CN115063309A - 运动伪影模拟器及相应方法 - Google Patents
运动伪影模拟器及相应方法 Download PDFInfo
- Publication number
- CN115063309A CN115063309A CN202210640316.1A CN202210640316A CN115063309A CN 115063309 A CN115063309 A CN 115063309A CN 202210640316 A CN202210640316 A CN 202210640316A CN 115063309 A CN115063309 A CN 115063309A
- Authority
- CN
- China
- Prior art keywords
- images
- source
- motion
- physiological
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 18
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 14
- 230000035945 sensitivity Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 description 7
- 230000000747 cardiac effect Effects 0.000 description 6
- 230000000241 respiratory effect Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 230000001788 irregular Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010247 heart contraction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000014616 translation Effects 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- A61B5/05—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
- G01R33/54—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
- 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
- G06N3/08—Learning methods
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G01R33/567—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution gated by physiological signals, i.e. synchronization of acquired MR data with periodical motion of an object of interest, e.g. monitoring or triggering system for cardiac or respiratory gating
- G01R33/5673—Gating or triggering based on a physiological signal other than an MR signal, e.g. ECG gating or motion monitoring using optical systems for monitoring the motion of a fiducial marker
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised 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
- G06T2207/10—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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
用于训练人工神经网络以从运动污染的磁共振(MR)图像中去除运动伪影的MR图像难以获得。本文描述了用于将运动伪影注入到干净的MR图像中并将人工污染的图像用于机器学习和神经网络训练的系统、方法和装置。运动污染的MR图像可以基于与被扫描对象的多个生理周期相关联的干净的源MR图像并且通过基于源MR图像针对多个生理周期导出MR数据段来创建。由此导出的MR数据段可以组合,以获得模拟的MR数据集,从该数据集可以生成一个或多个目标MR图像,以展示运动伪影。运动伪影可以通过操纵源MR图像和/或控制生成MR数据集或目标MR图像的方式来创建。
Description
技术领域
本申请磁共振成像(MRI)过程、尤其是涉及动态扫描对象(例如心脏)的过程。
背景技术
在磁共振成像(MRI)过程、尤其是涉及动态扫描对象(例如心脏)的过程中,通常会遇到运动伪影(诸如由患者的呼吸运动引起的运动伪影)。据报道,大约20%的重复MRI扫描可归因于运动伪影,这给医院和其他医疗机构带来了沉重的负担。另一方面,即使基于深度学习的技术已经为MRI图像分析和后处理带来了巨大的进步,但运动伪影的去除仍然是一项具有挑战性的任务。主要的障碍是缺乏训练数据。在扫描之后,通常丢弃运动污染的图像,并且甚至更难以收集具有受控运动的数据(诸如由可以用于监督学习的干净的和运动污染的图像构成的图像对)。
因此,期望系统、方法和装置来生成具有模拟运动伪影的磁共振(MR)图像。然后,这些运动污染的MR图像可以用于解决各种各样的问题,包括例如训练人工神经网络,以从MR图像中自动去除运动伪影。
发明内容
本文描述了用于将运动伪影注入到磁共振(MR)图像中以创建可用于各种目的的人工污染的MR图像的系统、方法和装置。运动污染的MR图像可以基于大致没有运动伪影的扫描对象的源MR图像的集合来创建。源MR图像可以包括多个图像子集,并且各个子集可以与被扫描对象的多个生理周期中的一个生理周期(例如多个心动周期中的一个心动周期)相关联。从与生理周期相关联的源MR图像的子集或与生理周期相关联的源MR图像的子集的修改版本,可以针对生理周期导出(例如,至少一个)MR数据段。在这个阶段,可以基于表示运动伪影的运动模式(例如,人工创建的运动模式)来引入运动伪影。例如,可以通过基于运动模式(motion pattern)使源MR图像的子集发生形变、通过对源图像的至少一部分进行重新排序、通过对源图像的一部分进行插值以导出一个或多个附加源MR图像等来引入伪影。可以组合针对多个生理周期导出的MR数据段,以获得与从实际MR过程采集的数据集类似的MR数据集(例如,模拟MR数据集)。使用该MR数据集(例如,MR数据集的选定部分),可以生成一个或多个目标MR图像,以包括特定的运动伪影。例如,为了模拟无触发伪影,可以生成一个或多个目标MR图像,使得它们可以与两个或更多个生理周期相关联,并且可以看起来已经在错过触发的情况下捕捉。所述一个或多个处理器被配置为进一步基于一个或多个线圈灵敏度图来生成所述一个或多个目标MR图像。所述源MR图像的集合包括心脏MR图像,并且所述多个生理周期包括一个或多个心脏间期。
在示例中,可以组合(例如,使用逐行笛卡尔坐标方法)与多个生理周期相关联的MR数据段,以获得MR数据集(例如,数字化的MR信号),从该MR数据集可以生成目标图像。在示例中,组合MR数据段可以包括对MR数据段进行插值,以模拟MR信号的自顶向下采样。在示例中,针对多个生理周期导出的MR数据段可以包括通过对源MR图像(或其修改版本)应用快速傅里叶变换(FFT)获得的k空间数据。这种k空间数据可以表示例如在实际MRI过程中捕捉的对象的空间频率和/或相位信息。
在示例中,基于模拟MR数据集(例如,k空间数据)生成一个或多个目标MR图像可包括对MR数据集的至少一部分应用逆FFT(iFFT),以导出目标MR图像。在示例中,基于模拟MR数据集生成一个或多个目标MR图像可包括对k空间数据的部分插值,以覆盖k空间的一部分或全部。在示例中,可以进一步基于一个或多个线圈灵敏度图生成一个或多个目标MR图像。
使用本文所述的系统、方法和装置生成的MR图像可以用于不同目的。例如,MR图像可以包括心脏MR图像,并且可以用于训练机器学习模型,以便从心脏MR图像中去除运动伪影。
附图说明
从以下结合附图通过示例的方式给出的描述中,可以获得本文所公开示例的更详细理解。
图1是例示了根据本文描述的一个或多个实施例的用于模拟磁共振(MR)图像中的运动伪影的示例框架的框图。
图2是例示了根据本文所述的一个或多个实施例的基于分段的MR数据来模拟MR信号的示例的框图。
图3是例示了根据本文描述的一个或多个实施例的将运动动态特性(例如,运动伪影)并入MR图像中的示例的框图。
图4是例示了通过控制生成MR图像的方式来模拟MR图像中的运动伪影的示例的框图。
图5A是包括根据本文描述的一个或多个实施例模拟的无触发伪影的示例MR图像。
图5B是包括根据本文描述的一个或多个实施例模拟的呼吸伪影的示例MR图像。
图6是例示了根据本文描述的一个或多个实施例的用于模拟MR图像中的运动伪影的示例过程的流程图。
图7是例示了根据本文描述的一个或多个实施例的运动模拟器的示例部件的框图。
图8是例示了使用模拟MR图像来训练神经网络以执行运动伪影去除的示例的流程图。
具体实施方式
在附图的各图中,通过示例而非限制性的方式例示了本公开。
图1是例示了用于模拟磁共振(MR)图像中的运动伪影的示例框架的框图。如图所示,模拟可以基于大致没有运动伪影的源MR图像102的集合来执行,并且可以涉及以下操作中的一个或多个:基于与被扫描对象的多个生理周期(例如,C1、C2、C3等)中的每一个相关联的源MR图像102(或源MR图像102的修改版本)针对该生理周期导出至少一个MR数据段104;组合针对多个生理周期(例如,C1、C2、C3等)导出的MR数据段104,以获得模拟MR数据集106;和/或基于模拟MR数据集(例如,使用MR数据集的选定部分)生成目标MR图像108,使得MR目标图像108可以展示在前述操作期间注入的一个或多个运动伪影。
源MR图像102可以包括单个图像、图像集合、电影视频(例如,包括多个MR图像)等。图像可以从各种来源获得,包括例如从磁共振成像(MRI)装置、从存储患者成像记录的数据库等。各个源MR图像102可与时间点(例如,沿着时间轴的位置)相关联,并且可表示在该时间点的被扫描对象的状态(例如,运动状态M)。例如,源图像102可以包括在被扫描对象(例如,心脏)的生理周期(例如,心脏收缩的完整周期或RR间期)期间捕捉的N个图像,由此可见,可以表示被扫描对象在生理周期中的相应运动状态(M0、M1、M2...MN)(例如,相邻运动状态之间的时间间隔可以反映源图像的时间分辨率)。作为另一示例,源MR图像102的集合可以包括源MR图像的多个子集,其中,源MR图像的各个子集可以与多个生理周期(例如,C1、C2、C3等)中的一个生理周期相关联。源MR图像的这些子集可以是被采集以便于运动模拟的原始图像集的部分,或者它们可以在运动模拟过程期间创建(例如,复制)。例如,为运动模拟获得的原始图像集可包括仅与生理周期C1相关联的MR图像,并且作为运动模拟过程的一部分,原始MR图像可进一步与生理周期C2、C3等相关联(例如,针对这些生理周期进行复制)。
在图1所示的一个或多个阶段期间,运动伪影可能被引入目标图像108。这些运动伪影可以包括例如患者整体运动、呼吸运动、不规则的心跳、与采集相关的伪影(例如,硬件错误)等。作为示例,可以在基于发生形变的源MR图像(例如,源MR图像的修改版本)导出MR数据段104之前,通过基于人工创建的表示呼吸的运动事件(例如,运动模式)使源MR图像102发生形变,来引入由呼吸运动引起的伪影。作为另一个示例,可以操纵在运动模拟中使用的生理周期的持续时间和/或数量,以模拟在实际MRI过程期间可能发生的运动。这种运动可包括例如ECG不触发、ECG假触发、不规则的心跳(例如心房纤颤和室性早搏)等。下面将例如参考图3和图4提供这些伪影注入技术的更多细节。
MR数据段104可包括MR数据段的子集,各个子集是针对多个生理周期(例如,C1、C2、C3等)中相应的一个生理周期导出的,并且包括k空间信息,该k空间信息表示二维或三维中的被扫描对象的空间频率信息(例如,k空间可被相位和频率编码数据覆盖)。k空间数据段与源图像之间的关系可以通过傅里叶变换(诸如快速傅里叶变换(FFT))来定义。由此可见,可以通过对与特定生理周期相关联的源MR图像的子集或源MR图像的子集的修改版本应用FFT,来导出与该生理周期相关联的MR数据段的子集。由此获得的数据段可以与在实际MRI过程期间采集的数据段类似。例如,利用2维(2D)傅里叶变换,所导出的MR数据段中的行可对应于特定相位编码水平的数字化MR信号,并且MR信号的各个数字化数据点可由具有实部和虚部的复数表示,或者被定义为具有幅度和相位。k空间中的数字化数据点的位置可以与被成像对象的梯度场直接相关。因此,当梯度随时间变化时,可以在通过傅里叶空间的轨迹中对k空间数据进行采样。
因为从源MR图像的各个子集中只能得到被扫描对象的有限数量的k空间数据(例如,每段的k空间数据数量(NVS)可能是有限的),所以可以将针对多个生理周期导出的MR数据段104中的两个或更多个组合成模拟MR数据集106,以填充k空间的一部分(例如,期望部分)或全部。本文描述的k空间数据可以对应于MRI读出行或2D MR数据空间中的行,这些行可以是竖直的、水平的或倾斜的。图2例示了一个示例,在该示例中,组合对应于生理周期C1、C2和C3的MR数据段S1、S2和S3,以获得覆盖(例如,大致)整个k空间的模拟MR数据的集合S。可以使用各种技术来执行组合(例如,填充k空间的期望部分或全部),包括例如基于逐列或逐行笛卡尔坐标方法的技术或基于螺旋和径向定向轨迹的技术。可以模拟MR数据段104的时机(例如,当采集MR数据段时),并且可以对MR数据段插值(例如,基于MR数据段的模拟时机和/或源图像102的时机),以模拟实际的k空间信号采集(例如,使用本文所述的框架生成的目标图像的数量可以不同于源图像的数量)。
回到图1,可以通过对模拟MR数据106(例如,对MR数据106的选定部分)应用逆FFT和/或将线圈灵敏度(例如,经由一个或多个线圈灵敏度图)并入到图像生成过程中来生成目标MR图像108。例如,图像生成(例如,图像重建)可以包括获得各个线圈的线圈灵敏度的复共轭与经由线圈获得的MR图像的乘积(例如,经由乘法),并且将针对所有线圈获得的乘积相加,例如,如下例示:
其中,m可以表示线圈组合的图像,n可以表示线圈的数量,i可以表示线圈索引,csm_i可以表示第i个线圈的线圈灵敏度图,并且m_i可以呈现经由第i个线圈获得的MR图像。
本文描述的线圈灵敏度可以类似于单个线圈(例如,组合以导出线圈组合图像的多个线圈)或多个线圈(诸如在实际MRI过程中使用的多个相控阵列线圈)的灵敏度。在示例中(例如,在MR数据包括复数值数据元素时),可以使用各种技术基于源图像102和/或模拟MR数据108(例如,k空间信息)来确定线圈灵敏度图。例如,可以使用基于以下等式的平方和方法来确定第i个线圈的线圈灵敏度图csm_i:csm_i=m_i/m_sos,其中,m_i可以表示使用第i个线圈捕捉的MR图像,m_sos可以等于并且n可以表示被模拟的线圈的数量。在示例中(例如,在MR数据仅包括幅度值时),可以将线圈灵敏度图模拟为例如从线圈中心到像素位置的距离的函数。例如,如果图像像素在位置(x,y,z)处并且线圈中心(例如,在相同的坐标系中)在(a,b,c)处,那么(x,y,z)处的线圈灵敏度可以被确定为其中,r=sqrt((x-a)2+(y-b)2+(z-c)2)。在示例中,可以对k空间数据的部分插值,以导出附加的目标MR图像,从而增加目标图像的时间分辨率(例如,可以生成连续的而不是离散的图像帧)。
如本文所述,可以通过基于人工创建的运动事件使源MR图像102发生形变、通过模拟生理周期的时机和操纵生理周期的参数(例如,持续时间)以模拟由ECG无触发、ECG假触发和/或不规则心跳等引起的伪影,来引入运动伪影。图3例示了将运动动态(例如,运动伪影)并入MR图像中的示例。可以基于大致没有运动伪影的源MR图像302的集合来执行模拟。这些源MR图像可以在被扫描对象的生理周期C1(例如,心脏收缩的完整周期)内捕捉,并且各个图像可以与生理周期内的相应时间点相关联。为了将运动伪影注入到这些源图像中,可以在源图像302的时间方向上创建运动模式304。在示例中,运动模式可以包括呼吸模式(例如,图3中示出),该呼吸模式表示患者沿时间轴的呼吸运动。在示例中,运动模式可以表示不规则的心跳(例如,当心脏没有完成收缩周期时),这些心跳可以通过在时间方向上重新排序源图像(例如,重新排序的图像可以对应于运动状态M0、M1、MN而不是M0、M1、M2...MN)或者通过人工地将附加运动状态插入到源图像集中(例如,通过对两个或更多个相邻源图像插值)来模拟。
通过根据运动模式使源图像发生形变,可以将由运动模式304表示的运动动态特性或伪影并入源图像302中。例如,图3所示的呼吸模式可以由参数化运动模型表示,并且运动模式304可以包括一组运动曲线,各个运动曲线给出作为时间的函数(例如,匹配源图像302的时间点或时间位置)的运动模型的一个参数的值。在示例中,运动模型可以是模仿呼吸运动的平移位移模型。这种模型可以利用正弦函数,该正弦函数包括频率分量f和振幅分量a,例如,以位移=a*sin(ft)的形式。在该等式中,频率分量f可以表示呼吸频率,振幅分量a可以表示呼吸运动的程度,t可以表示特定时间点,并且位移可以表示在时间t时在头脚方向(例如,该方向可以是MR短轴成像期间呼吸的主运动方向)上图像(例如,整个图像)位移的距离(例如,可以针对不同的生理设置或应用针对a和f设置不同的值)。
基于模型和运动曲线,可以采用各种图像形变和/或配准技术来修改源图像302,使得与运动模式304相关联的运动动态特性可以反映在源图像302的修改版本中。这些图像形变和/或配准技术可以包括例如仿射变换、刚性平移、非刚性平移或其组合。
一旦源图像302已经被修改以并入期望的运动伪影,源图像的修改版本就可用于导出相关生理周期C1的对应MR数据段306。如本文所述,可以通过对修改的源图像应用快速傅里叶变换来执行导出。此外,源图像302可以与附加的生理周期(例如,图3所示的C2)相关联,并且可以基于这些生理周期的运动模式304发生形变。对应地,可以在合并(例如,逐行或逐列)数据段以获得模拟MR数据集(例如,数字化的MR信号)之前针对附加生理周期导出相应MR数据段。然后,可以使用模拟MR数据集(例如,k空间数据)来生成目标MR图像308,这些图像展示了由运动模式304注入的运动伪影。由于用于生成目标图像的MR数据可以由跨多个生理周期的k空间段组装,并且k空间段可以进一步插值以填充k空间的一部分或全部,因此可以以期望的时间分辨率(例如,以任何时间分辨率或任何时间间隔)生成目标MR图像308,以演示由运动模式304指示的伪影。
图4例示了模拟MR图像中的运动伪影的另一示例。类似于图3所示的示例,可以基于大致没有运动伪影的源MR图像402的集合来执行运动模拟。源MR图像可以分组为多个图像子集,各个子集与生理周期相关联。可以创建生理周期(例如,C1、C2、C3等),以模拟ECG过程中R波的定时,由此可见,生理周期C1、C2、C3等可以对应于ECG图形中的RR间期(例如,RR间期可以表示心电图上QRS信号的两个连续R波之间经过的时间)。基于与多个生理周期相关联的图像子集,可以针对多个生理周期导出相应的MR数据段404并将其组合,以获得模拟MR数据集(例如,数字化MR信号),该数据集覆盖(例如,大致)k空间的一部分(例如,表示欠采样情况)或全部(例如,表示全采样情况)。然后,模拟的MR数据集可以用于生成目标MR图像406的序列,并且通过控制生成目标MR图像406的方式(例如,控制使用MR数据集的哪个部分来生成目标图像),可以将某些运动伪影注入到目标图像中。例如,为了模拟诸如ECG无触发的无触发伪影,目标图像406可以跨多个生理周期(例如,跨RR间期C1和C2)而不是一个这样的周期分布(例如,与其关联),使得目标图像的序列看起来是在C1与C2之间错过触发的情况下拍摄的。
图5A和图5B分别示出了具有模拟的无触发伪影和模拟的呼吸伪影的示例MR图像。应当注意,尽管本文使用心脏MRI(cMRI)来描述所提出的运动模拟技术,但是cMRI(例如回顾式触发电影cMRI)仅表示可以部署所提出的技术的示例性领域。其它MRI过程(例如,大脑、腹部等)也可以受益于所提出的技术。还应当注意,在本文提供的示例中具体实施的内容是用于模拟MR图像中的运动伪影的框架。可以使用该框架生成的伪影的类型不限于在示例中描述的类型,并且可以包括未在本文中具体列出的其他类型。
图6是例示了用于模拟MR图像中的运动伪影的示例过程600的流程图。该过程可以在602开始,并且在604,可以获得大致没有运动伪影的源MR图像的集合(例如,单个MR图像、多个MR图像、电影视频等)。源图像可以例如从MRI过程、存储患者成像记录的数据库等获得。各个源图像可以与时间点或时间位置相关联,并且图像的整个集合可以跨越一个或多个生理周期(例如,RR间期)。例如,源MR图像的集合可以最初与第一生理周期相关联(例如,在第一生理周期内捕捉),并且作为运动模拟过程600的一部分,可以在606与另外的生理周期相关联。在608,可以操纵源MR图像,以并入运动模式(例如,表示由呼吸运动、不规则心跳等引起的某些运动伪影)。在示例中,可以通过基于运动模式使源图像发生形变(例如,经由仿射、刚性或非刚性变换)来将运动伪影注入到源MR图像中。在示例中,可以通过在时间上对源图像的至少一部分进行重新排序或者通过将附加MR图像人工插入到源图像集中(例如,基于相邻源图像的插值)来模拟伪影。
在610,可以基于与生理周期相关联的源MR图像或源MR图像的修改版本(例如,当将运动伪影注入到源图像时)针对各个生理周期导出MR数据段。例如,可以通过对源MR图像应用傅里叶变换(例如,FFT)以获得k空间信息来导出MR数据段,该k空间信息表示在源MR图像中扫描的对象的空间频率和/或相位信息。在612,可以组合针对生理周期导出的MR数据段,以获得模拟从实际MRI过程采集的数据集的模拟MR数据集(例如,数字化的MR信号)。在示例中,MR数据段的组合可以包括逐列地或基于螺旋和/或径向定向轨迹合并MR数据段。在示例中,MR数据段的组合可以包括对MR数据段进行插值,以模拟MR信号的自顶向下采样。
一旦获得,在614,可以使用模拟MR数据集来生成包括特定运动伪影的一个或多个目标MR图像。如本文所述,运动伪影可被并入源MR图像的修改版本中,从该修改版本中可导出一个或多个MR数据段。例如,还可以通过控制生成目标MR图像的方式来创建运动伪影。例如,可以基于期望的运动伪影使用MR数据集的选定部分来生成各个目标MR图像。作为另一个示例,为了模拟ECG无触发伪影,可以跨多个生理周期生成(例如,分布)目标图像,使得图像看起来在生理周期之间错过触发的情况下拍摄。然后,运动模拟过程600可以在616结束。
为了简单说明起见,在运动模拟过程600中涉及的操作在本文中以特定顺序描绘和描述。然而,应当注意,这些操作可以以各种顺序、同时和/或与本文未呈现或描述的其它操作一起发生。此外,应当注意,可包括在运动模拟过程600中的操作可能不会在本文中全部描绘和描述,并且并非所有例示的操作都需要执行。
本文所述的系统、方法和/或装置可以使用一个或多个处理器、一个或多个储存装置和/或其他合适的辅助装置(诸如显示装置、通信装置、输入/输出装置等)来实施。图7是例示了可以被配置为执行本文描述的一个或多个功能的示例运动模拟器700的框图。如图所示,运动模拟器700可以包括处理器(例如,一个或多个处理器)702,该处理器可以是中央处理单元(CPU)、图形处理单元(GPU)、微控制器、精简指令集计算机(RISC)处理器、专用集成电路(ASIC)、专用指令集处理器(ASIP)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或能够执行本文所述的功能的任何其它电路或处理器。运动模拟器700还可以包括通信电路704、存储器706、大容量储存装置708、输入装置710和/或通信链路712(例如,通信总线),附图所示的一个或多个部件可以通过该通信链路交换信息。
通信电路704可以被配置为利用一个或多个通信协议(例如,TCP/IP)和一个或多个通信网络来发送和接收信息,这些通信网络包括局域网(LAN)、广域网(WAN)、因特网、无线数据网络(例如,Wi-Fi、3G、4G/LTE或5G网络)。存储器706可以包括被配置为存储机器可读指令的存储介质(例如,非瞬时性存储介质),当机器可读指令被实行时,使得处理器702执行本文所述的一个或多个功能。机器可读介质的示例可以包括易失性或非易失性存储器,包括但不限于半导体存储器(例如,电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM))、闪存等)。大容量储存装置708可以包括一个或多个磁盘,诸如一个或多个内置硬盘、一个或多个可移动盘、一个或多个磁光盘、一个或多个CD-ROM或DVD-ROM盘等,在磁盘上可以存储指令和/或数据,以便于处理器702的操作。输入装置710可以包括键盘、鼠标、语音控制输入装置、触敏输入装置(例如,触摸屏)等,用于接收运动模拟器700的用户输入。
应当注意,运动模拟器700可以作为独立装置操作或者可以与其他计算装置连接(例如,联网或成群),以执行本文所述的功能。并且即使在图7中仅示出了各个部件的一个实例,本领域技术人员也将理解,运动模拟器700可以包括图中示出的一个或多个部件的多个实例。
使用本文所述的技术模拟的运动污染MR图像可以用于提高各种临床应用的质量和效率。例如,模拟的MR图像可用于训练人工神经网络(ANN)以学习模型(例如,机器学习(ML)模型),以便从在实际MRI过程中采集的MR图像中自动去除运动伪影。这种预训练过的ANN可以部署(例如,实施)在一个或多个计算装置上,计算装置可以被配置为接收包括运动伪影的扫描对象的MR图像,并且通过预训练过的ANN处理MR图像,以获得大致没有运动伪影的输出图像。
图8例示了可以用于训练神经网络(例如,卷积神经网络(CNN))以学习基于使用本文所述的技术生成的MR图像的运动伪影去除模型的过程800。过程800可以在802开始,并且在804,可以初始化神经网络的初始参数(例如,与神经网络的各种过滤器或核相关联的权重)。参数例如可以基于从具有类似架构的另一神经网络的一个或多个概率分布或参数值收集的样本来初始化。在806,神经网络可以接收使用本文所述的模拟技术生成的运动污染的MR图像,并且通过神经网络的各层处理图像,以从图像中去除运动伪影(例如,预测没有运动伪影的对应的干净MR图像)。在808,可以将处理的结果与金标准进行比较,以确定需要对当前分配的神经网络参数进行的调节。金标准可以是用于生成运动污染图像的源MR图像(例如,本文描述的源MR图像102、302或402),并且对网络参数的调节可以基于损失函数(例如,基于均方误差(MSE))和与损失函数相关联的梯度下降(例如,随机梯度下降)来确定。
在810,神经网络可以例如经由反向传播过程来对当前分配的网络参数应用调节。在812,神经网络可以确定是否满足一个或多个训练终止准则。例如,如果神经网络已经完成预定次数的训练迭代,如果处理结果与金标准值之间的差低于预定阈值,或者如果损失函数的值在两次训练迭代之间的变化低于预定阈值,则神经网络可以确定训练终止准则被满足。如果在812确定不满足训练终止准则,则神经网络可以返回到806。如果在812确定满足训练终止准则,则神经网络可以在814结束训练过程800。
为了简单说明起见,训练步骤在本文中以特定顺序描绘和描述。然而,应当理解,训练操作可以以各种顺序、同时和/或与本文未呈现或描述的其它操作一起发生。此外,应当注意,并非可包括在训练过程中的所有操作都在本文中描绘和描述,并且并非所有例示的操作都需要执行。
尽管已经根据某些实施例和一般关联的方法描述了本公开,但是实施例和方法的变更和变换将对本领域技术人员显而易见。因此,示例性实施例的以上描述不限制本公开。在不脱离本公开的精神和范围的情况下,其它改变、替换和变更也是可能的。另外,除非另外具体陈述,否则利用诸如“分析”、“确定”、“启用”、“识别”、“修改”等术语的讨论是指计算机系统或类似电子计算装置的动作和过程,这些动作和过程将表示为计算机系统的寄存器和存储器内的物理(例如,电子)量的数据操纵和变换成表示为计算机系统存储器或其它这种信息存储、传输或显示装置内的物理量的其它数据。
应当理解,上述描述旨在为说明性的,而不是限制性的。在阅读和理解以上描述之后,许多其它实施方式对于本领域技术人员将显而易见。因此,本公开的范围应当参考所附权利要求以及这种权利要求被赋予的等同物的全部范围来确定。
Claims (10)
1.一种运动伪影模拟器,被配置为将与医疗过程相关联的运动伪影注入到医学磁共振(MR)图像中,包括:
一个或多个处理器,其被配置为:
获得被扫描对象的源MR图像的集合,所述源MR图像的集合大致没有运动伪影并且包括源MR图像的多个子集,源MR图像的各个子集与所述被扫描对象的多个生理周期中的一个生理周期相关联;
基于与所述生理周期相关联的所述源MR图像的子集或与所述生理周期相关联的所述源MR图像的子集的修改版本,针对所述多个生理周期中的每个生理周期导出至少一个MR数据段;
基于针对所述多个生理周期导出的所述相应MR数据段来获得MR数据集;并且
基于所述MR数据集生成一个或多个目标MR图像,使得所述一个或多个目标MR图像包括运动伪影。
2.根据权利要求1所述的运动伪影模拟器,其中,基于与所述生理周期相关联的所述源MR图像的子集的所述修改版本导出针对所述生理周期的所述至少一个MR数据段,并且其中,所述一个或多个处理器被配置为通过修改所述源MR图像的子集以并入与所述运动伪影相关联的运动模式来获得所述源MR图像的子集的所述修改版本。
3.根据权利要求2所述的运动伪影模拟器,其中,所述一个或多个处理器被配置为修改与所述多个生理周期中的每个生理周期相关联的所述源MR图像的子集以并入所述运动模式包括:所述一个或多个处理器被配置为基于表示所述运动模式的模型来使所述源MR图像的子集发生形变。
4.根据权利要求2所述的运动伪影模拟器,其中,所述一个或多个处理器被配置为修改与所述多个生理周期中的每个生理周期相关联的所述源MR图像的子集以并入所述运动模式包括:所述一个或多个处理器被配置为对所述源MR图像的集合的至少一部分进行重新排序或对所述源MR图像的集合的一部分进行插值,以导出一个或多个附加源MR图像。
5.根据权利要求1所述的运动伪影模拟器,其中,所述一个或多个处理器被配置为基于所述MR数据集来生成所述一个或多个目标MR图像包括:所述一个或多个处理器被配置为选择所述MR数据集的一部分并且基于所述MR数据集的所述选定部分来生成目标MR图像。
6.根据权利要求1所述的运动伪影模拟器,其中,所述一个或多个处理器被配置为基于针对所述多个生理周期导出的所述相应的MR数据段来获得所述MR数据集包括:所述一个或多个处理器被配置为组合针对所述多个生理周期导出的所述MR数据段,其中,所述一个或多个处理器被配置为组合针对所述多个生理周期导出的所述MR数据段包括:所述一个或多个处理器被配置为对所述MR数据段的至少一部分进行插值以获得所述MR数据集。
7.根据权利要求1所述的运动伪影模拟器,其中,针对所述多个生理周期中的每个生理周期导出的所述至少一个MR数据段包括k空间数据,并且其中,所述一个或多个处理器被配置为通过对与所述多个生理周期中的所述每个生理周期相关联的所述源MR图像的子集或与所述多个生理周期中的所述每个生理周期相关联的所述源MR图像的子集的所述修改版本应用快速傅里叶变换(FFT)来获得所述k空间数据,其中,所述一个或多个处理器被配置为基于所述MR数据集来生成所述一个或多个目标MR图像包括:所述一个或多个处理器被配置为通过对所述MR数据集的至少一部分应用快速傅里叶逆变换(FFT)来生成所述一个或多个目标MR图像中的每个目标MR图像。
8.一种用于将与医疗过程相关联的运动伪影注入到医学磁共振(MR)图像中的方法,所述方法包括:
获得被扫描对象的源MR图像的集合,所述源MR图像的集合大致没有运动伪影并且包括源MR图像的多个子集,源MR图像的各个子集与所述被扫描对象的多个生理周期中的一个生理周期相关联;
基于与所述生理周期相关联的所述源MR图像的子集或与所述生理周期相关联的所述源MR图像的子集的修改版本,针对所述多个生理周期中的每个生理周期导出至少一个MR数据段;
基于针对所述多个生理周期导出的所述相应MR数据段来获得MR数据集;以及
基于所述MR数据集生成一个或多个目标MR图像,使得所述一个或多个目标MR图像包括运动伪影。
9.根据权利要求13所述的方法,还包括:使用所述一个或多个目标MR图像来训练用于从MR图像中去除运动伪影的机器学习模型。
10.一种用于处理医学磁共振(MR)图像的计算机实施的方法,所述方法包括:
接收被扫描对象的MR图像,其中,所述MR图像包括运动伪影;以及
通过人工神经网络处理所述MR图像,以获得大致没有所述运动伪影的输出图像,其中,所述人工神经网络使用计算机生成的MR训练图像来预训练,以从所述MR图像中去除所述运动伪影,并且所述MR训练图像包括至少通过以下操作创建的运动伪影:
获得所述被扫描对象的源MR图像的集合,所述源MR图像的集合大致没有所述运动伪影并且包括源MR图像的多个子集,源MR图像的各个子集与所述被扫描对象的多个生理周期中的一个生理周期相关联;
基于与所述生理周期相关联的所述源MR图像的子集或与所述生理周期相关联的所述源MR图像的子集的修改版本,针对所述多个生理周期中的每个生理周期导出至少一个MR数据段;
基于针对所述多个生理周期导出的所述相应MR数据段来获得MR数据集;以及
基于所述MR数据集生成所述MR训练图像,其中,所述生成包括:操纵所述MR数据集的至少一部分,以将所述运动伪影注入到所述MR训练图像中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/340,635 US11948288B2 (en) | 2021-06-07 | 2021-06-07 | Motion artifacts simulation |
US17/340,635 | 2021-06-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115063309A true CN115063309A (zh) | 2022-09-16 |
Family
ID=83200091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210640316.1A Pending CN115063309A (zh) | 2021-06-07 | 2022-06-07 | 运动伪影模拟器及相应方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11948288B2 (zh) |
CN (1) | CN115063309A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024108438A1 (zh) * | 2022-11-23 | 2024-05-30 | 深圳先进技术研究院 | 一种速度编码磁共振成像的运动伪影校正方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11900534B2 (en) * | 2021-07-30 | 2024-02-13 | The Boeing Company | Systems and methods for synthetic image generation |
US11651554B2 (en) * | 2021-07-30 | 2023-05-16 | The Boeing Company | Systems and methods for synthetic image generation |
US20230169663A1 (en) * | 2021-11-29 | 2023-06-01 | Canon Medical Systems Corporation | Motion correction of images corrupted by multiple motion sources |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9614407D0 (en) * | 1996-07-09 | 1996-09-04 | Secr Defence | Method for imaging artefact reduction |
US7444011B2 (en) * | 2004-02-10 | 2008-10-28 | University Of Chicago | Imaging system performing substantially exact reconstruction and using non-traditional trajectories |
US8191359B2 (en) | 2006-04-13 | 2012-06-05 | The Regents Of The University Of California | Motion estimation using hidden markov model processing in MRI and other applications |
US9341693B2 (en) * | 2011-03-17 | 2016-05-17 | Siemens Corporation | Motion compensated magnetic resonance reconstruction in real-time imaging |
US20130051644A1 (en) * | 2011-08-29 | 2013-02-28 | General Electric Company | Method and apparatus for performing motion artifact reduction |
US10925510B2 (en) | 2015-05-08 | 2021-02-23 | Cedars-Sinai Medical Center | Characterization of respiratory motion in the abdomen using a 4D MRI technique with 3D radial sampling and respiratory self-gating |
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 |
US10852379B2 (en) * | 2018-06-07 | 2020-12-01 | Siemens Healthcare Gmbh | Artifact reduction by image-to-image network in magnetic resonance imaging |
US11443649B2 (en) * | 2018-06-29 | 2022-09-13 | Cadwell Laboratories, Inc. | Neurophysiological monitoring training simulator |
CN110940943B (zh) | 2019-12-06 | 2021-11-02 | 上海联影医疗科技股份有限公司 | 搏动伪影校正模型的训练方法和搏动伪影校正方法 |
-
2021
- 2021-06-07 US US17/340,635 patent/US11948288B2/en active Active
-
2022
- 2022-06-07 CN CN202210640316.1A patent/CN115063309A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024108438A1 (zh) * | 2022-11-23 | 2024-05-30 | 深圳先进技术研究院 | 一种速度编码磁共振成像的运动伪影校正方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220392018A1 (en) | 2022-12-08 |
US11948288B2 (en) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11948288B2 (en) | Motion artifacts simulation | |
US10698063B2 (en) | Motion artifact reduction of magnetic resonance images with an adversarial trained network | |
US10852379B2 (en) | Artifact reduction by image-to-image network in magnetic resonance imaging | |
US9224210B2 (en) | Systems and methods for accelerated dynamic magnetic resonance imaging | |
US11372066B2 (en) | Multi-resolution quantitative susceptibility mapping with magnetic resonance imaging | |
CN110461228A (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
KR102210457B1 (ko) | 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체 | |
CN109863512A (zh) | 用于通过流形近似进行自动变换的系统和方法 | |
CN103218795B (zh) | 基于自适应双字典学习的部分k空间序列图像重构方法 | |
CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
CN107367703A (zh) | 磁共振扫描方法、系统、装置及存储介质 | |
EP3151027B1 (en) | Mri method for jointly reconstructing an image and estimating the actual k-space trajectory | |
CN110060315A (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
US10746831B2 (en) | System and method for convolution operations for data estimation from covariance in magnetic resonance imaging | |
US4721912A (en) | Apparatus and method for initially capturing most significant low spatial frequency NMR imaging data | |
WO2018144573A1 (en) | System and method for producing temporally resolved images depicting late-gadolinium enhancement with magnetic resonance imaging | |
US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
CN107616803A (zh) | 通过组合的磁共振和x光装置采集和处理测量数据的方法 | |
CN112213673B (zh) | 动态磁共振成像方法、装置、重建计算机及磁共振系统 | |
CN115761134A (zh) | 孪生模型的生成方法、系统、核磁共振装置和介质 | |
CN115236576A (zh) | 快速多对比度磁共振扩散成像和重建方法及系统 | |
JP2023069890A (ja) | 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法 | |
CN109738840B (zh) | 一种磁共振成像系统和方法 | |
JP2021099794A (ja) | ディープニューラルネットワークおよび測定データの再帰的間引きを使用して医用画像を再構築するためのシステムおよび方法 | |
CN109934807A (zh) | 一种定量磁化率成像的方法及装置 |
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 |