CN113557526A - 用于抑制磁共振图像中的伪影的深度学习技术 - Google Patents

Abstract

本发明提供了用于从磁共振数据中去除诸如RF干扰和/或噪声等的伪影的技术。该技术包括：使用磁共振成像系统(500)的至少一个射频线圈(526)来获得(302)输入磁共振数据；以及至少部分地通过使用用于抑制(304、308)输入磁共振数据中的至少一个伪影的神经网络模型(130)根据输入磁共振数据来生成磁共振图像。

Description

用于抑制磁共振图像中的伪影的深度学习技术

相关申请的交叉引用

根据美国法典第35条第119(e)款，本申请要求代理人案卷号为O0354.70031US00、提交于2018年8月15日并且标题为“MAGNETIC RESONANCE IMAGE DENOISING USING K-SPACE DEEP LEARNING MODEL”的美国临时申请序列号62/764,742、以及代理人案卷号为O0354.70039US00、提交于2019年3月18日并且标题为“END-TO-END LEARNABLE MR IMAGERECONSTRUCTION”的美国临时申请序列号62/820,119的优先权，上述文献各自通过引用而全文并入于此。

背景技术

磁共振成像(MRI)为许多应用提供了重要的成像模态，并且广泛用于临床和研究环境中以产生人体内部的图像。MR基于检测磁共振(MR)信号，该MR信号是原子响应于由所施加的电磁场引起的状态变化而发射的电磁波。例如，核磁共振(NMR)技术涉及检测在被成像对象中的原子(例如，人体组织中的原子)的核自旋重新对准或弛豫时从被激发原子的核发射的MR信号。可以对检测到的MR信号进行处理以产生图像，这使得在医学应用的上下文中能够对体内的内部结构和/或生物过程进行调查以用于诊断、治疗和/或研究目的。

由于能够产生具有相对高分辨率和对比度的非侵入性图像而没有其它模态的安全问题(例如，无需使被检体暴露于电离辐射(诸如x射线)或向身体中引入放射性材料)，MRI为生物成像提供了一种有吸引力的成像模态。另外，MRI特别适合提供软组织对比度，这可用于不能以其它成像模态令人满意地进行成像的主体进行成像。此外，MR技术能够捕获不能通过其它模态获取的与结构和/或生物过程有关的信息。然而，传统MRI技术存在许多缺点，对于给定成像应用，缺点可能包括设备的相对高成本、有限可用性(例如，获得对临床MRI扫描器的访问的困难和费用)、以及图像获取过程的长度。

为了提高成像质量，临床和研究MRI的趋势一直是增加MRI扫描器的场强以改进扫描时间、图像分辨率和图像对比度的一个或多个规范，这进而驱使MRI成像的成本上升。所安装的MRI扫描器中的绝大多数使用至少1.5或3特斯拉(T)工作，其中，1.5或3特斯拉是指扫描器的主磁场B₀的场强。临床MRI扫描器的粗略成本估计约为每特斯拉一百万美元，这甚至没有包括操作这种MRI扫描器所涉及的大量操作、服务和维护成本。另外，传统的高场MRI系统通常需要大型超导磁体和相关电子器件来生成对被检体(例如，患者)进行成像的强均匀静态磁场(B₀)。超导磁体进一步要求低温设备将导体保持在超导状态。这种系统的大小相当大，其中典型的MRI装置包括用于磁性组件、电子元件、热管理系统和控制台区域的多个房间(包括用以隔离MRI系统的磁性组件的特别屏蔽的房间)。MRI系统的大小和费用一般将其使用限制在诸如医院和学术研究中心等的设施，这些设施具有足够的空间和资源来购买和维护它们。高场MRI系统的高成本和大量空间需求导致MRI扫描器的有限可用性。正因如此，通常存在如下的临床情况：MRI扫描将是有益的，但由于上述限制，MRI扫描是不实际的或不可能的。

发明内容

一些实施例涉及一种方法，包括：使用磁共振成像系统即MRI系统的至少一个射频线圈即至少一个RF线圈来获得输入磁共振数据即输入MR数据；以及至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

一些实施例涉及一种系统，包括：至少一个计算机硬件处理器；以及至少一个非暂时性计算机可读存储介质，其存储处理器可执行指令，所述处理器可执行指令在由所述至少一个计算机硬件处理器执行时使所述至少一个计算机硬件处理器进行以下操作：使用磁共振成像系统即MRI系统的至少一个射频线圈即至少一个RF线圈来获得输入磁共振数据即输入MR数据；以及至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

一些实施例涉及至少一种非暂时性计算机可读存储介质，其存储处理器可执行指令，所述处理器可执行指令在由至少一个计算机硬件处理器执行时使所述至少一个计算机硬件处理器进行以下操作：使用磁共振成像系统即MRI系统的至少一个射频线圈即至少一个RF线圈来获得输入磁共振数据即输入MR数据；以及至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

一些实施例涉及一种磁共振成像系统即MRI系统，包括：磁系统，其包括：B₀磁体，其被配置成为所述MRI系统提供B₀场；梯度线圈，其被配置成为所述MRI系统提供梯度场；以及至少一个RF线圈，其被配置为检测磁共振信号即MR信号；控制器，其被配置为：控制所述磁系统以使用所述至少一个RF线圈来获取输入MR数据；以及至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

以上是对由所附权利要求限定的本发明的非限制性总结。

附图说明

将参考以下附图来描述所公开的技术的各个方面和实施例。应当理解，附图无需按比例绘制。

图1A示出根据这里描述的技术的一些实施例的、用于使用用于抑制输入MR数据中的一个或多个伪影的神经网络模型根据输入MR数据生成MR图像的示例性处理流水线。

图1B示出根据这里描述的技术的一些实施例的、具有“U”形结构和平均池化层的示例性卷积神经网络块的架构，该块可以是用于抑制输入MR数据中的伪影的神经网络模型的一部分。

图1C示出根据这里描述的技术的一些实施例的、图1B所示的示例性卷积神经网络块的架构的具体示例。

图1D示出根据这里描述的技术的一些实施例的、具有“U”形结构和频谱去池化层的示例性卷积神经网络块的架构，该块可以是用于抑制输入MR数据中的伪影的神经网络模型的一部分。

图1E示出根据这里描述的技术的一些实施例的示例性频谱去池化层的架构。

图2A示出根据这里描述的技术的一些实施例的、具有频谱去池化层的用于抑制输入MR数据中的RF干扰的示例性神经网络的架构。

图2B示出根据这里描述的技术的一些实施例的、图2A所示的示例性神经网络对抑制输入MR数据中的RF干扰的应用。

图3是根据这里描述的技术的一些实施例的、用于使用神经网络模型来抑制输入MR数据中的一个或多个伪影的例示性处理300的流程图。

图4A示出根据这里描述的技术的一些实施例的、用于生成用以训练神经网络模型的训练数据的技术，其中，所述神经网络模型用于抑制MR数据中的一个或多个伪影。

图4B示出根据这里描述的技术的一些实施例的、用于生成用以训练神经网络模型的训练数据的例示性示例，其中，所述神经网络模型用于抑制MR数据中的一个或多个伪影。

图5是根据这里描述的技术的一些实施例的低场MRI系统的示意图。

图6和图7示出根据这里描述的技术的一些实施例的、B₀磁体的双平面永磁体结构。

图8A和图8B示出根据这里描述的技术的一些实施例的便携式MRI系统的视图。

图9A示出根据这里描述的技术的一些实施例的、进行头部扫描的便携式MRI系统。

图9B示出根据这里描述的技术的一些实施例的、进行膝盖扫描的便携式MRI系统。

图10是可以实现这里描述的实施例的例示性计算机系统的图。

具体实施方式

如上所述，传统临床MRI系统需要位于特别屏蔽的房间中以允许其正确操作，这是造成当前可用的临床MRI系统的成本、缺乏可用性和不便携性的(众多)原因其中之一。除了保护人员及其设备以免受MRI系统所产生的磁场的影响之外，屏蔽房间还防止诸如由各种外部电子装置(例如，其它医疗装置)产生的RF干扰等的伪影影响MRI系统的操作和所得图像的质量。本发明人已经意识到，为了在特别屏蔽的房间之外操作、更特别地为了允许一般是便携式、车载式或以其它方式可运输的MRI，MRI系统必须能够在相对不受控制的电磁环境中(例如，在未屏蔽或部分屏蔽的房间中)操作，并且必须能够考虑和/或补偿这种环境中通常存在的干扰、噪声和/或其它伪影的存在。

本发明人开发了用于减少或消除诸如RF干扰和噪声等的环境伪影对MRI系统的操作及其产生的图像质量的影响的深度学习技术。本发明人所开发的深度学习技术允许在特别屏蔽的房间之外操作MRI系统，从而便于便携式/可运输MRI以及无需特别屏蔽的房间的固定MRI安装这两者。另外，虽然由本发明人开发并在这里描述的技术允许在特别屏蔽的房间之外操作MRI系统，但是因为这里描述的技术的方面不限于此，所以该技术也可以用于减轻干扰、噪声和/或其它伪影对在屏蔽环境(例如，较不昂贵、松散或临时屏蔽的环境)中的MRI系统的操作的影响，并且因此可以与已配备有限屏蔽的区域结合使用。

例如，由发明人开发并在这里描述的深度学习技术可用于促进MRI系统(例如，一般是移动的、便携式或车载式系统)在各种设置(诸如急诊室、手术室、重症监护室、办公室和/或诊所等)中的部署。这些设置特别容易受到诸如RF干扰和噪声等的伪影的存在的影响，许多传统MRI系统由于安装在具有广泛屏蔽的专门房间中因而在很大程度上不受其影响。然而，由于成本、缺乏便携性、大小和屏蔽要求，尽管在这些设置中对MR成像有明确的需求，传统MRI系统在这些设置中也根本不可用。本发明人所开发的技术对于促进MRI系统在这些设置中的部署特别有价值。

本发明人所开发的深度学习技术可以用于抑制(例如，减少和/或消除)由任何合适类型的MR扫描器获得的MR数据中的伪影。例如，本发明人所开发的技术可用于减少和/或消除由“低场”MR系统收集到的MR数据中的伪影，该“低场”MR系统以比支配MRI系统(特别是对于医疗或临床MRI应用)市场的“高场”MRI系统更低的场强操作。低场MRI系统的较低磁场强度使得它们特别容易受到RF干扰、噪声和/或其它伪影的存在的影响，这可能不利地影响这种系统的性能。例如，本发明人所开发的深度学习技术可用于减少和/或消除由这里和/或标题为“Portable Magnetic Resonance Imaging Methods and Apparatus”的美国专利号10,222,434中所描述的任何合适类型的MR扫描器获得的MR数据中的伪影(该系统自提交于2018年1月24日的美国专利申请序列号15/879,254中成熟)，上述文献通过引用而全文并入于此。应当理解，这里描述的技术不限于用于低场MRI系统或任何特定类型的MRI系统，并且可以用于高场和/或任何其它合适类型的MRI系统。应当理解，除了深度学习技术之外，在一些实施例中还可以采用其它机器学习技术，因为这里描述的技术的方面不限于此。

许多MRI系统(包括这里描述的一些MRI系统)利用电磁屏蔽来减少伪影对MRI系统的操作和所得图像的质量的影响。这种电磁屏蔽的安装和维护成本可能很高，并且电磁屏蔽中的任何错误或缺陷可能降低由MRI系统产生的MR图像的质量。由本发明人开发并在这里描述的技术可以减少MRI系统所需的电磁屏蔽的量，从而降低其成本，并且可以补偿电磁屏蔽和/或其安装中的任何错误或缺陷。

如这里所使用的，“高场”一般是指目前在临床环境中使用的MRI系统，更特别地是指以1.5T或以上的主磁场(即，B₀场)工作的MRI系统，但是在.5T至1.5T之间工作的临床系统通常也被表征为“高场”。约.2T至0.5T之间的场强被表征为“中场”，并且随着高场区中的场强不断增加，.5T至1T之间的范围中的场强也被表征为中场。相比之下，“低场”一般是指以小于或等于约0.2T的B₀场工作的MRI系统，但由于高场区的高端处的增加的场强，具有.2T至约0.3T之间的B₀场的系统有时也被表征为低场。在低场区内，以小于.1T的B₀场工作的低场MRI系统在这里被称为“极低场”，并且以小于10mT的B₀场工作的低场MRI系统在这里被称为“超低场”。

在一些实施例中，本发明人所开发的深度学习技术涉及使用神经网络模型来处理输入MR空间频率数据以抑制输入MR数据中的一个或多个伪影(例如，减少或消除其存在和/或影响)。

在一些实施例中，可以在多级中处理输入MR数据，其中该多级中的一级或多级可能涉及抑制输入MR数据中的伪影。例如，在一些实施例中，可以使用不同的处理级来抑制不同类型的伪影(例如，可以在一级中抑制来自MRI系统外部的一个或多个装置的RF干扰，并且可以在另一级中抑制MR接收器链所产生的噪声)。作为另一示例，在一些实施例中，可以使用多个处理级来抑制相同类型的伪影(例如，可以使用多级来抑制MRI系统外部的一个或多个装置所产生的RF干扰)。

涉及处理至少一个RF线圈所记录的信号的电路可被称为“MR接收器链”。MR接收器链可以包括各种类型的电路，诸如模拟电路(例如，一个或多个放大器、去耦电路、RF发送/接收开关电路等)、数字电路(例如，处理器)和/或其任何合适的组合。在标题为“Radio-Frequency Coil Signal Chain For aLow-Field MRI System”并且提交于2019年5月21日的美国专利申请序列号16/418,414中描述了MR接收器链电路的一些示例，上述文献通过引用而全文并入于此。

在一些实施例中，用于抑制输入MR数据中的一个或多个伪影的神经网络模型可以包括多个部分，并且可以在对应的处理级期间应用这些部分中的各部分。例如，在一些实施例中，神经网络模型可以包括两个部分——第一部分和第二部分，其中第一部分被配置为抑制由位于MRI系统的外部的装置产生的RF干扰(这里也被称为“外部RF干扰”)和/或由MRI系统中的位于其成像区域之外的一个或多个组件产生的RF干扰(这里也被称为“内部RF干扰”)，并且第二部分被配置为抑制由MR接收器链中的电路产生的噪声和/或由正被成像的被检体(或对象)产生的噪声。在该示例中，可以在多级中处理输入MR数据，其中该多级中的一级涉及应用神经网络的第一部分以抑制(外部和/或内部)RF干扰，并且该多级中的另一级涉及应用神经网络的第二部分以抑制由正被成像的被检体/对象产生的噪声。下面参考图1A所示的处理流水线来描述另一示例，其涉及具有在三个处理级的(非连续)序列中应用的三个部分的神经网络。

应当理解，虽然可以在多级中处理输入MR数据，但并非这些级中的每一级都涉及伪影抑制处理，这是因为可以使用一个或多个处理级来进行除伪影抑制以外的功能。例如，这些级中的一级(例如，图1A中所示的级108)可以涉及通过使用任何合适的重建技术根据输入MR数据生成图像来进行重建步骤。

在一些实施例中，可以使用不在图像域中(例如，在图像重建之前)的一级或多级并且使用在图像域中(例如，在图像重建之后)的一级或多级来处理输入MR数据。例如，在一些实施例中，可以在传感器域或空间频率域中应用神经网络模型的一部分以(例如，在图1A所示的级106期间)抑制RF干扰，并且可以在图像域中应用神经网络模型的不同部分以(例如，在图1A所示的级112期间)抑制由MR接收器链或正被成像的被检体(或对象)产生的RF干扰和/或噪声。然而，无需在图像重建之前和之后(例如，在传感器域或空间频率域中和在图像域中)都应用伪影抑制处理。例如，在一些实施例中，可以仅在图像重建之前或仅在图像域中进行伪影抑制。

此外，在一些实施例中，可以在除传感器域、空间频率域和图像域之外的一个或多个域中进行伪影抑制。在这样的实施例中，可以经由合适的可逆变换(例如，1D或2D或3D小波变换、1D或2D或3D傅立叶变换、1D或2D或3D短时傅立叶变换和/或任何其它合适的时间-频率和/或时间-尺度变换)将数据变换到另一域，其中可以在将合适的逆变换应用于处理后数据之前进行伪影抑制处理。

“传感器域”中的数据可以包括由MRI系统获得的原始传感器测量结果。传感器域数据可以包括针对采样模式所指定的一组坐标逐行获取的测量结果。测量行可被称为“读出”行。各测量结果可以是空间频率。正因如此，传感器域数据可以包括多个读出行。例如，如果测量p个读出行并且各读出行包括m个样本，则传感器域数据可以被组织为m×p矩阵。知道与m×p个样本中的各样本相关联的k空间坐标，则传感器域数据可被重新组织成相应的k空间数据，然后可被认为是空间频率域数据。可以通过对k空间数据应用傅立叶逆变换(例如，如果样本落在网格上，则应用快速傅立叶逆变换)来获得图像域数据。

因此，一些实施例提供了深度学习伪影抑制技术，该技术涉及：(1)访问使用MRI系统的至少一个射频(RF)线圈获得的MR数据；以及(2)至少部分地通过使用用于抑制输入MR数据中的至少一个伪影的神经网络模型(例如，包括一个或多个卷积层的模型)根据输入MR数据来生成MR图像。在一些实施例中，深度学习伪影抑制技术的第一动作可以涉及使用至少一个RF线圈来获得输入MR数据(而不是仅访问先前使用至少一个RF线圈获得的数据)。

在一些实施例中，至少一个伪影包括RF干扰，并且生成MR图像包括使用神经网络模型来抑制RF干扰。在一些实施例中，RF干扰可以包括由位于MRI系统外部的装置产生的外部RF干扰。该装置可以与MRI系统位于相同的房间中，以及/或者足够接近MRI系统(例如，在MRI系统的阈值距离内)，使得可以由MRI系统检测到该装置所产生的电磁波。该装置可以是医疗装置，例如心脏监视器、脉搏血氧计、输注泵、或者位于相同房间中和/或足够接近MRI系统的其它电气设备(例如，变压器、马达)。

在一些实施例中，RF干扰可以包括由MRI系统中的位于MRI系统的成像区域之外的一个或多个组件产生的内部RF干扰。例如，内部RF干扰可以由MRI系统的一个或多个磁组件(例如，梯度线圈、磁体等)和/或一个或多个电力组件(例如，一个或多个梯度功率放大器、一个或多个配电单元、一个或多个电源、一个或多个开关、一个或多个热管理组件等)产生。但是应当理解，除了上面列出的组件之外，MRI系统中的位于其成像区域之外的任何其它组件也可以产生内部RF干扰，因为这里描述的技术的方面不限于此。

在一些实施例中，至少一个伪影可以包括由MR接收器链产生的噪声和/或由正被成像的被检体或对象产生的噪声。在一些实施例中，MRI系统可以包括被配置为检测MRI系统的成像区域中的MR信号的至少一个RF线圈。

本发明人已经意识到，在除图像域以外的域(例如，传感器域或空间频率域(有时称为“k空间”))中可以更有效地抑制某些类型的伪影。特别地，本发明人已经认识到，在传感器域或空间频率域中可以有效地抑制外部RF干扰，因为在这些域中，外部RF干扰有时表现为叠加在所检测到的MR信号上的复指数分量的集合。本发明人已经认识到，与在图像域中相比，在传感器域或空间频率域中可以更有效地进行对这种类型的外部RF干扰的抑制。

因此，在一些实施例中，用于伪影抑制的神经网络模型包括被配置为处理传感器域或空间频率域中的数据的第一神经网络部分，并且其中使用神经网络模型来抑制输入MR空间频率域数据中的至少一个伪影包括利用第一神经网络部分来处理从输入MR数据获得的传感器域数据或空间频率域数据。第一神经网络部分的示例在图1D中示出为神经网络部分150，这里对该神经网络部分150进行更详细的描述。

在一些实施例中，第一神经网络部分包括“U”形结构，其中卷积层沿着“下采样路径”被应用于数据的连续的较低分辨率版本，然后沿着“上采样路径”被应用于数据的连续的较高分辨率版本。在一些实施例中，数据的分辨率可以使用一个或多个池化层(例如，沿着下采样路径)减小，并且使用一个或多个相应的去池化层(例如，沿着上采样路径)增大。

如上所述，第一神经网络部分可被配置为处理传感器域或空间频率域中的数据。在一些实施例中，第一神经网络部分可以包括并且可被配置成使用本发明人所开发的频谱去池化层来处理传感器域或空间频率域中的数据。在一些实施例中，应用频谱去池化层包括应用用于将经由跳跃连接提供的具有第一分辨率的第一特征与具有低于第一分辨率的第二分辨率的第二特征相组合的逐点相乘层。在一些实施例中，应用频谱去池化层包括在使用逐点相乘层将第一特征与第二特征相组合之前对第二特征进行零填充。在图1E中示出频谱池化层的例示性示例。在一些实施例中，在第一神经网络部分包括频谱去池化层的情况下，该第一神经网络部分还包括对应的频谱池化层。另外，第一神经网络部分可以包括多个卷积层和至少一个跳跃连接。

如上所述，神经网络模型可以包括在处理MR数据的不同级使用伪影抑制的多个部分。在一些实施例中，神经网络模型包括：(1)第一神经网络部分，其被配置为抑制RF干扰(例如，外部和/或内部RF干扰)；以及(2)第二神经网络部分，被配置为抑制噪声(例如，由MR接收器链和/或正被成像的被检体(或对象)产生的噪声)。这些部分中的各部分可以包括一个或多个卷积层、一个或多个池化层和/或一个或多个跳跃连接，因为这里描述的技术的方面不限于此。例如，在一些实施例中，神经网络可以包括第一部分和第二部分，其中第一部分被配置成作为图1A的例示性示例中所示的处理流水线100的级106的一部分而抑制RF干扰，并且第二部分被配置成作为相同处理流水线的级108或级112的一部分而抑制噪声。

在一些实施例中，神经网络模型还包括第三神经网络部分，该第三神经网络部分被配置为抑制来自使用输入MR空间频率数据获得的图像域数据的噪声。例如，神经网络可以包括作为图1A的例示性示例中所示的处理流水线100的级112的一部分的第三部分。

本发明人还开发了用于训练用于MR数据中的伪影抑制的神经网络模型的技术。技术包括通过以下操作来生成训练数据：(1)合成和/或测量RF伪影测量结果；(2)合成和/或测量MR测量结果；以及(3)将所获得的RF伪影测量结果和MR测量结果组合以获得伪影损坏(artefact correputed)MR数据。进而，伪影损坏MR数据(以及相应的单独的伪影分量和MR数据分量)可以用于训练用于抑制MR数据中的伪影的一个或多个神经网络模型。

因此，在一些实施例中，用于训练用于抑制MR数据中的伪影的神经网络的技术包括：(例如，在MRI系统的成像区域中不存在MR信号的情况下)在第一时间段期间使用MRI系统的至少一个RF线圈获得RF伪影测量结果，其中RF伪影测量结果包括RF干扰和/或噪声的测量结果；在与第一时间段不同的第二时间段期间，获得MRI系统的成像区域中的被检体的MR测量结果；通过将RF伪影测量结果与被检体的MR测量结果相组合来生成伪影损坏MR数据；以及使用伪影损坏MR数据来训练神经网络模型。

在一些实施例中，用于训练用于抑制MR数据中的伪影的神经网络的技术包括：合成RF伪影测量结果，其中RF伪影测量结果包括RF干扰和/或噪声的合成测量结果；获得MRI系统的成像区域中的被检体的MR测量结果；通过将合成RF伪影测量结果与被检体的MR测量结果相组合来生成伪影损坏MR数据；以及使用伪影损坏MR数据来训练神经网络模型。

在一些实施例中，用于训练用于抑制MR数据中的伪影的神经网络的技术包括：(例如，在MRI系统的成像区域中不存在MR信号的情况下)使用MRI系统的至少一个RF线圈来获得RF伪影测量结果，其中RF伪影测量结果包括RF干扰和/或噪声的测量结果；合成被检体MRI系统的MR测量结果；通过将所获得的RF伪影测量结果与被检体的合成MR测量结果相组合来生成伪影损坏MR数据；以及使用伪影损坏MR数据来训练神经网络模型。

在一些实施例中，所测量到的RF伪影测量结果和/或所测量到的MR测量结果可以是使用MRI系统来测量的，以训练用于抑制后续由相同的MRI系统获得的MR数据中的伪影的神经网络。此外，当MRI系统被放置在其后续将用于成像的环境中时，可以使用MRI系统获得RF伪影测量结果和/或MR测量结果。以这种方式，训练数据将精确地反映在MRI系统的后续操作期间可能存在的干扰的类型。

例如，在一些实施例中，可以通过以下操作来校准MRI系统以用于后续伪影抑制：(1)将MRI系统放置在该MRI系统将用于成像的环境中(例如，急诊室、办公室、手术室、患者室、重症监护室等)；(2)获得该环境中的RF伪影(例如，由放置了MRI系统的医疗设施中的医疗装置产生的外部RF干扰的测量结果)和/或MR数据的一个或多个测量结果；(3)使用这些测量结果来生成用于训练用于伪影抑制的神经网络的训练数据；(4)使用这些训练数据(例如，通过仅使用在环境中获得的训练数据从头开始或者经由更新神经网络参数/使神经网络参数适应在环境中获得的训练数据，来学习神经网络的至少一些参数)来训练神经网络；以及(5)使用经训练的神经网络来抑制由MRI系统后续在环境中收集到的MR数据中的伪影。以这种方式，神经网络可以学习抑制和/或可以适于精确地抑制在成像期间在环境中存在的干扰的类型。

以下更详细地描述了与用于使用神经网络来抑制MR数据中的伪影的方法和设备相关的各种概念及其实施例。应当理解，这里描述的各个方面可以以多种方式中的任意方式实现。这里仅为了例示性目的而提供了具体实现的示例。另外，以下实施例中所描述的各个方面可以单独使用或以任何组合使用，并且不限于这里明确描述的组合。

图1A示出根据这里描述的技术的一些实施例的、用于使用用于抑制输入MR数据中的一个或多个伪影的神经网络模型根据输入MR数据生成MR图像的示例性处理流水线100。

如图1A所示，数据处理流水线100包括用于处理输入MR数据102的多级，包括：预处理级104、RF干扰去除级106、噪声去除级108、重建级110和噪声去除级112。将这些处理级应用于输入MR空间频率数据102产生输出MR图像114。

在图1A的示例中，三级(即，级106、108和112)被阴影化，从而指示这些级进行伪影抑制处理。在图1A的示例中，级106和108在空间频率域中进行处理，而级112在图像域中进行伪影抑制处理。如上所述，在一些实施例中，可以在任何其它合适的域中进行这些级中的任何一个或多个。例如，在一些实施例中，级106和级108其中之一或这两者可以在传感器域中而不是在空间频率域中进行伪影抑制。在这样的实施例中，可将数据从传感器域变换到空间频率域的预处理级104可以放置在级108和110之间，而不是如图1A所示放置在级106之前。

在图1A的示例中，级106、108和112中的各级使用相应的神经网络部分来抑制作为输入而被提供至该级的数据中的伪影。在该示例中，整个神经网络模型包括三个部分：第一神经网络部分、第二神经网络部分和第三神经网络部分，其中第一神经网络部分被配置成作为在级106期间进行的处理的一部分而抑制MR数据中的RF干扰，第二神经网络部分被配置成作为在级108期间进行的处理的一部分而抑制MR数据中的噪声，并且第三神经网络部分被配置成作为在级112期间进行的处理的一部分而抑制来自MR数据的噪声。在一些实施例中，可以联合训练神经网络模型的三个部分(例如，一个神经网络部分的输出可以影响到另一神经网络部分的输入)。

尽管该示例涉及使用具有三个伪影抑制级的数据处理管道，但这不是对这里描述的技术的限制。在一些实施例中，数据处理流水线可以与级106、108和112中的任何一个或两个、而不是全部三个一起使用。此外，可以在图1A的示例性数据处理流水线100中所示的级中的任何一个或两个或全部之外和/或代替图1A的示例性数据处理流水线100中所示的级中的任何一个或两个或全部，来使用一个或多个伪影抑制级。

数据处理流水线100可以应用于任何合适类型的输入传感器数据102。数据102可以由MRI系统的一个或多个RF线圈收集。数据102可以使用笛卡尔采样轨迹或任何合适类型的非笛卡尔采样轨迹(例如，径向、螺旋、玫瑰花式(rosette)、可变密度、Lissajou等)来收集。数据102可以是全采样数据(通过对空间频率空间进行采样而收集到的数据，使得不违反相应的奈奎斯特准则)。数据102可以是欠采样数据(包含比空间奈奎斯特准则所要求的点少的点的数据)。在一些实施例中，由于外部RF干扰、内部RF干扰和/或由MR接收器链和/或正被成像的被检体(或对象)产生的噪声的存在，数据102可展现出伪影。

最初，作为预处理级104的一部分，可以对输入MR数据102应用一个或多个预处理步骤。例如，在一些实施例中，输入MR数据102可以是传感器域数据，并且预处理级可以(例如，通过沿着读出行进行1D傅立叶变换来)对传感器域数据进行变换。作为另一示例，在一些实施例中，预处理级104可以涉及去除输入数据102中的一些数据。例如，在(例如，由于指示数据不可靠的传感器读数而)判断为数据损坏时，可以去除数据102中的一些。

接着，作为级106中的数据处理流水线100的一部分，应用神经网络模型的第一部分以抑制作为输入而被提供至级106的数据中的(外部和/或内部)RF干扰。

在一些实施例中，在级106期间应用的神经网络可以具有“U”形结构，其中卷积层首先(沿着下采样路径)被应用于数据的连续的较低分辨率版本的序列，其次(沿着上采样路径)被应用于数据的连续的较高分辨率版本的序列。

例如，神经网络模型的第一部分可以具有图1B所示的架构130。如图1B所示，在下采样路径中，卷积层132a和132b被应用于输入131。然后，平均池化层133被应用于卷积层132b的输出，并且卷积层134a和134b被应用于平均池化层133所产生的低分辨率数据。接着，另一平均池化层135被应用于卷积层134b的输出，并且卷积层136a、136b和136c被应用于平均池化层135的输出。

接着，在上采样路径中，卷积层136c的输出由平均去池化层137处理。平均去池化层137的输出由卷积层138a和138b处理。卷积层138b的输出由平均去池化层139处理，并且平均去池化层139的输出由卷积层140a～c处理以生成输出145。

架构130还包括跳跃连接141和142，其指示平均去池化层的输入包含紧挨在前的卷积层的输出以及另一(并非紧挨)在前的卷积层所产生的具有较高分辨率的输出。例如，平均去池化层137的输入是卷积层134b(由跳跃连接142指示)和136c的输出。卷积层134b的输出与层136c的输出相比具有较高的分辨率。作为另一示例，平均去池化层139的输入是卷积层132b(由跳跃连接142指示)和138b的输出。卷积层132b的输出与层138b的输出相比具有较高的分辨率。以这种方式，通过沿下采样路径应用池化层而损失的高频信息作为去池化层的输入沿上采样路径被重新引入(而未损失)。

尽管在图1B中未明确示出，但是非线性层(例如，整流线性单元或ReLU、s形等)可以在架构130所示的一个或多个层之后应用。例如，非线性层可以在图1B所示的卷积层中的一个或多个(或各)卷积层之后应用。另外，可以在沿架构130的一个或多个点处(例如，在输入层处)应用批量归一化。

图1C示出根据这里描述的技术的一些实施例的、图1B所示的示例性卷积神经网络块的架构的具体示例。如图1C所示，所有卷积层应用3×3核。在下采样路径中，通过重复应用具有3×3核的两个(或底部级别的三个)卷积来处理各级别的输入，在每个卷积后应用非线性、步幅为2的平均2×2池化操作以进行下采样。在每个下采样步骤中，特征通道的数量从64倍增至128至256。在底层，特征通道的数量也从256倍增至512。在上采样路径中，通过使用将特征通道数减半(例如，从256减半至128至64)的平均去池化步骤对特征图进行重复上采样、(使用3×3核)与来自下采样路径和一个或多个卷积层的相应特征图级联来处理数据，其中在每个卷积层之后应用非线性。最后的卷积层140c将特征图的数量减少至2。

如上所述，本发明人开发了一种新类型的去池化层(这里称为“频谱去池化层”)，以用于可应用于传感器域或空间频率域中以例如抑制输入MR数据中的伪影的神经网络模型。例如，图1D示出具有“U”形结构和频谱去池化层的卷积神经网络块的架构150。架构150与图1B中所示的架构130相同，但平均去池化层被频谱去池化层代替。

如图1D所示，在下采样路径中，将卷积层152a和152b应用于输入151。然后将频谱池化层153应用于卷积层152b的输出，并且将卷积层154a和154b应用于由频谱池化层153产生的低分辨率数据。将另一频谱池化步骤155应用于卷积层154b的输出，并且将卷积层136a、136b和136c应用于频谱池化层155的输出。在上采样路径中，卷积层156c的输出由频谱去池化层157处理，频谱去池化层157的输出进而由卷积层158a和158b处理。卷积层158b的输出由频谱去池化层159处理，频谱去池化层159的输出由卷积层160a～c处理以产生输出165。

在一些实施例中，可以通过裁剪数据来实现频谱池化层。这类似于从数据中仅丢弃较高的空间频率含量，并且非常高效地实现，这是因为数据已经在空间频率域中，使得无需应用离散傅立叶变换来实现频谱池化层。频谱池化的各方面在Rippel,O.、Snoek,J.和Adams,R.P.在“Spectral representations for convolutional neural networks”(“神经信息处理系统进展”，第2449～2457页，2015年)中描述，上述文献通过引用而全文并入于此。

如图1D所示，架构150还包括跳跃连接161和162。因此，频谱去池化层157的输入是卷积层154b和156c的输出(其中层154b的输出与层156c的输出相比包括较高的频率含量)。频谱去池化层159的输入是卷积层152b和158b的输出(其中层152b的输出与层158b的输出相比包括较高的频率含量)。

在一些实施例中，架构150可以以与如图1C所示的架构130的实现类似的方式实现。例如，可以使用3×3核，并且特征信道的数量可以沿着下采样路径从64增加至128至256至512，并且沿着上采样路径从512减少至256至128至64以及至2。然而，应当理解，可以使用任何其它合适的实现(例如，特征通道的数量、核大小等)，因为这里描述的技术的方面不限于此。

图1E示出根据这里描述的技术的一些实施例的示例性频谱去池化层的架构。特别地，图1E示出作为图1D所示的架构150的一部分的频谱去池化层157的架构。如图1E所示，频谱去池化层157的输出180由两个输入产生：(1)经由跳跃连接162(从如图1D所示的卷积层152b的输出)提供的高分辨率特征170；以及(2)从如图1D所示的卷积层158b作为输出提供的低分辨率特征174。高分辨率特征170被称作此是因为它们与低分辨率特征174相比包括较高的(空间)频率含量。

在所示实施例中，频谱去池化层157通过以下操作来组合高分辨率特征170和低分辨率特征174：(1)使用零填充块176对低分辨率特征174进行零填充；以及(2)计算(使用权重178加权的)零填充低分辨率特征与(通过权重172加权的)高分辨率特征的加权组合。在一些实施例中，权重172和178是从数据中学习的，而不是预先设置的。然而，在其它实施例中，至少一些权重可以是手动设置的，而不是从数据中学习的。

作为使用频谱池化层的一个具体示例，低分辨率特征174可以包括一个或多个(例如，128个)特征信道(其各自包括64×64个复值)，并且高分辨率特征可以包括一个或多个(例如，64个)特征信道(其各自包括128×128个复值)。高分辨率128×128特征通道和相应的低分辨率64×64特征通道可以通过以下操作组合：(1)对64×64特征通道进行零填充，以获得128×128零填充值集；以及(2)将(通过权重172加权的)高分辨率128×128特征信道与(通过权重178加权的)128×128零填充值集相加。

如上所述，用于伪影抑制的一些神经网络架构可以使用平均池化(和去池化化)层或频谱池化(和去池化)层。在其它实施例中，可以使用最大池化(和去池化)层。仍然在其它实施例中，可以完全省略池化层，并且可以使用更长的核步幅来有效地对数据进行下采样，并且使用转置卷积层来对数据进行上采样。

返回到如图1A所示的数据处理流水线100，噪声去除级108在RF干扰去除级106之后。作为级108的一部分，应用神经网络模型的第二部分以抑制作为输入而被提供至级108的数据中的噪声。例如，可以使用神经网络模型的第二部分来抑制在输入MR数据的收集期间由MR接收器链产生的噪声。作为另一示例，可以使用神经网络模型的第二部分来抑制由正被成像的被检体(或对象)产生的噪声。

在一些实施例中，神经网络模型的第二部分可以具有与(用作级106的一部分的)第一部分的架构相同或相似的架构。例如，第二部分可以具有如同参考图1B～1E所述的架构130和150的“U”形结构架构。但是应当理解，可以使用一个或多个其它架构，诸如包括具有残差连接的卷积块的ResNet架构，如He K、Zhang X、Ren S、Sun J在“Deep residuallearning for image recognition”(计算机视觉和模式识别IEEE会议论文集，第770～778页，2016年)中所述。

如图1A的示例中所示，在空间频率域中应用噪声去除级108。然而，在其它实施例中，可以在合适变换之后的其它域(例如，传感器域、对数频谱域、时间域、频谱域等)中应用噪声去除级，因为这里描述的技术的方面不限于此。

在一些实施例中，神经网络模型的第二部分可以与神经网络模型的第一部分联合训练。例如，可以生成训练数据，使得神经网络模型的第二部分的输入可以是神经网络模型的第一部分的输出。作为具体示例，利用RF干扰和MR接收器链噪声这两者损坏的训练数据可以作为输入而被提供至神经网络模型的第一部分，并且(至少一些RF干扰已被第一部分抑制的)输出作为输入而被提供至神经网络模型的第二部分。在其它实施例中，第一部分和第二部分可以彼此独立地训练。作为具体示例，可以使用被噪声(例如，MR接收器链噪声)损坏而没有被RF干扰损坏的训练数据来训练神经网络模型的第二部分。以下进一步描述训练第一神经网络模型部分和第二神经网络模型部分的方面。

如图1A所示，图像重建级110在噪声抑制级108之后。在图像重建级110期间，将级108所输出的空间域频率数据变换到图像域以生成图像域数据。图像重建可以以任何合适的方式进行。例如，当沿着笛卡尔网格对MR数据进行采样时，可以使用2D(或3D)傅立叶逆变换(例如，使用2D或3D快速傅立叶逆变换)将数据变换到图像域。作为另一示例，当MR数据被欠采样时，可以使用网格化操作和后续的傅立叶逆变换、非均匀傅立叶逆变换、使用用于根据非笛卡尔k空间数据重建图像数据的神经网络模型、使用压缩感测和/或任何其它合适的方法来对数据进行变换，因为这里描述的技术的方面不限于此。

作为一个具体示例，在一些实施例中，在使用非笛卡尔采样轨迹的情况下，可以将MR数据映射到空间频率域中的规则网格(有时称为对数据进行“网格化”)，并且可以使用2D快速傅立叶逆变换将网格化数据变换到图像域以获得相应的图像。k空间中的规则网格是指k空间中的点的规则间隔网格，使得可被索引的各k空间坐标之间存在固定距离Δ。在一些实施例中，可以通过对数据应用插值矩阵变换来进行网格化。在一些实施例中，可以使用优化方法(诸如Fessler,J.A.、Sutton B.P.在“Non-uniform fast Fourier transformsusing min-max interpolation”(IEEE信号处理汇刊，第51(2)期，第560～574页，2013年)中所述的方法，上述文献通过引用而全文并入于此)来计算插值权重矩阵的条目。非笛卡尔设置中的图像重建的方面在提交于2019年7月30日并且标题为“Deep LearningTechniques for Magnetic Resonance Image Reconstruction”的美国专利申请序列号16/524,598中描述，上述文献通过引用而全文并入于此。

如图1A所示，噪声去除级112在重建级110之后。作为噪声去除级112的一部分，应用神经网络模型的第三部分来抑制图像域MR数据中的噪声。然而，在该示例中，与在空间频率域中应用的第一神经网络模型部分和第二神经网络模型部分不同，神经网络模型的第三部分在图像域中应用。第三神经网络部分可以具有与第一部分或第二部分的架构相同或相似的架构，并且例如可以具有如同图1B～1E所述的架构(其中在采用频谱池化层和频谱去池化层时，采用适当的傅立叶变换来执行这些层)。神经网络模型的第三部分可以与第一神经网络模型部分和第二神经网络模型部分联合或独立地训练，因为这里描述的技术的方面不限于此。以下进一步描述训练第三部分的方面。

如图1A所示，噪声去除级的输出是MR图像114。应当理解，图1A所示的数据处理流水线100是例示性的，并且存在变形。如所述，在一些实施例中可以省略一个或多个伪影抑制级(106、108和112)。作为另一示例，可以将一个或多个附加处理级添加到流水线以用于伪影抑制或进行任何其它功能。作为上面已经描述的另一示例，可以在传感器域而不是空间频率域中应用级106和108。

接着讨论用于伪影抑制的神经网络模型(诸如图1A～1E所示的神经网络模型等)的其它方面和细节。应当注意，尽管在上文中我们结合作为级106、108和112的一部分的神经网络处理描述了单个网络模型的三个神经网络部分，但是在下文中我们可以将神经网络部分简称为神经网络。

首先，介绍一些符号。MRI系统可以具有被配置为检测MR系统的成像区域中的MR信号的一个或多个RF线圈。设这种RF线圈的数量由N_C表示。对于被配置为检测成像区域中的MR信号的各RF线圈c，设s_c表示检测到的信号。该检测到的信号包含如下的三个不同分量：(1)线圈c的目标MR信号数据x_c；(2)损坏信号的噪声n_c(例如，由线圈c的MR接收器链产生的噪声、由正被成像的被检体(或对象)产生的噪声)；以及(3)外部和/或内部RF干扰i_c。因此，s_c＝x_c+n_c+i_c。此外，通过将N_P个接收器线圈定位在系统之外，我们可以获取在系统之外观察到的噪声(其与S_c相关)，称为

因此，观察到的信号可以写成：

如上所述，在一些实施例中，可以使用神经网络模型来抑制RF干扰i_c。例如，可以使用用作级106的一部分的神经网络模型的第一部分来抑制RF干扰i_c，以生成针对线圈c的

用于抑制RF干扰的神经网络模型可以与数据处理流水线的任何其它神经网络部分联合或独立地训练。在一些实施例中，为了训练用以抑制i_c的模型，创建分别包括s_c的所有分量的训练数据，使得地面真值可用。这可以以这里描述的任何合适方式进行。例如，x_c、n_c和i_c各自可以使用基于计算机的模拟来合成生成，以及/或者使用MRI系统观察到。例如，为了生成i_c，可以将结构化噪声线合成地添加至s_c，或者在系统内部没有对象的同时获取s_c。作为另一示例，MRI系统可以在成像区域之外具有一个或多个RF线圈，该RF线圈可以用于观察成像区域之外的伪影(也无需检测MR信号)，并且该线圈可以用于测量RF干扰。

在一些实施例中，用于去除RF干扰的神经网络的架构可以是如同参考图1B～1E所描述的架构130和150的“U”形架构。可选地，可以使用卷积块具有残差连接的ResNet型架构。网络的输入可以是：(1)各线圈的信号s_c，使得神经网络分别抑制各线圈的RF干扰；(2)作为单独信道的所有线圈的信号s_c，使得神经网络同时抑制所有线圈的RF干扰；或(3)作为单独信道的各线圈的信号s_c，以及作为其它信道中的额外信息的信号

(不被抑制，而是用于抑制信号中的RF干扰)。与输入相对应的、由神经网络产生的输出可以是：(1)各线圈各自的

或(2)作为单独通道的全部

(当输入是后两种情况时)。另外，在一些实施例中，该块的输入可以是所有N_avg平均值总共的s_c，以并入更多的信息。在这种情况下，输出将是所有平均值总共的全部去噪线圈数据。这在各线圈进行多次观察的情况下可以是有帮助的。

可以使用多种类型的损失函数中的任何一种来训练用于抑制RF干扰的神经网络，并且这里提供了损失函数的各种示例。作为一个示例，为了训练用于抑制使用单个线圈获取的数据中的RF干扰的神经网络，可以采用以下损失函数：

其中，W是加权矩阵，F是1D傅立叶变换，

是图像梯度，θ表示卷积神经网络f_CNN的参数。

在多通道设置中，可以采用以下损失函数：

其中N_coil是线圈的数量，以及f_CNN(s)_c是线圈的去噪传感器数据。

如上所述，在一些实施例中，可以使用神经网络来抑制RF干扰i_c(例如，作为流水线100的级106的一部分)，并且可以使用另一神经网络来抑制噪声n_c(例如，作为流水线100的级108的一部分)。如这里所述，用于抑制n_c的神经网络的架构可以与用于抑制RF干扰i_c的架构相同或相似(例如，“U”形结构化网络、ResNet结构化网络和/或参考图1B～1E所描述的任何架构)。

在一些实施例中，噪声去除神经网络的输入可以是：(1)用于抑制来自各线圈c的噪声的分别的s_c；(2)作为单独通道的所有s_c，以用于同时抑制所有线圈中的噪声；(3)作为单独通道的所有s_c以及作为用于去噪的附加信息的由成像区域之外的线圈检测到的数据

在一些实施例中，经训练的神经网络的输出可以是：(1)x_c或(2)多个线圈的全部x_c。

可以使用多种类型的损失函数中的任何一种来训练用于抑制噪声的神经网络，并且这里提供了损失函数的各种示例。作为一个示例，为了训练用于抑制使用单个线圈获取的数据中的噪声的神经网络，可以采用以下损失函数：

在一些实施例中，当训练用于抑制使用多个线圈获取的数据中的噪声的神经网络时，可以采用以下损失函数：

如上所述，在一些实施例中，可以使用神经网络来抑制图像域中的伪影(例如，作为流水线100的级112的一部分)。如这里所描述的，该神经网络的架构可以与这里所描述的其它神经网络的架构相同或类似(例如，“U”形结构化网络、ResNet结构化网络和/或参考图1B～1E所描述的任何架构)。

抑制图像域中的伪影可以便于减少或去除由获取系统(例如，MR接收器链)产生的噪声。这种噪声的影响在低场MRI系统中更为明显，导致较低的信噪比。用于抑制MR图像中的噪声的传统技术涉及使用诸如各向异性扩散或非局部均值滤波等的参数滤波技术。这些参数滤波技术的目标是在保持解剖结构周围的边缘的清晰度的同时去除均匀图像区域中的噪声。当噪声水平较高(如在低场系统中)时，应用参数滤波器通常导致在低对比度图像区域中具有细节损失的看起来平滑的图像。相比之下，使用深度学习以利用由本发明人开发的技术来抑制图像域中的伪影(例如，噪声)在保持即使是低对比度区域中的结构的同时得到看起来清晰的图像。

用于抑制图像域中的伪影的神经网络架构可以是这里描述的任何架构，并且例如可以是具有具备(如ResNet架构中的)残差连接的卷积块的卷积神经网络、如同参考图1B～1E所描述的“U”形结构、或任何其它合适的结构。

在一些实施例中，可以创建训练数据以反映噪声对MR图像的影响。可以(例如，使用MRI系统)测量或合成噪声。例如，合成噪声信号e_c可以如下添加到图像

其中噪声可以从高斯e_c～N(0,σ_c)或Ricean分布中取出(假定为了简单起见，线圈之间不存在关联)。

在一些实施例中，在给定数据集

的情况下，可以使用内容损失(结构相似性指数(SSIM)损失或均方误差损失)和由下式给出的对抗损失来训练用于抑制图像域中的伪影的神经网络：

在损失的以上表达式中，生成器G是滤波网络，并且鉴别器D被训练为最佳地区分利用网络G滤波的图像和原始无噪声图像(地面真值)。在一些实施例中，可以通过在生成器(θ_G)神经网络和鉴别器(θ_D)神经网络之间建立极小极大博弈来优化生成器神经网络和鉴别器神经网络的参数。可以训练生成器网络以产生尽可能接近地面真值的滤波图像并因此欺骗鉴别器神经网络。另一方面，可以训练鉴别器网络以将输入图像分类为经滤波的或地面真值。像上面描述的那样，使用对抗损失有助于在保持即使是低对比度区域中的结构的同时实现看起来清晰的滤波图像。

在一些实施例中，用于抑制图像域中的伪影的神经网络可以与任何其它伪影抑制网络联合地或独立地训练。在前一种情况下，神经网络的输入可以是(例如，由重建级110生成的)最终重建图像，并且可以使用目标图像x来训练网络。在一些实施例中，可以在调整大小之前使用目标x₀来训练网络。这样，滤波将学习以最佳方式对图像进行上采样。

接着，我们讨论根据这里描述的技术的一些实施例的应用用于抑制空间频率域中的RF干扰的神经网络的例示性示例。

本发明人已经意识到，在一些实例中，RF干扰本身可以表现为图像中的沿着相位编码方向的一个或多个明亮的拉链状划痕，因为在空间频率域中捕获的干扰的频率分量通常在扫描中是一致的。对被拉链状伪影所损坏的区域的图像恢复具有挑战性，因为它们的外观具有复杂的结构，这在图像域中通常会使底层图像显著劣化。然而，在k空间域中，尽管噪声没有像在图像域中那样被局部化并因此更多的区域受到影响，但是由于具有小幅度的噪声频率分量被叠加到具有大得多的幅度的信号数据上，因此损坏不是破坏性的。

图2A示出根据这里描述的技术的一些实施例的、具有频谱去池化层的用于抑制MR数据中的RF干扰的示例性神经网络的架构。图2A的神经网络实现参考图1D和1E所描述的架构的版本。

特别地，图2A的神经网络包括用作学习后的插值滤波器的多个卷积残差块(例如，n＝8)。在下采样路径中，在每两个卷积块之后，应用频谱池化操作以将数据投影到低维频率基上。在上采样路径中，使用频谱去池化层以对较低级别k空间特征进行上采样并将其与(来自跳跃连接的)较高级别特征组合。在该示例中，频谱去池化层对较低级别特征和较高级别特征(跳跃)这两者应用卷积、批量归一化、ReLU和逐点相乘层(具有学习系数)。然后，对较低级别的特征进行零填充并添加到经处理的跳跃。

在图2A的特定实现中，将输入图像调整大小为128×128个块。在下采样路径中，频谱池化将每个激活(activation)的高度和宽度减小2；卷积层分别利用3×3核，其中输出维度为16(在第一频谱池化之前)、32(在第一频谱池化和第二频谱池化之间)、48(在第二频谱池化和最后频谱池化之间)和64(在最后频谱池化之后)。在上采样路径部分，卷积核的大小为1×1，并且输出维度与输入维度相同。

在该示例中，使用由k空间损失(k空间MSE和共轭对称损失)和图像域损失(结构相似性指数)组成的损失函数(在一些实例中使用具有学习率0.001的Adam优化器)来训练图2A的神经网络。具体地，我们将损失定义为

其中y是目标图像，

是去噪图像，F是傅立叶变换，L_conj是共轭对称损失，以及SSIM以与Wang,Z.、Bovik,A.C.、Sheikh,H.R.、Simoncelli,E.P.在“Image quality assessment:from errorvisibility to structural similarity”(IEEE图像处理汇刊，第13(4)期，第600～612页，2004年)中相同的方式定义。使用这种类型的k空间损失有助于抑制拉链伪影，而结构相似性指数确保图像是清晰的。

在图2A和2B的示例中，使用与作为目标地面真值的无干扰数据配对的输入的干扰破坏图像的数据库来训练图2A的神经网络。无干扰图像被使用生成性统计模型合成的RF干扰损坏。在该示例中，本发明人已经认识到，RF干扰具有特定结构，该特定结构可以通过等式

来建模，其中α_m是干扰的强度，β_m确定图像空间中的干扰噪声的位置，并且∈是附加高斯噪声。然后使用损坏图像和原始无干扰图像来训练神经网络。

图2B示出根据这里描述的技术的一些实施例的、图2A所示的示例性神经网络对抑制MR图像中的RF干扰的应用。利用损失函数中的λ_c＝1e-5、λ_s＝1e-2和降级函数中的M～Uniform(0,60)、α_m～Uniform(0,1)和β_m～Uniform(0,1)来训练图2A的网络。对神经网络进行1000个时期的训练，每个时期训练8192个体积，并且批大小为64。

图2B针对两个不同MR图像中的每一个示出以下三个图像：(1)地面真值(无干扰的原始图像)；(2)干扰损坏MR图像；以及(3)通过使用图2A的模型来抑制RF干扰而获得的净化图像。结果表明，模型抑制图像中的拉链线，同时保留其它脑部特征。对于图2B所示的两个切片，整体SSIM分别从0.862提高到0.919以及从0.884提高到0.918；对于受干扰噪声影响的区域(垂直方向上与干扰线最近的20个像素)，SSIM从0.377显著提高到0.744以及从0.472显著提高到0.743。

图3是根据这里描述的技术的一些实施例的、用于使用神经网络模型来抑制输入MR数据中存在的一个或多个伪影的例示性处理300的流程图。处理300可以使用任何合适的计算装置来执行。例如，在一些实施例中，处理300可以由与通过对被检体(或对象)成像而获得MR数据的MRI系统位于相同位置(例如，位于相同房间)的计算装置进行。作为另一示例，在一些实施例中，处理300可以由位于远离获得输入MR数据的MRI系统的位置处的(例如，作为云计算环境的一部分的)一个或多个处理器进行。

处理300在动作302处开始，其中获得输入MR数据。在一些实施例中，输入MR数据先前已由MRI系统获得并存储以供后续分析，使得其在动作302处被访问。在其它实施例中，作为处理300的一部分，可以由MRI系统(包括这里描述的任何MRI系统)获得输入MR数据。在一些实施例中，数据可能已使用笛卡尔采样轨迹获得。在其它实施例中，数据可能已使用非笛卡尔采样轨迹获得，这里提供了其示例。

在一个或多个预处理步骤(其可以是可选的，并且可以涉及将输入MR数据从传感器域变换到空间频率域)之后，如上所述，处理300进入动作304，其中使用神经网络模型在空间频率域中抑制至少一个伪影。

在一些实施例中，在两级中进行空间频率域处理。例如，在一级期间，可以使用神经网络模型的第一部分来抑制空间频率域中的RF干扰，如这里(包括参考处理流水线100的级106、以及图1A～1E和2A～2B)所述。然后，在另一(在一些实施例中为紧挨在后的)级期间，可以在空间频率域中抑制MR数据中的噪声，如这里(包括参考处理流水线100的级108、以及图1A～1E)所述。然而，在其它实施例中，可以使用不同数量的伪影抑制级(例如，一个、三个、四个、五个等)，因为这里描述的技术的方面不限于此。例如，在一些实施例中，可以在动作304处使用单个伪影抑制级来同时抑制空间频率域中的RF干扰和噪声。

接着，处理300进入动作306，其中进行图像重建以将空间域MR数据变换到图像域数据。重建可以以任何合适的方式进行。例如，当空间频率域数据在笛卡尔网格上间隔开时，可以使用2D傅立叶逆变换(例如，使用2D快速傅立叶逆变换)来对数据进行变换。作为另一示例，当空间频率域数据被欠采样时，可以使用非均匀傅立叶逆变换、使用用于根据非笛卡尔k空间数据重建图像数据的神经网络模型、使用压缩感测和/或任何其它合适的方法来对数据进行变换，因为这里描述的技术的方面不限于此。

接着，处理300进入动作308，其中应用神经网络模型来抑制在动作306处获得的图像中存在的伪影。神经网络模型可被应用在图像域中，并且可以具有任何合适的架构(包括这里描述的任何架构)。在一些实施例中，可以进行动作308处的处理，如这里(包括参考处理流水线100的级112、以及图1A～1E)所述。在动作308完成之后，处理300进入动作310，其中输出所得MR图像(例如，保存以供后续访问，通过网络发送到接收者，等等)。

在一些实施例中，作为处理300的一部分，可以采用具有三个部分的神经网络模型。第一部分可被配置为抑制空间频率域中的RF干扰。第二部分可被配置为抑制空间频率域中的噪声。第三部分可被配置为抑制图像域中的噪声。这些部分可以联合地或彼此独立地训练。在一些实施例中，使用所有三个部分，但是在其它实施例中，可以省略这些部分中的一个或两个。

在图3的例示性示例中，动作304涉及在空间频率域中抑制MR数据中的伪影。然而，在其它实施例中，可以在传感器域或任何其它合适的域中抑制伪影，因为这里描述的技术的方面不限于此。

接着讨论训练上述神经网络模型的附加方面。

在一些实施例中，可以采用残差训练策略来训练神经网络以抑制被损坏的训练数据中的伪影。作为这种残差训练策略的一部分，输入数据可以包括感兴趣信号(例如，MR信号)与损坏感兴趣信号的不期望伪影(例如，RF干扰、噪声等)的叠加。目标数据可以是不期望的伪影数据(例如，被添加到感兴趣的MR信号以产生输入数据的RF干扰信号)。然后，输出数据是不期望的伪影(例如，RF干扰信号)——因此目的是估计不期望的伪影数据而不是干净的MR信号。这种方法有时称为“残差训练”。以这种方式训练的神经网络模型聚焦于学习有和没有伪影的数据之间的差异，而不是聚焦于学习生成无伪影数据，这有助于训练期间的收敛。

在一些实施例中，可以采用多个损失函数中的一个或线性组合来训练这里描述的神经网络模型：

·输出和目标数据之间的L2损失。

·输出和目标数据之间的L1损失。

·输出和目标数据之间的L2加权损失。可以基于k空间坐标来计算权重。空间频率越高(距离k空间的中心越远)，权重就越高。使用这样的权重使得所得模型保持与低频率相比具有更大噪声的高空间频率。

·输出的L1加权正则化。可以通过可选地在加权之后使用l₁范数来对神经网络的输出强制执行稀疏先验。可以基于k空间坐标来计算权重。空间频率越高(距离k空间的中心越远)，权重就越小。这促进了稀疏。

·生成性对抗网损失。

·结构相似性指数损失。

·这里(包括结合图1A～1E和2A～2B)所述的任何其它损失函数。

应当理解，无论神经网络在哪个域中工作，都可以在任何合适的域(例如，传感器域、k空间域、图像域)或(例如，加权之后的)任何表示中计算这里描述的损失函数。例如，被设计成对空间频率数据进行操作的神经网络可以将空间频率数据作为输入并产生空间频率数据作为输出，但是在训练期间，可以在图像域中(例如，在利用傅立叶变换对数据进行合适变换之后)计算其损失函数。这是有帮助的，因为一些损失函数在一个域中可能不直接或不可能计算，但是在另一个域中可能更容易计算(例如，在图像域中计算损失的SSIM是自然的)。因此，可以在应用神经网络之前使用任何合适的变换(例如，通过网格化成k空间和/或进行傅立叶变换)来对输入数据进行变换。

可以使用任何合适的优化技术来根据数据估计神经网络参数。例如，可以使用以下优化技术中的一个或多个：随机梯度下降(SGD)、小批量梯度下降、动量SGD、Nesterov加速梯度、Adagrad、Adadelta、RMSprop、自适应矩估计(Adam)、AdaMax、Nesterov加速自适应矩估计(Nadam)、AMSGrad。

在一些实施例中，用于训练这里描述的神经网络模型的训练数据可以通过以下操作获得：(1)合成和/或测量RF伪影测量结果；(2)合成和/或测量MR测量结果；以及(3)将所获得的RF伪影测量结果和MR测量结果组合以获得伪影损坏MR数据。继而，伪影损坏MR数据(以及相应的单独的伪影和MR数据分量)可以用于训练用于抑制MR数据中的伪影的一个或多个神经网络模型。

在一些实施例中，合成和/或测量的RF伪影测量结果可以表示各种干扰源和/或噪声源。例如，合成和/或测量的RF伪影测量结果可以表示由一个或多个电子装置产生的外部RF干扰，其中电子装置包括但不限于计算机、监视器、手机、蓝牙装置、医疗装置(例如，EEG、ECG、脉搏血氧计、心脏监视器、血压袖带等)、变压器、马达、泵、扇和通气机。作为另一示例，合成和/或测量的RF伪影测量结果可以表示由MRI系统的电力组件和/或磁性组件(例如，梯度线圈、功率放大器等)产生的内部RF干扰。这种干扰本身可以以可预测的方式表现为用于成像的脉冲序列的函数。这种干扰可以使用一个或多个脉冲序列在MRI系统的操作期间有效地测量。作为另一示例，合成和/或测量的RF伪影测量结果可以表示由MR接收器链或正被成像的被检体(或对象)产生的噪声。

在一些实施例中，RF伪影测量结果可以使用被配置成直接或间接捕获MRI系统环境中所存在的任何RF伪影的任何传感器来获得。这种传感器可以包括MRI系统传感器本身(例如，一个或多个RF线圈)和/或可能位于MRI系统附近或者甚至位于其它位置(例如，医院的其它房间)的任何辅助传感器。

在一些实施例中，当MRI系统在MRI系统的成像区域中存在被检体(或对象)的情况下或在成像区域中不存在被检体(或对象)的情况下在MR获取期间执行一个或多个脉冲序列时，可以由一个或多个传感器获得RF伪影测量结果。例如，在一些实施例中，可以在不发出任何RF激励脉冲的情况下由一个或多个传感器测量RF伪影(这避免了MR信号的生成)。

在一些实施例中，获得RF伪影测量结果的方式可以基于脉冲序列的一个或多个特性(例如，采样速率、读出持续时间、重复时间等)。例如，在一些实施例中，RF伪影测量结果可以由一个或多个传感器以与感兴趣的脉冲序列一致的采样速率和读出持续时间获取。在一些实施例中，连续伪影测量之间的重复时间可以与脉冲序列一致，并且可以与其重复时间(TR)匹配。

图4A示出根据这里描述的技术的一些实施例的、用于生成用以训练神经网络模型的训练数据的技术，其中，所述神经网络模型用于抑制MR数据中的伪影。

如图4A所示，生成训练数据420可以包括：生成RF伪影测量结果，生成MR测量结果，并使用组合块416将其组合以获得训练数据420。

在一些实施例中，生成RF伪影测量结果可以包括(例如，使用一个或多个生成性统计模型、一个或多个基于物理的模型等)合成RF伪影测量结果412。在一些实施例中，生成RF伪影测量可以包括使用一个或多个传感器402来获得RF伪影测量结果408。

在一些实施例中，生成MR测量结果可以包括(例如，使用一个或多个生成性统计模型、一个或多个基于物理的模型等)合成MR测量结果410。在一些实施例中，生成MR测量结果可以包括使用一个或多个传感器402来获得干净的RF MR测量结果406和/或伪影损坏测量结果404。测量结果可以是真实被检体(例如，患者)和/或对象(例如，体模)的测量结果。

在一些实施例中，可以对使用传感器402获得的任何测量进行预处理。例如，可以以任何其它合适的方式对测量结果进行重新采样、压缩、预去噪、预白化、滤波、放大和/或预处理。

在一些实施例中，MR和RF伪影测量结果可以经由域变换418而变换到任何合适的域。例如，可以使用分析或学习的变换(例如，傅立叶变换、小波变换等)将测量结果变换到任何其它域中。

在一些实施例中，在收集训练数据之后，伪影损坏数据(输入)与其干净版本(目标)配对，并且用于使用上述优化算法中的任意算法来估计神经网络模型的参数。

图4B示出根据这里描述的技术的一些实施例的、用于生成用以训练神经网络模型的训练数据的例示性示例，其中，所述神经网络模型用于抑制MR数据中的伪影。

图5是MRI系统500的典型组件的框图。在图5的例示性示例中，MRI系统500包括工作站504、控制器506、脉冲序列存储部508、电力管理系统510和磁性组件520。应当理解，系统500是例示性的，并且除了图5所示的组件之外或者代替图5所示的组件，MRI系统可以具有任何合适类型的一个或多个其它组件。

如图5所示，磁性组件520包括B₀磁体522、匀场线圈524、RF发送和接收线圈526、以及梯度线圈528。B₀磁体522可以用于至少部分地产生主磁场B₀。B₀磁体522可以是能够产生主磁场(例如，约0.2T或更低的低场强)的任何合适类型的磁体，并且可以包括一个或多个B₀线圈、校正线圈等。匀场线圈524可用于贡献磁场以改善磁体522所产生的B₀场的均匀性。梯度线圈528可被布置成提供梯度场，并且例如可被布置成在磁场中沿三个基本上正交的方向(X、Y、Z)产生梯度，以定位感应出MR信号的位置。

RF发送和接收线圈526可以包括可用于产生RF脉冲以感应磁场B₁的一个或多个发送线圈。发送/接收线圈可被配置成产生任何合适类型的RF脉冲，该RF脉冲被配置成激发被检体的MR响应并检测所发射的所得MR信号。RF发送和接收线圈526可以包括一个或多个发送线圈和一个或多个接收线圈。发送/接收线圈的结构随实现变化，并且可以包括用于发送和接收这两者的单个线圈、用于发送和接收的单独线圈、用于发送和/或接收的多个线圈、或用以实现单通道或并行MRI系统的任何组合。因此，发送/接收磁性组件通常被称为Tx/Rx或Tx/Rx线圈，以通用地指代MRI系统的发送和接收组件的各种结构。

各磁性组件520可以是任何合适的类型，并且可以以任何合适的方式构造。例如，在一些实施例中，B₀磁体522可以是电磁体或永磁体(例如，如以下参考图6、7和8A～8B所述)。作为另一示例，在一些实施例中，可以使用层压技术来制造一个或多个磁性组件520(例如，匀场线圈524和/或梯度线圈528)。

电力管理系统510包括用以向低场MRI系统500的一个或多个组件提供工作电力的电子器件。例如，电力管理系统510可以包括一个或多个电源、梯度电力放大器、发送线圈放大器、以及/或者提供合适的工作电力以为低场MRI系统500的组件供能和对其进行操作所需的任何其它合适的电力电子器件。

如图5所示，电力管理系统510包括电源512、放大器514、发送/接收开关516和热管理组件518。电源512包括用以向低场MRI系统500的磁性组件520提供工作电力的电子器件。例如，在一些实施例中，电源512可以包括用以向用于产生低场MRI系统的主磁场的一个或多个B₀线圈(例如，B₀磁体522)、一个或多个匀场线圈524和/或一个或多个梯度线圈528提供工作电力的电子器件。在一些实施例中，电源512可以是单极连续波电源，然而，可以使用任何合适的电源。发送/接收开关516可用于选择是正在操作RF发送线圈还是正在操作RF接收线圈。

在一些实施例中，放大器514可以包括用于对一个或多个RF接收线圈(例如，线圈524)所检测到的MR信号进行放大的一个或多个RF接收(Rx)预放大器、被配置为向一个或多个RF发送线圈(例如，线圈526)提供电力的一个或多个RF发送(Tx)放大器、被配置为向一个或多个梯度线圈(例如，梯度线圈528)提供电力的一个或多个梯度电力放大器、以及/或者被配置为向一个或多个匀场线圈(例如，匀场线圈524)提供电力的一个或多个匀场放大器。

在一些实施例中，热管理组件518为低场MRI系统500的组件提供冷却，并且可被配置为通过促进低场MRI系统500的一个或多个组件所产生的热能传递远离这些组件来提供冷却。热管理组件518可以包括但不限于用以进行基于水的或基于空气的冷却的组件，该组件可以与产生热的MRI组件集成或被布置在MRI组件的附近，包括但不限于B₀线圈、梯度线圈、匀场线圈和/或发送/接收线圈。热管理组件518可以包括用以使热传递远离低场MRI系统500的组件的任何合适热传递介质，包括但不限于空气和水。

如图5所示，低场MRI系统500包括具有用以向电力管理系统510发送指令并从电力管理系统510接收信息的控制电子器件的控制器506(也称为控制台)。控制器506可被配置为实现一个或多个脉冲序列，该脉冲序列用于确定被发送至电力管理系统510的指令以采用期望序列来操作磁性组件520。例如，控制器506可被配置为控制电力管理系统510以根据平衡稳态自由进动(bSSFP)脉冲序列、低场梯度回波脉冲序列、低场自旋回波脉冲序列、低场反转恢复脉冲序列、动脉自旋标记、扩散加权成像(DWI)和/或任何其它合适的脉冲序列来操作磁性组件520。控制器506可被实现为硬件、软件、或者硬件和软件的任何合适组合，因为这里提供的本发明的方面不限于此。

在一些实施例中，控制器506可被配置为通过从脉冲序列存储库508获得与脉冲序列有关的信息来实现脉冲序列，该脉冲序列存储库508存储一个或多个脉冲序列各自的信息。脉冲序列存储库508针对特定脉冲序列所存储的信息可以是允许控制器506实现该特定脉冲序列的任何合适信息。例如，脉冲序列存储库508中针对脉冲序列所存储的信息可以包括用于根据脉冲序列来操作磁性组件520的一个或多个参数(例如，用于操作RF发送和接收线圈526的参数、用于操作梯度线圈528的参数等)、用于根据脉冲序列来操作电力管理系统510的一个或多个参数、包含在由控制器506执行时使控制器506控制系统500以根据脉冲序列进行操作的指令的一个或多个程序、以及/或者任何其它合适信息。脉冲序列存储库508中所存储的信息可被存储在一个或多个非暂时性存储介质上。

如图5所示，在一些实施例中，控制器506可以与被编程为处理所接收到的MR数据(在一些实施例中，其可以是传感器域MR数据或空间频率域MR数据)的计算装置504进行交互。例如，计算装置504可以处理所接收到的MR数据以使用任何合适的图像重建处理(包括使用这里所述的利用神经网络模型以根据输入MR数据生成MR图像的任何技术)来生成一个或多个MR图像。例如，计算装置504可以进行这里参考图3所述的任何处理。控制器506可以向计算装置504提供与一个或多个脉冲序列有关的信息，以通过计算装置来处理数据。例如，控制器506可以向计算装置504提供与一个或多个脉冲序列有关的信息，并且计算装置可以至少部分地基于所提供的信息来进行图像重建处理。

在一些实施例中，计算装置504可以是被配置为处理所获取的MR数据并生成正被成像的被检体的一个或多个图像的任何电子装置。在一些实施例中，计算装置504可以包括固定电子装置，诸如台式计算机、服务器、机架式计算机、或者可被配置为处理MR数据并生成正被成像的被检体的一个或多个图像的任何其它合适的固定电子装置等。可选地，计算装置504可以是便携式装置，诸如智能手机、个人数字助理、膝上型计算机、平板计算机或者可被配置为处理MR数据并生成正被成像的被检体的一个或多个图像的任何其它便携式装置等。在一些实施例中，计算装置504可以包括任何合适类型的多个计算装置，因为这里描述的技术的方面不限于此。

在一些实施例中，用户502可以与计算装置504进行交互以控制低场MR系统500的方面(例如，对系统500进行编程以根据特定脉冲序列操作、调整系统500的一个或多个参数等)和/或查看低场MR系统500所获得的图像。根据一些实施例，计算装置504和控制器506形成单个控制器，而在其它实施例中，计算装置504和控制器506各自包括一个或多个控制器。应当理解，计算装置504和控制器506所进行的功能可以以任何方式分布在一个或多个控制器的任何组合上，因为这里描述的技术的方面不限于与任何特定的实现或架构一起使用。

图6和7示出根据这里描述的技术的一些实施例的B₀磁体的双平面永磁体结构。图6示出根据一些实施例的永久B₀磁体600。在所示实施例中，B₀磁体600由被布置成双平面几何形状的永磁体610a和610b以及用于捕获永磁体所产生的电磁通量并将该通量传递至相对的永磁体以增加永磁体610a和610b之间的通量密度的磁轭620形成。永磁体610a和610b各自由多个同心永磁环形成。特别地，如图6中可见，永磁体610b包括外部永磁环614a、中间永磁环614b、内部永磁环614c以及位于中心处的永磁盘614d。虽然示出为具有四个同心永磁环，但是永磁体610b(和永磁体610a)可以具有任何合适数量的永磁环，因为这里描述的技术的方面不限于此。永磁体610a可以与永磁体610b基本上相同地形成，并且例如包括与永磁体610b相同的一组永磁环。

可以根据系统的设计要求来选择所使用的永磁体材料。例如，根据一些实施例，永磁体(或其某个部分)可以由NdFeB制成，一旦磁化，其以每单位体积的材料具有相对高的磁场的方式产生磁场。在一些实施例中，使用SmCo材料来形成永磁体或其某个部分。虽然NdFeB产生更高的场强(并且一般比SmCo便宜)，但SmCo表现出更少的热漂移，因此在面对温度波动时提供更稳定的磁场。也可以使用其它类型的永磁体材料，因为这里描述的技术的方面不限于此。一般来说，所利用的永磁体材料的类型将至少部分地取决于给定B₀磁体实现的场强、温度稳定性、重量、成本和/或易用性要求。

在一些实施例中，永磁环的大小和布置被设计成在永磁体610a和610b之间的成像区域(视场)中产生期望强度的均匀场。在图6所示的示例性实施例中，各永磁环包括多个段，各段使用沿径向方向堆叠的多个永磁块形成并且被定位成围绕外周彼此相邻地定位以形成相应环。本发明人已经意识到，通过改变各永磁体(在与环相切的方向上)的宽度，可以在使用更少材料的同时实现更少的有用空间的浪费。例如，通过改变(例如，作为块的径向位置的函数的)块的宽度，可以减小不产生有用磁场的堆叠之间的空间，从而允许更紧密的配合以减小浪费的空间并使在给定空间中可产生的磁场量最大化。还可以以任何期望的方式改变块的尺寸以促进具有期望强度和均匀性的磁场的产生。例如，在一些实施例中，不同环的块的高度可以彼此不同，以及/或者特定环内的一个或多个块的高度可以彼此不同，以实现具有期望强度和均匀性的磁场。

如图6所示，B₀磁体600还包括磁轭620，该磁轭620被配置和布置为捕获永磁体610a和610b所产生的磁通量并将其引导至B₀磁体的相对侧以增加永磁体610a和610b之间的通量密度，从而增加B₀磁体的视场内的场强。通过捕获磁通量并将其引导至永磁体610a和610b之间的区域，可以使用更少的永磁体材料来实现期望场强，从而减小B₀磁体600的大小、重量和成本。可选地，对于给定永磁体，可以增加场强，从而改进系统的SNR而无需使用增加量的永磁体材料。对于典型B₀磁体600，磁轭620包括框架622和板624a和624b。板624a和624b可以捕获永磁体610a和610b所产生的磁通量，并将其引导至框架622以经由磁轭的磁回路循环，从而增加B₀磁体的视场中的通量密度。磁轭620可以由任何期望的铁磁材料(例如，低碳钢、CoFe和/或硅钢等)构造成，以为磁轭提供期望磁特性。在一些实施例中，板624a和624b(和/或框架622或其部分)可以由硅钢等在梯度线圈可最普遍地感应出涡流的区域中构造。

典型框架622包括分别附接至板624a和624b的臂623a和623b、以及为永磁体所产生的通量提供磁回路的支撑件625a和625b。臂一般被设计成减少支撑永磁体所需的材料量，同时为永磁体所产生的磁通量提供足够的回路截面。框架622在用于B₀磁体所产生的B₀场的磁回路内具有两个支撑件。支撑件625a和625b之间形成有间隙627，从而在为永磁体所产生的磁通量提供足够截面的同时提供针对框架的稳定性和/或针对结构的轻度的测度。例如，可以在两个支撑结构之间分割磁通量的回路所需的截面，从而在增加框架的结构完整性的同时提供足够的回路。

图7示出根据一些实施例的B₀磁体700。B₀磁体700可以与图6所示的B₀磁体600共享设计组件。特别地，B₀磁体700由被布置成双平面几何形状的永磁体710a和710b以及耦接至该永磁体710a和710b以捕获永磁体所产生的电磁通量并将通量传递至相对永磁体以增加永磁体710a和710b之间的通量密度的磁轭720形成。永磁体710a和710b各自由多个同心永磁体形成，如永磁体710b所示，其包括外部永磁环714a、中间永磁环714b、内部永磁环714c以及位于中心处的永磁盘714d。永磁体710a可以包括与永磁体710b相同的一组永磁体元件。所使用的永磁体材料可以根据系统的设计要求来选择(例如，NdFeB、SmCo等，取决于所期望的特性)。

永磁环的大小和布置被设计成在永磁体710a和710b之间的中心区域(视场)中产生期望强度的均匀场。在图7的示例性实施例中，各永磁环包括多个圆弧段，该圆弧段的大小和位置被设计成产生期望的B₀磁场。以与图6所示的磁轭620类似的方式，磁轭720被配置和布置成捕获永磁体710a和710b所产生的磁通量并将其引导至B₀磁体的相对侧以增加永磁体710a和710b之间的通量密度。磁轭720由此增加了具有较少永磁体材料的B₀磁体的视场内的场强，减小了B₀磁体的大小、重量和成本。磁轭720还包括框架722和板724a和724b，板724a和724b以与上文结合磁轭720所述的方式类似的方式捕获永磁体710a所产生的磁通量并经由磁轭的磁回路使其循环以增加B₀磁体的视场中的通量密度。磁轭720的结构可以与上述结构类似，以提供足够的材料来适应永磁体所产生的磁通量并提供足够的稳定性，同时使用于例如降低B₀磁体的成本和重量的材料量最小化。

由于永久B₀磁体一旦被磁化将产生其自身的持久磁场，因此无需电力来操作永磁B₀磁体以产生其磁场。作为结果，通过使用永磁体(与例如需要电力的电磁体相反)消除了对MRI系统的整体电力消耗的显著(通常是主要的)贡献，从而促进了可使用市电(例如，经由标准壁式插座或普通的大型家用电器插座)供电的MRI系统的发展。如上所述，本发明人已经开发了低电力、便携式低场MRI系统，其可以部署在几乎任何环境中并且可以被带至将经历成像过程的患者。以这种方式，急诊室、重症监护室、手术室和许多其它地方的患者在MRI通常不可用的情况下可以受益于MRI。

图8A和8B示出根据这里描述的技术的一些实施例的便携式MRI系统800的视图。便携式MRI系统800包括部分由上磁体810A和下磁体810b形成的B₀磁体810，B₀磁体810具有耦接至该B₀磁体810的磁轭820，以增加成像区域内的通量密度。B₀磁体810可以与梯度线圈815(例如，在标题为“Low Field Magnetic Resonance Imaging Methods and Apparatus”并且提交于2015年9月4日的美国申请号14/845,652中描述的任何梯度线圈，上述文献通过引用而全文并入于此)一起容纳在磁体外壳812中。在一些实施例中，B₀磁体810包括电磁体。在一些实施例中，B₀磁体810包括永磁体(例如，在提交于2017年6月30日的标题为“LOW-FIELD MAGNETIC RESONANCE IMAGING METHODS AND APPARATUS”的美国申请号15/640,369中描述的任何永磁体，上述文献通过引用而全文并入于此)。例如，在一些实施例中，B₀磁体810可以是参考图6所述的永磁体600或参考图7所述的永磁体700。

例示性便携式MRI系统800还包括容纳操作MRI系统的电子器件的基座850。例如，基座850可以容纳包括但不限于一个或多个梯度电力放大器、系统上计算机、配电单元、一个或多个电源、以及/或者被配置为使用市电(例如，经由到标准壁式插座和/或大型电器插座的连接)来操作MRI系统的任何其它电力组件的电子器件。例如，基座870可以容纳诸如这里所描述的低电力组件，至少部分地使得能够从容易获得的壁式插座向便携式MRI系统供电。因此，便携式MRI系统800可被带至患者并插入其附近的壁式插座中。

便携式MRI系统800还包括可移动滑动件860，该可移动滑动件860可以以各种结构开启和闭合并定位。滑动件860包括电磁屏蔽865，电磁屏蔽865可以由任何合适的导电材料或磁性材料制成以形成可移动屏蔽件，从而使便携式MRI系统的操作环境中的电磁噪声衰减以使成像区域屏蔽至少一些电磁噪声。如这里所使用的，术语电磁屏蔽是指被配置成使感兴趣频谱中的电磁场衰减并且被定位或布置成屏蔽感兴趣的空间、对象和/或组件的导电或磁性材料。在MRI系统的上下文中，可以使用电磁屏蔽来屏蔽MRI系统的电子组件(例如，电力组件、电缆等)、屏蔽MRI系统的成像区域(例如，视场)或两者兼有。

由电磁屏蔽实现的衰减程度取决于许多因素，包括所使用的材料类型、材料厚度、期望或需要电磁屏蔽的频谱、电磁屏蔽中的孔的大小和形状(例如，导电网中的空间的大小、屏蔽中的未屏蔽部分或间隙的大小等)和/或孔相对于入射电磁场的定向。因此，电磁屏蔽一般是指用于使至少一些电磁辐射衰减并且被定位成通过使至少一些电磁辐射衰减来至少部分地屏蔽给定空间、对象或组件的任何导电或磁性屏障。

应当理解，期望屏蔽(电磁场的衰减)的频谱可以根据被屏蔽的内容而不同。例如，与MRI系统的成像区域的电磁屏蔽相比，某些电子组件的电磁屏蔽可被配置为使不同的频率衰减。关于成像区域，感兴趣的频谱包括改变、影响和/或降低MRI系统激发并检测MR响应的能力的频率。一般来说，MRI系统的成像区域的感兴趣频谱与同接收系统被配置为或能够检测的给定B₀磁场强度处的额定工作频率(例如，拉莫尔频率)有关的频率相对应。该频谱在这里被称为MRI系统的工作频谱。因此，为工作频谱提供屏蔽的电磁屏蔽是指被布置或定位成使至少位于MRI系统的成像区域的至少一部分的工作频谱内的频率衰减的导电或磁性材料。

在图8A和8B所示的便携式MRI系统800中，可移动屏蔽件18A和18B因此可被配置成以不同的布置提供屏蔽，该布置可以根据需要调节以适应患者、提供对患者的访问和/或符合给定成像协议。例如，对于诸如脑部扫描的成像过程，一旦患者已被定位，例如就可以使用手柄862来使滑动件860闭合，以除了适应患者的上躯干的开口之外围绕成像区域提供电磁屏蔽865。作为另一示例，对于诸如膝盖扫描等的成像过程，滑动件860可被布置成在两侧具有开口以适应患者的腿。因此，可移动屏蔽件使得屏蔽能够被配置在适合成像过程的布置中并促进在成像区域内适当地定位患者。

在一些实施例中，可以执行包括一个或多个降噪和/或补偿技术的降噪系统，以抑制未被屏蔽865阻挡或充分衰减的至少一些电磁噪声。特别地，本发明人已经开发了降噪系统，该降噪系统被配置成在MRI系统所在的操作环境中抑制、避免和/或拒绝电磁噪声。根据一些实施例，这些噪声抑制技术与可移动屏蔽件协同工作以促进可布置滑动件的各种屏蔽结构中的操作。例如，当滑动件960开启时，增加的电磁噪声的水平将可能经由开口进入成像区域。作为结果，噪声抑制组件将检测到增加的电磁噪声水平并相应地使噪声抑制和/或避免响应适应。由于这里描述的噪声抑制和/或避免技术的动态性质，降噪系统被配置为响应于变化的噪声状况(包括由可移动屏蔽件的不同布置产生的噪声状况)。因此，根据一些实施例的降噪系统可被配置为与可移动屏蔽件协作地工作，以在可利用的任何屏蔽结构(包括基本上没有屏蔽的结构(例如，没有可移动屏蔽件的结构))中抑制MRI系统的操作环境中的电磁噪声。

为了确保无论放置滑动件的布置如何，可移动屏蔽件都提供屏蔽，电气垫片可被布置成沿着可移动屏蔽件的外周提供连续屏蔽。例如，如图8B所示，电气垫片867a和867b可被设置在滑动件860和磁体外壳之间的界面处以保持沿着该界面提供连续屏蔽。根据一些实施例，电气垫片是用于在滑动件860被移动到成像区域周围的期望位置期间和之后保持屏蔽件865和接地之间的电气连接的铍棘爪或铍铜棘爪等(例如，铝垫片)。

为了促进运输，提供机动组件880以允许例如使用设置在MRI系统上或远离MRI系统的诸如操纵杆或其它控制机构等的控件将便携式MRI系统从一个位置驱动至另一位置。以这种方式，便携式MRI系统800可被运输至患者并被机动到床边以进行成像。

可以从便携式电子装置(诸如笔记本电脑、平板电脑、智能手机等)操作这里描述的便携式MRI系统。例如，平板计算机875可用于操作便携式MRI系统以运行期望成像协议并查看所得图像。平板计算机875可以连接到安全云以传送图像用于在数据集上进行数据共享、远程医疗和/或深度学习。可以结合这里描述的便携式MRI系统来利用提交于2015年9月4日的标题为“Automatic Configuration of a Low Field Magnetic Resonance ImagingSystem”的美国申请号14/846158中所描述的利用网络连接的任何技术，上述文献通过引用而全文并入于此。

如以上所描述的，图9A示出已被运输至患者的床边以进行脑部扫描的便携式MRI系统900。图9B示出已被运输至患者的床边以进行患者膝盖扫描的便携式MRI系统900。如图9B所示，屏蔽件960具有电气垫片867c。

应当理解，图8A～8B和9A～9B所示的电磁屏蔽件是典型的，并且为MRI系统提供屏蔽不限于这里描述的示例性电磁屏蔽。电磁屏蔽可以使用任何合适的材料以任何合适的方式实现。例如，可以使用能够提供可移动“帘幕”以屏蔽成像区域的导电网、织物等来形成电磁屏蔽。可以使用耦接到MRI系统的一个或多个导电带(例如，一个或多个导电材料带)作为固定的、可移动的或可配置的组件来形成电磁屏蔽以使成像区域屏蔽电磁干扰，下面将进一步详细描述其一些示例。可以通过将材料嵌入门、滑动件或外壳的任何可移动或固定部分中来提供电磁屏蔽。电磁屏蔽可被部署为固定或可移动组件，因为方面不限于此。

图10是可实现这里描述的实施例的例示性计算机系统的图。图10中示出可结合这里提供的本发明的任何实施例使用的计算机系统1000的例示性实现。例如，参考图3和4A所述的处理可以在计算机系统1000上和/或使用计算机系统1000实现。作为另一示例，计算机系统1000可用于训练和/或使用这里描述的任何神经网络统计模型。计算机系统1000可以包括一个或多个处理器1002以及包含非暂时性计算机可读存储介质(例如，存储器1004和一个或多个非易失性存储装置1006)的一个或多个制品。处理器1002可以以任何合适的方式控制相对于存储器1004和非易失性存储装置1006的数据写入和数据读取，因为这里提供的本发明的方面不限于此。为了进行这里描述的任何功能，处理器1002可以执行一个或多个非暂时性计算机可读存储介质(例如，存储器1004)中所存储的一个或多个处理器可执行指令，该一个或多个非暂时性计算机可读存储介质可以用作存储可供处理器1002执行的处理器可执行指令的非暂时性计算机可读存储介质。

因此，在描述了本发明中所阐述的技术的若干方面和实施例之后，应当理解，本领域技术人员将容易进行各种改变、修改和改进。这种改变、修改和改进旨在在这里描述的技术的精神和范围内。例如，本领域普通技术人员将容易设想出用于执行功能以及/或者获得结果和/或这里描述的一个或多个优点的各种其它部件和/或结构，并且这些变化和/或修改各自被视为在这里描述的实施例的范围内。本领域技术人员将认识到或能够确定仅使用了常规实验、即这里描述的具体实施例的许多等同实施例。因此，应当理解，以上实施例仅以示例的方式呈现，并且在所附权利要求及其等同项的范围内，除具体描述外，本发明的实施例可以以其它方式实施。另外，如果这里描述的特征、系统、物品、材料、套件和/或方法并非相互不一致，则两个或更多个这样的特征、系统、物品、材料、套件和/或方法的任何组合包括在本发明的范围内。

上述实施例可以以任意多种方式实现。涉及处理或方法的性能的本发明的一个或多个方面和实施例可以利用装置(例如，计算机、处理器或其它装置)可执行的程序指令来进行处理或方法或控制处理或方法的性能。在这方面，各种发明概念可被体现为用一个或多个程序编码的计算机可读存储介质(或多个计算机可读存储介质)(例如，计算机存储器、一个或多个软盘、致密盘、光盘、磁带、闪存存储器、现场可编程门阵列或其它半导体装置中的电路结构、或其它有形计算机存储介质)，该一个或多个程序在一个或多个计算机或其它处理器上执行时进行用于实现上述的各个实施例中的一个或多个的方法。计算机可读介质可以是可运输的，使得存储在其上的程序可被加载到一个或多个不同的计算机或其它处理器上，以实现上述方面中的各个方面。在一些实施例中，计算机可读介质可以是非暂时性介质。

如这里所使用的，术语“程序”或“软件”在一般意义上是指可用于对计算机或其它处理器进行编程以实现上述的各方面的任何类型的计算机代码或计算机可执行指令集。另外，应当理解，根据一方面，在执行时进行本发明的方法的一个或多个计算机程序无需驻留在单个计算机或处理器上，而是可以以模块化的方式分布在多个不同的计算机或处理器之间以实现本发明的各方面。

计算机可执行指令可以采用多种形式，诸如由一个或多个计算机或其它装置执行的程序模块等。一般地，程序模块包括用于进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。通常，程序模块的功能可以根据需要在各种实施例中进行组合或分布。

另外，数据结构可以以任何合适形式存储在计算机可读介质中。为了简化说明，数据结构可能被示出为具有通过数据结构中的位置相关的字段。同样，这样的关系可以通过为字段分配具有计算机可读介质中的用于传送字段之间的关系的位置的存储来实现。然而，可以使用任何合适的机制来建立数据结构的字段中的信息之间的关系，包括通过使用建立数据元素之间的关系的指针、标签或其它机制。

当在软件中实现时，软件代码可以在任何合适的处理器或处理器集合上执行，无论是在单个计算机中提供还是在多个计算机之间分配。

此外，应当理解，作为非限制性示例，计算机可以以诸如机架型计算机、台式计算机、膝上型计算机或平板计算机等的多种形式中的任意形式体现。另外，计算机可以嵌入在装置中，该装置一般不被视为计算机，但具有适当的处理能力，包括个人数字助理(PDA)、智能手机或任何其它合适的便携式或固定电子装置。

另外，计算机可以具有一个或多个输入和输出装置。这些装置可以用于呈现用户接口等。可用于提供用户接口的输出装置的示例包括用于输出的可视呈现的打印机或显示屏以及用于输出的可听呈现的扬声器或其它声音产生装置。可用于用户接口的输入装置的示例包括键盘和指示装置，诸如鼠标、触摸板和数字化平板电脑。作为另一示例，计算机可以通过语音识别或以其它可听格式接收输入信息。

这种计算机可以通过任何合适形式的一个或多个网络(包括局域网或广域网，诸如企业网和智能网(IN)或因特网等)互连。这种网络可以基于任何合适的技术，并且可以根据任何合适的协议进行操作，并且可以包括无线网络、有线网络或光纤网络。

另外，如所描述的，一些方面可被体现为一种或多种方法。作为方法的一部分进行的动作可以以任何合适的方式排序。因此，可以构造如下的实施例，其中以与图示不同的顺序进行动作，这可以包括同时进行一些动作，即使在例示性实施例中被示出为顺序动作。

这里所定义和使用的所有定义应被理解为控制字典定义、通过引用并入的文献中的定义和/或所定义术语的通常含义。

在说明书和权利要求书中，除非有明确的相反指示，否则这里所使用的不定冠词“a”和“an”应被理解为意味着“至少一个”。

在说明书和权利要求书中，这里所使用的短语“和/或”应被理解为是指这样结合的元素(即，在一些情况下结合呈现并在其它情况下分离呈现的元素)中的“任一个或这两者”。利用“和/或”列出的多个元素应当以相同的方式解释，即这样结合的元素中的“一个或多个”。除“和/或”子句具体标识的元素外，可以可选地存在其它元素，无论与这些具体标识的元素相关还是不相关。因此，作为非限制性示例，在一个实施例中，对“A和/或B”的引用在与诸如“包括”等的开放式语言结合使用时，可以仅指代A(可选地包括B以外的元素)；在另一实施例中，可以仅指代B(可选地包括A以外的元素)；在又一实施例中，可以指代A和B这两者(可选地包括其它元素)；等等。

在说明书和权利要求书中，这里所使用的短语“至少一个”在引用一个或多个元素的列表时应被理解为意味着从元素列表中的任何一个或多个元素中选择的至少一个元素，但不一定包括元素列表中具体列出的每个元素中的至少一个元素，并且不排除元素列表中的元素的任何组合。该定义还允许，可以可选地存在除短语“至少一个”所引用的元素列表内具体标识的元素之外的元素，无论是与具体标识的元素相关还是不相关。因此，作为非限制性示例，“A和B中的至少一个”(或等效地“A或B中的至少一个”，或等效地“A和/或B中的至少一个”)在一个实施例中可以指代可选地包括多于一个A而不存在B的至少一个(并且可选地包括B以外的元素)；在另一实施例中可以指代可选地包括多于一个B而不存在A的至少一个(并且可选地包括A以外的元素)；在又一实施例中可以指代可选地包括多于一个A的至少一个以及可选地包括多于一个B的至少一个(并且可选地包括其它元素)；等等。

在权利要求中，以及在上面的说明书中，诸如“包含”、“包括”、“携带”、“具有”、“含有”、“涉及”、“持有”和“涵盖”等的所有过渡性短语应被理解为是开放式的，即意味着包括但不限于。只有过渡性短语“由…组成”和“基本上由…组成”应分别为封闭或半封闭的过渡性短语。

术语“约”和“大约”可以用于意味着在一些实施例中在目标值的±20％内、在一些实施例中在目标值的±10％内、在一些实施例中在目标值的±5％内、在一些实施例中在目标值的±2％内。术语“约”和“大约”可以包括目标值。

Claims (24)

1.一种方法，包括：

使用磁共振成像系统即MRI系统的至少一个射频线圈即至少一个RF线圈来获得输入磁共振数据即输入MR数据；以及

至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

2.根据权利要求1所述的方法，其中，所述至少一个伪影包括RF干扰，以及所述生成包括使用所述神经网络模型来抑制所述RF干扰。

3.根据权利要求2或任何其它前述权利要求所述的方法，其中，所述RF干扰包括位于所述MRI系统的外部的装置所产生的外部RF干扰。

4.根据权利要求3或任何其它前述权利要求所述的方法，其中，位于所述MRI系统的外部的装置包括与所述MRI系统位于相同房间的医疗装置。

5.根据权利要求2或任何其它前述权利要求所述的方法，其中，所述MRI系统包括成像区域，以及所述RF干扰包括所述MRI系统中的位于所述成像区域之外的至少一个组件所产生的内部RF干扰。

6.根据权利要求5或任何其它前述权利要求所述的方法，其中，所述MRI系统的所述至少一个组件包括所述MRI系统的一个或多个磁性组件。

7.根据权利要求6或任何其它前述权利要求所述的方法，其中，所述MRI系统的所述一个或多个磁性组件包括所述MRI系统的梯度线圈。

8.根据权利要求1或任何其它前述权利要求所述的方法，其中，所述至少一个伪影包括MR接收器链中的电路所产生的噪声和/或正被成像的被检体或对象所产生的噪声。

9.根据权利要求1或任何其它前述权利要求所述的方法，其中，

所述神经网络模型包括被配置为处理空间频率域中的数据的第一神经网络部分；以及

使用所述神经网络模型来抑制所述输入MR数据中的至少一个伪影包括利用所述第一神经网络部分来处理从所述输入MR数据获得的空间频率域数据。

10.根据权利要求1或任何其它前述权利要求所述的方法，其中，

所述输入MR数据在传感器域中；

所述神经网络模型包括被配置为处理所述传感器域中的数据的第一神经网络部分；以及

使用所述神经网络模型来抑制所述输入MR数据中的至少一个伪影包括利用所述第一神经网络部分来处理所述输入MR数据。

11.根据权利要求1或任何其它前述权利要求所述的方法，其中，所述神经网络模型包括被配置为处理除图像域之外的域中的输入MR数据的第一神经网络部分。

12.根据权利要求11或任何其它前述权利要求所述的方法，其中，

所述第一神经网络部分包括频谱去池化层，以及

利用所述第一神经网络部分来处理所述输入MR数据包括应用所述频谱去池化层。

13.根据权利要求12或任何其它前述权利要求所述的方法，其中，所述第一神经网络部分还包括频谱池化层、多个卷积层和跳跃连接。

14.根据权利要求10或任何其它前述权利要求所述的方法，其中，应用所述频谱去池化层包括应用用于将具有经由跳跃连接提供的第一分辨率的第一特征与具有低于所述第一分辨率的第二分辨率的第二特征相组合的逐点相乘层。

15.根据权利要求14或任何其它前述权利要求所述的方法，其中，应用所述频谱去池化层包括在使用所述逐点相乘层将所述第一特征与所述第二特征相组合之前对所述第二特征进行零填充。

16.根据权利要求1或任何其它前述权利要求所述的方法，其中，所述神经网络模型包括：

第一神经网络部分，其被配置为抑制RF干扰，所述第一神经网络部分包括一个或多个卷积层；以及

第二神经网络部分，其被配置为抑制噪声，所述第二神经网络部分包括一个或多个卷积层。

17.根据权利要求16或任何其它前述权利要求所述的方法，其中，所述神经网络模型还包括：

第三神经网络部分，其被配置为抑制来自使用所述输入MR数据获得的图像域数据的噪声。

18.根据权利要求1或任何其它前述权利要求所述的方法，其中，所述神经网络模型包括至少一个卷积层。

19.根据权利要求1或任何其它前述权利要求所述的方法，还包括：

在第一时间段期间使用所述MRI系统的至少一个RF线圈获得RF伪影测量结果，其中，所述RF伪影测量结果包括RF干扰和/或噪声的测量结果；

在与所述第一时间段不同的第二时间段期间获得所述MRI系统的成像区域中的被检体的MR测量结果；

通过将所述RF伪影测量结果与所述被检体的MR测量结果相组合来生成伪影损坏MR数据；以及

使用所述伪影损坏MR数据来训练所述神经网络模型。

20.根据权利要求1或任何其它前述权利要求所述的方法，还包括：

合成RF伪影测量结果，其中，所述RF伪影测量结果包括RF干扰和/或噪声的合成测量结果；

获得所述MRI系统的成像区域中的被检体的MR测量结果；

通过将所述合成RF伪影测量结果与所述被检体的MR测量结果相组合来生成伪影损坏MR数据；以及

使用所述伪影损坏MR数据来训练所述神经网络模型。

21.根据权利要求1或任何其它前述权利要求所述的方法，还包括：

使用所述MRI系统的至少一个RF线圈获得RF伪影测量结果，其中，所述RF伪影测量结果包括RF干扰和/或噪声的测量结果；

合成被检体MRI系统的MR测量结果；

通过将所获得的RF伪影测量结果与所述被检体的合成MR测量结果相组合来生成伪影损坏MR数据；以及

使用所述伪影损坏MR数据来训练所述神经网络模型。

22.一种系统，包括：

至少一个计算机硬件处理器；以及

至少一个非暂时性计算机可读存储介质，其存储处理器可执行指令，所述处理器可执行指令在由所述至少一个计算机硬件处理器执行时使所述至少一个计算机硬件处理器进行以下操作：

使用磁共振成像系统即MRI系统的至少一个射频线圈即至少一个RF线圈来获得输入磁共振数据即输入MR数据；以及

至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

23.至少一种非暂时性计算机可读存储介质，其存储处理器可执行指令，所述处理器可执行指令在由至少一个计算机硬件处理器执行时使所述至少一个计算机硬件处理器进行以下操作：

使用磁共振成像系统即MRI系统的至少一个射频线圈即至少一个RF线圈来获得输入磁共振数据即输入MR数据；以及

至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

24.一种磁共振成像系统即MRI系统，包括：

磁系统，包括：

B₀磁体，其被配置成为所述MRI系统提供B₀场；

梯度线圈，其被配置成为所述MRI系统提供梯度场；以及

至少一个RF线圈，其被配置为检测磁共振信号即MR信号；

控制器，其被配置为：

控制所述磁系统以使用所述至少一个RF线圈来获取输入MR数据；以及

至少部分地通过使用用于抑制所述输入MR数据中的至少一个伪影的神经网络模型根据所述输入MR数据来生成MR图像。

Images