CN111580032B - 用于去除磁共振成像中峰值噪声的方法和系统 - Google Patents

用于去除磁共振成像中峰值噪声的方法和系统 Download PDF

Info

Publication number
CN111580032B
CN111580032B CN202010095254.1A CN202010095254A CN111580032B CN 111580032 B CN111580032 B CN 111580032B CN 202010095254 A CN202010095254 A CN 202010095254A CN 111580032 B CN111580032 B CN 111580032B
Authority
CN
China
Prior art keywords
space
space dataset
dataset
peak noise
magnetic resonance
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
CN202010095254.1A
Other languages
English (en)
Other versions
CN111580032A (zh
Inventor
吴丹
李石羽
戴擎宇
王坤
么佳斌
赖永传
克里斯托弗·哈代
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.)
GE Precision Healthcare LLC
Original Assignee
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN111580032A publication Critical patent/CN111580032A/zh
Application granted granted Critical
Publication of CN111580032B publication Critical patent/CN111580032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of 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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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
    • G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
    • G01R33/38—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field
    • G01R33/385—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field using gradient magnetic field coils
    • G01R33/3854—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field using gradient magnetic field coils means for active and/or passive vibration damping or acoustical noise suppression in gradient magnet coil systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • 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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • 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
    • G06T2207/20081—Training; Learning
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Neurology (AREA)
  • Evolutionary Computation (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明题为“用于去除磁共振成像中峰值噪声的方法和系统”。本公开提供了用于在磁共振成像中去除k空间数据中的峰值噪声的各种方法和系统。具体地讲，在获取k空间数据集之后，基于所获取的k空间数据集经由受过训练的深度学习网络生成包括构成所述k空间数据集中的峰值噪声的一组数据点的掩码。所述掩码对应于所述峰值噪声在所获取的k空间数据集中的位置。可显示基于所获取的k空间数据和所述掩码而重建的图像。

Description

用于去除磁共振成像中峰值噪声的方法和系统
技术领域
本文所公开的主题的实施方案涉及磁共振成像，并且更具体地讲，涉及去除磁共振成像中的峰值噪声。
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。峰值噪声指的是k空间中的急剧、局部和错误的变化，其可在MR图像中引起严重的伪影。峰值噪声的问题通常难以完全解决，因为峰值噪声可能根源于多个源。例如，峰值噪声可能是由于硬件损坏，包括电缆断裂、在小的印刷电路板(PCB)接合处的虚焊等。常规的故障排除方法(包括电缆重新引导、子系统部件更换)需要长的待机时间，并且可能导致操作延迟和高服务成本。通常期望用于减少由峰值噪声引起的伪像的改进方法。
发明内容
在一个实施方案中，一种用于磁共振成像(MRI)的方法，包括：获取k空间数据集；通过受过训练的深度学习网络来识别构成k空间数据集中的峰值噪声的数据点；通过从k空间数据集中去除峰值噪声来更新k空间数据集；以及通过使用更新的k空间数据集来重建磁共振图像。以此方式，可从重建的图像中去除峰值噪声。
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MRI系统的框图。
图2示出了具有峰值噪声的示例性k空间数据集。
图3A是根据示例性实施方案的用于去除峰值噪声的方法的流程图。
图3B是根据示例性实施方案的用于基于请求去除峰值噪声的方法的流程图。
图4是根据示例性实施方案的用于训练深度学习网络的方法的流程图。
图5示出了根据示例性实施方案的在图4中使用的深度学习网络的结构。
图6A示出了具有峰值噪声的示例性k空间数据集。
图6B示出了从图6A的k空间数据集重建的MRI图像。
图6C示出了图6A的去除了峰值噪声的k空间数据集。
图6D示出了从图6C的无噪声k空间数据集重建的MRI图像。
图7A示出了具有峰值噪声的另一示例性k空间数据集。
图7B示出了从图7A的k空间数据集重建的MRI图像。
图7C示出了图7A的去除了峰值噪声的k空间数据集。
图7D示出了从图7C的无噪声k空间数据集重建的MRI图像。
具体实施方式
以下描述涉及用于从磁共振成像(MRI)期间获取的k空间数据集中去除峰值噪声的各种实施方案。k-空间数据集可通过成像装置(诸如图1所示的成像装置)来获取。在成像期间，峰值噪声(例如，急剧和局部变化)可能出现在获取的k空间数据中，如图2的k空间数据中所示。由于诸如电缆断裂和小的PCB虚焊接的硬件损坏，可能引入峰值噪声。可通过固定成像装置的硬件来去除峰值噪声，这可能是昂贵且耗时的。在某些条件下，可经由基于软件的方法暂时去除峰值噪声，而不改变硬件。图3A至图3B示出了用于在MRI扫描期间去除k空间数据中的峰值噪声的基于软件的示例性方法。具体地讲，所获取的k空间数据由受过训练的深度学习网络处理，该深度学习网络生成示出峰值噪声的一个或多个位置的掩码。然后基于该掩码从k空间数据中去除峰值噪声，并且在图像空间中重建图像。在一个示例中，在图像重建之前，可总是在每个k-空间数据集获取之后进行峰值噪声去除。又如，可在获取k空间数据集之后的图像重建之后基于针对峰值噪声去除的请求来进行峰值噪声去除。此外，如果峰值噪声不能被基于软件的方法有效地去除，则图3A至图3B的方法可指示硬件故障。图4示出了用于训练深度学习网络的示例性方法。图5示出了根据示例性实施方案的深度学习网络的结构。图6A至图6D和图7A至图7D示出了在根据图3A或图3B的方法去除峰值噪声之前和之后的示例性k空间数据集和对应的MRI图像。
图1示出了磁共振成像(MRI)装置10，其包括扫描仪100、数据获取单元24、控制器单元25、数据处理单元31、操作控制台单元32和显示单元33。扫描仪100可包括静磁场磁体单元12、梯度线圈单元13(本文也称为梯度线圈组件)、RF线圈单元14(本文也称为RF线圈组件)、患者台或床26、RF体或体积线圈单元15、发射/接收(T/R)开关20、RF驱动器单元22和梯度线圈驱动器单元23。在一些实施方案中，RF线圈单元14是表面线圈，其是通常被放置在对象16感兴趣的解剖结构附近的局部线圈。此处，RF体线圈单元15是传输RF信号的传输线圈，并且局部表面RF线圈单元14接收MR信号。因此，传输体线圈(例如，RF体线圈单元15)和表面接收线圈(例如，RF线圈单元14)是独立但电磁耦合的部件。MRI装置10将电磁脉冲信号传输到放置在成像空间18中的对象16，其中形成静态磁场以执行扫描来从对象16获得磁共振信号。可基于由此通过扫描获得的磁共振信号来重建对象16的一个或多个图像。
静磁场磁体单元12包括例如安装在环形真空容器内的环形超导磁体。磁体限定了围绕对象16的圆柱形空间，并且生成恒定的主静磁场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沿彼此垂直的三个空间轴线中的一者的梯度磁场，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。
RF线圈单元14被设置为例如包围对象16的待成像区域。在一些示例中，RF线圈单元14可被称为表面线圈或接收线圈。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，RF线圈单元15基于来自控制器单元25的控制信号将作为电磁波的RF脉冲传输到对象16，并且从而生成高频磁场B1。这激发了待成像的对象16的切片中的质子自旋。RF线圈单元14接收当在对象16的待成像的切片中由此激发的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磁共振信号。在一些实施方案中，RF线圈单元14可传输RF脉冲并接收MR信号。在其他实施方案中，RF线圈单元14可仅用于接收MR信号，而不用于传输RF脉冲。
RF体线圈单元15被设置为例如包围成像空间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磁场脉冲以激发核。与RF线圈单元14相比，其可以与MRI装置10断开并且用另一个RF线圈单元替换，RF体线圈单元15固定地附接并连接到MRI装置10。此外，尽管局部线圈诸如RF线圈单元14可以仅从对象16的局部区域传输或接收信号，但是RF体线圈单元15通常具有更大的覆盖区域。例如，RF体线圈单元15可用于向对象16的全身传输或接收信号。使用仅接收的局部线圈和传输体线圈提供均匀的RF激发和良好的图像均匀性，代价是沉积在对象中的高RF功率。对于传输-接收局部线圈，局部线圈向感兴趣区域提供RF激发并接收MR信号，从而减少沉积在对象中的RF功率。应当理解，RF线圈单元14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RF线圈单元14以接收模式操作时，T/R开关20可以选择性地将RF线圈单元14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线圈单元14电连接到RF驱动器单元22。当RF线圈单元14和RF体线圈单元15都用于单次扫描时，例如，如果RF线圈单元14被配置为接收MR信号并且RF体线圈单元15被配置为传输RF信号，则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，同时将接收的MR信号从RF线圈单元14引导到数据获取单元24。RF体线圈单元15的线圈可以被配置为以仅传输模式或传输-接收模式操作。局部RF线圈单元14的线圈可以被配置为以传输-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(例如，RF线圈单元15)并在成像空间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线圈单元15。
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)和用于获取由RF线圈单元14接收的磁共振信号的模拟/数字转换器(未示出)。在数据获取单元24中，相位检测器相位将来自RF驱动器单元22的RF振荡器的输出用作参考信号来检测从RF线圈单元14接收并由前置放大器放大的磁共振信号，并将相位检测的模拟磁共振信号输出到模拟/数字转换器，以转换成数字信号。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。
控制器单元25可包括计算机51和在其上记录有要由计算机执行的程序的计算机可读记录介质52。在一些实施方案中，程序可作为指令被保存在非暂态存储器中。程序在被计算机执行时可使装置的各个部分进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，诸如触摸屏、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可包括计算机41和在其上记录有要由计算机执行以执行预定数据处理的程序计算机可读记录介质42。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的二维(2D)切片图像或三维(3D)图像。
图2示出了具有峰值噪声的示例性k空间数据集200。k空间数据集可以是二维的或三维的。k空间数据集的每个数据点可以是复数值。在图2中，每个数据点的量值(即复数值的绝对值)以灰度显示。x轴是频率编码方向Kx，并且y轴是相位编码方向KY。图2示出了不完整的k空间数据集，其中k空间的中心(即，Ky＝0且Kx＝0)不在数据集的中心。可基于不完整的k空间数据集200来获得完整的k空间数据集(即，k空间的中心在k空间数据集的中心)。例如，缺失数据点(即，在k空间数据集中未获取的数据点)的值可基于相对于k空间中心与缺失数据点对称的数据点来填充。可基于完整的k空间来生成MRI图像。
峰值噪声(201、202和203)存在于k空间数据集200中。如果峰值远离k空间中心，诸如峰值201，则可容易地识别和去除该峰值。然而，如果峰值靠近k空间中心，诸如峰值202和203，则其可能难以被识别和去除。由于从图像对象生成的强MRI信号可能位于k空间中心附近，因此峰值可能与k空间中的MRI信号重叠，并且难以与MRI信号区分开。
图3A示出了用于减少诸如图1的MRI成像装置10的MRI成像装置的峰值噪声的方法300。具体地讲，响应于每个所获取的k空间数据集中峰值噪声的存在，方法300使用受过训练的深度学习网络基于构成从所获取的k空间数据生成的k空间数据集中的峰值噪声的数据点(本文也称为掩码)来减少/去除噪声。掩码示出了所获取的k空间数据中峰值的位置。用于执行方法300和本文所包括的其余方法的指令可保存在MRI成像装置的存储器(图1的介质52和42)中，并由MRI装置的控制器执行。在302处，响应于操作者的指令，控制器单元可移动检查床(诸如图1的检查床26)以将对象(诸如患者)定位在MRI成像装置的成像空间(诸如图1的成像空间18)中。在一些实施方案中，操作者的指令可由操作控制台单元(诸如图1的操作控制台单元32)接收，并且经由数据处理单元(诸如图1的数据处理单元31)发送到控制器(诸如图1的控制器25)。
在304处，在控制器处接收关于患者信息和成像协议的操作者输入。特别地，操作者可以基于要扫描的解剖结构选择协议。成像协议可包括感兴趣区域(ROI)和视场(FOV)和k空间采样序列以及其他参数。在一些实施方案中，操作者的输入可由操作控制台单元(诸如图1的操作控制台单元32)接收，并且经由数据处理单元(诸如图1的数据处理单元31)发送到控制器(诸如图1的控制器25)。
在308处，根据在304处确定的成像协议来扫描图像对象，并且获取与图像对象的横截面对应的k空间数据集。可基于保存在控制器介质中的程序来执行扫描。所获取的k空间数据集可以是二维的，并且对应于图像的切片或帧。k空间数据集的每个数据点可以是复数值。应当理解，虽然以二维k空间数据集作为示例进行说明，但本文的公开内容适用于具有适当调整的三维k空间数据集。
在一些实施方案中，所获取的k空间数据集可以是不完整的(诸如图2的k空间数据集)，并且不覆盖整个k空间。所获取的k空间数据集可被发送到数据处理单元(诸如图1的数据处理单元31)以用于随后的噪声去除和重建。
在310处，使用受过训练的深度学习网络生成与所获取的k空间数据集中的峰值的位置对应的掩码(数据点)。在一些实施方案中，所获取的k空间数据集在被深度学习网络处理之前被归一化。归一化和掩码生成可根据保存在数据处理单元的介质中的指令在数据处理单元中执行。步骤310还可包括：如果所获取的k空间数据集不完整，则基于所获取的k空间数据集来生成完整的k空间数据集。
在一些实施方案中，可基于受过训练的深度学习网络的需求通过调整所获取的k空间数据集的大小来对所获取的k空间数据集进行归一化。例如，如果受过训练的深度学习网络要求输入数据集为512×512个数据点，则可将所获取的k空间数据集的大小(诸如经由内插或下采样)调整为512×512个数据点。在其他实施方案中，如果所获取的k空间数据集的维度与受过训练的深度学习网络所需的维度相同，则所获取的k空间数据集在被输入到受过训练的深度学习网络之前可不被归一化。
在一些实施方案中，受过训练的深度学习网络可将经归一化或所获取的k空间数据集作为输入，并且输出具有与输入数据集相同维度的掩码。例如，可将数据集中所获取的k空间值的量值输入到受过训练的深度学习网络，以生成指示噪声在输入数据集中的位置的掩码。掩码可包括数字零(0)和一(1)，其中零值指示数据点是噪声，并且一值指示数据点不是噪声。在一示例中，如果掩码的所有像素都具有值一，则在输入数据集中没有检测到噪声。关于深度学习网络的配置以及使用受过训练的深度学习网络生成掩码的细节在图5中示出。
在312处，确定在k空间数据中峰值噪声的存在。在一些实施方案中，可基于在310处生成的掩码来确定峰值噪声的存在。在一个示例中，如果掩码包括零值数据点，则确定k空间数据集包括峰值噪声。又如，如果掩码不包括零值数据点，则确定k空间数据集不含峰值噪声。
如果k空间数据集包括峰值噪声(即在312处为“是”)，则在314处确定噪声的面积。否则，如果k空间数据集没有峰值噪声(即在312处为“否”)，则在320处基于所获取的k空间数据重建图像。
在314处，计算噪声面积并将其与阈值面积进行比较。计算噪声面积可包括识别单个峰值并计算每个单个峰值的面积。在一些实施方案中，如果掩码中的噪声区域(例如，零值的区域)被具有值一的数据点包围，则可识别k空间数据集中的单个峰值。在一些实施方案中，每个单个峰值的轮廓可在掩码中描绘。
在一些实施方案中，如果单个峰值面积中的任一者大于阈值面积，则在316处通知硬件故障。由于不同的硬件配置，可针对不同的系统对阈值面积进行不同的设置。在其他实施方案中，将最大单个峰值面积与阈值面积进行比较。如果最大面积大于阈值面积，则在316处通知硬件故障。如果单个峰值面积中没有一个大于阈值面积，则方法前进至318，在此处去除峰值噪声。
另选地，在一些实施方案中，可比较不同帧(或切片)中的峰值的位置。在一个示例中，不同帧是在不同时间点获取的k空间数据集。又如，可随着时间的推移连续地获取不同的帧。在一些实施方案中，峰值的位置可被定义为零值区域的中心的坐标。如果零值区域的位置没有改变，则可在316处通知硬件故障。否则，如果噪声区域的位置改变，则方法前进至318。以此方式，可响应于在k空间数据集中的相同位置持续出现的峰值噪声来通知硬件故障。
在316处，通知硬件故障。在一些实施方案中，可经由显示单元显示硬件故障以通知操作者。在一些实施方案中，可打开MRI装置中的指示器(诸如灯)。在一些实施方案中，硬件故障通知可存储在控制器中。可响应于硬件故障通知来修复系统硬件。
在一些实施方案中，该方法不包括操作314和316。
在318处，基于由受过训练的深度学习网络在310处生成的掩码来去除k空间数据集中的峰值噪声。在一个实施方案中，与掩码中的零值区域对应的k空间数据点可被设定为零值。例如，可通过逐像素地将k空间数据与掩码相乘来减少/去除峰值噪声。在另一个实施方案中，与掩码中的零值区域对应的k空间数据点可被设定为它们的共轭对称k空间数据点的共轭转置。例如，k空间数据点的坐标为(x，y)。其共轭对称k空间数据点的坐标为(-x，-y)。如果共轭对称k空间数据点存在(即在308处获取坐标(-x，-y)处的k空间数据)，并且不在峰值区域中(即掩码中坐标(-x，-y)处的像素为非零)，则可用共轭对称k空间数据点的值的共轭转置来替换k空间数据点的值。
在320处，可从k空间数据集重建MRI图像。从k空间数据集重建图像可包括将k空间数据集傅立叶变换成图像空间。
在322处，可经由显示单元显示重建的MRI图像。此外，可将重建的MRI图像保存在成像装置的存储器中。
在324处，如果扫描完成，则方法300结束。否则，可获取另一k空间数据集。在一个示例中，可移动检查床以扫描图像对象的另一横截面。
以此方式，可在将k空间数据集重建到图像中之前，从所获取的k空间数据集中识别和减少/去除峰值噪声。峰值的位置可用受过训练的深度学习网络来确定。此外，在一些实施方案中，可基于峰值噪声的面积来通知硬件故障。
图3B示出了基于减少峰值噪声的要求用于减少诸如图1的MRI成像装置10的MRI成像装置的峰值噪声的方法350。具体地讲，响应于去除重建图像中的峰值噪声的请求，方法350使用经过训练的深度学习网络基于构成从所获取的k空间数据生成的k空间数据集中的峰值噪声的数据点(本文也称为掩码)，在线/离线地减少/去除噪声。
在352处，响应于操作者的指令，控制器单元可移动MRI成像装置的检查床(诸如图1的检查床26)以将对象(诸如患者)定位在该装置的成像空间(诸如图1的成像空间18)中。在一些实施方案中，操作者的指令可由操作控制台单元(诸如图1的操作控制台单元32)接收，并且经由数据处理单元(诸如图1的数据处理单元31)发送到控制器(诸如图1的控制器25)。
在354处，在控制器处接收关于患者信息和成像协议的操作者输入。特别地，操作者可以基于要扫描的解剖结构选择协议。成像协议可包括感兴趣区域(ROI)和视场(FOV)和k空间采样序列以及其他参数。在一些实施方案中，操作者的输入可由操作控制台单元(诸如图1的操作控制台单元32)接收，并且经由数据处理单元(诸如图1的数据处理单元31)发送到控制器(诸如图1的控制器25)。
在356处，通过根据在354处确定的成像协议扫描图像对象来获取与图像对象的横截面对应的k空间数据集。可基于保存在控制器介质中的程序来执行扫描。所获取的k空间数据集可以是二维的，并且对应于图像的切片或帧。k空间数据集的每个数据点可以是复数值。应当理解，虽然以二维k空间数据集作为示例进行说明，但本文的公开内容适用于具有适当调整的三维k空间数据集。
在一些实施方案中，所获取的k空间数据集可以是不完整的(诸如图2的k空间数据集)，并且不覆盖整个k空间。所获取的k空间数据集可被发送到数据处理单元(诸如图1的数据处理单元31)以用于随后的噪声去除和重建。
在358处，可基于k空间数据集重建MRI图像。基于k空间数据集重建图像可包括将k空间数据集傅立叶变换成图像空间。在360处，可经由显示单元显示重建的MRI图像。
在362处，可提出从重建和显示的图像中去除峰值噪声的建议。该建议可被显示在显示单元上和/或由操作者传达给顾客(诸如被扫描的患者)。在一个示例中，可由控制器单元基于k空间数据集或重建的图像(像素)来提出建议。为了估计峰值噪声，控制单元可确定在k空间数据集或重建的图像中存在急剧和局部的变化。数据处理单元可定量地估计k空间数据集或重建的图像中的峰值噪声的数量(或密度/分布)，并将该数量(或密度/分布)与阈值进行比较。如果k空间数据集或重建的图像中的峰值噪声的数量(或密度/分布)高于阈值，则可将从所显示的图像中去除噪声的建议传达给操作者和/或客户。又如，操作者可在视觉上分析所显示的图像，并且在观察图像中的一个或多个峰值噪声时，可建议从图像中去除峰值噪声。步骤362是任选的步骤，并且可在进行方法350时省略。
在364处，该例程包括确定是否提交了峰值噪声校正的请求。可由操作者通过单击按钮或经由装置的用户界面上的触摸屏来提出请求。在一个示例中，可响应于在步骤360中去除峰值噪声的建议来提出请求。又如，可响应于客户建议减少/去除所显示图像的噪声来提出请求。客户在显示单元上看到图像后，可能会注意到一个或多个峰值噪声，并且可能坚持要去除噪声。
如果接收到去除峰值的请求，则在366处，使用受过训练的深度学习网络来生成与所获取的k空间数据集中的峰值的位置对应的掩码(数据点)。在一些实施方案中，所获取的k空间数据集在被深度学习网络处理之前被归一化。归一化和掩码生成可根据保存在数据处理单元的介质中的指令在数据处理单元中执行。在图3A的步骤310中详细阐述了k空间数据集的归一化和掩码的生成，并且不再重复。
在368处，计算噪声面积并将其与阈值面积进行比较。计算噪声面积可包括识别单个峰值并计算每个单个峰值的面积。在一些实施方案中，如果掩码中的噪声区域(例如，零值的区域)被具有值一的数据点包围，则可识别k空间数据集中的单个峰值。在一些实施方案中，每个单个峰值的轮廓可在掩码中描绘。
在一些实施方案中，如果单个峰值面积中的任一者大于阈值面积，则在370处通知硬件故障。由于不同的硬件配置，可针对不同的系统对阈值面积进行不同的设置。在其他实施方案中，将最大单个峰值面积与阈值面积进行比较。如果最大面积大于阈值面积，则在370处通知硬件故障。如果单个峰值面积中没有一个大于阈值面积，则方法前进至372，在此处去除/减少峰值噪声。
另选地，在一些实施方案中，可比较不同帧(或切片)中的峰值的位置。在一个示例中，不同帧是在不同时间点获取的k空间数据集。又如，可随着时间的推移连续地获取不同的帧。在一些实施方案中，峰值的位置可被定义为零值区域的中心的坐标。如果零值区域的位置没有改变，则可在370处通知硬件故障。否则，如果噪声区域的位置改变，则方法前进至372。以此方式，可响应于在k空间数据集中的相同位置持续出现的峰值噪声来通知硬件故障。
在370处，通知硬件故障。在一些实施方案中，可经由显示单元显示硬件故障以通知操作者。在一些实施方案中，可打开MRI装置中的指示器(诸如灯)。在一些实施方案中，硬件故障通知可存储在控制器中。可响应于硬件故障通知来修复系统硬件。
在一些实施方案中，该方法不包括操作368和370。
在372处，基于由受过训练的深度学习网络在366处生成的掩码来去除k空间数据集中的峰值噪声。在从步骤356处获取的k空间数据集(原始)中去除峰值噪声之后，可获得更新的k空间数据集。在图3A的步骤318中详细阐述了基于掩码去除k空间数据集中的峰值噪声的方法，并且不再重复。
在374处，可经由显示单元显示新的重建的MRI图像。此外，可将重建的MRI图像保存在成像装置的存储器中。可从更新的k空间数据集重建新的MRI图像。从更新的k空间数据集重建图像可包括将更新的k空间数据集傅立叶变换成图像空间。
在一个示例中，步骤366至374可离线地而不是在成像装置的数据处理单元(诸如图1的数据处理单元31)处进行。控制器单元(诸如图1中的控制器单元25)可经由无线或有线连接将数字信号发送到远程(离线)处理单元(诸如边缘设备或云)，并且数据处理可在远程处理单元中进行。以此方式，通过将数据处理外包给远程单元，可不用尽装置的数据处理单元的计算能力，从而提高了机载数据处理单元的操作速度。
如果在步骤364处确定尚未提出对峰值噪声校正的请求，则该例程直接前进至步骤376。在376处，如果扫描完成，则方法350结束。否则，可获取另一k空间数据集。在一个示例中，可移动检查床以扫描图像对象的另一横截面。
以此方式，可基于去除任何峰值噪声的请求，从所获取的k空间数据集中识别并减少/去除峰值噪声。
图4示出了用于训练深度学习网络的示例性方法。具体地讲，深度学习网络可用多个k空间数据集进行训练，其中k空间数据集中的峰值噪声的位置被标记。在训练期间，调整深度学习网络的参数(例如权重和偏差)以最小化代价函数。当代价函数低于阈值水平时，深度学习网络可被投入使用。
在402处，准备多个k空间数据集。所准备的k空间数据集中的一者或多者包括峰值噪声。在一些实施方案中，k空间数据集可从一个或多个MRI装置获取。k空间数据集可使用相同的k空间采样序列(诸如FSE或GRE采样序列)来获取。在一些实施方案中，k空间数据集中的一者或多者可从成像体模获取。在一些实施方案中，一个或多个k空间数据集可从诸如患者的图像对象获取。
在404处，k空间数据集的大小可任选地被归一化。在一些实施方案中，归一化k空间数据集可包括调整k空间数据集的大小。例如，可将k空间数据集的大小(诸如经由内插或下采样)调整为512×512个数据点。
在406处，标记k空间数据集中的峰值中的每一者。在一些实施方案中，标记所准备的k空间数据集中的峰值。在其他实施方案中，标记经归一化的k空间数据集中的峰值。
在一些实施方案中，可手动识别k空间数据集中的峰值。可生成指示所识别的峰值的位置的训练掩码。例如，训练掩码可具有与输入到深度学习网络的k空间数据集相同的维度。训练掩码在所识别的峰值位置处的像素被设定为零。训练掩码的其余像素被设定为一。
在408处，可将来自402或404的k空间数据集和对应的标记的峰值(诸如训练掩码)输入到深度学习网络中。可调整深度学习模型的参数以最小化代价函数。在一个示例中，代价函数为加权交叉熵损失的形式。
在410处，受过训练的深度学习模型的参数被保存在例如存储器中。在一些实施方案中，当代价函数的值低于预先确定的阈值时，受过训练的深度学习模型可被投入使用。
以此方式，基于多个k空间数据集和多个k空间数据集中的标记的峰值来生成受过训练的深度学习网络。在一些实施方案中，针对特定的k空间采样序列生成不同的受过训练的深度学习网络。
图5示出了深度学习网络500的示例性结构。在一个示例中，深度学习网络可以是深度神经网络，例如残差神经网络。深度学习网络可包括ResNet网络、VGG和Alexnet。受过训练的深度学习网络可接收k空间数据集并输出显示峰值噪声位置的对应掩码。在一些实施方案中，输入的k空间数据集可以是所获取的k空间数据集的量值。例如，输入的k空间数据集可以是由所获取的k空间数据集的量值形成的灰度图像501。在一些实施方案中，输出掩码502的像素包括值一和零。例如，掩码502中的零值像素(颜色编码为白色)指示对应的k空间数据点是噪声。掩码502中的像素值一(颜色编码为黑色)指示对应的k空间数据点不是噪声。
深度学习网络可以是卷积编码器-解码器网络。网络的编码器部分可包括多个向下层503。向下层中的每一者包括不同比例的输入数据的特征。向下层中的每一者可包括一个或多个卷积层、归一化层和整流线性单元(ReLU)层。向下层中的每一者还可包括用于对数据进行下采样的池化层。例如，经由池化层，数据的大小可减少4倍。网络的解码器部分可包括基于来自向下层的下采样数据和池化层的指数而上采样的多个向上层。向上层中的每一者可包括一个或多个卷积层、归一化层和整流线性单元(ReLU)层。向上层中的每一者还可包括使标测图致密化的上采样层。例如，上采样层可将数据集增加4倍。在一些实施方案中，向下层的数量与向上层的数量相同。例如，向下层和向上层的数量可分别超过100。在一个示例中，向下层和向上层的数量分别为152。
通过用k空间数据集和标记的峰值来训练神经网络，可确定神经网络的参数。神经网络的参数可包括用于卷积层、归一化层和整流线性单元中的每一者的滤波器的参数。神经网络的参数还可包括池化层的池化指数。
图6A至图6D示出了从大脑获取的k空间数据集的示例性图像和对应的重建MRI图像。图6A示出了具有峰值噪声(例如由箭头突出显示)的所获取的k空间数据集。图6C示出了通过受过训练的深度学习网络去除了峰值噪声的k空间数据集。通过使用图3A的方法300来去除峰值噪声。受过训练的深度学习网络是152层的ResNet网络。根据图4所示的方法400训练深度学习网络。在图6C中不存在峰值噪声(诸如由图6A中的箭头所指的峰值)。分别基于图6A和图6C的k空间数据集重建图6B和图6D。与图6B相比，图6C的信噪比得到改善，并且伪影得到减少。
图7A至图7D示出了大脑的k空间数据集的另一示例性图像和对应的重建MRI图像。图7A示出了具有峰值噪声(例如由箭头突出显示)的所获取的k空间数据集。图7C示出了通过受过训练的深度学习网络去除了峰值噪声的k空间数据集。基于图3A的方法300去除峰值噪声。受过训练的深度学习网络是152层的ResNet网络。根据图4所示的方法400训练深度学习网络。在图7C中不存在峰值噪声(诸如由图7A中的箭头所指的峰值噪声)。在图7C中仅去除了峰值噪声，而没有去除由图像对象生成的信号。分别基于图7A和图7C的k空间数据集重建图7B和图7D。与图7B相比，图7C信噪比得到改善。
在使用受过训练的深度学习网络重建图像之前去除k空间数据集中的峰值噪声的技术效果是，在执行扫描时可实时去除峰值噪声。确定峰值噪声的面积的技术效果是，可识别无法经由软件方法去除的峰值噪声。此外，可及时解决导致峰值噪声的硬件故障。使用受过训练的深度学习网络识别峰值噪声的技术效果是，可选择性地去除峰值噪声，而不会影响由图像对象生成的信号。
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 (17)

1.一种用于磁共振成像(MRI)的方法，包括：
获取k空间数据集；
通过受过训练的深度学习网络来识别构成所述k空间数据集中的峰值噪声的一组数据点；
通过从所述k空间数据集中去除所述峰值噪声来更新所述k空间数据集；
从所述更新的k空间数据集重建磁共振图像；以及
响应于所述峰值噪声的面积大于阈值面积而指示硬件故障；或者，在显示所述重建的磁共振图像之后获取另一k空间数据集，基于所述另一k空间数据集经由所述受过训练的深度学习网络生成构成所述另一k空间数据集中的峰值噪声的另一组数据点，并且响应于所述另一组数据点的位置与所述k空间数据集中的所述一组数据点的位置相同而指示硬件故障。
2.根据权利要求1所述的方法，其中针对获取所述k空间数据集的特定采样序列来训练所述深度学习网络，所述受过训练的深度学习网络是残差神经网络。
3.根据权利要求1所述的方法，还包括基于多个k空间数据集和所述多个k空间数据集中的标记的噪声位置生成所述受过训练的深度学习网络的参数。
4.根据权利要求1所述的方法，其中所述更新的k空间数据集是所述k空间数据集与掩码的乘积，所述掩码示出了构成所述k空间数据集中的峰值噪声的所述数据点的位置。
5.根据权利要求1所述的方法，其中，在接收到去除峰值噪声的请求之后，在所述峰值噪声的去除之后进行所述磁共振图像的重建。
6.根据权利要求5所述的方法，其中，所述请求响应于所述k空间数据集或所述重建的磁共振图像中高于阈值的峰值噪声。
7.一种磁共振成像(MRI)装置，包括：
梯度线圈组件；
射频(RF)线圈组件；以及
控制器，所述控制器联接到所述梯度线圈组件和所述RF线圈组件，并且被配置为：
经由所述梯度线圈组件和所述RF线圈组件获取k空间数据集；
使用受过训练的深度学习网络来识别构成所述k空间数据集中的峰值噪声的一组数据点；
通过从所获取的k空间数据集中去除所述峰值噪声来更新所述k空间数据集；
从所述更新的k空间数据集重建磁共振图像；以及
响应于所述峰值噪声的面积大于阈值面积而指示硬件故障；或者，响应于另一组数据点的位置与所述k空间数据集中的所述一组数据点的位置相同而指示硬件故障，所述另一组数据点是基于另一k空间数据集经由所述受过训练的深度学习网络生成的并构成所述另一k空间数据集中的峰值噪声，所述另一k空间数据集是在显示所述重建的磁共振图像之后获取的。
8.根据权利要求7所述的磁共振成像(MRI)装置，还包括存储所述受过训练的深度学习网络的存储器。
9.根据权利要求7所述的磁共振成像(MRI)装置，还包括显示单元，所述显示单元被配置为显示所述重建的磁共振图像。
10.根据权利要求7所述的磁共振成像(MRI)装置，其中在接收到去除峰值噪声的请求时生成所述重建的磁共振图像。
11.根据权利要求7所述的磁共振成像(MRI)装置，其中所述更新的k空间数据集是所获取的k空间数据集和掩码的乘积，所述掩码示出了构成所获取的k空间数据集中的峰值噪声的所述一组数据点的位置。
12.一种非暂态计算机可读介质，所述非暂态计算机可读介质包括指令，所述指令在被执行时使得处理器：
获取k空间数据集；
紧接在获取所述k空间数据集之后并且在显示基于所述k空间数据集重建的磁共振图像之前，经由受过训练的深度学习网络确定构成所述k空间数据集中的噪声的数据点的位置；
通过从所获取的k空间数据集中去除噪声来更新所述k空间数据集；
显示从所述更新的k空间数据集重建的磁共振图像；以及
在显示所述重建的磁共振图像之后获取另一k空间数据集，基于所述另一k空间数据集经由所述受过训练的深度学习网络生成构成所述另一k空间数据集中的峰值噪声的另一组数据点，并且响应于所述另一组数据点的位置与所述k空间数据集中的所述一组数据点的位置相同而指示硬件故障。
13.根据权利要求12所述的非暂态计算机可读介质，其中所述受过训练的深度学习网络是基于与所获取的k空间数据集不同的多个k空间数据集和所述多个k空间数据集中的标记的噪声位置来训练的，所述受过训练的深度学习网络是具有大于100的层数的卷积解码器-编码器网络。
14.根据权利要求12所述的非暂态计算机可读介质，还包括指令，所述指令在被执行时使得所述处理器在确定所述k空间数据集中的所述噪声的所述位置之前归一化所述k空间数据集。
15.根据权利要求12所述的非暂态计算机可读介质，其中从所获取的k空间数据集和构成噪声的所述数据点的所述位置来生成所述更新的k空间数据集。
16.根据权利要求12所述的非暂态计算机可读介质，其中，在接收到去除峰值噪声的请求时进行所述磁共振图像的所述重建，所述请求响应于所获取的k空间数据集中的高于阈值的峰值噪声而被接收。
17.根据权利要求12所述的非暂态计算机可读介质，其中，所述更新的k空间数据集是所获取的k空间数据集和掩码的乘积，所述掩码示出了构成所获取的k空间数据集中的峰值噪声的所述一组数据点的位置。
CN202010095254.1A 2019-02-15 2020-02-14 用于去除磁共振成像中峰值噪声的方法和系统 Active CN111580032B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/277,922 2019-02-15
US16/277,922 US10705170B1 (en) 2019-02-15 2019-02-15 Methods and systems for removing spike noise in magnetic resonance imaging

Publications (2)

Publication Number Publication Date
CN111580032A CN111580032A (zh) 2020-08-25
CN111580032B true CN111580032B (zh) 2022-10-25

Family

ID=71408426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010095254.1A Active CN111580032B (zh) 2019-02-15 2020-02-14 用于去除磁共振成像中峰值噪声的方法和系统

Country Status (2)

Country Link
US (1) US10705170B1 (zh)
CN (1) CN111580032B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3107326A1 (en) 2018-07-30 2020-02-06 Hyperfine Research, Inc. Deep learning techniques for magnetic resonance image reconstruction
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
CN112070700B (zh) * 2020-09-07 2024-03-29 深圳市凌云视迅科技有限责任公司 一种去除深度图像中突起干扰噪声的方法与装置
CN113376698B (zh) * 2021-06-23 2022-09-27 吉林大学 一种低漏检的地震数据尖峰噪声检测及压制方法
CN113484919B (zh) * 2021-06-30 2022-11-04 长江大学 基于卷积神经网络的磁异常反演方法、系统、终端及介质
EP4421513A1 (de) 2023-02-23 2024-08-28 Siemens Healthineers AG Computerimplementiertes verfahren zum betrieb einer magnetresonanzeinrichtung, computerprogramm, elektronisch lesbarer datenträger und recheneinrichtung

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015150151A (ja) * 2014-02-13 2015-08-24 株式会社東芝 磁気共鳴撮像装置
CN107533117A (zh) * 2015-04-30 2018-01-02 皇家飞利浦有限公司 用于具有rf噪声的磁共振成像的方法和装置
WO2018110558A1 (ja) * 2016-12-12 2018-06-21 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL9100138A (nl) * 1991-01-28 1992-08-17 Philips Nv Magnetische resonantie werkwijze en inrichting ter reductie van beeldfouten in een magnetisch resonantiebeeld.
DE19616390C2 (de) * 1996-04-24 2002-05-29 Siemens Ag Verfahren zur Identifikation von Spikes in MR-Signalen
US6008647A (en) * 1997-02-11 1999-12-28 General Electric Company Method for reducing Maxwell term artifacts in fast spin echo MR images
US6885762B2 (en) * 2000-02-07 2005-04-26 Trustees Of The University Of Pennsylvania Scale-based image filtering of magnetic resonance data
US6529000B2 (en) * 2000-12-29 2003-03-04 Ge Medical Systems Global Technology Company, Llc Method and system for processing magnetic resonance signals to remove transient spike noise
US8143890B2 (en) * 2008-05-27 2012-03-27 Trustees Of Columbia University In The City Of New York Spectral resolution enhancement of magnetic resonance spectroscopic imaging
DE102009015885B4 (de) * 2009-04-01 2011-06-16 Siemens Aktiengesellschaft Verfahren zur Detektion fehlerhafter MR-Daten und Magnetresonanzanlage
DE102010041587B4 (de) * 2010-09-29 2012-10-31 Siemens Aktiengesellschaft Unterdrückung und/oder Eliminierung von Störsignalen bei einer Magnetresonanzbildgebung mit einer eine ultrakurze Echozeit aufweisenden Bildgebungssequenz
US9324141B2 (en) * 2012-10-05 2016-04-26 Volcano Corporation Removal of A-scan streaking artifact
CN103150707A (zh) * 2013-01-10 2013-06-12 华东师范大学 一种消除磁共振图像中尖峰噪声的方法
US10317502B2 (en) * 2014-03-31 2019-06-11 Koninklijke Philips N.V. Magnetic resonance imaging with RF noise detection coils
US20150346305A1 (en) * 2014-05-28 2015-12-03 General Electric Company System and method for generating a magnetic resonance image
US11300646B2 (en) * 2014-11-10 2022-04-12 Canon Medical Systems Corporation Magnetic resonance imaging apparatus, image processing apparatus, and image processing method
KR101697872B1 (ko) * 2015-10-20 2017-01-18 한국과학기술원 자기 공명 영상에서의 고스트 아티팩트를 제거하는 방법 및 이를 위한 자기 공명 장치
JP6702691B2 (ja) * 2015-10-30 2020-06-03 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング及び医用画像処理装置
JP6571495B2 (ja) * 2015-11-06 2019-09-04 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置及び画像生成方法
CN106204475B (zh) * 2016-07-04 2019-01-29 西安交通大学 基于field map对fMRI中的几何畸变伪影进行校正的方法
CN106646637A (zh) * 2016-12-27 2017-05-10 吉林大学 一种去除核磁信号中尖峰噪声的方法
CN106875361B (zh) * 2017-02-17 2019-06-04 深圳市唯特视科技有限公司 一种基于深度卷积神经网络去除泊松噪声的方法
US10448915B2 (en) * 2017-06-27 2019-10-22 General Electric Company System and method for characterizing anatomical features
CN107644401A (zh) * 2017-08-11 2018-01-30 西安电子科技大学 基于深度神经网络的乘性噪声去除方法
CN107633486B (zh) * 2017-08-14 2021-04-02 成都大学 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN107507148B (zh) * 2017-08-30 2018-12-18 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法
EP3486675B1 (en) * 2017-11-21 2020-02-19 Siemens Healthcare GmbH Automatic failure detection in medical devices
CN108444954B (zh) * 2017-12-08 2020-09-11 广东顺德工业设计研究院(广东顺德创新设计研究院) 光谱信号峰值检测方法、装置以及系统
US11449759B2 (en) * 2018-01-03 2022-09-20 Siemens Heathcare Gmbh Medical imaging diffeomorphic registration based on machine learning
KR102606200B1 (ko) * 2018-03-06 2023-11-24 삼성전자주식회사 전자 장치 및 그 제어 방법
US10895622B2 (en) * 2018-03-13 2021-01-19 Siemens Healthcare Gmbh Noise suppression for wave-CAIPI
US20190320934A1 (en) * 2018-04-18 2019-10-24 Siemens Healthcare Gmbh Medical image acquisition with sequence prediction using deep learning
US10782378B2 (en) * 2018-05-16 2020-09-22 Siemens Healthcare Gmbh Deep learning reconstruction of free breathing perfusion
KR102215702B1 (ko) * 2018-06-04 2021-02-16 한국과학기술원 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치
CN109214992B (zh) * 2018-07-27 2022-04-05 中国科学院深圳先进技术研究院 Mri图像的伪影去除方法、装置、医疗设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015150151A (ja) * 2014-02-13 2015-08-24 株式会社東芝 磁気共鳴撮像装置
CN107533117A (zh) * 2015-04-30 2018-01-02 皇家飞利浦有限公司 用于具有rf噪声的磁共振成像的方法和装置
WO2018110558A1 (ja) * 2016-12-12 2018-06-21 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム

Also Published As

Publication number Publication date
CN111580032A (zh) 2020-08-25
US10705170B1 (en) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111580032B (zh) 用于去除磁共振成像中峰值噪声的方法和系统
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
US10635943B1 (en) Systems and methods for noise reduction in medical images with deep neural networks
US9482732B2 (en) MRI reconstruction with motion-dependent regularization
US7385397B2 (en) Magnetic resonance imaging device and data processing method for magnetic resonance imaging device
CN111150396B (zh) 用于全身成像的方法和系统
CN110797112B (zh) 利用深度神经网络的自动图形处方的系统和方法
CN111754416A (zh) 用于磁共振图像中背景噪音降低的系统和方法
US10775469B2 (en) Magnetic resonance imaging apparatus and method
US10690741B2 (en) Method and systems for reducing artifacts in magnetic resonance imaging
CN114663537A (zh) 去除磁共振图像中的截断伪影的深度学习系统和方法
JP4975614B2 (ja) 磁気共鳴イメージング装置及び方法
US8890521B2 (en) Magnetic resonance diagnosis apparatus and data acquisition method of magnetic resonance spectroscopy
US6919722B2 (en) Image quality improvement for SENSE with low signal regions
CN115082576A (zh) 用相敏结构相似度指数量度处理磁共振图像的系统和方法
US10928473B2 (en) Methods and systems for reduced shading and blurring in magnetic resonance imaging
JP2017086825A (ja) 磁気共鳴イメージング装置及び画像処理装置
US12125175B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
Aja-Fernández et al. Noise estimation in MR GRAPPA reconstructed data
CN115486829B (zh) 磁共振图像的相位校正系统和方法
CN112285624B (zh) 具有改善的正则化参数的压缩感测
US20240312004A1 (en) Methods and systems for reducing quantitative magnetic resonance imaging heterogeneity for machine learning based clinical decision systems
US20240005451A1 (en) Methods and systems for super-resolution with progressive sub-voxel up-sampling
CN116934610A (zh) 磁共振图像中噪声降低的系统和方法
JP2009189525A (ja) 磁気共鳴イメージング装置

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
CB03 Change of inventor or designer information

Inventor after: Wu Dan

Inventor after: Li Shiyu

Inventor after: Dai Qingyu

Inventor after: Wang Kun

Inventor after: Mei Jia bin

Inventor after: Lai Yongchuan

Inventor after: Christopher Hardy

Inventor before: Wu Dan

Inventor before: Li Shiyu

Inventor before: Dai Qingyu

Inventor before: Wang Kun

Inventor before: Mei Jia bin

Inventor before: Lai Yongchuan

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant