CN115552273A - 基于机器学习的运动损坏数据检测 - Google Patents

基于机器学习的运动损坏数据检测 Download PDF

Info

Publication number
CN115552273A
CN115552273A CN202180034949.1A CN202180034949A CN115552273A CN 115552273 A CN115552273 A CN 115552273A CN 202180034949 A CN202180034949 A CN 202180034949A CN 115552273 A CN115552273 A CN 115552273A
Authority
CN
China
Prior art keywords
data
space
machine learning
processor
learning model
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
CN202180034949.1A
Other languages
English (en)
Inventor
A·S·I·索利曼
J·范海默特
E·德维尔特
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN115552273A publication Critical patent/CN115552273A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本公开内容涉及一种方法，所述方法包括：接收(201)针对目标的采集的k空间数据；根据所采集的k空间数据来重建(203)图像；根据所重建的图像来生成(205)重建的k空间数据；将Δk空间数据确定(207)为所采集的k空间数据与所重建的k空间数据之间的差异；将所述k空间数据划分(209)成一个或多个数据块，其中，所述数据块中的每个数据块包括具有k空间坐标集合的一个或多个样本的集合；针对一个或多个坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择(211)具有所述k空间坐标集合的残留数据集；将所述数据块的至少部分和对应的残留数据集输入(213)到经训练的机器学习模型，从而从所述经训练的机器学习模型获得针对所采集的k空间的所述数据块中的每个数据块的运动损坏概率。

Description

基于机器学习的运动损坏数据检测
技术领域
本发明涉及扫描成像系统，特别涉及用于实现磁共振图像重建的医学分析系统。
背景技术
磁共振成像(MRI)扫描器依赖于大型静态磁场(B0)来对齐原子的核自旋，作为用于产生患者体内的图像的流程的一部分。这些图像能够反映对象的各种量或属性。然而，患者在扫描期间的移动常常是个成像问题。由于在k空间填充期间运动何时发生的相关性，来自患者移动的伪影变化很大。
发明内容
各种实施例提供了如独立权利要求的主题所描述的医学分析系统、方法和计算机程序产品。在从属权利要求中描述了有利的实施例。
本发明的实施例可以提供用于磁共振成像方法的手段。卷积神经网络(CNN)可以使用自我一致性(self-consistency)矩阵和测量的k空间数据来检测运动损坏数据。可以使用从一个数据块/点测量的k空间数据与根据所有采集的数据重建的k空间数据之间的不一致情况来测量自我一致性矩阵。可以使用CNN来处理所测量的自我一致性矩阵和所测量的k空间数据以获得运动损坏的概率图。CNN可以处理每次激发(shot)的数据，也可以一起处理所有激发的数据。该方法还可以为CNN识别的高度运动损坏的数据块分配较低的权重并且为用于图像重建的没有损坏的数据块分配较高的权重。
在一个方面，本发明涉及一种用于重建磁共振图像的医学分析系统。所述医学分析系统包括处理器和至少一个存储器，所述至少一个存储器存储机器可执行指令。所述处理器被配置用于控制所述医学分析系统。所述医学分析系统包括经训练的机器学习模型，其中，所述经训练的机器学习模型被配置用于检测运动损坏数据。对所述机器可执行指令的运行使所述处理器：接收针对目标的采集的k空间数据；根据所采集的k空间数据来重建图像；根据所重建的图像来生成重建的k空间数据；并且将Δk空间数据确定为所采集的k空间数据与所重建的k空间数据之间的差异。对所述机器可执行指令的运行还使所述处理器：将所采集的k空间数据划分成一个或多个数据块，其中，所述数据块中的每个数据块包括具有相应的k空间坐标的集合的一个或多个样本的集合；并且针对一个或多个k空间坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择具有所述k空间坐标集合的残留数据集。对所述机器可执行指令的运行还使所述处理器：将全部或部分数据块和对应的残留数据集输入到所述经训练的机器学习模型，从而从所述经训练的机器学习模型获得输出，其中，所述输出包括针对所输入的所采集的k空间的数据块中的每个数据块的运动损坏概率。
本主题可以采用与机器学习模型的自我一致性来检测运动损坏数据。出于以下原因，使用自我一致性与机器学习模型的组合可以是有利的。在所采集的数据中存在足够冗余的情况下，单独的自我一致性构思可能成功，因为能够容易地对运动损坏的数据块进行分类。然而，在高加速因子和/或大运动损坏的情况下，这种构思可能无法检测到运动。另一方面，在仅使用诸如神经网络之类的机器学习模型来检测运动的情况下，通过利用运动损坏的图像/没有损坏的图像来训练模型，可能有其自身的局限性。特别地，该技术的准确性可能取决于用于训练的模拟数据的结论性。另外，针对可能无法推广到其他解剖结构的特定解剖结构来训练模型，并且为了具有良好训练的模型，需要在训练中包括多个运动状态，这要求具有几乎所有不同类型的运动的结论性集合的大的训练数据集。本主题可以通过对k空间数据而不是图像应用自我一致性与机器学习模型的组合来解决这些问题。可以使用机器学习模型来学习针对低冗余的k空间数据的自我一致性行为，使得也能够检测到不明显的不一致数据块。因此，与常规方法相比，运动检测可以对冗余较少的数据更加鲁棒。
本发明涉及磁共振成像重建，其中，将所采集的k空间数据与根据重建图像反投影的k空间数据之间的一致性分析与机器学习模型相结合。自我一致性度量在基于AI的框架中用于检测大运动。一致性分析的实现方式是：对于每个所选择的k空间数据块，从Δk空间数据中选择残留数据集并将该残留数据集与所选择的测量k空间数据配对。机器学习从所选择的数据块返回运动损坏的模型概率。以这种方式，对k空间数据进行了基于机器学习的运动损坏分析。这使得能够在以高加速因子进行采集的情况下或者在冗余不足以单独依赖于一致性的大运动的情况下考虑运动损坏。
本主题可以实现对所采集的原始数据中的运动损坏数据的准确检测。这可以实现对运动预防和校正技术的高效应用。特别地，本主题可以实现使运动的影响(这是特别隐含的)降低，因为运动会降低谱质量和诊断价值，但是常常不会造成明显的伪影，因此会被忽视。与用于检测运动损坏数据的特设方法形成对比，使用机器学习模型可以进一步提高对运动损坏数据的检测准确度。
目标可以是对象中的靶标体积。例如，可以通过MRI系统对对象进行成像或扫描以采集k空间数据。所采集的k空间数据可以用于生成对象中的靶标体积的图像。例如，靶标体积可以是头部或心脏。
在本文中使用的术语“k空间”可以指表示MR图像中的空间频率的数字阵列(矩阵)。k空间可以是MR图像的2D或3D傅里叶变换。
术语“机器学习”(ML)是指用于通过以自动方式构建概率模型(被称为机器学习模型或“预测模型”)来从训练数据集中提取有用信息的计算机算法。机器学习算法基于样本数据(被称为“训练数据”)来构建数学模型，以便做出预测或决策。可以使用学习算法(例如，有监督或无监督的学习、[聚类、分类、线性回归]、强化算法、自学习等)来执行机器学习。机器学习可以基于各种技术(例如，聚类、分类、线性回归、支持向量机、神经网络等)。“模型”或“预测模型”可以例如是数据结构或程序(例如，神经网络、支持向量机、决策树、贝叶斯网络等)。该模型适于根据其他已知值来预测未测量的值(例如，哪个标签对应于给定的令牌)并且/或者预测或选择动作以使未来奖励最大化。根据一个示例，机器学习模型是深度学习模型。
术语“k空间坐标”是指所采集的k空间数据的样本(或数据点或采样点)的k空间坐标。k空间坐标是k空间位置。例如，k空间坐标k(t)可以被定义为
Figure BDA0003938448450000021
其中，γ是旋磁比，并且G(t)是梯度向量，其描述在时间t时沿着x轴、y轴和/或z轴的磁场梯度的强度，并且0表示开始时间。例如，如果分别施加2D或3D梯度磁场G(t)，则k空间坐标k(t)可以是2维k空间坐标(例如，{kx(t),ky(t)})或3维k空间坐标(例如，{kx(t),ky(t),kz(t)})。
所采集的k空间数据的数据块可以包括一个或多个样本，其中，一个或多个样本中的每个样本在k空间中具有相应的k空间坐标。因此，所采集的k空间数据的每个数据块可以与数据块的样本的一个或多个k空间坐标的相应集合相关联。所采集的k空间数据的每个数据块的样本可以是连接的样本。所述连接的样本可以在采集时间上是连续的(因此在时间上是连接的)，或者在采集时间上是不连续但与某种生理现象是相关的。
根据一个实施例，对所述机器可执行指令的运行还触发所述处理器处理以下输入：所述输入针对的是具有相同的k空间坐标集合的一个残留数据集和一个数据块，并且所述输入要被输入到所述经训练的机器学习模型。提供实际测量的k空间和重建的k空间作为输入，因为残留物是实际目标的函数。针对不同的系统、不同的目标和/或不同类型的移动，可以固定/使用相同的经训练的机器学习模型。这可以实现对经训练的机器学习模型的高效和通用使用，而无需为每个用例重新训练模型。
将残留数据集和对应的数据块输入到经训练的机器学习模型包括处理以下输入：所述输入针对的是残留数据集和对应的数据块，并且所述输入要被输入到经训练的机器学习模型。
根据一个实施例，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将具有相同的k空间坐标集合的一个残留数据集和一个数据块重复输入到所述经训练的机器学习模型，直到所有选择的残留数据集都得到处理为止。
根据一个实施例，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将多个残留数据集和相关联的/对应的多个数据块输入到所述经训练的机器学习模型。数据块与残留数据集相对应，因为它们具有相同的k空间坐标。这可以实现在经训练的机器学习模型的单个输出中获得所有运动损坏数据。这可以实现对经训练的模型的灵活且容易的使用。
根据一个实施例，数据块的k空间连续样本的集合关于所述数据块的采集时间是连续的，或者通过某些生理测量结果相关。这可以实现对k空间的灵活且高效的采样，并且可以实现对不同类型的运动(例如，目标的旋转和平移)的量化。
根据一个实施例，所采集的k空间数据是从以下操作得到的：使所述目标经受K＞＝1次预定义脉冲序列的激发，其中，所述数据块中的每个数据块包括相应的单次激发的一些样本或所有样本。这可以实现将整个采集的k空间用作单个块。这可以实现可扩展的解决方案，因为输入/输出仅在每次激发时给出，因此它具有固定数量的输入和一个输出。
根据一个实施例，所采集的k空间数据是从以下操作得到的：使所述目标经受K次预定义脉冲序列的激发，其中，所述数据块中的每个数据块包括根据预定义序列准则选择的多次激发的样本。这可以是有利的，因为在扫描期间目标可能在多个位置之间移动，其中，能够检测到这种移动，因为多次激发能够覆盖多个位置的数据。例如，在周期性运动(例如，呼吸运动或心脏运动)的情况下，该实施例可以实现捕获在该周期性运动中的特定行为，因为该行为的数据点属于多次激发。
根据一个实施例，所述经训练的机器学习模型是深度神经网络，优选是卷积神经网络(CNN)。这可以允许改变输入维度，因此可以实现灵活的运动检测方法。
根据一个实施例，对所述机器可执行指令的运行还使所述处理器使用经训练的机器学习的输出来生成加权图，所述加权图包括针对所述一个或多个k空间坐标集合中的每个k空间坐标集合的权重，其中，所述权重指示具有所述k空间坐标集合的k空间数据是否被运动损坏。例如，可以将较低的权重分配给高度运动损坏的数据块，并且将较高的权重分配给没有损坏的数据块。
根据一个实施例，对所述机器可执行指令的运行还使所述处理器在迭代再加权最小二乘线圈组合方案中使用所述加权图来重建运动校正图像。例如，当数据块被突出显示为潜在不一致(即，潜在的运动损坏)时，能够在重建期间(例如在线圈组合过程期间)减轻或移除该数据块。在类似于例如迭代压缩感测重建或迭代感测重建的迭代再加权最小二乘线圈组合方案中能够采用该加权图。
根据一个实施例，对所述机器可执行指令的运行还使所述处理器选择具有高于预定义阈值的权重的k空间坐标集合。也可以在优化过程期间迭代地定义该阈值。可以使用表示所选择的集合的k空间数据来重建运动校正图像。例如，拒绝具有较低权重的集合可以旨在消除突然类型的运动或只是循环运动的某些部分。
根据一个实施例，对所述机器可执行指令的运行还使所述处理器：接收训练数据集。所述训练数据集包括数据块，其中，每个数据块被标记为运动损坏或没有损坏。可以使用所述训练数据集来训练所述机器学习模型；并且可以提供所述经训练的机器学习模型。可以通过使用被标记为运动损坏或没有损坏的数据块来以有监督的方式训练所述机器学习模型。与依赖于图像的情况形成对比，该实施例可以实现使用基于块的自我一致性度量作为针对模型的学习准则。经训练的模型可以独立于解剖结构和运动类型，因为k空间中的目标信号与残留物之间的关系预期是对所有协议/目标都有效的通用信息。
在另一方面，本发明涉及一种磁共振成像MRI系统，所述MRI系统包括前述实施例中的任一实施例的系统。所述MRI系统被配置为采集所述k空间数据。
在一个方面，本发明涉及一种方法，所述方法包括：接收针对目标的采集的k空间数据；根据所采集的k空间数据来重建图像；根据所重建的图像来生成重建的k空间数据；将Δk空间数据确定为所采集的k空间数据与所重建的k空间数据之间的差异；将所采集的k空间数据划分成一个或多个数据块，其中，所述数据块中的每个数据块包括具有k空间坐标集合的一个或多个样本的集合；针对一个或多个坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择具有所述k空间坐标集合的残留数据集；将所述数据块的至少部分和对应的残留数据集输入到经训练的机器学习模型，从而从所述经训练的机器学习模型获得针对所输入的数据块中的每个数据块的运动损坏概率。所输入的数据块和对应的残留数据集的至少部分是所采集的k空间数据的数据块和对应的残留数据集的全部或部分。
在另一方面中，本发明涉及一种包括用于由处理器运行的机器可执行指令的计算机程序产品，其中，对所述机器可执行指令的运行使得所述处理器能够执行前述实施例中的任一实施例的方法。也就是说，计算机程序产品可以包括机器可执行指令以执行本发明的方法的步骤，或者计算机程序产品可以是升级版本，其中，机器可执行指令可以与先前在计算机上安装的软件协作以执行本发明的方法的步骤。
应当理解，可以将本发明的前述实施例中的一个或多个实施例进行组合，只要所组合的实施例不相互排斥即可。
附图说明
下面将参考附图并且仅通过示例的方式描述本发明的优选实施例，在附图中：
图1是根据本主题的医学分析系统的示意图，
图2是根据本主题的示例的用于检测MRI运动损坏数据的方法的流程图，
图3是根据本主题的示例的用于训练机器学习模型的方法的流程图，
图4A描绘了说明根据本主题的预处理方法的图，
图4B描绘了说明根据本主题的CNN的推断的图，
图5示出了MRI系统的横截面和功能视图。
附图标记列表
100 医学分析系统
101 扫描成像系统
103 处理器
107 存储器
108 电源
109 总线
111 控制系统
121 软件
125 显示器
129 用户接口
133 数据库
150 AI部件
160 机器学习模型
201-213 方法步骤
301-303 方法步骤
401 采集的k空间数据
402A-D 数据块
403 重建的k空间数据
404 自我一致性矩阵
405A-D 残留数据集
410 CNN
411 概率图
700 磁共振成像系统
704 磁体
706 磁体的膛
708 成像区
710 磁场梯度线圈
712 磁场梯度线圈电源
714 射频线圈
715 RF放大器
718 对象
具体实施方式
在下文中，在附图中具有相似附图标记的元件要么是相似的元件，要么执行等效的功能。如果功能是等效的，则将不必在后面的附图中再讨论先前已经讨论过的元件。
仅出于解释的目的，在附图中示意性地描绘了各种结构、系统和设备，以便不用本领域技术人员熟知的细节掩盖本发明。尽管如此，附图被包括以描述和解释所公开的主题的说明性示例。
图1是医学分析系统100的示意图。医学分析系统100包括控制系统111，控制系统111被配置为连接到扫描成像系统(或采集部件)101。控制系统111包括处理器103、存储器107，它们均能够与医学分析系统100的一个或多个部件通信。例如，控制系统111的部件被耦合到双向系统总线109。
应当理解，本文描述的方法至少部分地是非交互式的，并且通过计算机化系统被自动化。例如，这些方法能够被进一步实施在软件121(包括固件)、硬件或其组合中。在示例中，本文描述的方法在软件中被实施为可执行程序，并且由专用或通用数字计算机(例如，个人计算机、工作站、小型计算机或大型计算机)来执行。
处理器103是用于执行软件的硬件设备，特别是在存储器107中存储的硬件设备。处理器103能够是任何定制的或可商业获得的处理器、中央处理单元(CPU)、与控制系统111相关联的若干处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、微处理器，或者通常为任何用于执行软件指令的设备。处理器103可以控制扫描成像系统101的操作。
存储器107能够包括易失性存储器元件(例如，随机存取存储器(诸如DRAM、SRAM、SDRAM等的RAM))和非易失性存储器元件(例如，ROM、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM))的任何一项或组合。注意，存储器107能够具有分布式架构，其中，各种部件彼此远离，但是能够由处理器103进行访问。存储器107可以存储与医学分析系统100的至少一个其他组成元件相关的指令或数据。
控制系统111还可以包括显示设备125，显示设备125例如在用户接口129上显示字符和图像等。显示设备125可以是触摸屏显示设备。
医学分析系统100还可以包括用于为医学分析系统100供电的电源108。电源108例如可以是电池或外部电源，例如，由标准AC出口供应的电力。
扫描成像系统101可以包括MRI、CT和PET-CT成像器中的至少一项。控制系统111和扫描成像系统101可以是一体部分，也可以不是一体部分。换句话说，控制系统111可以在扫描成像系统101外部，也可以不在扫描成像系统101外部。
扫描成像系统101包括可以由处理器103控制的部件，以便配置扫描成像系统101以向控制系统111提供图像数据。扫描成像系统101的配置可以使得能够进行对扫描成像系统101的操作。扫描成像系统101的操作可以例如是自动的。图5示出了作为MRI系统的扫描成像系统101的部件的示例。
控制系统111与扫描成像系统101之间的连接可以例如包括总线以太网连接、WAN连接或互联网连接等。
在一个示例中，扫描成像系统101可以被配置为提供响应于指定的测量的输出数据(例如，图像)。控制系统111可以被配置为接收来自扫描成像系统101的数据(例如，MR图像/k空间数据)。例如，处理器103可以适于(自动地或在请求时)接收来自扫描成像系统101的呈可兼容的数字形式的信息，使得这样的信息可以被显示在显示设备125上。这样的信息可以包括操作参数、警报通知以及与扫描成像系统101的使用、操作和功能有关的其他信息。
医学分析系统100可以被配置为经由网络130与其他扫描成像系统131和/或数据库133通信。网络130包括例如无线局域网(WLAN)连接、WAN(广域网)连接、LAN(局域网)连接或其组合。数据库133可以包括与患者、扫描成像系统、解剖结构、扫描几何形状、扫描参数、扫描等有关的信息。数据库133可以例如包括电子病历(EMR)数据库(包括患者的EMR)、放射学信息系统数据库、医学图像数据库、PACS、医院信息系统数据库和/或包括能够用于规划扫描几何的数据的其他数据库。数据库133例如可以包括用于由本主题执行的训练的训练数据集。
存储器107还可以包括人工智能(AI)部件150。AI部件150可以是也可以不是软件部件121的部分。例如，AI部件150可以包括经训练的机器学习模型160。经训练的机器学习模型160可以被配置为：接收至少一个数据块，并且输出每个输入的数据块被运动损坏的概率。
图2是用于检测运动损坏数据的方法的流程图。该方法可以例如由计算机系统(例如，参考图1描述的控制系统111)来执行。
可以在步骤201中接收针对目标的采集的k空间数据m。在一个示例中，可以从远程MRI系统接收k空间数据。例如，MRI系统可以经由网络(例如，互联网)被远程连接到计算机系统。这可以是有利的，因为这可以实现对所采集的k空间数据的集中处理。例如，可以对每个接收到的由不同的远程MRI系统采集的k空间数据重复图2的方法。在另一示例中，可以由与计算机系统形成一个整体部分的MRI系统来采集k空间数据。这可以实现对所采集的数据的自主和分布式处理。
在一个示例中，可以根据单次激发采集来采集k空间数据，使得在脉冲序列的一次运行中填充整个k空间矩阵。激发是表示由一个时间的激励脉冲执行的数据集合的单位。在另一示例中，可以根据多次激发采集来采集k空间数据，使得执行脉冲序列的一次以上的运行以收集k空间矩阵的所有期望的k空间数据。数据块可以是单次激发的数据的部分，或者可以包括基于某个序列准则所选择的属于不同激发的数据点。例如，在目标的周期性运动(例如，呼吸运动或心脏运动)的情况下，使用不同的激发可以实现捕获循环运动中的特定行为。在一个示例中，可以向一个或多个数据块中的每个数据块分配指示由该数据块表示的k空间坐标集合的索引。
在接收到所采集的k空间数据时，可以对所采集的k空间数据应用预处理方法。预处理方法包括步骤203至211。
可以在步骤203中根据所采集的k空间数据来重建MR图像p。为此，例如，可以对k空间数据执行傅立叶逆变换。可以将k空间数据变换成频域数据，所述频域数据可以例如是二维(2D)数据集或三维(3D)数据集。示例性图像重建方法可以包括并行成像、傅立叶重建、约束图像重建、压缩感测等或其变体或其任意组合。
可以在步骤205中根据所重建的图像p来生成重建的k空间数据kr。可以通过将编码矩阵E与所重建的图像p相乘来生成所重建的k空间数据：kr＝E.p。可以将所重建的k空间数据提供为与所采集的k空间矩阵具有相同大小的重建的k空间矩阵。
可以在步骤207中确定Δk空间数据R。可以将Δk空间数据R作为所采集的k空间数据m与所重建的k空间数据kr之间的差异来获得：R＝m-E.p。可以将Δk空间数据提供为自我一致性矩阵。可以使用运动残留物来确定自我一致性，其中，运动残留物是指使用所有采集的数据重建的k空间kr与所测量或采集的k空间m之间的差异。
可以将k空间数据m例如提供为或存储为k空间矩阵或图，其中，k空间数据的每个点或样本在k空间矩阵中具有其自己的k空间坐标。可以在步骤209中将k空间数据m划分(或分裂)成N个不同的数据块mc，其中，c＝1，…N并且N＞＝1。数据块中的每个数据块可以包括在k空间矩阵中具有相应的k空间坐标集合Sc的样本。k空间坐标集合Sc可以是k空间矩阵中的连续坐标或非连续坐标。这可以是有利的，因为它可以实现以更高的自由度检测移动。数据块中的每个数据块可以包括一个或多个数据点。
为了简化描述，假设N＝2，数据块m1可以包括具有k空间坐标S1(例如，(kx1，ky1))的一个数据点，并且数据块m2可以包括具有k空间坐标集合S2(例如，(kx2，ky2)和(kx4，ky4))的多个数据点。
针对N个k空间坐标集合中的每个k空间坐标集合Sc，在步骤211中从Δk空间数据R中选择对应的残留数据集Rc。所选择的残留数据集Rc包括具有k空间坐标集合Sc的样本。残留数据集可以被称为数据块残留物Rc。按照上面的示例，可以选择具有集合S1的坐标(kx1，ky1)的Δk空间数据R的数据点，并且可以选择具有集合S2的坐标(kx2，ky2)和(kx4，ky4)的Δk空间数据R的数据点。在一个示例中，可以使用选择掩码Mc从块c中选择所有数据点来定义数据块c的数据块残留物Rc，如下所示：Rc＝Mc.(m–E.p)。可以使用数据块c的样本的k空间坐标集合来确定数据块残留物Rc的选择矩阵。选择矩阵可以例如是用户定义的。数据块残留物Rc的大小可以变化，例如：对于2D多线圈采集，它是3D矩阵；而对于3D多线圈采集，它是4D矩阵。
预处理方法的运行因此可以产生N个残留数据集Rc和N个对应的测量数据集mc。也就是说，残留数据集和测量数据集的N个对(R1，m1)…(RN，mN)。按照上面的示例，预处理方法的运行可以产生分别与k空间坐标集合S1和S2相关联的两个对(R1，m1)和(R2，m2)。
在步骤213中，可以将这N对中的至少部分输入到经训练的机器学习模型160，以便获得指示运动损坏的数据点的数据。步骤213可以实现对经训练的机器学习模型的推断。步骤213可以根据一个或多个推断示例来执行。
在第一推断示例中，将这N对中的一个对(例如，(R2，m2))输入到经训练的机器学习模型。经训练的机器学习模型可以提供指示数据块m2被运动损坏的概率的输出。
在第二推断示例中，可以将所有N个对都提供为针对经训练的机器学习模型的输入。经训练的机器学习模型可以输出N个概率pc，每个概率指示相应的数据块mc被运动损坏的概率。
可以基于用于训练机器学习模型160的训练方法(例如，如参考图3所描述的训练方法)来选择在步骤213中使用的推断示例。
例如，可以在接收到所采集的k空间数据时自动运行图2的方法。
图3是根据本公开内容的示例的用于训练机器学习模型160的方法的流程图。出于例证的目的，机器学习模型可以是CNN。
在步骤301中，例如控制系统111可以接收训练集。例如，可以从一个或多个来源获得训练集。例如，控制系统111可以从数据库133中检索训练集。
为了实现第一推断示例，训练集可以包括多个条目，其中，这多个条目中的每个条目包括具有相同的k空间坐标的数据块和残留数据集的对(Rc，mc)以及指示数据块mc是否被运动损坏的标签Lc。因此，训练集的每个条目可以包括三元组(Rc，mc，Lc)。在这种情况下，CNN的输入层可以包括等于坐标集的坐标数乘以2的节点数。
为了实现第二推断示例，训练集可以包括多个条目，其中，每个条目包括所有N个数据块的三元组(R1…RN，mc…mN，L1…LN)、相关联的残留集以及多个数据块中的每个数据块的标签。在这种情况下，多个数据块中的N个数据块的样本的所有坐标的数量定义了CNN的输入层中的节点数。例如，这对数据块和残留数据集的每个数据点可以与CNN的相应节点相关联。
在步骤303中，可以使用接收到的训练集来训练机器学习模型160。例如，CNN可以包括多组权重，例如，从输入层到第一隐藏层的权重、从第一隐藏层到第二隐藏层的权重等。在训练CNN之前，可以通过随机数或值来初始化权重。可以执行训练以搜索CNN的优化参数(例如，权重和偏置)并且使分类误差或残留物最小化。例如，将训练集用作用于朝向CNN进行馈送的输入。这可以实现例如通过损失函数(代价函数)来计算CNN的输出层中的数据丢失。数据丢失衡量预测任务与真实情况标签之间的兼容性。在得到了数据丢失之后，可以通过改变CNN的权重和偏置来使数据丢失最小化。这可以例如通过用梯度下降将丢失反向传播到每个层和神经元中来执行。
在一个示例中，可以使用额外的数据来连续增强步骤301的训练集。例如，可以通过添加与经处理的数据块相关联的概率来更新训练集。额外地或替代地，可以通过添加另外的三元组来更新训练集。可以定期重复步骤303，例如一旦训练集被更新就重复步骤303。并且，在图2的方法中，可以使用例如经重新训练的CNN来代替经训练的CNN。
图4A描绘了说明预处理方法的步骤的框图。例如，使目标经受K＝4次预定义脉冲序列的激发。激发的次数K可以等于数据块的数量N，例如，每个数据块可以包括相应激发的样本。在另一示例中，激发的次数K可以不同于数据块的数量N，例如，每个数据块可以包括一个以上的激发的样本。在该示例中，所采集的k空间数据401被划分成四个不同的数据块402A、402B、402C和402D，其中，每个数据块包括四次激发中的相应激发的样本。
通过根据所采集的k空间数据重建图像并将该图像转换到k空间来确定重建的k空间数据403。从所采集的k空间数据401中减去所重建的k空间数据403以得到自我一致性矩阵404。自我一致性矩阵404的残留物或数据点被分组到分别与数据块402A、402B、402C和402D的数据块位置相对应的四个残留数据集405A、405B、405C和405D。这可以产生数据块和相关联的残留数据集的四个对(402A，405A)、(402B，405B)、(402C，405C)、(402D，405D)。这些对中的每个对的数据块和残留数据集具有相同的k空间坐标集合。
随后将所采集的k空间和自我一致性矩阵馈送到CNN410，如图4B所示，CNN410逐个处理数据块。如图4B所示，一次提供四个对中的每个对作为输入。对于每个经处理的块，在概率图411中给出其被运动损坏的概率。对于网络配置，有多个选项：一个选项是CNN处理每个激发的数据，并且另一个选项是CNN一起处理所有激发的数据。后者可以包含更多的信息以供网络使用来检测运动，但也可能扩展性较小，因为输入和输出的大小从一次扫描到另一次扫描是会变化的(例如，不同的激发次数会产生不同数量的输入/输出)。在这种情况下，可以根据每个用例来训练CNN。在CNN处理每个激发的数据的情况下，其网络具有固定数量的输入/输出。在这种情况下，利用单个网络能够处理很多扫描。
图5图示了作为医学系统100的示例的磁共振成像系统700。磁共振成像系统700包括磁体704。磁体704是超导圆柱形类型的磁体，其中具有膛706。也可以使用不同类型的磁体；例如，也可以使用分裂式圆柱形磁体和所谓的开放式磁体或密封式磁体。分裂式圆柱形磁体类似于标准圆柱形磁体，不同之处在于，低温恒温器已被分成两个部分，以允许进入磁体的等平面。这样的磁体可以例如与带电粒子束治疗结合使用。开放式磁体具有两个磁体部分，一个磁体部分在另一个磁体部分之上，它们之间具有空间，该空间足够大以接收要被成像的对象718，这两个部分的区域的布置类似于亥姆霍兹线圈的布置。在圆柱形磁体的低温恒温器内部存在超导线圈的集合。在圆柱形磁体704的膛706内存在成像区或体积或解剖结构708，其中，磁场足够大且足够均匀以执行磁共振成像。
在磁体的膛706内还存在一组磁场梯度线圈710，这组磁场梯度线圈710在磁共振数据的采集期间用于对在磁体704的成像体积或检查体积708内的目标体积的磁自旋进行空间编码。磁场梯度线圈710被连接到磁场梯度线圈电源712。磁场梯度线圈710旨在是代表性的。通常，磁场梯度线圈710包含三组单独的线圈，这三组单独的线圈用于在三个正交的空间方向上进行编码。磁场梯度电源为磁场梯度线圈供应电流。被供应给磁场梯度线圈710的电流被控制为时间的函数，并且可以是斜坡变化的或脉冲变化的。
MRI系统700还包括RF线圈714，RF线圈714在对象718处并且与检查体积708相邻以用于生成RF激励脉冲。RF线圈714可以包括例如一组表面线圈或其他专用RF线圈。RF线圈714可以被交替地用于发射RF脉冲和接收磁共振信号，例如，RF线圈714可以被实施为包括多个RF发射线圈的发射阵列线圈。RF线圈714被连接到一个或多个RF放大器715。
磁场梯度线圈电源712和RF放大器715被连接到控制系统111的硬件接口。控制系统111的存储器107可以例如包括控制模块。控制模块包含计算机可执行代码，该计算机可执行代码使得处理器103能够控制磁共振成像系统700的操作和功能。该计算机可执行代码还使得能够进行磁共振成像系统700的基本操作(例如，对磁共振数据的采集)。
本领域的技术人员将意识到，本发明的各方面可以被实施为装置、方法或计算机程序产品。因此，本发明的各方面可以采用以下形式：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)或在本文中全部被通称为“电路”、“模块”或“系统”的组合了软件方面和硬件方面的实施例。此外，本发明的各方面可以采用被实施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被实施在其上的计算机可执行代码。
可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文使用的“计算机可读存储介质”涵盖可以存储能由计算设备的处理器执行的指令的任何有形存储介质。计算机可读存储介质可以被称为计算机可读非瞬态存储介质。计算机可读存储介质还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能够存储能够由计算设备的处理器访问的数据。计算机可读存储介质的示例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及处理器的寄存器文件。光盘的示例包括压缩盘(CD)和数字多用盘(DVD)，例如，CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语“计算机可读存储介质”还指能够由计算机设备经由网络或通信链路进行存取的各种类型的记录介质。例如，可以在调制解调器上、在互联网上或在局域网上检索数据。可以使用任何适当的介质来传输在计算机可读介质上实施的计算机可执行代码，所述任何适当的介质包括但不限于：无线、有线、光纤缆线、RF等，或前项的任何合适的组合。
计算机可读信号介质可以包括例如在基带中或作为载波的部分的、在其中实施计算机可执行代码的传播的数据信号。这样的经传播的信号可以采用各种形式中的任何形式，包括但不限于：电磁、光学或其任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质：所述计算机可读介质不是计算机可读存储介质并且能够传递、传播或传输用于由指令执行系统、装置或设备使用的程序或与指令执行系统、装置或设备结合使用的程序。
“计算机存储器”或“存储器”是计算机可读存储介质的示例。计算机存储器是能由处理器直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的示例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或者反之亦然。
本文使用的“处理器”涵盖能够运行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的引用应被解读为可能包含多于一个处理器或处理核。处理器例如可以是多核处理器。处理器也可以指在单个计算机系统之内的或被分布在多个计算机系统之间的处理器的集合。术语“计算设备”也应被解读为可能指多个计算设备的集合或网络，所述多个计算设备中的每个均包括一个或多个处理器。计算机可执行代码可以由可以在相同的计算设备之内或者甚至可以被分布在多个计算设备上的多个处理器来执行。
计算机可执行代码可以包括令处理器执行本发明的一方面的机器可执行指令或程序。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被写成一种或多种编程语言的任何组合，包括面向对象的编程语言(例如，Java、Smalltalk、C++等)和常规程序编程语言(例如，“C”编程语言或类似的编程语言)，并且被编译成机器可执行指令。在一些实例中，计算机可执行代码可以是高级语言的形式或是预编译的形式，并且可以与解读器联合使用，所述解读器在运行中生成机器可执行指令。
计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上、作为独立软件包、部分在用户的计算机上并且部分在远程计算机上，或者完全在远程计算机或服务器上执行。在后一种场景中，远程计算机可以通过任何类型的网络连接到用户的计算机，所述网络包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)的连接。
参考根据本发明的实施例的流程图图示和/或方法、装置(系统)以及计算机程序产品的框图描述了本发明的各方面。应当理解，在适当时能够由计算机可执行代码形式的计算机程序指令来实施流程图、图示和/或框图的框的每个框或部分。还应当理解，当互不排斥时，可以对不同的流程图、图示和/或框图中的框进行组合。可以将这些计算机程序指令提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以产生机器，使得经由计算机或其它可编程数据处理装置的处理器执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。
这些计算机程序指令也可以被存储在计算机可读介质中，所述计算机可读介质能够指导计算机、其他可编程数据处理装置或其他设备来以特定方式起作用，使得被存储在计算机可读介质中的指令产生制造品，所述制造品包括实施在流程图和/或一个或多个框图框中指定的功能/动作的指令。
计算机程序指令也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，以引起要在计算机、其他可编程装置或其他设备上执行的一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上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指定的功能/动作的过程。
本文使用的“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/或从操作者接收信息或数据。用户接口可以使得来自操作者的输入能够被所述计算机接收，并且可以从计算机向用户提供输出。换言之，用户接口可以允许操作者控制或操纵计算机，并且接口可以允许计算机指示操作者的控制或操纵的效果。在显示器或图形用户接口上显示数据或信息是向操作者提供信息的示例。通过键盘、鼠标、跟踪球、触控板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、头戴式设备、转向杆、方向盘、脚踏板、有线手套、跳舞毯、遥控器以及加速度计来接收数据是使得能够从操作者接收信息或数据的用户接口部件的全部示例。
本文使用的“硬件接口”涵盖使得计算机系统的处理器能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许处理器向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的示例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口以及数字输入接口。
本文使用的“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、听觉和/或触觉的数据。显示器的示例包括，但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪以及头戴式显示器。
虽然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例性的，而非限制性的；本发明不限于所公开的实施例。
本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他部件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上，例如，与其他硬件一起或作为其他硬件的部分而供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如，经由互联网或其他有线或无线的电信系统进行分布。权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (15)

1.一种用于实现磁共振图像重建的医学分析系统(100)，所述医学分析系统包括处理器(103)和至少一个存储器(107)，所述至少一个存储器存储机器可执行指令，所述处理器被配置用于控制所述医学分析系统(100)，其中，对所述机器可执行指令的运行使所述处理器(103)：
提供经训练的机器学习模型(160)，所述经训练的机器学习模型(60)被配置用于检测运动损坏数据；
接收(201)针对目标的采集的k空间数据；
根据所采集的k空间数据来重建(203)图像；
根据所重建的图像来生成(205)重建的k空间数据；
将Δk空间数据确定(207)为所采集的k空间数据与所重建的k空间数据之间的差异；
将所采集的k空间数据划分(209)成一个或多个数据块，其中，所述数据块中的每个数据块包括具有k空间坐标集合的一个或多个样本的集合；
针对一个或多个k空间坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择(211)具有所述k空间坐标集合的残留数据集；
将所述数据块的至少部分和对应的残留数据集输入(213)到所述经训练的机器学习模型，从而从所述经训练的机器学习模型获得针对所输入的数据块中的每个数据块的运动损坏概率。
2.根据权利要求1所述的系统，其中，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将具有相同的k空间坐标集合的一个残留数据集和一个数据块输入到所述经训练的机器学习模型。
3.根据权利要求1所述的系统，其中，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将具有相同的k空间坐标集合的一个残留数据集和一个数据块重复输入到所述经训练的机器学习模型，直到所有选择的残留数据集都得到处理为止。
4.根据权利要求1所述的系统，其中，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将多个残留数据集和相关联的多个数据块输入到所述经训练的机器学习模型。
5.根据前述权利要求中的任一项所述的系统，其中，数据块的所述k空间坐标集合关于所述数据块的采集时间是连续的，或者通过某些生理测量结果相关。
6.根据前述权利要求中的任一项所述的系统，其中，所采集的k空间数据是从以下操作得到的：使所述目标经受K＞＝1次预定义脉冲序列的激发，其中，所述数据块中的每个数据块包括单次激发的一些样本或所有样本。
7.根据前述权利要求1-5中的任一项所述的系统，其中，所采集的k空间数据是从以下操作得到的：使所述目标经受K次预定义脉冲序列的激发，其中，所述数据块中的每个数据块包括根据预定义序列准则选择的多次激发的样本。
8.根据前述权利要求中的任一项所述的系统，所述经训练的机器学习模型是深度神经网络，优选是卷积神经网络CNN。
9.根据前述权利要求中的任一项所述的系统，其中，对所述机器可执行指令的运行还使所述处理器使用经训练的机器学习的输出来生成加权图，所述加权图包括针对所述一个或多个k空间坐标集合中的每个k空间坐标集合的权重，所述权重指示具有所述k空间坐标集合的k空间数据是否被运动损坏。
10.根据权利要求9所述的系统，其中，对所述机器可执行指令的运行还使所述处理器在迭代再加权最小二乘线圈组合方案中使用所述加权图来重建运动校正图像。
11.根据权利要求9所述的系统，其中，对所述机器可执行指令的运行还使所述处理器选择所述k空间坐标集合中权重高于预定义阈值的k空间坐标集合，从而使用表示所选择的集合的所述k空间数据来重建运动校正图像。
12.根据前述权利要求中的任一项所述的系统，其中，对所述机器可执行指令的运行还使所述处理器：接收训练数据集，所述训练数据集包括数据块，每个数据块被标记为运动损坏或没有损坏；训练所述机器学习模型；并且提供所述经训练的机器学习模型。
13.一种磁共振成像MRI系统，包括根据前述权利要求1-12中的任一项所述的系统，所述MRI系统被配置为采集所述k空间数据。
14.一种方法，包括：
接收(201)针对目标的采集的k空间数据；
根据所采集的k空间数据来重建(203)图像；
根据所重建的图像来生成(205)重建的k空间数据；
将Δk空间数据确定(207)为所采集的k空间数据与所重建的k空间数据之间的差异；
将所述k空间数据划分(209)成一个或多个数据块，其中，所述数据块中的每个数据块包括具有k空间坐标集合的一个或多个样本的集合；
针对一个或多个坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择(211)具有所述k空间坐标集合的残留数据集；
将所述数据块的至少部分和对应的残留数据集输入(213)到经训练的机器学习模型，从而从所述经训练的机器学习模型获得针对所输入的数据块中的每个数据块的运动损坏概率。
15.一种计算机程序产品，包括由处理器运行的机器可执行指令，所述指令使得所述处理器能够执行根据权利要求14所述的方法。
CN202180034949.1A 2020-05-12 2021-04-25 基于机器学习的运动损坏数据检测 Pending CN115552273A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20174072.7A EP3910359A1 (en) 2020-05-12 2020-05-12 Machine learning based detection of motion corrupted magnetic resonance imaging data
EP20174072.7 2020-05-12
PCT/EP2021/060767 WO2021228534A1 (en) 2020-05-12 2021-04-25 Machine learning based detection of motion corrupted magnetic resonance imaging data

Publications (1)

Publication Number Publication Date
CN115552273A true CN115552273A (zh) 2022-12-30

Family

ID=70681748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180034949.1A Pending CN115552273A (zh) 2020-05-12 2021-04-25 基于机器学习的运动损坏数据检测

Country Status (4)

Country Link
US (1) US20230186464A1 (zh)
EP (1) EP3910359A1 (zh)
CN (1) CN115552273A (zh)
WO (1) WO2021228534A1 (zh)

Also Published As

Publication number Publication date
EP3910359A1 (en) 2021-11-17
WO2021228534A1 (en) 2021-11-18
US20230186464A1 (en) 2023-06-15

Similar Documents

Publication Publication Date Title
CN111542853B (zh) 数据采集期间的运动伪影预测
CN111356930B (zh) 用于定位预定义的解剖结构的解剖界标的方法和系统
US10210613B2 (en) Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training
JP2021511138A (ja) 試験組織試料における転移を予測するための医療解析方法
CN111295687A (zh) 对磁共振成像数据中的运动伪影的基于深度学习的处理
JP6932181B2 (ja) 動き補正された圧縮検知磁気共鳴イメージング
CN111989710A (zh) 医学成像中的自动切片选择
US12067652B2 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
US11995825B2 (en) Method for motion artifact detection
EP3726240A1 (en) Automated detection of water-fat swaps in dixon magnetic resonance imaging
US20230186464A1 (en) Machine learning based detection of motion corrupted magnetic resonance imaging
CN114175111A (zh) 利用机器学习的fMRI任务设置
CN114080184A (zh) 电学属性断层摄影的深度学习
EP4084009A1 (en) Diagnostic imaging system to support a clinical endpoint
EP4231036A1 (en) Detection of artifical structures in magentic resonance images due to neural networks
EP4318016A1 (en) Neural network guided motion correction in magnetic resonance imaging
US20240288523A1 (en) Out of distribution testing for magnetic resonance imaging
EP4266074A1 (en) Segmentation of medical images reconstructed from a set of magnetic resonance images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20221230