CN112767504A - 用于图像重建的系统和方法 - Google Patents

用于图像重建的系统和方法 Download PDF

Info

Publication number
CN112767504A
CN112767504A CN202011630837.6A CN202011630837A CN112767504A CN 112767504 A CN112767504 A CN 112767504A CN 202011630837 A CN202011630837 A CN 202011630837A CN 112767504 A CN112767504 A CN 112767504A
Authority
CN
China
Prior art keywords
image
undersampled
model
ode
space data
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
CN202011630837.6A
Other languages
English (en)
Inventor
陈章
孙善辉
陈德仁
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Publication of CN112767504A publication Critical patent/CN112767504A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
    • 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
    • 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
    • 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
    • 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
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/4824—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a non-Cartesian trajectory
    • 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
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • 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]

Abstract

提供了一种用于磁共振成像(MRI)中的图像重建的系统。系统可以获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于磁共振(MR)信号来生成，这些MR信号由扫描对象的MR扫描仪收集。系统将基于欠采样的k空间数据的MR图像的重建过程，构建常微分方程(ODE)。系统还可以通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。

Description

用于图像重建的系统和方法
技术领域
本公开总体涉及图像重建，更具体地涉及用于使用常微分方程(ODE)进行图像重建的系统和方法。
背景技术
诸如磁共振成像(MRI)的医学成像广泛用于各种身体状况(例如肿瘤、冠心病或脑部疾病)的疾病诊断和/或治疗。图像重建是医学成像领域中用来将扫描数据转换成图像的关键技术。常规上，图像重建通过基于扫描数据求解优化问题来执行，这是耗时的并且需要大量的计算资源。因此，期望提供用于图像重建的系统和方法，从而提高医学分析和/或诊断的效率和准确度。
发明内容
本公开的一个方面涉及一种用于MRI中的图像重建的系统。系统可以包括：至少一个储存装置，其包括指令集；和至少一个处理器，其与至少一个储存装置通信。当执行该指令集时，可以指示至少一个处理器执行操作。操作可以包括：获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于磁共振(MR)信号来生成，这些MR信号由扫描对象的MR扫描仪收集。操作还可以包括：将基于欠采样的k空间数据的MR图像的重建过程构建ODE；以及通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。
在一些实施例中，训练过的神经网络模型可以包括卷积神经网络(CNN)模型、卷积循环神经网络(RNN)模型和/或级联神经网络模型。
在一些实施例中，ODE求解器可以包括欧拉(Euler)算法、中值算法和/或龙格-库塔(Runge-Kutta)算法。
本公开的另外方面涉及一种用于MRI中的图像重建的方法。该方法可以在包括至少一个处理器和至少一个储存装置的计算装置上实施。方法可以包括：获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于MR信号来生成，这些MR信号由扫描对象的MR扫描仪收集。方法还可以包括：将基于欠采样的k空间数据的MR图像的重建过程构建ODE；以及通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。
本公开的又一方面涉及一种包括可执行指令的非瞬时性计算机可读介质。当可执行指令由至少一个处理器执行时，可执行指令可以引导至少一个处理器执行一种方法。方法可以包括：获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于MR信号来生成，这些MR信号由扫描对象的MR扫描仪收集。方法还可以包括：将基于欠采样的k空间数据的MR图像的重建过程构建ODE；以及通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。
附加特征将部分在以下描述中阐述，并且将部分在审查以下内容和附图时对本领域技术人员变得显而易见，或者可以通过示例的产生或操作来学习。本公开的特征可以通过实践或使用在下面讨论的详细示例中阐述的方法、装置以及组合的各个方面来实现和获得。
附图说明
本公开根据示例性实施例来进一步描述。这些示例性实施例参见附图来详细描述。这些实施例是非限制性的示例性实施例，其中在附图的若干视图中，同样的附图标记表示类似的结构，并且附图中：
图1是例示了根据本公开的一些实施例的示例性MRI系统的示意图；
图2是例示了根据本公开的一些实施例的计算装置的示例性硬件和/或软件部件的示意图；
图3是例示了根据本公开的一些实施例的移动装置的示例性硬件和/或软件部件的示意图；
图4A和图4B是例示了根据本公开的一些实施例的示例性处理装置的框图；
图5是例示了根据本公开的一些实施例的用于重建对象的MR图像的示例性过程的流程图；
图6是例示了根据本公开的一些实施例的用于生成训练过的神经网络模型的示例性过程的流程图；
图7是例示了根据本公开的一些实施例的用于生成训练对象的训练样本的示例性过程的示意图；
图8是例示了根据本公开的一些实施例的示例性级联神经网络模型的示意图；以及
图9是例示了根据本公开的一些实施例的示例性外推的示意图。
具体实施方式
在以下详细描述中，通过示例的方式阐述了许多具体细节，以便提供对相关公开的透彻理解。然而，对于本领域技术人员而言应当显而易见的是，可以在没有这种细节的情况下实践本公开。在其它情况下，为了避免不必要地模糊本公开的方面，已经以相对高的级别描述了公知的方法、过程、系统、部件和/或电路，而没有详细描述。对所公开的实施例的各种修改对于本领域技术人员将是显而易见的，并且在不脱离本公开的精神和范围的情况下，本文所定义的一般原理可以应用于其他实施例和应用。由此，本公开不限于所示的实施例，而是应被赋予与权利要求一致的最广范围。
本公开中使用的流程图例示了系统根据本公开的一些实施例实施的操作。应当清楚地理解，流程图的操作可以不按顺序实施。相反，操作可以以相反的顺序或同时地实施。而且，可以将一个或多个其他操作添加到流程图。可以从流程图去除一个或多个操作。
而且，尽管主要关于MRI系统中的图像重建描述了本公开中公开的系统和方法，但是应当理解，这仅是为了例示的目的。本公开的系统和方法可以应用于重建在不同场景中和/或为了不同目的(例如，安全监测、拍摄或摄影)和/或由不同图像采集装置(例如，数字摄像头、模拟摄像头或扫描仪)采集的图像数据。
例如，本公开的系统和方法可以应用于任何其他种类的医学成像系统。在一些实施例中，成像系统可以包括单模式成像系统和/或多模式成像系统。单模式成像系统可以包括例如MRI系统。多模式成像系统可以包括例如计算机断层摄影-磁共振成像(MRI-CT)系统、正电子发射断层摄影-磁共振成像(PET-MRI)系统、单光子发射计算机断层摄影-磁共振成像(SPECT-MRI)系统、数字减影血管造影-磁共振成像(DSA-MRI)系统等。
本公开的一个方面涉及用于MRI中的图像重建的系统和方法。系统可以获得与对象(例如，患者)相关联的欠采样的k空间数据。欠采样的k空间数据可以基于磁共振(MR)信号来生成，这些MR信号由扫描对象的MR扫描仪收集。系统还可以将根据欠采样的k空间数据的MR图像的重建过程构建ODE。进一步地，系统和方法可以通过使用ODE求解器(例如，训练过的神经网络模型)基于欠采样的k空间数据求解ODE来生成对象的MR图像。
根据本公开的一些实施例，可以通过构建ODE并使用ODE求解器求解ODE来重建MR图像。通常，MRI中的图像重建可以是迭代过程，从而可以由ODE表示。与常规的离散优化函数相比，ODE可以将MR图像的重建过程公式化为时间的连续函数并对MR图像重建的动态特性建模。这可以减少MRI中的图像重建的时间成本和计算成本，从而提高MRI中的图像重建的效率和准确度。
另外，在某些实施例中，神经网络ODE求解器可以用于求解ODE。神经网络ODE求解器可以通过机器学习技术来训练，以学习用于从训练数据求解ODE的最佳机制。可选地，神经网络ODE求解器的评估策略可以在模型训练期间自动地适应，使得神经网络ODE求解器可以在相对短的时间内重建具有提高的质量的MR图像。而且，神经网络ODE求解器可以具有比直接学习欠采样的k空间数据(或欠采样的MR图像)与全采样的图像之间的映射的其他模型更少的参数，从而更适合于移动或边缘计算装置(例如，被配置为从MR扫描仪接收数据的独立计算装置)或便携式MRI装置。
图1是例示了根据本公开的一些实施例的示例性MRI系统100的示意图。应当注意，MRI系统100仅作为示例性成像系统提供，而不旨在限制本公开的范围。本公开中描述的示例性方法可以应用于其他成像系统，诸如CT系统、PET系统、PET-MRI系统等。
如图1所示，MRI系统100可以包括MR扫描仪110、处理装置120、储存装置130、一个或多个终端140以及网络150。在一些实施例中，MR扫描仪110、处理装置120、储存装置130和/或终端140可以经由无线连接、有线连接或其组合彼此连接和/或通信。MRI系统100中的部件之间的连接可以是可变的。例如，MR扫描仪110可以通过网络150连接到处理装置120。作为另一示例，MR扫描仪110可以直接连接到处理装置120。
MR扫描仪110可以被配置为扫描对象(或对象的一部分)以采集图像数据，诸如与对象相关联的MR信号。例如，MR扫描仪110可以通过对对象施加MR脉冲序列来检测多个MR信号。在一些实施例中，MR扫描仪110可以包括例如磁体、梯度线圈、RF线圈等。在一些实施例中，根据磁体的类型，MR扫描仪110可以是永磁MR扫描仪、超导电磁MR扫描仪或电阻电磁MR扫描仪等。在一些实施例中，根据磁场的强度，MR扫描仪110可以是高场MR扫描仪、中场MR扫描仪以及低场MR扫描仪等。
在本公开中，“受试者”和“对象”可互换使用。对象可以是生物的或非生物的。例如，对象可以包括患者、人造对象等。作为另一示例，对象可以包括患者的特定部分、器官、组织和/或物理点。例如，对象可以包括头部、大脑、颈部、身体、肩部、臂部、胸部、心脏、胃、血管、软组织、膝盖、脚等或其组合。
在一些实施例中，处理装置120可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的。处理装置120可以处理从MR扫描仪110、储存装置130和/或终端140获得的数据和/或信息。例如，处理装置120可以获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于MR信号来生成，这些MR信号在对象的扫描期间由MR扫描仪110收集。处理装置120可以通过求解ODE来重建对象的MR图像，该ODE将基于欠采样的k空间数据的MR图像的重建过程。ODE可以由ODE求解器求解。在一些实施例中，处理装置120可以通过使用多个训练样本训练初步模型来生成训练过的神经网络模型，其中，训练过的神经网络模型可以用作ODE求解器(为了便于描述，称为神经网络ODE求解器)。另外地或替代地，处理装置120在重建MR图像时可以应用训练过的神经网络模型来求解ODE。
在一些实施例中，训练过的神经网络模型可以由处理装置生成，而训练过的神经网络模型的应用可以在不同的处理装置上执行。在一些实施例中，训练过的神经网络模型可以由与MRI系统100不同的系统的处理装置或者与在其上执行训练过的神经网络模型的应用的处理装置120不同的服务器生成。比如，训练过的神经网络模型可以由提供和/或维护这种训练过的神经网络模型的供应商的第一系统生成，而基于所提供的训练过的神经网络模型的MR图像的重建可以在供应商的客户的第二系统上执行。在一些实施例中，训练过的神经网络模型的应用可以响应于对重建MR图像的请求而在线执行。在一些实施例中，训练过的神经网络模型可以离线地确定或生成。
在一些实施例中，训练过的神经网络模型可以由例如MR扫描仪110的制造商或供应商来确定和/或更新(或维护)。比如，制造商或供应商可以在MR扫描仪110和/或处理装置120的安装之前或期间将训练过的神经网络模型加载到MRI系统100或其一部分(例如，处理装置120)中，并且不时地(定期地或不定期地)维护或更新训练过的神经网络模型。维护或更新可以通过安装存储在储存装置(例如，光盘、USB驱动器等)上的程序来实现，或者经由网络150从外部源(例如，由制造商或供应商维护的服务器)检索。程序可以包括新的模型(例如，新的训练过的神经网络模型)或模型的一部分，该部分替代或补充模型的对应部分。
在一些实施例中，处理装置120可以在MRI系统100本地或远离MRI系统100。例如，处理装置120可以经由网络150从MR扫描仪110、储存装置130和/或终端140访问信息和/或数据。作为另一示例，处理装置120可以直接连接到MR扫描仪110、终端140和/或储存装置130以访问信息和/或数据。在一些实施例中，处理装置120可以在云平台上实施。在一些实施例中，处理装置120可以由具有结合图2描述的一个或多个部件的计算装置200来实施。储存装置130可以存储数据、指令和/或任何其他信息。在一些实施例中，储存装置130可以存储从MR扫描仪110、处理装置120和/或终端140获得的数据。在一些实施例中，储存装置130可以存储数据和/或指令，处理装置120可以执行或使用这些数据和/或指令来执行本公开中描述的示例性方法。在一些实施例中，储存装置130可以在云平台上实施，如本公开中别处描述的。在一些实施例中，储存装置130可以连接到网络150，以与MRI系统100的一个或多个其他部件(例如，MR扫描仪110、处理装置120和/或终端140)通信。MRI系统100的一个或多个部件可以经由网络150访问存储在储存装置130中的数据或指令。在一些实施例中，储存装置130可以是处理装置120或终端140的一部分。终端140可以被配置为使得用户能够在用户与MRI系统100之间进行交互。例如，终端140可以从用户接收使得MR扫描仪110扫描对象的指令。作为另一示例，终端140可以从处理装置120接收处理结果(例如，与对象有关的重建的MR图像)，并且向用户显示处理结果。在一些实施例中，终端140可以连接到MR扫描仪110、处理装置120和/或储存装置130和/或与之通信。在一些实施例中，终端140可以包括输入装置、输出装置等。通过输入装置接收的输入信息可以经由例如总线传输到处理装置120以用于进一步处理。其它类型的输入装置可以包括光标控制装置，诸如鼠标、轨迹球或光标方向键等。输出装置可以包括显示器、扬声器、打印机等、或其组合。在一些实施例中，终端140可以是处理装置120或MR扫描仪110的一部分。网络150可以包括可以促进MRI系统100的信息和/或数据交换的任何合适的网络。在一些实施例中，MRI系统100的一个或多个部件(例如，MR扫描仪110、处理装置120、储存装置130、终端140等)可以经由网络150与MRI系统100的一个或多个其他部件传送信息和/或数据。例如，处理装置120可以经由网络150从MR扫描仪110获得图像数据(例如，MR信号)。作为另一示例，处理装置120可以经由网络150从终端140获得用户指令。在一些实施例中，网络150可以包括一个或多个网络接入点。例如，网络150可以包括有线和/或无线网络接入点，诸如基站和/或互联网交换点，通过这些接入点，MRI系统100的一个或多个部件可以连接到网络150以交换数据和/或信息。
该描述旨在例示，而不是限制本公开的范围。许多替代、修改以及变更对于本领域技术人员将是显而易见的。本文所述的示例性实施例的特征、结构、方法以及特性可以以各种方式组合，以获得附加和/或替代的示例性实施例。在一些实施例中，MRI系统100可以包括一个或多个附加部件和/或可以省略上述的一个或多个部件。另外地或替代地，MRI系统100的两个或更多个部件可以被集成到单个部件中。例如，处理装置120可以集成到MR扫描仪110中。作为另一示例，MRI系统100的部件可以由可以实施该部件的功能的另一部件代替。在一些实施例中，储存装置130可以是数据储存器，其包括云计算平台。
图2是例示了根据本公开的一些实施例的计算装置200的示例性硬件和/或软件部件的示意图。计算装置200可以用于实施如本文所述的MRI系统100的任何部件。例如，处理装置120和/或终端140可以分别经由其硬件、软件程序、固件或其组合在计算装置200上实施。尽管为了方便起见而仅示出了一个这种计算装置，但是与如本文所述的MRI系统100有关的计算机功能可以以分布式方式在多个类似平台上实施，以分布处理负载。如图2例示，计算装置200可以包括处理器210、储存器220、输入/输出(I/O)230以及通信端口240。
处理器210可以执行计算机指令(例如，程序代码)并且根据本文所述的技术执行处理装置120的功能。计算机指令可以包括例如例程、程序、对象、部件、数据结构、规程、模块以及函数，其执行本文所述的特定功能。例如，处理器210可以处理从MR扫描仪110、储存装置130、终端140和/或MRI系统100的任何其它部件获得的对象的图像数据。作为另一示例，处理器210可以基于对象的对象图像数据生成对象的MR图像。在一些实施例中，处理器210可以包括一个或多个硬件处理器。
仅为了例示，在计算装置200中仅描述了一个处理器。然而，应当注意，本公开中的计算装置200还可以包括多个处理器。由此，如本公开中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或单独地执行。例如，如果在本公开中，计算装置200的处理器执行操作A和操作B二者，则应当理解，操作A和操作B还可以由计算装置200中的两个或更多个不同的处理器联合地或单独地执行(例如，第一处理器执行操作A并且第二处理器执行操作B，或者第一处理器和第二处理器联合地执行操作A和操作B)。储存器220可以存储从MR扫描仪110、储存装置130、终端140或者MRI系统100的任何其它部件获得的数据/信息。在一些实施例中，储存器220可以存储执行在本公开中描述的示例性方法的一个或多个程序和/或指令。例如，储存器220可以存储用于处理装置120执行以生成训练过的神经网络模型(例如，神经网络ODE求解器)的程序。作为另一示例，储存器220可以存储用于处理装置120在图像重建中执行以应用训练过的神经网络模型来求解ODE的程序。I/O 230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O 230可以使得用户能够与处理装置120交互。在一些实施例中，I/O 230可以包括输入装置和输出装置。通过输入装置接收的输入信息可以经由例如总线传输到另一部件(例如，处理装置120)以用于进一步处理。输出装置可以包括显示器等。
通信端口240可以连接到网络(例如，网络150)，以促进数据通信。通信端口240可以在处理装置120与MRI系统100的一个或多个部件(例如，MR扫描仪110、储存装置130和/或终端140)之间建立连接。在一些实施例中，通信端口240可以是专门设计的通信端口。例如，通信端口240可以根据医学数字成像和通信(DICOM)协议来设计。
