CN115667969A - 对欠采样因子的自动调整 - Google Patents

对欠采样因子的自动调整 Download PDF

Info

Publication number
CN115667969A
CN115667969A CN202180036027.4A CN202180036027A CN115667969A CN 115667969 A CN115667969 A CN 115667969A CN 202180036027 A CN202180036027 A CN 202180036027A CN 115667969 A CN115667969 A CN 115667969A
Authority
CN
China
Prior art keywords
magnetic resonance
neural network
scan parameters
predicted
pulse sequence
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
CN202180036027.4A
Other languages
English (en)
Inventor
M·怀斯
A·霍克
K·魏斯
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 CN115667969A publication Critical patent/CN115667969A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/54Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608Data 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/4818MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/54Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/54Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561Image 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
    • G01R33/5611Parallel 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning

Landscapes

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

Abstract

本文公开了一种操作医学系统(100、300)的方法。所述方法包括接收(200)脉冲序列命令(124),所述脉冲序列命令被配置为控制磁共振成像系统(302)以根据压缩感测磁共振成像协议来采集k空间数据(330)。所述方法还包括接收(202)磁共振扫描参数,所述磁共振扫描参数描述所述脉冲序列命令的配置和所述磁共振成像系统的配置。所述方法还包括响应于将所述磁共振扫描参数输入到神经网络中而接收(204)预测的欠采样因子(128),其中,所述神经网络被配置为响应于接收到磁共振扫描参数而输出所预测的欠采样因子。所述方法还包括基于所预测的欠采样因子来调整(206)所述脉冲序列命令(130)以选择或修改对所述k空间数据的采样。

Description

对欠采样因子的自动调整
技术领域
本发明涉及磁共振成像,特别涉及压缩感测磁共振成像。
背景技术
磁共振成像(MRI)扫描器使用大型静态磁场来使原子的核自旋对齐,作为产生患者体内的图像的流程的部分。这个大型静态磁场被称为B0场或主磁场。磁共振成像系统对k空间中的数据进行采样,然后根据该k空间数据来重建磁共振图像。
能够使用MRI在空间上测量对象的各种量或属性。MRI的缺点是需要时间来采集k空间数据。在采集k空间数据期间,对象可能很难保持静止。压缩感测磁共振成像通过使用欠采样的k空间数据实现对磁共振成像图像的重建而减少了采集时间。目前,操作者选择欠采样因子(也知道还选择加速因子),所述欠采样因子影响如何对k空间数据进行采样。如果采集的k空间数据太少,则需要以较少的欠采样重复进行采集。
美国专利申请公布内容US 2018/0203081公开了用于使用利用字典的磁共振(“MR”)系统来估计对象的定量参数的系统和方法。该字典可以包括多个信号模板,这多个信号模板对在采集数据时使用的采集参数进行稀疏采样。使用神经网络将所采集的数据与字典进行比较。因此,与传统的MRF重建系统和方法相比,提供了计算效率更高的系统和方法并且降低了数据存储需求。美国专利申请US 2015/108978涉及用于对磁共振成像的稀疏采样的策略。更具体地,这种已知的策略包括选择基本可变密度采样模式。这种基本可变密度采样模式是基于由用户提供的准则选择的。随后,通过模拟分析或者根据查找表来确定基本可变密度采样模式的扫描时间。为了应对不可接受的扫描时间,对可变密度采样模式进行修改以在不增加扫描时间的情况下使所采样的k空间面积最大化。
发明内容
本发明在独立权利要求中提供了医学系统、计算机程序和方法。在从属权利要求中给出了实施例。
实施例可以提供改进的选择预测的欠采样因子的手段。神经网络被配置或训练成响应于接收到磁共振扫描参数而输出所预测的欠采样因子。磁共振扫描参数描述了磁共振成像系统的配置,其包括用于控制磁共振成像系统的脉冲序列命令的配置。所预测的欠采样因子表示在采集磁共振信号之前对适当的欠采样的值的预测,即,在扫描k空间之前预测或估计欠采样。因此,通过根据与先验预测的欠采样因子一致的采样模式和采样密度函数来扫描k空间,可以使所预测的欠采样在对磁共振信号的采样开始时就已经可用。在通过对k空间采样而进行的MR数据采集之前,经训练的神经网络使所预测的欠采样因子返回到输入扫描参数而使所预测的欠采样因子变得可用。可以根据关于与适当的欠采样因子与扫描参数(的集合)的组合相关联的成功图像采集的历史数据来训练神经网络。
在一个方面,本发明提供了一种医学系统,所述医学系统包括存储器,所述存储器存储机器可执行指令。所述存储器还存储神经网络。所述神经网络被配置为响应于接收到磁共振扫描参数而输出预测的欠采样因子。本文使用的磁共振扫描参数包括磁共振成像系统的配置和/或用于控制该磁共振成像系统的脉冲序列命令的配置。
脉冲序列命令中可能的个体设置或调整以及磁共振成像系统的配置都会对所预测的欠采样因子产生影响。欠采样因子是当执行压缩感测磁共振成像协议时的欠采样因子。磁共振扫描参数描述磁共振成像系统的配置。磁共振成像系统的这种配置还包括脉冲序列命令的配置。
所述医学系统还包括计算系统,所述计算系统被配置用于控制所述磁共振成像系统。对所述机器可执行指令的运行使所述计算系统接收脉冲序列命令,所述脉冲序列命令被配置为控制磁共振成像系统以根据压缩感测磁共振成像协议来采集k空间数据。对所述机器可执行指令的运行还使所述计算系统接收所述磁共振扫描参数。可以以各种不同的方式接收脉冲序列命令以及磁共振扫描参数。在一些实例中,可以从用户接口接收磁共振扫描参数和具有针对脉冲序列命令的特定配置的脉冲序列命令。在其他情况下,可以通过从存储器中检索脉冲序列命令和磁共振扫描参数来接收它们。
对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磁共振扫描参数输入到所述神经网络中而接收所预测的欠采样因子。对所述机器可执行指令的运行还使所述计算系统基于所述欠采样因子来调整所述脉冲序列命令以修改对所述k空间数据的采样。例如,当磁共振成像系统采集k空间数据时,它是以k空间数据组的形式采集的,这些k空间数据是单线或通常被称为激发的内容。对脉冲序列命令的调整修改了如何对k空间数据进行采样而使得其与所预测的欠采样因子相匹配。
欠采样因子是相对于奈奎斯特定理测量预欠采样的因子。该实施例可以是有益的,因为它可以提供改进的设置欠采样因子的手段。如果没有足够地减小欠采样因子,则不会对磁共振图像产生有害影响。然而,与最优设置欠采样因子的情况相比,它会花费更长的时间来采集k空间数据。如果欠采样因子太低,则所得到的磁共振图像可能被破坏。使用神经网络可以实现使用更多种类的因子以及人类操作者不会考虑的因子来设置欠采样因子。通常,操作者将手动调整欠采样因子。人类可以查看各种因子,然后调整欠采样因子。这通常是基于操作者的经验构建的,并且通常是随机过程。
在另一实施例中,所述磁共振扫描参数包括射频线圈配置。这可以包括射频线圈的数量和布置。
在另一实施例中,所述磁共振扫描参数包括指定二维扫描或三维扫描的扫描模式。这基本上标识了如何采集k空间数据,是以三维方式采集还是以二维切片采集。
在另一实施例中,所述磁共振扫描参数包括指定所述脉冲序列命令的对比度的序列类型。脉冲序列命令内的各种参数能够用于改变图像的对比度。
在另一实施例中,所述磁共振扫描参数包括回波时间。这是可以在脉冲序列命令中设置的基本值。
在另一实施例中,所述磁共振扫描参数包括脉冲重复时间。
在另一实施例中,所述磁共振扫描参数包括体素大小或三维空间分辨率。
在另一实施例中,所述磁共振扫描参数包括三维视场。
体素大小或三维空间分辨率以及作为视场的三维视场和体素大小有些冗余。它们一起提供关于视场和矩阵大小或体素大小和矩阵大小的信息。在配置磁共振成像系统时,许多参数确实具有一些重叠冗余。
在另一实施例中,所述磁共振扫描参数包括在k空间采样期间的射频带宽。
上面提到的磁共振扫描参数可以包括扫描参数的核心,当用于训练神经网络时,所述扫描参数的核心引起产生准确的欠采样因子。
在另一实施例中,所述磁共振扫描参数包括执行的信号平均的次数。
下面描述的磁共振扫描参数是可以具有额外改进对欠采样因子的估计的效果的磁共振扫描参数。
在另一实施例中,所述磁共振扫描参数还包括正在使用的脂肪抑制协议的类型。
在另一实施例中,所述磁共振扫描参数还包括在所述脉冲序列命令中指定的翻转角。
在另一实施例中,所述磁共振扫描参数还包括扫描时间。
在另一实施例中,所述磁共振扫描参数还包括所述视场的取向。
在另一实施例中,所述磁共振扫描参数还包括折叠方向。
在另一实施例中,所述磁共振扫描参数还包括动态扫描的次数。
在另一实施例中,所述磁共振扫描参数还包括所使用的造影剂的类型。当造影剂用于特定的磁共振成像协议时,所使用的造影剂的类型当然可以是重要的扫描参数。然而,并非所有的磁共振成像协议都使用造影剂。
在另一实施例中,所述磁共振扫描参数还包括重建体素大小或重建矩阵大小。
在另一实施例中,所述磁共振扫描参数还包括在所述脉冲序列命令中使用的预脉冲的类型或选择。
在另一实施例中,所述磁共振扫描参数还包括部分傅立叶半扫描协议的实施方式或对部分傅立叶半扫描协议的实施方式的选择。
在另一实施例中,所述磁共振扫描参数还包括正在检查的解剖部分。这可以例如是正在检查的身体的特定视图和/或区域。
在另一实施例中,所述磁共振扫描参数还包括所使用的激发类型。该激发是作为单次采集而采集的一组k空间数据点。
在另一实施例中,所述磁共振扫描参数还包括k空间轮廓顺序。
在另一实施例中,所述磁共振扫描参数还包括k空间轨迹。
在另一实施例中,所述磁共振扫描参数还包括生理同步的类型。这可以例如是与心脏相位或呼吸相位的同步。
在另一实施例中,所述磁共振扫描参数还包括扩散编码技术类型。
在另一实施例中,所述磁共振扫描参数还包括k空间分割因子。
在另一实施例中,所述磁共振扫描参数还包括用于采集相同的k空间线的回波的数量。
在另一实施例中,对所述机器可执行指令的运行还使所述计算系统从磁共振扫描参数数据库中检索存档的扫描参数数据。这些参数例如可以包括用于各种类型的扫描的脉冲序列的各种参数。这也包括欠采样因子。所述方法还包括根据所存档的扫描参数数据来构建存档的训练数据的过程。这可以例如是提取欠采样因子的值以及所使用的磁共振扫描参数。然后,训练数据可以包括磁共振扫描参数作为针对神经网络的输入,然后能够将实际使用的采样因子与神经网络的输出进行比较。对所述机器可执行指令的运行还使所述计算系统使用所存档的训练数据来训练所述神经网络。这可以例如使用反向传播算法来完成。
在另一实施例中,所存档的训练数据是远程接收的。
在另一实施例中,所存档的训练数据是经由网络连接远程接收的。这可以例如实现使用来自各个位置和地点的数据来训练神经网络。
在另一实施例中,所述医学系统还包括所述磁共振成像系统。对所述机器可执行指令的运行还使所述计算系统通过利用所述脉冲序列命令控制所述磁共振成像系统以采集所述k空间数据。对所述机器可执行指令的运行还使所述计算系统根据所述k空间数据来重建磁共振图像数据。所述磁共振图像数据是可以以二维方式或三维方式绘制以形成磁共振图像的数据。
在另一实施例中,所述医学系统还包括用户接口。对所述机器可执行指令的运行还使所述计算系统在调整所述脉冲序列命令之前在所述用户接口上显示所述欠采样因子以及所述磁共振扫描参数的至少部分。对所述机器可执行指令的运行还使所述计算系统响应于显示所述欠采样因子而从所述用户接口接收预测的欠采样因子。所述脉冲序列命令是使用所预测的欠采样因子调整的。在该实施例中,神经网络仍然提供欠采样因子,但是操作者有机会使用用户接口来校正或改变欠采样因子。
在另一实施例中,对所述机器可执行指令的运行还使所述计算系统根据所述磁共振扫描参数和所预测的欠采样因子来构造用户特异性训练数据。对所述机器可执行指令的运行还使所述计算系统使用所述用户特异性训练数据来训练所述神经网络。所述用户特异性训练数据可以例如包括提取所述磁共振扫描参数和所预测的欠采样因子,然后制作能够用于反向传播的数据以训练所述神经网络。这可以例如是有益的,因为它可以用于针对局部偏好和/或针对所使用的局部脉冲序列命令或协议来训练神经网络。
在另一实施例中,所述神经网络是多层神经网络。实验表明,多层神经网络在训练时能够很好地预测欠采样因子。
在另一实施例中,所述多层神经网络包括至少六层。所述至少六层中的每一层都与相邻层完全连接。在稍后描述的示例中,利用使用七层的多层神经网络来执行对欠采样因子的预测。六层多层神经网络将正常工作。七层多层神经网络的会执行得更好。
在另一方面,本发明提供了一种训练神经网络的方法。所述方法包括从磁共振扫描参数数据库中检索存档的扫描参数数据。所述方法还包括:根据所存档的扫描参数数据来构建存档的训练数据,然后使用所存档的训练数据来训练所述神经网络。所述训练可以是使用反向传播算法执行的。可以使用该方法对上述医学系统的神经网络进行预训练。
在另一方面,本发明提供了一种操作医学系统的方法。所述方法包括接收脉冲序列命令,所述脉冲序列命令被配置为控制磁共振成像系统以根据压缩感测磁共振成像协议来采集k空间数据。所述方法还包括接收描述所述脉冲序列命令的配置和所述磁共振成像系统的配置的磁共振扫描参数。
所述方法还包括响应于将所述磁共振扫描参数输入到神经网络中而接收预测的欠采样因子。所述神经网络被配置为响应于接收到磁共振扫描参数而输出预测的欠采样因子。所述方法还包括基于所预测的欠采样因子来调整所述脉冲序列命令以修改对所述k空间数据的采样模式。
在另一方面,本发明提供了一种包括机器可执行指令的计算机程序,所述机器可执行指令用于由计算系统运行,所述计算系统被配置用于控制医学系统。所述计算机程序还可以包括神经网络。对所述机器可执行指令的运行使所述计算系统接收脉冲序列命令,所述脉冲序列命令被配置为控制磁共振成像系统以根据压缩感测磁共振成像协议来采集k空间数据。对所述机器可执行指令的运行还使所述计算系统接收磁共振扫描参数,所述磁共振扫描参数描述所述脉冲序列命令的配置和所述磁共振成像系统的配置。
对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磁共振扫描参数输入到神经网络中而接收预测的欠采样因子。所述神经网络被配置为响应于接收到磁共振扫描参数而输出预测的欠采样因子。对所述机器可执行指令的运行还使所述计算系统基于所述欠采样因子来调整所述脉冲序列命令以修改对所述k空间数据的采样或采样模式。
应当理解,可以组合本发明的前述实施例中的一个或多个实施例,只要所组合的实施例并不相互排斥即可。
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或计算系统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计算系统访问的数据。计算机可读存储媒介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、磁光盘以及计算系统的寄存器文件。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媒介。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计算系统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“计算系统”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“计算系统”的示例的计算系统的引用应被解读为可能包含一个以上的计算系统或处理核。计算系统例如可以是多核处理器。计算系统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计算系统的集合。术语“计算系统”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计算设备均包括处理器或计算系统。机器可执行代码或指令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计算系统或处理器来执行。
机器可执行指令或计算机可执行代码可以包括令处理器或其他计算系统执行本发明的一方面的指令或程序。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。在其他实例中,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形式。
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计算系统以产生机器,使得经由计算机或其它可编程数据处理装置的计算系统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。
这些机器可执行指令或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。
机器可执行指令或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、脚踏板、有线手套、遥控器以及加速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计算系统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。硬件接口可以允许计算系统向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使得计算系统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。
k空间数据在本文中被定义为是在磁共振成像扫描期间使用磁共振装置的天线记录的对通过原子自旋发射的射频信号的测量结果。磁共振数据是断层摄影医学图像数据的示例。
磁共振成像(MRI)图像或MR图像或磁共振成像数据在本文中被定义为是对在磁共振成像数据内包含的解剖数据重建的二维可视化或三维可视化。能够使用计算机来执行这种可视化。
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图示了医学系统的示例;
图2示出了图示操作图1的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外的示例;
图4示出了图示操作图3的医学系统的方法的示例的流程图;
图5图示了神经网络的训练;
图6图示了图5的神经网络的使用;
图7图示了将神经网络集成到磁共振成像系统中;
图8示出了显示针对神经网络的测试结果的标绘图;
图9示出了显示针对神经网络的另外的测试结果的饼图;并且
图10示出了显示针对神经网络的另外的测试结果的饼图。
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神经网络
124脉冲序列命令
126磁共振扫描参数
128预测的欠采样因子
130调整的脉冲序列命令
200接收脉冲序列命令,所述脉冲序列命令被配置为控制磁共振成像系统以根据压缩感测磁共振成像协议来采集k空间数据
202接收磁共振扫描参数
204响应于将磁共振扫描参数输入到神经网络中而接收所预测的欠采样因子
206基于所预测的欠采样因子来调整脉冲序列命令以修改对k空间数据的采样
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对象支撑物
330k空间数据
332磁共振成像数据
400通过利用脉冲序列命令控制磁共振成像系统来采集k空间数据
402根据k空间数据来重建磁共振图像数据
500输入层
502完全连接层
504输出
具体实施方式
在这些附图中,相同编号的元件要么是等效的元件,要么执行相同的功能。如果功能是等效的,则先前已经讨论过的元件将不必在后面的附图中再进行讨论。
图1图示了医学系统100的示例。在该示例中,医学系统100包括计算机102。医学系统100还包括被连接到计算系统106的硬件接口104。计算系统106旨在表示可以位于一个或多个位置的一个或多个处理器或其他计算系统。硬件接口104(如果存在的话)可以用于控制医学系统100的其他部件(例如,在医学系统100包括磁共振成像系统的情况下)。计算系统106还被示为被连接到用户接口108和存储器110。存储器110旨在表示可以被连接到计算系统106或者能由计算系统106访问的任何类型的存储器。
存储器110被示为包含机器可执行指令120。机器可执行指令120使得计算系统106能够经由硬件接口104来控制医学系统100的其他部件。机器可执行指令120还可以使得计算系统106能够执行各种数据处理任务和图像处理任务。存储器110还被示为包含神经网络。已经训练了神经网络,使得它响应于接收到磁共振扫描参数而输出针对压缩感测磁共振成像协议的预测的欠采样因子。磁共振扫描参数描述了磁共振成像系统的配置以及脉冲序列命令的配置。
存储器110还被示为包含脉冲序列命令124。存储器110还被示为包含磁共振扫描参数126。存储器110还被示为包含预测的欠采样因子128,神经网络122已经响应于磁共振扫描参数126的输入而接收了预测的欠采样因子128。欠采样因子128可以例如用于调整k空间模式或采样模式。存储器110还被示为包含经调整的脉冲序列命令130。这些命令是如下的脉冲序列命令124:在它们已经被调整后,它们匹配所预测的欠采样因子128。
图2示出了图示操作图1的医学系统的方法的流程图。首先,在步骤200中,接收脉冲序列命令124。脉冲序列命令124被配置为控制磁共振成像系统以根据压缩感测磁共振成像协议来采集k空间数据。接下来,在步骤202中,接收磁共振扫描参数。然后在步骤204中,通过将磁共振扫描参数126输入到神经网络122中来接收所预测的欠采样因子128。最后,在步骤206中,使用所预测的欠采样因子128来调整脉冲序列命令。这可以包括调整在k空间中的采样模式。
图3图示了医学系统300的另外的示例,医学系统300与图1的医学系统100相似,不同之处在于,医学系统300额外地包括磁共振成像系统302。
磁共振成像系统302包括磁体304。磁体304是超导圆柱型磁体,其具有穿过其中的膛306。也可以使用不同类型的磁体;例如,也可以使用剖分式圆柱形磁体和所谓的开放式磁体。剖分式圆柱形磁体与标准圆柱形磁体相似,不同之处在于,低温恒温器已被分成两部分以允许进入磁体的等平面,这种磁体例如可以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上方,这两个磁体部分之间具有足够的空间以接收对象:这两个部分的区域布置类似于亥姆霍兹线圈。开放式磁体之所以受欢迎,是因为对象受到的约束较小。在圆柱形磁体的低温恒温器内部具有超导线圈的集合。
在圆柱形磁体304的膛306内存在成像区308,其中,磁场足够强且均匀以执行磁共振成像。感兴趣区域309被示出在成像区308内。通常采集的磁共振数据是针对感兴趣区域采集的。对象318被示为由对象支撑物320来支撑,使得对象318的至少部分在成像区308和感兴趣区域309内。
在磁体的膛306内还有一组磁场梯度线圈310,这组磁场梯度线圈310用于采集初步磁共振数据以对磁体304的成像区308内的磁自旋进行空间编码。磁场梯度线圈310被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包含三组独立的线圈,这三组独立的线圈用于在三个正交的空间方向上进行空间编码。磁场梯度电源向磁场梯度线圈供应电流。被供应给磁场梯度线圈310的电流根据时间的函数受到控制并且可以是斜坡变化的或脉冲变化的。
与成像区308邻近的是射频线圈314,所述射频线圈314用于操控成像区308内的磁自旋的取向并且用于接收来自也在成像区308内的自旋的无线电发射。射频天线可以包含多个线圈元件。射频天线也可以被称作通道或天线。射频线圈314被连接到射频收发器316。可以用单独的发射线圈和接收线圈以及单独的发射器和接收器来替代射频线圈314和射频收发器316。应当理解,射频线圈314和射频收发器316是代表性的。
射频线圈314还旨在表示专用的发射天线和专用的接收天线。同样地,收发器316也可以表示单独的发射器和接收器。射频线圈314还可以具有多个接收元件/发射元件,并且射频收发器316可以具有多个接收通道/发射通道。例如,如果执行诸如SENSE之类的并行成像技术或诸如压缩感测之类的加速技术,则射频线圈314将具有多个线圈元件。
收发器316和梯度控制器312被示为被连接到计算机系统102的硬件接口106。
存储器110还被示为包含k空间数据330,k空间数据300是通过利用经调整的脉冲序列命令130控制磁共振成像系统302来采集的。存储器110还被示为包含根据k空间数据330重建的磁共振成像数据332。
图4示出了图示操作图3的医学系统300的方法的流程图。图4中的方法类似于图2所示的方法。图4中的方法从步骤200开始,步骤200、202、204和206如在图2中图示的步骤。在执行了步骤206之后,该方法进行到步骤400。在步骤400中,利用经调整的脉冲序列命令130控制磁共振成像系统302以采集k空间数据330。最后,在步骤402中,根据k空间数据330来重建磁共振图像数据332。
MRI是一种非常通用的诊断方法,其具有大量的成像对比度和功能。MR图像采集由大量参数控制,这些参数在临床常规中是可访问的。成像参数的优化是在每个个体位置处完成的。到目前为止,协议优化尚未标准化,并且结果和图像质量取决于操作者的经验。
应用可以使用基于人工智能(AI)的方法来自动预测最优的压缩感测加速因子(128)来作为针对每个协议的所预测的欠采样因子,从而降低客户间协议变化的可变性并降低结果对应用专家的经验的依赖性。
示例可以提供一种非常有效的方式来利用大量参数中的相关性并允许通过使用训练数据将参数直接联系到结果(例如,图像质量)。
对于定义明确的应用(例如,使用压缩感测来加速图像采集),神经网络技术(例如,深度学习)能够用于通过使用由经验丰富的应用专家成功实施的压缩感测作为训练数据来预测针对任何给定的参数设置的最优的压缩感测因子。然后,这些预测的结果能够被用作针对每个应用专家的起点(有根据的猜测)或者能够被直接提供为在应用训练期间或之后对他们自己的参数优化的指导。
示例可以解决以下问题和缺点中的一个或多个问题和缺点:
1、序列参数优化的结果依赖于应用专家的经验:
a.在不同位置的协议之间具有更好的可比性
2、应用专家的工作量增加(特别是在引入新的产品和序列期间),从而导致了应用专家短缺:
a.通过自动指导减少了应用程序专家的工作量
3、利用协议优化,客户的个人和持续过载
a.为客户提供自动指导
示例可以使用神经网络,例如,使用基于深度学习的计算机算法训练的神经网络,该算法是通过来自使用压缩感测进行的协议优化的良好控制的MRI协议参数来训练的。然后,取决于扫描的其他参数设置,使用计算机算法来预测最优压缩感测因子。
示例可以提供基于多层人工神经网络(神经网络122)的算法。
训练:在初始训练阶段,能够收集一组在图像质量和最大压缩感测加速方面良好评价的序列参数设置。这些序列参数设置(磁共振扫描参数126)能够源自训练有素的应用专家或当前使用的序列参数设置。这些收集的序列参数设置在下文中被称为初始训练数据。下面的图5示出了人工神经网络的训练阶段的示意图。
在初始训练阶段期间,来自初始训练数据的序列参数的子集被定义为输入参数,并且压缩感测加速因子被定义为人工神经网络的输出参数并且被用于网络的训练。
图5示出了初始训练阶段的人工神经网络(神经网络122)的示意图。在这个阶段,将所选择的序列参数或磁共振扫描参数126以及来自评价的或先前的数据集的预测的欠采样因子128的对应的压缩感测加速因子馈入神经网络122以训练神经网络。箭头126表示已知的磁共振扫描参数126。将这些项目输入到输入层500中。然后将输入层连接到完全连接层502。最后的完全连接层502连接到输出504,输出504给出所预测的欠采样因子128或压缩感测加速因子的值。
在评价阶段,然后向经训练的人工神经网络馈送序列参数作为输入参数,并且该网络计算压缩感测因子作为输出参数,如下图6所示。图6图示了在评价或使用阶段的神经网络122。在这种状态下,已经训练了神经网络122。在使用中,将磁共振扫描参数126输入到输入层500中。然后,全连接层502获取该输出,并且作为响应在输出504处提供所预测的欠采样因子128。在这个阶段,使用经训练的人工神经网络根据多个输入参数来计算最优的压缩感测加速因子。
示例可以将神经网络直接集成到扫描软件中,以允许针对压缩感测加速因子(或“CS-SENSE”)的选择的“自动”设置。图7概略示出了这种情况。如果针对“压缩感测”选择“自动”,则许多扫描参数将直接馈送到经训练的神经网络中,然后计算出的压缩感测加速因子将显示在软件中并用于测量。如果对压缩感测加速因子进行了超出该算法计算的内容的另外的优化,则能够借助于反馈或强化学习将这些优化用作额外的训练数据。
图7示出了如何能够将神经网络122集成到医学系统300中。磁共振成像系统302的用户接口108具有能够录入扫描参数的页面。用户接口可以提供扫描参数126,扫描参数126然后被输入到人工神经网络122中。作为响应,能够提供所预测的欠采样因子128。应当注意,图7中的这个示例中的磁共振扫描参数126不一定是实际输入到神经网络中的参数。
在图7中,如果将压缩感测降低设置为“自动”,则通过预训练的人工神经网络来预测最优的压缩感测加速因子(CS-SENSE因子)。显示所预测的CS-SENSE因子并使用它来进行检查。
原理证明:用大约3000个数据集测试了原理验证实施方式。这些数据集中的每个数据集都是使用由应用专家优化的压缩感测的MR序列参数设置。对于人工神经网络的初始训练,将数据分成2934个训练数据集(训练数据)和227个测试数据集(测试数据)。使用训练数据来训练人工神经网络。使用测试数据来基于一组输入参数预测最优的压缩感测加速因子。随后,将所预测的最优的压缩感测加速因子与由应用专家优化的压缩感测加速因子进行比较(参见下图8)。
图8图示了神经网络122的测试。图8中的标绘图示出了真实因子800与预测因子802的关系。大约3000个(由应用专家)优化的MRI序列的数据集被分成2934个训练数据集,以用于人工神经网络的初始训练。使用227个数据集,通过基于17个预定义的序列参数预测最优的压缩感测加速因子来测试经训练的人工神经网络。该标绘图展示了应用专家优化的压缩感测加速因子与由人工神经网络预测的压缩感测加速因子之间的紧密吻合。
现场测试:与应用专家一起进行了现场测试。在为该现场测试实施压缩感测之前,使用了存档的扫描参数数据的数据库。使用经训练的人工神经网络来计算一组预测的压缩感测加速因子。图5示出了人工神经网络预测的压缩感测因子与应用专家估计的压缩感测因子之间的差异。在大约72%的扫描中,所预测的压缩感测因子与实际使用的压缩感测因子之间的差异小于1,而对于98%的扫描,这种差异小于1.5,这表明本文提出的解决方案具有非常有希望的性能。
通过将神经网络的输出与来自临床数据的实际使用的预测的欠采样因子128进行比较(在本文中被表示为“δ”)来构建图9和图10。这是比较神经网络的输出以预测在临床设置中使用的欠采样因子128的准确方式。δ值越低,神经网络就越准确地对应于在临床上实际使用的预测的欠采样因子128。
图9以饼图的形式示出了针对194次比较的δ值。该饼图被分成不同的δ级别。
图10以以下格式示出了相同的数据,其中,72%的值是小于1的δ。图9和图10都图示出神经网络提供了与临床使用的所预测的欠采样因子128差不多的预测的欠采样因子128。
图9和图10:现场测试的性能。在98%的扫描中,所预测的压缩感测因子与实际使用的压缩感测因子之间的差异低于1.5,在72%的扫描中,这种差异低于1。
影响图像加速的MRI参数
下面列出的磁共振扫描参数会对最优图像加速(欠采样因子128)有影响。然而,不同的参数之间常常可能有很强的相关性。这意味着,根据单个参数或者一组非常有限的参数,无法判断哪个加速因子是最优的。这使得对最优加速因子的选择成为复杂的多维优化问题。下面列出的参数或多或少是通用的并且独立于MRI系统制造商,然而,不同制造商之间的命名惯例有很大不同。另外,参数的实施方式会因制造商而异,并且不是所有参数都可以被MRI用户访问。
下面将更详细地讨论磁共振扫描参数中的一些磁共振扫描参数。这些磁共振参数可以包括以下参数中的一个或多个参数:
1、线圈(射频线圈配置)
所连接的线圈给出各种信息
a.线圈元件的数量对图像加速的性能有影响
b.线圈几何形状对图像加速的性能有影响
c.被检查的身体部分能够被部分假定为:膝盖线圈——很可能是膝盖;头部线圈——很可能是头部/脑部检查
2、扫描模式(3D与2D)
a.3D允许更高的加速因子,因为扫描能够在两个空间维度上加速
3、序列类型(自旋回波、梯度回波、平衡SSFP、反转恢复、快速自旋回波、FLASH、EPI)
a.扫描技术包括关于图像对比度的信息(T1、T2、T2*、T1/T2-bSSFP)
b.是否使用梯度平衡、梯度破坏或RF破坏序列
c.->两个参数用于描述这一点
d.快速成像模式包括关于图像对比度和如何采集k空间的信息(每个激励有1条k空间线VS每个射频激励有若干条k空间线
4、回波时间(TE)和重复时间(TR)
a.TE是信号激励与k空间中心采集之间的时间距离
b.TR是相同成像体积的两次相继射频激励之间的时间
5、翻转角
a.翻转角是用于在成像序列期间激发自旋的射频脉冲的激励功率。
6、在所有三个维度中的ACQ体素大小/空间分辨率(包括切片厚度)
a.在所有三个空间维度中所采集的体素大小
b.在本文中的测试中,使用了两个参数来描述这一点
7、三维视场(FOV)
a.FOV是扫描在所有三个空间维度中的覆盖范围
b.->我们使用两个参数来描述这一点
8、矩阵大小
a.矩阵大小是沿着三个空间维度的体素或像素的数量
9、扫描时间
a.在有/无加速时扫描需要的时间
10、脂肪抑制(这可能并非对所有的MR协议都相关)
a.取决于成像顺序,可能需要抑制来自脂肪的信号
b.有不同的抑制脂肪的技术:mDixon、STIR、SPIR、SPAIR、PROSET,每种技术都会对加速性能产生不同的影响
c.使用三个参数来描述这一点
11、水脂肪移位(WFS):(这可能并非对所有的MR协议都相关)
a.以体素表示的采集图像中的水信号与脂肪信号的移位
12、带宽(BW)
a.在采集期间数据采样的带宽
13、信号平均的次数(NSA)
a.对其求平均以提供像样的图像的单次扫描的采集次数
14、动态扫描数
a.动态扫描中的动态数
除了上述磁共振扫描参数以外,还可以有益地包括以下参数中的一个或多个参数:
1、重建体素大小/重建矩阵
a.MR图像通常在图像重建期间进行插值
b.重建体素大小提供插值体素大小
c.重建矩阵提供3个空间维度中的每个维度的体素数量
2、预脉冲类型
a.在射频信号激励之前使用不同类型的射频预脉冲
b.不同类型的预脉冲:T2准备、反转、饱和、MDME、MTC等。
3、部分傅里叶(半扫描)
a.部分傅里叶或半扫描是仅采集k空间的部分并且使用k空间对称性来重建完整图像的技术
4、成像体积的取向/切片取向
a.采集图像的方向:轴向、冠状或矢状
5、折叠方向
a.在哪个方向上是相位编码(折叠),以及在哪个方向上是频率编码(无折叠)
6、造影剂的使用
a.扫描是否使用造影剂?如果是,则有更多的信号可用并且加速能够更高
7、激发模式(单激发VS多激发)
a.k空间是一步到位地采集的还是分多个步骤采集的?
8、k空间轮廓顺序
a.k空间线是以什么顺序采集的:从一侧到另一侧的线性方式,从k空间的中心开始,从k空间的边缘开始,不对称的方式,随机的方式
9、k空间轨迹
a.k空间是如何采集的:笛卡尔、螺旋、径向等。
10、生理同步
a.序列是否与心脏运动同步(例如经由ECG)
b.序列是否与呼吸运动同步(例如,相机或呼吸带)
11、扩散编码
a.扩散编码是否用于诸如DTI或DWI之类的技术?
12、k空间分割因子
a.快速场回波(TFE)和快速自旋回波(TSE)因子描述了在一组激发(TFE)中或在一个回波序列(TSE)期间采集了多少k空间线
13、回波数
a.描述采集了同一k空间线的多少回波
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施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。单个处理器或其他单元可以实施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 (14)

1.一种医学系统(100、300),包括:
存储器(110),其存储机器可执行指令(110),其中,所述存储器还存储神经网络(122),其中,所述神经网络被配置为响应于接收到磁共振扫描参数而输出预测的欠采样因子(128),其中,所述磁共振扫描参数描述所述磁共振成像系统的配置;
计算系统(106),其被配置用于控制所述磁共振成像系统,其中,对所述机器可执行指令的运行使所述计算系统:
接收(200)脉冲序列命令(124),所述脉冲序列命令被配置为控制磁共振成像系统(302)以根据压缩感测磁共振成像协议来采集k空间数据(330);
接收(202)所述磁共振扫描参数;
响应于将所述磁共振扫描参数输入到所述神经网络中而接收(204)所预测的欠采样因子因子;并且
基于所预测的欠采样因子因子来调整(206)所述脉冲序列命令(130)以选择或修改对所述k空间数据的采样。
2.根据权利要求1所述的医学系统,其中,所述磁共振扫描参数包括:射频线圈配置、指定二维扫描或三维扫描的扫描模式、指定脉冲序列命令的对比度的序列类型、回波时间、脉冲重复时间、体素大小或三维空间分辨率、三维视场、在k空间采样期间的射频带宽。
3.根据权利要求2所述的医学系统,其中,所述磁共振扫描参数还包括以下各项中的任一项:正在使用的脂肪抑制协议的类型、翻转角、扫描时间、所述视场的取向、折叠方向、动态扫描的次数、所使用的造影剂的类型、信号平均的次数,以及它们的组合。
4.根据权利要求3所述的医学系统,其中,所述磁共振扫描参数还包括以下各项中的任一项:重建体素大小或重建矩阵大小、所使用的预脉冲的类型、部分傅立叶半扫描协议的实施方式、正在检查的解剖部分、所使用的激发类型、k空间轮廓顺序、k空间轨迹、生理同步、扩散编码技术类型、k空间分割因子、用于采集相同的k空间线的回波的数量,以及它们的组合。
5.根据前述权利要求中的任一项所述的医学系统,其中,对所述机器可执行指令的运行还使所述计算系统:
从磁共振扫描参数数据库中检索存档的扫描参数数据;
根据所存档的扫描参数数据来构建存档的训练数据;并且
使用所存档的训练数据来训练所述神经网络。
6.根据权利要求5所述的医学系统,其中,存档的训练数据是远程检索的,优选是经由网络连接远程检索的。
7.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所述磁共振成像系统(302),其中,对所述机器可执行指令的运行还使所述计算系统:
通过利用所述脉冲序列命令控制所述磁共振成像系统来采集(400)所述k空间数据;并且
根据所述k空间数据来重建(402)磁共振图像数据。
8.根据权利要求7所述的医学系统,其中,所述医学系统包括用户接口,其中,对所述机器可执行指令的运行还使所述计算系统:
在调整所述脉冲序列命令之前,在所述用户接口上显示所预测的欠采样因子因子以及所述磁共振扫描参数的至少部分;并且
响应于显示所述欠采样因子而从所述用户接口接收所预测的欠采样因子,其中,所述脉冲序列命令是使用所预测的欠采样因子调整的。
9.根据权利要求8所述的医学系统,其中,对所述机器可执行指令的运行还使所述计算系统:
根据所述磁共振扫描参数和所预测的欠采样因子来构建用户特异性训练数据;并且
使用所述用户特异性训练数据来训练所述神经网络。
10.根据前述权利要求中的任一项所述的医学系统,其中,所述磁共振成像协议是并行成像磁共振成像协议。
11.根据前述权利要求中的任一项所述的医学系统,其中,所述神经网络是多层神经网络。
12.根据权利要求11所述的医学系统,其中,所述多层神经网络包括至少6层,并且其中,所述至少6层中的每一层都与相邻层完全连接。
13.一种操作医学系统(100、300)的方法,包括:
接收(200)脉冲序列命令(124),所述脉冲序列命令被配置为控制磁共振成像系统(302)以根据压缩感测磁共振成像协议来采集k空间数据(330);
接收(202)磁共振扫描参数,所述磁共振扫描参数描述所述脉冲序列命令的配置和所述磁共振成像系统的配置;
响应于将所述磁共振扫描参数输入到神经网络中而接收(204)预测的欠采样因子(128),其中,所述神经网络被配置为响应于接收到磁共振扫描参数而输出所述欠采样因子;并且
基于所预测的欠采样因子来调整(206)所述脉冲序列命令(130)以选择或修改对所述k空间数据的采样。
14.一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计算系统运行,所述计算系统被配置用于控制医学系统(100、300),其中,对所述机器可执行指令的运行使所述计算系统:
接收(200)脉冲序列命令(124),所述脉冲序列命令被配置为控制磁共振成像系统(302)以根据压缩感测磁共振成像协议来采集k空间数据(330);
接收(202)磁共振扫描参数(126),所述磁共振扫描参数描述所述脉冲序列命令的配置和所述磁共振成像系统的配置;
响应于将所述磁共振扫描参数输入到神经网络中而接收(204)欠采样因子(128),其中,所述神经网络被配置为响应于接收到磁共振扫描参数而输出预测的欠采样因子;并且
基于所述欠采样因子来调整(206)所述脉冲序列命令以选择或修改对所述k空间数据的采样。
CN202180036027.4A 2020-05-15 2021-05-14 对欠采样因子的自动调整 Pending CN115667969A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20174864.7 2020-05-15
EP20174864.7A EP3910358A1 (en) 2020-05-15 2020-05-15 Automated adjustment of the undersampling factor
PCT/EP2021/062831 WO2021229055A1 (en) 2020-05-15 2021-05-14 Automated adjustment of the undersampling factor

Publications (1)

Publication Number Publication Date
CN115667969A true CN115667969A (zh) 2023-01-31

Family

ID=70738313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180036027.4A Pending CN115667969A (zh) 2020-05-15 2021-05-14 对欠采样因子的自动调整

Country Status (5)

Country Link
US (1) US20230168327A1 (zh)
EP (2) EP3910358A1 (zh)
JP (1) JP2023525165A (zh)
CN (1) CN115667969A (zh)
WO (1) WO2021229055A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102475397B1 (ko) * 2021-04-08 2022-12-08 주식회사 에어스메디컬 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU776240B2 (en) * 2000-01-06 2004-09-02 Yeda Research And Development Co. Ltd. Method and system for monitoring pancreatic pathologies
JP6113522B2 (ja) * 2013-02-19 2017-04-12 東芝メディカルシステムズ株式会社 磁気共鳴イメージング装置及び画像処理装置
JP6430417B2 (ja) * 2013-03-13 2018-11-28 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. パラレルイメージング加速パラメータの自動最適化
US9689947B2 (en) * 2013-10-21 2017-06-27 Siemens Healthcare Gmbh Sampling strategies for sparse magnetic resonance image reconstruction
US9983283B2 (en) * 2015-03-16 2018-05-29 Toshiba Medical Systems Corporation Accelerated MRI using radial strips and undersampling of k-space
US10048340B2 (en) * 2015-06-03 2018-08-14 The General Hospital Corporation System and method for superfast chemical exchange saturation transfer spectral imaging
KR102084930B1 (ko) * 2015-06-03 2020-03-05 미쓰비시덴키 가부시키가이샤 추론 장치 및 추론 방법
US10671939B2 (en) * 2016-04-22 2020-06-02 New York University System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction
US10387765B2 (en) * 2016-06-23 2019-08-20 Siemens Healthcare Gmbh Image correction using a deep generative machine-learning model
KR20180067442A (ko) * 2016-12-12 2018-06-20 지멘스 헬스케어 게엠베하 가속형 자기 공명 촬영
US10845444B2 (en) 2017-01-17 2020-11-24 The General Hospital Corporation System and method for magnetic resonance fingerprinting using neural networks trained with sparsely sampled dictionaries
US10140421B1 (en) * 2017-05-25 2018-11-27 Enlitic, Inc. Medical scan annotator system

Also Published As

Publication number Publication date
JP2023525165A (ja) 2023-06-14
US20230168327A1 (en) 2023-06-01
WO2021229055A1 (en) 2021-11-18
EP3910358A1 (en) 2021-11-17
EP4150359A1 (en) 2023-03-22

Similar Documents

Publication Publication Date Title
CN110476075B (zh) 针对解剖区域的磁共振指纹识别词典的选择
CN107110938B (zh) 使用具有额外180度rf脉冲的自旋回波脉冲序列的磁共振指纹
EP3500869B1 (en) Corrected compressed sensing magnetic resonance imaging
EP3602096B1 (en) Sub voxel resolution magnetic resonance fingerprinting imaging
JP2020501670A (ja) 複数状態磁気共鳴フィンガープリンティング
WO2015140277A1 (en) Control of magnetic resonance imaging acquisition using modeling
EP3698155B1 (en) Quantitative measurement of relaxation times in magnetic resonance imaging
EP3887842A1 (en) Real-time fmri
JP2021526403A (ja) Cest磁気共鳴イメージングにおける動き検出
US11519991B2 (en) Motion estimation and correction in magnetic resonance imaging
CN115667969A (zh) 对欠采样因子的自动调整
KR20160011012A (ko) 자기 공명 영상 장치 및 그 제어 방법
CN111263896B (zh) 在磁共振成像系统中对相位相关的伪影的数据驱动的校正
EP3916417A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
CN110114685B (zh) 使用最大似然重建的对心脏的t1映射
EP4060362A1 (en) Staged reconstruction of planning images for cardiac magnetic resonance imaging
EP4303605A1 (en) Multiple magnetic resonance image acquisition with multiple contrasts during multi-echo gradient echo magnetic resonance imaging
EP3543724A1 (en) (3-n)-dimensional determination of electric conductivity
WO2024012945A1 (en) Making anatomical measurements using magnetic resonance imaging
WO2022008329A1 (en) Magnetic resonance fingerprinting quality assurance
JP2022527509A (ja) シミュレーション磁気共鳴画像を使用した磁気共鳴画像の補正

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