CN116934610A - 磁共振图像中噪声降低的系统和方法 - Google Patents

磁共振图像中噪声降低的系统和方法 Download PDF

Info

Publication number
CN116934610A
CN116934610A CN202310328872.XA CN202310328872A CN116934610A CN 116934610 A CN116934610 A CN 116934610A CN 202310328872 A CN202310328872 A CN 202310328872A CN 116934610 A CN116934610 A CN 116934610A
Authority
CN
China
Prior art keywords
magnetic resonance
image
resonance image
noise
neural network
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
CN202310328872.XA
Other languages
English (en)
Inventor
王康
罗伯特·马克·莱贝尔
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN116934610A publication Critical patent/CN116934610A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01R33/4828—Resolving the MR signals of different chemical species, e.g. water-fat imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G01R33/4818—MR 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
    • 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
    • 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
    • G01R33/5612—Parallel RF transmission, i.e. RF pulse transmission using a plurality of independent transmission channels
    • 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
    • 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
    • G01R33/56554—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by acquiring plural, differently encoded echo signals after one RF excitation, e.g. correction for readout gradients of alternating polarity in EPI
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

提供了一种降低磁共振(MR)图像中的噪声的计算机实现的方法。该方法包括执行分析MR图像的神经网络模型，其中用一对原始图像和受损图像来训练该神经网络模型。该原始图像是噪声降低的该受损图像，并且该神经网络模型的目标输出图像是该原始图像。该方法还包括：接收第一MR信号和第二MR信号，基于该第一MR信号和该第二MR信号重建第一MR图像和第二MR图像，并且使用该神经网络模型分析该第一MR图像和该第二MR图像。该方法还包括：基于分析导出降噪MR图像，其中该降噪MR图像是基于该第一MR图像和该第二MR图像的组合图像，并且输出降噪MR图像。

Description

磁共振图像中噪声降低的系统和方法
背景技术
本公开的领域整体涉及图像处理的系统和方法，并且更特别地涉及使用神经网络模型在医学图像中进行噪声降低的系统和方法。
磁共振成像(MRI)已证明可用于许多疾病的诊断。MRI提供通过其他成像模态诸如计算机断层扫描(CT)不能容易地成像的软组织、异常组织(诸如肿瘤)和其他结构的详细图像。此外，MRI在不将患者暴露于在模态诸如CT和X射线中经历的电离辐射的情况下操作。
MR图像中的噪声和伪影影响图像的图像质量，并且因此可能干扰诊断。已知的方法在一些方面是不利的，并且需要改进。
发明内容
在一个方面，提供了一种降低磁共振(MR)图像中的噪声的计算机实现的方法。该方法包括执行分析MR图像的神经网络模型，其中用一对原始图像和受损图像训练该神经网络模型，其中该原始图像是噪声降低的该受损图像，并且该神经网络模型的目标输出图像是该原始图像。该方法还包括：接收第一MR信号和第二MR信号，基于该第一MR信号和该第二MR信号重建第一MR图像和第二MR图像，并且使用该神经网络模型分析该第一MR图像和该第二MR图像。该方法还包括：基于分析导出降噪MR图像，其中该降噪MR图像是基于该第一MR图像和该第二MR图像的组合图像，并且输出降噪MR图像。
在另一方面，提供了一种MR噪声降低系统。该系统包括噪声降低计算设备，该噪声降低计算设备包括至少一个处理器，该至少一个处理器与至少一个存储器设备通信。该至少一个处理器被编程为：执行分析MR图像的神经网络模型，其中用一对原始图像和受损图像训练该神经网络模型，其中该原始图像是噪声降低的该受损图像，并且该神经网络模型的目标输出图像是该原始图像。该至少一个处理器还被编程为：接收第一MR信号和第二MR信号，基于该第一MR信号和该第二MR信号重建第一MR图像和第二MR图像，并且使用该神经网络模型分析该第一MR图像和该第二MR图像。该至少一个处理器还被编程为：基于分析导出降噪MR图像，其中该降噪MR图像是基于该第一MR图像和该第二MR图像的组合图像，并且输出降噪MR图像。
附图说明
图1是示例性磁共振成像(MRI)系统的示意图。
图2A是示例性噪声降低系统。
图2B是降低噪声的示例性方法的流程图。
图3A是不使用本文所述的系统和方法的图像。
图3B是与图3A中相同的解剖结构位置的图像，其中该图像是使用本文所述的示例性方法生成的。
图4A是神经网络模型的示意图。
图4B是图4A所示的神经网络模型中的神经元的示意图。
图5是示例性计算设备的框图。
图6是示例性服务器计算设备的框图。
具体实施方式
本公开包括受检者的磁共振(MR)图像中的降低噪声的系统和方法。如本文所用，受检者是人、动物或体模，或者是人、动物或体模的一部分，诸如器官或组织。噪声、伪影、其它非期望信号或它们的任何组合被统称为噪声。伪影可能由涡流、生理噪声、B0漂移、B0和/或B1不均匀性或其他系统缺陷引起。与受损图像相比，原始图像是噪声降低的图像。降低或去除噪声统称为降低噪声或降噪。降噪图像是降低噪声的图像。方法方面在以下描述中部分将是显而易见的并且部分将明确地讨论。
在磁共振成像(MRI)中，将受检者置于磁体中。当受检者处于由磁体生成的磁场中时，核诸如质子的磁矩尝试与磁场对准，但在核的拉莫尔频率下以随机顺序围绕磁场进动。磁体的磁场被称为B0并且沿纵向或z方向延伸。在采集MRI图像的过程中，处于x-y平面中且接近拉莫尔频率的磁场(称为激励场B1)由射频(RF)线圈生成，并且可用于将核的净磁矩Mz从z方向朝横向或x-y平面旋转或“倾斜”。在激励信号B1终止之后，核发射信号，该信号被称为MR信号。为了使用MR信号来生成受检者的图像，使用磁场梯度脉冲(Gx、Gy和Gz)。梯度脉冲用于扫描通过k空间、空间频率的空间或距离的反向。在所采集的MR信号和受检者的图像之间存在傅立叶关系，因此可以通过重建MR信号来导出受检者的图像。
图1示出示例性MRI系统10的示意图。在示例性实施方案中，MRI系统10包括具有显示器14和键盘16的工作站12。工作站12包括处理器18，诸如运行可商购获得的操作系统的可商购获得的可编程机器。工作站12提供操作者接口，该操作者接口允许将扫描方案输入到MRI系统10中。工作站12耦接到脉冲序列服务器20、数据采集服务器22、数据处理服务器24和数据存储服务器26。工作站12以及每个服务器20、22、24和26彼此通信。
在示例性实施方案中，脉冲序列服务器20响应于从工作站12下载的指令而操作梯度系统28和射频(“RF”)系统30。指令用于在MR脉冲序列中产生梯度波形和RF波形。RF线圈38和梯度线圈组件32用于执行规定的MR脉冲序列。RF线圈38被示出为全身RF线圈。RF线圈38也可以是可放置在待成像的解剖结构附近的局部线圈，或者是包括多个线圈的线圈阵列。
在示例性实施方案中，产生用于执行界定扫描的梯度波形并将其应用于梯度系统28，该梯度系统激励梯度线圈组件32中的梯度线圈以产生用于对MR信号进行位置编码的磁场梯度Gx、Gy和Gz。梯度线圈组件32形成磁体组件34的一部分，该磁体组件还包括极化磁体36和RF线圈38。
在示例性实施方案中，RF系统30包括用于产生MR脉冲序列中使用的RF脉冲的RF发射器。RF发射器响应于来自脉冲序列服务器20的扫描方案和方向，以产生具有期望频率、相位和脉冲振幅波形的RF脉冲。产生的RF脉冲可通过RF系统30施加到RF线圈38。由RF线圈38检测的响应MR信号由RF系统30接收，在由脉冲序列服务器20产生的命令的指示下被放大、解调、滤波和数字化。RF线圈38被描述为发射器和接收器线圈，使得RF线圈38发射RF脉冲并检测MR信号。在一个实施方案中，MRI系统10可包括发射RF脉冲的发射器RF线圈和检测MR信号的单独的接收器线圈。RF系统30的传输通道可连接到RF发射线圈，并且接收器通道可连接到单独的RF接收器线圈。通常，传输通道连接到全身RF线圈38，并且每个接收器区段连接到单独的局部RF线圈。
在示例性实施方案中，RF系统30还包括一个或多个RF接收器通道。每个RF接收器通道包括RF放大器，该RF放大器放大由通道所连接到的RF线圈38接收的MR信号；以及检测器，该检测器检测并数字化所接收的MR信号的I正交分量和Q正交分量。然后，所接收的MR信号的量值可以被确定为I分量和Q分量的平方和的平方根，如下面等式(1)所示：
