CN114119453A - 对磁共振成像中的运动伪影进行自动检测和评分的系统和方法 - Google Patents

对磁共振成像中的运动伪影进行自动检测和评分的系统和方法 Download PDF

Info

Publication number
CN114119453A
CN114119453A CN202110940093.6A CN202110940093A CN114119453A CN 114119453 A CN114119453 A CN 114119453A CN 202110940093 A CN202110940093 A CN 202110940093A CN 114119453 A CN114119453 A CN 114119453A
Authority
CN
China
Prior art keywords
motion
motion score
curve
score
signals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110940093.6A
Other languages
English (en)
Inventor
拉斐尔·什穆埃尔·布拉达
克里斯托弗·贾德森·哈迪
桑塔伊·安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN114119453A publication Critical patent/CN114119453A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—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
    • 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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • G01R33/5617—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using RF refocusing, e.g. RARE
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

提供了一种对对象的磁共振(MR)图像中的运动伪影进行检测和评分的MR成像方法。该方法包括至少部分地基于对象的利用第一线圈采集的第一MR信号和对象的利用第二线圈采集的第二MR信号来计算k空间差异图。该方法还包括基于该k空间差异图生成差异曲线图，该差异曲线图包括曲线。该方法进一步包括基于该差异曲线图中的曲线计算运动分数，其中该运动分数指示在采集第一MR信号和第二MR信号期间图像中的由对象的运动引起的运动伪影的水平，并且该运动分数包括曲线下方的面积。此外，该方法包括输出该运动分数。

