CN112089419A - 医学成像方法及系统，非暂态计算机可读存储介质 - Google Patents

Abstract

本申请提供了一种医学成像方法及系统，以及非暂态计算机可读存储介质。所述医学成像方法包括基于训练的学习网络，识别医学图像的图像质量类型以及基于所识别的图像质量类型，生成相应的用于控制医学成像系统的控制信号。

Description

医学成像方法及系统，非暂态计算机可读存储介质

技术领域

本发明涉及医学成像技术，更具体地涉及一种医学成像方法及系统，以及非暂态计算机可读存储介质。

背景技术

磁共振成像(MRI)作为一种医学成像模态，可以在不使用X射线或其他电离辐射的情况下获得人体的图像。MRI利用具有强磁场的磁体来产生静磁场B0。当将人体的待成像部位定位于静磁场B0中时，与人体组织中的氢原子核相关联的核自旋产生极化，从而待成像部位的组织在宏观上产生纵向磁化矢量。当施加与静磁场B0的方向相交的射频场B1后，质子旋转的方向发生改变，从而待成像部位的组织在宏观上产生横向磁化矢量。移除射频场B1后，横向磁化矢量以螺旋状进行衰减直至恢复为零，衰减的过程中产生自由感应衰减信号，该自由感应衰减信号能够作为磁共振信号被采集，并基于采集的该信号可以重建待成像部位的组织图像。

在成像的过程中，由于设备等硬件问题或人体运动等因素，往往会造成重建得到的图像出现图像质量问题(例如，伪影)，例如，由于相差的短涡流引起的奈奎斯特(Nyquist，N/2)伪影，由于加速采集引起的加速伪影，由于采集过程中人体自主或不自主的运动引起的运动伪影等等，这些伪影会造成图像质量下降，可能无法准确呈现病灶的实际情况，为临床的诊断分析造成困难。

在实际操作过程中，当医学图像出现伪影影响医生诊断时，需要依靠现场操作人员或现场工程师根据经验判断伪影的类型，再根据伪影的类型判断出现伪影的原因并做相关的操作，然而有时并不能及时、准确地判断伪影的类型，也就给临床带来很多困难。

发明内容

本发明提供一种医学成像方法及系统，以及非暂态计算机可读存储介质。

本发明的示例性实施例提供了一种医学成像方法，所述方法包括基于训练的学习网络，识别医学图像的图像质量类型以及基于所识别的图像质量类型，生成相应的用于控制医学成像系统的控制信号。

本发明的示例性实施例还提供了一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行上述的用于医学成像方法的指令。

本发明的示例性实施例还提供了一种医学成像系统，所述系统包括识别模块和控制模块。所述识别模块用于基于训练的学习网络，识别所述医学成像系统生成的医学图像的图像质量类型，所述控制模块用于基于所识别的图像质量类型，生成相应的用于控制所述医学成像系统的控制信号。

通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。

附图说明

通过结合附图对于本发明的示例性实施例进行描述，可以更好地理解本发明，在附图中：

图1是根据本发明一些实施例的医学成像方法的流程图；

图2是包括奈奎斯特伪影的医学图像示意图；

图3是包括加速伪影的医学图像示意图；

图4是根据本发明一些实施例的学习网络的示意图；

图5是图1所示的医学成像方法中的基于所识别的图像质量类型生成相应的用于控制医学成像系统的控制信号的流程图；

图6示出了根据本发明一些实施例的磁共振成像系统的示意图；

图7示出了根据本发明一些实施例的医学成像系统的示意图；以及

图8示出了根据本发明另一些实施例的医学成像系统的示意图。

具体实施方式

以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。

除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。

在一些实施例中，在成像过程中，由于设备的不同硬件问题或人体运动等不同因素，会造成重建的图像出现不同的伪影，本发明一些实施例中的医学成像方法及系统基于深度学习(Deep Learning)技术可以准确判断图像中的图像质量类型(例如，伪影)，并基于图像质量类型自动生成控制磁共振成像(MRI)系统的控制信号，例如用以校准MRI系统或发出警告信号。需要指出的是，从本领域或者相关领域普通技术人员的角度来看，这样的描述不应当理解为只将本发明限制在MRI系统中，实际上，这里描述的医学成像方法及系统可以被合理地应用于与医疗领域和非医疗领域中的其他成像领域，例如，CT系统、PET系统、SPECT系统、X光机或其任何组合。

如本文所讨论的，深度学习技术(又被称为深度机器学习、分层学习或深度结构化学习等)采用用于学习的人工神经网络。深度学习方法的特征在于使用一个或多个网络架构来提取或模拟感兴趣数据。深度学习方法可以使用一个或多个处理层(例如，输入层、输出层、卷积层、归一化层、采样层等等，按照不同的深度学习网络模型可以具有不同数量和功能的处理层)来完成，其中层的配置和数量允许深度学习网络处理复杂的信息提取和建模任务。通常通过所谓的学习过程(或训练过程)来估计网络的特定参数(又可以称为“权重”或“偏差”)。被学习或训练的参数通常会导致(或输出)一个对应于不同级别层的网络，因此提取或模拟初始数据的不同方面或前一层的输出通常可以表示层的层次结构或级联。在图像处理或重建的过程中，这可以表征为相对于数据中的不同特征级别的不同层。因此，处理可以分层进行，即，较早或较高级别的层可以对应于从输入数据中提取“简单”特征，接着是将这些简单特征组合成表现出更高复杂度的特征的层。实际上，每层(或者更具体地，每层中的每个“神经元”)可以采用一个或多个线性和/或非线性变换(所谓的激活函数)来将输入数据处理为输出数据表示。多个“神经元”的数量可以是在多个层之间恒定的，或者可以从层到层变化。

如本文所讨论的，作为解决特定问题的深度学习过程的初始训练的一部分，训练数据集包括已知输入值(例如，样本图像或图像进行坐标变换的像素矩阵)以及深度学习过程的最终输出的期望(目标)输出值(例如，图像或识别判断结果)。以这种方式，深度学习算法可以(以监督或引导的方式或以无监督或非指导的方式)处理该训练数据集，直到识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。学习过程通常利用(部分)输入数据，并为该输入数据创建网络输出，然后将创建的网络输出与该数据集的期望输出进行比较，然后使用创建的和期望的输出之间的差异来迭代地更新网络的参数(权重和/或偏差)。通常可以使用随机梯度下降(Stochastic gradientdescent,SGD)方法来更新网络的参数，然而本领域技术人员应当理解也可以使用本领域中已知的其他方法来更新网络参数。类似地，可以采用单独的验证数据集以对所训练的学习网络进行验证，其中已知输入和期望输出都是已知的，通过将已知输入提供给所训练的学习网络可以得到网络输出，然后将该网络输出与(已知的)期望输出进行比较以验证先前的培训和/或防止过度培训。

图1示出了根据本发明一些实施例的医学成像方法100的流程图。图2示出了包括奈奎斯特伪影的医学图像的示意图。图3示出了包括加速伪影的医学图像的示意图。如图1-3所示，本发明一些实施例中的医学成像方法100包括步骤110和120。

在步骤110中，基于训练的学习网络，识别医学图像的图像质量类型。

在一些实施例中，上述图像质量类型可以包括一个或多个伪影类型，例如由于相差的短涡流引起的奈奎斯特伪影(如图2所示)、由于加速采集引起的加速伪影(如图3所示)、由于采集过程中人体自主或不自主的运动引起的运动伪影(图中未示出)、由于数据缺失或截断引起的截断伪影(图中未示出)等。在一些实施例中，上述图像质量问题还可以包括一个或多个非伪影类型，例如由于信噪比、分辨率、对比度等引起的图像质量问题。

在一些实施例中，识别医学图像中的图像质量类型包括分析所述医学图像中的伪影(或非伪影)与至少一个伪影类型(或至少一个非伪影类型)的匹配程度。所述匹配程度包括标签及其概率，所述概率为所述待判断图像中的伪影是某一种特定伪影的概率，例如，将待判断的医学图像输入到学习网络中进行识别，而输出的即为设定好的每种伪影代表的标签及所识别的伪影的概率，例如，输出：标签1-奈奎斯特伪影95％；标签2-运动伪影0％；标签3-加速伪影0％；标签4-截断伪影0％等等。在一些实施例中，识别医学图像的图像质量类型还包括输出与所述医学图像的匹配程度大于预设值或匹配程度在预设排名之内的伪影类型，例如，仅输出：标签1-奈奎斯特伪影95％，或奈奎斯特伪影95％。

尽管上述列举了伪影类型的输出方式，然而本领域技术人员应该知晓，可以通过其他方式来输出伪影类型，并不局限在上述方式，例如，可以输出标签编码或者输出具体的伪影类型或者其任意组合等等。

此外，尽管上述实施例中仅列举了四种伪影类型，然而本领域技术人员应该知晓，在实际成像过程中远不止这四种伪影类型，而且本发明实施例中的医学成像方法也并非限于只能识别上述四种伪影，可以在学习网络的训练阶段输入各种图像质量类型对应的数据集，使得能够通过学习网络识别不同的图像质量类型。

所述学习网络是通过训练数据的准备，学习网络模型的选择和构建，学习网络的训练、测试以及优化完成的。

在一些实施例中，所述学习网络是基于样本图像(已知输入)及其对应的图像质量类型(期望输出)的数据集训练得到的，具体地，所述学习网络的训练包括以下步骤一到步骤三。

步骤一：获取多幅具有图像质量问题(例如伪影和/或非伪影的质量问题)的医学图像作为样本图像集。在一些实施例中，所述样本图像是基于医学成像系统重构得到的医学图像进行预处理之后得到的，其中，预处理包括归一化处理等。在另一些实施例中，也可以将未进行归一化处理的医学图像作为样本图像集，并将所述样本图像集输入到学习网络中，然后基于学习网络中的归一化层对所述样本图像进行归一化处理。在一些实施例中，所述样本图像是通过在医学成像系统的多个特定成像条件下获得的医学图像，上述的特定成像条件可以包括，例如：一种硬件配置或扫描流程使得容易获得奈奎斯特伪影、另一种硬件配置或扫描流程使得容易获得加速伪影、成像部位(例如人体的心脏)运动状态下进行扫描使得容易获得运动伪影、或者多种成像条件的组合使得其中包括两种以上不同类型的伪影。

步骤二：获取所述样本图像集中每幅图像的图像质量类型(可以采用标签的形式表示)作为图像质量类型集。在一些实施例中，所述图像质量类型可以基于经验预先判断得到。在一些实施例中，所述样本图像对应的图像质量类型可以通过标签的形式表示的，例如，标签1代表奈奎斯特伪影，标签2代表运动伪影，标签3代表加速伪影，标签4代表截断伪影等等，进一步地，也可以设置标签0代表非伪影类型，或者具体设置不同的标签代表不同的非伪影质量类型，然而本领域技术人员可以理解，上述图像质量类型并不局限上述表示方式，也可以采用任何合适的方式，上述标签的方式以及代表的内容也都可以进行变更。

步骤三：将所述样本图像集作为输入，所述图像质量类型集作为输出，训练学习网络，以得到所述训练的学习网络。在一些实施例中，可以基于新的样本图像集及其对应的图像质量类型集对所述训练好的学习网络进行更新，其中，所述图像质量类型集可以基于经验预先判断得到，也可以是基于上述训练好的学习网络得到的。

在一些实施例中，所述学习网络是基于ResNet(ResidualNetwork)或VGGNet(Visual Geometry Group Network)或其他公知的模型进行训练的。由于ResNet中的处理层的数量可以设置的很多(可以达到1000层以上)，相应地，基于该网络结构的分类(例如，伪影类型的判断)的效果也就更好，此外，Resnet也更容易基于更多的训练数据进行学习网络的优化。

图4示出了根据本发明一些实施例的学习网络150。如图4所示，学习网络150包括包括输入层151、处理层(或称为隐藏层)152以及输出层153。在一些实施例中，如图4所示，处理层152包括第一卷积层155，第一池化层156，以及全连接层157。第一卷积层155用于对输入的图像(或像素)进行卷积，得到第一卷积层的特征图。第一池化层156对第一卷积层的特征图进行池化(下采样)，以对第一卷积层的特征图进行压缩以及提取主要特征，以得到第一池化层的特征图。全连接层157可以基于第一池化层的特征图输出判断结果。

虽然图4仅示出了一个卷积层的示例，在其它示例中，卷积层的数量可以为任意个，所述卷积层的数量可以根据学习网络中输入数据的大小(例如图像中像素的数量)等进行适应性调整，例如，在第一池化层156以及全连接层157之间还包括第二卷积层以及第二池化层(图中未示出)，或者，在第一池化层156以及全连接层157之间还包括第二卷积层以及第二池化层，以及第三卷积层以及第三池化层(图中未示出)等等。

虽然图4仅示出了卷积层与输入层连接，池化层与卷积层连接，全连接层与池化层连接，在其它示例中，在上述任一两个层之间可以设置任意数量的任意类型的处理层，例如，在卷积层与输入层之间设置归一化层，以对输入的图像(或像素)进行归一化处理，或者，在全连接层与池化层设置激活层，以利用修正线性单元(Rectified linear unit,ReLU)激活函数对池化层的特征图进行非线性映射。

在一些实施例中，每个层都包括若干个神经元160，且每个层中的神经元的数量可以相同，也可以根据需要进行不同的设置。通过将样本数据集(已知输入)和图像质量类型集(期望输出)输入到学习网络中，通过设置学习网络中处理层的数量和每个处理层中神经元的数量，并估计(或调整或校准)学习网络的权重和/或偏差，以识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系,学习过程通常利用(部分)输入数据，并为该输入数据创建网络输出，然后基于已知输入对应的创建的网络输出与该数据集的期望输出进行比较，其差值即为损失函数(loss function)，通过损失函数可以迭代地更新网络的参数(权重和/或偏差)，使损失函数不断减小，从而训练出更高的准确率的神经网络模型。在一些实施例中，可以用作损失函数的函数有很多，包括但不限于均方误差(mean suqared)，交叉熵误差(cross entropy error)等。当学习网络创建或训练好时，只要将待判断的医学图像输入到学习网络中，就可以获取到该图像的图像质量类型，或与该图像质量类型相关的标签、匹配程度等信息。

在一个实施例中，虽然学习网络150的配置将由估计问题的先验知识、输入、输出等的维度引导，但学习本身被视为“黑盒子”，并且主要依赖于或者专门根据输入数据实现所需输出数据的最佳近似。在各种替代实施方式中，可以利用数据，成像几何，重建算法等的某些方面和/或特征来为学习网络150中的某些数据表示赋予明确的含义。这可以有助于加速训练。因为这创建了在学习网络150中单独训练(或预训练)或定义某些层的机会。

请继续参考图1，在步骤120中，基于所识别的图像质量类型，生成相应的用于控制医学成像系统的控制信号。

图5示出了根据本发明一些实施例的医学成像方法中的基于所识别的图像质量类型，生成相应的用于控制医学成像系统的控制信号(步骤120)的流程示意图。如图5所示，通过将待判断的医学图像输入到学习网络中，即可得到所述医学图像的伪影类型。

当所述医学图像被识别为磁共振图像中的加速伪影时，生成第一控制信号，以控制所述医学成像系统发出调节加速因子的警告信号。当所述医学图像被识别为磁共振图像中的运动伪影时，生成第二控制信号以控制所述医学成像系统发出关于检测对象运动的警告信号。

在一些实施例中，所述警告信号可以通过医学成像系统的显示单元(如图6所示的MRI系统中的显示单元260)显示，所述显示单元的图形用户界面可以显示报警标志，例如通过颜色、符号等表示的报警标志。所述显示单元的图形用户界面可以显示例如伪影类型，以及所对应的校正方法或医学成像系统中某些扫描系数的调整或其他相关的信息。在另一些实施例中，所述警告信号可以通过医学成像系统的报警装置发出，其中所述报警装置可以是例如喇叭、警报器或者任何其它已知类型的报警装置。

当所述医学图像被识别为磁共振图像中的奈奎斯特伪影时，生成第三控制信号以控制所述医学成像系统启动校准模式。在一些实施例中，当所述医学图像被识别为奈奎斯特伪影时，进一步对学习网络输出的匹配程度(例如，概率)进行阈值比较，若所述匹配程度高于预设的阈值(例如，80％)，则生成第三控制信号以控制所述医学成像系统(停止扫描工作并)启动校准模式。在一些实施例中，所述校准模式包括对梯度系统的调整或补偿等。本领域技术人员应该理解，上面的描述并不限于只能针对奈奎斯特伪影进行匹配程度的阈值比较，针对其他伪影类型或图像质量图像质量类型也可以进行相同的或类似的比较。此外，本领域技术人员应该理解，本发明的实施例并非限定当识别出是奈奎斯特伪影时就自动启动校准模式，也可以设置为当识别出奈奎斯特伪影时，医学成像系统基于报警、问询或其它方式的信号进行人机交互，并基于交互结果开启或启动校准模式。

在一些实施例中，所述控制信号可以基于不同的伪影类型被设置成执行不同的功能，也并不限于上述提出的两种功能，也可以有任何其他的功能，例如对医学成像系统的自检、成像图像的历史数据分析等。

在一些实施例中，在步骤110(基于训练的学习网络，识别医学图像中的图像质量的类型)之前，还包括基于用户的指令接收由所述医学成像系统生成的所述医学图像。用户的指令可以通过医学成像系统的操作控制台单元(如图6所示的MRI系统中的操作控制台单元250)输入，进一步地，可以通过控制器单元(或其他控制装置或计算机)接收操作者控制台单元发送的用户指令。在一些实施例中，用户的指令也可以通过医学成像系统的显示单元中的按钮或按键(如图6所示的MRI系统中的操作控制台单元260)输入，进一步地，可以通过控制器单元(或其他控制装置或计算机)接收显示单元发送的用户指令。例如，用户可以基于对医学图像的预判(例如认为其影响诊断)选择针对该图像执行上述的步骤110和120，此时，通过用户的操作指令，在执行步骤110之前，将该图像发送给用于识别图像质量类型的模块。

在一些实施例中，可以通过不同类型的伪影的样本图像集及其对应的伪影类型集训练学习网络，该学习网络不仅对训练数据集的数量要求较低，且可以准确地识别出医学成像系统得到的医学图像中的伪影的类型，然而该学习网络也会存在一些问题，例如，如果一幅被误认为存在伪影的医学图像(由于其他原因造成的图像质量问题，例如信噪比、对比度、分辨率等造成的图像质量问题)被输入到学习网络中，尽管学习网络输出的匹配程度会较低，但是也会存在误判的情况。因此，进一步地，在学习网络的训练和/或更新阶段，也可以输入一些不存在伪影但是具有其它质量问题的图像，其对应的图像质量类型可以设定为例如标签0-无伪影，通过上述设置，当用户发现医学图像质量不好但认为是伪影的情况下，启动本发明实施例所提供的医学成像方法，可以通过学习网络的识别输出“非伪影或无伪影”的控制信号，以控制医学成像系统发出警告信号(或例如标签)给医生或者启动相应的校准模式，一方面方便医生排查其他造成图像质量下降的原因或者改善这类图像质量问题，另一方面，也可以更好的应对医生的误启动或误操作的情况。

更进一步地，在学习网络的训练和/或更新阶段，输入包括不同的非伪影类型的样本图像，其对应的图像质量类型可以设定为不同的标签，例如标签11-信噪比问题，标签12-对比度问题，标签13-分辨率问题等，通过上述设置，当用户发现医学图像质量不好的情况下，无需预判，即可启动本发明实施例所提供的医学成像方法进行图像质量问题识别，此外，可以通过学习网络的识别输出相应的的控制信号，以控制医学成像系统发出警告信号(或例如标签)给医生或者启动相应的不同的校准模式(例如，调整扫描时间或扫描参数等)。

本发明提出的基于深度学习的医学成像方法，可以更精确、更及时地判断医学图像中的诸如不同伪影的图像质量类型，不再依靠于现场工程师的经验判断，此外，基于判断出来的图像质量类型，可以生成用于控制医学成像系统的控制信号，以帮助用户及时了解图像质量问题形成的客观原因，更可以进一步调整或校准医学成像系统，可以更快地解决图像质量问题。

图6示出了根据本发明一些实施例中的MRI系统200的示意图。如图6所示，MRI系统200包括扫描仪210、控制器单元220和数据处理单元230。上述MRI系统200仅作为一个示例进行描述，在其它实施例中，该MRI系统200可以具有多种变换形式，只要能够从被检测对象采集图像数据即可。

扫描仪210可以用于获取被检测对象216的数据，控制器单元220耦合至扫描仪210，以用于控制扫描仪210的操作。扫描仪210可以包括主磁体211、射频发射线圈212、射频发生器213、梯度线圈系统217、梯度线圈驱动器218以及射频接收线圈219。

主磁体211通常包括例如环形超导磁体，该环形超导磁体安装在环形的真空容器内。该环形超导磁体限定了环绕被检测对象216的圆柱形的空间。并沿圆柱形空间的Z方向生成恒定的静磁场，如静磁场B0。MRI系统200利用所形成的静磁场B0将静磁脉冲信号发射至放置在成像空间中的被检测对象216，使得被检测对象216体内的质子的进动有序化，产生纵向磁化矢量。

射频发生器213用于产生射频脉冲，射频脉冲可以包括射频激发脉冲，该射频激发脉冲经(例如射频功率放大器(未示出))放大后施加至射频发射线圈212，使得射频发射线圈212向被检测对象216发射正交于静磁场B0的射频磁场B1以激发被检测对象216体内的原子核，纵向磁化矢量转变为横向磁化矢量。当射频激发脉冲结束后，被检测对象216的横向磁化矢量逐渐恢复为零的过程中产生自由感应衰减信号，即能够被采集的磁共振信号。

射频发射线圈212可以为体线圈，该体线圈可以连接发射/接收(T/R)开关(未示出)，通过控制该发射/接收开关可以使得体线圈在发射和接收模式进行切换，在该接收模式时，体线圈可以用于接收来自被检测对象216的磁共振信号。

梯度线圈系统217在成像空间中形成梯度磁场以便为上述磁共振信号提供三维位置信息。该磁共振信号可以由射频接收线圈219或者接收模式下的体线圈所接收，数据处理单元230可以对接收到的磁共振信号进行处理以获得需要的图像或图像数据。

具体地，梯度线圈系统217可以包括三个梯度线圈，三个梯度线圈中的每一个生成倾斜到互相垂直的三个空间轴(例如X轴、Y轴和Z轴)之一中的梯度磁场，并且根据成像条件在切片选择方向、相位编码方向和频率编码方向中的每一个上生成梯度场。更具体地，梯度线圈系统217在被检测对象216的切片选择方向上施加梯度场以便选择切片；并且射频发射线圈212将射频激发脉冲发射至被检测对象216的所选的切片并激发该切片。梯度线圈系统217也在被检测对象216的相位编码方向上施加梯度场，以便对被激发的切片的磁共振信号进行相位编码。梯度线圈系统217随后在被检测对象216的频率编码方向上施加梯度场，以便对被激发的切片的磁共振信号进行频率编码。

梯度线圈驱动器218用于响应控制器单元230发出的序列控制信号为上述三个梯度线圈分别提供合适的功率信号。

扫描仪210还可以包括数据采集单元214，该数据采集单元用于采集由射频表面线圈219或者体线圈接收的磁共振信号，该数据采集单元214可以包括，例如射频前置放大器(未示出)、相位检测器(未示出)以及模拟/数字转化器(未示出)，其中射频前置放大器用于对射频表面线圈219或者体线圈接收的磁共振信号进行放大，相位检测器用于对放大后的磁共振信号进行相位检测，模拟/数字转换器用于将经相位检测的磁共振信号从模拟信号转换为数字信号。上述数字化的磁共振信号可以经由数据处理单元230进行运算、重建等处理，以获得医学图像，例如本发明实施例中描述的需要识别图像质量类型的医学图像。

数据处理单元230可以包括计算机和存储介质，在该存储介质上记录要由计算机执行的预定数据处理的程序。数据处理单元230可以连接至控制器单元220，并且基于从控制器单元220接收到的控制信号来执行数据处理。数据处理单元230也可以连接至数据采集单元214，以接收数据采集单元214输出的磁共振信号以便执行上述数据处理。

控制器单元220可以包括计算机和存储介质，该存储介质用于存储可以由计算机执行的程序，当计算机执行程序时，可以使扫描仪210的多个部件实施对应于上述成像序列的操作。还可以使数据处理单元230执行预定的数据处理。当计算机执行程序时，还可以执行上述的医学成像方法，以识别医学图像的图像质量类型，并输出用于控制MRI系统200的任一部件或模块的控制信号，例如，该控制信号可以针对识别的图像质量类型对MRI系统200进行合适的校准，例如，针对一种图像质量问题，可以对梯度相关的参数进行调整，针对另一种图像质量问题，可以对射频相关的参数进行调整。

控制器单元220和数据处理单元230的存储介质可以包括例如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220可以被设置和/或布置成以不同的方式使用。例如，在一些实现中，可以使用单个控制器单元220；在其他实现中，多个控制器单元220被配置成一起(例如，基于分布式处理配置)或单独地工作，每个控制器单元220被配置成处理特定方面和/或功能，和/或处理用于生成仅用于特定的医学成像系统200的模型的数据。在一些实现中，控制器单元220可以是本地的(例如，与一个或多个医学成像系统200同地，例如在同一设施和/或同一局部网络内)；在其他实现中，控制器单元220可以是远程的，因此只能经由远程连接(例如，经由因特网或其他可用的远程访问技术)来访问。在特定实现中，控制器单元220可以以类似云的方式配置，并且可以以与访问和使用其他基于云的系统的方式基本上相似的方式被访问和/或使用。

MRI系统200还包括用于将被检测对象216放置于其上的工作台240。可以基于来自控制器单元220的控制信号通过移动工作台240将被检测对象216移入或移出成像空间。

MRI系统200还包括连接至控制器单元220的操作控制台单元250，操作控制台单元250可以将获取的操作信号发送给控制器单元220，以控制例如工作台240、扫描仪210的上述各部件的工作状态。该操作信号可以包括，例如通过手动或自动方式选择的扫描协议、参数等、该扫描协议可以包括上述的成像序列，此外，操作控制台单元250可以将获取的操作信号发送给控制器单元220，以控制数据处理单元230以便获得期望的图像。

操作控制台单元250可以包括用户输入设备，诸如键盘、鼠标、语音激活控制器或任何其他适合的输入设备等操作者界面的某个形式，操作者可以通过用户输入设备来向控制器单元220输入操作信号/控制信号。

MRI系统200还可以包括显示单元260，其可以连接操作控制台单元250以显示操作界面，还可以连接数据处理单元230以显示图像，还可以通过显示单元260显示识别的图像质量类型以及相应的报警信号。

在某些实施例中，系统200可以经由一个或多个可配置的有线和/或无线网络，诸如互联网和/或虚拟专有网络，来连接至一个或多个显示单元、云网络、打印机、工作站和/或位于本地或远程的类似装置。

图7示出了根据本发明一些实施例的医学成像系统300的示意图。如图7所示，医学成像系统300包括识别模块310和控制模块320。

识别模块310用于基于训练的学习网络，识别所述医学成像系统生成的医学图像的图像质量类型。在一些实施例中，识别模块310与设置在如图6所示的MRI系统200中的控制器单元220连接或作为该控制器单元220的一部分。

在一些实施例中，上述图像质量类型可以包括一个或多个伪影类型，例如奈奎斯特伪影、加速伪影、运动伪影等等。在一些实施例中，上述图像质量问题还可以包括一个或多个非伪影类型，例如由于信噪比、分辨率、对比度等引起的图像质量问题。在一些实施例中，识别模块310可以输出医学图像中的伪影(或非伪影)以及所述伪影(或非伪影)与至少一个伪影类型(或非伪影类型)的匹配程度。在一些实施例中，所述匹配程度包括标签及其概率，例如，当将待判断伪影类型的医学图像输入到学习网络时，学习网络便可输出该待判断图像中的伪影类型，而输出的即为设定好的每种伪影代表的标签及所识别的伪影的概率。在一些实施例中，识别模块310进一步用于输出与所述医学图像的匹配程度大于预设值或匹配程度在预设排名之内的伪影类型。

上述的训练的学习网络是基于外部载体(例如，医学成像系统之外的设备)上的训练系统训练得到的。在一些实施例中，所述训练系统基于样本图像及其对应的图像质量类型的数据集，基于ResNet或VGGNet或其他公知的模型，训练所述的学习网络。在一些实施例中，训练系统可以包括用于存储训练数据集的第一模块，用于基于模型进行训练和/或更新的第二模块，以及用于连接第一模块和第二模块的网络。在一些实施例中，所述第一模块包括第一处理单元和第一存储单元，其中第一存储单元用于存储训练数据集，第一处理单元用于接收相关的指令(例如，获取训练数据集)并根据指令发送所述训练数据集，此外，所述第二模块包括第二处理单元和第二存储单元，其中第二存储单元用于存储训练模型，第二处理单元用于接收相关的指令、进行学习网络的训练和/或更新等，在另一些实施例中，还可以将训练数据集存储在第二模块的第二存储单元中，训练系统可以不包括第一模块。在一些实施例中，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

一旦数据(例如，训练的学习网络)被生成和/或配置，数据就可以被复制和/或加载到MRI系统200中，这可以以不同的方式完成。例如，可以通过MRI系统200和控制器单元220之间的定向连接或链路加载模型。就这一点而言，可以使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或网络)标准或协议来完成不同元件之间的通信。备选地或另外地，数据可以间接地加载到MRI系统200中。例如，数据可以存储到合适的机器可读介质(例如，闪存卡等)中，然后使用该介质将数据加载到MRI系统200(现场，诸如由系统的用户或授权人员)，或者数据可以下载到能够本地通信的电子设备(例如，笔记本电脑等)中，然后在现场使用(例如，由系统的用户或授权人员)该设备以将该数据经由直接连接(例如，USB连接器等)上传到MRI系统200中。

控制模块320用于基于所识别的图像质量的类型，生成相应的用于控制所述医学成像系统的控制信号。在一些实施例中，所述控制模块320与如图6所示的MRI系统200中的控制器单元220连接或作为该控制器单元220的一部分，以基于图像质量的类型，控制所述医学成像系统发出警告信号或进行校准。

图像质量类型包括一个或多个伪影类型，在一些实施例中，控制模块320包括第一控制单元(图中未示出)，所述第一控制单元用于基于所述识别模块输出的磁共振图像中的加速伪影类型，生成第一控制信号，以控制所述医学成像系统发出调节加速因子的警告信号。

控制模块320包括第二控制单元(图中未示出)，所述第二控制单元用于基于所述识别模块输出的磁共振图像中的运动伪影，生成第二控制信号，以控制所述医学成像系统发出关于检测对象运动的警告信号。

在一些实施例中，所述警告信号可以通过医学成像系统的显示单元(如图6所示的MRI系统中的显示单元260)显示，或通过医学成像系统的报警装置发出。

控制模块320包括第三控制单元(图中未示出)，所述第三控制单元用于基于所述识别模块输出的磁共振图像中的奈奎斯特伪影时，生成第三控制信号，以控制所述医学成像系统启动校准模式。

在一些实施例中，控制模块进一步包括匹配程度比较单元，其与第三控制单元连接，用于将识别模块310输出的所述匹配程度与预设阈值进行比较，第三控制单元基于识别模块310输出的奈奎斯特伪影以及所述比较结果生成所述第三控制信号，具体地，当识别模块输出的匹配程度超过预设阈值时，第三控制单元生成第三控制信号。

在一些实施例中，医学成像系统300进一步包括接收模块340，其用于基于用户的指令接收由医学成像系统生成的所述医学图像。进一步地，接收模块340与如图6所示MRI系统200中的操作者控制台单元250连接，以接收用户的命令，可选地，接收模块340与控制器单元220(如图6所示)连接，以通过控制器单元220接收用户通过操作者控制台单元250发送的命令。

图8示出了根据本发明另一些实施例的医学成像系统400的示意图。如图8所示，与图7所示的一些实施例所述的医学成像系统300不同的是，医学成像系统400进一步包括训练模块430。训练模块430基于样本图像及其对应的图像质量类型的数据集，基于ResNet或VGGNet或其他公知的模型，训练所述的学习网络。在一些实施例中，训练数据集存储在MRI系统200的控制器单元220的存储介质中，训练模块430可以通过获取所述训练数据集以对学习网络进行训练和/或更新。

本发明还可以提供一种非暂态计算机可读存储介质，其用于存储指令集和/或计算机程序，该指令集和/或计算机程序由计算机执行时使计算机执行上述的获取截断部分预测图像的方法，执行该指令集和/或计算机程序的计算机可以为MRI系统的计算机，也可以为MRI系统的其它装置/模块，在一种实施例中，该指令集和/或计算机程序可以编制于计算机的处理器/控制器中。

具体地，该指令集和/或计算机程序由计算机执行时使计算机：

基于训练的学习网络，识别医学图像的图像质量类型；以及

基于所识别的图像质量类型，生成相应的用于控制医学成像系统的控制信号。

如上所述的指令可以被合并为一个指令执行，任一指令也可以被拆分成多个指令以执行，此外，也并不限于按照上述的指令执行顺序。

在一些实施例中，在识别医学图像中的图像质量的类型之前还包括基于用户的指令接收由所述医学成像系统生成的所述医学图像。

如本文使用的，术语“计算机”可包括任何基于处理器或基于微处理器的系统，其包括使用微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、逻辑电路和能够执行本文描述的功能的任何其它电路或处理器的系统。上文的示例只是示范性的，并且从而不意在采用任何方式限制术语“计算机”的定义和/或含义。

指令集可包括各种命令，其指示作为处理机的计算机或处理器执行特定的操作，例如各种实施例的方法和过程。指令集可采用软件程序的形式，该软件程序可形成一个或多个有形的非暂时性计算机可读介质的一部分。该软件可采用例如系统软件或应用软件的各种形式。此外，该软件可采用独立程序或模块的集合、在更大程序内的程序模块或程序模块的一部分的形式。该软件还可包括采用面向对象编程的形式的模块化编程。输入数据由处理机的处理可响应于操作者命令，或响应于先前的处理结果，或响应于由另外一个处理机作出的请求。

上面已经描述了一些示例性实施例，然而，应该理解的是，可以做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，则可以实现合适的结果。相应地，其他实施方式也落入权利要求的保护范围内。

Claims (22)

1.一种医学成像方法，其包括：

基于训练的学习网络，识别医学图像的图像质量类型；以及

基于所识别的图像质量类型，生成相应的用于控制医学成像系统的控制信号。

2.如权利要求1所述的方法，其中，在识别医学图像中的图像质量类型之前还包括基于用户的指令接收由所述医学成像系统生成的所述医学图像。

3.如权利要求1所述的方法，其中，所述学习网络是基于样本图像及其对应的图像质量类型的数据集训练得到的。

4.如权利要求1所述的方法，其中，所述图像质量类型包括一个或多个伪影类型。

5.如权利要求1所述的方法，其中，所述图像质量类型包括一个或多个非伪影类型。

6.如权利要求4所述的方法，其中，识别医学图像的图像质量类型包括分析所述医学图像中的伪影与所述一个或多个伪影类型的匹配程度。

7.如权利要求6所述的方法，其中，识别医学图像的图像质量类型还包括输出与所述医学图像的匹配程度大于预设值或匹配程度在预设排名之内的伪影类型。

8.如权利要求4所述的方法，其中，当所述医学图像被识别为磁共振图像中的加速伪影时，生成第一控制信号以控制所述医学成像系统发出调节加速因子的警告信号。

9.如权利要求4所述的方法，其中，当所述医学图像被识别为磁共振图像中的运动伪影时，生成第二控制信号以控制所述医学成像系统发出关于检测对象运动的警告信号。

10.如权利要求4所述的方法，其中，当所述医学图像被识别为磁共振图像中的奈奎斯特伪影时，生成第三控制信号以控制所述医学成像系统启动校准模式。

11.如权利要求6所述的方法，其中，当所述医学图像被识别为磁共振图像中的奈奎斯特伪影，且所述匹配程度超过预设阈值时，生成第三控制信号以控制所述医学成像系统启动校准模式。

12.一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行权利要求1-11任一项所述的医学成像方法。

13.一种医学成像系统，其包括：

识别模块，其用于基于训练的学习网络，识别所述医学成像系统生成的医学图像的图像质量类型；以及

控制模块，其用于基于所识别的图像质量类型，生成相应的用于控制所述医学成像系统的控制信号。

14.如权利要求13所述的系统，其中，进一步包括：

训练模块，其用于基于样本图像及其对应的图像质量类型的数据集以训练所述学习网络。

15.如权利要求13所述的系统，其中，进一步包括：

接收模块，其用于基于用户的指令接收由所述医学成像系统生成的所述医学图像。

16.如权利要求13所述的系统，其中，所述图像质量类型包括一个或多个伪影类型。

17.如权利要求13所述的系统，其中，所述图像质量类型包括一个或多个非伪影类型。

18.如权利要求16所述的系统，其中，所述识别模块输出所述医学图像中的伪影，以及所述伪影与所述一个或多个伪影类型的匹配程度。

19.如权利要求16所述的系统，其中，所述控制模块包括第一控制单元，其用于基于所述识别模块输出的磁共振图像中的加速伪影类型，生成第一控制信号，以控制所述医学成像系统发出调节加速因子的警告信号。

20.如权利要求16所述的系统，其中，所述控制模块包括第二控制单元，其用于基于所述识别模块输出的磁共振图像中的运动伪影，生成第二控制信号，以控制所述医学成像系统发出关于检测对象运动的警告信号。

21.如权利要求16所述的系统，其中，所述控制模块包括第三控制单元，其用于基于所述识别模块输出的磁共振图像中的奈奎斯特伪影时，生成第三控制信号，以控制所述医学成像系统启动校准模式。

22.如权利要求21所述的系统，其中，所述控制模块进一步包括匹配程度比较单元，其与所述第三控制单元连接，用于将识别模块输出的所述匹配程度与预设阈值进行比较，第三控制单元基于所述识别模块输出的奈奎斯特伪影以及所述比较结果生成所述第三控制信号。

Images