CN113892149A - 用于运动伪影检测的方法 - Google Patents
用于运动伪影检测的方法 Download PDFInfo
- Publication number
- CN113892149A CN113892149A CN202080039752.2A CN202080039752A CN113892149A CN 113892149 A CN113892149 A CN 113892149A CN 202080039752 A CN202080039752 A CN 202080039752A CN 113892149 A CN113892149 A CN 113892149A
- Authority
- CN
- China
- Prior art keywords
- motion
- image
- training
- space
- cnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 description 36
- 238000002595 magnetic resonance imaging Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002079 electron magnetic resonance spectroscopy Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 108091005515 EGF module-containing mucin-like hormone receptors Proteins 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种用于运动伪影检测的医学成像方法。所述方法包括:使用(201‑203)k空间采集性质来生成具有如由第一初始运动模式引起的运动伪影的运动损坏图像,使得所述运动伪影被定义为特征矩阵和运动损坏图像的函数;利用卷积矩阵的值来初始化(205)卷积神经网络CNN的至少一个特征图;训练(207)初始化的CNN以在训练图像中获得由第二训练运动模式引起的运动伪影;使用经训练的CNN来获得(209)输入图像中的运动伪影。
Description
技术领域
本发明涉及扫描成像系统,特别地涉及一种用于输入图像中的运动伪影检测的方法。
背景技术
在磁共振成像(MRI)扫描期间,由发射器天线生成的射频(RF)脉冲引起对局部磁场的扰动,并且由核自旋发射的RF信号由接收器天线检测。这些RF信号被用于构建MR图像。在较长的扫描期间,扫描的对象可以具有内部或外部运动,其损坏数据并且导致具有模糊或伪影的MR图像。已经提出了许多方法来减轻或校正MR运动伪影。这些方法;然而,在图像空间中操作并且试图基于受影响的图像识别运动伪影的特定特征。
发明内容
各种实施例提供一种用于输入图像中的运动伪影检测的方法、医学分析系统和计算机程序产品,如由独立权利要求的主题所描述的。在从属权利要求中描述了有利的实施例。
运动伪影是MRI中的图像退化的最常见原因之一。深度学习(DL)技术可以应用于MR图像的运动校正,例如通过在常规MR图像重建之后在图像空间中应用DL网络。然而,这些技术可能丢弃关于k空间采样模式及其定时的显式信息。在由噪声值初始化之后,在DL网络的卷积核的训练期间隐式地学习了一些但非全部该信息。这可能需要相当大的努力和大量的训练数据。本主题还可以通过使用所述采样模式及其定时的显式知识来改进所述运动校正,以便设计DL网络并且初始化它们的核,使得对它们进行预训练以估计常见运动伪影,诸如平移运动伪影。可以使用算法直接从序列参数和预定义的运动路径以低努力计算这些核。该初始化可以相当地缩短用于训练的努力,该训练被执行以解决其他形式的运动。
在一个方面中,本发明涉及一种用于运动伪影检测的医学成像方法。所述方法包括:使用k空间采集性质来生成具有如由第一初始运动模式引起的运动伪影的运动损坏图像,使得所述运动伪影是特征矩阵和运动损坏图像的函数;利用所述特征矩阵的值来初始化卷积神经网络CNN的至少一个特征图;利用训练图像来训练初始化CNN,所述训练图像由第二模式(类型)的运动损坏以获得运动伪影;使用经训练的CNN来获得输入图像中的运动伪影。第一初始设定类型的运动和第二运动模式通过(多个)位移完全近似。所述初始运动模式(所述第一初始设定类型的运动)和要针对伪影进行校正的图像的运动模式(第二训练类型的运动(模式))的近似准确度取决于与预设所需图像质量相关联的残余伪影的预定水平。
本主题使能引导所述网络来学习所述伪影的纯性质而不是也学习解剖性质。使用MR运动伪影的图像特征初始化CNN以用于运动校正,以便减少训练努力。所获得的运动伪影可以例如被用于校正输入图像中的运动伪影。这可以增加伪影检测的准确度并且因此MR运动校正的准确度。本主题可以实现磁共振图像中的运动伪影的自动校正。
本主题可以通过使用k空间采集性质来防止伪影信息的丢失。特别地,本主题考虑了以下事实:由于k空间中的连续采集模式造成的任何运动转变为k空间中的运动损坏的时间相干性,这些模式比通过图像域中的卷积网络“学习”更难得多,并且在傅立叶重建期间丢失了关于时间相干性的显式知识。
例如,经训练的CNN可以由远程计算机系统可访问(例如,经训练的CNN可以存储在计算机系统中),其中,所述计算机系统被配置为:在接收到MR图像之后使用经训练的CNN自动检测MR图像中的运动伪影。这能够是有利的,因为其可以实现使用经训练的CNN的集中和一致的伪影检测,例如在不同的MRI系统中间。
所述k空间采集性质可以根据MR成像协议来确定。成像协议或协议是指成像模态的一组技术设置或一组采集参数以产生检查所需的图像(例如MR图像)。例如,采集参数可以指示脉冲序列类型。例如,所述方法包括提供给定的MR成像协议,其中,可以使用给定的MR成像协议来确定所述k空间采集性质。所述k空间特性可由k空间采样模式及其定时确定。可以选择一组对象位移dx(t),使得其反映典型的现实运动(例如第一类型的),例如,在任何方向上以恒定速度、在初始静止时段、振荡或更复杂的运动之后快速位移到新位置。dx(t)的最大振幅能够比如临床成像设置中的图像的视场(FOV)小得多。dx(t)的所有选择能够符合力学定律,例如是连续的和二次可微的时间函数。这能够是有利的,因为其还可以通过在允许运动引起的伪影不同的同时使用一致的数据采集设置来增加伪影检测的准确度。而且,训练可以使能学习旋转和非刚体运动的伪影。
根据一个实施例,所述初始化包括:针对CNN的每个特征图,确定具有不同第一初始运动模式的特征矩阵,并且使用所述特征矩阵的值来初始化所述特征图。
例如,每种假定的运动类型得到个体特征矩阵。该实施例使能使用个体运动来初始化CNN的并行核的个体核(或特征图)。优选地,可以将大运动分配给低分辨率的核,并且反之将小运动分配给高分辨率的核。例如,第一初始运动模式是基于要初始化的核的分辨率来确定的。如果要初始化的核具有高于预定义分辨率阈值的分辨率,则所述第一初始运动模式可以具有小于预定义运动幅度阈值的运动幅度或移位。如果要初始化的核具有小于预定义分辨率阈值的分辨率,则所述第一初始运动模式可以具有高于预定义运动幅度阈值的运动幅度或移位。在另一范例中,针对所述CNN的核的每个分辨率,相应的第一运动类型可以被定义并用于定义所述运动伪影。这可以实现准确的运动伪影检测,因为CNN以准确的方式在个体基础上进行初始化。
根据一个实施例,所述运动伪影在k空间中定义为所述特征矩阵和所述运动损坏图像的乘积,其中,所述特征图是CNN的乘法层,并且所述CNN被配置为接收图像的k空间表示作为输入。该实施例可以使能实施所述CNN以完全在k空间中操作(CNN具有傅立叶变换(FT)层)并且被直接馈送有对应于所述测量图像的FT的测量数据。该实施例的CNN可以包括乘法层,而不是卷积核。
根据一个实施例,所述运动伪影在图像空间中被定义为所述特征矩阵和所述运动损坏图像的卷积,其中,所述特征图是CNN的核,并且所述CNN被配置为接收作为输入图像。该实施例可以使能实施CNN以完全在图像空间中操作并且直接被馈送有测量图像。该实施例的CNN可以包括卷积核。
在另外的实施例中,CNN可以包括分别表示k空间和图像空间的FT层和FT-1层,其中,使用在对应空间中获得的特征矩阵来初始化所述CNN的每层的特征图。CNN然后可以在CNN的后续层中使能在图像空间与k空间之间切换。
根据一个实施例,所述第一初始运动模式是由相应的平移位移表征的平移运动。该实施例可能是有利的,因为平移运动可以是MR扫描期间所有当前运动的良好的第一近似。因此,可以由本主题减少用于该类型运动的训练的努力和量。特别地,本主题可以减少或节省以下两种情况所涉及的努力:1)训练数据的计算通常涉及对大量个体图像的运动伪影的模拟,涉及每图像的FT、k空间数据操纵和逆FT。2)实际训练也可能要求相当大的努力来使用训练图像的随机子集逐步“教导”卷积核。
根据一个实施例,所述第二训练运动模式是第一初始运动模式的组合,其中,每个第一初始运动模式由相应的平移位移表征。
根据一个实施例,所述输入图像中的运动伪影由运动引起,所述运动是所述第一初始运动模式和所述第二训练运动模式的组合;或所述第二训练运动模式。
根据一个实施例,第一类型的运动与第二类型的运动不同或相同。第二训练运动模式可以是不同的第一初始运动模式的组合。
根据一个实施例,所述k空间采集性质包括所述k空间的采样模式和/或采样定时。本主题可以例如使用所述采样模式及其定时的显式知识来设计和初始化CNN,使得对其进行设置和预训练以估计图像中的平移运动伪影。所述CNN还可以被训练以解决旋转和更复杂的运动。这与完全在图像空间中操作的另一方法形成对比,导致关于k空间采样模式及其定时的信息的至少部分的丢失。存在可能不被该其他方法利用的结构和信息,例如因为k空间中的两个采样点表示相同运动状态的概率随着其在采样时间中的距离而连续下降。即使在其他方法的训练期间将模式及其定时的隐式知识引入到网络中,其可能不充分或有效,因为其是间接并且因此低效的,并且其可能不利用所有可用信息。
根据一个实施例,所述运动损坏图像M的运动伪影A被定义为运动损坏图像M与所述特征矩阵K的卷积,其中,所述特征矩阵K由定义,其中,δ是δ函数,dx(t)是运动函数,并且FT代表傅里叶变换,k是运动损坏图像M的k空间位置。
根据一个实施例,所述运动损坏图像M的运动伪影A在k空间中被定义为k空间中运动损坏图像M与特征矩阵的乘积,其中,所述特征矩阵由定义,其中,δ是δ函数,dx(t)是运动函数,并且FT代表傅里叶变换,k是运动损坏图像M的k空间位置。
根据一个实施例,k空间表示是二维或三维表示。
根据一个实施例,所述方法还包括从磁共振成像MRI系统接收所述输入图像,所述方法在所述MRI系统的操作期间执行。这可以实现在线或实时伪影校正方法。
本发明的另一方面涉及卷积神经网络的训练,包括其核(特征图)的单独初始设定和CNN的训练。与常规训练相比较,根据本发明的CNN的训练需要更少的努力和/或时间。随后,经训练的CNN可以用在磁共振图像的运动校正中。
在另一方面中,本发明涉及一种包括用于由处理器运行的机器可执行指令的计算机程序产品,其中,所述机器可执行指令的运行使所述处理器执行根据前述权利要求中的任一项所述的方法。
在另一方面中,本发明涉及一种医学分析系统,所述医学成像系统包括至少一个处理器;以及包括计算机程序代码的至少一个存储器;所述至少一个存储器和所述计算机程序代码被配置为利用所述至少一个处理器使所述医学成像系统至少执行根据前述实施例中的任一项所述的方法的至少部分。
所述医学分析系统被配置为连接到多个MRI系统并且从所述MRI系统的MRI系统接收所述输入图像。
在另一方面中,本发明涉及一种包括医学分析系统的MRI系统。所述MRI系统被配置用于采集图像数据并且从所述图像数据重建初始图像,所述初始图像由所述医学分析系统处理以执行根据前述权利要求中的任一项所述的方法的至少部分。
应理解,可以组合本发明的前述实施例中的一个或多个,只要组合实施例不是互相排斥的。
附图说明
在以下中将仅通过范例并且参考附图描述本发明的优选的实施例,其中:
图1是医学分析系统的示意图,
图2是用于运动伪影检测的医学成像方法的流程图;
图3是根据本主题的范例的用于确定卷积矩阵的方法的流程图,
图4是根据本主题的范例的用于验证卷积矩阵确定方法的方法的流程图,
图5描绘了图示根据本主题的用于检测伪影的方法的图像,
图6描绘了图示根据本主题的用于检测伪影的方法的图像,
图7示出了MRI系统的横截面和功能视图。
附图标记列表
100 医学系统
101 扫描成像系统
103 处理器
107 存储器
108 电源
109 总线
111 控制系统
121 软件
125 显示器
129 用户接口
150 AI部件
201-413 方法步骤
700 磁共振成像系统
704 磁体
706 磁体的膛
708 成像区
410 磁场梯度线圈
712 磁场梯度线圈电源
714 射频线圈
715 RF放大器
718 对象
具体实施方式
在以下中,附图中的相似编号元件或为相似元件或执行等效功能。如果功能等效,则先前已经讨论的元件将不必在后面的附图中讨论。
各种结构、系统和设备仅出于解释的目的在附图中示意性地描绘并且以便不利用本领域技术人员众所周知的细节使本发明模糊。然而,包括附图以描述并且解释所公开的主题的说明性范例。
图1是医学分析系统100的示意图。医学分析系统100包括控制系统111,控制系统111被配置为连接到扫描成像系统(或采集部件)101。控制系统111包括各自能够与医学系统100的一个或多个部件通信的处理器103、存储器107。例如,控制系统111的部件耦合到双向系统总线109。
将意识到,本文所描述的方法是至少部分非交互的,并且通过计算机化系统自动化。例如,这些方法还可以实施在软件121(包括固件)、硬件、或其组合中。在示范性实施例中,本文所描述的方法以软件实施为可执行程序,并且由专用或通用数字计算机执行,诸如个人计算机、工作站、小型计算机或大型计算机。
处理器103是用于运行特别地存储在存储器107中的软件的硬件设备。处理器103可以是任何定制或可商购的处理器、中央处理单元(CPU)、与控制系统111相关联的若干处理器中间的辅助处理器、基于半导体的微处理器(采取微芯片或芯片集的形式)、微处理器、或通常用于运行软件指令的任何设备。处理器103可以控制扫描成像系统101的操作。
存储器107可以包括易失性存储器元件(例如,随机存取存储器(RAM,诸如DRAM、SRAM、SDRAM等))和非易失性存储器元件(例如,ROM、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、可编程只读存储器(PROM))的任一项或组合。应注意,存储器107可以具有分布式架构,其中,各种部件位于远离彼此,但是可以由处理器103访问。存储器107可以存储与医学系统100的至少一个其他构成元件有关的指令或数据。
控制系统111还可以包括显示设备125,显示设备125例如在用户接口129上显示字符和图像等。显示设备125可以是触摸屏显示设备。
医学分析系统100还可以包括用于对医学分析系统100供电的电源108。电源108可以例如是电池或外部电源,诸如由标准AC插座供应的电力。
扫描成像系统101可以包括MRI、CT和PET-CT成像器中的至少一个。控制系统111和扫描成像系统101可以或可以不是整体部分。以其他术语,控制系统111可以或可以不在扫描成像系统101的外部。
扫描成像系统101包括可以由处理器103控制以便将扫描成像系统101配置为向控制系统111提供图像数据的部件。扫描成像系统101的配置可以实现扫描成像系统101的操作。扫描成像系统101的操作可以例如是自动的。图7示出了作为MRI系统的扫描成像系统101的部件的范例。
控制系统111与扫描成像系统101之间的连接可以例如包括BUS以太网连接、WAN连接、因特网连接等。
在一个范例中,扫描成像系统101可以被配置为响应于指定测量结果而提供输出数据,诸如图像。控制系统111可以被配置为从扫描成像系统101接收数据,诸如MR图像数据。例如,处理器103可以适于以兼容数字形式从扫描成像系统101接收信息(自动地或在请求时),使得这样的信息可以显示在显示设备125上。这样的信息可以包括操作参数、警报通知、以及与扫描成像系统101的用途、操作和功能有关的其他信息。
医学分析系统100可以被配置为经由网络130与其他扫描成像系统131和/或数据库133通信。网络130包括例如无线局域网(WLAN)连接、WAN(广域网)连接、LAN(局域网)连接或其组合。数据库133可以包括与患者、扫描成像系统、解剖结构、扫描几何结构、扫描参数、扫描等有关的信息。数据库133可以例如包括包含患者EMR的EMR数据库、放射信息系统数据库、医学图像数据库、PACS、医院信息系统数据库和/或比较可以被用于规划扫描几何结构的数据的其他数据库。数据库133可以例如包括训练图像。额外地或者备选地,训练图像可以存储在控制系统111的本地存储(例如,磁盘存储或存储器)中。
存储器107还可以包括人工智能(AI)部件150。AI部件150可以或可以不是软件部件121的部分。AI部件150可以被配置用于根据本主题训练CNN并且提供经训练的CNN以用于进一步使用。例如,如果控制系统111不是扫描成像系统101的部分,则可以将经训练的CNN提供给扫描成像系统101,使得其可以在扫描成像系统101处用于检测由扫描成像系统101重建的图像中的伪影。
图2是用于运动伪影检测的医学成像方法的流程图。在步骤201中可以获得运动损坏图像M。运动损坏图像可以是建模或模拟图像,例如这可以从没有运动伪影的理想图像开始执行。运动损坏图像能够产生于给定的k空间采集性质。k空间采集性质可以例如包括采样模式x及其定时t。一个或多个移位函数dx(t)描述第一初始运动模式。第一初始运动模式可以是平移位移函数dx(t),其中,t可以包括k空间被采样时的所有时间。运动损坏图像具有由第一初始运动模式引起的已知运动伪影。
运动伪影A可以在步骤203中定义或建模为特征矩阵和运动损坏图像M的函数。运动伪影A可以定义在k空间和/或图像空间中。在一个范例中,运动损坏图像M的运动伪影A可以在图像空间中建模为运动损坏图像M与特征矩阵的卷积。在这种情况下,特征矩阵是卷积矩阵。在另一范例中,运动损坏图像M的运动伪影A可以在k空间中建模为运动损坏图像M与特征矩阵的乘积。在这种情况下,特征矩阵是乘法矩阵。
在一个范例中,对于CNN的每个特征图,可以使用不同的第一初始运动模式重复步骤201和203。这能够导致CNN的每个特征图与相应的特征矩阵相关联。这些矩阵的第一初始运动模式之间的差异可以基于例如特征图的分辨率来定义。例如,大运动可以分配给低分辨率的特征图,并且反之,将小运动分配给高分辨率的特征图。
可以在步骤205中利用特征矩阵的值初始化CNN的至少一个特征图。在一个范例中,CNN的每个滤波器核可以利用特征矩阵的值进行初始化。这可以实现对CNN的改进的训练,并且因此伪影检测的改进的准确度。在另一范例中,CNN的第一层的每个滤波器核可以利用特征矩阵的值进行初始化。这还可以改进CNN的训练和伪影检测的准确度。在另一范例中,对于CNN的每个滤波器核,可以针对不同的第一类型运动重复步骤201-205,从而导致每个滤波器核由相应的特征矩阵初始化。例如,可以使用不同的假设移位函数dx(t)来获得多幅运动损坏图像,并且可以确定相应的特征矩阵。这还可以改进CNN的训练和伪影检测的准确度。在一个范例中,CNN的特征图可以具有相应的预定义大小。在另一范例中,可以使用用于初始化特征图的第一初始运动模式来定义CNN的每个特征图的大小。这可以使能特征图在第一方向(例如x方向)上不大于第一初始运动模式的范围,并且在第二方向(例如y方向)上,特征图的大小由k空间定时和采集模式控制。这例如在图5和图6中表示“核K”的图像中示出,其中,图像的白色像素可以被用于确定要由该“核K”初始化的特征图的大小。例如,等式(8)计算给定运动的全分辨率处的K,并且然后将其缩小到相关支持,使得其对应于特征图的大小。缩小版本可以被用于初始化CNN的特征图。
初始化的CNN可以在步骤207中被训练以在训练图像中获得由第二训练运动模式引起的运动伪影。训练图像中的每幅具有由第二训练运动模式引起的运动伪影。在一个范例中,第二训练运动模式可以是多个第一初始运动模式的组合,其中,每个第一初始运动模式由相应的平移位移表征。这可以改进CNN的训练和伪影检测的准确度,因为初始化已经考虑了训练图像中的运动的至少部分。训练可以通过使用这种初始化方法迅速收敛。
使用经训练的CNN,可以在步骤209中从输入图像获得运动伪影。
运动伪影的获得可以例如包括:使用CNN确定输入图像是否具有运动伪影,并且如果其具有运动伪影,则可以使用由经训练的CNN提供的值来获得运动伪影。例如,经训练的CNN可以提供多个像素值作为输出,其中,每个像素值指示该像素位置处的运动伪影内容,其可以是零或消失。换句话说,CNN可以将测量的运动损坏图像作为输入,并且估计纯运动伪影作为输出。可以从测量的图像减去纯伪影以产生校正图像。使用经训练的CNN进行运动伪影检测可能是准确的,因为其使用反映在MR成像期间异常发生的真实运动的值进行初始化。如果输入图像中的运动伪影由作为第一初始运动模式和第二训练运动模式的组合;或者作为第二训练运动模式的运动引起,则这可能是特别有利的。
图3是根据本主题的范例的用于确定卷积矩阵的方法的流程图。
其中,E是指数相位项。
等式(1)的运动损坏图像可以在步骤303中定义为从理想图像I产生图像M的核D的函数。这可以使用等式(2)至(3)执行如下。
D是由k空间采样模式、其定时和运动定义的指数相位项E的逆FT。如果A是运动损坏图像M内的纯伪影,并且δ是δ函数,那么可以在步骤305中使用图像M如下定义纯伪影A。
可以在步骤307中通过以下来确定卷积矩阵:首先使用卷积定理将Furrier变换应用于等式(5)。这得到等式(6)
FT(A)FT(D)=FT(M)FT(D-δ) (6)
并且其次使用卷积定理将逆FT应用于方程(6’)。这得到等式(7)。
等式(8)提供卷积矩阵K的建模。图像空间中的卷积矩阵K是核,其可以被用于在每次与测量的图像卷积时产生纯伪影。由于核D是指数相位项E的逆FT,其取决于k空间采样模式、其定时和运动,因此卷积矩阵K也可能单独取决于这些特性。
等式(8)的卷积矩阵K可以针对每个运动和每个成像协议的组合单独确定。例如,运动类型由dx(t)的值定义,而采样模式和定时由成像协议的采集参数集(例如,通过采集类型)定义。
图4是用于检查或验证图3的方法的方法的流程图。图4可以使用包括如并入等式(8)中的运动的采集的范例。为此,保持圆盘的理想体模图像I被用于模拟运动损坏图像M。而且,假定选定的特定运动dx(t)在利用具有典型的快速因子、采样模式和定时的快速场回波序列的采集期间发生。例如,图4的方法可以包括针对每个运动和序列参数集的以下步骤。在步骤401中,计算基于序列类型和参数向k空间中的每个点分配采样时间的时间图T。在步骤403中,使用等式(2)中的指数计算由运动dx(t)在k空间中引起的相位图。在步骤405中,使用等式(2)和(3)计算运动损坏图像M。在步骤407中,通过从M减去理想体模图像I来计算标准数据伪影A1。在步骤409中,使用等式(8)计算用于CNN的初始设定的卷积矩阵K。在步骤411中,使用卷积矩阵K和等式(7)计算纯伪影A2。在步骤413中,计算A2与标准数据A1的差异以评估等式(7)和(8)的准确度,并且因此评估图3的方法的准确度。图5和图6示出了如利用图4的步骤所描述获得的图像。
图5描绘了基于TFE序列与分段笛卡尔k空间采集(分辨率2562、TR9ms、快速因子4、回波间时间2ms)的检查方法的结果。假设在采集k空间数据的70%之后在读出方向上突然位移5个像素。如图5所示,时间图可视化k空间中的4重分割。相位图示出了数据的70%的平坦相位和读出方向的线性相位,其中,由于剩余数据的位移,增加了相位编码方向的斜率。使用卷积矩阵K计算的纯伪影A2与通过从测量的图像M减去理想图像I计算的伪影A1几乎相同,例如通过MRI系统700。卷积矩阵K示出了位移5个像素的两行像素,这类似于规定的运动。
图6示出了快速因子8(TR 17ms,回波间时间2ms)和读出方向上10个像素的连续运动的数据。卷积矩阵K通过10像素长水平线类似于该运动,其现在由于更高的分割而垂直间隔更远。添加了相位编码方向上的5个像素的额外运动。
在图5和图6的范例中,卷积矩阵K主要类似于运动路径,其以取决于特定采样模式的方式在相位编码方向上复制。在所有范例中,使用核计算伪影的误差是可忽略的,这证明了等式(7)和(8)的正确性。
图7图示了作为医学系统100的范例的磁共振成像系统700。磁共振成像系统700包括磁体704。磁体704是在其中具有膛706的超导圆柱型磁体。不同类型的磁体的使用也是可能的;例如,使用分裂式圆柱形磁体和所谓的开放式磁体或密封磁体两者也是可能的。分裂式圆柱形磁体与标准圆柱形磁体类似,除了低温恒温器已经分裂成两段以允许进入磁体的等平面。这样的磁体可以例如结合带电粒子束治疗使用。开放式磁体具有两个磁体段,一个在另一个上面,之间具有足够大的空间以接收要成像的对象718:两个段区的布置类似于亥姆霍兹线圈的布置。在圆柱形磁体的低温恒温器内部存在超导线圈的集合。在圆柱形磁体704的膛706内,存在成像区或体积或解剖结构708,其中,磁场足够强且均匀以执行磁共振成像。
在磁体的膛706内,还存在磁场梯度线圈710的集合,其被用于空间地编码在磁共振数据的采集期间在磁体704的成像体积或检查体积708内的目标体积的磁自旋。磁场梯度线圈710被连接到磁场梯度线圈电源712。磁场梯度线圈710旨在是代表性的。通常,磁场梯度线圈710包含用于在三个正交空间方向上编码的三个独立的线圈集合。磁场梯度电源向磁场梯度线圈供应电流。被供应到磁场梯度线圈710的电流根据时间来控制并且可以是斜变或脉冲的。
MRI系统700还包括在对象718处并且邻近于检查体积708的RF线圈714以用于生成RF激励脉冲。RF线圈714可以包括例如一组表面线圈或其他专业化RF线圈。RF线圈714可以交替地被用于RF脉冲的发射以及用于磁共振信号的接收,例如,RF线圈714可以被实施为包括多个RF发射线圈的发射阵列线圈。RF线圈714连接到一个或多个RF放大器715。
磁场梯度线圈电源712和RF放大器715连接到控制系统111的硬件接口。控制系统111的存储器107可以例如包括控制模块。控制模块包含使得处理器103能够控制磁共振成像系统700的操作和功能的计算机可执行代码。其还实现磁共振成像系统700的基本操作,诸如磁共振数据的采集。
如本领域的技术人员将意识到的,本发明的各个方面可以实现为装置、方法或计算机程序产品。相应地,本发明的各个方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件和硬件方面的实施例(在本文中总体上全部可以被称为“电路”、“模块”或“系统”)的形式。此外,本发明的各个方面可以采取实现在一个或多个计算机可读介质中的计算机程序产品的形式,所述一个或多个计算机可读介质具有实现在其上的计算机可执行代码。
可以利用一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文使用的“计算机可读存储介质”涵盖任何可以存储可由计算设备的处理器执行的指令的有形存储介质。可以将计算机可读存储介质称为计算机可读非暂态存储介质。也可以将计算机可读存储介质称为有形计算机可读介质。在一些实施例中,计算机可读存储介质还可以能够存储可以由计算设备的处理器访问的数据。计算机可读存储介质的范例包括但不限于:软盘、磁硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及处理器的寄存器文件。光盘的范例包括压缩盘(CD)和数字通用盘(DVD),例如,CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语计算机可读存储介质还指能够经由网络或通信链路由计算机设备访问的各种类型的记录介质。例如,可以在调制调解器、因特网或局域网上检索数据。可以使用任何适当介质发送实现在计算机可读介质上的计算机可执行代码,所述任何适当介质包括但不限于无线的、有线的、光纤线缆的、RF等或者前面的任何合适的组合。
计算机可读信号介质可以包括具有实现在其中的计算机可执行代码的传播的数据信号,例如,在基带中或作为载波的部分。这样的传播的信号可以采取任何各种形式,包括但不限于电磁的、光学的或它们的任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质:不是计算机可读存储介质,并且能够传达、传播或传输由指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。
“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是可由处理器直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的范例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中,计算机存储设备也可以是计算机存储器,或者反之亦然。
如本文中所使用的“处理器”涵盖能够执行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的引用应当被解读为能够包含多于一个的处理器或处理核。所述处理器可以例如是多核处理器。处理器也可以指在单个计算机系统之内的或分布在多个计算机系统之间的处理器的集合。术语计算设备也应当被解读为能够指每个包括一个或多个处理器的计算设备的集合或网络。计算机可执行代码可以由可以在相同的计算设备之内或甚至可以分布在多个计算设备之间的多个处理器来执行。
计算机可执行代码可以包括令处理器执行本发明的方面的机器可执行指令或程序。用于执行针对本发明的方面的操作的计算机可执行代码可以以一个或多个编程语言的任何组合来编写并且被编译为机器可执行指令,所述一个或多个编程语言包括诸如Java、Smalltalk、C++等的面向对象的编程语言以及诸如“C”编程语言或相似编程语言的常规过程性编程语言。在一些实例中,所述计算机可执行代码可以采取高级语言的形式或者采取预编译的形式并且结合在工作时生成机器可执行指令的解读器一起被使用。
所述计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上(作为独立的软件包)、部分在用户的计算机上并且部分在远程计算机上、或完全在远程计算机或服务器上执行。在后一种情形下,所述远程计算机可以通过包括局域网(LAN)或广域网(WAN)的任何类型的网络连接到用户的计算机,或者可以(例如,通过使用因特网服务提供商的因特网)对外部计算机进行连接。
参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图、图示和/或方框图来描述本发明的方面。将理解,当可应用时,能够通过采取计算机可执行代码的形式的计算机程序指令来实施流程图、图示和/或方框图的方框的每个方框或部分。还应理解,当互不排斥时,可以组合不同流程图、图示和/或方框图中的方框的组合。这些计算机程序指令可以被提供给通用计算机、专用计算机或产生机器的其他可编程数据处理装置的处理器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实施在流程图和/或一个或多个方框图框中指定的功能/动作的单元。
这些计算机程序指令还可以存储在计算机可读介质中,所述计算机可读介质能够指引计算机、其他可编程数据处理装置或其他设备以特定的方式来工作,使得在计算机可读介质中存储的指令产生包括实施在流程图和/或一个或多个方框图框中指定的功能/动作的指令的制品。
所述计算机程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上,以令在计算机、其他可编程装置或其他设备上执行一系列操作步骤,从而产生计算机实施的过程,使得在计算机或其他可编程装置上执行的指令提供用于在流程图和/或一个或多个方框图框中指定的功能/动作的过程。
如本文所使用的“用户接口”是允许用户或操作人员与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作人员提供信息或数据和/或从操作人员接收信息或数据。用户接口可以使得来自操作人员的输入能够被计算机接收并且可以从计算机向用户提供输出。换言之,所述用户接口可以允许操作人员控制或操控计算机,并且所述接口可以允许计算机指示操作人员的控制或操控的效果。显示器或图形用户接口上的数据或信息的显示是向操作人员提供信息的范例。通过键盘、鼠标、跟踪球、触摸板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、耳机、变速杆、转向盘、踏板、有线手套、跳舞毯、遥控器和加速度计对数据的接收全都是实现对来自操作人员的信息或数据的接收的用户接口部件的范例。
如本文所使用的“硬件接口”涵盖使得计算机系统的处理器能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许处理器将控制信号或指令发送到外部计算设备和/或装置。硬件接口也可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于:通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口以及数字输入接口。
如本文所使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、音频和/或触觉数据。显示器的范例包括但不限于:计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子体显示板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪和头戴式显示器。
尽管已经在附图和前面的描述中详细说明和描述了本发明,但这样的说明和描述被认为是说明性或示范性的而非限制性的;本发明不限于公开的实施例。
本领域技术人员通过研究附图、说明书和权利要求书,在实践要求保护的本发明时能够理解和实现所公开实施例的其他变型。在权利要求书中,“包括”一词不排除其他元件或步骤,词语“一”或“一个”不排除多个。单个处理器或其他单元可以履行权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定元件,但是这并不指示不能有利地使用这些元件的组合。计算机程序可以存储和/或分布在适当的介质上,例如与其他硬件一起提供或作为其他硬件的一部分提供的光学存储介质或固态介质,但计算机程序也可以以其他形式分布,例如经由因特网或其他有线或无线的远程通信系统分布。权利要求书中的任何附图标记都不得被解释为对范围的限制。
Claims (15)
1.一种用于运动伪影检测的医学成像方法,包括:
-使用(201-203)表示k空间采样模式及其定时的k空间采集性质来生成具有由第一初始设定类型的运动模式引起的运动伪影的运动损坏图像,使得所述运动伪影被定义为所述运动损坏图像和表示运动引起的损坏编码的特征矩阵的函数;
-利用所述特征矩阵的值来初始化(205)表示卷积神经网络的卷积核或乘法核的至少一个特征图;
-利用训练图像来训练(207)初始化的卷积神经网络(CNN),所述训练图像由第二训练运动模式模式损坏以获得运动伪影;
-使用经训练的CNN来获得(209)输入图像中的运动伪影。
2.根据权利要求1所述的方法,其中,所述初始化包括针对所述CNN的每个特征图来确定具有不同的第一初始设定类型的运动模式的所述特征矩阵,并且使用所述特征矩阵的所述值来初始化所述特征图。
3.根据前述权利要求中的任一项所述的方法,其中,所述运动伪影在k空间中被定义为所述特征矩阵与所述运动损坏图像的乘积,其中,所述特征图是所述CNN的乘法层,并且所述CNN被配置为接收图像的k空间表示作为输入。
4.根据前述权利要求中的任一项所述的方法,其中,所述运动伪影在图像空间中被定义为所述特征矩阵与所述运动损坏图像的卷积,其中,所述特征图是所述CNN的核,并且所述CNN被配置为接收作为输入图像。
5.根据前述权利要求中的任一项所述的方法,所述第一初始设定类型的运动是由相应的平移位移表征的平移运动。
6.根据前述权利要求中的任一项所述的方法,第二类型运动是第一初始运动模式的组合,其中,每个第一初始运动模式由相应的平移位移表征。
7.根据前述权利要求中的任一项所述的方法,其中,所述输入图像中的所述运动伪影是由运动引起的,所述运动是:
-所述第一初始运动模式与所述第二训练运动模式第二训练运动模式的组合;或者
-所述第二训练运动模式第二训练运动模式。
8.根据前述权利要求中的任一项所述的方法,其中,所述第一初始运动模式与所述第二训练运动模式第二训练运动模式不同或者相同。
9.根据前述权利要求中的任一项所述的方法,所述k空间采集性质包括所述k空间的采样模式和/或采样定时。
12.一种用于训练用于运动伪影检测的卷积神经网络(CNN)的方法,包括:
-使用(201-203)表示k空间采样模式及其定时的k空间采集性质来生成具有由第一初始设定类型的运动模式引起的运动伪影的运动损坏图像,使得所述运动伪影被定义为所述运动损坏图像和表示运动引起的损坏编码的特征矩阵的函数;
-利用所述特征矩阵的值来初始化(205)表示卷积神经网络的卷积核或乘法核的至少一个特征图;
-利用训练图像来训练(207)初始化的卷积神经网络(CNN),所述训练图像由第二训练运动模式模式损坏以获得运动伪影。
13.一种计算机程序产品,包括用于由处理器运行的机器可执行指令,其中,所述机器可执行指令的运行使所述处理器执行根据前述权利要求中的任一项所述的方法。
14.一种医学分析系统(111),所述医学分析系统包括:至少一个处理器(107);以及包括计算机程序代码的至少一个存储器(103);所述至少一个存储器(103)和所述计算机程序代码被配置为利用所述至少一个处理器(107)使所述医学分析系统至少执行根据前述权利要求中的任一项所述的方法。
15.一种MRI系统(700),包括根据权利要求14所述的医学分析系统(111),所述MRI系统(700)被配置用于采集图像数据并且从所述图像数据重建初始图像,所述初始图像由所述医学分析系统处理以执行根据前述权利要求中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19176878.7 | 2019-05-28 | ||
EP19176878.7A EP3745153A1 (en) | 2019-05-28 | 2019-05-28 | A method for motion artifact detection |
PCT/EP2020/064376 WO2020239661A1 (en) | 2019-05-28 | 2020-05-25 | A method for motion artifact detection |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113892149A true CN113892149A (zh) | 2022-01-04 |
Family
ID=66668764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080039752.2A Pending CN113892149A (zh) | 2019-05-28 | 2020-05-25 | 用于运动伪影检测的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11995825B2 (zh) |
EP (2) | EP3745153A1 (zh) |
JP (1) | JP7420834B2 (zh) |
CN (1) | CN113892149A (zh) |
WO (1) | WO2020239661A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343623A (zh) * | 2022-08-31 | 2022-11-15 | 中国长江三峡集团有限公司 | 一种电化学储能电池故障的在线检测方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230169663A1 (en) * | 2021-11-29 | 2023-06-01 | Canon Medical Systems Corporation | Motion correction of images corrupted by multiple motion sources |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7392161B2 (en) | 2004-09-24 | 2008-06-24 | International Business Machines Corporation | Identifying a state of a system using an artificial neural network generated model |
US9811924B2 (en) * | 2011-04-19 | 2017-11-07 | University Of Virginia Patent Foundation | Interferometric techniques for magnetic resonance imaging |
US8724881B2 (en) * | 2011-11-09 | 2014-05-13 | Siemens Aktiengesellschaft | Method and system for precise segmentation of the left atrium in C-arm computed tomography volumes |
US10092199B2 (en) * | 2014-04-01 | 2018-10-09 | Siemens Healthcare Gmbh | MR imaging apparatus and method for generating a perfusion image with motion correction |
CN106156807B (zh) | 2015-04-02 | 2020-06-02 | 华中科技大学 | 卷积神经网络模型的训练方法及装置 |
US10429477B2 (en) * | 2015-08-21 | 2019-10-01 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for flip angle determination in magnetic resonance imaging |
JP6873600B2 (ja) | 2016-03-04 | 2021-05-19 | キヤノン株式会社 | 画像認識装置、画像認識方法及びプログラム |
US10074037B2 (en) * | 2016-06-03 | 2018-09-11 | Siemens Healthcare Gmbh | System and method for determining optimal operating parameters for medical imaging |
JP6887030B2 (ja) * | 2017-06-26 | 2021-06-16 | エレクタ、インク.Elekta, Inc. | ディープ畳み込みニューラルネットワークを使用してコーンビームコンピュータ断層撮影画像を改善する方法 |
JP6772112B2 (ja) * | 2017-07-31 | 2020-10-21 | 株式会社日立製作所 | 医用撮像装置及び医用画像処理方法 |
EP3477583A1 (en) * | 2017-10-31 | 2019-05-01 | Koninklijke Philips N.V. | Deep-learning based processing of motion artifacts in magnetic resonance imaging data |
US10698063B2 (en) * | 2017-11-01 | 2020-06-30 | Siemens Healthcare Gmbh | Motion artifact reduction of magnetic resonance images with an adversarial trained network |
-
2019
- 2019-05-28 EP EP19176878.7A patent/EP3745153A1/en not_active Withdrawn
-
2020
- 2020-05-25 EP EP20732740.4A patent/EP3977150A1/en active Pending
- 2020-05-25 CN CN202080039752.2A patent/CN113892149A/zh active Pending
- 2020-05-25 JP JP2021569335A patent/JP7420834B2/ja active Active
- 2020-05-25 US US17/613,101 patent/US11995825B2/en active Active
- 2020-05-25 WO PCT/EP2020/064376 patent/WO2020239661A1/en unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343623A (zh) * | 2022-08-31 | 2022-11-15 | 中国长江三峡集团有限公司 | 一种电化学储能电池故障的在线检测方法及装置 |
CN115343623B (zh) * | 2022-08-31 | 2023-06-16 | 中国长江三峡集团有限公司 | 一种电化学储能电池故障的在线检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2022534031A (ja) | 2022-07-27 |
EP3977150A1 (en) | 2022-04-06 |
WO2020239661A1 (en) | 2020-12-03 |
EP3745153A1 (en) | 2020-12-02 |
JP7420834B2 (ja) | 2024-01-23 |
US20220215540A1 (en) | 2022-07-07 |
US11995825B2 (en) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11249160B2 (en) | Image segmentation using reference gray scale values | |
CN105980875B (zh) | 经校正的多切片磁共振成像 | |
US11341616B2 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
CN109477878B (zh) | 运动校正的压缩感知磁共振成像 | |
JP2020501670A (ja) | 複数状態磁気共鳴フィンガープリンティング | |
JP6574439B2 (ja) | プロペラ磁気共鳴撮像 | |
CN114424079A (zh) | 使用mri的经运动校正的示踪剂动力学映射 | |
US11995825B2 (en) | Method for motion artifact detection | |
US11519991B2 (en) | Motion estimation and correction in magnetic resonance imaging | |
CN114080184A (zh) | 电学属性断层摄影的深度学习 | |
US20230186532A1 (en) | Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations | |
US11906608B2 (en) | Automated detection of water-fat swaps in Dixon magnetic resonance imaging | |
JP7401450B2 (ja) | 3次元磁気共鳴イメージングにおける自律ナビゲーション | |
US20200088823A1 (en) | Mri method for t1 mapping of the heart using a maximum likelihood reconstruction in k-space | |
EP4231036A1 (en) | Detection of artifical structures in magentic resonance images due to neural networks | |
CN111033290B (zh) | 傅里叶空间中的磁共振指纹识别 | |
CN115552273A (zh) | 基于机器学习的运动损坏数据检测 | |
CN118103721A (zh) | 使用低分辨磁共振图像的运动校正 | |
JP2022527509A (ja) | シミュレーション磁気共鳴画像を使用した磁気共鳴画像の補正 |
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 |