CN110325871B - 用于图像重建的系统和方法 - Google Patents

用于图像重建的系统和方法 Download PDF

Info

Publication number
CN110325871B
CN110325871B CN201780084492.9A CN201780084492A CN110325871B CN 110325871 B CN110325871 B CN 110325871B CN 201780084492 A CN201780084492 A CN 201780084492A CN 110325871 B CN110325871 B CN 110325871B
Authority
CN
China
Prior art keywords
calibration
data
data set
synthesis filter
space
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
CN201780084492.9A
Other languages
English (en)
Other versions
CN110325871A (zh
Inventor
丁彧
何任杰
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Publication of CN110325871A publication Critical patent/CN110325871A/zh
Application granted granted Critical
Publication of CN110325871B publication Critical patent/CN110325871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01R33/561—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
    • 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
    • G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)

Abstract

本公开涉及一种用于在图像重建中生成或使用合成滤波器的系统和方法。该方法可包括：采集包括多个数据点的校准数据集；确定校准数据集中的第一校准区域，该第一校准区域包括具有多个数据点的矩阵，该多个数据点包括该第一校准区域的中心处的第一数据点；构建第一数据点与第一校准区域中的各数据点之间的第一关系；以及基于该第一关系来生成合成滤波器。第一数据点在第一校准区域的中心处。该方法可在至少一个机器上实现，其中每个机器具有至少一个处理器和存储。所生成的合成滤波器可以电子形式作为数据文件存储在存储中。该合成滤波器可被适配用于：基于由接收线圈采集的信号来确定欠采样k空间数据集中的未知数据点。

