CN116098604A - 磁共振成像装置、图像处理装置以及图像处理方法 - Google Patents

磁共振成像装置、图像处理装置以及图像处理方法 Download PDF

Info

Publication number
CN116098604A
CN116098604A CN202211029081.9A CN202211029081A CN116098604A CN 116098604 A CN116098604 A CN 116098604A CN 202211029081 A CN202211029081 A CN 202211029081A CN 116098604 A CN116098604 A CN 116098604A
Authority
CN
China
Prior art keywords
image
data
unit
measurement data
noise
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
CN202211029081.9A
Other languages
English (en)
Inventor
雨宫知树
白猪亨
铃木敦郎
金子幸生
庄司博树
西尾慧祐
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.)
Fujifilm Healthcare Corp
Original Assignee
Fujifilm Healthcare Corp
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 Fujifilm Healthcare Corp filed Critical Fujifilm Healthcare Corp
Publication of CN116098604A publication Critical patent/CN116098604A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01R33/561—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
    • 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
    • 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
    • G01R33/561—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
    • 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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

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

Abstract

本发明提供磁共振成像装置、图像处理装置以及图像处理方法。提供对包含等间隔间除的各种间除图案进行精度高的重构和噪声去除的手法。对由MRI装置取得的测量数据进行处理的图像处理部使用以给定的间除图案测量到的各通道的测量数据和各接收线圈的灵敏度分布来进行图像重构。这时，对重构图像的去噪声、和用于保持根据去噪声后的图像来作成的各通道的测量数据与原本的测量数据的一贯性的运算进行逐次处理。由此，能不依赖于间除图案地进行精度良好的图像复原和去噪声。

Description

磁共振成像装置、图像处理装置以及图像处理方法
技术领域
本发明涉及磁共振成像(MRI)装置，特别涉及进行间除测量得到的测量数据的重构和噪声去除的技术。
背景技术
作为MRI检查中的摄像时间缩短的手法，有间除地取得空间频率区域(k空间)的信号并将未测量部分通过信号处理进行复原的方法(k空间欠采样重构法)。这当中，广泛使用平行成像(PI)法，由多个接收线圈(通道)同时进行接收，利用灵敏度分布的差异来进行复原。
作为PI法的数据复原手法，除了对等间隔间除进行复原的SENSE法以外，还已知通过重复重构来应对任意的间除图案的POCSENSE法、SPIRiT法等(例如非专利文献1、非专利文献2)。在POCSENSE法、SPIRiT法中，通过重复运算来求解表征测量数据、灵敏度图以及重构图像间的关系的逆问题，由此将未进行间除的图像复原。但一般在PI法中，若增大间除的比例，就会出现虽然摄像时间减少但噪声增加这样的问题。
另一方面，为了减少间除所引起的噪声增加，还提出有各种利用卷积神经网络(CNN)的方法，例如在专利文献1中，提出一种基于学习完毕深度NN的重构手法，该学习完毕深度NN将进行噪声去除的CNN、和进行保持去噪声后的数据与所取得的数据的一贯性的处理的层(DC层)相组合而成。
现有技术文献
专利文献
专利文献1：美国专利10712416号
非专利文献
非专利文献1：”POCSENSE：POCS-based reconstruction for sensitivityencoded magnetic resonance imaging”，Magnetic Resonance in Medicine，2004December，52(6)PP.1397-1406
非专利文献2：”SPIRiT：Iterative Self-consistent Parallel ImagingReconstruction from Arbitrary k-Space”，Magnetic Resonance in Medicine，2010August，64(2)PP.451-471
一般，利用了机器学习的重构按进行了间除的图像与未进行间除的图像的组来对包含重复处理的整体的网络进行学习。
但间除图案有等间隔的、随机的等各种图案。在未包含在学习数据中的间除图案中，重构的精度降低，伪影、噪声会残存。虽然也考虑增加学习数据，但很难去应对无数的图案，进而，所对应的CNN的构造会变得复杂，计算时间也会增加。
发明内容
本发明鉴于上述事情而提出，其课题在于，提供对包含等间隔间除在内的各种间除图案进行精度高的重构和噪声去除的手法。
为了解决上述课题，本发明在用于保持与测量数据的一贯性的重复运算中加进了噪声去除处理。噪声去除处理基于图像以及噪声的统计上的性质。
即，本发明的第一观点是MRI装置，例如具备：测量部，其具备多个接收线圈，按每个接收线圈来收集被检体的核磁共振信号；控制部，其控制所述核磁共振信号的收集图案；和图像处理部，其使用由按每个接收线圈收集的核磁共振信号构成的测量数据来作成被检体的图像。图像处理部包含：逐次重构部，其通过使用了每个接收线圈的测量数据的重复运算来重构图像。
逐次重构部具备：初始值设定部，其基于每个接收线圈的测量数据来设定重复运算的初始值；合成部，其将每个接收线圈的图像合成；噪声去除部，其基于合成前或合成后的图像以及该图像中所包含的噪声各自的统计上的性质，来去除图像的噪声；和数据一贯性保持部，其使用去噪声后的图像来作成每个接收线圈的去噪声k空间数据，将该去噪声k空间数据和测量数据合并，来作成推定测量数据，逐次重构部基于推定测量数据来更新所述初始值，从而进行逐次处理。
典型地，测量数据是以给定的间除图案进行了欠采样的测量数据，逐次重构部同测量数据一起地接受各接收线圈的灵敏度图，合成部使用测量数据和灵敏度图来重构图像。
此外，本发明的第二观点是对MRI图像进行处理的图像处理装置，具备：逐次重构部，其使用按MRI装置的每个接收线圈取得的测量数据来进行重复运算，从而重构图像。逐次重构部具备与上述的MRI装置的逐次重构部同样的结构、功能。
进而，本发明的第三观点是一种图像处理方法，对MRI图像的多个接收线圈所收集的测量数据进行处理，来作成进行了去噪声的重构图像，该图像处理方法为了保持去噪声后的k空间数据与测量数据的一贯性而包含逐次重构处理，逐次重构处理包含如下步骤：基于每个接收线圈的测量数据，来设定处理的初始值；将每个接收线圈的图像合成；基于合成前或合成后的图像以及该图像数据中所包含的噪声各自的统计上的性质，来去除图像的噪声；和使用去噪声后的图像来作成每个接收线圈的去噪声k空间数据，将该去噪声k空间数据和测量数据合并来作成推定测量数据，逐次重构处理基于推定测量数据来更新初始值，从而重复进行处理。
发明效果
根据本发明，通过对一贯性保持的重复运算中得到的图像数据进行去噪声处理，从而去噪声处理不会受依赖于间除图案的卷褶的影响，因此，能无关乎间除图案来精度良好地进行噪声去除。此外，由于通过包含使用了线圈灵敏度分布的合成处理的逐次处理来去除卷褶，因此还能应对等间隔间除。
进而，通过将去噪声处理和数据一贯性保持处理相组合，能防止因去噪声处理而过度平滑化，并能精度良好地去除噪声。作为结果，能对包括等间隔间除在内的各种间除图案进行精度高的重构和噪声去除。
此外，由于能将CNN等深度学习模型限定于重复运算的一部分处理，因此能在不需要巨大的学习模型的同时，扩大处理对象的普遍性。
附图说明
图1是表示运用本发明的MRI装置的一实施方式的整体结构图。
图2是第一实施方式的计算机的框图。
图3是表示第一实施方式的处理的流程的图。
图4是示意表示第一实施方式的处理的图。
图5是表示由MRI装置的测量部取得的测量数据的间除图案的示例的图，(a)表示等间隔间除图案，(b)表示非等间隔间除图案，(c)、(d)表示根据一部分数据缺失或被去除的测量得到的间除图案。
图6是表示合成部的处理的一例的图。
图7是表示利用了CNN的去噪声的示例的图。
图8是表示CNN的结构例的图。
图9是表示第一实施方式的处理的变形例的图。
图10是表示第一实施方式的处理的其他变形例的图。
图11是第二实施方式的计算机的框图。
图12是表示第二实施方式的处理的流程的图。
图13是说明噪声推定处理的一例的图。
图14是表示第二实施方式的处理的变形例的流程的图。
附图标记的说明
