CN112240995A - 用于从磁共振校准图像预测b1+标测图的系统和方法 - Google Patents

Abstract

本发明提供了用于使用深度神经网络从磁共振校准图像预测B₁ ⁺场标测图的方法和系统。在示例性实施方案中，用于磁共振成像的方法包括：获取解剖区域的磁共振(MR)校准图像，利用训练的深度神经网络将MR校准图像映射到传输场标测图(B₁ ⁺场标测图)，获取解剖区域的诊断MR图像，以及利用B₁ ⁺场标测图校正诊断MR图像中的传输场的不均匀性。进一步地，提供了用于收集和处理训练数据以及利用训练数据训练深度学习网络以从MR校准图像预测B₁ ⁺场标测图的方法和系统。

Description

用于从磁共振校准图像预测B1+标测图的系统和方法

技术领域

本文所公开的主题的实施方案涉及磁共振成像(MRI)，并且更具体地，涉及使用深度神经网络从磁共振(MR)校准图像预测B₁ ⁺场标测图的系统和方法。

背景技术

在MRI中，传输射频场(B₁ ⁺场，本文也称为传输场)取决于MRI系统的主磁场、传输线圈设计、受检者体形和身体的电磁属性。因此，即使在考虑MRI系统的主磁场和传输线圈设计之后，B₁ ⁺场也可根据正被成像的特定组织/解剖区域在成像的解剖区域内在空间上变化(即，B₁ ⁺场可含有空间不均匀性)。B₁ ⁺场不均匀性可对MRI造成挑战。例如，B₁ ⁺场不均匀性可导致MR图像质量劣化，诸如低信噪比(SNR)和图像阴影。

在过去几年中，已开发出各种方法来获得B₁ ⁺场的准确测量，以便解释B₁ ⁺场的不均匀性。用于测量B₁ ⁺场的一种方法使用双角度梯度回波序列；然而，对于3D体积，获取时间非常长。另一种方法使用基于Bloch-Siegert位移的方法；然而，对于3D体积，获取时间也非常长(3分钟至5分钟)。又一种方法使用被称为双重聚焦回波获取模式(DREAM)的B₁序列，但测量的B₁ ⁺场不准确，这取决于组织T1/T2/T2*特性。因此，通常期望探索用于快速准确地确定B₁ ⁺场的技术。

发明内容

本公开至少部分地解决了上述问题。在一个实施方案中，用于磁共振成像的方法包括：获取解剖区域的磁共振(MR)校准图像，利用训练的深度神经网络将MR校准图像映射到传输场标测图(B₁ ⁺场标测图)，获取解剖区域的诊断MR图像，以及利用B₁ ⁺场标测图校正诊断MR图像中的传输场的不均匀性。以这种方式，可以使用MR校准图像快速准确地预测B₁ ⁺标测图，并且可在传输场不均匀性降低的情况下产生诊断图像。

在单独或与附图联系时，本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解，提供以上概述是为了以简化的形式介绍在详细描述中进一步描述的一些概念。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示出了MRI系统的示例性实施方案的框图；

图2是示出根据示例性实施方案的用于从MR校准图像预测B₁ ⁺标测图的系统的示意图；

图3是示出根据示例性实施方案的可在图2的系统中使用的深度学习网络的布局的示意图；

图4是示出根据示例性实施方案的利用从MR校准图像获得的B₁ ⁺标测图进行磁共振成像的方法的流程图；

图5是示出根据示例性实施方案的用于训练深度学习网络以从MR校准图像预测B₁ ⁺标测图的方法的流程图；

图6是示出根据示例性实施方案的用于收集和策划用于训练深度学习网络的数据以从MR校准图像预测B₁ ⁺标测图的方法的流程图；

图7示出了使用预测的B₁ ⁺标测图进行阴影校正的腹部横截面的MR图像；并且

图8示出了使用预测的B₁ ⁺场标测图进行阴影校正的胸部横截面的MR图像。

附图示出了用于使用深度神经网络从MR校准图像预测B₁ ⁺场标测图的所述系统和方法的具体方面。连同以下描述，附图示出并且解释了本文描述的结构、方法和原理。在附图中，为了清楚起见，部件的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

以下描述涉及用于从MR校准图像预测B₁ ⁺场标测图的各种实施方案，绕过了使用耗时和/或不一致的常规方法测量B₁ ⁺场的需要。在一些实施方案中，由MRI系统(诸如图1的MRI系统)获取的MR校准图像可由图像处理系统(诸如图2所示的图像处理系统)处理。图像处理系统可包括存储在非暂态存储器中的深度神经网络，诸如图3中示意性示出的深度神经网络。图像处理系统和MRI系统可以执行利用从MR校准图像获得的B₁ ⁺场标测图进行磁共振成像的方法，诸如图4所示的方法。深度神经网络可以使用例如图5所示的方法来训练，该方法使用测量的B₁ ⁺场标测图和对应的MR校准图像，其中测量的B₁ ⁺场标测图可根据图6所示的方法的操作中的一个或多个操作来处理。根据本公开的实施方案预测的B₁ ⁺场标测图可用于处理诊断MR图像，诸如执行阴影校正。图7和图8分别示出了在腹部和胸部的诊断MR图像中使用预测的B₁ ⁺场标测图进行的阴影校正。

B₁ ⁺场取决于主磁场、传输线圈设计、受检者体形和身体的电磁属性。受检者身体轮廓在确定传输场不均匀性方面起关键作用。因此，可以使用质子密度加权MRI体积(例如，其可从MR校准图像生成)来估计传输场，该质子密度加权MRI体积含有身体轮廓信息、体传输场和接收场信息。应当理解，也可使用其他对比。例如，在不脱离本公开的范围的情况下，可在校准扫描期间获取T1/T2混合对比并将其用于预测B₁ ⁺场。

在MR校准扫描期间例行地获取MR校准图像，以用于在患者解剖区域的诊断成像之前选择表面线圈元件、测量表面线圈灵敏度以校正信号阴影和/或加速数据获取。本公开通过从校准图像准确地预测B₁ ⁺场标测图使得能够附加地使用校准图像，从而使得能够以更少的MR扫描更快地确定B₁ ⁺场标测图，并且使得能够更精确地控制传输器增益。在一些实施方案中，校准扫描是预扫描的一部分，该预扫描可包括快速高阶匀场、线圈调谐/匹配、中心频率校准、传输器增益调整、接收器增益调整和虚设循环刺激。

在一些实施方案中，可以利用训练的深度神经网络将MR校准图像映射到对应的B₁ ⁺场标测图。可通过使用训练数据对来训练深度神经网络，每对训练数据对包括MR校准图像和对应的测量的B₁ ⁺标测图作为基准参考。为了增加深度神经网络的稳健性，训练数据可包括在多个解剖结构处测量的MR校准图像和B₁ ⁺场标测图，以在训练数据集中提供各种不同的体形。对于在深度神经网络的训练中使用的测量的B₁ ⁺场标测图，其中的背景噪声可降低训练效率和模型准确性。因此，可通过使用掩蔽来抑制测量的B₁ ⁺场标测图中的背景噪声。测量的B₁ ⁺标测图的前景也可包括噪声，诸如测量的B₁ ⁺场中的急剧、不连续的变化。通过将函数(诸如多项式函数、调和函数或其他函数)拟合到测量的B₁ ⁺场的前景，可降低不连续性和粗糙度，从而促进深度神经网络训练并且能够从MR校准图像更准确地预测B₁ ⁺标测图。

图1示出了MRI系统10，该MRI系统包括静磁场磁体单元12、梯度线圈单元13、RF线圈单元14、RF体或体积线圈单元15、传输/接收(T/R)开关20、RF驱动器单元22、梯度线圈驱动器单元23、数据获取单元24、控制器单元25、患者检查床或床26、图像处理系统31、用户输入设备32和显示设备33。在一些实施方案中，该RF线圈单元14是表面线圈，其是通常被放置在受检者16的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系统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MR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。磁体限定了围绕受检者16的圆柱形空间，并且生成恒定的主静磁场B₀。

MRI系统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在受检者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脉冲传输到受检者16的所选择的切片。梯度线圈单元13还在受检者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在受检者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被设置为例如包围受检者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。在其中由静磁场磁体单元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脉冲传输到受检者16，并且从而生成高频磁场B₁。这激发了受检者16的待成像的切片中的质子自旋。RF线圈单元14接收当在受检者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。

患者身体轮廓和组织特定属性的差异可导致B₁场的不均匀性，这可导致所得MR图像内的强度不均匀性(也称为阴影)。本文提供了可以至少部分地解决由B₁场不均匀性引起的MR图像中的阴影的系统和方法。

RF体线圈单元15被设置为例如包围成像空间18，并且在成像空间18内产生与由静磁场磁体单元12产生的主磁场B₀正交的RF磁场脉冲以激发核。RF线圈单元14可以从MRI系统10断开并替换为另一个RF线圈单元，相比之下，RF体线圈单元15固定地附接和连接到MRI系统10。此外，尽管局部线圈诸如RF线圈单元14可以仅从受检者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可用于向受检者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，代价是沉积在受检者中的RF功率较高。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，从而减少沉积在受检者中的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，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图像处理系统31。

MRI系统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，可以使受检者16在成像空间18的内部和外部移动。

控制器单元25包括计算机和其上记录有要由计算机执行的程序的记录介质。程序当由计算机执行时使系统的各个部分执行与预定扫描对应的操作。记录介质可以包括例如ROM、软盘、硬盘、光盘、磁光盘、CD-ROM或非暂态存储器卡。控制器单元25连接到用户输入设备32并且处理输入到用户输入设备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还基于从用户输入设备32处接收的操作信号来控制图像处理系统31和显示设备33以获得期望的图像。

用户输入设备32包括用户输入设备，诸如触摸屏、键盘和鼠标。操作者使用用户输入设备32，例如，输入此类数据作为成像协议，并且设置待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。

图像处理系统31包括处理器和非暂态存储器，机器可执行指令可存储在该非暂态存储器上，其中机器可执行指令可以使处理器能够执行本文所公开的方法中的一种或多种方法的步骤中的一个或多个步骤。图像处理系统31可连接到控制器单元25，并且可基于从控制器单元25或用户输入设备32处接收的控制信号来执行数据处理。图像处理系统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输出的磁共振信号应用各种图像处理操作来生成光谱数据。

图像处理系统31可从MRI系统10获取的MR校准图像预测B₁ ⁺场标测图。并且MRI系统10可利用B₁ ⁺场标测图来调整用于获取诊断MR图像的扫描参数(例如，传输增益)，并且/或者成像处理系统31可使用B₁ ⁺场标测图来处理诊断MR图像。在一个示例中，图像处理系统31和MRI系统10可执行此类方法，这将在下面参考图4详细讨论。因此，图像处理系统31可使用快速获取的MR校准图像产生B₁ ⁺场标测图。在一些实施方案中，图像处理系统31还可被配置为基于相同解剖区域的预测的B₁ ⁺场标测图处理解剖区域的诊断MR图像，诸如通过基于预测的B₁ ⁺场标测图调整像素/体素强度，以校正或至少部分地减轻由B₁ ⁺场不均匀性导致的阴影。图像处理系统31还可被配置为经由显示设备33来显示B₁ ⁺场标测图和/或阴影校正的MR图像。

显示设备33基于从控制器单元25处接收的控制信号在显示设备的显示屏幕上显示图像。显示设备33显示例如由图像处理系统31产生的阴影校正的MR图像。显示设备33可以包括图形用户界面，其中用户可以经由用户输入设备32与一个或多个数据字段进行交互/输入/改变该一个或多个数据字段。显示单元33可显示由数据处理单元31生成的受检者16的二维(2D)切片图像或三维(3D)图像。

在扫描期间，RF线圈阵列交接电缆(图1中未示出)可以用于在RF线圈(例如，RF线圈单元14和RF体线圈单元15)和处理系统的其他方面(例如，数据获取单元24、控制器单元25等)之间传输信号，例如以控制RF线圈和/或从RF线圈接收信息。如前所述，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。更一般地，RF线圈用于传输RF激励信号(“传输线圈”)，并接收由成像受检者发射的MR信号(“接收线圈”)。在一些实施方案中，传输和接收线圈是单个机械和电气结构或结构阵列，传输/接收模式可由辅助电路切换。在其他示例中，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)可以包括单独部件。

参考图2，其示出了根据示例性实施方案的MR图像处理系统200。在一些实施方案中，将MR图像处理系统200结合到MRI系统中。在一些实施方案中，MR图像处理系统200的至少一部分设置在经由有线连接和/或无线连接通信地耦接到MRI系统的设备(例如，边缘设备、服务器等)处。在一些实施方案中，MR图像处理系统200的至少一部分设置在单独设备(例如，工作站)处，该单独设备可从MRI系统或者从存储由MRI系统生成的图像的存储设备接收图像。MR图像处理系统200可以包括图像处理系统31、用户输入设备32和显示设备33。

图像处理系统31包括处理器204，该处理器被配置为执行存储在非暂态存储器206中的机器可读指令。处理器204可以是单核或多核的，并且在其上执行的程序可以被配置用于进行并行或分布式处理。在一些实施方案中，处理器204可以可选地包括分布在两个或更多个设备中的单独组件，其可以被远程定位和/或配置用于协调处理。在一些实施方案中，处理器204的一个或多个方面可被虚拟化并由以云计算配置进行配置的可远程访问的联网计算设备执行。

