CN111513716A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111513716A
CN111513716A CN202010080426.8A CN202010080426A CN111513716A CN 111513716 A CN111513716 A CN 111513716A CN 202010080426 A CN202010080426 A CN 202010080426A CN 111513716 A CN111513716 A CN 111513716A
Authority
CN
China
Prior art keywords
images
coil
sets
image
sensitivity maps
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
CN202010080426.8A
Other languages
English (en)
Other versions
CN111513716B (zh
Inventor
克里斯托弗·迈克尔·桑迪诺
赖鹏
什里亚斯·瓦萨纳瓦拉
约瑟夫·一谈·程
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.)
Leland Stanford Junior University
GE Precision Healthcare LLC
Original Assignee
Leland Stanford Junior University
GE Precision Healthcare LLC
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 Leland Stanford Junior University, GE Precision Healthcare LLC filed Critical Leland Stanford Junior University
Publication of CN111513716A publication Critical patent/CN111513716A/zh
Application granted granted Critical
Publication of CN111513716B publication Critical patent/CN111513716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G01R33/58—Calibration of imaging systems, e.g. using test probes, Phantoms; Calibration objects or fiducial markers such as active or passive RF coils surrounding an MR active material
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明题为“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”。本发明提供了用于由加快的磁共振成像(MRI)数据来重建磁共振图像的各种方法和系统。在一个实施方案中，用于重建磁共振(MR)图像的方法包括：由欠采样k空间数据估计多组线圈灵敏度映射图，欠采样k空间数据通过多线圈射频(RF)接收器阵列来获取；使用欠采样k空间数据和估计的多组线圈灵敏度映射图来重建多个初始图像；利用训练的深度神经网络通过使用初始图像和多组线圈灵敏度映射图迭代地重建多个图像来生成多个最终图像，该多个图像中的每一个对应于多组灵敏度映射图中的不同组；以及将从训练的深度神经网络输出的多个最终图像合并以生成MR图像。

