CN109791686A - 用于产生图像的系统，尤其磁共振系统 - Google Patents

用于产生图像的系统，尤其磁共振系统 Download PDF

Info

Publication number
CN109791686A
CN109791686A CN201780043620.5A CN201780043620A CN109791686A CN 109791686 A CN109791686 A CN 109791686A CN 201780043620 A CN201780043620 A CN 201780043620A CN 109791686 A CN109791686 A CN 109791686A
Authority
CN
China
Prior art keywords
training
input picture
image
neuroid
spatially
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201780043620.5A
Other languages
English (en)
Other versions
CN109791686B (zh
Inventor
马库斯·温策尔
克劳斯·艾克尔
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.)
Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Original Assignee
Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
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 Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV filed Critical Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Publication of CN109791686A publication Critical patent/CN109791686A/zh
Application granted granted Critical
Publication of CN109791686B publication Critical patent/CN109791686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种用于产生图像的系统。所述系统(1)包括：用于提供输入图像的输入图像提供单元(4，6)，在所述输入图像中，在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出。此外，所述系统(1)包括用于提供神经元网络的神经元网络提供单元(7)，所述神经元网络适合于基于输入图像产生输出图像，在所述输入图像中，在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出，在所述输出图像中，在空间上实际分开的结构以沿至少一个空间方向在空间上分开的方式示出。最后，图像产生单元(8)基于所提供的输入图像和所提供的神经元网络产生图像。