10：MRI装置、100：测量部、200：图像处理部(计算机)、210：测量控制部、230：图像处理部、231：数据接受部、233：逐次重构部、234：噪声量推定部、235：初始值设定部、236：合成部、237：噪声去除部、238：数据一贯性保持部。
具体实施方式
以下参考附图来说明本发明的MRI装置以及图像处理装置的实施方式。最初说明运用本发明的MRI装置的一实施方式。
本实施方式的MRI装置10如图1所示那样，大致来分而具备：测量部100，其进行从被检体101产生的核磁共振信号的测量；和计算机(运算部)200，其控制测量部100，并使用测量部100测量到的核磁共振信号来进行图像重构、补正、其他运算。
测量部100具备：静磁场线圈102，其在放置被检体101的空间中产生静磁场；发送部(105、107)，其对配置于静磁场内的被检体101发送高频磁场脉冲；接收部(106、108)，其接收被检体所产生的核磁共振信号；和倾斜磁场线圈103，其为了对核磁共振信号赋予位置信息，而对静磁场线圈102所产生的静磁场给予磁场梯度。
静磁场线圈102由常电导式或超电导式的静磁场线圈、静磁场产生磁铁等构成，根据所产生的静磁场的方向，有垂直磁场方式、水平磁场方式等，线圈的形状以及装置整体的外观根据方式而不同。本实施方式在哪一个方式的MRI装置中都能适用。
发送部具备：发送用高频线圈105(以下仅称作发送线圈)，其对被检体101的测量区域发送高频磁场；和发送机107，其具备高频振荡器、放大器等。接收部具备：接收用高频线圈106(以下仅称作接收线圈)，其接收从被检体101产生的核磁共振信号；和接收机108，其包含正交检波电路、A/D变换器等。在本实施方式中，接收线圈由多个通道(小型接收线圈)构成，各自连接有构成接收机108的正交检波电路、A/D变换器。接收机108接收到的每个通道(即每个接收线圈)的核磁共振信号被作为复数字信号而移交给计算机200。
倾斜磁场线圈103具有在x方向、y方向、z方向上分别施加倾斜磁场的3组倾斜磁场线圈，分别与倾斜磁场用电源部112连接。进而，MRI装置可以具备调整静磁场分布的匀场线圈104和驱动其的匀场用电源部113。
进而，测量部100具备控制测量部100的动作的序列控制装置114。序列控制装置114控制倾斜磁场用电源部112、发送机107以及接收机108的动作，并控制倾斜磁场、高频磁场的施加以及核磁共振信号的接收的定时。能通过倾斜磁场来对核磁共振信号进行编码，并通过编码数(编码步骤的数量)、各编码量，来决定将核磁共振信号作为数字信号而配置的k空间中的位置、图案。
序列控制装置所进行的控制的时序图被称作脉冲序列，对应于测量而预先设定，存放于计算机200所具备的存储装置等中。
计算机200控制MRI装置10整体的动作，并对接收到的核磁共振信号进行各种运算处理。因此，计算机200如图1所示那样，具备测量控制部210、图像处理部230、显示控制部250等功能部。在本实施方式中，图像处理部(计算机)230进行使用了接收线圈的灵敏度分布的图像的合成、噪声去除处理、测量数据与复原后的图像的数据一贯性保持处理等。
计算机200是具备CPU、存储器、存储装置等的信息处理装置，对计算机200连接显示器201、外部存储装置203、输入装置205等。
显示器201是对操作人员显示通过运算处理得到的结果等的界面。输入装置205是用于操作人员输入本实施方式中实施的测量、运算处理所需的条件、参数等的界面。用户能经由输入装置205例如输入PI法中的倍速数(也称作间除率)等测量参数。外部存储装置203同计算机200内部的存储装置一起地保持计算机200所执行的各种运算处理中使用的数据、通过运算处理得到的数据、所输入的条件、参数等。
计算机200的各部的功能能作为安装到计算机200的软件来实现，并通过CPU将存储装置所保持的程序(软件)载入到存储器进行执行来实现。各功能的处理中使用的各种数据、处理中生成的各种数据存放在存储装置或外部存储装置203中。此外，计算机200所实现的各种功能当中的一部分功能可以通过ASIC(Application Specific IntegratedCircuit，特定用途集成电路)、FPGA(field-programmable gate array，现场可编程门阵列)等硬件来实现。
计算机200所实现的功能的一部分例如图像处理部230的功能还能通过能与MRI装置10进行数据的收发的独立的计算机、其他图像处理装置来实现，这样的图像处理装置也包含在本发明中。
本实施方式的图像处理部230对通过MRI装置10的测量部100以给定的间除图案以及间除率进行测量而得到的每个接收线圈的测量数据进行逐次重构，该逐次重构包含使用了接收线圈的灵敏度分布的图像的合成、噪声去除、和数据一贯性保持处理。此外，在这些处理中，进行从k空间数据向真实空间数据的变换(傅立叶逆变换)、从真实空间数据向k空间数据的变换(傅立叶变换)、向稀疏空间的变换等。
上述结构的MRI装置10的动作与公知的MRI装置的动作同样，测量控制部210接受对应于摄像方法、摄像对象而选择的或预先通过检查协议而设定的摄像条件以及脉冲序列，将该摄像条件以及脉冲序列送往序列控制装置114，序列控制装置114控制发送机107、倾斜磁场用电源部112、接收机108等，测量部100收集由核磁共振信号构成的测量数据。
这时，在作为摄像条件而设定了间除图案以及间除率的情况下，控制赋予给核磁共振信号的编码数、编码量，以便成为所设定的间除图案以及间除率。
测量数据关于多个小型接收线圈分别来收集，与小型接收线圈对应的每个通道的测量数据分别配置于给定的矩阵尺寸的k空间，以供图像重构。即，在计算机200的图像处理部230中，进行使用了测量数据的图像重构。这时，图像处理部230重复进行从测量数据向真实空间数据(图像数据)的变换、每个通道的图像的合成、图像中所包含的噪声的去除、一贯性保持处理等各种运算。这样的逐次重构中所包含的各处理分别使用给定的算法来实施。
以下说明图像处理部230的结构以及处理的具体的实施方式。
<第一实施方式>
本实施方式使用以给定的间除图案测量到的各通道的测量数据和各接收线圈的灵敏度分布来进行图像重构。这时，对重构图像的去噪声、和用于保持根据去噪声后的图像作成的各通道的测量数据与原本的测量数据的一贯性的运算进行逐次处理。由此，能不依赖于间除图案地进行精度良好的图像复原和去噪声。此外，不需要与各种间除图案对应的学习模型，能减轻准备学习用数据的负担。
参考图2来说明本实施方式的图像处理部230的结构。如图示那样，图像处理部230具备数据接受部231以及逐次重构部233。逐次重构部233具备初始值设定部235、合成部236、噪声去除部237以及数据一贯性保持部238。
数据接受部231接受各通道的测量数据(k空间数据)。初始值设定部235基于数据接受部231所接受的测量数据，来设定逐次重构部233所进行的重复运算的初始值。重复运算的初始值是在重复运算的各步骤的任一者中成为处理对象的数据，根据步骤而有几种方式，以下说明将输入到合成部236的图像数据作为初始值的情况。
合成部236将作为初始值设定部235所设定的初始值的各通道的图像数据合成，设为1个图像数据。
噪声去除部237对合成后的图像数据进行噪声去除(去噪声)。去噪声的手法有各种手法，但在本实施方式中，基于图像的统计上的性质以及图像中所包含的噪声的统计上的性质来进行去噪声处理。手法的详细情况之后叙述。
数据一贯性保持部238将去噪声处理后的图像变换成每个通道的k空间数据，在将该k空间数据和原本的测量数据进行合并后，逆变换成真实空间数据，并更新初始值。由此，保持与测量数据的一贯性。
以下参考图3以及图4来说明本实施方式的图像处理部230的处理的详细情况。图3是表示图像处理部230的处理的流程的图，图4是示意表示处理的图。
[数据接受]
在测量部100中，若通过进行给定的间除图案、间除率的摄像而收集到测量数据，则数据接受部231就接受每个通道的测量数据。
间除率(倍速数)是测量数据数相对于k空间的各格子点的数据数的比例的倒数(若比例是1/2，则倍速数是2)。
间除图案有图5所示那样的如下图案等：将k空间数据等间隔地进行了间除的等间隔间除图案(a)；以一致或非一致的概率密度随机进行了采样的非等间隔间除图案(b)；在中途存在测量的中断从而去除了一部分区域的数据的以等间隔或非等间隔进行了间除的图案(c)；以等间隔或非等间隔图案为基础去除了给定的条件的行的图案(d)。在(d)的图案的给定的条件中例如存在体动等的影响。在该情况下，有取得与测量点或测量行对应的导航回波并将与成为基准的导航回波之间的误差为一定以上的测量点或测量行去除的方法。此外，还能使用各种体动检测的手法。
此外，图5中虽未示出，但为了从测量数据取得各线圈的灵敏度图，还有仅对中心区域进行全扫描且仅对其周边进行等间隔间除的图案。进而，还有将k空间以辐射状、螺旋状进行扫描的非笛卡尔扫描的情况。
在间除率、间除图案被预先设定的情况下，图像处理部230使用所设定的信息来进行处理。此外，也可以由数据接受部231将表示测量点的掩蔽(mask)等表示测量点以及非测量点的信息同测量数据一起接受。
[步骤S301]
初始值设定部235基于所输入的测量数据来设定逐次重构部233的重复运算的初始值I0。在本实施方式中，由于根据真实空间数据来进行重复运算，因此初始值设定部235将各接收线圈的测量数据(以下也称作各通道的测量数据)变换为真实空间数据，并设为初始值。测量数据是对k空间的一部分进行了间除而得的数据，因此对未测量数据进行推定来变换成真实空间数据。
例如，对k空间当中的未测量点进行零填充，并进行傅立叶逆变换，来做出真实空间数据。此外，也可以在通过公知的SENSE法等平行成像运算(称作平行重构)作成1张图像数据后，对该图像数据乘以各接收线圈的灵敏度图，来作成各通道的图像数据，并将其作为各通道图像的初始值。在非等间隔间除的情况下，仅以等间隔部分来进行平行重构。
另外，根据本发明的发明者们的研讨，能得到如下结果：在使用通过零填充作成的图像来作为初始值的情况下，为了去除卷褶，需要增多重复运算的次数，另一方面，在将平行重构图像作为初始值的情况下，由于去除了卷褶，重复运算的收敛快。
初始值设定部235可以进一步对上述的图像施行高斯滤波、双边滤波等滤波处理。这时，可以通过表征平行成像的噪声放大率的G-factor图来改变滤波强度。初始值设定部235所进行的该去噪声处理是与后述的由噪声去除部237进行的处理不同的去噪声处理。通过在初始值设定时进行平行重构和滤波处理，从而在事前减少了卷褶和噪声后开始重复处理，因此能减少重复次数。
[步骤S302～S305]
逐次重构部233将初始值设定部235所设定的初始值I0作为各通道的图像数据的初始值，来进行以下的重复运算。
[步骤S302]合成
首先，合成部236使用接收线圈的灵敏度图来将接收线圈的图像数据合成。合成的手法如图6所示那样，进行所谓的MAC(Multi Array Coil，多阵列线圈)合成，其中，在各通道的图像数据In上乘以与灵敏度图对应的系数，并在通道间相加，来做出1张图像数据Mn。另外，In以及Mn的下标n是表示重复运算第n次的附图标记(以下相同)，初次的In使用初始值I0。图像数据的合成除了MAC合成以外，也可以是将与灵敏度图对应的核与各通道的k空间数据进行卷积运算并在通道间相加的k空间上的加法运算处理。
[步骤S303]去噪声
之后，噪声处理部237对合成后的图像数据Mn在真实空间中进行去噪声处理。去噪声处理基于统计上的性质。图像以及噪声的统计上的性质典型地是在像素值的分布、噪声的分布中反映的性质，在此，使用给定的算法来进行去噪声处理，其中，该给定的算法利用了由重构图像的像素值的全部或一部分构成的向量或对其进行变换而得的向量的分布与噪声分布的差异。或者，统计上的性质由于内含于过去数据中，因此可以基于过去数据来调整从重构图像将噪声分离的给定的算法的参数。
具体地，能举出：将小波变换和软阈值处理进行组合而得的方案(手法1)；稀疏建模、稀疏涂层(Sparse Coating)这样的使用了表征局部构造的辞典的重构(手法2)；进行了学习以便去除高斯噪声的CNN(Convolutional Neural Network，卷积神经网络)等深度学习模型(手法3)等。
在手法1中，重构图像是稀疏的，即，小波变换的零要素多，相对于此，噪声不是稀疏的，但与重构图像的要素相比，值更小，利用这样的两者的统计上的性质的差异。因此，如下式(1)所示那样，首先对图像数据(包含噪声)M进行小波变换(Ψ)，分离成多个要素。对其按每个要素进行软阈值处理(Sλ)，去除值小的要素。对其进行小波逆变换(Ψ-1)，来做出图像数据M’。
【数学式1】
M′＝Ψ-1(Sλ(Ψ(M)))   (1)
另外，式(1)中，M用将全部像素排列而得的向量来表征图像数据，Sλ是按向量的每个要素进行使用了阈值λ的软阈值处理的函数。软阈值处理的阈值λ能根据去噪声强度来任意调整，可以是默认的或由用户进行设定，也可以对应于用后述的实施方式中说明的手法推定出的噪声量来进行调整。本手法1、手法2与使用深度学习模型的情况相比，能以更少的运算负荷进行噪声去除。
手法3的一例是使用CNN的示例，使用如下CNN，即，该CNN使用过去摄像到的图像当中的相同位置的噪声少的图像(正解图像)与噪声多的图像的组合进行了学习，以便将噪声去除。更具体地，作为噪声多的图像的示例，能使用在与正解图像相同的位置加大间除率而摄像到的图像、对正解图像人工地加进复高斯噪声而作成的图像(复图像或绝对值图像)。在图7示出使用了CNN的绝对值图像的噪声处理的一例。在该示例中，从图像M算出绝对值图像和相位图像(S701、S702)，用绝对值图像的各像素值除以最大值，来作为CNN的输入(S703、S704)。在CNN的输出、即进行了去噪声的图像上乘以最大值(S705)，进而乘以S702中算出的相位图像(S706)，得到进行了去噪声的图像(复图像)。
在图7所示的示例中，是仅对绝对值图像实施利用了CNN的去噪声的示例，但还能进行针对复图像的去噪声。在针对复图像的处理的情况下，可以将输入输出通道设为实部和虚部的2通道来构成CNN，也可以利用对复数据进行处理的公知的网络。通过作为复图像进行处理，能进行包含相位的去噪声，噪声去除的精度得到提升。
CNN的构造、层数并没有特别限定，例如可以使用将卷积层和活性层依次连起来的一般的构造的CNN，但适合地，如图8所示那样，通过设为将输入相加并输出的残差学习的形式，从而网络就会对与正解图像之间的差分进行学习，噪声去除精度就得到提升。
此外，虽然通过增多CNN的层数，或使用将多个分辨率的层连起来的U-Net等复杂的网络，能期待高精度化，但在本实施方式中，由于在后述的数据一贯性保持部238中也减少了噪声去除中的误差，因此，CNN的层数可以少，例如能使用3层～5层的CNN。本实施方式的噪声处理由于作为逐次重构处理的一部分进行重复，因此，通过层数少，不仅是噪声处理，还能将作为逐次重构整体的处理轻量化。
手法3(CNN利用)中主要能去除高斯噪声，但还能进一步进行学习，以便将图像中所包含的卷褶伪影、振铃伪影、体动伪影等也视作噪声来去除，由此，能同噪声一起减少伪影等。
[步骤S304]FT
接下来，数据一贯性保持部238进行将去噪声后的图像数据M’恢复成各通道的k空间数据的处理。具体地，在对图像数据M’乘以各接收线圈的灵敏度图后(S3041)，进行傅立叶变换，得到各通道的k空间数据K’(S3042)。
数据一贯性保持部238为了保持该k空间数据K’与数据接受部231所接受的测量数据K0的一贯性，而将两数据合并(S3043)。例如，如图4所示那样，将k空间数据K’当中的未测量点的数据(所推定出的数据)和测量数据K0(对未测量点进行零填充来设为k空间的矩阵尺寸的数据)当中的实际被测量的测量点的数据进行合并。即，用相同位置的测量数据来置换各通道的k空间数据K’内的测量点(方法1)。
或者，也可以将各通道的k空间数据内的测量点的数据和测量数据K0内的相同位置的数据加权相加(方法2)。即，按照下式(2)进行合并。方法1在式(2)中是λDC＝0，方法2是λDC＞0。
【数学式2】
Figure BDA0003816167740000121
式(2)中，U表征对k空间的测量点乘以1而对未测量点乘以0的操作。E是单位矩阵，(E-U)成为表征对k空间的测量点乘以0而对未测量点乘以1的操作的矩阵。实际上并不是进行矩阵的计算，而是通过k空间的每个要素的计算来高速得到式(2)的结果。
虽然方法1的处理高速，但噪声被去除的数据仅是对未测量部分进行了补足的数据，相对于此，方法2具有还去除测量数据自身的噪声这样的优点。
数据一贯性保持部238对合并后的各通道的k空间数据Kn进行傅立叶逆变换，来做出真实空间数据。
[步骤S305、S306]
逐次重构部233用数据一贯性保持部238进行合并而作成的各通道的真实空间数据来更新初始值(S306)，重复进行上述步骤S302～S304。这时，取更新前后的初始值的差分，在差分比预先设定的误差少的情况下，结束重复运算(S305)。通过运算的结束，用更新前的真实空间数据In合成而得的重构图像Mn就成为逐次重构部233的输出。
以上，如所说明的那样，本实施方式的MRI装置(图像处理部)通过去噪声处理与数据一贯性保持处理的重复运算来进行，能进行不管测量时的间除图案如何都保持了与测量数据之间的一贯性的逐次重构，此外，能防止过剩的去噪声。此外，由于通过包含使用了线圈灵敏度分布的合成处理和数据一贯性保持处理的逐次重构处理来去除等间隔间除的卷褶，因此还能应对等间隔间除。
<第一实施方式的变形例1>
在第一实施方式中，作为初始值，对合成部236在MAC合成中使用的各通道的图像数据进行了设定，但初始值也可以是图4所示的重复运算的各步骤中使用的真实空间数据或k空间数据中的任一者。
在图9示出能设定初始值的步骤。图9与图4的处理对应，将取代图4的(a)初始值设定的初始值设定的步骤以(a1)、(a2)、(a3)示出。初始值设定部232设定在这些步骤的任一者中使用的初始值。
在(a1)的情况下，将使用数据接受部231所接受的测量数据重构出的图像作为初始值，从去噪声处理S303开始。根据测量数据进行的重构可以是MAC合成，也可以是使用了平行成像运算的重构。(a2)、(a3)将k空间数据设为初始值，设为合并前后的任一者的初始值。在(a2)的情况下，在进行了重构图像Mn的去噪声处理后，或者不进行去噪声处理地，变换成各通道的k空间数据(推定出未测量点的推定k空间数据)，将其设为合并前的k空间数据K’的初始值K’0。在(a3)的情况下，在(a2)的各通道的k空间数据K’0与测量数据K0合并后，设为推定k空间数据K’的初始值K’0。
不管哪种情况，都只是重复运算的开始点不同，处理是同样的，能得到与第一实施方式同样的效果。在第一实施方式或(a1)的情况下，由于将真实空间数据设为初始值，因此能容易地实现：构成为接受在真实空间中进行了失真补正等各种公知的补正后的数据；追加在实施噪声去除的滤波处理后设为初始值的处理。在(a2)或(a3)的情况下，由于将从装置测量到的k空间数据原样不变地设为初始值，因此能简化系统。
<第一实施方式的变形例2>
在第一实施方式中，将各通道的图像合成，对合成后的图像进行去噪声处理，但在本实施方式中，对每个通道的图像进行去噪声。
在图10示出本实施方式的处理。在图10中，与图4相同的处理以相同附图标记示出，省略其详细的说明。在本实施方式中，也是示出设定基于测量数据作成的各通道的图像数据来作为初始值的情况，但能进行与上述变形例1同样的变更。
在本实施方式中，合成部236按每个通道作成重构图像(将卷褶展开的图像)(按每个通道进行重构)。第一实施方式的合成部236的处理根据每个通道的数据来生成一个图像，相对于此，本实施方式中的处理使用灵敏度图的信息按每个通道来作成重构图像，在这一点上不同。作为按每个通道来作成重构图像的方法，例如使用如SPIRiT法那样将从灵敏度图算出的核与k空间数据进行卷积等的手法。
噪声去除部237对合成部236所作成的每个通道的重构图像分别进行去噪声处理(S303)。去噪声处理与第一实施方式同样，基于图像以及噪声的统计上的性质，使用给定的算法(包含CNN)来进行。将去噪声后的图像数据恢复成k空间数据，得到每个通道的k空间数据K’(S3042)。之后的数据一贯性保持部238中的合并(S3043)、傅立叶逆变换(S3044)以及初始值的更新(S305)与第一实施方式同样。
逐次重构部233取更新前后的初始值的差分，在差分比预先设定的误差少的情况下，结束重复运算。之后，合成部236对刚刚之前的各通道的重构图像Mn进行MAC合成，结束处理。
本变形例通过使用SPIRiT法等难以出现卷褶伪影的重构法来提升画质。
<第二实施方式>
本实施方式在第一实施方式的结构中追加了推定图像的噪声量的功能，特征在于，能基于推定出的噪声量来调整重复运算中使用的各种系数、权重(总括称作参数)。
在图11示出本实施方式的图像处理部230的结构。在图11中，具有与图2相同的功能的要素以相同附图标记示出，省略重复的说明。如图11所示那样，本实施方式的图像处理部230具备噪声量推定部234。
本实施方式中的处理的流程如图12所示那样追加了噪声量的推定以及基于噪声量的调整(S310)，除此以外，与第一实施方式、其变形例相同，因此，以下以不同的处理为中心来进行说明。
噪声量推定部234使用通过平行重构而重构出的图像来推定噪声量。通过该平行重构而重构出的图像能使用在第1次重复运算中由合成部236生成的重构图像，或者在由初始值设定部235在平行重构后将各通道的图像数据设定为初始值的情况下，能使用在通道图像数据作成中使用的重构图像。
作为从图像推定噪声量的方法，能采用根据图像的信号强度的分布(直方图)算出噪声的标准偏差、众数来作为噪声量σ的手法。噪声如图13的直方图所示那样，由于在信号强度小的区域以比图像信号高的频度出现，因此能根据该分布来与信号严格进行区分，从而算出噪声量。
此外，也可以不是使用信号强度的分布，而是取出从与上述同样地重构出的图像中将被检体部分除外后的信息，来算出噪声量。例如可以提取图像的背景部分，将背景部分的信号强度的标准偏差、众数没为噪声量。此外，由于通过作成重构图像的空间微分图像，能得到将与噪声相比信号变化更平缓的源自被检体的信号分量去除后的图像，因此可以根据该信号值来算出噪声量。
也可以在从重构图像算出噪声量时，对图像用平行重构的G-factor、R-factor(间除率)进行补正。由于G-factor是表征平行重构处理中的噪声放大率的空间分布的图的信息，因此，通过用图像的各像素值除以对应的位置的G-factor值，能算出不依赖于G-factor的噪声量。虽然间除率是一个值，但由于一般噪声量与间除率平方根成正比地增加，因此，通过除以间除率的平方根，能算出不依赖于其的噪声量。由于通过这些补正减少了对重构处理的依赖性，能对应于测量数据自身的噪声量来调整参数，因此去噪声精度稳定。
作为噪声量的推定方法，除了上述的手法以外，还能使用基于重构图像、测量数据、或根据它们计算出的图像来算出噪声量的各种手法。
将噪声量推定部234所算出的噪声量使用于在逐次重构部233(主要是噪声去除部237)中的重复运算的各步骤中使用的函数、算法、CNN等的系数、阈值、还有CNN的切换等调整中。
例如，在噪声去除部237进行小波变换和软阈值处理的情况下，将软阈值处理的阈值λ调节为λ＝W·σ等。W是常数，可以默认设定，也可以由用户进行调节。此外，还可以通过噪声量σ的多项式等来决定λ。
在噪声去除部236为CNN的情况下，例如，可以作为CNN，准备以噪声量多的示教数据进行了学习的CNN、以噪声量少的示教数据进行了学习的CNN等多个CNN，并根据噪声量σ来切换CNN。具体地，对CNN的总数等网络自身的结构、各神经元的权重等进行切换。
此外，在第一实施方式中，作为数据一贯性保持部238的处理，说明了2个手法，但也可以使这些手法的共同的式(2)的“λDC”的值根据噪声量σ而不同地，来切换手法，或调整合并时的数据的加权。作为一例，进行调整，以便在噪声量多时，使得进行了去噪声的k空间数据的权重变大，这样来进行合并。
逐次重构部233在根据噪声量推定部234所推定出的噪声量进行了调整的条件下进行重复运算。逐次重构部233的处理与第一实施方式以及其变形例同样，省略说明。
根据本实施方式，能对应于图像中所包含的噪声量来调整去噪声的强度等，能提升去噪声的精度，并且，通过同数据一贯性保持处理一起重复进行去噪声处理，能防止过度的去噪声。
<第二实施方式的变形例>
在图12所示的第二实施方式的处理中，在重复运算之前进行噪声量推定处理S310，但也可以如图14所示那样，将噪声量推定和调整设为重复运算内部的处理。在该情况下，在图11的结构图中，噪声量推定部234变更为包含在逐次重构部233中。
在本变形例中，在数据一贯性保持部238所进行的处理后变更了初始值之后，对更新后的图像数据再次进行噪声量推定和参数等的调整，进行之后的处理(去噪声、合并等)。另外，在图14中，将步骤S310设为合成处理S302的前级的处理，但也可以设为合成处理S302的后级的处理。
根据本变形例，重复运算的运算量变多，但能更适当地进行去噪声。
以上说明了本发明的MRI装置和在其图像处理部中进行的处理方法的实施方式，这些实施方式中说明的各步骤中所能采用的处理(手法)能适当组合，由此还能谋求重复运算的高效化。
此外，本发明的图像处理装置具备上述的MRI装置的图像处理部230所具备的功能(例如图2所示的要素)，能在通用的计算机、工作站上构建。处理内容同样，省略重复的说明。这样的图像处理装置可以除了上述的功能以外，还具备一般的图像处理功能，此外，也可以具备图1所示的计算机200的附属装置(输入输出装置、存储装置)，这点不言自明。

Claims (19)

1.一种磁共振成像装置，其特征在于，具备：
测量部，其具备多个接收线圈，按每个接收线圈收集被检体的核磁共振信号；
控制部，其控制所述核磁共振信号的收集图案；和
图像处理部，其使用由按每个所述接收线圈收集的核磁共振信号构成的测量数据，来作成所述被检体的图像，
所述图像处理部具有：
逐次重构部，其通过使用了每个所述接收线圈的测量数据的重复运算来重构图像，
所述逐次重构部具备：
初始值设定部，其基于每个所述接收线圈的测量数据，来设定重复运算的初始值；
合成部，其将每个所述接收线圈的图像合成；
噪声去除部，其基于合成前或合成后的图像以及该图像中所包含的噪声各自的统计上的性质，来去除图像的噪声；和
数据一贯性保持部，其使用去噪声后的图像来作成每个所述接收线圈的去噪声k空间数据，将该去噪声k空间数据和所述测量数据合并，来作成推定测量数据，
所述逐次重构部基于所述推定测量数据来更新所述初始值，从而进行逐次处理。
2.根据权利要求1所述的磁共振成像装置，其特征在于，
所述测量数据是以给定的间除图案进行了欠采样的测量数据，
所述逐次重构部同所述测量数据一起地接受各接收线圈的灵敏度图，所述合成部使用所述测量数据和所述灵敏度图来重构图像。
3.根据权利要求1所述的磁共振成像装置，其特征在于，
所述初始值设定部将对每个所述接收线圈的测量数据分别通过傅立叶逆变换变换成真实空间数据而得的各接收线圈的推定图像设定为所述合成部所使用的每个所述接收线圈的图像的初始值。
4.根据权利要求2所述的磁共振成像装置，其特征在于，
所述初始值设定部将使用根据每个所述接收线圈的测量数据重构出的图像和所述接收线圈的灵敏度图作成的各接收线圈的推定图像设定为所述合成部所使用的每个所述接收线圈的图像的初始值。
5.根据权利要求1所述的磁共振成像装置，其特征在于，
所述初始值设定部将根据每个所述接收线圈的测量数据重构出的图像设定为所述噪声去除部所使用的合成后的图像的初始值。
6.根据权利要求1所述的磁共振成像装置，其特征在于，
所述初始值设定部将每个所述接收线圈的去噪声k空间数据、或将该去噪声k空间数据和测量数据合并而得的推定k空间数据设定为初始值。
7.根据权利要求1所述的磁共振成像装置，其特征在于，
所述噪声去除部利用由作为处理对象的图像的像素值的至少一部分构成的向量或该向量的分布与噪声分布的差异，来进行去噪声。
8.根据权利要求7所述的磁共振成像装置，其特征在于，
所述噪声去除部进行将作为所述处理对象的图像变换到稀疏空间的稀疏变换，通过对稀疏变换后的数据进行软阈值处理，来进行去噪声。
9.根据权利要求1所述的磁共振成像装置，其特征在于，
所述噪声去除部包含以过去数据作为学习数据进行了学习的神经网络，基于过去数据来进行去噪声。
10.根据权利要求9所述的磁共振成像装置，其特征在于，
所述神经网络进行学习，以便去除高斯噪声。
11.根据权利要求9所述的磁共振成像装置，其特征在于，
所述神经网络进一步进行学习，以便去除卷褶伪影、振铃伪影以及体动伪影当中的至少一者。
12.根据权利要求1所述的磁共振成像装置，其特征在于，
所述数据一贯性保持部将所述去噪声k空间数据当中的被测量的位置即测量点的数据与所述测量数据中的同位置的数据进行置换，来作成所述推定测量数据。
13.根据权利要求1所述的磁共振成像装置，其特征在于，
所述数据一贯性保持部将所述去噪声k空间数据当中的被测量的测量点的数据和所述测量数据中的同位置的测量点的数据进行加权相加，来作成所述推定测量数据。
14.根据权利要求1所述的磁共振成像装置，其特征在于，
所述磁共振成像装置还具备：
噪声量推定部，其推定所述噪声去除部所进行的去噪声处理前的图像或k空间数据的噪声量。
15.根据权利要求14所述的磁共振成像装置，其特征在于，
所述噪声量推定部使用所述去噪声处理前的图像的信号强度分布或从该图像中去除了被检体后的图像，来推定噪声量。
16.根据权利要求14所述的磁共振成像装置，其特征在于，
所述噪声量推定部基于推定出的噪声量，来调整所述噪声去除部所使用的用于去噪声的阈值、所述数据一贯性保持部算出所述推定测量数据的算出式的系数、以及所述噪声去除部包含神经网络的情况下的该神经网络的结构或权重中的至少一者。
17.根据权利要求14所述的磁共振成像装置，其特征在于，
所述噪声量推定部包含在所述逐次重构部中，每次所述初始值被更新，就重复进行噪声量推定。
18.一种图像处理装置，对磁共振成像装置的多个接收线圈所收集的测量数据进行处理，来重构进行了去噪声的图像，
所述图像处理装置的特征在于，具备：
逐次重构部，其通过使用了每个所述接收线圈的测量数据的重复运算来重构图像，
所述逐次重构部具备：
初始值设定部，其基于每个所述接收线圈的测量数据，来设定重复运算的初始值；
合成部，其将每个所述接收线圈的图像合成；
噪声去除部，其基于合成前或合成后的图像以及该图像中所包含的噪声各自的统计上的性质，来去除图像的噪声；和
数据一贯性保持部，其使用去噪声后的图像来作成每个所述接收线圈的去噪声k空间数据，将该去噪声k空间数据和所述测量数据合并，来作成推定测量数据，
所述逐次重构部基于所述推定测量数据来更新所述初始值，从而进行逐次处理。
19.一种图像处理方法，对磁共振成像装置的多个接收线圈所收集的测量数据进行处理，来作成进行了去噪声的重构图像，
所述图像处理方法的特征在于，
为了保持去噪声后的k空间数据与所述测量数据的一贯性而包含逐次处理，
所述逐次处理包含如下步骤：
基于每个所述接收线圈的测量数据，来设定处理的初始值；
将每个所述接收线圈的图像合成；
基于合成前或合成后的图像以及该图像中所包含的噪声各自的统计上的性质，来去除图像的噪声；和
使用去噪声后的图像来作成每个所述接收线圈的去噪声k空间数据，将该去噪声k空间数据和所述测量数据合并来作成推定测量数据，
所述逐次处理基于所述推定测量数据来更新所述初始值，从而重复进行处理。
CN202211029081.9A 2021-11-08 2022-08-25 磁共振成像装置、图像处理装置以及图像处理方法 Pending CN116098604A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-182079 2021-11-08
JP2021182079A JP2023069890A (ja) 2021-11-08 2021-11-08 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

Publications (1)

Publication Number Publication Date
CN116098604A true CN116098604A (zh) 2023-05-12

Family

ID=84330298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211029081.9A Pending CN116098604A (zh) 2021-11-08 2022-08-25 磁共振成像装置、图像处理装置以及图像处理方法

Country Status (4)

Country Link
US (1) US20230142011A1 (zh)
EP (1) EP4177625A1 (zh)
JP (1) JP2023069890A (zh)
CN (1) CN116098604A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117890844B (zh) * 2024-03-15 2024-05-24 山东大学 基于优化掩码模型的磁共振影像重建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3446140A4 (en) * 2017-06-29 2019-04-03 Shanghai United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR MAGNETIC RESONANCE EDMING ACCELERATION
US10393842B1 (en) * 2018-02-20 2019-08-27 The Board Of Trustees Of The Leland Stanford Junior University Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering
US10712416B1 (en) 2019-02-05 2020-07-14 GE Precision Healthcare, LLC Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network
US20220180574A1 (en) * 2020-12-07 2022-06-09 Siemens Healthcare Gmbh Reconstruction with magnetic resonance compressed sensing

Also Published As

Publication number Publication date
EP4177625A1 (en) 2023-05-10
US20230142011A1 (en) 2023-05-11
JP2023069890A (ja) 2023-05-18

Similar Documents

Publication Publication Date Title
Schlemper et al. A deep cascade of convolutional neural networks for dynamic MR image reconstruction
Lee et al. Deep residual learning for accelerated MRI using magnitude and phase networks
US10692250B2 (en) Generalized multi-channel MRI reconstruction using deep neural networks
US10740931B2 (en) Method for performing magnetic resonance imaging reconstruction with unsupervised deep learning
US10671939B2 (en) System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction
Song et al. Coupled dictionary learning for multi-contrast MRI reconstruction
US11327137B2 (en) One-dimensional partial Fourier parallel magnetic resonance imaging method based on deep convolutional network
JP2007503903A (ja) 局所適応的な非線形ノイズ削減
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
US11965948B2 (en) Medical information processing apparatus, medical information processing method, and storage medium
Kelkar et al. Prior image-constrained reconstruction using style-based generative models
CN113298902B (zh) 卷褶视野磁共振图像的重建方法、计算机设备及存储介质
JP2020146449A (ja) 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置
CN111091517B (zh) 一种残差加权成像方法和装置
Cha et al. Geometric approaches to increase the expressivity of deep neural networks for MR reconstruction
CN116098604A (zh) 磁共振成像装置、图像处理装置以及图像处理方法
Ouchi et al. Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain
CN114663537A (zh) 去除磁共振图像中的截断伪影的深度学习系统和方法
Liu et al. Multi-contrast MR reconstruction with enhanced denoising autoencoder prior learning
CN116626570A (zh) 多对比度mri采样和图像重建
Yaman et al. Improved supervised training of physics-guided deep learning image reconstruction with multi-masking
Ryu et al. K-space refinement in deep learning mr reconstruction via regularizing scan specific spirit-based self consistency
EP4012432A1 (en) B0 field inhomogeneity estimation using internal phase maps from long single echo time mri acquisition
US20220180574A1 (en) Reconstruction with magnetic resonance compressed sensing
CN113933773A (zh) 基于深度学习的磁共振成像方法、系统、终端及存储介质

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