并且所接收的MR信号的相位也可以如下面等式(2)所示来确定：
在示例性实施方案中，由RF系统30产生的数字化MR信号样本由数据采集服务器22接收。数据采集服务器22可以响应于从工作站12下载的指令而操作，以接收实时MR数据并提供缓冲存储器，使得没有数据因数据溢出而丢失。在一些扫描中，数据采集服务器22仅将所采集的MR数据传递到数据处理服务器24。然而，在需要从所采集的MR数据导出的信息来控制扫描的进一步执行的扫描中，数据采集服务器22被编程为产生所需的信息并将其传送到脉冲序列服务器20。例如，在预扫描期间，采集MR数据并将其用于校准由脉冲序列服务器20执行的脉冲序列。另外，导航器信号可在扫描期间被采集并且用于调整RF系统30或梯度系统28的操作参数，或者用于控制对k空间进行采样的视图顺序。
在示例性实施方案中，数据处理服务器24从数据采集服务器22接收MR数据，并且根据从工作站12下载的指令对MR数据进行处理。此类处理可以包括例如对原始k空间MR数据进行傅里叶变换以产生二维或三维图像，将滤波器应用于重建的图像，对所采集的MR数据执行反投影图像重建，生成功能MR图像，以及计算运动或流动图像。
在示例性实施方案中，由数据处理服务器24重建的图像被传送回工作站12并且存储在该工作站处。在一些实施方案中，实时图像存储在数据库存储器高速缓存(图1中未示出)中，实时图像可从该数据库存储器高速缓存输出到操作者显示器14或位于磁体组件34附近的显示器46，以供主治医生使用。批处理模式图像或所选择的实时图像可存储在磁盘存储装置48或云端上的主机数据库中。当此类图像已被重建并且传输到存储装置时，数据处理服务器24通知数据存储服务器26。操作者可以使用工作站12来存档图像、产生胶片或经由网络将图像发送到其他设施。
在使用神经网络模型的已知方法中，神经网络模型通常被训练用于执行目标操作或产生目标结果。例如，对于Dixon脂肪抑制，使用两个或更多个图像来生成脂肪信号被抑制的仅水图像。在使用神经网络模型的已知方法中，在训练期间，提供训练数据集中的两个或更多个图像作为神经网络模型的输入，并且提供对应的仅水图像作为神经网络模型的输出。即，针对组合两个或更多个图像的特定任务专门训练神经网络模型。在其它已知方法中，经训练的神经网络通常用于分析与训练数据集中的图像相同的原始图像，而不用于分析原始图像的导出图像。例如，利用有噪声的MR图像和噪声降低的MR图像来训练神经网络模型，并且使用经训练的神经网络模型来分析从MR扫描器采集的原始MR图像以降低图像中的噪声，而不是用于分析原始MR图像的导出图像。
相比而言，在本文所公开的系统和方法中，神经网络模型可以是预先存在的经训练的模型，并且不利用所使用的数据集或用于在使用神经网络模型的分析期间执行的操作来专门训练。如本文所用，数据集包括图像、MR信号或它们的任何组合。例如，神经网络模型被训练以降低图像中的噪声。训练数据集可以不同于用于推断的数据集。推断期间的输入图像可以是导出图像或原始图像的经处理图像。原始图像之间可以具有不同的噪声分布。此外，神经网络模型没有被训练来执行用于生成导出图像的操作。另外，神经网络模型可以采用复杂的信号或图像作为输入，从而提高了推断的准确性。
图2A是示例性噪声降低系统200的示意图。在示例性实施方案中，系统200包括被配置为降低MR图像中的噪声的噪声降低计算设备202-1。计算设备202-1还包括神经网络模型204。系统200可包括第二噪声降低计算设备202-2。第二噪声降低计算设备202-2可用于训练神经网络模型204，并且然后噪声降低计算设备202-1可使用经训练的神经网络模型204。第二噪声降低计算设备202-2可以是与噪声降低计算设备202-1相同的计算设备，使得神经网络模型204的训练和使用是在一个计算设备上进行。另选地，第二噪声降低计算设备202-2可以是与噪声降低计算设备202-1分开的计算设备，使得神经网络模型204的训练和使用在单独的计算设备上执行。噪声降低计算设备202可包括在MRI系统10的工作站12中，或者可包括在与工作站12通信的单独的计算设备上。在一个示例中，噪声降低计算设备202是服务器计算设备，并且可以是基于云的。
图2B是示例性方法250的流程图。方法250可在噪声降低系统200上实现。在示例性实施方案中，方法250包括执行(252)分析MR图像的神经网络模型。用训练数据集训练神经网络模型。训练数据集可以是训练图像，其可以是一对原始图像和受损图像，并且神经网络模型的目标输出图像是原始图像。原始图像是噪声降低的受损图像。训练图像以任何格式表示，诸如复合MR图像、相位图像、实对和虚对、相量表示中的图像或量值图像。在一些实施方案中，受损图像是被伪影和/或噪声污染的模拟图像，并且原始图像是没有污染的模拟相位图像。训练图像可以是被来自异构数据集的模拟噪声污染的图像，该异构数据集可以来自不同的应用，和/或用不同的脉冲序列和/或不同的脉冲序列参数采集。经训练的神经网络模型204被配置为降低输入图像中的噪声并且输出噪声降低的图像。
方法250还包括接收(254)第一MR信号和第二MR信号。基于第一MR信号和第二MR信号重建(256)第一MR图像和第二MR图像。使用神经网络模型来分析(258)第一MR图像和第二MR图像。基于分析导出(260)降噪MR图像。降噪MR图像是基于第一MR图像和第二MR图像的组合图像。输出(262)降噪MR图像。
在示例性实施方案中，方法250用于Dixon化学位移成像(CSI)。在一些应用中，需要脂肪抑制，其中来自脂肪的信号被抑制。脂肪抑制可通过在施加激励脉冲之前施加脂肪饱和脉冲来实现。使用脂肪饱和脉冲的脂肪抑制可能由于B0不均匀性而失败。使用反转恢复脉冲是脂肪抑制的另一种方法，其中施加反转恢复脉冲，并且当脂肪信号在反转恢复期间为零时采集图像。与脂肪饱和方法相比，反转恢复方法对B0不均匀性相对不敏感，但是对B1不均匀性敏感，图像的信噪比(SNR)低，并且对比度变化可能是不期望的。在具有高B0不均匀性的区域中，诸如臂丛或偏心切片，脂肪饱和方法或甚至反转恢复方法可能失败。DixonCSI在抑制脂肪信号方面是有利的，因为MR信号在没有饱和或被置零的情况下被采集，并且因此该方法对B0或B1不均匀性不敏感并且SNR相对高。