Description

用于产生图像的系统，尤其磁共振系统
技术领域
本发明涉及用于一种产生图像的系统、方法和计算机程序。
背景技术
已知的是，将通过磁共振断层成像术(MRT)测量出的MR信号连续地再处理，使得最后能够产生在灰度对比度方面的一维、二维或更高维的图像。模块化地依次执行这些序列的图像产生步骤中的许多图像产生步骤，其中所述顺序遵循技术方面的和物理方面的原因和原理。通常，首先应用用于修正系统的测量偏差的步骤，接着跟随有记录专用的算法。
MR图像的这种产生需要相对高的时间耗费，所述时间耗费能够通过使用多个接收线圈来减少。原则上，在此不再完全地在空间上区分MR信号并且在产生最终在空间上有差异的图像时使用相应的接收线圈的在空间上相关的接收敏感度，也就是说，所谓的线圈轮廓(Spulenprofil)。然而,首先为此需要具有个体地记录的基准数据(ACS数据，英语：“autocalibration signal data”)的训练过程，通过所述训练过程确定线圈轮廓。所述原理例如应用在所谓的并行成像(Pl，英语：“parallel imaging”)或同时的多层成像(SMS，英语：“simultaneous multi-slice imaging”)中。在这种情况下，成问题的尤其是用于记录基准数据(ACS数据)的附加的测量耗费。通常，这些附加的数据的获得结合有不可忽略的时间耗费。
例如因运动而引起的可能的几何布置的改变，在基准数据的可应用性方面表现出问题，因为在小的干扰下已经需要新的基准数据，以便考虑到这些干扰和产生良好质量的图像。除了原本的基准数据记录和系统稳定性的方面以外，在图像产生强烈地加速时PI图像产生或SMS图像产生本身是在整个过程中需要改进的工作步骤。这尤其涉及如下速度，以所述速度处理MR信号，因为计算密集的运算和单个图像产生模块的序列的构建会造成在数据记录和随后发生的图像产生之间的显著的等候时间。
在原本的MR测量之前、期间或之后，附加地记录基准数据(ACS数据)。借助于这些ACS数据确定线圈几何形状与相应的图像位置点的“关联性”，所述图像位置点随后形成所谓的展开矩阵，借助于所述展开矩阵可近似完全地重建低速扫描的测量数据。在SMS过程中，在N个在空间上有差异的二维的层中通过共同的激励产生和记录MR信号，其中N是分别同时被激励的层的数量。将MR信号重建成MR图像，在所述MR图像中将N个不同的层的信息平均首先同等地再现。然而，根据相应的线圈轮廓，单个借助于相应的接收线圈产生的层信息是不同的。通过测量和使用基准数据最终可产生MR图像，在所述MR图像中在空间上有差异地示出层信息。为此，例如能够使用所谓的薄片GRAPPA算法，所述薄片GRAPPA算法例如在Magnetic Resonance in Medicine，67(5)，第1210至1224页(2012)中的K.Setsompop等著的文章“Blipped-Controlled Aliasing in Aliasing in Parallel Imaging(blipped-CAIPI)for simultaneous multi-slice EPI with reduced g-factor penalty”中公开。然而，这些方法需要相对高的时间耗费并且不是普及，而是仅用于具体的配置。
发明内容
本发明的目的是，提供一种用于产生图像的系统、方法和计算机程序，其实现减少用于产生图像所需的时间耗费。
所述目的通过一种用于产生图像的系统实现，其中所述系统具有：
-用于提供输入图像的输入图像提供单元，在所述输入图像中将实际上在空间上分开的结构至少沿一个空间方向在空间上重叠地示出；
-用于提供神经元网络的神经元网络提供单元，所述神经元网络适合于基于输入图像产生输出图像，在所述输入图像中将在空间上实际分开的结构至少沿一个空间方向在空间上重叠地示出，在所述输出图像中将在空间上实际分开的结构沿至少一个空间方向在空间上分开地示出；
-图像产生单元，所述图像产生单元用于基于所提供的输入图像和所提供的神经元网络产生图像。
通过使用神经元网络可行的是，基于所提供的输入图像产生图像，使得在空间上实际分开的结构沿至少一个空间方向也在空间上分开地示出，而不必为此例如在产生输入图像前一刻执行基准测量。由此能够减少对于例如产生患者的图像的所需的时间。因此，例如能够在医院中减少患者必须处于用于产生图像的系统中的时间。
输入图像提供单元例如能够是存储单元，在所述存储单元中存储输入图像并且所述存储单元能够提供所存储的输入图像。但是，输入图像提供单元也能够是接收单元，所述接收单元适合于接收输入图像产生单元的输入图像。输入图像提供单元也能够本身是输入图像产生单元。
输入图像提供单元能够适合于将在空间上实际分开的结构沿一个空间方向、沿两个空间方向或沿三个空间方向在空间上重叠地示出。在一个实施方式中，输入图像能够示出如下层，在所述层中示出实际上位于不同的层中的结构，其中在被示出的层中这些结构能够朝向彼此移动，使得以沿着垂直于该被示出的层设置的空间方向重叠的方式示出所述结构。如果在该实例中坐标系具有在层之内的x和y轴和垂直于该层的z轴，那么这些结构以在同一z位置处进而关于z空间方向或z轴重叠的方式示出。
神经元网络提供单元能够是存储单元，所述存储单元适合于提供神经元网络。神经元网络提供单元也能够是接收单元，所述接收单元例如从神经元网络训练单元接收神经元网络。神经元网络提供单元也能够本身是提供已训练的神经元网络的神经元网络训练单元。
输入图像和输出图像优选是MR图像。特别地，输入图像是MR图像，所述MR图像通过激励对象的多个待拍摄的区域产生，其中位于所述区域中的结构以至少沿一个空间方向在空间上重叠的方式示出，并且输出图像是MR图像，在所述MR图像中位于被激励的区域中的在空间上分开的结构以沿至少一个空间方向在空间上分开的方式示出。也就是说，优选的是，输入图像是MR图像，其通过共同地，尤其同时地激励对象的多个待拍摄的区域产生，其中位于所述区域中的结构以至少沿一个空间方向在空间上重叠的方式示出，并且输出图像是MR图像，其中位于被激励的区域中的、在空间上分开的结构以沿至少一个空间方向在空间上分开的方式示出。输入图像提供单元随后能够适合于提供相应的MR图像作为输入图像，并且神经元网络提供单元能够与图像产生单元共同地适合于基于这些被提供的MR图像产生相应的MR图像作为输出图像。所述区域能够是二维的层或三维的体积。
输入图像优选是MR图像，其借助于多个接收线圈产生。尤其，针对每个接收线圈提供至少一个MR图像作为输入图像，所述MR图像通过激励对象的多个待拍摄的区域产生，其中位于所述区域中的结构以至少沿一个空间方向在空间上重叠的方式示出。也就是说，优选的是，针对每个接收线圈提供至少一个MR图像作为输入图像，所述MR图像通过共同地，尤其同时地激励对象的多个待拍摄的区域产生，其中位于所述区域中的结构以至少沿一个空间方向在空间上重叠的方式示出。输入图像提供单元例如适合于提供多组接收图像，其中同一组的输入图像通过激励相同的区域和利用多个接收线圈产生，其中不同组的输入图像通过激励不同的区域产生，其中神经元网络适合于针对每组输入图像产生一组输出图像，在所述输出图像中被激励的区域在空间上分开地示出，其中图像产生单元适合于使不同的组的输出图像彼此配准。也就是说，例如针对每个接收线圈并且针对对象的每组共同的，尤其同时被激励的区域，能够分别产生MR图像作为输入图像，其中位于不同的区域中的结构重叠地示出。这些输入图像与神经元网络共同地使用，以便产生如下MR图像作为输出图像，所述MR图像以在空间上分开的方式示出位于不同的区域中的结构。因为在产生不同组的输入图像之间，优选是患者的对象可能会运动，所以不同的组的输出图像彼此配准，由此能够避免运动伪迹。在一开始所描述的使用基准数据的现有技术中，对象的运动可能会造成运动伪迹，所述运动伪迹无法通过简单的配准来消除。据此不仅能够实现更快速地产生图像，而且也显著地减少运动伪迹。
神经元网络提供单元优选适合于提供深度学习网络作为神经元网络。这些所谓的“深度”神经元网络能够学习分等级的信息结构，使得也能够非常好地表现在神经元网络中的上下关系和空间位置。这引起图像产生的进一步改进。
所述系统还能够具有a)用于提供训练-输入图像的训练-输入图像提供单元，在所述训练-输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出；b)用于提供训练-输出图像的训练-输出图像提供单元，在所述训练-输出图像中在空间上实际分开的结构以沿至少一个空间方向在空间上分开的方式示出；和c)神经元网络训练单元，其用于训练神经元网络，使得在将训练-输入图像输入到神经元网络中时输出训练-输出图像。训练-输出图像提供单元优选适合于提供对象的单个彼此分开地被激励的区域的MR图像作为训练-输出图像，使得位于不同的区域中的结构在训练-输出图像中以不沿任何空间方向重叠的方式来示出，其中训练-输入图像提供单元适合于提供训练-输入图像，在所述训练输入图像中位于不同的区域中的结构以至少沿一个空间方向在空间上重叠的方式示出。这例如实现借助于在系统运行中所确定的MR图像进一步训练已经被提供的神经元网络，所述神经元网络尤其已经被训练过。这种进一步的训练能够引起用于产生图像的系统的进一步改进。训练单元也实现首次借助于要用于产生图像的系统来训练未被训练的神经元网络。据此训练单元能够用于产生系统专用的神经元网络。
训练-输入图像的至少一部分能够通过MR测量产生。替选地或附加地，能够基于所提供的训练-输出图像合成地产生训练-输入图像的至少一部分。据此，训练-输入图像能够完全地通过MR测量，部分合成地或完全合成地产生。示出对象的各个层从而在空间上有差异地示出位于这些层中的结构的训练-输入图像被组合，以便合成地产生训练-输入图像，其中这些实际上位于不同的层中的结构在空间上无差异地示出。
训练-输入图像提供单元能够适合于提供具有图像伪迹的训练输入图像，并且训练-输出图像提供单元能够适合于提供训练-输出图像，所述训练-输出图像不具有图像伪迹。图像伪迹例如是运动伪迹，即通过运动而产生的伪迹。由此，也能够训练神经元网络，以减少图像伪迹，由此能够进一步改进用于产生图像的系统。
本发明还涉及一种用于训练神经元网络的训练设备，其中所述训练设备包括：
-用于提供训练-输入图像的训练-输入图像提供单元，在所述训练输出图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出；
-用于提供训练-输出图像的训练-输出图像提供单元，在所述训练-输出图像中在空间上实际分开的结构以沿所述至少一个空间方向在空间上分开的方式示出；
-用于提供神经元网络的神经元网络提供单元；
-神经元网络训练单元，其用于训练神经元网络，使得在将训练-输入图像输入到神经元网络中时输出训练-输出图像。
训练设备能够集成到用于产生图像的系统中或是单独的设备。训练-输入图像提供单元能够是存储单元，在所述存储单元中存储有训练-输入图像，以便实现训练-输入图像的提供。训练-输入图像提供单元也能够是接收单元，以便例如从训练-输入图像产生单元接收训练-输入图像。训练-输入图像提供单元也能够是训练-输入图像产生单元。相应地，训练-输出图像提供单元能够是存储单元、接收单元和/或训练-输出图像产生单元。神经元网络提供单元能够是存储单元、接收单元和/或神经元网络产生单元。
此外，上述目的通过一种用于产生图像的方法实现，其中所述方法包括：
-提供输入图像，在所述输入图像中以至少沿一个空间方向在空间上重叠的方式示出在空间上实际分开的结构；
-提供神经元网络，所述神经元网络适合于基于输入图像产生输出图像，在所述输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出，在所述输出图像中在空间上实际分开的结构以沿至少一个空间方向在空间上分开的方式示出；
-基于所提供的输入图像和所提供的神经元网络产生图像。
本发明还涉及一种用于训练神经元网络的训练方法，其中所述训练方法包括：
-提供训练-输入图像，在所述训练-输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出；
-提供训练输出图像，在所述训练-输出图像中在空间上实际分开的结构以沿至少一个空间方向在空间上分开的方式示出；
-提供神经元网络；
-训练神经元网络，使得在将训练-输入图像输入到神经元网络中时输出训练-输出图像。
此外，上述目的通过一种用于产生图像的计算机程序实现，其中所述计算机程序适合于：当所述计算机程序在根据权利要求1所述的用于产生图像的系统上运行时，执行根据权利要求14所述的用于产生图像的方法。
本发明还涉及一种用于训练神经元网络的计算机程序，其中所述计算机程序适合于：当所述计算机程序在根据权利要求13所述的用于训练神经元网络的训练设备上运行时，执行根据权利要求15所述的用于训练神经元网络的训练方法。
应理解的是，根据权利要求1所述的用于产生图像的系统、根据权利要求13所述的训练设备、根据权利要求14所述的用于产生图像的方法、根据权利要求15所述的训练方法、根据权利要求16所述的用于产生图像的计算机程序和根据权利要求17所述的用于训练神经元网络的计算机程序具有类似的和/或相同的优选的实施方式，如尤其在从属权利要求中所限定那样。
附图说明
下面，参照下述附图描述本发明的实施方式，其中
图1示意地且示例地示出用于产生图像的系统的一个实施方式；
图2示意地且示例地示出用于训练神经元网络的训练设备的一个实施方式；
图3示出流程图，其图解说明用于产生图像的方法的一个实施方式；
图4示出流程图，其图解说明用于训练神经元网络的训练方法的一个实施方式；
图5示意地且示例地图解说明对象的两个层；
图6示意地且示例地示出输入图像；
图7示意地且示例地示出另一替选的输入图像；以及
图8示意地且示例地示出两个输出图像。
具体实施方式
用于产生图像的系统的一个实施方式在图1中示意地且示例性地示出。系统1包括用于产生如下MR信号的获取单元4，所述MR信号由位于处理单元5中的重建单元6重建为MR图像。获取单元4以已知的方式具有用于产生主磁场的主磁体、用于进行位置编码的梯度线圈、激励线圈和多个接收线圈。所述获取单元适合于同时激励位于患者台2上的患者3的多个层，使得相应的接收线圈产生MR信号，所述MR信号在位于不同的层中的结构之间没有区别。因此，例如首先同时激励患者的两个层，使得在例如有十个用于这种专门的激励的接收线圈的情况下，能够重建十个MR图像，其中每个MR图像重叠地示出位于同时被激励的层中的结构。据此，其他两个层能够同时被激励，以便产生另一组在本实例中为十个的MR图像。当在本实例中分别将两个层同时激励十次时，据此产生十组MR图像，其中每组又包括十个MR图像，所述MR图像重叠地示出位于相应的不同的层中的结构。分别包括十个MR图像的十组MR图像下面称作为输入图像。
