CN112881957B - 用于磁共振成像的方法和系统 - Google Patents

用于磁共振成像的方法和系统 Download PDF

Info

Publication number
CN112881957B
CN112881957B CN202110072529.4A CN202110072529A CN112881957B CN 112881957 B CN112881957 B CN 112881957B CN 202110072529 A CN202110072529 A CN 202110072529A CN 112881957 B CN112881957 B CN 112881957B
Authority
CN
China
Prior art keywords
space
region
data
filter
data set
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.)
Active
Application number
CN202110072529.4A
Other languages
English (en)
Other versions
CN112881957A (zh
Inventor
刘慧�
丁彧
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 Healthcare Co Ltd
Original Assignee
Shanghai United Imaging 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 Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Publication of CN112881957A publication Critical patent/CN112881957A/zh
Application granted granted Critical
Publication of CN112881957B publication Critical patent/CN112881957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • 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
    • 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
    • G01R33/583—Calibration of signal excitation or detection systems, e.g. for optimal RF excitation power or frequency

Landscapes

  • Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提出一种用于磁共振成像(MRI)的方法，包括：获取多个欠采样k空间数据集，所述多个欠采样k空间数据集通过使用加权采集技术对MR数据进行采样来将所述MR数据填充至多个k空间中获得，所述多个k空间数据集中的每一者包括至少一个全采样区域和一个欠采样区域；对于所述多个k空间数据集中的每一者，基于所述至少一个全采样区域来获取卷积滤波器，并通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集；以及使用所述经修改的k空间数据集来重建对象的图像。本申请还提出一种用于磁共振成像的系统。

Description

用于磁共振成像的方法和系统
本申请是申请日为“2018年12月18日”、申请号为“201811548406.8”、题为“用于磁共振成像的方法和系统”的申请的分案申请。
技术领域
本发明一般涉及磁共振成像(MRI)或磁共振波谱(MRS)，并且尤其涉及用于在增强MRI或MRS的信噪比(SNR)的同时提高数据采集速度的方法和装置。
背景技术
磁共振成像(MRI)是可被用于调查对象(例如，人)的解剖构造和/或生理机能的非侵入式医学成像技术。MRI扫描仪还可包括用于执行磁共振波谱成像(MRSI)以产生MRS图像的模块。MRS图像可提供关于扫描对象(例如，患者)的某个区域中的化学元素的信息，并且由此被用于分析该区域(例如，脑部)的代谢活动。MRI图像的图像质量和/或MRS图像的精度可影响医生在该MRI图像和/或MRS图像的基础上提供的诊断的准确性。需要有改善MRI图像的图像质量(例如，提高的SNR、减少的伪影)和MRS图像的精度的技术。
发明内容
根据本申请的一方面，用于磁共振成像(MRI)的方法，包括：
获取多个欠采样k空间数据集，所述多个欠采样k空间数据集通过使用加权采集技术对MR数据进行采样来将所述MR数据填充至多个k空间中获得，所述多个k空间数据集中的每一者包括至少一个全采样区域和一个欠采样区域；
对于所述多个k空间数据集中的每一者，基于所述至少一个全采样区域来获取卷积滤波器，并通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集；以及
使用所述经修改的k空间数据集来重建对象的图像。
在一些实施例中，所述至少一个全采样区域位于对应的k空间数据集的中心区域，所述欠采样区域位于对应的k空间数据集的角落。
在一些实施例中，所述加权采集技术通过对填充至K空间中的MR数据施加加权函数获得。
在一些实施例中，所述加权函数为连续函数。
在一些实施例中，k空间数据集的中心区域相对所述k空间数据集的中心区域外的数据点具有更高的采样密度。
在一些实施例中，k空间数据集的中心区域的数据点为多次采样的数据点的均值。
在一些实施例中，所述通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集包括：
经由卷积滤波器修改采样区域的k空间线以生成经修改的k空间线；
基于经修改的k空间线来估计所述欠采样区域中的未采样数据点。
在一些实施例中，所述MR数据基于压缩感知技术获得。
根据本申请的另一方面，提出用于磁共振成像(MRI)的系统，包括至少一个处理器和用于存储指令的至少一个存储，所述指令在由所述至少一个处理器执行时使得所述系统：
获取多个欠采样k空间数据集，所述多个欠采样k空间数据集通过使用加权采集技术对MR数据进行采样来将所述MR数据填充至多个k空间中获得，所述多个k空间数据集中的每一者包括至少一个全采样区域和一个欠采样区域；
对于所述多个k空间数据集中的每一者，基于所述至少一个全采样区域来获取卷积滤波器，并通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集；以及
使用所述经修改的k空间数据集来重建对象的图像。
在一些实施例中，所述通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集包括：
经由卷积滤波器修改采样区域的k空间线以生成经修改的k空间线；
基于经修改的k空间线来估计所述欠采样区域中的未采样数据点。
附加特征将在以下描述中部分阐述，并且部分将对本领域技术人员在检查以下附图和附图时变得明显，或者可以通过示例的生产或操作来学习。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、工具和组合的各个方面来实现和获得本公开的特征。
附图简述
本公开进一步以示例性实施例的形式来描述。这些示例性实施例是参照附图来详细描述的。这些实施例是非限定性的示例性实施例，其中相似的参考标号贯穿数个附图的视图代表相似结构，并且其中：
图1是解说根据本公开的一些实施例的示例性成像系统的示意图；
图2是解说根据本公开的一些实施例的示例性计算设备的示例性组件的示意图；
图3是解说根据本公开的一些实施例的示例性移动设备的示例性组件的示意图；
图4是解说根据本公开的一些实施例的示例性处理设备的示意图；
图5是解说根据本公开的一些实施例的使用MRI扫描仪进行数据采集的示例性设置的示意图；
图6是示出示例性2D k空间数据集的示意图；
图7是解说根据本公开的一些实施例的用于处理k空间数据集的示例性过程的示意图；
图8是解说根据本公开的一些实施例的用于处理多个k空间数据集的示例性滤波器的示意图；
图9是解说根据本公开的一些实施例的多个欠采样的k空间数据集的示例性校准区域的示意图；
图10-A是解说根据本公开的一些实施例的用于确定滤波器的加权因子的示例性校准区域的示意图；
图10-B是解说根据本公开的一些实施例的示例性滤波器和示例性应用区域的示意图；
图11-A和11-B是解说根据本公开的一些实施例的用于将滤波器卷积地应用于该多个k空间数据集的示例性过程的示意图；
图12-A至14-D是解说根据本公开的一些实施例的用于采集MR信号以生成k空间数据集的示例性采样轨迹的示意图；
图15-A和15-C是解说根据本公开的一些实施例的用于基于压缩感知方法采集MR信号的示例性采样模式的示意图；
图16是解说根据本公开的一些实施例的用于基于多个经处理的k空间数据集生成MRI图像的示例性过程的示意图；
图17是解说根据本公开的一些实施例的用于生成k空间数据集的示例性过程的示意图；
图18是解说根据本公开的一些实施例的用于生成k空间数据集的示例性过程的示意图；
图19是解说根据本公开的一些实施例的用于生成k空间数据集的示例性过程的示意图；
图20是解说根据本公开的一些实施例的磁共振成像的示例性过程的示意图。
具体实施方式
本公开涉及一种用于处理k空间数据集以提高从中生成图像的质量的系统和方法。根据一些实施例，滤波器可用于卷积地处理多个全k空间数据集。
在以下详细描述中，通过实例阐述了许多具体细节，以便提供对相关公开的全面理解。然而，本领域技术人员应当清楚，可以在没有此类细节的情况下实践本公开。在其他实例中，为了避免不必要地混淆本公开的各个方面，在相对较高的级别、没有详细地描述了公知的方法、过程、系统、组件和/或电路。对于本领域技术人员来说，对所公开的实施例的各种修改将是显而易见的，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。因此，本公开不限于所示的实施例，而是符合与权利要求一致的最宽范围。
图1是解说根据本公开的一些实施例的示例性成像系统的示意图。如所示，成像系统100可以包括MRI扫描仪110、网络120、一个或多个终端130、处理设备140和存储设备150。
MRI扫描仪110可以包括机架111、检测区域113和工作台114。机架111可以包括用于执行MRI扫描的多个线圈(未示出)。对象可被置于平台114上以进行扫描。对象可以是患者、实验对象、容器、用于扫描仪110的成像性能分析对象(例如，体模)等，或其任何组合。扫描仪110可以通过扫描对象来采集扫描数据以供生成图像。可以在傅立叶空间(k空间)中对扫描数据进行采样。在本公开的其他地方(例如，结合图5和图6)提供MRI扫描仪110的示例性结构和MR数据采集的描述。
网络120可以包括能兼容该成像系统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，成像系统100的一个或多个组件(例如，MRI扫描仪110、终端130、处理设备140、存储设备150)可以经由网络120与成像系统100的一个或多个其他组件进行信息和/或数据的通信。例如，处理设备140可以经由网络120从MRI扫描仪110获取扫描数据。作为另一示例，处理设备140可经由网络120从终端130获取用户指令。网络120可以是和/或包括公共网络(例如，因特网)、专有网络(例如，局域网(LAN)、广域网(WAN)等)、有线网络(例如，以太网)、无线网络(例如，802.11网络、Wi-Fi网络等)、蜂窝网络(例如，长期演进(LTE)网络)、帧中继网络、虚拟专用网(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机、和/或其任何组合。仅作为示例，网络120可包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等等、或其任何组合。在一些实施例中，网络120可包括一个或多个网络接入点。例如，网络120可包括有线和/或无线网络接入点(诸如基站和/或因特网交换点)，成像系统100的一个或多个组件可通过这些接入点来连接到网络120以交换数据和/或信息。
(诸)终端130可包括移动设备131、平板计算机132、便携式电脑133等等、或其任何组合。在一些实施例中，移动设备131可包括可穿戴设备、移动设备、虚拟现实设备、增强现实设备等等、或其任何组合。在一些实施例中，可穿戴设备可包括手环、鞋袜、眼镜、头盔、手表、衣物、背包、智能饰物等等、或其任何组合。在一些实施例中，移动设备可包括移动电话、个人数字助理(PDA)、便携式设备、平板计算机、台式机等等、或其任何组合。在一些实施例中，虚拟现实设备和/或增强现实设备可包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等等、或其任何组合。例如，虚拟现实设备和/或增强现实设备可包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中，(诸)终端130可以是处理设备140的一部分。
处理设备140可以处理从MRI扫描仪110、终端130和/或存储设备150获取的数据和/或信息。例如，处理设备140可以被配置为处理由MRI扫描仪110采集的扫描数据并从其生成图像。这里使用的图像可以包括用于显示信息的二维图像、三维图像、视频、图表或表格、相应的数字文件或数据集等。处理设备140还可以被配置为控制成像系统100的一个或多个组件。例如，处理设备140可以被配置为控制扫描仪110扫描对象并将扫描数据采样到一个或多个k空间数据集中。然后，处理设备140可以处理该一个或多个k空间数据集的数据以生成该对象的图像。处理设备140的描述在本公开的其他地方提供(例如，结合图4)。
处理设备140可以是计算机、用户控制台、单个服务器或服务器群(集中式或分布式)等。处理设备140可以是本地的或远程的。例如，处理设备140可经由网络120访问存储在扫描仪110、终端130和/或存储设备150中的信息和/或数据。作为另一个示例，处理设备140可以直接连接到扫描仪110、终端130和/或存储设备150以访问存储着的信息和/或数据。在一些实施例中，处理设备140可被实现在云平台上。仅作为示例，云平台可包括专有云、公共云、混合云、社区云、分布式云、互联云、多模态云等等、或其任何组合。在一些实施例中，处理设备140可由具有如图2中所解说的一个或多个组件的计算设备200来实现。
存储设备150可存储数据、指令、和/或任何其它信息。在一些实施例中，存储设备150可以存储从终端130和/或处理设备140获取的数据。在一些实施例中，存储设备150可以存储数据和/或指令，处理设备140可执行或使用这些数据和/或指令以执行本公开描述的示例性方法。在一些实施例中，存储设备150可包括大容量存储器、可移动存储设备、易失性读写存储器、只读存储器(ROM)、或者类似物、或其任何组合。示例性的大容量存储可包括磁盘、光盘、固态驱动器等。示例性的可移动存储可包括闪存驱动器、软盘、光盘、存储器卡、zip盘、磁带等。示例性的易失性读写存储器可包括随机存取存储器(RAM)。示例性的RAM可以包括动态RAM(DRAM)、双倍数据速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、压缩盘ROM(CD-ROM)、以及数字多用盘ROM等。在一些实施例中，存储设备150可以在云平台上实现。仅作为示例，云平台可包括专有云、公共云、混合云、社区云、分布式云、互联云、多模态云等等、或其任何组合。
在一些实施例中，存储设备150可连接到网络120，以便与成像系统100中的一个或多个其他组件(例如，处理设备140、终端130等)通信。成像系统100的一个或多个组件可经由网络120访问存储设备150中存储的数据或指令。在一些实施例中，存储设备150可以与成像系统100的一个或多个其它组件(如处理设备140、终端130等)直接连接或通信。在一些实施例中，存储设备150可以是处理设备140的一部分。
图2是解说了根据本公开的一些实施例的示例性计算设备的示例性组件的示意图。处理设备140可以在计算设备200上实现。如图2中所解说的，计算设备200可包括处理器210、存储220、输入/输出(I/O)230和通信端口240。
处理器210可以执行计算机指令(例如，程序代码)，并根据本文所描述的技术来执行处理设备140的功能。计算机指令可包括例如执行本文所描述的特定功能的例程、程序、对象、组件、数据结构、规程、模块以及函数。例如，处理器210可以被配置为控制MRI扫描仪110以对对象执行扫描并从其生成一个或多个k空间数据集，处理所获取的k空间数据集，和/或基于经处理的数据集来生成图像。
在一些实施例中，处理器210可包括一个或多个硬件处理器，诸如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件(PLD)、能够执行一个或多个功能的任何电路或处理器等等、或其任何组合。
仅为了解说，计算设备200中仅描述了一个处理器。然而，应当注意，本公开中的计算设备200还可以包括多个处理器，因此由本公开中所描述的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分开执行。例如，如果在本公开中计算设备200的处理器执行步骤A和步骤B两者，则应当理解，步骤A和步骤B也可以由计算设备200中的两个或更多个不同的处理器联合地或分开地执行(例如，第一处理器执行步骤A并且第二处理器执行步骤B，或者第一和第二处理处理器联合地执行步骤A和B)。
存储220可存储从扫描仪110、终端130、存储设备150、和/或成像系统100的任何其他组件获取的数据/信息。在一些实施例中，存储220可包括大容量存储、可移动存储、易失性读写存储器、只读存储器(ROM)等等，或其任何组合。例如，大容量存储可包括磁盘、光盘、固态驱动器等。可移动存储可包括闪存驱动器、软盘、光盘、存储器卡、zip盘、磁带等。易失性读写存储器可包括随机存取存储器(RAM)。RAM可包括动态RAM(DRAM)、双倍数据率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。ROM可包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、压缩盘ROM(CD-ROM)、以及数字多用碟ROM等。在一些实施例中，存储220可存储用于执行本公开中所描述的示例性方法的一个或多个程序和/或指令。例如，存储220可以为处理设备140存储用于确定规整条目的程序。
I/O230可输入和/或输出信号、数据、信息等。在一些实施例中，I/O230可实现用户与处理设备140的交互。在一些实施例中，I/O230可包括输入设备和输出设备。输入设备的示例可包括键盘、鼠标、触摸屏、话筒等等、或其组合。输出设备的示例可包括显示设备、扬声器、打印机、投影仪等等、或其组合。显示设备的示例可包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)、触摸屏等等、或其组合。
通信端口240可连接到网络(例如，网络120)以促成数据通信。通信端口240可在处理设备140与扫描仪110、终端130，和/或存储设备150之间建立连接。连接可以是有线连接、无线连接、能够实现数据传送和/或接收的任何其他通信连接、和/或这些连接的任何组合。有线连接可包括例如电缆、光缆、电话线等等，或其任何组合。无线连接可包括例如蓝牙TM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、移动网络链路(例如，3G，4G，5G等)等，或其组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，诸如RS232、RS485等。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可根据医学数字成像和通信(DICOM)协议来设计。
图3是解说根据本公开的一些实施例的示例性移动设备的示例性组件的示意图。如图3中所解说的，移动设备300可包括通信平台310、显示器320、图形处理单元(GPU)330、处理器340、I/O 350、存储器360、以及存储390。在一些实施例中，移动设备300中还可包括任何其他合适的组件，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，iOSTM、AndroidTM、Windows PhoneTM等)和一个或多个应用380可从存储390被加载到存储器360中以便由处理器340执行。应用380可包括浏览器或任何其它合适的移动应用，用于接收和呈现来自处理设备140的与数据采集、数据处理和图像生成有关的信息。应用380还可以包括一个或多个移动应用，用于生成控制信号以供控制处理设备140执行与数据采集、数据处理和图像生成有关的一个或多个过程。用户与信息流的交互可经由I/O 350来达成，并且经由网络120提供给成像系统100的处理设备140和/或其他组件。
为了实现本公开中所描述的各种模块、单元及其功能性，计算机硬件平台可被用作为用于本文所描述的一个或多个元件的(诸)硬件平台。具有用户界面元件的计算机可被用于实现个人计算机(PC)或任何其他类型的工作站或终端设备。计算机在被恰当地编程的情况下还可充当服务器。
图4是解说根据本公开的一些实施例的示例性处理设备的示意图。处理设备140可包括输入/输出模块410、扫描仪控制模块420、数据采集模块430、数据处理模块440和图像模块450。其他模块也可被包括在处理设备140中。
输入/输出模块410可被配置成传达(例如，采集、接收、发送)可以由处理设备140的一个或多个其他模块使用或生成的数据。数据可以包括由扫描仪110生成的数据(例如，扫描数据)、由处理设备140生成的临时数据、由处理设备140生成的用于控制MRI扫描仪110的控制信号、用于操作处理设备140和/或其模块/单元的指令等。数据通信可以是可以利用MRI扫描仪110、终端130、外部设备等来执行的。
扫描仪控制模块420可以被配置为生成用于控制MRI扫描仪110的控制信号。可以基于定义MRI扫描仪110要执行扫描的方式的一个或多个扫描参数来生成控制信号。扫描参数可以涉及扫描模式、扫描时间、扫描速度、待扫描区域、扫描条件等。所生成的控制信号可以经由例如输入/输出模块410被发送到MRI扫描仪110，以控制或引导MRI扫描仪110对对象执行扫描。
一个或多个扫描参数可以由用户通过终端130输入，经由网络120从源采集，从存储设备(例如，存储设备150、存储220、存储器260)采集等，或其组合。一个或多个扫描参数还可以由处理设备140的一个或多个模块/单元(例如，数据采集模块430)确定。
数据采集模块430可以被配置为在扫描期间从MRI扫描仪110采集扫描数据。数据采集模块430可以使用一种或多种MR数据采样技术将磁共振信号(MR信号)或扫描数据采样到多个k空间数据集中。示例性采样技术可以包括奈奎斯特频率采样技术、部分平行采集(PPA)技术、压缩感测(CS)技术等，或其组合。基于数据采集模块430采用的采样技术，数据采集模块430可以被配置为使用各种视图次序、采样轨迹和采样模式对扫描数据进行采样。所获取的k空间数据集可以是全采样的或欠采样的。
与相同扫描有关的k空间数据集可以具有相同的大小。在本公开中，除非另有说明，否则短语“多个k空间数据集”或类似短语(诸如“该多个k空间数据集”和“多个第一k空间数据集”)一般可指示k空间数据集与同一扫描有关。
在本公开的其他地方(例如，结合图6)提供k空间数据集和对扫描数据的采样的更多描述。
数据采集模块430可以被配置为在扫描期间从MRI扫描器110获取扫描数据。数据采集模块430可以使用一个或多个MR数据采样技术对磁共振信号(MR信号)进行采样或将数据扫描到多个k空间数据集中。示例性采样技术可包括奈奎斯特频率采样技术、并行采集(PPA)技术、压缩感知(CS)技术等，或其组合。基于数据采集模块430采用的采样技术，数据采集模块430可被配置为使用各种视图顺序、采样轨迹和采样模式来采样扫描数据。所获得的k空间数据集(S)可以被完全采样或欠采样。
与同一扫描相关的k空间数据集可以具有相同的大小。在本公开中，除非另有说明，短语“多个k-空间数据集”或类似短语，例如“多个k-空间数据集”和“多个第一k-空间数据集”一般可以指示k-空间数据集与同一扫描相关。
在本公开的其他地方(例如，结合图6)提供了k空间数据集的更多描述和扫描数据的采样。
数据采集模块430可以生成一个或多个扫描参数，用于控制MRI扫描器110的扫描模式，以实现所采用的采样技术。例如，可以根据一个或多个函数、查找表等或其组合生成一个或多个扫描参数。生成的扫描参数可以被发送到扫描仪控制模块420，用于生成相应的控制信号。
数据处理模块440可以处理由数据采集模块430获取的多个k空间数据集并生成其图像。该多个k空间数据集可以是由数据采集模块430获取的全采样或欠采样的k空间数据集。在一些实施例中，数据处理模块440可以包括全k空间数据集生成子模块410，用于基于由数据采集模块430获取的多个欠采样k空间数据集生成一个或多个全k空间数据集。
在本公开中，数据处理模块440可以使用称为“自洽滤波技术”的技术来处理多个k空间数据集。自洽滤波技术可以被用来处理与由MRI扫描仪110执行的对象扫描有关的多个k空间数据集，以增强扫描对象的MRI图像或MRS图像的SNR。根据自洽滤波技术，可以获取滤波器并将其用于卷积地处理k空间数据集。在本公开的其他地方(例如，结合图7)提供了自洽滤波方法和滤波器获取方法的详细描述。
数据处理模块440可以包括用于获取滤波器的滤波器子模块442和用于对多个k空间数据集应用该滤波器的滤波器应用子模块443。这些k空间数据集可以是由数据采集模块430获取的全采样k空间数据集。替换地，这些k空间数据集可以由数据处理模块440基于由数据采集模块430获取的欠采样k空间数据集来生成。滤波器应用子模块443可以通过应用滤波器来获取多个经处理k空间数据集。
数据处理模块440可以包括图像子模块444，以基于由数据处理模块440或滤波器应用子模块443处理的k空间数据集生成一个或多个图像(例如，通过傅里叶变换)。数据处理模块440还可以包括用于处理所生成的图像(例如裁剪、旋转、缩放、亮度/对比度/颜色调整等)的功能。在一些实施例中，图像子模块444可以为由滤波器应用子模块443生成的每个经处理的k空间数据集生成中间图像，并基于中间图像生成最终图像。
应当注意的是，以上关于处理设备140的描述仅是为了解说的目的，而并非旨在限定本公开的范围。可以理解的是，在学习了本公开的主要概念和机制之后，本领域普通技术人员可以以非创造性的方式改造处理设备140。改造可以包括组合和/或拆分模块或子模块，添加或移除可选模块或子模块等。所有这些修改都在本公开的保护范围内。
图5是示出根据本公开的一些实施例的使用MRI扫描仪进行数据采集的示例性设置的示意图。
图5中解说了MRI扫描仪110的示意图。MRI扫描仪110的机架111可包括磁体组件530、梯度线圈组件520和RF线圈组件510。
磁性组装件530可生成用于使待扫描的对象550偏振的磁场。磁性组装件530可包括永磁体、电阻性电磁体和/或超导电磁体。在一些实施例中，磁性组装件530还可包括匀场线圈(图5中未示出)，用于增强磁场的均质性。
RF线圈组装件510可生成RF脉冲并接收响应于RF脉冲的MR信号。RF线圈组装件510可包括通体RF线圈和/或多个并联线圈(图5中未示出)。通体RF线圈和/或多个并联线圈可以被配置用于既产生RF脉冲生成又接收MR信号，或者用于仅产生或仅用于接收。
梯度线圈组装件520可以生成磁场梯度脉冲。磁场梯度脉冲可以在X方向(GX)，Y方向(GY)和/或Z方向(GZ)上。仅作为示例，选取Y方向作为相位编码方向，而选取X方向作为频率编码方向。相应地，GY可以被用于相位编码，并且一般可以被称为相位编码梯度。GX可以被用于频率编码或信号读出，并且一般可以被称为频率编码梯度或读出梯度。GZ可以被用于切片选择以获取二维(2D)k空间数据集，或者还可以被用于相位编码以获取三维(3D)k空间数据集。磁场梯度脉冲可以确定将数据采样到k空间数据集中的方式。
出于演示目的，本公开借助于示例参考2D k空间数据集来描述。然而，应当理解，本公开的原理也可以应用于更高维度的k空间数据集(例如，3D k空间数据集)。还可以注意到，替换地，可以选取X方向作为相位编码方向，而可以选取Y方向作为频率编码方向。在这种情形中，GY和GX的角色也可以相应地切换。
成像系统100还可以包括梯度系统570和RF系统580。梯度系统570可以生成使梯度线圈组装件520生成磁场梯度脉冲的信号。RF系统580可以生成使RF线圈组装件510生成RF脉冲的信号。在一些实施例中，梯度系统570和/或RF系统580中的至少一者可以被集成到MRI扫描仪110中。在一些实施例中，梯度系统570和/或RF系统580也可以是独立于MRI扫描仪110的诸个体设备。
为了对对象550(例如，患者)执行扫描，工作台114可以将对象550移到检测区域113中。处理设备140的数据采集模块430可以基于所采用的MR数据采样技术来生成扫描参数。例如，数据采集模块430可以从存储设备(例如，存储设备150、存储220、存储器360、存储390、成像系统100经由例如网络120可访问的外部存储)检索查找表或与所采用的MR数据采样技术有关的功能，从查找表中检索扫描参数，并向扫描仪控制模块420发送检索到的扫描参数或基于检索到的扫描参数生成(例如，借助于外推、内插来生成)的扫描参数。
扫描仪控制模块420可以根据来自数据采集模块430的扫描参数生成控制信号。控制信号可以包括梯度控制信号和RF控制信号。梯度控制信号和RF控制信号可以分别被发送到梯度系统570和RF系统580。
梯度系统570可以生成使梯度线圈组装件520根据梯度控制信号生成磁场梯度脉冲的信号。RF系统580可以生成使RF线圈组装件510根据RF控制信号生成RF脉冲的信号。梯度脉冲和RF脉冲的序列、类型、发射时间点、持续时间等可以定义MRI扫描仪110根据所采用的MR数据采样技术执行扫描的方式。
响应于磁场、梯度脉冲和RF脉冲，对象550的扫描区域的或其内的原子(例如，1H，13C，31P，15N，19F，23Na，3He)可以生成MR信号。MR信号可以由RF线圈组装件510接收并传送到RF系统580。RF系统580可以获取由RF线圈组装件510接收的MR信号并且将接收到的MR信号转换(例如，通过A/D转换)成扫描数据。MR信号的转换还可以包括放大、解调、滤波等。扫描数据可以由数据采集模块430采集并采样到一个或多个k空间数据集中。
RF线圈组装件510可包括多个并联线圈，用于接收MR信号。数据采集模块430可以基于由该多个并联线圈中的每一者接收的MR信号来获取k空间数据集。所获取的k空间数据集可以是全采样的或欠采样的。所获取的k空间数据集可以由处理设备140的一个或多个模块(例如，数据处理模块440)进一步处理以生成对象550的图像。图像(例如，MRI图像)可以包括与对象550的被扫描区域的内部结构有关的信息。替换地或补充地，图像(例如，MRS图像)可以包括与对象550的被扫描区域中的多个位置的一个或多个元素(例如，1H、15N、31P、23Na)的类型和/或丰度有关的生物化学信息。例如，MRS图像可以包括感兴趣的区域(例如，脑部)上的一个或多个特定元素(例如，1H，31P或任何其他目标元素)的化学位移分布及丰度)。基于化学位移，可以标识一种或多种代谢物(例如，谷氨酸、谷氨酰胺、胆碱、肌酸、N-乙酰基天冬氨酸)，并且还可以相应地估计它们的量。此类信息可被用于分析感兴趣区域中的代谢过程。
图6是解说示例性2D k空间数据集的示意图。在2D笛卡尔网格610上解说了k空间数据集600。笛卡尔网格610是用于k空间数据集600的数据的数据结构。笛卡尔网格610可以被视为包括排列成多个行和列的多个单元(例如，单元620)。这些单元可以保持从MRI扫描仪110采样的扫描数据或者从采样的扫描数据获取(例如，通过重建)的数据。单元内的数据可以被称为数据点(或像素)。单元内所采样的扫描数据可以被称为采样数据点。基于单元内的采样扫描数据生成的数据点可以被称为重建数据点。即使没有保持采样数据点或重建数据点，也可以为笛卡尔网格610的单元指派值(例如，零或随机值)。具有此类所指派值的单元可以被称为空白单元；此类所指派值可以被称为未采样数据点。
采样数据点和/或重建数据点可以在本公开的图(例如，图6)中被解说为黑色圆(例如，黑色圆661)。未采样数据点可以在本公开的图(例如，图6)中被解说为空心圆(例如，空心圆662)。将采样数据点或重建数据点填充到空白单元中的过程(例如，用采样数据点或基于采样数据生成的数据点来替换空白单元的所指派数据点)可以被称为填充单元或填充k空间数据集。例如，k空间数据集初始可以包括具有任意指派的初始值(例如，零，随机值)的单元；k空间数据集可以至少部分地填充有采样数据点和/或重建数据点。
数据采集模块430可以通过用采样扫描数据填充笛卡尔网格610来获取k空间数据集600。可以由数据采集模块430设置k空间数据集600的笛卡尔网格610的大小。笛卡尔网格610可以被配置为具有适当的大小以便减少伪像。例如，笛卡尔网格610可以被设置有足够的行数，以使得数据采集模块430可能需要以大于或等于奈奎斯特频率的频率在相位编码方向Ky上对MR信号或扫描数据进行采样，以填充笛卡尔网格610的所有行。可以将笛卡尔网格610的列数设置为等于或大于行数。
k空间数据集600的大小一般可以指笛卡尔网格610的大小，其可以由宽×高表示。宽可以指笛卡尔网格610的列数。高可以指笛卡尔网格610的行数。k空间数据集600的大小可以是例如255×255，或者任何其他合适的大小。出于演示目的和简单性，图6中解说了11×11笛卡尔网格610/k空间数据集600，这并非旨在构成限定。
对应的笛卡尔网格的所有单元都填充有采样扫描数据点或重建数据点的k空间数据集(或其区域)可以被称为全k空间数据集(或整个区域)。对应的笛卡尔网格具有一个或多个空白单元的k空间数据集(或其区域)可以被称为约简的k空间数据集(或约简的区域)。当数据采集完成时，约简的k空间数据集的空白单元可以用零来填充或者留置未处理。在本公开中，零填充不被视为是填充了单元。
k空间数据集600可以使用如图6中所解说的笛卡尔坐标系650。Kx指频率编码的方向。Ky指相位编码的方向。笛卡尔坐标系650的原点可以对应于k空间数据集600的中心单元。在笛卡尔坐标系650的原点附近的k空间数据集600的区域可以被称为中心区域。除中心区域之外的区域可以称为周围区域。中心区域可以穿过整个笛卡尔网格或仅占据沿Kx方向和/或Ky方向的一部分。可以基于所使用的采样技术来任意地定义中心区域。
k空间数据集600可以涉及扫描对象(例如，对象550)的切片。填充过程可简要描述如下。首先，可以通过应用某个GZ来确定或选取某个切片。此后，通过相位编码和频率编码，可以用采样扫描数据填充笛卡尔网格610的单元。例如，GY、GX和MR信号采样时间(或信号读出时间)的特定组合可以定位笛卡尔网格610的某个单元。读出的MR信号可以被数字化(以生成扫描数据)并被存储在确定的单元中以完成一个采样循环。采样循环可以以图5中描述的方式被执行。可以多次执行采样循环以填充笛卡尔网格610的多个单元。
在数据采集过程期间，笛卡尔网格610并非所有单元都要求被填充。对应的笛卡尔网格的所有单元都填充有采样扫描数据点的k空间数据集(或其区域)可以被称为全采样的k空间数据集(或全采样的区域)。对应的笛卡尔网格有一个或多个单元未填充采样扫描数据的k空间数据集(或其区域)可被称为欠采样k空间数据集(或欠采样区域)。
如果在数据采集过程期间，笛卡尔网格610的所有单元都填充有采样扫描数据，则该k空间数据集600可以被称为全采样k空间数据集(其也可以是全k空间数据集)。如果在数据采集过程期间，笛卡尔网格610的一个或多个单元未填充采样扫描数据，则该k空间数据集600可被称为欠采样k空间数据集(其也可以是稀疏k空间数据集)。
在一些实施例中，数据采集模块430可以获取多个欠采样k空间数据集。欠采样k空间数据集可以包括分散在欠采样的k空间数据集中的一个或多个全采样区域。全采样区域可以基本上是欠采样k空间数据集的中心区域。在一些实施例中，全采样区域可以延伸遍及多个欠采样k空间数据集。也就是说，该多个k空间数据集中的每一者的对应区域是全采样的。如本文所使用的，第一k空间数据集中的区域可被视为对应于第二k空间数据集中的区域--如果这两个区域覆盖等级中的相同单元(例如，具有相同坐标的单元)的话。全采样区域可以被指定为校准区域，以用于生成用于填充或处理该多个k空间数据集(包括该至少一个欠采样k空间数据集)的内核或滤波器。术语“延伸遍及”的描述在图8中解说。
数据采集模块430可以采用一种或多种采样技术(例如，PPA，CS)来生成欠采样的k空间数据集，以用于减少MRI扫描仪110的扫描时间。例如，数据采集模块430可以使用多个并行线圈来接收与扫描有关的MR信号，并从中生成多个欠采样k空间数据集。线圈的数量可以是2、4、8、32等。用于图像生成的一个或多个k空间数据集可以基于该多个欠采样k空间数据集来确定，例如，由全k空间数据集生成子模块441来确定。
数据采集模块430可以使用不同的序列来填充笛卡尔网格610的单元。数据采集模块430可以被配置为以各种视图次序(填充序列)来填充笛卡尔网格610的单元，诸如顺序视图次序(例如，从笛卡尔网格610的底部到顶部逐行)，中心视图次序(例如，首先是中心区域的单元，然后是周围区域的单元)，或者可以改善从k空间数据集600生成的图像的SNR或其他图像质量参数的其他视图次序。
数据采集模块430可以被配置为沿着一个或多个采样轨迹对扫描数据进行采样。采样轨迹可以是多条平行直线(例如，旋转缠绕)、多条辐射状直线、一条或多条螺旋线、一条或多条随机线(直线和/或曲线)等，或者它们的组合。数据采集模块430还可以随机地(例如，CS)或基于区域对扫描数据进行采样。示例性采样轨迹在图12-A到15中示出。
用笛卡尔采样模式(例如，采样轨迹是沿笛卡尔网格610的行或列的直线、或者对应于笛卡尔网格610的单元的采样扫描数据)采样的扫描数据可以被直接填充到笛卡尔网格610的单元中。然而，用非笛卡尔采样模式(例如，采样轨迹是曲线的或辐射状的，或者采样扫描数据与笛卡尔网格610的单元(或者单元的中心)没有直接对应关系)的扫描数据可能在它们被填充到笛卡尔网格610之前需要被处理。网格化操作可以由数据采集模块430执行以生成数据点来填充笛卡尔网格610。网格化可以基于例如内插、外推。在一些实施例中，可以获取网格化内核用于网格化操作。经由网格化操作生成的数据点也可以被认为是本公开中的采样扫描数据。
数据采集模块430可以被配置为对对象执行扫描或者用加权函数对MR信号或扫描数据进行采样。加权函数可以使得更靠近k空间数据集(笛卡尔坐标系650的原点)的中心的数据点被采样更多次。加权函数可以是连续的或不连续的。加权函数可以是单个函数、函数的组合、一个或多个查找表等。在一些实施例中，加权函数可以是余弦函数和一个或多个其他函数的组合。
在一些实施例中，数据采集模块430可以使用加权函数来执行密度加权采样或加权采集采样。在一些实施例中，数据采集模块430可以结合并行MRI采样技术(例如，SMASH、自动-SMASH、VD-自动-SMASH、GRAPPA)来执行密度加权采样或加权采集采样。
在使用加权函数进行数据采集之后，可以基于在多次采样中采集的数据点来确定数据点并将其填充到相应的单元中。例如，数据点可以是在该多次采样中的一次或多次中采集的数据点的均值(加权的或未加权的)。
图7是解说根据本公开的一些实施例的用于处理k空间数据集的示例性过程的示意图。过程700可以是用于执行自洽滤波技术来改善MRI图像的图像质量或MRS图像的准确性的示例性过程。过程700的一个或多个步骤可以由数据处理模块430执行，用于处理由数据采集模块430获取的k空间数据集(全采样或欠采样)。在一些实施例中，在图7中解说的用于处理k空间数据集的过程700的一个或多个操作可以在图1中所解说的成像系统100中实现。例如，图7中所解说的过程700可以以指令的形式被存储在存储设备150中，并且由处理设备140(例如，如图2中所解说的计算设备200的处理器210)调用和/或执行。
在710，数据处理模块430可以获取多个k空间数据集。该多个k空间数据集可以是由数据采集模块430获取的全采样k空间数据集或欠采样k空间数据集。替换地，该多个k空间数据集可以是全的。作为另一示例，该多个k空间数据集可以是通过填充欠采样数据集(例如，使用PPA相关重建技术或CS相关采样技术)获取的全k空间数据集。
在一些实施例中，数据处理模块430可以获取多个全采样k空间数据集。MRI扫描仪110的多个线圈可以接收与由MRI扫描仪110执行的对象扫描有关的MR信号。线圈接收的MR信号可以表示全采样的k空间数据集。基于接收到的MR信号，数据采集模块430可以获取多个全采样的k空间数据集，它们然后可以由数据处理模块430获取以作为该多个k空间数据集。
在一些实施例中，数据处理模块430可首先获取多个欠采样k空间数据集，以加速数据采集操作。MRI扫描仪110的多个线圈可以接收与由MRI扫描仪110执行的对象扫描有关的MR信号。线圈接收的MR信号可以表示欠采样k空间数据集。基于接收到的MR信号，数据采集模块430可以获取多个欠采样k空间数据集。然后，可由全k空间数据集生成子模块441处理这些欠采样k空间数据集，以生成多个全k空间数据集作为该多个k空间数据集。全k空间数据集生成子模块441可以包括一个或多个装置，用于在给定了数据采集模块430采用的采样技术的前提下基于欠采样k空间数据集生成多个全k空间数据集。
在一些实施例中，全k空间数据集生成子模块441可以基于欠采样k空间数据集的采样数据点来重建未采样数据点，以供填充空白单元。重建可以基于外推、内插、PPA、CS等，或其组合。
为了实现基于PPA的重建，全k空间数据集生成子模块441可以采用本领域公知的许多技术，诸如灵敏度编码(SENSE)、空间谐波同时采集(SMASH)、广义自校准部分并行采集(GRAPPA)、AUTO-SMASH、可变密度AUTO-SMASH(VD-AUTO-SMASH)、具有局部化灵敏度的并行成像(PILS)等，或其变体，或其组合。
为了实现基于CS的重建，可以由数据采集模块430随机采样扫描数据。数据采集模块430可以采用一个或多个功能或查找表来采样扫描数据以获取对于CS重建可行的欠采样k空间数据集(例如，稀疏k空间数据集)。在一些实施例中，数据采集模块430可以采用非笛卡尔采样模式或轨迹以对扫描数据进行采样，并且可以涉及网格化操作以获取用于执行CS重建的欠采样k空间数据集。全k空间数据集生成子模块441可以采用非线性重构方案，诸如l1最小化或任何其他适当的算法，来执行CS重建。
在一些实施例中，全k空间数据集生成子模块441可以使用与另一扫描(第一扫描)相关的至少一些采样数据点和与当前扫描(第二扫描)相关的至少一些采样数据点来获取全k空间数据集。第一扫描可以在第二扫描之前或之后由相同的MRI扫描仪110在对象的相同扫描区域上执行。对于MRI扫描仪110的线圈，可以在第一扫描期间获取第一k空间数据集(全采样或欠采样)，可以在第二扫描期间获取第二k空间数据集(欠采样)，并且第一k空间数据集可以包括与第二k空间数据集的未采样数据点相对应的采样数据点。可以用第一k空间数据集的对应采样数据点填充第二k空间数据集的空白单元。例如，第二k空间数据集可以包括中心区域处的采样数据点，并且第一k空间数据集可以包括相对于中心区域的周围区域处的采样数据点。周围区域和中心区域可以是互补的，或者至少部分地重叠。组合第二k空间数据集的采样数据点和对应的第一k空间数据集可以生成全k空间数据集。
在一些实施例中，全k空间数据集生成子模块441可以通过以使用不同的重建技术重建的数据点填充欠采样k空间数据集的空白单元来获取多个k空间数据集。例如，欠采样k空间数据集的中心区域的空白单元可以用使用PPA技术重建的重建数据点来填充，并且欠采样的k空间数据集的周围区域的空白单元可以用借助于基于内插或外推的技术重建的重建数据点来填充。
在一些实施例中，数据处理模块430可以获取多个欠采样k空间数据集作为该多个k空间数据集。该多个欠采样k空间数据集可以由数据采集模块430获取，并且可以包括全采样区域和欠采样区域，其中每个区域可以延伸遍及该多个欠采样k空间数据集。全采样区域可以是中心区域，并且欠采样区域可以是周围区域。
在一些实施例中，获取欠采样k空间数据集可以涉及加权函数。结合图17和图18讨论示例性过程。
在一些实施例中，用于自洽滤波的滤波器还可以被用于重建未采样数据点，以供填充所获取的欠采样k空间数据集的空白单元。结合图19讨论示例性过程。
在720，滤波器子模块442可以获取至少一个滤波器，用于处理在710获取的该多个k空间数据集。该至少一个滤波器(例如，如图8中所示的滤波器810)可以是包括多个加权因子的3D矩阵(例如，如图8所解说的w11到w49)。3D矩阵也可以被视为相同大小的2D矩阵的堆栈。可以在720之前或期间生成该至少一个滤波器。例如，可以通过例如MRI扫描仪110的制造商、第三方等来离线生成该至少一个滤波器，并且将其存储在存储设备(例如，存储设备150、存储220、存储器360、存储390、成像系统100可经由例如网络120访问的外部存储等)中。
滤波器(或者3D矩阵)的大小可以表示为宽×高×深。宽可以指3D矩阵中的任何一个2D矩阵的列数(或称为列计数)。高可以指3D矩阵中的任何一个2D矩阵的行数(或称为行计数)。滤波器的2D矩阵的大小(宽×高)可以是3×3、4×4、5×5、6×6、9×9、3×4，基于所获取的k空间数据集大小自适应地获取的尺寸，基于数据采集模块430采用的采样技术确定的大小，或任何其他适当的大小。3D矩阵的深度可以指3D矩阵中的2D矩阵的层数(或者称为层计数)，其可以用在710获取的该多个k空间数据集的数量、或者MRI扫描仪110的线圈的数量来设置。为了演示目的，引述3×3×4滤波器以用于描述本公开中引入的自洽滤波技术，然而，其并非旨在构成限定。还可以注意到，具有其他“形状”(例如，通过将3D矩阵的某些位置处的加权因子设置为零)的滤波器也可以被本公开采用。
滤波器可以具有在所获取的k空间数据集(例如，k空间数据集821至824)上的应用区域(例如，应用区域830)。应用区域可以指的是k空间数据集的区域，其在相应操作期间与滤波器交互(例如，用于生成滤波器，用于处理k空间数据集)。应用区域也可以称为感受野。应用程序区域可以延伸遍及710中所采集的所有k空间数据集。应用区域和滤波器可以具有对应关系。例如，应用区域的大小和“形状”可以与滤波器的大小和“形状”相同，滤波器的加权因子可以对应于应用区域内的数据点。通过将滤波器应用于k空间数据集的应用区域，应用区域内的一数据点可以至少基于该应用区域内的其他数据点来确定。新确定的数据点可被用于修改或替换原始数据点。如本文中所使用的原始数据点可以指采样数据点或重建数据点。在一些实施例中，应用区域内的所有数据点可被用于确定用于修改或替换原始数据点的新数据点，包括原始数据点本身。替换地，应用区域内的所有数据点可被用于确定用于修改或替换除原始数据点本身之外的原始数据点的新数据点。
在本公开中，延伸遍及多个k空间数据集(例如，其为相同大小的)的区域(或应用区域)可以被称为包括多个相同大小的2D区域的3D区域。2D区域可以在多个k空间数据集的k空间数据集内，并且3D区域的每个2D区域可以覆盖相应的笛卡尔网格的相同坐标范围。延伸遍及多个k空间数据集(例如，k空间数据集821-824)的应用区域830在图8中解说。
在一些实施例中，在710获取的该多个k空间数据集可以是全k空间数据集。滤波器子模块442可以基于与当前扫描有关的全k空间数据集生成该至少一个滤波器。全k空间数据集可以是由数据采集模块430获取的全采样k空间数据集，或者是由全k空间数据集生成子模块441基于由数据采集模块430获取的欠采样k空间数据集生成的全k空间数据集，或其组合。滤波器子模块442可以确定延伸遍及全采样k空间数据集的校准区域(例如，如图8中所解说的校准区域850)以供生成滤波器。校准区域可以是部分(例如，中心区域)或整个全采样k空间数据集。校准区域的大小可以大于滤波器的大小。
在一些实施例中，在710获取的该多个k空间数据集可以是欠采样k空间数据集，或者初始是欠采样k空间数据集(例如，后续通过填充欠采样k空间数据集来转换为全k空间数据集)。滤波器子模块442可以基于用于生成k空间数据集的欠采样k空间数据集(例如，如图9中所解说的欠采样k空间数据集900)来生成该至少一个滤波器。滤波器子模块442可以确定延伸遍及这些欠采样k空间数据集(例如，使用PPA技术获取，需要校准使用的数据点，诸如SMASH、GRAPPA)的全采样校准区域(例如，图9中的校准区域950)以供生成滤波器。校准区域的大小可以大于滤波器的大小。应当注意，如果滤波器是预先确定的(例如，如本公开中其他地方所述从存储设备检索的)并且不是基于欠采样k空间数据集直接生成的，则全采样区域在欠采样的k空间数据集(例如，使用基于SENSE的采样技术获取)中可以是不必要的。
在一些实施例中，用于生成该至少一个滤波器的校准区域也可以是用于在例如PPA技术中重建未采样数据点的区域(也可以称为校准区域)。
在一些实施例中，所生成的滤波器还可以被用于重建未采样数据点以用于填充欠采样k空间数据集。例如，所生成的滤波器可以首先被用于填充欠采样k空间数据集，然后被用于修改经填充k空间数据集的数据点。结合图19讨论示例性过程。
在一些实施例中，滤波器子模块442可以从存储设备(例如，存储设备150、存储220、存储390、存储器360、可由成像系统100经由例如网络120访问的外部存储、等等)获取预存的滤波器。预存的滤波器可以基于与由MRI扫描仪110执行的另一扫描有关的k空间数据集(全采样或欠采样)来生成(例如，通过滤波器子模块442)。
所确定的校准区域(来自k空间数据集或来自欠采样k空间数据集)内的数据点可被用于确定该至少一个滤波器的加权因子。校准区域的大小可以由滤波器子模块442预先确定或优化，以得到更好的结果(例如，高图像质量、处理效率、计算负荷、计算复杂度)。在一些实施例中，校准区域可以覆盖延伸遍及该多个k空间数据集的中心区域(例如，如图8中所解说的校准区域850)。
结合图10-A和10-B描述用于确定加权因子的示例性过程。然而，该过程的变体或任何其他类似过程也可被用于确定加权因子。
其加权因子要被确定的滤波器(例如，如图10-B中所解说的滤波器1030)记为F。F的大小是w×h×d。F的第j个2D矩阵的第i个加权因子可以记为wij，i和j是整数，其中1≤j≤w×h且1≤i≤d。滤波器F可以由滤波器子模块442生成。当生成F时，F的加权因子中的至少一些是未知的。
滤波器子模块442可以首先确定校准区域(例如，如图10-A中所解说的校准区域1010，为简单起见，仅解说了校准区域1010的诸2D区域中的一个)。在所确定的校准区域中，滤波器子模块442然后可以确定应用区域(第一应用区域，例如，如图10-A中所解说的应用区域1020)。应用区域可以记为K。K的第j个2D矩阵的第i个k空间数据点可以记为kij。在给定了应用区域与滤波器F之间的对应关系的前提下，i和j可以保持相同的含义和范围。加权因子wij可以对应于数据点kij。
滤波器子模块442可以获取用于确定滤波器F的加权因子的关系。在一些实施例中，该关系可以作为线性函数获取。仅作为示例，该线性函数可以是式1的形式，其可以表达为：
∑i，jkijwij＝0， (1)
替换地，该线性函数可以是式2的形式，其可以表达为：
∑i，jkijwij＝kab， (2)
其中a和b是整数，其中1≤b≤w×h，并且1≤a≤b。a和b可以是预定值，并且kab可以是应用区域的特定单元的数据点。例如，kab可以是中心单元之一(例如，k15)、角落单元之一(例如，k11)、或应用区域的另一个单元内的数据点。在730，数据点kab可以是利用基于式2获取的滤波器来校正或修改的数据点。
然后，可以通过求解所获取的线性函数的未知值来实现加权因子的确定。滤波器子模块442可以使用校准区域中(由滤波器子模块442)确定的其他应用区域(例如，图10-A中所解说的应用区域1021)内的数据点来获取附加线性函数。可以针对一个应用区域获取一个线性函数。为了求解所有未知值，可以在校准区域中确定足够数量(例如，等于或大于滤波器的未知加权因子的数量)的应用区域。在一些实施例中，所确定的应用区域的数量可以大于(例如，1.5倍、2倍、5倍、10倍)滤波器F的加权因子的数量(校准区域的大小足够大)以用于减少或消除误差、噪声等。
滤波器子模块442可以使用本领域公知的一种或多种算法求解所获取的多个线性方程以确定滤波器F的加权因子。在确定加权因子之后，可以在730应用滤波器F以处理该多个k空间数据集。
当使用式1来确定滤波器的加权因子时，可能需要在720确定一个滤波器并贯穿730使用该滤波器。然而，当使用式2来确定滤波器的加权因子时，可能需要确定多个滤波器，该多个k空间数据集(或接收线圈)中的每一者一个滤波器。例如，滤波器子模块442可以确定第一滤波器的加权因子，其中kab被设置为针对第一k空间数据集的k1b，并且确定第二滤波器的加权因子，其中kab被设置为针对第二k空间数据集的k2b，依此类推。每个滤波器可以用于在730处理相应的k空间数据集。
在730，滤波器应用子模块443可以将在720获取的滤波器(或数个滤波器)(其具有已知的加权因子)卷积地应用于该多个k空间数据集以获取多个处理过的k空间数据集。滤波器应用子模块443可以确定贯穿延伸遍及这些k空间数据集的预定区域(要用滤波器处理的区域，例如，整个k空间数据集、k空间数据集的中心区域)的至少一个轨迹，并在所确定的应用区域上应用该滤波器以处理(修改或替换)k空间数据集的原始数据点。预定区域可以由应用子模块443、成像系统100的用户、或其组合来确定。预定区域可以是全采样区域，或者是通过填充延伸遍及该多个k空间数据集的欠采样区域而生成的全区域。滤波器应用子模块443可以沿着该至少一个轨迹对滤波器进行卷积以处理k空间数据集，这可以在下面结合图11-A和图11-B找到。
滤波器应用子模块443可以在该多个k空间数据集的预定区域(例如，如图11-A所示的区域1100)上沿着该至少一个轨迹(例如，图11-A和11-B中所解说的箭头)确定第一应用区域(例如，如图11-A中所解说的区域1110)，并且将在720获取的滤波器F(如图10-B中所解说的滤波器1030)应用于第一应用区域。该至少一个轨迹可以表示用于应用滤波器F的顺序和位置。例如，在具有滤波器F的k空间数据集的示例性处理中，滤波器F可以首先被应用于具有在坐标(0，n)的中心的区域，然后是具有在坐标(1，n)的中心的区域，接着是具有在坐标(2，n)的中心的区域，依此类推，直到到达了具有在坐标(m，n)的中心的区域。该处理方式可以被描述为沿着轨迹(Kx＝n；0≤Kx≤m)应用滤波器F，步幅为1。
通过应用滤波器F，可以建立关系。在一些实施例中，该关系可以被构建为线性函数。当根据式1确定滤波器F的加权因子时，该线性函数可以是式3的形式，其可以被表达为：
∑i，jkijwij＝0， (3)
式3的所有符号具有与式1中相同的含义。滤波器F的加权因子已在720确定。第一应用区域内的k空间数据点也可以是已知值。然而，要修改或替换的数据点(经处理的数据点，例如，如图11-A中所解说的数据点1111)可以被视为式3中的未采样数据点(或未知值)。通过求解式3，滤波器应用子模块443可确定经处理数据点的新值，并使用该新值来修改或替换该经处理数据点。在式3中，经处理的数据点可以被视为基于第一应用区域内的所有其他数据点来确定的。
可以注意到，尽管在图11-A中，第一应用区域的中心数据点被解说为经处理数据点，但是滤波器应用子模块443可将第一应用区域内的任何一个数据点设置为经处理数据点。
替换地，当滤波器F的加权因子是根据式2确定的时候，线性函数可以是式4的形式，其可以表达为：
∑i，jkij wij＝kab， (4)
式4的所有符号也具有与式2中相同的含义。由kab表示的数据点可被设为经处理数据点。由kab表示的数据点在式4左边部分中可被视为已知数据点(或已知值)(当求解∑i， jkij wij时)，并且在式4的右边部分中被视为未采样数据点(或未知值)。替换地，由kab表示的数据点在式4的左边部分和右边部分两者中均可被视为未采样数据点。通过求解式4，滤波器应用子模块443可确定经处理数据点的新值，并使用该新值来修改或替换该经处理数据点。在式4中，经处理数据点可以被视为是基于第一应用区域内的所有数据点(包括该经处理数据点本身)来确定的。在一些实施例中，在修改或替换了经处理数据点之后，滤波器应用子模块443可以确定沿着该至少一个轨迹的第二应用区域(例如，如图11-B中所解说的应用区域1120)以确定第二经处理数据点(例如，数据点1121)。第二经处理数据点可以在第二应用区域中具有与第一经处理数据点的坐标在第一应用区域中的相对位置相同的相对位置(中心，角落等)或坐标。如果一个或多个先前确定的数据点(例如，第一经处理数据点1111)被包括在第二应用区域中，则先前确定的数据点也可以参与确定第二经处理数据点(例如，使用式3或4)。通过重复确定应用区域和应用滤波器，滤波器应用子模块443可以跨越预定区域的第一2D区域对滤波器进行卷积。然后，滤波器应用子模块443可以跨越该预定区域的第二2D区域对滤波器进行卷积，依此类推，直到处理了整个预定区域。
替换地，在修改或替换了经处理数据点之后，滤波器应用子模块443可以遍及第一应用区域的深度地对该滤波器进行卷积。例如，在第一应用区域，滤波器应用子模块443可首先确定第一应用区域的第一2D区域在第一k空间数据集上的数据点k1b，然后确定第一应用区域的第二2D区域在第二k空间数据集上的数据点k2b，依此类推。数据点k1b和k2b可定位于第一应用区域的相同位置处，但具有不同的深度，例如，如图10-B中所解说的k15和k25)。为了确定数据点k2b，还可以涉及先前确定的数据点k1b以及第一应用区域内的任何其他先前确定的数据点。在遍及第一应用区域的深度地卷积滤波器之后，滤波器应用子模块443可以确定第二应用区域并遍及第二应用区域的深度地来卷积滤波器。然后，滤波器应用子模块443可以确定第三应用区域，依此类推，直到处理了整个预定区域。
可以贯穿730使用基于式1获取的滤波器。滤波器应用子模块443可以通过将经处理数据点视为式3中的未采样数据点来处理应用区域的2D区域处的数据点。然而，如在720的描述中所提到的，可以在730使用基于式2获取的多个滤波器。滤波器应用子模块443可以通过用对应于2D区域所属的k空间数据集的滤波器将经处理数据点恰当地设置为式4中的未采样数据点来处理应用区域的2D区域处的数据点。
滤波器应用子模块443可以沿着该至少一个轨迹来一次一个单元或一群单元地卷积滤波器(或确定应用区域)。滤波器移动的步幅可以是预定值(例如，1个单元、2个单元、3个单元等)或可变值。滤波器应用子模块443还可以基于滤波器的大小(例如，3×3×d、4×4×d、5×5×d、3×4×d，其中d是要处理的k空间数据集的深度)、k空间数据集的大小、所采用的采样技术等，或其组合来确定滤波器移动的步幅。在一些实施例中，滤波器应用子模块443可以将步幅设置为1个单元，如图11-B中所解说的。
示例性轨迹在图12到15中解说。例如，用于应用滤波器的该一个或多个轨迹可以是具有相同方向(例如，如图12中所解说)或替换方向(例如，如图14中所解说)的多条平行线。这些平行线可以沿着kx方向或ky方向。作为另一示例，用于应用滤波器的该一个或多个轨迹可以是从k空间数据集的中心处或附近的区域开始(或结束)的螺旋线(例如，如图11-B中所解说)。滤波器应用子模块443可以仅使用一个轨迹模式来覆盖诸k空间数据集的预定区域。替换地，滤波器应用子模块443可以使用不同的轨迹模式来覆盖诸k空间数据集的预定区域的不同部分(例如，如图15中所解说)。
在一些实施例中，滤波器应用子模块443在用滤波器处理该多个k空间数据集的边缘或角落处或附近的数据点时，可以将零填充到该多个k空间数据集。替换地，在730期间，滤波器应用子模块443可以不修改或替换该多个k空间数据集的边缘或角落处或附近的数据点。
滤波器应用子模块443可以在一个或多个循环中执行730。在每个循环期间，滤波器应用子模块443可以跨越诸输入k空间数据集(对于第一循环而言是在710获取的k空间数据集、以及对于诸进一步循环而言是前一循环的输出k空间数据集)的整个预定区域对滤波器进行卷积，并生成多个输出k空间数据集(前一循环的输出k空间数据集是前述经处理k空间数据集)。在一些实施例中，滤波器应用子模块443可以重复该循环达一定次数(例如，1次、10次、50次、100次)。替换地，滤波器应用子模块443可以迭代地执行循环，直到满足某个准则。在一些实施例中，该准则可以由式5描述，其可以表达为：
||X(n+1)-Xn||2≤∈， (5)
其中Xn指的是当前循环的输入k空间数据集，Xn+1指的是当前循环的输出k空间数据集，∈指的是阈值。
在执行了最末循环后，滤波器应用子模块443可以通过应用滤波器来获取多个k空间数据集(经处理k空间数据集)作为输出。然后，可以使用这些经处理k空间数据集中的至少一者来生成由MRI扫描仪110扫描的对象的MRI图像或MRS图像。
在740，图像子模块444可以基于至少一个经处理k空间数据集来生成MRI图像或MRS图像。图像子模块444可以基于这些经处理k空间数据集中的任何一者来生成MRI图像或MRS图像(例如，使用傅立叶逆变换)。替换地，图像子模块444可以基于一些经处理k空间数据集或所有经处理k空间数据集来生成MRI图像或MRS图像。
图16中解说了用于基于多个经处理k空间数据集来生成MRI图像的示例性过程。图像子模块444可以首先获取要用于生成MRI图像的经处理k空间数据集(例如，如图16中所解说的k空间数据集1611至1614)。然后，图像子模块444可以为每个所获取的k空间数据集生成图像。接下来，可以由图像子模块444组合所生成的图像(例如，如图16中所解说的图像1621至1624)以形成对象的MRI图像(例如，如图16中所解说的图像1630)。图像子模块444可以使用本领域公知的一种或多种技术(例如，基于PPA的技术)来执行图像组合。
应当注意，以上对处理k空间数据集的描述仅用于演示目的，而并非旨在限定本公开的范围。可以理解的是，在学习了本公开的主要概念和机制之后，本领域普通技术人员可以以非创造性的方式改造过程700。例如，上述操作可以以与图7中所解说的次序不同的次序来实现。可以向流程图添加一个或多个可选操作。一个或多个操作可被划分或被组合。所有这些修改都在本公开的保护范围内。
图8是解说根据本公开的一些实施例的用于处理多个k空间数据集的示例性滤波器的示意图。滤波器810可以是包括多个加权因子(例如，w11至w49)的3D矩阵。滤波器810的大小可以表示为宽×高×深。
滤波器810可以使用各种技术来生成。例如，滤波器810可以由滤波器子模块442基于经由k空间数据集821至824的全采样校准区域850内的数据点(例如，用式1或2)来生成。校准区域850可以是部分(例如，中心区域)或整个k空间数据集821到824。作为另一示例，滤波器810可以基于k空间数据集的欠采样区域内的数据点来生成(例如，如图19中所解说)。滤波器810可以由滤波器子模块552基于要处理的k空间数据集的数据点来生成。替换地，滤波器810可以由滤波器子模块552基于与先前扫描有关的k空间数据集(全采样或欠采样)来生成。
滤波器810可以具有延伸遍及k空间数据集821到824的应用区域830。滤波器810可以与应用区域830内的数据点交互(例如，用于生成滤波器，用于处理k空间数据集)。例如，可以通过向应用区域830应用滤波器810来获取多个线性函数。详细描述结合图7提供。
图9是解说根据本公开的一些实施例的多个欠采样k空间数据集的示例性校准区域的示意图。可以由数据采集模块430使用基于PPA的或其他适当的采样技术(诸如SMASH、GRAPPA等)来获取欠采样k空间数据集900。可以以小于奈奎斯特频率的频率对MR信号或扫描数据进行采样以生成欠采样k空间数据集900。可以使用MRI扫描仪110的线圈来获取这些欠采样k空间数据集900的每个2-D k空间数据集。
欠采样k空间数据集900可以包括延伸遍及这些欠采样k空间数据集900的全采样校准区域950。校准区域950内的数据点可以由全k空间数据集生成子模块441使用以生成一个或多个内核和/或线性方程，用于基于相应的采样技术来填充欠采样k空间数据集900。校准区域950内的一些或所有数据点还可由滤波器子模块442用来生成滤波器810。
图10-A是解说根据本公开的一些实施例的用于确定滤波器的加权因子的示例性校准区域的示意图。校准区域1010可以是被全采样的并且被包括在全采样k空间数据集或欠采样k空间数据集中。滤波器子模块442可以确定校准区域1010中的多个应用区域(例如，应用区域1020和1021)。对于每个确定的应用区域(例如，应用区域1040)，滤波器子模块442可以基于应用区域内的数据点来获取多个线性函数。滤波器子模块442可以求解所获取的线性函数以确定滤波器的加权因子。
图10-B是解说根据本公开的一些实施例的示例性滤波器和示例性应用区域的示意图。滤波器1030可以是包括多个加权因子(例如，w11至w49)的滤波器810(图8中解说)的实施例。加权因子可以基于第一多个k空间数据集的全采样校准区域内的数据点来确定，并且可以被用于处理第二多个k空间数据集。第一多个k空间数据集和第二多个k空间数据集可以相同或不同。应用区域1040可以是k空间数据集的区域，其在相应的操作期间与滤波器交互(例如，用于生成滤波器，用于处理k空间数据集)。应用区域1040可以对应于滤波器1030并且包括多个数据点(或值，例如，k11至k49)。通过将滤波器1030应用于应用区域1040，滤波器应用子模块443就可以获取多个关系(例如，线性函数)以确定滤波器1030的加权因子或者确定应用区域1040内的数据点(例如，k15)的新值。
图11-A和11-B是解说根据本公开的一些实施例的用于将滤波器卷积地应用于该多个k空间数据集的示例性过程的示意图。在多个k空间数据集的预定区域1100(k空间数据集的区域，例如，整个k空间数据集、k空间数据集的中心区域)上，滤波器应用子模块443可以确定第一应用区域1110并将滤波器(例如，图10-B中所解说的滤波器1030)应用于应用区域1110。通过将滤波器应用于应用区域1110，滤波器应用程序子模块443就可以处理(例如，修改或替换)应用区域1110内的第一数据点(例如，数据点1111)(例如，使用式3或4)。
在修改或替换了经处理数据点之后，滤波器应用子模块443可以确定第二应用区域1120以确定第二数据点(例如，数据点1121)。第二数据点可以在第二应用区域中具有与第一数据点的坐标在第一应用区域中的相对位置相同的相对位置(中心，角落等)或坐标。如果一个或多个先前确定的数据点(例如，第一数据点1111)被包括在第二应用区域中，则先前确定的数据点也可以参与确定第二数据点(例如，使用式3或4)。通过重复确定应用区域和应用滤波器，滤波器应用子模块443就可以跨越预定区域1100的第一2D区域对滤波器进行卷积。然后，滤波器应用子模块443可以跨越该预定区域1100的第二2D区域对滤波器进行卷积，依此类推，直到处理了整个预定区域1100。
替换地，在处理了第一数据点1111之后，滤波器应用子模块443可以遍及第一应用区域1110的深度地对滤波器进行卷积，以处理第一应用区域1110的相同位置处但具有不同深度的数据点。一个或多个先前确定的数据点也可以参与确定所要确定的下一个数据点。在遍及第一应用区域的深度地卷积滤波器之后，滤波器应用子模块443可以确定第二应用区域1120，遍及第二应用区域1120的深度地卷积滤波器，确定第三应用区域，依此类推，直至处理了整个预定区域1100。
滤波器应用子模块443可确定应用区域(例如，第一应用区域1110、第二应用区域1120)并沿一个或多个轨迹(箭头)处理数据点。滤波器应用子模块443可以设置该一个或多个轨迹以覆盖整个预定区域1100。滤波器应用子模块443可以沿着该轨迹来一次一个单元或一群单元地移动滤波器(或确定应用区域)。滤波器移动的步幅可以是预定值(例如，1个单元、2个单元、3个单元等)或可变值。滤波器应用子模块443还可以基于滤波器的大小(例如，3×3×d、4×4×d、5×5×d、3×4×d，其中d是k空间数据集的深度)、k空间数据集的大小、所采用的采样技术等，或其组合来确定滤波器移动的步幅。在一些实施例中，滤波器应用子模块443可以将步幅设置为1个单元，如图11-B中所解说的。
图12-A至14-D是解说根据本公开的一些实施例的用于采集MR信号以生成k空间数据集的示例性采样轨迹的示意图。出于演示的目的，在图12-A到图14-D中仅解说了与一个线圈(或一个2D k空间数据集)有关的采样轨迹。与其他线圈有关的采样轨迹可以具有相同或相似的模式。为简单起见，笛卡尔网格未在图12-A到14-D中示出。
数据采集模块430可以沿采样轨迹采样MR信号。可以对采样MR信号进行数字转换以提供采样数据点。数据采集模块430可以将采样数据点填充到笛卡尔网格的对应单元中以生成k空间数据集。替换地或补充地，数据采集模块430和/或数据处理模块440可以基于采样数据点生成重建数据点(例如，通过内插、外推、基于PPA的技术、基于CS的技术)。然后可以将重建数据点填充到笛卡尔网格中。
图12-A到12-D解说了与笛卡尔采样模式有关的示例性采样轨迹。如图12-A中所示，采样轨迹可以是与Kx方向平行的多条线。采样轨迹可以沿着相同的方向(例如，如图12-B中所解说)或沿着替换方向(例如，如图12-C中所解说)。
为了生成全采样k空间数据集，采样轨迹的分布可以满足奈奎斯特频率(例如，如图12-A至12-C中所解说)。采样数据点可以被直接填充到笛卡尔网格的相应单元中以实现全采样k空间数据集。
为了生成欠采样k空间数据集，用于生成全采样k空间数据集的这些采样轨迹中的一条或多条线可以被省略(例如，图12-D中所解说的虚线)。采样数据点可以被直接填充到笛卡尔网格的相应单元中以提供欠采样k空间数据集。空白单元可以用通过例如基于PPA的技术或基于CS的技术生成的重建数据点来填充。省略的采样轨迹可以跨越整个笛卡尔坐标系(均匀、部分均匀、或随机地)分布。替换地或补充地，省略的采样轨迹可以主要被设置在一个或多个区域内(例如，远离原点的区域、笛卡尔坐标系的象限)。
图13-A到13-F解说了与辐射式采样模式有关的示例性采样轨迹。如图13-A中所示，采样轨迹可以是穿过或开始于(或终止于)k空间数据集的笛卡尔坐标系的原点的多条线(或辐条)。这些线可以均匀分布或不均匀地分布。通过采用径向采样轨迹，可以对k空间数据集的中心区域内的数据点进行比中心区域外的数据点更多次的采样，或者以比中心区域外的数据点更高的密度进行采样。
采样轨迹的方向可以是各种各样的。例如，如图13-B中所解说，所有采样轨迹可以从笛卡尔坐标系的原点开始并指向外。作为另一个示例，如图13-C和13-D中所解说，采样轨迹可以穿过笛卡尔坐标系的原点并贯越采样区域。可以沿着一个采样轨迹执行采样，然后以连续模式执行毗邻采样，如13-C中所解说。替换地或补充地，也可以沿着一个采样轨迹执行采样，并且然后以间歇模式(例如，如13-D中所解说)以离开数个轨迹(或以增加的角度)的采样轨迹来执行采样。
可以沿着采样轨迹来采样这些数据点。采样数据点可被用于生成要通过网格化操作填充到笛卡尔网格中的数据点。通过控制采样轨迹的密度(例如，如图13-F中所解说)，可以确定所生成的k空间数据集的欠采样度。在一些实施例中，可以省略笛卡尔坐标系的一个或多个象限内的采样轨迹(例如，如图13-E中所解说)。
图14-A到14-D解说了与螺旋采样模式有关的示例性采样轨迹。这些采样轨迹可以是方形螺旋(如图14-A中所解说)、线性螺旋(如图14-B中所解说)、非线性螺旋(如图14-C中所解说)、多发螺旋(例如，如图14-D中所解说)。螺旋采样轨迹可以从笛卡尔坐标系的原点开始并指向外。
对于方形螺旋采样轨迹，采样轨迹可以由与相位编码方向或与频率编码方向平行的多个区段形成，并且不需要网格化操作来将采样数据点填充到笛卡尔网格中。所获取的k空间数据集可以基于沿着相位编码方向或频率编码方向在轨迹的毗邻区段之间的间隔来被全采样或欠采样。
对于线性螺旋(或阿基米德螺旋)采样轨迹，轨迹的一对毗邻区段之间的间隔(例如，沿辐射方向)可以是恒定的。可以对采样数据点执行网格化操作以生成要被填充到笛卡尔网格中的数据点。所获取的k空间数据集可以基于轨迹的毗邻区段之间的间隔(例如，沿辐射方向)来被全采样或欠采样。
对于非线性螺旋采样轨迹，轨迹的一对毗邻区段之间的间隔(例如，沿辐射方向)可以增大。例如，非线性螺旋可以是指数螺旋。可以对k空间数据集的中心区域内的数据点进行比中心区域外的数据点更多次的采样，或者以比中心区域外的数据点更高的密度进行采样。可以对采样数据点执行网格化操作以生成要被填充到笛卡尔网格中的数据点。所获取的k空间数据集可以是欠采样的。
对于多发螺旋采样轨迹，采样轨迹可包括多个叶子，其中每个叶子是线性螺旋或非线性螺旋。通过增大或减小叶子的数量、或每个螺旋的参数，可以对所获取的k空间数据集进行全采样或欠采样。
可以注意到，上述采样轨迹仅用于演示目的而非旨在构成限制。为了生成扫描对象的不同切片的k空间数据集，可以例如由数据采集模块430采用相同或不同的采样轨迹集。
图15-A和15-B是解说根据本公开的一些实施例的用于基于压缩感知方法采集MR信号的示例性采样模式的示意图。压缩感知方法(CS)可以允许以远低于奈奎斯特频率的频率对数据点进行采样，以便改善扫描速度。
与CS技术有关的采样模式可以是随机的。通过CS技术获取的示例性2D k空间数据集1500在图15-A中解说。k空间数据集1500可以包括全采样区域1510，其可以是k空间数据集1500的中心区域。可以对周围区域进行稀疏采样，并且填充有采样数据点的单元可以基于所采用或计算的采样模式来随机分布。
在一些实施例中，与CS技术有关的随机采样模式可以包括随机采样轨迹(例如，如图15-B中所解说)。采样模式可以使得笛卡尔网格的中心区域被全采样，而周围区域被随机采样。随机采样轨迹可以是实时生成的或者是预先确定的(例如，从存储设备检索)。
在一些实施例中，与CS技术有关的随机采样模式可以基于笛卡尔采样模式、辐射采样模式、或螺旋采样模式等来获取。CS采样模式可以通过将一个或多个随机因子引入上述采样模式来获取。根据示例性的基于笛卡尔模式的随机采样模式(例如，如图15-C中所解说)，沿着每个轨迹的数据点可以被全采样(或者在一些实施例中被随机采样)。这些轨迹沿着相位编码方向的分布可以被稀疏地和/或随机地设置。可以将Kx轴附近的轨迹设置为满足奈奎斯特频率，以使得中心区域内的数据点被全采样。根据示例性的基于辐射模式的随机采样模式(未示出)，辐条可以被随机和/或稀疏地布置。根据示例性的基于螺旋模式的随机采样模式(未示出)，可以将随机因子添加到定义螺旋的函数(或查找表)中，从而结果所得的螺旋采样轨迹可能畸变。在一些实施例中，还可以将随机因子添加到定义辐射模式或笛卡尔模式的函数(或查找表)中以生成用于随机采样的畸变采样模式。
为了生成扫描对象的不同切片的k空间数据集，可以采用相同或不同的随机采样模式集来实现基于CS的采样技术。基于所采用的随机采样，采样数据点可以被直接填充到k空间数据集中，或者可以涉及网格化操作。在获取诸如k空间数据集1500之类的多个稀疏k空间数据集(欠采样)之后，数据采集模块430可以对欠采样k空间数据集应用压缩感测重建技术。例如，数据采集模块430可以使用非线性重建方案(诸如l1最小化)来生成数据点。所生成的数据点可以被填充到欠采样k空间数据集中，其然后可以由数据处理模块440处理以生成MRI图像或MRS图像。
图16是解说根据本公开的一些实施例的用于基于多个经处理的k空间数据集生成MRI图像的示例性过程的示意图。在使用滤波器F处理多个k空间数据集之后，图像子模块444可以获取k空间数据集1611至1614。图像子模块444可以为每个k空间数据集生成图像并获取图像1611到1614。然后，图像子模块444可以组合图像1611至1614以形成对象的MRI图像1630。图像子模块444可以使用本领域公知的一种或多种技术(例如，SENSE或SENSE的变体中采用的图像组合技术)来执行图像组合。
在一些实施例中，过程700的710可以基于图17中所解说的示例性过程来执行。图17是解说根据本公开的一些实施例的用于生成k空间数据集的示例性过程的示意图。
数据采集模块430可以使用MRI扫描仪110用加权函数E对MR信号或扫描数据进行采样并获取多个k空间数据集1720。MRI扫描仪110可包括多个线圈。该多个线圈可以接收与对象(例如，对象550)的扫描有关的MR信号。然后，数据采集模块430可以基于由该多个线圈中的每个线圈接收的MR信号生成k空间数据集，以获取k空间数据集1720。
数据采集模块430可以使用加权函数E来执行密度加权采样或加权采集采样。加权函数E可以使得更靠近每个k空间数据集1720的中心的数据点被采样更多次。图像1710解说了示例性加权函数E在笛卡尔网格上的图形演示，其是出于演示目的而提供的，并非旨在构成限定。加权函数E可以是连续函数以及余弦函数与一个或多个其他函数的组合。图像1710中解说的笛卡尔网格的单元的灰阶可以表示相应MR信号或扫描数据的平均采样时间。在使用加权函数E进行数据采集之后，可以基于在多次采样中采集的数据点来确定数据点并将其填充到相应的单元中。例如，数据点可以是在该多次采样中的一次或多次中采集的数据点的均值(加权的或未加权的)。
加权函数E可以以一个或多个查找表的形式表达。这样的查找表可以预存在存储设备(例如，存储设备150、存储220、存储器360、存储390、成像系统100的可经由例如网络120访问的外部存储)中。使用加权函数E，数据采集模块430可以通过扫描仪控制模块420引导MRI扫描仪110的线圈生成RF脉冲和梯度脉冲，并确定要用采样扫描数据填充的笛卡尔网格的单元。
在一些实施例中，用加权函数E，由数据采集模块430获取的k空间数据集1720可以是全采样的k空间数据集。然后，k空间数据集1720可以由滤波器应用子模块443在过程700的730中用一个或多个滤波器来处理。根据过程700的720中的有关描述，该一个或多个滤波器可以由滤波器子模块442基于延伸遍及诸k空间数据集1720的中心区域(全采样)的数据点来生成。例如，滤波器子模块442可以基于中心区域的数据点生成多个滤波器，其中该多个滤波器中的一者可以对应于该多个k空间数据集中的一者；然后，该滤波器应用子模块443可以在730中将该多个滤波器中的每一者应用于该多个k空间数据集中的对应k空间数据集。
在如图17中所示的一些实施例中，用加权函数E，数据采集模块430可以以k空间数据集1720可以包括全采样区域1721和欠采样区域1722的方式对MR信号或扫描数据进行采样。全采样区域1721可以是延伸遍及诸k空间数据集1720的中心区域，并且欠采样区域1722可以是延伸遍及诸k空间数据集1720的周围区域。在一些实施例中，欠采样区域1722可以仅包括空白单元。替换地，欠采样区域1722可以包括多个采样数据点和多个未采样数据点(空白单元)。
在一些实施例中，数据采集模块430可以按椭圆中心视图次序使用加权函数E对MR信号进行采样。全采样区域1721可以是椭圆区域。
在一些实施例中，全k空间数据集生成子模块441可首先填充欠采样区域1722的空白单元以获取多个全k空间数据集1730在一些实施例中，全k空间数据集生成子模块441可以借助于内插或外推来填充空白单元。替换地，全k空间数据集生成子模块441可以使用与扫描对象的相同扫描区域的第二扫描有关的对应数据点来填充空白单元。然后，k空间数据集1730可以由数据处理模块440通过过程700的730和740进行处理，以生成扫描对象的MRI图像或MRS图像。
在一些实施例中，所获取的欠采样k空间数据集1720可以首先使用在过程700的720确定的一个或多个滤波器由数据处理模块440处理。例如，可由滤波子模块442基于全采样区域1721的数据点生成多个滤波器。该多个滤波器中的一者可以对应于该多个k空间数据集1720中的一者。然后，滤波器应用子模块443可以将该多个滤波器卷积地应用于诸k空间数据集1720的全采样区域1721(用作上述预定区域)，并获取经处理的全采样区域。滤波器应用子模块443可以在730将该多个滤波器中的每一者应用于该多个k空间数据集中的对应k空间数据集(或全采样区域1721的对应2D区域)。然后，全k空间数据集生成子模块441可以基于经处理全采样区域的数据点(例如，使用基于PPA的技术、外推、内插)来重建欠采样区域1722的未采样数据点，以填充欠采样区域1722并获取延伸遍及诸k空间数据集1720的经填充区域。可选地，滤波器应用子模块还可以将该多个滤波器应用于经填充区域，在此期间经填充区域的至少一些采样数据点用该多个滤波器来修改。
在一些实施例中，过程700的710可以基于图18中所解说的示例性过程来执行。图18是解说根据本公开的一些实施例的用于生成k空间数据集的示例性过程的示意图。图18中所解说的过程是图17所解说的过程的具有更快数据采集速度的实施例。图17的一些有关描述也可以被纳入在图18的描述中。
在图18中，数据采集模块430可以使用加权函数E和基于PPA的技术(例如，SMASH，GRAPPA)两者对MR信号或扫描数据进行采样。加权函数E和基于PPA的技术的组合也可以由查找表来实现。采样数据可以被填充在延伸遍及诸欠采样k空间数据集1810的椭圆区域1811内的单元中，而剩余区域的单元可以留空。另外，数据采集模块430可以以低于奈奎斯特频率的频率对MR信号或扫描数据进行采样，并且在椭圆区域1811内还可以存在空白单元。在k空间数据集1810的中心处或附近的校准区域1813可以是全采样的，以使用基于PPA的技术基于采样数据点来重建数据点。
全k空间数据集生成子模块441可以首先使用借助于例如基于采样数据点的内插或外推来重建的数据点填充在椭圆区域1811外的一些空白单元，并且获取多个稀疏k空间数据集1820。稀疏k空间数据集1820可以具有类似于仅使用基于PPA的技术获取的欠采样k空间数据集的填充模式。然后，全k空间数据集生成子模块441可以用使用基于PPA的技术基于稀疏k空间数据集1820的已知数据点(采样或重建的)来重建的数据点填充稀疏k空间数据集1820的空白单元，并获取多个全k空间数据集1830。
然后，可由数据处理模块440处理k空间数据集1830，以生成扫描对象的MRI图像或MRS图像。可使用校准区域1813或另一个确定的校准区域内的数据点来确定滤波器的权重。
替换地，全k空间数据集生成子模块441可以首先使用基于PPA的技术基于校准区域1813的数据点来填充椭圆区域1811以获取经填充区域，并且然后使用例如内插或外推基于经填充区域的数据点来填充在椭圆区域1811外部的区域以生成全k空间数据集1830
在一些实施例中，在填充椭圆区域1811之后，可以首先由数据处理模块440在经填充区域上执行自洽滤波，以获取经处理区域。然后，可以由全k空间数据集生成子模块441使用例如内插或外推基于经处理区域的数据点来填充在椭圆区域1811外部的区域。可选地，然后可以使用数据处理模块440的自洽滤波来处理椭圆区域1811外部的区域。
在一些实施例中，过程700的710可以基于图19中所解说的示例性过程来执行。图19是解说根据本公开的一些实施例的用于生成k空间数据集的示例性过程的示意图。
数据采集模块430可以使用基于PPA的技术、基于CS的技术、或者用于获取欠采样k空间数据集1910的其他技术对MR信号或扫描数据进行采样。从全采样校准区域1911内的数据点延伸遍及诸欠采样k空间数据集1910，滤波器子模块442可以根据例如图7中所解说的过程700的描述720(例如，基于式1)生成滤波器1915。滤波器1915是滤波器1030的实施例。
全k空间数据集生成子模块441可确定欠采样k空间数据集1910上的多个应用区域以覆盖所有未采样数据点，并将滤波器1915应用于所确定的应用区域。该多个应用区域可以包括采样数据点和未采样数据点两者。可以通过将滤波器应用于所确定的应用区域来获取多个线性函数(例如，以式3的形式)。通过求解该多个线性函数，可以确定未采样数据点，并且可以用重建数据点来填充欠采样k空间数据集1910的空白单元。全k空间数据集生成子模块441可以获取k空间数据集1920。在该过程期间，欠采样k空间数据集1910的采样数据点不被修改或替换。
然后，可由滤波器应用子模块443根据730的描述用已经获取的滤波器1915处理k空间数据集1920以生成经处理k空间数据集。在此过程期间，k空间数据集1920的采样数据点以及重建数据点可以被修改或替换。然后可以使用经处理k空间数据集来生成MRI图像或MRS图像。
在一些实施例中，全采样校准区域1911可以不被包括在欠采样k空间数据集1910中，或者加权因子可以不是基于校准区域1911内的数据点来唯一地确定的。滤波器子模块442(或全k空间数据集生成子模块441)可以确定该多个欠采样k空间数据集内包括采样数据点和未采样数据点的多个应用区域。通过将滤波器1915应用于所确定的应用区域，滤波器子模块442(或全k空间数据集生成子模块441)就可以获取多个线性函数。通过用一个或多个受约束优化公式或准则来迭代地求解这些线性函数，滤波器子模块442(或全k空间数据集生成子模块441)就可以确定滤波器1915的加权因子以及未采样k空间数据集1910的未采样数据点以获取k空间数据集1920。然后，可由滤波器应用子模块443根据730的描述用滤波器1915处理k空间数据集1920以生成经处理k空间数据集。
在一些实施例中，受约束优化公式或准则可以包括式6，其可以表达为：
minimize||FX-X||2， (6)
其中F指的是滤波器1915，X指的是在前一个迭代循环中获取的k空间数据集，并且FX指的是在一个迭代循环中通过使用滤波器构造或重新计算欠采样k空间数据集的未采样数据点而生成的k空间数据集。F的加权因子也可以是在迭代期间可更新的。
图20是解说根据本公开的一些实施例的用于处理k空间数据集的示例性过程的示意图。过程2000可以是图7中所解说的过程700的示例。过程2000的一个或多个操作可以由数据处理模块430执行，用于处理由数据采集模块430获取的k空间数据集(全采样或欠采样)。在一些实施例中，在图20中解说的用于处理k空间数据集的过程2000的一个或多个操作可以在图1中所解说的成像系统100中实现。例如，图7中所解说的过程2000可以以指令的形式被存储在存储设备150中，并且由处理设备140(例如，如图2中所解说的计算设备200的处理器210)调用和/或执行。
在2010，处理设备140可以使MRI扫描仪110采集与对象(例如，图5中所解说的对象550)有关的MR数据。该操作可以与图5中所解说的操作相同或类似。操作2010的描述可在本公开中别处找到(例如，图5、7及其描述)。
在2020，数据采集模块430可以通过使用加权采集技术或密度加权技术对MR数据进行采样来将MR数据加入到多个k空间数据集中。该多个k空间数据集可以是全采样的或欠采样的。该多个k空间数据集中的每一者可以包括用采样k空间线(例如，图10-A中所解说的校准区域1010)实现的至少一个采样区域。采样k空间线可以是可以使用线性采样轨迹获取的一排样本数据点(例如，如图12-A、13-A和14-A中所解说)。
加权采集技术或密度加权技术可以由加权函数E来实现。加权函数E可以使得更靠近每个k空间数据集的中心的数据点被采样更多次。加权函数E可以是连续函数(例如，余弦函数与一个或多个其他函数的组合)或查找表的形式。
在一些实施例中，该多个k空间数据集中的每一个(例如，欠采样的k空间数据集)可以包括具有未采样k空间线的至少一个欠采样区域。未采样k空间线可以是一排未抽样数据点(例如，图12-D、13-E、13-F和15-C中所解说的虚线)。未采样k空间线可以保持未采样，以便增加MRI扫描仪110的扫描速度。
在一些实施例中，该至少一个采样区域位于该多个k空间数据集中的每一者的中心，并且该至少一个欠采样区域位于该多个k空间数据集中的每一者的角落上(例如，图17中所解说的k空间数据集1720)。
在一些实施例中，使用基于压缩感测(CS)的技术(例如，图15-A和15-B及其描述)进一步对MR数据进行采样。基于CS的技术可以采用随机采样模式，并且可以以远低于奈奎斯特频率的频率对MR数据进行采样。因此，所获取的k空间数据集可能相对稀疏。为了实现基于CS的技术，例如，可以将随机因子引入到加权函数E中。
可以执行操作2010和2020以达成图7中所解说的过程700的操作710。
在2030，对于该多个k空间数据集中的每一者，滤波器子模块442可以基于该至少一个采样区域获取卷积滤波器(例如，图10-B中所解说的滤波器1030)，并且滤波器应用子模块443可以通过将卷积滤波器应用于k空间数据集来产生经修改的k空间数据集。可以执行操作2030以达成图7中所解说的过程700的操作720和730。
在一些实施例中，在将卷积滤波器应用于该多个k空间数据集中的每一者期间，滤波器应用子模块443可以经由卷积滤波器(例如，以图11-A和11-B中所解说的方式)修改采样区域的k空间线以生成经修改的k空间线。滤波器应用子模块443还可以基于经修改的k空间线来估计未采样k空间线的k空间线数据(未采样数据点)。例如，滤波器应用子模块443可以首先修改采样区域内的数据点以生成由经修改数据点形成的经修改k空间线，并且然后将卷积滤波器应用于包括多个经修改的数据点及一个或多个未采样数据点的应用区域。通过求解经由应用卷积滤波器获取的线性方程，可以重建数据点并将其填充到相应笛卡尔网格的相应单元中。
在一些实施例中，在填充了重建数据点之后，未采样k空间线可以基于经修改k空间线来进行修改。
在操作2040，图像子模块444可以使用经修改k空间数据集生成对象的图像。操作2040可以与操作740相同或类似，其描述在此不再重复。
应当注意，以上对处理k空间数据集的描述仅用于演示目的，而并非旨在限定本公开的范围。可以理解的是，在学习了本公开的主要概念和机制之后，本领域普通技术人员可以以非创造性的方式改造过程2000。例如，上述操作可以以与图20中所解说的次序不同的次序来实现。可以向流程图添加一个或多个可选操作。一个或多个操作可被划分或被组合。所有这些修改都在本公开的保护范围内。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于磁共振成像(MRI)的方法，其特征在于，包括：
获取多个欠采样k空间数据集，所述多个欠采样k空间数据集通过使用加权采集技术对MR数据进行采样来将所述MR数据填充至多个k空间中获得，所述多个k空间数据集中的每一者包括至少一个全采样区域和一个欠采样区域；
对于所述多个k空间数据集中的每一者，将所述至少一个全采样区域作为校准区域，通过所述校准区域生成卷积滤波器，并通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集，所述卷积滤波器包括多个加权因子形成的3D矩阵，所述加权因子通过受约束公式来迭代地求解线性函数确定，且所述加权因子在迭代期间被更新；以及
使用所述经修改的k空间数据集来重建对象的图像。
2.根据权利要求1所述的用于磁共振成像的方法，其特征在于，所述至少一个全采样区域位于对应的k空间数据集的中心区域，所述欠采样区域位于对应的k空间数据集的角落。
3.根据权利要求1或2所述的用于磁共振成像的方法，其特征在于，所述加权采集技术通过对填充至K空间中的MR数据施加加权函数获得。
4.根据权利要求3所述的用于磁共振成像的方法，其特征在于，所述加权函数为连续函数。
5.根据权利要求1所述的用于磁共振成像的方法，其特征在于，k空间数据集的中心区域相对所述k空间数据集的中心区域外的数据点具有更高的采样密度。
6.根据权利要求5所述的用于磁共振成像的方法，其特征在于，k空间数据集的中心区域的数据点为多次采样的数据点的均值。
7.根据权利要求1所述的用于磁共振成像的方法，其特征在于，所述通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集包括：
经由卷积滤波器修改采样区域的k空间线以生成经修改的k空间线；
基于经修改的k空间线来估计所述欠采样区域中的未采样数据点。
8.根据权利要求1所述的用于磁共振成像的方法，其特征在于，所述MR数据基于压缩感知技术获得。
9.一种用于磁共振成像(MRI)的系统，包括至少一个处理器和用于存储指令的至少一个存储，所述指令在由所述至少一个处理器执行时使得所述系统：
获取多个欠采样k空间数据集，所述多个欠采样k空间数据集通过使用加权采集技术对MR数据进行采样来将所述MR数据填充至多个k空间中获得，所述多个k空间数据集中的每一者包括至少一个全采样区域和一个欠采样区域；
对于所述多个k空间数据集中的每一者，将所述至少一个全采样区域作为校准区域，通过所述校准区域生成卷积滤波器，并通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集，所述卷积滤波器包括多个加权因子形成的3D矩阵，所述加权因子通过受约束公式来迭代地求解线性函数确定，且所述加权因子在迭代期间被更新；以及
使用所述经修改的k空间数据集来重建对象的图像。
10.根据权利要求9所述的用于磁共振成像的系统，其特征在于，所述通过将所述卷积滤波器应用于对应的k空间数据集来产生经修改的k空间数据集包括：
经由卷积滤波器修改采样区域的k空间线以生成经修改的k空间线；
基于经修改的k空间线来估计所述欠采样区域中的未采样数据点。
CN202110072529.4A 2017-12-26 2018-12-18 用于磁共振成像的方法和系统 Active CN112881957B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/854,731 US10802096B2 (en) 2017-12-26 2017-12-26 Methods and systems for magnetic resonance imaging
US15/854,731 2017-12-26
CN201811548406.8A CN109581253B (zh) 2017-12-26 2018-12-18 用于磁共振成像的方法和系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201811548406.8A Division CN109581253B (zh) 2017-12-26 2018-12-18 用于磁共振成像的方法和系统

Publications (2)

Publication Number Publication Date
CN112881957A CN112881957A (zh) 2021-06-01
CN112881957B true CN112881957B (zh) 2022-10-28

Family

ID=65929901

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110072529.4A Active CN112881957B (zh) 2017-12-26 2018-12-18 用于磁共振成像的方法和系统
CN201811548406.8A Active CN109581253B (zh) 2017-12-26 2018-12-18 用于磁共振成像的方法和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201811548406.8A Active CN109581253B (zh) 2017-12-26 2018-12-18 用于磁共振成像的方法和系统

Country Status (2)

Country Link
US (1) US10802096B2 (zh)
CN (2) CN112881957B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169609A1 (en) * 2014-02-19 2017-06-15 Koninklijke Philips N.V. Motion adaptive visualization in medical 4d imaging
US10802096B2 (en) * 2017-12-26 2020-10-13 Uih America, Inc. Methods and systems for magnetic resonance imaging
US11206427B2 (en) * 2018-04-02 2021-12-21 Purdue Research Foundation System architecture and method of processing data therein
US10672151B1 (en) * 2019-01-07 2020-06-02 Uih America, Inc. Systems and methods for magnetic resonance image reconstruction
US11231475B2 (en) * 2019-04-19 2022-01-25 Regents Of The University Of Minnesota Scalable self-calibrated interpolation of undersampled magnetic resonance imaging data
US10996306B2 (en) * 2019-04-25 2021-05-04 General Electric Company MRI system and method using neural network for detection of patient motion
CN110082696B (zh) * 2019-04-30 2021-06-08 上海东软医疗科技有限公司 一种多回波序列的成像方法和装置
US11280868B2 (en) * 2019-06-19 2022-03-22 GE Precision Healthcare LLC Image enhancement with variable number of excitation (NEX) acquisitions accelerated using compressed sensing
JP7479959B2 (ja) * 2020-06-25 2024-05-09 富士フイルムヘルスケア株式会社 画像処理装置、医用撮像装置および画像処理プログラム
US11893662B2 (en) * 2020-08-04 2024-02-06 Northwestern University Density compensation function in filtered backprojection
JP7451366B2 (ja) * 2020-09-18 2024-03-18 キヤノンメディカルシステムズ株式会社 画像生成装置、画像生成方法、および画像生成プログラム
US11480639B1 (en) * 2021-05-17 2022-10-25 Siemens Healthcare Gmbh Method and apparatus for improved efficiency of non-cartesian imaging using accelerated calibration scan for k-space shift correction
CN113533408A (zh) * 2021-07-21 2021-10-22 杭州电子科技大学 一种改善并行磁共振重建图像质量的变密度数据采样方法
CN114140544A (zh) * 2021-10-26 2022-03-04 上海东软医疗科技有限公司 图像重建方法、装置及设备

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4480228A (en) * 1982-10-15 1984-10-30 General Electric Company Selective volume method for performing localized NMR spectroscopy
US5850486A (en) * 1996-04-29 1998-12-15 The Mclean Hospital Corporation Registration of image data
US6208139B1 (en) * 1998-09-18 2001-03-27 General Electric Company System and method of phase sensitive MRI reconstruction using partial k-space data
US6198283B1 (en) * 1998-09-18 2001-03-06 Ge Medical Systems Global Technology Llc System and method of phase sensitive MRI reconstruction using partial k-space data and including a network
US6856666B2 (en) * 2002-10-04 2005-02-15 Ge Medical Systems Global Technology Company, Llc Multi modality imaging methods and apparatus
EP1716430B1 (en) * 2004-02-10 2008-09-24 Koninklijke Philips Electronics N.V. Magnetic resonance imaging method
CN100396240C (zh) * 2005-02-28 2008-06-25 西门子（中国）有限公司 频域灵敏度编码磁共振并行成像方法
US8184879B2 (en) 2006-01-27 2012-05-22 Oliver Geier Parallel MRI involving density weighting or acquisition weighting
CN101308202B (zh) * 2007-05-17 2011-04-06 西门子公司 并行采集图像重建的方法和装置
US20090285463A1 (en) * 2008-04-18 2009-11-19 Ricardo Otazo Superresolution parallel magnetic resonance imaging
US7688068B2 (en) * 2008-05-06 2010-03-30 General Electric Company System and method for using parallel imaging with compressed sensing
US8692549B2 (en) * 2009-05-27 2014-04-08 Siemens Aktiengesellschaft Method for reconstructing images of an imaged subject from a parallel MRI acquisition
US8354844B2 (en) * 2009-12-23 2013-01-15 Universitaetsklinikum Freiburg Method for data acquisition acceleration in magnetic resonance imaging (MRI) with N-dimensional spatial encoding using two or more receiver coil arrays and non-linear phase distributions
US9031298B2 (en) * 2010-10-27 2015-05-12 Koninklijke Philips N.V. Under-sampled, multi-energy computed tomography (CT) data acquisition data processing
US9880243B2 (en) * 2011-06-20 2018-01-30 Regents Of The University Of Minnesota Sideband processing for magnetic resonance
EP2800979A4 (en) * 2012-01-06 2015-06-24 Childrens Hosp Medical Center CORRELATION IMAGING FOR MULTI-SCAN MAGNETIC RESONANCE IMAGING WITH MULTI-CHANNEL DATA ACQUISITION
CN103584864B (zh) * 2012-08-15 2017-11-17 深圳迈瑞生物医疗电子股份有限公司 一种磁共振成像方法和装置
EP2888600B1 (en) * 2012-08-27 2020-07-01 Koninklijke Philips N.V. Adaptive keyhole compression for dynamic contrast-enhanced mri
US9239367B2 (en) * 2012-09-14 2016-01-19 General Electric Company Intra-blade filter for motion corrected magnetic resonance data
WO2014075005A1 (en) * 2012-11-11 2014-05-15 The Regents Of The University Of California High spatial and temporal resolution dynamic contrast-enhanced magnetic resonance imaging
CN103064046B (zh) * 2012-12-25 2015-04-15 深圳先进技术研究院 一种基于稀疏采样的核磁共振成像的图像处理方法
KR101471979B1 (ko) 2013-02-20 2014-12-15 삼성전자주식회사 자기 공명(ＭＲ； Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ) 영상의 복셀(Ｖｏｘｅｌ)에 대한 ＭＲ 스펙트럼을 획득하는 방법 및 장치
US9329250B2 (en) * 2013-03-14 2016-05-03 Wisconsin Alumni Resesarch Foundation System and method for combined chemical species separation and high resolution R2* mapping with magnetic resonance imaging
US10126398B2 (en) * 2014-01-03 2018-11-13 Yudong Zhu Modeling and validation for compressed sensing and MRI
US10495717B2 (en) * 2014-08-25 2019-12-03 The General Hospital Corporation System and method for dual-kernel image reconstruction
US9874620B2 (en) * 2015-02-05 2018-01-23 Ohio State Innovation Foundation Low field magnetic resonance imaging (MRI) scanner for cardiac imaging
US10698065B2 (en) * 2015-05-15 2020-06-30 New York University System, method and computer accessible medium for noise estimation, noise removal and Gibbs ringing removal
KR101697872B1 (ko) * 2015-10-20 2017-01-18 한국과학기술원 자기 공명 영상에서의 고스트 아티팩트를 제거하는 방법 및 이를 위한 자기 공명 장치
KR101797674B1 (ko) * 2016-02-12 2017-11-15 삼성전자주식회사 자기 공명 영상 촬영 장치 및 그에 따른 자기 공명 영상 촬영 방법
KR101806902B1 (ko) * 2016-02-16 2017-12-12 삼성전자주식회사 자기 공명 영상 복원 방법 및 장치
KR101819030B1 (ko) * 2016-02-17 2018-01-16 삼성전자주식회사 자기 공명 영상 장치 및 자기 공명 영상 장치를 위한 방법
US10901060B2 (en) * 2016-03-01 2021-01-26 Canon Medical Systems Corporation Magnetic resonance imaging apparatus and magnetic resonance imaging method
US10222441B2 (en) * 2016-04-03 2019-03-05 Q Bio, Inc. Tensor field mapping
US10088539B2 (en) * 2016-04-22 2018-10-02 General Electric Company Silent multi-gradient echo magnetic resonance imaging
CN106991651B (zh) * 2016-12-12 2019-10-29 南昌大学 基于合成分析反卷积网络的快速成像方法及系统
CN106597333B (zh) * 2016-12-30 2019-05-31 上海联影医疗科技有限公司 一种磁共振并行成像方法及磁共振成像系统
CN106842089B (zh) * 2017-01-23 2019-08-23 上海联影医疗科技有限公司 一种磁共振成像方法及系统
DE102017209988B3 (de) * 2017-06-13 2018-06-07 Siemens Healthcare Gmbh Verfahren zur Kalibrierung bei einem Magnetresonanz-Bildgebungsverfahren
US10989779B2 (en) * 2017-09-29 2021-04-27 Yonsei University, University - Industry Foundation (UIF) Apparatus and method for reconstructing magnetic resonance image using learning, and under-sampling apparatus method and recording medium thereof
US10802096B2 (en) * 2017-12-26 2020-10-13 Uih America, Inc. Methods and systems for magnetic resonance imaging

Also Published As

Publication number Publication date
CN112881957A (zh) 2021-06-01
US20190195975A1 (en) 2019-06-27
US10802096B2 (en) 2020-10-13
CN109581253B (zh) 2021-05-18
CN109581253A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN112881957B (zh) 用于磁共振成像的方法和系统
Sandino et al. Accelerating cardiac cine MRI using a deep learning‐based ESPIRiT reconstruction
Lin et al. Artificial intelligence for MR image reconstruction: an overview for clinicians
US11120585B2 (en) Systems and methods for image reconstruction
Bilgic et al. Highly accelerated multishot echo planar imaging through synergistic machine learning and joint reconstruction
CN113795764A (zh) 用于磁共振图像重建的深度学习技术
US20220268866A1 (en) System and method for magnetic resonance imaging acceleration
Malavé et al. Reconstruction of undersampled 3D non‐Cartesian image‐based navigators for coronary MRA using an unrolled deep learning model
US9453895B2 (en) Dynamic image reconstruction with tight frame learning
Ke et al. An unsupervised deep learning method for multi-coil cine MRI
CN111157933B (zh) 用于磁共振图像重建的系统和方法
CN112423659A (zh) 多对比度磁共振成像的系统和方法
Schaetz et al. Accelerated computing in magnetic resonance imaging: real‐time imaging using nonlinear inverse reconstruction
Ting et al. Fast implementation for compressive recovery of highly accelerated cardiac cine MRI using the balanced sparse model
Gözcü et al. Rethinking sampling in parallel MRI: A data-driven approach
CN110226100B (zh) 用于磁共振成像的系统和方法
Saju et al. Suppressing image blurring of PROPELLER MRI via untrained method
US11022667B2 (en) System and method for image reconstruction
WO2016054513A1 (en) Magnetic resonance magnification imaging using rf pulses for nonlinear phase encoding
Pan et al. Iterative self-consistent parallel magnetic resonance imaging reconstruction based on nonlocal low-rank regularization
US20220383561A1 (en) Systems and methods for magnetic resonance imaging
CN113296038B (zh) 基于k空间径向采样的磁共振成像系统与方法
Zhang et al. Calibrationless reconstruction of uniformly‐undersampled multi‐channel MR data with deep learning estimated ESPIRiT maps
US20220092739A1 (en) Systems and methods for image processing
CN114062988B (zh) 磁共振波谱成像方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant