CN112596013A - 用于从校准图像生成定位器扫描设置的系统和方法 - Google Patents

用于从校准图像生成定位器扫描设置的系统和方法 Download PDF

Info

Publication number
CN112596013A
CN112596013A CN202010816845.3A CN202010816845A CN112596013A CN 112596013 A CN112596013 A CN 112596013A CN 202010816845 A CN202010816845 A CN 202010816845A CN 112596013 A CN112596013 A CN 112596013A
Authority
CN
China
Prior art keywords
anatomical
localizer
roi
anatomical roi
neural network
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.)
Pending
Application number
CN202010816845.3A
Other languages
English (en)
Inventor
桂大为
达蒂什·达亚南·尚巴格
奇特雷什·布尚
安德烈·德·阿尔梅达·马克西莫
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 CN112596013A publication Critical patent/CN112596013A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • 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
    • 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
    • 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
    • A61B5/05—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
    • 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
    • G01R33/58—Calibration of imaging systems, e.g. using test probes, Phantoms; Calibration objects or fiducial markers such as active or passive RF coils surrounding an MR active material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

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

Abstract

本发明题为“用于从校准图像生成定位器扫描设置的系统和方法”。本发明提供了用于基于磁共振(MR)校准图像来确定定位器扫描的扫描设置的方法和系统。在一个示例中，一种用于磁共振成像(MRI)的方法包括：获取成像受检者的MR校准图像；由受过训练的深度神经网络将MR校准图像映射到针对成像受检者的解剖ROI的对应解剖感兴趣区域(ROI)属性标测图；基于解剖ROI属性标测图调整一个或多个定位器扫描参数；以及根据一个或多个定位器扫描参数获取解剖ROI的一个或多个定位器图像。

Description

用于从校准图像生成定位器扫描设置的系统和方法
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)校准图像生成定位器扫描设置的系统和方法。
背景技术
医疗成像系统通常用于获得受检者(例如患者)的内部生理信息。例如，医疗成像系统可用于获得受检者的骨骼结构、大脑、心脏、肺部和各种其他特征的图像。医疗成像系统可以包括磁共振成像(MRI)系统、计算机断层摄影(CT)系统、x射线系统、超声系统和各种其他成像模态。
在对受检者进行诊断扫描之前，可对受检者进行快速解剖结构位置盲化厚切片扫描或低剂量扫描(通常被称为侦察扫描或定位器扫描)，以获得受检者内部解剖结构的定位器图像。医疗成像系统和/或医疗成像系统的操作者可根据定位器图像来规划受检者的诊断扫描，以确保受检者的全强度诊断扫描根据需要正确地对受检者成像。如果定位器图像未充分示出期望解剖结构的所有方面，则可能必须重新执行定位器扫描以确保正确地执行诊断扫描，这可能延长诊断扫描的时间。
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：获取成像受检者的磁共振(MR)校准图像；由受过训练的深度神经网络将MR校准图像映射到针对成像受检者的解剖ROI的对应解剖感兴趣区域(ROI)属性标测图；基于解剖ROI属性标测图调整一个或多个定位器扫描参数；以及根据一个或多个定位器扫描参数获取解剖ROI的一个或多个定位器图像。
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校准图像确定解剖感兴趣区域属性参数的系统的示意图；
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神经网络的布局的示意图；
图4是示出根据示例性实施方案的基于MR校准图像确定定位器扫描设置的方法的流程图；
图5是示出根据示例性实施方案的用于训练深度神经网络以从MR校准图像预测解剖ROI属性参数的方法的流程图；
图6示出了可用于根据图5的方法训练深度神经网络的解剖ROI的示例性校准图像和对应的基准解剖ROI属性标测图；
图7示出了在没有本文所述的自动确定的定位器扫描设置的情况下获得的示例性定位器图像；并且
图8示出了根据示例性实施方案的利用本文所述的自动确定的定位器扫描设置获得的示例性定位器图像。
附图示出了用于使用深度神经网络从MR校准图像确定定位器扫描设置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
以下描述涉及用于确定解剖感兴趣区域(ROI)的属性参数的各种实施方案，这些属性参数诸如待成像解剖ROI的中心点的位置和范围、待成像解剖ROI的取向，以及待从磁共振(MR)校准图像成像的解剖ROI的识别，其通常具有非常低的分辨率。解剖ROI的属性参数可随后用于设置定位器扫描设置(例如，定位器扫描的视场)，这可能导致更一致的定位器图像，并且可减少执行多次定位器扫描的需要，从而缩短扫描时间并且产生更一致、质量更高的诊断图像。具体地讲，某些解剖区域，诸如肩部、膝部、踝部、脊柱和其它肌肉骨骼区域，是相对柔性的/可移动的和/或偏离患者身体的中心定位的。因此，可能难以将这些解剖区域定位在成像孔的中心，并且因此当对这些解剖区域成像时期望的定位器重新扫描次数可能相对较高，这可能导致延长的扫描时间、患者不适和其它问题。此外，因为依赖定位器图像来建立用于完全诊断扫描的某些参数，所以定位器图像中的低质量定位器图像和/或不正确定位的解剖ROI可能导致较低质量的诊断图像。
因此，根据本文公开的实施方案，在定位器图像之前获取的MR校准图像可用于确定要在定位器和诊断扫描中成像的解剖ROI的属性参数。可根据从校准图像确定的属性参数来调整定位器扫描参数，使得解剖ROI可适当地定位在定位器图像中。此外，在某些情况下，可基于确定的属性参数向患者提供反馈以改变解剖结构位置(例如，移动膝部、旋转头部等)，从而最佳地适应成像参数。
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，其可被部署以基于MR校准图像确定解剖ROI的位置参数以及因此确定定位器扫描的设置。MRI系统可执行利用根据从MR校准图像确定的定位器扫描设置获得的定位器图像进行磁共振成像的方法，诸如图4所示的方法。可使用例如图5所示的方法来训练深度神经网络，该方法使用MR校准图像和对应的解剖ROI属性标测图，如图6所示。根据本公开的实施方案确定的定位器扫描设置可用于获取定位器图像，该定位图像可随后继而用于确定诊断MRI扫描的设置(例如，图形处方)。图7和图8示出了分别在不自动确定和自动确定解剖ROI的属性参数的情况下获得的膝部的定位器图像，以确定定位器扫描设置。
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接收线圈元件、测量接收线圈灵敏度以校正信号阴影和/或加速数据获取。本公开能够实现校准图像的另外使用，具体方式为准确地确定要在得自校准图像的定位器扫描中扫描的解剖ROI的属性参数，从而能够使用较少的重复扫描更快速地获取包括在期望位置处的解剖感兴趣区域的定位器图像。在一些实施方案中，定位器图像可包括三个平面定位器图像(例如，冠状、矢状、轴向)，这些图像示出了在后续诊断成像扫描中待成像的解剖结构的整个范围。在一些实施方案中，MR系统可使用定位器图像来自动确定MR成像扫描的处方，其中出于例如诊断医学目的获得解剖感兴趣区域的高分辨率MR图像。为了确保根据需要执行处方的自动确定，存在于定位器图像中的待成像解剖结构(诸如膝部)可在定位器图像中居中(例如，膝部的半月板可在定位器图像的全部三个平面中居中)。
在一些实施方案中，可通过受过训练的深度神经网络使用MR校准图像来确定对应的解剖ROI属性参数。可通过使用训练数据对来训练深度神经网络，每个训练数据对包括MR校准图像和作为基准参考的对应解剖ROI属性标测图。根据解剖ROI属性标测图，可确定属性参数(例如，其可包括位置参数，诸如左右平面和前后平面中的解剖中心点和解剖范围、解剖ROI的取向、校准图像中成像的解剖结构的识别/确认)。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校准图像和解剖ROI属性参数，以在训练数据集中提供各种不同的解剖ROI。
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。RF线圈单元14可为表面线圈或体积线圈，其为通常靠近受试者16的感兴趣解剖结构放置的局部线圈。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。
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。
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。
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可基于待成像的目标解剖区域的位置(例如，相对于MR成像系统的孔的等距中心的位置)来确定定位器扫描设置(例如，定位器视场)，这可从MRI系统10获取的MR校准图像来确定。MRI系统10可根据定位器扫描设置来获取定位器图像，并且定位器图像可随后用来确定用于获取诊断MR图像的扫描参数，并且/或者成像处理系统31可使用解剖ROI的位置来通知MR系统的操作者手动调整一个或多个定位器扫描设置，诸如RF线圈位置。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校准图像确定定位器扫描设置。图像处理系统31还可被配置为经由显示设备33显示根据自动确定的定位器扫描设置获取的定位器图像。
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产生的定位器图像和/或后续的诊断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，其中输出可用于确定定位器扫描设置，以获取对应于MR校准图像中的解剖区域的解剖区域的定位器图像。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。然而，也可使用其它架构，诸如完全连接网络和CNN或生成对抗网络及其变型的组合。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校准图像和对应的基准解剖ROI属性标测图的对，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、带注释的MR校准图像、定位器图像、带注释的定位器图像等。在一些实施方案中，MR校准图像和对应的基准解剖ROI属性标测图连同嵌入的属性(例如，左膝或右膝或不同脑区域、有或没有金属的区域、解剖结构的取向等)可以有序格式存储，使得受检者的解剖区域的每个MR校准图像与基准解剖ROI属性标测图和相同受检者的相同解剖区域的属性相关联。有效地，基准解剖ROI属性标测图可为在背景(无解剖结构)和前景(感兴趣解剖结构)之间辨别的校准扫描图像的顶部上的掩码，其中该基准掩码可从先前获取的MR校准图像和定位器图像获得，其中定位器扫描在正确的位置执行并且可用于在校准扫描时规定基准掩码。
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。
显示设备33可包括利用几乎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，并且可显示未处理和已处理的MR图像。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，根据示例性实施方案，示出了用于从MR校准图像确定解剖ROI属性参数的CNN架构300，解剖ROI属性参数可用于确定定位器扫描设置。在图3的描述中，从CNN架构输出的解剖ROI属性参数可被称为解剖ROI属性标测图，其可采用二进制掩码或多类多标记掩码的形式，该多类多标记掩码可叠加在输入MR校准图像上以限定用于获得MR校准图像的成像视场(FOV)内的解剖ROI的位置和/或其它属性(例如，至少三个平面中的解剖ROI的边界和至少三个平面中的解剖ROI的中心点)。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体素的解剖区域的MR校准图像/体积，并且将输入MR校准图像映射到相同解剖区域的解剖ROI属性标测图。CNN架构300包括从可由输入层接收的输入图像体积302b通过多个特征标测图最后到可由输出层356a产生的输出解剖ROI属性标测图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。特征标测图可使用空间尺寸诸如长度、宽度、深度和超深度(其可对应于输入图像/体积的每个体素的特征)来描述，其中尺寸是指包括特征标测图的神经元数量(例如，沿指定特征标测图的长度的神经元数量、沿宽度的神经元数量、沿深度的神经元数量以及沿超深度的神经元数量)。
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3×3×3卷积，其中来自紧接着先前特征标测图的特征通道的3×3×3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3×3×3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2×2×2最大池化，其中来自特征通道的2×2×2网格的最大值从紧接着先前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8倍。在一些示例中，该池化独立地针对每个特征发生。
向上指向的中空箭头指示2×2×2上卷积，其包括将来自紧接着先前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2×2×2网格，从而将紧接着先前特征标测图的空间分辨率提高8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1×1×1卷积，其中紧接着先前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)。
从输入图像体积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。
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解剖ROI属性标测图的像素，并且其中每个神经元的输出可对应于在输入MR校准图像内给定位置中的预测解剖特征(或解剖特征的缺失)。例如，神经元的输出可指示解剖ROI属性标测图的对应像素是否为膝部的一部分。
如图3所示，解剖ROI属性标测图356b可示出解剖ROI。解剖ROI的范围是校准扫描体积内的3D取向体积，其中可使用任何两个轴线(左右或上下或前后轴线)来设置定位器扫描参数。解剖ROI由3D边界框360捕获，该边界框由在解剖ROI属性标测图356b中将前景(感兴趣解剖结构)与背景(没有解剖结构)分开的边界形成。此外，解剖ROI属性标测图356b可包括可限定解剖ROI的中心的中心点362，并且可包括解剖ROI的取向。虽然图3将边界框360和中心点362显示为定位在可见解剖ROI属性标测图上的视觉元素，但应当理解，解剖ROI属性标测图、边界框和/或中心点可被定义为例如成像孔的坐标系中的坐标。
以这种方式，CNN架构300可启用MR校准图像到包括解剖ROI的位置和/或其它属性的预测解剖ROI属性标测图的映射。CNN架构300示出了在输入图像图体积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，以产生预测的解剖ROI属性标测图。
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输出的解剖ROI属性标测图与对应的基准解剖ROI属性标测图之间的差异。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解剖ROI属性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。在本文中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校准图像预测解剖ROI属性标测图。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校准图像预测解剖ROI属性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。
如MR校准图像302a所理解的那样，MR校准图像可表现出大量阴影，这可能使得难以用经典方法获得分段。然而，本文所述的深度神经网络能够处理校准图像以确定对应的解剖ROI属性参数。然后可使用所得的位置/掩码信息来导出与解剖结构位置(左/右、中心、充分覆盖/线圈放置等)相关的信息。
参见图4，示出了根据示例性实施方案的方法400的流程图，该方法用于根据从MR校准图像确定的MR系统设置来获取磁共振成像定位器图像。方法400可由图1所示的MRI系统10来实现。
在401处，接收MR扫描参数。可经由用户输入来接收MR扫描参数，诸如由MRI系统的操作者选择例如经由显示设备上的图形用户界面显示的扫描协议。MR扫描参数可包括在诊断扫描期间待成像的成像受检者(例如，患者)的解剖ROI，并且在一些示例中，包括诊断扫描的诊断目标。例如，MR扫描参数可包括指示执行成像受检者右膝的诊断扫描以诊断前交叉韧带撕裂的存在或程度的扫描协议的选择。成像受检者可根据扫描协议(例如，仰卧并且脚先着地，使得右膝定位在成像孔中)定位在MRI系统的孔中，并且接收线圈(例如，膝部线圈)可定位在待成像的解剖ROI上/周围。
在402处，MRI系统获取解剖区域的MR校准图像(例如，定位在成像孔中并且其上放置有接收线圈的解剖ROI)。可通过使用例如快速自旋梯度回波序列来获取MR校准图像。在一些实施方案中，MR校准图像可为3D体积。MR校准图像或体积可包括相对较大的FOV，使得解剖ROI包括在校准图像中，并且在一些示例中，具有附加的解剖特征。与诊断图像相比，MR校准图像/体积可在相对较短的时间量内获取/捕获。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的快速自旋梯度回波序列，可在3秒内捕获MR校准图像。通过利用MR校准图像，其获取/捕获可能已经并入诊断成像工作流中，作为解剖ROI位置/属性预测以及因此定位器扫描设置的基础，方法400可使得能够以比当前方法更短的时间并且以更少的扫描来获取定位器图像，当前方法在将解剖ROI定位在定位器图像中的期望位置处之前可能需要多次重新扫描。
在404处，使用受过训练的深度神经网络来确定解剖ROI的属性参数。例如，MR校准图像被输入到受过训练的深度神经网络中，使用校准图像作为输入来输出解剖ROI属性标测图。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，输入MR校准图像可为原始k空间数据。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：
Figure BDA0002633034860000151
其中Xi是先前层的第i个神经元的输出，Yj是后续层的第j个神经元，Wji是权重，并且Bj是偏差。在一些实施方案中，激活函数f是矫正线性单元(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，来自深度神经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，输出可包括值的矩阵，其中每个值指示在MR校准图像中捕获的像素/体素是否属于由扫描参数指示的解剖ROI。深度神经网络的输出可包括或用于确定解剖ROI的各种属性，诸如解剖ROI的中心点的位置和/或限定定位器成像空间(其可与成像孔的坐标相同或不同)中的解剖ROI的范围的边界框。
在406处，方法400包括确定校准图像中的解剖ROI、接收RF线圈的位置和校准图像的FOV是否与由扫描协议指示的解剖ROI、接收RF线圈的位置和FOV匹配。例如，基于来自深度神经网络的输出(例如，基于使用受过训练的深度神经网络确定的解剖ROI的位置参数)，解剖ROI的中心点(例如，右膝的髌骨)可相对于校准扫描中成像的FOV沿每条轴线(例如，沿上下轴线、前后轴线和左右轴线)确定。如果中心点被定位成距FOV的中心超过阈值距离，则可确定FOV不在期望位置和/或接收RF线圈被放置在目标位置之外(例如，不在膝部上方居中)，并且因此可指示不匹配。在另一个示例中，来自深度神经网络的输出可指示当前正在成像哪侧膝(例如，左膝或右膝)。如果输出指示正在成像左膝，而扫描协议指示右膝是待成像的膝，则可指示不匹配。如果解剖ROI、FOV和/或RF线圈位置与扫描协议不匹配，则方法400前进至407以输出不匹配的通知。例如，通知可显示在MRI系统的显示设备上显示的图形用户界面上，该图形用户界面可由MRI系统的操作者查看。如果RF线圈没有正确定位，则可显示警示操作者RF线圈没有正确定位的通知。如果正在成像错误的解剖结构，则可显示警示操作者正在成像错误的解剖结构的通知。如果未将FOV设置成用于最佳成像，则可输出警示操作者通过移动工作台或通过用软件改变FOV的中心来调节FOV的通知。在正在输出不匹配的通知时，方法400可返回到402以重新获取MR校准图像，以确保正在成像正确的解剖ROI，FOV根据需要进行设置以用于最佳成像，和/或接收RF线圈被正确定位。
如果解剖ROI、FOV和/或RF线圈位置确实匹配扫描协议，则方法400前进至408以基于在404处确定的属性参数调整一个或多个定位器扫描设置。如上文相对于图3所述，属性参数可包括解剖ROI在一个或多个成像平面中的中心点和/或边界的位置和/或相对于校准图像的成像孔和/或视场(FOV)的位置。可调整定位器扫描设置，使得解剖ROI的中心点位于定位器图像的中心。可基于属性参数调整的定位器扫描设置包括定位器FOV、获取时相位编码和读出线的方向、相位编码的k空间线的数量、针对定位器覆盖的最佳切片数量、切片厚度和间隙设置、定位器扫描的取向、支持MRI系统的孔内的成像受检者的工作台的位置(例如，图1的工作台26)和/或控制在获取定位器图像期间要执行的相位过采样量的无相位卷绕因子。定位器扫描设置可由MRI系统自动调整(例如，根据存储在MRI系统的存储器中并且由MRI系统的处理器执行的指令来调整，无需明确的用户输入)和/或定位器扫描设置可由MRI系统的操作者调整(例如，操作者可手动调整工作台位置和/或输入选择期望FOV和/或无相位卷绕因子的输入)。当操作者执行调整时，可通知操作者属性参数。例如，解剖ROI属性标测图可作为图像输出在显示设备上。
在410处，根据在408处确定/调整的定位器设置来获取定位器图像。定位器图像可包括3平面定位器图像，其中在三个解剖感兴趣平面(例如，冠状、轴向和矢状)的相应平面中利用至少一个定位器图像获得至少三个定位器图像。可使用合适的MR协议诸如T1加权低分辨率扫描来获取定位器图像。
在412处，基于定位器图像生成图形处方。图形处方可以包括图形处方标记，诸如点、线、框或覆盖在定位器图像的关键帧上的其它形状，以指示期望的感兴趣区域，以及指示期望感兴趣区域的视野、间隔、厚度、位置和方向。以这种方式，图形处方规定体积取向和体积覆盖范围，以确保在完整诊断扫描期间准确地成像期望的感兴趣区域。在一些实施方案中，图形处方可基于用户输入来生成。例如，定位器图像可显示在显示设备上，并且MRI系统的操作者可输入输入(例如，经由触摸输入、鼠标和/或键盘)，指示用于扫描期望ROI的位置/取向以及在完全诊断扫描期间待获得的切片的间距和厚度。在一些实施方案中，图形处方可通过将定位器图像输入到一个或多个受过训练的深度神经网络中来自动生成。例如，已经训练了一个或多个深度神经网络，以从定位器图像提取关键特征，识别每个定位器图像的解剖结构和/或平面，以及识别定位器图像的关键帧。使用关键特征、解剖结构和平面以及关键帧，一个或多个受过训练的深度神经网络可输出图形处方。详细的方法和系统在2018年8月1日提交的美国专利申请号16/052,427(“Systems and Methods for AutomatedGraphical Prescription with Deep Neural Networks”，用于具有深神经网络的自动图形处方的系统和方法)和2018年8月1日提交的美国专利申请号16/051,723(“PlaneSelection Using Localizer Images”，使用定位器图像的平面选择)中有所描述，这两个专利申请均全文以引用方式并入本文。
在414处，根据处方执行诊断扫描。在一些实施方案中，MRI系统的操作者可首先确认经由显示设备显示的关键帧和图形处方准确地规定要扫描的期望解剖ROI的覆盖范围和取向。在此类示例中，操作者可根据图形处方手动调整扫描协议。在一些实施方案中，根据图形处方自动调整扫描协议，因为如果神经网络系统的准确度足以确保期望的感兴趣区域将以足够的覆盖正确成像，则操作者干预可能是不必要的。在任一种情况下，根据调整的扫描协议执行诊断扫描。诊断扫描可根据任何合适的脉冲序列(例如，回波自旋、梯度回波)执行，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)。然后，方法400返回。
以这种方式，方法400通过根据从MR校准图像确定的解剖ROI属性参数调整定位器扫描设置来实现快速准确地获取定位器图像，从而降低了必须执行多次定位器扫描的可能性。
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。
在502处，将来自多个训练数据对的训练数据对馈送到深度神经网络，其中训练数据对包括MR校准图像(其可为3D图像，也称为体积)和对应的基准解剖ROI属性标测图。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。图6示出了示例性训练数据对600，每个训练数据对包括MR校准图像602和基准解剖ROI属性标测图604。在图6所示的示例中，每个MR校准图像可包括大FOV，使得膝部以及膝部上方和下方的腿部区域被成像。每个基准解剖ROI属性标测图可包括较小的FOV，使得仅解剖ROI(例如，膝部)包括在基准解剖ROI属性标测图中。在一些实施方案中，从校准图像和对应的定位器图像获得基准解剖ROI属性标测图，其中定位器扫描在正确的位置执行并且用于在校准扫描时规定基准解剖ROI属性标测图。基准解剖ROI属性标测图显示为叠加在对应校准图像上的掩码，但在不脱离本公开的范围的情况下，基准ROI的其它描绘也是可以的。基准掩码可由MR检查的目标确定，例如，掩码可为包括解剖ROI的校准扫描区域内的任何子区域，解剖ROI可为存在于校准扫描的大FOV中的人体的任何解剖结构。基准掩码的目标是设置包括目标解剖结构的定位器扫描的较小FOV。
在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506处，使用MR校准图像和深度神经网络来确定解剖ROI属性参数。例如，深度神经网络可通过将输入MR校准图像从输入层传播通过一个或多个隐藏层，直至到达深度神经网络的输出层，来将输入MR校准图像映射到解剖ROI属性参数。在一些实施方案中，深度神经网络的输出包括值的矩阵，其中每个值都对应于输入MR校准图像的相应体素处的所识别的解剖特征。这些值可采用解剖ROI属性标测图的形式，如上面关于图3所述。
在508处，由深度神经网络输出的解剖ROI属性参数与对应于校准图像的基准解剖ROI属性标测图之间的差值由图像处理系统计算。在一些实施方案中，确定对应于输入MR校准图像的预测解剖特征的每个输出值与由基准解剖ROI属性标测图指示的解剖特征之间的差值。可根据损失函数来计算差值，例如：
DICE＝(S∩T)/(S∪T)，
其中S是基准解剖ROI属性标测图，并且T是预测解剖ROI属性参数(其可为类似于基准解剖ROI属性标测图的标测图的形式)。换句话讲，对于输入MR校准图像的每个体素，深度神经网络的输出可包括该像素是否为解剖ROI(例如，膝部)的一部分的指示。对于MR校准图像的每个像素，基准解剖ROI属性标测图可同样包括该像素是否为解剖ROI的一部分的指示。然后，可确定每个输出值与基准解剖ROI属性标测图之间的差值。
在510处，基于在508处计算出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能够训练深度神经网络，以从MR校准图像预测解剖ROI的位置和/或其它属性(例如，识别)，从而便于自动确定后续定位器扫描的FOV。
转到图7，示出了一组示例性定位器图像700。图7所示的一组定位器图像700是根据常规方法获得的，其中操作者基于对解剖ROI(本文中为膝部)相对于成像孔的中心位于何处的预测来设置定位器扫描设置(例如，FOV)。这组定位器图像700包括定位器图像的三个子集，即第一子集702、第二子集704和第三子集706。第一子集702可为在初始定位器扫描期间获得的一组定位器图像。在定位器图像的第一子集702中，膝部的中心点(由每个图像中的星形示出)相对于第一子集702的定位器图像中的每一个的中心偏移。因此，操作者可选择重新定位成像受检者的膝部以尝试获得更高质量的定位器图像。第二子集704可为在初始定位器扫描之后执行的第二定位器扫描期间获得的第二组定位器图像。同样，膝部的中心不居中位于定位器图像的第二子集704中的定位器图像的中心。因此，操作者可选择再次重新定位成像受检者的膝部以尝试获得更高质量的定位器图像。第三子集706可为在第二定位器扫描之后执行的第三定位器扫描期间获得的第三组定位器图像。虽然膝部的中心不居中位于定位器图像的第三子组706中的定位器图像的中心，但操作者可决定利用定位器图像的第三子组706来确定后续诊断扫描的处方，这可能导致诊断扫描中的解剖ROI覆盖不足和/或其它问题，诸如成像伪影。除重新定位和重新扫描以获得高质量定位器图像的问题之外，低质量定位器图像(例如，其中目标解剖结构在图像中未恰当居中)可能由于手动使对象在3D空间中居中的固有问题而影响定位器图像和最终高分辨率图像两者。这增加了平面处方的任何其它自动化解决方案的复杂性。另外，解剖图像的扫描取向可能不是最佳的，从而导致可能无法清楚地显示所有解剖细节的图像，这可能导致错误诊断患者状况。总体而言，这也可能导致需要召回患者以进行另一次扫描。
图8示出了根据本文所述的实施方案获得的一组示例性定位器图像800，其中基于从MR校准图像确定的解剖ROI的预测位置来自动确定定位器扫描FOV。该组定位器图像800包括第一定位器图像802、第二定位器图像804和第三定位器图像806。如图8所理解的那样，解剖ROI(膝部)的中心在每个图像中居中(由星号示出)。通过基于解剖ROI的预测位置自动设置FOV，可通过单次定位器扫描获得一致的高质量定位器图像。
因此，本文所公开的实施方案可减少对不适用于下游诊断扫描规划的定位器图像的获取。例如，不恰当的定位器图像可包括成像伪影(例如，混叠、环绕或缺失结构)，其随后影响使用定位器图像来生成扫描平面的下游管线；手动或自动进行。当扫描肌肉骨骼系统的特征(例如，膝部、肩部或踝部)和通常重复定位器扫描(例如，定位器扫描可在这些类型的扫描中重复30％至50％)的脊柱区域时，该问题是严重的。如本文所公开，校准图像可用于基于扫描协议要求来确定解剖特征，以确保定位器扫描(或任何附加扫描)被正确定位(例如，就膝部扫描而言，右膝对左膝，或者定位前后界标和左右界标以及沿上下的线圈偏移)。校准图像是常规临床方案的一部分，并且用于校准每个患者扫描的不同成像参数。校准图像的特征在于分辨率极低，并且由于缺乏详细解剖信息的RF线圈相关阴影而在FOV上具有大的强度变化。为了消除这些挑战或避免移除这些伪影的附加处理，部署基于学习的神经网络以利用质量较差的校准扫描来分析和定位这些界标特性。此外，该方法不增加总扫描时间，因为校准扫描始终是常规临床检查中的预扫描的一部分。
从校准图像确定的粗略解剖位置(在本文中也称为解剖ROI位置)可用于根据正确定位的定位器进行扫描平面规划以供进一步处理；手动或自动进行。这将有助于将定位器重新扫描的速率从当前的33％降低至0％。在一些示例中，如果在扫描协议和扫描设置之间存在不匹配(例如，协议针对右膝进行设置而RF线圈卷绕在左膝上等)，MRI系统的操作者可能会收到警告，或者关于正确的RF线圈放置(例如，将RF线圈向上移动5cm以获得最佳覆盖等)或FOV放置(例如，将脊柱FOV沿A-P向后移动3cm以获得用于冠状和矢状覆盖的脊柱覆盖)而收到警告。
此外，感兴趣区域覆盖范围(例如，背景对前景)可基于从校准图像确定的粗略解剖位置来确定，并且用于调整无相位卷绕因子以避免相位卷绕，可移动患者工作台以使感兴趣器官达到MRI成像孔等中心(用于利用身体线圈的全身扫描)，等等。
此外，可基于扫描要求和由校准图像确定的解剖ROI位置来定制扫描协议。这可包括用要规定的界标的适当数量的切片、mm厚度、切片间隙和取向来自动填充定位器取向(矢状/轴向/冠状)。例如，就膝部而言，如果仅需要半月板平面，则仅获取由校准图像确定的中心点周围的矢状/冠状数据即足够，并且甚至可能不进行轴向定位器扫描。
在一些示例中，定位器图像可用于MRI的自动化平面处方工作流中，该自动化平面处方工作流利用临床上可用的三平面定位器使用级联神经网络来确定全诊断扫描的扫描平面。在自由形式肢体(下肢和上肢)诸如膝部、肩部、踝部或脊柱的MRI扫描中，扫描规划所需的初始定位器设置对于MRI技术人员而言是完全盲化的。由于解剖结构远离等中心位置并且患者肢体位置显著不同，MRI技术人员需要考虑解剖结构与扫描仪中心线等之间的偏移。因此，基于MRI技术人员的培训和经验，这可导致在扫描合适的定位器之前大量地重新获取定位器数据。这导致总体扫描工作流程的显著滞后、扫描平面处方的可变性，并且因此影响所生成的临床MRI数据的质量。如果由未经训练的技术人员获得的定位器数据具有伪影，诸如图像卷绕或图像裁剪感兴趣界标，则这也增加了自动扫描平面处方算法的复杂性或需要额外的处理步骤，从而增加了计算时间以获得准确的结果。
使用校准数据连同本文所述的基于学习的算法，可确定粗略解剖结构的正确定位，如果设置不完整和/或扫描的设置可自动调整(在可通过用软件移动工作台或FOV放置等来解决问题的情况下)，则MRI系统的操作者可能会收到警告，并且不论技术人员的训练和经验如何，可提供一致的扫描平面处方。在定位器中提供一致性有助于减少浪费的扫描时间、降低学习架构和后处理方案的总体复杂性。
使用深度神经网络从从校准图像获得的解剖ROI属性标测图确定定位器扫描设置的技术效果是一致的、质量更高的定位器图像和减少的重新扫描发生率。
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(MRI)的方法，所述方法包括：
获取成像受检者的磁共振(MR)校准图像；
由受过训练的深度神经网络将所述MR校准图像映射到针对所述成像受检者的解剖ROI的对应解剖感兴趣区域(ROI)属性标测图；
基于所述解剖ROI属性标测图来调整一个或多个定位器扫描参数；以及
根据所述一个或多个定位器扫描参数获取所述解剖ROI的一个或多个定位器图像。
2.根据权利要求1所述的方法，还包括：
使用所述定位器图像生成图形处方；以及
根据所述图形处方执行所述成像受检者的所述解剖ROI的诊断扫描。
3.根据权利要求1所述的方法，其中调整所述一个或多个定位器扫描参数包括调整视场，并且其中获取所述一个或多个定位器图像包括获取具有所调整视场的所述一个或多个定位器图像。
4.根据权利要求1所述的方法，其中调整所述一个或多个定位器扫描参数包括调整支持所述成像受检者的工作台在MRI系统的成像孔内的位置，并且其中获取所述一个或多个定位器图像包括获取具有处于所调整位置处的所述工作台的所述一个或多个定位器图像。
5.根据权利要求1所述的方法，其中调整所述一个或多个定位器扫描参数包括调整无相位卷绕因子，并且其中获取所述一个或多个定位器图像包括获取具有所调整无相位卷绕因子的所述一个或多个定位器图像。
6.根据权利要求1所述的方法，其中调整所述一个或多个定位器扫描参数包括调整切片数量、切片厚度、切片间隙、取向和k空间线数量中的一者或多者，并且其中获取所述一个或多个定位器图像包括获取具有所调整切片数量、切片厚度、切片间隙、取向和/或k空间线数量的所述一个或多个定位器图像。
7.根据权利要求1所述的方法，还包括基于所述解剖ROI标测图来确定一个或多个属性参数，其中所述一个或多个属性参数包括所述解剖ROI的中心点和/或范围、所述解剖ROI的取向和所述解剖ROI的识别中的一者或多者，并且其中调整一个或多个定位器扫描参数包括基于所述一个或多个属性参数来调整一个或多个定位器扫描参数。
8.根据权利要求1所述的方法，其中基于由用户选择的扫描协议来确定所述解剖ROI。
9.根据权利要求8所述的方法，还包括基于所述解剖ROI属性标测图来确定所述解剖ROI是否匹配由所述扫描协议指定的解剖ROI，并且如果确定的所述解剖ROI与由所述扫描协议指定的所述解剖ROI不匹配，则输出警示操作者所述解剖ROI与由所述扫描协议指定的所述解剖ROI不匹配的通知。
10.根据权利要求8所述的方法，还包括基于所述解剖ROI属性标测图来确定接收射频(RF)线圈是否定位在目标位置处，并且如果所述接收RF线圈未定位在所述目标位置处，则输出警示所述MRI系统的操作者所述接收RF线圈未定位在所述目标位置处的通知。
11.根据权利要求8所述的方法，还包括基于所述解剖ROI属性标测图来确定所述MR校准图像的设置视场(FOV)是否匹配由所述扫描协议指定的目标FOV，并且如果所述设置FOV与所述目标FOV不匹配，则输出警示操作者所述设置FOV与所述目标FOV不匹配的通知。
12.一种方法，包括：
训练深度神经网络以将磁共振(MR)校准图像映射到对应的解剖感兴趣区域(ROI)属性标测图；
接收特定MR校准图像；以及
使用所述受过训练的深度神经网络从所述特定MR校准图像确定对应的解剖ROI属性标测图。
13.根据权利要求12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校准图像和具有嵌入属性参数的对应基准解剖ROI属性标测图。
14.根据权利要求13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使训练数据对中的所述MR校准图像与预测解剖ROI属性标测图相关；
计算所述预测解剖ROI属性标测图和所述基准解剖ROI属性标测图之间的差值；以及
基于所述预测解剖ROI属性标测图和所述基准解剖ROI属性标测图之间的所述差值经由反向传播来调整所述深度神经网络的参数。
15.根据权利要求12所述的方法，其中所述解剖ROI属性标测图包括所述MRI系统的成像孔内的所述解剖ROI的中心点和/或范围、所述解剖ROI的取向和所述解剖ROI的识别中的一者或多者。
16.一种磁共振成像(MRI)系统，包括：
存储器，所述存储器存储受过训练的深度神经网络和指令；和
处理器，所述处理器通信地耦接到所述存储器并且在执行所述指令时，被配置为：
指示所述MRI系统获取成像受检者的MR校准图像；
利用所述MR校准图像并使用所述受过训练的深度神经网络来确定解剖感兴趣区域(ROI)属性标测图，所述解剖ROI属性标测图限定所述成像受检者的解剖ROI的一个或多个属性参数；
基于所述解剖ROI属性标测图来确定用于定位器扫描的一个或多个定位器扫描设置；以及
指示所述MRI系统使用所述一个或多个定位器扫描设置来获取定位器图像。
17.根据权利要求16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解剖ROI属性标测图；
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解剖ROI属性标测图；
计算所述预测解剖ROI属性标测图和所述对应的基准解剖ROI属性标测图之间的差值；以及
基于所述预测解剖ROI属性标测图和所述基准解剖ROI属性标测图之间的所述差值经由反向传播来调整所述深度神经网络的参数。
19.根据权利要求16所述的MRI系统，其中所述一个或多个属性参数包括所述MRI系统的成像孔内的所述解剖ROI的中心点和/或范围、所述解剖ROI的取向和所述解剖ROI的识别中的一者或多者。
20.根据权利要求16所述的MRI系统，其中所述处理器在执行所述指令时被配置为：
使用所述定位器图像生成图形处方；以及
指示所述MRI系统根据所述图形处方获取所述成像受检者的所述解剖ROI的一个或多个诊断图像。
CN202010816845.3A 2019-09-17 2020-08-14 用于从校准图像生成定位器扫描设置的系统和方法 Pending CN112596013A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/573,955 2019-09-17
US16/573,955 US11506739B2 (en) 2019-09-17 2019-09-17 Systems and methods for generating localizer scan settings from calibration images

Publications (1)

Publication Number Publication Date
CN112596013A true CN112596013A (zh) 2021-04-02

Family

ID=74868843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010816845.3A Pending CN112596013A (zh) 2019-09-17 2020-08-14 用于从校准图像生成定位器扫描设置的系统和方法

Country Status (2)

Country Link
US (1) US11506739B2 (zh)
CN (1) CN112596013A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362415A (zh) * 2021-06-08 2021-09-07 苏州晟诺医疗科技有限公司 一种图像重建方法及装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728274A (zh) * 2018-06-29 2020-01-24 通用电气公司 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质
US11992289B2 (en) * 2019-11-29 2024-05-28 Shanghai United Imaging Intelligence Co., Ltd. Fast real-time cardiac cine MRI reconstruction with residual convolutional recurrent neural network
US20210177295A1 (en) * 2019-12-11 2021-06-17 GE Precision Healthcare LLC Systems and methods for generating diagnostic scan parameters from calibration images
US11386537B2 (en) * 2020-02-27 2022-07-12 Shanghai United Imaging Intelligence Co., Ltd. Abnormality detection within a defined area
JP2021180765A (ja) * 2020-05-19 2021-11-25 株式会社日立製作所 磁気共鳴イメージング装置及びその制御プログラム
US11544848B2 (en) * 2020-11-06 2023-01-03 GE Precision Healthcare LLC Deep learning based methods and systems for automated subject anatomy and orientation identification
WO2024024179A1 (ja) * 2022-07-29 2024-02-01 富士フイルム株式会社 撮影補助装置、方法およびプログラム
EP4318414A1 (en) 2022-08-02 2024-02-07 Koninklijke Philips N.V. Detection of safety states during medical imaging procedures
US20240138697A1 (en) * 2022-10-26 2024-05-02 GE Precision Healthcare LLC System and method for improved metal detection in magnetic resonance imaging

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030095144A1 (en) * 2001-11-21 2003-05-22 Trevino Scott E. Method and apparatus for prescribing an imaging scan and determining user input validity
CN1453734A (zh) * 2002-04-23 2003-11-05 北京清大德人显微数字技术有限公司 一种计算机激光共焦扫描显微镜系统
US20110228998A1 (en) * 2010-03-18 2011-09-22 Vivek Prabhakar Vaidya System and method for automatic computation of mr imaging scan parameters
CN107072595A (zh) * 2013-12-31 2017-08-18 威斯康星州医药大学股份有限公司 基于多模态成像的自适应重计划
US20170281042A1 (en) * 2014-10-11 2017-10-05 University Of Virginia Patent Foundation Systems and methods for magnetic resonance thermometry using balanced steady state free precession
US20170316287A1 (en) * 2015-06-05 2017-11-02 At&T Intellectual Property I, L.P. Image hash codes generated by a neural network
US20180276813A1 (en) * 2017-03-23 2018-09-27 International Business Machines Corporation Weakly supervised probabilistic atlas generation through multi-atlas label fusion
US20190034725A1 (en) * 2016-01-29 2019-01-31 Global Surface Intelligence Limited System and method for earth observation and analysis

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7068750B2 (en) * 2003-10-27 2006-06-27 General Electric Company System and method of x-ray flux management control
US7840249B2 (en) * 2004-11-24 2010-11-23 University Of Iowa Research Foundation Clinical micro-CT (CMCT) methods, techniques and apparatus
US9746538B2 (en) * 2013-08-21 2017-08-29 Siemens Healthcare Gmbh Reference oversampling in sense-type magnetic resonance reconstruction
US10074198B2 (en) * 2016-03-30 2018-09-11 Change Healthcare Holdings, Llc Methods and apparatuses for image processing and display
US10788970B2 (en) * 2016-06-21 2020-09-29 Siemens Healthcare Gmbh Efficient determination of MR scan parameters

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030095144A1 (en) * 2001-11-21 2003-05-22 Trevino Scott E. Method and apparatus for prescribing an imaging scan and determining user input validity
CN1453734A (zh) * 2002-04-23 2003-11-05 北京清大德人显微数字技术有限公司 一种计算机激光共焦扫描显微镜系统
US20110228998A1 (en) * 2010-03-18 2011-09-22 Vivek Prabhakar Vaidya System and method for automatic computation of mr imaging scan parameters
CN107072595A (zh) * 2013-12-31 2017-08-18 威斯康星州医药大学股份有限公司 基于多模态成像的自适应重计划
US20170281042A1 (en) * 2014-10-11 2017-10-05 University Of Virginia Patent Foundation Systems and methods for magnetic resonance thermometry using balanced steady state free precession
US20170316287A1 (en) * 2015-06-05 2017-11-02 At&T Intellectual Property I, L.P. Image hash codes generated by a neural network
US20190034725A1 (en) * 2016-01-29 2019-01-31 Global Surface Intelligence Limited System and method for earth observation and analysis
US20180276813A1 (en) * 2017-03-23 2018-09-27 International Business Machines Corporation Weakly supervised probabilistic atlas generation through multi-atlas label fusion

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362415A (zh) * 2021-06-08 2021-09-07 苏州晟诺医疗科技有限公司 一种图像重建方法及装置

Also Published As

Publication number Publication date
US11506739B2 (en) 2022-11-22
US20210080531A1 (en) 2021-03-18

Similar Documents

Publication Publication Date Title
CN112596013A (zh) 用于从校准图像生成定位器扫描设置的系统和方法
CN110554334B (zh) 用于磁共振成像中的线圈选择的方法和系统
US11478212B2 (en) Method for controlling scanner by estimating patient internal anatomical structures from surface data using body-surface and organ-surface latent variables
CN110807755B (zh) 使用定位器图像进行平面选择
US10802101B2 (en) Method and systems for coil selection in magnetic resonance imaging to reduce phase wrap artifact
US9626777B2 (en) Method and apparatus to generate image data
CN111150396B (zh) 用于全身成像的方法和系统
US20210177295A1 (en) Systems and methods for generating diagnostic scan parameters from calibration images
CN110797112B (zh) 利用深度神经网络的自动图形处方的系统和方法
CN109196369A (zh) 非侵入性治疗期间的运动跟踪
JP4937756B2 (ja) 磁気共鳴イメージング装置
US20130096414A1 (en) Localization of aorta and left atrium from magnetic resonance imaging
US8379946B2 (en) Method and control device to operate a magnetic resonance system
US9355454B2 (en) Automatic estimation of anatomical extents
CN112240995A (zh) 用于从磁共振校准图像预测b1+标测图的系统和方法
JP2010119744A (ja) 磁気共鳴イメージング・システム及びｒｆコイル
US9833166B2 (en) Magnetic resonance imaging apparatus configured to acquire target site diagnostic image data based on detection of target sites in prior acquired image data
US20240005480A1 (en) Methods and systems for automated saturation band placement
EP3798661A1 (en) Mri method to determine a susceptibility distribution of an examination subject
WO2021012972A1 (zh) 核磁共振成像控制方法、装置及计算机可读存储介质
US20190369179A1 (en) Methods and systems for coil selection in magnetic resonance imaging
US12008695B2 (en) Methods and systems for translating magnetic resonance images to pseudo computed tomography images
US20220101576A1 (en) Methods and systems for translating magnetic resonance images to pseudo computed tomography images
US20240090791A1 (en) Anatomy Masking for MRI
US20240005451A1 (en) Methods and systems for super-resolution with progressive sub-voxel up-sampling

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