Description

用于图像重建的系统和方法
技术领域
本公开一般涉及磁共振成像(MRI)，尤其涉及一种用于在图像重建中生成或使用合成滤波器的系统和方法。
背景技术
磁共振成像(MRI)是一种广泛使用的医疗技术，该技术通过利用强大的磁场和射频(RF)技术来产生感兴趣区域(ROI)的图像。在MRI过程期间，所采集的信号可被处理并填充到k空间中，并且随后可变换该k空间中的数据以重建MRI图像。并行成像使用各自可从总容积的子集接收信号的多个接收线圈，并组合该多个接收线圈的数据以提供总容积的图像。在一些实施例中，并行成像技术利用接收线圈的灵敏度来加速MRI信号采集。然而，当前并行成像技术的应用可包括用户干预。例如，用户(例如，医生、护士等)可能需要提供参数以便应用并行成像技术。存在对提供一种用于自动且方便地执行并行成像的系统和方法的需求。
发明内容
在本公开的第一方面，提供了一种用于生成磁共振(MR)图像的方法。该方法可包括以下操作中的一者或多者。可由接收线圈采集多个MR信号。接收线圈可包括体线圈和/或表面线圈。可采集与该多个MR信号相关的校准数据集。校准数据集可包括不包含未知数据点的完全采集的k空间数据集。在一些实施例中，可基于完整信号和/或欠采样信号来生成校准数据集。可确定校准数据集中的第一校准区域。校准区域可以是校准数据集的一部分。校准区域可具有n×m的大小，其中n或m可各自表示整数。第一校准区域包括具有第一多个数据点的矩阵，该第一多个数据点包括第一校准区域的中心处的第一数据点。可构建第一数据点与第一校准区域中包括该第一数据点的该第一多个数据点之间的第一关系。可基于该第一关系来生成合成滤波器。该合成滤波器可以电子形式作为数据文件来存储。该合成滤波器可被适配用于：基于由接收线圈采集的信号来确定欠采样k空间数据集中的未知数据点。在一些实施例中，该合成滤波器可以是卷积核。在一些实施例中，卷积核可具有与第一校准区域相同的大小。
在一些实施例中，该方法可进一步包括以下操作中的一者或多者。可基于第一校准区域来确定校准数据集中的第二校准区域。第二校准区域可具有与第一校准区域相同的大小。在一些实施例中，第二校准区域和第一校准区域可在相同的k空间线中。第二校准区域可包括具有第二多个数据点的矩阵，该第二多个数据点包括在第二校准区域的中心处的第二数据点。可构建第二数据点与第二校准区域中包括该第二数据点的该第二多个数据点之间的第二关系。可基于该第一关系和第二关系来生成合成滤波器。
在一些实施例中，卷积核可具有与第一校准区域和第二校准区域相同的大小。可根据笛卡尔采样图案来安排合成滤波器。可根据非笛卡尔采样图案来安排合成滤波器。示例性的非笛卡尔图案可包括但不限于径向和螺旋图案。在一些实施例中，非笛卡尔图案可被网格化为笛卡尔坐标。
在一些实施例中，由接收线圈采集的信号可表示欠采样k空间数据集。合成滤波器可被应用于欠采样k空间数据集以形成完整k空间数据集，其中欠采样k空间数据中的未知数据点被确定。可基于完整k空间数据集来生成图像数据集。
在本公开的第二方面，提供了一种用于生成磁共振(MR)图像的系统。该系统可包括被配置成存储指令的存储，以及被配置成执行指令的至少一个处理器。当执行指令时，该至少一个处理器使该系统执行以下操作中的一者或多者。可在包括多个数据点的校准数据集中确定第一校准区域。该校准数据集可与接收线圈相关。可构建第一数据点与第一校准区域中包括该第一数据点的第一多个数据点之间的第一关系。可基于该第一关系来生成合成滤波器。该合成滤波器可以电子形式作为数据文件来存储。该合成滤波器可被适配用于生成与接收线圈相关的图像。第一校准区域可包括具有第一多个数据点的矩阵。该第一多个数据点可包括第一校准区域的中心处的第一数据点。校准数据集可包括不包含未知数据点的完全采集的k空间数据集。在一些实施例中，可基于完整信号和/或欠采样信号来生成校准数据集。第一数据点可在第一校准区域的中心处。校准区域可以是校准数据集的一部分。校准区域可具有n×m的大小，其中n或m可各自表示整数。该合成滤波器可以是卷积核。在一些实施例中，卷积核可具有与第一校准区域相同的大小。
在一些实施例中，该系统可被进一步配置成：基于第一校准区域来确定校准数据集中的第二校准区域(该第二校准区域包括具有第二多个数据点的矩阵，该第二多个数据点包括第二校准区域的中心处的第二数据点)；构建第二数据点与第二校准区域中包括该第二数据点的该第二多个数据点之间的第二关系；以及基于该第二关系来生成合成滤波器。第二数据点在第二校准区域的中心处。第二校准区域可具有与第一校准区域相同的大小。在一些实施例中，第二校准区域和第一校准区域可在相同的k空间线中。
在本公开的第三方面，提供了一种用于生成磁共振(MR)图像的方法。该方法可包括以下操作中的一者或多者。可由接收线圈采集表示欠采样数据集的第一多个MR信号。该第一多个MR信号可包括欠采样MR信号。欠采样数据集可包括至少一个未知数据点。可由接收线圈采集表示校准数据集的第二多个MR信号，该校准数据集包括多个数据点。该第二多个MR信号可包括完整信号和/或欠采样信号。校准数据集可不具有未知数据点。可构建校准数据集的第一校准区域的中心处的第一数据点与该第一校准区域中的各数据点之间的第一关系。第一校准区域中的各数据点包括该第一校准区域的中心处的数据点。构建校准数据集的第一校准区域的中心处的第一数据点与该第一校准区域中的各数据点之间的第一关系可包括以下操作中的一者或多者。可确定校准数据集中的第一校准区域，该第一校准区域包括具有第一多个数据点的矩阵，该第一多个数据点可包括第一校准区域的中心处的第一数据点。可构建第一数据点与第一校准区域中包括该第一数据点的该第一多个数据点之间的第一关系。可基于该第一关系来生成合成滤波器。该合成滤波器可以是卷积核。
在一些实施例中，卷积核可具有与第一校准区域相同的大小。该合成滤波器可被应用于欠采样数据集以生成完整数据集。欠采样数据集可包括多个滤波区域。该合成滤波器可被应用于欠采样数据集中的该多个滤波区域。滤波区域可以是欠采样k空间数据集的一部分。在一些实施例中，滤波区域可包括至少一个未知数据点。在一些实施例中，滤波区域的大小可与合成滤波器的大小相同。在一些实施例中，滤波区域可具有n×m的大小，其中n或m可各自表示整数。可基于完整数据集来生成图像。
在一些实施例中，该方法可进一步包括以下操作中的一者或多者。可基于第一校准区域来确定校准数据集中的第二校准区域。第二校准区域可具有与第一校准区域相同的大小。在一些实施例中，第二校准区域和第一校准区域可在相同的k空间线中。第一校准区域可包括具有第二多个数据点的矩阵，该第二多个数据点包括第二校准区域的中心处的第二数据点。可构建第二数据点与第二校准区域中包括该第二数据点的该第二多个数据点之间的第二关系。可基于该第二关系来生成合成滤波器。
在一些实施例中，校准数据集包括MRI数据。
在一些实施例中，第二校准区域和第一校准区域可彼此部分地交叠。
在一些实施例中，第二数据点和第一数据点可被填充在k空间线中。
在一些实施例中，校准数据集可不具有未知数据点。
附加的特征将部分地在以下描述中阐述，且部分地将在本领域技术人员查阅了以下描述和附图后变得显而易见，或可通过示例的生产或操作来获知。可通过以下讨论的详细示例中所阐述的方法、手段、和组合的各个方面的实践或使用，来实现和达到本公开的特征。
附图简述
本公开进一步以示例性实施例的形式来描述。这些示例性实施例将参考附图详述。这些实施例是非限定性的示例性实施例，其中类似的附图标记贯穿附图的若干视图表示相似的结构，并且其中：
图1-A是根据本公开的一些实施例的MRI系统的框图；
图1-B是根据本公开的一些实施例的计算设备的框图；
图2是根据本公开的一些实施例的MR扫描的流程图；
图3是RF模块的示意图解；
图4是根据本公开的一些实施例的图像处理引擎的框图；
图5是根据本公开的一些实施例的用于生成MR图像的过程的流程图；
图6是根据本公开的一些实施例的图像生成模块的框图；
图7是根据本公开的一些实施例的用于生成MR图像的过程的流程图；
图8是根据本公开的一些实施例的用于生成合成滤波器的过程的流程图；
图9-A是k空间数据集的示意图解；
图9-B是校准数据集的示意图解；
图9-C是第一滤波区域的示意图解；
图9-D是第二滤波区域的示意图解；以及
图10是合成滤波器的生成的示意图解。
详细描述
在以下详细描述中，通过示例的方式阐述了众多具体细节以提供对相关公开的透彻理解。然而，对本领域技术人员而言应当显而易见的是，没有这些细节也可实践本公开。在其他实例中，已在相对较高的层级描述了公知的方法、规程、系统、组件和/或电路系统而没有细节，以避免不必要地模糊本公开的各方面。对所公开实施例的各种修改对本领域技术人员将容易是显而易见的，并且本文中所定义的一般原理可被应用于其他实施例和应用而不会背离本公开的精神和范围。由此，本公开不限于所示出的各实施例，而是应被授予与权利要求一致的最广范围。
将理解，本文中使用的术语“系统”、“单元”、“模块”、和/或“块”是用于以升序区分不同层级的不同组件、元件、部件、部分或组装件的一种方法。然而，如果其它表达可达成相同的目的，则可由该其它表达来代替这些术语。
将理解，当单元、模块或块被称为“在……上”、“连接到”或“耦合到”另一单元、模块或块时，其可直接在该另一单元、模块或块上，连接到或耦合到该另一单元、模块或块，或者可存在居间单元、模块或块，除非上下文另有明确指示。如本文使用的，术语“和/或”包括相关联的所列出项目中的一个或多个项目中的任何和所有组合。
本文所使用的术语仅出于描述特定示例和实施例的目的，而并不旨在限定。如本文所使用的，单数形式“一”、“某”和“该”旨在也包括复数形式，除非上下文另有明确指示。将进一步理解，术语“包括”和/或“包含”在本公开中使用时指明整数、设备、行为、所陈述的特征、步骤、元件、操作和/或组件的存在，但并不排除一个或多个其他整数、设备、行为、特征、步骤、元件、操作、组件和/或其群组的存在或添加。
图1-A是根据本公开的一些实施例的磁共振成像(MRI)系统100的框图。如所解说的，MRI系统100可包括MRI扫描器110、控制器120、处理模块130等。MRI扫描器110可包括磁体模块111和射频(RF)模块112。在一些实施例中，MRI扫描器110可对一对象或该对象的区域执行扫描。对象可以是例如人体或其它动物体。例如，对象可以是患者。对象的区域可包括该对象的一部分。例如，对象的区域可包括患者的组织。组织可包括例如肺、前列腺、乳腺、结肠、直肠、膀胱、卵巢、皮肤、肝、脊柱、骨、胰腺、子宫颈、淋巴、甲状腺、脾、肾上腺、唾液腺、皮脂腺、睾丸、胸腺、阴茎、子宫、气管、骨骼肌、平滑肌、心脏等。在一些实施例中，扫描可以是用于校准成像扫描的预扫描。在一些实施例中，扫描可以是用于生成图像的成像扫描。
磁体模块111可包括主磁场生成器和/或梯度磁场生成器(图1-A中未示出)。主磁场生成器在扫描期间可创建静态磁场B0。主磁体可以是各种类型的，包括例如永磁体、超导电磁体、电阻性电磁体等。
梯度磁场生成器可在主磁场B0上沿某一方向(例如X、Y和/或Z方向)生成磁场梯度。如本文中所使用的，X、Y和Z方向可表示坐标系中的X、Y和Z轴。仅作为示例，X轴和Z轴可在水平面中，X轴和Y轴可在垂直面中，Z轴可沿机架(gantry)的旋转轴。在一些实施例中，X轴、Y轴和Z轴可由梯度磁场生成器(即，梯度磁场生成器中的梯度线圈)来指定。梯度磁场可编码和/或读出位于MRI扫描器110内的对象(或该对象的区域)的空间信息。
在一些实施例中，磁体模块111可在扫描期间生成一组方向上的磁场梯度。仅作为示例，磁体模块111可生成第一方向上的第一磁场梯度、第二方向上的第二磁场梯度，以及第三方向上的第三磁场梯度。在一些实施例中，第一、第二和第三方向可分别沿X轴、Y轴和Z轴。在一些实施例中，沿X轴、Y轴和/或Z轴的磁场梯度可对应于k空间中的不同编码/读出方向(例如，kx轴的方向、ky轴的方向、kz轴的方向、或任何其他方向)。
磁体模块111和/或RF模块112的功能、大小、类型、几何、位置、量、和/或幅度可根据一个或多个具体条件来确定或改变。仅作为示例，磁体模块111和射频(RF)模块112可被设计成围绕对象(或该对象的区域)以形成隧道型MRI扫描器110(即，闭孔MRI扫描器110)或开放式MRI扫描器110(即，开孔MRI扫描器110)。在一些实施例中，RF模块112可被分类为发射线圈和/或接收线圈。这些RF线圈可向/从对象(或该对象的区域)发射或接收RF信号。仅作为示例，发射线圈可向对象(或该对象的区域)发射RF能量以在感兴趣的区域中感生电信号。作为另一示例，接收线圈可拾取由该对象(或该对象的区域)内部的核驰豫产生的RF电磁辐射。
在一些实施例中，根据功能和/或大小的不同，RF线圈可被分类为容积线圈和局部线圈。在一些实施例中，容积线圈可包括体线圈、鸟笼线圈、横向电磁线圈、鞍形线圈等。在本公开的一些实施例中，局部线圈可包括螺线管线圈、鞍形线圈、柔性线圈、表面线圈等。
表面线圈可以是直接放置在对象(或该对象的区域)上的线圈。在一些实施例中，表面线圈可以是被配置成接收由对象(或该对象的区域)内部的核驰豫产生的信号的接收线圈。仅作为示例，表面线圈可在预扫描和/或成像扫描期间接收多个MR信号。例如，表面线圈可直接放置在对象的感兴趣区域(ROI)上，从而通过限制接收的空间范围来提供改善的信噪比(SNR)。在一些实施例中，表面线圈可以是导电材料的环。仅作为示例，表面线圈可以是铜管。在一些实施例中，环可形成各种形状。仅作为示例，可将环弯曲以符合待检查的身体部位。在一些实施例中，射频(RF)模块112可包括一个或多个表面线圈。仅作为示例，射频(RF)模块112可包括多个表面线圈。
体线圈可以是围绕对象(或该对象的区域)的线圈。仅作为示例，体线圈可围绕被检查的患者的头部或膝盖。在一些实施例中，体线圈可以是被配置成接收由对象(或该对象的区域)内部的核驰豫产生的信号的接收线圈，和/或被配置成向对象(或该对象的区域)发射RF能量的发射线圈。仅作为示例，体线圈可在预扫描和/或成像扫描期间接收多个MR信号。
在一些实施例中，射频(RF)模块112可包括一个或多个接收线圈。线圈可包括表面线圈和/或体线圈。仅作为示例，射频(RF)模块112可包括第一接收线圈和第二接收线圈。第一接收线圈和第二接收线圈两者都可以是表面线圈。作为另一示例，第一接收线圈和第二接收线圈两者都可以是体线圈。在一些实施例中，射频(RF)模块112可包括一个或多个体线圈。仅作为示例，射频(RF)模块112可包括围绕被检查的患者的体线圈。
控制器120可控制MRI扫描器110的磁体模块111和/或RF模块112、图像处理引擎130等。仅作为示例，控制器120可控制X方向、Y方向和Z方向上的磁场梯度。在一些实施例中，控制器120可从MRI扫描器110、处理130等接收信息或向MRI扫描器110、处理130等发送信息。根据一些实施例，控制器120可从例如用户接收命令，并且调节磁体模块111和/或RF模块112，以根据接收到的命令来拍摄对象(或该对象的区域)的图像。
在一些实施例中，控制器120可包括输入/输出设备，以从用户(例如，医生、护士、成像专家等)接收命令输入。仅作为示例，输入/输出设备可包括视频显示器、轨迹球、鼠标、键盘、话筒、触敏显示器、换能器读卡器、磁带或纸带读取器、平板设备、指示笔、语音或手写识别器、生物特征读取器、计算机或其任何组合。
在一些实施例中，控制器120可与图像处理引擎130通信，以便交换与MRI扫描器110或MRI系统100的其他部分的操作相关的信息。存储设备中可存储控制逻辑(软件)和数据。存储设备可以是主存储器或辅助存储。主存储器可包括随机存取存储器(RAM)、只读存储器(ROM)等。辅助存储可包括例如硬盘驱动器和/或可移除存储驱动器，其代表软盘驱动器、磁带驱动器、压缩盘驱动器等。可移除存储驱动器可以以某种方式从可移除存储单元读取数据和/或向可移除存储单元写入数据。在一些实施例中，存储设备可在MRI系统100中实现。例如，存储设备可在控制器120和/或图像处理引擎130中实现。在一些实施例中，存储设备可以是连接到MRI系统100的外部存储。在本公开的一些实施例中，控制器120可在如图1-B及其描述中所解说的计算设备150上经由其硬件、软件程序、固件或其组合来实现。
图像处理引擎130可处理从不同模块接收的不同种类的信息。在一些实施例中，图像处理引擎130可与MRI扫描器110、控制器120等通信或连接到MRI扫描器110、控制器120等。为了更好地解说本公开，下面给出若干示例，但是这些示例并不限制本公开的范围。例如，在一些实施例中，图像处理引擎130可处理从RF模块112(例如，(诸)表面线圈和/或(诸)体线圈)接收的MR信号，并且基于这些信号来生成一个或多个MR数据集(例如，k空间数据集或图像数据集)。仅作为示例，MR信号可被填充到k空间中以生成k空间数据集。在一些实施例中，这些信号可由多个接收线圈接收。由相同的接收线圈接收的信号可被填充到相同k空间的多条k空间线中。在一些实施例中，k空间线可以是填充有数据点的数据集的形式。仅通过示例，接收线圈可包括第一接收线圈和第二接收线圈。第一接收线圈的k空间可以是第一k空间，第二接收线圈的k空间可以是第二k空间。
仅作为示例，第一接收线圈可接收信号A和信号B；该信号A和信号B可分别被填充到第一k空间的第一k空间线和第二k空间线中。在一些实施例中，可在信号A之后接收信号B。在一些实施例中，第二k空间线可毗邻于第一k空间线。在一些实施例中，信号A和/或信号B可以是欠采样信号。在一些实施例中，欠采样信号可以是未被完全采集的信号。因此，第一k空间的第一k空间线和第二k空间线可构成第一k空间的欠采样k空间数据集。在一些实施例中，欠采样k空间数据集可以是包括一个或多个未知数据点的k空间数据集。在一些实施例中，第一线圈可进一步接收信号C和信号D，该信号C和信号D可以是完整信号。在一些实施例中，可在信号C之后接收信号D。在一些实施例中，完整信号可以是被完全采集的信号。在一些实施例中，信号C和信号D可被填充到第一k空间的第三k空间线和第四k空间线中。在一些实施例中，第三k空间线可毗邻于第四k空间线。在一些实施例中，第三k空间线可与第二k空间线相邻。在一些实施例中，在第二k空间线与第三k空间线之间可存在多条k空间线。
在一些实施例中，可从k空间中选择校准数据集。在一些实施例中，校准数据集可包括不包含未知数据点的完全采集的k空间数据集。例如，第一k空间线的一部分和第二k空间线的一部分可构成第一k空间的局部完整k空间数据集、以及校准数据集。作为另一示例，第三k空间线和第四k空间线、或其一部分可构成校准数据集。作为进一步示例，第一k空间线的一部分和第二k空间线的一部分连同第三k空间线的一部分和第四k空间线的一部分可构成第一k空间的局部完整k空间数据集、以及校准数据集。作为又一示例，第二k空间线的一部分和第三k空间线的一部分可构成第一k空间的局部完整k空间数据集、以及校准数据集。
校准数据集可用于生成与接收到校准数据集的接收线圈(例如，第一线圈)相关的参数(例如，线圈灵敏度)相关的信息。在一些实施例中，可基于校准数据集来生成合成滤波器。合成滤波器可提供与接收线圈相关的校准信息，以便校准与由接收线圈接收的信号相对应的欠采样数据集。
图像处理引擎130可基于欠采样k空间数据集和合成滤波器来生成完整k空间数据集。完整k空间数据集可包括校准数据集和经填充的欠采样k空间数据集。在一些实施例中，可确定原始欠采样k空间数据集中的未知数据点，以生成经填充的欠采样k空间数据集。此外，在一些实施例中，图像处理引擎130可基于完整k空间数据集来生成图像数据集。
图像处理引擎130可生成数据集。数据集可包括候选数据集和/或参考数据集。在一些实施例中，图像处理引擎130可基于在预扫描和/或成像扫描期间采集的信号来生成候选数据集。候选数据集可包括第一候选数据集和第二候选数据集。仅作为示例，图像处理引擎130可基于在预扫描期间由表面线圈采集的信号来生成第一候选数据集。作为另一示例，图像处理引擎130可基于在成像扫描期间由表面线圈采集的信号来生成第二候选数据集。在一些实施例中，图像处理引擎130可基于在预扫描和/或成像扫描期间采集的MR信号来生成参考数据集。参考数据集可包括第一参考数据集和第二参考数据集。仅作为示例，图像处理引擎130可基于在预扫描期间由体线圈采集的信号来生成第一参考数据集。作为另一示例，图像处理引擎130可基于在成像扫描期间由体线圈采集的信号来生成第二参考数据集。
在一些实施例中，候选数据集可包括候选k空间数据集和/或候选图像数据集。仅作为示例，第一候选数据集可包括第一候选k空间数据集和/或第一候选图像数据集。作为另一示例，第二候选数据集可包括第二候选k空间数据集和/或第二候选图像数据集。参考数据集可包括k空间参考数据集和/或参考图像数据集。仅作为示例，第一参考数据集可包括第一参考k空间数据集和/或第一参考图像数据集。作为另一示例，第二参考数据集可包括第二参考k空间数据集和/或第二参考图像数据集。在一些实施例中，图像处理引擎130可生成候选k空间数据集。候选k空间数据集可以是表面线圈k空间数据集。候选k空间数据集可以是基于由一个或多个表面线圈采集的信号来生成的MR k空间数据集。在一些实施例中，图像处理引擎130可以为候选k空间数据集生成参考k空间数据集。在一些实施例中，参考k空间数据集可以是体线圈k空间数据集。体线圈k空间数据集可以是从由一个或多个体线圈采集的信号生成的MR k空间数据集。
在一些实施例中，图像处理引擎130可生成候选图像数据集。候选图像数据集可以是表面线圈图像数据集。表面线圈图像数据集可以是基于在预扫描或成像扫描期间由一个或多个表面线圈采集的信号来生成的MR图像数据集。仅作为示例，表面线圈可在预扫描期间接收第一多个信号，基于该第一多个信号可生成第一候选图像数据集。该第一多个信号可对应于被检查对象的预扫描区域。仅作为示例，该第一多个信号可对应于该对象(例如，患者)。
在一些实施例中，图像处理引擎130可以为候选图像数据集生成参考图像数据集。在一些实施例中，参考图像数据集可以是体线圈图像数据集。体线圈图像数据集可以是从预扫描或成像扫描期间由一个或多个体线圈采集的信号生成的MR图像数据集。仅作为示例，体线圈可在预扫描期间接收第二多个MR信号，基于该第二多个MR信号可生成参考图像数据集。该第二多个信号可对应于被检查对象的预扫描区域。此外，在一些实施例中，表面线圈可在成像扫描期间接收第三多个MR信号，基于该第三多个MR信号可生成第二候选图像数据集。该第三多个信号可对应于被检查对象的预扫描区域。对象的扫描区域可位于该对象的预扫描区域内。在一些实施例中，体线圈可在成像扫描期间接收第四多个MR信号，基于该第四多个MR信号可生成第二参考图像数据集。该第四多个信号可对应于被检查对象的扫描区域。
在一些实施例中，可基于候选图像数据集和参考图像数据集来生成校正器。例如，可基于第一候选图像数据集和第一参考图像数据集来生成校正器。作为另一示例，可基于第二候选图像数据集和第二参考图像数据集来生成校正器。所生成的校正器可被应用于第一候选图像数据集和/或第二候选图像数据集。在一些实施例中，所生成的校正器可用于校正曾用于生成该校正器的数据集。仅作为示例，第二候选图像数据集可由基于该第二候选图像数据集和第二参考图像数据集来生成的校正器进行校正。在一些实施例中，所生成的校正器可用于校正未用于生成该校正器的数据集(例如，第三图像数据集)。第三图像数据集可基于由一个或多个表面线圈获得的信号来生成。仅作为示例，第二候选图像数据集可由基于第一候选图像数据集和第一参考图像数据集来生成的校正器进行校正。
在一些实施例中，候选数据集(例如，第一候选数据集或第二候选数据集)可具有与参考数据集(例如，第一参考数据集或第二参考数据集)相比更高的SNR。在一些实施例中，候选数据集可具有与参考数据集相比更高的强度不均匀性。可利用校正器来校正候选数据集(例如，第一候选数据集或第二候选数据集)的强度不均匀性。在一些实施例中，可基于候选数据集和参考数据集来生成校正器。仅作为示例，可基于第二候选图像数据集和第二参考图像数据集来生成校正器。作为另一示例，所生成的校正器可被应用于第一候选图像数据集和/或第二候选图像数据集。校正器可在图像域中。在一些实施例中，图像处理引擎130可基于校正器来生成经校正的图像数据集。仅作为示例，图像处理引擎130可通过将校正器应用于候选数据集(例如，第一候选数据集或第二候选数据集)来生成经校正的图像数据集。在一些实施例中，所生成的校正器可用于校正曾用于生成该校正器的数据集。仅作为示例，第二候选数据集可由基于该第二候选数据集和第二参考数据集来生成的校正器进行校正。在一些实施例中，所生成的校正器可用于校正未用于生成该校正器的数据集(例如，第三图像数据集)。第三图像数据集可基于由(诸)表面线圈获得的信号来生成。仅作为示例，第二候选图像数据集可由基于第一候选数据集和第一参考数据集来生成的校正器进行校正。经校正的图像数据集可以是强度加权图像数据集。在一些实施例中，可显示或以其他方式输出经校正的图像数据集。在一些实施例中，图像处理引擎130可处理由用户或操作者输入的数据并将该数据变换成具体命令，并将这些命令提供给控制器120。在本公开的一些实施例中，图像处理引擎130可在如图1-B及其描述中所解说的计算设备150上经由其硬件、软件程序、固件或其组合来实现。
应当注意，对MRI系统100的以上描述仅仅是出于解说目的而提供的，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作出多种变型和修改。例如，可根据具体实现场景来变化或更改MRI系统100的组装和/或功能。仅作为示例，一些其他组件可被添加到MRI系统100中，诸如患者定位模块、梯度放大器模块、以及其他设备或模块。要注意，MRI系统100可以是传统的或单模态医疗系统、或多模态系统，包括例如正电子发射断层扫描磁共振成像(PET-MRI)系统、远程医疗MRI系统、以及其他系统等等。然而，这些变型和修改并不脱离本公开的范围。
图1-B解说了根据本公开的一些实施例的计算设备150的示例性架构。在一些实施例中，控制器120、图像处理引擎130、或者其部分、或者其组合可在该计算设备150上经由其硬件、软件程序、固件或其组合来实现。
计算设备150可包括内部通信总线151、中央处理单元(CPU)152、I/O接口156、通信端口155，以及一个或多个存储器设备。内部通信总线151可在计算设备150的各组件(152到157)之间传送数据。例如，来自盘157的MRI数据可通过内部通信总线151被传送到CUP 152以生成图像数据集。
中央处理单元(CPU)152可执行计算机指令。计算机指令可涉及例程、程序、对象、组件、数据结构、规程、模块等。在一些实施例中，CPU 152可处理从MRI扫描器110、控制器120或MRI系统100的任何其它组件接收的数据或信息。在一些实施例中，CPU 152可包括一个或多个处理器。处理器可包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件(PLD)、能够执行一个或多个功能的任何电路或处理器等等、或其任何组合。例如，处理器可包括微控制器以处理从MRI扫描器110接收的MRI数据来进行图像重建。
该一个或多个存储器设备可存储从MRI扫描器110接收的数据或信息。在一些实施例中，存储器设备可包括盘157、随机存取存储器154(RAM)、只读存储器153(ROM)等等、或其任何组合。盘157可由例如磁盘、光盘、软盘、光盘或zip盘等来实现。RAM 154可由例如动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)以及零电容器RAM(Z-RAM)等来实现。ROM 153可由例如掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、压缩盘ROM(CD-ROM)以及数字多用碟ROM等来实现。在一些实施例中，存储器设备可存储一个或多个程序和/或指令以执行在本公开中描述的示例性方法。例如，ROM 153可存储用于基于MR数据来重建MR图像的程序或算法。
计算设备150可包括连接到网络以供应数据通信的一个或多个COM端口155。这些通信端口(COM端口)155可经由网络向/从MRI扫描器110传送信息或接收信息。在一些实施例中，通信端口155可包括有线端口(例如，通用串行总线(USB)、高清多媒体接口(HDMI)、无线端口(诸如蓝牙端口、红外接口、以及WiFi端口)等等、或其任何组合。
I/O接口156可支持计算设备150与一个或多个外围设备之间的信息输入或输出。在一些实施例中，外围设备可包括终端、键盘、触摸屏、光标控制设备、遥控器等等、或其任何组合。终端可包括例如移动设备(例如，智能电话、智能手表、膝上型计算机等等)、个人计算机等等、或其任何组合。例如，终端可由计算机158来实现，该计算机158可以是通用计算机或专门设计的计算机。光标控制设备可包括鼠标、轨迹球、或光标方向键以将方向信息和命令选择传达给例如图像处理引擎130或控制显示器设备上的光标移动。
经由I/O接口156输入和/或输出的信息可包括程序、软件、算法、数据、文本、数字、图像、语音等等、或其任何组合。例如，用户可输入一些初始参数或条件以发起MRI数据处理。在一些实施例中，经由I/O接口156输入的信息可经由键盘、触摸屏、语音传感器、运动传感器、脑监视系统、或任何其他设备来输入。
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解决方案，例如安装在现有服务器上。例如，如本文公开的图像处理引擎130和/或控制器120可被实现为固件、软件或其组合。
图2是根据本公开的一些实施例的MR扫描的流程图。在202中，可设置MR参数。MR参数可涉及MR扫描、协议选择、信号采集、数据处理、数据存储、数据校准、图像生成等等、或其任何组合。仅作为示例，MR参数可包括图像对比度和/或图像比、感兴趣区域(ROI)、切片厚度、成像类型(例如，T1加权成像、T2加权成像、质子密度加权成像等)、自旋回波类型(自旋回波、快速自旋回波(FSE)、快速恢复FSE、单发FSE、梯度重聚回波、具有稳态推移的快速成像等等)、翻转角度值、采集时间(TA)、回波时间(TE)、重复时间(TR)、回波串长度(ETL)、相位数、激励数(NEX)、反相时间、带宽(例如，RF接收机带宽、RF发射机带宽等)等等、或其任何组合。在一些实施例中，可在控制器120中设置MR参数。在一些实施例中，可经由计算设备150通过用户界面来设置MR参数。
在204中，可由例如MRI扫描器110来执行MR扫描。在一些实施例中，包括脉冲序列的MR参数可被发送给MRI扫描器110以在MR扫描期间生成RF激励脉冲和磁场梯度。脉冲序列可以是例如自旋回波(SE)序列、快速自旋回波(FSE)序列、超短回波时间(UTE)序列、梯度回波(GRE)序列等。仅作为示例，径向3D UTE序列可提供给MRI扫描器110。在一些实施例中，脉冲序列可按时序图的形式被发送给MRI扫描器110。在一些实施例中，可在MR扫描期间采集MR信号。在一些实施例中，所采集的MR信号可以是模拟信号。
在206中，可由例如图像处理引擎130来处理在MR扫描期间所采集的MR信号。可由表面线圈和/或体线圈来检测或采集在MR扫描期间采集的MR信号。在一些实施例中，可应用各种信号处理方法来处理所采集的信号。仅作为示例，这些信号处理方法可包括模数转换、线性拟合、2D傅里叶变换(2D FT)、快速傅里叶变换(FFT)、内插算法、网格重排等等、或其任何组合。在一些实施例中，所采集的信号可被转换成一组离散数据。此外，该离散数据可被处理以填充到k空间中以生成k空间数据集。仅作为示例，由表面线圈采集的MR信号可被填充到表面线圈的k空间中。作为另一示例，由体线圈采集的MR信号可被填充到体线圈的k空间中。
由表面线圈采集的MR信号可被填充到表面线圈的k空间中，以生成候选k空间数据集。在一些实施例中，由表面线圈采集的MR信号可在预扫描和/或成像扫描期间被采集。由表面线圈在预扫描期间采集的MR信号可包括第一多个MR信号。由表面线圈在成像扫描期间采集的MR信号可包括第三多个MR信号。仅作为示例，该第一多个MR信号可被填充到表面线圈的k空间中以生成第一候选k空间数据集。作为另一示例，该第三多个MR信号可被填充到表面线圈的k空间中以生成第二候选k空间数据集。由体线圈采集的MR信号可被填充到体线圈的k空间中以生成参考k空间数据集。在一些实施例中，由体线圈采集的MR信号可在预扫描和/或成像扫描期间被采集。由体线圈在预扫描期间采集的MR信号可包括第二多个MR信号。由体线圈在成像扫描期间采集的MR信号可包括第四多个MR信号。仅作为示例，该第二多个MR信号可被填充到体线圈的k空间中以生成第一参考k空间数据集。作为另一示例，该第四多个MR信号可被填充到体线圈的k空间中以生成第二参考k空间数据集。
在一些实施例中，可基于候选k空间数据集和参考k空间数据集来生成校正器。仅作为示例，可基于第一候选k空间数据集和第一参考k空间数据集来生成校正器。作为另一示例，可基于第二候选k空间数据集和第二参考k空间数据集来生成校正器。此外，在一些实施例中，生成器校正器可被配置成校正候选k空间数据集(例如，第一候选k空间数据集和/或第二候选k空间数据集)。在一些实施例中，所采集的信号可包括欠采样信号和完整信号。在一些实施例中，欠采样信号和完整信号可由相同的线圈接收。在一些实施例中，欠采样信号可被填充到k空间中以生成欠采样k空间数据集。在一些实施例中，完整信号可被填充到k空间中以生成校准数据集。在一些实施例中，可基于校准数据集来生成合成滤波器。校准数据集可被应用于欠采样k空间数据集以生成完整k空间数据集。
在208中，可基于经处理的信号来生成MR图像数据集。在一些实施例中，图像处理引擎130可被配置成生成MR图像。在一些实施例中，可基于完整k空间数据集来生成MR图像。在一些实施例中，可通过重复202到206达特定次数来生成图像数据集。在一些实施例中，该特定次数可由MRI系统100来确定或由用户(例如，医生)来提供。在一些实施例中，所生成的图像数据集可以是候选图像数据集和/或参考图像数据集。候选图像数据集可基于由表面线圈采集的MR信号来生成。参考图像数据集可基于由体线圈采集的MR信号来生成。
在一些实施例中，所生成的图像数据集可以是T1加权图像数据集、T2加权图像数据集、PD(质子密度)加权图像数据集、FLAIR(流体衰减反相恢复)图像数据集、强度加权图像数据集等等。仅作为示例，可基于候选图像数据集和参考图像数据集来生成强度加权图像数据集。具体地，可基于经处理的信号来生成候选图像数据集和参考图像数据集。被配置成校正候选图像数据集的强度不均匀性的校正器可基于候选图像数据集和参考图像数据集来生成。此外，强度加权图像数据集可通过用校正器校正候选图像数据集来生成。在一些实施例中，可进一步处理强度加权图像数据集以生成报告。强度加权图像数据集和/或所生成的报告可被输出到相关设备(例如，以被打印、显示等等)。
应当注意，以上描述是出于解说目的而提供的，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，多种变型和修改可在本公开的启发下被付诸实践。然而，那些变型和修改并不脱离本公开的范围。例如，该过程可进一步在204与206之间包括用于存储所采集的MR信号的操作。
图3是RF模块112的示意图解。RF模块112可包括第一接收线圈301、第二接收线圈302、第三接收线圈303和第四接收线圈304。在一些实施例中，接收线圈可以是表面线圈或体线圈。第一接收线圈301、第二接收线圈302、第三接收线圈303和第四接收线圈304可接收从对象310发射的MR信号。在一些实施例中，接收线圈可并行地接收MR信号。对象310可以是例如人体或其它动物体、或者该人体或动物体的一部分。例如，对象可以是患者。作为另一示例，对象可以是该患者的组织。组织可以包括但不限于例如肺、前列腺、乳腺、结肠、直肠、膀胱、卵巢、皮肤、肝、脊柱、骨骼、胰腺、子宫颈、淋巴、甲状腺、脾、肾上腺、唾液腺、皮脂腺、睾丸、胸腺、阴茎、子宫、气管、骨骼肌、平滑肌、心脏等。在一些实施例中，由第一接收线圈301、第二接收线圈302、第三接收线圈303和第四接收线圈304接收的信号可分别被填充到第一k空间、第二k空间、第三k空间和第四k空间中，以生成第一图像、第二图像、第三图像和第四图像。在一些实施例中，可组合第一图像、第二图像、第三图像和第四图像以生成与对象相关的MR图像数据集。
图4是根据本公开的一些实施例的图像处理引擎130的框图。如图1-A中所解说的图像处理引擎130可在成像规程之前、期间或之后处理信息。要理解，图像处理引擎130的构建可具有某些其他变型，并且图4是出于解说目的而提供的。图像处理引擎130可包括CPU。CPU可以是中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、ARM等等、或其任何组合。如图4中所解说的，图像处理引擎130可包括图像生成模块410、后处理模块420、以及存储模块430。
图像生成模块410可被配置成：基于在MR扫描期间采集的MR信号来生成图像数据集。在一些实施例中，MR信号可由多个接收线圈(例如，第一接收线圈301和第二接收线圈302)采集。该多个接收线圈可包括表面线圈和体线圈。由相同接收线圈(例如，第一接收线圈301或第二接收线圈302)接收的MR信号可由图像生成模块410填充到相同k空间(例如，第一k空间或第二k空间)的多条k空间线中。在一些实施例中，图像生成模块410可根据笛卡尔图案将MR信号填充到k空间中。在一些实施例中，图像生成模块410可根据非笛卡尔图案将MR信号填充到k空间中。示例性的非笛卡尔图案可包括但不限于径向和螺旋图案。在一些实施例中，非笛卡尔图案可被网格化为笛卡尔坐标。在一些实施例中，MR信号可包括欠采样信号，填充有欠采样信号的k空间线可包括欠采样k空间数据集。在一些实施例中，填充有欠采样信号的k空间线可包括局部完整数据集或校准数据集。在一些实施例中，MR信号可包括完整信号，填充有完整信号的k空间线的全部或一部分可构成校准数据集。
在一些实施例中，图像生成模块410可基于校准数据集来生成合成滤波器。图像生成模块410可进一步将所生成的合成滤波器应用于欠采样k空间数据集以生成完整k空间数据集。此外，在一些实施例中，图像生成模块410可基于完整k空间数据集来生成图像数据集。
在一些实施例中，图像生成模块410可与后处理模块420、存储模块430、控制器120、MRI扫描器110等通信或连接到后处理模块420、存储模块430、控制器120、MRI扫描器110等。在一些实施例中，图像生成模块410可计算来自MRI扫描器110或从控制器120等接收的不同种类的信息。来自MRI扫描器110的信息可以是对象的多个MR信号。来自控制器120的信息可包括关于MRI扫描器110、磁体模块111、患者位置(例如，在MRI系统100内的位置)、RF模块112等等、或其任何组合的信息。在一些实施例中，该信息可以是患者位置、主和/或梯度磁体强度、射频相位和/或振幅等等。来自控制器120的信息可包括来自用户和/或其他外部源的信息。来自用户的示例性信息可包括关于以下各项的参数：图像对比度和/或图像比、感兴趣对象(例如，要被成像的组织的类型等)、切片厚度、成像类型(例如，T1加权成像、T2加权成像、质子密度加权成像等)、T1、T2、自旋回波类型(例如，自旋回波、快速自旋回波(FSE)、快速恢复FSE、单发FSE、梯度重聚回波、具有稳态推移的快速成像等等)、翻转角度值、采集时间(TA)、回波时间(TE)、重复时间(TR)、回波串长度(ETL)、相位数、激励数(NEX)、反相时间、带宽(例如，RF接收机带宽、RF发射机带宽等)等等、或其任何组合。图像生成模块410可处理诸如从感兴趣对象采集的磁共振(MR)信号等数据并将它们重建成MR图像。在一些实施例中，图像生成模块410可将模拟MR信号转换为数字MR信号。在一些实施例中，可在转换之前或期间设置一个或多个参数，例如，电压、电流、速率、采样频率等等、或其组合。经转换的MR信号可被存储在存储模块430中。在一些实施例中，图像生成模块410可对已经通过(诸)磁场进行空间编码的MR信号进行空间解码。可确定信号的强度或幅度以及诸如相位数、弛豫时间(T1或T2)、磁化转移等其它属性。图像生成模块410可采用不同种类的图像重建技术以用于图像重建规程。示例性图像重建技术可包括但不限于傅里叶重建、受约束图像重建、并行MRI中的正则化图像重建等等、或其变型、或其任何组合。
后处理模块420可对从图像生成模块410和/或存储模块430接收的图像进行后处理。后处理可包括：显示从图像生成模块410和/或存储模块430接收的图像和/或对其进行操作。显示处理可包括但不限于分屏显示、对比显示、放大显示等等，或者其任何组合。对图像的操作可包括但不限于校正、切割、放大、窗口调节、旋转、批处理等等，或者其任何组合。在一些实施例中，后处理模块420可校正误差，或者减小或移除从图像生成模块410接收的图像数据集中的伪像。仅作为示例，后处理模块420可减小或移除图像的强度非均匀性。在一些实施例中，后处理模块420可提取关于被检查对象的特定细节。在一些实施例中，关于被检查对象的特定细节可增强对诊断结果的解读。
存储模块430可存储可由图像生成模块410和/或后处理模块420使用的信息。该信息可包括但不限于程序、软件、算法、数据、文本、数字、图像以及某种其他信息。这些示例是出于解说目的而在此提供的，且并不旨在限定本公开的范围。存储在存储模块430中的算法可包括但不限于递归、二分法、穷举搜索(或蛮力搜索)、贪婪算法、分治算法、动态编程方法、迭代法、分支限界算法、回溯算法等等，或其任何组合。在一些实施例中，存储模块430可存储由图像生成模块410传送的MR信号。在一些实施例中，存储模块430可存储从图像生成模块410接收的欠采样k空间数据集、校准数据集和/或所生成的MR图像数据集。在一些实施例中，存储模块430可存储由后处理模块420传送的经后处理的MR图像。
应当注意，对图像处理引擎130的以上描述仅仅是出于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作出多种变型或修改。例如，可改变或更改处理单元的组装和/或功能。在一些实施例中，图像生成模块410和后处理模块420可共享一个存储模块430。而在一些实施例中，图像生成模块410和后处理模块420可分别具有它们自己的存储块。然而，那些变型和修改并不脱离本公开的范围。
