CN110992433B - 用于利用空数据一致性来稀疏图像重建的系统和方法 - Google Patents

用于利用空数据一致性来稀疏图像重建的系统和方法 Download PDF

Info

Publication number
CN110992433B
CN110992433B CN201910953108.5A CN201910953108A CN110992433B CN 110992433 B CN110992433 B CN 110992433B CN 201910953108 A CN201910953108 A CN 201910953108A CN 110992433 B CN110992433 B CN 110992433B
Authority
CN
China
Prior art keywords
data
image
iterative
coil
output
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
CN201910953108.5A
Other languages
English (en)
Other versions
CN110992433A (zh
Inventor
克里斯托弗·贾德森·哈迪
伊齐克·马尔基尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN110992433A publication Critical patent/CN110992433A/zh
Application granted granted Critical
Publication of CN110992433B publication Critical patent/CN110992433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明题为“用于利用空数据一致性来稀疏图像重建的系统和方法”。本发明公开了用于MR稀疏图像重建的系统和方法。MRI装置采集的线圈数据包括欠采样的k空间数据。通过使用图像重建技术来从线圈数据生成初始欠采样的图像。通过具有多个迭代块的残余深度学习网络来从线圈数据和初始欠采样的图像生成重建图像。第一迭代块接收初始欠采样的图像。多个迭代块中的每一个包括数据一致性单元，该数据一致性单元利用归零数据一致性来保持相应迭代块的相应输出中的线圈数据的保真度。初始欠采样的图像经由残余连接被添加到最后一个迭代块的输出。