系统1还包括用于提供神经元网络的神经元网络提供单元7，所述神经元网络适合于基于输入图像产生输出图像，在所述输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出，在所述输出图像中在空间上实际分开的结构以沿至少一个空间方向在空间上分开的方式示出。此外，系统1包括图像产生单元8，所述图像产生单元用于基于所提供的输入图像和所提供的神经元网络产生图像。在本实施方式中，神经元网络的输出图像进而由图像产生单元8产生的图像是MR图像。特别地，针对上述十组输入图像中的每一个，产生一组输出图像，其中每个输出图像示出在本实例中为两个的层中的一个，该层在产生相应的组的输入图像时同时被激励，使得输出图像在空间上分开地示出位于不同的层中的结构。不同组的输出图像彼此配准。
神经元网络提供单元7适合于提供深度学习网络作为神经元网络，其也能够称作为深度网络。
因为借助于获取单元4和重建单元6产生输入图像，所以在本实施方式中这些单元形成输入图像提供单元。然而，也能够使用获取单元4和重建单元6，以便产生MR图像，所述MR图像是患者3的或另一病患或其他对象例如器官模型的单个的、彼此分开地被激励的层的MR图像。分别示出单个的层的这些MR图像能够用作为训练-输出图像，以便进一步训练所提供的、已经被训练的神经元网络。获取单元4和重建单元6据此也能够理解为，所述获取单元和重建单元形成训练-输出图像提供单元，其中训练-输出图像提供单元适合于提供训练-输出图像，在所述训练-输出图像中在空间上实际分开的结构在空间上分开地示出。
系统1还具有用于提供训练-输入图像的训练输入图像提供单元9，在所述训练输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出。在本实施方式中，训练-输入图像提供单元9适合于基于所提供的训练-输出图像合成地产生训练-输入图像。例如能够将多个训练-输出图像组合，尤其线性地组合，以便产生训练-输入图像。
系统1还包括神经元网络训练单元10，所述神经元网络训练单元用于训练神经元网络，使得在将训练-输入图像输入到神经元网络中时输出训练-输出图像。在本实施例中，由神经元网络提供单元7提供的神经元网络是已被训练的网络，该网络能够由神经元网络训练单元10进一步训练。然而，也可行的是，系统初始时具有未被训练的神经元网络，其借助于神经元训练单元10训练，此后所述被训练的神经元网络能够由神经元网络提供单元7提供。然而，为了训练神经元网络也能够使用单独的训练设备20，所述训练设备示意地且示例性地在图2中示出。
训练设备20包括：用于提供训练-输入图像的训练-输入图像提供单元21，在所述训练-输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出；和用于提供训练-输出图像的训练输出图像提供单元22，在所述训练-输出图像中在空间上实际分开的结构以沿至少一个空间方向在空间上分开的方式示出。训练设备20还包括用于提供未被训练的神经元网络的神经元网络提供单元23和神经元网络训练单元24，所述神经元网络训练单元用于训练神经元网络，使得在将训练-输入图像输入到神经元网络中时输出训练-输出图像。在本实施例中，训练-输出图像提供单元22是存储单元，在所述存储单元中存储有借助于MR测量产生的MR图像作为训练-输出图像。这些MR图像在本实施例中分别示出对象的一个层。训练-输入图像提供单元21在本实施例中适合于通过将相应的训练-输出图像组合来合成地产生训练-输入图像。
神经元网络由多个平面构成，其中所述平面例如能够具有多个所谓的神经元。神经元网络的深度通过其平面的数量确定。神经元网络包括输入平面和输出平面，其中输出平面与训练-输出图像关联而输入平面与训练-输入图像关联。在正常使用神经元网络时，也就是说，当神经元网络未被训练时，输入平面与输入图像关联而输出平面与输出图像关联。
深度的神经元网络在输入平面和输出平面之间具有至少一个另外的平面，所述另外的平面可以称作为“隐藏的”平面。优选地，神经元网络具有这种隐藏的平面中的至少15个。此外，神经元网络优选构成为，使得每个隐藏的平面的神经元的数量从输入平面起首先减少并且随后所述数量朝向输出平面再次升高。此外，输入平面和输出平面能够具有相同数量的神经元。在一个优选的实施方式中，所述数量的神经元从输入平面起朝向预定的隐藏平面逐渐减少数量同样预定的神经元，例如减少至单个的神经元，此后所述数量从预定的隐藏平面起朝向输出平面再逐渐地升高至输入平面的神经元的数量(所谓的U网络)。
神经元网络的训练能够逐级地进行，其中训练图像的空间分辨率逐渐地提高。此外，首先能够使用基本上无误差的训练图像来进行训练并且之后能够使用具有添加的效应例如伪迹的训练-输入图像和不具有这些效应的训练-输出图像，尤其以便也训练这些效应的减少。这些效应例如是根据不同的系统配置等的空间移动、扭曲、对比度变化。这些效应能够在计算方面添加给训练-输入图像。在一个实施方式中，在具有升高的空间分辨率然而没有添加的效应的第一阶段中，并且在具有恒定的空间分辨率和添加的效应的第二阶段中进行训练。
神经元网络的单个的神经元经由加权的函数关联。在训练神经元网络时，例如通过针对待训练的问题反向传播优化在神经元之间的函数的权重。针对关于训练神经元网络的其他细节参照Nature第521册，第436至444页(2015)中的LeCun等所著的文章“DeepLearning”。
用于产生图像的系统1包括输入单元11例如键盘、计算机鼠标、平板电脑等。此外，用于产生图像的系统1包括输出单元12例如显示器。相应的输入和输出单元25、26也包括训练设备20。
下面，参照在图3中示出的流程图示例性地阐述用于产生图像的方法的一个实施方式。
在步骤101中提供输入图像，在所述输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出。在步骤102中提供神经元网络，所述神经元网络适合于基于输入图像产生输出图像，在所述输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出，在所述输出图像中在空间上实际分开的结构以沿至少一个空间方向在空间方向分开的方式示出。在步骤103中，基于在步骤101中所提供的输入图像和在步骤102中所提供的神经元网络产生图像。
下面，参照在图4中示出的流程图示例性地描述用于训练神经元网络的训练方法的一个实施方式。
在步骤201中提供训练-输入图像，在所述训练-输入图像中在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出。在步骤202中提供训练-输出图像，在所述训练-输出图像中在空间上实际分开的结构以沿至少一个空间方向在空间上分开的方式示出。在步骤203中提供神经元网络，并且在步骤204中训练在步骤203中所提供的神经元网络，使得在将在步骤201中所提供的训练-输入图像输入到神经元网络中时，输出在步骤202中所提供的训练-输出图像。