在Dixon CSI中，采集第一图像和第二图像。第一MR图像基于包括第一化学物质和第二化学物质的第一回波的第一MR信号，并且第二MR图像基于包括第一化学物质和第二化学物质的第二回波的第二MR信号。在一些实施方案中，第一化学物质是水，并且第二化学物质是脂肪。第一回波和第二回波具有彼此不同的回波时间。回波时间是激励RF脉冲到回波之间的时间，其中采集MR信号。MR系统中分子的质子具有不同的共振频率，这取决于分子的化学结构。不同的回波时间为来自不同分子(诸如水和脂肪)的信号提供不同的相位。因此，第一回波具有第一化学物质和第二化学物质之间的第一相位差，并且第二回波具有第一化学物质和第二化学物质之间的第二相位差。第一相位差和第二相位差由于不同的回波时间而彼此不同。在一些实施方案中，采集同相图像和异相图像。即，第一相位差为零，而第二相位差为180°。例如，在同相图像中，来自水和脂肪的MR信号是同相的，或者所采集的MR信号是脂肪和水的同相回波。在异相图像中，来自水和脂肪的MR信号是异相的，或者所采集的MR信号是脂肪和水的反相回波。然后，基于同相图像和异相图像的求和与相减来生成仅脂肪图像或仅水图像。在一些实施方案中，使用多于两次的MR信号采集。例如，采集多于两组MR信号，其中每组在不同的回波时间采集。
在一些实施方案中，系统和方法应用于多通道和/或多线圈系统。例如，每个通道或每个线圈的图像使用深度学习(DL)降噪来降噪，并且降噪图像用于提高图像的图像质量和/或增加测量或量化的准确性。神经网络模型204可在组合来自多通道或多线圈的数据之前或之后使用。
在一些实施方案中，神经网络模型204可以在组合之前应用于第一图像和第二图像。该应用对于第一图像和第二图像可以是分开的。例如，第一图像被输入到神经网络模型204中以导出降噪的第一图像。第二图像被输入到神经网络模型204中以导出降噪的第二图像。另选地，应用可以联合用于第一图像和第二图像。例如，将第一图像和第二图像联合输入到神经网络模型204中，并且从神经网络模型输出降噪的第一图像和第二图像。联合输入到神经网络模型204中可以增加推断的准确性，因为更多信息被提供给神经网络模型204。在对神经网络模型204的分析之后，降噪的第一图像和降噪的第二图像被组合以导出一个或多个降噪的最终图像。
可以经由第一图像和第二图像的线性组合来生成组合图像。另选地，可以经由第一图像和第二图像的非线性组合来生成组合图像。例如，在扩散加权成像中，第一图像和第二图像是具有不同扩散权重的扩散加权图像，并且组合图像可以是表观扩散系数或扩散张量的图，其是扩散加权图像的非线性组合。在另一示例中，在多点Dixon CSI中，采集在第一化学物质和第二化学物质之间具有不同相位差的图像，并且组合图像是所采集图像的非线性组合。
在其他实施方案中，神经网络模型204可以应用于第一图像和第二图像的组合图像。组合图像被输入到神经网络模型204中。如果在组合之后生成多于一个组合图像，则可以单独地或联合地将组合图像输入到神经网络模型中。例如，将第一组合图像和第二组合图像分别输入到神经网络模型204中，并且由神经网络模型204分别输出降噪的第一组合图像和降噪的第二组合图像。另选地，将第一组合图像和第二组合图像联合输入到神经网络模型204中，并从神经网络模型204输出降噪的第一组合图像和降噪的第二组合图像。联合输入可增加推断的准确性。
图3A至图3B示出了应用或不应用方法250的图像302-noDL、302-DL。图像302-DL是用本文所述的系统和方法处理的图像，而图像302-noDL未用本文所述的系统和方法处理。图像302是脊髓的矢状图像。具体地，图像302是使用Dixon CSI的水图像，其中脂肪信号被抑制。为了生成水图像，采集两组或更多组MR信号，每一组在不同的回波时间(TE)采集，使得来自脂肪和水的信号彼此处于不同的相位。例如，采集两组MR信号，第一MR信号是来自水和脂肪的彼此同相的信号，而第二MR信号是来自脂肪和水的彼此异相或具有180°相位差的信号。由第一MR信号重建同相图像。由第二MR信号重建异相图像。因为来自水和脂肪的信号在同相图像中彼此同相，并且在异相图像中具有180°相位差，所以可以通过诸如同相图像和异相图像的相加或相减的线性组合来导出仅水图像和/或仅脂肪图像。仅水图像可以被称为水图像。仅脂肪图像可以被称为脂肪图像。图像302-noDL是通过同相图像和异相图像的相加导出的。通过应用神经网络模型204来导出图像302-DL。在导出图像302-DL时，神经网络模型204被应用于同相图像和异相图像。神经网络模型204输出降噪的同相图像和降噪的异相图像。通过将降噪的同相图像和降噪的异相图像相加来导出水图像302-DL。可以通过将降噪的同相图像与降噪的异相图像相减来生成降噪的仅脂肪图像(未示出)。
与其他图像模态相比，MR是唯一的，因为MR信号和MR图像由数据点或像素处的复数表示。在示例性实施方案中，神经网络模型的输入和输出是复合图像。可以使用过程诸如傅里叶变换，基于I正交MR信号和Q正交MR信号重建复合MR图像。如本文所用的复合MR图像是每个像素由复数表示的MR图像，该像素具有实分量/>和虚分量其中(x,y)是像素在图像中的位置。复合MR图像的量值(称为量值图像)被生成为/>还可生成和使用相位图像、复合MR图像的相位，其中相位/> 实像是其中每个像素处的值作为实分量/>的MR图像。虚像是其中每个像素处的值作为虚分量/>的MR图像。
在示例性实施方案中，为了使用神经网络模型204分析水图像，仅水图像包括相位信息，并且被提供为复合MR图像、一对量值图像和相位图像、实对和虚对、或相量表示中的图像。虽然最终显示的图像是量值图像，但是仅水图像的相位被加回并且被提供给神经网络模型204。
将本文描述的系统和方法应用于两点Dixon CSI被描述为仅用于说明目的的示例。系统和方法可以应用于多点Dixon CSI。在三点或更多点的Dixon CSI中，采集三组或更多组MR信号，其中每组具有不同的TE，使得来自水和脂肪的信号对于每组具有不同的相位差。基于多组MR信号生成仅水图像和仅脂肪图像。神经网络模型204可以在组合之前或之后应用。