非暂态存储器206可存储深度神经网络模块208、训练模块212和MR图像数据214。深度神经网络模块208可包括一个或多个深度神经网络，该一个或多个深度神经网络包括多个权重和偏差、激活函数、损失函数、梯度下降算法以及用于实现一个或多个深度神经网络以接收MR校准图像并将输入MR校准图像映射到输出的指令，其中输出可用于预测对应于MR校准图像的B₁ ⁺场标测图。例如，深度神经网络模块208可存储用于实现神经网络(诸如图3所示的卷积神经网络(CNN)架构300的CNN)的指令。深度神经网络模块208可包括训练和/或未训练的神经网络，并且还可包括与存储在其中的一个或多个神经网络模型相关联的各种数据，诸如训练数据、训练例程或参数(例如，权重和偏差)。

非暂态存储器206还可包括训练模块212，该训练模块包括用于训练存储在深度神经网络模块208中的深度神经网络中的一个或多个深度神经网络的指令。训练模块212可包括指令，该指令在由处理器204执行时使图像处理系统31进行在下面详细讨论的方法500和/或方法600的步骤中的一个或多个步骤。在一个示例中，训练模块212包括用于从MR图像数据214接收训练数据对的指令，该MR图像数据包括MR校准图像对和对应的基准B₁ ⁺场标测图，以用于训练存储在深度神经网络模块208中的深度神经网络中的一个或多个深度神经网络。在另一个示例中，训练模块212可包括用于根据图6所示的方法600的步骤中的一个或多个步骤从MR图像数据214中的未处理的B₁ ⁺场生成基准B₁ ⁺场标测图的指令。在一些实施方案中，训练模块212不设置在图像处理系统31处。深度神经网络模块208包括训练和验证的网络。

非暂态存储器206还可存储MR图像数据214，诸如由MRI系统捕获的MR图像。例如，MR图像数据214可包括MR校准图像、测量的B₁ ⁺场标测图、背景抑制的B₁ ⁺场标测图、预测的B₁ ⁺场标测图、阴影校正的和未阴影校正的MR图像等。在一些实施方案中，MR校准图像和对应的基准B₁ ⁺场标测图可以有序格式存储，使得受检者的解剖区域的每个MR校准图像与同一受检者的相同解剖区域的基准B₁ ⁺场标测图相关联。

在一些实施方案中，非暂态存储器206可以包括设置在两个或更多个设备上的组件，这些组件可以被远程定位和/或配置用于协调处理。在一些实施方案中，非暂态存储器206的一个或多个方面可以包括以云计算配置进行配置的可远程访问的联网存储设备。

图像处理系统200可以进一步包括用户输入设备32。用户输入设备32可包括触摸屏、键盘、鼠标、触控板、运动感测相机或被配置为使用户能够与图像处理系统31内的数据交互并操纵该数据的其他设备中的一者或多者。在一个示例中，用户输入设备32可使用户能够选择MR校准图像以用于预测B₁ ⁺场标测图。

显示设备33可包括几乎利用任何类型技术的一个或多个显示设备。在一些实施方案中，显示设备33可包括计算机监视器，并且可以显示未处理的和处理的MR图像和/或参数标测图。显示设备33可以与处理器204、非暂态存储器206和/或用户输入设备32结合在同一封装件中，或者可以是外围显示设备，并且可以包括监视器、触摸屏、投影仪或本领域已知的其他显示设备，其可以使用户能够查看由MRI系统产生的MR图像，并且/或者与存储在非暂态存储器206中的各种数据交互。

应当理解，图2中所示的图像处理系统200是用于说明而非限制。另一种合适的图像处理系统可以包括更多、更少或不同的组件。

转到图3，示出了根据示例性实施方案的用于从MR校准图像预测B₁ ⁺场标测图的CNN架构300。CNN架构300代表U-net架构，该U-net架构可分为自动编码器部分(下降部分，元件302b-330)和自动解码器部分(上升部分，元件332-356a)。CNN架构300被配置为接收包括多个像素/体素的解剖区域的MR校准图像，并且将输入MR校准图像映射到相同解剖区域的B₁ ⁺场标测图。CNN架构300包括从可由输入层接收的输入图像图块302b通过多个特征标测图最后到可由输出层356a产生的输出B₁ ⁺场标测图356b的一系列映射。

图例358中标记了包括CNN架构300的各种元件。如图例358所指示，CNN架构300包括多个特征标测图(和/或复制的特征标测图)，其中每个特征标测图可以从外部文件或先前的特征标测图处接收输入，并且可以将所接收的输入转换/映射成输出以产生下一个特征标测图。每个特征标测图都可包括多个神经元，其中在一些实施方案中，每个神经元都可接收来自前一层/特征标测图的神经元的子集的输入，并且可基于所接收的输入来计算单个输出，其中输出可传播到下一层/特征标测图中的神经元的子集。可以使用空间维度诸如长度、宽度和深度来描述特征标测图，其中维度是指包括特征标测图的神经元的数量(例如，指定的特征标测图是多少神经元长、多少神经元宽、以及多少神经元深)。

在一些实施方案中，特征标测图的神经元可通过使用学习权重集(每个学习权重集在本文中可被称为滤波器)执行所接收的输入的点积来计算输出，其中每个所接收的输入具有唯一的对应的学习权重，其中该学习权重是在CNN的训练期间学习的。

由每个特征标测图执行的变换/映射由箭头指示，其中每种类型的箭头对应于不同的变换，如图例358所指示。向右指向的实心黑色箭头指示步幅为1的3×3卷积，其中来自紧接着先前的特征标测图的特征通道的3×3网格的输出被映射到当前特征标测图的单个特征通道。每个3×3卷积都可跟随有激活函数，其中在一个实施方案中，激活函数包括整流线性单元(ReLU)。

向下指向的中空箭头指示2×2最大池化，其中来自特征通道的2×2网格的最大值从紧接着先前的特征标测图传播到当前特征标测图的单个特征通道，从而导致紧接着先前特征标测图的空间分辨率降低4倍。

向上指向的中空箭头指示2×2上卷积，其包括将来自紧接着先前的特征标测图的单个特征通道的输出映射到当前特征标测图中的特征通道的2×2网格，从而将紧接着先前的特征标测图的空间分辨率提高4倍。

向右指向的虚线箭头指示复制和裁剪特征标测图以与另一个以后出现的特征标测图级联。裁剪使复制的特征标测图的维度能够与待与复制的特征标测图级联的特征通道的维度匹配。应当理解，当正复制的第一特征标测图的尺寸和待与第一特征标测图级联的第二特征标测图的尺寸相等时，可不执行裁剪。

具有中空细长三角形头部的向右指向的箭头指示1×1卷积，其中紧接着先前的特征标测图中的每个特征通道被映射到当前特征标测图的单个特征通道，或者换句话讲，其中在紧接着先前的特征标测图与当前特征标测图之间发生了特征通道的1对1映射。

具有V形头部的向右指向的箭头指示将高斯噪声结合到所接收的输入特征标测图中。

具有弓形中空头部的向右指向的箭头指示批归一化操作，其中对输入特征标测图的激活的分布进行归一化。

具有短中空三角形头部的向右指向的箭头指示丢弃操作，其中在训练期间发生输入神经元(以及它们的输入和输出)的随机或伪随机丢弃。

除了图例358内的箭头所指示的操作之外，CNN架构300还包括对应于特征标测图的实心填充矩形，其中特征标测图包括高度(如图3所示的从上到下的长度，对应于x-y平面中的y空间维度)、宽度(图3中未示出，假设量值与高度相等，对应于x-y平面中的x空间维度)和深度(如图3所示的左右长度，对应于每个特征通道内的特征的数量)。同样，CNN架构300包括对应于复制和裁剪的特征标测图的中空(未填充)矩形，其中复制的特征标测图包括高度(如图3所示的从上到下的长度，对应于x-y平面中的y空间维度)、宽度(图3中未示出，假设量值与高度相等，对应于x-y平面中的x空间维度)和深度(如图3所示从左侧到右侧的长度，对应于每个特征通道内的特征的数量)。

从输入图像图块302b(在本文也称为输入层)处开始，可输入对应于MR校准图像的数据(诸如MR校准图像302a所示的数据)，并将该数据映射到第一特征集。在一些实施方案中，在利用基于质子密度的梯度回波序列执行的校准扫描期间获取输入数据。在一些实施方案中，输入数据在由神经网络处理之前被预处理(例如，归一化)。在一些实施方案中，输入数据是量值数据。

如紧接着输入图像图块302b右侧的向右指向的V形箭头所指示，可选地对输入图像图块302b的输出进行高斯噪声结合操作。高斯噪声结合操作在训练期间将加性、以零为中心的高斯噪声引入到从输入图像图块302b输出到特征标测图303的数据。特征标测图303可包括与具有与输入图像图块302b相同深度的输入相同的维度。通过以随机或伪随机方式将高斯噪声结合到输入图像数据中，可以在CNN 300的训练期间降低过度拟合的概率。

如紧接着特征标测图303右侧的实心黑色向右指向的箭头所指示，执行特征标测图303的特征通道的3×3卷积以产生特征标测图304。如上面所讨论的，3×3卷积包括使用学习权重将输入从特征通道的3×3网格映射到当前特征标测图的单个特征通道，其中将学习权重称为卷积滤波器。CNN架构300中的每个3×3卷积可包括后续激活函数，在一个实施方案中，该后续激活函数包括将每个3×3卷积的输出通过ReLU。在一些实施方案中，可采用ReLU之外的激活函数诸如Softplus(也称为SmoothReLU)、泄漏ReLU、嘈杂ReLU、指数线性单元(ELU)、Tanh、高斯、Sinc、Bent identity、逻辑函数和机器学习领域中已知的其他激活功能。

如紧接着特征标测图304右侧的实心黑色向右指向的箭头所指示，在特征标测图304上执行3×3卷积以产生特征标测图306。

如特征标测图306下方的向下指向的箭头所指示，在特征标测图306上执行2×2最大池化操作以产生特征标测图308。简而言之，2×2最大池化操作包括从紧接着先前的特征标测图的特征通道的2×2网格确定最大特征值，以及将当前特征标测图的单个特征通道中的单个特征设置为如此确定的最大值。另外，特征标测图306被裁剪、复制并与来自特征标测图348的输出级联以产生特征标测图350，如紧接着特征标测图306右侧的虚线向右指向的箭头所指示。

如紧接着特征标测图308右侧的实心黑色向右指向的箭头所指示，在特征标测图308上执行步幅为1的3×3卷积以产生特征标测图310。

如紧接着特征标测图310右侧的实心黑色向右指向的箭头所指示，在特征标测图310上执行步幅为1的3×3卷积以产生特征标测图312。

如紧接着特征标测图312右侧的向右指向的中空头部弓形箭头所指示，在特征标测图312的输出上进行任选的批归一化操作以产生特征标测图313。在批归一化中，特征标测图312的输出跨小批量进行归一化，以加快CNN的训练并降低对网络初始化的敏感性。批归一化操作通过减去小批量均值并除以小批量标准偏差来对每个通道的激活进行归一化。然后，批操作将输入移位可学习的偏移β并按可学习的比例因子γ对其进行缩放。

如特征标测图313下方的向下指向的中空头部箭头所指示，在特征标测图313上执行2×2最大池化操作以产生特征标测图314，其中特征标测图314是特征标测图312的空间分辨率的四分之一。另外，特征标测图313被复制、裁剪并与来自特征标测图342的输出级联以产生特征标测图344，如紧接着特征标测图313右侧的虚线向右指向的箭头所指示。

如紧接着特征标测图314右侧的实心黑色向右指向的箭头所指示，在特征标测图314上执行步幅为1的3×3卷积以产生特征标测图316。

如紧接着特征标测图316右侧的实心黑色向右指向的箭头所指示，在特征标测图316上执行步幅为1的3×3卷积以产生特征标测图318。

如紧接着特征标测图318右侧的向右指向的短中空三角形箭头所指示，在训练期间执行任选丢弃操作，其中针对训练的给定迭代移除/删除输入激活/特征的随机或伪随机子集，从而降低CNN 300过度拟合训练数据的可能性。

如特征标测图319下方的向下指向的箭头所指示，在特征标测图319上执行2×2最大池化操作以产生特征标测图320，其中特征标测图320是特征标测图319的空间分辨率的一半。另外，特征标测图319被复制、裁剪并与来自特征标测图336的输出级联以产生特征标测图338，如紧接着特征标测图319右侧的虚线向右指向的箭头所指示。

如紧接着特征标测图320右侧的实心黑色向右指向的箭头所指示，在特征标测图320上执行步幅为1的3×3卷积以产生特征标测图322。

如紧接着特征标测图322右侧的实心黑色向右指向的箭头所指示，在特征标测图322上执行步幅为1的3×3卷积以产生特征标测图324。

如特征标测图324下方的向下指向的箭头所指示，在特征标测图324上执行2×2最大池化操作以产生特征标测图326，其中特征标测图326是特征标测图324的空间分辨率的四分之一。另外，特征标测图324被复制、裁剪并与来自特征标测图330的输出级联以产生特征标测图332，如紧接着特征标测图324右侧的虚线向右指向的箭头所指示。

如紧接着特征标测图326右侧的实心黑色向右指向的箭头所指示，在特征标测图326上执行3×3卷积以产生特征标测图328。

如紧接着特征标测图328右侧的实心黑色向右指向的箭头所指示，在特征标测图328上执行步幅为1的3×3卷积以产生特征标测图330。

如特征标测图330正上方的向上指向的箭头所指示，在特征标测图330上执行2×2向上卷积以产生特征标测图332的第一半部，而从特征标测图324复制和裁剪的特征用于产生特征标测图332的第二半部。简而言之，步幅为2的2×2上卷积(在本文也称为反卷积或上采样)包括将紧接着先前的特征标测图的单个特征通道中的特征标测图到在当前特征标测图中的四个特征通道之间分布的四个特征(即，来自单个特征通道的输出被当作四个特征通道的输入)。上卷积/解卷积/上采样包括通过去卷积滤波器(在本文也称为去卷积内核)从单个特征通道投影特征值以产生多个输出。

如紧接着特征标测图332右侧的实心黑色向右指向的箭头所指示，在特征标测图332上执行3×3卷积以产生特征标测图334。

如紧接着特征标测图334右侧的实心黑色向右指向的箭头所指示，在特征标测图334上执行3×3卷积以产生特征标测图336。

如特征标测图336正上方的向上指向的箭头所指示，在特征标测图336上执行2×2向上卷积以产生特征标测图338的一半，而来自特征标测图318的复制和裁剪的特征产生特征标测图338的第二半部。

如紧接着特征标测图338右侧的实心黑色向右指向的箭头所指示，在特征标测图338上执行3×3卷积以产生特征标测图340。

如紧接着特征标测图340右侧的实心黑色向右指向的箭头所指示，在特征标测图340上执行3×3卷积以产生特征标测图342。

如特征标测图342正上方的向上指向的箭头所指示，在特征标测图342上执行2×2向上卷积以产生特征标测图344的第一半部，而从特征标测图312复制和裁剪的特征用于产生特征标测图344的第二半部。

如紧接着特征标测图344右侧的实心黑色向右指向的箭头所指示，在特征标测图344上执行3×3卷积以产生特征标测图346。

如紧接着特征标测图346右侧的实心黑色向右指向的箭头所指示，在特征标测图346上执行3×3卷积以产生特征标测图348。

如特征标测图348正上方的向上指向的箭头所指示，在特征标测图348上执行2×2向上卷积以产生特征标测图350的第一半部，而从特征标测图306复制和裁剪的特征用于产生特征标测图350的第二半部。

如紧接着特征标测图350右侧的实心黑色向右指向的箭头所指示，在特征标测图350上执行3×3卷积以产生特征标测图352。

如紧接着特征标测图352右侧的实心黑色向右指向的箭头所指示，在特征标测图352上执行3×3卷积以产生特征标测图354。

如紧接着特征标测图354右侧的中空头部向右指向的箭头所指示，在特征标测图354上执行1×1卷积以产生输出层356a。简而言之，1×1卷积包括第一特征空间中的特征通道与第二特征空间中的特征通道的1对1映射，其中不会发生空间分辨率的降低。

输出层356a中的每个通道的一个或多个特征可对应于输入MR校准图像的给定区域(或MR校准图像的给定输入像素)中的预测B₁ ⁺场强度。输出层356a可包括神经元的输出层，其中每个神经元可对应于B₁ ⁺场标测图的像素，并且其中每个神经元的输出可对应于输入MR校准图像内的给定位置中的预测B₁ ⁺场强/强度。

以这种方式，CNN架构300可使得能够将MR校准图像映射到预测的B₁ ⁺场标测图。CNN架构300示出了在输入图像图块通过卷积神经网络的神经元层传播时发生的特征标测图转换，以产生预测的B₁ ⁺场标测图。

神经网络300中的卷积层的权重(和偏差)是在训练期间学习的，这将在下面参考图5和图6进行详细讨论。简而言之，损失函数被定义为反映由神经网络300输出的预测的B₁ ⁺场标测图和对应的基准B₁ ⁺场标测图(在一些实施方案中根据以下方法600产生)之间的差值。可以将损失反投影到神经网络以更新卷积层的权重(和偏差)。包括MR校准图像和对应的基准B₁ ⁺场标测图的多个训练数据对可用于训练神经网络300。

应当理解，本公开包含神经网络架构，这些神经网络架构包括一个或多个正则化层，该一个或多个正则化层包括批归一化层、丢弃层、高斯噪声层和机器学习领域中已知的其他正则化层，它们可在训练期间使用以减轻过度拟合并提高训练效率，同时减少训练时间。在CNN训练期间使用正则化层，并且在CNN的训练后实施方式期间将其停用或移除。这些层可散布在图3所示的层/特征标测图之间，或者可替换所示层/特征标测图中的一者或多者。

应当理解，图3所示的CNN300的架构和配置是用于说明而非限制。可使用任何合适的神经网络(诸如ResNet、递归神经网络、广义回归神经网络(GRNN)等)来从MR校准图像预测B₁ ⁺场标测图。上面描述了本公开的一个或多个具体实施方案以便提供透彻的理解。这些所述实施方案仅仅是用于使用深度神经网络从MR校准图像预测B₁ ⁺场标测图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。

参见图4，示出了根据示例性实施方案的利用从MR校准图像获得的B₁ ⁺场标测图进行磁共振成像的方法400的流程图。方法400可由图1所示的系统10来实现。

方法400开始于操作402，其中解剖区域的MR校准图像由MRI系统(例如，图1所示的MRI系统10)获取。可以通过使用例如快速扰相梯度回波序列来获取MR校准图像。解剖区域可为膝盖、腹部、大脑等。与诊断图像相比，可在相对较短的时间量内获取/捕获MR校准图像。例如，使用TR/TE为1.4ms/0.4ms、接收带宽为62.5KHz、在48cm×48cm×42cm成像体积上分辨率为32×32×28的快速扰相梯度回波序列，可在3秒内捕获MR校准图像。通过利用获取/捕获可能已经结合到诊断成像工作流程中的MR校准图像作为B₁ ⁺场标测图预测的基础，方法400可在比当前方法更少的时间内并且以更少的扫描启用B₁ ⁺场标测图确定，该当前方法可使用分钟和附加扫描来确定B₁ ⁺场标测图。

在操作404处，MR校准图像被输入到训练的深度神经网络中，该训练的深度神经网络将校准图像映射到B₁ ⁺场标测图。在一些实施方案中，输入MR校准图像是量值图像。在一些实施方案中，深度神经网络是具有自动编码器-自动解码器类型架构的CNN，诸如图3所示的CNN 300。在一些实施方案中，MR校准图像的每个像素/体素值被输入到深度神经网络的输入层的不同节点/神经元中，并且通过一个或多个隐藏层传播，直到到达深度神经网络的输出层。除了输入层之外，深度神经网络的两个相邻层之间的关系可描述如下：

其中X_i是先前层的第i个神经元的输出，Y_j是后续层的第j个神经元，W_ji是权重，并且B_j是偏差。在一些实施方案中，激活函数f是整流线性单元(ReLU)函数，例如，普通ReLU函数、泄漏ReLU函数、参数ReLU函数等。

在一些实施方案中，来自深度学习网络的输出层的输出具有与输入MR校准图像相同的维度。然而，在一些实施方案中，输出可包括维度小于输入MR校准图像的维度的值的矩阵。在一些实施方案中，输出可包括对应于在MR校准图像中捕获的解剖区域内的B₁ ⁺场强度/强的值的矩阵。在一些实施方案中，深度神经网络的输出可包括残值，该残值在与另一个值(诸如输入MR校准图像的像素/体素强度值)结合时产生B₁ ⁺场强度值。

在操作408处，MRI系统基于预测的B₁ ⁺场标测图来调节RF驱动器(例如，图1中的RF驱动单元22)的传输增益。如本领域已知的，RF脉冲的翻转角通过改变B₁ ⁺场的量值来控制。B₁的量值继而由RF放大器的输出电压和电流决定。通过使传输增益选择基于预测的B₁ ⁺场标测图，可使得在后续诊断成像期间能够对翻转角进行更精确控制。具体地，在预测的B₁ ⁺场标测图覆盖感兴趣的区域的情况下，可根据例如线性关系来估计感兴趣的区域中的指定传输RF脉冲的平均翻转角。因此，传输RF线圈的传输增益被调整为在感兴趣的区域中实现期望的翻转角。在一些实施方案中，Bloch公式用于基于预测的B₁ ⁺场标测图来模拟感兴趣的区域中的信号行为，并且可基于这一模拟的信号来调整传输增益，以在信噪比、信号不均匀性、图像伪影等方面改善感兴趣的区域的总体图像质量。

在操作410处，MRI系统使用在408处获得的传输增益来获取解剖区域的诊断MR图像。诊断MR图像可由任何合适的脉冲序列(例如，回波自旋、梯度回波)获取，并且可具有任何合适的对比(例如，质子密度加权、T1加权、T2加权等)。

在操作412处，图像处理系统可基于在404处获得的预测的B₁ ⁺场标测图来处理在410处获得的解剖区域的MR诊断图像。图像处理系统可通过基于预测的B₁ ⁺场标测图调整一个或多个像素或体素强度值来对解剖区域的诊断MR图像执行阴影校正，从而降低或减轻可由B₁ ⁺场不均匀性引起的阴影的影响。美国专利申请第14/584,272(现公布为US 10,054,658)号公开了利用B₁ ⁺场标测图进行阴影校正的方法，该专利申请以引用方式并入本文。也可使用利用B₁ ⁺场标测图进行阴影校正的其他方法。图7和图8示出了根据示例性实施方案的使用预测的B₁ ⁺场标测图对MR图像进行阴影校正的示例。

在操作414处，利用显示设备(例如，图1所示的显示设备33)显示在412处获得的处理的MR图像。然后方法400可结束。

以这种方式，方法400能够快速准确地从MR校准图像预测B₁ ⁺场，绕过通过需要大量时间和计算资源的常规方法测量B₁ ⁺场。

参见图5，示出了根据示例性实施方案的用于训练深度神经网络(诸如图3所示的CNN 300)的方法500的流程图。方法500可由图1所示的系统10或图2所示的系统200来实现。在一些实施方案中，方法500可由存储在图像处理系统31的非暂态存储器206中的训练模块212来实现。

方法500开始于操作502，其中来自多个训练数据对的训练数据对被馈送到深度神经网络，其中训练数据对包括MR校准图像和对应的基准B₁ ⁺场标测图。在一些实施方案中，训练数据对和多个训练数据对可存储在图像处理系统中，诸如存储在图像处理系统31的MR图像数据214中。在其他实施方案中，可经由图像处理系统和外部存储设备之间的通信耦接(诸如经由与远程服务器的互联网连接)来获取训练数据集。在一些实施方案中，通过基于Bloch-Siegert位移的方法获得基准B₁ ⁺场标测图。

在操作504处，将训练数据对的MR校准图像输入到深度神经网络的输入层中。在一些实施方案中，将MR校准图像输入到具有自动编码器-自动解码器类型架构的CNN(诸如图3所示的CNN 300)的输入层中。在一些实施方案中，MR校准图像的每个像素/体素值被输入到深度神经网络的输入层的不同节点/神经元中。

在操作506处，深度神经网络通过将输入MR校准图像从输入层传播通过一个或多个隐藏层，直到到达深度神经网络的输出层，来将输入MR校准图像映射到B₁ ⁺场标测图。在一些实施方案中，深度神经网络的输出包括对应于输入MR校准图像的每个像素处的B₁ ⁺场的强度的值的矩阵，或者换句话讲，深度神经网络的输出可包括对应于输入MR校准图像的预测B₁ ⁺场标测图。

在操作508处，由深度学习网络输出的预测B₁ ⁺场标测图和对应于校准标测图的基准B₁ ⁺场标测图之间的差值由图像处理系统来计算。在一些实施方案中，确定对应于输入MR校准图像的B₁ ⁺场强度的每个输出值和由基准B₁ ⁺场标测图指示的B₁ ⁺场强度之间的差值。可根据损失函数来计算差值，例如：

DICE＝(S∩T)/(S∪T)，

其中S是基准B₁ ⁺场标测图，并且T是预测的B₁ ⁺场标测图。

在操作510处，基于在操作508中计算的预测B₁ ⁺场标测图和基准B₁ ⁺场标测图之间的差值来调整深度神经网络的权重和偏差。如由损失函数所确定的差值(或损失)可反向传播穿过神经学习网络，以更新卷积层的权重(和偏差)。在一些实施方案中，根据梯度下降算法可发生损失的反向传播，其中针对深度神经网络的每个权重和偏差确定损失函数的梯度(一阶导数或一阶导数的近似)。然后，通过将针对权重(或偏差)确定(或近似)的梯度乘积的负数与预定步长尺寸相加来更新深度神经网络的每个权重(和偏差)。然后方法500可结束。应当注意，方法500可重复进行，直到深度神经网络的权重和偏差收敛，或者对于方法500的每次迭代，深度神经网络的权重和/或偏差的变化率都在阈值以下。

以这种方式，方法500使得深度神经网络能够被训练以从MR校准图像预测B₁ ⁺场标测图，从而促进B₁ ⁺场标测图的快速确定。

图6示出了用于收集和处理用于训练深度神经网络(诸如图3所示的CNN 300)的训练数据以将MR校准图像映射到预测的B₁ ⁺场标测图的方法600的流程图。方法600可由图1所示的系统10或图2所示的系统200来实现。

方法600开始于操作602，其中MRI系统获取解剖区域的MR校准图像。在一些实施方案中，通过使用具有最小TR/TE、较低翻转角、高接收带宽、大成像体积上的低至中等分辨率的快速扰相梯度回波序列的校准扫描来获取MR校准图像。

图6中操作602右侧所示的示例性MR校准图像604示出了MRI系统在操作602中可获取的MR校准图像的一个示例。示例性MR校准图像604示出了解剖区域的横截面的质子密度相关强度图，其中解剖区域包括患者的腹部。

在操作606处，MRI系统获取操作602的解剖区域的B₁ ⁺场标测图。在一些实施方案中，通过使用Bloch-Siegert位移方法来获取B₁ ⁺场标测图。Bloch-Siegert位移方法使用两个RF脉冲。第一个是产生横向磁化的常规RF激励。第二个是非谐振RF脉冲，其略微改变谐振的自旋的有效频率。这一自旋旋进频移与B₁ ⁺场的量值的平方成比例。在非谐振RF脉冲之后添加梯度图像编码使得能够获取空间分辨的B₁ ⁺标测图。来自Bloch-Siegert效应的频移在图像中给出与B₁ ⁺成比例的相移。两个获取之间的相位差(其中RF脉冲以两个频率围绕水谐振对称地施加)用于减少由于静电场不均匀性和化学位移的振幅引起的非谐振效应。具有笛卡尔、径向或螺旋读出的自旋回波或梯度回波序列均可用于获取体积中的相移信息，并且因此B₁ ⁺标测图可从测量的相移导出。Bloch-Siegert位移方法在《B₁ mapping by Bloch-Siegert shift》(L.I.Sacolick等人)Magn.Reson.Med.，第63卷，第5期，第1315-1322页，2010年中有详细描述。

在606中，存在本领域已知的Bloch-Siegert位移方法的变型，该变型也可用于获取B₁ ⁺场标测图。在一些实施方案中，也可使用MRI领域中已知的用于测量B₁ ⁺场的其他方法，诸如基于双角、AFI和相位灵敏度的方法。

在操作606右侧示出的示例性B₁ ⁺场标测图608示出了在操作606中通过Bloch-Siegert位移方法获取的B₁ ⁺场标测图的一个示例。示例性B₁ ⁺场标测图608示出了解剖区域内的B₁ ⁺场，以及围绕解剖区域的相对嘈杂的背景。B₁ ⁺场标测图的嘈杂的背景可妨碍深度神经网络的训练，因为嘈杂的背景的强度可与前景(即，解剖区域)的B₁ ⁺场竞争。使用未处理的B₁ ⁺场标测图(诸如示例性B₁ ⁺场标测图608所示的标测图)训练的深度学习模型可能产生不一致和/或不准确的结果。

在操作610处，生成掩蔽。在一些实施方案中，使用在602处获得的MR校准图像来生成该掩蔽。在一些实施方案中，基于在604处获取的B₁ ⁺场标测图生成该掩蔽。在一些实施方案中，可以通过首先基于例如强度值的阈值或强度值的变化将MR校准图像分割成前景和背景像素/体素来生成该掩蔽。掩蔽包括值的矩阵，其中被标识为背景的像素具有为零的对应矩阵值，而被标识为前景的像素具有为一的对应矩阵值。在其他实施方案中，操作610的掩蔽可通过图像处理领域中已知的任何图像分割方法生成，诸如聚类、区域生长等。示例性掩蔽612示出了在操作602中对应于解剖区域的掩蔽，其中白色区域表示“未掩蔽”像素或值一，而黑色区域表示“掩蔽”像素或值零。

在操作614处，将在操作610处生成的掩蔽施加到在操作606中获取的B₁ ⁺场标测图，以产生背景抑制的B₁ ⁺场标测图。将掩蔽施加到B₁ ⁺场标测图可包括将获取的B₁ ⁺场标测图中的每个像素/体素乘以掩蔽的对应矩阵值，从而掩蔽B₁ ⁺场标测图的背景像素的强度，并使B₁ ⁺场标测图的前景像素的强度保持不变。另外，在操作614处，可通过将预定函数拟合到B₁ ⁺场标测图的前景中的B₁ ⁺场强度值来平滑前景(B₁ ⁺场标测图的未掩蔽区域)。在一些实施方案中，多项式函数被拟合到B₁ ⁺场标测图的前景的B₁ ⁺场强度值，从而产生更平滑的(即，非不连续的)B₁ ⁺场标测图。在一些实施方案中，用于平滑B₁ ⁺场标测图的函数可包括调和函数或本领域已知的其他函数。在示例性实施方案中，可使用非线性回归将7阶多项式函数拟合到B₁ ⁺场标测图，以产生平滑的B₁ ⁺场标测图。平滑的B₁ ⁺场标测图可以用作对应于在操作602处获取的MR校准图像的基准B₁ ⁺场标测图。

与利用未处理的B₁ ⁺场标测图进行模型训练的方法(诸如由示例性B₁ ⁺场标测图608所示的方法)相比，通过抑制获取的B₁ ⁺场标测图的背景噪声，并且进一步通过平滑B₁ ⁺场标测图(其可含有由于前景噪声而造成的不连续性)，可以更有效地训练深度神经网络以将MR校准图像映射到B₁ ⁺场标测图。在操作614的右侧示出的示例性基准B₁ ⁺场标测图616示出了根据本公开的基准B₁ ⁺场标测图的一个示例。示例性基准B₁ ⁺场标测图616通过以下方式生成：将示例性掩蔽612施加到示例性B₁ ⁺场标测图608，并且然后通过将函数拟合到B₁ ⁺标测图的未掩蔽区域中的B₁ ⁺场强度值来平滑B₁ ⁺标测图的前景。

在操作618处，将在602处获得的MR校准图像和在614处获得的基准B₁ ⁺场标测图存储为训练数据对。然后方法600可结束。

以这种方式，方法600使得能够生成训练数据，这可使得能够更有效地训练深度神经网络以将MR校准图像映射到B₁ ⁺场标测图。

转到图7，示出了基于预测的B₁ ⁺场标测图的阴影校正的示例。MR图像710通过人类腹部横截面的3D LAVA扫描获取(TR/TE＝4.2ms/1.7ms，FOV为42cm×42cm，在56秒内获取142.9KHz的接收带宽)。B₁ ⁺场不均匀性导致MR图像710的左上角具有高强度的区域，从而导致图像的另一个较暗区域的可视化不佳。在LAVA扫描之前执行具有快速扰相梯度序列的校准扫描，从而产生校准图像。使用本公开中的上述方法从校准图像生成B₁ ⁺场标测图。使用LAVA序列上的Bloch公式，从预测的B₁ ⁺场标测图估计来自传输B₁ ⁺场的预期信号变化(图像强度变化)。使用预测的B₁ ⁺场标测图在阴影校正之后生成图像712。使用公开于美国专利申请第14/584,272(现公布为US 10,054,658)号中的方法进行阴影校正。可以看出，通过基于由B₁ ⁺不均匀性引起的预期信号变化调整MR图像710的像素强度来反转MR图像710的左上角的高强度区域，这使得阴影校正的MR图像712显示出更均匀的LAVA图像体积。

图8中示出了基于预测的B₁ ⁺场标测图的阴影校正的另一个示例。MR图像810通过人类胸部横截面的3D FSPGR扫描获取(TR/TE＝4.9ms/2.1ms，FOV为40cm×40cm，46个切片，切片厚度为3mm，在67秒内获取62.5KHz的接收带宽)。B₁ ⁺场不均匀性导致MR图像810右侧的高强度区域，从而导致另一个较暗区域的可视化不佳。在FSPGR扫描之前，还执行具有快速扰相梯度序列的校准扫描，从而产生校准图像。使用本公开中的上述方法从校准图像生成B₁ ⁺场标测图。使用FSPGR序列上的Bloch公式，从预测的B₁ ⁺场标测图估计来自传输B₁ ⁺场的预期信号变化(图像强度变化)。使用预测的B₁ ⁺场标测图在阴影校正之后生成图像812。使用公开于美国专利申请第14/584,272(现公布为US 10,054,658)号中的方法进行阴影校正。可以看出，通过基于由B₁ ⁺不均匀性引起的预期信号变化调整MR图像810的像素强度来反转MR图像810的右侧的高强度区域，从而使得阴影校正MR图像812显示出更均匀的LAVA图像体积。

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。

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。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 (20)

1.一种用于磁共振成像的方法，所述方法包括：

获取解剖区域的磁共振(MR)校准图像；

利用训练的深度神经网络将所述MR校准图像映射到传输场标测图(B₁ ⁺场标测图)；

获取所述解剖区域的诊断MR图像；以及

利用所述B₁ ⁺场标测图校正所述诊断MR图像中的传输场的不均匀性。

2.根据权利要求1所述的方法，还包括：

基于所述B₁ ⁺场标测图确定传输器增益；

其中获取所述诊断MR图像包括使用所述传输器增益获取所述诊断MR图像。

3.根据权利要求2所述的方法，其中校正所述传输场的不均匀性包括使用所述B₁ ⁺场标测图对所述解剖区域的所述诊断MR图像执行阴影校正，以产生阴影校正的MR图像。

4.根据权利要求3所述的方法，其中对所述诊断MR图像执行阴影校正包括基于所述B₁ ⁺场标测图调整所述诊断MR图像的一个或多个体素的强度。

5.根据权利要求3所述的方法，还包括经由显示设备显示所述阴影校正的MR图像。

6.一种方法，所述方法包括：

训练深度神经网络以将MR校准图像映射到对应的B₁ ⁺场标测图；

接收特定MR校准图像；以及

使用所训练的深度神经网络将所述特定MR校准图像映射到对应的B₁ ⁺场标测图。

7.根据权利要求6所述的方法，其中训练所述深度神经网络包括将多个训练数据对馈送到所述深度神经网络，其中每个训练数据对包括MR校准图像和对应的基准B₁ ⁺场标测图。

8.根据权利要求7所述的方法，其中训练所述深度神经网络包括：

使用所述深度神经网络将训练数据对中的所述MR校准图像映射到预测的B₁ ⁺场标测图；

计算所述预测的B₁ ⁺场标测图和所述基准B₁ ⁺场标测图之间的差值；以及

基于所述预测的B₁ ⁺标测图和所述基准B₁ ⁺场标测图之间的所述差值经由反向传播调整所述深度神经网络的参数。

9.根据权利要求7所述的方法，还包括通过以下方式产生所述基准B₁ ⁺场标测图：

将测量的B₁ ⁺场标测图分割成背景和前景；

抑制所述测量的B₁ ⁺场标测图的所述背景中的噪声；以及

平滑所述测量的B₁ ⁺场标测图的所述前景以产生所述基准B₁ ⁺场标测图。

10.根据权利要求9所述的方法，其中平滑所述B₁ ⁺场标测图的所述前景包括将多项式函数和调和函数中的一者拟合到所述测量的B₁ ⁺场标测图的所述前景。

11.根据权利要求9所述的方法，所述方法还包括使用Bloch-Siegert位移方法、双角度方法、DREAM或AFI中的一者或多者来获得所述测量的B₁ ⁺场标测图。

12.根据权利要求6所述的方法，其中所述深度神经网络包括自编码-自解码神经网络。

13.一种MRI系统，所述MRI系统包括：

射频(RF)传输线圈，所述射频传输线圈被配置为生成传输场；

存储器，所述存储器存储训练的深度学习网络和指令；以及

处理器，所述处理器通信地耦接到所述RF传输线圈和所述存储器并且在执行所述指令时，被配置为：

指示所述MRI系统获取解剖区域的MR校准图像；

使用所述训练的深度学习网络将所述MR校准图像映射到对应的B₁ ⁺场标测图；

指示所述MRI系统获取诊断MR图像；以及

利用所述B₁ ⁺场标测图校正所述诊断MR图像中的所述传输场的不均匀性。

14.根据权利要求13所述的MRI系统，还包括RF驱动器，其中所述处理器还被配置为：

基于所述B₁ ⁺场标测图确定传输器增益；以及

当获取所述诊断MR图像时，指示所述RF驱动器根据所述传输增益来驱动所述RF传输线圈。

15.根据权利要求13所述的MRI系统，其中校正所述传输场的不均匀性包括：

使用所述B₁ ⁺场标测图对所述解剖区域的所述诊断MR图像执行阴影校正，以产生阴影校正的MR图像。

16.根据权利要求15所述的MRI系统，还包括显示设备，并且其中所述处理器还被配置为执行所述指令以经由所述显示设备显示所述阴影校正的MR图像。

17.根据权利要求13所述的MRI系统，其中所述存储器还存储用于训练所述深度神经网络的指令。

18.根据权利要求17所述的MRI系统，其中所述处理器在执行用于训练所述深度神经网络的所述指令时被配置为：

将多个训练数据对馈送到所述深度神经网络，每个训练数据对包括MR校准图像和对应的基准B₁ ⁺场标测图；

使用所述深度神经网络将训练数据对中的所述MR校准图像映射到预测的B₁ ⁺场标测图；

计算所述预测的B₁ ⁺场标测图和所述对应的基准B₁ ⁺场标测图之间的差值；以及

基于所述预测的B₁ ⁺场标测图和所述基准B₁ ⁺场标测图之间的所述差值经由反向传播调整所述深度神经网络的参数。

19.根据权利要求18所述的MRI系统，其中所述处理器在执行用于训练所述深度神经网络的所述指令时还被配置为：

将测量的B₁ ⁺场标测图分割成背景和前景；

抑制所述测量的B₁ ⁺场标测图的所述背景中的噪声；以及平滑所述测量的B₁ ⁺场标测图的所述前景以产生所述基准B₁ ⁺场标测图。

20.根据权利要求13所述的MRI系统，其中所述训练的深度神经网络是卷积神经网络(CNN)。

Images