CN111542853B - 数据采集期间的运动伪影预测 - Google Patents

数据采集期间的运动伪影预测 Download PDF

Info

Publication number
CN111542853B
CN111542853B CN201880084836.0A CN201880084836A CN111542853B CN 111542853 B CN111542853 B CN 111542853B CN 201880084836 A CN201880084836 A CN 201880084836A CN 111542853 B CN111542853 B CN 111542853B
Authority
CN
China
Prior art keywords
magnetic resonance
resonance imaging
data
machine learning
learning model
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
CN201880084836.0A
Other languages
English (en)
Other versions
CN111542853A (zh
Inventor
A·扎尔巴赫
S·魏斯
K·佐默
C·许尔克
M·G·赫勒
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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
Priority claimed from EP17199301.7A external-priority patent/EP3477583A1/en
Priority claimed from EP18170128.5A external-priority patent/EP3564962A1/en
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN111542853A publication Critical patent/CN111542853A/zh
Application granted granted Critical
Publication of CN111542853B publication Critical patent/CN111542853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06T2207/10076—4D tomography; Time-sequential 3D tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20201—Motion blur correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

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

Abstract

本发明涉及一种磁共振成像系统，包括：存储器，其存储机器可执行指令、脉冲序列命令和第一机器学习模型，第一机器学习模型包括第一深度学习网络以及第一输入和第一输出，脉冲序列命令用于控制磁共振成像系统来采集磁共振成像数据的集合；处理器，机器可执行指令的运行使处理器控制磁共振成像系统重复地执行以下采集和分析过程：根据脉冲序列命令从磁共振成像系统的成像区采集包括磁共振成像数据的所述集合的子集的数据集，将数据集提供给第一机器学习模型的第一输入，响应于所述提供，从第一机器学习模型的第一输出接收对磁共振成像数据的运动伪影水平的预测结果，运动伪影水平表征存在于磁共振成像数据中的运动伪影的数量和/或程度。

Description

数据采集期间的运动伪影预测
技术领域
本发明涉及处理磁共振成像数据中的运动伪影，具体地，它涉及预测磁共振成像数据采集期间的运动伪影。
背景技术
由于磁共振成像(MRI)流程的通常长的数据采集，由患者运动引起的运动伪影是MRI的临床应用中的磁共振图像的图像劣化的最频繁原因中的一个。与运动伪影相关联的可能问题可以例如包括，相应磁共振图像由于图像劣化而对于医学诊断几乎没用或者甚至完全没用。这种退化的磁共振图像可能需要磁共振成像程序的完全重复。
US2017/372155A1描述了使用深度机器学习针对来自医学扫描器的图像的图像质量评分产生预期良好质量图像的生成性模型。输入图像自生成性模型的偏差被用作用于辨别模型的输入特征向量。辨别模型在从输入图像导出的另一输入特征向量上操作。基于这些输入特征向量，辨别模型输出图像质量得分。
US2017/365047A1描述了涉及来自多个成像设备的图像自动化分析和重建以使用信号处理和机器学习算法来确定不同类型的伪影的存在的系统和方法。该方法根据其原因对伪影进行分类，选择解决伪影或生成伪影的数据的修正算法，并且选择数据或的数据的区段和/或要校正重建参数。然后，另一重建利用选定的伪影校正来执行，产生具有更少伪影内容的第二重建图像。该过程被重复地应用，直至重建图像的伪影内容被减少到如由用户确定的满意的低水平。
Thomas Küstner等人的文章“Automated reference-free detection of motionartifacts in magnetic resonance images”(Magnetic Resonance Materials inPhysics,Biology and Medicine(MAGMA),vol.31,no.2,20.9.2017,第243-256页)描述了用于头部和腹部的MR图像中的运动伪影的空间求解的检测和量化以及经训练的架构的质量控制的自动化方法。
Kristof Meding等人的文章“Automatic detection of motion artifacts inMR images using CNNS"(2017IEEE International Conference on Acoustics,Speechand Signal Processing(ICASSP),5.3.2017,第811-815页)描述了基于卷积神经网络的算法，该算法实现MR扫描中的运动伪影的完全自动化检测而无需特殊硬件要求。该方法是数据确定的，并且使用空间域中的MR图像的量值作为输入。该方法在临床实践中用来在扫描完成之后立即将MR图像标记为无运动或运动破坏的。
发明内容
本发明在独立权利要求中提供了一种磁共振成像数据处理系统、一种操作所述磁共振成像数据处理系统的方法、以及一种计算机程序产品。本发明还提供了一种包括所述磁共振成像数据处理系统的磁共振成像系统。在从属权利要求中给出了实施例。
在一个方面中，本发明涉及一种磁共振成像系统。所述磁共振成像系统包括存储器，所述存储器存储机器可执行指令、脉冲序列命令和第一机器学习模型，所述第一机器学习模型包括第一深度学习网络。
所述脉冲序列命令被配置用于控制所述磁共振成像系统采集磁共振成像数据的集合。所述第一机器学习模型包括第一输入和第一输出。
所述磁共振成像系统还包括处理器。所述机器可执行指令的运行使所述处理器控制所述磁共振成像系统重复地执行采集和分析过程。相应过程包括根据所述脉冲序列命令从所述磁共振成像系统的成像区采集数据集，所述数据集包括磁共振成像数据的所述集合的子集。将所述数据集提供给所述第一机器学习模型的所述第一输入。响应于将所述数据集提供给所述第一输入，从所述第一机器学习模型的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平的预测结果。所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度。
实施例可以具有如下有益效果：使得能够在MRI数据的采集期间监测MRI数据集的运动伪影水平。因此可以遍及采集过程监测所采集的MRI数据的质量。假如关于运动伪影的问题出现，该问题能够在早期阶段被处理。实施例可以具有如下有益效果：它们不再被限制于在已经完成采集之后的对所采集的磁共振数据的回顾性质量评价。例如，如果在数据采集期间检测到伪影，就可以在非常早的阶段重新开始耗时的数据采集过程。
根据实施例，在MRI数据采集期间为磁共振成像系统提供对被配置用于基于深度学习的运动伪影检测的机器学习模型的访问。要根据脉冲序列命令采集的磁共振成像数据的采集可以被分成多个数据集的采集，每个数据集包括要被采集的磁共振数据的子集。
第一机器学习模型被训练(即配置)用于：检测经由所述第一输入接收的MRI数据集中的运动伪影的存在，基于存在于所接收的MRI数据中的检测到的运动伪影来确定对运动伪影水平的预测结果。回应于所接收的MRI数据而经由所述第一输出提供得到的预测结果。预测的运动伪影水平表征在经由所述第一输入接收的MRI数据中检测到的运动伪影的数量和/或程度。
由磁共振数据的采集期间的对象运动引起的磁共振图像的图像劣化是磁共振成像的临床应用中的最经常出现的问题之一。相关联的运动伪影可以例如是长的采集时间的结果，并且可以例如表现为图像中的鬼影或模糊。低质量图像可能对随后的诊断以及治疗过程有负面影响。运动伪影可能将图像质量降低到使医学分析不可能的程度。此外，它们也可能对总体临床工作流有负面影响，例如，当在MRI数据采集已经完成之后它需要被重复时。例如，伪影可能导致错误诊断，例如，通过使病变模糊，或可能需要包括整个MRI数据采集过程的扫描的重复。
用于伪影检测的已知方法被开发用于采集过程已经完成的磁共振数据的回顾性质量评价。使用这种回顾性方法，直到扫描已经完成才能够检测到成像问题。因为伪影可以由遍及采集过程的事件或状况引起，用于早期检测的技术以及对应的减轻策略可以是有益的。
根据实施例，对伪影水平的预测结果可以被用作在数据采集期间被显示在显示器上的质量指标。此外，在MRI数据采集完成之后，对伪影水平的最终预测可以被分配给所采集的MRI数据的集合。
在存在严重伪影的情况下，实施例可以使得技术人员能够监督MRI数据采集，以在早期阶段中止采集过程，并且解决问题的原因。例如，可以为患者提供指示。
将MRI数据采集和分析过程分开以多次重复循环中的实现了数据集之间的不一致性的检测，从而识别潜在的隔离的运动伪影，其中，每次重复处理要根据脉冲序列命令采集的磁共振成像数据的集合的子集。隔离的运动伪影指的是被限制于一个或多个相继的数据集的运动伪影。假如从其采集磁共振成像数据的对象移动出初始位置并且返回到初始位置，得到的运动伪影可以被限制于仅在移动期间采集的那些磁共振数据。该运动伪影破坏的磁共振数据可以被确定并且被省略。备选地，运动伪影破坏的磁共振数据可以被处理，以便校正运动伪影。
实施例可以具有以下有益效果：改善工作流效率以及图像质量。一方面，即使采集遭受运动伪影，也可以避免磁共振数据的完整集合的耗时的采集被执行。实施例可以宁可在早期阶段中止数据采集。另一方面，可以确保所采集的磁共振数据满足例如最大伪影水平形式的预定质量标准。假如最大伪影水平被超过，所采集的磁共振数据可以被丢弃。
根据实施例，数据集的采集可以被连续地执行，即，紧接数据集的采集的采集之后，可以立即开始下一数据集的采集。换言之，采集和分析过程的重复可以彼此交叠，即当所采集的数据集被提供给第一机器学习模型的第一输入时，下一数据集的采集可以已经开始。
根据实施例，数据集的采集可以被不连续地执行，即在离散步骤中，其中，采集和分析过程的重复必须在下一重复之前结束，并且因此，在下一数据集的采集开始之前结束。
被提供给第一机器学习输入的第一输入的MRI数据集包括的MRI数据可以以k-空间或图像空间表示的方式来提供。
根据实施例，深度学习网络是实施深度学习的深度卷积神经网络。实施例可以具有如下有益效果：深度卷积神经网络可以很好地适合于预测MRI数据集的运动伪影水平。根据实施例，深度学习技术(例如卷积神经网络(CNN))被开发用于运动伪影检测和伪影水平的预测。给定注释的训练集的集合，CNN可以被优化为使得它能够关于关于预定义的类别水平(例如像从“无伪影”到“严重伪影”)对MRI数据集进行分类、或分配连续的质量得分。
实施例可以具有以下有益效果：在数据采集期间使用通过深度学习网络实施的深度学习来提供磁共振图像中的运动相关的伪影的自动处理。深度学习网络可以例如以深度卷积神经网络或全卷积网络的形式被实施。实施例可以便于运动伪影的鲁棒的且可靠的处理。运动伪影的处理还可以使得能够其对图像质量的影响而无需任何用户交互。此外，例如在运动伪影的滤波的情况下，其对图像质量的影响可以被最小化，即降低或甚至消除。实施例可以例如在数据采集期间被实施用于已有的MRI数据集的快速处理，例如，作为磁共振成像系统的一部分，在包括MRI数据集形式的多个子集的MRI数据的集合的采集的控制的过程中。
已经开发了大量方法来避免磁共振图像中的运动伪影的出现，诸如更快的成像技术、使用导航器或外部跟踪设备的运动校正。运动校正能够被前瞻性地(即通过调整扫描期间的扫描参数)或回顾性地(即通过修改所收集的数据)。然而，用于运动伪影减少的已知方法会使过程流复杂化，诸如涉及将跟踪设备安装在对象上的方法，或仅可以可应用于具体成像情况，诸如需要额外扫描时间的基于导航器的方法。
实施例可以通过采用基于深度学习的方法校正MRI数据集中的并且具体地MRI图像中的运动伪影来克服这些问题。
实施例可以便于MRI数据中的运动相关的伪影的自动检测，并且例如基于专门的深度卷积神经网络的应用，在数据采集期间提供对当前伪影水平的预测结果而无需任何用户输入。
由第一机器学习模型提供的经训练的深度学习网络(例如以深度卷积神经网络的形式)可以实施用于MRI数据采集期间的运动伪影的有效自动通知系统。假如在所采集的MRI数据中存在运动伪影，可以在早期阶段以对运动伪影水平的预测结果的形式通知用户运动伪影的存在。因此，可以使得用户能够基于相应的通知而采取适当的措施和/或结论。例如，磁共振数据采集可以被中止、(部分地)重复，患者可以被重新定位和/或指导，以便避免另外的运动伪影。
运动伪影水平可以从致使成像数据集(更具体地MRI图像)、很好地适合于诊断的无运动伪影到致使相应图像不足以用于诊断的高度运动伪影破坏的范围内变动。
运动伪影水平可以例如以描述存在于MRI数据中的运动伪影的水平的定量标签的形式来提供。根据实施例，对运动伪影水平的预测结果可以以连续量(例如像实值量)的形式被接收。该实值量可以例如使用回归来计算。
根据实施例，第一机器学习模型通过将运动伪影水平的预测结果分配给相应数据而对由提供给第一输入的MRI数据所包括的运动伪影进行分类。经训练的深度学习网络可以对(一个或多个)运动伪影水平进行分类，即确定所接收的MRI数据属于种类(类别)的集合中的哪一种类。这种分类可以被认为特定类型的模式识别。分类是监督式学习的实例。运动伪影水平可以以离散的运动伪影水平指标的形式来提供，例如像识别所确定的运动伪影水平的类别(例如"A"、"B"、"C"，…)、序数(例如"低"、"中"、"高"，…)或整数值("0"、"1"、"2"、…)量。
根据实施例，运动伪影水平可以以连续运动伪影水平指标(例如像实值量)的形式来提供。该实值运动伪影水平指标可以例如使用回归来计算。
因此，在运动伪影水平确定的情况下，经训练的深度学习网络可以接收磁共振成像数据集作为输入，并且返回单个量(即运动伪影水平)作为输出。
根据实施例，所述机器可执行指令的所述运行还使所述处理器控制所述磁共振成像系统在所述运动伪影水平的预测结果超过第一预定义的阈值的情况下自动中止所述采集和分析过程的所述重复执行。
第一阈值可以定义相应MRI数据仍然可用的运动伪影水平的最大值。假如第一阈值被超过，则高的概率的是，相应MRI数据的破坏是严重的使得它们例如不再适合于诊断目的。
根据实施例，所述机器可执行指令的所述运行还使所述处理器控制所述磁共振成像系统在所述运动伪影水平的所述预值测超过所述第一预定义的阈值的情况下自动重新开始所述采集和分析过程的所述重复执行。
在识别到运动伪影破坏的MRI数据之后，磁共振成像系统被配置为决定执行重新扫描。假如所采集的磁共振成像数据被识别为是例如由于突然移动而被破坏的运动伪影，可以开始自动重新扫描。因此，伪影水平的预测结果可以用来触发受影响的数据的自动重新扫描。
根据实施例，所述运动伪影水平的所述预测取决于所述伪影相对于由所采集的磁共振数据表示的一个或多个感兴趣解剖结构的位置。实施例可以具有如下有益效果：只要要使用所采集的磁共振数据进行评价的解剖结构的表示不受运动伪影影响，就可以避免另外的扫描或处理步骤。
根据实施例，所述数据集中的每个包括使用所采集的磁共振数据重建的磁共振图像。数据集中的每个可以例如包括对应于通过成像区的2D切片的2D图像。
根据实施例，数据集中的每个包括对应于通过成像区的一个或多个个体二维切片的所采集的磁共振成像数据。
MRI扫描可以涉及顺序地采集和重建的平行取向的2D切片的堆叠，也被称为多2D模式。在多2D模式中，MRI数据可以被逐切片地采集。换言之，成像体积的2D切片被激励，并且该被激励的平面的MRI数据被采集。通过针对多个平行切片重复这种激励和采集，2D切片的该堆叠可以被生成，其类似于3D成像体积。每个MRI数据集可以例如包括单个2D切片。因此，对于每个切片，数据采集和分析过程的个体重复可以被执行。
MRI数据可以以k-空间数据的形式或以重建的磁共振图像的形式被提供给第一机器学习模型。例如，对于每个个体切片，个体图像可以被重建和分析，而对于相继的切片，数据采集仍然继续。对于所述切片中的每个，个体伪影水平可以使用第一机器学习模型来预测。
实施例可以允许监测并估计2D切片的该堆叠的图像质量。图像质量可以例如以针对切片中的一个预测的最大伪影水平的形式或以针对切片预测的伪影水平的平均值的方式进行估计。相应的质量估计可以在文本信息、图形信息(例如像交通灯)方面或借助于声学信号来进行显示/指示。
还提出了显示伪影破坏的切片的当前比和/或扫描必须被重复的概率。结合全元素扫描，伪影的空间发生也能够被显示(例如以便如果运动仅发生在图像堆叠的更不敏感区域中，则让技术人员避免扫描的中止)。
MRI扫描可以涉及3D体积，称为3D模式，其中，全成像体积被激励，并且MRI数据从被分布在整个3D体积内的采样点进行采集。因此，需要所有所采集的MRI数据来重建3D体积。为了生成所采集的3D MRI数据的合适表示，图像处理可以用来产生表示通过该3D体积的切片的2D图像或产生3D图像。
对于3D模式，可以需要相比于多2D模式不同的方法。3D MRI扫描可以已经具有考虑预期的相应生理运动(诸如呼吸或心脏运动)的一些手段，如果这由要被扫描的感兴趣解剖结构和/或由用于此类运动的扫描方法的已知敏感性所强制执行的话。用于此类运动考虑手段的范例是呼吸或心动门控和触发。然而，这些可以不考虑非重复性的运动的类型，即，在患者在长时间内相对静止地躺着并且例如由于咳嗽或由于缓解不适的位置而突然移动的情况下的运动的类型。
此类非重复性或不一定重复性运动具有可以被用于运动伪影校正的另一性质，即时间稀疏性。此类运动的时间稀疏性可以导致两个不同形式的k-空间不一致性。如果患者在运动之后返回到原始姿势，仅一部分3Dk-空间数据被破坏。如果患者在运动之后保持处于新的姿势，k-空间被分成在它们本身内一致但是与彼此不一致的两个部分。k-空间轨迹的这种事实和知识(即数据采样的时间顺序并且因此被填充到k-空间内的数据)可以用来在数据采集期间连续评价关于运动伪影的图像质量。
根据实施例，在每次重复中，在相应重复期间采集的所述数据集结合在相应重复之前的所有重复中采集的所述数据集被提供给所述第一输入。实施例可以具有如下有益效果：可以避免由于欠采样(即，针对准确图像重建，太少数量的采样点)的关于运动伪影的检测和分类的问题。
根据实施例，k-空间可以被再分成n个数据集，其中，n被选择为使得每个数据集包含数据的相关区块，例如5<n<10。每个数据集包括来自k-空间的节段的采样点的MRI数据。数据集被相继地采集，一个时间段内一个数据集。一旦时间段Pi的MRI数据被完全采集，就可以使用从所有时间段Pk(其中，k≤i)采集的(即在该时间点处可用的所有所采集的MRI数据)来重建3D图像Imi。得到的图像通常可以导致与从全3D扫描的MRI数据(即从所有n个数据集的MRI数据)重建的图像相比具有降低的分辨率的图像。
图像Imi可以经受通过第一机器学习提供的运动分类器，导致对运动水平Li的预测结果。如果Li>Li-1，即如果伪影水平由于包括时间段Pi的最新数据集而增加，那么可能的是患者在相应的时间段Pi期间已经移动。根据实施例，所述增加可以被指示。根据实施例，可以检查对在随后的时间段Pi+1期间采集的MRI数据而非时间段Pi的MRI数据的包括是否导致增加的伪影水平。换言之，考虑来自所有时间段Pk(其中，k≤i+1，排除k＝1)的MRI数据来重建降低的图像rImi+1。换言之，来自时间段Pi的MRI数据内去除。
假如忽略来自时间段Pi的MRI数据导致针对运动水平Li+1的预测结果相对于针对Li-1的预测结果的增加，患者可能已经到达新的姿势。因此，MRI扫描应当被终止并且被重新开始。在另一种情况下，患者的运动可以被限制于时间段Pi，并且患者可以已经返回到原始姿势。因此，时间段Pi的MRI数据的重新采集可以被执行，作为之前在时间段Pi中采集的运动伪影破坏的MRI数据的替换。
可能需要将以上分析被限制于用于图像重建的足够量的数据的可用性，即，被限制于i>n/4，因为欠采样否则可能占主要地位并且使运动分类复杂化。换言之，采集和分析过程的重复执行可以在已经根据脉冲序列命令从磁共振成像系统的成像区采集MRI数据的集合中的足够最小量的MRI数据之后开始。
还会需要k-空间轨迹被设计为使得每个时间段包含来自要被采样的k-空间的所有部分的MRI数据，即中心和外部k-空间的相等的份额使得没有时间段包含包含比其他时间段(显著)更多的来自中心和外部k-空间的MRI数据。
根据实施例，所述数据集具有共同的预定义的尺寸。每个数据集包括来自采样点的磁共振数据，所述采样点以在k-空间的中心处相对于所采样的k-空间的外部部分更高的采样率被分布在k-空间内。
根据实施例，k-空间中的采样点的分布和采样点被测量(即磁共振数据从相应采样点被采集)的顺序被选择为使得相继采集的数据集均包括实现相应数据集的有意义处理的磁共振数据的子集。数据集可以包括足够数量的磁共振数据，以便避免(过度的)欠采样。另一方面，数据集可以不包括太多的磁共振数据，以便能够及时地(如果可能的话，甚至实时立即地)检测运动伪影的任何发生。
根据脉冲序列命令的MRI数据集的采集可以与匙孔成像类似地被执行，其中，更低空间频率以比更高空间频率更高的速率被采样。更高空间频率可以例如主要被第一采集的MRI数据集采样，第一采集的MRI数据例如可以包括比随后的MRI数据集更多的数据。根据实施例，随后的MRI数据集可以聚焦于采样更低空间频率。
根据实施例，所述数据集具有任意尺寸。每个数据集包括来自采样点的磁共振数据，所述采样点以在k-空间的中心处相对于所采样的k-空间的外部部分更高的采样率被分布在k-空间内。根据实施例，随机尺寸可以被限制于在由预定的最小和最大尺寸定义的范围内进行选择。根据脉冲序列命令的采样可以例如使用黄金角径向采样方案来执行。使用黄金角概况顺序用于以111.24...°(黄金角)的相继概况间隔径向地对样k-空间进行采样，对于任意数量的相继采集的概况，可以保证几乎一致的概况分布。因此，即使MRI数据集可以具有(在限制内的)随机尺寸，即被用于采集MRI数据集的时间段可以不同，每个得到的MRI数据集可以包括采样点的合适分布。该分布可以具体地适合于避免重影。
根据实施例，取决于根据脉冲序列命令的采样点的数量，限制数据集的最大数量。
根据实施例，所述存储器还存储用于生成所述第一机器学习模型的第一学习算法。所述机器可执行指令的所述运行还使所述处理器控制所述磁共振成像系统接收第一训练集。每个第一训练集包括磁共振成像数据集和识别被分配给所述相应磁共振成像数据集的伪影水平的伪影水平指标。对所接收的第一训练集执行所述第一学习算法以便生成所述第一机器学习模型。
实施例可以具有以下有益效果：实现第一机器学习模型的有效生成和/或配置。
根据实施例，训练集的提供包括生成用于训练目的的具有运动伪影的磁共振成像数据集。用于训练目的的磁共振成像数据集的生成包括将不同数量、程度和/或类型的人工生成的运动伪影引入到没有运动伪影的磁共振成像数据集。
实施例可以具有以下有益效果：提供包括用于训练目的的具有不同水平的运动伪影的大量磁共振成像数据集的训练集的自动化生成的实施。用于训练目的的此类磁共振成像数据集可以例如被用于数据扩增目的。深度学习网络的训练因此可以基于的人工生成的数据集的自动化生成来实现。由此，可以避免对于大量标记的输入成像数据集的需要。
例如，在训练阶段期间，标记的数据集可以用来训练深度学习网络。在应用阶段期间，经训练的深度学习网络然后被应用以检测并对临床磁共振成像数据集(例如像临床MRI图像)中的运动伪影进行分类。
根据实施例，全部的患者运动或生理运动的轨迹(具体地，平移或旋转运动轨迹的变体)选自包括例如利用不同运动幅值模拟的间断运动(例如“跳”、“急动”、“吞咽”)、振荡运动(例如“呼吸”)和连续运动(例如“肠蠕动动作”、“头部陷入垫子中”)的组中。实施例可以具有如下有益效果：任何类型的运动能够被前瞻性地模拟而无需具有被这种运动类型实际破坏的可获得的MR数据的真实范例。
根据实施例，用于训练目的的具有运动伪影的磁共振成像数据集的生成可以包括将k-空间中的相移引入到无运动伪影磁共振成像数据集中的一个或多个的磁共振数据的一个或多个区段或图像空间中的图像的(子)部分的直接平移。如果随后在k-空间中被处理，包括运动模拟(例如相移)的磁共振成像数据能够被直接存储为k-空间训练数据，或可以额外地从k-空间被变换回到图像空间。对于图像空间中的运动模拟，图像空间和/或经变换的k-空间数据再次能够被存储用于训练目的。实施例可以具有如下有益效果：基于人工生成的运动伪影有效地提供大量训练集(k-空间或图像空间数据)。这种广泛模拟的磁共振数据有利地用来训练深度学习网络。
由于具有标记的训练图像的广泛训练集通常不可从相关应用区域(例如医院)获得，在下文中描述了利于合适训练集的人工产生(如上面描述的)结合对应标签的自动生成的方法。因此，提供了用于当前训练集中包含的运动伪影的水平的定量标签。从傅里叶移位定理开始，物体在图像空间中的移位对应于k-空间中的线性相移/>
其中，Sm和Ss分别是具有和没有移位的图像。
任何平移运动因此可以通过向量的参数化来描述。作为范例，对象沿y方向的移位可以通过将以下相移引入到原始数据来模拟：
其中，δk＝1/(N·Δy)是相邻相位编码(PE)线之间的增量，j是PE线指数，ns是以像素的数量的方式的移位，并且Δy是沿PE方向的体素尺寸。如果根据上面的公式的相移被应用于所有PE线，整个物体将会在图像空间中被移位而无任何运动伪影。另一方面，扫描期间的突然的患者运动可以例如通过将根据上面的公式的相移仅应用于所有k-空间线的子集来模拟。在这种情况下，假设运动在图像采集的一阶段处的点事件m时发生。在顺序的k-空间次序的情况下，在j>jm的情况下的所有线可能都必须被调整，其中，jm定义运动事件m发生之处的PE线。在其他k-空间次序方案(例如像从中到外、交错等)的情况下，相移被应用之处的PE线的选择需要被相应地修改。
用于磁共振图像运动伪影的模拟的这种方法涉及定义伪影的特定表观的若干参数：ns、jm、α以及k-空间次序方案的性质的选择。所描述的方法因此允许通过改变这些参数来快速生成大的人工训练集，这些参数确定预期在磁共振图像中的运动伪影的类型。由于所生成的伪影的特性是已知的，对定义运动伪影的标签(即运动伪影水平指标)的列表的生成可以是直接的。
一旦深度学习网络已经被训练为允许运动相关的伪影的检测和/或运动伪影水平的确定，它就可以被应用于实际临床数据用于运动伪影的检测。根据实施例，深度学习网络的输出可以对应于在训练阶段期间被采用的标签。在存在方法的纯粹检测的情况下，深度学习网络可以根据“无伪影”和“包括伪影”将输入成像数据集分类。在更复杂的分类方法的情况下，深度学习网络可以根据运动伪影水平的类别(例如“无伪影”、“中等伪影”和“严重伪影”)将输入成像数据集分类。替代地，回归算法而非分类算法可以被采用，产生表示对关于成像数据集的个体运动伪影水平的深度学习网络的估计的浮点数。
磁共振成像扫描期间的旋转运动可以以与平移运动的模拟类似的方式被模拟。在这种情况下，适当的变换被应用于图像空间中的对象。变换可以由旋转角α来定义。然后，原始的k-空间数据和经变换的图像的k-空间数据被组合。再次，假设的k-空间次序方案需要针对用于组合图像的PE线的选择来考虑。被应用于k-空间中的组合图像的逆傅里叶变换可以产生具有由于旋转运动的人工运动伪影的图像。再次，组合的k-空间数据和/或经变换的图像空间数据可以被存储用于深度学习网络训练目的。
根据实施例，用于训练目的的磁共振成像数据集均被分配有描述(模拟的)运动伪影的水平的定量标签，所述定量标签识由于运动伪影模拟而获得的相应磁共振成像训练数据的运动伪影水平。根据实施例，运动伪影水平依据被用于生成人工运动伪影的参数的值来确定。
根据实施例，磁共振成像训练集的运动伪影水平的确定可以包括将用于训练目的的磁共振成像数据集与被用于生成用于训练目的的相应磁共振成像数据集的无运动伪影磁共振成像数据集进行比较。运动伪影水平可以依据所比较的成像数据集之间的相似性的程度来确定。例如，结构相似性(SSIM)指数被用于测量两个成像数据集之间的相似性。结构相似性(SSIM)指数可以提供用于预测数字成像数据集的感知质量并且因此确定不同成像数据集之间的感知质量的差异的有效自动方法。实施例可以具有如下有益效果：提供了用于提供用于训练目的被标记有运动伪影水平的大量磁共振成像数据集的完全自动化方法。
根据实施例，没有运动伪影的磁共振成像数据集使用没有运动伪影的磁共振数据的多个集合来提供，并且从磁共振数据的每个集合生成没有运动伪影的磁共振成像数据集的多个副本，每个副本包括不同权重的磁共振对比度。实施例可以具有如下有益效果：可以实施用于提供用于训练目的的大量磁共振成像数据集以便将例如全卷积网络形式的深度学习网络训练为被磁共振成像数据集所包括的运动伪影的量的滤波器的的有效方法。
因此，基于定量磁共振技术的合成成像数据集的生成可以被用来具有额外对比的磁共振成像数据集。该方法可以用来将训练延伸到不同的磁共振对比度，并且增加训练集的尺寸。为了将提出的滤波机制延伸到其他磁共振对比度并且为了避免对特定成像协议的限制，合成磁共振成像数据集的生成可以包含对比度变化。基于具有定量测量的扫描，例如对于以下组中的一个或多个：T1、T2、M0(质子密度)，可以仿真具有不同协议设置的解剖结构的外观。
根据实施例，用于训练目的的磁共振成像数据集中的每个被分配有运动伪影指标。运动伪影指标针对用于训练目的的磁共振成像数据集中的每个指示用于训练目的的相应磁共振成像数据集是否包括运动伪影。所述训练包括训练用于检测运动伪影磁共振成像数据集的存在的深度学习网络。用于训练目的的磁共振成像数据集作为输入被应用于深度学习网络。针对用于训练目的的磁共振成像数据集中的每个，使用经训练的深度学习网络确定运动伪影是否存在于用于训练目的的相应磁共振成像数据集中。运动伪影是否存在于用于训练目的的磁共振成像数据集中的运动伪影指标被提供为来自深度学习网络的输出。深度学习网络的输出与被分配给到深度学习网络的输入的运动伪影指标进行比较。深度学习网络的网络参数被调整，以便降低深度学习网络的输出与被分配给到深度学习网络的输入的运动伪影指标之间的差异。实施例可以具有如下有益效果：提供了训练用于检测磁共振成像数据集中的运动伪影的存在的深度学习网络的有效且高效的方式。
根据实施例，用于训练目的的磁共振成像数据集中的每个被分配有运动伪影水平指标。所述训练包括训练用于确定磁共振成像数据集的运动伪影水平的深度学习网络。用于训练目的的磁共振成像数据集作为输入被应用于深度学习网络。针对用于训练目的的磁共振成像数据集中的每个，使用经训练的深度学习网络确定用于训练目的的相应磁共振成像数据集的运动伪影水平。从深度学习网络提供用于训练目的的磁共振成像数据集的运动伪影水平作为输出。深度学习网络的输出与通过被分配给到深度学习网络的输入的运动伪影指标识别的运动伪影水平进行比较。深度学习网络的网络参数被调整，以便降低深度学习网络的输出与通过被分配给到深度学习网络的输入的运动伪影指标识别的运动伪影水平之间的差异。实施例可以具有如下有益效果：提供了训练用于确定磁共振成像数据集的运动伪影水平的深度学习网络的有效且高效的方式。
根据实施例，所述机器可执行指令的所述运行还使所述处理器如下地控制所述磁共振成像系统：如果在当前重复中接收的预测结果相对于在所述当前重复之前的最后一次重复中接收的预测结果增加，则检查去除所述当前重复是否导致在所述当前重复之后的第一次重复中接收的预测结果也相对于在所述当前重复之前的所述最后一次重复的所述预测结果增加。如果所述去除不导致增加，在所述当前重复被去除的情况下继续所述采集和分析过程的所述重复执行。否则继续所述重复执行而不去除所述当前重复。
实施例可以具有以下有益效果：确定运动伪影是否被限制于单个MRI数据集。如果是这种情况，则相应的运动伪影可以通过去除相应的运动伪影破坏的数据集来移除。根据实施例，相应MRI数据集的去除可以可能不降低最终图像分辨率太多。在这种情况下，相应MRI数据集只能被去除。假如需要相应MRI数据集用于准确的图像重建，相应MRI数据集可以被重新扫描而无需所有数据集的重新扫描，或相应MRI数据集可以由运动伪影校正的MRI数据集来替换。运动伪影校正的MRI数据集可以通过为被配置用于运动伪影校正的第二机器学习模型的第二输入提供相应MRI数据集来生成。
根据实施例，所述存储器还存储包括第二深度学习网络的第二机器学习模型。所述第二机器学习模型包括第二输入和第二输出。所述机器可执行指令的执行还使所述处理器如下地控制所述磁共振成像系统：如果响应于为所述第一机器学习模型的所述第一输入提供数据集而被接收的所述伪影水平的预测结果超过超过第二预定义的阈值，为所述第二机器学习模型的所述第二输入提供所述相应数据集。使用从所述第二机器学习模型的所述第二输出接收的响应提供运动伪影校正的数据集作为针对所述相应数据集的替换。利用所述运动伪影校正的数据集继续所述采集和分析过程。
实施例可以具有以下有益效果：除了通过第一机器学习模型的质量评价之外，在数据采集期间实现通过现有的第二机器学习模型的图像质量优化。因此，当要根据脉冲序列命令采集的MRI数据的集合的所有子集的采集完成时，MRI数据的相应集合可以已经被优化以便最小化运动伪影对相应MRI数据的影响。
第二机器学习模型被训练(即配置)用于对由经由第二输入接收的MRI数据集所包括的运动伪影进行滤波。取决于第二机器学习模型的训练(即配置)，相应运动伪影的滤波可以例如导致所接收的没有相应运动伪影的MRI数据集的版本，即经运动伪影校正的MRI数据集。替代地，第二机器学习模型可以被训练为返回仅包括相应运动伪影的仅运动伪影MRI数据集。经运动伪影校正的MRI数据集指的是运动伪影已经被最小化的磁共振成像数据集。假如第二机器学习模型经由第二输出返回所接收的没有相应运动伪影的MRI数据集的版本，相应版本可以被用于替换。替代地，假如仅运动伪影MRI数据集经由第二输出被返回，相应的仅运动伪影MRI数据集可以从提供给第二输入的MRI数据集被减去，因此生成被用于替换的经运动伪影校正的数据集。
对于深度学习网络来说，被训练为识别并隔离MRI数据集中的是由于运动伪影的数据结构并且返回所述数据结构作为仅运动伪影MRI数据集比识别MRI数据集中的不是由于运动伪影的所有数据结构并且返回所有数据结构作为经运动伪影校正的磁共振成像数据集会是更容易的。实施例因此可以具有以下有益效果：基于运动伪影的更精确识别来实现更精确的运动伪影校正。根据实施例，除了校正的MRI数据的所采集的集合之外，仅运动伪影磁共振图像可以被显示和/或存储，以便提供在数据采集期间发生的运动伪影的额外洞悉。例如，可以提供校正的运动伪影的位置。此外，显示仅运动伪影磁共振图像可以提供原始MRI数据的哪个部分已经被校正和/或移除以便提供经运动伪影校正的MRI数据。
根据实施例，第二机器学习模型的深度学习网络是全卷积神经网络。全卷积神经网络可以包括对称结构。它可以例如包括反卷积层和/或去池化层。实施例可以具有如下有益效果：全卷积神经网络可以提供用于校正运动伪影的有效滤波器。
不像用于分类的深度卷积神经网络，反卷积和去池化层替换在用于分类的深度卷积神经网络中使用的完全连接的层的全卷积神经网络可以允许像素水平处的预测结果的有效生成。全卷积神经网络因此可以被应用为用于降低MRI数据集的运动伪影水平的运动伪影滤波器。
根据实施例，提出的滤波构思可以适应于替代数据源和/或额外输入。实施例可以例如利用在磁共振扫描期间的磁共振数据的采集期间获得的复杂k-空间数据。实施例可以进一步使用磁共振成像系统的个体接收线圈元件的复杂数据来利用多信道数据中的固有冗余。
当数据采集仍然在持续进行中，可以使用复杂的原始数据为全卷积神经网络提供所采集的MRI数据集。备选地，全卷积神经网络可以被用来减少从相应的原始数据重建的或部分重建的磁共振图像中的运动伪影。换言之，被提供给第二机器学习输入的第二输入的MRI数据集包括的MRI数据可以以k-空间或图像空间表示的方式来提供。
根据实施例，所述存储器还存储用于生成所述第二机器学习模型的第二学习算法。所述机器可执行指令的所述运行还使所述处理器控制所述磁共振成像系统接收第二训练集。每个第二训练集包括磁共振成像数据集和被分配给所述相应磁共振成像数据集的仅运动伪影磁共振成像数据集。在所接收的第二训练集上运行所述第二学习算法以便生成所述第二机器学习模型。
实施例可以具有以下有益效果：实现第二机器学习模型的有效训练(即配置)。在成功的训练之后，包括深度学习网络的第二机器学习模型可以允许在采集期间校正MRI数据中的伪影而无需依赖于精确运动轨迹的知识。例如，全卷积神经网络可以被用于依赖于两阶段流程来对运动伪影进行滤波。在第一阶段中，大量的第二人工训练集可以使用无运动伪影MRI参考数据集生成。在第二阶段中，全卷积神经网络可以针对使用所生成的第二人工训练集生成的运动伪影校正来进行训练，而得到的具有经训练的全卷积神经网络的第二机器学习模型可以作为滤波器被应用于实际的运动伪影破坏的MRI数据集，以便在数据采集期间生成已经具有基本降低的运动伪影水平的MRI数据集。
根据实施例，对于用于训练目的的磁共振成像数据集中的每个，训练集还包括被分配给用于训练目的的相应磁共振成像数据集的磁共振成像参考数据集。磁共振成像参考数据集是它被分配给的用于训练目的的磁共振成像数据集的无运动伪影版本。所述训练包括训练用于对存在于磁共振成像数据集中的运动伪影进行滤波的深度学习网络。用于训练目的的磁共振成像数据集作为输入被应用于深度学习网络。用于训练目的的磁共振成像数据集的运动伪影使用经训练的深度学习网络来滤波。对于用于训练目的的磁共振成像数据集中的每个，运动伪影校正的磁共振成像数据集使用滤波的结果来提供。将经运动伪影校正的磁共振成像数据集与磁共振成像参考数据集进行比较，并且深度学习网络的网络参数被调整以便降低经运动伪影校正的磁共振成像数据集与磁共振成像参考数据集之间的差异。实施例可以具有如下有益效果：提供了训练用于对存在于磁共振成像数据集中的运动伪影进行滤波的深度学习网络的有效且高效的方式。
使用如上面描述的包括成对的用于训练目的的磁共振成像数据集和所分配的磁共振成像参考数据集的训练集并且使用合适的目标函数(例如像全卷积神经网络的输出与没有运动伪影的训练对的磁共振成像参考数据集之间的差异)，全卷积神经网络的权重可以使用诸如随机梯度下降的合适技术来优化。
根据实施例，滤波的结果包括作为输出从深度学习网络提供的运动伪影校正的磁共振成像数据集。实施例可以具有如下有益效果：提供了训练用于生成运动伪影校正的磁共振成像数据集的深度学习网络的有效且高效的方式。
根据实施例，滤波的结果包括作为输出从深度学习网络提供的仅运动伪影磁共振成像数据集，并且经运动伪影校正的磁共振成像数据集的提供包括从用于训练目的的磁共振成像数据集减去仅运动伪影磁共振成像数据集。实施例可以具有如下有益效果：提供了训练用于仅运动伪影磁共振成像数据集的深度学习网络的有效且高效的方式。
根据实施例，用于训练目的的磁共振成像数据集被分批地应用于深度学习网络。根据实施例，由应用批次产生的输出与深度学习网络针对其进行训练的预期输出(即正确的运动伪影指标、运动伪影水平、运动伪影校正的磁共振成像数据集、仅运动伪影磁共振成像数据集等)之间的比较使用批次的统计学被统计地执行。
根据实施例，网络参数可以使用例如像反向传播的技术来调整。反向传播用来计算在一批数据(即用于训练目的的磁共振成像数据集)被处理之后网络的每个神经元的误差贡献。这可以被包络优化算法用来调整每个神经元的权重。
因此，定制的多分辨率深度学习网络(例如深度卷积神经网络或完全连接的神经网络)可以被实施用于运动伪影检测、运动伪影水平确定或回顾性运动伪影校正。为了构建这种专门的多分辨率深度学习网络，深度学习网络可以使用具有例如被引入到活体临床脑部扫描上的人工产生的运动伪影大量训练集来训练。例如，对于脑部成像，运动模拟可以包括患者的头部在各种时间步骤处并且具有不同强度的平移和旋转。
根据实施例，深度学习网络的网络参数使用迭代调整来适应。迭代调整包括多个迭代循环。每个迭代循环包括确定深度学习网络的得到的输出与深度学习网络针对其进行训练的预期输出之间的差异。根据实施例，如果迭代循环的次数到达预定的第一阈值或如果深度学习网络的得到的输出与预期输出之间的差异到达预定的第二阈值，迭代调整被终止。为了确定所述差异，批次内的统计可以被使用。另外，对单独测试或验证数据集的执行能够被监测，以便避免过拟合。
根据实施例，预先训练策略可以被考虑，以便避免对于大的标记的磁共振数据集用于训练目的的需要。未被训练用于处理磁共振成像数据集中的运动伪影的现有深度学习网络可以被用作一般特征提取器，而某些层可以针对特定应用(即处理磁共振成像数据集中的运动伪影)被替换和/或精调。
根据实施例，除了通过深度学习网络提取的特征之外，用于运动伪影估计(例如像运动伪影存在检测或伪影水平确定)的传统特征可以被采用。例如，基于梯度的特征可以被用作例如在深度卷积网络的情况下用于完全连接的层的额外输入。
此外，用于深度学习网络上的重新训练的策略可以被考虑。基于用户反馈，例如通过放射科技术人员或放射科医生的成像数据集的评价，深度学习网络的重新训练可以被触发，以便使深度学习网络适应于本地准则和偏好以及将深度学习网络训练为检测额外类型的伪影。
在另一方面中，本发明涉及一种计算机程序产品，包括由处理器运行的机器可执行指令，所述处理器使用脉冲序列命令和第一机器学习模型来控制磁共振成像系统，所述第一机器学习模型包括第一深度学习网络。所述脉冲序列命令被配置用于控制所述磁共振成像系统采集磁共振成像数据的集合。所述第一机器学习模型包括第一输入和第一输出。
所述机器可执行指令的执行使所述处理器重复地执行采集和分析过程，所述采集和分析过程包括根据所述脉冲序列命令从所述磁共振成像系统的成像区采集数据集，所述数据集包括磁共振成像数据的所述集合的子集。将所述数据集提供给所述第一机器学习模型的所述第一输入。响应于将所述数据集提供给所述第一输入，从所述第一机器学习模型的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平的预测结果。所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度。
在另一方面中，本发明涉及一种操作磁共振成像系统的方法。所述磁共振成像系统包括存储器，所述存储器存储机器可执行指令、脉冲序列命令和第一机器学习模型，所述第一机器学习模型包括第一深度学习网络。所述脉冲序列命令被配置用于控制所述磁共振成像系统采集磁共振成像数据的集合。所述第一机器学习模型包括第一输入和第一输出。所述磁共振成像系统包括处理器，所述处理器用于控制所述磁共振成像系统。
所述方法包括重复地执行采集和分析过程，所述采集和分析过程包括根据所述脉冲序列命令从所述磁共振成像系统的成像区采集数据集，所述数据集包括磁共振成像数据的所述集合的子集。将所述数据集提供给所述第一机器学习模型的所述第一输入。响应于将所述数据集提供给所述第一输入，从所述第一机器学习模型的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平的预测结果。所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度。
实施例可以包括MRI数据的采集，其中，所采集的MRI数据被直接分析，同时采集仍然在持续进行中。以采集的顺序对MRI数据的子集执行数据分析。一旦MRI子集的采集完成，相应子集就被提供给第一机器学习模型。根据实施例，相应子集个体地或结合到目前为止采集的MRI数据的所有其他子集被提供给第一机器学习模型。第一机器学习模型被配置为提供对被提供给第一机器学习模型的MRI数据(即个体子集或到目前为止采集的所有子集)的运动伪影水平的预测结果。因此，可以在数据采集期间监测所采集的MRI数据的运动伪影水平。
前面提到的本发明的实施例可以使得能够监测在采集期间采集的MRI数据的运动伪影水平，并且因此在早期阶段检测运动伪影的发生。因此，不需要在可以检查所采集的MRI数据是否包括运动伪影或包括什么程度的运动伪影之前等待直至全部数据采集完成。额外地，因此可以在早期阶段实现适当的措施，像数据采集的中止、开始重新扫描、指示患者和/或尝试使用后处理来校正MRI数据。
额外地，可以提供用于基于后处理的运动伪影校正的第二机器学习模型。机器学习模型被配置为响应于接收MRI数据集而提供经运动伪影校正的MRI数据集或仅运动伪影MRI数据集。假如通过第一机器学习模型检测到运动伪影，包括这些运动伪影的(一个或多个)MRI数据集可以使用第二机器学习模型来校正。所接收的运动伪影校正的MRI数据集被用作用于运动伪影破坏的MRI数据集的替换，或仅运动伪影MRI数据集从运动伪影破坏的MRI数据集减去，导致期望的运动伪影校正的MRI数据集。
额外地，实施例使得能够识别运动伪影的发生是否被限制于一个或多个相继采集的MRI数据集。假如相应的一个或多个MRI数据集引起运动伪影水平的增加，而当去除相应的一个或多个MRI数据集时，这种增加不发生，那么运动伪影及其影响被限制于一个或多个相继采集的MRI数据集：患者移动，但是返回到移动之前的初始位置。因此，所有其余MRI数据集是一致的，并且具体地，要被拍照的感兴趣解剖结构已经保持在恒定位置，同时相应MRI数据集已经被采集。因此，可能仅需要重新采集具有运动伪影的一个或多个MRI数据集，而不是所有MRI数据集。
应当理解，只要组合的实施例不相互排斥，就可以组合本发明的一个或多个前述实施例。
本领域的技术人员将意识到，本发明的各方面可以被实施为装置、方法或计算机程序产品。因此，本发明的各方面可以采用以下形式：完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或在本文中全部被通称为“电路”、“模块”或“系统”的组合了软件方面和硬件方面的实施例。此外，本发明的各方面可以采用被实施在一个或多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有被实施在其上的计算机可执行代码。
可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文中使用的“计算机可读存储介质”包括可以存储能由计算设备的处理器执行的指令的任何有形存储介质。计算机可读存储介质可以被称为计算机可读非瞬态存储介质。计算机可读存储介质还可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还能够存储能够由计算设备的处理器访问的数据。计算机可读存储媒介的范例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及处理器的寄存器文件。光盘的范例包括压缩盘(CD)和数字多用盘(DVD)，例如，CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语“计算机可读存储介质”还指能够由计算机设备经由网络或通信链路进行存取的各种类型的记录介质。例如，可以在调制解调器上、在互联网上或在局域网上取回数据。可以使用任何适当的介质来传输在计算机可读介质上实施的计算机可执行代码，所述任何适当的介质包括但不限于：无线、有线、光纤缆线、RF等，或前项的任何合适的组合。
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部分的、在其中，实施计算机可执行代码的传播的数据信号。这种经传播的信号可以采用各种形式中的任何形式，包括但不限于：电磁、光学或其任何合适的组合。计算机可读信号介质可以是任何这种计算机可读介质：所述计算机可读介质不是计算机可读存储介质并且能够传递、传播或传输用于由指令执行系统、装置或设备使用的程序或与指令执行系统、装置或设备结合使用的程序。
“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是能由处理器直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的范例。计算机存储设备可以是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器或反之亦然。
本文中使用的“处理器”包括能够执行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的引用应被解读为可能包含多于一个处理器或处理核。处理器例如可以是多核处理器。处理器也可以指在单个计算机系统内的或被分布在多个计算机系统之间的处理器的集合。术语“计算设备”也应被解读为可能指多个计算设备的集合或网络，所述多个计算设备中的每个计算设备均包括一个或多个处理器。计算机可执行代码可以由多个处理器来运行，这些处理器可以处于同一计算设备内，或者甚至可以被分布在多个计算设备上。
计算机可执行代码可以包括使处理器执行本发明的一方面的机器可执行指令或程序。用于执行针对本发明的各方面的操作的计算机可执行代码可以被写成一种或多种编程语言的任何组合，包括面向对象的编程语言(例如，Java、Smalltalk、C++等)和常规的程序编程语言(例如，C编程语言或类似的编程语言)，并且被编译成机器可执行指令。在一些实例中，计算机可执行代码可以是高级语言的形式或是预编译的形式，并且可以与解释器联合使用，所述解释器在运行中生成机器可执行指令。
计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上、作为独立软件包、部分在用户的计算机上并且部分在远程计算机上，或者完全在远程计算机或服务器上执行。在最后一种情况中，远程计算机可以通过任何类型的网络连接到用户的计算机，所述网络包括局域网(LAN)或广域网(WAN)，或者可以(例如通过使用互联网服务提供商的互联网)连接到外部计算机的连接。
参考根据本发明的实施例的流程图图示和/或方法、装置(系统)以及计算机程序产品的框图描述了本发明的各方面。应当理解，在适当时能够由计算机可执行代码形式的计算机程序指令来实施流程图、图示和/或框图的框的每个框或部分。还应当理解，当互不排斥时，可以对不同的流程图、图示和/或框图中的框进行组合。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的单元。
这些计算机程序指令也可以被存储在计算机可读介质中，所述计算机可读介质能够指导计算机、其他可编程数据处理装置或其他设备来以特定方式起作用，使得被存储在计算机可读介质中的指令产生制品，所述制品包括实施在流程图和/或一个或多个框图框中指定的功能/动作的指令。
计算机程序指令也可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使得要在计算机、其他可编程装置或其他设备上执行的一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上运行的指令提供用于实施在流程图和/或一个或多个框图框中指定的功能/动作的过程。
本文中使用的“用户接口”是允许用户或操作者与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作者提供信息或数据并且/或者从操作者接收信息或数据。用户接口可以使得来自操作者的输入能够被所述计算机接收，并且可以从计算机向用户提供输出。换言之，用户接口可以允许操作者控制或操纵计算机，并且接口可以允许计算机指示操作者的控制或操纵的效果。显示器或图形用户接口上对数据或信息的显示是向操作者提供信息的范例。通过键盘、鼠标、跟踪球、触控板、指点杆、图形输入板、操纵杆、游戏手柄、游戏垫、网络摄像头、头戴式设备、脚踏板、有线手套、遥控器以及加速度计来接收数据全都是使得能够从操作者接收信息或数据的用户接口部件的范例。
本文中使用的“硬件接口”包含使得计算机系统的处理器能够与外部计算设备和/或装置交互并且/或者控制外部计算设备和/或装置的接口。硬件接口可以允许处理器向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口以及数字输入接口。
本文中使用的“显示器”或“显示设备”包含适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、听觉和/或触觉的数据。显示器的范例包括，但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪以及头戴式显示器。
磁共振成像(MRI)数据(也被称为磁共振(MR)数据)在本文中被定义为是在磁共振成像扫描期间由磁共振装置的天线所记录的对通过核自旋发射的射频信号的测量结果。磁共振成像数据是医学图像数据的范例。磁共振成像(MRI)图像或MR图像在本文中被定义为是对被磁共振成像数据包括的解剖数据所重建的二维可视化或三维可视化，即MRI图像由包括代表性选择MRI数据的MRI数据集提供。这种可视化能够使用计算机来执行。磁共振成像数据可以使用k-空间或图像空间中的相应数据的表示来提供。使用傅里叶变换，磁共振成像数据可以从k-空间被变换到图像空间，或反之亦然。在下文中，磁共振成像数据集可以包括k-空间或图像空间中的MRI数据。具体地，磁共振成像数据集可以包括表示二维或三维解剖结构的图像空间中的MRI数据的选择。
术语‘机器学习’指的是用来通过以自动化方式建立概率模型(也被称为机器学习模型)而从训练数据集提取有用信息的计算机算法。机器学习可以使用一个或多个学习算法来执行，诸如线性回归、k最近邻技术、支持向量机或分类/回归树等。‘模型’可以例如是使从其他已知值预测未测量值(例如该标签对应于给定标志)和/或预测或选择最大化未来收获的措施成为可能的公式或规则的集合。
如本文中使用的‘深度学习网络’或‘深度学习网络’包含在输入与输出层之间具有多个隐藏层的网络(例如像神经网络)形式的机器学习模型。深度学习指的是使用一连串多层非线性处理单元用于特征提取和变换的一类机器学习方法。每个相继层使用来自之前层的输出作为输入。深度学习可以被监督和/或非监督地执行。此外，深度学习可以使用一定形式的梯度下降用于经由反向传播的训练。
如本文中使用的‘神经网络’包含被配置为一般在没有任务特异性编程的情况下通过考虑范例而学习做任务(即逐渐改善其能力)的计算系统。神经网络包括被称为神经元的多个单元，所述多个单元通过用于在所连接的神经元之间传输信号的连接而被通信性地连接。神经元之间的连接也被称为突触。神经元接收信号作为输入，根据该输入而改变其内部状态，即激活。取决于输入、所学习的权重和偏置，激活作为输出被生成(可选地使用像ReLU的专用激活函数)，并且经由一个或多个突触被发送给一个或多个所连接的神经元。网络形成定向的且加权的曲线图，其中，神经元是节点，并且神经元之间的连接是加权的定向边缘。权重和偏置可以通过被称为学习的过程来校正，所述学习通过学习规则来管理。学习规则是修改神经网络的参数以便到网络的给定输入产生有利输出的算法。该学习过程可以考虑修改网络的权重和偏置。
神经元按层被组织。不同的层可以对其输入执行不同类型的变换。被应用于神经元网络的信号从第一层(即输入层)行进到最后一层(即输出层)，穿过被布置在输入与输出层之间的隐藏层。
如本文中使用的‘网络参数’包含神经元的权重和偏置，神经元的权重和偏置可以随着学习进行而被改变，并且神经元的权重和偏置可以增加或降低由神经元经由突触向下游发送的信号的强度。
如本文中使用的‘深度卷积神经网络’包含包括在顶部上具有一个或多个完全连接的层的多个卷积层的深度前馈神经网络。此外，深度卷积神经网络’可以包括池化层，例如最大池化层或平均池化层。卷积层将卷积操作应用于输入，将结果传到下一层。此外，卷积层共享权重，即卷积层的所有权重都是完全相同的。池化层将一个层处的神经元簇的输出合并成到下一层中的单个神经元的输入。例如，对于每个神经元簇，最大池化层使用输出的最大值作为用于下一层的输入。另一范例是平均池化层，其使用输出的平均值作为用于下一层的输入。完全连接的层将一个层中的每个神经元连接到另一个层中的每个神经元。深度卷积神经网络可以包括另外的层类型，例如像整流线性单元层(ReLU层)、批量规范化层(BN层)、丢弃层(dropout layer)等。
如本文中使用的‘全卷积神经网络’包含不包括完全连接的层的卷积神经网络。相比于卷积网络，全卷积神经网络可以表现出对称结构，其中，完全连接的层被包括高分辨率层之间的跳跃连接的上池化和/或反卷积层替换。当深度卷积神经网络计算一般非线性函数时，仅具有前面提到的形式的层的全卷积神经网络计算非线性滤波器。除了卷积层和池化层之外，全卷积网络可以包括去池化层和/或反卷积层和/或另外的层类型，例如像整流线性单元层(ReLU层)、批规范化层(BN层)、丢弃层等。
附图说明
在下文中，将仅通过范例的方式并且参考附图来描述本发明的优选实施例，在附图中：
图1图示了磁共振成像系统的第一范例；
图2图示了磁共振成像系统的第二范例；
图3图示了磁共振成像系统的第三范例；
图4图示了磁共振成像系统的第四范例；
图5图示了计算机系统的范例；
图6图示了操作图1的磁共振成像系统的方法的范例；
图7图示了操作图3的磁共振成像系统的方法的范例；
图8图示了操作图3的磁共振成像系统的方法的范例；
图9图示了操作图2的磁共振成像系统的方法的范例；
图10图示了操作图4的磁共振成像系统的方法的范例；
图11图示了训练用于运动伪影水平确定的深度学习网络的方法的范例；
图12图示了使用经训练的深度学习网络的运动伪影水平确定的方法的范例；
图13图示了生成具有人工运动伪影的MRI数据集的方法的范例；
图14图示了训练用于运动伪影校正的深度学习网络的方法的范例；
图15图示了被用于运动伪影校正的MRI图像的范例；并且
图16图示了运动伪影校正的结果。
附图标记列表
100 磁共振成像系统
104 主磁体
106 磁体的膛
108 成像区
110 磁场梯度线圈
112 磁场梯度线圈电源
114 射频线圈
115 收发器
118 对象
120 对象支撑件
122 致动器
125 计算机
126 计算机
128 硬件接口
130 处理器
132 用户接口
134 计算机存储设备
136 计算机存储器
140 脉冲序列
142.1、...、142.2 MRI数据集
144 MRI数据的组合集合
146 第一机器学习模型
148 结果
150 第一学习算法
152 第一训练集
154 第二机器学习模型
156 第二学习算法
158 第二训练集
159.i、...、159.j 校正的MRI数据集
160 控制模块
162 成像重建模块
164 分析模块
166 训练模块
168 运动伪影模拟模块
400 MRI训练集
402 深度卷积神经网络
500 临床MRI数据集
502 经训练的深度卷积神经网络
504 运动伪影水平指标
600 MRI参考数据集
602 伪影模拟模块
604 具有人工运动伪影的MRI数据集
700 具有运动伪影的MRI数据集
702 全卷积神经网络
704 推断阶段
706 运动伪影校正的MRI数据集
708 学习阶段
800 运动伪影破坏的输入图像
802 运动伪影校正的图像
804 参考图像
806 仅运动伪影图像
900 混淆矩阵
具体实施方式
在这些附图中，相同编号的元件是等效的元件或者执行相同的功能。如果功能相同，则在后面的附图中不必讨论先前已经讨论过的元件。
图1示出了具有磁体104的磁共振成像系统100的范例。主磁体104是超导圆柱型磁体104，其具有穿过它的膛106。也可以使用不同类型的磁体。例如，也可以使用分裂式圆柱型磁体和所谓的开放式磁体。分裂式圆柱型磁体类似于标准的圆柱型磁体，但是低温恒温器被分成两个部分以允许进入通过磁体的等中心的轴向平面，这种磁体可以例如与带电粒子射束治疗结合使用。开放式磁体具有两个磁体部分，一个在另一个之上，其间具有足够大的空间以容纳对象：两个部分的区的布置类似于亥姆霍兹线圈的布置。开放式磁体很受欢迎，因为对象较少地受限制。在圆柱型磁体的低温恒温器内部有一组超导线圈。在圆柱型磁体104的膛106内有成像区108，在成像区108中磁场足够强和均匀以执行磁共振成像。
在磁体的膛106内还有形成磁场梯度系统的一组磁场梯度线圈110，所述一组磁场梯度线圈110用于采集磁共振数据以对磁体104的成像区108内的磁自旋进行空间编码。磁场梯度线圈110连接到磁场梯度线圈电源112。磁场梯度线圈110旨在是代表性的。通常，磁场梯度线圈110包含三组独立的线圈，这三组独立的线圈用于在三个正交空间方向上进行空间编码。磁场梯度电源向磁场梯度线圈提供电流。提供给磁场梯度线圈110的电流作为时间的函数而被控制并且可以是斜变的或脉冲变化的。
与成像区108相邻的是射频线圈114，也被称为射频天线系统，用于操纵成像区108内的磁自旋的取向并且用于接收也来自成像区108内的自旋的射频发射。射频线圈114可以包含多个线圈元件。射频线圈114被连接到射频收发器115。射频线圈114和射频收发器115可以由单独的发射线圈和接收线圈以及单独的发射器和接收器来替换。应当理解，射频线圈114和射频收发器115是代表性的。射频线圈114还旨在表示专用发射天线和专用接收天线。同样地，收发器115还可以表示单独的发射器和接收器。射频线圈114还可以具有多个接收/发射元件，并且射频收发器115可以具有多个接收/发射通道。
对象支撑件120被附加到任选的致动器122，任选的致动器122能够移动对象支撑件和对象118通过成像区108。以此方式，对象118的更大部分或整个对象118能够被成像。收发器115、磁场梯度线圈电源112和致动器122被示为被连接到计算机系统126的硬件接口128。
计算机126还被示为包含可操作用于运行机器可读指令的处理器130。计算机126还被示为包括用户接口132、计算机存储设备134和计算机存储器136，用户接口132、计算机存储设备134和计算机存储器136都是处理器130可访问的并且被连接到处理器130。
计算机存储设备134可以包含一个或多个脉冲序列140。脉冲序列140是能够被转换成使得处理器130能够使用磁共振成像系统100采集磁共振数据的指令的指令或数据。
计算机存储设备134还被示为包含由射频线圈114采集的多个磁共振成像数据集142.1、...、142.N。磁共振成像数据集142.1、...、142.N中的每个可以包括根据脉冲序列140以MRI系统100的3D数据采集模式采集的磁共振数据的集合的子集。计算机存储设备134可以还包括磁共振成像数据144的组合集合，磁共振成像数据144的组合集合包括到目前为止采集的所有磁共振成像数据集142.1、...、142.N的组合。每当另外的磁共振成像数据集142.1、...、142.N的采集完成时，相应的另外的磁共振成像数据集142.1、...、142.N被添加到磁共振成像数据144的组合集合。磁共振成像数据的组合集合可以包括k-空间数据或使用到目前为止采集的磁共振成像数据集142.1、...、142.N的组合重建的磁共振图像。
优选地，k-空间沿着时间轴被分成n个数据节段，其中，n被选择为使得每个节段包含数据的相关区块，例如5<n<10。时间节段Pi一被完全采集，使就用在k≤i的情况下的所有数据节段Pk(即该时间点处的所有可用数据)来重建3D图像Imi。这通常导致小于最终分辨率的图像。该图像经受由可以导致运动水平Li＝C(Imi)的CNN执行的运动分类器。如果Li>Li-1，即如果在包括最新的数据节段时出现伪影水平，那么可能的是患者在相应的时间段期间已经移动。
因此，对于基于图像的方法，用于网络的输入尺寸能够是固定的，因为图像可以以适当的(固定)分辨率来重建。
当k-空间数据被替代地使用时，可以使用来自142.1-142.N的输入为网络提供例如固定尺寸的空间矩阵。
计算机存储设备134还被示为包含被配置用于预测运动伪影水平的第一机器学习模型146。第一机器学习模型可以包括例如经训练的深度卷积神经网络形式的经训练的深度学习网络。
另外，计算机存储设备134可以包括由每当另外的磁共振成像数据集142.1、...、142.N已经被采集并且被添加到磁共振成像数据144的组合集合时就将磁共振成像数据144的组合集合应用于第一机器学习模型146而产生的结果148。根据实施例，第一磁共振成像数据集142.1可以大于其余的磁共振成像数据集142.2、...、142.N。因此，可以确保，当被提供给第一机器学习模型146时，磁共振成像数据144的组合集合至少包括预定的最小磁共振数据。具体地，假如磁共振成像数据144的组合集合包括重建的磁共振图像，这可以避免欠采样。例如，第一磁共振成像数据集142.1可以包括要根据脉冲序列140采集的磁共振数据的集合的四分之一。其余磁共振成像数据集142.2、...、142.N可以具有共同的预定义的尺寸或具有在由预定义的最小尺寸和预定义的最大尺寸定义的范围内的不同的随机尺寸。
第一机器学习模型146可以被外部地充分配置(即训练)，并且以经训练的形式被提供给计算机存储设备134。替代地，第一机器学习模型146可以在一定程度上被外部地预先配置(即预先训练)，并且在被存储在计算机存储设备134中之后通过计算机126被进一步本地地训练。替代地，第一机器学习模型146可以通过计算机126被本地地从零开始配置(即训练)。
假如第一机器学习模型至少部分地被计算机126训练，计算机存储设备134可以还包含用于生成和/或配置第一机器学习模型146的第一学习算法150。此外，计算机存储设备134可以还包含要被第一学习算法150使用的多个第一训练集152，以便生成和/或配置第一机器学习模型146。每个第一训练集152可以包括磁共振成像数据集和识别被分配给相应磁共振成像数据集的伪影水平的伪影水平指标。第一机器学习模型146可以通过对第一训练集150执行第一学习算法150来生成和/或配置。
计算机存储器136被示为包括控制模块160。控制模块160包含使得处理器130能够控制磁共振成像系统的操作和功能的计算机可执行代码或指令。例如，控制模块160可以结合脉冲序列140工作以采集各种磁共振成像数据集142.1、...、142.N，并且组合所采集的磁共振成像数据集142.1、...、142.N，从而生成磁共振数据144的组合集合。假如磁共振数据144的组合集合包括从各种磁共振成像数据集142.1、...、142.N重建的磁共振图像，计算机存储器136可以还包含成像重建模块162，成像重建模块162包含使得处理器130能够控制磁共振成像系统的操作和功能以重建磁共振图像的计算机可执行代码或指令。
计算机存储器136可以还包含分析模块164。分析模块164包含使得处理器130能够将磁共振成像数据144的组合集合应用于第一机器学习模型146并且生成结果148的计算机可执行代码或指令。结果148可以例如包括被分配给磁共振成像数据144的组合集合的运动伪影水平的一个或多个预测。
此外，计算机存储器136可以包括训练模块166，训练模块166包含使得处理器130能够使用第一训练算法150结合第一训练集152来生成/配置第一机器学习模型146的计算机可执行代码或指令。
最后，计算机存储器136可以包括包含计算机可执行代码或指令的运动伪影模拟模块168。运动伪影模拟模块168的计算机可执行代码或指令使得处理器130能够通过模拟并将不同数量、程度和/或类型的人工生成的运动伪影引入到一个或多个无运动伪影磁共振图像来生成针对第一训练集150的具有人工地计算的运动伪影的磁共振成像数据集。
图2示出了图1的磁共振成像系统100的备选实施例的范例。在备选实施例的情况下，磁共振成像数据集142.1、...、142.N中的每个可以包括根据脉冲序列140以MRI系统100的多2D数据采集模式采集的通过成像区108的2D切片形式的磁共振数据的集合的子集。结果是2D切片堆叠，其中，该2D切片堆叠中的每个可以由磁共振成像数据集142.1、...、142.N中的一个来提供。磁共振成像数据集142.1、...、142.N可以包括2D切片的k-空间数据或相应切片的重建的磁共振图像形式的所采集的MRI数据。相比于图1的实施例，磁共振成像数据集142.1、...、142.N均在没有被组合的情况下被提供给第一机器学习模型146。因此，第一机器学习模型146可以返回对个体2D切片的运动伪影水平的预测结果。结果148可以包括这些预测。额外地，结果148包括根据从第一机器学习模型146接收的个体预测计算的对2D切片的该堆叠的平均运动伪影水平的预测结果。为了评估表征2D切片的整个堆叠的运动伪影水平，例如2D切片的个体运动伪影水平的平均运动伪影水平或最大运动伪影水平可以被使用，并且与预定义的阈值进行比较。此外，相比于图1的实施例，控制模块160可以不被配置为组合磁共振成像数据集142.1、...、142.N。
假如磁共振成像数据集142.1、...、142.N包括2D切片的重建的磁共振图像，计算机存储器136的成像重建模块162可以包含使得处理器130能够控制磁共振成像系统的操作和功能以使用由射频线圈114采集的基本MRI原始数据来重建个体磁共振成像数据集142.1、...、142.N的相应磁共振图像的计算机可执行代码或指令。
图3示出了图1的磁共振成像系统100的另外的备选实施例的范例。除了图1中示出的数据对象之外，图3的计算机存储设备134还包含被配置用于滤波和/或校正被磁共振成像数据集142.1、...、142.N包括的运动伪影的第二机器学习模型154。根据实施例，磁共振成像数据集142.1、...、142.N均可以被缺省地提供给第二机器学习模型154，得到经运动伪影校正的磁共振成像数据集159.i、...、159.j，其中，i＝并且j＝N。
进一步地，得到的经运动伪影校正的磁共振成像数据集159.i、...、159.j可以被组合，以便生成磁共振数据144的组合集合。假如第二机器学习模型154被配置为在经由第二输入接收磁共振成像数据集142.1、...、142.N之后经由第二输出返回经伪影校正的磁共振成像数据集159.i、...、159.j，相应的经伪影校正的磁共振成像数据集159.i、...、159.j可以被直接用于生成磁共振数据144的组合集合。假如第二机器学习模型154被配置为在经由第二输入接收磁共振成像数据集142.1、...、142.N之后经由第二输出返回仅伪影磁共振成像数据集159.i、...、159.j，返回的仅伪影磁共振成像数据集159.i、...、159.j可以从被提供给第二机器学习模型154的磁共振成像数据集142.1、...、142.N减去，以便提供可以被用于生成磁共振数据144的组合集合的经伪影校正的磁共振成像数据集159.i、...、159.j。
根据替代的实施例，假如相应磁共振成像数据集142.1、...、142.N被第一机器学习模型146确定为包括一个或多个运动伪影，即贡献于预测的运动伪影水平的增加，磁共振成像数据集142.1、...、142.N被提供给第二机器学习模型154，得到经运动伪影校正的磁共振成像数据集159.i、...、159.j。假如磁共振成像数据集142.i导致预测的运动伪影水平的单独增加，即假如先前的磁共振成像数据集142.i-1或随后的磁共振成像数据集142.i-1都不导致预测的运动伪影水平的增加，磁共振成像数据集142.i可以具体地被提供给第二机器学习模型154。
假如磁共振成像数据集142.1、...、142.N中的一个是无运动伪影的，对应的伪影校正的磁共振成像数据集159.i、...、159.j可以是相同的。假如磁共振成像数据集142.1、...、142.N中的一个包括运动伪影，对应的校正的磁共振成像数据集159.i、...、159.j可以包括除了受对象的运动影响的数据之外的相应磁共振成像数据集142.1、...、142.N的所有数据。
第二机器学习模型146可以被外部地充分配置(即训练)，并且以经训练的形式被提供给计算机存储设备134。替代地，第二机器学习模型146可以在一定程度上被外部地预先配置(即预先训练)，并且在被存储在计算机存储设备134中之后通过计算机126被进一步本地地训练。替代地，第二机器学习模型146可以通过计算机126被本地地从零开始配置(即训练)。
在第二机器学习模型至少部分地被计算机126训练的情况下，计算机存储设备134可以还包含用于生成和/或配置第二机器学习模型154的第二学习算法156。此外，计算机存储设备134可以还包含要被第二学习算法156使用的多个第二训练集158，以便生成和/或配置第二机器学习模型154。为了将第二机器学习模型154配置为返回仅运动伪影磁共振成像数据集，每个第二训练集158可以包括磁共振成像数据集和被分配给相应磁共振成像数据集的仅运动伪影磁共振成像数据集。相应磁共振成像数据集可以或可以不包括一个或多个运动伪影。假如相应磁共振成像数据集不包括运动伪影，所分配的仅运动伪影磁共振成像数据集可以仅包括零。为了将第二机器学习模型154配置为返回经运动伪影校正的磁共振成像数据集，每个第二训练集158可以包括磁共振成像数据集和被分配给相应磁共振成像数据集的经运动伪影校正的磁共振成像数据集。相应磁共振成像数据集可以或可以不包括一个或多个运动伪影。假如相应磁共振成像数据集不包括运动伪影，所分配的运动伪影校正的磁共振成像数据集与相应磁共振成像数据集相同。
第二机器学习模型154可以通过对第二训练集158执行第二学习算法156来生成和/或配置。
被计算机存储器136包括的分析模块164可以还被配置为控制磁共振成像数据集142.1、...、142.N到第二机器学习模型154的应用。此外，训练模块166可以额外地包含使得处理器130能够使用第二训练算法156结合第二训练集158来生成/配置第二机器学习模型154的计算机可执行代码或指令。假如第二机器学习模型154要被配置为返回仅运动伪影磁共振数据集，运动伪影模拟模块168的计算机可执行代码或指令可以还使得处理器130能够生成具有人工计算的运动伪影的仅运动伪影磁共振成像数据集。
图4示出了图2的磁共振成像系统100的备选实施例的范例。除了图2中示出的数据对象之外，图3的计算机存储设备134还包含被配置用于对由表示通过成像区108的2D切片的磁共振成像数据集142.1、...、142.N包括的运动伪影进行滤波和/或校正的第二机器学习模型154。将磁共振成像数据集142.1、...、142.N应用于第二机器学习模型154导致经伪影校正的磁共振成像数据集159.i、...、159.j。磁共振成像数据集142.1、...、142.N可以被缺省地提供给第二机器学习模型154，并且得到的伪影校正的磁共振成像数据集159.i、...、159.j可以被提供给第一机器学习模型146。替代地，磁共振成像数据集142.1、...、142.N可以首先被提供给第一机器学习模型146。假如第一机器学习模型146在磁共振成像数据集142.1、...、142.N中的一个中检测到运动伪影，相应磁共振成像数据集142.1、...、142.N可以被提供给第二机器学习模型154。根据实施例，得到经伪影校正的磁共振成像数据集159.i、...、159.j也可以被提供给第一机器学习模型146，以便检查经伪影校正的成功并且监测伪影校正的磁共振成像数据集159.i、...、159.j对预测的运动伪影水平的贡献。例如，运动伪影校正可以导致运动伪影抑制，其中，原始运动伪影的较小影响依然存在。
此外，计算机存储设备134可以包括如上面针对图3的实施例描述的用于使用第二训练集158生成/配置第二机器学习模型154的第二学习算法156。
像在图2的情况下，相比于图1和图3的实施例，控制模块160可以不被配置为组合磁共振成像数据集142.1、...、142.N。被计算机存储器136包括的分析模块164可以还被配置为控制磁共振成像数据集142.1、...、142.N到第二机器学习模型154的应用。此外，训练模块166可以额外地包含使得处理器130能够使用第二训练算法156结合第二训练集158来生成/配置第二机器学习模型154的计算机可执行代码或指令。
图5示出了用于例如根据图1至4中的一个来外部地生成第一机器学习模型146和/或第二机器学习模型154并且为磁共振成像系统100提供得到的机器学习模型146、154的计算机125的范例。计算机125被示为包含硬件接口128、处理器130、用户接口132、计算机存储设备134和计算机存储器136。硬件接口128可以例如被配置为经由网络为例如根据图1至4中的一个的磁共振成像系统100提供得到的机器学习模型146、154。处理器被配置为控制计算机125。在存储设备134中示出的第一机器学习模型146可以使用第一学习算法148和第一训练集150来生成/配置，如上面针对图1和图2的实施例示范性地描述的。在存储设备134中示出的第二机器学习模型154可以使用第二学习算法156和第二训练集158来生成/配置，如上面针对图3和图4的实施例示范性地描述的。
训练模块166可以包含使得处理器130能够使用第一训练算法148结合第一训练集150来生成/配置第一机器学习模型146的计算机可执行代码或指令。计算机存储器136可以还包括包含计算机可执行代码或指令的运动伪影模拟模块168。运动伪影模拟模块168的计算机可执行代码或指令使得处理器130能够通过模拟并将不同数量、程度和/或类型的人工生成的运动伪影引入到一个或多个无运动伪影磁共振图像来生成针对第一训练集150和/或第二训练集158的具有人工地计算的运动伪影的磁共振成像数据集。假如第二机器学习模型154要被配置为返回仅运动伪影磁共振数据集，运动伪影模拟模块168的计算机可执行代码或指令可以进一步使得处理器130能够生成具有人工计算的运动伪影的仅运动伪影磁共振成像数据集。
图6示出了图示操作图1的磁共振成像系统100的方法的示意性流程图。根据所示出的步骤的采集和分析过程可以被重复地执行，直至要根据脉冲序列命令采集的MRI数据的整个集合已经被MRI系统100采集。MRI数据的集合的采集被分成多个MRI数据集的采集，每个MRI数据集包括要被采集的MRI数据的集合的子集。在该实施例中，以3D操作模式操作MRI系统来采集MRI数据的集合。采集和分析过程以步骤200开始。在步骤200中，根据脉冲序列命令从磁共振成像系统的成像区采集MRI数据集。在步骤202中，所采集的MRI数据集被添加到到目前为止采集的MRI数据的组合集合。在步骤204中，MRI数据的组合集合被提供给第一机器学习模型(MLM)的第一输入。MRI数据的组合集合可以包括k-空间表示方式或从相应的MRI数据重建的磁共振图像形式的所采集的MRI数据。在步骤206中，从第一机器学习模型的第一输出接收所采集的磁共振成像数据(即MRI数据的组合集合)的运动伪影水平的预测结果。运动伪影水平表征存在于被提供给第一机器学习模型的MRI数据的组合集合中的运动伪影的数量和/或程度。在步骤208中，检查所接收的运动伪影水平的预测结果是否超过第一阈值。第一阈值例如被定义为被认为可接受以便能够使用所采集的MRI数据用于诊断目的的最大运动伪影水平。假如第一阈值被超过，则指示MRI数据的组合集合包括数量和/或程度大得以致于MRI数据的组合集合例如不适合于诊断目的运动伪影水平。假如第一阈值被超过，另外的MRI数据采集和分析在步骤210中被中止，因为到目前为止采集的数据鉴于运动伪影而具有不足的质量。
假如第一阈值未被超过，该方法继续步骤212。在步骤212中，检查要根据脉冲序列命令采集的所有MRI数据集是否都已经被采集。假如所采集的最新MRI数据集是要被采集的最后一个MRI数据集，该方法以步骤214结束。假如存在要根据脉冲序列命令采集的一个或多个MRI数据集，该方法继续到步骤200。换言之，采集和分析过程再一次被执行。采集和分析过程被重复地执行，直至要被采集的所有MRI数据集都已经被采集，或直至数据采集由于到目前为止采集的MRI数据的质量的缺乏而被中止。
图7示出了图示操作图3的磁共振成像系统100的方法的示意性流程图。除了图6中图示的步骤之外，图7的方法还包括与第二机器学习模型相关的步骤216至220。第二机器学习模型被配置为校正被提供给第二机器学习模型的第二输入的MRI数据集包括的运动伪影。在步骤216中，检查运动伪影水平的预测结果是否超过第二阈值。第二阈值可以例如以小于第一阈值的运动伪影水平的形式或以相对阈值的方式来提供。这种相对阈值可以定义由于考虑最新MRI数据集的运动伪影水平的预测结果的最大增加，该最大增加被认为是可接受的。换言之，第二阈值可以是用于最新MRI数据集对运动伪影水平的预测结果的贡献的阈值。假如第二阈值为零，每当最新MRI数据集包括任何运动伪影破坏的数据时，它就可以被超过。当第二阈值大于零时，每个MRI数据集对运动伪影水平的特定贡献被认为是可接受的。
假如第二阈值未被超过，该方法可以继续到步骤212。否则，该方法可以继续到步骤218，其中，MRI数据集被提供给第二机器学习模型的第二输入。使用来自第二机器学习模型的第二输出的回应，提供经运动伪影校正的MRI数据集，该经运动伪影校正的MRI数据集替换被提供给第二机器学习模型的MRI数据集。换言之，经运动伪影校正的MRI数据集被添加到MRI数据的组合集合，而被替换的MRI数据集从MRI数据的组合集合减去。然后，该方法可以继续到步骤212。备选地，步骤204至208可以被重复，以便检查是否实现用运动伪影校正的MRI数据集的替换。
来自第二机器学习模型的第二输出的回应可以是经运动伪影校正的MRI数据集本身或仅包括被提供给第二输入的MRI数据集包括的一个或多个运动伪影的仅运动伪影MRI数据集。仅运动伪影MRI数据集然后可以从被提供给第二输入的MRI数据集减去，得到期望的经运动伪影校正的MRI数据集。
图8示出了图示用于图6和图7的方法的任选的额外步骤的示意性流程图。额外步骤包括步骤222至234。在步骤222中，检查在在采集和分析过程的最后一个先前重复中接收的运动伪影水平预测结果是否已经相对于在采集和分析过程的第二至最后一个先前重复中接收的运动伪影水平预测结果增加。如果是这种情况，该方法可以继续步骤224，否则继续步骤202。在步骤224中，在采集和分析过程的最后一个先前重复中采集的MRI数据集在MRI数据的组合集合中被在步骤200中的当前重复中采集的MRI数据集替换。换言之，在采集和分析过程的最后一个先前重复中采集的MRI数据集从MRI数据的组合集合减去(即去除)，而在步骤200中的当前重复中采集的MRI数据集被添加到MRI数据的组合集合。在步骤226中，得到的MRI数据的组合集合被提供给第一机器学习模型。在步骤228中，接收对运动伪影水平的预测结果。在步骤230中，检查在当前重复的步骤228中接收的对运动伪影水平的预测结果是否也相对于在第二至最后一个先前重复中接收的运动伪影水平预测结果增加。如果是这种情况，则引起在步骤222中检查到的增加的运动伪影未被限制到在最后一个先前重复中采集的MRI数据集。该方法可以继续到步骤202。如果不是这种情况，该方法可以继续到步骤232。在步骤232中,在最后一个先前重复中采集的MRI数据集可以被重新采集。由于已经确定运动伪影被限制到在最后一个先前重复中采集的MRI数据集，由此可见患者已经返回到原始位置。在步骤234中，重新采集的MRI数据可以被添加到在步骤224中修改的MRI数据的组合集合。因此，已经在步骤224中从组合集合中消除的在最后一个先前重复中采集的MRI数据集被去除。
图9示出了图示操作图2的磁共振成像系统100的方法的示意性流程图。图9的方法在很大程度上类似于图6的方法。主要差异是磁共振成像系统100在图9的情况下不再以3D模式而是以多2D模式进行操作。换言之，所采集的MRI数据集均可以包括通过成像区的个体2D切片的MRI数据，导致平行2D切片的堆叠。2D切片中的每个可以被个体地分析。图9的步骤300对应于图6的步骤200，而图9的步骤304至314对应于图6的步骤204至214。图6的方法与根据图9的方向相比的主要差异是，2D切片并且因此所采集的MRI数据集不与彼此组合，而是被个体地提供给第一机器学习模型的第一输入。因此，MRI数据集中的每个被个体地分析。在步骤308中，可以检查MRI数据集中的任一个的预测都不超过第一阈值。替代地，运动伪影水平的预测结果的平均值可以被计算，并且与第一阈值进行比较。假如第一阈值被超过，可以在步骤309中检查当前MRI数据集是否是被限制于该具体MRI数据集(即对应的采样点)的重新采集。假如当前MRI数据集是有限的重新采集尝试的结果，该方法可以继续步骤310并且重新开始。重新开始可以导致要根据脉冲序列命令采集的所有MRI数据集的重新采集。假如当前MRI数据集不是有限的重新采集尝试的结果，针对当前MRI数据集的这种有限的重新采集尝试可以通过针对当前MRI数据集继续步骤300来执行。这可以具有不是所有MRI数据集都由于重新开始而必须被重新采集而是重新采集可以被限制于单个MRI数据集的有益效果。
图10示出了图示操作图4的磁共振成像系统100的方法的示意性流程图。图10的方法在很大程度上类似于图7的方法。像在图9的方法的情况下，执行图10的方法的MRI系统以多2D模式进行操作。因此，所有所采集的MRI数据集都可以包括个体2D切片的数据。图9的步骤300对应于图7的步骤200，而图10的步骤304至314对应于图7的步骤204至214。此外，图10的步骤316至320对应于图7的步骤216至220。
图11示出了图示使用第一训练算法生成第一机器学习模型的方法的示意性流程图。第一机器学习模式包括深度卷积网络402，例如像深度卷积神经网络。训练指的是被深度卷积神经网络包括的神经元的权重和偏置的优化，以实现用于检测磁共振成像数据集中的运动伪影的存在并且确定运动伪影水平(即对相应的运动伪影进行分类)的期望能力。所述训练可以包括提供大量的具有和没有运动伪影的临床磁共振成像数据集的第一训练集400。临床磁共振成像数据集中的每个被分配有识别相应成像数据集的伪影水平的运动伪影水平指标。图11图示了通过在从0至2的范围内的单个整数的运动伪影水平的示范性定义，其可以分别表示没有(0)、中等(1)或严重运动伪影(2)的成像数据集。在训练阶段中，由第一训练集400提供的临床磁共振成像数据集作为输入被应用于未经训练的深度学习网络，例如像深度卷积神经网络。深度卷积神经网络返回运动伪影水平指标作为输出，其可以与被分配给作为输入被应用的临床磁共振成像数据集的运动伪影水平指标进行比较。这可以针对包括多个临床磁共振成像数据集的批次来执行，并且差异可以通过第一训练算法被统计地评估。基于这些评估参数，深度卷积神经网络可以被调整，直至当将第一训练集400的临床磁共振成像数据集应用于深度卷积神经网络时由该深度卷积神经网络提供的输出对应于被分配给相应数据集的运动伪影水平指标。所述训练导致经训练的深度卷积神经网络402，其可以被用于确定运动伪影水平，例如像图12中示出的。
图12示出了图示使用第一机器学习模型的方法的示意性流程图。采集临床磁共振成像数据集500。临床磁共振成像数据集被提供给包括经训练的深度卷积神经网络502的第一机器学习模型的第一输入，深度卷积神经网络502可以已经根据图11进行训练。因此，可以从第一机器学习模型的第一输出接收运动伪影水平504的预测结果。
图13示出了图示用于针对第一和/或第二训练集生成具有运动伪影的磁共振成像数据集的方法的示意性流程图。提供无运动伪影磁共振成像数据集600的集合。无运动伪影磁共振成像数据集此外可以被用作磁共振成像参考数据集，例如用于训练用于对存在于磁共振成像数据集中的运动伪影进行滤波的全卷积神经网络。无运动伪影磁共振成像数据集600被应用于生成人工运动伪影的运动伪影模拟模块602。通过将人工运动伪影引入到无运动伪影磁共振成像数据集600，具有一个或多个运动伪影的磁共振成像数据集604被生成。磁共振成像数据集604每个可以与用来生成相应磁共振成像数据集604的无运动伪影磁共振成像数据集600配对，以便生成第二训练集。替代地，模拟的运动伪影可以以仅运动伪影磁共振数据集的形式被存储。仅运动伪影磁共振数据集均可以与用来生成相应磁共振成像数据集604的无运动伪影磁共振成像数据集600配对，以便生成第二训练集。磁共振成像数据集604每个可以被分配有识别由于被运动伪影模拟模块602引起一个或多个运动伪影的相应磁共振成像数据集的运动伪影水平的运动伪影水平指标配对，以便生成第一训练集。
图14示出了图示用于训练包括全卷积神经网络702的第二机器学习模型的方法的示意性流程图。在由第二学习算法执行的迭代过程期间，全卷积神经网络702的网络参数可以被优化。在推断步骤704中，对经运动伪影校正的磁共振成像数据集706的预测结果可以通过全卷积神经网络702使用由第二训练集提供的具有运动伪影700的磁共振成像数据集来生成。第二训练集的无运动伪影成像参考数据集与全卷积神经网络702的输出之间的得到的差在学习阶段708期间被反向传播通过相应全卷积神经网络702。该流程可以例如通过将由第二训练集提供的多批具有运动伪影700的磁共振成像数据集应用于全卷积神经网络702并且统计地评估输入批次与得到的包括运动伪影校正的磁共振成像数据集706的多个预测的输出批次之间的差来执行。在成功的训练之后，全卷积神经网络702可以被提供有实际的运动伪影破坏的磁共振成像数据集，并且因此可以返回具有降低的伪影水平的磁共振成像数据集。根据替代实施例，第二训练集可以包括仅运动伪影磁共振数据集来代替运动伪影校正的磁共振成像数据集706，并且第二机器学习模型可以被训练(即配置)为预测仅运动伪影磁共振数据集。
图15示出了没有运动伪影的示范性磁共振参考图像804。参考图像804由表示通过磁共振成像数据的集合的示范性切片的磁共振成像参考数据集来提供。额外地，包括人工运动伪影的示范性磁共振图像800被示出，并且可以被提供给第二机器学习模型的第二输入。提供了参考图像804，以便图示使用第二机器学习模型处理存在于磁共振图像802中的运动伪影的有效性。此外，示出了运动伪影校正的磁共振图像802。运动伪影校正的磁共振图像802由运动伪影破坏的磁共振图像800的校正产生。运动伪影校正的磁共振图像802可以直接由通过第二机器学习模型的第二输出来提供。替代地，第二机器学习模型可以被配置为返回仅运动伪影磁共振图像。这种仅运动伪影磁共振图像的范例通过图像806来图示。假如全卷积神经网络在第二输出处返回仅运动伪影磁共振图像806，经运动伪影校正的磁共振图像802可以通过从包括通过仅运动伪影磁共振图像806表示的运动伪影的原始磁共振图像800减去仅运动伪影磁共振图像806来生成。
图像800至806的生成和使用可以在下文中被进一步图示。例如，参考图像804基于仅具有多2D自旋回波序列和量值数据的T2加权全脑患者扫描来采集。参考图像804可以从被评价为无运动伪影的所采集的磁共振成像数据来重建。由于整体平移运动的伪影可以针对参考图像804通过被应用于傅里叶变换的数据的额外阶段来模拟：
其中，T定义运动轨迹。三个不同的平移轨迹(即突然的、振荡的和连续的运动)可以利用在例如2至12个像素的范围内的不同运动振幅来模拟。此外，由于整体旋转运动的伪影可以针对参考图像804通过由输入图像的旋转版本的傅里叶变换替换傅里叶变换的输入图像的部分来模拟。两个不同的旋转轨迹(即突然的和振荡的运动)可以利用例如在1.0°至2.5°的范围内的不同运动振幅来模拟。
此外为了增加解剖变异性，随机变形可以被应用于参考图像804。仅运动伪影图像806可以由第二机器学习模型返回。总的来说，包括大约100000个图像对的训练集可以使用大约10次的独特患者全脑扫描来生成，每个图像对包括运动伪影破坏的图像800和参考图像804。使用两次额外的T2加权全脑扫描，由100个图像组成的训练集可以以相同的方式被生成。
第二机器学习模型的全卷积神经网络可以例如依赖于多分辨率方法来实施，即输入图像的两个欠采样变体被用作到全卷积网络的额外输入。每个分辨率水平可以两个卷积层组成，每个卷积层紧随有批规范化层和整流线性单元。不同的水平可以使用平均去池化层和捷径连接来进行组合。全卷积神经网络可以被训练为最小化预测的运动伪影与模拟的运动伪影之间的均方误差。训练可以例如在32个时段(epoch)期间使用Adam优化方法和32的小批尺寸来执行。
此后，第二机器学习模型的经训练的全卷积神经网络可以被应用于测试集。测试集可以对应于训练集。运动伪影破坏的图像800可以被提供给到第二机器学习模型的第二输入，并且伪影的预测结果(即仅运动伪影图像806)可以从第二输出返回。仅运动伪影图像806可以从运动伪影破坏的输入图像800减去，导致运动伪影校正的磁共振图像802。得到的运动伪影校正的磁共振图像802可以与磁共振参考图像804进行比较。
图16图示了根据混淆矩阵900给出的前面提到的滤波的结果。混淆矩阵900通过比较在将运动伪影破坏的图像800应用于第二机器学习模型之前每个种类0至4的运动伪影破坏的图像800的数量与在应用于具有经训练的全卷积神经网络的第二机器学习模型之后每个种类0至4的运动伪影校正的磁共振图像802的数量来图示运动伪影减少的成功。伪影可以例如使用五点Likert尺度来进行分类。比较示出了，平均上已经实现1.8个点的改善，同时没有观察到额外的质量退化。对于大部分切片，由全卷积神经网络提供的滤波器的应用导致感知严重性的相当大的降低，具有大约1.8个点的平均改善。
虽然已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，而非限制性的；本发明不限于所公开的实施例。
本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然特定措施被是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/被分布在合适的介质上，例如，与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如，经由互联网或其他有线或无线的电信系统分布。权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (12)

1.一种磁共振成像系统(100)，所述磁共振成像系统(100)包括：
存储器(134、136)，其存储机器可执行指令(160、162、164)、脉冲序列命令(140)和第一机器学习模型(146)，所述第一机器学习模型包括第一深度学习网络(502)，其中，所述脉冲序列命令(140)被配置用于控制所述磁共振成像系统(100)来采集磁共振成像数据的集合，其中，所述第一机器学习模型(146)包括第一输入和第一输出，
处理器，其中，所述机器可执行指令(160、162、164)的运行使所述处理器(130)控制所述磁共振成像系统(100)重复地执行采集和分析过程，所述采集和分析过程包括：
根据所述脉冲序列命令(140)从所述磁共振成像系统(100)的成像区(108)采集数据集(142.1、...、142.N)，所述数据集包括磁共振成像数据的所述集合的子集，
将所述数据集(142.1、...、142.N)提供给所述第一机器学习模型的所述第一输入，
响应于所述提供，从所述第一机器学习模型(146)的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平(504)的预测结果(148)，所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度，其中，在每次重复中，在相应重复期间采集的所述数据集(142.1、...、142.N)与在所述相应重复之前的所有重复中采集的所述数据集(142.1、...、142.N)相组合被提供给所述第一输入，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统：
如果在当前重复中接收的预测结果(148)相对于在所述当前重复之前的最后一次重复中接收的预测结果增加，则检查去除所述当前重复是否导致在所述当前重复之后的第一次重复中接收的预测结果也相对于在所述当前重复之前的所述最后一次重复的所述预测结果增加，
如果所述去除不导致增加，则在所述当前重复被去除的情况下继续所述采集和分析过程的所述重复执行，
否则继续所述重复执行而不去除所述当前重复。
2.根据权利要求1所述的磁共振成像系统(100)，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统(100)在对所述运动伪影水平(504)的所述预测结果(148)超过第一预定义的阈值的情况下自动终止所述采集和分析过程的所述重复执行。
3.根据权利要求1所述的磁共振成像系统(100)，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统(100)在对所述运动伪影水平(504)的所述预测结果(148)超过第一预定义的阈值的情况下自动重新开始所述采集和分析过程的所述重复执行。
4.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，对所述运动伪影水平(504)的所述预测结果(148)取决于所述伪影相对于由所采集的磁共振数据表示的一个或多个感兴趣解剖结构的位置。
5.根据权利要求1-3中的任一项所述的磁共振成像系统(100)，其中，所述数据集(142.1、...、142.N)中的每个包括使用所采集的磁共振数据重建的磁共振图像。
6.根据权利要求1-3中的任一项所述的磁共振成像系统(100)，其中，所述数据集(142.1、...、142.N)具有共同的预定义的尺寸，其中，每个数据集(142.1、...、142.N)包括来自采样点的磁共振数据，所述采样点以在k空间的中心处相对于所采样的k空间的外部部分更高的采样率被分布在k空间内。
7.根据权利要求1-3中的任一项所述的磁共振成像系统(100)，其中，所述数据集(142.1、...、142.N)具有在由预定义的最小尺寸和预定义的最大尺寸限定的范围内选择的任意尺寸，其中，每个数据集(142.1、...、142.N)包括来自采样点的磁共振数据，所述采样点以在k空间的中心处相对于所采样的k空间的外部部分更高的采样率被分布在k空间内。
8.根据权利要求1-3中的任一项所述的磁共振成像系统(100)，其中，所述存储器(134、136)还存储用于生成所述第一机器学习模型(146)的第一学习算法(150)，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统(100)：
接收第一训练集(152)，每个第一训练集(152)包括磁共振成像数据集和识别被分配给所述相应磁共振成像数据集的伪影水平的伪影水平指标，
对所接收的第一训练集(152)执行所述第一学习算法(150)以便生成所述第一机器学习模型(146)。
9.根据权利要求1-3中的任一项所述的磁共振成像系统(100)，其中，所述存储器(134、136)还存储包括第二深度学习网络(702)的第二机器学习模型(154)，其中，所述第二机器学习模型(154)包括第二输入和第二输出，
其中，所述机器可执行指令(160、162、164)的运行还使所述处理器(130)控制所述磁共振成像系统：
如果响应于将数据集(142.1、...、142.N)提供给所述第一机器学习模型(146)的所述第一输入而被接收的所述伪影水平(504)的预测结果(148)超过第二预定义的阈值，则将相应数据集(142.1、...、142.N)提供给所述第二机器学习模型(154)的所述第二输入，
使用从所述第二机器学习模型(154)的所述第二输出接收的响应提供经运动伪影校正的数据集(159.i、...、159.j)作为用于所述相应数据集(142.1、...、142.N)的替换，
利用所述运动伪影校正的数据集(159.i、...、159.j)继续所述采集和分析过程。
10.根据权利要求9所述的磁共振成像系统(100)，其中，所述存储器(134、136)还存储用于生成所述第二机器学习模型(154)的第二学习算法(156)，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统(100)：
接收第二训练集(158)，每个第二训练集(158)包括磁共振成像数据集和被分配给相应磁共振成像数据集的仅运动伪影磁共振成像数据集，
对所接收的第二训练集(158)执行所述第二学习算法(156)以生成所述第二机器学习模型(154)，所述第二机器学习模型利用所述第二训练集(158)中的每个被训练为响应于经由所述第二输入接收相应第二训练集(158)的所述磁共振成像数据集而经由所述第二输出提供所述相应第二训练集(158)的所述仅运动伪影磁共振成像数据集，使得能够使用被提供给所述第二输入的所述磁共振成像数据集通过减去从所述第二输出接收的所述仅运动伪影磁共振成像数据集来提供经运动伪影校正的数据集。
11.一种计算机程序产品，包括用于由处理器(130)运行的机器可执行指令(160、162、164)，所述处理器(130)使用脉冲序列命令(140)和第一机器学习模型(146)来控制磁共振成像系统(100)，所述第一机器学习模型包括第一深度学习网络(502)，其中，所述脉冲序列命令(140)被配置用于控制所述磁共振成像系统(100)来采集磁共振成像数据的集合，其中，所述第一机器学习模型(146)包括第一输入和第一输出，
其中，所述机器可执行指令(160、162、164)的运行使所述处理器(130)重复地执行采集和分析过程，所述采集和分析过程包括：
根据所述脉冲序列命令(140)从所述磁共振成像系统(100)的成像区(108)采集数据集(142.1、...、142.N)，所述数据集包括磁共振成像数据的所述集合的子集，
将所述数据集(142.1、...、142.N)提供给所述第一机器学习模型(146)的所述第一输入，
响应于所述提供，从所述第一机器学习模型(146)的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平(504)的预测结果(148)，所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度，其中，在每次重复中，在相应重复期间采集的所述数据集(142.1、...、142.N)与在所述相应重复之前的所有重复中采集的所述数据集(142.1、...、142.N)相组合被提供给所述第一输入，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)：
如果在当前重复中接收的预测结果(148)相对于在所述当前重复之前的最后一次重复中接收的预测结果增加，则检查去除所述当前重复是否导致在所述当前重复之后的第一次重复中接收的预测结果也相对于在所述当前重复之前的所述最后一次重复的所述预测结果增加，
如果所述去除不导致增加，则在所述当前重复被去除的情况下继续所述采集和分析过程的所述重复执行，
否则继续所述重复执行而不去除所述当前重复。
12.一种操作磁共振成像系统的方法，所述磁共振成像系统(100)包括：
存储器(134、136)，其存储机器可执行指令(160、162、164)、脉冲序列命令(140)和第一机器学习模型(146)，所述第一机器学习模型包括第一深度学习网络(502)，其中，所述脉冲序列命令(140)被配置用于控制所述磁共振成像系统(100)来采集磁共振成像数据的集合，其中，所述第一机器学习模型(146)包括第一输入和第一输出，
处理器(130)，其用于控制所述磁共振成像系统，其中，所述方法包括重复地执行采集和分析过程，所述采集和分析过程包括：
根据所述脉冲序列命令(140)从所述磁共振成像系统(100)的成像区(108)采集数据集(142.1、...、142.N)，所述数据集包括磁共振成像数据的所述集合的子集，
将所述数据集(142.1、...、142.N)提供给所述第一机器学习模型(146)的所述第一输入，
响应于所述提供，从所述第一机器学习模型(146)的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平(504)的预测结果(148)，所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度，其中，在每次重复中，在相应重复期间采集的所述数据集(142.1、...、142.N)与在所述相应重复之前的所有重复中采集的所述数据集(142.1、...、142.N)相组合被提供给所述第一输入，其中，所述方法还包括：
如果在当前重复中接收的预测结果(148)相对于在所述当前重复之前的最后一次重复中接收的预测结果增加，则检查去除所述当前重复是否导致在所述当前重复之后的第一次重复中接收的预测结果也相对于在所述当前重复之前的所述最后一次重复的所述预测结果增加，
如果所述去除不导致增加，则在所述当前重复被去除的情况下继续所述采集和分析过程的所述重复执行，
否则继续所述重复执行而不去除所述当前重复。
CN201880084836.0A 2017-10-31 2018-10-26 数据采集期间的运动伪影预测 Active CN111542853B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP17199301.7 2017-10-31
EP17199301.7A EP3477583A1 (en) 2017-10-31 2017-10-31 Deep-learning based processing of motion artifacts in magnetic resonance imaging data
EP18170128.5 2018-04-30
EP18170128.5A EP3564962A1 (en) 2018-04-30 2018-04-30 Motion artifact prediction during data acquisition
PCT/EP2018/079378 WO2019086337A1 (en) 2017-10-31 2018-10-26 Motion artifact prediction during data acquisition

Publications (2)

Publication Number Publication Date
CN111542853A CN111542853A (zh) 2020-08-14
CN111542853B true CN111542853B (zh) 2024-05-14

Family

ID=63915308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880084836.0A Active CN111542853B (zh) 2017-10-31 2018-10-26 数据采集期间的运动伪影预测

Country Status (4)

Country Link
US (1) US11633123B2 (zh)
EP (1) EP3704667B1 (zh)
CN (1) CN111542853B (zh)
WO (1) WO2019086337A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10698063B2 (en) * 2017-11-01 2020-06-30 Siemens Healthcare Gmbh Motion artifact reduction of magnetic resonance images with an adversarial trained network
AU2019268404A1 (en) * 2018-05-15 2020-12-03 Monash University Method and system of motion correction for magnetic resonance imaging
CN113557526A (zh) 2018-08-15 2021-10-26 海珀菲纳股份有限公司 用于抑制磁共振图像中的伪影的深度学习技术
EP3938799A2 (en) 2019-03-14 2022-01-19 Hyperfine, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
CN110060313B (zh) * 2019-04-19 2023-12-19 上海联影医疗科技股份有限公司 一种图像伪影校正方法和系统
CN110095742B (zh) * 2019-05-13 2022-02-08 上海东软医疗科技有限公司 一种基于神经网络的平面回波成像方法和装置
GB2586119B (en) * 2019-06-26 2022-04-06 Cerebriu As An improved medical scan protocol for in-scanner patient data acquisition analysis
US11798159B2 (en) * 2019-09-20 2023-10-24 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for radiology image classification from noisy images
CN110910465B (zh) 2019-11-21 2023-12-26 上海联影医疗科技股份有限公司 一种运动伪影校正方法和系统
US11887298B2 (en) * 2020-01-07 2024-01-30 Rensselaer Polytechnic Institute Fluorescence lifetime imaging using deep learning
US20210290170A1 (en) * 2020-03-20 2021-09-23 Hi Llc Detection of Motion Artifacts in Signals Output by Detectors of a Wearable Optical Measurement System
US20220013231A1 (en) * 2020-07-13 2022-01-13 Corsmed Ab Method for ai applications in mri simulation
CN112649773B (zh) * 2020-12-22 2023-05-26 上海联影医疗科技股份有限公司 磁共振扫描方法、装置、设备及存储介质
WO2022198655A1 (zh) * 2021-03-23 2022-09-29 中国科学院深圳先进技术研究院 磁共振氧十七代谢成像方法、装置、存储介质及终端设备
US20220365242A1 (en) * 2021-05-07 2022-11-17 Halliburton Energy Services, Inc. Correction of nuclear magnetic resonance data in high vibration environments
CN115670424A (zh) * 2021-07-28 2023-02-03 通用电气精准医疗有限责任公司 磁共振成像系统及方法、计算机可读存储介质
CN114111942B (zh) * 2021-11-25 2024-07-16 宁夏隆基宁光仪表股份有限公司 基于无磁采样的无磁智能水表计量方法、系统和计量设备
CN116563549B (zh) * 2023-05-16 2023-12-15 中国人民解放军国防科技大学 基于粗粒度弱标注的磁共振图像心脏分割方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004003882A1 (de) * 2004-01-26 2005-08-18 Siemens Ag Verfahren zur Erzeugung von tomographischen Schnittbildern eines sich periodisch bewegenden Objektes mit einer Fokus-Detektor-Kombination
CN103020928A (zh) * 2012-11-21 2013-04-03 深圳先进技术研究院 锥束ct系统的金属伪影校正方法
WO2014160701A2 (en) * 2013-03-27 2014-10-02 Duke University Mri with repeated k-t -sub-sampling and artifact minimization allowing for free breathing abdominal mri
CN105263407A (zh) * 2013-04-02 2016-01-20 皇家飞利浦有限公司 使用磁共振成像的对骨组织的探测
CN105528771A (zh) * 2016-01-19 2016-04-27 南京邮电大学 一种使用能量函数方法的锥束ct中杯状伪影的校正方法
CN107209241A (zh) * 2015-02-06 2017-09-26 皇家飞利浦有限公司 磁共振图像的自动分组

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9788761B2 (en) * 2014-02-27 2017-10-17 Toshiba Medical Systems Corporation Motion correction for magnetic resonance angiography (MRA) with 3D radial acquisitions
US20170365047A1 (en) 2016-06-15 2017-12-21 General Electric Company Artifact management in imaging
US10043088B2 (en) 2016-06-23 2018-08-07 Siemens Healthcare Gmbh Image quality score using a deep generative machine-learning model
EP3477583A1 (en) 2017-10-31 2019-05-01 Koninklijke Philips N.V. Deep-learning based processing of motion artifacts in magnetic resonance imaging data

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004003882A1 (de) * 2004-01-26 2005-08-18 Siemens Ag Verfahren zur Erzeugung von tomographischen Schnittbildern eines sich periodisch bewegenden Objektes mit einer Fokus-Detektor-Kombination
CN103020928A (zh) * 2012-11-21 2013-04-03 深圳先进技术研究院 锥束ct系统的金属伪影校正方法
WO2014160701A2 (en) * 2013-03-27 2014-10-02 Duke University Mri with repeated k-t -sub-sampling and artifact minimization allowing for free breathing abdominal mri
CN105263407A (zh) * 2013-04-02 2016-01-20 皇家飞利浦有限公司 使用磁共振成像的对骨组织的探测
CN107209241A (zh) * 2015-02-06 2017-09-26 皇家飞利浦有限公司 磁共振图像的自动分组
CN105528771A (zh) * 2016-01-19 2016-04-27 南京邮电大学 一种使用能量函数方法的锥束ct中杯状伪影的校正方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
64层螺旋CT冠状动脉成像图像质量及伪影分析;张卫国;郭亮;付引弟;胡春洪;杨振贤;高亚枫;滕金宝;徐正昌;顾云斌;;中国现代药物应用;20080225(第04期);正文全文 *
KUSTNER THOMAS ET AL.Automated reference-free detection of motionartifacts in magnetic resonance image.《MAGNETIC RESONANCE MATERIALS IN PHYSICS,BIOLOGY AND MEDICINE,SPRINGER》.2017,正文全文. *
MEDING KRISTOF et al.Automatic detection of motion artifacts in MR images using CNNS.《2017 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS,SPEECH AND SIGNAL PROCESSING(ICASSP)》.2017,正文全文. *
多发硬化MRI减影伪影的初步研究;段阳;杨本强;范国光;郭启勇;吴振华;;中国医学影像学杂志(第01期);正文全文 *

Also Published As

Publication number Publication date
EP3704667B1 (en) 2021-05-26
WO2019086337A1 (en) 2019-05-09
US20210177296A1 (en) 2021-06-17
US11633123B2 (en) 2023-04-25
CN111542853A (zh) 2020-08-14
EP3704667A1 (en) 2020-09-09

Similar Documents

Publication Publication Date Title
CN111542853B (zh) 数据采集期间的运动伪影预测
CN111295687B (zh) 对磁共振成像数据中的运动伪影的基于深度学习的处理
CN111356930B (zh) 用于定位预定义的解剖结构的解剖界标的方法和系统
US10467495B2 (en) Method and system for landmark detection in medical images using deep neural networks
CN104603630B (zh) 具有基于导航器的运动检测的磁共振成像系统
CN111989710A (zh) 医学成像中的自动切片选择
US11333732B2 (en) Automatic artifact detection and pulse sequence modification in magnetic resonance imaging
US11933870B2 (en) Contrast and/or system independent motion detection for magnetic resonance imaging
US20230394652A1 (en) Sequential out of distribution detection for medical imaging
CN113892149A (zh) 用于运动伪影检测的方法
EP3564962A1 (en) Motion artifact prediction during data acquisition
US20220183637A1 (en) Method for determining an adaptation of an imaging examination
KR102516868B1 (ko) 파킨슨 병 검출을 위한 3d 컨볼루셔널 뉴럴 네트워크
EP4231036A1 (en) Detection of artifical structures in magentic resonance images due to neural networks
US20240355094A1 (en) Saliency maps for medical imaging
US20230186464A1 (en) Machine learning based detection of motion corrupted magnetic resonance imaging
CN117859155A (zh) 用于医学成像的显著性图

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