图3是例示了根据本公开的一些实施例的移动装置300的示例性硬件和/或软件部件的示意图。在一些实施例中，MRI系统100的一个或多个部件可以在移动装置300的一个或多个部件上实施。仅仅通过示例的方式，终端140可以在移动装置300的一个或多个部件上实施。
如图3例示，移动装置300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、存储器360以及储存器390。在一些实施例中，移动装置300中还可以包括任何其他合适的部件，包括但不限于系统总线或控制器(未示出)。在一些实施例中，移动操作系统370(例如，iOS、Andriod、Windows Phone等)和一个或多个应用380可以从储存器390加载到存储器360中，以便由CPU 340执行。应用380可以包括浏览器或任何其他合适的移动应用，用于接收和渲染与MRI系统100有关的信息。用户与信息流的交互可以经由I/O 350来实现，并且经由网络150被提供给处理装置120和/或MRI系统100的其他部件。
为了实施本公开中描述的各种模块、单元及其功能，计算机硬件平台可以用作用于本文所述的一个或多个元件的硬件平台。具有用户界面元件的计算机可以用于实施个人计算机(PC)或任何其它类型的工作站或终端装置。计算机在适当编程时还可以充当服务器。
图4A和图4B是例示了根据本公开的一些实施例的示例性处理装置的框图。处理装置120A和120B可以是如结合图1描述的处理装置120的示例性实施例。在一些实施例中，处理装置120A可以被配置为基于在对象的MR扫描中收集的图像数据来重建对象的MR图像。例如，处理装置120A可以通过应用训练过的神经网络模型求解ODE来重建对象的MR图像，该ODE将MR图像的重建过程公式化。处理装置120B可以被配置为获得多个训练样本和/或使用训练样本生成训练过的神经网络模型。在一些实施例中，处理装置120A和120B可以分别在处理单元(例如，图2中例示的处理器210或如图3例示的CPU 340)上实施。仅仅通过示例的方式，处理装置120A可以在终端装置的CPU 340上实施，而处理装置120B可以在计算装置200上实施。或者，处理装置120A和120B可以在同一计算装置200或同一CPU 340上实施。例如，处理装置120A和120B可以在同一计算装置200上实施。
如图4A所示，处理装置120A可以包括获得模块410、构建模块420以及图像生成模块430。
获得模块410可以被配置为获得与对象相关联的欠采样的k空间数据。欠采样的k空间数据可以基于MR信号来生成，这些MR信号由扫描对象的MR扫描仪(例如，MR扫描仪110)收集。关于与对象相关联的欠采样的k空间数据的获得的更多描述可以在本公开的别处找到。参见例如图5中的操作510及其相关描述。
构建模块420可以被配置为构建ODE，该ODE将基于欠采样的k空间数据的MR图像的重建过程。在一些实施例中，构建模块420可以将基于欠采样的k空间数据的MR图像的重建过程公式化为离散优化过程。进一步地，构建模块420可以通过将离散优化过程变换成连续优化过程来构建ODE。关于ODE的构建的更多描述可以在本公开的别处找到。参见例如图5中的操作520及其相关描述。
图像生成模块430可以被配置为通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。在一些实施例中，图像生成模块430可以基于欠采样的k空间数据来重建对象的欠采样的MR图像，其中，欠采样的MR图像可以用作ODE的初始值。在一些替代实施例中，图像生成模块430可以指定欠采样的k-空间数据或欠采样的k-空间数据和欠采样的MR图像的组合，作为ODE的初始值。在某些实施例中，ODE求解器可以是训练过的神经网络模型，诸如卷积神经网络(CNN)模型、循环神经网络(RNN)模型(例如，双向RNN模型)、级联神经网络模型等、或者其任意组合。图像生成模块430可以将ODE的初始值输入到训练过的神经网络模型中，并且基于训练过的神经网络模型的输出来确定对象的MR图像。关于对象的MR图像的生成的更多描述可以在本公开的别处找到。参见例如图5中的操作530及其相关描述。
如图4B所示，处理装置120B可以包括获得模块440和模型生成模块450。
获得模块440可以被配置为获得多个训练样本。在一些实施例中，训练样本可以包括训练对象的训练欠采样MR图像和对应的金标准MR图像。可选地，训练样本还可以包括训练对象的欠采样的k空间数据和全k空间数据。关于多个训练样本的获得的更多描述可以在本公开的别处找到。参见例如图6中的操作610及其相关描述。
获得模块440还可以被配置为获得具有一个或多个模型参数的初步模型。初步模型可以是任何类型的神经网络模型。在某些实施例中，初步模型可以包括卷积神经网络(CNN)模型(例如，全CNN模型、Le网络(LeNet)模型、Alex网络(AlexNet)模型、视觉几何组网络(VGGNet)模型)、RNN模型(例如，双向RNN模型、Elman神经网络模型、Jordan神经网络模型)或级联神经网络模型等、或其任意组合。关于初步模型的获得的更多描述可以在本公开的别处找到。参见例如图6中的操作620及其相关描述。
模型生成模块450可以被配置为通过基于多个训练样本迭代地更新初步模型的一个或多个模型参数的值来生成训练过的神经网络模型。在一些实施例中，模型生成模块450可以通过执行一次或多次迭代来更新初步模型的模型参数。关于训练过的神经网络模型的生成的更多描述可以在本公开的别处找到。参见例如图6中的操作630及其相关描述。
应当注意，以上描述仅是为了例示的目的而提供的，而不是旨在限制本公开的范围。对于本领域普通技术人员来说，在本公开的示教下可以进行多种变更和修改。然而，这些变更和修改不脱离本公开的范围。在一些实施例中，处理装置120A和/或处理装置120B可以共享两个或更多个模块，并且模块中的任何一个可以被分成两个或更多个单元。比如，处理装置120A和120B可以共享同一获得模块；即，获得模块410和获得模块440是同一模块。在一些实施例中，处理装置120A和/或处理装置120B可以包括一个或多个附加模块，诸如用于存储数据的储存模块(未示出)。在一些实施例中，处理装置120A和处理装置120B可以集成为一个处理装置120。
图5是例示了根据本公开的一些实施例的用于重建对象的MR图像的示例性过程的流程图。在一些实施例中，过程500可以由MRI系统100执行。例如，过程500可以被实施为存储在储存装置(例如，储存装置130、储存器220和/或储存器390)中的指令集(例如，应用)。在一些实施例中，处理装置120A(例如，计算装置200的处理器210、移动装置300的CPU 340和/或图4A所例示的一个或多个模块)可以执行指令集，因此可以被引导来执行过程500。
在510中，处理装置120A(例如，获得模块410、处理器210的接口电路)可以获得与对象相关联的欠采样的k空间数据。欠采样的k空间数据可以基于MR信号来生成，这些MR信号由扫描对象的MR扫描仪(例如，MR扫描仪110)收集。
如本文所用的，对象可以包括生物对象和/或非生物对象，诸如患者或患者的特定部分(例如，器官或组织)。仅仅通过示例的方式，对象可以包括患者心脏的至少一部分，并且过程500可以在心脏电影图像重建中执行。通常，可能需要收集对象的全k空间数据，以用于重建对象的全MR图像。为了加速数据采集并减少扫描时间，可以通过利用例如减少数量的k空间采样步骤、减少数量的每行样本、减少数量的每刀锋序列(blade)的行、减少数量的每采集的刀锋序列等、或其任意组合进行欠采样来采集全k空间数据的一部分(即欠采样的k空间数据)。可选地，可以结合对象的MR扫描中的欠采样来利用一种或多种其他成像方法，诸如并行成像，来进一步加速MR扫描。
在一些实施例中，处理装置120A可以从MR扫描仪110获得MR信号，并且通过将MR信号填充到k空间中来生成欠采样的k空间数据。或者，欠采样的k空间数据可以由计算装置(例如，处理装置120A或另一处理器)预先生成并存储在储存装置(例如，储存装置130、储存器220、外部储存装置)中。处理装置120A可以从储存装置检索欠采样的k空间数据。
在520中，处理装置120A(例如，构建模块420、处理器210的处理电路)可以构建ODE，该ODE将基于欠采样的k空间数据的MR图像的重建过程。
在一些实施例中，处理装置120A可以将基于欠采样的k空间数据的MR图像的重建过程公式化为离散优化过程。例如，基于欠采样的k空间数据的MR图像的重建过程可以公式化为如下的方程(1)：
y＝Fx+∈,(1)
其中，x指代要重建的MR图像(或指代方程(1)的“解”)，y指代与对象相关联的欠采样的k空间数据，∈指代MR图像重建中的误差，并且F指代将图像变换成k空间数据的一个或多个测量操作(例如，傅里叶变换)。MRI图像重建的目标可以是Fx接近欠采样的k空间数据y。
在一些实施例中，因为包括在欠采样的k空间数据y中的信息可能少于包括在要重建的MR图像x中的信息，所以方程(1)可以具有多个解。为了求解方程(1)，可以将方程(1)变换成如下面方程(2)指示的优化函数：
Figure BDA0002880017940000131
其中，
Figure BDA0002880017940000132
指代数据保真项，R(x)指代正则项，并且λ指代R(x)的加权系数。在某些实施例中，正则项R(x)可以包括x的一个或多个可能的值。例如，正则项R(x)可以反映x的概率分布，其可以包括x的可能值以及各个可能值的概率。加权系数λ可以是MRI系统100的默认设置(例如经验值)，由用户手动设置或者由处理装置120A根据实际需要调节。例如，如果x的值与其由正则项R(x)定义的可能值的差大于阈值差，则加权系数λ可能引起方程(2)的惩罚。在一些实施例中，λ可以是如本公开中的别处(例如，图8和相关描述)所述的神经网络ODE求解器的参数。加权系数λ的值可以在通过模型训练生成神经网络ODE求解器时确定。
假设正则项R(x)是可微分的，则可以通过执行K次迭代(K是任何正整数)以迭代方式求解方程(2)的优化函数。例如，通过使用梯度下降算法，在第k次迭代中获得的MR图像
Figure BDA0002880017940000141
可以根据如下的方程(3)在第(k+1)次迭代中更新：
Figure BDA0002880017940000142
其中，
Figure BDA0002880017940000143
指代在第(k+1)次迭代中生成的MR图像(即，MR图像
Figure BDA0002880017940000144
的更新图像)，α指代学习率(或被称为步幅)，并且
Figure BDA0002880017940000145
可以通过取方程(2)的导数来确定。
根据方程(3)，可以将
Figure BDA0002880017940000146
添加到MR图像
Figure BDA0002880017940000147
以便生成MR图像
Figure BDA0002880017940000148
其中，
Figure BDA0002880017940000149
与
Figure BDA00028800179400001410
之间的差异可以与学习率α相关联。例如，学习率α越小，
Figure BDA00028800179400001411
与
Figure BDA00028800179400001412
之间的差异越小，并且在重建MR图像时可能需要执行的迭代越多。在某些实施例中，学习率可以是MRI系统100的默认设置(例如经验值)，由用户手动设置或者由处理装置120A根据实际需要调节。在一些实施例中，学习率可以是如本公开中的别处(例如，图8和相关描述)所述的神经网络ODE求解器的参数。学习率的值可以在通过模型训练生成神经网络ODE求解器时确定。
然后，可以将方程(3)变换为如下方程(4)：
Figure BDA00028800179400001413
其中，
Figure BDA00028800179400001414
指代两次相邻迭代的MR图像
Figure BDA00028800179400001415
与
Figure BDA00028800179400001416
之间的差异。方程(4)可以对重建的MR图像在K次迭代期间如何变化进行建模。重建的MR图像的变化以由迭代次数K定义的离散状态描述，从而由方程(1)至(4)定义的MR图像的重建可以被认为是离散优化过程。
处理装置120还可以通过将离散优化过程变换成连续优化过程来构建ODE。例如，可以将方程(4)变换为如下方程(5)：
Figure BDA00028800179400001417
其中，θ指代不同于
Figure BDA00028800179400001418
和y的一个或多个参数。如果优化过程被认为是连续时间t内的连续优化过程，则可以将方程(5)变换为如下方程(6)：
Figure BDA00028800179400001419
其中，t指代时间，
Figure BDA00028800179400001420
指代时间t时的MR图像(也称为方程(6)的解)，并且
Figure BDA00028800179400001421
可以是表示两次相邻迭代的MR图像
Figure BDA00028800179400001422
与
Figure BDA00028800179400001423
之间的差异的函数。方程(6)可以是ODE，其对重建的MR图像在连续优化过程期间随时间t的变化率进行建模。根据方程(6)，可以直接基于MR图像
Figure BDA0002880017940000151
(也称为方程(6)的初始值)重建MR图像，这降低了MR图像重建的时间成本和计算成本，从而提高了MRI中的MR图像重建的效率和准确度。
在530中，处理装置120A(例如，图像生成模块430、处理器210的处理电路)可以通过使用ODE求解器基于欠采样的k空间数据求解ODE(例如，方程(6))来生成对象的MR图像。
如本文所用的，ODE求解器指代可以用于求解ODE的算法或模型。例如，ODE求解器可以包括不可训练的ODE求解器(例如，欧拉算法、中值算法或龙格-库塔(RK)算法)、神经网络ODE求解器(即，训练过的神经网络模型)等、或其任意组合。
在一些实施例中，处理装置120A可以基于欠采样的k空间数据来重建对象的欠采样的MR图像，其中，欠采样的MR图像可以用作ODE的初始值。例如，处理装置120A可以通过对欠采样的k空间数据执行逆傅里叶变换(IFT)来重建对象的欠采样MR图像。在一些替代实施例中，处理装置120A可以指定欠采样的k-空间数据或欠采样的k-空间数据和欠采样的MR图像的组合，作为ODE的初始值。
在某些实施例中，ODE求解器可以是训练过的神经网络模型，诸如卷积神经网络(CNN)模型、循环神经网络(RNN)模型(例如，双向RNN模型)、级联神经网络模型等、或者其任意组合。处理装置120A可以将ODE的初始值输入到训练过的神经网络模型中，并且基于训练过的神经网络模型的输出来确定对象的MR图像。例如，处理装置120A可以将欠采样的MR图像输入到训练过的神经网络模型中，并且训练过的神经网络模型可以输出MR图像。作为另一示例，处理装置120A可以将欠采样的k空间数据输入到训练过的神经网络模型中，并且训练过的神经网络模型可以输出MR图像。作为另外示例，处理装置120A可以将欠采样的k空间数据和欠采样的MR图像输入到训练过的神经网络模型中，并且训练过的神经网络模型可以输出MR图像。作为又一示例，处理装置120A可以将欠采样的k空间数据输入到训练过的神经网络模型中，并且训练过的神经网络模型可以输出对象的全k空间数据。进一步地，处理装置120A可以通过对全k空间数据执行逆傅里叶变换(IFFT)来获得对象的MR图像。在一些实施例中，训练过的神经网络模型的输入可以包括ODE的初始值以及时间索引。时间索引可以在预定范围内，例如[0,1]、[0,10]等。
为了例示的目的，以下关于训练过的神经网络模型的描述将欠采样的MR图像作为训练过的神经网络模型的示例性输入(即，ODE的示例性初始值)，并将MR图像作为训练过的神经网络模型的示例性输出。这不旨在是限制性的，并且训练过的神经网络模型的输入和输出可以是任何其他合适的形式。
在一些实施例中，可以基于不可训练的ODE求解器(诸如RK算法)来确定训练过的神经网络模型的结构。关于基于不可训练的ODE求解器确定训练过的神经网络的结构的更多描述可以在本公开的别处找到。参见例如操作620及其相关描述。
在一些实施例中，训练过的神经网络模型可以是包括多个顺序连接的子模型的级联神经网络模型。多个顺序连接的子模型可以包括第一子模型和在第一子模型下游的一个或多个第二子模型。第一子模型的输入可以包括ODE的初始值。各个第二子模型的输入可以包括连接到第二子模型的前一子模型的输出。级联神经网络模型的最后一个第二子模型的输出可以是MR图像。在某些实施例中，级联神经网络模型的子模型中的至少一个子模型可以包括卷积模型(例如，CNN)和连接到卷积模型的数据一致性(DC)层。关于级联神经网络模型的更多描述可以在本公开的别处找到。参见例如图8及其相关描述。
在一些替代实施例中，训练过的神经网络模型可以是包括多个顺序RNN神经元(可以被认为是多个子模型)的RNN模型(例如，双向RNN)。多个RNN神经元可以包括第一RNN神经元和一个或多个第二RNN神经元。第一RNN神经元的输入可以包括ODE的初始值。各个第二RNN神经元的输入可以包括连接到第二RNN神经元的前一RNN神经元的输出。RNN模型的最后一个第二RNN神经元的输出可以是MR图像。在某些实施例中，RNN神经元可以包括简朴RNN、门控循环单元(GRU)神经元、长短期记忆(LSTM)神经元等、或其任意组合。另外或替代地，RNN模型的至少一个RNN神经元中的矩阵乘法可以由一个或多个卷积核(例如，3×3核、5×5核、7×7核)代替。可选地，至少一个RNN神经元还可以包括连接到一个或多个卷积核的DC层。
级联神经网络模型或RNN模型可以模拟如结合520所述的重建MR图像中的连续优化过程。以级联神经网络模型为例，ODE的初始值可以由多个子模型顺序地更新(即，优化)。子模型的计数和参数可以在通过模型训练生成级联神经网络模型时确定。如果子模型的计数(或子模型的层计数)大于阈值数量，则子模型对ODE的初始值的更新可以被认为是连续优化过程。与其他ODE求解器相比，使用神经网络ODE求解器可以通过利用自适应提升策略和/或减少例如处理时间、计算复杂度和/或成本等来提高重建准确度和效率。
在一些实施例中，可以经由网络(例如，网络150)从MRI系统100的一个或多个部件或外部源获得训练过的神经网络模型。例如，训练过的神经网络模型可以由计算装置(例如，处理装置120B)预先训练，并且存储在成像系统100的储存装置(例如，储存装置130、储存器220和/或储存器390)中。处理装置120A可以访问储存装置并检索训练过的神经网络模型。在一些实施例中，训练过的神经网络模型可以根据机器学习算法来生成。机器学习算法可以包括但不限于人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似度和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等、或其任意组合。在一些实施例中，训练过的神经网络模型可以由计算装置(例如，处理装置120B或外部处理装置)通过执行如结合图6所述的过程600的一个或多个操作来训练。
在一些实施例中，处理装置120A可以进一步处理所生成的对象的MR图像，以生成对象的最终MR图像。例如，在使用ODE求解器求解ODE时，可以生成多个中间MR图像。仅仅通过示例的方式，如上所述的欧拉算法或训练过的神经网络模型可以迭代地更新初始值(例如，欠采样的MR图像)，在此期间可以生成多个中间MR图像。为了提高图像质量，处理装置120A可以基于中间MR图像对所生成的对象的MR图像执行外推，以获得对象的最终MR图像。关于外推的更多描述可以在本公开的别处找到。参见例如图9及其相关描述。
在一些实施例中，由ODE求解器执行的初始值(例如，欠采样的MR图像)的迭代更新可以被视为对初始值执行的多个评估。可以在求解ODE之前设置与评估相关联的误差界限，以指定在求解ODE时执行的评估的计数。误差界限越小，可能需要执行的评估越多，并且重建的图像可能越准确。然而，如果执行更多的评估，则MR图像的生成可能花费更多的时间。期望的是误差界限具有合适的值，使得可以在相对短的时间内重建具有提高的质量的MR图像。误差界限的值可以是MRI系统100的默认设置，由用户根据经验手动设置，或者由处理装置120A(或另一计算装置，诸如处理装置120B)根据实际需要确定。在某些实施例中，ODE求解器可以是训练过的神经网络模型。误差界限值可以通过在训练训练过的神经网络模型时设置损失函数的预定阈值来设置。可以在模型训练中自动确定评估的计数和/或执行各个评估的时间。这可以提高MR图像重建的效率和准确度。
应当注意，以上关于过程500的描述仅是为了例示的目的而提供的，而不是旨在限制本公开的范围。对于本领域普通技术人员来说，在本公开的示教下可以进行多种变更和修改。然而，这些变更和修改不脱离本公开的范围。在一些实施例中，过程500可以利用未描述的一个或多个附加操作和/或不利用以上讨论的操作中的一个或多个来完成。例如，过程500可以包括将所生成的对象的MR图像传输到终端装置(例如，医生的终端140)以便显示的附加操作。另外，图5所例示和下面描述的过程500的操作顺序不旨在是限制性的。而且，过程500可以用于生成可以通过迭代优化过程重建的任何其它类型的图像，诸如X射线图像、计算机断层摄影(CT)图像、正电子发射断层摄影(PET)图像等、或其任意组合。
图6是例示了根据本公开的一些实施例的用于生成训练过的神经网络模型的示例性过程的流程图。在一些实施例中，过程600可以由MRI系统100执行。例如，过程600可以被实施为存储在储存装置(例如，储存装置130、储存器220和/或储存器390)中的指令集(例如，应用)。在一些实施例中，处理装置120B(例如，计算装置200的处理器210、移动装置300的CPU 340和/或图4B所例示的一个或多个模块)可以执行指令集，因此可以被引导来执行过程600。或者，过程600可以由提供和/或维护这种训练过的神经网络模型的供应商的系统的计算装置来执行，其中，供应商的系统不同于MRI系统100。为了例示的目的，以下描述是参照由处理装置120B对过程600的实施来描述的，并且不旨在限制本公开的范围。
在610中，处理装置120B(例如，获得模块440、处理器210的接口电路)可以获得多个训练样本。
在一些实施例中，训练样本可以包括训练对象的训练欠采样MR图像和对应的金标准MR图像。如本文所用的，训练欠采样MR图像指代与如结合图5描述的对象属于相同类型的训练对象的欠采样MR图像。训练对象的金标准MR图像指代从训练对象的全k空间数据重建的训练对象的全MR图像。例如，如果使用训练过的神经网络模型来重建患者的心脏MR图像，则金标准MR图像可以是基于与另一患者的心脏有关的全k空间数据重建的另一患者的全心脏MR图像。
可选地，训练样本还可以包括训练对象的欠采样的k空间数据和全k空间数据。
在一些实施例中，训练对象的训练样本可以是先前生成的并存储在储存装置(例如，储存装置130、储存器220、储存器390或外部数据库)中。处理装置120B可以直接从储存装置检索训练样本。在一些替代实施例中，训练样本的至少一部分可以由处理装置120B生成。仅仅通过示例的方式，处理装置120B可以获得训练对象的全k空间数据，并且基于训练对象的全k空间数据生成训练对象的训练欠采样MR图像和金标准MR图像。
为了例示的目的，图7例示了根据本公开的一些实施例的用于生成训练对象的训练样本700的示例性过程。如图7例示，处理装置120B可以从例如储存装置130或MR扫描仪110获得训练对象的全k空间数据710。根据全k空间数据710和MR图像重建算法(例如，IFFT算法)，处理装置120B可以将全MR图像740重建为训练对象的金标准MR图像。处理装置120B还可以通过对全k空间数据710进行降采来生成训练对象的欠采样的k空间数据720。进一步地，处理装置120B可以基于欠采样的k空间数据720重建训练对象的训练欠采样MR图像730。例如，可以对欠采样的k空间数据720执行IFFT，以生成训练欠采样MR图像730。可选地，可以在IFFT期间对欠采样的k空间数据720执行补零操作，以便提高重建的训练欠采样MR图像730的分辨率。训练欠采样MR图像730和金标准MR图像740可以形成训练对象的训练样本700。可选地，训练样本700还可以包括训练对象的欠采样k空间数据720和/或全k空间数据710。
在620中，处理装置120B(例如，获得模块440、处理器210的接口电路)可以获得具有一个或多个模型参数的初步模型。
初步模型可以是任何类型的神经网络模型。在某些实施例中，初步模型可以包括卷积神经网络(CNN)模型(例如，全CNN模型、Le网络(LeNet)模型、Alex网络(AlexNet)模型、视觉几何组网络(VGGNet)模型)、RNN模型(例如，双向RNN模型、Elman神经网络模型、Jordan神经网络模型)或级联神经网络模型等、或其任意组合。例如，初步模型可以具有与如图8所示的级联神经网络模型800相同或类似的配置。在一些实施例中，初步模型可以包括一个或多个模型参数。例如，初步模型可以是CNN模型，并且初步模型的示例性模型参数可以包括层的数量(或计数)、核的数量(或计数)、核尺寸、步幅、各个卷积层的填充、损失函数等、或其任意组合。在训练之前，模型参数可以具有它们各自的初始值。例如，处理装置120B可以初始化初步模型的模型参数的参数值。
在一些实施例中，处理装置120B可以获得不可训练的ODE求解器(例如，欧拉算法、中值算法或RK算法)，并且基于不可训练的ODE求解器来构建初步模型。仅仅通过示例的方式，处理装置140B可以基于龙格-库塔算法来确定初步模型的结构。RK算法指代隐式和显式迭代方法族，这些方法包括例如RK2算法、RK3算法、RK4算法等。以RK4算法为例，初始值问题可被指定为如下的方程(7)：
Figure BDA0002880017940000201
其中，y′指代未知的时间函数t，
Figure BDA0002880017940000202
指代y’变化的速率，t0指代初始时间，并且y’0指代y’在初始时间t0的值(或者被称为y’的初始值)。初始值问题可以迭代地求解。例如，可以根据如下方程(8)至(13)基于y’在tn的值来确定y’在tn+1的值：
Figure BDA0002880017940000211
tn+1＝tn+h,(9)
k1＝hf(tn,y’n),(10)
Figure BDA0002880017940000212
Figure BDA0002880017940000213
k4＝hf(tn+h,y’n+k3),(13)
其中，y’n+1指代y’在tn+1的值，y’n指代y’在tn的值，h指代时间步长，k1指代基于tn与tn+1之间的间隔开始时的斜率的增量，k2指代使用y’n和k1的、基于间隔中值时的斜率的增量，k3指代使用y’n和k2的、基于间隔中值时的斜率的增量，并且k4指代使用y’n和k3的、基于间隔结束时的斜率的增量。
常规上，RK4算法中使用的运算符和系数(诸如h、方程(8)中的系数(k1+2k2+2k3+k4)、和/或方程(8)至(13)中的系数k1、k2、k3和k4)可以根据经验确定。例如，RK4算法中使用的系数可以基于先前生成的ButcherTableau来确定。本发明的系统和方法可以用于基于RK4算法设计特定的初步模型。RK4算法中使用的运算符和系数(或其一部分)可以被设计为初步模型的未知参数，其值可以在初步模型的训练期间自动确定。与常规方法相比，系统和方法可以更可靠且鲁棒、不易受人为误差或主观性影响和/或完全自动化。另外，在某些实施例中，可以使用特定区域的训练数据(例如，MR数据)来训练初步模型，所确定的运算符和系数可以更适合于特定区域。
为了例示的目的，参考基于如上所述的RK4算法设计的初步模型描述下面的描述，并且以下描述不旨在限制本公开的范围。仅仅通过示例的方式，初步模型可以包括对应于k1的第一部件、对应于k2的第二部件、对应于k3的第三部件、对应于k4的第四部件以及对应于y’n+1的第五部件。第一部件的输入可以包括y’n，并且第一部件的输出可以包括k1。第二部件可以连接到第一部件，第二部件的输入可以包括y’n和k1，并且第二部件的输出可以包括k2。第三部件可以连接到第二部件，第三部件的输入可以包括y’n和k2，并且第三部件的输出可以包括k3。第四部件可以连接到第三部件，第四部件的输入可以包括y’n和k3，并且第四部件的输出可以包括k4。第五部件可以连接到第一部件到第四部件，第五部件的输入可以包括y’n、k1,k2、k3以及k4，并且第五部件的输出可以包括y’n+1。方程(8)至(13)中的运算符和系数可以分别被设计为第一部件、第二部件、第三部件、第四部件以及第五部件的参数。
应当注意，RK4算法和初步模型的结构的以上描述仅是为了例示的目的而提供的，而不是旨在限制本公开的范围。对于本领域普通技术人员来说，在本公开的示教下可以进行多种变更和修改。然而，这些变更和修改不脱离本公开的范围。例如，方程(8)至(13)是例示性的并且可以被修改。作为另一示例，基于RK4算法设计的初步模型可以包括一个或多个附加的部件或没有上述的一个或多个部件。
在630中，处理装置120B(例如，模型生成模块450、处理器210的处理电路)可以通过基于多个训练样本迭代地更新初步模型的一个或多个模型参数的值来生成训练过的神经网络模型。
在一些实施例中，处理装置120B可以通过执行一次或多次迭代来更新初步模型的模型参数。为了例示的目的，在以下描述中描述迭代中的当前迭代。当前迭代可以基于训练样本的至少一部分来执行。在一些实施例中，在训练初步模型的不同迭代中可以使用相同的训练样本集合或不同的训练样本集合。
例如，在当前迭代中，对于多个训练样本的至少一部分中的每一个训练样本，处理装置120B可以通过将训练欠采样MR图像输入到在前一次迭代中确定的已更新初步模型中来生成对应训练对象的预测MR图像。处理装置120B然后可以基于多个训练样本中的至少一部分中的每一个训练样本的预测MR图像和金标准MR图像来确定已更新初步模型的损失函数的值。损失函数可以用于评估更新的初步模型的准确性和可靠性，例如，损失函数越小，已更新初步模型越可靠。例如，损失函数可以包括均方误差(MSE)损失函数或L1损失函数，其测量多个训练样本的至少一部分中的每一个训练样本的预测MR图像与金标准MR图像之间的差异。
作为另一示例，在当前迭代中，对于多个训练样本的至少一部分中的每一个训练样本，处理装置120B可以处理对应的预测MR图像以生成最终的预测MR图像。处理装置120B然后可以基于多个训练样本中的至少一部分中的每一个训练样本的最终预测MR图像和金标准MR图像来确定已更新初步模型的损失函数的值。损失函数可以测量多个训练样本的至少一部分中的每一个训练样本的最终预测MR图像与金标准MR图像之间的差异。仅仅通过示例的方式，对于某个训练样本，由已更新初步模型中的多个子模型输出的多个中间MR图像可以存储为坐标系中的点。进一步地，处理装置120B可以通过拟合与多个中间MR图像相对应的多个点来生成曲线。根据该曲线，处理装置120B可以对预测MR图像执行外推(例如，延伸该曲线)，以获得某个训练样本的最终预测MR图像。进一步地，处理装置120B可以基于损失函数的值更新要在下一次迭代中使用的已更新初步模型的一个或多个模型参数的值。
在某一场合，当由已更新的初步模型输出的预测MR图像接近金标准MR图像时，在迭代训练过程中可能发生振荡。例如，训练样本的曲线可能围绕训练样本的金标准MR图像延伸，而不是接近金标准MR图像。通过执行外推，可以生成与金标准MR图像更类似的最终预测MR图像。这可以提高图像重建的准确度。
在一些实施例中，处理装置120B可以确定在当前迭代中是否将损失函数的值最小化。例如，如果在当前迭代中获得的损失函数的值小于预定阈值(例如，常数)，则可以认为损失函数的值被最小化。作为另一示例，如果执行了一定计数的迭代，或者损失函数收敛使得在连续迭代中获得的损失函数值的差在阈值(例如，常数)内等，则可以认为损失函数的值被最小化。响应于确定损失函数的值被最小化，处理装置120B可以将当前迭代中的已更新初步模型设计为训练过的神经网络模型。响应于确定损失函数的值在当前迭代中未被最小化，处理装置120B可以进一步更新要在下一迭代中使用的已更新初步模型。在一些实施例中，模型可以包括多个参数值，并且更新模型的参数值是指更新模型的多个参数值的至少一部分。
在一些实施例中，为了更新已更新初步模型的模型参数的值，处理装置120B可以基于损失函数的值根据伴随灵敏度算法来确定梯度下降。处理装置120B还可以通过反向传播梯度下降来更新已更新初步模型的一个或多个模型参数的值。例如，处理装置120B可以定义ODE F1，其指示损失函数相对于不同观察时间的状态的变化率(表示为a(t))。在某些实施例中，ODE F1可以在时间上反向求解，这可以包括原始状态和损失函数相对于该状态的灵敏度。ODE F1的原始状态可以是损失函数相对于训练样本的至少一部分的金标准MR图像的导数。ODE F1的目标状态可以是损失函数相对于训练样本的至少一部分的训练欠采样MR图像的导数。处理装置120B可以通过使用ODE求解器(例如，欧拉算法、中值算法或龙格-库塔算法)求解ODE F1来确定a(t)。进一步地，处理装置120B可以根据以下方程(14)基于a(t)确定梯度下降：
Figure BDA0002880017940000241
其中，L指代损失函数，θ指代已更新初步模型的一个或多个模型参数，z(t)指代训练样本的至少一部分的金标准MR图像，并且t指代时间。进一步地，处理装置120B可以通过反向传播梯度下降来更新已更新初步模型的一个或多个模型参数的值。
在一些实施例中，通过使用伴随灵敏度算法，可以在没有通过神经网络ODE求解器的操作的反向传播的情况下确定梯度下降。另外，不需要存储前向传递的中间量，这可以允许以作为深度的函数的恒定(或基本上恒定)的存储成本来训练初步模型。这可以提高训练效率并降低训练成本(例如，可以能够以特定存储成本生成更深的模型)。而且，神经网络ODE求解器的评估策略可以在模型训练期间自动地适应，以实现所请求的准确度水平(例如，通过设置损失函数的预定阈值)和/或神经网络ODE求解器在应用中的期望运行时间。
应当注意，以上关于过程600的描述仅是为了例示的目的而提供的，而不是旨在限制本公开的范围。对于本领域普通技术人员来说，在本公开的示教下可以进行多种变更和修改。然而，这些变更和修改不脱离本公开的范围。在一些实施例中，可以添加或省略一个或多个操作。例如，训练过的神经网络模型可以存储在本公开中的别处公开的储存装置(例如，储存装置130)中以供进一步使用(例如，在如结合图5描述的MR图像重建中)。作为另一示例，在生成训练过的神经网络模型之后，处理装置120B可以使用一组测试图像来进一步测试训练过的神经网络模型。作为另外示例，处理装置120B可以基于一个或多个新生成的训练图像(例如，在医学诊断中生成的新MR图像)来定期或不定期地更新训练过的神经网络模型。
另外，尽管关于过程600的描述描述了使用多个训练样本来训练训练过的神经网络模型，各个训练样本包括训练欠采样MR图像和对应的金标准MR图像，但是应当理解，可以使用任何其他类型的训练数据来训练训练过的神经网络模型。仅仅通过示例的方式，各个训练样本可以包括欠采样的k空间数据和对应的金标准MR图像。在训练初步模型的当前迭代中，处理装置120B可以通过将欠采样的k-空间数据输入到已更新的初步模型中来生成各个训练样本的预测MR图像。
图8是例示了根据本公开的一些实施例的示例性级联神经网络模型800的示意图。级联神经网络模型800可以是如本公开中的别处(例如，图5和相关描述)描述的训练过的神经网络模型的示例性实施例。
如图8所示，级联神经网络模型800可以包括多个顺序连接的子模型，诸如第一子模型810和在第一子模型810下游的一个或多个第二子模型820(例如，821和822)。第一子模型810可以被配置为接收级联神经网络模型800的输入并生成输出。各个第二子模型820可以被配置为接收连接到第二子模型820的前一模型的输出并生成输出。级联神经网络模型的输出可以是最后一个第二子模型(即第二子模型822)的输出。在一些实施例中，级联神经网络800的不同子模型可以是相同类型或不同类型。在某些实施例中，级联神经网络800的子模型可以是具有相同模型参数的相同模型。这可以减少级联神经网络800的参数的量。
在一些实施例中，级联神经网络模型的输入可以包括如结合操作530描述的ODE的初始值，诸如对象的欠采样MR图像。级联神经网络模型的输出可以包括对象的MR图像。各个子模型可以包括CNN模型和连接到CNN模型的DC层。各个子模型的CNN模型可以被配置为处理子模型的输入并生成对象的中间MR图像。各个子模型的DC层可以被配置为基于对象的中间MR图像和欠采样的k空间数据来输出已更新的中间MR图像。
例如，在第一子模型810中，CNN1模型可以接收对象的欠采样MR图像，并且处理欠采样的MR图像以生成第一中间MR图像。对象的欠采样的MR图像可以基于对象的欠采样的k空间数据来获得。CNN1模型可以将第一中间MR图像传输到第一子模型810的DC1层。DC1层可以基于欠采样的k空间数据更新第一中间MR图像。DC1层还可以将已更新的第一中间MR图像传输到第二子模型821的CNN2模型。
CNN2模型可以处理已更新的第一中间MR图像并生成第二中间MR图像。CNN2模型还可以将第二中间MR图像传输到第二子模型821的DC2层。DC2层可以基于欠采样的k空间数据更新第二中间MR图像。一个或多个第二子模型820中的最后一个第二子模型822(例如，最后一个第二子模型822的DCn层)可以输出对象的MR图像。
在一些实施例中，子模型的DC层可以基于欠采样的k空间数据来更新从对应CNN模型接收的中间MR图像。例如，DC层可以将对应于中间MR图像的k空间数据与欠采样的k空间数据进行比较。基于比较结果，可以识别与欠采样的K空间数据的对应部分(表示为K2)不同的k空间数据的部分(表示为K1)，其中，部分K1和部分K2可以位于k空间中的相同位置。DC层可以通过用欠采样的k-空间数据的部分K2代替部分K1来更新中间MR图像的k-空间数据。DC层还可以基于中间MR图像的已更新的k空间数据来重建已更新的中间MR图像。通过使用DC层，可以提高数据保真度和重建准确度。
应当注意，以上关于级联神经网络模型800的描述仅是为了例示的目的而提供的，而不是旨在限制本公开的范围。对于本领域普通技术人员来说，在本公开的示教下可以进行多种变更和修改。然而，这些变更和修改不脱离本公开的范围。例如，级联神经网络模型可以包括一个或多个附加部件或可以省略上述的一个或多个部件。在一些实施例中，级联神经网络模型800还可以包括连接到最后一个第二子模型822的部件，其被配置为对对象的MR图像执行外推，以获得对象的最终MR图像。在这种情况下，级联神经网络模型的输出可以是对象的最终MR图像。
图9是例示了根据本公开的一些实施例的示例性外推的示意图。
如结合图5所述的，可以应用训练过的神经网络模型来求解ODE，以生成对象的MR图像，其中，欠采样的MR图像可以用作ODE的初始值。可以对所生成的MR图像执行外推来生成最终MR图像，以便提高图像质量。在一些实施例中，外推可以基于在求解ODE期间由训练过的神经网络模型生成的一个或多个中间MR图像来执行。
例如，训练过的神经网络模型可以是包括多个子模型的级联神经网络模型。欠采样MR图像可以被输入到级联神经网络模型中，并且各个子模型可以在应用期间输出中间MR图像。由最后一个子模型输出的中间MR图像可以被指定为对象的MR图像。处理装置120A可以将子模型输出的中间MR图像存储为多个点(例如911、912、913和914)，如图9所示。进一步地，处理装置120A可以通过拟合多个点来确定曲线920。根据曲线920，处理装置120A可以对对象的MR图像执行外推，以获得对象的最终MR图像。例如，处理装置120A可以基于例如曲线920的形状将曲线920从最后一个点914(即，对应于MR图像的点)延伸到新的点930。点914与点930之间的延伸部分915的长度可以是MRI系统100的默认设置(例如，经验值)，由用户设置，或者由处理装置120A根据实际需要调节。处理装置120A然后可以将与点930对应的图像确定为对象的最终MR图像。
在由此描述了基本概念之后，对于本领域技术人员而言，在阅读了该详细公开之后，可能相当明显的是，前述详细公开仅旨在通过示例的方式来呈现，而不是限制性的。尽管本文中没有明确地陈述，但是可以出现各种改变、改进和修改，并且这些改变、改进和修改是本领域技术人员所期望的。这些改变、改进和修改旨在由本公开建议，并且在本公开的示例性实施例的精神和范围内。
而且，某些术语已经用于描述本公开的实施例。例如，术语“一个实施例”、“实施例”和/或“一些实施例”意指结合实施例描述的特定特征、结构或特性被包括在本公开的至少一个实施例中。因此，要强调并且应当理解，在本说明书的各个部分中两次或更多次提到“实施例”或“一个实施例”或“替代实施例”不一定全部指同一实施例。此外，在本公开的一个或多个实施例中，可以适当地组合特定特征、结构或特性。进一步地，本领域技术人员应当理解，本公开的方面可以在许多可授予专利的类别或背景中的任何类别或背景中例示和描述，包括任何新的和有用的过程、机器、制造或物质组成、或其任何新的和有用的改进。因此，本公开的方面可以完全硬件、完全软件(包括固件、驻留软件、微代码等)或组合软件和硬件实施方式来实施，这些实施方式在本文中可以全部一般地被称为“单元”、“模块”或“系统”。此外，本公开的方面可以采取计算机程序产品的形式，该计算机程序产品具体实施在上面具体实施有计算机可读程序代码的一个或多个计算机可读介质中。
此外，处理元件或序列的叙述顺序、或数字、字母或其它标记的使用因此并不旨在将所要求保护的过程和方法限制为任何顺序，除非在权利要求中可以指定。尽管以上公开通过各种示例讨论了当前被认为是本公开的各种有用实施例的内容，但是应当理解，这种细节仅仅是出于该目的，并且所附权利要求不限于所公开的实施例，而是相反，旨在覆盖在所公开实施例的精神和范围内的修改和等同布置。例如，尽管上述各种部件的实施方式可以在硬件装置中具体实施，但是它也可以实施为仅软件解决方案，例如，在现有服务器或移动装置上的安装。类似地，应当理解，在本公开的实施例的前面描述中，为了使本公开精简以帮助理解各种实施例中的一个或多个，各种特征有时被一起分组在单个实施例、附图或其描述中。然而，公开的该方法不被解释为反映所要求保护的主题需要比在各权利要求中明确叙述的更多特征的意图。相反，所要求保护的主题可以在于少于单个前述公开的实施例的所有特征。

Claims (10)

1.一种用于磁共振成像(MRI)中的图像重建的系统，包括：
至少一个储存装置，其包括指令集；和
至少一个处理器，其与所述至少一个储存装置通信，其中，当执行所述指令集时，指示所述至少一个处理器执行操作，包括：
获得与对象相关联的欠采样的k空间数据，所述欠采样的k空间数据基于磁共振(MR)信号来生成，所述MR信号由扫描所述对象的MR扫描仪收集；
将基于欠采样的k空间数据的MR图像的重建过程，构建常微分方程(ODE)；以及
通过使用ODE求解器基于所述欠采样的k空间数据求解所述ODE来生成所述对象的所述MR图像。
2.根据权利要求1所述的系统，其中，所述将基于所述欠采样的k空间数据的MR图像的重建过程构建ODE包括：
将基于所述欠采样的k空间数据的所述MR图像的所述重建过程公式化为离散优化过程；以及
通过将所述离散优化过程变换为连续优化过程来构建所述ODE，其中，所述ODE对解在所述连续优化过程期间的变化率进行建模。
3.根据权利要求1所述的系统，其中，所述通过使用ODE求解器基于所述欠采样的k空间数据求解所述ODE来生成所述对象的所述MR图像包括：
基于所述欠采样的k空间数据重建所述对象的欠采样的MR图像，作为所述ODE的初始值；以及
通过使用所述ODE求解器基于所述初始值求解所述ODE来生成所述对象的所述MR图像。
4.根据权利要求3所述的系统，其中，所述ODE求解器是训练过的神经网络模型，其中，所述通过使用所述ODE求解器基于初始值求解所述ODE来生成所述对象的所述MR图像包括：
通过将所述欠采样的MR图像输入到所述训练过的神经网络模型中来获得所述对象的所述MR图像。
5.根据权利要求4所述的系统，所述训练过的神经网络模型包括多个顺序连接的子模型，所述多个顺序连接的子模型包括第一子模型和在所述第一子模型下游的一个或多个第二子模型，其中，所述一个或多个第二子模型中的至少一个包括：
卷积模型，其被配置为处理连接到所述至少一个第二子模型的前一子模型的输出，并且生成中间MR图像；和
数据一致性(DC)层，其连接到所述卷积模型，被配置为基于所述中间MR图像和所述欠采样的k空间数据来输出已更新的中间MR图像，并且其中，所述对象的所述MR图像是所述一个或多个第二子模型中的所述最后一个第二子模型的输出。
6.根据权利要求4所述的系统，其中，根据模型训练过程来生成所述训练过的神经网络模型，所述模型训练过程包括：
获得多个训练样本，所述多个训练样本中的每一个训练样本包括训练对象的训练欠采样MR图像和对应的金标准MR图像；
获得具有一个或多个模型参数的初步模型；以及
通过基于所述多个训练样本迭代地更新所述初步模型的所述一个或多个模型参数的值来生成所述训练过的神经网络模型。
7.根据权利要求6所述的系统，其中，所述迭代地更新所述初步模型的所述一个或多个模型参数的值包括：执行包括一次或多次迭代的迭代操作，并且所述迭代操作的至少一次迭代中的每一次迭代包括：
对于所述多个训练样本的至少一部分中的每一个训练样本，通过将所述训练欠采样MR图像输入到在先前迭代中确定的已更新初步模型中来生成所述对应训练对象的预测MR图像；
基于所述多个训练样本的所述至少一部分的每一个训练样本的所述预测MR图像和所述金标准MR图像来确定所述已更新初步模型的损失函数的值；以及
基于所述损失函数的所述值进一步更新要在下一次迭代中使用的所述已更新初步模型的所述一个或多个模型参数的值，其中，基于所述损失函数的所述值进一步更新要在下一次迭代中使用的所述已更新初步模型的所述一个或多个模型参数的值包括：
根据伴随灵敏度算法基于所述损失函数的所述值确定梯度下降；以及
通过反向传播所述梯度下降来更新所述已更新初步模型的所述一个或多个模型参数的值。
8.根据权利要求6所述的系统，其中，获得具有一个或多个模型参数的初步模型包括：
获得不可训练的ODE求解器；以及
基于所述不可训练的ODE求解器来构建具有所述一个或多个模型参数的所述初步模型。
9.一种用于磁共振成像(MRI)中的图像重建的方法，所述该方法在包括至少一个处理器和至少一个储存装置的计算装置上实施，所述方法包括：
获得与对象相关联的欠采样的k空间数据，所述欠采样的k空间数据基于磁共振(MR)信号来生成，所述MR信号由扫描所述对象的MR扫描仪收集；
将基于欠采样的k空间数据的MR图像的重建过程，构建常微分方程(ODE)；以及
通过使用ODE求解器基于所述欠采样的k空间数据求解所述ODE来生成所述对象的所述MR图像。
10.一种包括可执行指令的非瞬时性计算机可读介质，当所述可执行指令由至少一个处理器执行时，引导所述至少一个处理器执行一种方法，所述方法包括：
获得与对象相关联的欠采样的k空间数据，所述欠采样的k空间数据基于磁共振(MR)信号来生成，所述MR信号由扫描所述对象的MR扫描仪收集；
将基于欠采样的k空间数据的MR图像的重建过程，构建常微分方程(ODE)；以及
通过使用ODE求解器基于所述欠采样的k空间数据求解所述ODE来生成所述对象的所述MR图像。
CN202011630837.6A 2020-01-22 2020-12-31 用于图像重建的系统和方法 Pending CN112767504A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/749,964 2020-01-22
US16/749,964 US11763134B2 (en) 2020-01-22 2020-01-22 Systems and methods for image reconstruction

Publications (1)

Publication Number Publication Date
CN112767504A true CN112767504A (zh) 2021-05-07

Family

ID=75699397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011630837.6A Pending CN112767504A (zh) 2020-01-22 2020-12-31 用于图像重建的系统和方法

Country Status (2)

Country Link
US (1) US11763134B2 (zh)
CN (1) CN112767504A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537315A (zh) * 2021-06-30 2021-10-22 电子科技大学 一种基于聚类信息熵的易区分图像选择方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022124633A (ja) * 2021-02-16 2022-08-26 キヤノンメディカルシステムズ株式会社 画像処理装置
US20230084413A1 (en) * 2021-09-13 2023-03-16 Siemens Healthcare Gmbh Deep learning-based realtime reconstruction
US20230079164A1 (en) * 2021-09-15 2023-03-16 Shanghai United Imaging Intelligence Co., Ltd. Image registration
TWI806496B (zh) * 2022-03-16 2023-06-21 緯創資通股份有限公司 遞迴貝式網路建構系統、遞迴貝式網路建構方法、電腦可讀取記錄媒體、非暫時性電腦程式產品及無線網路控制系統
EP4202468A1 (en) 2021-12-23 2023-06-28 Orbem GmbH Direct inference based on undersampled mri data of humans or animals
EP4202427A1 (en) 2021-12-23 2023-06-28 Orbem GmbH Direct inference based on undersampled mri data of industrial samples

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090069664A1 (en) * 2007-09-07 2009-03-12 The Board Of Trustees Of The Leland Stanford Junior University Method for determining time-optimal gradient waveforms
CN107064845A (zh) * 2017-06-06 2017-08-18 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
US20170285122A1 (en) * 2016-04-03 2017-10-05 Q Bio, Inc Rapid determination of a relaxation time
CN108535675A (zh) * 2018-04-08 2018-09-14 朱高杰 一种基于深度学习和数据自洽的磁共振多通道重建方法
CN109350061A (zh) * 2018-11-21 2019-02-19 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法
CN109671129A (zh) * 2018-12-14 2019-04-23 深圳先进技术研究院 一种自适应参数学习的动态磁共振图像重建方法和装置
CN109872377A (zh) * 2019-02-28 2019-06-11 上海交通大学 用于磁共振导航的脑组织快速成像与图像重建方法
CN110211050A (zh) * 2018-02-28 2019-09-06 通用电气公司 用于稀疏图像重建的系统和方法
CN110333466A (zh) * 2019-06-19 2019-10-15 东软医疗系统股份有限公司 一种基于神经网络的磁共振成像方法和装置
CN110490832A (zh) * 2019-08-23 2019-11-22 哈尔滨工业大学 一种基于正则化深度图像先验方法的磁共振图像重建方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104714199B (zh) * 2013-12-17 2018-04-24 西门子(深圳)磁共振有限公司 一种磁共振成像方法和装置
US9958521B2 (en) * 2015-07-07 2018-05-01 Q Bio, Inc. Field-invariant quantitative magnetic-resonance signatures
US10194829B2 (en) * 2015-07-07 2019-02-05 Q Bio, Inc. Fast scanning based on magnetic resonance history
US10222441B2 (en) * 2016-04-03 2019-03-05 Q Bio, Inc. Tensor field mapping
US11062488B2 (en) * 2018-06-28 2021-07-13 Siemens Healthcare Gmbh Magnetic resonance fingerprinting based on bloch manifold and spatial regularizations in parallel
US11300645B2 (en) * 2018-07-30 2022-04-12 Hyperfine Operations, Inc. Deep learning techniques for magnetic resonance image reconstruction
US10712416B1 (en) * 2019-02-05 2020-07-14 GE Precision Healthcare, LLC Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090069664A1 (en) * 2007-09-07 2009-03-12 The Board Of Trustees Of The Leland Stanford Junior University Method for determining time-optimal gradient waveforms
US20170285122A1 (en) * 2016-04-03 2017-10-05 Q Bio, Inc Rapid determination of a relaxation time
CN107064845A (zh) * 2017-06-06 2017-08-18 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN110211050A (zh) * 2018-02-28 2019-09-06 通用电气公司 用于稀疏图像重建的系统和方法
CN108535675A (zh) * 2018-04-08 2018-09-14 朱高杰 一种基于深度学习和数据自洽的磁共振多通道重建方法
CN109350061A (zh) * 2018-11-21 2019-02-19 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法
CN109671129A (zh) * 2018-12-14 2019-04-23 深圳先进技术研究院 一种自适应参数学习的动态磁共振图像重建方法和装置
CN109872377A (zh) * 2019-02-28 2019-06-11 上海交通大学 用于磁共振导航的脑组织快速成像与图像重建方法
CN110333466A (zh) * 2019-06-19 2019-10-15 东软医疗系统股份有限公司 一种基于神经网络的磁共振成像方法和装置
CN110490832A (zh) * 2019-08-23 2019-11-22 哈尔滨工业大学 一种基于正则化深度图像先验方法的磁共振图像重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALI POUR YAZDANPANAH.ET AL: "ODE-based Deep Network for MRI Reconstruction", 《ARXIV:1912.12325V1[EESS.IV]》, pages 1 - 4 *
王一达 等: "卷积神经网络重建欠采的磁共振图像", 《磁共振成像》, vol. 9, no. 6, pages 453 - 459 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537315A (zh) * 2021-06-30 2021-10-22 电子科技大学 一种基于聚类信息熵的易区分图像选择方法
CN113537315B (zh) * 2021-06-30 2023-06-06 电子科技大学 一种基于聚类信息熵的易区分图像选择方法

Also Published As

Publication number Publication date
US20210224634A1 (en) 2021-07-22
US11763134B2 (en) 2023-09-19

Similar Documents

Publication Publication Date Title
CN112767504A (zh) 用于图像重建的系统和方法
US10852379B2 (en) Artifact reduction by image-to-image network in magnetic resonance imaging
CN109325985B (zh) 磁共振图像重建方法、装置和计算机可读存储介质
CN112424835B (zh) 用于图像重建的系统和方法
CN112368738B (zh) 用于图像优化的系统和方法
WO2021249439A1 (en) Systems and methods for image processing
CN111127521B (zh) 用于生成和跟踪目标的形状的系统和方法
US11774535B2 (en) Systems and methods for magnetic resonance imaging reconstruction
KR20220070502A (ko) 맥스웰 병렬 이미징
CN117011673B (zh) 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置
US11933870B2 (en) Contrast and/or system independent motion detection for magnetic resonance imaging
US20240005508A1 (en) Systems and methods for image segmentation
US11408954B2 (en) Systems and methods of reducing noise and artifacts in magnetic resonance imaging
US11308610B2 (en) Systems and methods for machine learning based automatic bullseye plot generation
CN115458161A (zh) 乳腺癌进展分析方法、装置、设备和介质
Thai et al. Using Deep Convolutional Neural Network for Mouse Brain Segmentation in DT-MRI
US11703557B2 (en) Systems and methods for actual gradient waveform estimation
Eriksen A machine learning approach to improve consistency in user-driven medical image analysis
Pérez-Pelegrí et al. End-systole and end-diastole detection in short axis cine MRI using a fully convolutional neural network with dilated convolutions
US11935211B2 (en) Systems and methods for image processing
CN114581438B (zh) Mri图像分类方法、装置、电子设备及存储介质
EP4083650A1 (en) Controlling a scanning operation of a medical imaging device
Al‐Bashir et al. Electrical impedance tomography image reconstruction for lung monitoring based on ensemble learning algorithms 1
Mobarak-Abadi et al. DeepRetroMoCo: Deep neural network-based Retrospective Motion Correction Algorithm for Spinal Cord functional MRI
Baloch et al. Deep Learning-Based Medical Image Reconstruction: Overview, Analysis, and Challenges.

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