对线圈的空间灵敏度敏感,但对噪声不敏感。GA算法可能对噪声敏感,但对线圈的空间灵敏度不敏感。因此,第一重构图像可趋于具有比第二重构图像高的信噪比。第一重构图像可趋于具有比第二重构图像高的亮度不均匀性。第二重构图像可被用来校正第一重构图像。
图10解说了基于GA算法的重构图像。图11解说了基于SOS算法的重构图像。如图10和图11中所解说的,在这两个重构图像中有亮度不均匀性。图11中的亮度不均匀性比图10中的高。
在930,可以基于第一重构图像和第二重构图像来生成相除图像。相除图像可以通过将第一重构图像除以第二重构图像来生成。将第一重构图像除以第二重构图像意味着将第一重构图像中的所有像素的像素值除以第二重构图像中的对应像素的像素值。第二重构图像中的对应像素可以是具有与第一重构图像中的该像素相同的坐标的像素。相除图像可被用来校正第一重构图像。关于相除图像的更多描述可在本公开中别处找到。例如,参见图8及其描述。
在940,相除图像可被平滑以生成经平滑相除图像。相除图像可被平滑以移除或减少噪声,而其他信息(例如,与亮度不均匀性有关的校正信息等)可基本上保留。在一些实施例中,相除图像可以使用低通滤波器算法(例如,高斯滤波器、巴特沃斯滤波器、切比雪夫滤波器等)来平滑。关于平滑图像的更多描述可在本公开中别处找到。例如,参见图6及其描述。
在950,经平滑的相除图像可被归一化以生成经归一化图像。归一化操作可被用来使得校正重构图像和重构图像(例如,基于SOS算法的重构图像)具有相同的动态范围。例如,校正重构图像和重构图像的整体像素值可以是相同的。作为另一示例,经平滑的相除图像可通过调整整体像素值以使得其平均像素值可等于1来归一化。
在960,第一重构图像可基于此经归一化图像来被校正。例如,可通过将第一重构图像除以此经归一化图像来校正第一重构图像。因为经归一化图像可包含第一重构图像的亮度不均匀性,所以第一重构图像的亮度不均匀性可通过将第一重构图像除以经归一化图像来校正。将第一重构图像除以经归一化图像意味着将第一重构图像中的所有像素的像素值除以经归一化图像中的对应像素的像素值。经归一化图像中的对应像素可以是具有与第一重构图像中的该像素相同的坐标的像素。
应当注意,以上描述的过程900是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言显然的是,可在本公开的教导下进行众多变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。在一些实施例中,一些步骤可被减少或添加。例如,可以省略940或950。作为另一示例,930可以在910之前执行,或者930和910可以在同时被执行。在一些实施例中,960可通过将第一重构图像乘以经归一化图像的倒数来执行。类似的修改应当落在本公开的范围之内。
示例
这些示例是出于解说目的而提供的,且并不旨在限定本公开的范围。
示例1
图10解说了基于GA算法的重构肝脏图像。图11解说了基于SOS算法的重构肝脏图像。图10和图11是利用根据本公开的一些实施例的系统和过程来生成的。主磁体的磁场强度为1.5T。切片厚度为3mm。翻转角度为10°。频率是脂肪饱和。RF脉冲的TE是2.2ms,并且RF脉冲的TR是4.9ms。执行了40层的扫描。生成了80个线圈图像。重构图像的带宽是345Hz/像素。重构图像的FOV是260mm*260mm。重构图像的分辨率是256*256。
如图10和图11中所解说的,在这两个重构图像中有亮度不均匀性。例如,区域1010的亮度不同于区域1030的亮度。作为另一示例,区域1110的亮度不同于区域1130的亮度。图11中的亮度不均匀性比图10中的高。图10的区域1010与区域1030之间的亮度差异没有图11的区域1110与区域1130之间的亮度差异那么显著。
示例2
图12解说了基于SOS算法的重构肝脏图像(图11中所示)与基于GA算法的重构肝脏图像(图10中所示)的相除图像。图12中的相除图像被归一化了。该相除图像包含亮度不均匀性。与相除图像的亮度不均匀性有关的信息可被用来校正图11。如图12中所解说的,强度非均匀性平滑地改变并且在相除图像中有一些噪声。图12可由高斯滤波器处理以移除相除图像中的噪声。
示例3
图13解说了基于SOS算法的重构肝脏图像(图11中所示)的经校正图像。图13是通过将图11除以图12的经滤波图像来生成的。如图13中所解说的,图11中的亮度不均匀性已被校正。
既已描述了基本概念,对本领域技术人员来说在阅读本详细公开之后十分显然的是,之前的详细公开旨在仅作为示例来给出,而并不构成限定。各种变更、改善和修改可发生并且为本领域技术人员所预期,尽管未在本文中明确陈述。这些变更、改善和修改旨在为本公开所建议,并且落在本公开的示例性实施例的精神和范围之内。
进一步地,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。进一步地,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
进一步地,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“模块”、“子“单元”、“模块”或“系统”。进一步地,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
进一步地,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的申请实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个申请实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体的实例中列出的数值是精确的。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (9)
1.一种MR图像重构方法,其特征在于,所述方法包括:
获得成像对象的多个线圈图像;
