CN114663537A - 去除磁共振图像中的截断伪影的深度学习系统和方法 - Google Patents

去除磁共振图像中的截断伪影的深度学习系统和方法 Download PDF

Info

Publication number
CN114663537A
CN114663537A CN202111513520.9A CN202111513520A CN114663537A CN 114663537 A CN114663537 A CN 114663537A CN 202111513520 A CN202111513520 A CN 202111513520A CN 114663537 A CN114663537 A CN 114663537A
Authority
CN
China
Prior art keywords
image
partial
space
space data
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111513520.9A
Other languages
English (en)
Inventor
丹尼尔·文斯·利特威勒
罗伯特·马克·莱贝尔
王新增
A·吉登
埃尔辛·拜拉姆
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 CN114663537A publication Critical patent/CN114663537A/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
    • G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
    • G—PHYSICS
    • 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
    • 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
    • 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
    • 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
    • G01R33/5608—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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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]
    • 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
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明题为“去除磁共振图像中的截断伪影的深度学习系统和方法”。本公开提供了一种从磁共振(MR)图像中去除截断伪影的计算机实现的方法。该方法包括接收粗图像，该粗图像基于来自在至少一个k空间维度中被不对称截断的部分k空间的部分k空间数据。该方法还包括使用用一对原始图像和损坏图像训练的神经网络模型来分析该粗图像。损坏图像基于以一个或多个部分采样图案被截断的部分k空间的部分k空间数据。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据，并且神经网络模型的目标输出图像是原始图像。该方法还包括基于该分析导出粗图像的改进图像，其中导出的改进图像包括减少的截断伪影和增加的高空间频率数据。

Description

去除磁共振图像中的截断伪影的深度学习系统和方法
背景技术
本公开的领域整体涉及去除截断伪影的系统和方法，并且更具体地涉及使用神经网络模型来去除医学图像中的截断伪影的系统和方法。
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。
在MR成像中，往往对部分k空间进行采样，以便增加采集效率和/或抑制伪影。重建部分采样的k空间数据集导致图像被截断伪影污染，该截断伪影是模糊以及严重降低MR图像的诊断值的特征性振荡两者的形式。
发明内容
在一个方面中，提供了一种去除磁共振(MR)图像中的截断伪影的计算机实现的方法。该方法包括接收粗图像(crude image)，该粗图像基于来自在与高空间频率对应的k空间位置处在至少一个k空间维度中被不对称截断的部分k空间的部分k空间数据。该方法还包括使用神经网络模型分析该粗图像。用一对原始图像和损坏图像训练神经网络模型。损坏图像基于来自在与高空间频率对应的k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，该一个或多个部分采样图案包括在至少一个 k空间维度中的不对称截断。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据，并且神经网络模型的目标输出图像是原始图像。该方法还包括基于该分析导出粗图像的改进图像，其中与粗图像相比，导出的改进图像包括减少的截断伪影和增加的高空间频率数据；以及输出该改进的图像。
在另一个方面中，提供了一种去除磁共振(MR)图像中的截断伪影的计算机实现的方法。该方法包括接收一对原始图像和损坏图像。损坏图像基于来自在与高空间频率对应的k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，该一个或多个部分采样图案包括在至少一个k空间维度中的不对称截断。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据。该方法还包括通过将损坏图像输入到神经网络模型来使用该对原始图像和损坏图像训练神经网络模型；将原始图像设置为神经网络模型的目标输出；使用该神经网络模型分析损坏图像；比较该神经网络模型的输出与目标输出；以及基于该比较调节该神经网络模型。经训练的神经网络模型被配置为减少损坏图像中的截断伪影，并增加损坏图像中的高空间频率数据。
在一个方面中，提供了一种截断伪影减少系统。该系统包括截断伪影减少计算设备，该截断伪影减少计算设备包括至少一个处理器，该至少一个处理器与至少一个存储器设备通信。该至少一个处理器被编程为接收粗图像，该粗图像基于来自在与高空间频率对应的k空间位置处在至少一个k 空间维度中被不对称截断的部分k空间的部分k空间数据。该至少一个处理器还被编程为使用神经网络模型来分析粗图像。用一对原始图像和损坏图像训练神经网络模型。损坏图像基于来自在与高空间频率对应的k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，该一个或多个部分采样图案包括在至少一个k空间维度中的不对称截断。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据，并且神经网络模型的目标输出图像是原始图像。该至少一个处理器被进一步编程为基于该分析导出粗图像的改进图像，其中与粗图像相比，导出的改进图像包括减少的截断伪影和增加的高空间频率数据；以及输出该改进的图像。
附图说明
图1是示例性磁共振成像(MRI)系统的示意图。
图2A是示例性截断伪影减少系统。
图2B是减少截断伪影的示例性方法的流程图。
图2C是部分k空间采样的示意图。
图3A是用于图2A所示的系统的示例性神经网络模型。
图3B是用于图2A所示的系统的另一示例性神经网络模型。
图3C是用于图2A所示的系统的又一示例性神经网络模型。
图3D是用于图2A所示的系统的又一示例性神经网络模型。
图4A是复杂图像和对应的共轭反射图像的比较。
图4B示出了共轭反射的示意图。
图4C是在具有和没有共轭反射的输入的情况下，零填充的重建图像和从图2A所示的神经网络模型输出的图像的比较。
图5是多采集脉冲序列的示意图。
图6是使用已知方法并且使用图2A中所示的神经网络模型重建的数字仿体图像(phantom image)的比较。
图7是通过零填充和使用图2A中所示的神经网络模型重建的人类图像的比较。
图8A是神经网络模型的示意图。
图8B是图8A所示的神经网络模型中的神经元的示意图。
图9是示例性卷积神经网络的示意图。
图10是示例性计算设备的框图。
具体实施方式
本公开包括使用深度学习模型去除受检者的磁共振(MR)图像中的截断伪影的系统和方法。如本文所用，受检者是人、动物或虚假动物。与表示受检者的解剖学或结构的信号不同，伪影是医学图像中的不存在于受检者中的视觉异常，此可由成像模态诸如部分采样脉冲序列引起。去除伪影是从图像中减少和/或去除伪影。本文所公开的系统和方法还合成缺失数据并内插高空间频率数据，与此同时去除截断伪影。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，将受检者置于磁体中。当受检者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信号来生成受检者的图像，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信号和受检者的图像之间存在傅立叶关系，因此可以通过重建MR信号来导出受检者的图像。
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，产生用于执行界定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Gx、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。
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 BDA0003402435520000051
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 BDA0003402435520000052
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，导航器信号可在扫描期间被采集并且用于调整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。
MR信号由复数表示，其中k空间处的每个位置由复数表示，其中I和 Q正交MR信号是实分量和虚分量。可以使用过程诸如傅里叶变换，基于I 正交MR信号和Q正交MR信号重建复合MR图像。复杂MR图像是具有由复数表示的每个像素的MR图像，该复数也具有实分量和虚分量。
在MRI中，频率和相位编码方向或尺寸中的不对称采样分别称为部分回波(fractional echo)和部分采集数(NEX)，并且广泛用于2D和3D MR 成像两者。这些欠采样技术通常用于缩短回波时间(例如，以增加SNR或改变组织对比度)、缩短重复时间(例如，以减少扫描时间)，和/或抑制不想要的伪影(诸如在快速自旋回波(FSE)成像中的细线伪影，或梯度回波序列(GRE)和回波平面成像(EPI)中的偏共振伪影)。k空间的非对称采样将截断伪影以模糊和振荡两种形式引入到重建图像中。因此，已经设计了各种图像重建技术，以用于重建部分k空间数据，诸如共轭合成、零差(homodyne)和凸集投影(POCS)。这些已知技术依赖于下面的图像相位的某种固有估计，可以随后移除(或“校正”)该下面的图像相位，从而允许基于实值信号的埃尔米特对称性原理合成缺失或未采样的数据。此相位估计往往源自k空间的中心对称采样部分，并且以几种重要方式限制。首先，相位估计被热噪声污染，这在低信号图像区域中和/或当这个相位估计是基于每通道(或每视图)执行时特别成问题。其次，此相位估计固有地带宽受限，并且必须在应用时进一步进行低通滤波以防止引入附加的截断伪影。因此，没有校正高空间频率相位信息，从而在最终重建图像中留下了残留模糊。此低频相位估计的应用也倾向于偏置重建图像中的噪声，否则噪声将会倾向于正常分布。重建图像中的这种偏置噪声信号的出现降低了图像对比度，尤其是在低信号区域中的图像对比度，并且这种噪声的改变分布降低了噪声平均性能(如在多NEX EPI扩散中)和/或使下游去噪工作复杂化，下游去噪工作通常基于假设的噪声模型。此外，已知的部分k 空间重建技术倾向于表现出各种强度和弱点，并且方法的选择倾向于导致各种性能折衷。例如，POCS倾向于定位重建伪影，而零差倾向于导致对比度误差。最后，在零差和共轭合成的情况下，相位信息在重建期间被丢弃，从而使得它们不适用于相位敏感的应用，诸如狄克逊化学位移成像、相位敏感的翻转复原成像、以及基于图像的相位生成相位敏感的图谱。
使用深度学习直接移除这些不对称截断伪影可以向常规方法提供优异的性能。深度学习方法涉及没有明确的相位校正、无低通滤波，并且没有任何类型的常规滤波。与上文提到的常规方法不同，深度学习方法使用所有采集的数据(对比经低通滤波的相位估计)，并且这导致重建图像具有更尖锐的边缘、更真实的对比度和更少的噪声偏差。此外，在截断伪影去除之后图像的潜在相位被良好保存，即使在高频率下也突刺，从而使得这种技术适用于相位敏感成像应用。除了减少截断伪影之外，本文所描述的系统和方法还增加或恢复由不对称和/或对称截断导致缺失的高空间频率数据。
图2A是示例性截断伪影减少系统200的示意图。在示例性实施方案中，系统200包括截断伪影减少计算设备202，该截断伪影减少计算设备被配置为减少截断伪影并增加高空间频率数据。计算设备202还包括神经网络模型204。系统200可包括第二截断伪影减少计算设备203。第二截断伪影减少计算设备203可用于训练神经网络模型204，并且截断伪影减少计算设备202然后可使用经训练的神经网络模型204。第二截断伪影减少计算设备 203可以是与截断伪影减少计算设备202相同的计算设备，使得神经网络模型204的训练和使用在一个计算设备上。另选地，第二截断伪影减少计算设备203可以是与截断伪影减少计算设备202分开的计算设备，使得神经网络模型204的训练和使用在分开的计算设备上执行。截断伪影减少计算设备 202可包括在MRI系统10的工作站12中，或者可包括在与工作站12通信的单独的计算设备上。
图2B是示例性方法250的流程图。方法250可在截断伪影减少系统 200上实现。在示例性实施方案中，该方法包括执行252用于分析MR图像的神经网络模型。用训练图像训练神经网络模型。训练图像可以是成对的原始图像和损坏图像，并且神经网络模型的目标输出图像是原始图像。损坏图像是基于来自k空间的一个或多个部分采样图案中的部分k空间的部分 k空间数据重建的图像。如本文所用，部分采样或截断是通过在与高空间频率对应的位置处在一个或多个维度中截断k空间，来在k空间的这些维度中对k空间进行部分采样。与位于k空间中心处和中心周围的低空间频率相比，高空间频率位于k空间的外围。k空间的截断导致截断伪影，诸如损坏图像中的模糊和振荡。原始图像是基于与部分k空间对应的完整k空间的图像。
图2C是完整k空间261的部分采样图案或截断图案259的示意图。完整k空间261由最大kx或ky值kx，max和ky，max限定，该最大kx或ky值由最大频率编码梯度或相位编码梯度限定。在部分采样中，不采集高空间频率数据263的一部分。截断可以在kx维度和/或ky维度中，并且可以在三维(3D)采集中的kz维度中。将完整k空间261截断成部分k空间264。图2A中所示的部分k空间264是在ky维度上截断的完整k空间261，其中在部分k空间264的图像采集期间不采集负高空间频率数据。截断可以是不对称的，其中k空间在某一维度上被不对称地截断。图2A中所示的部分k 空间264在ky维度上被不对称地截断。截断可以是对称的，其中k空间在正空间频率和负空间频率的k空间位置处被对称地截断。截断可以是对称的并且在一个维度上不对称，其中k空间在正空间频率和负空间频率两者的k 空间位置处被截断，但是是以不相等的量截断的。截断减少了高空间频率数据并引起了截断伪影。如图2C所示的沿着2D笛卡尔坐标系的轴线的截断仅作为示例示出。本文所描述的系统和方法还可以用于去除基于来自沿着2D/3D笛卡尔坐标系、2D/3D非笛卡尔坐标系(诸如极性、球形或圆柱形坐标系)、或它们的组合的轴线不对称地截断的k空间的k空间数据的图像中的截断伪影。例如，部分采样图案是在径向维度上被不对称地截断的k 空间。在另一示例中，k空间数据被采集为kx-ky平面中沿着kz方向的径向线的堆叠，并且部分采样图案是在kx-ky平面中的径向维度中被不对称地截断且在kz维度中被不对称地截断的k空间。
在示例性实施方案中，用于训练的损坏图像可以在各种部分采样因子或部分k空间因子中呈各种部分采样图案。部分k空间因子是截断维度中的部分k空间与完整k空间之间的比率。例如，如果部分k空间因子在ky维度中是0.5，则采集仅k空间的一半，正ky半或负ky半。在一些实施方案中，损坏图像和原始图像是模拟图像。神经网络模型204可以用一个部分采样图案来训练，并且被配置为针对基于来自以该部分采样图案采集的部分k 空间的MR k空间数据的损坏图像去除截断伪影并增加高空间频率数据。例如，将神经网络模型204用针对kx维度中的不对称截断的成对的损坏图像和原始图像进行训练，经训练的神经网络模型204专门用于针对以在kx维度中的不对称截断采集的图像去除截断伪影并增加在kx维度中的高空间频率数据。另一方面，神经网络模型204可以是通用神经网络模型204，该通用神经网络模型被配置为去除截断伪影并增加用于以各种部分采样图案采集的部分k空间数据的高空间频率数据。通用神经网络模型204可以通过针对各种部分采样图案的成对的损坏图像和原始图像进行训练。专用神经网络模型204比通用神经网络模型204耗费更少的时间和计算负担来进行训练。
在一些实施方案中，神经网络模型204包括一层或多层神经元，该一层或多层神经元被配置为基于部分k空间数据重建图像。在训练期间，使用各种部分采样图案中的部分k空间数据来进行训练，其中部分k空间数据是神经网络模型204的输入。
返回参考图2B，方法250进一步包括从在至少一个维度中截断的部分 k空间接收254部分k空间数据。方法250还包括基于该部分k空间数据重建256粗图像。可以通过以下方式来重建粗图像：对部分k空间数据进行零填充以使在与跳过的k空间位置对应的位置处具有零，从而导出完整k空间数据；然后基于经零填充的k空间数据来重建粗图像。粗图像的完整k空间数据可以通过除零填充之外的方法(诸如内插)来重建。可以在神经网络模型204外部执行重建256粗图像，并且将粗图像输入到神经网络模型中。替代地，重建256粗图像由神经网络模型204进行，其中将部分k空间数据直接输入到神经网络模型204中，并且神经网络模型204包括一层或多层神经元，该一层或多层神经元被配置为基于该部分k空间数据重建粗图像。此外，方法250包括分析258粗图像。此外，方法250包括基于分析导出260 粗图像的改进图像。神经网络模型204输出改进图像，该改进图像是与粗图像对应的具有改进的图像质量的图像。与粗图像相比，改进图像具有减少的截断伪影和增加的高空间频率数据。在一些实施方案中，神经网络模型 204包括一层或多层神经元，该一层或多层神经元被配置为通过诸如对由神经网络模型204推断的改进图像进行傅里叶变换的方法生成完整k空间数据。方法250还包括输出262改进图像。
图3A至图3D是示例性神经网络模型204的示意图。神经网络模型204 可包括卷积神经网络302。将神经网络302用作为输入的损坏图像304和输出原始图像306进行训练。与损坏图像304相比，伪影307(诸如截断伪影)被减少，并且在原始图像306中恢复了缺失的高空间频率数据263。在示例性实施方案中，接收缺失高空间频率数据263的部分k空间数据303。图3A至图3D之间的差异是在采集部分k空间数据303-a、303-b、303-c、 303-d(统称为部分k空间数据303)中的不同部分采样图案。在图3A中，对于部分k空间数据303-a，k空间310在一个维度(诸如kx维度)中被不对称地截断，其中k空间310的正kx部分被跳过，而负kx部分被完全采集。在图3B中，对于部分k空间数据303-b，k空间310在两个维度(诸如 kx维度和ky维度)中被不对称地截断。在图3C中，对于部分k空间数据 303-c，k空间310在kx维度中被不对称地截断并且在ky维度中被对称地截断。在图3D中，对于部分k空间数据303-d，k空间310在kx维度中被不对称地截断并且另外在kx维度和ky维度两者中被对称地截断。也就是说，部分k空间数据303具有变化的部分采样图案。在各种部分采样图案中，kx 或ky维度中的部分采样因子可以变化。神经网络模型被配置为针对不同部分采样图案中的部分k空间数据减少截断伪影并恢复缺失的k空间数据。
在一些实施方案中，将神经网络302用作为输入的损坏图像304和作为目标输出的残留图像305进行训练。残留图像305是损坏图像304与基准真实图像(ground truthimage)306之间的差异图像，该基准真实图像基于与部分k空间数据303-a、303-b、303-c、303-d对应的完整k空间数据。在图 3A和图3B中，残留图像305是具有损坏图像304的不对称截断伪影的图像。在图3C和图3D中，残留图像305是具有损坏图像304的不对称截断伪影和对称截断伪影并且具有处于高于部分k空间数据303-c、303-d的空间频率下的高空间频率数据的图像。
神经网络302的输出可以是神经网络模型204的输入的残留图像或改进图像。当神经网络302的输出是残留图像时，神经网络模型204可以包括一层或多层神经元，该一层或多层神经元被配置为基于输出残留图像生成改进图像。例如，改进图像被计算为残留图像减去输入图像。因此，与神经网络模型204的输入图像相比，输出图像具有减少的截断伪影和增加的高空间频率数据。另选地，神经网络模型204输出残留图像，并且基于残留图像生成改进图像在神经网络模型之外进行。在一个实施方案中，向用户提供选项，诸如输出改进图像、残留图像、或两者。
神经网络模型204可以是专门化的，诸如经训练以从一个维度中的不对称截断减少截断伪影并恢复缺失的k空间数据。神经网络模型204可以是一般化的，诸如经训练以从一个或多个维度中的不对称截断和/或一个或多个维度中的对称截断减少截断伪影并恢复缺失的k空间数据。如更一般化的，神经网络模型204获得更多训练神经网络模型204所需的训练数据，以供待使用的神经网络模型针对在各种截断图案和截断因子中的部分k空间数据来推断改进图像。因此增加了计算负担。例如，为了训练图3A所示的神经网络模型，提供了各种部分采样因子的在相同维度中的不对称部分k空间数据、或基于这种部分k空间数据的损坏图像来作为输入。在另一示例中，为了训练图3D中所示的神经网络模型，提供了基于在kx维度中的各种对称的部分采样因子中、在kx维度中的各种对称的部分采样因子中、和在kx 维度中的各种不对称部分采样因子中的部分k空间数据的损坏图像来作为输入。因为训练图像对的数量大幅增加并且部分采样图案的复杂性大大增加，所以截断伪影的复杂性增加，并且与图3A中的神经网络模型204相比，图3D中的神经网络模型204的训练在计算上更加密集且更耗时。
在一个实施方案中，神经网络模型204包括用于k空间数据的共轭反射的输入层，或从该共轭反射重建的共轭反射图像(图4A至图4C)。如上所述，MRI信号/k空间数据和MR图像由复数表示。k空间数据在k空间位置k处的共轭反射是k空间数据在k空间位置-k处的复共轭，如以下等式 (3)所示：
Scj(k)＝S*(-k)， (3)
其中Scj(k)是k空间位置k处的共轭反射，S(-k)是k空间位置-k处的原始k 空间数据，并且*表示复共轭。
换句话说，为了合成原始k空间数据的共轭反射，将每个k空间位置处的每个复数共轭并跨原点反射。例如，共轭反射中的第一象限中的k空间数据是第三象限中原始k空间数据的复共轭。通过共轭反射的傅里叶变换导出共轭反射图像。可以在训练期间将共轭反射或共轭反射图像输入到神经网络模型204中作为训练损坏图像的一部分，或在推断期间与原始部分k空间数据或基于该原始部分k空间数据的粗图像一起输入。图4A示出了原始复杂图像408-o和该复杂图像408-o的共轭反射图像408-vc的实分量402-o、 402-vc、虚分量404-o、404-c和幅度分量406-o、406-vc的比较。幅度图像 406-o、406-vc是相同的。图4B示出了原始k空间数据303-a、303-b、303- c的示例性共轭反射410-a、410-b、410-c。原始k空间数据303-a、303-b、 303-c是用不同的k空间部分采样图案采集的(也参见图3A至图3C)，其中k空间在k空间数据303-a中在kx维度中被不对称地地截断，在k空间数据303-b中在kx维度和ky维度两者中被不对称地截断，并且在原始k空间数据303-c中在kx维度中被不对称地截断并且在ky维度中被对称地截断。
图4C示出了用零填充重建的图像420、由具有共轭反射输入层的神经网络模型204输出的图像422、以及由没有共轭反射输入层的神经网络模型 204输出的图像424的比较。部分k空间数据来自使用为2的零填充内插 (ZIP)因子，在左右(kx)维度中被不对称地截断并且在kx维度和ky维度两者中被对称地截断的部分k空间。ZIP因子指示kx或ky维度中的对称零填补的程度。具有零填补的重建图像的图像分辨率增加了由ZIP因子所指示的倍数。例如，如果在零填补之前的图像分辨率为128×128，则通过在两个维度中以为2的ZIP因子进行零填补重建的图像具有图像分辨率 256×256。在具有共轭反射输入层的神经网络模型中，部分k空间数据的共轭反射被提供作为神经网络模型204的附加输入。与通过零填充重建的图像 420相比，由具有或不具有共轭反射的附加输入的神经网络模型204输出的图像422、424具有减少的截断伪影307。与图像424相比，由具有共轭反射的附加输入的神经网络模型204输出的图像422中的伪影307被进一步减少到视觉上不明显的水平。共轭反射410提供部分k空间数据303的不同表示，并且改善来自神经网络模型204的输出的图像质量。
图5示出了在多采集脉冲序列中采集各种部分采样图案的k空间数据的实施方案。在示例性实施方案中，采集了四次采集。可以采集多次采集来作为多个触发、多个相位、或多次采集(NEX)。k空间在kx和ky维度上被不对称地截断。在采集1中，截断正kx位置和负ky位置，其中不采集在这些位置处的k空间数据。在采集2中，负kx位置和负ky位置被截断。在采集3中，正kx位置和正ky位置被截断。在采集4中，负kx位置和正ky 位置被截断。为了在kx维度中调节部分采样图案，可以调节回波时间以采样回波的不同部分。为了调节在ky维度中的部分采样图案，在笛卡尔采集中，不采集截断位置的ky线，其中截断位置是k空间中中采集k空间数据的位置。将来自多次采集的部分k空间数据输入到神经网络模型204中。使用互补部分采样图案采集来自多次采集的k空间数据，其中在一次采集中未采样的k空间位置在其它采集中的至少一次采集中进行采样，并且向彼此提供k空间数据中的互补信息。沿着上述2D笛卡尔坐标系的轴线的互补采样图案仅被作为示例示出。类似于截断模式，互补采样图案可以沿着2D/3D 笛卡尔坐标系、2D/3D非笛卡尔坐标系(诸如极性、球形或圆柱形坐标系)或它们的组合的轴线。来自多次采集的k空间数据由神经网络模型204 联合处理，并且与此同时，由于互补信息，来自每次采集的图像和来自多次采集的组合的复合图像的图像质量得到了改善。
图6是用本文所述的深度学习(DL)方法和已知方法重建的数字仿体图像的比较。图像601是目标图像。图像603-zf、603-dl、603-pocs、603-hd 分别是通过零填充、本文所述的方法、POCS和零差重建的图像。图像605- dl、605-pocs、605-hd是目标图像601与重建图像603-zf、603-dl、603- pocs、603-hd之间的差异。在此示例中，训练神经网络模型204以仅去除左右(kx)维度中的截断伪影。部分采样因子是0.54。如图6所示，本文所述的系统和方法在边缘锐度和对比度保存方面优于迭代POCS和零差重建方法。
图7示出了用本文所述的零填充和DL方法重建的轴向腹部图像702 (顶部行)和矢状膝关节图像704(底部行)图像。腹部图像702是用单次快速自旋回波序列采集的。膝关节图像704是用快速自旋回波序列采集的。图像706-zf、708-zf是通过零填充重建的幅度图像。图像710-dl、712-dl是由神经网络模型204输出的包括截断伪影的残留图像。图像706-dl、708-dl 是通过DL方法重建的图像的幅度图像。图像714、716是通过DL方法重建的图像的相位图像。如图7所示，与当通过零填充重建时的图像706-zf、 708-zf相比，当通过DL方法重建时图像706-dl、708-dl中的截断伪影大大减小。相位信息基本上被保存，如图像714、716中所示。在此示例中，神经网络模型204是针对在相位编码维度和频率编码维度两者中均为2的半 NEX和ZIP因子训练的。
在一些实施方案中，k空间数据是通过多通道/多线圈RF线圈采集的，并且神经网络模型204的输入是通过RF线圈的单独通道采集的k空间数据或图像。将通过单独线圈采集的k空间数据或图像单独输入到神经网络模型 204中，并且将来自神经网络模型204的输出组合成一个图像。在该组合图像的生成中应用线圈灵敏度图。
图8A描绘了示例性人工神经网络模型204。示例性神经网络模型204 包括神经元层502、504-1至504-n和506，其中包括输入层502、一个或多个隐藏层504-1至504-n和输出层506。每个层可包括任何数量的神经元，即，图8A中的q、r和n可以是任何正整数。应当理解，可使用与图8A所描绘的结构和配置不同的结构和配置的神经网络来实现本文所述的方法和系统。
在示例性实施方案中，输入层502可接收不同的输入数据。例如，输入层502包括表示训练图像的第一输入a1、表示在训练图像中识别的图案的第二输入a2、表示训练图像的边缘的第三输入a3等。输入层502可包括数千个或更多个输入。在一些实施方案中，神经网络模型204所使用的元素的数量在训练过程期间改变，并且如果例如在神经网络的执行期间确定一些神经元具有较小相关性，则绕过这些神经元或忽略这些神经元。
在示例性实施方案中，隐藏层504-1至504-n中的每个神经元处理来自输入层502的一个或多个输入和/或来自其中一个先前隐藏层中的神经元的一个或多个输出，以生成决定或输出。输出层506包括一个或多个输出，每个输出指示标签、置信因子、描述输入的权重和/或输出图像。然而，在一些实施方案中，除了来自输出层506的输出之外或代替来自该输出层的输出，从隐藏层504-1至504-n获得神经网络模型204的输出。
在一些实施方案中，每个层相对于输入数据具有离散的可识别功能。例如，如果n等于3，则第一层分析输入的第一维度，第二层分析输入的第二维度，并且最后层分析输入的第三维度。尺寸可对应于被认为是强确定性的方面，然后对应于被认为是中等重要性的那些方面，并且最后对应于被认为是不太相关的那些方面。
在其他实施方案中，这些层在其执行的功能性方面未被清楚地描绘。例如，隐藏层504-1至504-n中的两个或更多个隐藏层可共享与标记相关的决定，其中没有单个层作出关于标记的独立决定。
图8B描绘了根据一个实施方案的对应于在图8A中的隐藏层504-1中标注为“1，1”的神经元的示例性神经元550。对神经元550的每个输入(例如，图8A中的输入层502中的输入)进行加权使得输入a1至ap对应于在神经网络模型204的训练过程期间所确定的权重w1至wp。
在一些实施方案中，一些输入缺少明确的权重，或者具有低于阈值的权重。权重被应用于函数α(由附图标号510标记)，该函数可为求和并且可产生值z1，该值被输入到标记为f1，1(z1)的函数520。函数520为任何合适的线性或非线性函数。如图8B所描绘的，函数520产生多个输出，可将这些输出提供给后续层的神经元或者用作神经网络模型204的输出。例如，输出可对应于标签列表的索引值，或者可为用作后续函数的输入的计算值。
应当理解，所描绘的神经网络模型204和神经元550的结构和功能仅用于说明目的并且存在其他合适的配置。例如，任何给定神经元的输出可不仅取决于由过去的神经元确定的值，而且取决于未来的神经元。
神经网络模型204可包括卷积神经网络(CNN)、深度学习神经网络、强化或加强学习模块或程序，或者在两个或多个感兴趣领域或方面中学习的组合学习模块或程序。可使用受监督和无监督机器学习技术。在受监督机器学习中，处理元件可设置有示例性输入及其相关联的输出，并且可试图发现将输入映射到输出的一般规则，使得当提供后续新型输入时，处理元件可基于所发现的规则准确地预测正确的输出。可使用无监督机器学习程序训练神经网络模型204。在无监督机器学习中，处理元件可能需要在未标记的示例性输入中找到其自身的结构。机器学习可以涉及识别和辨识现有数据中的图案，以便有利于对后续数据进行预测。可基于示例性输入来创建模型，以便对新型输入进行有效且可靠的预测。
除此之外或另选地，可通过将样本数据集或某些数据诸如图像、对象统计和信息输入到程序中来训练机器学习程序。机器学习程序可使用深度学习算法，该深度学习算法可主要集中于图案识别，并且可在处理多个示例之后进行训练。机器学习程序可单独或组合地包括贝叶斯程序学习 (BPL)、语音识别和合成、图像或物体识别、光学字符识别和/或自然语言处理。机器学习程序还可包括自然语言处理、语义分析、自动推理和/或机器学习。
基于这些分析，神经网络模型204可学习如何识别之后可应用于分析图像数据、模型数据和/或其他数据的特性和模式。例如，模型204可学习识别一系列数据点中的特征。
图9是可包括在神经网络模型204中的示例性CNN 600的框图。CNN 600包括卷积层608。在卷积层中，使用卷积代替神经网络模型中的一般矩阵乘法。在一个示例中，使用1×1卷积来减少神经网络600中的通道数量。神经网络600包括一个或多个卷积层块602、其中该层中的神经元与前一层中的每个神经元连接的完全连接的层604、以及提供输出的输出层606。
在示例性实施方案中，卷积层块602包括卷积层608和池化层610。每个卷积层608在其深度方面是灵活的，诸如卷积滤波器的数量和卷积滤波器的尺寸。池化层610用于通过将前一层处的神经元群集的输出组合成池化层 610中的单个神经元来简化底层计算并减少数据的维度。卷积层块602还可包括卷积层608与池化层610之间的归一化层612。归一化层612用于归一化训练图像批内的分布并且在归一化之后更新层中的权重。神经网络600中的卷积层块602的数量可取决于训练图像的图像质量和所提取特征中细节的水平。
在操作中，在训练中，将训练图像和其他数据诸如训练图像的所提取的特征输入到一个或多个卷积层块602中。观察的对应于训练图像的掩码作为输出层606的输出提供。在训练期间调节神经网络600。一旦神经网络 600被训练，输入图像被提供给一个或多个卷积层块602，并且输出层606 提供包括与输入图像相关联的掩码的输出。
本文所述的工作站12以及截断伪影减少计算设备202、203可以是任何合适的计算设备800和在其中实现的软件。图10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含(a)减少截断伪影；(b) 在减少截断伪影的同时增加高空间频率信息；(c)一个神经网络模型用于减少由各种部分采样图案引起的截断伪影；以及(d)使用共轭反射来增加从神经网络模型输出的图像的图像质量。
上面详细描述了截断伪影减少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)

1.一种从磁共振(MR)图像中去除截断伪影的计算机实现的方法，所述方法包括：
接收粗图像，所述粗图像基于来自在与高空间频率对应的k空间位置处在至少一个k空间维度中被不对称地截断的部分k空间的部分k空间数据；
使用神经网络模型分析所述粗图像，其中所述神经网络模型是用一对原始图像和损坏图像训练的，其中所述损坏图像基于来自在与所述高空间频率对应的所述k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，所述一个或多个部分采样图案包括在至少一个k空间维度中的不对称截断，所述原始图像基于与所述损坏图像的所述部分k空间数据对应的完整k空间数据，并且所述神经网络模型的目标输出图像是所述原始图像；
基于所述分析导出所述粗图像的改进图像，其中与所述粗图像相比，所述导出的改进图像包括减少的截断伪影和增加的高空间频率数据；以及
输出所述改进图像。
2.根据权利要求1所述的方法，其中所述原始图像进一步包括残留图像，所述残留图像包括所述损坏图像与所述损坏图像的基准真实图像之间的差异图像，并且所述基准真实图像基于与去除了所述截断伪影的所述损坏图像的所述部分k空间数据对应的所述完整k空间数据。
3.根据权利要求1所述的方法，其中所述损坏图像的所述部分k空间数据包括来自在至少一个k空间维度中被对称地截断的部分k空间的k空间数据，其中所述导出的改进图像中的所述增加的高空间频率数据包括所具有的空间频率高于所述部分k空间数据的空间频率的高空间频率数据。
4.根据权利要求1所述的方法，其中所述损坏图像的所述部分k空间数据包括来自在多于一个k空间维度中被不对称地截断的部分k空间的k空间数据。
5.根据权利要求1所述的方法，其中所述损坏图像的所述部分k空间数据包括第一组k空间数据和第二组k空间数据，其中所述第二组k空间数据是所述第一组k空间数据的共轭反射。
6.根据权利要求1所述的方法，其中分析所述粗图像进一步包括分析所述粗图像和所述粗图像的共轭反射图像，其中所述神经网络模型采用所述粗图像和所述共轭反射图像两者作为输入。
7.根据权利要求1所述的方法，其中所述部分k空间数据是通过多采集脉冲序列采集的，并且每次采集的所述部分k空间数据包括来自以互补部分采样图案截断的部分k空间的部分k空间数据。
8.根据权利要求1所述的方法，其中通过多通道射频(RF)线圈采集部分k空间数据，所述方法包括：
针对每个通道，
接收基于通过所述通道采集的所述部分k空间数据的粗图像；
使用所述神经网络模型来分析所述粗图像；以及
基于所述分析导出所述粗图像的改进图像；以及
将至少两个通道的改进图像组合成组合图像。
9.一种从磁共振(MR)图像中去除截断伪影的计算机实现的方法，所述方法包括：
接收一对原始图像和损坏图像，其中所述损坏图像基于来自在与高空间频率对应的k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，所述一个或多个部分采样图案包括在至少一个k空间维度中的不对称截断，所述原始图像基于与所述损坏图像的所述部分k空间数据对应的完整k空间数据；以及
通过以下方式使用所述对的所述原始图像和所述损坏图像来训练神经网络模型：
将所述损坏图像输入所述神经网络模型；
将所述原始图像设置为所述神经网络模型的目标输出；
使用所述神经网络模型来分析所述损坏图像；
将所述神经网络模型的输出与所述目标输出进行比较；以及
基于所述比较调节所述神经网络模型，
其中所述经训练的神经网络模型被配置为减少所述损坏图像中的截断伪影，并增加所述损坏图像中的高空间频率数据。
10.根据权利要求9所述的方法，其中所述原始图像进一步包括残留图像，所述残留图像包括所述损坏图像与所述损坏图像的基准真实图像之间的差异图像，并且所述基准真实图像基于与去除了所述截断伪影的所述损坏图像的所述部分k空间数据对应的所述完整k空间数据。
11.根据权利要求9所述的方法，其中所述损坏图像的所述部分k空间数据包括来自在至少一个k空间维度中被对称地截断的部分k空间的k空间数据，其中所述导出的改进图像中的所述增加的高空间频率数据包括所具有的空间频率高于所述部分k空间数据的空间频率的高空间频率数据。
12.根据权利要求9所述的方法，其中所述损坏图像的所述部分k空间数据包括来自在多于一个k空间维度中被不对称地截断的部分k空间的k空间数据。
13.根据权利要求9所述的方法，其中所述损坏图像的所述部分k空间数据包括第一组k空间数据和第二组k空间数据，其中所述第二组k空间数据是所述第一组k空间数据的共轭反射。
14.一种截断伪影减少系统，所述截断伪影减少系统包括截断伪影减少计算设备，所述截断伪影减少计算设备包括至少一个处理器，所述至少一个处理器与至少一个存储器设备通信，并且所述至少一个处理器被编程用于：
接收粗图像，所述粗图像基于来自在与高空间频率对应的k空间位置处在至少一个k空间维度中被不对称地截断的部分k空间的部分k空间数据；
使用神经网络模型分析所述粗图像，其中所述神经网络模型是用一对原始图像和损坏图像训练的，其中所述损坏图像基于来自在与所述高空间频率对应的所述k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，所述一个或多个部分采样图案包括在至少一个k空间维度中的不对称截断，所述原始图像基于与所述损坏图像的所述部分k空间数据对应的完整k空间数据，并且所述神经网络模型的目标输出图像是所述原始图像；
基于所述分析导出所述粗图像的改进图像，其中与所述粗图像相比，所述导出的改进图像包括减少的截断伪影和增加的高空间频率数据；以及
输出所述改进图像。
15.根据权利要求14所述的系统，其中所述原始图像进一步包括残留图像，所述残留图像包括所述损坏图像与所述损坏图像的基准真实图像之间的差异图像，并且所述基准真实图像基于与去除了所述截断伪影的所述损坏图像的所述部分k空间数据对应的所述完整k空间数据。
16.根据权利要求14所述的系统，其中所述损坏图像的所述部分k空间数据包括来自在至少一个k空间维度中被对称地截断的部分k空间的k空间数据，其中所述导出的改进图像中的所述增加的高空间频率数据包括所具有的空间频率高于所述部分k空间数据的空间频率的高空间频率数据。
17.根据权利要求14所述的系统，其中所述损坏图像的所述部分k空间数据包括来自在多于一个k空间维度中被不对称地截断的部分k空间的k空间数据。
18.根据权利要求14所述的系统，其中所述损坏图像的所述部分k空间数据包括第一组k空间数据和第二组k空间数据，其中所述第二组k空间数据是所述第一组k空间数据的共轭反射。
19.根据权利要求14所述的系统，其中所述至少一个处理器被进一步编程用于分析所述粗图像和所述粗图像的共轭反射图像，其中所述神经网络模型采用所述粗图像和所述共轭反射图像两者作为输入。
20.根据权利要求14所述的系统，其中所述部分k空间数据是通过多采集脉冲序列采集的，并且每次采集的所述部分k空间数据包括来自以互补部分采样图案截断的部分k空间的部分k空间数据。
CN202111513520.9A 2020-12-22 2021-12-09 去除磁共振图像中的截断伪影的深度学习系统和方法 Pending CN114663537A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/131,171 US12045917B2 (en) 2020-12-22 2020-12-22 Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images
US17/131,171 2020-12-22

Publications (1)

Publication Number Publication Date
CN114663537A true CN114663537A (zh) 2022-06-24

Family

ID=79230548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111513520.9A Pending CN114663537A (zh) 2020-12-22 2021-12-09 去除磁共振图像中的截断伪影的深度学习系统和方法

Country Status (3)

Country Link
US (1) US12045917B2 (zh)
EP (1) EP4019996A1 (zh)
CN (1) CN114663537A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11763429B2 (en) * 2021-05-19 2023-09-19 GE Precision Healthcare LLC Deep learning based medical system and method for image acquisition
WO2024112969A1 (en) * 2022-11-27 2024-05-30 Mayo Foundation For Medical Education And Research High-resolution low-noise volume-of-interest imaging in helical computed tomography using deep learning

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10015068C2 (de) * 2000-03-25 2002-06-27 Bruker Medical Gmbh Verfahren zur Erzeugung von Bildern der magnetischen Resonanz
US7652474B2 (en) 2007-05-02 2010-01-26 Griswold Mark A Conjugate symmetry in parallel imaging
CN207051471U (zh) * 2017-05-27 2018-02-27 通用电气公司 用于医学成像设备的射频线圈装置及磁共振成像系统
CN109239631B (zh) 2018-08-03 2021-02-23 上海东软医疗科技有限公司 一种磁共振成像方法和装置
US10635943B1 (en) 2018-08-07 2020-04-28 General Electric Company Systems and methods for noise reduction in medical images with deep neural networks
US10915990B2 (en) 2018-10-18 2021-02-09 General Electric Company Systems and methods for denoising medical images with deep learning network
CN109658471B (zh) 2018-12-20 2023-07-25 上海联影医疗科技股份有限公司 一种医学图像重建方法和系统

Also Published As

Publication number Publication date
US12045917B2 (en) 2024-07-23
US20220198725A1 (en) 2022-06-23
EP4019996A1 (en) 2022-06-29

Similar Documents

Publication Publication Date Title
CN111513716B (zh) 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
US10915990B2 (en) Systems and methods for denoising medical images with deep learning network
US12000918B2 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
US11346912B2 (en) Systems and methods of generating robust phase images in magnetic resonance images
US10895622B2 (en) Noise suppression for wave-CAIPI
US11408954B2 (en) Systems and methods of reducing noise and artifacts in magnetic resonance imaging
EP4019996A1 (en) Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images
JP2020146449A (ja) 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置
EP4092439A1 (en) System and method for reconstruction using a high-resolution phase in magnetic resonance images
JP4975614B2 (ja) 磁気共鳴イメージング装置及び方法
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
KR102027773B1 (ko) 자기공명영상의 왜곡 보정을 위한 방법 및 이를 적용한 자기공명영상 장치
US11756197B2 (en) Systems and methods of processing magnetic resonance images using phase-sensitive structural similarity index measure
CN113466768B (zh) 磁共振成像方法及磁共振成像系统
US12118720B2 (en) Systems and methods of magnetic resonance image processing using neural networks having reduced dimensionality
US12013451B2 (en) Noise adaptive data consistency in deep learning image reconstruction via norm ball projection
US20230341490A1 (en) Systems and methods of noise reduction in magnetic resonance images
US11474183B1 (en) Motion correction systems and methods of propeller magnetic resonance images
US11763429B2 (en) Deep learning based medical system and method for image acquisition
US11953574B2 (en) Systems and methods of accelerated propeller magnetic resonance imaging
JP7507793B2 (ja) オフ共鳴アーチファクト補正を伴うスパイラルｍｒ撮像
WO2023186609A1 (en) Deep learning based denoising of mr images
CN114325527A (zh) 静音多梯度回波动态磁共振成像的系统和方法
JPWO2020245144A5 (zh)

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