神经元的深度学习网络能够在训练阶段中逼近每个任意的线性的或非线性的函数。在训练阶段期间，神经元深度学习网络基于训练-输入图像和训练-输出图像找到如下模型，所述模型在输入训练-输入图像时引起训练-输出图像。在所述训练之后，神经元深度学习网络能够基于输入图像自主地产生输出图像。被训练的神经元深度学习网络例如实现图像数据的所谓的分离或展开，所述图像数据在SMS测量中被记录。也就是说，所述神经元深度学习网络实现基于在SMS测量中被记录的输入图像产生分离的或展开的输出图像。能够产生输出图像，而不必如在一开始所描述的现有技术中所要求那样测量和考虑例如基准数据。因为在上文参照图1所描述的实施方式中系统在使用期间是可自学习的，所以能够进一步提高所产生的图像的质量和/或能够进一步减少对于产生图像所需的时间。具体而言，系统特定的缺陷例如B0不均匀性、B1不均匀性等的修正能够被学习，使得神经元网络也能够执行相应的自动修正。其他图像产生步骤能够通过相应地训练神经元网络来检测进而由所述神经元网络替代。
训练-输入图像和训练-输出图像例如能够部分合成地进而理论上以任意数量提供。在具有特定的系统配置，即尤其具有特定的线圈轮廓的系统上的一些实际上执行的MR测量的图像数据，在这种情况下能够用作为一类“金标准”。通过接着的模拟能够映射不同的对象几何形状和拍摄参数并且导入到训练过程中。
例如能够借助于一开始提到的SMS技术产生第一训练-输入图像，其中多个层同时被激励。第一训练-输出图像能够通过单个地激励每个层产生。所述第一训练-输入图像和第一训练-输出图像优选是高空间分辨率的并且能够用作为“金标准”，其中所述第一训练-输入图像和第一训练-输出图像例如能够示出实际的人或医学器官模型。
所述第一训练-输入图像和第一训练-输出图像能够被用于在不使用神经元网络的条件下确定系统函数或系统响应，所述系统响应表征已用于产生所述图像的系统和系统配置的特性。所述系统函数例如表征线圈轮廓、主磁场的不均匀性等，并且能够用于基于预设的其他的训练-输出图像计算其他合成的训练-输入图像。所述其他的训练输出图像能够是示出不同的层的任意的图像数据组。然而，MR图像数据组也能够是其他形式的图像数据组例如计算机断层扫描图像数据组。
作为训练-输出图像能够使用上述第一训练-输出图像或其他所测量的MR图像。合成的训练-输入图像能够通过训练-输出图像的组合产生。训练-输出图像例如能够线性地组合，尤其简单地相加。所述组合也能够是训练-输入图像的复数相加，其中在这种情况下考虑幅值图像和相位图像。
训练-输入图像和训练-输出图像能够是幅值图像和/或相位图像和/或幅值图像和相位图像的组合。
能够使用上文所描述的实施方式来以相对少的时间耗费产生MR图像，而不需要附加的、单独记录基准数据。用于产生图像的所述相对少的时间能够引起：测量方面的不安全性，例如因对象运动，尤其因患者运动引起的不安全性减少，所述患者运动包括刻意的病患运动和非刻意的病患运动如呼吸运动。要强调的是，在执行训练之后神经元网络在计算上的耗费方面是非常紧凑且快速的，其中多个图像产生步骤能够在神经元网络中联合或组合进而能够更快速地被进行。此外，在被训练的神经元网络中，与一开始提到的现有技术相比，存在对于获取MR信号进而产生输入图像而言更大的配置自由度，因为被训练的神经元网络不仅适合于在获取参数固定时借助于所定义的系统配置产生图像，而且也能够处理并非以相同的方式被训练的情景。神经元网络据此能够实现训练情景类似的目的。
尽管在上文中所叙述的实施方式中输入图像和输出图像是MR图像，但是用于产生图像的系统和训练设备也能够适合于产生其他形式的图像并且训练其他形式的神经元网络。所述其他形式例如能够是：正电子发射计算机断层扫描(PET)、单光子发射计算机断层扫描(SPECT)或计算机断层扫描(CT)。
图5示例性地示出对象的两个同时被激励的层30、31，其中在第一层30中存在栅格结构并且在第二层31中存在圆形结构。这些同时被激励的层30、31的MR信号由接收线圈接收，随后使用所述MR信号，以便产生输入图像32，所述输入图像示例性地在图6中示出。如在图6中所看到的那样，实际上位于不同的层30、31中的分开的结构在输入图像32中重叠。图7示出另一种重叠，其中层在输入图像33的图面中相对于彼此移动，其中位于不同的层中的结构垂直于图面或页面仍然是重叠的。
为了产生输入图像33，共同被激励的区域的相位编码被调制为，使得所述层在输入图像33的图面中朝向彼此移动。所述相位调制例如能够通过高频激励或借助于通过梯度线圈的磁场变化引起。为了产生输入图像33执行相位调制，使得层31沿着相位编码方向移动图像区域的一半。层30不经受相位调制进而继续位于图像区域的中间。对于所述相位调制的其他细节，参照Magnetic Resonance Medicine，第53册，第684至691(2005)中的Breuer等所著的文章“Controlled Aliasing in parallel Imaging Results in HigherAcceleration(CAIPIRINHA)for multi-slice Imaging”
输入图像32或输入图像33，针对接收线圈和同时被激励的层的不同的组合产生，随后基于所述输入图像借助于神经元网络产生输出图像。相应的输出图像34、35示例性地在图8中示出。如在图8中所看到的那样，输出图像34仅示出圆形结构并且输出图像35仅示出栅格结构，使得在输出图像34、35中位于不同的层中的结构也实际上彼此分开地示出。
尽管在上文中所描述的实施方式中已经描述了特定的神经元网络，但是为了产生图像也使用其他神经元网络，尤其其他深度的神经元网络。因此，例如能够使用如下神经元网络，其具有非线性的池化层(英语“pooling layers”)。
在权利要求中，表述“具有”和“包括”不排除其他元件或步骤并且不定冠词“一个”不排除多个。
单个系统、单个单元或单个设备能够实现多个在权利要求中被提及的元件的功能。在不同的从属权利要求中提及单个功能和元件的实际情况并不意味着不能够有利地使用这些功能和元件的组合。
由一个或多个单元或设备所执行的过程，如提供输入图像、提供神经元网络、基于输入图像和神经元网络产生图像、配准输出图像、提供训练-输入图像、提供训练-输出图像、训练神经元网络等，也能够由其他数量的单元或设备执行。例如，提供神经元网络、基于输入图像和神经元网络产生图像和其他过程能够由单个元件或多个元件执行。所述过程和/或对用于根据产生图像的方法来产生图像的系统的控制和/或根据训练方法对训练设备的控制能够作为计算机程序的程序编码和/或作为相应的硬件实现。
计算机程序能够存储和/或分布在适合的介质上，例如光学的储存介质或固体存储介质，其与其他硬件共同地销售或作为其他硬件的一部分销售。然而，计算机程序也能够以其他形式销售，例如经由互联网或其他电信系统销售。
在权利要求中的附图标记不理解为：权利要求的主题和保护范围受这些附图标记限制。

Claims (17)

1.一种用于产生图像的系统，其中所述系统(1)具有：
-用于提供输入图像的输入图像提供单元(4，6)，在所述输入图像中，在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出；
-用于提供神经元网络的神经元网络提供单元(7)，所述神经元网络适合于基于输入图像产生输出图像，在所述输入图像中，在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出，在所述输出图像中，在空间上实际分开的结构以沿所述至少一个空间方向在空间上分开的方式示出；
-图像产生单元(8)，其用于基于所提供的所述输入图像和所提供的所述神经元网络产生图像。
2.根据权利要求1所述的系统，其特征在于，所述输入图像和所述输出图像是磁共振图像(MR图像)。
3.根据权利要求2所述的系统，其特征在于，所述输入图像是MR图像，该MR图像通过激励对象的多个待拍摄的区域产生，其中位于所述区域中的结构以至少沿一个空间方向在空间上重叠的方式示出，并且所述输出图像是MR图像，在该MR图像中，位于被激励的区域中的在空间上分开的结构以沿所述至少一个空间方向在空间上分开的方式示出。
4.根据权利要求2和3中任一项所述的系统，其特征在于，所述输入图像是借助于多个接收线圈产生的MR图像。
5.根据权利要求4所述的系统，其特征在于，为每个接收线圈提供至少一个MR图像作为输入图像，所述输入图像通过激励对象的多个待拍摄的区域产生，其中位于所述区域中的结构以至少沿一个空间方向在空间上重叠的方式示出。
6.根据权利要求5所述的系统，其特征在于，所述输入图像提供单元(4，6)适合于提供多组输入图像，其中同一组输入图像通过激励相同的区域并且利用多个接收线圈产生，其中不同的组的输入图像通过激励不同的区域产生，其中所述神经元网络适合于针对每组输入图像产生一组输出图像，在所述输出图像中，被激励的区域在空间上分开地示出，其中所述图像产生单元适合于使不同组的输出图像相互配准。
7.根据上述权利要求中任一项所述的系统，其特征在于，所述神经元网络提供单元(7)适合于提供深度学习网络作为神经元网络。
8.根据上述权利要求中任一项所述的系统，其特征在于，所述系统(1)还具有：
-用于提供训练-输入图像的训练-输入图像提供单元(9)，在所述训练-输入图像中，在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出；
-用于提供训练-输出图像的训练-输出图像提供单元(4，6)，在所述训练-输出图像中，在空间上实际分开的所述结构以沿所述至少一个空间方向在空间上分开的方式示出；和
-神经元网络训练单元(10)，所述神经元网络训练单元用于训练所述神经元网络，使得在将所述训练-输入图像输入到所述神经元网络中时输出所述训练-输出图像。
9.根据权利要求8所述的系统，其特征在于，所述训练-输出图像提供单元(4，6)适合于提供对象的单个彼此分开地被激励的区域的MR图像来作为训练-输出图像，使得位于不同的区域中的结构在所述训练输出图像中以不沿任何空间方向重叠的方式示出，其中所述训练-输入图像提供单元(9)适合于提供训练-输入图像，在所述训练-输入图像中，位于不同的区域中的结构以至少沿一个空间方向在空间上重叠的方式示出。
10.根据权利要求9所述的系统，其特征在于，所述训练-输入图像的至少一部分通过MR测量产生。
11.根据权利要求9和10中任一项所述的系统，其特征在于，所述训练-输入图像的至少一部分基于所提供的训练-输出图像合成地产生。
12.根据权利要求8至11中任一项所述的系统，其特征在于，所述训练-输入图像提供单元(9)适合于提供具有图像伪迹的训练-输入图像，并且所述训练-输出图像提供单元(4，6)适合于提供不具有所述图像伪迹的训练-输出图像。
13.一种用于训练神经元网络的训练设备，其中所述训练设备(20)包括：
-用于提供训练-输入图像的训练-输入图像提供单元(21)，在所述训练-输入图像中，在空间上实际分开的结构以至少沿一个空间方向在空间上重叠的方式示出；
-用于提供训练-输出图像的训练-输出图像提供单元(22)，在所述训练-输出图像中，在空间上实际分开的结构以沿所述至少一个空间方向在空间上分开的方式示出；
-用于提供神经元网络的神经元网络提供单元(23)；
-神经元网络训练单元(24)，神经元网络训练单元用于训练所述神经元网络，使得在将所述训练-输入图像输入到所述神经元网络中时输出所述训练-输出图像。
14.一种用于产生图像的方法，其中所述方法包括：
-提供输入图像，在所述输入图像中以至少沿一个空间方向在空间上重叠的方式示出在空间上实际分开的结构；
-提供神经元网络，所述神经元网络适合于基于输入图像产生输出图像，在所述输入图像中以至少沿一个空间方向在空间上重叠的方式示出在空间上实际分开的结构，在所述输出图像中以沿所述至少一个空间方向在空间上分开的方式示出在空间上实际分开的结构；
-基于所提供的所述输入图像和所提供的所述神经元网络产生图像。
15.一种用于训练神经元网络的训练方法，其中所述训练方法包括：
-提供训练-输入图像，在所述训练-输入图像中以至少沿一个空间方向在空间上重叠的方式示出在空间上实际分开的结构；
-提供训练-输出图像，在所述训练-输出图像中以沿所述至少一个空间方向在空间上分开的方式示出在空间上实际分开的结构；
-提供神经元网络；
-训练所述神经元网络，使得在将所述训练-输入图像输入到所述神经元网络中时输出所述训练-输出图像。
16.一种用于产生图像的计算机程序，其中所述计算机程序适合于：当所述计算机程序在根据权利要求1所述的用于产生图像的系统(1)上运行时，执行根据权利要求14所述的用于产生图像的方法。
17.一种用于训练神经元网络的计算机程序，其中所述计算机程序适合于：当所述计算机程序在根据权利要求13所述的用于训练神经元网络的训练设备(20)上运行时，执行根据权利要求15所述的用于训练神经元网络的训练方法。
CN201780043620.5A 2016-07-15 2017-07-04 用于产生图像的系统，尤其磁共振系统 Active CN109791686B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102016113138.5A DE102016113138B4 (de) 2016-07-15 2016-07-15 System, insbesondere Magnetresonanzsystem, zum Erzeugen von Bildern
DE102016113138.5 2016-07-15
PCT/EP2017/066657 WO2018011022A1 (de) 2016-07-15 2017-07-04 System, insbesondere magnetresonanzsystem, zum erzeugen von bildern