图5是根据本公开的一些实施例的用于生成MR图像的过程的流程图。
在510中，可基于MR信号来生成图像。图像生成模块410可生成图像数据集。MR信号可由多个接收线圈(例如，第一接收线圈301、第二接收线圈302等等)采集。在一些实施例中，MR信号可包括欠采样MR信号和完整MR信号。MR信号可被填充到k空间中。在一些实施例中，由相同接收线圈(例如，第一接收线圈301或第二接收线圈302)采集的MR信号可被填充到相同k空间(例如，第一k空间或第二k空间)中。仅作为示例，相同接收线圈的欠采样信号可被填充到k空间中以生成欠采样k空间数据集，并且完整MR信号可被填充到k空间中，k空间的至少一部分可构成校准数据集。在一些实施例中，合成滤波器可基于校准数据集来生成，并且可被应用于欠采样k空间数据集以生成完整k空间数据集。可基于完整k空间数据集来生成图像。
在一些实施例中，可利用不同种类的图像重建技术以基于完整k空间数据集来生成图像数据集。示例性图像重建技术可包括但不限于傅里叶重建、受约束图像重建、并行MRI中的正则化图像重建等等、或其变型、或其任何组合。
在520中，可对所生成的图像进行后处理。后处理模块420可执行后处理。在一些实施例中，后处理可包括：显示所生成的图像和/或对其进行操作。显示处理可包括但不限于分屏显示、对比显示、放大显示等等，或者其任何组合。对图像的操作可包括但不限于校正、切割、放大、窗口调节、旋转、批处理等等，或者其任何组合。在一些实施例中，可校正、减小或移除图像中的误差或伪像(例如，强度非均匀性)。在一些实施例中，可通过后处理来提取关于被检查对象的特定细节。在一些实施例中，关于被检查对象的特定细节可促成对诊断结果的解读。
应当注意，以上描述是出于解说目的而提供的，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，多种变型和修改可在本公开的启发下被付诸实践。然而，那些变型和修改并不脱离本公开的范围。例如，该过程可进一步在510与520之间包括用于存储所生成的图像的操作。
图6是根据本公开的一些实施例的图像生成模块410的框图。如图6中所解说的，图像生成模块410可包括数据采集单元610、合成滤波器生成器620、滤波单元630和图像生成单元640。
数据采集单元610可与MRI扫描器110、存储设备、控制器120、合成滤波器生成器621、和/或滤波单元630通信。仅作为示例，数据采集单元610可从MRI扫描器110采集MR信号。在一些实施例中，MR信号可由多个不同的接收线圈(例如，第一接收线圈301、第二接收线圈302等)采集。在一些实施例中，MR信号可包括欠采样信号和完整信号。仅作为示例，第一接收线圈301可接收多个欠采样信号(例如，如上面例示的信号A和信号B)和多个完整信号(例如，如上面例示的信号C和信号D)。
合成滤波器生成器620可生成合成滤波器。在一些实施例中，合成滤波器可提供与接收线圈相关的校准信息。仅作为示例，合成滤波器可包括卷积核。在一些实施例中，合成滤波器生成器620可与数据采集单元610、滤波单元630、和/或存储模块430通信。仅作为示例，合成滤波器生成器620可从数据采集单元610接收欠采样MR信号。在一些实施例中，合成滤波器生成器620可将欠采样MR信号填充到对应的k空间(例如，与已接收到欠采样MR信号的接收线圈相对应的k空间)中以生成欠采样k空间数据集。在一些实施例中，欠采样k空间数据集可包括局部完整的一部分，该部分不具有未知数据点。在一些实施例中，欠采样k空间数据集的局部完整部分可包括校准数据集。作为另一示例，合成滤波器生成器620可从数据采集单元610接收完整MR信号。合成滤波器生成器620可将完整MR信号填充到对应的k空间中。仅作为示例，第一接收线圈301可采集完整信号。合成滤波器生成器620可将完整信号填充到第一k空间的多条k空间线中。在某个实施例中，该多条k空间线中的全部或一部分可构成校准数据集。
校准数据集可包括多个数据点。在一些实施例中，校准数据集不包括未知数据点。在一些实施例中，合成滤波器生成器620可基于校准数据集来生成合成滤波器。在一些实施例中，合成滤波器生成器620可确定校准数据集中的一个或多个校准区域。仅作为示例，校准区域可包括第一校准区域和第二校准区域。校准区域可以是校准数据集的一部分。校准区域可包括具有多个数据点的矩阵。仅作为示例，如图10中所解说的，第一校准区域1010可以是具有多个数据点的矩阵。作为另一示例，第二校准区域1020可以是具有多个数据点的矩阵。作为另一示例，第三校准区域1030可以是具有多个数据点的矩阵。校准区域可具有n×m的大小，其中n或m可表示整数。在一些实施例中，校准区域的大小可与合成滤波器的大小相同。在一些实施例中，合成滤波器生成器620可基于校准区域(例如，第一校准区域)来生成合成滤波器。
在一些实施例中，校准区域(例如，第一校准区域)可包括该校准区域的中心处的数据点。仅作为示例，如图10中所解说的，第一校准区域1010可以是矩阵，C22可以是第一校准区域1010的中心处的数据点。作为另一示例，第二校准区域1020可以是矩阵，C23可以是第二校准区域1020的中心处的数据点。作为另一示例，第三校准区域1030可以是矩阵，C24可以是第三校准区域1030的中心处的数据点。合成滤波器生成器620可构建校准区域的中心处的数据点与校准区域中的各数据点之间的关系。仅作为示例，合成滤波器可以是基于校准区域的中心处的数据点和校准区域中的各数据点来生成的卷积核。在一些实施例中，可按笛卡尔采样图案或非笛卡尔采样图案来安排合成滤波器。在一些实施例中，合成滤波器生成器620可基于一关系来生成合成滤波器。在一些实施例中，合成滤波器可基于多个校准区域(例如，第一校准区域和第二校准区域)来生成合成滤波器。仅作为示例，合成滤波器可分别基于第一校准区域和第二校准区域来生成第一关系和第二关系，并基于该第一关系和第二关系来生成合成滤波器。在一些实施例中，合成滤波器可将所生成的合成滤波器发送给滤波单元630。
滤波单元630可利用合成滤波器。滤波单元630可与MRI扫描器110、存储模块430、数据采集单元610、和/或合成滤波器生成器620通信。仅作为示例，滤波单元630可从合成滤波器生成器620接收合成滤波器和欠采样k空间数据集。作为另一示例，滤波单元630可从数据采集单元610和/或MRI扫描器110接收欠采样MR信号。在一些实施例中，滤波单元630可将合成滤波器应用于欠采样k空间数据集。在一些实施例中，滤波单元630可将欠采样MR信号填充到k空间中以生成欠采样k空间数据集，并基于合成滤波器来生成经填充的欠采样k空间数据集。
在一些实施例中，滤波单元630可确定多个滤波区域。滤波区域可以是欠采样k空间数据集的一部分。在一些实施例中，滤波区域可包括至少一个未知数据点。在一些实施例中，滤波区域的大小可与合成滤波器的大小相同。在一些实施例中，滤波区域可具有n×m的大小，其中n或m可表示整数。
在一些实施例中，滤波单元630可将合成滤波器应用于滤波区域，以生成具有至少一个未知数据点的方程。仅作为示例，滤波区域可包括该滤波区域的中心处的数据点。滤波单元630可构建滤波区域的中心处的数据点与滤波区域中的各数据点之间的关系。该关系可以是方程的形式。滤波区域的中心处的数据点和滤波区域中的各数据点可包括至少一个未知数据点。仅作为示例，滤波区域的中心处的数据点可以是未知的。作为另一示例，除了中心处的数据点之外的数据点可以是未知的。
在一些实施例中，滤波单元630可将合成滤波器应用于多个滤波区域，以生成关于多个未知数据点的多个方程。在一些实施例中，可同时求解关于该多个未知数据点的该多个方程。在一些实施例中，可通过迭代来求解该多个方程，直至满足终止条件。仅作为示例，终止条件可与迭代数目相关。当已经执行了特定数目的迭代时，可满足终止条件。作为另一示例，当结果收敛(例如，两个连续迭代的结果之差降至低于阈值)时，可满足终止条件。在一些实施例中，可由用户(例如，医生、护士、成像专家等)、或由MRI系统100来提供终止条件。仅作为示例，可由用户设置要执行的迭代数目。作为另一示例，可由用户提供阈值。作为进一步示例，可基于MRI系统100的默认设置来设置终止条件。仅作为示例，该多个滤波区域可包括第一滤波区域、和/或第二滤波区域。第一滤波区域可包括第一未知数据点和第二未知数据点。第二滤波区域可包括第三未知数据点和第四数据点。滤波单元630可将合成滤波器应用于第一滤波区域和第二滤波区域以分别生成第一方程和第二方程。滤波单元630可顺序地或同时地将合成滤波器应用于第一滤波区域和第二滤波区域。第一方程可以关于第一未知数据点和第二未知数据点，并且第二方程可以关于第三未知数据点和第四未知数据点。在一些实施例中，第三未知数据点和第四未知数据点中的至少一者可与第一未知数据点和第二未知数据点中的至少一者相同，从而得到第一方程和第二方程的耦合。因此，滤波单元630可同时求解第一方程和第二方程。在一些实施例中，可进一步利用与被耦合的第一方程和第二方程关联的多个耦合方程来确定第一未知数据点和第二未知数据点、第三未知数据点和第四未知数据点。仅作为示例，如图9-A到图9-D中所解说的，910可表示校准数据集，920和930可表示欠采样k空间数据集中的第一滤波区域和第二滤波区域。校准数据集910可被完全采集，其包括多个数据点911。第一滤波区域920和第二滤波区域可被部分填充。第一滤波区域可包括五个已知数据点：921、922、923、924和925，四个未知数据点：926、927、928和929。第二滤波区域可包括四个已知数据点：922、924、925和933，五个未知数据点：926、928、929、931和932。
合成滤波器可被应用于第一滤波区域以生成涉及未知数据点926、927、928和929的第一方程。合成滤波器可被应用于第二滤波区域以生成涉及未知数据点926、928、929、931和932的第二方程。
第一方程和第二方程可包括相同的未知数据点926、928和929。在一些实施例中，第一方程和第二方程可被耦合。在一些实施例中，可确定第三滤波区域和第四滤波区域，并且可相应地构建第三方程和第四方程。基于该多个滤波区域来确定的该多个方程可被组合，并且被同时求解以确定校准区域中的所有未知数据点。
在一些实施例中，滤波单元630可通过确定欠采样k空间数据集中的未知数据点来生成经填充的欠采样k空间数据集。在一些实施例中，经填充的欠采样k空间数据集和校准数据集可构成完整k空间数据集。
图像生成单元640可基于完整k空间数据集来生成图像数据集。在一些实施例中，图像生成单元640可与滤波单元630、MRI扫描器110、存储模块430、和/或数据采集单元610通信。仅作为示例，图像生成单元640可从滤波单元630采集完整k空间数据集，并基于该完整k空间数据集来生成图像数据集。图像生成单元640可采用不同种类的图像重建技术以用于图像重建规程。示例性图像重建技术可包括但不限于傅里叶重建、受约束图像重建、并行MRI中的正则化图像重建等等、或其变型、或其任何组合。
应当注意，对图像生成模块410的以上描述仅仅是出于解说目的而提供的，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作出多种变型和修改。例如，可根据具体实现场景来改变或更改图像生成模块410的组装和/或功能。仅作为示例，图像采集单元610可被配置成将MR信号填充到k空间中以生成k空间数据集。
图7是根据本公开的一些实施例的用于生成MR图像的过程的流程图。
在702中，可采集表示欠采样k空间数据集的欠采样MR信号。在一些实施例中，MR信号可由数据采集单元610采集。在一些实施例中，欠采样信号可由接收线圈(例如，第一接收线圈301)采集，并被填充到k空间(例如，对应于第一接收线圈301的第一k空间)的k空间线中。在一些实施例中，填充有欠采样信号的k空间线可包括欠采样k空间数据集。在一些实施例中，多个欠采样MR信号可由第一接收线圈301采集，并被填充到第一k空间的多条k空间线中。在一些实施例中，MR信号可根据笛卡尔图案或非笛卡尔图案被填充到第一k空间的该多条k空间线中。示例性非笛卡尔图案可包括但不限于径向图案、螺旋图案等。在一些实施例中，非笛卡尔图案可被网格化为笛卡尔坐标系。填充有欠采样MR信号的该多条k空间线可包括欠采样k空间数据集。在一些实施例中，欠采样k空间数据集可包括局部完整的一部分，该部分不具有未知数据点。
在704中，可获得校准数据集。在一些实施例中，校准数据集可包括多个数据点。在一些实施例中，该多个数据点可被完全采集。换言之，校准数据集不包括未知数据点。校准数据集可由数据采集单元610采集。在一些实施例中，可基于完整MR信号来生成校准数据集。完整信号可由接收线圈(例如，第一接收线圈301)接收。在一些实施例中，可通过将一个或多个完整MR信号填充到第一k空间的多条k空间线中来生成校准数据集。在某个实施例中，该多条k空间线中的全部或一部分可构成校准数据集。在一些实施例中，可从在702中获得的欠采样k空间数据集中提取校准数据集。例如，可从欠采样k空间数据集的一部分中提取校准数据集，该部分局部完整并且不具有未知数据点。
在706中，可基于校准数据集来生成合成滤波器。可由合成滤波器生成器620来生成合成滤波器。在一些实施例中，合成滤波器可以是数据集的形式。仅作为示例，合成滤波器可以是卷积核。在一些实施例中，可按笛卡尔采样图案或非笛卡尔采样图案来安排合成滤波器。在一些实施例中，校准数据集可包括一个或多个校准区域。校准区域可以是校准数据集的一部分。校准区域可包括包含多个数据点的矩阵。校准区域可具有n×m的大小，其中n或m可表示整数。在一些实施例中，校准区域的大小可与合成滤波器的大小相同。在一些实施例中，可基于一个或多个校准区域来生成合成滤波器。在一些实施例中，校准区域可包括校准区域的中心处的数据点。可构建校准区域的中心处的数据点与校准区域中的各数据点之间的关系，可基于该关系来生成合成滤波器。在一些实施例中，合成滤波器可基于多个校准区域(例如，第一校准区域和第二校准区域)来生成合成滤波器。仅作为示例，合成滤波器可分别基于第一校准区域和第二校准区域来构建第一关系和第二关系，并基于该第一关系和第二关系来生成合成滤波器。在一些实施例中，可顺序地生成第一关系和第二关系。在一些实施例中，合成滤波器可具有与校准区域相同的大小。