在Dixon CSI中，同相图像和异相图像在图像上具有不同的噪声分布。例如，脂肪区域的SNR在同相图像和异相图像之间是不同的。与异相图像相比，在同相图像中，脂肪信号相对较高，因为脂肪和水同相，因此在脂肪区域中SNR较高，而在脊髓区域中SNR较低。神经网络模型204被配置为在保留结构的同时去除噪声。结果是，在由神经网络模型204分析同相图像之后，与脂肪区域相比，在脊髓区域中去除了更多的噪声，并且降噪的同相图像保留了脂肪区域中的噪声。另一方面，在异相图像中，因为脂肪与水异相，所以脂肪区域也具有类似于脊髓区域的低SNR，因此在由神经网络模型204分析异相图像之后，在降噪的异相图像中降低了脂肪区域中的噪声。因此，在作为降噪的同相图像和降噪的异相图像的组合的水图像302-DL中，噪声被保留在脂肪区域中，从而导致伪影。
可以通过在由神经网络模型204进行分析之前，组合第一图像和第二图像来降低伪影。例如，所采集的同相图像和异相图像被组合以生成仅水图像和仅脂肪图像，并且仅水图像和仅脂肪图像被神经网络模型204单独地或联合地分析，以导出降噪的仅水图像和/或降噪的仅脂肪图像。神经网络模型204对输入图像执行非线性操作，并且在神经网络模型204的分析期间，噪声可能不会跨图像均匀地传播。因此，当在由神经网络模型204分析之前组合原始图像时，神经网络模型将不会不同地影响原始图像中的噪声，从而降低伪影。
2D图像仅用作说明目的的示例。本文所述的系统和方法可应用于3DMR数据集。可使用2D神经网络模型204来分析3D图像。例如，向2D神经网络模型204提供2D图像作为输入并输出2D图像。为了使用2D神经网络模型204处理3D图像，3D图像可以在z或kz方向上组织多个2D图像，并且2D图像被输入到2D神经网络模型204中以进行分析。输出被组织成3D图像。另选地，使用将3D图像作为输入并输出3D图像的3D神经网络模型204来分析3D图像。
如上所述，可以通过傅里叶变换来重建MR图像。因为傅里叶变换是线性运算，所以在一些实施方案中，到神经网络模型204的输入和/或来自神经网络模型的输出是MR信号、MR图像或它们的任何组合。
图4A示出了示例性人工神经网络模型204。示例性神经网络模型204包括神经元层502、504-1至504-n和506，其中包括输入层502、一个或多个隐藏层504-1至504-n和输出层506。每个层可包括任何数目的神经元，即，图4A中的q、r和n可以是任何正整数。应当理解，可使用与图4A中示出的结构和配置不同的结构和配置的神经网络来实现本文所述的方法和系统。
在示例性实施方案中，输入层502可接收不同的输入数据。例如，输入层502包括表示训练图像的第一输入a1、表示在训练图像中识别的图案的第二输入a2、表示训练图像的边缘的第三输入a3等。输入层502可包括数千个或更多个输入。在一些实施方案中，神经网络模型204所使用的元素的数量在训练过程期间发生改变，并且如果例如在神经网络的执行期间确定一些神经元具有较小相关性，则绕过或忽略这些神经元。
在示例性实施方案中，隐藏层504-1至504-n中的每个神经元处理来自输入层502的一个或多个输入和/或来自其中一个先前隐藏层中的神经元的一个或多个输出，以生成决定或输出。输出层506包括一个或多个输出，每个输出指示标签、置信因子、描述输入的权重和/或输出图像。然而，在一些实施方案中，除了来自输出层506的输出之外或代替来自该输出层的输出，从隐藏层504-1至504-n获得神经网络模型204的输出。
在一些实施方案中，每个层相对于输入数据具有离散的可识别功能。例如，如果n等于3，则第一层分析输入的第一维度，第二层分析输入的第二维度，并且最后层分析输入的第三维度。尺寸可对应于被认为是强确定性的方面，然后对应于被认为是中等重要性的那些方面，并且最后对应于被认为是不太相关的那些方面。
在其他实施方案中，这些层在其执行的功能性方面未被清楚地描绘。例如，隐藏层504-1至504-n中的两个或更多个隐藏层可共享与标记相关的决定，其中没有单个层作出关于标记的独立决定。
图4B示出了根据一个实施方案的对应于在图4A中的隐藏层504-1中标注为“1,1”的神经元的示例性神经元550。对神经元550的每个输入(例如，图4A中的输入层502中的输入)进行加权，使得输入a1至ap对应于在神经网络模型204的训练过程期间所确定的权重w1至wp。
在一些实施方案中，一些输入缺少明确的权重，或者具有低于阈值的权重。权重被应用于函数α(由附图标号510标记)，该函数可为求和并且可产生值z1，该值被输入到标记为f1,1(z1)的函数520。函数520为任何合适的线性或非线性函数。如图4B中所示，函数520产生多个输出，可将这些输出提供给后续层的神经元或者用作神经网络模型204的输出。例如，输出可对应于标签列表的索引值，或者可为用作后续函数的输入的计算值。
应当理解，所描绘的神经网络模型204和神经元550的结构和功能仅用于说明目的并且存在其他合适的配置。例如，任何给定神经元的输出可不仅取决于由过去的神经元确定的值，而且取决于未来的神经元。
神经网络模型204可包括卷积神经网络(CNN)、深度学习神经网络、强化或加强学习模块或程序，或者在两个或多个感兴趣领域或方面中学习的组合学习模块或程序。可使用受监督和无监督机器学习技术。在受监督机器学习中，处理元件可设置有示例性输入及其相关联的输出，并且可试图发现将输入映射到输出的一般规则，使得当提供后续新型输入时，处理元件可基于所发现的规则准确地预测正确的输出。可使用无监督机器学习程序训练神经网络模型204。在无监督机器学习中，处理元件可能需要在未标记的示例性输入中找到其自身的结构。机器学习可以涉及识别和辨识现有数据中的图案，以便有利于对后续数据进行预测。可基于示例性输入来创建模型，以便对新型输入进行有效且可靠的预测。
除此之外或另选地，可通过将样本数据集或某些数据诸如图像、对象统计和信息输入到程序中来训练机器学习程序。机器学习程序可使用深度学习算法，该深度学习算法可主要集中于图案识别，并且可在处理多个示例之后进行训练。机器学习程序可单独或组合地包括贝叶斯程序学习(BPL)、语音识别和合成、图像或物体识别、光学字符识别和/或自然语言处理。机器学习程序还可包括自然语言处理、语义分析、自动推理和/或机器学习。
基于这些分析，神经网络模型204可学习如何识别之后可应用于分析图像数据、模型数据和/或其他数据的特性和模式。例如，模型204可学习识别一连串的数据点中的特征。
本文所述的工作站12和噪声降低计算设备202可以是任何合适的计算设备800和在其中实现的软件。图5是示例性计算设备800的框图。在该示例性实施方案中，计算设备800包括从用户接收至少一个输入的用户接口804。用户接口804可包括使得用户能够输入相关信息的键盘806。用户接口804还可包括例如指向设备、鼠标、触笔、触敏面板(例如，触摸板和触摸屏)、陀螺仪、加速度计、位置检测器和/或音频输入接口(例如，包括麦克风)。
此外，在示例性实施方案中，计算设备800包括向用户呈现信息(诸如输入事件和/或验证结果)的呈现接口817。呈现接口817还可包括耦接到至少一个显示设备810的显示适配器808。更具体地，在该示例性实施方案中，显示设备810可为可视显示设备，诸如阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)显示器和/或“电子墨水”显示器。另选地，呈现接口817可包括音频输出设备(例如，音频适配器和/或扬声器)和/或打印机。
计算设备800还包括处理器814和存储器设备818。处理器814经由系统总线820耦接到用户接口804、呈现接口817和存储器设备818。在该示例性实施方案中，处理器814与用户通信，诸如通过经由呈现接口817提示用户和/或通过经由用户接口804接收用户输入。术语“处理器”通常是指任何可编程系统，包括系统和微控制器、精简指令集计算机(RISC)、复杂指令集计算机(CISC)、专用集成电路(ASIC)、可编程逻辑电路(PLC)以及能够执行本文所述功能的任何其他电路或处理器。以上示例仅是示例性的，并且因此不旨在以任何方式限制术语“处理器”的定义和/或含义。
在该示例性实施方案中，存储器设备818包括使信息诸如可执行指令和/或其他数据能够被存储和检索的一个或多个设备。此外，存储器设备818包括一个或多个计算机可读介质，诸如但不限于动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、固态磁盘和/或硬盘。在该示例性实施方案中，存储器设备818存储但不限于应用程序源代码、应用程序对象代码、配置数据、附加输入事件、应用程序状态、断言语句、验证结果和/或任何其他类型的数据。在该示例性实施方案中，计算设备800还可包括经由系统总线820耦接到处理器814的通信接口830。此外，通信接口830通信地耦接到数据采集设备。
在该示例性实施方案中，处理器814可通过使用一个或多个可执行指令对操作进行编码并且在存储器设备818中提供可执行指令来编程。在该示例性实施方案中，处理器814被编程为选择从数据采集设备接收的多个测量值。
在操作中，计算机执行体现在存储在一个或多个计算机可读介质上的一个或多个计算机可执行部件中的计算机可执行指令，以实现本文所述和/或所示的本发明的各方面。除非另外指明，否则本文所示和所述的本发明实施方案中的操作的执行或实施顺序不是必需的。即，除非另外指明，否则这些操作可以任何顺序执行，并且本发明的实施方案可包括比本文所公开的那些操作更多或更少的操作。例如，可以设想，在另一个操作之前、同时或之后执行或实施特定操作在本发明的各方面的范围内。
图6示出了服务器计算机设备1001的示例性配置，诸如计算设备202。服务器计算机设备1001还包括用于执行指令的处理器1005。例如，指令可存储在存储器区域1030中。处理器1005可包括一个或多个处理单元(例如，在多核配置中)。
处理器1005操作地耦接到通信接口1015，使得服务器计算机设备1001能够与远程设备或另一服务器计算机设备1001通信。例如，通信接口1015可经由互联网从工作站12接收数据。
处理器1005还可被操作地耦接到存储设备1034。存储设备1034是适用于存储和/或检索数据(诸如但不限于波长变化、温度和应变)的任何计算机操作的硬件。在一些实施方案中，存储设备1034集成在服务器计算机设备1001中。例如，服务器计算机设备1001可包括一个或多个硬盘驱动器作为存储设备1034。在其他实施方案中，存储设备1034在服务器计算机设备1001外部，并且可由多个服务器计算机设备1001访问。例如，存储设备1034可以包括多个存储单元，诸如廉价磁盘冗余阵列(RAID)配置中的硬盘和/或固态磁盘。存储设备1034可以包括存储区域网络(SAN)和/或网络附属存储(NAS)系统。
在一些实施方案中，处理器1005经由存储接口1020操作地耦接到存储设备1034。存储接口1020是能够为处理器1005提供对存储设备1034的访问的任何部件。存储接口1020可包括例如高级技术附件(ATA)适配器、串行ATA(SATA)适配器、小型计算机系统接口(SCSI)适配器、RAID控制器、SAN适配器、网络适配器和/或为处理器1005提供对存储设备1034的访问的任何部件。
本文所述的系统和方法的至少一个技术效果包括：(a)降低所导出的MR图像中的噪声；(b)训练与推断期间的数据集不同的神经网络模型的数据集；以及(c)降低脂肪抑制Dixon图像中的噪声。
上面详细描述了噪声降低的系统和方法的示例性实施方案。这些系统和方法不限于本文所述的特定实施方案，而是系统的部件和/或方法的操作可与本文所述的其他部件和/或操作独立地和分开地使用。此外，所描述的部件和/或操作也可在其他系统、方法和/或设备中限定，或与其他系统、方法和/或设备结合使用，并且不限于仅用本文所述的系统来实践。
尽管本发明的各种实施方案的特定特征可在一些附图中而不是在其他附图中示出，但这仅是为了方便起见。根据本发明的原理，附图的任何特征可结合任何其他附图的任何特征来引用和/或要求保护。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

Claims (12)

1.一种降低磁共振(MR)图像中的噪声的计算机实现的方法，所述方法包括：
执行分析磁共振图像的神经网络模型，其中用一对原始图像和受损图像训练所述神经网络模型，其中所述原始图像是噪声降低的所述受损图像，并且所述神经网络模型的目标输出图像是所述原始图像；
接收第一磁共振信号和第二磁共振信号；
基于所述第一磁共振信号和所述第二磁共振信号重建第一磁共振图像和第二磁共振图像；
使用所述神经网络模型分析所述第一磁共振图像和所述第二磁共振图像；
基于分析导出降噪磁共振图像，其中所述降噪磁共振图像是基于所述第一磁共振图像和所述第二磁共振图像的组合图像；并且
输出所述降噪磁共振图像。
2.根据权利要求1所述的方法，其中执行神经网络模型还包括执行所述神经网络模型，其中所述神经网络模型的输入包括复合图像。
3.根据权利要求1所述的方法，其中所述第一磁共振图像具有与所述第二磁共振图像不同的噪声分布。
4.根据权利要求1所述的方法，其中接收所述第一磁共振信号和所述第二磁共振信号还包括：
接收所述第一磁共振信号和所述第二磁共振信号，其中所述第一磁共振信号是第一化学物质和第二化学物质的第一回波的信号，所述第二磁共振信号是所述第一化学物质和所述第二化学物质的第二回波的信号，其中所述第一回波和所述第二回波具有不同的回波时间。
5.根据权利要求4所述的方法，其中所述第一回波是所述第一化学物质和所述第二化学物质的同相回波，并且所述第二回波是所述第一化学物质和所述第二化学物质的异相回波。
6.根据权利要求4所述的方法，其中所述第一化学物质包括水，并且所述第二化学物质包括脂肪。
7.根据权利要求1所述的方法，其中：
重建第一磁共振图像和第二磁共振图像还包括：
基于所述第一磁共振信号重建所述第一磁共振图像；并且
基于所述第二磁共振信号重建所述第二磁共振图像；
分析所述第一磁共振图像和所述第二磁共振图像还包括：
将所述第一磁共振图像和所述第二磁共振图像组合成第三图像；并且
使用所述神经网络模型来分析所述第三图像；并且
导出降噪磁共振图像还包括：
基于对所述第三图像的分析导出所述降噪磁共振图像。
8.根据权利要求1所述的方法，其中：
重建第一磁共振图像和第二磁共振图像还包括：
基于所述第一磁共振信号重建所述第一磁共振图像；并且
基于所述第二磁共振信号重建所述第二磁共振图像；
分析所述第一磁共振图像和所述第二磁共振图像还包括：
使用所述神经网络模型分析所述第一磁共振图像以导出第一降噪磁共振图像；并且
使用所述神经网络模型分析所述第二磁共振图像以导出第二降噪磁共振图像；并且
导出降噪磁共振图像还包括：
通过组合所述第一降噪磁共振图像和所述第二降噪磁共振图像来导出所述降噪磁共振图像。
9.根据权利要求1所述的方法，其中：
重建第一磁共振图像和第二磁共振图像还包括：
基于所述第一磁共振信号重建所述第一磁共振图像；并且
基于所述第二磁共振信号重建所述第二磁共振图像；
分析所述第一磁共振图像和所述第二磁共振图像还包括：
使用所述神经网络模型联合分析所述第一磁共振图像和所述第二磁共振图像；并且
导出降噪磁共振图像还包括：
基于对所述第一磁共振图像和所述第二磁共振图像的联合分析导出所述降噪磁共振图像。
10.根据权利要求1所述的方法，其中接收所述第一磁共振信号和所述第二磁共振信号还包括接收利用多通道磁共振系统采集的第一磁共振信号和第二磁共振信号。
11.根据权利要求1所述的方法，其中所述神经网络模型被配置为分析三维磁共振数据集。
12.一种磁共振噪声降低系统，所述系统包括噪声降低计算设备，所述噪声降低计算设备包括至少一个处理器，所述至少一个处理器与至少一个存储器设备通信，并且所述至少一个处理器被编程为执行根据权利要求1至11中任一项所述的方法。
CN202310328872.XA 2022-04-22 2023-03-30 磁共振图像中噪声降低的系统和方法 Pending CN116934610A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/727,206 US20230341490A1 (en) 2022-04-22 2022-04-22 Systems and methods of noise reduction in magnetic resonance images
US17/727,206 2022-04-22

Publications (1)

Publication Number Publication Date
CN116934610A true CN116934610A (zh) 2023-10-24

Family

ID=88393189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310328872.XA Pending CN116934610A (zh) 2022-04-22 2023-03-30 磁共振图像中噪声降低的系统和方法

Country Status (2)

Country Link
US (1) US20230341490A1 (zh)
CN (1) CN116934610A (zh)

Also Published As

Publication number Publication date
US20230341490A1 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
US11023785B2 (en) Sparse MRI data collection and classification using machine learning
US11346912B2 (en) Systems and methods of generating robust phase images in magnetic resonance images
US10895622B2 (en) Noise suppression for wave-CAIPI
US11408954B2 (en) Systems and methods of reducing noise and artifacts in magnetic resonance imaging
CN106137199B (zh) 扩散磁共振成像中的广义球面去卷积
EP4019996A1 (en) Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images
JP2021518228A (ja) 磁気共鳴フィンガープリンティングを用いた異常検出
US20230186532A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
US20230341490A1 (en) Systems and methods of noise reduction in magnetic resonance images
US11519992B2 (en) Systems and methods of automatically detecting and scoring motion artifacts in magnetic resonance imaging
US11756197B2 (en) Systems and methods of processing magnetic resonance images using phase-sensitive structural similarity index measure
US20230196556A1 (en) Systems and methods of magnetic resonance image processing using neural networks having reduced dimensionality
US12000918B2 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
US20210123999A1 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
US11953574B2 (en) Systems and methods of accelerated propeller magnetic resonance imaging
US20230253095A1 (en) Artifical intelligence for end-to-end analytics in magnetic resonance scanning
US11367183B2 (en) Systems and methods of automatic field-of-view (FOV) prescription
US20240077561A1 (en) Noise adaptive data consistency in deep learning image reconstruction via norm ball projection
US20230341492A1 (en) Systems, Methods, and Media for Estimating a Mechanical Property Based on a Transformation of Magnetic Resonance Elastography Data Using a Trained Artificial Neural Network
CN116579377A (zh) 用于磁共振扫描中的端到端分析的人工智能
WO2023186609A1 (en) Deep learning based denoising of mr images
Huo et al. Optimization of spiral MRI using a perceptual difference model

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