CN111656392A - 用于合成磁共振图像的系统和方法 - Google Patents

用于合成磁共振图像的系统和方法 Download PDF

Info

Publication number
CN111656392A
CN111656392A CN201980010251.9A CN201980010251A CN111656392A CN 111656392 A CN111656392 A CN 111656392A CN 201980010251 A CN201980010251 A CN 201980010251A CN 111656392 A CN111656392 A CN 111656392A
Authority
CN
China
Prior art keywords
image
contrast
neural network
quantitative
deep neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980010251.9A
Other languages
English (en)
Other versions
CN111656392B (zh
Inventor
苏珊德丽玛·班纳吉
宫恩浩
格雷格·扎哈楚克
约翰·M·保利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Leland Stanford Junior University
Original Assignee
General Electric Co
Leland Stanford Junior University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Co, Leland Stanford Junior University filed Critical General Electric Co
Publication of CN111656392A publication Critical patent/CN111656392A/zh
Application granted granted Critical
Publication of CN111656392B publication Critical patent/CN111656392B/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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • A61B5/7235—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
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/481—MR combined with positron emission tomography [PET] or single photon emission computed tomography [SPECT]
    • 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
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • 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
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • G01R33/5617—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using RF refocusing, e.g. RARE
    • 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

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

Abstract

本发明公开了用于由定量采集合成对比度图像的方法和系统。示例性方法包括执行定量扫描，使用训练深度神经网络由该定量扫描合成对比度图像，以及输出由该训练深度神经网络合成的该对比度图像。在另一示例性方法中，操作者可识别该合成对比度图像的目标对比度类型。训练鉴别器和分类器模块确定该合成对比度图像是否具有真实图像质量以及该合成对比度图像是否匹配该目标对比度类型。

Description

用于合成磁共振图像的系统和方法
交叉引用
本申请要求于2018年2月15日提交的美国临时申请62/631,102的优先权，该申请全文以引用方式并入本文。
技术领域
本公开一般涉及磁共振成像(MRI)，并且更具体地涉及使用深度学习方法的合成MRI。
背景技术
MRI是被广泛接受和商业上可购得的成像形式，用于基于核的磁性获得患者内部的医学图像。由于MR特性的差异，人体中的各种组织诸如水基组织、脂肪基组织和流体可具有磁共振(MR)图像上的不同信号强度。该差异被描述为图像对比度。MRI可通过强调特定MR特性同时最小化其他MR特性来产生宽范围的对比度。例如，质子密度加权图像强调了被分析的各种组织/流体的自旋密度差异。T1加权图像强调了沿纵向恢复磁化的弛豫时间的差异。T2加权图像强调了沿横向恢复磁化的弛豫时间的差异。短TI反转恢复(STIR)图像抑制来自脂肪的信号。流体衰减的反转恢复(FLAIR)图像抑制来自流体的信号等。
不同对比度可通过使用不同的脉冲序列并且选择适当的脉冲序列参数来产生。例如，T1加权图像可由具有短回波时间(TE)和短重复时间(TR)的自旋回波(SE)序列或梯度回波(GRE)序列产生。T2加权图像可通过使用具有长TE和长TR的SE序列或GRE序列来生成。在许多医学检查中，诊断需要不同的图像对比度，该图像对比度通过以不同的脉冲序列和参数执行若干次扫描来采集。
为了减少扫描时间，已开发出被称为合成MRI的技术，该技术可用单次扫描重建多个图像对比度。随着合成MRI图像、T1加权图像和T2加权图像、T1-FLAIR图像和T2-FLAIR图像、STIR图像和/或质子密度加权图像可由在一次扫描中采集的信号产生，所用的总时间远少于单独采集每个对比度的时间。一般来讲，合成MRI使用多延迟多回波(MDME)序列，该序列包括交织切片选择性射频(RF)脉冲和多回波采集。这一序列以不同延迟在RF脉冲和采集之间重复。用MDME序列采集的MR信号用于基于预定义模型计算参数图(例如，T1图、T2图和质子密度图等)，该预定义模型逐像素(或逐体素)地描述MR信号行为。然后参数图和操作者指定的参数(例如，TE、TR、延迟)用于基于模型逐像素(或逐体素)创建“合成”图像。合成图像与本将通过在实际MR扫描中使用操作者指定的参数形成的图像相当。
临床研究已表明合成MRI适用于脑部扫描。然而，如上所述的像素级(或体素级)模型拟合方法可导致不准确的参数估计和不期望的伪影，因为模型拟合方法试图实现最接近的参数拟合，这可由于非线性非局部变换而导致合成图像中的伪影和误差。例如，如临床研究所示，序列特异性伪影诸如不完整的脑脊液(CSF)抑制和伪边缘增强在合成T2-FLAIR图像中更为显著。此外，模型拟合方法不能用于合成反映组织中易感性差异的某些图像对比度，诸如T2*加权图像。通常期望对合成MRI的改进。
发明内容
在一个实施方案中，本公开提供了一种用于合成MR对比度图像的方法。该方法包括执行定量扫描，使用训练深度神经网络由通过定量扫描获得的定量采集合成对比度图像，以及输出由训练深度神经网络合成的对比度图像。
在另一个实施方案中，本公开提供一种MRI系统。MRI系统包括被配置为产生梯度磁场的梯度线圈组件，被配置为产生RF脉冲的射频(RF)线圈组件，显示器以及与梯度线圈组件、RF线圈组件和显示器通信的控制器。该控制器被配置为指示梯度线圈组件和RF组件生成执行定量扫描的序列，指示训练深度神经网络由通过定量扫描获得的定量采集合成对比度图像，并且在显示器处输出由训练深度神经网络合成的对比度图像。
在又一个实施方案中，本公开提供了一种用于合成MR对比度图像的方法。该方法包括执行定量扫描，接收由操作者识别的目标对比度类型，以及使用训练深度神经网络基于目标对比度类型由通过定量扫描获得的定量采集合成对比度图像。该方法还包括使用训练鉴别器确定合成对比度图像是否具有真实图像质量，并且响应于确定合成对比度图像具有真实图像质量，使用训练分类器确定合成对比度图像的对比度类型，确定所确定的对比度类型是否匹配目标对比度类型，并且响应于确定所确定的对比度类型匹配目标对比度类型，输出合成图像。
附图说明
通过阅读以下详细描述并且参考附图，可以更好地理解本公开的各个方面，其中：
图1是根据示例性实施方案的MRI系统的示意图；
图2是根据示例性实施方案的用于由定量采集合成对比度图像的系统的示意图；
图3是根据示例性实施方案的用于执行定量扫描的脉冲序列的单个块的示意图；
图4示出了通过各种技术获得的脑部的T2-FLAIR图像；
图5是根据另一示例性实施方案的用于由定量采集合成对比度图像的系统的示意图；
图6是根据示例性实施方案的用于训练用在图5的系统中的深度神经网络的方法的流程图；
图7示出了通过各种技术获得的脑部的T1加权图像和T2-FLAIR图像；并且
图8是根据示例性实施方案的用于由定量采集合成对比度图像的方法的流程图。
这些附图示出了使用深度学习方法合成MR图像的所述部件、系统和方法的特定方面。连同以下描述，附图示出并且解释了本文描述的结构原理、方法和原理。在附图中，为了清楚起见，部件的厚度和尺寸可以被放大或以其他方式修改。没有示出或详细描述众所周知的结构、材料或操作以避免模糊所描述的部件、系统和方法的各方面。
具体实施方式
以下描述本公开的一个或多个具体实施方案以便提供透彻的理解。这些所述的实施方案仅是用于使用深度学习方法从定量扫描合成对比度MR图像的系统和方法的示例。本领域技术人员将理解，在不脱离本公开的实质的情况下，可以在实施时修改实施方案中描述的具体细节。
当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。如本文使用术语“连接到”、“耦接到”等，一个对象(例如，材料、元件、结构、构件等)可以连接到或耦接到另一个对象，而无论该一个对象是否直接连接或耦接到另一个对象，或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。此外，应当理解，对本公开的“一个实施方案”或“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。
一般参见附图，本公开涉及合成MRI。合成MRI可从在单次扫描中用定量序列(例如，MDME序列)采集的MR信号重建多个图像对比度(例如，T1加权图像和T2加权图像、T1-FLAIR图像和T2-FLAIR图像、质子密度加权图像、STIR图像)。常规地，描述MR信号行为的预定义模型用于从采集MR信号逐像素(或逐体素)计算参数图(例如，T1图、T2图和质子密度图)。然后，各种图像对比度通过基于模型逐像素(或逐体素)合成参数图和操作者指定的参数(例如，TE、TR、延迟)来产生。然而，像素级(或体素级)模型拟合方法不能产生满足某些图像对比度(例如，T2-FLAIR)的结果，并且还不能用于合成某些图像对比度(例如T2*加权图像)。
本公开使用基于深度学习的方法以用于合成MRI对比度。具体地，深度学习模型(例如，深度神经网络)由多个数据集训练，每个数据集包括一个或多个地面真值图像和通过定量扫描的对应采集，每个地面真值图像由对比度扫描采集。如本文所用，“对比度扫描”是指MR信号的测量，该测量反映被扫描组织的物理参数的差异(即，对比度)。在通过对比度扫描采集的图像中，绝对信号强度不具有直接含义；而是强度差异导致了诊断。对比度图像直接从对比度扫描产生，例如，T1加权图像和T2加权图像、T1-FLAIR图像和T2-FLAIR图像、质子密度加权图像、STIR图像等是对比度图像。如本文所用，“定量扫描”是指MR信号的测量，该测量反映被扫描组织的物理参数的绝对值。训练深度学习模型以通过定量扫描将采集映射到对应的一个或多个对比度图像。在本公开中，“通过定量扫描的采集”也被称为“定量采集”。然后将训练(和验证)的深度学习模型应用于新的定量采集，以合成一个或多个对比度图像。基于深度学习的方法被示出为胜过具有提高的合成准确度和减少的伪影的常规模型拟合方法。此外，基于深度学习的方法能够合成不能通过常规方法产生的某些图像对比度(例如，T2*加权图像)。
在一些实施方案中，深度学习模型以对比度内的方式训练。例如，一个模型专用于特定对比度类型，或者针对模型内的每种对比度类型设置单独通道，每个模型或通道被单独训练。在一些实施方案中，深度学习模型以对比度间的方式训练。例如，一组网络参数(例如，权重和偏差)被训练并且用于多种对比度类型。利用不同对比度类型之间的相关性来达到相互校正效果。
参考图1，根据实施方案示出了示例性MRI系统100的示意图。MRI系统100的操作由操作者工作站110控制，该操作者工作站包括输入设备114、控制面板116和显示器118。操作者工作站110耦接到计算机系统120并且与之通信，该计算机系统使得操作者能够控制显示器118上图像的产生和观看。计算机系统120包括经由电和/或数据连接122彼此通信的多个部件。计算机系统120的部件包括中央处理单元(CPU)124、存储器126和图像处理器128，该存储器可包括用于存储图像数据的帧缓冲器。在另选的实施方案中，图像处理器128可由在CPU 124中实现的图像处理功能替代。计算机系统120可以连接到档案媒体设备、永久或备份存储器或网络。计算机系统120耦接到单独的MRI系统控制器130并且与之通信。
MRI系统控制器130包括经由电和/或数据连接132彼此通信的一组部件。MRI系统控制器130的部件包括CPU 131、脉冲发生器133、收发器135、存储器137和阵列处理器139，该脉冲发生器耦接到操作者工作站110并且与其通信。在另选的实施方案中，脉冲发生器133可集成到MRI系统100的共振组件140中。MRI系统控制器130耦接到操作者工作站110并且从其接收命令，以指示在MRI扫描期间要执行的MRI扫描序列。MRI系统控制器130还耦接到梯度驱动器系统150并且与其通信，该梯度驱动器系统耦接到梯度线圈组件142，以在MRI扫描期间产生磁场梯度。
脉冲发生器133还可从生理采集控制器155接收数据，该生理采集控制器从多个连接到接受MRI扫描的对象或患者170的不同传感器接收信号，诸如来自附接到患者的电极的心电图(ECG)信号。并且最后，脉冲发生器133耦接到扫描室接口系统145并且与其通信，该扫描室接口系统从与共振组件140的状况相关联的各种传感器接收信号。扫描室接口系统145还耦接到患者定位系统147并且与其通信，该患者定位系统发送和接收信号以控制患者台移动到期望位置以进行MRI扫描。
MRI系统控制器130向梯度驱动器系统150提供梯度波形，该梯度驱动器系统包括GX、GY和GZ放大器等。每个GX、GY和GZ梯度放大器激励梯度线圈组件142中的对应梯度线圈，以产生用于在MRI扫描期间对MR信号进行空间编码的磁场梯度。梯度线圈组件142包括在共振组件140内，该共振组件还包括具有超导线圈144的超导磁体，该超导线圈在操作中提供贯穿开放的圆柱形成像体积146的均匀纵向磁场，该圆柱形成像体积被共振组件140包围。共振组件140还包括RF体线圈148，其在操作中提供横向磁场B1，该横向磁场B1在整个开放的圆柱形成像体积146中大致垂直于B0。共振组件140还可以包括RF表面线圈149，用于对接受MRI扫描的患者的不同解剖结构成像。RF体线圈148和RF表面线圈149可以被配置为在发射和接收模式、发射模式或接收模式下操作。
接受MRI扫描的对象或患者170可定位在共振组件140的开放的圆柱形成像体积146内。MRI系统控制器130中的收发器135产生由RF放大器162放大的RF激励脉冲并且通过发射/接收开关(T/R开关)164提供给RF体线圈148和RF表面线圈149。
如上所述，RF体线圈148和RF表面线圈149可以用于发射RF激励脉冲和/或接收来自接受MRI扫描的患者的所得MR信号。由接受MRI扫描的患者的受激励核发出的所得MR信号可被RF体线圈148或RF表面线圈149感测和接收并且通过T/R开关164发送回前置放大器166。放大的MR信号在收发器135的接收器部分中被解调、滤波和数字化。T/R开关164由来自脉冲发生器133的信号控制，以在发射模式期间将RF放大器162电连接至RF体线圈148，并且在接收模式期间将前置放大器166连接至RF体线圈148。T/R开关164可还使得RF表面线圈149能够用于发射模式或接收模式。由RF体线圈148感测和接收的所得MR信号被收发器135数字化并且传输到MRI系统控制器130中的存储器137。
当对应于所接收的MR信号的原始k空间数据阵列已经被采集并且临时存储在存储器137中，直到数据随后被变换以创建图像时，MR扫描完成。对于每个要重建的图像，该原始k空间数据被重新布置成单独的k空间数据阵列，并且这些单独的k空间数据阵列中的每一个被输入到阵列处理器139，该阵列处理器139操作以将数据傅立叶变换成图像数据的阵列。
阵列处理器139使用已知的变换方法，最常见的是傅立叶变换，以从接收的MR信号创建图像。这些图像被传送到计算机系统120，在那里它们被存储在存储器126中。响应于从操作者工作站110接收到的命令，图像数据可以存档在长期存储器中，或者可以由图像处理器128进一步处理并且传送到操作者工作站110以在显示器118上呈现。
在各种实施方案中，计算机系统120和MRI系统控制器130的部件可以在相同计算机系统或多个计算机系统上实现。
参见图2，根据示例性实施方案示出了用于由定量采集合成对比度图像的系统200的示意图。在深度神经网络220的训练阶段，将定量采集(例如，从定量扫描采集的图像)210输入到深度神经网络220，该深度神经网络继而输出合成对比度图像240。将合成对比度图像240与从对比度扫描获取的对应地面真值对比度图像250进行比较。差值(即，损耗)245被反投影到深度神经网络220以优化(即，训练)网络参数。在被训练(和验证)之后，可利用深度神经网络220
使用优化的网络参数将定量采集映射到对应的对比度图像。深度学习网络220可存储在成像设备(例如，图1中的存储器126)处、连接到成像设备的边缘设备处、与成像设备通信的云或任何适当的它们的组合。
参见图3，根据示例性实施方案示出了用于执行定量扫描的脉冲序列300的单个块的示意图。可针对定量扫描执行二维(2D)快速自旋回波(FSE)多延迟多回波(MDME)序列，该序列包括交织切片选择性饱和RF脉冲和多回波采集。使用90°激发脉冲和多个180°脉冲，饱和度作用于切片n，而采集作用于切片m。n和m是不同的切片。因此，可通过选择n和m来改变每个特定切片的饱和与采集之间的有效延迟时间。在一些实施方案中，执行n和m的四(4)个不同选择，从而导致四个不同的延迟时间。在两个不同的回波时间处，回波的数量可设置为二(2)。因此，定量采集210的结果为每个切片八(8)个复杂图像(尽管图1中示出了两个图像)。应当理解，本文描述了在2个回波处的4个延迟的示例以用于说明，而非限制。延迟和回波的任何适当组合可用于执行定量扫描。还应当理解，可使用除MDME序列之外的任何适当的定量序列。此外，在一些实施方案中，定量采集210可为k空间中的原始MRI信号，诸如原始MDME MRI。
重新参见图2，深度神经网络220可以是具有编码器-解码器结构的多尺度U网络卷积神经网络(CNN)。在图2所示的示例中，输入层221接收定量采集210。在一些实施方案中，输入层221包括多个通道以
容纳作为一次性定量采集的结果的多个图像的输入。在一些实施方案中，将多个图像中的每个图像分割成实部和虚部并且堆叠为对应通道。池化层222被配置为对来自输入层221的输出下采样。
来自池化层222的输出经过三(3)个编码器模块(223，225和227)，接着是三(3)个解码器模块(232，234和236)，每个模块由三(3)个卷积层组成。在一些实施方案中，下采样层或上采样层位于模块的端部处以用于连接到后续模块。每个层由具有可训练的权重和偏差的多个“神经元”(也称为“节点”)组成。每个神经元接收若干输入，对它们进行加权求和，将该和传递通过激活函数，并且以输出响应。在一些实施方案中，级联连接和残差连接用于加速训练收敛、提高重建准确度并且恢复分辨率信息。
在训练期间学习深度神经网络220中卷积层的权重和偏差。更具体地，损耗函数245被定义为反映由深度神经网络220合成的对比度图像240与对应的地面真值对比度图像250之间的差异。地面真值对比度图像250可以是从对比度扫描采集的，例如，T1加权图像和T2加权图像、T1-FLAIR图像和T2-FLAIR图像、质子密度加权图像、STIR图像等。在一些实施方案中，损耗函数245是平均绝对误差，即，等于地面真值对比度图像250与合成对比度图像240之间的像素值的绝对差的平均值。在一些实施方案中，在计算损耗函数245之前，将合成对比度图像240与地面真值对比度图像250配准。可使用其他损耗函数，诸如均方根误差(RMSE)、结构相似度指数(SSIM)等。然后将损耗245反投影到深度神经网络220，以更新卷积层的权重和偏差。多对定量采集和对应的对比度图像可用于训练深度神经网络220。在这个示例中，深度神经网络220以对比度内的方式训练。例如，一个模型专用于特定对比度类型，或者针对模型内的每种对比度类型设置单独通道，每个模型或通道被单独训练。
可训练深度神经网络220以通过在训练期间使用地面真值T2*加权图像作为参考来合成T2*加权图像。一般地，不能用常规模型拟合方法合成T2*加权图像。
应当理解，如图2所示的神经网络220的布局用于说明，而非限制。本文可使用不同的神经网络架构，以用于由定量采集合成对比度图像。例如，不同的神经网络结构可包括残差网络(ResNets)、自动编码器、循环神经网络和完全连接的网络。
参考图4，示出了通过各种技术获得的脑部的T2-FLAIR图像以用于比较。第一行示出了通过对比度扫描采集的地面真值T2-FLAIR图像作为参考图像和参考图像中标记的中心区域的放大视图。第二行示出了用常规模型拟合方法由MDME采集合成的T2-FLAIR图像、中心区域的放大视图以及反映中心区域中误差的5×放大误差图。第三行示出了用如上所述的训练深度神经网络由MDME采集合成的T2-FLAIR图像、中心区域的放大视图以及反映中心区域中误差的5×放大误差图。MDME采集是具有四(4)个饱和延迟和二(2)个回波的基于2D FSE的MDME。对大约1900个不同数据集训练深度神经网络，这些数据集包括来自8个受试者的26-30平面处的成对输入和输出，其中8种类型的数据扩充使用刚性变换以避免过度拟合。常规2D FSE脑部图像用作地面真值对比度图像。然后将训练神经网络应用于其他数据集，并且基于结果来评估训练深度学习模型的性能。
如上所述，T2-FLAIR是在临床研究中准确合成最具挑战性的对比度之一。常规的模型拟合方法经常导致阻碍其临床应用的可识别伪影。如图4所示，数据驱动的深度学习方法实现了提高的准确度和减少的伪影以用于合成T2-FLAIR。具体地，放大视图表明深度学习方法解决了模型拟合结果中出现的虚假边界伪影。箭头突出显示减少的边界伪影。误差图表明深度学习方法实现了比常规模型拟合方法更低的误差。
此外，各种度量用于比较深度学习方法的性能与常规模型拟合方法的性能，包括例如均方根误差(RMSE)、峰值-信号-噪声比(PSNR)和SSIM。所有这些均表明深度学习方法具有优于模型拟合方法的性能。以T2-FLAIR合成为例，深度学习方法胜过现有的基于模型拟合的方法。
参见图5，根据另一示例性实施方案示出了用于由定量采集合成一个或多个对比度图像的系统500的示意图。将定量采集(例如，通过定量扫描采集的图像)510和目标对比度类型515输入到深度神经网络520，该深度神经网络继而输出合成对比度图像540。然后传递合成对比度图像540通过鉴别器和分类器模块550，该模块输出鉴别器552和分类器554。鉴别器552指示合成对比度图像510是否具有真实图像质量。如果是，则分类器554指示合成对比度图像510是哪种对比度类型。与图2的系统200不同，在这个示例中，深度神经网络520以对比度间的方式训练。例如，一组网络参数被训练并且应用于多种对比度类型。因此，利用不同对比度类型之间的相关性来达到相互校正效果。
类似于如上所述图2中的定量采集210，定量采集510可以是从MDME序列采集的MR信号重建的多个复杂图像。目标对比度类型515可由操作者(例如，放射科医生)识别。在一些实施方案中，掩码矢量用于指示目标对比度类型，对于矢量中的期望对比度类型使用“1”，而对于其他则使用“0”。
类似于如上所述图2中的深度神经网络220，深度神经网络520可以是具有编码器-解码器结构的U网络CNN。在一些实施方案中，级联连接和残差连接用于加速训练收敛、提高重建准确度并且恢复分辨率信息。在训练期间学习卷积层的权重和偏差。
鉴别器和分类器模块550可以是包括多个卷积层的另一CNN。模块550被配置为确定图像是否具有真实质量，如果是，则确定图像是哪种对比度类型。在一些实施方案中，两个单独的模块可分别用作鉴别器和分类器。在操作中，鉴别器和分类器模块550可由多个数据集训练。训练数据集可包括所有类型的真实图像(T1加权和T2加权、T1-FLAIR和T2-FLAIR、质子密度加权、STIR等)和没有真实质量的合成图像。每个图像可被标记为真实或虚假。对于具有真实质量的图像，还可标记对比度类型。在训练鉴别器和分类器模块550之后，其可连接到深度神经网络520以帮助训练网络520。
参考图6，根据示例性实施方案示出了用于训练深度神经网络520的方法的流程图600。用于训练网络520的数据集可包括作为参考的从对比度扫描采集的多对定量采集和对应的地面真值对比度图像。在一些实施方案中，训练过程可处理不同数据集具有不同参考子集的情形。对于每个地面真值对比度图像，标记对比度类型。目标对比度类型可用定量采集510输入到深度神经网络520。基于定量采集510和目标对比度类型515，深度神经网络520产生合成对比度图像540，该合成对比度图像被传递到鉴别器和分类器模块550。
在602处，鉴别器和分类器模块550确定图像540是否具有真实图像质量。如果鉴别器552指示“否”，则在操作610处，这一指示被反投影到深度神经网络520以更新网络参数。如果鉴别器指示“是”，则方法进行至604，其中鉴别器和分类器模块550决定合成图像540是哪种对比度类型554。在606处，确定对比度类型554是否匹配目标对比度类型515。如果在操作606处该指示为“否”，则在操作610处这一指示被反投影到深度神经网络520以更新网络参数。如果在操作606处该指示为“是”，则方法进行至608，在此处计算损耗。损耗可以是反映合成图像540与相同类型的对应地面真值对比度图像之间的差异的任何适当函数。然后在610处，损耗被反投影到深度神经网络520以调整网络参数。在被训练(和验证)之后，可利用深度神经网络220使用优化的网络参数将定量采集映射到任何目标类型的对应的对比度图像。
方法600可重复多次以训练深度神经网络520。因此，一组网络参数被训练并且应用于多种对比度类型。在训练和验证之后，深度神经网络520可用于合成由操作者识别的任何类型的对比度图像。
参见图7，示出了通过各种技术获得的脑部的T1加权图像和T2-FLAIR图像。第一列示出了通过对比度扫描采集的地面真值图像作为参考，顶部是T1加权图像，而底部是T2-FLAIR图像。第二列示出了通过对比度间的深度学习方法(例如，以上参考图5和图6所述的方法)的合成图像。第三列示出了通过对比度内的深度学习方法(例如，以上参考图2所述的方法)的合成图像。第四列示出了通过常规模型拟合方法的合成图像。对比度间的合成图像被示出为最接近地面真值图像，因为卷积在所有通道之间共享信息，从而允许它们在数据驱动的基础上利用多种对比度类型的图像之间的相关性。
参见图8，根据示例性实施方案示出了用于由定量采集合成对比度图像的方法800的流程图。在802处，由MRI系统(例如，图1中的MRI系统100)执行定量扫描。如本文所用，“定量扫描”是指MR信号的测量，该测量反映被扫描组织的物理参数的绝对值。在一些实施方案中，MDME序列可用于执行定量扫描。任何其他适当的定量序列可用于执行定量扫描。
在可选的操作804处，接收由操作者识别的目标对比度类型。对比度内的方法不需要这一操作，但是可包括在对比度间的方法中。操作者可确定期望哪种目标对比度类型。
在操作806处，训练深度神经网络用于基于目标对比度类型(如果适用的话)由定量采集合成对比度图像。如本文所用，定量采集是指通过定量扫描采集的MR信号。在一些实施方案中，定量采集可以是k空间中的原始MRI信号。在一些实施方案中，定量采集可以是图像域中的重建信号。例如，当具有四个延迟时间和两个回波时间的MDME用于扫描时，定量采集可为八个复杂图像。
在一些实施方案中，深度神经网络可以是具有编码器-解码器结构的U网络CNN(例如，深度神经网络220和520)。在一些实施方案中，可使用不同的神经网络架构，诸如ResNets、自动编码器、循环神经网络、完全连接的网络等。已训练深度神经网络以将定量采集映射到一种或多种对比度类型的图像。例如，已基于训练数据集优化了深度神经网络的卷积层的权重和偏差。在一些实施方案中，通过对比度扫描采集的多对定量采集和对应的地面真值对比度图像可用于训练深度神经网络。在实现对比度间的方法的一些实施方案中，可根据以上参考图6所述的方法600来训练深度神经网络。
在一些实施方案中，然后在操作810处，可输出由训练神经网络合成的对比度图像。对比度类型可包括，例如，T1加权图像和T2加权图像、T1-FLAIR图像和T2-FLAIR图像、质子密度加权图像和STIR图像。在一些实施方案中，对比度类型可以是不能通过常规逐像素(或逐体素)模型拟合方法合成的对比度类型，例如T2*加权图像。
在使用鉴别器(例如，如图5所示)的一些实施方案中，在操作808处，鉴别器可决定合成图像是否具有真实图像质量。在一些实施方案中，鉴别器是具有多个卷积层的CNN，训练该卷积层以区分开真实图像质量的图像与虚假图像质量的图像。如果合成图像不具有真实图像质量(即，808处为“否”)，则在操作812处可输出虚假图像质量的指示。在一些实施方案中，合成图像可与该指示一起输出。如果合成图像具有真实图像质量(即，808处为“是”)，则在操作814处，分类器(例如，如图5所示)可决定合成对比度图像的类型是否匹配目标对比度类型。如果类型不匹配(即，814处为“否”)，则在操作810处可输出此类指示。在一些实施方案中，合成图像可与该指示一起输出。如果类型匹配(即，814处为“是”)，则在810处输出合成对比度图像。
用上述系统和方法，具有数据驱动深度学习方法的合成MRI可胜过具有提高的准确度和减少的伪影的常规逐像素(或逐体素)模型拟合方法。
除了任何先前指示的修改之外，本领域技术人员可以在不脱离本描述的精神和范围的情况下设计出许多其他变型和替换布置，并且所附权利要求书旨在覆盖此类修改和布置。因此，尽管上面已经结合当前被认为是最实际和最优选的方面对信息进行了具体和详细的描述，但对于本领域的普通技术人员将显而易见的是，在不脱离本文阐述的原理和概念的情况下，可以进行许多修改，包括但不限于形式、功能、操作方式和使用。此外，应当理解，本发明的实施方案可适用于传统MRI、UTE MRI、静音MRI、PET/MRI、多光谱/超光谱成像、多能量CT、多示踪剂PET和/或任何类型的具有适当调节的基于MRI的成像系统。此外，如将理解的，本发明相关成像系统的实施方案可以用于一般地分析组织，并且不限于人体组织。同样，如本文所使用的，在所有方面，示例和实施方案仅意图是说明性的，并且不应以任何方式解释为限制性的。

Claims (18)

1.一种用于合成磁共振(MR)对比度图像的方法，所述方法包括：
执行定量扫描；
使用训练深度神经网络由通过所述定量扫描获得的定量采集来合成对比度图像；以及
输出由所述训练深度神经网络合成的所述对比度图像。
2.根据权利要求1所述的方法，其中执行所述定量扫描包括用多延迟多回波(MDME)序列采集MR信号。
3.根据权利要求1所述的方法，其中所述定量采集是从通过所述定量扫描采集的MR信号重建的多个复杂图像。
4.根据权利要求1所述的方法，其中由所述训练深度神经网络合成的所述对比度图像为T1加权图像、T2加权图像、T1-FLAIR图像、T2-FLAIR图像、质子密度加权图像和STIR图像中的一者。
5.根据权利要求1所述的方法，其中由所述训练深度神经网络合成的所述对比度图像是T2*加权图像。
6.根据权利要求1所述的方法，还包括：
在所述训练深度神经网络处，接收所述合成对比度图像的目标对比度类型。
7.根据权利要求6所述的方法，还包括：
使用训练鉴别器确定所述合成对比度图像是否具有真实图像质量；以及
响应于确定所述合成对比度图像不具有真实图像质量，输出指示以指示这一点。
8.根据权利要求6所述的方法，还包括：
使用训练分类器确定所述合成对比度图像的所述对比度类型；
确定所确定的对比度类型是否匹配所述目标对比度类型；以及
响应于确定所确定的对比度类型不匹配所述目标对比度类型，输出指示以指示这一点。
9.一种磁共振成像(MRI)系统，包括：
梯度线圈组件，所述梯度线圈组件被配置为生成梯度磁场；
射频(RF)线圈组件，所述射频线圈组件被配置为生成RF脉冲；
显示器；
控制器，所述控制器与所述梯度线圈组件、所述RF线圈组件和所述显示器通信，并且所述控制器被配置为：
指示所述梯度线圈组件和RF组件生成序列以执行定量扫描；
指示训练深度神经网络由通过所述定量扫描获得的定量采集合成对比度图像；以及
在所述显示器处输出由所述训练深度神经网络合成的所述对比度图像。
10.根据权利要求11所述的MRI系统，其中所述定量扫描的所述序列为MDME序列。
11.根据权利要求11所述的MRI系统，其中所述目标对比度类型为T1加权图像、T2加权图像、T2*加权图像、T1-FLAIR、T2-FLAIR、质子密度加权和STIR中的任一者。
12.根据权利要求11所述的MRI系统，还包括存储所述训练深度神经网络的存储器。
13.根据权利要求14所述的MRI系统，其中所述训练深度神经网络是具有编码器-解码器结构的多尺度U网络卷积神经网络(CNN)。
14.一种用于合成磁共振(MR)对比度图像的方法，所述方法包括：
执行定量扫描；
接收目标对比度类型；
使用训练深度神经网络基于所述目标对比度类型由通过所述定量扫描获得的定量采集来合成对比度图像；
使用训练鉴别器确定所述合成对比度图像是否具有真实图像质量；
响应于确定所述合成对比度图像具有真实图像质量，使用训练分类器确定所述合成对比度图像的对比度类型；
确定所确定的对比度类型是否匹配所述目标对比度类型；以及
响应于确定所确定的对比度类型匹配所述目标对比度类型，输出所述合成图像。
15.根据权利要求15所述的方法，还包括：
响应于确定所述合成对比度图像不具有真实图像质量，输出指示以指示这一点。
16.根据权利要求15所述的方法，还包括：
响应于确定所确定的对比度类型不匹配所述目标对比度类型，输出指示以指示这一点。
17.根据权利要求15所述的方法，其中所述目标对比度类型为T1加权图像、T2加权图像、T2*加权图像、T1-FLAIR、T2-FLAIR、质子密度加权和STIR中的任一者。
18.根据权利要求19所述的方法，其中所述训练深度神经网络针对所有对比度类型使用一组参数。
CN201980010251.9A 2018-02-15 2019-02-14 用于合成磁共振图像的系统和方法 Active CN111656392B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862631102P 2018-02-15 2018-02-15
US62/631,102 2018-02-15
PCT/US2019/017993 WO2019161043A1 (en) 2018-02-15 2019-02-14 System and method for synthesizing magnetic resonance images

Publications (2)

Publication Number Publication Date
CN111656392A true CN111656392A (zh) 2020-09-11
CN111656392B CN111656392B (zh) 2024-01-05

Family

ID=67620080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980010251.9A Active CN111656392B (zh) 2018-02-15 2019-02-14 用于合成磁共振图像的系统和方法

Country Status (3)

Country Link
US (1) US11880962B2 (zh)
CN (1) CN111656392B (zh)
WO (1) WO2019161043A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992436A (zh) * 2019-11-06 2020-04-10 上海东软医疗科技有限公司 图像重建方法及设备、图像数据的处理方法及装置

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112368715A (zh) * 2018-05-15 2021-02-12 蒙纳士大学 用于磁共振成像的运动校正的方法和系统
WO2020028257A2 (en) 2018-07-30 2020-02-06 Hyperfine Research, Inc. Deep learning techniques for magnetic resonance image reconstruction
WO2020037121A1 (en) 2018-08-15 2020-02-20 Hyperfine Research, Inc. Deep learning techniques for suppressing artefacts in magnetic resonance images
WO2020070834A1 (ja) * 2018-10-03 2020-04-09 株式会社島津製作所 学習済みモデルの製造方法、輝度調整方法および画像処理装置
JP7237624B2 (ja) * 2019-02-07 2023-03-13 浜松ホトニクス株式会社 画像処理装置および画像処理方法
WO2020186013A2 (en) * 2019-03-14 2020-09-17 Hyperfine Research, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
JP2022549604A (ja) * 2019-09-18 2022-11-28 バイエル、アクチエンゲゼルシャフト 教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測
EP4031895A1 (en) 2019-09-18 2022-07-27 Bayer Aktiengesellschaft System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics
CN111481192B (zh) * 2020-04-22 2022-06-03 重庆邮电大学 一种基于改进U-Net的心电信号R波检测方法
DE102021207520A1 (de) 2021-07-14 2023-01-19 Universität Duisburg-Essen, Körperschaft des öffentlichen Rechts Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung
US11740306B2 (en) 2021-11-30 2023-08-29 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for magnetic resonance T1 mapping
CN114782569B (zh) * 2022-03-15 2024-06-28 厦门大学 一种基于深度学习的dsc-mri血液动力学参数定量方法和系统
CN115423894B (zh) * 2022-11-04 2023-02-03 之江实验室 一种基于变分自编码器的磁共振加权图像合成方法和装置
WO2024112579A1 (en) * 2022-11-23 2024-05-30 Subtle Medical, Inc. Systems and methods for mri contrast synthesis under light-weighted framework
EP4379409A1 (de) * 2022-12-02 2024-06-05 Siemens Healthineers AG Steuereinheit, verfahren zum betreiben einer steuereinheit, mrt-vorrichtung umfassend eine steuereinheit, computerprogramm und elektronisch lesbarer datenträger
CN116596825B (zh) * 2023-07-18 2023-10-17 深智透医疗科技发展(上海)有限责任公司 磁共振图像对比度合成方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100292A1 (en) * 2006-10-30 2008-05-01 Ileana Hancu System and method for fast mr coil sensitivity mapping
US20170035321A1 (en) * 2014-04-24 2017-02-09 The General Hospital Corporation System and methods for fast multi-contrast magnetic resonance imaging

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874189B2 (en) * 2007-01-02 2014-10-28 Syntheticmr Ab Method of visualizing MR images
US8587306B2 (en) * 2008-01-23 2013-11-19 Hitachi Medical Corporation Magnetic resonance imaging apparatus and multi-contrast acquiring method
US9041393B2 (en) * 2009-07-24 2015-05-26 Syntheticmr Ab Interleaved single magnetic resonance sequence for MR quantification
WO2017165801A1 (en) 2016-03-24 2017-09-28 The Regents Of The University Of California Deep-learning-based cancer classification using a hierarchical classification framework
US10867417B2 (en) * 2016-09-06 2020-12-15 Elekta, Inc. Neural network for generating synthetic medical images
US10096109B1 (en) * 2017-03-31 2018-10-09 The Board Of Trustees Of The Leland Stanford Junior University Quality of medical images using multi-contrast and deep learning
CN107194933A (zh) * 2017-04-24 2017-09-22 天津大学 结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置
US10753997B2 (en) * 2017-08-10 2020-08-25 Siemens Healthcare Gmbh Image standardization using generative adversarial networks
CN111601550B (zh) * 2017-10-09 2023-12-05 小利兰·斯坦福大学托管委员会 用于使用深度学习的医学成像的造影剂量减少

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100292A1 (en) * 2006-10-30 2008-05-01 Ileana Hancu System and method for fast mr coil sensitivity mapping
US20170035321A1 (en) * 2014-04-24 2017-02-09 The General Hospital Corporation System and methods for fast multi-contrast magnetic resonance imaging

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AKIFUMI HAGIWARA，MASAAKI HORI，MICHIMASA SUZUKI等: "Contrast-enhanced synthetic MRI for the detection of brain metastases" *
MIKA KAPANEN & MIKKO TENHUNEN: "T1/T2*-weighted MRI provides clinically relevant pseudo-CT density data for the pelvic bones in MRI-only based radiotherapy treatment planning" *
XIAO HAN: "MR‐based synthetic CT generation using a deep convolutional neural network method" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992436A (zh) * 2019-11-06 2020-04-10 上海东软医疗科技有限公司 图像重建方法及设备、图像数据的处理方法及装置
CN110992436B (zh) * 2019-11-06 2023-08-29 上海东软医疗科技有限公司 图像重建方法及设备、图像数据的处理方法及装置

Also Published As

Publication number Publication date
US20210027436A1 (en) 2021-01-28
CN111656392B (zh) 2024-01-05
US11880962B2 (en) 2024-01-23
WO2019161043A1 (en) 2019-08-22

Similar Documents

Publication Publication Date Title
CN111656392B (zh) 用于合成磁共振图像的系统和方法
CN111513716B (zh) 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
Knoll et al. Deep-learning methods for parallel magnetic resonance imaging reconstruction: A survey of the current approaches, trends, and issues
KR101674848B1 (ko) 핵 자기 공명(nmr) 핑거프린팅
US7863895B2 (en) System, program product, and method of acquiring and processing MRI data for simultaneous determination of water, fat, and transverse relaxation time constants
CN105929350B (zh) 一种单次激发水脂分离成像误差校正系统及方法
Forman et al. Reduction of respiratory motion artifacts for free‐breathing whole‐heart coronary MRA by weighted iterative reconstruction
US11125847B2 (en) System and method for out-of-view artifact suppression for magnetic resonance fingerprinting
WO2016160121A1 (en) Multi-component voxel separation using magnetic resonance fingerprinting (mrf) with compartment exchange
WO2016050938A1 (en) Magnetic resonance imaging with enhanced bone visualization
US10736538B2 (en) Method and computer differentiating correlation patterns in functional magnetic resonance imaging
US11266324B2 (en) System and methods for fast multi-contrast magnetic resonance imaging
US20230184861A1 (en) Propeller magnetic resonance acquisition and blade-specific reconstruction
Gan et al. SS-JIRCS: Self-supervised joint image reconstruction and coil sensitivity calibration in parallel MRI without ground truth
CN110709721B (zh) 用于使用并行发射射频线圈阵列的同时多切片磁共振指纹成像的系统和方法
CN113466768B (zh) 磁共振成像方法及磁共振成像系统
US11105876B2 (en) Method and system for generating synthetic images with switchable image contrasts
US11385311B2 (en) System and method for improved magnetic resonance fingerprinting using inner product space
US10782375B2 (en) Multi-contrast images from a magnetic resonance imaging scan
US20230288515A1 (en) Augmenting Diffusion-Weighted Magnetic Resonance Imaging Data
US10823803B2 (en) Method and apparatus for reconstructing contrast levels from magnetic resonance acquisitions
EP4273569A1 (en) Method for generating a subject-specific map of a tissue property
US20220351499A1 (en) Medical image acquisition apparatus and method
FERNANDES MULTICHANNEL DENOISING STRATEGIES FOR ULTRAFAST MAGNETIC RESONANCE IMAGING
CN116953582A (zh) 磁共振成像设备的多个线圈灵敏度图和sense重建

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