Description

对磁共振成像中的运动伪影进行自动检测和评分的系统和 方法
背景技术
本公开的领域整体涉及对运动伪影进行检测和评分的系统和方法，并且更具体地讲，涉及对磁共振(MR)图像中的运动伪影进行自动检测和评分的系统和方法。
磁共振成像(MRI)已证明可用于许多疾病的诊断。MRI提供不能容易地通过其他成像模态诸如计算机断层摄影(CT)成像的软组织、异常组织(诸如肿瘤)和其他结构的详细图像。此外，MRI在不将患者暴露于在模态诸如CT和X射线中经历的电离辐射的情况下操作。
患者运动是临床MRI低效的最大原因之一，通常需要患者重新扫描甚至第二次就诊。特别地，患者运动会导致MR图像的模糊、伪影和其他不一致性。检测运动的已知方法需要用于监测运动的附加硬件，这增加了成本和患者设置时间，或者需要导航器序列，这占用了成像序列的时间。
发明内容
在一个方面，提供了一种对对象的磁共振(MR)图像中的运动伪影进行检测和评分的MR成像方法。该方法包括至少部分地基于对象的利用第一线圈采集的第一MR信号和对象的利用第二线圈同时采集的第二MR信号来计算k空间差异图。该方法还包括基于k空间差异图生成差异曲线图，该差异曲线图包括曲线。该方法进一步包括基于差异曲线图中的曲线计算运动分数，其中该运动分数指示在采集第一MR信号和第二MR信号期间图像中的由对象的运动引起的运动伪影的水平，并且该运动分数包括曲线下方的面积。此外，该方法包括输出运动分数。
在另一方面，提供了一种运动检测和评分计算设备，该运动检测和评分计算设备包括与至少一个存储器设备通信的至少一个处理器。该至少一个处理器被编程为至少部分地基于对象的利用第一线圈采集的第一MR信号和对象的利用第二线圈同时采集的第二MR信号来计算k空间差异图。该至少一个处理器还被编程为基于k空间差异图生成差异曲线图，该差异曲线图包括曲线。该至少一个处理器被进一步编程为基于差异曲线图中的曲线计算运动分数，其中该运动分数指示在采集第一MR信号和第二MR信号期间图像中的由对象的运动引起的运动伪影的水平，并且该运动分数包括曲线下方的面积。此外，该至少一个处理器被编程为输出运动分数。
附图说明
图1是示例性磁共振成像(MRI)系统的示意图。
图2A是对磁共振(MR)图像中的运动伪影进行检测和评分的示例性方法的流程图。
图2B是具有运动伪影的MR图像。
图3A是示例性快速自旋回波序列的脉冲序列图。
图3B是应用图3A所示的快速自旋回波序列的示例性扫描顺序。
图4A是来自接收器阵列中的两个不同线圈的复合k空间数据，其中显示了复合k空间数据的量值。
图4B是用于采集图4A所示的k空间数据的线圈的复合线圈灵敏度图，其中显示了复合线圈灵敏度图的量值。
图4C是基于图4A所示的k空间数据和图4B所示的线圈灵敏度图的经强度校正的复合图像，其中显示了经强度校正的复合图像的量值。
图4D是通过减去图4C所示的经强度校正的复合图像，对结果进行傅里叶变换，然后采取量值而生成的k空间差异图。
图4E是基于图4D所示的k空间差异图的投影差异曲线图。
图4F是基于图4E所示的差异曲线图的平均差异曲线图。
图4G是图4F所示的差异曲线图的归一化差异曲线图。
图4H是基于图4G所示的差异曲线图的求和差异曲线图。
图4I是从图4H所示的差异曲线图导出的差异曲线图。
图5A是示出了开发数据集中图像的计算的运动分数和用户评级的运动分数的曲线图。
图5B是示出了测试数据集中图像的计算的运动分数和用户评级的运动分数的曲线图。
图5C是示出了图5A所示的曲线图的开发数据集与图5B所示的曲线图的测试数据集的组合的图像的计算的运动分数和用户评级的运动分数的曲线图。
图6A是离散运动分数为1.3的MR图像。
图6B是离散运动分数为0的MR图像。
图7A是一组MR图像以及它们的对应的全运动分数。
图7B是另一组MR图像以及它们的对应的全运动分数。
图8是示例性计算设备的框图。
具体实施方式
本公开包括使用来自不同线圈的MR信号对对象的磁共振(MR)图像中的运动伪影进行检测和评分的系统和方法。本文所用的对象是放置在MR成像(MRI)系统的孔内并且由MRI系统成像的对象。对象可以是人类受检者、动物或体模。本文所公开的系统和方法提供了运动伪影的客观指标，而不需要来自用户的输入。既不需要附加的硬件也不需要导航器脉冲。此外，与运动的人工智能评分方法相比，本文所公开的系统和方法对运动的评级需要最少的训练图像数据集以及有限的人类参与。方法方面在以下描述中部分将是显而易见的并且部分将明确地讨论。
在磁共振成像(MRI)中，将对象置于磁体中。当对象处于由磁体生成的磁场中时，核(诸如质子)的磁矩尝试与磁场对准，但在核的拉莫尔频率下以随机顺序围绕磁场进动。磁体的磁场被称为B0并且在纵向或z方向上延伸。在采集MRI图像的过程中，处于x-y平面中且接近拉莫尔频率的磁场(称为激励场B1)由射频(RF)线圈生成，并且可用于将核的净磁矩Mz从z方向朝横向或x-y平面旋转或“倾斜”。在激励信号B1终止之后，核发射信号，该信号被称为MR信号。为了使用MR信号来生成对象的图像，使用磁场梯度脉冲(Gx、Gy和Gz)。梯度脉冲用于扫描通过k空间、空间频率的空间或距离的反向。在所采集的MR信号和对象的图像之间存在傅里叶关系，因此可以通过重建MR信号来导出对象的图像。
图1示出了示例性MRI系统10的示意图。在示例性实施方案中，MRI系统10包括具有显示器14和键盘16的工作站12。工作站12包括处理器18，诸如运行可商购获得的操作系统的可商购获得的可编程机器。工作站12提供操作者界面，该操作者界面允许将扫描方案输入MRI系统10中。工作站12联接到脉冲序列服务器20、数据采集服务器22、数据处理服务器24和数据存储服务器26。工作站12以及每个服务器20、22、24和26彼此通信。
在示例性实施方案中，脉冲序列服务器20响应于从工作站12下载的指令以操作梯度系统28和射频(“RF”)系统30。指令用于在MR脉冲序列中产生梯度波形和RF波形。RF线圈38和梯度线圈组件32用于执行规定的MR脉冲序列。RF线圈38被示出为全身RF线圈。RF线圈38也可以是可放置在待成像解剖结构附近的局部线圈，或者是包括多个线圈的线圈阵列。
在示例性实施方案中，产生用于执行规定的扫描的梯度波形并将其应用于梯度系统28，该梯度系统激励梯度线圈组件32中的梯度线圈以产生用于对MR信号进行位置编码的磁场梯度Gy和Gz。梯度线圈组件32形成磁体组件34的一部分，该磁体组件还包括极化磁体36和RF线圈38。磁体组件34形成孔35，其中接收和扫描对象37(诸如患者)。
在示例性实施方案中，RF系统30包括用于产生MR脉冲序列中使用的RF脉冲的RF发射器。RF发射器响应于来自脉冲序列服务器20的扫描方案和方向，以产生具有期望频率、相位和脉冲振幅波形的RF脉冲。所生成的RF脉冲可由RF系统30施加到RF线圈38。由RF线圈38检测到的响应MR信号由RF系统30接收，在由脉冲序列服务器20产生的命令的指示下被放大、解调、滤波和数字化。RF线圈38被描述为发射器和接收器线圈，使得RF线圈38发射RF脉冲并检测MR信号。在一个实施方案中，MRI系统10可包括发射RF脉冲的发射器RF线圈和检测MR信号的单独的接收器线圈。RF系统30的传输通道可连接到RF传输线圈，并且接收器通道可连接到单独的RF接收器线圈。通常，传输通道连接到全身RF线圈38，并且每个接收器区段连接到单独的局部RF线圈。
在示例性实施方案中，RF系统30还包括一个或多个RF接收器通道。每个RF接收器通道包括：RF放大器，该RF放大器放大由通道所连接到的RF线圈38接收的MR信号；以及检测器，该检测器检测并数字化所接收的MR信号的I正交分量和Q正交分量。然后，所接收的MR信号的量值可以被确定为I分量和Q分量的平方和的平方根，如下面等式(1)所示：
Figure BDA0003212755190000051
并且所接收的MR信号的相位也可以如下面等式(2)所示来确定：
Figure BDA0003212755190000052
在示例性实施方案中，由RF系统30产生的数字化MR信号样本由数据采集服务器22接收。数据采集服务器22可以响应于从工作站12下载的指令而操作，以接收实时MR数据并提供缓冲存储器，使得没有数据因数据溢出而丢失。在一些扫描中，数据采集服务器22仅将所采集的MR数据传递到数据处理服务器24。然而，在需要来源于所采集的MR数据的信息来控制扫描的进一步执行的扫描中，数据采集服务器22被编程为产生所需的信息并将其传送到脉冲序列服务器20。例如，在预扫描期间，采集MR数据并将其用于校准由脉冲序列服务器20执行的脉冲序列。另外，可在扫描期间采集导航器信号并且将其用于调整RF系统30或梯度系统28的操作参数，或者用于控制对k空间进行采样的视图顺序。
在示例性实施方案中，数据处理服务器24从数据采集服务器22接收MR数据，并且根据从工作站12下载的指令对MR数据进行处理。此类处理可以包括例如对原始k空间MR数据进行傅里叶变换以产生二维或三维图像，将滤波器应用于重建的图像，对所采集的MR数据执行反投影图像重建，生成功能MR图像，以及计算运动或流动图像。
在示例性实施方案中，由数据处理服务器24重建的图像被传送回工作站12并且存储在该工作站处。在一些实施方案中，实时图像存储在数据库存储器高速缓存(图1中未示出)中，实时图像可从该数据库存储器高速缓存输出到操作者显示器14或位于磁体组件34附近的显示器46，以供主治医生使用。批处理模式图像或所选择的实时图像可存储在磁盘存储装置48或云端上的主机数据库中。当此类图像已被重建并且传输到存储装置时，数据处理服务器24通知数据存储服务器26。操作者可以使用工作站12来存档图像、产生胶片或经由网络将图像发送到其他设施。
在扫描期间，期望使对象在扫描的持续时间内保持静止，因为对象在扫描期间的运动将产生将降低对象的MR图像的质量的运动伪影203。有时，运动伪影非常严重，使得所采集的图像被图像伪影模糊，并且无法提供有意义的医学解释和诊断。因此，必须重新扫描对象。此时，对象可能已离去。重新扫描不仅增加了对象的时间、成本和不便，而且由于原始扫描和重新扫描之间的时间滞后以及与两个扫描事件相关联的不同成像设置，医学信息和图像可能缺乏原始扫描和重新扫描之间的一致性和对准。因此，向操作者通知运动和/或运动水平的系统和方法是期望的。如果运动水平处于适合重新扫描的程度，则操作者可重新扫描对象。操作者还可激活运动校正程序以校正图像。
已知的运动检测方法需要附加的专用硬件或附加的导航器脉冲或序列来检测运动。附加的硬件增加了扫描设置的时间，并且需要附加的系统设计和软件来将由附加的硬件采集的运动信号与由MRI系统10采集的MR信号相结合。附加的导航器脉冲或序列具有相同的相关挑战以及增加的扫描时间。相比之下，本文所公开的系统和方法不需要附加的硬件或导航器序列来产生增强的运动检测。
图2A是对对象37的MR图像中的运动伪影进行检测和评分的示例性MRI方法200的流程图。图2B是包含运动图像伪影203的MR脑图像201。方法200可在运动检测和评分计算设备上实现。运动检测和评分计算装置可以是工作站12，或者可以是与工作站12分开并且通过有线或无线通信与工作站12通信的计算装置。
在示例性实施方案中，MRI系统10的RF线圈38包括用于采集从对象发射的MR信号的多个RF线圈。方法200包括接收202对象的基于利用第一线圈采集的MR信号重建的第一复合图像。方法200进一步包括接收204对象的基于利用第二线圈同时采集的MR信号重建的第二复合图像。第一复合图像和第二复合图像可用复数、成对的实数和虚数或相量来表示。通过相同的脉冲序列同时采集第一图像和第二图像。在MR中，脉冲序列是MRI系统10在采集MR信号时施加的RF脉冲、梯度脉冲和数据采集的序列。脉冲序列可以是快速自旋回波序列。
在示例性实施方案中，基于第一图像和第二图像计算206第一复合图像和第二复合图像之间的k空间差异图。在一个实施方案中，k空间差异图通过以下方式生成：将第一复合图像和第二复合图像从彼此中减去；应用该差异的二维(2D)傅里叶变换；然后采取经傅里叶变换的差异的量值。用脉冲序列采集第一图像和第二图像。方法200进一步包括基于k空间差异图生成208差异曲线图。方法200还包括基于差异曲线图中的曲线计算210运动分数。运动分数指示成像期间对象的运动水平。运动分数可为差异曲线图中的曲线下方的面积。此外，方法200包括输出212运动分数。如果运动分数高于预定水平，则可生成警报。预定水平可被设定为这样的水平，高于该水平，则所采集的图像不可用于医学诊断的目的，并且对象需要用脉冲序列重新扫描。可在MRI系统10的显示器14上提示警报。一旦已经接收到警报，操作者决定是仅重新扫描或部分地重新扫描具有运动伪影的切片，还是仅利用脉冲序列重新扫描。操作者还可选择不重新扫描，而是激活运动校正过程以校正图像中的运动伪影。
图3A至图3B示出了快速自旋回波序列302和使用快速自旋回波序列302采集MR图像的扫描顺序304。图3A是快速自旋回波序列302的脉冲序列图。图3B是示例性扫描顺序304的图。
快速自旋回波序列302包括RF脉冲308和梯度脉冲310。梯度脉冲310可沿着读出方向312或相位编码方向315。梯度脉冲310可沿着三维(3D)脉冲序列中的切片编码方向(未示出)或第二相位编码方向(未示出)。快速自旋回波序列302的图还可示出信号信道320中的MR信号。在快速自旋回波序列302中，RF脉冲308包括激励脉冲314和多个重聚焦脉冲316。激励脉冲314激励磁化并将磁化旋转到x-y平面。重聚焦脉冲316重新聚焦已去相位的磁化，使得形成回波321。信号信道320包括一系列回波321或回波串322。回波在ky方向或相位编码方向上的k空间位置由相位编码梯度317确定。脉冲序列302的重复之间的时间被称为重复时间(TR)。快速自旋回波序列302的一个TR中的回波数量被称为回波串长度(ETL)。ETL可为二和相位编码方向上的图像矩阵尺寸之间的任何数量。
在操作中，对象中的切片由激励脉冲314选择和激励，并且由重聚焦脉冲316重新聚焦。k空间由变化的梯度脉冲310扫描。在一个TR中采集ETL的对应于k空间中的多条ky线的回波321。重复序列302以扫描通过k空间，以在其他ky线处采集MR信号。MR信号用于重建MR图像。
图3B是ky方向上的示例性扫描顺序304。每个点324表示相位编码顺序、数量或索引318处的回波321或ky线。在所示的示例中，图像在y方向上的矩阵尺寸为256。矩阵尺寸可为任何其他数字。图3B所示的ETL为8。即，在第一TR中，采集具有8个回波321的回波串322-1，其中8个回波321对应于相位编码索引318-1至318-8处的ky线。在下一个TR中，采集对应于相位编码索引318′-1至318′-8的下一组ky线。重复脉冲序列302，直到采集切片或切片编码步骤(用于3D采集)的最后一个回波串322-n，其中最后一个回波串322-n对应于相位编码索引318”-1至318”-8。扫描顺序304用于一个切片或一个切片编码步骤。为了采集对象的多个切片，在切片或切片编码步骤上重复扫描顺序304，并且可以在继续下一个回波串之前在所有切片上采集与单个回波串相关联的ky值。脉冲序列302可与同时从RF线圈38的多个线圈读取的信号320一起施加。由线圈采集的MR信号被组合以重建对象中的切片的图像。
图4A至图4I描绘了运动分数的生成，该运动分数指示对象在成像期间的运动水平。在示例性实施方案中，提供了由第一线圈采集的第一MR信号或第一复合k空间数据402以及由第二线圈采集的第二MR信号或第二复合k空间数据404(图4A)。图4B示出了第一线圈的线圈灵敏度图406和第二线圈的线圈灵敏度图408。通过采取第一k空间数据402或第二k空间数据404的傅里叶逆变换，与对应的线圈灵敏度图406、408的复共轭相乘，并将乘积除以对应的线圈灵敏度图406、408的平方量值，来导出经强度校正的复合图像410、412(图4C)。通过使经强度校正的复合图像410、412彼此减去，并且然后对该差值进行傅里叶变换，或者通过对经强度校正的复合图像410、412进行傅里叶变换并且减去经傅里叶变换的图像，来生成k空间差异图414(图4D)。
在示例性实施方案中，k空间差异图414沿kx方向或读出方向投影，从而导出投影k空间差异曲线图416(图4E)。投影k空间差异曲线图416描绘了k空间差异作为相位编码索引318的函数，诸如图3B所示的318-1至318-8、318′-1至318′-8和318”-1至318”-8。图4E所示的投影k空间差异曲线图416用于一个切片。在图4F中，通过沿切片方向对所有切片的投影k空间差异曲线图416求平均值，在切片上对投影k空间差异曲线图416求平均值，以导出平均差异曲线图418。在切片上求平均值增加了信噪比(SNR)，并且改善了运动检测和评分的稳健性和准确性。通过减去每个相位编码索引318处的基线值并将差值除以基线值来对平均差异曲线图418进行归一化，以导出归一化差异曲线图420(图4G)。如果相位编码索引318处的平均差异曲线图418与基线值之间的差值为零，则在该相位编码索引处不执行除以基线值。基线值可通过平均差异曲线图418的线性回归建模导出。为了增加差异曲线图420中的SNR，可在每个回波串322上对归一化差异曲线图420求和，从而导出求和差异曲线图421(图4H)。例如，归一化差异曲线图420中的对应于回波串322-1中的相位编码索引318-1至318-8的值422被一起求和，并且对于其余回波串322(诸如322-2和322-n)重复求和操作。求和差异曲线图421中的曲线423下方的面积是全运动分数。曲线下方的面积为曲线的从起点到终点的积分。例如，曲线423下方的面积是曲线423的从点424到点426的积分。曲线的积分可利用本领域的技术人员已知的任何方法来计算，例如，通过数值积分来计算。全运动分数指示利用脉冲序列302的成像期间对象的运动水平。由全运动分数指示的运动包括离散运动和连续运动。离散运动是偶尔发生的运动。连续运动是指与离散运动相比，在一段时间内连续发生的运动。
在示例性实施方案中，在图3B所示的扫描顺序304中，k空间的中心区域中的ky线325用早期回波串322-e采集，而k空间的周边区域中的ky线327在后期回波串322-1中采集。在图4H中，曲线423可分为两个部分，即第一曲线432和第二曲线434。第一曲线432中的回波串322-e的求和差异曲线图421的基线值428高于第二曲线434中的回波串322-1的求和差异曲线图421的基线值430。对于回波串322-e，从求和差异曲线图421中减去基线值428。对于回波串322-1，从求和差异曲线图421中减去小于基线值428的基线值430。因此，导出修改的差异曲线图436(图4I)。修改的差异曲线图436的曲线438下方的面积为离散运动分数。
在数据形成和采集过程期间，对于具有给定ky值的每条线以及对于每个线圈，将对象的瞬时MRI图像乘以线圈的灵敏度函数并变换成k空间，并且读出当前的ky线。线圈灵敏度图的这种相乘使得每个线圈的读出ky线以在不同线圈之间不同的方式包含来自相邻ky线的信息。如果发生运动，则存在新的对象姿势，因此每个线圈的读出ky以特定于线圈的方式混合新的k空间和旧的k空间。在运动的边界处，每个线圈包含两个下面的k空间的不同混合。当不存在运动时，差异保持一致。当存在连续运动时，在线圈之间的差异中存在连续响应。因此，离散峰与离散运动相关，并且偏移与连续运动相关。
与捕获连续运动和离散运动的全运动分数相比，离散运动分数捕获离散运动。与连续运动或离散运动和连续运动的组合相比，离散运动分数提供具有小运动伪影的图像与没有运动伪影的图像的更好的分离，但不捕获连续运动的重要性。
快速自旋回波序列仅用作示例。本文所公开的系统和方法可以应用于利用其他脉冲序列采集的MR信号和图像。
本文所公开的全运动分数和离散运动分数提供了对运动伪影的客观测量，因为计算不依赖于来自用户的输入或由用户作出的确定。全运动分数和离散运动分数可被称为计算的运动分数。
在一些实施方案中，可生成组合运动分数。开发数据集被评级以基于计算的运动分数和由多个观察者评级的用户评级的运动分数来导出组合运动分数。应用线性回归模型以将计算的运动分数与用户评级的运动分数拟合。组合运动分数利用从线性回归建模导出的参数(诸如基线值和/或导出的线性回归模型中的斜率)计算为线性变换的计算的运动分数。在一个实施方案中，根据计算的全运动分数是高于还是低于预定值，使用在计算的运动分数与用户评级的运动分数之间的不同线性回归建模。当计算的全运动分数大于或等于预定值时，通过将计算的全运动分数线性拟合到用户评级的运动分数来导出组合分数。当计算的全运动分数等于或小于预定值时，将组合分数导出作为计算的离散运动分数到用户评级的运动分数的线性拟合值。可采用这种方法来区分精细运动，因为离散运动分数相比于全运动分数提供精细运动的更好指示。
图5A至图5C示出了验证结果。图5A示出了使用开发数据集的结果。开发数据集用于导出计算的运动分数502和用户评级的运动分数之间的线性关系。使用图4A至图4I所述的差异曲线图导出开发数据集中图像的计算的运动分数502。开发数据集也由多个人类观察者评级以导出用户评级的运动分数504。将计算的运动分数502和用户评级的运动分数504相对于彼此绘制并线性拟合，以导出计算的运动分数502与用户评级的运动分数504之间的线性关系506。线性关系506的逆用于将计算的运动分数变换为组合运动分数508。用测试数据集测试这种方法。如图5B所示，组合运动分数508与用户评级的运动分数504匹配，其中拟合优度的示例性指标R2为0.9134，其中R2更接近1指示线性回归模型的更好拟合。用开发数据集和测试数据集验证组合运动分数508，并且结果示于图5C中。通过用由开发数据集导出的关系506的逆来变换计算的运动分数来计算组合运动分数508。在一个实施方案中，当计算的全运动分数502低于预定阈值水平时，组合运动分数508被计算为用关系506的逆来变换的计算的离散运动分数。当计算的全运动分数502高于预定阈值水平时，将组合运动分数508计算为用关系506的逆来变换的计算的全运动分数502。当计算的全运动分数502等于预定阈值水平时，组合运动分数508可基于计算的全运动分数502或计算的离散运动分数。因此，使用计算的离散运动分数进一步区分用相对较小的计算的全运动分数502指示的精细运动。
图6A和图6B示出了指示精细运动的离散运动分数。图6A是离散运动分数为1.3的脑图像602。图6B是离散运动分数为0的脑图像604。脑图像602具有不易辨别的精细运动伪影606。
图7A至图7B示出了使用本文所公开的系统和方法的图像及它们的计算的运动分数502。计算的运动分数502准确地反映了图像中呈现的运动伪影的水平。例如，图像702、704的计算的运动分数为0并且不包括可辨别的运动伪影，而图像706、708的计算的运动分数分别为7.5或10并且包括使得图像706、708不可用的严重运动伪影。
在一些实施方案中，计算的运动分数502用于确定是否应执行图像的运动校正。例如，如果计算的运动分数502高于预定水平或在指定范围内，则可对所采集的图像执行运动校正。可通过联合估计经运动校正的图像和最佳预测所采集的k空间数据的运动参数来重建经运动校正的图像。可通过神经网络模型或迭代优化方法来执行校正。在使用神经网络模型的方法中，用具有运动伪影的图像和运动伪影被校正的图像来训练神经网络模型。训练数据可以是作为没有运动伪影的图像和没有运动伪影而添加有模拟运动伪影的图像的模拟训练数据集。
在迭代优化方法中，运动校正被表述为优化问题，其中表示数据拟合的成本函数相对于作为优化变量的经运动校正的图像和运动参数被最小化。优化问题可通过数值算法来解决，该数值算法迭代地更新经运动校正的图像和运动参数。
假设检测到M个离散运动，它们的时序为t1，...，tM。然后，可以定义M+1个姿势，使得姿势i对应于时间ti和ti+1之间的数据采集，其中0≤i≤M，其中t0和tM+1分别是扫描开始时间和扫描结束时间。在不丧失一般性的情况下，姿势0可被认为是参考姿势，经运动校正的图像将相对于该参考姿势进行重建。采集的对应于姿势i的多线圈k空间数据yi可以被建模为
yi＝AiFST(θi)x，
其中x为对应于参考姿势的无运动图像，T(θi)为由θi参数化的将参考姿势变换为姿势i的算子，S将线圈灵敏度应用于图像，F为傅里叶变换算子，并且Ai为包含用于姿势i的数据采集的采样图案的采样矩阵。假设刚体运动，每个θi对于2D具有3个参数(即，用于平移的2个参数和用于旋转的1个参数)，并且对于3D具有6个参数(即，用于平移的3个参数和用于旋转的3个参数)。未知运动参数的总数对于2D为3M，并且对于3D为6M(参考姿势除外)。
经运动校正的图像可通过求解以下优化问题来重建：
Figure BDA0003212755190000121
其中
Figure BDA0003212755190000122
是重建的经运动校正图像，θ是θi的级联，并且
Figure BDA0003212755190000123
表示估计的运动参数。L2范数可用于最小二乘成本函数。另选地，可使用其他类型的成本函数，例如基于L1范数或加权最小二乘的成本函数。在一些实施方案中，可以例如通过为经运动校正的图像或运动参数添加正则化函数来将成本函数正则化。例如，在压缩感测中使用的总变差惩罚函数可用于经运动校正的图像的正则化函数。
为了解决上述优化问题，可使用数值算法，诸如梯度下降、共轭梯度或牛顿算法。数值算法迭代地更新经运动校正的图像和运动参数。经运动校正的图像和运动参数可同时或另选地更新。为了使用迭代数值算法，应给出经运动校正的图像和运动参数的初始估计。例如，在没有任何运动校正的情况下获得的运动损坏的图像以及对应于无运动的参数可用于初始估计。另选地，网格搜索可用于初始化步骤。例如，对于运动参数的预定值，计算拟合优度，并且选择拟合优度方面的最佳参数并将其用于运动参数的初始估计。网格搜索方法在计算上是昂贵的，但可有助于避免局部最小值。
本文所述的工作站12以及运动检测和评分计算设备可以是任何合适的计算设备800和在其中实现的软件。图8是示例性计算设备800的框图。在示例性实施方案中，计算设备800包括从用户接收至少一个输入的用户界面804。用户界面804可包括使得用户能够输入相关信息的键盘806。用户界面804还可包括例如指向设备、鼠标、触笔、触敏面板(例如，触摸板和触摸屏)、陀螺仪、加速度计、位置检测器和/或音频输入接口(例如，包括麦克风)。
此外，在示例性实施方案中，计算设备800包括向用户呈现信息(诸如输入事件和/或验证结果)的显示界面817。显示界面817还可包括联接到至少一个显示设备810的显示适配器808。更具体地，在示例性实施方案中，显示设备810可为视觉显示设备，诸如阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)显示器和/或“电子墨水”显示器。另选地，显示界面817可包括音频输出设备(例如，音频适配器和/或扬声器)和/或打印机。
计算设备800还包括处理器814和存储器设备818。处理器814经由系统总线820联接到用户界面804、显示界面817和存储器设备818。在示例性实施方案中，处理器814与用户通信，诸如通过经由显示界面817提示用户和/或通过经由用户界面804接收用户输入。术语“处理器”通常是指任何可编程系统，包括系统和微控制器、精简指令集计算机(RISC)、复杂指令集计算机(CISC)、专用集成电路(ASIC)、可编程逻辑电路(PLC)以及能够执行本文所述功能的任何其他电路或处理器。以上示例仅是示例性的，并且因此不旨在以任何方式限制术语“处理器”的定义和/或含义。
在示例性实施方案中，存储器设备818包括使信息(诸如可执行指令和/或其他数据)能够被存储和检索的一个或多个设备。此外，存储器设备818包括一个或多个计算机可读介质，诸如但不限于动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、固态盘和/或硬盘。在示例性实施方案中，存储器设备818存储但不限于应用程序源代码、应用程序目标代码、配置数据、附加输入事件、应用程序状态、断言语句、验证结果和/或任何其他类型的数据。在示例性实施方案中，计算设备800还可包括经由系统总线820联接到处理器814的通信接口830。此外，通信接口830通信地联接到数据采集设备。
在示例性实施方案中，处理器814可通过使用一个或多个可执行指令对操作进行编码以及在存储器设备818中提供可执行指令来编程。在示例性实施方案中，处理器814被编程用于选择从数据采集设备接收的多个测量结果。
在操作中，计算机执行体现在存储在一个或多个计算机可读介质上的一个或多个计算机可执行部件中的计算机可执行指令，以实现本文所述和/或所示的本发明的各方面。除非另外指明，否则本文所示和所述的本发明实施方案中的操作的执行或实施顺序不是必需的。即，除非另外指明，否则这些操作可以任何顺序执行，并且本发明的实施方案可包括比本文所公开的那些操作更多或更少的操作。例如，可以设想，在另一个操作之前、同时或之后执行或实施特定操作在本发明的各方面的范围内。
本文所述的系统和方法的至少一个技术效果包括(a)运动伪影的自动评分；(b)指示相对精细运动的离散运动分数；(c)提供运动伪影的客观指示的运动分数；和(d)一旦检测到运动伪影时对图像的运动校正。
上面详细描述了对运动伪影进行检测和评分的系统和方法的示例性实施方案。这些系统和方法不限于本文所述的特定实施方案，而是系统的部件和/或方法的操作可与本文所述的其他部件和/或操作独立地和分开地使用。此外，所描述的部件和/或操作也可在其他系统、方法和/或设备中限定，或与其他系统、方法和/或设备结合使用，并且不限于仅用本文所述的系统来实践。
尽管本发明的各种实施方案的特定特征可在一些附图中而不是在其他附图中示出，但这仅是为了方便起见。根据本发明的原理，附图的任何特征可结合任何其他附图的任何特征来引用和/或要求保护。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

Claims (20)

1.一种对对象的磁共振(MR)图像中的运动伪影进行检测和评分的MR成像方法，所述方法包括：
至少部分地基于所述对象的利用第一线圈采集的第一MR信号和所述对象的利用第二线圈同时采集的第二MR信号来计算k空间差异图；
基于所述k空间差异图生成差异曲线图，所述差异曲线图包括曲线；以及
基于所述差异曲线图中的所述曲线计算运动分数，其中所述运动分数指示在采集所述第一MR信号和所述第二MR信号期间所述图像中的由所述对象的运动引起的运动伪影的水平，并且所述运动分数包括所述曲线下方的面积；以及
输出所述运动分数。
2.根据权利要求1所述的方法，其中所述运动分数是全运动分数。
3.根据权利要求1所述的方法，其中生成差异曲线图进一步包括：
将所述差异曲线图中的所述曲线划分成第一曲线和第二曲线，其中所述第一曲线对应于k空间的中心区域，并且所述第二曲线对应于所述k空间的周边区域。
4.根据权利要求3所述的方法，所述方法进一步包括：
通过所述第一曲线的基线值对所述第一曲线进行归一化；
通过所述第二曲线的基线值对所述第二曲线进行归一化；以及
计算运动分数进一步包括通过计算归一化第一曲线下方的面积和归一化第二曲线下方的面积来导出所述运动分数，其中所述运动分数包括离散运动分数。
5.根据权利要求1所述的方法，其中所述第一MR信号和所述第二MR信号是所述对象中的多个切片的MR信号，生成差异曲线图进一步包括对所述多个切片上的多个差异曲线图求平均值以导出所述差异曲线图，其中所述多个差异曲线图中的每个差异曲线图对应于所述多个切片中的一个切片。
6.根据权利要求1所述的方法，其中所述第一MR信号和所述第二MR信号是所述对象的利用多个回波串采集的MR信号，生成差异曲线图进一步包括对所述多个回波串中的每个回波串上的所述差异曲线图求和，以导出作为所述多个回波串的索引的函数的所述差异曲线图。
7.根据权利要求1所述的方法，其中生成差异曲线图进一步包括通过所述曲线的基线值对所述差异曲线图进行归一化。
8.根据权利要求1所述的方法，其中所述运动分数包括全运动分数和离散运动分数，所述全运动分数指示离散运动和连续运动两者的水平，并且所述离散运动分数指示所述离散运动的水平。
9.根据权利要求1所述的方法，其中计算运动分数进一步包括：
基于所计算的运动分数和用户评级的运动分数来生成组合运动分数。
10.根据权利要求1所述的方法，其中所述运动分数包括全运动分数和离散运动分数，并且计算运动分数进一步包括：
如果所述全运动分数小于预定水平，则基于所述离散运动分数生成组合运动分数。
11.根据权利要求1所述的方法，其中生成差异曲线图进一步包括沿第一方向投影所述k空间差异图以导出所述差异曲线图。
12.根据权利要求1所述的方法，其中所述方法进一步包括如果所述运动分数高于预定水平，则生成警报。
13.根据权利要求1所述的方法，其中所述方法进一步包括：
当所述运动分数在指定范围内时，对所述对象的图像执行运动校正以导出经运动校正的图像。
14.一种运动检测和评分计算设备，所述运动检测和评分计算设备包括与至少一个存储器设备通信的至少一个处理器，并且所述至少一个处理器被编程为：
至少部分地基于对象的利用第一线圈采集的第一MR信号和所述对象的利用第二线圈同时采集的第二MR信号来计算k空间差异图；
基于所述k空间差异图生成差异曲线图，所述差异曲线图包括曲线；以及
基于所述差异曲线图中的所述曲线计算运动分数，其中所述运动分数指示在采集所述第一MR信号和所述第二MR信号期间所述图像中的由所述对象的运动引起的运动伪影的水平，并且所述运动分数包括所述曲线下方的面积；以及
输出所述运动分数。
15.根据权利要求14所述的计算设备，其中所述至少一个处理器被进一步编程为：
将所述差异曲线图中的所述曲线划分成第一曲线和第二曲线，其中所述第一曲线对应于k空间的中心区域，并且所述第二曲线对应于所述k空间的周边区域；
通过所述第一曲线的基线值对所述第一曲线进行归一化；
通过所述第二曲线的基线值对所述第二曲线进行归一化；以及
通过计算归一化第一曲线下方的面积和归一化第二曲线下方的面积来导出所述运动分数，其中所述运动分数包括离散运动分数。
16.根据权利要求14所述的计算设备，其中所述第一MR信号和所述第二MR信号是所述对象中的多个切片的MR信号，所述至少一个处理器被进一步编程为对所述多个切片上的多个差异曲线图求平均值以导出所述差异曲线图，其中所述多个差异曲线图中的每个差异曲线图对应于所述多个切片中的一个切片。
17.根据权利要求14所述的计算设备，其中所述第一MR信号和所述第二MR信号是所述对象的利用多个回波串采集的MR信号，所述至少一个处理器被进一步编程为对所述多个回波串中的每个回波串上的所述差异曲线图求和，以导出作为所述多个回波串的索引的函数的所述差异曲线图。
18.根据权利要求14所述的计算设备，其中所述运动分数包括全运动分数和离散运动分数，并且所述至少一个处理器被进一步编程为：
如果所述全运动分数小于预定水平，则基于所述离散运动分数生成组合运动分数。
19.根据权利要求14所述的计算设备，其中所述至少一个处理器被进一步编程为如果所述运动分数高于预定水平，则生成警报。
20.根据权利要求14所述的计算设备，其中所述至少一个处理器被进一步编程为当所述运动分数在指定范围内时，对所述对象的图像执行运动校正以导出经运动校正的图像。
CN202110940093.6A 2020-08-26 2021-08-16 对磁共振成像中的运动伪影进行自动检测和评分的系统和方法 Pending CN114119453A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/003,281 2020-08-26
US17/003,281 US11519992B2 (en) 2020-08-26 2020-08-26 Systems and methods of automatically detecting and scoring motion artifacts in magnetic resonance imaging

Publications (1)

Publication Number Publication Date
CN114119453A true CN114119453A (zh) 2022-03-01

Family

ID=80358426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940093.6A Pending CN114119453A (zh) 2020-08-26 2021-08-16 对磁共振成像中的运动伪影进行自动检测和评分的系统和方法

Country Status (2)

Country Link
US (1) US11519992B2 (zh)
CN (1) CN114119453A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117806170A (zh) * 2024-02-23 2024-04-02 中国科学院近代物理研究所 一种微束聚焦控制方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3673472B2 (ja) 1998-04-15 2005-07-20 メイヨ フオンデーシヨン フオー メデイカル エジユケーシヨン アンド リサーチ 動きアーティファクトに関するｍｒイメージの自動補正
RU2007144585A (ru) 2005-05-02 2009-06-10 Конинклейке Филипс Электроникс Н.В. (Nl) Независимая коррекция влияния движения в соответствующих сигнальных каналах системы для получения магнитно-резонансных изображений
US7860291B2 (en) 2007-06-12 2010-12-28 General Electric Co. Method and apparatus for correcting motion in multi-shot diffusion-weighted magnetic resonance imaging
US8306299B2 (en) 2011-03-25 2012-11-06 Wisconsin Alumni Research Foundation Method for reconstructing motion-compensated magnetic resonance images from non-Cartesian k-space data
US8934691B2 (en) * 2011-04-06 2015-01-13 Siemens Medical Solutions Usa, Inc. System for motion compensated MR parallel imaging
EP2824472A1 (en) 2013-07-10 2015-01-14 Siemens Aktiengesellschaft MRI with self-navigated motion compensation
US10459058B2 (en) 2014-04-18 2019-10-29 The General Hospital Corporation System and method for magnetic resonance imaging with prospective motion control
EP3322997A1 (en) 2015-07-15 2018-05-23 Koninklijke Philips N.V. Mr imaging with motion detection
US10806370B1 (en) * 2019-04-25 2020-10-20 General Electric Company MRI system and method for detection and correction of patient motion

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117806170A (zh) * 2024-02-23 2024-04-02 中国科学院近代物理研究所 一种微束聚焦控制方法及装置
CN117806170B (zh) * 2024-02-23 2024-05-10 中国科学院近代物理研究所 一种微束聚焦控制方法及装置

Also Published As

Publication number Publication date
US11519992B2 (en) 2022-12-06
US20220065969A1 (en) 2022-03-03

Similar Documents

Publication Publication Date Title
US12000918B2 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
JP2016013484A (ja) 磁気共鳴イメージングシステム
US11835612B2 (en) System and method for motion correction of magnetic resonance image
US11346912B2 (en) Systems and methods of generating robust phase images in magnetic resonance images
US11002815B2 (en) System and method for reducing artifacts in echo planar magnetic resonance imaging
US20130004049A1 (en) Systems and methods for improved tractographic processing
US9733329B2 (en) System and method for field map estimation
US11796620B2 (en) Free-breathing MRI with motion compensation
WO2020219642A1 (en) Model-based iterative reconstruction for magnetic resonance imaging with echo planar readout
US20130243290A1 (en) Method for Adipose Tissue Quantification With Magnetic Resonance Imaging
CN114663537A (zh) 去除磁共振图像中的截断伪影的深度学习系统和方法
CN114119453A (zh) 对磁共振成像中的运动伪影进行自动检测和评分的系统和方法
US20140077801A1 (en) System and method for parallel magnetic resonance imaging with optimally selected in-plane acceleration
WO2022217157A1 (en) System and method for quantitative magnetic resonance imaging using a deep learning network
WO2021228515A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
US11953574B2 (en) Systems and methods of accelerated propeller magnetic resonance imaging
US11474183B1 (en) Motion correction systems and methods of propeller magnetic resonance images
US11688044B2 (en) Systems and methods of validating motion correction of medical images for quantitative parametric maps
US20230196556A1 (en) Systems and methods of magnetic resonance image processing using neural networks having reduced dimensionality
Farzinfar et al. Entropy based DTI quality control via regional orientation distribution
US11333734B2 (en) Quality and signal-to-noise ratio of free-breathing quantitative measurement of magnetic resonance imaging parameters and related biomarkers
US11543484B1 (en) Phase correction systems and methods of magnetic resonance images
US20240164737A1 (en) Image reconstruction incorporating maxwell fields and gradient impulse response function distortion
CN116934610A (zh) 磁共振图像中噪声降低的系统和方法
Liu et al. Dynamic-parallel MR image reconstruction based on adaptive coil sensitivity estimation

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