基于所述多个线圈图像根据第一重构算法来重构第一重构图像;
基于所述多个线圈图像根据第二重构算法来重构第二重构图像;
基于所述第一重构图像和所述第二重构图像来生成关于所述第一重构图像的校正信息,所述校正信息包括与亮度不均匀性有关的校正信息;以及
基于所述第一重构图像和关于所述第一重构图像的所述校正信息来生成第三重构图像;
其中,所述基于所述第一重构图像和所述第二重构图像来生成关于所述第一重构图像的校正信息,包括:
基于所述第一重构图像与所述第二重构图像之间的差异来生成所述与亮度不均匀性有关的校正信息。
2.如权利要求1所述的方法,其特征在于,所述第一重构算法是平方和算法。
3.如权利要求1所述的方法,其特征在于,所述第二重构算法是几何平均算法。
4.如权利要求1所述的方法,其特征在于,所述重构第一重构图像或所述重构第二重构图像进一步包括:
对于成像对象中的多个点中的每个点,确定所述多个线圈图像中与成像对象的该点有关的对应像素的像素坐标;以及
获得该点在所述多个线圈图像中的对应像素的像素值;以及
基于成像对象中的所述多个点在所述多个线圈图像中的对应像素的像素坐标和像素值来重构所述第一重构图像或所述第二重构图像。
5.如权利要求1所述的方法,其特征在于,所述生成关于所述第一重构图像的与亮度不均匀性有关的校正信息,包括:
将所述第一重构图像除以所述第二重构图像以生成相除图像。
6.如权利要求5所述的方法,其特征在于,所述生成第三重构图像进一步包括:
将所述第一重构图像除以所述相除图像。
7.如权利要求5所述的方法,其特征在于,所述生成关于所述第一重构图像的与亮度不均匀性有关的校正信息进一步包括:
平滑所述相除图像以生成经平滑的相除图像;以及
归一化经平滑的相除图像以生成经归一化的图像。
8.如权利要求7所述的方法,其特征在于,所述生成第三重构图像进一步包括:
将所述第一重构图像除以所述经归一化的图像。
9.一种MR图像重构系统,其特征在于,所述系统包括:
线圈图像生成模块,其配置成生成成像对象的多个线圈图像;
重构模块,其配置成基于所述多个线圈图像根据第一重构算法来生成第一重构图像,并且基于所述多个线圈图像根据第二重构算法来生成第二重构图像;
校正模块,其配置成基于所述第一重构图像和所述第二重构图像来生成关于所述第一重构图像的校正信息,所述校正信息包括与亮度不均匀性有关的校正信息;以及基于所述第一重构图像和关于所述第一重构图像的所述校正信息来生成第三重构图像;
其中,所述校正模块,其配置成基于所述第一重构图像与所述第二重构图像之间的差异来生成所述与亮度不均匀性有关的校正信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
USUS15/344,757 | 2016-11-07 | ||
US15/344,757 US10115212B2 (en) | 2016-11-07 | 2016-11-07 | Image reconstruction system and method in magnetic resonance imaging |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862723A CN107862723A (zh) | 2018-03-30 |
CN107862723B true CN107862723B (zh) | 2021-10-22 |
Family
ID=61697790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711008863.3A Active CN107862723B (zh) | 2016-11-07 | 2017-10-25 | 磁共振成像中的图像重构系统和方法 |
Country Status (2)
Country | Link |
---|---|
US (3) | US10115212B2 (zh) |
CN (1) | CN107862723B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10115212B2 (en) * | 2016-11-07 | 2018-10-30 | Uih America, Inc. | Image reconstruction system and method in magnetic resonance imaging |
US10782441B2 (en) * | 2017-04-25 | 2020-09-22 | Analogic Corporation | Multiple three-dimensional (3-D) inspection renderings |
CN111353944B (zh) * | 2018-12-20 | 2024-05-28 | 深圳市中兴微电子技术有限公司 | 一种图像重建方法、装置及计算机可读存储介质 |
CN109671036B (zh) * | 2018-12-26 | 2023-07-14 | 上海联影医疗科技股份有限公司 | 一种图像校正方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1115628A (zh) * | 1993-07-22 | 1996-01-31 | 株式会社岛津制作所 | 磁共振成像装置 |
CN1650802A (zh) * | 2004-01-20 | 2005-08-10 | 西门子共同研究公司 | 用于磁共振图像分割、配准和再现的多线圈图像分析 |
US7359540B2 (en) * | 2003-06-27 | 2008-04-15 | Ge Medical Systems Global Technology Company, Llc | Systems and methods for correcting inhomogeneity in images |
CN101305909A (zh) * | 2004-02-26 | 2008-11-19 | 株式会社东芝 | 磁共振成象装置及其磁共振成象装置的数据处理方法 |
CN101498773A (zh) * | 2008-01-29 | 2009-08-05 | 西门子(中国)有限公司 | 一种提高图像亮度均匀度的方法和装置 |
CN101627910A (zh) * | 2008-07-17 | 2010-01-20 | 株式会社东芝 | 磁共振成像装置及磁共振成像方法 |
CN103424727A (zh) * | 2012-05-23 | 2013-12-04 | 深圳市贝斯达医疗器械有限公司 | 一种磁共振图像亮度不均匀修正算法 |
CN105378502A (zh) * | 2013-07-11 | 2016-03-02 | 皇家飞利浦有限公司 | 使用线圈敏感度的经校正的磁共振成像 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6717406B2 (en) * | 2000-03-14 | 2004-04-06 | Beth Israel Deaconess Medical Center, Inc. | Parallel magnetic resonance imaging techniques using radiofrequency coil arrays |
US6528998B1 (en) * | 2000-03-31 | 2003-03-04 | Ge Medical Systems Global Technology Co., Llc | Method and apparatus to reduce the effects of maxwell terms and other perturbation magnetic fields in MR images |
US7202663B2 (en) * | 2003-11-12 | 2007-04-10 | Iovivo Corporation | Method for generating fast magnetic resonance images |
US7215123B2 (en) * | 2004-05-05 | 2007-05-08 | New York University | Method, system storage medium and software arrangement for homogenizing a magnetic field in a magnetic resonance imaging system |
US7511495B2 (en) * | 2005-04-25 | 2009-03-31 | University Of Utah | Systems and methods for image reconstruction of sensitivity encoded MRI data |
WO2006135003A1 (ja) * | 2005-06-15 | 2006-12-21 | Hitachi Medical Corporation | 磁気共鳴イメージング装置 |
US7408345B2 (en) * | 2006-02-06 | 2008-08-05 | The Board Of Trustees Of The Leland Stanford Junior University | Generalized MRI reconstruction with correction for multiple image distortion |
US7463712B2 (en) | 2006-05-18 | 2008-12-09 | The Board Of Trustees Of The Leland Stanford Junior University | Scatter correction for x-ray imaging using modulation of primary x-ray spatial spectrum |
US7432707B1 (en) * | 2006-06-14 | 2008-10-07 | Fonar Corporation | Magnetic resonance imaging with corrected intensity inhomogeneity |
US7663364B2 (en) * | 2007-02-06 | 2010-02-16 | Kabushiki Kaisha Toshiba | Magnetic resonance imaging apparatus, image processing apparatus, computer program product, and data storing method |
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 |
US9562960B2 (en) * | 2008-04-04 | 2017-02-07 | Mayo Foundation For Medical Education And Research | Method for magnetic resonance elastography inversion using a finite medium model |
US7952355B2 (en) * | 2009-01-30 | 2011-05-31 | General Electric Company | Apparatus and method for reconstructing an MR image |
EP2478382A1 (en) * | 2009-09-17 | 2012-07-25 | Koninklijke Philips Electronics N.V. | Image intensity correction for magnetic resonance imaging |
JP5498339B2 (ja) * | 2009-11-05 | 2014-05-21 | 株式会社東芝 | 磁気共鳴イメージング装置 |
CN102427763B (zh) * | 2010-05-27 | 2015-02-25 | 株式会社东芝 | 磁共振成像装置 |
US8810242B2 (en) * | 2010-08-06 | 2014-08-19 | Kabushiki Kaisha Toshiba | Spatial intensity correction for RF shading non-uniformities in MRI |
JP2013176553A (ja) * | 2012-02-03 | 2013-09-09 | Toshiba Corp | 磁気共鳴イメージング装置及び磁気共鳴イメージング方法 |
US9316707B2 (en) * | 2012-04-18 | 2016-04-19 | General Electric Company | System and method of receive sensitivity correction in MR imaging |
WO2014152652A1 (en) * | 2013-03-15 | 2014-09-25 | Ohio State Innovation Foundation | Signal inhomogeneity correction and performance evaluation apparatus |
US9933505B2 (en) * | 2013-04-03 | 2018-04-03 | Dignity Health | System and method for motion correction in magnetic resonance imaging |
US9476959B2 (en) * | 2013-09-04 | 2016-10-25 | Toshiba Medical Systems Corporation | MRI ghosting correction using unequal magnitudes ratio |
CN104783819B (zh) | 2014-08-27 | 2017-10-03 | 上海联影医疗科技有限公司 | 散射校正方法及装置 |
DE102014226034B4 (de) * | 2014-12-16 | 2017-01-19 | Siemens Healthcare Gmbh | Bildkorrektur bei der MR-Bildgebung unter Berücksichtigung des Empfangsprofils |
US10725133B2 (en) * | 2016-04-13 | 2020-07-28 | The Board Of Trustees Of The Leland Stanford Junior University | Field-mapping and artifact correction in multispectral imaging |
US10115212B2 (en) * | 2016-11-07 | 2018-10-30 | Uih America, Inc. | Image reconstruction system and method in magnetic resonance imaging |
-
2016
- 2016-11-07 US US15/344,757 patent/US10115212B2/en active Active
-
2017
- 2017-10-25 CN CN201711008863.3A patent/CN107862723B/zh active Active
-
2018
- 2018-10-29 US US16/174,223 patent/US10373351B2/en active Active
-
2019
- 2019-07-01 US US16/458,405 patent/US10600215B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1115628A (zh) * | 1993-07-22 | 1996-01-31 | 株式会社岛津制作所 | 磁共振成像装置 |
US7359540B2 (en) * | 2003-06-27 | 2008-04-15 | Ge Medical Systems Global Technology Company, Llc | Systems and methods for correcting inhomogeneity in images |
CN1650802A (zh) * | 2004-01-20 | 2005-08-10 | 西门子共同研究公司 | 用于磁共振图像分割、配准和再现的多线圈图像分析 |
CN101305909A (zh) * | 2004-02-26 | 2008-11-19 | 株式会社东芝 | 磁共振成象装置及其磁共振成象装置的数据处理方法 |
CN101498773A (zh) * | 2008-01-29 | 2009-08-05 | 西门子(中国)有限公司 | 一种提高图像亮度均匀度的方法和装置 |
CN101627910A (zh) * | 2008-07-17 | 2010-01-20 | 株式会社东芝 | 磁共振成像装置及磁共振成像方法 |
CN103424727A (zh) * | 2012-05-23 | 2013-12-04 | 深圳市贝斯达医疗器械有限公司 | 一种磁共振图像亮度不均匀修正算法 |
CN105378502A (zh) * | 2013-07-11 | 2016-03-02 | 皇家飞利浦有限公司 | 使用线圈敏感度的经校正的磁共振成像 |
Non-Patent Citations (1)
Title |
---|
基于多通道相控阵线圈的磁共振图像合成算法研究;于健;《中国优秀硕士学位论文全文数据库 基础科学辑》;20140715(第07期);A005-62 * |
Also Published As
Publication number | Publication date |
---|---|
US20190325622A1 (en) | 2019-10-24 |
US10115212B2 (en) | 2018-10-30 |
US20190073806A1 (en) | 2019-03-07 |
US10600215B2 (en) | 2020-03-24 |
US20180130236A1 (en) | 2018-05-10 |
US10373351B2 (en) | 2019-08-06 |
CN107862723A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862723B (zh) | 磁共振成像中的图像重构系统和方法 | |
US11467239B2 (en) | Deep learning techniques for magnetic resonance image reconstruction | |
US10803631B2 (en) | Systems and methods for magnetic resonance imaging | |
US11715179B2 (en) | Systems and methods for improving magnetic resonance imaging using deep learning | |
US11430162B2 (en) | System and method for image conversion | |
US20210166446A1 (en) | Systems and methods for image reconstruction | |
US10802096B2 (en) | Methods and systems for magnetic resonance imaging | |
CA3133351A1 (en) | Deep learning techniques for generating magnetic resonance images from spatial frequency data | |
US20220107378A1 (en) | Deep learning methods for noise suppression in medical imaging | |
CN106680750B (zh) | 磁共振匀场图像获取方法、匀场方法及磁共振系统 | |
CN104583798B (zh) | 具有反馈的迭代感测去噪的系统和方法 | |
Chen et al. | Imaging With Equivariant Deep Learning: From unrolled network design to fully unsupervised learning | |
CN111768462B (zh) | 图像生成系统和方法 | |
Zhang et al. | Atlas-based reconstruction of high performance brain MR data | |
Shen et al. | Magnetic resonance imaging reconstruction via non‐convex total variation regularization | |
US20170026630A1 (en) | Method, apparatus, and computer program product for robust image registration based on deep sparse representation | |
Datta et al. | A deep framework for enhancement of diagnostic information in CSMRI reconstruction | |
Boulanger et al. | Non-smooth convex optimization for an efficient reconstruction in structured illumination microscopy | |
Kumar et al. | Fractional Sailfish Optimizer with Deep Convolution Neural Network for Compressive Sensing Based Magnetic Resonance Image Reconstruction | |
Tewari et al. | Deep neural-network based optimization for the design of a multi-element surface magnet for MRI applications | |
US10962616B2 (en) | Method and apparatus for processing MR signal, and computer program | |
CN108280862B (zh) | 一种磁共振图像的重建方法及装置 | |
Migukin et al. | Dictionary-Based Compressed Sensing MRI | |
CN115754857A (zh) | 一种低场磁共振快速成像方法、终端设备及计算机存储介质 | |
CN114820746A (zh) | 用于实际梯度波形估计的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |