CN110573896A - 用于磁共振成像加速的系统和方法 - Google Patents

用于磁共振成像加速的系统和方法 Download PDF

Info

Publication number
CN110573896A
CN110573896A CN201780090237.5A CN201780090237A CN110573896A CN 110573896 A CN110573896 A CN 110573896A CN 201780090237 A CN201780090237 A CN 201780090237A CN 110573896 A CN110573896 A CN 110573896A
Authority
CN
China
Prior art keywords
imaging data
region
mri
imaging
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.)
Granted
Application number
CN201780090237.5A
Other languages
English (en)
Other versions
CN110573896B (zh
Inventor
李国斌
宗金光
李兆鹏
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 CN110573896A publication Critical patent/CN110573896A/zh
Application granted granted Critical
Publication of CN110573896B publication Critical patent/CN110573896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • 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
    • 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
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

用于磁共振成像加速的系统和方法。该系统可以执行用于以下的方法：根据欠采样模式来获得由MRI系统捕获到的受试者或其一部分的成像数据；执行第一迭代过程；确定第一迭代数量满足第一阈值；响应于第一迭代数量满足第一阈值的确定而执行第二迭代过程；确定第一迭代数量与第二迭代数量之和满足第二阈值；并且根据处理后的成像数据生成受试者或其一部分的重建图像，其中第一阈值低于第二阈值。

Description

用于磁共振成像加速的系统和方法
技术领域
本公开总体上涉及磁共振成像(MRI)，并且更具体地涉及用于磁共振成像加速的方法和系统。
背景技术
磁共振成像(MRI)是在放射学中用于获取处于健康或疾病的受试者的解剖学和/或生理过程的图像的医学成像技术。为了加快MRI的速度，可以经常实施k空间欠采样模式，其中数据的采样频率低于奈奎斯特(Nyquist)采样定理。各种k空间欠采样模式可能降低根据如此获取的k空间数据重建的图像的质量，这继而可能干扰基于这种图像的诊断。期望提供用改进的成像质量来加快磁共振成像的速度的系统和方法。
发明内容
本公开的第一方面涉及一种系统，包括：包括一组指令的至少一个非暂时性计算机可读存储介质；和与至少一个非暂时性计算机可读存储介质通信的至少一个处理器。当执行指令时，系统可以被指示为：将k空间的平面划分为第一区域和第二区域；为第一区域分配全采样模式；为第二区域的至少一部分分配不规则的欠采样模式；并根据k空间的平面确定磁共振成像(MRI)扫描计划。在一些实施例中，k空间可以是三维MRI图像的傅立叶空间，并且k空间的平面可以基于脉冲序列的至少一个相位编码方向。
本公开的第二方面涉及在具有至少一个处理器、至少一个计算机可读存储介质以及连接到磁共振成像(MRI)系统的通信端口的计算设备上实施的一种方法。该方法可以包括：将k空间的平面划分为第一区域和第二区域；为第一区域分配全采样模式；为第二区域的至少一部分分配不规则的欠采样模式；以及根据k空间的平面确定MRI扫描计划。在一些实施例中，k空间可以是三维MRI图像的傅立叶空间，并且k空间的平面可以基于脉冲序列的至少一个相位编码方向。
在一些实施例中，第一区域可以位于k空间的平面的中心区部，并且第二区域可以位于k空间的平面的周围区部。
在一些实施例中，不规则的欠采样模式可以是随机欠采样模式或约束欠采样模式中的至少一种。
在一些实施例中，该方法还可以包括：将第二区域划分为第三区域和第四区域；和为第三区域的至少一部分分配不规则的欠采样模式。
在一些实施例中，该方法还可以包括为第四区域的至少一部分分配规则的欠采样模式。在一些实施例中，第四区域的采样率可以是1/R，并且R可以是大于1的正整数。
在一些实施例中，该方法还可以包括将第二区域划分为第五区域、第六区域、第七区域和第八区域。
在一些实施例中，第一区域可以位于k空间的平面的中心区部，第一区域可以由至少四个侧面(包括在第一方向上的两个侧面和在与第一方向不同的第二方向上的两个侧面边)限定，第五区域可以沿着第一区域在第一方向上的两个侧面定位，第六区域可以沿着第一区域在第二方向上的两个侧面定位，第六区域可以在第一方向上由至少两个侧面限定，第七区域可以在第一方向上沿着第六区域的两个侧面定位。在一些实施例中，第一区域可以具有比第五区域更大的采样密度，并且第六区域可以具有比第七区域更大的采样密度。
本公开的第三方面涉及一种系统，包括：包括指令集的至少一个非暂时性计算机可读存储介质；和与至少一个非暂时性计算机可读存储介质通信的至少一个处理器。当执行指令时，系统可以被指示为：根据欠采样模式获取由MRI系统捕获到的受试者或其一部分的成像数据；执行第一迭代过程；确定第一迭代数量满足第一阈值；响应于第一迭代数量满足第一阈值的确定而执行第二迭代过程；确定第一迭代数量与第二迭代数量之和满足第二阈值；并根据处理后的成像数据生成受试者或其一部分的重建图像。在一些实施例中，第一阈值低于第二阈值。
本公开的第四方面涉及在具有至少一个处理器、至少一个计算机可读存储介质以及连接到磁共振成像(MRI)系统的通信端口的计算设备上实施的一种方法。该方法可以包括：根据欠采样模式获取由MRI系统捕获到的受试者或其一部分的成像数据；执行第一迭代过程；确定第一迭代数量满足第一阈值；响应于第一迭代数量满足第一阈值的确定而执行第二迭代过程；确定第一迭代数量与第二迭代数量之和满足第二阈值；并根据处理后的成像数据生成受试者或其一部分的重建图像。在一些实施例中，第一阈值低于第二阈值。
在一些实施例中，第一迭代过程还可以包括：对成像数据的稀疏变换域执行软阈值去噪运算；和确定软阈值去噪运算的第一迭代数量。
在一些实施例中，第二迭代过程还可以包括：对去噪后的成像数据执行总变差(total variation)算法以提供处理后的成像数据；和确定总变差运算的第二迭代数量。
在一些实施例中，该方法还可以包括通过梯度下降运算来优化总变差算法。
在一些实施例中，第一迭代过程还包括：将采集到的成像数据回填到去噪运算之后获得的k空间中；和对回填后的成像数据的稀疏变换域执行去噪运算。
在一些实施例中，该方法还可以包括：确定第一迭代数量和第二迭代数量之和低于第二阈值；对处理后的成像数据执行加权合成运算以生成合成成像数据；以及对合成成像数据的稀疏变换域执行软阈值去噪运算。
在一些实施例中，该方法还可以包括对成像数据执行并行成像过程。
在一些实施例中，该方法还可以包括：确定成像数据的参考相位；对成像数据执行高通滤波运算以生成滤波后的成像数据；确定第一迭代数量和第二迭代数量之和满足第二阈值；以及基于参考相位对滤波后的成像数据执行相位校正运算，以生成相位校正后的成像数据。
在一些实施例中，该方法还可以包括对相位校正后的成像数据执行并行成像过程。
本公开的第五方面涉及一种系统，包括：包括指令集的至少一个非暂时性计算机可读存储介质；和与至少一个非暂时性计算机可读存储介质通信的至少一个处理器。当执行指令时，系统可以被指示为：根据欠采样模式而获得由MRI系统捕获到的受试者或其一部分的成像数据；基于成像数据确定图像的参考相位；对成像数据执行高通滤波运算以提供滤波后的成像数据；对滤波后的成像数据执行并行成像过程；对成像数据执行相位校正运算以提供相位校正后的成像数据；输出相位校正后的成像数据；以及根据相位校正后的成像数据确定受试者或其一部分的重建图像。
本公开的第六方面涉及在具有至少一个处理器、至少一个计算机可读存储介质以及连接到磁共振成像(MRI)系统的通信端口的计算设备上实施的一种方法。该方法可以包括：根据欠采样模式而获得由MRI系统捕获到的受试者或其一部分的成像数据；基于成像数据确定图像的参考相位；对成像数据执行高通滤波运算以提供滤波后的成像数据；对滤波后的成像数据执行并行成像过程；对成像数据执行相位校正运算以提供相位校正后的成像数据；输出相位校正后的成像数据；以及根据相位校正后的成像数据确定受试者或其一部分的重建图像。
本公开的第七方面涉及一种系统，包括用于根据MRI扫描计划来扫描受试者并获得其成像数据的MRI扫描仪和处理引擎，处理引擎被配置为：由k空间划分单元将k空间的平面划分为第一区域和第二区域；由采样模式分配单元为第一区域分配全采样模式；由采样模式分配单元为第二区域的至少一部分分配不规则的欠采样模式；由MRI扫描计划确定单元基于k空间的所分配的第一区域和第二区域来确定MRI扫描计划；并由处理模块根据成像数据和一个或多个图像重建过程来获得受试者的MR图像。
在一些实施例中，一个或多个图像重建过程可以包括并行成像过程、压缩感测过程和半傅里叶成像过程。
在一些实施例中，可以通过并行成像过程、压缩感测过程和半傅里叶成像过程中的至少一个来重建与k空间的第二区域相关联的MR图像。
附加特征将在下面的描述中部分地阐述，并且对于本领域技术人员而言，在检查以下和附图时部分将变得显而易见，或者可以通过示例的产生或操作来获悉。本公开的特征可以通过实践或使用在下面讨论的详细示例中阐述的方法、手段和组合的各个方面来实现和获得。
附图说明
根据示例性实施例进一步描述本公开。参照附图详细描述这些示例性实施例。这些实施例是非限制性的示例性实施例，其中在附图的多个视图中，相同的附图标记表示相似的结构，并且其中：
图1是示出了根据本公开的一些实施例的示例性MRI系统的示意图；
图2是示出了根据本公开的一些实施例的示例性MRI扫描仪的框图；
图3是示出了根据本公开的一些实施例的示例性计算设备的示例性硬件和/或软件组件的示意图；
图4是示出了根据本公开的一些实施例的示例性移动设备的示例性硬件和/或软件组件的示意图；
图5是示出了根据本公开的一些实施例的示例性处理引擎的框图；
图6是示出了根据本公开的一些实施例的示例性处理模块的框图；
图7是示出了根据本公开的一些实施例的用于确定MRI扫描计划的示例性过程的流程图；
图8是示出了根据本公开的一些实施例的示例性MRI扫描计划的示意图；
图9是示出了根据本公开的一些实施例的示例性规则的欠采样模式的示意图；
图10是示出了根据本公开的一些实施例的示例性随机欠采样模式的示意图；
图11是示出了根据本公开的一些实施例的示例性约束欠采样模式的示意图；
图12是示出了根据本公开的一些实施例的示例性处理模块的框图；
图13是示出了根据本公开的一些实施例的用于图像重建的示例性过程的流程图；
图14是示出了根据本公开的一些实施例的用于规则的欠采样区域的图像重建的示例性过程的示意图；
图15是示出了根据本公开的一些实施例的用于不规则的欠采样区域的图像重建的示例性过程的流程图；
图16是示出了根据本公开的一些实施例的用于不规则的欠采样区域的图像重建的示例性过程的流程图；
图17是示出了根据本公开的一些实施例的用于不规则的欠采样区域的图像重建的示例性过程的流程图；
图18是示出了根据本公开的一些实施例的用于不规则的欠采样区域的图像重建的示例性过程的流程图；
图19是示出了根据本公开的一些实施例的用于不规则的欠采样区域的图像重建的示例性过程的流程图；和
图20-A至20-C示出了根据本公开的一些实施例的基于图像重建技术所重建的示例性MRI图像。
具体实施方式
在下面的详细描述中，通过示例的方式阐述了许多具体细节，以便提供对相关公开的透彻理解。然而，对于本领域技术人员应当显而易见的是，可以在没有这种细节的情况下实践本公开。在其他实例中，已经在相对较高的级别上在没有细节的情况下描述了公知的方法、过程、系统、组件和/或电路，以避免不必要地混淆本公开的各个方面。对所公开的实施例的各种修改对于本领域技术人员而言将是显而易见的，并且在不脱离本公开的精神和范围的情况下，本文定义的一般原理可以应用于其他实施例和应用。因此，本公开不限于所示的实施例，而是与符合权利要求的最宽范围相一致。
本文使用的术语仅是为了描述特定示例实施例的目的，而不旨在是限制性的。如本文所使用的，除非上下文另外明确指出，否则单数形式的“一”、“一个”和“该”也可以旨在包括复数形式。将进一步理解的是，术语“包括(comprise)”、“包括(comprises)”和/或“包括(comprising)”、“包含(include)”、“包含(includes)”和/或“包含(including)”当在本说明书中使用时指定存在所述特征、整数、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或其群组。
将理解的是，本文使用的术语“系统”、“引擎”、“单元”、“模块”和/或“框”是用于区分升序不同水平的不同组件、元件、零件、部件或装配件的一种方法。但是，如果这些术语实现相同的目的，则可能会被其他表达方式取代。
通常，本文所用的词“模块”、“单元”或“块”是指在硬件或固件中实施的逻辑，或者是指软件指令的集合。本文描述的模块、单元或块可以被实现为软件和/或硬件，并且可以被存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中，软件模块/单元/框可以被编译并链接到可执行程序中。将意识到的是，软件模块可以是可从其他模块/单元/块或从其自身调用的，和/或可响应于检测到的事件或中断而被调用。可以在计算机可读介质(诸如光盘、数字视频盘、闪存驱动器、磁盘或任何其他有形介质，或者诸如数字下载(并且可以最初以需要在执行之前进行安装、解压缩或解密的压缩或可安装的格式存储))上提供被配置用于在计算设备(例如，图3所示的处理器310)上执行的软件模块/单元/框。这样的软件代码可以部分地或全部地存储在执行中的计算设备的存储设备上，以由计算设备执行。软件指令可以嵌入在诸如EPROM的固件中。还将意识到的是，硬件模块/单元/框可以被包括在连接的逻辑组件(诸如门和触发器)中，和/或可以包括在可编程单元(诸如可编程门阵列或处理器)中。本文描述的模块/单元/框或计算设备功能可以被实现为软件模块/单元/框，但是可以以硬件或固件来表示。通常，本文描述的模块/单元/框是指可以与其他模块/单元/块组合或者被划分成子模块/子单元/子框的逻辑模块/单元/框，而不管它们的物理组织或存储如何。该描述可以适用于系统、引擎或其一部分。
将理解的是，当单元、引擎、模块或块被称为在另一单元、引擎、模块或框“上”，“连接到”或“耦合到”另一单元、引擎、模块或框时，它可以直接在另一个单元、引擎、模块或块上，与其直接连接或耦合或通信，或者可以存在介入中间的单元、引擎、模块或框，除非上下文另有明确说明。如本文所使用的，术语“和/或”包括一个或多个相关联的所列项目的任何和所有组合。
当参考附图(所有附图形成了本公开的一部分)考虑以下描述时，本公开的这些和其他特征和特性以及结构的相关元件的操作方法和功能以及部件的组合和制造的经济性将变得更加明显。然而，应明确理解的是，附图仅出于说明和描述的目的，并且不旨在限制本公开的范围。理解的是，附图未按比例绘制。
提供以下描述来帮助更好地理解MRI加速方法和/或系统。在本公开中使用的术语“图像”可以指2D图像、3D图像、4D图像和/或任何相关的成像数据(例如，MRI数据、与MRI数据相对应的投影数据)。这并不旨在限制本公开的范围。对于本领域普通技术人员来说，在本公开的指导下可以推断出一定量的变化、改变和/或修改。这些变化、改变和/或修改不脱离本公开的范围。
图1是示出了根据本公开的一些实施例的示例性MRI系统100的示意图。如图1所示，MRI系统100可以包括MRI扫描仪110、检查台120、处理引擎130、网络140、存储设备150以及一个或多个终端160。
MRI扫描仪110可以通过扫描受试者或受试者的一部分来产生或提供与MR信号相关联的成像数据。在一些实施例中，MRI扫描仪110可包括例如磁体220、一个或多个梯度线圈230、一个或多个射频(RF)线圈240等，如结合图2所描述的。在一些实施例中，根据磁体220的类型，MRI扫描仪110可以是永磁体MRI扫描仪、超导电磁体MRI扫描仪或电阻电磁体MRI扫描仪等。在一些实施例中，根据磁场的强度，MRI扫描仪110可以是高场MRI扫描仪、中场MRI扫描仪和低场MRI扫描仪等。在一些实施例中，MRI扫描仪110可以具有闭孔(圆柱)类型、开孔类型等。
在一些实施例中，可以在扫描期间将受试者放置在检查台120上。可以在扫描期间将检查台120发送到MRI扫描仪110。在一些实施例中，受试者可以包括身体、物质、对象等，或其任意组合。在一些实施例中，受试者可以包括身体的特定部分、特定器官或特定组织，诸如头部、大脑、颈部、身体、肩膀、手臂、胸部、心脏、胃、血管、软组织、膝盖、脚等，或其任意组合。在一些实施例中，受试者可以是人类患者。人类患者可以仰卧、俯卧、侧卧在检查台120上。在一些实施例中，MRI扫描仪110可以经由网络140将成像数据传送到处理引擎130、存储设备150和/或终端160。例如，可以将成像数据发送到处理引擎130以进行进一步处理，或者可以将其存储在存储设备150中。
处理引擎130可以处理从MRI扫描仪110、存储设备150和/或终端160获得的数据和/或信息。例如，处理引擎130可以处理成像数据并基于成像数据而确定MRI图像。在一些实施例中，处理引擎130可以是单个服务器或服务器组。服务器组可以是集中式或分布式的。在一些实施例中，处理引擎130可以是本地的或远程的。例如，处理引擎130可以经由网络140访问存储在MRI扫描仪110、存储设备150和/或终端160中的信息和/或数据。作为另一个示例，处理引擎130可以直接连接到MRI扫描仪110、终端160和/或存储设备150，以访问存储的信息和/或数据。在一些实施例中，处理引擎130可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等，或其任意组合。在一些实施例中，处理引擎130可以由具有如图3所示的一个或多个组件的计算设备300来实现。
网络140可以包括可以促进MRI系统100的信息和/或数据的交换的任何合适的网络。在一些实施例中，MRI系统100的一个或多个组件(例如，MRI扫描仪110、处理引擎130、存储设备150、终端160等)可以经由网络140与MRI系统100的一个或多个其他组件通信信息和/或数据。例如，处理引擎130可以经由网络140从MRI扫描仪110获得成像数据。作为另一个示例，处理引擎130可以经由网络140从终端160获得用户指令。网络140可以是和/或包括公用网络(例如，互联网)、专用网络(例如，局域网(LAN)、广域网(WAN)等)、有线网络(例如，以太网网络)、无线网络(例如，802.11网络、Wi-Fi网络等)、蜂窝网络(例如长期演进(LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机或其任意组合。仅作为示例，网络140可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络140可以包括一个或多个网络访问点。例如，网络140可以包括诸如基站和/或互联网交换点的有线和/或无线网络访问点，MRI系统100的一个或多个组件可以通过该有线和/或无线访问点连接到网络140以交换数据和/或信息。
存储设备150可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备150可以存储从终端160和/或处理引擎130获得的数据。在一些实施例中，存储设备150可以存储处理引擎130可以执行或用来执行本公开中描述的示例性方法的指令和/或数据。在一些实施例中，存储设备150可以包括大容量存储装置、可移动存储装置、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性大容量存储装置可以包括磁盘、光盘、固态驱动器等。示例性可移动存储装置可以包括闪存驱动器、软盘、光盘、存储卡、压缩磁盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可以包括动态RAM(DRAM)、双倍资料速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、半导体闸流管RAM(T-RAM)和零电容器RAM(Z-RAM)等。示例性ROM可以包括掩模型ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)以及数字通用光盘ROM等。在一些实施例中，存储设备150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等，或其任意组合。
在一些实施例中，存储设备150可以连接到网络140以与MRI系统100中的一个或多个其他组件(例如，处理引擎130、终端160等)通信。MRI系统100中的一个或多个组件可以经由网络140访问存储在存储设备150中的数据或指令。在一些实施例中，存储设备150可以直接连接到MRI系统100中的一个或多个其他组件(例如，处理引擎130、终端160等)或与之通信。在一些实施例中，存储设备150可以是处理引擎130的一部分。
终端160可以包括移动设备161、平板计算机162、膝上型计算机163等，或其任意组合。在一些实施例中，移动设备161可以包括智能家居设备、可穿戴设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电气装置的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可以包括手镯、鞋袜、眼镜、头盔、手表、衣物、背包、智能配件等，或其任意组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、膝上型电脑、平板计算机、台式机等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实贴片、增强现实头盔、增强现实眼镜、增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、GearVRTM等。在一些实施例中，一个或多个终端160可以是处理引擎130的一部分。
应该注意的是，对MRI系统100的上述描述仅出于说明的目的而提供，并不旨在限制本公开的范围。对于本领域普通技术人员而言，可以在本公开的教导下进行多种变化和修改。例如，MRI系统100的装配和/或功能可以根据特定的实现场景而改变或变化。仅作为示例，可以将一些其他组件(诸如患者定位单元、梯度放大器单元以及其他设备或单元)添加到MRI系统100中。注意的是，MRI系统可以是传统的或单模态的医疗系统，或者多模态系统，包括例如正电子发射断层摄影术-磁共振成像(PET-MRI)系统、计算机断层摄影术-磁共振成像(CT-MRI)系统、远程医疗MRI系统等。然而，那些变型和修改不脱离本公开的范围。
图2是示出了根据本公开的一些实施例的示例性MRI扫描仪的框图。如图2所示，MRI扫描仪110可以包括磁体220、梯度线圈230、RF线圈240、脉冲序列单元250、梯度控制单元260和梯度驱动单元270。在一些实施例中，人体210在扫描期间可以被放置在MRI扫描仪110中。
磁体220可以在MRI过程中产生静磁场B0。磁体220可以是各种类型，包括例如永磁体、超导电磁体、电阻电磁体等。
梯度线圈230可以在X、Y和/或Z方向(或轴)上生成相对于主磁场B0的磁场梯度。在一些实施例中，梯度线圈230可包括X方向线圈(或轴)、Y方向线圈(或轴)、Z方向线圈(或轴)等。例如，Z方向线圈可以基于圆形(麦克斯韦)线圈来设计，而X方向线圈和Y方向线圈可以基于鞍状(Golay)线圈配置来设计。在一些实施例中，X方向也可以被称为读出(RO)方向(或频率编码方向)，Y方向也可以被称为相位编码(PE)方向，Z方向也可以被称为切片选择编码(SPE)方向。在本公开中，读出方向和频率编码方向可以可互换地使用。
RF线圈240可以向被检查的人体210发射RF脉冲信号和/或从其接收MRI数据。在一些实施例中，RF线圈240可以包括RF发送线圈和RF接收线圈。RF发送线圈可以发射RF脉冲信号，其可以激发人体210中的细胞核用于以拉莫尔频率进行共振。RF接收线圈可以接收从人体210发射的MRI数据。在一些实施例中，RF发送线圈和RF接收线圈可以被集成到一个单线圈中，例如，发送/接收线圈。RF线圈240可以是各种类型，包括例如QD正交线圈、相阵列线圈、特定元素频谱线圈等。在一些实施例中，RF线圈240可以根据被检查身体的不同部位而不同，例如头部线圈、膝关节线圈、颈椎线圈、胸椎线圈、颞下颌关节(TMJ)线圈等。在一些实施例中，根据功能和尺寸，RF线圈240可以包括但不限于体积线圈、局部线圈、鸟笼状线圈、横向电磁线圈、表面线圈、鞍状线圈、螺线管线圈、鞍状线圈、柔性线圈等，或其任意组合。
脉冲序列单元250可以确定脉冲序列。脉冲序列单元250可以具有多个部件，包括例如RF脉冲子单元、指示用于数据采集的定时的ADC子单元、用于空间编码或选择的X、Y、Z轴上的梯度群组等，或其任意组合。
脉冲序列单元250可以通过成像梯度参数和与成像梯度参数相对应的时间顺序的布置来定义。在一些实施例中，成像梯度参数可以包括与由RF线圈240发射的RF脉冲有关的参数、与由梯度线圈230产生的梯度场有关的参数以及用于收集MRI数据的时间。脉冲序列单元250的不同部分(例如，RF脉冲)可以指代不同的成像梯度参数。例如，与RF脉冲有关的参数可以包括例如带宽(也称为频率范围)、振幅或强度、施加RF脉冲的时间、施加RF脉冲的持续时间等。与成像梯度有关的参数可以包括梯度脉冲的振幅值、成像梯度的持续时间、用于施加成像梯度的开始时间、用于施加成像梯度的结束时间等。与MRI数据有关的参数可以包括MRI数据类型、回波数量、回波中心、回波时间等。
在一些实施例中，脉冲序列单元250可以是自由感应衰减(FID)序列、自旋回波(SE)序列、快速自旋回波(FSE)、梯度回波(GRE)序列、具有稳态进动(FISP)序列的快速成像等，或其任意组合。
在一些实施例中，脉冲序列单元250可以连接到处理引擎130和/或与处理引擎130通信。例如，在MRI扫描过程之前，脉冲序列单元250的至少一部分(例如，RF脉冲、成像梯度)可以根据临床需求或扫描协议由处理引擎130来设计和/或确定。在MRI扫描过程中，RF线圈240可以发射具有与脉冲序列单元250的RF脉冲有关的特定参数的RF脉冲，并接收MRI数据。梯度控制单元260可以控制梯度驱动单元270，以通过具有与脉冲序列单元250的成像梯度有关的特定参数的梯度脉冲来驱动梯度线圈230。由梯度线圈230产生的梯度场可以对MRI数据进行编码。编码后的MRI数据可以被传送到处理引擎130，以用于确定MRI图像。
该描述旨在是说明性的，并且不限制本公开的范围。对于本领域技术人员而言，许多替代、修改和变化将是显而易见的。本文描述的示例性实施例的特征、结构、方法和特性可以以各种方式组合以获得附加的和/或可替代的示例性实施例。例如，MRI扫描仪110可以包括用于发送和接收信息(例如，RF脉冲)的发送信道和/或接收信道。然而，那些变化和修改不脱离本公开的范围。
图3是示出了根据本公开的一些实施例的可以在其上实现处理引擎130的示例性计算设备的示例性硬件和/或软件组件的示意图。如图3所示，计算设备300可以包括处理器310、存储装置320、输入/输出端(I/O)330和通信端口340。
处理器310可以根据本文描述的技术来执行计算机指令(例如，程序代码)并执行处理引擎130的功能。计算机指令可以包括例如例程、程序、对象、组件、数据结构、过程、模块和功能，其执行本文描述的特定功能。例如，处理器310可以处理从MRI扫描仪110、终端160、存储设备150和/或MRI系统100的任何其他组件获得的成像数据。在一些实施例中，处理器310可以包括一个或多个硬件处理器，诸如微控制器、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)、中央处理器(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机器(ARM)、可编程逻辑设备(PLD)、能够执行一个或多个功能的任何电路或处理器等，或其任意组合。
仅出于说明的目的，在计算设备300中仅描述了一个处理器。然而，应注意的是，本公开中的计算设备300还可以包括多个处理器，因此，由如本公开中描述的一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如，如果在本公开中，计算设备300的处理器310执行步骤A和步骤B两者，则应当理解的是，步骤A和步骤B也可以由计算设备300中的两个或更多个不同的处理器联合或单独执行(例如，第一处理器执行步骤A，并且第二处理器执行步骤B，或者第一处理器和第二处理器联合执行步骤A和B)。
存储装置320可以存储从MRI扫描仪110、终端160、存储设备150和/或CT系统100的任何其他组件获得的数据/信息。在一些实施例中，存储装置320可以包括大容量存储装置、可移动存储装置、易失性读写存储器、只读存储器(ROM)等，或其任意组合。例如，大容量存储装置可以包括磁盘、光盘、固态驱动器等。可移动存储装置可以包括闪存驱动器、软盘、光盘、存储卡、压缩磁盘、磁带等。易失性读写存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍资料速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、半导体闸流管RAM(T-RAM)和零电容器RAM(Z-RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)以及数字通用光盘ROM等。在一些实施例中，存储装置320可以存储一个或多个程序和/或指令以执行本公开中描述的示例性方法。例如，存储装置320可以存储用于处理引擎130的用于确定正则项的程序。
I/O 330可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O 330可以使用户能够与处理引擎130进行交互。在一些实施例中，I/O 330可以包括输入设备和输出设备。输入设备的示例可以包括键盘、鼠标、触摸屏、麦克风等，或其任意组合。输出设备的示例可以包括显示设备、扬声器、打印机、投影仪等，或其任意组合。显示设备的示例可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)、触摸屏等，或其任意组合。
通信端口340可以连接到网络(例如，网络140)以促进数据通信。通信端口340可以在处理引擎130与MRI扫描仪110、终端160和/或存储设备150之间建立连接。该连接可以是有线连接、无线连接、可以实现数据发送和/或接收的任何其他通信连接、和/或这些连接的任意组合。有线连接可以包括例如电缆、光缆、电话线等，或其任意组合。无线连接可以包括例如蓝牙TM链接、Wi-FiTM链接、WiMaxTM链接、WLAN链接、ZigBee链接、移动网络链接(例如3G、4G、5G等)等，或其任意组合。在一些实施例中，通信端口340可以是和/或包括标准化通信端口，诸如RS232、RS485等。在一些实施例中，通信端口340可以是专门设计的通信端口。例如，可以根据医学数字成像和通信(DICOM)协议来设计通信端口340。
本领域技术人员将认识到的是，本教导可进行各种修改和/或增强。例如，尽管本文描述的各种组件的实施方式可以在硬件设备中实施，但是它也可实现为仅软件的解决方案，例如，现有服务器上的安装。另外，如本文公开的处理引擎130可以被实现为固件、固件/软件组合、固件/硬件组合或硬件/固件/软件组合。
图4是示出了根据本公开的一些实施例的可以在其上实现终端160的示例性移动设备的示例性硬件和/或软件组件的示意图。如图4所示，移动设备400可以包括通信平台410、显示器420、图形处理单元(GPU)430、中央处理单元(CPU)440、I/O 450、存储器460和存储装置490。在一些实施例中，任何其他合适的组件，包括系统总线或控制器(未示出)，也可以包括在移动设备400中。在一些实施例中，移动操作系统470(例如，iOSTM、AndroidTM、Windows PhoneTM等)和一个或多个应用380可以从存储装置490加载到存储器460中，以便由CPU 440执行。应用480可以包括用于接收和呈现与图像处理有关的信息或来自处理引擎130的其他信息的浏览器或任何其他合适的移动应用。与信息流进行的用户交互可以通过I/O 450实现，并经由网络140提供给处理引擎130和/或MRI系统100的其他组件。
为了实现本公开中描述的各种模块、单元及其功能，计算机硬件平台可以用作本文描述的一个或多个元件的一个或多个硬件平台。具有用户界面元件的计算机可用于实现个人计算机(PC)或任何其他类型的工作站或终端设备。如果进行了适当的编程，则计算机也可以用作服务器。
图5是示出了根据本公开的一些实施例的示例性处理引擎的框图。处理引擎130可以包括采集模块510、控制模块520、存储模块530和处理模块540。在一些实施例中，采集模块510、控制模块520、存储模块530和/或处理模块540可以经由有线连接、无线连接或其任意组合而彼此连接和/或彼此通信。处理引擎130的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
采集模块510可以采集数据。在一些实施例中，可以从MRI扫描仪110、检查台120、存储设备150和/或终端160采集数据。在一些实施例中，数据可以包括扫描协议、扫描计划、MRI数据(或成像数据)、指令等，或其任意组合。指令可以由处理引擎130的一个或多个处理器执行以执行本公开中描述的示例性方法。在一些实施例中，数据可以被传送到处理模块540以用于进一步处理，或者被存储在存储模块530中。
控制模块520可以(例如，通过生成一个或多个控制参数)控制采集模块510、MRI扫描仪110、检查台120、存储模块530和/或处理模块540的操作。例如，控制模块520可以控制采集模块510来采集数据。作为另一示例，控制模块520可以控制检查台120的移动。作为又另一示例，控制模块520可以控制处理模块540来处理由采集模块510采集到的MRI数据。在一些实施例中，控制模块520可以接收实时命令或获取由用户(例如，医生)提供的预定命令，以控制采集模块510和/或处理模块540的一个或多个操作。例如，控制模块520可以根据实时命令和/或预定命令来调整采集模块510和/或处理模块540以生成受试者的图像。在一些实施例中，控制模块520可以与处理引擎130的一个或多个其他模块通信以交换信息和/或数据。
存储模块530可以存储MRI数据、控制参数、处理后的MRI数据等，或其任意组合。在一些实施例中，存储模块530可以存储一个或多个扫描协议和/或编码后的MRI数据。在一些实施例中，存储装置530可以存储一个或多个程序和/或指令，其可以由处理引擎130的一个或多个处理器执行以执行本公开中描述的示例性方法。例如，存储装置530可以存储可以由处理引擎130的一个或多个处理器执行的一个或多个程序和/或一个或多个指令，以采集MRI数据、基于MRI数据重建MRI图像、和/或显示任何中间结果或得到的图像。
处理模块540可以处理由处理引擎130的各个模块提供的数据。处理模块540可以处理由采集模块510采集到的MRI数据、从存储模块430获取到的MRI数据等。在一些实施例中，处理模块540可以根据k空间的平面确定MRI扫描计划，根据重建算法基于MRI数据重建MRI图像，生成包括一个或多个MRI图像和/或其他相关信息的报告，和/或根据本公开的各种实施例来执行用于图像重建的任何其他功能。
在一些实施例中，图5中所示的一个或多个模块可以在如图1所示的示例性MRI系统的至少一部分中实现。例如，采集模块510、控制模块520、存储模块530和/或处理模块540可以集成到控制台(未示出)中。经由控制台，用户可以设置用于扫描受试者、控制成像过程、控制用于重建图像的参数、查看重建图像等的参数。在一些实施例中，可以经由处理引擎130和/或终端160来实现控制台。
图6是示出了根据本公开的一些实施例的示例性处理模块的框图。如图6所示，处理模块540可以包括k空间划分单元610、采样模式分配单元620和MRI扫描计划确定单元630。处理模块540的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
k空间划分单元610可以将k空间的平面划分为多个区域。平面的区域可以被分配一个或多个采样模式。在一些实施例中，该区域可以是一个连续的区部或至少两个分开的区部。如本文所使用的，如果区部由连续边界限定，则该区部被认为是连续的。如本文所使用的，如果两个区部不共享其各自边界的至少一部分，则这两个区部被认为是分开的。两个分开的区部的边界是不连续的。
在一些实施例中，k空间可以是MRI图像或MRI成像数据的2D或3D傅里叶变换。可以在根据由脉冲序列(例如，射频和梯度脉冲的精确定时序列)控制的预先考虑的方案所执行的MRI扫描期间获取k空间的值。在一些实施例中，k空间的值可以被描述为如图9-11所示的多个数据点(下文称为“点”)。在填充k空间之后(例如，在扫描结束时)，可以对k空间中的数据点进行数学处理以产生重建图像。在一些实施例中，k空间可以包括第一方向K1和第二方向K2。第一方向K1或第二方向K2可以指相位编码(PE)方向。
采样模式分配单元620可以向k空间的平面中的区域分配采样模式。示例性采样模式可以包括全采样模式、欠采样模式等。示例性欠采样模式可以包括规则的欠采样模式和不规则的欠采样模式。示例性不规则的欠采样模式可以包括随机欠采样模式、约束欠采样模式等，或其任意组合。当区域被分配全采样模式时，该区域中的所有或几乎所有点都可以被采样。当区域被分配欠采样模式时，则可以确定该区域的采样密度(或采样率)。采样密度可以是从0到1的范围内的值，例如10％、20％、30％等。仅作为示例，采样密度可以被表示为N和M的比率。N和M可以是正整数，并且N不大于M。
MRI扫描计划确定单元630可以根据k空间的平面来确定MRI扫描计划。在一些实施例中，MRI扫描计划确定单元630可以基于k空间的平面的划分和为该平面的每个区域所分配的采样模式来确定MRI扫描计划。MRI扫描计划可以由MRI系统100实现。例如，MRI扫描计划可以被实现为存储在处理引擎中的存储设备150和/或存储模块530中的指令集(例如，应用)。MRI扫描仪110可以执行该指令集，并且可以因此被指示为根据MRI扫描计划来执行MRI扫描。
该描述旨在是说明性的，并且不旨在限制本公开的范围。对于本领域技术人员而言，许多替代、修改和变化将是显而易见的。本文描述的示例性实施例的特征、结构、方法和特性可以以各种方式组合以获得附加的和/或可替代的示例性实施例。例如，k空间划分单元610和采样模式分配单元620可以集成为一个单一单元。然而，那些变化和修改不脱离本公开的范围。
图7是示出了根据本公开的一些实施例的用于确定MRI扫描计划的示例性过程的流程图。如图7所示，用于确定MRI扫描计划的过程700可以由MRI系统100执行。例如，过程700可以被实现为存储在处理引擎130中的存储设备150和/或存储模块530中的指令集(例如，应用)。处理引擎130可以执行该指令集并因此可以被指示为在MRI系统100中执行过程700。处理引擎130的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
在710中，可以将k空间的平面划分为第一区域和第二区域。在一些实施例中，可以由如图6所示的k空间划分单元610划分k空间的平面。在一些实施例中，第一区域可以位于平面的中心区部。并且第二区域可以位于平面的周围区部。在一些实施例中，可以基于特征来确定第一区域的面积。示例性特征可以包括奈奎斯特采样定理、所需体元数量、所需视场(FOV)、在并行成像中确定线圈敏感度或校准所需的数据量、提取图像相位所需的数据量等，或其任意组合。
在720中，可以为第一区域分配全采样模式。例如，第一区域的采样模式可以由如图6所示的采样模式分配单元620分配。通过全采样模式，可以对第一区域中的所有或大约所有点进行采样。
在730中，可以为第二区域的至少一部分分配不规则的欠采样模式。在一些实施例中，第二区域的至少一部分的采样模式可以由如图6所示的采样模式分配单元620分配。在一些实施例中，第二区域可以被划分成多个部分，并且第二区域的至少一部分可以被分配不规则的欠采样模式。示例性不规则的欠采样模式可以包括随机欠采样模式、约束欠采样模式等，或其任意组合。随机欠采样模式的更多细节可以在例如图10和对其的描述中找到。约束欠采样模式的更多细节可以在例如图11和对其的描述中找到。
在740中，可以根据k空间的平面来确定MRI扫描计划。在一些实施例中，MRI扫描计划可以由如图6所示的MRI扫描计划确定单元630确定。MRI扫描计划可以是由MRI系统100执行的采样计划。MRI扫描计划可以包括平面的区域的数量、一个或多个区域在该平面中的相对位置、平面的区域的采样模式、平面的区域的采样率等，或其任意组合。
图8是示出了根据本公开的一些实施例的示例性MRI扫描计划的示意图。如图8所示，k空间800的平面可以被划分成包括例如以下的区域：如黑色块所示的R1、如位于顶部中心和底部中心并用水平线填充的两个块所示的R2、如位于左中心和右中心并用垂直线填充的两个块所示的R3、如位于R2的侧面并用剖面线填充的四个块所示的R4、以及如位于平面的左侧和右侧的两个空心块(open block)所示的R5。区域R1可以位于平面的中心，区域R2可以沿着区域R1在第二方向K2上的两侧面而定位。区域R3可以沿着区域R1在第一方向K1上的两侧面而定位。区域R4可以沿着区域R2在第一方向K1上的两个侧面而定位。区域R5可以占据平面的其余区部。在一些实施例中，区域可以是矩形的。在一些实施例中，区域R2在第二方向K2上的长度可以近似等于区域R4在第二方向K2上的长度。区域R2在第一方向K1上的长度可以近似等于区域R4在第一方向K1上的长度。在一些实施例中，五个区域之间可能缺少清晰的边界或分界线。应当注意的是，该描述旨在是说明性的，并且不限制本公开的范围。k空间的平面可以以不同的方式划分。例如，k空间的平面可以被划分为4个区域、6个区域等。
在一些实施例中，区域Rl可以是第一区域并且被分配全采样模式。第二区域可以包括区域R2、R3、R4和R5。区域R2、R3、R4和R5之一可以被分配不规则的欠采样模式。区域R2、R3、R4和R5之一可以被分配规则的欠采样模式。在一些实施例中，区域R1、R2、R3和R4的采样密度(或采样率)可以是均匀的。例如，区域R1(或R2、R3、R4)中的一部分的采样密度可以与区域R1(或R2、R3、R4)中的另一部分的采样密度相同。区域R5的采样密度(或采样率)可以是均匀的或不均匀的。例如，区域R5的一部分的采样密度可以与区域R5中的另一部分相同或不同。采样密度可以通过区域中要采样的点数与该区域中的点数之比来确定。在一些实施例中，区域R1的采样密度可以大于区域R2的采样密度。例如，区域R2的采样密度可以是区域R1的采样密度的10-90％。在一些实施例中，区域R2的采样密度可以是区域R1的采样密度的30-70％。在一些实施例中，区域R2的采样密度可以是区域R1的采样密度的50％。区域R3的采样密度可以大于区域R4。在一些实施例中，区域R4的采样密度可以是区域R3的采样密度的30-90％。在一些实施例中，区域R4的采样密度可以是区域R3的采样密度的50-70％。在一些实施例中，区域R4的采样密度可以是区域R3的采样密度的60％。
图9是示出了根据本公开的一些实施例的示例性规则的欠采样模式的示意图。在一些实施例中，规则的欠采样模式的采样密度(或采样率)可以是1/R，R可以是大于1的正整数。如图9所示，提供了示例性规则的欠采样模式910、920和930。一个圆(空心圆或实心圆)可以表示k空间的平面中的一个点。空心圆说明了未采样的点。实心圆说明了采样点。在一些实施例中，规则的欠采样模式910、920和930的采样密度可以等于例如90％、80％、70％、60％、50％等的值。规则的欠采样模式910可以是交错的欠采样模式，其中在第一方向K1和第二方向K2上都可能发生欠采样。如910中所示，沿着第一方向K1，每隔一个点采样一次；沿着第二方向K2，每隔一个点采样一次。没有行或列的点被完全采样。如920中所示，沿着第一方向K1，每隔一列的点可以被完全采样或根本不采样。如930中所示，沿着第二方向K2，每隔一行的点可以被完全采样或根本不采样。应当注意的是，该描述旨在是说明性的，并且不限制本公开的范围。规则的欠采样模式也可以具有不同的形式。例如，规则的欠采样的采样密度可以包括1/3、1/5、1/6等。
图10是示出了根据本公开的一些实施例的示例性随机欠采样模式的示意图。如图10所示，具有随机欠采样模式的区域可以由采样模式分配单元620随机采样。在一些实施例中，点被采样的概率可以与区域的采样密度相关联。例如，一旦确定了采样密度，则点在区域中被采样的概率可以等于或近似等于采样密度。在一些实施例中，采样密度可以由用户或MRI系统100设置或预定。
图11是示出了根据本公开的一些实施例的示例性约束欠采样模式的示意图。如图11所示，约束欠采样模式1100可以包括约束区域1101。在约束区域1101中，可以选择一个点和其位置满足与该点的预定位置关系的一个或多个点来作为未采样点。例如，如图11所示，可以确定不对在约束区域1101的中心区部处填充有剖面线的点1110进行采样。基于不对点1110进行采样的确定，因此可以确定不对其位置在约束区域中满足预定位置关系的被示为实心灰色圆的一些点(例如，点1120等)进行采样。约束区域1101中的其余点(例如，诸如点1130的实心黑色圆)可以以一定概率被采样，如本公开中的其他地方所述。可以根据与施加到约束区域1101的采样模式相同或不同的采样模式来对约束区域1101外部的灰色空心圆进行采样。
可以基于约束区域的期望采样密度来确定概率。在一些实施例中，预定位置关系可以由用户或MRI系统100设置。约束区域中的未采样点的预定位置关系可以由用户或默认确定。在一些实施例中，约束区域的面积或位置可以相对于约束区域1101而改变，如图11所示。例如，约束区域的面积可以更大或更小。如图11所示，约束区域在k空间的平面中的位置也可以相对于约束区域1101的位置而改变。在一些实施例中，可以以与已经描述的方式不同的方式来确定约束区域的采样模式。例如，可以确定首先在约束区域中不对两个或更多个的点进行采样；然后，可以识别并确定不对其位置满足预定位置关系的约束区域内的其他点进行采样。
图12是示出了根据本公开的一些实施例的示例性处理模块的框图。如图12所示，处理模块540可以包括图像噪声确定单元1210、规则的欠采样重建单元1220和不规则的欠采样重建单元1230。处理模块540的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
图像噪声确定单元1210可以确定成像数据的图像噪声。图像噪声可包括图像中的亮度或颜色信息的随机变化。图像噪声可以由传感器、MRI扫描仪110的电路、数据收集器(例如，RF线圈240)等或其任意组合产生。在一些实施例中，可以如图13及对其描述中那样确定图像噪声。
规则的欠采样重建单元1220可以重建规则的欠采样区域。不规则的欠采样重建单元1230可以重建不规则的欠采样区域。例如，与k空间的平面中的规则的欠采样区域(或不规则的欠采样区域)相关联的MRI信号可以由规则的欠采样重建单元1220(或不规则的欠采样重建单元1230)处理以生成成像数据或图像。在一些实施例中，欠采样区域的重建可以应用包括例如以下的技术：傅立叶成像技术、半傅立叶成像技术、并行成像技术、压缩感测技术、线性插值技术、凸集投影(POCS)技术、梯度下降技术、阈值技术等或其任意组合。规则的欠采样区域和不规则的欠采样区域的重建的更多细节可以在图13及对其描述中找到。
图13是示出了根据本公开的一些实施例的用于图像重建的示例性过程的流程图。MRI系统100可以执行用于重建MRI图像的过程1300。例如，过程1300可以被实现为存储在处理引擎130中的存储设备150和/或存储模块530中的指令集(例如，应用)。处理引擎130可以执行该指令集，并且因此可以被指示为执行在MRI系统100中图像重建的过程。过程1300的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
在1310中，可以确定成像数据的图像噪声。在一些实施例中，可以从采集模块510采集成像数据。在一些实施例中，可以由MRI扫描仪110根据MRI扫描计划从受试者采集成像数据。可以根据k空间的平面来确定MRI扫描计划。例如，可以将k空间的平面划分为一个或多个区域，并为该一个或多个区域中的每个区域分配采样模式，例如在图7-11中所描述的。在一些实施例中，成像数据的图像噪声可以由图像噪声确定单元1210确定。
在一些实施例中，与k空间的边缘(例如，图8中所示的区域R4和/或R5)上的点对应的成像数据可以被选择为确定图像噪声的噪声水平。仅作为示例，成像数据可以包括多个复数，其被表示为以下公式：
pf＝xf+yft， (1)
其中pj可以表示成像数据的第j个数据的值，xj可以表示第j个数据的实部，并且yj可以表示第j个数据的虚部。在一些实施例中，j可以在0至T的范围内，其中T可以是整数。
仅作为示例，噪声水平可以由以下公式确定：
其中zh可以表示成像数据的第j个数据的实部xj或虚部yj。可以表示成像数据的所有T个实部xj和所有T个虚部yj的平均值。h可以在0到2T的范围内，其中T可以是整数。
在一些实施例中，图像噪声还可以通过收集没有图像信号的纯噪声数据来确定。可以在关闭RF脉冲的情况下收集纯噪声数据。在收集纯噪声数据的过程中，脉冲序列可以与成像数据采样期间的脉冲序列相同。例如，纯噪声数据可以被表示为上面的公式(1)，并且噪声水平可以由下面的公式确定：
其中wh可以表示纯噪声数据的第j个数据的实部xj或虚部yj。可以表示纯噪声数据的所有T个实部xj和所有T个虚部yj的平均值。h可以在0至2T的范围内，T可以是整数。
在1320中，可以重建规则的欠采样区域。在一些实施例中，可以由规则的欠采样重建单元1220执行重建。在一些实施例中，1320可以是可选的。例如，如果规则的欠采样区域中的未采样点的数量小于阈值(例如，100、150、200等)，则可以不需要重建规则的欠采样区域。
规则的欠采样区域可以通过并行成像技术来重建。示例性并行成像技术可以包括广义自动校准部分并行采集(下文称为“GRAPPA”)、灵敏度编码(下文称为“SENSE”)、迭代自洽并行成像重建(下文称为“SPIRIT”)等，或其任意组合。
在一些实施例中，可以基于未采样点(即，在扫描期间未采样的点)附近的一个或多个采样点来确定规则的欠采样区域中的未采样点的成像数据。这样的采样点可以被称为未采样点的相邻点。在一些实施例中，感兴趣点的相邻点可以在距感兴趣点一定距离之内。例如，根据GRAPPA或SPIRIT，可以根据线性拟合操作基于相邻采样点来确定未采样点。仅作为示例，一维未采样点的成像数据可以通过以下公式确定：
Sm，n＝∑i，jCi，jSi，j， (4)
其中Sm，n可以表示k空间的平面中的信道m、坐标n中的未采样点的成像数据，Ci，j可以表示权重系数，Si，j可以表示围绕Sm，n的采样点的成像数据，i可以表示线圈元件，j可以表示k空间的平面中的坐标。
在一些实施例中，公式(4)也可以被表示为：
Q·S＝Q·∑iWi·Ii， (5)
其中Wi＝IFFT(C′i)，并且Ii＝IFFT(Si)。IFFT可以表示傅立叶逆算法，Q可以表示具有规则的欠采样模式的点。C′可以表示从公式(4)中的C导出的权重系数阵列。
在一些实施例中，如图14所示，可以基于六个相邻的采样点来确定未采样点1410。例如，未采样点1410的成像数据可以由S3，3表示。六个采样点的成像数据可以由S2，2、S3，2、S4，2、S2，4、S3，4和S4，4表示。并且六个点的权重系数可以由C1、C2、C3、C4、C5和C6表示(如图14所示)。然后未采样点1410的成像数据可以被确定为：
S3，3＝C1S2，2+C2S3，2+C3S4，2+C4S2，4+C3S3，4+C6S4，4， (6)
在一些实施例中，可以基于一个或多个相邻采样点的成像数据通过非线性拟合操作来确定区域(例如，如图8所示的R2至R4之一)内的未采样点的成像数据。在一些实施例中，还可以基于相同区域中的全部或基本上全部的采样点来确定未采样点。在一些实施例中，一个或多个重建的未采样点也可以用于确定任何其他未采样点。
在1330中，可以重建不规则的欠采样区域。在一些实施例中，不规则的欠采样区域的重建可以基于并行成像技术、压缩感测技术、半傅立叶成像技术等或其任意组合。示例性并行成像技术可以包括GRAPPA、SENSE、SPIRIT等，或其任意组合。示例性压缩感测技术可以包括使用基于梯度下降的算法或软阈值去噪操作利用单个或多个规则操作(诸如总变差、小波变换、主成分分析等)来最小化成本函数。示例性半傅里叶成像技术可以包括参考相位确定操作、高通滤波操作、相位校正操作等或其任意组合。不规则的欠采样区域的重建的更多细节可以在图15-19及对其描述中找到。
图15是示出了根据本公开的一些实施例的用于图像重建的示例性过程的流程图。在一些实施例中，图像重建的过程1500可以是用于重建不规则的欠采样区域的过程。如图15所示，可以基于压缩感测过程来执行图像。压缩感测过程可以包括软阈值去噪运算、总变差运算、数据回填运算、加权合成运算等或其任意组合。过程1500的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
在1502中，可以获得与受试者或其一部分有关的成像数据。在一些实施例中，可以由采集模块510获得成像数据。可以从由MRI系统100捕获到的人体210采集成像数据。例如，成像数据可以是经由MRI扫描仪110接收到的MRI数据。
在1502中，可以将迭代数量i设置为1。迭代数量i可以用于记录迭代次数。
在1504中，可以对成像数据执行软阈值去噪操作。在一些实施例中，软阈值去噪操作可以由处理模块540执行。在一些实施例中，软阈值操作可以在图像域或变换域中执行。例如，可以对成像数据的稀疏变换域中的系数执行软阈值去噪操作。可以通过对k空间的成像数据进行傅立叶逆变换来获得图像域。可以通过小波变换(WT)操作或另一种正交变换算法来确定变换域。仅作为示例，一维WT操作可以用于加速变换域的确定速度。在每个迭代的WT操作中，可以将与成像数据相关联的像素的坐标平移一定距离(例如，2～8个像素)。可以基于(如在1310中确定的)噪声水平来确定软阈值去噪操作中的阈值。在一些实施例中，不同的接收信道可以包括不同的阈值。
在1506中，可以做出关于i是否满足第一阈值L的确定。在一些实施例中，可以由处理模块540执行1506。如果i大于L，则过程1500可以进行到1508；否则，过程1500可以进行到1510。L可以是正整数，例如10、100、1000等。
在1508中，作为约束重建的一部分，可以对去噪后的成像数据执行总变差运算以提供处理后的成像数据。在一些实施例中，总变差运算可以由处理模块540执行。总变差可以是在可积函数的空间上的非负、凸和下半连续泛函。在一些实施例中，总变差可以通过梯度下降操作来优化。
在1510中，可以回填所采集的成像数据。在一些实施例中，可以由处理模块540回填所采集的成像数据。要被回填的所采集的成像数据可以包括经由MRI扫描仪110接收到的原始成像数据，或者重建的规则的欠采样区域的重建的成像数据。仅作为示例，可以根据以下公式来回填所采集的成像数据：
Kf＝Kr·(1-Morg-Mreg)+Korg·Morg+Kpt·Mreg， (6)
其中Kf可以表示回填操作之后的成像数据，Kr可以表示软阈值操作之后的成像数据，Korg可以表示原始成像数据(未采样点中的数据可以用0填充)，Kpi可以表示重建的规则的欠采样区域中的成像数据，Morg可以表示用于标记采样点的位置的第一掩膜，其中第一掩膜可以用0或1填充。例如，当第一掩膜中的位置对应于扫描计划中的采样点的位置时，其可以被标记为1，否则其可以被记为0。Mreg可以表示用于标记规则的欠采样区域的重建的未采样点的位置的第二掩膜，其中第二掩膜可以用0或1填充。例如，当第二掩膜中的位置对应于规则的欠采样区域的重建未采样点的位置时，其可以被标记为1，否则其可以被标记为0。运算符“·”可以表示矩阵或阵列的点对点乘法。
在将采集的成像数据回填之后，可以重复1504。此外，在1510中，可以将迭代数量i增加1，例如，i＝i+1。
在1512中，可以做出关于i是否满足第二阈值V的确定。在一些实施例中，可以由处理模块540执行1512。如果i大于V，则过程1500可以进行到1514，否则过程1500可以进行到1516。V可以是正整数。
在1514中，可以输出处理后的成像数据。并且然后，可以根据处理后的成像数据来重建受试者或其一部分的图像。
在1516中，可以对处理后的成像数据执行加权合成运算以生成合成成像数据。通过加权合成运算，总变差运算对k空间的边缘区域具有较大的影响，而对k空间的中心区域具有较小的影响。在一些实施例中，可以确定包括k空间的至少一个加权因子的加权图W。例如，加权图W中的一个加权因子可以对应于k空间的点。与k空间的中心区域相对应的加权因子可以更高，而与k空间的边缘区域相对应的加权因子可以更低。例如，加权因子可以类似于高斯分布在K1方向和/或K2方向上分布。并且加权因子可以在0到1的范围内。
在一些实施例中，可以根据以下公式执行加权合成运算：
Ks＝(Ktv·(1-W)+Kno-tv·W)·(1-Morg-Mreg)+(Korg·Morg+Kpi·Mreg)·，· (8)
其中Ks可以表示加权合成运算后的成像数据，W可以表示加权图，Ktv可以表示总变差运算后的成像数据，并且Kno-tv可以表示总变差运算前的成像数据。Korg、Kpi、Morg、Mreg和运算符“·”可以与以上结合1510所述的相同。
在加权合成之后，可以重复1504。此外，在1516中，可以将迭代数量i增加1，例如，i＝i+1。
应当注意的是，仅出于说明的目的而提供了以上描述，并不旨在限制本公开的范围。对于本领域普通技术人员而言，可以在本公开的教导下进行多种变化或修改。然而，那些变化和修改不脱离本公开的范围。例如，在1506中，可以做出关于成像数据是否满足条件(例如，没有重建的未采样点的数量小于阈值)的确定，而不是关于i是否满足第一阈值L的确定。
还应注意的是，不同运算中的成像数据可以相同或不同。例如，1504中的成像数据可以是软阈值去噪运算之前的数据。1508中的成像数据可以是软阈值去噪运算之后的数据。并且1502中的成像数据可以是指从MRI扫描仪110接收到的原始成像数据。
图16是示出了根据本公开的一些实施例的用于图像重建的示例性过程的流程图。在一些实施例中，图像重建的过程1600可以是重建不规则的欠采样区域的过程。如图16所示，可以基于与压缩感测过程耦合的并行成像过程来执行图像重建。压缩感测过程可以包括软阈值去噪运算、总变差运算、数据回填运算、加权合成运算等，或其任意组合。过程1600的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
在1602中，可以获得成像数据。在一些实施例中，可以由采集模块510获得成像数据。在一些实施例中，可以从由MRI系统100捕获到的人体210获得成像数据。例如，成像数据可以是从MRI扫描仪110接收到的MRI数据。
在1602中，可以将迭代数量i设置为1。迭代数量i可以用于记录迭代次数。
在1604中，可以对成像数据执行并行成像过程以分配用于不同的进一步处理的成像数据。在一些实施例中，并行成像过程可以由处理模块540执行。并行成像过程可以包括GRAPPA、SENSE、SPIRIT等或其任意组合。在一些实施例中，欠采样区域中的并非所有数据都将被用于重建未采样点。例如，可以选择数据的一部分(例如，欠采样区域的一个或多个采样点的成像数据)来重建未采样点。在一些实施例中，并行成像过程可以在图像域中执行。
在1606中，可以对成像数据(例如对成像数据的稀疏变换域中的系数)执行软阈值去噪运算。对软阈值去噪运算的描述可以在本公开的其他地方找到。参见例如图15及对其描述。
在1608中，可以做出关于i是否满足第一阈值L的确定。在一些实施例中，可以由处理模块540执行1608。如果i大于L，则过程1600可以进行至1610；否则，过程1600可以进行到1612。L可以是正整数。
在1610中，作为约束重建的一部分，可以对去噪后的成像数据执行总变差运算以提供处理后的成像数据。在一些实施例中，总变差运算可以由处理模块540执行。在一些实施例中，总变差运算可以通过梯度下降运算来优化。
在1612中，可以将所采集的成像数据回填以提供回填成像数据。对所采集的成像数据回填运算的描述可以在本公开的其他地方找到。参见例如图15及对其描述。在回填所采集的成像数据的过程之后，可以重复1604。此外，在1612中，处理引擎130可以将迭代数量i加1，例如，i＝i+1。
在1614中，可以做出关于i是否满足第二阈值V的确定。在一些实施例中，可以由处理模块540执行1614。如果i大于V，则过程1600可以进行到1616；否则，过程1600可以进行到1618。V可以是正整数。
在1616中，可以输出处理后的成像数据。并然后，可以根据处理后的成像数据确定人体210的图像。
在1618中，可以对处理后的成像数据执行加权合成运算以生成合成成像数据。对加权合成运算的描述可以在本公开的其他地方找到。参见例如图15及对其描述。在执行加权合成之后，可以重复1604。此外，在1618中，可以将迭代数量i加1，例如，i＝i+1。
应当注意的是，仅出于说明的目的而提供了以上描述，并不旨在限制本公开的范围。对于本领域普通技术人员而言，可以在本公开的教导下进行多种变化或修改。然而，那些变化和修改不脱离本公开的范围。例如，在1608中，可以做出关于成像数据是否满足条件(例如，没有重建的未采样点的数量小于阈值)的确定，而不是关于i是否满足第一阈值L的确定。
还应注意的是，不同运算中的成像数据可以相同或不同。例如，1604中的成像数据可以是并行成像过程之后的数据。1610中的成像数据可以是软阈值去噪运算之后的数据。并且1602中的成像数据可以是指从MRI扫描仪110接收到的原始成像数据。
图17是示出了根据本公开的一些实施例的用于图像重建的示例性过程的流程图。在一些实施例中，图像重建的过程1700可以是重建不规则的欠采样区域的过程。如图17所示，可以基于与半傅立叶成像过程耦合的并行成像过程来执行图像重建。半傅里叶成像过程可以包括参考相位确定运算、高通滤波运算、相位校正运算等，或其任意组合。过程1700的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
在1702中，可以获得成像数据。在一些实施例中，可以由采集模块510获得成像数据。在一些实施例中，可以从由MRI系统100捕获到的人体210采集成像数据。例如，成像数据可以是从MRI扫描仪110接收到的MRI数据。
在1704中，可以基于成像数据确定图像的参考相位。在一些实施例中，可以由处理模块540执行1704。在一些实施例中，1704可以独立于过程1700。参考相位的确定可以包括低通滤波运算和傅立叶逆变换运算。低通滤波运算可以由对称低通滤波器执行，其中对称低通滤波器可以相对于k空间的中心点径向对称。例如，低通滤波器可以是高斯低通滤波器。低通滤波运算可以在具有全采样模式的k空间中执行，也可以在具有一个或多个规则的欠采样模式的重建k空间中执行。
在1706中，可以对成像数据执行高通滤波运算以提供滤波后的成像数据。在一些实施例中，可以由处理模块540执行1706。在高通滤波操作中，可以确定零差重建的斜坡加权。仅作为示例，在一维半傅立叶的数据收集过程中，可以对k空间右侧的所有点进行采样，k空间左侧边缘附近的点的一部分可以不被采样，可以利用斜坡滤波对k空间左侧中心附近的点的其他部分进行采样。
在1708中，可以对滤波后的成像数据执行并行成像过程，以分配用于不同的进一步处理的成像数据。在一些实施例中，可以由处理模块540执行1708。对并行成像过程的描述可以在本公开的其他地方找到。参见例如图16及对其描述。
在1710中，可以对成像数据执行相位校正操作以提供相位校正后的成像数据。在一些实施例中，可以由处理模块540执行1710。在一些实施例中，可以按照以下公式来执行相位校正操作：
xr＝real(x.exp(-iP))， (9)
其中P可以表示在1704中确定的参考相位，x可以表示通过对k空间的重建成像数据进行傅里叶逆变换而获得的图像域中的数据，real可以表示获得数据的实部的运算，xr可以表示相位校正运算后的成像数据。
在1712中，可以输出相位校正后的成像数据。并且然后，可以根据相位校正后的成像数据确定人体210的图像。
应当注意的是，仅出于说明的目的而提供了以上描述，并不旨在限制本公开的范围。对于本领域普通技术人员而言，可以在本公开的教导下进行多种变化或修改。然而，那些变化和修改不脱离本公开的范围。例如，可以省略1710，并且xr可以等于x。在这些实施例中，可以输出经过并行成像过程的数据以用于存储和/或图像重建。
还应注意的是，不同步骤中的成像数据可以相同或不同。例如，1706中的成像数据可以是高通滤波运算之前的数据。1710中的成像数据可以是并行成像过程之后的数据。并且1702中的成像数据可以是指从MRI扫描仪110接收到的原始成像数据。
图18是示出了根据本公开的一些实施例的用于图像重建的示例性过程的流程图。在一些实施例中，图像重建的过程1800可以是重建不规则的欠采样区域的过程。如图18所示，可以基于与半傅立叶成像过程耦合的压缩感测过程来执行图像重建。压缩感测过程可以包括软阈值去噪运算、总变差运算、数据回填运算、加权合成运算等或其任意组合。半傅里叶成像过程可以包括参考相位确定运算、高通滤波运算、相位校正运算等，或其任意组合。过程1800的至少一部分可以在如图3所示的计算设备300或如图4所示的移动设备400上实现。
在1802中，可以获得与受试者或其一部分有关的成像数据。在一些实施例中，可以由采集模块510获得成像数据。在一些实施例中，可以从由MRI系统100捕获到的人体210获取成像数据。例如，成像数据可以是从MRI扫描仪110接收到的MRI数据。
在1804中，可以基于成像数据确定图像的参考相位。参考相位确定运算的细节可以在本公开的其他地方找到。参见例如图17及对其描述。
在1806中，可以对成像数据执行高通滤波运算以提供滤波后的成像数据。高通滤波运算的细节可以在本公开的其他地方找到。参见例如图17及对其描述。
在1806中，可以将迭代数量i设置为1。迭代数量i可以用于记录迭代次数。
在1808中，可以对滤波后的成像数据(例如对滤波后的成像数据的稀疏变换域中的系数)执行软阈值去噪运算。软阈值去噪运算的细节可以在本公开的其他地方找到。参见例如图15及对其描述。
在1810中，可以做出关于i是否满足第一阈值L的确定。在一些实施例中，可以由处理模块540执行1810。如果i大于L，则过程1800可以进行至1812；否则，过程1800可以进行到1814。L可以是正整数。
在1812中，可以对去噪后的成像数据执行总变差运算以提供处理后的成像数据。在一些实施例中，可以由处理模块540执行1812。在一些实施例中，可以通过梯度下降运算来优化总变差运算。
在1814中，可以回填所采集的成像数据。所采集的成像数据回填运算的细节可以在本公开的其他地方找到。参见例如图15及对其描述。在回填所采集的成像数据的过程之后，可以重复1808。此外，在1814中，可以将迭代数量i加1，例如，i＝i+1。
在1816中，可以做出关于i是否满足第二阈值V的确定。在一些实施例中，可以由处理模块540执行1816。如果i大于V，则过程1800可以进行到1818；否则，过程1800可以进行到1822。V可以是正整数。
在1818中，可以对处理后的成像数据执行相位校正运算。相位校正运算的细节可以如图17及对其描述中那样描述。
在1820中，可以输出处理后的成像数据。并且然后，可以根据处理后的成像数据确定人体210的图像。
在1822中，可以对处理后的成像数据执行加权合成运算以生成合成成像数据。加权合成运算的细节可以如图15及相关描述中那样描述。在执行加权合成之后，可以重复1808。此外，在1822中，处理引擎130可以将迭代数量i加1，例如，i＝i+1。
应当注意的是，仅出于说明的目的而提供了以上描述，并不旨在限制本公开的范围。对于本领域普通技术人员而言，可以在本公开的教导下进行多种变化或修改。然而，那些变化和修改不脱离本公开的范围。例如，在1810中，可以确定关于成像数据是否满足条件(例如，没有重建的未采样点的数量小于阈值)的确定，而不是关于i是否满足第一阈值L的确定。
还应注意的是，不同步骤中的成像数据可以相同或不同。例如，1812中的成像数据可以是在软阈值去噪运算之后的数据。并且1802中的成像数据可以是指从MRI扫描仪110接收到的原始成像数据。
图19是示出了根据本公开的一些实施例的用于图像重建的示例性过程的流程图。在一些实施例中，图像重建的过程1900可以是重建不规则的欠采样区域的过程。如图19所示，可以基于与压缩感测过程和半傅立叶成像过程耦合的并行成像过程来执行图像重建。压缩感测过程可以包括软阈值去噪运算、总变差运算、数据回填运算、加权合成运算等或其任意组合。半傅里叶成像过程可以包括参考相位确定运算、高通滤波运算、相位校正运算等，或其任意组合。
在1902中，可以获得与受试者或其一部分有关的成像数据。在一些实施例中，成像数据可以由采集模块510获得。在一些实施例中，可以从由MRI系统100捕获到的人体210采集成像数据。例如，成像数据可以是从MRI扫描仪110接收到的MRI数据。
在1904中，可以基于成像数据确定图像的参考相位。参考相位确定运算的细节可以在本公开的其他地方找到。参见例如图17及相关描述。
在1906中，对成像数据进行高通滤波运算以提供滤波后的成像数据。高通滤波运算的细节可以在本公开的其他地方找到。参见例如图17及对其描述。
在1906中，可以将迭代数量i设置为1。迭代数量i可以用于记录迭代次数。
在1908中，可以对滤波后的成像数据执行并行成像过程，以分配用于不同的进一步处理的成像数据。并行成像过程的细节可以在本公开的其他地方找到。参见例如图16及对其描述。
在1910中，可以对成像数据(例如对成像数据的稀疏变换域中的系数)执行软阈值去噪运算。软阈值去噪运算的细节可以在本公开的其他地方找到。参见例如图15及对其描述。
在1912，可以做出关于i是否满足第一阈值L的确定。在一些实施例中，可以由处理模块540执行1912。如果i大于L，则过程1800可以进行到1914；否则，过程1800可以进行到1916。L可以是正整数。
在1914中，可以对去噪后的成像数据执行总变差运算以提供处理后的成像数据。在一些实施例中，总变差运算可以由处理模块540执行。在一些实施例中，总变差运算可以通过梯度下降运算来优化。
在1916中，可以回填所采集的成像数据。所采集的成像数据回填运算的细节可以在本公开的其他地方找到。参见例如图15及对其描述。在回填所采集的成像数据的过程之后，可以重复1908。此外，在1916中，迭代数量i可以增加1，例如，i＝i+1。
在1918中，可以做出关于i是否满足第二阈值V的确定。在一些实施例中，可以由处理模块540执行1918。如果i大于V，则过程1800可以进行到1920；否则，过程1800可以进行到1922。V可以是正整数。
在1920中，可以对成像数据执行相位校正运算。相位校正运算的细节可以在本公开的其他地方找到。参见例如图17及对其描述。
在1922中，可以对处理后的成像数据执行加权合成运算以生成合成成像数据。加权合成运算的细节可以在本公开的其他地方找到。参见例如图15及对其描述。在执行加权合成之后，可以重复908。此外，在1922中，迭代数量i可以增加1，例如，i＝i+1。
在1924中，可以输出相位校正后的成像数据。并且然后，可以根据相位校正后的成像数据确定人体210的重建图像。
应当注意的是，仅出于说明的目的而提供了以上描述，并不旨在限制本公开的范围。对于本领域普通技术人员而言，可以在本公开的教导下进行多种变化或修改。然而，那些变化和修改不脱离本公开的范围。例如，在1912中，可以确定关于成像数据是否满足条件(例如，没有重建的未采样点的数量小于阈值)的确定，而不是关于i是否满足第一阈值L的确定。
还应注意的是，不同步骤中的成像数据可以相同或不同。例如，1914中的成像数据可以是软阈值去噪运算之后的数据。并且1902中的成像数据可以是指从MRI扫描仪110接收到的原始成像数据。
图20-A、20-B和20-C示出了根据本公开的一些实施例的基于图像重建技术而重建的示例性MRI图像。如图20-A至20-C所示，MRI图像是整个肝脏的图像。图20-A可以是肝脏的俯视图，图20-B可以是肝脏的前视图，并且图20-C可以是肝脏的侧视图。以高分辨率收集成像数据，其中成像数据的体素为1.9毫米×1.9毫米×1.9毫米。并且在18秒屏气内完全收集了成像数据。成像数据的加速因子为3.5。
应当注意的是，仅出于说明的目的而提供了对处理模块的以上描述，并不旨在限制本公开的范围。对于本领域普通技术人员而言，可以在本公开的教导下进行多种变化或修改。然而，那些变化和修改不脱离本公开的范围。例如，加权合成运算或许是不必要的。
至此已经描述了基本概念，对于本领域的技术人员在阅读了本详细公开之后可以显而易见的是，上述详细公开仅旨在通过示例的方式呈现，而不是限制性的。尽管本文没有明确说明，但是可能发生各种改变、改进和修改，并且是本领域技术人员预期的。这些改变、改进和修改旨在由本公开暗示，并且在本公开的示例性实施例的精神和范围内。
此外，某些术语已经被用来描述本公开的实施例。例如，术语“一个实施例”、“实施例”和/或“一些实施例”意为结合该实施例描述的特定特征、结构或特性包括在本公开的至少一个实施例中。因此，强调并且应当理解的是，在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定全部指同一实施例。此外，在本公开的一个或多个实施例中，可以适当地组合特定特征、结构或特性。
此外，本领域技术人员将认识到的是，本公开的各方面可以在许多可授予专利权的类别或上下文(包括任何新的和有用的过程、机器、制造或物质组成、或其任何新的和有用的改进)中的任何一种中而在本文示出和描述。因此，本公开的各方面可以完全以硬件、完全以软件(包括固件、驻留软件、微代码等)或组合软件和硬件实现(在本文中通常都可以被称为“单元”、“模块”或“系统”)来实现。此外，本公开的各方面可以采取一个或多个计算机可读介质(具有在其上实现的计算机可读程序代码)中实现的计算机程序产品的形式。
计算机可读信号介质可以包括例如在基带中或作为载波的一部分的传播的数据信号，该传播的数据信号具有在其中实现的计算机可读程序代码。这样的传播信号可以采取多种形式中的任何一种，包括电磁、光学等，或其任何合适的组合。计算机可读信号介质可以为不是计算机可读存储介质并且可以通信、传播或传输供指令执行系统、装置或设备使用或与其结合使用的程序的任何计算机可读介质。在计算机可读信号介质上实现的程序代码可以使用任何适当的介质来传输，包括无线、有线、光纤电缆、RF等，或前述的任何适当组合。
可以以一种或多种编程语言的任何组合来编写用于执行本公开各方面的操作的计算机程序代码，所述一种或多种编程语言包括面向对象的编程语言(诸如JAVA、SCALA、SMALLTALK、EIFFEL、JADE、EMERALD、C++、C#、VB.NET、PYTHON等)、常规过程编程语言(诸如“C”编程语言、Visual Basic、Fortran 2013、PERL、COBOL 2012、PHP、ABAP)、动态编程语言(诸如PYTHON、RUBY和GROOVY)，或其他编程语言。程序代码可以完全在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上并且部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者(例如，通过使用互联网服务提供商的互联网)可以与外部计算机建立连接或在云计算环境中建立连接，或作为服务(诸如软件即服务(SaaS))提供。
此外，处理元件或序列的列举顺序，或者数字、字母或其他名称的使用因此不旨在将所要求保护的过程和方法限制为任何顺序，除非如可以在权利要求中指定的那样。虽然以上公开通过各种示例讨论了当前被认为是本公开的各种有用实施例，但是要理解的是，这种细节仅出于该目的并且所附权利要求不限于所公开的实施例，但相反的是，其旨在覆盖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，尽管上述各种组件的实施方式可以在硬件设备中实现，但是它也可以被实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。
类似地，应当理解的是，在本公开的实施例的前述描述中，有时在单个实施例、附图或其描述中将各种特征组合在一起，以用于精简本公开的目的，从而有助于对各种发明实施例中的一个或多个的理解。然而，本公开的方法不被解释为反映了以下意图：所要求保护的主题需要比每个权利要求中明确叙述的特征更多的特征。而是，发明性实施例少于单个前述公开的实施例的所有特征。
在一些实施例中，用于描述和要求保护本申请的某些实施例的表示数量或性质的数字在某些情况下应理解为被术语“大约”、“近似”或“基本上”修饰。例如，除非另有说明，否则“大约”、“近似”或“基本上”可以表示其所描述的值的±20％的变化。因此，在一些实施例中，在书面描述和所附权利要求中阐述的数值参数是近似值，其可以根据特定实施例试图获得的期望属性而变化。在一些实施例中，应该根据报告的有效数字的数量并通过应用普通的舍入技术来解释数值参数。尽管陈述了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，但是在具体示例中陈述的数值被尽可能精确地报告。
本文引用的专利、专利申请、专利申请的出版物以及其他素材(诸如文章、书籍、说明书、出版物、文档、事物等)中的每个均在此通过引用其整体而并入本文，以用于所有目的，除了与此相关联的任何起诉文件历史记录；与本文档不一致或冲突的任何专利、专利申请、专利申请的出版物以及其他素材；或可能对现在或以后与本文档相关联的权利要求的最广泛范围产生有限影响的任何专利、专利申请、专利申请的出版物以及其他素材之外。举例来说，如果描述之间；与任何并入的素材相关联和与本文档、描述、定义相关联的术语的使用之间；和/或本文档中的术语的使用之间有任何不一致或冲突，应以定义为准。
最后，要理解的是，本文公开的本申请的实施例是本申请的实施例的原理的说明。可以采用的其他修改可以在本申请的范围内。因此，通过示例而非限制的方式，可以根据本文的教导来利用本申请的实施例的替代配置。因此，本申请的实施例不限于精确地如所示出和描述的那样。

Claims (23)

1.一种系统，包括：
至少一个非暂时性计算机可读存储介质，其包括指令集；和
与所述至少一个非暂时性计算机可读存储介质通信的至少一个处理器，其中当执行所述指令时，所述系统被指示为：
将k空间的平面划分为第一区域和第二区域；
为所述第一区域分配全采样模式；
为所述第二区域的至少一部分分配不规则的欠采样模式；并且
根据所述k空间的平面来确定磁共振成像(MRI)扫描计划，
其中，所述k空间是三维MRI图像的傅立叶空间，并且所述k空间的平面基于脉冲序列的至少一个相位编码方向。
2.根据权利要求1所述的系统，其中，所述第一区域位于所述k空间的平面的中心区部，并且所述第二区域位于所述k空间的平面的周围区部。
3.根据权利要求1所述的系统，其中，所述不规则的欠采样模式是随机欠采样模式或约束欠采样模式中的至少一种。
4.根据权利要求1所述的系统，其中，所述系统还被指示为：
将所述第二区域分为第三区域和第四区域；并且
为所述第三区域的至少一部分分配所述不规则的欠采样模式。
5.根据权利要求4所述的系统，其中，所述系统还被指示为：
为所述第四区域的至少一部分分配规则的欠采样模式，
其中，所述第四区域的采样率为1/R，并且其中，R为大于1的正整数。
6.根据权利要求1所述的系统，其中，所述系统还被指示为：
将所述第二区域划分为第五区域、第六区域、第七区域和第八区域，
其中所述第一区域位于所述k空间的平面的中心区部，所述第一区域由至少四个侧面限定，所述四个侧面包括在第一方向上的两个侧面和在与所述第一方向不同的第二方向上的两个侧面，所述第五区域被定位沿着所述第一区域在所述第一方向上的两个侧面，所述第六区域被定位沿着所述第一区域在所述第二方向上的两个侧面，所述第六区域由所述第一方向上的至少两个侧面限定，所述第七区域被定位沿着所述第六区域在所述第一方向上的两个侧面，并且
其中，所述第一区域的采样密度大于所述第五区域，并且所述第六区域的采样密度大于所述第七区域。
7.一种系统，包括：
至少一个非暂时性计算机可读存储介质，其包括指令集；和
与所述至少一个非暂时性计算机可读存储介质通信的至少一个处理器，其中当执行所述指令时，所述系统被指示为：
根据欠采样模式而获得由MRI系统捕获到的受试者或其一部分的成像数据；
执行第一迭代过程，所述第一迭代过程包括：
对所述成像数据的稀疏变换域执行软阈值去噪运算；和
确定所述软阈值去噪运算的第一迭代数量；
确定所述第一迭代数量满足第一阈值；
响应于所述第一迭代数量满足所述第一阈值的确定而执行第二迭代过程，所述第二迭代过程包括：
对去噪后的成像数据执行总变差算法以提供处理后的成像数据；和
确定总变差运算的第二迭代数量；
确定所述第一迭代数量与所述第二迭代数量之和满足第二阈值；以及
根据所述处理后的成像数据来生成所述受试者或其一部分的重建图像，
其中所述第一阈值低于所述第二阈值。
8.根据权利要求7所述的系统，其中，所述系统还被指示为：
通过梯度下降运算来优化所述总变差算法。
9.根据权利要求7所述的系统，其中，所述第一迭代过程还包括：
将采集到的成像数据回填到去噪运算之后获得的k空间中；和
对回填后的成像数据的稀疏变换域执行所述去噪运算。
10.根据权利要求7所述的系统，其中，所述系统还被指示为：
确定所述第一迭代数量与所述第二迭代数量之和小于所述第二阈值；
对处理后的成像数据执行加权合成运算以生成合成成像数据；并且
对所述合成成像数据的稀疏变换域执行所述软阈值去噪运算。
11.根据权利要求7所述的系统，其中，所述系统还被指示为：
对所述成像数据执行并行成像过程。
12.根据权利要求7所述的系统，其中，所述系统还被指示为：
确定所述成像数据的参考相位；
对所述成像数据执行高通滤波运算，以生成滤波后的成像数据；
确定所述第一迭代数量与所述第二迭代数量之和满足所述第二阈值；并且
基于所述参考相位，对滤波后的成像数据执行相位校正运算，以生成相位校正后的成像数据。
13.根据权利要求12所述的系统，其中，所述系统还被指示为：
对所述相位校正后的成像数据执行并行成像过程。
14.一种系统，包括：
至少一个非暂时性计算机可读存储介质，其包括指令集；和
与所述至少一个非暂时性计算机可读存储介质通信的至少一个处理器，其中当执行所述指令时，所述系统被指示为：
根据欠采样模式而获得由MRI系统捕获到的受试者或其一部分的成像数据；
基于所述成像数据确定图像的参考相位；
对所述成像数据执行高通滤波运算，以提供滤波后的成像数据；
对所述滤波后的成像数据执行并行成像过程；
对所述成像数据执行相位校正运算，以提供相位校正后的成像数据；
输出相位校正后的成像数据；并且
根据所述相位校正后的成像数据确定所述受试者或其一部分的重建图像。
15.一种在具有至少一个处理器、至少一个计算机可读存储介质以及连接到磁共振成像(MRI)系统的通信端口的计算设备上实施的方法，包括：
将k空间的平面划分为第一区域和第二区域；
为所述第一区域分配全采样模式；
为所述第二区域的至少一部分分配不规则的欠采样模式；以及
根据所述k空间的平面来确定MRI扫描计划，
其中，所述k空间是三维MRI图像的傅立叶空间，并且所述k空间的平面基于脉冲序列的至少一个相位编码方向。
16.一种在具有至少一个处理器、至少一个计算机可读存储介质以及连接到磁共振成像(MRI)系统的通信端口的计算设备上实施的方法，包括：
根据欠采样模式而获得由所述MRI系统捕获到的受试者或其一部分的成像数据；
执行第一迭代过程，所述第一迭代过程包括：
对所述成像数据的稀疏变换域执行软阈值去噪运算；和
确定所述软阈值去噪运算的第一迭代数量；
确定所述第一迭代数量满足第一阈值；
响应于所述第一迭代数量满足所述第一阈值的确定而执行第二迭代过程，所述第二迭代过程包括：
对去噪后的成像数据执行总变差算法以提供处理后的成像数据；和
确定总变差运算的第二迭代数量；
确定所述第一迭代数量与所述第二迭代数量之和满足第二阈值；以及
根据所述处理后的成像数据来生成所述受试者或其一部分的重建图像，
其中所述第一阈值低于所述第二阈值。
17.根据权利要求16所述的方法，还包括：
通过梯度下降运算来优化所述总变差算法。
18.根据权利要求17所述的方法，其中，所述第一迭代过程还包括：
将采集到的成像数据回填到去噪运算之后获得的k空间中；和
对回填后的成像数据的稀疏变换域执行所述去噪运算。
19.根据权利要求16所述的方法，还包括：
确定所述第一迭代数量与所述第二迭代数量之和小于所述第二阈值；
对处理后的成像数据执行加权合成运算以生成合成成像数据；以及
对所述合成成像数据的稀疏变换域执行所述软阈值去噪运算。
20.一种在具有至少一个处理器、至少一个计算机可读存储介质以及连接到磁共振成像(MRI)系统的通信端口的计算设备上实施的方法，包括：
根据欠采样模式而获得由所述MRI系统捕获到的受试者或其一部分的成像数据；
基于所述成像数据来确定图像的参考相位；
对所述成像数据执行高通滤波运算，以提供滤波后的成像数据；
对所述滤波后的成像数据执行并行成像过程；
对所述成像数据执行相位校正操作，以提供相位校正后的成像数据；
输出所述相位校正后的成像数据；以及
根据所述相位校正后的成像数据来确定所述受试者或其一部分的重建图像。
21.一种系统，包括：
MRI扫描仪，用于根据MRI扫描计划来扫描受试者并获得其成像数据；
处理引擎，所述处理引擎被配置为：
通过k空间划分单元将k空间划分为第一区域和第二区域；
通过采样模式分配单元为所述第一区域分配全采样模式；
通过所述采样模式分配单元为所述第二区域的至少一部分分配不规则的欠采样模式；并且
通过MRI扫描计划确定单元基于所述k空间的所分配的第一区域和第二区域来确定所述MRI扫描计划，
通过处理模块根据所述成像数据和一个或多个图像重建过程来获得所述受试者的MR图像。
22.根据权利要求21所述的系统，其中，所述一个或多个图像重建过程包括并行成像过程、压缩感测过程和半傅立叶成像过程。
23.根据权利要求22所述的系统，其中，通过所述并行成像过程、所述压缩感测过程和所述半傅里叶成像过程中的至少一个来重建与所述k空间的第二区域相关联的MR图像。
CN201780090237.5A 2017-06-29 2017-06-29 用于磁共振成像加速的系统和方法 Active CN110573896B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/090936 WO2019000348A1 (en) 2017-06-29 2017-06-29 SYSTEM AND METHOD FOR ACCELERATING MAGNETIC RESONANCE IMAGING

Publications (2)

Publication Number Publication Date
CN110573896A true CN110573896A (zh) 2019-12-13
CN110573896B CN110573896B (zh) 2022-05-24

Family

ID=64738645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780090237.5A Active CN110573896B (zh) 2017-06-29 2017-06-29 用于磁共振成像加速的系统和方法

Country Status (4)

Country Link
US (2) US11327132B2 (zh)
EP (1) EP3446140A4 (zh)
CN (1) CN110573896B (zh)
WO (1) WO2019000348A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257811A (zh) * 2020-04-29 2020-06-09 山东奥新医疗科技有限公司 磁共振成像方法、装置及系统
CN112213673A (zh) * 2020-09-07 2021-01-12 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统
CN113325349A (zh) * 2020-02-28 2021-08-31 上海联影医疗科技股份有限公司 磁共振系统及其控制方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6839113B2 (ja) * 2018-02-01 2021-03-03 日本電信電話株式会社 転送装置及び転送方法
US10672151B1 (en) * 2019-01-07 2020-06-02 Uih America, Inc. Systems and methods for magnetic resonance image reconstruction
JP2023069890A (ja) * 2021-11-08 2023-05-18 富士フイルムヘルスケア株式会社 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法
WO2023114317A1 (en) * 2021-12-14 2023-06-22 Regents Of The University Of Minnesota Noise-suppressed nonlinear reconstruction of magnetic resonance images

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003014759A1 (en) * 2001-08-09 2003-02-20 Koninklijke Philips Electronics N.V. Method and apparatus for determining at least one contour of the left and/or right ventricle of a heart
CN101975935A (zh) * 2010-09-03 2011-02-16 杭州电子科技大学 一种基于部分回波压缩感知的快速磁共振成像方法
CN103064046A (zh) * 2012-12-25 2013-04-24 深圳先进技术研究院 一种基于稀疏采样的核磁共振成像的图像处理方法
CN103595414A (zh) * 2012-08-15 2014-02-19 王景芳 一种稀疏采样与信号压缩感知重构方法
CN104063886A (zh) * 2014-03-24 2014-09-24 杭州电子科技大学 一种基于稀疏表示和非局部相似的核磁共振图像重建方法
US20150279065A1 (en) * 2014-03-28 2015-10-01 Albert-Ludwigs-Universitaet Freiburg Method for magnetic resonance imaging
CN106339982A (zh) * 2016-08-24 2017-01-18 深圳先进技术研究院 快速磁共振心脏实时电影成像方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7622924B2 (en) * 2007-06-12 2009-11-24 General Electric Company Method and apparatus for k-space and hybrid-space based image reconstruction for parallel imaging and artifact correction
US8692549B2 (en) 2009-05-27 2014-04-08 Siemens Aktiengesellschaft Method for reconstructing images of an imaged subject from a parallel MRI acquisition
DE102010061977B4 (de) 2010-11-25 2013-10-17 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Ergänzung mit partiell parallelen Aufnahmeverfahren aufgenommen Magnetresonanz-Daten
US10401463B2 (en) * 2012-09-24 2019-09-03 Koninklijke Philips N.V. Breath-hold detection for magnetic resonance imaging
CN103048632B (zh) * 2012-12-19 2015-11-25 北京大学 一种基于压缩传感的快速高角分辨率扩散成像方法
US9726742B2 (en) * 2013-02-01 2017-08-08 Regents Of The University Of Minnesota System and method for iteratively calibrated reconstruction kernel for accelerated magnetic resonance imaging
CN104217448B (zh) * 2014-09-05 2017-11-03 中国科学院深圳先进技术研究院 基于迭代特征修正的磁共振快速成像方法及系统
WO2016190701A1 (en) * 2015-05-28 2016-12-01 Samsung Electronics Co., Ltd. Magnetic resonance imaging apparatus and method
CN105467339A (zh) 2015-12-31 2016-04-06 深圳先进技术研究院 一种快速多层磁共振成像方法和装置
CN106842089B (zh) * 2017-01-23 2019-08-23 上海联影医疗科技有限公司 一种磁共振成像方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003014759A1 (en) * 2001-08-09 2003-02-20 Koninklijke Philips Electronics N.V. Method and apparatus for determining at least one contour of the left and/or right ventricle of a heart
CN101975935A (zh) * 2010-09-03 2011-02-16 杭州电子科技大学 一种基于部分回波压缩感知的快速磁共振成像方法
CN103595414A (zh) * 2012-08-15 2014-02-19 王景芳 一种稀疏采样与信号压缩感知重构方法
CN103064046A (zh) * 2012-12-25 2013-04-24 深圳先进技术研究院 一种基于稀疏采样的核磁共振成像的图像处理方法
CN104063886A (zh) * 2014-03-24 2014-09-24 杭州电子科技大学 一种基于稀疏表示和非局部相似的核磁共振图像重建方法
US20150279065A1 (en) * 2014-03-28 2015-10-01 Albert-Ludwigs-Universitaet Freiburg Method for magnetic resonance imaging
CN106339982A (zh) * 2016-08-24 2017-01-18 深圳先进技术研究院 快速磁共振心脏实时电影成像方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325349A (zh) * 2020-02-28 2021-08-31 上海联影医疗科技股份有限公司 磁共振系统及其控制方法
CN113325349B (zh) * 2020-02-28 2022-11-25 上海联影医疗科技股份有限公司 磁共振系统及其控制方法
CN111257811A (zh) * 2020-04-29 2020-06-09 山东奥新医疗科技有限公司 磁共振成像方法、装置及系统
CN112213673A (zh) * 2020-09-07 2021-01-12 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统
CN112213673B (zh) * 2020-09-07 2022-11-22 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统

Also Published As

Publication number Publication date
US20220268866A1 (en) 2022-08-25
EP3446140A1 (en) 2019-02-27
CN110573896B (zh) 2022-05-24
US20190004133A1 (en) 2019-01-03
US11327132B2 (en) 2022-05-10
EP3446140A4 (en) 2019-04-03
WO2019000348A1 (en) 2019-01-03

Similar Documents

Publication Publication Date Title
CN110573896B (zh) 用于磁共振成像加速的系统和方法
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
US10803631B2 (en) Systems and methods for magnetic resonance imaging
US10638951B2 (en) Systems and methods for magnetic resonance imaging
CN107072592B (zh) 磁共振成像装置以及定量性磁化率匹配方法
CN111505553B (zh) 磁共振成像系统和方法
Gramfort et al. Denoising and fast diffusion imaging with physically constrained sparse dictionary learning
US11375918B2 (en) White matter fibrography by synthetic magnetic resonance imaging
JPWO2014076808A1 (ja) 磁気共鳴イメージング装置および定量的磁化率マッピング法
Koolstra et al. Cartesian MR fingerprinting in the eye at 7T using compressed sensing and matrix completion‐based reconstructions
JP2015062637A (ja) 磁気共鳴イメージング装置、画像処理装置および磁化率画像算出方法
US11372071B2 (en) Method and system for diffusion magnetic resonance imaging
CN111012349B (zh) 磁共振成像中信号表征确定的系统与方法
CN111685766A (zh) 成像系统和方法
CN114076911B (zh) 磁共振成像的方法及系统
Chen et al. Human brain functional MRI and DTI visualization with virtual reality
Rodríguez‐Soto et al. Correction of Artifacts Induced by B0 Inhomogeneities in Breast MRI Using Reduced‐Field‐of‐View Echo‐Planar Imaging and Enhanced Reversed Polarity Gradient Method
CN110325871B (zh) 用于图像重建的系统和方法
CN111856363B (zh) 同步多层磁共振成像的系统、方法
US20220392035A1 (en) Nonuniformity correction systems and methods of diffusion-weighted magnetic resonance images
US11069063B2 (en) Systems and methods for noise analysis
WO2019041609A1 (en) SYSTEM AND METHOD FOR AMPLITUDE REDUCTION IN RF IMPULSE DESIGN
He et al. Compressed sensing-based simultaneous recovery of magnitude and phase MR images via dual trigonometric sparsity
CN113050010B (zh) 噪音分析的系统、方法
US20240053421A1 (en) Systems and methods for magnetic resonance imaging

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