Description

用于利用空数据一致性来稀疏图像重建的系统和方法
背景技术
本文所公开的主题涉及图像重建，并且更具体地，涉及利用残余学习和数据一致性两者重建欠采样的磁共振图像的系统和方法。
非侵入性成像技术允许获得患者/对象的内部结构或特征的图像，而无需对患者/对象执行侵入性过程。具体地讲，此类非侵入性成像技术依赖于各种物理原理(诸如X射线穿过目标体积的差分透射、体积内的声波反射、体积内不同组织和材料的顺磁性、目标放射性核素在体内的分解等)，以采集数据和构建图像或以其他方式表示观察到的患者/对象的内部特征。
所有重建算法都经受各种折衷，诸如在计算效率、患者剂量、扫描速度、图像质量和伪影之间的折衷。因此，需要可提供改善的有益效果的重建技术，诸如提高的重建效率或速度，同时仍获得良好的图像质量或允许较低的患者剂量。
发明内容
下文示出了本文所公开的某些实施方案的概述。应当理解，提供这些方面仅仅是为了向读者提供这些特定实施方案的简要概述，并且这些方面并非旨在限制本公开的范围。实际上，本公开可涵盖下文可能未示出的各个方面。
在一个实施方案中，提供了方法。该方法包括从磁共振成像装置采集线圈数据，其中线圈数据包括对应于受试者的欠采样的k空间数据。该方法还包括使用图像重建技术来处理线圈数据以生成初始欠采样的图像。该方法还包括基于线圈数据、初始欠采样的图像和残余深度学习图像重建网络的多个迭代块来生成重建图像。残余深度学习图像重建网络的第一迭代块接收初始欠采样的图像。多个迭代块中的每一个包括数据一致性单元，该数据一致性单元利用归零数据一致性来保持相应迭代块的相应输出中的线圈数据的保真度。迭代块通过直接连接从一个迭代块连接到下一个迭代块。初始欠采样的图像经由残余连接被添加到最后一个迭代块的输出。残余深度学习图像重建网络是使用先前采集的线圈数据训练的神经网络。
在另一个实施方案中，提供了系统。该系统包括编码处理器可执行例程的存储器。该系统还包括被配置为访问存储器和执行处理器可执行例程的处理部件。当由处理部件执行时，例程使处理部件从磁共振成像装置采集线圈数据，其中线圈数据包括对应于受试者的欠采样的k空间数据。当由处理部件执行时，例程还使处理部件使用图像重建技术来处理线圈数据以生成初始欠采样的图像。当由处理部件执行时，例程还使处理部件基于线圈数据、初始欠采样的图像和残余深度学习图像重建网络的多个迭代块来生成重建图像。残余深度学习图像重建网络的第一迭代块接收初始欠采样的图像。多个迭代块中的每一个包括数据一致性单元，该数据一致性单元利用归零数据一致性来保持相应迭代块的相应输出中的线圈数据的保真度。迭代块通过直接连接从一个迭代块连接到下一个迭代块。初始欠采样的图像经由残余连接被添加到最后一个迭代块的输出。残余深度学习图像重建网络是使用先前采集的线圈数据训练的神经网络。
在另一个实施方案中，提供了方法。该方法包括从磁共振成像装置采集线圈数据，其中线圈数据包括对应于受试者的欠采样的k空间数据。该方法还包括使用图像重建技术来处理线圈数据以生成初始欠采样的图像。该方法还包括基于线圈数据、初始欠采样的图像和残余深度学习图像重建网络的多个迭代块来生成重建图像，其中残余深度学习图像重建网络的第一迭代块接收初始欠采样的图像，并且其中多个迭代块中的每一个包括数据一致性单元，该数据一致性单元利用归零数据一致性来保持相应迭代块的相应输出中的线圈数据的保真度，并且其中迭代块通过直接连接从一个迭代块连接到下一个迭代块，并且其中初始欠采样的图像经由残余连接被添加到最后一个迭代块的输出，并且其中残余深度学习图像重建网络是使用先前采集的线圈数据训练的神经网络。
附图说明
当参考附图阅读以下详细描述时，将更好地理解本发明的这些和其他特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：
图1描绘了根据本公开的各方面的用于训练深度学习模型的人工神经网络的示例；
图2示出了适用于本发明所公开的技术的磁共振成像(MRI)系统的实施方案；
图3是示出根据本公开的方面的用于使用残余深度学习图像重建网络重建图像的方法的实施方案的流程图；
图4是示出根据本公开的方面的用于重建图像的残余深度学习图像重建网络的实施方案的框图；
图5是根据本公开的方面的在图4的残余深度学习图像重建网络中使用的迭代块的实施方案的框图；
图6是根据本公开的方面的在图4的残余深度学习网络中使用的正则化单元的框图；
图7是根据本公开的方面的在图4的残余深度学习图像重建网络中使用的数据一致性单元的实施方案(例如，利用归零数据一致性线)的框图；
图8是根据本公开的方面的在图4的残余深度学习图像重建网络中使用的数据一致性单元的实施方案(例如，跳过从计算的线圈数据减去采集的线圈数据)的框图；
图9A至图9D示出了根据本公开的方面的图4的残余深度学习图像重建网络的性能；
图10A至图10C还示出了根据本公开的方面的图4的残余深度学习图像重建网络的性能；并且
图11示出了对图4的残余深度学习图像重建网络与标准网络进行训练期间的均方误差损失函数的图形表示。
具体实施方式
在下面将描述一个或多个具体的实施方案。为了提供这些实施方案的简明描述，并非实际具体实施的所有特征都要在说明书中进行描述。应当理解，在任何此类实际具体实施的开发中，如在任何工程或设计项目中，必须作出许多具体实施特定的决策以实现开发者的具体目标，诸如遵守可能因具体实施而不同的系统相关和业务相关约束。此外，应当理解，此类开发努力可能是复杂且耗时的，但对于受益于本公开的普通技术人员来说仍然是设计、制作和制造的常规任务。
虽然在医学成像背景中提供以下讨论的各个方面，但应当理解，本发明所公开的技术不限于此类医学背景。实际上，在此类医学背景中提供示例和解释仅是为了通过提供现实具体实施和应用的实例来便于进行解释。然而，本发明所公开的技术可也用于其他背景中，诸如对所制造零件或货物的非破坏性检查(即质量控制或质量审查应用场景)和/或对包裹、盒、行李箱等的非侵入式检查(即安检或筛检应用场景)的图像重建。一般来讲，本发明所公开的技术可用于任何成像或筛检背景或图像处理领域，其中所采集的一组或一类数据经历重建过程以生成图像或体积。此外，尽管本文主要提供磁共振成像(MR或MRI)示例，但应当理解，本发明所公开的技术可用于其他成像模态背景。例如，本发明所述的方法可也用于由其他类型的扫描器(包括但不限于计算机断层摄影(CT)或正电子发射断层摄影术(PET)-MR扫描器等)采集的数据。
据此，并且如本文所述，本公开涉及用于图像重建，并且更具体地，用于磁共振图像重建的系统和方法。本文所公开的实施方案被配置用于使用残余深度学习图像重建网络以基于从磁共振成像(MRI)装置采集的欠采样的k空间原始数据集来生成完全采样的重建图像。本文所公开的残余深度学习图像重建网络包括多个迭代块。在网络的输入和输出之间建立了残余连接。具体地讲，在将网络输出与损失函数中的完全采样的地面真值图像进行比较之前，向第一迭代块提供欠采样的输入图像，并且还将欠采样的输入图像添加到最后一个迭代块的输出图像中。这迫使网络学习欠采样伪像而不是完全采样的图像。此外，迭代块中的每一个被配置为保持中间特征映射与欠采样的k空间原始数据集之间的数据一致性。通常，在同一网络中不会利用残余学习和数据一致性。然而，在本发明的某些实施方案中，数据一致性线被归零，这导致在每个迭代步骤中，在数据一致性块中将这些对应的k空间线推向零。另选地，可在数据一致性操作期间跳过k空间相减步骤。因此，残余深度学习图像重建网络能够利用空数据一致性从由欠采样的k空间原始数据集生成的欠采样的输入图像重建完全采样的图像。
考虑到前述介绍性评论，提供了一些广义信息，以提供本公开各个方面的一般背景，并且有利于理解和解释本文所述的某些技术概念。
如本文所讨论的深度学习方法可基于人工神经网络，因此可能涵盖深度神经网络、全互连网络、卷积神经网络(CNN)、感知器、自动编码器、回归网络、小波滤波器组或其他神经网络架构。这些技术在本文中被称为深度学习技术，但是可也特别地参考深度神经网络的使用来使用该术语，深度神经网络是具有多个层的神经网络。
如本文所讨论，深度学习技术(可也称为深度机器学习、分级学习或深度结构化学习)是机器学习技术的分支，其采用数据的数学表示以及用于学习和处理此类表示的人工神经网络。例如，深度学习方法可表征为它们使用一个或多个算法来提取一类关注数据的高度抽象概念或对其进行建模。这可以使用一个或多个处理层来完成，其中每个层通常对应于不同级别的抽象，并且因此可能采用或利用初始数据的不同方面或前一层的输出(即，层的分级结构或级联结构)作为给定层的过程或算法的目标。在图像处理或重建背景中，这可以被表征作为对应于数据中的不同的特征级别或分辨率的不同的层。
一般来讲，可将一个表示空间到下一级表示空间的处理视为过程的一个“阶段”。过程的每个阶段可由单独的神经网络或由一个较大神经网络的不同部分来执行。例如，如本文所述，单个深度学习网络或彼此协作的多个网络可用于从由欠采样的k空间原始数据集生成的欠采样的输入图像重建完全采样的图像。如本文所述，网络利用残余学习和数据一致性两者。
作为解决特定问题的深度学习模型的初始训练的一部分，可采用具有深度学习模型的已知初始值(例如，输入图像、投影数据、发射数据、磁共振数据等)和最终输出的已知或期望值的训练数据集。单个阶段的训练可以具有对应于一个表示空间的已知输入值和对应于下一级表示空间的已知输出值。以这种方式，深度学习模型可以(以监督或指导的方式或者以无监督或无指导的方式)处理已知或训练数据集，直到看出初始数据与一个或多个期望输出之间的数学关系和/或看出和表征每个层的输入和输出之间的数学关系。类似地，可以采用单独验证数据集，其中初始和期望目标值是已知的，但是仅将初始值提供到受过训练的深度学习模型，然后将输出与深度学习模型的输出进行比较以验证先前训练和/或防止过度训练。
术语“原始数据”是指由成像装置生成的数据并且术语“输入数据集”是指对应于多个MR线圈的多个二维空间原始数据。术语“k空间”是指对应于由MR成像装置采集的原始数据的矢量空间。k空间可被视为2D傅立叶空间并且可使用2D逆傅里叶变换来重建MR图像。从MR成像装置采集的k空间输入数据集在本文中也被称为“线圈数据”。术语“欠采样”是指以奈奎斯特采样率的分数对数据进行二次采样或采样。数据采集期间的欠采样生成稀疏数据，而数据的稀疏性与欠采样因子相关。术语k空间是指二维(2D)或三维(3D)的傅立叶空间，并且k空间数据对应于磁共振(MR)图像的傅立叶变换。本文所用术语“残余深度学习图像重建网络”是指具有多个迭代块的深度学习图像重建网络，该多个迭代块被配置为使用直接连接有效地跨层传播特征，同时还在网络的输入和输出之间提供残余连接。具体地，在一个实施方案中，深度学习网络可以是基于卷积层的网络。术语“中间特征映射”用于指残余深度学习图像重建网络中的迭代块的输出。术语“数据一致性”是指保持迭代块的输出中的线圈数据的保真度。术语“正则化”是指修改不适定的优化问题以具有可行的解决方案。术语“完全采样的图像”用来指从以奈奎斯特采样率采样的k空间数据重建的图像。术语“欠采样的图像”或“二次采样的图像”用于指从欠采样的k空间数据重建的图像。
考虑到前述内容，图1示意性地描绘了人工神经网络50的示例，该人工神经网络可以被训练为如本文所讨论的深度学习模型。在该示例中(例如，卷积神经)，网络50是多层的，具有输入层52和存在于网络50中的多个层(包括隐藏层58A、58B等，以及输出层60和训练目标64)。在该示例中，每一层使用多个卷积过滤器56。过滤器56的数量可以在各层之间是恒定的，或者可以在层与层之间变化并且可以具有不同的尺寸，例如，3x3或5x5。每个层的卷积过滤器56生成相应特征映射输出，该相应特征映射输出用作下一分层的卷积过滤网56的输入。在实施过程中，可将偏置项添加到特征映射，然后通过激活函数(诸如整流线性单元(ReLU)、泄漏的ReLU、sigmoid函数、双曲正切函数)或以其他方式指定或编程来发送偏置项。最后一层的输出构成网络输出60(例如，预测图像)，其与目标或地面真值图像64一起用于计算一些损失或误差函数62，该损失或误差函数将被反向传播以指导网络训练。
损失或误差函数62测量网络输出(即，重建图像)与训练目标(例如，完全采样的地面真值图像)之间的差异。在某些具体实施中，损失函数可以是体素级别值或部分线积分值的均方误差(MSE)并且/或者可以解释涉及其他图像特征(诸如图像梯度或其他图像统计值)的差异。另选地，损失函数62可以由与所讨论的特定任务相关联的其他度量(诸如本领域中已知的结构相似性(SSIM)索引)来定义。
据此，本文所述的实施方案可实现为MRI系统的至少一部分，其中特定成像例程由用户(例如，放射科医生或其他技术人员)发起。MRI系统可执行数据预采集、主数据采集、数据重建等。因此，参考图2，MRI系统100被示意性地示出为包括扫描仪102、扫描仪控制电路104和系统控制电路106。根据本文所述的实施方案，MRI系统100通常被配置为执行MR成像。
系统100还包括：远程访问和存储系统或装置，诸如图像存档和通信系统(PACS)108；或其他装置，诸如远程放射设备，使得能够现场访问或异地访问由系统100采集的数据。这样，可采集MR数据，然后进行现场或异地处理和评估。在该实施方案中，数据对应于由多个射频线圈生成的线圈数据，该多个射频线圈被配置为向/从受试者的感兴趣区域传输/接收RF信号。在该实施方案中，线圈数据包括欠采样的k空间数据。在一个实施方案中，使用四的欠采样因子来生成线圈数据。然而，在采集线圈数据期间可也使用其他欠采样因子。k空间数据的欠采样为输入数据提供了稀疏性。稀疏输入使得更快的采集(或等效地，减少扫描持续时间)并且因此更快地向技术人员显示MR图像。虽然MRI系统100可包括任何合适的扫描器或检测器，但在例示的实施方案中，系统100包括具有外壳120的全身扫描器102，并且穿过外壳形成孔口122。诊断台124可移入孔122中，使患者126可定位在其中，用于对患者体内的所选解剖结构进行成像。
扫描器102包括用于产生受控磁场的一系列相关联线圈，受控磁场用于激励待成像主体的解剖结构内的旋磁材料。具体地，提供了主磁体线圈128用于生成通常与孔口122对准的主磁场B0。一系列梯度线圈130、132和134能够在检查序列期间生成受控梯度磁场，用于对患者126体内的某些旋磁核进行位置编码。射频(RF)线圈136被构造成产生射频脉冲，用于刺激患者体内的某些旋磁核。除可位于扫描器102本地的线圈之外，系统100还包括被构造用于放置在患者126近侧(例如，抵靠患者)的一组接收线圈138(例如，线圈阵列)。例如，接收线圈138可包括颈椎/胸椎/腰椎(CTL)线圈、头部线圈、单面脊线圈等。一般来讲，接收线圈138放置在患者126近处或头顶，以便接收在患者126返回其松弛状态时由患者体内的某些旋磁核产生的弱RF信号(弱是相对于由扫描线圈产生的传输脉冲而言)。
系统100的各种线圈由外部电路控制，以产生所需的场和脉冲并且以受控方式读取来自旋磁材料的发射。在例示的实施方案中，主电源140向初级场线圈128提供电力以产生主磁场Bo。电力输入44(例如，来自公用设施或电网的电力)、配电单元(PDU)、电源(PS)和驱动器电路150可一起提供电力，以使梯度场线圈130、132和134产生脉冲。驱动电路150可包括放大和控制电路，其用于按照由扫描器控制电路104输出的数字化脉冲序列的限定向线圈供应电流。
提供另一个控制电路152，用于调节RF线圈136的操作。电路152包括用于在有源操作模式和无源操作模式之间交替的开关装置，在两种操作模式下RF线圈136分别传输信号和不传输信号。电路152还包括被构造成生成RF脉冲的放大电路。类似地，接收线圈138连接到开关154，该开关能够在接收模式和非接收模式之间切换接收线圈138。因此，在接收模式下，接收线圈138与患者126体内的旋磁核释放而产生的RF信号谐振，而在非接收模式下，它们不与来自传输线圈(即，线圈136)的RF能量谐振以便防止发生非预期操作。另外，接收电路156被构造成接收由接收线圈138检测到的数据，并且可包括一个或多个多路复用和/或放大电路。
应当指出的是，虽然上述扫描器102和控制/放大电路示出为由单根线联接，但在实际实例中可存在许多此类线。例如，可使用单独的线进行控制、数据通信、电力传输等。此外，可沿每种类型的线设置合适的硬件，用于正确处理数据和电流/电压。实际上，可在扫描器与扫描器控制电路104和系统控制电路106中的任一者或两者之间设置各种滤波器、数字转换器和处理器。
如图所示，扫描器控制电路104包括接口电路158，该接口电路输出用于驱动梯度场线圈和RF线圈以及用于接收代表检查序列中所产生磁共振信号的数据的信号。接口电路158联接到控制和分析电路160。基于经由系统控制电路106选择的限定协议，控制和分析电路160执行用于驱动电路150和电路152的命令。
控制和分析电路160还用于接收磁共振信号，以及在将数据传输至系统控制电路106之前执行后续处理。扫描器控制电路104还包括一个或多个存储器电路162，该电路在操作期间存储配置参数、脉冲序列描述、检查结果等。
接口电路164联接到控制和分析电路160，用于在扫描器控制电路104与系统控制电路106之间交换数据。在某些实施方案中，控制和分析电路160虽然被示出为单个单元，但可包括一个或多个硬件装置。系统控制电路106包括接口电路166，该电路从扫描器控制电路104接收数据并且将数据和命令传输回扫描器控制电路104。控制和分析电路168可包括通用或特定于应用的计算机或工作站上的CPU。控制和分析电路168联接到存储器电路170，以存储用于操作MRI系统100的编程代码，以及存储经处理的图像数据以供稍后重建、显示和传输。编程代码可执行一个或多个算法，该算法被构造成在由处理器执行时执行采集数据的重建。如上所述，在MRI系统100的情况下，来自接收线圈138的线圈数据包括欠采样的k空间数据。
存储器170存储残余深度学习图像重建网络。残余深度学习图像重建网络可使用存储在存储器170中的先前采集/存储的线圈数据进行训练。残余深度学习图像重建网络包括彼此联接的多个迭代块，该多个迭代块通过从一个迭代块到下一个迭代块的直接连接而连接。此外，残余连接将网络的输入联接到网络的输出。每个迭代块包括数据一致性单元和正则化单元。在某些实施方案中，数据一致性单元和正则化单元可在每个迭代块中同时发挥功能。在某些实施方案中，网络可替代数据一致性步骤和正则化步骤。数据一致性单元被配置为保持对应迭代块的输出中的线圈数据的保真度。正则化单元被配置为生成正则化信息。此外，正则化单元被配置为基于正则化信息来减小对应迭代块的输出中的泛化误差。正则化单元包括多个卷积层、多个偏置层和多个漏整流线性单元(ReLU)层。卷积层被配置为使用多个空间滤波器来生成特征映射。偏置层被配置为改善正则化单元的建模能力，并且泄漏的ReLU层是被配置为改善梯度传播同时提供优化问题的迭代解决方案的ReLU的泄漏版本。正则化单元被配置为最小化对应迭代块的输出中的泛化误差。具体地，残余深度学习图像重建网络包括结构参数，诸如但不限于迭代块的数量、过滤器的数量和用于生成特征映射的滤波器的尺寸以及用于正则化单元中的卷积层的数量。残余深度学习图像重建网络还包括数据一致性单元的参数值和正则化单元的参数值。正则化单元的参数值包括用于生成特征映射、偏置值和激活层参数的滤波器的参数值。此外，存储器170还包括对应于数据一致性单元和数据一致性单元所使用的变换的参数值。存储器170还被配置为存储正则化单元的中间输出，诸如特征映射、偏置特征映射和整流层输出。存储器170还包括对应于欠采样的k空间输入数据集的地面真值图像。可从完全取样的k空间数据重建地面真值图像，然后通过丢弃线来对k空间数据进行回顾性欠采样以生成对应的欠采样的k空间数据进行训练。
此外，图像处理单元可采用任何熟知的深度学习训练技术以基于训练数据集来训练残余深度学习图像重建网络。在训练期间，可还改变残余深度学习图像重建网络的一个或多个结构参数以确定残余深度学习图像重建网络的最佳结构。具体地，控制和分析电路168被配置为通过训练残余深度学习图像重建网络来创建类似于对应的地面真值图像的输出图像以确定对应于数据一致性单元和多个迭代块的正则化单元的多个参数。此外，控制和分析电路168被配置为将残余深度学习图像重建网络存储在存储器170中。
可提供另外的接口电路172，用于与外部系统部件诸如远程访问和存储装置108交换图像数据、配置参数等。在某些实施方案中，远程访问和存储装置108可存储存储器170存储的残余深度学习图像重建网络、线圈数据、地面真值图像以及其他数据。最后，系统控制和分析电路168可通信地联接到各种外围装置，用于有利于操作员界面并且产生重建图像的硬拷贝。在例示的实施方案中，这些外围装置包括打印机174、显示器176和用户界面178，用户界面包括诸如键盘、鼠标、触摸屏(例如，与显示器176集成在一起)等装置。
图3是示出根据本公开的方面的用于使用残余深度学习图像重建网络重建图像的方法200的流程图。方法200包括从MRI装置采集线圈数据(框202)。线圈数据包括对应于受试者126的欠采样的k空间原始数据。线圈数据可由MRI装置的八个接收器线圈的阵列生成并且在采集线圈数据时可使用4的欠采样因子。
方法200还包括使用图像重建技术来处理线圈数据以生成初始欠采样的图像(框204)。图像重建技术可包括任何合适的技术，其中一个示例包括2D逆傅里叶变换、计算线圈灵敏度以及使用用于组合线圈数据以生成复杂重建图像(即，具有实部和虚部的分量)的方法。
方法200还包括基于线圈数据、初始欠采样的图像和残余深度学习图像重建网络的多个迭代块来生成重建图像(框206)。多个迭代块中的每一个包括数据一致性单元和正则化单元。残余深度学习图像重建网络是使用先前采集的线圈数据训练的神经网络。残余深度学习图像重建网络中使用的迭代块的数量可变化。迭代块通过直接连接从一个迭代块连接到下一个迭代块。数据一致性单元中的每一个被配置为保持对应迭代块的输出中的线圈数据的保真度。正则化单元被配置为将MR图像的重建引导为由残余深度学习图像重建网络解决的优化问题的解决方案。
具体地，生成重建图像包括基于对应的数据一致性单元来保持多个迭代块中的每一个的输出中的线圈数据的保真度。此外，生成重建的图像还包括基于对应的正则化单元来生成正则化信息以减少多个迭代块中的每一个的输出中的泛化误差。在一个实施方案中，通过处理来自先前迭代块的直接输入来生成正则化信息。用于生成正则化信息的卷积网络包括多个处理阶段，并且多个处理阶段中的每一个包括卷积层、偏置层和ReLU层。在一个实施方案中，ReLU层的泄漏版本被配置为改善梯度传播同时提供优化问题的迭代解决方案。具体地，卷积网络包括多个卷积层、多个偏置层和多个泄漏的ReLU层。
在一个实施方案中，方法200还包括从数据库单元接收先前采集的基本上完全采样的线圈数据(框208)。此外，方法200包括重建基本上完全采样的线圈数据以生成对应于所述先前采集的线圈数据的地面真值图像(框210)。方法200还包括对基本上完全采样线圈数据进行回顾性欠采样以生成对应的输入数据到残余深度学习图像重建网络(框212)。此外，方法200包括通过训练残余深度学习图像重建网络来创建类似于对应的地面真值图像的输出图像以确定对应于数据一致性单元和多个迭代块的正则化单元的多个参数(框214)。方法200还包括将残余深度学习图像重建网络存储在存储器中。
图4是示出根据本公开的方面的用于重建图像的残余深度学习图像重建网络(例如，残余展开稀疏网络)的实施方案的示意图216。示意图216包括用于形成输入的线圈数据218。在例示的实施方案中，线圈数据218是来自多个线圈(例如，M线圈)的二维k空间数据集。示意图216还包括形成残余深度学习图像重建网络230的多个迭代块220、222、224、226和228。迭代块的数量可变化。残余深度学习图像重建网络230的迭代块通过直接连接从一个迭代块连接到下一个迭代块。残余深度学习图像重建网络230接收归零数据一致性线232(即，归零的数据一致性线)。在数据一致性操作期间，在每个迭代步骤中利用归零数据一致性线232以将对应的k空间线(例如，初始欠采样的图像240或从相邻迭代块接收的迭代块输出)推向零。初始欠采样的图像240和对应的完全采样的地面真值图像共享所采集的公共k空间线。因此，初始欠采样的图像240和对应的完全采样的地面真值图像之间的差异图像将那些公共线归零。第一迭代块220基于线圈数据218接收初始欠采样的图像240。具体地，线圈数据218被零填充，被2D快速傅里叶变换并且被组合以形成复杂输入图像(即，初始欠采样的图像240)。第一迭代块220被配置为基于初始欠采样的图像240和归零数据一致性线232来生成第一迭代块输出。第一迭代块输出作为直接输入由直接连接242提供给第二迭代块222。第二迭代块222被配置为基于第一迭代块输出242和归零数据一致性线232来生成第二迭代块输出。第三迭代块224被配置为通过直接连接244接收第二迭代块输出。第三迭代块224还被配置为基于第二迭代块输出244和归零数据一致性线232来生成第三迭代块输出。第四迭代块226被配置为通过直接连接246接收第三迭代块输出。第四迭代块226还被配置为基于第三迭代块输出246和归零数据一致性线232来生成第四迭代块输出并且经由直接连接248将其提供给下一个迭代块。第N迭代块228被配置为通过直接连接从紧接其先前的迭代块(未示出)接收迭代块输出。第N迭代块228还被配置为基于从紧接先前的迭代块和归零的数据一致性线232的迭代块输出来生成最终迭代块输出250。最终迭代块输出250是估计的欠采样伪影。应当指出的是，所有阶段的图像通常都很复杂。
残余深度学习图像重建网络230包括将网络230的输入联接到网络230的输出的残余连接251。具体地，将初始欠采样的图像240添加到最终迭代块输出250以生成估计的图像252。将估计的图像252与对应的完全采样的地面真值图像254进行比较以确定损失函数(例如，均方误差)。可通过回顾性欠采样数千个完全采样的图像来训练网络230。
如前所述，多个迭代块220、222、224、226、228中的每一个包括数据一致性单元和正则化单元。具体地，迭代块220包括数据一致性单元256和正则化单元258。迭代块222包括数据一致性单元260和正则化单元262。迭代块224包括数据一致性单元264和正则化单元266。类似地，迭代块226包括数据一致性单元268和正则化单元270并且迭代块228包括数据一致性单元272和正则化单元274。数据一致性单元256、260、264、268、272被配置为保持相应迭代块输出中的线圈数据的保真度。正则化单元258、262、266、270、274被配置为基于来自相应进行的迭代块的相应输出来生成正则化信息。正则化信息表示减少迭代块中的每一个的输出中的泛化误差所需的附加信息。
图5是根据本公开的方面的在图4的残余深度学习图像重建网络中使用的迭代块276的框图。迭代块276为被配制为优化问题的图像重建提供迭代解决方案。迭代块276包括被配置为接收第一输入280的数据一致性单元278，该第一输入是来自先前迭代块的迭代块输出。此外，数据一致性单元278被配置为接收归零数据一致性线281(相当于图4中的232)。此外，数据一致性单元278被配置为生成表示保持第一输入280中的数据一致性所需的校正的第一输出282。数据一致性单元278的功能将在下文中更详细地描述。
迭代块276还包括被配置为接收第一输入280的正则化单元284。正则化是在初始阶段具有多个滤波器并且在输出阶段具有单个滤波器的多级卷积网络。在一个实施方案中，正则化单元284是如图6所示的深度学习网络500(例如，卷积神经网络)。深度学习网络500被配置为接收来自先前迭代块的输入图像502并且生成重建图像514。深度学习网络500包括多个阶段504、508、512。多个阶段504、508、512中的每一个包括特征生成器、偏置提供器和激活层。在一个实施方案中，特征生成器是具有多个过滤器的卷积层。特征生成器被配置为基于输入图像来生成多个特征映射。偏置提供器被配置为接收多个特征映射并且生成多个偏置特征映射。激活层被配置为接收多个偏置输出特征映射并且生成一个或多个输出图像。多个阶段包括第一阶段504、第二阶段508和第三阶段512。第一阶段504被配置为处理多个输入图像502以生成多个第一输出图像506。多个输入图像502是具有深度学习网络500的迭代块的紧接先前迭代块或跳过块中的一者的输出。第二阶段508被配置为处理多个第一输出图像506并且生成多个第二输出图像510。第三阶段512被配置为处理多个第二输出图像510并且生成重建图像514。阶段的数量可变化。
回到图5，正则化单元284被配置为生成正则化信息286。正则化信息286代表确定不适定的优化问题的有效解决方案所需的附加信息。正则化单元284能够跨多个层传播特征以生成正则化信息286。迭代块276基于输入280、归零数据一致性281和正则化信息286来生成输出288。在某些实施方案中，数据一致性单元278和正则化单元284可在每个迭代块中同时发挥功能。在某些实施方案中，网络可替代数据一致性步骤和正则化步骤。
图7是根据本公开的方面的在图4的残余深度学习图像重建网络中使用的数据一致性单元290(例如，类似于图5中的数据一致性单元278)的实施方案(例如，利用归零数据一致性线)的框图。在数据一致性单元290中，来自前述迭代块的图像输出292乘以线圈灵敏度映射294，然后进行2D快速傅里叶变换(如附图标号296所示)以从每个线圈生成图像的k空间表示298。每个线圈的k空间表示298乘以采样掩模300以针对每个线圈生成计算的M线圈k空间数据302。在典型的数据一致性操作期间，从计算的M线圈k空间数据302减去采集的k空间数据(例如，用于生成到网络的欠采样的输入图像的欠采样的线圈数据)。然而，这将与网络的残余学习不兼容因为伪像图像与采集的k空间数据线不一致。相反，在当前实施方案中，从对应计算的M线圈k空间数据线302减去归零数据一致性线，然后执行逆2D快速傅里叶变换(如附图标号306所示)以针对每个线圈生成复杂图像308。然后，数据一致性单元290将来自每个线圈的复杂图像308组合，并且施加加权因子(如附图标号310所示)以生成数据一致性块的输出312。
图8示出了另选的数据一致性操作，该操作也与网络的残余学习相兼容。如图8所描绘的，计算的M线圈k空间数据302是直接逆快速傅里叶变换的(如附图标号306所示)。换句话讲，省略了对归零数据一致性线(如图7所示)或采集的M线圈k空间数据(例如，如在不利用残余学习的网络中的典型数据一致性操作中执行的)相减的操作。
图9A至图9D示出了根据本公开的方面的图4的残余深度学习图像重建网络的性能。图9A是零填充的输入图像314(例如，初始欠采样的图像)。图像314被四倍地欠采样。图9B是利用标准数据一致性的预测图像或估计图像316。图9C是利用图4的残余深度学习图像重建网络和图7或图8中任一者所示的数据一致性操作的预测图像或估计图像318。图像316和318两者均在大约60次训练时期后生成。图9D是以奈奎斯特采样率取样的完全采样的地面真值图像320。如所描绘的，图像318的图像质量优于图像316。此外，图像318非常类似于图像320。
图10A至图10C还示出了根据本公开的方面的图4的残余深度学习图像重建网络的性能。图10A是零填充的输入图像322(例如，初始欠采样的图像)。图像322被四倍地欠采样。图10B是利用图4的残余深度学习图像重建网络和图7或图8中任一者所示的数据一致性操作的预测图像或估计图像324。图像324在大约1000次训练时期后生成。图10C是以奈奎斯特采样率取样的完全采样的地面真值图像326。如所描绘的，图像324非常类似于图像326。
图11示出了对图4的残余深度学习图像重建网络与标准网络进行训练期间的均方误差(MSE)损失函数的图形表示238。y轴330表示归一化MSE值(以百分比表示)，而x轴332表示训练时期数量。曲线图334(以虚线示出)表示利用标准数据一致性的标准网络(即，非残余网络)的MSE损失函数。曲线图336(以实线示出)表示利用图7或图8中任一者所示的数据一致性操作的图4的残余深度学习图像重建网络的MSE损失函数。如所描绘的，随着时期的增加，曲线图336收敛更稳定且峰值更少。
在其他实施方案中，可修改上述残余深度学习图像重建网络。在某些实施方案中，残余连接可导致在网络末端处相减而不是添加。在某些实施方案中，可将残余跳过连接提供至网络的一个或多个中间阶段而不是仅提供给末端。在某些实施方案中，代替上述“软”数据一致性实施，可通过用归零而不是相减覆盖所采集的k空间线来利用“硬”数据一致性。在某些实施方案中，上述网络可还包括密集跳过连接。术语“跳过连接”是指将要连结到输入的前行第一迭代块的输出馈送至后续的第二迭代块，其中一个或多个迭代块位于第一迭代块和第二迭代块之间。
所公开的实施方案的技术效果包括提供利用残余学习和数据一致性两者的稀疏MRI重建网络。因此，由于残余学习导致稀疏MRI重建网络比常规网络更容易训练，从而使得图像质量更好、训练更快。此外，稀疏MRI重建网络的数据一致性操作最小化了“幻觉”(即，在重建图像中引入或抑制特征)。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何装置或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

Claims (15)

1.一种成像方法，包括：
从磁共振成像装置采集线圈数据，其中所述线圈数据包括对应于受试者的欠采样的k空间数据；
使用图像重建技术来处理所述线圈数据以生成初始欠采样的图像；以及
基于所述线圈数据、所述初始欠采样的图像和残余深度学习图像重建网络的多个迭代块来生成重建图像，其中所述残余深度学习图像重建网络的第一迭代块接收所述初始欠采样的图像，并且其中所述多个迭代块中的每一个包括数据一致性单元，所述数据一致性单元利用归零数据一致性来保持相应迭代块的相应输出中的线圈数据的保真度，其中所述迭代块通过直接连接从一个迭代块连接到下一个迭代块，并且其中所述初始欠采样的图像经由残余连接被添加到最后一个迭代块的输出，并且其中所述残余深度学习图像重建网络是使用先前采集的线圈数据训练的神经网络。
2.根据权利要求1所述的方法，其中还包括：将所述最后一个迭代块的所述输出与地面真值图像进行比较以确定损失函数或误差函数，其中在将所述输出与所述地面真值图像进行比较以确定损失函数或误差函数之前，将所述初始欠采样的图像添加到所述残余深度学习图像重建网络的所述最后一个迭代块的所述输出。
3.根据权利要求1所述的方法，其中保持所述线圈数据的所述保真度包括提供归零数据一致性线作为所述多个迭代块中的每一个的输入，其中从由对应的数据一致性单元生成的计算的线圈数据减去所述归零数据一致性线。
4.根据权利要求1所述的方法，其中保持所述线圈数据的所述保真度包括利用由先前的迭代块生成的计算的线圈数据而不从所述计算的线圈数据减去所述采集的线圈数据。
5.根据权利要求1所述的方法，其中所述多个迭代块中的每一个包括正则化单元。
6.根据权利要求5所述的方法，其中生成所述重建图像包括基于对应的正则化单元来生成正则化信息以减少所述多个迭代块中的每一个的输出中的泛化误差。
7.根据权利要求5所述的方法，包括：
从数据库单元接收先前采集的基本上完全采样的线圈数据；
重建所述基本上完全采样的线圈数据以生成对应于所述先前采集的线圈数据的地面真值图像；
对所述基本上完全采样的线圈数据进行回顾性欠采样以生成对应的输入数据到所述残余深度学习图像重建网络；
通过训练所述残余深度学习图像重建网络来创建类似于所述对应的地面真值图像的输出图像以确定对应于所述数据一致性单元和所述多个迭代块的所述正则化单元的多个参数；以及
将所述训练的残余深度学习图像重建网络存储在所述数据库单元中。
8.根据权利要求1所述的方法，其中所述初始欠采样的图像是复杂合成图像。
9.一种成像系统，包括：
存储器，所述存储器编码处理器可执行例程；
处理部件，所述处理部件被配置为访问所述存储器并且执行所述处理器可执行例程，其中所述例程在由所述处理部件执行时，使所述处理部件：
从磁共振成像装置采集线圈数据，其中所述线圈数据包括对应于受试者的欠采样的k空间数据；
使用图像重建技术来处理所述线圈数据以生成初始欠采样的图像；以及
基于所述线圈数据、所述初始欠采样的图像和残余深度学习图像重建网络的多个迭代块来生成重建图像，其中所述残余深度学习图像重建网络的第一迭代块接收所述初始欠采样的图像，并且其中所述多个迭代块中的每一个包括数据一致性单元，所述数据一致性单元利用归零数据一致性来保持相应迭代块的相应输出中的所述线圈数据的保真度，其中所述迭代块通过直接连接从一个迭代块连接到下一个迭代块，并且其中所述初始欠采样的图像经由残余连接被添加到最后一个迭代块的输出，并且其中所述残余深度学习图像重建网络是使用先前采集的线圈数据训练的神经网络。
10.根据权利要求9所述的成像系统，其中所述初始欠采样的图像是复杂合成图像。
11.根据权利要求9所述的成像系统，其中所述处理部件被配置为将所述最后一个迭代块的所述输出与地面真值图像进行比较以确定损失函数或误差函数，其中在将所述输出与所述地面真值图像进行比较以确定损失函数或误差函数之前，将所述初始欠采样的图像添加到所述残余深度学习图像重建网络的所述最后一个迭代块的所述输出。
12.根据权利要求9所述的成像系统，其中所述处理部件被配置为通过基于对应的数据一致性单元保持所述多个迭代块中的每一个的输出中的所述线圈数据的保真度来生成所述重建图像。
13.根据权利要求12所述的成像系统，其中保持所述线圈数据的所述保真度包括利用归零数据一致性。
14.根据权利要求13所述的成像系统，其中所述处理部件被配置为通过提供归零数据一致性线作为所述多个迭代块中的每一个的输入并且从由所述对应的数据一致性单元生成的计算的线圈数据中减去所述归零数据一致性线来保持所述线圈数据的所述保真度。
15.根据权利要求12所述的成像系统，其中所述处理部件被配置为通过利用由所述对应的数据一致性单元生成的计算的线圈数据而不从所述计算的线圈数据减去所述采集的线圈数据来保持所述线圈数据的所述保真度。
CN201910953108.5A 2018-10-02 2019-10-08 用于利用空数据一致性来稀疏图像重建的系统和方法 Active CN110992433B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/150,079 2018-10-02
US16/150,079 US11175365B2 (en) 2018-10-02 2018-10-02 System and method for sparse image reconstruction utilizing null data consistency

Publications (2)

Publication Number Publication Date
CN110992433A CN110992433A (zh) 2020-04-10
CN110992433B true CN110992433B (zh) 2024-02-27

Family

ID=69946949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910953108.5A Active CN110992433B (zh) 2018-10-02 2019-10-08 用于利用空数据一致性来稀疏图像重建的系统和方法

Country Status (2)

Country Link
US (1) US11175365B2 (zh)
CN (1) CN110992433B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3830596A2 (en) 2018-07-30 2021-06-09 Hyperfine Research, Inc. Deep learning techniques for magnetic resonance image reconstruction
AU2019321607A1 (en) 2018-08-15 2021-02-11 Hyperfine Operations, Inc. Deep learning techniques for suppressing artefacts in magnetic resonance images
US11062490B2 (en) * 2018-10-25 2021-07-13 The Board Of Trustees Of The Leland Stanford Junior University Reinforcement learning for online sampling trajectory optimization for magnetic resonance imaging
AU2020237207A1 (en) * 2019-03-14 2021-09-23 Hyperfine Operations, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
CN110807492B (zh) * 2019-11-06 2022-05-13 厦门大学 一种磁共振多参数同时定量成像方法及系统
KR102144320B1 (ko) * 2020-02-13 2020-08-13 주식회사 에어스 메디컬 자기 공명 영상 처리 장치 및 그 방법
CN111476859B (zh) * 2020-04-13 2022-09-16 浙江大学 一种基于3D Unet的动态双示踪PET成像方法
CN112949590B (zh) * 2021-03-31 2023-02-21 济南大学 一种跨域行人重识别模型构建方法及构建系统
CN113192151B (zh) * 2021-04-08 2022-12-27 广东工业大学 一种基于结构相似性的mri图像重建方法
CN113842134B (zh) * 2021-11-09 2024-04-12 清华大学 基于双路人工神经网络的双序列加速核磁成像优化方法
EP4312044A1 (en) * 2022-07-26 2024-01-31 Siemens Healthcare GmbH Mri reconstruction based on neural networks
CN116728291B (zh) * 2023-08-16 2023-10-31 湖南大学 基于边缘计算的机器人打磨系统状态监测方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101512555A (zh) * 2006-09-11 2009-08-19 卡斯西部储备大学 迭代图像重构
CN102565737A (zh) * 2011-12-12 2012-07-11 中国科学院深圳先进技术研究院 快速磁共振成像方法及系统
US8374413B2 (en) * 2007-12-20 2013-02-12 Wisconsin Alumni Research Foundation Method for prior image constrained image reconstruction
CN103076583A (zh) * 2012-12-28 2013-05-01 深圳先进技术研究院 磁共振快速成像方法和系统
CN103679654A (zh) * 2013-11-29 2014-03-26 深圳先进技术研究院 磁共振成像方法和系统
US8717024B2 (en) * 2010-12-31 2014-05-06 General Electric Company System and method for generating a magnetic resonance image using compressed sensing and parallel imaging
US9846214B2 (en) * 2014-12-29 2017-12-19 Toshiba Medical Systems Corporation Magnetic resonance image reconstruction for undersampled data acquisitions
WO2017223560A1 (en) * 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
CN108010094A (zh) * 2017-10-23 2018-05-08 上海东软医疗科技有限公司 一种磁共振图像重建方法和装置
CN108261199A (zh) * 2016-12-30 2018-07-10 通用电气公司 用于利用分组数据采集来执行对象的时间分辨mr成像的mri系统和方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700440B (zh) 2015-03-17 2017-10-13 上海理工大学 磁共振部分k空间图像重建方法
US10453191B2 (en) 2016-04-20 2019-10-22 Case Western Reserve University Automated intravascular plaque classification
US10387765B2 (en) * 2016-06-23 2019-08-20 Siemens Healthcare Gmbh Image correction using a deep generative machine-learning model
US10692250B2 (en) * 2018-01-30 2020-06-23 The Board Of Trustees Of The Leland Stanford Junior University Generalized multi-channel MRI reconstruction using deep neural networks
US10895622B2 (en) * 2018-03-13 2021-01-19 Siemens Healthcare Gmbh Noise suppression for wave-CAIPI
US10922816B2 (en) * 2018-08-27 2021-02-16 Siemens Healthcare Gmbh Medical image segmentation from raw data using a deep attention neural network

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101512555A (zh) * 2006-09-11 2009-08-19 卡斯西部储备大学 迭代图像重构
US8374413B2 (en) * 2007-12-20 2013-02-12 Wisconsin Alumni Research Foundation Method for prior image constrained image reconstruction
US8717024B2 (en) * 2010-12-31 2014-05-06 General Electric Company System and method for generating a magnetic resonance image using compressed sensing and parallel imaging
CN102565737A (zh) * 2011-12-12 2012-07-11 中国科学院深圳先进技术研究院 快速磁共振成像方法及系统
CN103076583A (zh) * 2012-12-28 2013-05-01 深圳先进技术研究院 磁共振快速成像方法和系统
CN103679654A (zh) * 2013-11-29 2014-03-26 深圳先进技术研究院 磁共振成像方法和系统
US9846214B2 (en) * 2014-12-29 2017-12-19 Toshiba Medical Systems Corporation Magnetic resonance image reconstruction for undersampled data acquisitions
WO2017223560A1 (en) * 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
CN108261199A (zh) * 2016-12-30 2018-07-10 通用电气公司 用于利用分组数据采集来执行对象的时间分辨mr成像的mri系统和方法
CN108010094A (zh) * 2017-10-23 2018-05-08 上海东软医疗科技有限公司 一种磁共振图像重建方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Tran Minh Quan 等.Compressed Sensing MRI Reconstruction Using a Generative Adversarial Network With a Cyclic Loss.《IEEE TRANSACTIONS ON MEDICAL IMAGING》.2018,第37卷(第6期),第1488-1497页. *

Also Published As

Publication number Publication date
US11175365B2 (en) 2021-11-16
US20200103483A1 (en) 2020-04-02
CN110992433A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110992433B (zh) 用于利用空数据一致性来稀疏图像重建的系统和方法
US10810767B2 (en) Machine-learned network for Fourier transform in reconstruction for medical imaging
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
Fabian et al. Data augmentation for deep learning based accelerated MRI reconstruction with limited data
Wang et al. Review and prospect: artificial intelligence in advanced medical imaging
US11042803B2 (en) Method and apparatus for using generative adversarial networks in magnetic resonance image reconstruction
Hammernik et al. Machine learning for image reconstruction
Zhou et al. Parallel imaging and convolutional neural network combined fast MR image reconstruction: Applications in low‐latency accelerated real‐time imaging
Sudarshan et al. Joint PET-MRI image reconstruction using a patch-based joint-dictionary prior
US11696700B2 (en) System and method for correcting for patient motion during MR scanning
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
KR20220082302A (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
Wahid et al. Multi-layer basis pursuit for compressed sensing MR image reconstruction
WO2021104954A1 (en) Hybrid compressed sensing image reconstruction
US20210393229A1 (en) Single or a few views computed tomography imaging with deep neural network
US11734817B2 (en) Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method
WO2023075781A1 (en) Sparse representation of measurements
CN106137199B (zh) 扩散磁共振成像中的广义球面去卷积
US11828824B2 (en) System and method for deep learning-based accelerated magnetic resonance imaging with extended field of view coil sensitivity calibration
Huang et al. Single-pass Object-adaptive data undersampling and reconstruction for MRI
US20230274418A1 (en) Self-supervised machine learning for medical image reconstruction
CN115552272A (zh) 使用多个磁共振成像系统配置对磁共振图像的校正
US20240020889A1 (en) Accelerated medical image reconstruction with improved aliasing artifact reduction
Lyu et al. A synergized pulsing-imaging network (SPIN)
KR102572311B1 (ko) 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법

Legal Events

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