Description

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
技术领域
本文所公开的主题的实施方案涉及磁共振成像，并且更具体地涉及使用扩展线圈灵敏度模型进行的基于深度学习的磁共振图像重建。
背景技术
磁共振成像(MRI)是可以在不使用X射线或其他电离辐射的情况下创建人体内部的图像的医学成像模态。MRI使用强力磁体产生强大、均匀的静磁场。当将人体或人体的一部分置于磁场中时，与组织水中的氢原子核相关的核自旋变得极化，其中与这些自旋相关的磁矩会变得优先沿着磁场的方向对准，从而沿着该轴线产生小的净组织磁化。MRI系统还包括梯度线圈，该梯度线圈产生具有正交轴线的较小幅值、空间变化的磁场以通过在体内每个位置处产生特征共振频率来对磁共振(MR)信号进行空间编码。氢核由处于或接近氢核的共振频率的射频信号激发，这为核自旋系统增加了能量。当核自旋弛豫回到其静止能量状态时，其以RF信号的形式释放吸收的能量。该RF信号(或MR信号)由一个或多个RF线圈阵列检测并且使用计算机和已知的重建算法来变换成图像。
由于要采集大量数据，MRI获取过程可较慢。欠采样或采集更少k空间数据可减少扫描时间；然而，这可导致混叠伪影，从而可使相关解剖结构模糊不清。先进的MRI重建技术(诸如并行处理)可通过减少数据采集量来加快扫描时间而不发生混叠。
发明内容
在一个实施方案中，用于重建磁共振(MR)图像的方法包括由欠采样k空间数据估计多组线圈灵敏度映射图，其中欠采样k空间数据通过多线圈射频(RF)接收器阵列来获取；使用欠采样k空间数据和估计的多组线圈灵敏度映射图来重建多个初始图像，多个初始图像中的每一个对应于多组线圈灵敏度映射图中的不同组；利用训练的深度神经网络通过使用初始图像和多组线圈灵敏度映射图迭代地重建多个图像来生成多个最终图像，多个图像中的每一个对应于多组灵敏度映射图中的不同组；以及将从训练的深度神经网络输出的多个最终图像合并以生成MR图像。这样，可减少重建的图像中的成像伪影，同时还减少重建的计算工作量和扫描时间。
应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本公开，其中以下：
图1是根据一个示例性实施方案的磁共振成像(MRI)系统的框图。
图2是根据一个示例性实施方案的射频(RF)线圈阵列相对于成像对象的示意性布置。
图3示出了根据一个实施方案的示意图，该示意图示出了使用深度学习-ESPIRiT网络来重建MRI图像的示例性过程流。
图4示出了根据一个示例性实施方案的可在图3中使用的深度学习-ESPIRiT网络的示意图。
图5示出了根据一个示例性实施方案的深度学习-ESPIRiT网络的布局。
图6示出了根据一个示例性实施方案的使用深度神经网络由从多个MRI线圈元件获取的欠采样k空间数据来重建MR图像的方法的流程图。
图7示出了根据一个示例性实施方案的用于训练图6的方法中使用的深度神经网络的方法的流程图。
图8示出了通过不同技术重建的第一组心脏MR图像。
图9示出了通过不同技术重建的第二组心脏MR图像。
图10示出了通过不同技术重建的第三组心脏MR图像。
具体实施方式
磁共振成像(MRI)是实现软组织解剖和生理的非侵入性可视化的灵活诊断工具。然而，MRI获取过程固有地较缓慢，从而在某些情况下限制了其临床应用。可通过欠采样或采集更少k空间数据来减少MRI扫描期间的扫描时间。然而，欠采样可导致混叠伪影，从而可使相关解剖结构模糊不清。先进的MR图像重建技术(诸如并行成像)可通过减少重建MR图像所需的数据采集量来大幅加快扫描时间而不发生混叠。SENSE(灵敏度编码)利用线圈阵列灵敏度的显式知识来在空间上定位信号并且对欠采样图像进行去混叠。GRAPPA(全局自动校准部分并行采集)利用跨k空间中的线圈的局部相关性来合成缺失数据样本。
这些方法均具有折衷，并且另一种称为ESPIRiT的方法将SENSE和GRAPPA结合起来以继承这两种技术的有益效果。ESPIRiT使用灵活线圈灵敏度模型，其可结合非笛卡儿采样轨迹和任意图像先验。ESPIRiT由于使用了采用多组线圈灵敏度映射图的扩展线圈灵敏度模型，因此对于由不一致线圈灵敏度映射图引起的伪影很稳健。例如，大于规定视场(FOV)的对象可重叠并形成灵敏度映射图中的间断点，从而沿着相位编码方向产生重影。然而，ESPIRiT能够使用多组线圈灵敏度映射图来表示重叠解剖结构(如与仅单组线圈灵敏度映射图相比)，从而允许重叠分量彼此单独地去混叠。ESPIRiT方法的详情描述于“ESPIRiT–Aneigenvalue approach to autocalibrating parallel MRI:Where SENSE meets GRAPPA”(ESPIRiT–自动校准并行MRI的特征值方法：SENSE与GRAPPA融合)，M.Uecker等人，MagneticResonance in Medicine(《医学磁共振》)，第71卷，第3期，第990-1001页，2014年。
本公开描述了使用基于深度学习的框架由欠采样MRI数据来重建MR图像的方法和系统，该基于深度学习的框架利用扩展线圈灵敏度模型来克服模型误差，诸如由解剖结构重叠引起的模型误差。可使用MRI装置(诸如图1所示的MRI装置)在MRI扫描期间获取欠采样k空间数据。MRI装置可包括一个或多个多线圈接收器阵列，每个多线圈接收器阵列包括多个RF线圈，诸如图2所示的示例性RF线圈阵列。在MRI扫描期间，每个接收器线圈可获取部分k空间数据(由于欠采样以加快扫描时间)。如图3的示例性过程流中所示，原始k空间数据可用于使用ESPIRiT校准来重建多个初始MR图像和多个线圈灵敏度映射图。然后将多个初始MR图像和映射图输入在深度神经网络(本文称为DL-ESPIRiT)中。DL-ESPIRiT网络以迭代方式重建多个MR图像并且在迭代结束时输出多个最终重建的MR图像，每个最终重建的MR图像对应于多组灵敏度映射图中的不同映射图。然后可将这些最终重建的MR图像合并成一个MR图像，并且向用户显示并用于诊断，如图6的示例性方法中所示。图4至图5中示出了示例性DL-ESPIRiT网络的更多细节。可通过将无伪影真实MR图像以及由欠采样MR数据直接重建或由模拟伪影增强的对应初始MR图像输入到DL-ESPIRiT网络中来对DL-ESPIRiT网络进行端到端训练，如图7的示例性方法中所示。图8至图10中示出了经由不同重建技术(包括DL-ESPIRiT技术)重建的具有各种级别不同成像伪影的示例性MR图像。
图1示出了磁共振成像(MRI)装置10，其包括静磁场磁体单元12、梯度线圈单元13、一个或多个局部RF线圈阵列(210、220和230)、RF体线圈单元15、发射/接收(T/R)开关20、RF端口接口21、RF驱动器单元22、梯度线圈驱动器单元23、数据获取单元24、控制器单元25、病床26、数据处理单元31、操作控制台单元32和显示单元33。MRI装置10将电磁脉冲信号发射到放置在成像空间18中的对象16，其中形成静磁场以执行扫描，用于获得来自对象16的磁共振信号，以基于通过扫描获得的MR信号重建对象16的切片的图像。
静磁场磁体单元12通常包括例如安装在环形真空容器内的环状超导磁铁。磁铁限定了围绕对象16的圆柱形空间，并且产生恒定的主静磁场B0。
MRI装置10还包括梯度线圈单元13，该梯度线圈单元在成像空间18中形成梯度磁场，以便为由RF线圈阵列接收的磁共振信号提供三维位置信息。梯度线圈单元13包括三个梯度线圈系统，每个梯度线圈系统生成梯度磁场(该梯度磁场向彼此垂直的三个空间轴线之一倾斜)，并且根据成像条件在频率编码方向、相位编码方向和切片选择方向中的每一方向上生成梯度场。更具体地，梯度线圈单元13在对象16的切片选择方向(或扫描方向)上施加梯度场，以选择切片；并且RF体线圈单元15或局部RF线圈阵列可以将RF脉冲传输到对象16的所选择的切片。梯度线圈单元13还在对象16的相位编码方向上施加梯度场，以对来自由RF脉冲激发的切片的磁共振信号进行相位编码。然后梯度线圈单元13在对象16的频率编码方向上施加梯度场，以对来自由RF脉冲激发的切片的磁共振信号进行频率编码。
图1中还示出了三个局部RF线圈阵列210、220和230。局部RF线圈阵列被设置成例如包封对象16的待成像的区域。在由静磁场磁体单元12形成静磁场B0的静磁场空间或成像空间18中，局部RF线圈阵列可以基于来自控制器单元25的控制信号将作为电磁体波的RF脉冲发射到对象16，并且由此生成高频磁场B1。这激发了待成像的对象16的切片中的质子自旋。局部RF线圈阵列接收当质子自旋返回到与初始磁化矢量对准时生成的电磁波作为MR信号。在一个实施方案中，每个局部RF线圈可以使用相同的局部RF线圈来发射和接收RF脉冲。在另一个实施方案中，局部RF线圈可以用于仅接收MR信号，但不用于发射RF脉冲。图2中呈现了局部RF线圈阵列的细节。
RF体线圈单元15例如被设置为包围成像空间18，并且产生与由成像空间18内的静磁场磁体单元12产生的主磁场B0正交的RF磁场脉冲B1以激发核。相比于可从MRI装置10容易地断开并且用另一个局部RF线圈替换的局部RF线圈阵列(诸如局部RF线圈阵列210和220)，RF体线圈单元15固定地附接和连接到MRI装置10。此外，尽管局部线圈阵列可以仅向或从对象16的局部区域发射或接收信号，RF体线圈单元15一般具有较大的覆盖区域，并且可以用于向对象16的整个身体发射或接收信号。使用仅接收RF线圈阵列和发射体线圈提供均匀RF激发和良好图像均匀性，代价是在对象中沉积的高RF功率。对于发射-接收RF线圈阵列，线圈阵列向感兴趣区域提供RF激发并且接收MR信号，从而减小沉积在对象中的RF功率。应当理解，局部RF线圈阵列和/或RF体线圈单元15的特定用途取决于成像应用。
当以接收模式操作时，T/R开关20可以选择性地将RF体线圈单元15电连接到数据获取单元24，并且当以传输模式操作时，T/R开关20可以选择性地将RF体线圈单元15电连接到RF驱动器单元22。类似地，当局部RF线圈阵列以接收模式操作时，T/R开关20可以选择性地将局部RF线圈阵列中的一个或多个电连接到数据获取单元24，并且当以发射模式操作时，T/R开关可以选择性地将局部RF线圈阵列中的一个或多个电连接到RF驱动器单元22。当局部RF线圈阵列和RF体线圈单元15均用于单次扫描时，例如，如果局部RF线圈阵列被配置为接收MR信号并且RF体线圈单元15被配置为发射RF信号，那么T/R开关20可以将来自RF驱动器单元22的控制信号引导到RF体线圈单元15，同时将接收到的MR信号从局部RF线圈阵列引导到数据获取单元24。RF体线圈单元15可以被配置为以仅发射模式、仅接收模式或发射-接收模式操作。局部RF线圈阵列可以被配置为以发射-接收模式或仅接收模式操作。
RF驱动器单元22包括栅极调制器(未示出)、RF功率放大器(未示出)和RF振荡器(未示出)，它们用于驱动RF线圈阵列并且在成像空间18中形成高频磁场。RF驱动器单元22基于来自控制器单元25的控制信号并且使用栅极调制器，将从RF振荡器接收的RF信号调制成具有预定包络的预定定时的信号。由栅极调制器调制的RF信号由RF功率放大器放大，然后，输出到RF线圈阵列。
梯度线圈驱动器单元23基于来自控制器单元25的控制信号驱动梯度线圈单元13，并且从而在成像空间18中生成梯度磁场。梯度线圈驱动器单元23包括与梯度线圈单元13中包括的三个梯度线圈系统对应的三个驱动器电路系统(未示出)。
数据获取单元24包括前置放大器(未示出)、相位检测器(未示出)和模拟/数字转换器(未示出)，其用于获取由局部RF线圈阵列接收的MR信号。在数据获取单元24中，相位检测器使用来自RF驱动器单元22的RF振荡器的输出作为参考信号来对从RF线圈阵列接收的以及由前置放大器放大的MR信号进行相位检测并且将相位检测的模拟磁共振信号输出到模拟/数字转换器，以便转换为数字信号。由此获得的数字信号被输出到数据处理单元31。
MRI装置10包括用于在其上放置对象16的检查床26。通过基于来自控制器单元25的控制信号移动检查床26，可以使对象16在成像空间18的内部和外部移动。一个或多个RF线圈阵列可以耦接到工作台26并且与工作台一起移动。
在一些实施方案中，控制器单元25包括计算机以及记录有要由计算机执行的程序的记录介质。程序在被计算机执行时使装置的各个部分执行与预定扫描对应的操作。记录介质可包括例如ROM、软盘、硬盘、光盘、磁光盘、CD-ROM或非易失性存储卡。控制器单元25连接到操作控制台单元32并且处理输入到操作控制台单元32的操作信号，并且还通过向它们输出控制信号来控制检查床26、RF驱动器单元22、梯度线圈驱动器单元23和数据获取单元24。控制器单元25还基于从操作控制台单元32接收的操作信号来控制数据处理单元31和显示单元33以获得期望的图像。
操作控制台单元32包括用户输入设备，诸如键盘和鼠标。操作者使用操作控制台单元32，例如，输入此类数据作为成像协议，并且设置要执行成像序列的区域。关于成像协议和成像序列执行区域的数据被输出到控制器单元25。
数据处理单元31包括计算机和记录介质，在该记录介质上记录由计算机执行以执行预定数据处理的程序。数据处理单元31连接到控制器单元25，并且基于从控制器单元25接收的控制信号执行数据处理。数据处理单元31还连接到数据获取单元24，并且通过对从数据获取单元24输出的磁共振信号施加各种图像处理操作来生成光谱数据。
显示单元33包括显示设备，并且基于从控制器单元25接收的控制信号在显示设备的显示屏幕上显示图像。显示单元33显示例如关于操作者从操作控制台单元32输入操作数据的输入项目的图像。显示单元33还显示由数据处理单元31生成的对象16的切片图像。
MRI装置10可被配置有深度神经系统或网络，以便由经由MRI装置10的多个接收器线圈获取的欠采样k空间数据来重建MR图像。例如，训练的深度神经网络可存储在数据处理单元31处。在一些实施方案中，深度神经网络可在连接到MRI装置10的边缘设备(未示出)上实现。在一些实施方案中，深度神经网络可例如在与MRI装置10通信的云中远程实现。在一些实施方案中，深度神经网络的部分在不同设备上实现，诸如MRI装置10、边缘设备、云等的任何适当组合。
不同的RF线圈阵列可用于不同的扫描目标。为此，可以从MRI装置10断开RF线圈阵列(诸如RF线圈阵列210)中的一者或多者，使得不同的线圈阵列可以连接到MRI装置10。RF线圈阵列可以经由连接器和RF端口接口21耦接到T/R开关20，并且因此耦接到RF驱动器单元22和数据获取单元24。每个RF线圈阵列可电耦接到一个或多个连接器(诸如连接器17a–17c)。一个或多个连接器可以插入RF端口接口21中，以将RF线圈阵列电耦接到T/R开关20。例如，可通过将连接器17c插入RF端口接口21中来将线圈阵列210电子耦接到MRI装置10。因此，可易于改变局部RF线圈阵列。
图2示出了图1的MRI装置10的RF线圈阵列相对于对象16的示例性布置。具体地讲，前部线圈阵列210、头颈部线圈阵列220和后部线圈阵列230分别定位在身体的顶部上、头颈部上方以及身体下方。每个线圈阵列是单独零件并且可彼此物理地分开。操作者可将线圈阵列(诸如前部线圈阵列210和头颈部线圈阵列220)中的一者或多者连接或从MRI装置10移除。后部线圈阵列230可嵌入在检查床26内并且随该检查床一起移动。每个线圈阵列可包括多个线圈元件，并且每个线圈元件接收从对象16的特定体积生成的MR信号。
线圈阵列的每个线圈元件经由通道电子耦接到控制器单元(诸如图1的控制器单元25)。具体地讲，每个线圈元件可感测MR信号并且经由对应通道将MR信号传输到MRI装置的数据获取单元(诸如图1的数据获取单元24)。然后数据获取单元将数字化的MR信号输出到控制器单元。在一些示例中，每个单独线圈元件可耦接到一个通道，并且每个通道可仅耦接到一个线圈元件(例如，前部线圈阵列210可包括经由12个单独通道耦接到数据获取单元的12个线圈元件)。在其他示例中，不止一个线圈元件可耦接到给定通道(例如，前部线圈阵列210可包括经由6个单独通道耦接到数据获取单元的12个线圈元件)。
从各种RF线圈阵列获取的MR信号以称为k空间的原始数据网格采集。K空间是表示MR图像中的空间频率的数值阵列。在并行成像中，沿着单独通道同时“并行”处理来自多个接收器线圈(例如，RF线圈阵列)的信号。为了减少并行成像中的扫描时间，通过仅获取部分k空间MR数据(例如，仅填充k空间中的行的一半)来减少相位编码步骤数。这可在本文称为欠采样MRI数据。每个线圈表现出不同的空间灵敏度分布，这充当附加空间编码功能，并且可用于通过对k空间进行下采样(例如，欠采样)并且使用灵敏度信息重建图像来加快该获取。可实现图像域(例如，SENSE)或k空间域(例如，GRAPPA)中的各种重建技术或算法以估计k空间的缺失行并且校正并行成像图像中的混叠重叠。这些技术可通过减少数据采集量来加快扫描时间而不发生混叠。ESPIRiT将SENSE和GRAPPA结合起来以继承这两种技术的有益效果。
参见图3，根据一个示例性实施方案示出了示意图，该示意图示出了使用深度学习(DL)-ESPIRiT网络(本文也称为深度学习和扩展线圈灵敏度网络)来重建MRI图像的示例性过程流300。过程流从302开始，在此处将患者放入MRI扫描仪(其可类似于图1所示的MRI装置10)中并且使用MRI扫描仪的多线圈接收器阵列对患者执行扫描。本文所讨论的DL-ESPIRiT技术允许灵活地修改用于在MRI扫描期间获取数据的成像模型。例如，成像模型可结合偏共振信息、信号衰减模型、具有零差处理的k空间对称以及任意采样轨迹(例如，径向、螺旋、混合编码等)。将从多线圈接收器阵列获取的MR信号作为原始k空间数据采集，如304处所示。304处的k空间数据可包括对于用于获取数据的接收器线圈(或接收器线圈组)的总数C而言沿着Kx和Ky轴(其是空间频率维度)的MR信号数量。另外，由于欠采样，k空间仅被部分地填充。在一些实施方案中，k空间中心比k空间的其他区域更稠密地采样，以用于自动校准的目的。
在306处直接对原始k空间数据执行ESPIRiT校准以便估计多组线圈灵敏度映射图(例如，ESPIRiT映射图)，如308处输出。ESPIRiT校准包括由在自动校准区域(例如，k空间中心)处采集的自动校准数据生成显式线圈灵敏度映射图。具体地讲，这包括使用整个自动校准区域中的滑动窗口将原始k空间数据汇集成矩阵(称为校准矩阵)。自动校准区域内的每个块是校准矩阵中的一行，并且校准矩阵的列是自动校准区域的移位版本。然后由校准矩阵的右奇异向量生成ESPIRiT重建算子，并且经由特征值分解来计算灵敏度映射图(其是重建算子的特征向量)，每个映射图对应于一组特征向量。ESPIRiT校准的详情可见于“ESPIRiT–An eigenvalue approach to autocalibrating parallel MRI:Where SENSEmeets GRAPPA”(ESPIRiT–自动校准并行MRI的特征值方法：SENSE与GRAPPA融合)，M.Uecker等人，Magnetic Resonance in Medicine(《医学磁共振》)，第71卷，第3期，第990-1001页，2014年。
根据由特征值分解计算的特征向量数来确定灵敏度映射图的组数。在理想情况下，每个位置处仅存在与“1”的绝对特征值相对应的单个特征向量，并且所有其他特征值<<1。然而，该获取中的误差可引起与“1”的绝对特征值或小于但接近“1”的附加特征值相对应的多个特征向量。重建中使用的灵敏度映射图的数量是重建之前设定的超参数。在一些实施方案中，在重建中使用两组灵敏度映射图以减少解剖结构重叠。
在308处输出多组ESPIRiT映射图。ESPIRiT映射图是线圈灵敏度映射图，其呈现跨图像的空间维度X和Y的每个线圈的相对权重的可视化。应当理解，虽然2D图像在本文中用作说明示例，但该方法可适用于3D图像。每组线圈灵敏度映射图(每个线圈有一个映射图)对应于重建的一个MR图像。如图3所示，在308处生成两个线圈灵敏度映射图(例如，M＝2)。然而，在替代实施方案中，可在308处生成超过两个线圈灵敏度映射图。
在310处，由在304处获取的原始k空间数据以及在308处输出的多组线圈灵敏度映射图执行MR图像的初始重建。例如，310处的过程可包括由欠采样k空间数据和多组线圈灵敏度映射图重建多个MR图像，其中在312处输出的每个初始重建的MR图像对应于多组线圈灵敏度映射图中的不同组。这些初始MR图像可为在未填充k空间的缺失行的情况下基于单独欠采样k空间数据重建的零填充图像。因此，在310处重建且在312处输出的初始MR图像计算起来相对较快，并且可严重混叠。
然后将在312处输出的初始MR图像(图3的示例中示出了两个)与在308处输出的多组线圈灵敏度映射图一起输入到314处的DL-ESPIRiT网络(本文也可称为深度学习和扩展线圈灵敏度网络或框架)中。图4和图5中示出了有关DL-ESPIRiT网络的细节，如下文进一步讨论。一般来讲，314处的DL-ESPIRiT网络包括散布有利用多组线圈灵敏度映射图的数据一致性层的深度神经网络(其在一个实施方案中可为卷积神经网络)。
在常规ESPIRiT重建中，可通过求解以下形式的非线性反问题由原始欠采样测量结果来估计各对应于一组线圈灵敏度映射图的一组MR图像
Figure BDA0002380104200000101
Figure BDA0002380104200000102
其中A由多组线圈灵敏度映射图、离散傅里叶变换和k空间采样算子构成。正则化函数R和相关联的正则化因子通常被选择为l1范数以便平衡数据一致性与图像内容的先验知识(即，先验)。一般来讲，如果R是正常凸函数，则可使用近端梯度下降算法迭代地求解公式1中的优化问题：
x(k+1)＝SR(x(k)-AH(Ax(k)-y))， (公式2)
其中AH是A的共轭转置，并且SR被定义为正则化函数R的近端算子。在R是x的l1范数的情况下，公式2中的更新规则简化为迭代收缩阈值算法(ISTA)。
在本公开中，有关该组图像x的先验使用如图3所示的卷积神经网络(CNN)来建模，该CNN替换公式2中的近端运算SR。这给出了DL-ESPIRiT网络的以下公式：
x(k+1)＝CNN(k)(x(k)-AH(Ax(k)-y)), (公式3)
然后通过展开公式3对先验信息进行隐式学习，并且作为深度CNN进行端到端训练。允许网络权重在展开迭代之间变化以增强网络的表达能力。该网络在图4中概括并且在图5中更详细阐述。如图3所示，在316处从DL-ESPIRiT网络输出迭代结束时最终重建的MR图像(一个最终重建的MR图像对应于每组线圈灵敏度映射图)。然后将这些最终重建的MR图像合并成一个图像，该图像具有与其他重建技术相比减少的伪影(例如，解剖结构重叠、运动、化学位移、失真、梯度非线性等)，如下文参照图8至图10进一步解释。
转到图4，根据一个示例性实施方案示出了DL-ESPIRiT网络314及其输入和输出的示意图400。图4所示的输入(初始MR图像312和多组线圈灵敏度映射图(例如，ESPIRiT映射图)308)和输出(最终重建的MR图像316)与图3所示的那些相同。如上所讨论，通过DL-ESPIRiT网络314同时输入和处理两个初始MR图像312，并且输出两个最终重建的MR图像316。输入和输出MR图像中的每一者对应于多组线圈灵敏度映射图中的不同组。由于具有多个ESPIRiT映射图和MR图像，该网络可分割MR图像中的重叠解剖结构分量(如箭头406所表示)并且单独地对它们进行去混叠。在替代实施方案中，可存在超过两组MR图像和线圈灵敏度映射图(诸如三组、四组等)。
DL-ESPIRiT网络314包括卷积神经网络(CNN)402和数据一致性(DC)层404，它们迭代地应用一定迭代次数(N)。迭代次数N可为例如5次、10次、20次或任何其他适当的次数。CNN和DC层一起工作以重建多个MR图像，每个MR图像对应于一组线圈灵敏度映射图。CNN402包括多个卷积层，如下文参照图5进一步讨论。CNN 402也可称为去噪块。DC层404强化输入k空间数据与去噪块(CNN 402)的中间输出之间的一致性。这确保了最终MR图像与所测量的数据点一致并因此使错觉机会最小化。DC层404使用多组线圈灵敏度映射图在k空间与图像域之间来回投射。按照输出与真实(例如，全采样)MR图像之间的损失对整个DL-ESPIRiT网络314进行端到端训练，如下文参照图7进一步解释。
图5中根据一个示例性实施方案示出了DL-ESPIRiT网络314的布局。具体地讲，图5示出了DL-ESPIRiT网络314的单次迭代以及CNN 402架构的细节。CNN 402的每个卷积层的多个输入和输出图像在图5中示出于每个卷积块上方。应当注意，图5所示的数量是示例性的，并且可将与所示数量不同的数量的图像从一个卷积层输出并输入到下一个卷积层中。
如图5所示，复值MR图像(例如，输入图像312)被分成实部图像502和虚部图像504。本文所述的DL-ESPIRiT网络适应多组图像的一次性重建。在两组ESPIRiT映射图的情况下，如图3至图5所示，四个输入图像(两个实像502和两个虚像504)通过一系列卷积层506并且被变换为特征映射图。在每个卷积层之后，特征映射图通过非线性激活层508。为了加快训练收敛并减少梯度消失问题，在数对卷积之间放置残差连接510。在每次迭代结束时，应用最终卷积512以从特征映射图变换回图像，从而应用DC层404。在训练期间学习到卷积层506的权重，如下文进一步讨论。在一个示例中，DL-ESPIRiT网络具有10次迭代、每次迭代2个ResNet块、大小为3×3的空间滤波器、大小3为的时间滤波器以及64的滤波器深度。
另外，每次展开迭代中的初始卷积层接受多个复图像，每个复图像对应于一组线圈灵敏度映射图。每个MR图像312(其被分成实分量和虚分量)被堆叠为对应通道。然后卷积在所有通道之间共享信息，从而允许它们在数据驱动的基础上利用这些多组图像之间的相关性。相比之下，常规l1-ESPIRiT在迭代期间单独地处理每组图像，并且不能够使多组图像相关。
与其他基于DL的重建方法截然不同，卷积层506被修改为学习额外滤波器(增加的滤波器深度)以便一次性重建多个图像。这在图5中展示，其中CNN的第一卷积层接受4个通道(待重建的每个图像有一个实分量和一个虚分量)而非2个通道。这样，可同时重建多个MR图像。
为了进行说明而非限制，图5示出了DL-ESPIRiT网络314中使用的神经网络的一个实施方案。在替代实施方案中，不同神经网络架构可用于本文所述的DL-ESPIRiT网络。例如，不同神经网络结构可包括残差网络(ResNet)、U-Net、自编码器、递归神经网络和全连接网络。在又其他实施方案中，神经网络的单独卷积与激活层还可被修改为本身支持复值数据。
图6示出了使用深度神经网络由从多线圈阵列获取的欠采样k空间数据来重建伪影减少的多个MR图像的方法600的流程图。深度神经网络可为上文参照图3至图5讨论的深度学习(DL)-ESPIRiT网络。如下文进一步讨论，每个最终重建的MR图像对应于不同组线圈灵敏度映射图，其中多组线圈灵敏度映射图(本文称为ESPIRiT映射图)输入到DL-ESPIRiT网络中并且在DL-ESPIRiT网络内使用。图6是针对图1至图5的系统、部件和网络描述的，但是应当理解，方法600可以在不脱离本公开的范围的情况下用其他系统、部件和网络来实现。在一些实施方案中，方法600可以在MRI装置10、连接到MRI装置10的边缘设备、与MRI装置通信的云等的任何适当组合中被实现为可执行指令。作为一个示例，方法600可以在计算设备的非暂态存储器中实现，诸如图1中的MRI装置10的控制器单元(例如，处理器)。
方法600通过以下方式从602开始：使用包括多个线圈元件的多线圈射频(RF)接收器阵列来执行成像扫描，并且从多线圈接收器阵列获取欠采样k空间数据。在一个示例中，该方法在602处包括使用图1所示的MRI装置10来执行MRI扫描，并且使用MRI装置的多线圈接收器阵列来获取欠采样k空间数据，如上文参照图1所描述。图3中的304处示出了获取的欠采样k空间数据的示例。如上文参照图3所描述，将从多线圈接收器阵列获取的MR信号作为原始k空间数据采集，该原始k空间数据包括对于用于获取数据的接收器线圈(或接收器线圈组)的总数而言的MR信号数量。由于欠采样，k空间仅被部分地填充。在一些实施方案中，k空间中心比k空间的其他区域更稠密地采样，以用于自动校准的目的。
该欠采样可显著减少扫描时间(例如，获取用于重建MR图像的k空间数据所需的时间)；然而，由该欠采样数据重建的零填充MR图像可具有显著混叠效应，从而降低图像质量以及医疗专业人员基于所得图像来作出诊断的能力。因此，用于重建质量更高且成像伪影减少的图像的并行处理方法可应用于欠采样k空间数据，如下文进一步描述。
在604处，该方法包括由获取的k空间数据估计多组线圈灵敏度映射图(本文也称为ESPIRiT映射图)。在一个实施方案中，该方法在604处可包括直接对602处获取的原始k空间数据执行ESPIRiT校准以便估计多组线圈灵敏度映射图。如上文参照图3中的306所解释，执行ESPIRiT校准包括使用特征值分解由自动校准区域(例如，k空间中心)处采集的自动校准数据生成显式线圈灵敏度映射图。在604处生成的多组线圈灵敏度映射图可包括至少两组线圈灵敏度映射图，其中每组线圈灵敏度映射图包括用于获取k空间数据的每个线圈(或线圈分组)的灵敏度映射图。
在606处，该方法包括使用获取的k空间数据(在602处获取)和估计的多组线圈灵敏度映射图(在604处估计)来重建多个初始图像(例如，MR图像)。每个初始图像可为各自与多组灵敏度映射图中的不同组相对应的初始MR图像。因此，在606处重建的初始MR图像的数量等于在604处估计的线圈灵敏度映射图的组数。该方法在606处可遵循上文参照图3的310概述的方法。初始重建的MR图像可以是因由部分(例如，欠采样)k空间数据重建而具有明显混叠的零填充图像。
该方法进行到608，以使用训练的深度神经网络基于初始图像和估计的多组线圈灵敏度映射图来迭代地重建多个图像。例如，该方法在608处可包括将初始图像和多组线圈灵敏度映射图输入到深度神经网络中。在一个示例中，深度神经网络可为图3至图5所示的DL-ESPIRiT网络，如上所述。然后该方法包括使用深度神经网络来迭代地重建多个图像(例如，多个MR图像)，每个重建的图像对应于多组线圈灵敏度映射图中的不同组。在一个示例中，该方法在308处可包括将DL-ESPIRit网络应用于输入初始MR图像和多组线圈灵敏度映射图达多次迭代。如上所述，DL-ESPIRiT网络可包括与数据一致性(DC)层集成的卷积神经网络(CNN)，其中对输入图像(被分成实分量和虚分量)执行多次卷积，然后应用数据一致性层以强化输入k空间数据与输出图像之间的一致性。上文参照图3至图5描述了示例性DL-ESPIRiT网络的更多细节。该网络运行多次迭代，直到从该网络输出成像伪影减少(例如，在预设误差阈值内)的图像。可在训练之前选择并固定迭代次数。作为一个示例，可通过试错实验找到最佳迭代次数。例如，在推理时间，该网络应用的迭代次数可与在训练阶段期间应用时固定的迭代次数相同。在608处应用DL-ESPIRiT网络包括同时重建多个MR图像。这允许该网络分割多个MR图像中的重叠解剖结构分量并且单独地对重叠解剖结构分量进行去混叠。
在610处，该方法包括将从训练的深度神经网络输出的多个MR图像合并以形成一个重建的MR图像。
最终重建的图像向最终合并重建的MR图像的合并可使用平方和方根法进行：
Figure BDA0002380104200000151
然后该方法可继续到612以向用户输出(例如，显示)最终合并重建的MR图像。在一个示例中，输出最终合并重建的MR图像包括经由显示设备的显示屏向用户显示最终合并重建的MR图像。在一个示例中，显示设备是图1所示的MRI装置10的显示单元33。在另一个示例中，输出最终合并重建的MR图像可另外或另选地包括将最终合并重建的MR图像存储在与处理器连接的存储器上，以使得用户稍后可访问并处理所存储的图像。然后医疗专业人员可使用所显示和存储的图像进行诊断。
现在转到图7，示出了用于训练图6的方法600中使用的深度神经网络的方法700。如上所讨论，在一个示例中，深度神经网络可为上文参照图3至图5描述的DL-ESPIRiT网络。方法700示出了使用数据的一个实例来训练DL-ESPIRiT网络以便以迭代方式由欠采样k空间数据重建成像伪影减少的多个MR图像(每个MR图像对应于不同组线圈灵敏度映射图)。例如，可对多个训练实例重复方法700。方法700是针对图1至图5的系统、部件和网络描述的，但是应当理解，方法700可以在不脱离本公开的范围的情况下用其他系统、部件和网络来实现。在一些实施方案中，方法700可以在MRI装置10、连接到MRI装置10的边缘设备、与MRI装置通信的云等的任何适当组合中被实现为可执行指令。作为一个示例，方法700可以在计算设备的非暂态存储器中实现，诸如图1中的MRI装置10的控制器单元(例如，处理器)。
方法700从702开始。在702处，该方法包括由在第一次MRI扫描期间从(MRI装置的)多个线圈获取的欠采样k空间数据来重建多个初始MR图像，并且重建由欠采样k空间数据生成的多组线圈灵敏度映射图。在一个示例中，该方法在702处可包括直接对欠采样k空间数据执行ESPIRiT校准(如上文参照图3的306和图6的604所讨论)以获得多组线圈灵敏度映射图。可通过对从RF线圈阵列的多个线圈获取的一组全采样k空间数据进行回顾性欠采样来获得欠采样k空间数据。可由欠采样k空间数据重建初始图像，每个初始图像对应于多组线圈灵敏度映射图中的不同组。704处的操作可类似于图6中的604和606处的操作。
然后该方法继续到704，以使用多个初始MR图像、多组线圈灵敏度映射图和多个对应无伪影真实MR图像来训练深度神经网络(例如，DL-ESPIRiT网络)。在一个示例中，无伪影真实(例如，参考)MR图像是由全采样k空间数据重建的图像，702处使用的欠采样k空间数据从全采样k空间数据获得。该方法在704处可包括在706处，将多个初始MR图像和多组线圈灵敏度映射图输入到深度神经网络(例如，DL-ESPIRiT网络)中并且输出多个预测的MR图像。多个预测的MR图像中的每个预测的MR图像对应于初始MR图像中的不同图像以及多组线圈灵敏度映射图中的不同组。
在一些实施方案中，在706处输入的初始MR图像可为具有模拟伪影的MR图像。例如，可对该数据执行随机翻转、时空平移、沿着读出的裁剪、减小相位FOV、部分回波等以模拟初始MR图像内的各种成像伪影。
该方法在704处还可包括在708处，基于多个真实MR图像(通过将每个真实图像与使用ESPIRiT估计的灵敏度映射图相乘来获得)与多个预测的MR图像之间的误差(即，损失)来更新深度神经网络的权重。在推理之后，可根据公式4合并多个预测的MR图像。这样，在一个实施方案中，该方法在704处包括根据预测的MR图像与真实MR图像之间的差异对DL-ESPIRiT网络进行端到端(例如，从输入经数据一致性层到达卷积神经网络)训练。更具体地讲，在一个实施方案中，该训练的损失函数
Figure BDA0002380104200000171
定义该比较，并且等于每个对应真实MR图像Y与预测的MR图像
Figure BDA0002380104200000172
之间的像素值平方差均值：
Figure BDA0002380104200000173
其中P是图像Y和
Figure BDA0002380104200000174
的像素数量。该成本函数可被定义为：
Figure BDA0002380104200000175
其中M是输入MR图像的数量，并且wi是DL-ESPIRiT网络的参数或权重。在训练的每个实例时，计算由该成本函数定义的成本，并且反向传播该误差以更新DL-ESPIRiT网络的参数或权重wi：
wi←wi+Δwi. (公式7)
具体地讲，使用梯度下降技术来计算权重变化Δwi以降低下一次迭代的成本：
Figure BDA0002380104200000176
其中η是学习率，即DL-ESPIRiT网络的用户定义的超参数。在708处更新DL-ESPIRiT网络的权重wi之后，接着方法700结束。如上所提及，方法700涉及DL-ESPIRiT网络的训练的单个实例。应当理解，可因此对多个实例执行方法700以训练DL-ESPIRiT网络。此外，虽然上文呈现了用于训练DL-ESPIRiT的损失函数(公式4)的一个示例，但是可使用不同损失函数。例如，用于训练DL-ESPIRiT网络的不同损失函数可包括结构相似度指数(SSIM)、l2范数、l1范数和/或这些不同函数的组合。此外，可使用感知或对抗损失函数来训练DL-ESPIRiT网络。在一些实施方案中，DL-ESPIRiT网络还可包括以上讨论的权重更新的动量项以加快训练。可使用已知方法(诸如Adam技术)从迭代到迭代自适应地选择动量项。
现在转到图8至图10，示出了使用各种重建技术重建的具有各种不同成像伪影级别的示例性图像。在机构审查委员会(IRB)批准后，在1.5T和3.0T MRI扫描仪上使用32通道心脏线圈以不同心脏视图和切片位置从15名志愿者获取全采样平衡稳态自由进动(SSFP)2D心脏电影数据集。出于速度和内存考虑，将所有数据集盘绕压缩到8个通道。为了训练深度神经网络(即，DL-ESPIRiT)，逐个切片地分割12个志愿者数据集以形成180个独特示例，通过随机翻转、时空平移、沿着读出的裁剪、减小相位FOV来进一步增强这些独特示例以模拟解剖结构重叠、部分回波和可变密度欠采样。为进行比较，一个DL-ESPIRiT被训练为使用一组灵敏度映射图，而具有相同布局的另一个DL-ESPIRiT被训练为使用两组灵敏度映射图。使用网络输出与真实图像之间的平均l1损失来训练这些网络。
为进行评估，对剩余三个志愿者数据集进行回顾性欠采样以模拟具有10×加速度和25％部分回波的25秒获取。为进行比较，单独地使用零填充欠采样数据、全采样数据、具有空间子波和时间有限差分限制的常规l1-ESPIRiT、由一组灵敏度映射图训练的DL-ESPIRiT以及由两组灵敏度映射图训练的DL-ESPIRiT逐个切片地构建图像。
具体地讲，图8示出了第一组心脏图像800。具体地讲，在802处示出了直接由欠采样k空间数据重建的第一零填充MR图像，并且在808处示出了直接由全采样k空间数据重建的第四全采样MR图像。在804处示出了使用传统l1-ESPIRiT(无深度学习)技术利用两组线圈灵敏度映射图重建的第二MR图像，并且在806处示出了使用本文参照图3至图6讨论的DL-ESPIRiT利用两组线圈灵敏度映射图重建的第三MR图像。如第四MR图像808中所见，在臂的顶部上发生了箭头810所指示的解剖结构重叠，该臂因梯度非线性而失真。这使得第二MR图像804(l1-ESPIRiT重建)中的右心室血池中出现结构化的高频重影。然而，通过DL-ESPIRiT重建显著减少了箭头812所指示的该伪影，如第三MR图像806中所见。与第二MR图像804相比，通过第三MR图像806的DL-ESPIRiT重建抑制了如箭头814所指示的肝脏下方的附加重影。如图8所示，与ESPIRiT重建的第二MR图像804相比，由DL-ESPIRiT重建产生的第三MR图像806更密切类似于全采样第四MR图像808。这样，图8示出了与使用传统ESPIRiT技术(无深度学习)重建的MR图像相比使用本文所讨论的DL-ESPIRiT技术重建的MR图像如何具有减少的伪影的示例。与全采样第四MR图像808相比，第三MR图像806的DL-ESPIRiT重建能更快速地获取和重建且具有更小的计算工作量。
图9示出了第二组心脏图像900。第一MR图像902是直接由欠采样k空间数据重建的零填充图像。因此，第一MR图像902严重混叠。第二MR图像904和第三MR图像906是使用l1-ESPIRiT技术由欠采样k空间数据重建的，其中第二MR图像904使用仅一组线圈灵敏度映射图来重建，而第三MR图像906使用两组线圈灵敏度映射图来重建。第四MR图像908和第五MR图像910是使用上文所讨论的DL-ESPIRiT技术由相同欠采样k空间数据重建的，其中第四MR图像908使用仅一组线圈灵敏度映射图来重建，而第五MR图像910使用两组线圈灵敏度映射图来重建。第六MR图像912由全采样k空间数据重建。在前部和后部脂肪组织之间发生如箭头914所指示的解剖结构重叠，从而使得在第二MR图像904和第三MR图像906的l1-ESPIRiT重建中跨心脏出现如箭头916所指示的重影。由于DL-ESPIRiT网络在全采样数据上训练，因此其能够在第四MR图像908中减少如箭头918所指示的重叠相关重影。由于使用两组线圈灵敏度映射图(如与仅一组相比)来执行DL-ESPIRiT重建，因此在第五MR图像910中甚至进一步减少了重影。如图9中所见，第五MR图像910最密切类似于全采样第六MR图像912。
图10示出了第三组心脏图像1000。第一MR图像1002是直接由欠采样原始k空间数据重建的零填充图像，第二MR图像1004是使用l1-ESPIRiT技术由欠采样k空间数据重建的，第三MR图像1006是使用本文所讨论的DL-ESPIRiT技术由欠采样k空间数据重建的，并且第四MR图像1008是由全采样k空间数据重建的。分别在1010、1012、1014和1016处示出了零填充、l1-ESPIRiT、DL-ESPIRiT和全采样方法中的每一者的对应y-t分布。如图10中所见，DL-ESPIRiT方法更准确地解析左心室内的乳突肌，其由第二MR图像1004、第三MR图像1006和第四MR图像1008中的每一者中的箭头1018指示。例如，第三MR图像1006中所指示的乳突肌更密切类似于完全解析的第四MR图像1008中的乳突肌，而第二MR图像1004中的乳突肌更模糊。另外，DL-ESPIRiT y-t分布1014更自然地描绘了运动，而l1-ESPIRiT y-t分布1012因抑制混叠所需的总变差(TV)正则化而发生阶梯伪影。
虽然图8至图10示出了用于心脏解析2D心脏成像的示例性MR图像，但本文所讨论的DL-ESPIRiT技术可扩展到任意维数据，包括：2D、3D(例如，体三维)、呼吸系统解析、时间解析、扩散编码、速度编码、位移编码以及多回波成像。此外，虽然图8至图10所示的示例展示了DL-ESPIRiT网络对于解剖结构重叠和梯度非线性的稳健性，但DL-ESPIRiT技术也可用于减少因其他类型的模型误差引起的伪影，诸如运动伪影、化学位移以及与回波平面成像有关的图像失真。可(使用上文参照图7概述的方法)训练DL-ESPIRiT网络以使用充分的训练数据减少所有这些伪影。
这样，深度神经网络(例如，DL-ESPIRiT网络)可用于由以加速的速率(与全采样数据相比)获取的欠采样k空间数据来重建MR图像。如上所讨论，DL-ESPIRiT网络将深度神经网络重建框架与扩展线圈灵敏度模型(其利用使用ESPIRiT估计的多组线圈灵敏度映射图)结合起来，从而引起高度欠采样MRI数据的更稳健重建。在一个示例中，DL-ESPIRiT网络包括卷积神经网络，该卷积神经网络被训练为联合重建多个图像，每个图像对应于多组线圈灵敏度映射图中的一组。利用将多组灵敏度映射图和多个初始图像(例如，零填充图像)用作输入的深度学习和扩展线圈灵敏度网络来同时重建多个图像(多个图像中的每个图像对应于多组灵敏度映射图中的不同组)的技术效果是在更少时间内使用更少计算工作量生成伪影减少的重建MR图像。具体地讲，DL-ESPIRiT方法提供了由高度欠采样MRI数据进行的MR图像的稳健重建。通过为用户提供伪影减少的MR图像，基于重建图像的诊断可更准确且更易作出。
如本文所用，以单数形式列举并且以单词“一个”或“一种”开头的元件或步骤应当被理解为不排除多个所述元件或步骤，除非明确说明此类排除。此外，对本发明的“一个实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定特性的元件或多个元件的实施方案可包括不具有该特性的附加此类元件。术语“包括”和“在……中”用作相应术语“包含”和“其中”的通俗语言等同物。此外，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求或特定位置次序。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使相关领域中的普通技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求书限定，并且可包括本领域普通技术人员想到的其他示例。如果此类其它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，则此类其它示例旨在落入权利要求书的范围内。

Claims (20)

1.一种用于重建磁共振(MR)图像的方法，包括：
由欠采样k空间数据估计多组线圈灵敏度映射图，其中所述欠采样k空间数据通过多线圈射频(RF)接收器阵列来获取；
使用所述欠采样k空间数据和所述估计的多组线圈灵敏度映射图来重建多个初始图像，所述多个初始图像中的每一个对应于所述多组线圈灵敏度映射图中的不同组；
利用训练的深度神经网络通过使用所述初始图像和所述多组线圈灵敏度映射图迭代地重建多个图像来生成多个最终图像，所述多个图像中的每一个对应于所述多组灵敏度映射图中的不同组；以及
将从所述训练的深度神经网络输出的所述多个最终图像合并以生成所述MR图像。
2.根据权利要求1所述的方法，还包括经由显示设备显示所述MR图像。
3.根据权利要求1所述的方法，其中使用ESPIRiT校准来估计所述多组线圈灵敏度映射图。
4.根据权利要求1所述的方法，其中所述训练的深度神经网络包括多个交错的卷积神经网络(CNN)和数据一致性层。
5.根据权利要求4所述的方法，其中所述训练的深度神经网络执行多次迭代，每次迭代由一个CNN和后续的数据一致性层执行。
6.根据权利要求1所述的方法，其中所述多个初始图像是零填充图像。
7.一种包含指令的非暂态计算机可读介质(CRM)，所述指令在被执行时使得处理器：
由欠采样k空间数据估计多组线圈灵敏度映射图，所述欠采样k空间数据通过磁共振(MR)成像装置的多线圈射频(RF)接收器阵列来获取；
使用所述欠采样k空间数据和所述估计的多组线圈灵敏度映射图来重建多个初始图像，所述多个初始图像中的每一个对应于所述多组线圈灵敏度映射图中的不同组；
利用深度神经网络通过将所述初始图像和所述多组线圈灵敏度映射图作为所述深度神经网络的输入来迭代地重建多个最终MR图像，所述多个最终MR图像中的每一个对应于所述多组灵敏度映射图中的不同组并且从所述深度神经网络输出；以及
将从所述深度神经网络输出的所述多个最终MR图像合并以生成合并的最终MR图像。
8.根据权利要求7所述的CRM，其中使用无伪影真实MR图像以及直接由欠采样MR数据重建或由模拟伪影增强的对应初始MR图像对所述深度神经网络进行端到端训练。
9.根据权利要求7所述的CRM，还包括经由与所述CRM电子通信的显示设备向用户显示所述合并的最终MR图像。
10.根据权利要求7所述的CRM，其中估计所述多组线圈灵敏度映射图包括使用ESPIRiT校准来估计所述多组线圈灵敏度映射图。
11.根据权利要求7所述的CRM，其中所述多个初始图像中的每个初始图像是零填充图像。
12.根据权利要求7所述的CRM，其中所述深度神经网络包括多个交错的卷积神经网络(CNN)和数据一致性层。
13.根据权利要求12所述的CRM，其中所述深度神经网络还包括放置在所述CNN的数对卷积之间的残差连接。
14.根据权利要求12所述的CRM，其中所述深度神经网络执行多次迭代，每次迭代由一个CNN和后续的数据一致性层执行。
15.根据权利要求12所述的CRM，其中所述多个初始图像是复值图像，并且其中所述指令进一步使得所述处理器将所述多个复值初始图像分割成实部图像和虚部图像并将所述分割的多个复值初始图像输入到所述CNN中以及将所述多组线圈灵敏度映射图输入到所述数据一致性层中。
16.根据权利要求7所述的CRM，其中所述迭代地重建包括使用所述深度神经网络同时迭代地重建所述多个最终MR图像。
17.一种磁共振成像(MRI)系统，包括：
射频(RF)线圈阵列，所述射频(RF)线圈阵列包括多个线圈元件；
处理器，所述处理器耦接到所述RF线圈阵列；和
非暂态存储器，所述非暂态存储器存储深度学习-ESPIRiT网络和可执行指令，所述可执行指令在所述MRI系统的操作期间被执行时使得所述处理器：
使用所述RF线圈阵列来获取欠采样k空间数据；
由所述获取的k空间数据估计多组线圈灵敏度映射图；
使用所述获取的k空间数据和所述估计的多组线圈灵敏度映射图来重建多个初始MR图像；
将所述初始MR图像和所述估计的多组线圈灵敏度映射图输入到所述深度学习-ESPIRiT网络中，并且使用所述深度学习-ESPIRiT网络同时重建多个最终MR图像；以及
显示所述多个重建的最终MR图像中的一者或多者。
18.根据权利要求17所述的MRI系统，还包括与所述处理器电子通信并且包括显示屏的显示设备，并且其中经由所述显示屏显示所述多个重建的最终MR图像中的一者或多者。
19.根据权利要求17所述的MRI系统，其中所述多个重建的最终MR图像中的每个最终MR图像对应于所述多组线圈灵敏度映射图中的不同组，并且其中每组线圈灵敏度映射图包括用于所述多个线圈元件中的每个线圈元件的灵敏度映射图。
20.根据权利要求17所述的MRI系统，其中所述深度学习-ESPIRiT网络包括深度神经网络，所述深度神经网络包括与数据一致性层集成的多个层，并且其中使用所述深度学习-ESPIRiT网络同时重建所述多个最终MR图像包括比较由所述深度神经网络生成的中间图像与所述多组线圈灵敏度映射图，并强化由所述深度神经网络生成的中间图像与所述多组线圈灵敏度映射图之间的一致性。
CN202010080426.8A 2019-02-05 2020-02-05 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 Active CN111513716B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/268,201 2019-02-05
US16/268,201 US10712416B1 (en) 2019-02-05 2019-02-05 Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network

Publications (2)

Publication Number Publication Date
CN111513716A true CN111513716A (zh) 2020-08-11
CN111513716B CN111513716B (zh) 2023-05-23

Family

ID=71519878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010080426.8A Active CN111513716B (zh) 2019-02-05 2020-02-05 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

Country Status (2)

Country Link
US (1) US10712416B1 (zh)
CN (1) CN111513716B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506258A (zh) * 2021-07-02 2021-10-15 中国科学院精密测量科学与技术创新研究院 多任务复值深度学习的欠采样肺部气体mri重建方法
WO2022213666A1 (zh) * 2021-04-08 2022-10-13 浙江大学 结合k空间和图像空间重建的成像方法和装置
CN115494439A (zh) * 2022-11-08 2022-12-20 中遥天地(北京)信息技术有限公司 一种基于深度学习的时空编码图像校正方法
CN115731378A (zh) * 2022-11-09 2023-03-03 贵州大学 一种基于大数据技术的干涉阵列极化效应消除方法

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3513730A1 (en) * 2018-01-18 2019-07-24 Koninklijke Philips N.V. System and method for image decomposition of a projection image
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
US11354586B2 (en) 2019-02-15 2022-06-07 Q Bio, Inc. Model parameter determination using a predictive model
AU2020237207A1 (en) * 2019-03-14 2021-09-23 Hyperfine Operations, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
US10996306B2 (en) * 2019-04-25 2021-05-04 General Electric Company MRI system and method using neural network for detection of patient motion
US11710261B2 (en) * 2019-07-29 2023-07-25 University Of Southern California Scan-specific recurrent neural network for image reconstruction
JP7366643B2 (ja) * 2019-08-22 2023-10-23 キヤノンメディカルシステムズ株式会社 医用データ処理装置、医用データ処理方法及び医用画像診断装置
CN114450599B (zh) * 2019-09-27 2023-07-07 Q生物公司 麦克斯韦并行成像
US11614509B2 (en) 2019-09-27 2023-03-28 Q Bio, Inc. Maxwell parallel imaging
US20210118200A1 (en) * 2019-10-21 2021-04-22 Regents Of The University Of Minnesota Systems and methods for training machine learning algorithms for inverse problems without fully sampled reference 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
US11763134B2 (en) * 2020-01-22 2023-09-19 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image reconstruction
US11408954B2 (en) * 2020-03-24 2022-08-09 GE Precision Healthcare LLC Systems and methods of reducing noise and artifacts in magnetic resonance imaging
US11863221B1 (en) * 2020-07-14 2024-01-02 Hrl Laboratories, Llc Low size, weight and power (swap) efficient hardware implementation of a wide instantaneous bandwidth neuromorphic adaptive core (NeurACore)
DE102020210136A1 (de) * 2020-08-11 2022-02-17 Siemens Healthcare Gmbh Magnetresonanz-Bildgebungsrekonstruktion unter Verwendung von Maschinenlernen
EP4040180A1 (en) * 2021-02-05 2022-08-10 Siemens Healthcare GmbH System and method for mri coil sensitivity estimation and reconstruction
US11550014B2 (en) 2021-02-16 2023-01-10 The Board Of Trustees Of The Leland Stanford Junior University Artificial intelligence based reconstruction for phase contrast magnetic resonance imaging
US11720794B2 (en) * 2021-02-18 2023-08-08 Siemens Healthcare Gmbh Training a multi-stage network to reconstruct MR images
US11828824B2 (en) 2021-03-17 2023-11-28 GE Precision Healthcare LLC System and method for deep learning-based accelerated magnetic resonance imaging with extended field of view coil sensitivity calibration
US11823307B2 (en) 2021-05-13 2023-11-21 The Board Of Trustees Of The Leland Stanford Junior University Method for high-dimensional image reconstruction using low-dimensional representations and deep learning
CN113298901B (zh) * 2021-05-13 2022-12-06 中国科学院深圳先进技术研究院 卷褶视野磁共振图像的重建方法、计算机设备及存储介质
US11614508B1 (en) 2021-10-25 2023-03-28 Q Bio, Inc. Sparse representation of measurements
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
EP4231036A1 (en) 2022-02-21 2023-08-23 Koninklijke Philips N.V. Detection of artifical structures in magentic resonance images due to neural networks
EP4312044A1 (en) * 2022-07-26 2024-01-31 Siemens Healthcare GmbH Mri reconstruction based on neural networks
EP4345479A1 (de) * 2022-09-29 2024-04-03 Siemens Healthineers AG Verfahren zur iterativen rekonstruktion von bilddaten aus mittels einer magnetresonanzanlage aufgenommenen messdaten

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100292A1 (en) * 2006-10-30 2008-05-01 Ileana Hancu System and method for fast mr coil sensitivity mapping
CN103384836A (zh) * 2010-12-22 2013-11-06 皇家飞利浦电子股份有限公司 包含grappa算子的用于任意k空间轨迹的快速两步并行重建
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
CN105957117A (zh) * 2016-04-26 2016-09-21 东南大学 并行磁共振的图像重建方法、装置及并行磁共振成像系统
CN107182216A (zh) * 2015-12-30 2017-09-19 中国科学院深圳先进技术研究院 一种基于深度卷积神经网络的快速磁共振成像方法及装置
CN108226831A (zh) * 2016-12-12 2018-06-29 西门子保健有限责任公司 加速的磁共振成像
CN108335339A (zh) * 2018-04-08 2018-07-27 朱高杰 一种基于深度学习和凸集投影的磁共振重建方法
CN109188326A (zh) * 2018-09-29 2019-01-11 上海联影医疗科技有限公司 磁共振成像方法和磁共振系统

Family Cites Families (6)

* 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
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
US10928475B2 (en) * 2015-08-28 2021-02-23 The Board Of Trustees Of The Leland Stanford Junior University Dynamic contrast enhanced magnetic resonance imaging with flow encoding
US10671939B2 (en) 2016-04-22 2020-06-02 New York University System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100292A1 (en) * 2006-10-30 2008-05-01 Ileana Hancu System and method for fast mr coil sensitivity mapping
CN103384836A (zh) * 2010-12-22 2013-11-06 皇家飞利浦电子股份有限公司 包含grappa算子的用于任意k空间轨迹的快速两步并行重建
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
CN107182216A (zh) * 2015-12-30 2017-09-19 中国科学院深圳先进技术研究院 一种基于深度卷积神经网络的快速磁共振成像方法及装置
CN105957117A (zh) * 2016-04-26 2016-09-21 东南大学 并行磁共振的图像重建方法、装置及并行磁共振成像系统
CN108226831A (zh) * 2016-12-12 2018-06-29 西门子保健有限责任公司 加速的磁共振成像
CN108335339A (zh) * 2018-04-08 2018-07-27 朱高杰 一种基于深度学习和凸集投影的磁共振重建方法
CN109188326A (zh) * 2018-09-29 2019-01-11 上海联影医疗科技有限公司 磁共振成像方法和磁共振系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022213666A1 (zh) * 2021-04-08 2022-10-13 浙江大学 结合k空间和图像空间重建的成像方法和装置
CN113506258A (zh) * 2021-07-02 2021-10-15 中国科学院精密测量科学与技术创新研究院 多任务复值深度学习的欠采样肺部气体mri重建方法
CN115494439A (zh) * 2022-11-08 2022-12-20 中遥天地(北京)信息技术有限公司 一种基于深度学习的时空编码图像校正方法
CN115731378A (zh) * 2022-11-09 2023-03-03 贵州大学 一种基于大数据技术的干涉阵列极化效应消除方法
CN115731378B (zh) * 2022-11-09 2023-05-30 贵州大学 一种基于大数据技术的干涉阵列极化效应消除方法

Also Published As

Publication number Publication date
CN111513716B (zh) 2023-05-23
US20200249300A1 (en) 2020-08-06
US10712416B1 (en) 2020-07-14

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
US11300645B2 (en) Deep learning techniques for magnetic resonance image reconstruction
US11880962B2 (en) System and method for synthesizing magnetic resonance images
US8076938B2 (en) System and method of parallel imaging with calibration to a virtual coil
US9396562B2 (en) MRI reconstruction with incoherent sampling and redundant haar wavelets
CN103384836B (zh) 用于磁共振成像的方法和设备
CN103477238B (zh) 采用来自先验采集的约束的压缩感测mr图像重建
US20100308824A1 (en) Method for reconstructing images of an imaged subject from a parallel mri acquisition
US10895622B2 (en) Noise suppression for wave-CAIPI
JP6085545B2 (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
US20140286560A1 (en) Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images
JP2015128585A (ja) 磁気共鳴生データの再構成方法および装置
WO2022076654A9 (en) Deep learning methods for noise suppression in medical imaging
EP4092439A1 (en) System and method for reconstruction using a high-resolution phase in magnetic resonance images
US10690741B2 (en) Method and systems for reducing artifacts in magnetic resonance imaging
Jacob et al. Improved model-based magnetic resonance spectroscopic imaging
US10884086B1 (en) Systems and methods for accelerated multi-contrast propeller
CN113966471A (zh) 螺旋k空间采样磁共振图像的重建
US10776925B2 (en) System and method for generating a water-fat seperated image
CN111263896B (zh) 在磁共振成像系统中对相位相关的伪影的数据驱动的校正
WO2020219803A1 (en) Reconstruction augmentation by constraining with intensity gradients in mri
US20240164737A1 (en) Image reconstruction incorporating maxwell fields and gradient impulse response function distortion
Herterich et al. Coil Sensitivity Estimation and Intensity Normalisation for Magnetic Resonance Imaging
Qiu et al. A new parallel MRI image reconstruction model with elastic net regularization
WO2023186609A1 (en) Deep learning based denoising of mr images

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