Publications (2)

Publication Number Publication Date
CN109791686A true CN109791686A (zh) 2019-05-21
CN109791686B CN109791686B (zh) 2023-10-24

Family

ID=59581830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780043620.5A Active CN109791686B (zh) 2016-07-15 2017-07-04 用于产生图像的系统，尤其磁共振系统

Country Status (5)

Country Link
US (1) US11055883B2 (zh)
EP (1) EP3485457B1 (zh)
CN (1) CN109791686B (zh)
DE (1) DE102016113138B4 (zh)
WO (1) WO2018011022A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681296A (zh) * 2020-05-09 2020-09-18 上海联影智能医疗科技有限公司 图像重建方法、装置、计算机设备和存储介质
CN112763958A (zh) * 2020-12-10 2021-05-07 复旦大学 一种基于神经网络的多次激发平面回波磁共振成像方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017134635A1 (en) * 2016-02-04 2017-08-10 Clear-Cut Medical Ltd. Mri imaging system using permanent magnet array
US10753997B2 (en) * 2017-08-10 2020-08-25 Siemens Healthcare Gmbh Image standardization using generative adversarial networks
US11100612B2 (en) * 2019-05-07 2021-08-24 Fei Company Acquisition strategy for neural network based image restoration
US12045958B2 (en) * 2021-07-16 2024-07-23 Shanghai United Imaging Intelligence Co., Ltd. Motion artifact correction using artificial neural networks

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0696198A (ja) * 1992-06-08 1994-04-08 Xerox Corp エラー拡散を利用したビットマップ画像の非量子化解像度変換
US6084981A (en) * 1994-11-29 2000-07-04 Hitachi Medical Corporation Image processing apparatus for performing image converting process by neural network
US20030194124A1 (en) * 2002-04-12 2003-10-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US20080068402A1 (en) * 2006-09-15 2008-03-20 Olympus Corporation Image display method and image display device
US20080100292A1 (en) * 2006-10-30 2008-05-01 Ileana Hancu System and method for fast mr coil sensitivity mapping
US20150238148A1 (en) * 2013-10-17 2015-08-27 Siemens Aktiengesellschaft Method and system for anatomical object detection using marginal space deep neural networks
CN105160361A (zh) * 2015-09-30 2015-12-16 东软集团股份有限公司 一种图像识别方法及装置
CN105374019A (zh) * 2015-09-30 2016-03-02 华为技术有限公司 一种多深度图融合方法及装置
US20160093048A1 (en) * 2014-09-25 2016-03-31 Siemens Healthcare Gmbh Deep similarity learning for multimodal medical images
US20160139977A1 (en) * 2013-07-01 2016-05-19 Agent Video Intelligence Ltd. System and method for abnormality detection

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101248366A (zh) * 2005-08-23 2008-08-20 皇家飞利浦电子股份有限公司 用于并行磁共振成像的设备和方法
DE102008032996B4 (de) * 2008-07-14 2014-08-21 Siemens Aktiengesellschaft Verfahren zur Bestimmung einer Schwächungskarte
US20100266185A1 (en) 2009-04-21 2010-10-21 Sloan Kettering Institute of Cancer Malignant tissue recognition model for the prostate
DE102010001145A1 (de) 2010-01-22 2011-07-28 Siemens Aktiengesellschaft, 80333 Verfahren und Vorrichtung zur Magnetresonanzbildgebung zum Erstellen von T1-Karten
US9778336B2 (en) * 2013-02-13 2017-10-03 The General Hospital Corporation System and method for rapid, multi-shot segmented magnetic resonance imaging

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0696198A (ja) * 1992-06-08 1994-04-08 Xerox Corp エラー拡散を利用したビットマップ画像の非量子化解像度変換
US6084981A (en) * 1994-11-29 2000-07-04 Hitachi Medical Corporation Image processing apparatus for performing image converting process by neural network
US20030194124A1 (en) * 2002-04-12 2003-10-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US20080068402A1 (en) * 2006-09-15 2008-03-20 Olympus Corporation Image display method and image display device
US20080100292A1 (en) * 2006-10-30 2008-05-01 Ileana Hancu System and method for fast mr coil sensitivity mapping
US20160139977A1 (en) * 2013-07-01 2016-05-19 Agent Video Intelligence Ltd. System and method for abnormality detection
US20150238148A1 (en) * 2013-10-17 2015-08-27 Siemens Aktiengesellschaft Method and system for anatomical object detection using marginal space deep neural networks
US20160093048A1 (en) * 2014-09-25 2016-03-31 Siemens Healthcare Gmbh Deep similarity learning for multimodal medical images
CN105160361A (zh) * 2015-09-30 2015-12-16 东软集团股份有限公司 一种图像识别方法及装置
CN105374019A (zh) * 2015-09-30 2016-03-02 华为技术有限公司 一种多深度图融合方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681296A (zh) * 2020-05-09 2020-09-18 上海联影智能医疗科技有限公司 图像重建方法、装置、计算机设备和存储介质
CN111681296B (zh) * 2020-05-09 2024-03-22 上海联影智能医疗科技有限公司 图像重建方法、装置、计算机设备和存储介质
CN112763958A (zh) * 2020-12-10 2021-05-07 复旦大学 一种基于神经网络的多次激发平面回波磁共振成像方法

Also Published As

Publication number Publication date
US11055883B2 (en) 2021-07-06
CN109791686B (zh) 2023-10-24
EP3485457A1 (de) 2019-05-22
DE102016113138A1 (de) 2018-01-18
US20190311506A1 (en) 2019-10-10
EP3485457B1 (de) 2021-01-27
WO2018011022A1 (de) 2018-01-18
DE102016113138B4 (de) 2018-02-15

Similar Documents

Publication Publication Date Title
CN109791686A (zh) 用于产生图像的系统，尤其磁共振系统
Lin et al. Artificial intelligence for MR image reconstruction: an overview for clinicians
US10624558B2 (en) Protocol independent image processing with adversarial networks
US11605455B2 (en) Systems and methods for predicting outcomes using raw data
US10698063B2 (en) Motion artifact reduction of magnetic resonance images with an adversarial trained network
US11422217B2 (en) Progressive generative adversarial network in medical image reconstruction
US10852379B2 (en) Artifact reduction by image-to-image network in magnetic resonance imaging
AU2017315674B2 (en) Image segmentation using neural network method
AU2017315684B2 (en) Systems and methods for image segmentation using convolutional neural network
CN107610193A (zh) 使用深度生成式机器学习模型的图像校正
CN103384836B (zh) 用于磁共振成像的方法和设备
CN102955142A (zh) 用于迭代的mr重建方法的采样模式
CN106981051A (zh) 用于运动解析的mri的系统和方法
US11408954B2 (en) Systems and methods of reducing noise and artifacts in magnetic resonance imaging
US11933870B2 (en) Contrast and/or system independent motion detection for magnetic resonance imaging
US20230021786A1 (en) Medical information processing apparatus and medical information processing method
Li et al. High‐fidelity fast volumetric brain MRI using synergistic wave‐controlled aliasing in parallel imaging and a hybrid denoising generative adversarial network (HDnGAN)
US20230274418A1 (en) Self-supervised machine learning for medical image reconstruction
US20150310640A1 (en) Systems and methods for compressed sensing for multi-shell magnetic resonance imaging
US20240290011A1 (en) Dual-domain self-supervised learning for accelerated non-cartesian magnetic resonance imaging reconstruction
CN105615883A (zh) 用于多切片和多板获取的压缩感测重构
CN104173049B (zh) 用于借助磁共振断层成像系统记录图像数据组的方法
Song et al. Super-resolution PET using a very deep convolutional neural network
Rotman et al. Correcting motion artifacts in MRI scans using a deep neural network with automatic motion timing detection
CN117011409A (zh) 多部位物理智能高清扩散磁共振数据生成方法

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
GR01 Patent grant
GR01 Patent grant