在708中，可将合成滤波器应用于欠采样k空间数据集以形成完整k空间数据集。滤波单元630可将合成滤波器应用于欠采样k空间数据集。在一些实施例中，欠采样k空间数据集可包括多个滤波区域，合成可被应用于该该多个滤波区域。在一些实施例中，滤波区域可具有与合成滤波器相同的大小。在一些实施例中，滤波区域可包括至少一个未知数据点。合成滤波器可顺序地或同时地应用于该多个滤波区域。仅作为示例，欠采样k空间数据集可包括第一滤波区域和第二滤波区域。第一滤波区域可包括第一未知数据点和第二未知数据点。第二滤波区域可包括第三未知数据点和第四未知数据点。合成滤波器可应用于第一滤波区域和第二滤波区域以分别生成第一方程和第二方程。第一方程可以关于第一未知数据点和第二未知数据点，并且第二方程可以关于第三未知数据点和第四未知数据点。在一些实施例中，第三未知数据点和第四未知数据点中的至少一者可与第一未知数据点和第二未知数据点中的至少一者相同，从而得到第一方程和第二方程的耦合。因此，可同时求解第一方程和第二方程。在一些实施例中，可进一步利用与被耦合的第一方程和第二方程关联的多个耦合方程，可同时求解所有这些方程，以确定第一未知数据点和第二未知数据点(或第三未知数据点和第四未知数据点)。在一些实施例中，可通过确定欠采样k空间数据集中的未知数据点来生成经填充的欠采样k空间数据集。在一些实施例中，经填充的欠采样k空间数据集和校准数据集可构成完整k空间数据集。
在710中，可基于完整k空间数据集来生成图像数据集。图像数据集可以是MR图像数据集。在一些实施例中，图像生成单元640可基于完整k空间数据集来生成图像数据集。在一些实施例中，可采用不同种类的图像重建技术以用于图像重建规程。示例性图像重建技术可包括傅里叶重建、受约束图像重建、并行MRI中的正则化图像重建等等、或其变型、或其任何组合。
应当注意，以上描述是出于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，多种变型和修改可在本公开的启发下被付诸实践。然而，那些变型和修改并不脱离本公开的范围。例如，该过程可进一步在706与708之间包括用于存储合成滤波器的操作。
图8是根据本公开的一些实施例的用于生成合成滤波器的过程的流程图。
在802中，可确定校准数据集中的校准区域，该校准区域包括具有多个数据点的矩阵。该多个数据点可包括校准区域的中心处的第一数据点。在一些实施例中，合成滤波器生成器620可确定校准数据集中的校准区域。校准区域可以是校准数据集的一部分。校准区域可包括具有多个数据点的矩阵。可在图10及其描述中解说示例性校准区域。如图10中所解说的，校准数据集1000可包括第一校准区域1010、第二校准区域1020和第三校准区域1030。在一些实施例中，校准区域可具有n×m的大小，其中n或m可表示整数。在一些实施例中，校准区域的大小可与合成滤波器的大小相同。在一些实施例中，可在校准数据集中确定多个校准区域。例如，参见图9-A和图9-B及其描述。仅作为示例，校准数据集可包括第一校准区域和第二校准区域。第二校准区域可具有与第一校准区域相同的大小。在一些实施例中，第二校准区域和第一校准区域可在相同的k空间线中。在一些实施例中，第一校准区域和第二校准区域可彼此部分地交叠。多个数据点可包括校准区域的中心处的第一数据点。仅作为示例，如图10中所解说的，C22、C23和C24可分别为第一校准区域1010、第二校准区域1020和第三校准区域1030的中心处的数据点。
在804中，可构建在校准区域的中心处的第一数据点与校准区域中包括该第一数据点的多个数据点之间的关系。在一些实施例中，校准数据集可包括多个校准区域(例如，第一校准区域、第二校准区域等)。可基于该多个校准区域来构建多个关系。在一些实施例中，可基于校准区域的中心点与相同校准区域中的多个数据点来构建关系。例如，可构建第一校准区域的中心点与第一校准区域中的多个数据点之间的第一关系，其中第一校准区域中的该多个数据点可包括第一校准区域的中心处的中心点。例如，可构建第二校准区域的中心处的中心点与第二校准区域中的多个数据点之间的第二关系，其中第二校准区域中的该多个数据点可包括第二校准区域的中心处的中心点。在一些实施例中，可基于第一关系和第二关系来生成合成滤波器。在一些实施例中，关系可由以下方程生成：
x＝Hz。 (1)
方程(1)解说了基于校准区域的中心处的数据点和该校准区域中的多个数据点(包括在该校准区域的中心处的数据点)来生成的关系。在方程(1)中，x表示校准区域的中心处的数据点，z表示[x，y]的转置，其中y表示校准区域中除x之外的数据点，并且H是卷积核。在一些实施例中，H可以是合成滤波器。在一些实施例中，H可以是矩阵。在一些实施例中，H的大小可与校准区域的大小相同。
在一些实施例中，H可由以下方程生成：
H＝[c1G，c2]， (2)
其中，G可被确定为：
x＝Gy。 (3)
在方程(3)中，G是卷积核。在一些实施例中，G可以是基于校准数据集来生成的卷积核。仅作为示例，可基于校准数据集来生成多个耦合方程。可使用例如最小二乘技术来求解多个耦合方程，诸如：
G＝Y-1X。 (4)
其中，X和Y是表示多个数据点x和y的数据矩阵；Y-1表示数据矩阵Y的伪逆。
在一些实施例中，G可以是矩阵。方程(4)的一个或多个残差的均方根可被标示为r1。k空间噪声的均方根可被标示为r2。c1可以是与r1和r2相关的系数。c2可以是与r1和r2相关的系数。在一些实施例中，可基于r1和r2来生成c1。在一些实施例中，c1可由以下方程生成：
c1＝r2/(r1+r2)。 (5)
在一些实施例中，c2可由以下方程生成：
c2＝r1/(r1+r2)。 (6)
在一些实施例中，假定已知c1和c2中的一者，则可基于方程(7)中所解说的关系来生成c1和c2中的另一者。
c1+c2＝1。 (7)
在806中，可基于一个或多个关系来生成合成滤波器。仅作为示例，合成滤波器可以是基于在804中构建的该一个或多个关系来生成的卷积核。如804中所解说的，合成滤波器可以是卷积核H。
应当注意，以上描述是出于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，多种变型和修改可在本公开的启发下被付诸实践。然而，那些变型和修改并不脱离本公开的范围。
图9-A是包括部分910的欠采样k空间数据集的示意图解，该部分910具有无未知数据点的局部完整数据集。图9-B是校准数据集的示意图解。图9-C是第一滤波区域的示意图解。图9-D是第二滤波区域的示意图解。
图10是合成滤波器的生成的示意图解。校准数据集1000可包括第一校准区域1010、第二校准区域1020和第三校准区域1030。数据集1040可表示卷积核。第一校准区域1010、第二校准区域1020和第三校准区域1030中的数据点可以是已知的。如所解说的，第一校准区域1010可以是包括多个数据点的矩阵。第二校准区域1020可以是包括多个数据点的矩阵。第三校准区域1030可以是包括多个数据点的矩阵。C22、C23和C24可以分别为第一校准区域1010、第二校准区域1020和第三校准区域1030的中心处的点。可基于C22和第一校准区域1010中的其它数据点来生成第一关系。可基于C23和第二校准区域1020中的其它数据点来生成第二关系。可基于C24和第三校准区域1030中的其它数据点来生成第三关系。第一关系可被解说为如下：
g1c11+g2c12+g3c13+g4c21+g5c22+g6c23+g7c31+g8c32+g9c33＝C22。 (8)
第二关系可被解说为如下：
g1c12+g2c13+g3c14+g4c22+g5c23+g6c24+g7c32+g8c33+g9c34＝C23。 (9)
第三关系可被解说为如下：
g1c13+g2c14+g3c15+g4c23+g5c24+g6c25+g7c33+g8c34+g9c35＝C24。 (10)
在一些实施例中，可求解方程(8)、方程(9)和方程(10)来确定卷积核中的各系数。在一些实施例中，方程数目可大于卷积核中的系数数目。可使用例如最小二乘技术来求解方程。
应当注意，以上描述仅是出于解说的目的而提供的，而并非旨在限定本公开的范围。本公开中的图像产生规程可在减小、移除或消除其他类型的运动伪像(包括例如血管搏动、心脏运动、以及被扫描对象的随机运动等等、或其任何组合)方面见效。本公开中的图像产生规程可被应用于全身MR成像，并且所产生的图像可具有更清楚的结构细节。
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，并且落入本公开的示例性实施例的精神和范围之内。
此外，已使用特定术语来描述本公开的各实施例。例如，术语“一个实施例”、“一实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征、结构或特性被包括在本公开的至少一个实施例中。因此，强调并应领会，在本说明书的各个部分中对“一实施例”或“一个实施例”或“替换实施例”的两个或更多个引述未必全都指向同一实施例。此外，特定的特征、结构或特性在本公开的一个或多个实施例中可被适当地组合。
此外，本领域技术人员将领会，本公开的各方面在本文中可以在数个可专利类别或上下文中的任何一者中进行说明和描述，包括任何新的和有用的过程、机器、制造、或物质的组成，或其任何新的和有用的改进。此外，本公开的各方面可采取实施在一个或多个计算机可读介质中的计算机程序产品的形式，该一个或多个计算机可读介质上实施有计算机可读程序代码。
计算机可读信号介质可包括被传播的数据信号，其具有被实施在其中(例如，在基带中或作为载波的一部分)的计算机可读程序代码。此类被传播的信号可采取各种形式中的任何形式，包括电磁、光学等等、或其任何合适组合。计算机可读信号介质可以是并非计算机可读存储介质的、并且可以传达、传播、或传输程序以供指令执行系统、装置或设备执行或结合其来执行的任何计算机可读介质。实施在计算机可读信号介质上的程序代码可使用任何恰适的介质来传送，包括无线、有线、光纤电缆、RF等等、或前述的任何合适的组合来传送。
用于执行本公开的各方面的操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写，包括面向对象编程语言，诸如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等等，常规的过程式编程语言，诸如“C”编程语言、VisualBasic、Fortran2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言，诸如Python、Ruby和Groovy，或其他编程语言。程序代码可完全地在用户的计算机上、部分地在用户的计算机上、作为独立软件包、部分地在用户的计算机上且部分地在远程计算机上、或完全地在远程计算机或服务器上执行。在后一场景中，可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))将远程计算机连接到用户的计算机，或可作出至外部计算机的连接(例如，使用因特网服务提供商通过因特网)或在云计算环境中或被提供作为服务(诸如软件即服务(SaaS))。
此外，处理元素或序列、或使用数字、字母或其他标号的所叙述次序因此并非旨在将所要求保护的过程和方法限定于任何次序，除非可能在权利要求书中指明。尽管以上公开贯穿各种示例讨论了当前被认为是本公开的各种有用实施例的内容，但是应理解，此类细节仅仅是为了该目的，并且所附权利要求书并不被限定于所公开的实施例，而是反之旨在覆盖落在所公开的实施例的精神和范围内的修改和等效布置。例如，尽管以上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解决方案——例如，安装在现有服务器或移动设备上。
类似地，应当领会，在对本公开的实施例的以上描述中，出于精简本公开以帮助理解各创造性实施例中的一者或多者的目的，各个特征有时被一起编组在单个实施例、附图、或其描述中。然而，这种公开的方法不应被解释为反映所要求保护的主题需要比在每项权利要求中所明确记载的更多特征的意图。相反，创造性的实施例存在于比单个前述公开的实施例的全部特征更少的特征。
在一些实施例中，表达用于描述并要求保护本申请的某些实施例的数量或属性的数字应当被理解为在一些实例中由术语“大约”、“近似”或“基本上”来修饰。例如，“大约”、“近似”或“基本上”可指示所描述的值的±20％的变化，除非另外声明。因此，在一些实施例中，在书面描述和所附权利要求书中所阐述的数值参数是可取决于力图通过特定实施例而获得的期望属性而改变的近似值。在一些实施例中，应当根据所报告的有效数字的数目并且应用普通的舍入技术来解释这些数值参数。尽管阐述本申请的一些实施例的广泛范围的数值范围和参数是近似值，但是在特定示例中阐述的数值是以实践上尽可能精确的方式被报告的。
本文引用的每个专利、专利申请、专利申请公开以及其它材料(诸如文章、书籍、说明书、出版物、文献、物品等)在此出于所有目的引用整体并入本文，与上述材料相关联的任何起诉文件历史记录、上述材料中与本文件不一致或相冲突的材料、或上述材料中可能对现在或之后与本文件相关联的权利要求最大保护范围有限定影响的材料除外。作为示例，假如与任何所纳入的材料相关联的术语的描述、定义和/或使用和与本文件相关联的术语的描述、定义和/或使用之间存在任何不一致或冲突，则以本文件中的术语的描述、定义和/或使用为准。
最后，应该理解，本文公开的应用的实施例是对本申请的实施例的原理的解说。可以采用的其他修改可以落入本申请的范围内。由此，作为示例而非限制，根据本文的教导可以利用本申请的实施例的替换配置。因此，本申请的实施例并不限于如精确地所示和所描述的那样。

Claims (25)

1.一种用于图像重建的方法，在至少一个机器上实现，所述至少一个机器中的每一者具有至少一个处理器和存储，所述方法包括：
由接收线圈采集多个MR信号；
采集与所述多个MR信号相关的校准数据集；
确定所述校准数据集中的第一校准区域，所述第一校准区域包括具有第一多个数据点的矩阵，所述第一多个数据点包括所述第一校准区域的中心处的第一数据点；
构建所述第一数据点与所述第一校准区域中包括所述第一数据点的所述第一多个数据点之间的第一关系；以及
基于所述第一关系来生成合成滤波器；以及
将所述合成滤波器以电子形式作为数据文件存储在所述存储中，
其中，所述合成滤波器被适配用于：基于由所述接收线圈采集的信号来确定欠采样k空间数据集中的未知数据点；
其中，所述基于所述第一关系来生成合成滤波器包括：
基于H＝[c1G，c2]生成合成滤波器；
其中，H为合成滤波器，G是由方程x＝Gy确定的卷积核，c1、c2基于r1和r2生成，r1是所述方程的一个或多个残差的均方根，r1是k空间噪声的均方根。
2.如权利要求1所述的方法，其特征在于，进一步包括：
基于所述第一校准区域来确定所述校准数据集中的第二校准区域，所述第二校准区域包括具有第二多个数据点的矩阵，所述第二多个数据点包括所述第二校准区域的中心处的第二数据点；
构建所述第二数据点与所述第二校准区域中包括所述第二数据点的所述第二多个数据点之间的第二关系；以及
进一步基于所述第二关系来生成所述合成滤波器。
3.如权利要求2所述的方法，其特征在于，所述第二校准区域和所述第一校准区域彼此部分地交叠。
4.如权利要求2所述的方法，其特征在于，所述第二数据点和所述第一数据点被填充在k空间线中。
5.如权利要求2所述的方法，其特征在于，所述第二校准区域和所述第一校准区域具有相同的大小。
6.如权利要求1所述的方法，其特征在于，所述合成滤波器是卷积核。
7.如权利要求6所述的方法，其特征在于，所述卷积核具有与所述第一校准区域相同的大小。
8.如权利要求1所述的方法，其特征在于，所述校准数据集不具有未知数据点。
9.如权利要求1所述的方法，其特征在于，进一步包括：根据笛卡尔采样图案来安排所述合成滤波器。
10.如权利要求1所述的方法，其特征在于，进一步包括：根据非笛卡尔采样图案来安排所述合成滤波器。
11.如权利要求10所述的方法，其特征在于，进一步包括：将所述非笛卡尔采样图案网格化为笛卡尔采样图案。
12.如权利要求1所述的方法，其特征在于，由所述接收线圈采集的信号表示所述欠采样k空间数据集。
13.如权利要求1所述的方法，其特征在于，进一步包括：将所述合成滤波器应用于所述欠采样k空间数据集以形成完整k空间数据集，其中所述欠采样k空间数据集中的所述未知数据点被确定。
14.如权利要求13所述的方法，其特征在于，进一步包括：基于所述完整k空间数据集来生成图像数据集。
15.一种用于图像重建的系统，包括：
存储，其被配置成存储指令；以及
至少一个处理器，其被配置成执行所述指令，其中，当执行所述指令时，所述至少一个处理器使所述系统执行操作，所述操作包括：
确定与接收线圈相关的校准数据集中的第一校准区域，所述第一校准数据区域具有含有第一多个数据点的矩阵，所述第一多个数据点包括所述第一校准区域的中心处的第一数据点；
构建所述第一数据点与所述第一校准区域中包括所述第一数据点的所述第一多个数据点之间的第一关系；以及
基于所述第一关系来生成合成滤波器；以及
将所述合成滤波器以电子形式作为数据文件存储在所述存储中，
其中，所述合成滤波器被适配用于：基于由所述接收线圈采集的信号来确定欠采样k空间数据集中的未知数据点；
其中，所述基于所述第一关系来生成合成滤波器包括：
基于H＝[c1G，c2]生成合成滤波器；
其中，H为合成滤波器，G是由方程x＝Gy确定的卷积核，c1、c2基于r1和r2生成，r1是所述方程的一个或多个残差的均方根，r1是k空间噪声的均方根。
16.如权利要求15所述的系统，其特征在于，所述校准数据集包括MRI数据。
17.如权利要求15所述的系统，其特征在于，所述操作进一步包括：
基于所述第一校准区域来确定所述校准数据集中的第二校准区域，所述第二校准区域包括具有第二多个数据点的矩阵，所述第二多个数据点包括所述第二校准区域的中心处的第二数据点；
构建所述第二数据点与所述第二校准区域中包括所述第二数据点的所述第二多个数据点之间的第二关系；以及
进一步基于所述第二关系来生成所述合成滤波器。
18.如权利要求17所述的系统，其特征在于，所述第二校准区域和所述第一校准区域彼此部分地交叠。
19.如权利要求18所述的系统，其特征在于，所述第二数据点和所述第一数据点被填充在k空间线中。
20.如权利要求19所述的系统，其特征在于，所述第二校准区域和所述第一校准区域具有相同的大小。
21.如权利要求15所述的系统，其特征在于，所述合成滤波器是卷积核。
22.如权利要求21所述的系统，其特征在于，所述卷积核具有与所述第一校准区域相同的大小。
23.一种用于图像重建的方法，在至少一个机器上实现，所述至少一个机器中的每一者具有至少一个处理器和存储，所述方法包括：
由接收线圈采集表示欠采样数据集的第一多个MR信号；
由所述接收线圈采集表示校准数据集的第二多个MR信号，所述校准数据集包括多个数据点；
构建所述校准数据集的第一校准区域的中心处的第一数据点与所述第一校准区域中的第一多个数据点之间的第一关系，其中，所述第一校准区域中的所述第一多个数据点包括所述第一校准区域的中心处的所述第一数据点；
基于所述第一关系来生成合成滤波器；
将所述合成滤波器应用于所述欠采样数据集以生成完整数据集；以及
基于所述完整数据集来生成图像；
其中，所述基于所述第一关系来生成合成滤波器包括：
基于H＝[c1G，c2]生成合成滤波器；
其中，H为合成滤波器，G是由方程x＝Gy确定的卷积核，c1、c2基于r1和r2生成，r1是所述方程的一个或多个残差的均方根，r1是k空间噪声的均方根。
24.如权利要求23所述的方法，其特征在于，构建所述校准数据集的第一校准区域的中心处的第一数据点与所述第一校准区域中的数据点之间的第一关系包括：
确定所述校准数据集中的所述第一校准区域，所述第一校准区域包括具有所述第一多个数据点的矩阵。
25.如权利要求23所述的方法，其特征在于，进一步包括：
基于所述第一校准区域来确定所述校准数据集中的第二校准区域，所述第二校准区域包括具有第二多个数据点的矩阵，所述第二多个数据点包括所述第二校准区域的中心处的第二数据点；
构建所述第二数据点与所述第二校准区域中包括所述第二数据点的所述第二多个数据点之间的第二关系；以及
进一步基于所述第二关系来生成所述合成滤波器。
CN201780084492.9A 2017-01-25 2017-01-25 用于图像重建的系统和方法 Active CN110325871B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/072658 WO2018137190A1 (en) 2017-01-25 2017-01-25 System and method for image reconstruction

Publications (2)

Publication Number Publication Date
CN110325871A CN110325871A (zh) 2019-10-11
CN110325871B true CN110325871B (zh) 2021-10-01

Family

ID=62906273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780084492.9A Active CN110325871B (zh) 2017-01-25 2017-01-25 用于图像重建的系统和方法

Country Status (3)

Country Link
US (1) US11022667B2 (zh)
CN (1) CN110325871B (zh)
WO (1) WO2018137190A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10672151B1 (en) * 2019-01-07 2020-06-02 Uih America, Inc. Systems and methods for magnetic resonance image reconstruction
CN112489192B (zh) * 2020-09-11 2022-12-16 清华大学 用于温度成像的数据处理方法、装置以及设备
CN112150600B (zh) * 2020-09-24 2023-03-17 上海联影医疗科技股份有限公司 一种容积重建图像生成方法、装置、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043137A (zh) * 2009-10-21 2011-05-04 凯斯西储大学 全程放射grappa校准
CN103027681A (zh) * 2011-10-06 2013-04-10 西门子公司 用于重构并行获取的mri图像的系统
CN103229506A (zh) * 2010-12-07 2013-07-31 索尼公司 图像处理设备和图像处理方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6841998B1 (en) 2001-04-06 2005-01-11 Mark Griswold Magnetic resonance imaging method and apparatus employing partial parallel acquisition, wherein each coil produces a complete k-space datasheet
US7768264B1 (en) * 2007-05-04 2010-08-03 General Electric Company Method and apparatus for MR image reconstruction using correlation values
US8116541B2 (en) * 2007-05-07 2012-02-14 General Electric Company Method and apparatus for multi-coil magnetic resonance imaging
US8379951B2 (en) * 2008-02-01 2013-02-19 The Board Of Trustees Of The Leland Stanford Junior University Auto calibration parallel imaging reconstruction method from arbitrary k-space sampling
KR101310825B1 (ko) * 2012-05-10 2013-10-14 고려대학교 산학협력단 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치
CN104166110B (zh) * 2013-05-17 2017-12-26 深圳联影医疗科技有限公司 磁共振并行采集图像重建方法及设备
KR101525014B1 (ko) * 2013-10-18 2015-06-02 삼성전자주식회사 자기 공명 영상 장치 및 그에 따른 자기 공명 영상의 이미징 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043137A (zh) * 2009-10-21 2011-05-04 凯斯西储大学 全程放射grappa校准
CN103229506A (zh) * 2010-12-07 2013-07-31 索尼公司 图像处理设备和图像处理方法
CN103027681A (zh) * 2011-10-06 2013-04-10 西门子公司 用于重构并行获取的mri图像的系统

Also Published As

Publication number Publication date
CN110325871A (zh) 2019-10-11
WO2018137190A1 (en) 2018-08-02
US20180210057A1 (en) 2018-07-26
US11022667B2 (en) 2021-06-01

Similar Documents

Publication Publication Date Title
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
JP6513398B2 (ja) 事前情報に制約される正則化を使用するｍｒ画像再構成
CN107607895B (zh) 磁共振成像方法和系统
CN103384836B (zh) 用于磁共振成像的方法和设备
CN110573896B (zh) 用于磁共振成像加速的系统和方法
US11204408B2 (en) System and method for magnetic resonance imaging
US20210166446A1 (en) Systems and methods for image reconstruction
CN110325871B (zh) 用于图像重建的系统和方法
CN111685766A (zh) 成像系统和方法
CN111856363B (zh) 同步多层磁共振成像的系统、方法
WO2021103481A1 (en) Systems and methods for medical imaging
CN113066141A (zh) Mr图像数据的重建
US10928475B2 (en) Dynamic contrast enhanced magnetic resonance imaging with flow encoding
US10324154B2 (en) Generalized spherical deconvolution in diffusion magnetic resonance imaging
CN113296038B (zh) 基于k空间径向采样的磁共振成像系统与方法
CN115113114A (zh) 用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像的系统和方法
US10782375B2 (en) Multi-contrast images from a magnetic resonance imaging scan
US20230306656A1 (en) Systems and methods for mri data processing
US11703559B2 (en) Magnetic resonance imaging method and magnetic resonance imaging system
US11935211B2 (en) Systems and methods for image processing
CN117368817A (zh) 图像重建方法、磁共振成像方法和计算机设备
Haskell Retrospective Motion Correction for Magnetic Resonance Imaging
JP2023133213A (ja) 磁気共鳴イメージング方法、磁気共鳴イメージング装置及びプログラム
Lee et al. Sparse sampling MR image reconstruction using bregman iteration: A feasibility study at low tesla MRI system

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