CN115427829A - 减少磁共振成像中的偏离共振效应 - Google Patents

Abstract

本文公开了一种包括存储器(110)的医学系统，所述存储器存储机器可执行指令(120)和经训练的神经网络(122)。所述经训练的神经网络被配置为响应于接收到一组磁共振图像(126)作为输入而输出经校正的磁共振图像数据(130)，所述一组磁共振图像中的每幅磁共振图像具有不同的空间恒定的频率偏离共振因子。所述医学系统还包括被配置用于控制所述医学系统的计算系统(106)，其中，所述机器可执行指令的运行使所述计算系统：接收(200)根据磁共振成像协议采集的k空间数据(124)；根据磁共振成像协议来重建(202)一组磁共振图像(126)，其中，假设从频率偏离共振因子(128)的列表中选择的不同的空间恒定的频率偏离共振因子来重建所述一组磁共振图像中的每幅磁共振图像；并且响应于将所述一组磁共振图像输入到经训练的神经网络中而接收(204)经校正的磁共振图像数据。

Description

减少磁共振成像中的偏离共振效应

技术领域

本发明涉及磁共振成像，具体而言涉及减少偏离共振效应(例如模糊)的影响。

背景技术

作为用于生成患者体内的图像的过程的一部分，磁共振成像(MRI)扫描器使用大的静态磁场以使原子的核自旋对齐。该大的静磁场被称为B0场或主磁场。B0场的强度和任何施加的梯度磁场决定了自旋(通常是氢核中的质子)进动的频率。B0场中的不均匀性可能导致质子以不同于期望的频率进动。然后质子或其他自旋偏离频率共振。B0场不均匀性图或等效的频率偏离共振图可以被测量并用于在磁共振图像的重建期间进行校正。可能有几个困难。在一些情况下，B0不均匀性图可能不可用或可能无效，例如，在对象改变位置或移动的情况下。

美国专利申请公布US 2016/0202335 A1公开了一种减少采集的磁共振成像数据中的偏离共振模糊的方法。该方法包括通过沿第一冗余螺旋进入/外出轨迹对k空间中的一个或多个位置中的每个位置执行第一采样来针对一个或多个螺旋进入/外出交织中的每个采集第一组螺旋叶间数据，以及通过沿着第二冗余螺旋进入/外出轨迹对k空间中的一个或多个位置中的每个位置执行第二采样来针对一个或多个螺旋进入/外出交错中的每个采集第二组螺旋叶间数据，其中，第二冗余螺旋进入/外出轨迹对应于第一冗余螺旋进入/外出轨迹的时间反转的轨迹。该方法还可以包括将第一组螺旋叶间数据和第二组螺旋叶间数据与平均化操作相结合，以减少伪影。

发明内容

本发明在独立权利要求中提供了一种磁共振成像系统、一种计算机程序产品和一种方法。

如上所述，B0磁场中的不均匀性会导致偏离共振效应，例如重建的磁共振图像中的模糊。实施例可以提供一种通过使用经训练的神经网络来减少或消除诸如模糊的偏离共振效应的手段。代替采集B0磁场不均匀性图，采集的k空间数据被用于重建一组磁共振图像。对于所述一组磁共振图像中的每幅图像，选择恒定频率偏离共振因子。这样做是因为它产生了一组磁共振图像，其除了偏离共振因子正确的区域之外是模糊的。经训练的神经网络被训练为将所述一组磁共振图像作为输入，然后输出经校正的磁共振图像数据。

所述经训练的神经网络可以被并入磁共振成像系统的计算系统中。替代地，所述计算系统可以被提供以对被定位为远离磁共振成像系统(的物理硬件)的经训练神经网络的访问，例如在医学机构的本地服务器上，或者经训练的神经网络可以在'云端'。所述磁共振成像系统被配置为在重建软件被安装在计算系统中或计算系统可以访问远程重建设施的情况下布置对所述一组磁共振图像的重建。所述重建软件可以被安装在远程服务器上，例如在甚至可以访问数据网络医学机构中，因为重建软件可以在“云”中使用。在这些远程配置中，计算系统被配备有以下功能：布置在远程定位的重建功能处重建所述一组磁共振图像。

所述神经网络可以通过几种不同的方式被训练或配置。在一些示例中，所述经校正的磁共振图像数据是重建的磁共振图像。所述神经网络输出完全重建的图像。在其他示例中，所述神经网络可以输出体素映射。体素映射指示对所述一组磁共振图像中的一幅磁共振图像的体素映射的每个体素的选取或选择。这提供了几件事。体素映射例如可以用于通过使用体素映射来组装复合磁共振图像以指示应该使用哪些图像来供应复合磁共振图像中特定体素的值。由于所述一组磁共振图像中的每幅都具有恒定的频率偏离共振因子，因此体素映射可用于组装频率偏离共振图(或等效地为B0磁场不均匀性图)。

经训练的神经网络的另一个潜在好处是它在图像空间中起作用，并且可能独立于k空间采样模式。当k空间采样图案是螺旋形时，实施例在校正模糊伪影方面可能特别有益。然而，经训练的神经网络可用于各种采样模式。

本发明在独立权利要求中提供了一种医学系统、一种方法以及一种计算机程序。在从属权利要求中给出了实施例。

在一个方面中，本发明提供了一种医学系统，其包括存储机器可执行指令和经训练的神经网络的存储器。所述经训练的神经网络例如可以是卷积神经网络。所述经训练的神经网络被配置为响应于接收到一组磁共振图像作为输入而输出经校正的磁共振图像数据，每幅磁共振图像具有不同的空间恒定的频率偏离共振因子。在磁共振成像中，所谓的B0或主磁场可能具有不均匀性。B0磁场的差异导致质子以轻微偏离共振因子共振。因此，频率偏离共振系数相当于偏离B0场的理想值。

所述医学系统还包括被配置用于控制医学系统的计算系统。机器可执行指令的运行使所述计算系统接收根据磁共振成像协议采集的k空间数据。机器可执行指令的运行还使所述计算系统根据磁共振成像协议重建一组磁共振图像。假设从频率偏离共振因子列表中选择的不同的空间恒定的频率偏离共振因子，重建所述一组磁共振图像中的每幅。

如果已知B0图或频率偏离共振因子图，则这可用于将k空间数据直接重建为磁共振图像。但是，这可能是未知的，或者数据可能已损坏。代替提供B0图或频率偏离共振因数图或映射，假设每幅重建图像的不同频率偏离共振因子而重建k空间数据。具有接近恒定频率偏离共振因子的实际频率偏离共振因子的图像部分将在该区域中基本上被去模糊或清晰。经训练的神经网络因此可以被训练以查看输入的磁共振图像的集合并选择具有正确频率偏离共振因子的区域。这在直接重建磁共振图像或使用它来重建B0图或频率偏离共振因子图时可能很有用。

所述机器可执行指令的运行还使所述计算系统响应于将所述一组磁共振图像输入到经训练的神经网络中而接收经校正的磁共振图像数据。该实施例可能是有益的，因为神经网络能够在没有预先测量的B0图或频率偏离共振因子图的情况下对偏离共振因子或B0不均匀性进行校正。例如，这在避免采集B0图或甚至在它被损坏的情况下更正它时可能很有用。例如，可以测量B0图，并且然后当采集k空间数据时对象可以移动。在这种情况下，B0图将不再有效。实施例提供了一种在没有测量B0图的情况下校正B0不均匀性的方法。

在另一实施例中，经校正的磁共振成像数据包括经不均匀性校正的磁共振图像。在这个实施例中，经校正的磁共振成像数据被直接重建为经校正的图像。

在另一实施例中，输出的经校正的磁共振图像数据是复值的。这可能意味着神经网络的输出对应于体素，并且对于每个体素有两个分量：或者是实部和虚部，或者是幅值和相位。

在另一实施例中，经校正的磁共振图像包括像素映射。每组磁共振图像具有相同大小的体素矩阵。所述体素映射包括针对相同大小的体素矩阵的每个体素选择一组磁共振图像中的一幅。在该实施例中，经校正的磁共振成像数据包括如下的图，所述图标识来自哪些像素的图像基本上去模糊或清晰的。这可能有几种不同的用途。例如，可以通过使用像素映射采集适当的像素来重建图像。在其他示例中，可以将像素映射转换为B0不均匀性图。这例如可以使得能够首先使用k空间数据并重建B0图，并且然后使用传统的磁共振成像算法来使用该B0不均匀性图来重建图像。

在另一实施例中，每组磁共振图像的体素矩阵具有相同的大小。本质上，这些图像在空间上是一致的。像素映射可以具有体素矩阵中的每个体素的映射。

在另一实施例中，所述机器可执行指令的运行还使所述计算系统通过根据像素映射从所述一组磁共振图像中选择体素来组装合成磁共振图像。在该实施例中，通过选择由像素映射识别的体素来组装复合磁共振图像。例如，这可以使计算系统能够使用其中具有最少模糊的最佳可用体素来组装复合磁共振图像。

在另一实施例中，所述机器可执行指令的运行还使所述计算系统通过根据体素从磁共振图像集中分配恒定频率偏离共振因子来组装B0不均匀性图和/或频率偏离共振图。当每组磁共振图像被重建时，特定的频率偏离共振因子被分配并用于重建。体素映射以及这些频率偏离共振因子的知识可用于重建B0不均匀性图。

在其他实施例中，将空间滤波器或平滑算法应用于B0不均匀性图。

在另一实施例中，所述机器可执行指令的运行还使所述计算系统从k空间数据和B0不均匀性图或频率偏离共振映射重建经B0不均匀性校正的磁共振图像。在该实施例中，不是将图像拼凑在一起或让神经网络直接输出结果图像，而是在传统磁共振成像算法中应用由神经网络确定并使用体素映射的B0不均匀性图。例如，这可以使系统非常灵活。无论选择何种类型的磁共振成像协议，所述系统实质上都可用于重建图像。神经网络被简单地训练用于重建B0不均匀性图或其等价项，然后使用正常算法来应用重建。

在另一实施例中，所述机器可执行指令还使所述计算系统通过使用空间滑动窗口算法来将经训练的神经网络应用于所述磁共振图像的部分来组装经校正的磁共振图像数据。使用神经网络的一个特别困难是假设数据的特定输入大小和输出大小。在该实施例中，可以训练神经网络，使得其将小于实际磁共振图像的图像尺寸作为输入。然后，为了重建完整图像，空间滑动窗口算法将完整图像分成几部分，并计算每个部分的结果图像。然后取这些多幅图像并将其组合成更大的图像是相对直接的。

在另一实施例中，所述机器可执行指令被配置为使计算系统通过将经训练的神经网络应用于磁共振图像集的子组来组装经校正的磁共振图像数据。在一些情况下，磁共振图像中的层数可能会有所不同。因此，拥有一个可以接受任意层数的经训练的神经网络可能是不切实际的。解决此问题的一种方法是具有经训练的神经网络，并且然后将数据分成子组，并且使用经经训练的神经网络分别处理这些子组。例如，如果经训练的神经网络能够接受具有三层的体素以及具有九层的磁共振图像，则可以首先将磁共振图像分成三组，每组三层，得到一个结果。然后可以将这三层的结果再次输入到经训练的神经网络中，并获得最终结果。

在另一实施例中，磁共振成像协议是并行成像磁共振成像协议。所述经训练的神经网络在图像空间中工作，因此用于采集图像的底层方案在技术上可以在许多不同的情况下工作。

在另一实施例中，每组磁共振图像都是复值的。所述一组磁共振图像中的每幅磁共振图像的体素具有复值。这可以由两个分量表示：或者是实部和虚部，或者是幅值和相位。

在另一实施例中，所述经训练的神经网络是U-net卷积神经网络。U-net卷积神经网络在处理医学图像方面非常有效。在U-net中，存在收缩路径和扩展路径。这就是为什么它具有U形结构并由此得名的原因。U-net对于医学图像处理是有效的，因为可以在小规模和大规模两者上比较相关性。

在另一实施例中，医学系统还包括磁共振成像系统，所述磁共振成像系统被配置用于从成像区采集k空间数据。所述存储器还包含被配置为控制磁共振成像系统采集k空间数据的脉冲序列命令。所述机器可执行指令的运行还使所述计算系统控制磁共振成像系统采集k空间数据。

在另一实施例中，k空间数据具有非笛卡尔采样模式。

在另一实施例中，k空间数据具有螺旋采样模式。该实施例可能是有益的，因为k空间中的螺旋成像模式特别容易产生偏离共振效应。这可以提供一种用于校正在k空间中具有螺旋成像图案的磁共振图像的手段。

在另一方面，本发明提供了一种训练神经网络的方法。该方法包括配置神经网络的拓扑以接收一组磁共振图像作为输入，每幅磁共振图像具有不同的空间恒定的频率偏离共振因子。这例如可以包括配置神经网络以接收一组相同大小的磁共振图像。该方法还包括配置神经网络的拓扑以输出经校正的磁共振图像数据。该方法还包括接收训练数据。训练数据包括数据集，所述数据集包括使用空间变化的频率偏离共振图和多幅磁共振图像重建的深度学习磁共振图像，每幅图像都使用不同的空间约束的频率偏离共振图重建。在这些数据集中的每个数据集中，都有已经使用正确的空间变化的频率偏离共振图重建的磁共振图像。

然后从相同的k空间数据重建多个训练磁共振图像，但不是使用空间变化的频率偏离共振图，而是将空间恒定值用于每个的偏离共振频率。训练数据然后可以例如用于使用深度学习方案来训练神经网络。该方法还包括通过用每个数据集重复训练神经网络来产生经训练的神经网络。

在另一方面中，本发明提供了一种包括用于由控制医学系统的计算系统执行的机器可执行指令的计算机程序。机器可执行指令的运行使所述计算系统接收根据磁共振成像协议采集的k空间数据。机器可执行指令的运行还使所述计算系统根据磁共振成像协议重建一组磁共振图像。假设从频率偏离共振因子列表中选择的不同的空间恒定的频率偏离共振因子，重建所述一组磁共振图像中的每幅。所述机器可执行指令的运行还使所述计算系统响应于将所述一组磁共振图像输入到经训练的神经网络中而接收经校正的磁共振图像数据。所述经训练的神经网络被配置为响应于接收到一组磁共振图像作为输入而输出经校正的磁共振图像数据，每幅磁共振图像具有不同的空间恒定的频率偏离共振因子。

应该理解，可发组合本发明的一个或多个前述实施例，只要组合后的实施例不相互排斥即可。

如本领域技术人员将认识到的，本发明的若干方面可以实现为装置、方法或计算机程序产品。因此，本发明的各方面可采取完全硬件实施例，完全软件实施例(包括固件，驻留软件，微代码等)，或者组合了软件和硬件方面的实施例的形式，其可以在本文统称为“电路”、“模块”或“系统”。此外，本发明的各个方面可以采取实现在一个或多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有实现在其上的计算机可执行代码。

可以使用一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。如在本文中使用的“计算机可读存储介质”包括任何有形存储介质，其可以存储能够由计算设备的处理器或计算系统执行的指令。可以将所述计算机可读存储介质称为“计算机可读非瞬态存储介质”。所述计算机可读存储介质也可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还可以能够存储数据，所述数据能够被所述计算设备的计算系统访问。计算机可读存储介质的范例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪存、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘和计算系统的寄存器文件。光盘的范例包括压缩光盘(CD)和数字多用光盘(DVD)，例如CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语计算机可读存储介质还指代能够由所述计算机设备经由网络或通信链路访问的各种类型的记录介质。例如，可以经由调制解调器、经由互联网或经由局域网络来取回数据。体现在计算机可读介质上的计算机可执行代码可使用任何合适的介质来传输，包括但不限于无线、有线、光缆、RF等，或上述各项的任何适当的组合。

计算机可读信号介质可以包括具有实现在其中的例如在基带内或者作为载波的一部分的计算机可执行代码的传播的数据信号。这样的传播信号可以采取多种形式中的任一种，包括但不限于，电磁的、光学的、或者它们的任意合适的组合。计算机可读信号介质可以是任何计算机可读介质，其不是计算机可读存储介质并且其能够传送、传播或传输程序用于由指令运行系统、装置或设备使用或者与其结合使用。

“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是计算系统可以直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另一范例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或反之亦然。

用在本文中的“计算系统”涵盖能够执行程序或机器可执行指令或计算机可执行代码的电子部件。对包含“计算系统”示例的计算系统的引用应被解释为可能包含一个以上的计算系统或处理核心。计算系统例如可以是多核处理器。计算系统也可以指单个计算机系统内或分布在多个计算机系统中的计算系统的集合。术语计算系统也应被解释为可能指计算设备的集合或网络，每个计算设备均包括处理器或多个计算系统。机器可执行代码或指令可以由多个计算系统或处理器执行，这些计算系统或处理器可以在同一计算设备内，或者甚至可以分布在多个计算设备上。

机器可执行指令或计算机可执行代码可以包括使处理器或其他计算系统执行本发明的一个方面的指令或程序。用于执行针对本发明的各方面的操作的计算机可执行代码可以以一种或多种编程语言(包括诸如Java、Smalltalk、C++等的面向对象的编程语言以及诸如"C"编程语言或类似编程语言的常规过程编程语言)的任何组合来编写并且被编译为机器可执行指令。在一些情况下，所述计算机可执行代码可以以高级语言的形式或者以预编译形式并且结合在飞行中生成机器可执行指令的解释器来使用。在其他情况下，所述机器可执行指令或计算机可执行代码可以是针对可编程逻辑门阵列的编程的形式。

所述计算机可执行代码可以作为单机软件包全部地在所述用户的计算机上、部分地在用户的计算机上、部分地在用户的计算机上并且部分地在远程计算机上、或者全部地在所述远程计算机或服务器上运行。在后者的场景中，所述远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))或者可以对外部计算机做出的连接(例如，使用因特网服务提供商通过因特网)而被连接到用户的计算机。

本发明的各方面参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图得以描述。应该理解，流程图、图示和/或框图的每个框或框的一部分能够在适用时通过以计算机可执行代码的形式的计算机程序指令来实施。还应当理解的是，当不相互排斥时，在不同的流程图、图示和/或框图中块的组合可以被组合。这些计算机程序指令可以被提供到通用计算机、专用计算机的存储器或者其他可编程数据处理装置以生产机器，使得经由计算机的存储器或其他可编程数据处理装置运行的指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的单元。

这些机器可执行指令或计算机程序指令还可以被存储在计算机可读介质中，其能够引导计算机、其他可编程数据处理装置或其他设备以特定的方式工作，使得被存储在所述计算机可读介质中的所述指令产生包括实施在流程图和/或一个或多个框图框中所指定的功能/动作的指令的制品。

所述机器可执行指令或计算机程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上以令一系列操作步骤在计算机、其他可编程装置或其他设备上执行以产生计算机实施的过程，使得在计算机或其他可编程装置上运行的指令提供用于实施在流程图和/或一个或多个框图框中所指定的功能/动作的过程。

如在本文中所使用的“用户接口”是允许用户或操作者与计算机或计算机系统进行交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作者提供信息或数据和/或接收来自操作者的信息或数据。用户接口可使来自操作者的输入能够被计算机接收，并且可以将输出从计算机提供给用户。换言之，用户接口可以允许操作者控制或操纵计算机，并且该接口可以允许计算机指示操作者的控制或操纵的效果。数据或信息在显示器或图形用户接口上的显示是向操作者提供信息的范例。通过键盘、鼠标、跟踪球、触摸板、指点杆、图形输入板、操纵杆、游戏板、网络相机、头盔、踏板、有线手套、遥控器以及加速度计接收数据都是实现从操作者接收信息或数据的用户接口部件的范例。

如在本文中所使用的“硬件接口”涵盖使得计算机系统的计算系统能够与外部计算设备和/或装置进行交互或者对其进行控制的接口。硬件接口可允许计算系统将控制信号或指令发送给外部计算设备和/或装置。硬件接口也可以使计算系统与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口和数字输入接口。

本文中使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、音频和触觉数据。显示器的范例包括但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示屏、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、向量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影机和头戴式显示器。

k空间数据在本文中被定义为使用在磁共振成像扫描期间通过磁共振装置的天线对由原子自旋发射的射频信号的所记录的测量结果。磁共振数据是断层摄影医学图像数据的范例。

磁共振成像(MRI)图像或MR图像在本文中被定义为包含在磁共振成像数据内的解剖数据的经重建的二维或三维可视化。这种可视化可使用计算机来执行。

附图说明

在下文中，将仅通过举例的方式并且参考附图来描述本发明的优选实施例，在附图中：

图1图示了医学系统的示例；

图2示出了图示根据权利要求1操作医学系统的方法的示例的流程图；

图3图示了医学系统的另一示例；

图4图示了使用一组磁共振图像来重建磁共振图像的方法；

图5图示了神经网络的训练；

图6是使用B0磁场不均匀性图重建的磁共振图像的示例；

图7示出了具有模糊伪影的磁共振图像；

图8示出了利用经训练的神经网络重建的磁共振图像，所述网络可以校正图7中的模糊伪影；

图9示出了由神经网络预测的B0磁场不均匀性图；并且

图10图示了用于重建图6的测量的B0磁场不均匀性图。

附图标记列表

100 医学系统

102 计算机

104 硬件接口

106 计算系统

108 用户接口

110 存储器

120 机器可执行指令

122 经训练的神经网络

124 k空间数据

126 磁共振图像的集合

128 频率偏离谐振因数列表

130 经校正的磁共振成像数据

200 接收根据磁共振成像协议采集的k空间数据

202 根据磁共振成像协议来重建一组磁共振图像

204 响应于将所述一组磁共振图像输入到经训练的神经网络中而接收经校正的磁共振图像数据

300 医学系统

302 磁共振成像系统

304 磁体

306 磁体的膛

308 成像区

309 感兴趣区域

310 磁场梯度线圈

312 磁场梯度线圈电源

314 射频线圈

316 收发器

318 对象

320 对象支撑体

330 脉冲序列命令

400 第一图像

402 第二图像

404 复合图像

500 训练数据的数据集

502 去模糊的磁共振图像

504 多幅训练磁共振图像

506 清晰的图像区域

600 原始磁共振图像

700 螺旋模糊后的原始图像

702 模糊的区域

800 由经训练的神经网络输出的去模糊的图像

900 预测的B0不均匀性图

1000 测量的B0不均匀性图

具体实施方式

在这些附图中，类似地编号的元件是等价元件或执行相同功能。如果功能是等价的，则将不一定在后来的附图中讨论先前已经讨论过的元件。

图1图示了医学系统100的示例。医学成像系统100被示为包括计算机102。计算机102被示为包含被连接到硬件接口104、用户接口108和存储器110的计算系统106。计算系统106旨在表示一个或多个处理单元，其也可以分布在多个计算机102之间。例如，如果医学系统100包括磁共振成像系统，则硬件接口104可以例如被计算系统106用来控制医学系统100的外部部件或附加部件。例如，存储器可以是计算系统可访问的任何类型的存储器。

计算机102也可以是虚拟机或位于云中或远程位置并用于计算密集型任务的其他机器。

存储器被示为包含机器可执行指令120。机器可执行指令可以例如由计算系统106运行。机器可执行指令例如可以使计算系统能够控制医学系统100的部件以及执行各种数据和图像分析功能。

存储器110还被示为包括经训练的神经网络122。经训练的神经网络122已经被训练或配置为使得其响应于接收到作为输入的一组磁共振图像而输出经校正的磁共振图像数据，每幅磁共振图像具有不同的空间恒定的频率偏离共振因子。存储器110还被示为包含k空间数据124。存储器110还被示为包含一组磁共振图像126，所述一组磁共振图像126已经通过假设从频率偏离共振因子128的列表中选择的不同的空间恒定的频率偏离共振因子而从k空间数据124重建。存储器110还被示为包括响应于输入磁共振图像126的集合而从经训练的神经网络122接收的经校正磁共振图像数据130。

图2示出了图示操作图1的医学系统100的方法的流程图。首先，在步骤200中，接收k空间数据124。接下来，在步骤202中，根据磁共振成像协议来重建磁共振图像126的集合。假设从频率偏离共振因子128的列表中选择的不同的空间恒定的频率偏离共振因子来重建所述一组磁共振图像中的每幅。最后，在步骤204中，响应于将所述一组磁共振图像126输入到经训练的神经网络122中而接收经校正的磁共振图像数据130。

图3图示了医学系统300的另一示例。图3中描绘的医学系统300类似于图1中的医学系统100，除了医学系统额外地包括磁共振成像系统302之外。

该磁共振成像系统302包括磁体304。磁体304是具有通过其的膛306的超导圆柱型磁体。使用不同类型的磁体也是可能的；例如也可以使用分裂圆柱形磁体和所谓的开放式磁体。分裂圆柱磁体类似于标准的圆柱磁体，除了低温恒温器已经分裂成两部分，以允许访问所述磁体的等平面，从而使磁体可以例如与带电粒子束治疗相结合地使用。开放磁体有两个磁体部分，一个在另一个之上，中间的空间足够大以容纳对象：两个部分区的布置类似于亥姆霍兹线圈的布置。开放式磁体是流行的，因为对象较少地受限。在圆柱磁体的低温恒温器内部有超导线圈的集合。

在圆柱磁体304的膛306内，存在成像区308，在成像区308中，磁场足够强和均匀以执行磁共振成像。示出了成像区308内的感兴趣区域309。所采集的磁共振数据通常针对感兴趣区域采集。对象318被示出为由对象支撑体320支撑，使得对象318的至少一部分在成像区308和感兴趣区域309内。

磁体的膛306内还有磁场梯度线圈310的集合，其用于采集初级磁共振数据，以在磁体304的成像区308内对磁自旋进行空间编码。磁场梯度线圈310连接到磁场梯度线圈电源312。磁场梯度线圈310旨在是代表性的。通常，磁场梯度线圈310包含用于在三个正交空间方向上空间地编码的三个分立的线圈的集合。磁场梯度电源将电流供应到所述磁场梯度线圈。供应给磁场梯度线圈310的电流根据时间来进行控制并且可以是斜变的或脉冲的。

与成像区308相邻的是射频线圈314，其用于操纵成像区308内的磁自旋的取向，并且用于接收来自也在成像区308内的自旋的射频发射。射频天线可包含多个线圈元件。射频天线还可以被称为通道或天线。射频线圈314连接到射频收发器316。射频线圈314和射频收发器316可以由独立的发送线圈和接收线圈以及独立的发射器和接收器替代。要理解的是，射频线圈314和射频收发器316是代表性的。射频线圈314旨在还表示专用的发射天线和专用的接收天线。类似地，收发器316也可以表示单独的发射器和接收器。射频线圈314也可以具有多个接收/发射元件，并且射频收发器316可以具有多个接收/发射通道。例如，如果执行诸如SENSE的并行成像技术，则射频线圈314可以具有多个线圈元件。

收发器316和梯度控制器312被示为连接到计算机系统102的硬件接口106。

存储器110还被示出为包括脉冲序列命令330。脉冲序列命令是可以被转换成使得计算系统106能够控制磁共振成像系统302以采集k空间数据124的命令或数据。

如上所述，非笛卡尔MR成像技术(例如螺旋成像)易于产生偏离共振效应，从而导致显著的模糊伪影。如果空间偏离共振是定量地已知的(例如通过采集B0场图)，则可以在重建期间校正该效应。然而，这需要采集额外的MR准备扫描，扫描参数和涡电流可能会影响其准确性。

针对非笛卡尔MRI的共轭相位重建(CPR)

在存在偏离共振Δω(r)的情况下获得的MR信号s(t)可以写成：

s(t)＝∫_V m(r)e^{-j(k(t)·r+Δω(r)t)}dr [1]

其中，m(r)表示质子密度并且k(t)是k空间轨迹。在常规重建的图像中，偏离共振会导致伪影，例如螺旋形的模糊，导出自：

其中，W(t)表示用于补偿采样密度和k空间遍历速度的加权因子。模糊可以通过共轭相位重建(CPR)来消除，其中，采集的信号乘以共轭相位因子(1)：

前提是从额外获得的B0场图中可以知道偏离共振。

然而，CPR的计算成本很高，因为必须根据每个像素自身的偏离共振

来针对每个像素求解积分。

提出了对上述近似值表示的精确CPR的更快替代方案，如频率分段的CPR。对于频率分段的CPR，积分由具有固定解调频率的积分的叠加来近似：

对于选定的解调频率集，可以使用网格化和FFT有效地求解积分项。插值器c_l(r)基本上是选择最接近所选像素的偏离共振的解调频率。频率分段的CPR的另一种方法是时间分段CPR，其中方程[3]中的积分被分解成小的时间段，其中使用了恒定的偏离共振。

U-NET(3)是一种卷积神经网络(CNN)拓扑，其被提出用于生物医学图像分割任务。

网络由收缩路径和扩展路径组成，形成U形架构。

收缩路径是典型的卷积网络，通过重复应用卷积组成，每个卷积后面都有整流线性单元(ReLU)和最大池化操作。在收缩过程中，空间信息减少，而特征信息增加。扩展路径通过一系列上卷积和连接来将特征和空间信息与来自收缩路径的高分辨率特征相结合。

如上所述，CPR需要B0场图。场图的采集需要额外的时间并且必须重复以补偿共振频率的漂移。此外，场图可能会因涡流引起的空间相位变化而退化，容易受到运动和其他混杂因素的影响。

示例可以应用适当配置的多维神经元网络(例如，U-net)(经训练的神经网络122)来在许多可能的潜在局部偏离共振中做出决定，这是让图像看起来清晰的最佳方法，或者换句话说在不了解场图的情况下对图像进行去模糊。

示例可以在非笛卡尔MR成像(如螺旋MR成像)中找到许多应用。

为了执行频率分段的CPR，首先必须使用一组解调频率来解调模糊的螺旋图像，所述解调频率覆盖具有颗粒度的实际场图范围，从而产生多频率数据集(一组磁共振图像126)。在第二步中，从解调频率等于或接近所选像素的偏离共振的解调图像中采集每个像素。如果没有可用的场图，这也可能是将图像划分为小区域(片块)，并为每个补丁选择调制频率，从而最大限度地减少该片块中的模糊(参见下面的图4)。这很简单，但非常麻烦，并且可以由经训练的神经网络执行(参见图5)。不同的解调频率对应于网络的输入通道。输出是去模糊的图像。在改进的实现中，场图可以存储为输出图像的复杂相位(将频率范围±fMax映射到±PI)。

图4图示了如何对图像进行去模糊处理。存在表示一组磁共振图像126的两幅图像。下面的图像404是由第一张图像400和第二张图像402制成的合成图像。两幅图像400都具有不模糊的清晰图像区域506。合成图像404是由图像400和402中的每幅图像中的两个图像区域506制成的合成。去模糊图像404可以通过从多频率数据集中手动选择锐利区域(椭圆形506)以组合非模糊图像404来获得。该图的数据是使用Shepp-Logan体模合成的，并假设x和y方向上的随机二次偏离共振项。

图5图示了训练经训练的神经网络122的方法。在该示例中，神经网络122是U-net。存在训练数据500的数据集，其包括去模糊的磁共振图像502和多个训练磁共振图像504。通过使用训练数据500的重复数据集和深度网络深度学习训练方案，可以训练神经网络122。在使用中，调频螺旋图像用作输入通道，复数的去模糊图像(包括复相位中的场图)代表两个输出通道(实部和虚部)。使用Shepp-Logan体模来合成数据，并且假设x和y方向上的随机二次偏离共振项。

Shepp-Logan头部(软件)体模用于合成因偏离共振而模糊的螺旋图像。具有恒定、线性和二次偏离共振项的场图用于生成模糊。

为了提高学习的稳健性，通过旋转和缩放模型以及改变场图模式来执行数据增强。

生成合成螺旋Shepp-Logan图像(256x256图像大小)并且将其用于训练U-NET进行偏离共振去模糊。U-Net由4个下采样步骤(每个步骤之前有两个卷积步骤)和相应的上采样步骤以及卷积组成。使用最小二乘的随机梯度下降被用作优化器。执行如上所述的数据增强以提高学习的鲁棒性。

假设螺旋轨迹(50ms持续时间)和随机场图(最大±20Hz)，体内脑图像是模糊的。模糊的大脑图像被用作训练网络的输入。图3示出原始图像以及模糊的和预测的(去模糊的)图像。此外，预测的场图与用于数据合成的基础场图一起显示。预测的解剖图像和场图都非常符合未模糊图像和基础场图。注意，底层场图仅用于合成模糊图像，因此并未明确馈送到U-NET内。

图6-10用于图示该方法的有效性。图600示出了原始磁共振图像600。图6中的图像是使用测量的B0不均匀性图重建的，如下图10所示。

图7描绘了模糊的磁共振图像700。可以看出702圈出来的区域有些模糊。这是由于使用了螺旋k空间采样模式。

图8示出了使用经训练的神经网络去模糊的去模糊磁共振图像800。可以看出，图7中被模糊的区域702现在在图8中被正确重建。

神经网络还可用于计算预测的B0不均匀性图900。实际测量的B0不均匀性图如图10所示，标记为1000。可以看出，这两个不均匀性图是相似的。

尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，而非限制性的。本发明不限于公开的实施例。

本领域技术人员通过研究附图、公开内容以及权利要求书，在实践请求保护的本发明时能够理解并且实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个计算系统处理器或者其它单元可以实现权利要求书中记载的若干项的功能。尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。可以将计算机程序存储/分布在与其它硬件一起提供或者作为其它硬件的部分提供的诸如光存储介质或者固态介质的合适介质上，但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。权利要求书中的任何附图标记不应被解释为对范围的限制。

Claims (15)

1.一种医学系统，包括：

存储器(110)，其用于存储机器可执行指令(120)和经训练的神经网络(122)，其中，所述经训练的神经网络被配置为响应于接收到一组磁共振图像(126)作为输入而输出经校正的磁共振图像数据(130)，所述一组磁共振图像中的每幅磁共振图像具有不同的空间恒定的频率偏离共振因子，

计算系统(106)，其被配置用于控制所述医学系统，其中，所述机器可执行指令的运行使所述计算系统：

接收(200)根据磁共振成像协议采集的k空间数据(124)；

根据所述磁共振成像协议来布置重建(202)一组磁共振图像(126)，其中，假设从频率偏离共振因子(128)的列表中选择的不同的空间恒定的频率偏离共振因子而重建所述一组磁共振图像中的每幅磁共振图像；并且

响应于将所述一组磁共振图像输入到所述经训练的神经网络中而接收(204)经校正的磁共振图像数据。

2.根据权利要求1所述的医学系统，其中，所述经校正的磁共振成像数据包括经不均匀性校正的磁共振图像。

3.根据权利要求1或2所述的医学系统，其中，所述经校正的磁共振图像数据是复值的。

4.根据权利要求1或2所述的医学系统，其中，所述经校正的磁共振成像数据包括体素映射，其中，所述一组磁共振图像中的每幅磁共振图像具有相同大小的体素矩阵，其中，所述体素映射包括针对所述相同大小的体素矩阵的每个体素选择所述一组磁共振图像中的一幅磁共振图像。

5.根据权利要求4所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统通过根据像素映射从所述一组磁共振图像中选择体素来组装合成磁共振图像(404)。

6.根据权利要求4或5所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统通过根据所述体素映射从所述一组磁共振图像中分配所述恒定频率偏离共振因子来组装B0不均匀性图(900)和/或频率偏离共振图。

7.根据权利要求6所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统从k空间数据和B0不均匀性图或频率偏离共振映射重建经B0不均匀性校正的磁共振图像。

8.根据前述权利要求中的任一项所述的医学系统，其中，所述机器可执行指令还使所述计算系统通过使用空间滑动窗口算法来将所述经训练的神经网络应用于所述一组磁共振图像的部分来组装所述经校正的磁共振图像数据。

9.根据前述权利要求中的任一项所述的医学系统，其中，所述机器可执行指令被配置为使所述计算系统通过将所述经训练的神经网络应用于所述一组磁共振图像的子组来组装所述经校正的磁共振图像数据。

10.根据前述权利要求中的任一项所述的医学系统，其中，所述一组磁共振图像中的每幅磁共振图像都是复值的。

11.根据前述权利要求中的任一项所述的医学系统，其中，所述医学系统还包括磁共振成像系统(302)，所述磁共振成像系统被配置为从成像区(308)采集k空间数据，其中，所述存储器还包含被配置为控制所述磁共振成像系统采集所述k空间数据的脉冲序列命令，其中，所述机器可执行指令的运行还使所述计算系统控制所述磁共振成像系统采集所述k空间数据。

12.根据前述权利要求中的任一项所述的医学系统，其中，所述k空间数据具有非笛卡尔采样模式，其中，所述k空间数据优选地具有螺旋采样模式。

13.一种训练神经网络的方法，其中，所述方法包括：

配置所述神经网络的拓扑以接收一组磁共振图像作为输入，每幅磁共振图像具有不同的空间恒定的频率偏离共振因子；

将所述神经网络的拓扑结构配置为输出经校正的磁共振图像数据；

接收训练数据，其中，所述训练数据包括数据集，所述数据集包括使用空间变化的频率偏离共振图重建的去模糊磁共振图像(502)和多幅训练图像(504)，每幅训练图像使用不同的空间恒定的频率偏离共振图而被重建；并且

通过利用所述数据集中的每个数据集重复训练所述神经网络来生成经训练的神经网络。

14.根据前述权利要求中的任一项所述的医学系统，其中，所述经训练的神经网络根据权利要求13被训练。

15.一种包括机器可执行指令(120)的计算机程序，所述机器可执行指令用于由控制医学系统(100、300)的计算系统(106)运行，其中，所述机器可执行指令的运行使所述计算系统：

接收(200)根据磁共振成像协议采集的k空间数据(124)；

根据磁共振成像协议来布置重建(202)一组磁共振图像(126)，其中，假设从频率偏离共振因子(128)的列表中选择的不同的空间恒定的频率偏离共振因子来重建所述一组磁共振图像中的每幅磁共振图像；并且

响应于将所述一组磁共振图像输入到经训练的神经网络中而接收(204)经校正的磁共振图像数据(130)，其中，所述经训练的神经网络被配置为响应于接收到一组磁共振图像作为输入而输出所述经校正的磁共振图像数据，所述一组磁共振图像中的每幅磁共振图像具有不同的空间恒定的频率偏离共振因子。

Images