CN116953582A - 磁共振成像设备的多个线圈灵敏度图和sense重建 - Google Patents

磁共振成像设备的多个线圈灵敏度图和sense重建 Download PDF

Info

Publication number
CN116953582A
CN116953582A CN202310446523.8A CN202310446523A CN116953582A CN 116953582 A CN116953582 A CN 116953582A CN 202310446523 A CN202310446523 A CN 202310446523A CN 116953582 A CN116953582 A CN 116953582A
Authority
CN
China
Prior art keywords
space
coil
mri
data structure
computer
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
CN202310446523.8A
Other languages
English (en)
Inventor
托马斯·本克特
马塞尔·多米尼克·尼克尔
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.)
Siemens Healthineers AG
Original Assignee
Siemens Healthineers AG
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 Siemens Healthineers AG filed Critical Siemens Healthineers AG
Publication of CN116953582A publication Critical patent/CN116953582A/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
    • G01R33/54—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
    • 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
    • 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
    • G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
    • G01R33/32—Excitation or detection systems, e.g. using radio frequency signals
    • G01R33/34—Constructional details, e.g. resonators, specially adapted to MR
    • G01R33/341—Constructional details, e.g. resonators, specially adapted to MR comprising surface coils
    • G01R33/3415—Constructional details, e.g. resonators, specially adapted to MR comprising surface coils comprising arrays of sub-coils, i.e. phased-array coils with flexible receiver 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
    • G01R33/4818—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
    • G01R33/482—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 using a Cartesian trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G01R33/4824—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 using a non-Cartesian trajectory
    • G01R33/4826—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 using a non-Cartesian trajectory in three dimensions
    • 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
    • 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
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及磁共振成像设备的多个线圈灵敏度图和SENSE重建。各种示例涉及磁共振成像MRI图像的SENSE重建。使用接收器线圈阵列的每个线圈的多个线圈灵敏度图，例如从ESPIRiT自动校准协议来获得。

Description

磁共振成像设备的多个线圈灵敏度图和SENSE重建
技术领域
本公开内容的各种示例通常涉及基于针对接收器线圈阵列的多个线圈获得的欠采样MRI测量数据集的磁共振成像(MRI)图像的重建。各种示例具体涉及采用图像域重建，该图像域重建使用每个接收器线圈的多个线圈灵敏度图。
背景技术
MRI基于在检查中的检查对象(例如患者)的区域中的核磁化的动力学的激发和检测。核磁化的动力学具有射频(RF)频谱中的频率。利用常规的MRI技术，通过获取原始MRI数据对空间频率域(也被称为k空间)进行采样。利用空间频率域的足够密集的采样(如例如为了通过所谓的奈奎斯特准则来避免混叠伪影而给出的)，可以通过MRI原始数据的傅立叶变换在图像域中创建MRI图像。在该上下文中，密集采样可以被理解为是指具有足够密度以满足奈奎斯特准则的采样，而欠采样是指具有比奈奎斯特准则所规定的密度更低密度的采样。
已知用于减少MRI所需的持续时间(获取时间)的不同技术。一种技术是并行成像或部分地并行获取(PPA)。
并行成像旨在从欠采样的多通道k空间数据集重建MR图像。也就是说，多通道k空间数据集包括使用接收器线圈阵列的不同线圈获取的多个k空间数据。
在大多数情况下，这样做的主要动机是减少获取时间，因为更少的k空间数据被采样。MR图像的重建基于信号模型，该信号模型使用不同通道的信息来有效地增加采样密度。这允许重建较大的视场和/或避免混叠伪影。换言之，使用欠采样轨迹来对k空间中的k空间数据进行采样，然而对于视场而言，该欠采样轨迹低于奈奎斯特极限(使得通常会出现混叠伪影)。
用于重建的最重要的方法之一是SENSE。参见Pruessmann KP、Weiger M、Scheidegger MB、Boesiger P，SENSE:sensitivity encoding for fast MRI，医学磁共振(Magn Reson Med)，1999年11月，42(5):952-62，PMID:10542355。SENSE重建算法利用了以下：针对每个接收通道的图像由高分辨率图像和平滑线圈灵敏度图(CSM)的乘积给出。在其原始公式中，SENSE重建算法用于规则的欠采样模式——即二维(2D)笛卡尔欠采样轨迹——使得重建可以纯粹在图像域中被执行。为此目的，对于接收器线圈阵列的每个线圈，欠采样的k空间数据被傅立叶变换成相应的混叠通道图像；并且通过使用预先计算的CSM来展开混叠的通道图像中的每一个。该方法被扩展到任意笛卡尔k空间轨迹和非笛卡尔k空间轨迹。在该一般公式中，模型使样本k空间数据与重建的图像直接相关。通常使用迭代优化来迭代地完成计算。所有这样的方法都被称为SENSE重建。
已知SENSE重建对混叠更敏感。当与基于k空间的重建(例如GRAPPA重建)相比时，尤其如此。参见Griswold、Mark A等人，“Generalized autocalibrating partiallyparallel acquisitions(GRAPPA)”，医学磁共振：国际医学磁共振学会官方期刊47.6(2002年)：1202-1210。特别是，SENSE重建容易出现卷褶伪影(wrap-around artifact)。
此外，参见US20150054505A1。
因此，存在对先进的SENSE重建技术的需求。具体地，存在对减少混叠和卷褶伪影的技术的需求。
独立权利要求的特征满足该需求。从属权利要求的特征限定实施方式。
发明内容
一种重建MRI图像的计算机实现的方法包括：针对MRI设备的接收器线圈阵列的每个线圈，使用自动校准协议来确定两个或更多个线圈灵敏度图的相应集合。自动校准协议对k空间的一部分进行密集采样。该方法还包括：针对接收器线圈阵列的每个线圈，确定相应的线圈灵敏度数据结构，该相应的线圈灵敏度数据结构包括沿给定方向在k空间中以拼接布置的相应的两个或更多个线圈灵敏度图。拼接布置的拼接因子与相应集合的两个或更多个线圈灵敏度图的计数对应。该方法还包括：针对接收器线圈阵列的每个线圈，使用k空间中的欠采样轨迹来获取k空间数据，并且确定相应的测量数据结构。每个相应的测量数据结构包括在经调整的k空间轨迹上在k空间中重新布置的相应的k空间数据，该经调整的k空间轨迹是通过沿给定方向以拼接因子拉伸k空间轨迹而确定的。该方法还包括：基于针对接收器线圈阵列的线圈确定的线圈灵敏度数据结构并且还基于针对接收器线圈阵列的线圈确定的测量数据结构，执行迭代优化以获得至少一个MRI图像。针对迭代优化的多次迭代中的至少一些迭代，迭代优化包括正则化操作和数据一致性操作。数据一致性操作基于测量数据结构与相应的合成的测量数据结构之间的差异，合成的MRI测量数据结构基于多次迭代的至少一个先前MRI图像的k空间表示和经调整的欠采样轨迹以及线圈灵敏度数据结构。
计算机程序或计算机程序产品包括程序代码。程序代码可以由至少一个处理器加载和执行。在执行程序代码时，至少一个处理器执行重建MRI图像的方法。该方法包括：针对MRI设备的接收器线圈阵列的每个线圈，使用自动校准协议来确定两个或更多个线圈灵敏度图的相应集合。自动校准协议对k空间的一部分进行密集采样。该方法还包括：针对接收器线圈阵列的每个线圈，确定相应的线圈灵敏度数据结构，该相应的线圈灵敏度数据结构包括沿给定方向在k空间中以拼接布置的相应的两个或更多个线圈灵敏度图。拼接布置的拼接因子与相应集合的两个或更多个线圈灵敏度图的计数对应。该方法还包括：针对接收器线圈阵列的每个线圈，使用k空间中的欠采样轨迹来获取k空间数据，并且确定相应的测量数据结构。每个相应的测量数据结构包括在经调整的k空间轨迹上在k空间中重新布置的相应的k空间数据，该经调整的k空间轨迹是通过沿给定方向以拼接因子拉伸k空间轨迹而确定的。该方法还包括：基于针对接收器线圈阵列的线圈确定的线圈灵敏度数据结构并且还基于针对接收器线圈阵列的线圈确定的测量数据结构，执行迭代优化以获得至少一个MRI图像。针对迭代优化的多次迭代中的至少一些迭代，迭代优化包括正则化操作和数据一致性操作。数据一致性操作基于测量数据结构与相应的合成的测量数据结构之间的差异，合成的MRI测量数据结构基于多次迭代的至少一个先前MRI图像的k空间表示和经调整的欠采样轨迹以及线圈灵敏度数据结构。
一种装置包括至少一个处理器和存储器。至少一个处理器被配置成从存储器加载程序代码并执行该程序代码。在执行该程序代码时，至少一个处理器执行重建MRI图像的方法。该方法包括：针对MRI设备的接收器线圈阵列的每个线圈，使用自动校准协议来确定两个或更多个线圈灵敏度图的相应集合。自动校准协议对k空间的一部分进行密集采样。该方法还包括：针对接收器线圈阵列的每个线圈，确定相应的线圈灵敏度数据结构，该相应的线圈灵敏度数据结构包括沿给定方向在k空间中以拼接布置的相应的两个或更多个线圈灵敏度图。拼接布置的拼接因子与相应集合的两个或更多个线圈灵敏度图的计数对应。该方法还包括：针对接收器线圈阵列的每个线圈，使用k空间中的欠采样轨迹来获取k空间数据，并且确定相应的测量数据结构。每个相应的测量数据结构包括在经调整的k空间轨迹上在k空间中重新布置的相应的k空间数据，该经调整的k空间轨迹是通过沿给定方向以拼接因子拉伸k空间轨迹而确定的。该方法还包括：基于针对接收器线圈阵列的线圈确定的线圈灵敏度数据结构并且还基于针对接收器线圈阵列的线圈确定的测量数据结构，执行迭代优化以获得至少一个MRI图像。针对迭代优化的多次迭代中的至少一些迭代，迭代优化包括正则化操作和数据一致性操作。数据一致性操作基于测量数据结构与相应的合成的测量数据结构之间的差异，合成的MRI测量数据结构基于多次迭代的至少一个先前MRI图像的k空间表示和经调整的欠采样轨迹以及线圈灵敏度数据结构。
一种重建MRI图像的计算机实现的方法包括：针对MRI设备的接收器线圈阵列的每个线圈，使用对第一视场的k空间的一部分进行密集采样的自动校准协议来确定相应的线圈灵敏度图。该计算机实现的方法还包括：针对MRI设备的接收器线圈阵列的每个线圈，使用作为第一视场的整数部分的第二视场的k空间中的欠采样轨迹来获取k空间数据，并且确定相应的测量数据结构，该相应的测量数据结构包括在经调整的k空间轨迹上在k空间中重新布置的相应的k空间数据，该经调整的k空间轨迹是通过将k空间轨迹拉伸整数部分的倒数而确定的。该计算机实现的方法还包括：基于针对接收器线圈阵列的线圈确定的线圈灵敏度图并且还基于针对接收器线圈阵列的线圈确定的测量数据结构，执行迭代优化以获得至少一个MRI图像。针对迭代优化的多次迭代中的至少一些迭代，迭代优化包括正则化操作和数据一致性操作，以获得相应的当前MRI图像。数据一致性操作基于测量数据结构与相应的合成的测量数据结构之间的差异，合成的MRI测量数据结构基于多次迭代的至少一个先前MRI图像的k空间表示和经调整的欠采样轨迹以及线圈灵敏度数据结构。
一种计算机程序或计算机程序产品包括程序代码。程序代码可以由至少一个处理器加载和执行。在执行程序代码时，至少一个处理器执行重建MRI图像的方法。该方法包括：针对MRI设备的接收器线圈阵列的每个线圈，使用对第一视场的k空间的一部分进行密集采样的自动校准协议来确定相应的线圈灵敏度图。该计算机实现的方法还包括：针对MRI设备的接收器线圈阵列的每个线圈，使用作为第一视场的整数部分的第二视场的k空间中的欠采样轨迹来获取k空间数据，并且确定相应的测量数据结构，该相应的测量数据结构包括在经调整的k空间轨迹上在k空间中重新布置的相应的k空间数据，该经调整的k空间轨迹是通过将k空间轨迹拉伸整数部分的倒数而确定的。该计算机实现的方法还包括：基于针对接收器线圈阵列的线圈确定的线圈灵敏度图并且还基于针对接收器线圈阵列的线圈确定的测量数据结构，执行迭代优化以获得至少一个MRI图像。针对迭代优化的多次迭代中的至少一些迭代，迭代优化包括正则化操作和数据一致性操作，以获得相应的当前MRI图像。数据一致性操作基于测量数据结构与相应的合成的测量数据结构之间的差异，合成的MRI测量数据结构基于多次迭代的至少一个先前MRI图像的k空间表示和经调整的欠采样轨迹以及线圈灵敏度数据结构。
一种装置包括至少一个处理器和存储器。至少一个处理器被配置成从存储器加载程序代码并执行该程序代码。在执行该程序代码时，至少一个处理器执行重建MRI图像的方法。该方法包括：使用对第一视场的k空间的一部分进行密集采样的自动校准协议来确定相应的线圈灵敏度图。该计算机实现的方法还包括：针对MRI设备的接收器线圈阵列的每个线圈，使用作为第一视场的整数部分的第二视场的k空间中的欠采样轨迹来获取k空间数据，并且确定相应的测量数据结构，该相应的测量数据结构包括在经调整的k空间轨迹上在k空间中重新布置的相应的k空间数据，该经调整的k空间轨迹是通过将k空间轨迹拉伸整数部分的倒数而确定的。该计算机实现的方法还包括：基于针对接收器线圈阵列的线圈确定的线圈灵敏度图并且还基于针对接收器线圈阵列的线圈确定的测量数据结构，执行迭代优化以获得至少一个MRI图像。针对迭代优化的多次迭代中的至少一些迭代，迭代优化包括正则化操作和数据一致性操作，以获得相应的当前MRI图像。数据一致性操作基于测量数据结构与相应的合成的测量数据结构之间的差异，合成的MRI测量数据结构基于多次迭代的至少一个先前MRI图像的k空间表示和经调整的欠采样轨迹以及线圈灵敏度数据结构。
应当理解，在不脱离本发明的范围的情况下，上面提到的特征和下面还要说明的特征不仅可以在所指示的相应组合中使用，还可以在其他组合中使用或者单独使用。
附图说明
图1示意性地示出了根据各种示例的MRI设备。
图2示意性地示出了根据各种示例的处理装置。
图3是根据各种示例的方法的流程图。
图4示意性地示出了根据各种示例的与接收器线圈相关联的多个线圈灵敏度图以及与接收器线圈相关联的k空间数据。
图5示意性地示出了基于图4的示例的线圈灵敏度图和k空间数据确定的测量数据结构和线圈灵敏度数据结构。
具体实施方式
本公开内容的一些示例通常提供多个电路或其他电气装置。对电路和其他电气装置以及由每个所提供的功能的所有引用并不旨在限于仅包含本文所示出和所描述的内容。虽然可以将特定的标签分配给所公开的各种电路或其他电气装置，但是这样的标签并不旨在限制针对电路和其他电气装置的操作的范围。这样的电路和其他电气装置可以基于所期望的特定类型的电气实现方式以任何方式彼此组合和/或分离。应当认识到，本文公开的任何电路或其他电气装置可以包括任何数目的微控制器、图形处理器单元(GPU)、集成电路、存储器装置(例如，闪存、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或它们的其他合适的变型)以及彼此协作以执行本文公开的操作的软件。另外，电气装置中的任何一个或更多个可以被配置成执行程序代码，该程序代码被包含在被编程成执行所公开的任何数目的功能的非暂态计算机可读介质中。
在下面，将参照附图详细描述本发明的实施方式。应当理解，以下对实施方式的描述不应被视为限制性意义。本发明的范围不旨在受到下文所描述的实施方式或附图的限制，下文所描述的实施方式或附图仅被视为说明性的。
附图被认为是示意性表示，并且附图中示出的要素不一定按比例示出。相反，各种要素被表示为使得它们的功能和一般目的对于本领域技术人员来说变得明显。在附图中示出或本文描述的功能块、装置、部件或其他物理或功能单元之间的任何连接或耦接也可以通过间接连接或耦接来实现。部件之间的耦接也可以通过无线连接来建立。功能块可以以硬件、固件、软件或它们的组合来实现。
本文描述的各种技术通常涉及MRI。通过对k空间进行采样，在k空间中获取MRI k空间数据(或原始数据)。可以应用并行成像。此处，使用接收器线圈的阵列来获取MRI数据，每个接收器线圈具有预定的空间灵敏度。对于每个线圈，获得包括k空间数据集的多通道MRI测量数据集。对于给定的视场，在k空间中对k空间数据集(MRI测量数据集)进行稀疏采样，即，在奈奎斯特阈值以下获取MRI数据。这有时被称为欠采样k空间。根据各种示例，可以使用欠采样轨迹来获得MRI测量数据集。当使用针对某些k空间位置的欠采样轨迹获取MRI测量数据集时，原始MRI数据不被采样，并且缺失的信息稍后被重建。所谓的加速因子指示沿着没有原始数据样本被获取的欠采样轨迹的那些k空间位置的分数。较大(较小)的加速因子可能导致较短(较长)的扫描时间。
然后，采用MRI重建来重建没有或具有减少的混叠伪影的MRI图像(重建的MRI图像)。MRI重建通常依赖于MRI设备的RF接收器的多个接收器线圈的预定或校准的线圈灵敏度图(CSM)。这就是所谓的图像域中的SENSE重建。使用迭代优化。迭代优化旨在使目标函数最小化或最大化(尽管这可以在使用深度学习重建的情况下隐含地被实现)。对于迭代优化的多次迭代中的至少一些迭代，迭代优化包括正则化操作和数据一致性操作。数据一致性操作基于测量数据与相应的合成的测量数据之间的差异，合成的MRI测量数据基于多次迭代的至少一个先前MRI图像的k空间表示、CSM和k空间中的采样模式即k空间轨迹。此外，适当的优化技术——例如梯度下降优化技术或Landweber迭代或者如本领域已知的原始-对偶方法(primal-dual method)或交替方向乘子法(alternating direction method ofmultipliers)——可以用于从迭代到迭代地优化参数，即，使包括正则化算子和数据一致性算子的目标函数最小化。数据一致性操作可以基于使用信号模型的测量数据与合成数据之间的差的平方l2范数。根据优化技术，可以考虑梯度。特别是对于具有高斯噪声的去相关数据，这可能是好的选择。例如对于优化的梯度下降型公式，数据一致性算子可以采用向前算子和向后算子，分别在MRI测量数据与重建的MRI图像之间转换。正则化操作可以使用全变分方法(total variation approach)或使用卷积神经网络的多个层来实现，参见Hammernik、Kerstin等人，“Learning a variational network for reconstruction ofaccelerated MRI data”，医学磁共振(Magnetic resonance in medicine)79.6(2018年)：3055-3071。
另一方面，GRAPPA重建不需要CSM。相反，在k空间的中心处，k空间的密集采样的部分用于k空间中的缺失点的重建。
Uecker M、Lai P、Murphy MJ、Virtue P、Elad M、Pauly JM、Vasanawala SS、Lustig M，ESPIRiT-an eigenvalue approach to autocalibrating parallel MRI:whereSENSE meets GRAPPA，医学磁共振(Magn Reson Med)，2014年3月，71(3)：990-1001描述了当针对每个线圈考虑多个CSM的集合时，SENSE和GRAPPA重建可以是相关的。也就是说，针对每个线圈，确定多个CSM。出于实用目的，针对每个线圈，使用两个CSM。基于给定视场(FOV)的k空间的密集采样部分，可以使用ESPIRiT自动校准协议来确定每个线圈的这些CSM的集合。
ESPIRiT自动校准协议不仅可以用于确定每个线圈的多个CSM，还可以用于重建。例如，参见Sandino、CM、Lai、P、Vasanawala、SS、Cheng、JY，Accelerating cardiac cineMRI using a deep learning-based ESPIRiT reconstruction，医学磁共振(Magn ResonMed)，2020年，85：152-167。此处，使用神经网络算法(神经网络)进行重建。多个CSM的集合的使用被直接嵌入至神经网络的网络架构中。因此，这种重建的实现需要专用的重建算法、神经网络的专用训练等。这例如在先前使用SENSE重建的情况下提出了重大的实际挑战。
在下文中，公开了采用每个线圈的CSM的集合——使用诸如ESPIRiT自动校准协议的自动校准协议确定的——作为SENSE重建算法的输入数据的技术。
对于给定的FOV，自动校准协议例如在k空间的中心处对k空间的一部分进行密集采样。例如对于同一FOV，使用欠采样轨迹来获取用于重建的k空间数据。然后，每个线圈的CSM的集合包括一阶CSM和二阶CSM，一阶CSM包括FOV内的特征，二阶CSM包括来自FOV外部的包裹信息(wrap-in information)。
这意味着秩大于1的CSM被用于秩等于1的图像域重建。
特别地，可以使用经训练的深度学习SENSE重建。此处，使用卷积神经网络的层来实现迭代优化的正则化操作。
如果与每个线圈仅使用单个CSM的现有技术实现方式相比，则不需要修改SENSE重建算法。这意味着：例如，卷积神经网络不需要如在Sandino等人的情况下那样进行特别调整或训练。
为了实现这一点，可以针对MRI设备的接收器线圈阵列的每个线圈，使用k空间中的欠采样轨迹来获取k空间数据，并且然后确定相应的测量数据结构。每个线圈的测量数据结构包括在经调整的k空间轨迹上在k空间中重新布置的相应k空间数据，该经调整的k空间轨迹是通过沿给定方向以特定因子拉伸k空间轨迹来确定的。
这个特定因子(拼接因子)由CSM的计数确定。例如，如果针对每个线圈考虑两个CSM的集合，则拼接因子可以是二。
接下来，解释为什么将经调整的k空间轨迹相对于用于测量的原始k空间轨迹被拉伸的因子标记为“拼接因子”。
具体地，可以针对每个线圈确定相应的线圈灵敏度数据结构，该线圈灵敏度数据结构包括以拼接布置即彼此相邻堆叠的该集合的相应CSM。拼接沿着k空间中的给定方向。因此，在每个线圈有两个CSM可用的情况下，线圈灵敏度数据结构包括沿给定方向彼此相邻布置的那两个CSM。
因此，可以使用SENSE重建算法，该SENSE重建算法被配置成：针对变化的、预定范围的拼接因子，接受多个线圈的线圈灵敏度数据结构和多个线圈的测量数据结构作为输入数据。
例如，可以接受1(无拼接，原始数据)与至少5(每个线圈5个CSM)之间的拼接因子。
具体地，可以重新使用常规的sense重建算法，该常规的sense重建算法被配置成：还接受k空间数据中未在k空间中重新布置的非拼接CSM(即，每个线圈单个CSM)作为输入数据，即常规的测量数据集。
如将理解的，对于变化的拼接因子，仅数据结构沿给定方向的维度会变化。
这样的变化维度(即，非拼接CSM、具有变化的拼接因子的拼接CSM)可以由SENSE重建算法自然地处理，例如，通过在该方向上简单地扩展求和和/或卷积。该发现的动机如下。
ESPIRIT信号模型假设线圈图像被建模为：
其中，S是每个线圈CSM的数目，I是通道索引，SI(x)是在索引x处的线圈图像，是来自自动校准协议的估计的CSM，M(s)(x)是每个CSM的图像。
通过寻找成本函数(迭代优化的目标函数)的最小值来获得重建的MRI图像：
其中，k对获取的k空间索引进行采样，P投影在这样的索引上，U是傅立叶变换，DI(k)是获取的k空间数据。
常规的SENSE重建算法基于式子(1)中的S＝1进行操作。
压缩感知方法通常从迭代优化的成本函数开始。在这种情况下，成本函数中将图像与获取的数据相关联的一项由式子(2)给出。
涉及基于SENSE/ESPIRIT信号模型的数据一致性的深度学习重建——例如展开网络或变分网络——涉及基于式子(2)中的函数相对于图像的梯度的重建图像的数据一致性更新。
ESPIRIT信号模型是S个图像的叠加，并且旨在通过该因子打开视场。换言之，k空间被精细化S倍。
接下来，假设欠采样轨迹——由使用激励脉冲和梯度等的测量协议限定——包括在k空间中沿给定方向(即，沿堆叠方向)以笛卡尔模式布置的采样点。这将是逐行笛卡尔采样(全笛卡尔采样)的情况，但是也将是包括沿垂直于给定方向的一个或更多个另外的方向以非笛卡尔模式布置的采样点的k空间轨迹的情况。示例将是星形堆叠或螺旋堆叠模式，例如，参见Peters DC、Korosec FR、Grist TM、Block WF、Holden JE、Vigen KK、MistrettaCA，Undersampled projection reconstruction applied to MR angiography，医学磁共振(Magn Reson Med)，2000年，43：91-10；以及Deng W、Zahneisen B、Stenger VA，Rotatedstack-of-spirals partial acquisition for rapid volumetric parallel MRI，医学磁共振(Magn Reson Med)，2016年，76：127-135。
为了简单起见，假设沿其应用拼接的给定方向对应于基础测量协议的相位编码方向。然而，给定方向也将可能是例如读出方向。
假设空间索引x∈[0，N-1)。现在，图像空间中的拼接由以下限定：
其中，
给定针对给定方向/拼接维度的傅立叶变换获得：
因此，如果每第S行被下采样到傅立叶变换(使用周期性)，则得到：
这意味着拼接的图像上的子采样的傅立叶变换给出混叠的图像。这解释了为什么拼接使得可以在不对常规的SENSE重建算法进行修改的情况下重新使用该常规的SENSE重建算法。
根据各种示例，这种方法可以被扩展用于基于Dixon方法的水-脂肪分离。例如，参见Ma,Jingfei，“Dixon techniques for water and fat imaging”，磁共振成像期刊(Journal of Magnetic Resonance Imaging)：国际医学磁共振学会的官方期刊28.3(2008年)：543-558。
通常，由于化学位移，由与不同自旋种类相关联的MRI数据捕获的MRI信号的时间演变在不同的回波时间表现出不同的相位偏移。即，针对同时获取的多个切片处的不同自旋种类，可以利用这种效应来分离MRI信号并确定相应的MRI图像。
对于多个自旋种类的Dixon分离，在多个回波时间获取多个不同的对比度E，并且与不同的、先验已知的频谱轮廓相关联的不同化学种类被分离。即，针对不同的自旋种类获得多个重建的MRI图像。通常，水种类和脂肪种类是分离的。
在该上下文中，回波时间是指相对于水和脂肪(或通常为不同的自旋种类)被对准的时间点的时间偏移，即磁化指向相同的方向。特别地，对于自旋回波序列，这样的时间偏移也可以取负值。在这种情况下，对比度是指重新聚焦水信号和脂肪信号被对准之前的时间点。
对于水-脂肪分离，可以确定具有受水自旋影响(但不受脂肪自旋影响或者仅在有限程度上受脂肪自旋影响)的对比度的水MRI图像；并且可以确定具有受脂肪自旋影响(但是不受水自旋影响，或者仅在有限程度上受水自旋影响)的对比度的脂肪MRI图像。
根据参考实现方式，对于Dixon分离，使用信号模型，该信号模型基于各种物理参数对MRI信号进行建模，所述各种物理参数例如为水和脂肪对相应像素/体素的贡献(在下文中，术语像素旨在包括3D结构，例如体素)。根据信号模型的复杂性，这些物理参数可以包含测量系统的附加特性，特别是影响相位的参考值(被简称为参考相位)的各种缺陷。可以考虑相应的相位图。信号模型的相位图可以描述MRI数据的参考相位的空间演变，这是由于极化磁场是不均匀的和/或由于使用用于在多个回波时间产生梯度回波的测量协议的双极读出梯度场。
可以将信号模型拟合到MRI数据的时间演变，从而找到物理参数的参数值，并且具体地分离水和脂肪对MRI信号的贡献。
信号模型可以被认为是针对重建的迭代优化中的数据一致性操作的一部分。
对于给定的线圈I和对比度e，SENSE信号模型由以下给出：
其中，Φe(x)是指总的相位演变(特别是频率偏移、涡流效应和梯度延迟)，Ce，k是针对第k个化学成分的相应第e个回波在回波时间Te处的频谱去相位，即自旋种类之间的相对去相位。对于水-脂肪分离：作为水，M1(x)＝W(x)；作为脂肪，M2(x)＝F(x)，Ce,1＝1，缩写为Ce，2＝Ce。这给出了：
Si，e(x)＝C1(x)(W(x)+ceF(x))Φe(x). (7)
查看式子(6)并且假设C1(x)、Φe(x)和ce,k根据先前的处理(CSM，初始Dixon重建；注意，这些映射通常被假设为空间平滑的)是已知的，可以将两个索引(I，e)映射至一维索引上。通过以下形式的映射：
(I，e)→I，
CI(x)Φe(x)ce，k→CI(x)， (8)
针对每个化学种类引入有效线圈，式子(6)中的Dixon信号模型看起来像式子(1)。因此，如果将用于索引(I，e)的相同映射应用于k空间数据，则可以使用基于SENSE的重建算法来执行基于模型的Dixon重建。
式子(8)对应于通过将相应的线圈灵敏度数据结构与针对多个回波时间中的每一个获得的预定去相位图Φe(x)以及与两个或更多个自旋种类中的至少一对之间的相对去相位相关联的至少一个预定去相位因子ce,k相结合来增强相应的线圈灵敏度数据结构。
因此，甚至可以重新使用用于DIXON分离的常规SENSE重建算法，在该常规SENSE重建算法中，相位图和去相位的相应信息的簿记由线圈灵敏度数据结构管理(这些线圈灵敏度数据结构于是包括CSM之外的信息)。
图1描绘了关于MRI设备100的方面。MRI设备100包括磁体110，磁体110限定了孔111。磁体110可以沿着其纵轴提供一至六特斯拉的DC磁场。DC磁场可以使患者101的磁化沿纵轴对准。患者101可以借助于可移动台102移动至孔中。
MRI设备100还包括用于创建用于对MRI数据进行空间编码的空间变化的磁梯度场(梯度)的梯度系统140。通常，梯度系统140包括被布置成彼此正交并且可以被单独控制的至少三个梯度线圈141。通过向梯度线圈141施加梯度脉冲，可以沿某些方向施加梯度。梯度可以用于切片选择(切片选择梯度)、频率编码(读出梯度)以及沿一个或更多个相位编码方向的相位编码(相位编码梯度)。沿其施加各种梯度的方向不一定与由线圈141限定的轴平行。相反，这些方向可能由某个K空间轨迹来限定，某个K空间轨迹又可以由相应MRI序列的某些要求和/或基于患者101的解剖特性来限定。梯度也可以用于形成梯度回波。例如，可以使用具有相反极性的梯度的梯度脉冲串。
为了准备和/或激发与DC磁场极化/对准的磁化，可以施加RF脉冲。为此，提供了RF线圈组件121，该RF线圈组件121能够施加RF脉冲，例如反转脉冲或激励脉冲或重聚焦脉冲(其可以针对SMS寻址多个切片)。虽然反转脉冲通常反转纵向磁化的方向，但是激励脉冲可以产生横向磁化。
为了产生RF脉冲，RF发射器131经由RF开关130与线圈组件121连接。经由RF接收器132，可以检测磁化弛豫回到与DC磁场对准的弛豫位置的信号。特别是，可以检测回波；可以通过施加一个或更多个RF脉冲(自旋回波)和/或通过施加一个或更多个梯度(梯度回波)来形成回波。为此目的，磁化可以与线圈组件121感应耦合。由此，获取K空间中的原始MRI数据。
通常，将可以使用单独的线圈组件，一方面用于施加RF脉冲，并且另一方面用于获取MRI数据(图1中未示出)。
MRI设备100还包括人机接口150，例如屏幕、键盘、鼠标等。借助于人机接口150，可以检测用户输入，并且可以实现向用户的输出。例如，借助于人机接口150，可以针对要应用的MRI序列设置某些配置参数。
MRI设备100还包括处理单元(被简称为处理器)161。处理器161可以包括GPU和/或CPU。处理器161可以例如基于从存储器162加载的程序代码来实现关于MRI设备100的操作的各种控制功能。例如，处理器161可以实现针对梯度系统140、RF发射器131和RF接收器132的时间同步操作的顺序控制。处理器161还可以被配置成：实现MRI重建，即基于MRI测量数据集来实现MRI图像的重建；多个自旋种类的分离；使用SENSE重建来确定一个或更多个MRI图像；等。
并不是在所有场景中都需要处理器161实现用于MRI图像的重建的后处理。在其他示例中，各个功能将可能由单独的装置例如图2所示的装置来实现。
图2示意性地示出了根据各种示例的装置90。装置90包括处理单元/处理器91和存储器92。处理器91可以经由接口93例如从医院数据库、计算机可读存储介质或直接从如结合图1讨论的MRI设备100获得包括针对多个接收器线圈的k空间数据的MRI测量数据集。在从存储器92加载程序代码时，处理器91可以对MRI测量数据集进行后处理，以重建至少一个MRI图像，例如分离自旋种类的单个MRI图像或多个MRI图像。结合图3示出了关于这样的处理的细节。
图3是根据各种示例的方法的流程图。图3的方法通常涉及使用图像域重建(即SENSE重建)来重建一个或更多个MRI图像。接收器线圈阵列的每个线圈考虑多个CSM。例如，图3的方法可以由处理器161和/或由处理器91执行(参见图1、图2)。
在框3005处，针对MRI设备的接收器线圈阵列的每个线圈确定多个CSM。可以使用对k空间的一部分进行密集采样的自动校准协议来确定这些CSM。通常，将确定两个CSM。
可以在框3005中使用本领域技术人员可用的参考技术，例如ESPIRiT自动校准。
在框3010处，可以针对每个线圈确定相应的线圈灵敏度数据结构。例如，如果使用包括四个线圈的接收器线圈阵列(参见图1)，那么将获得总共四个线圈灵敏度数据结构。对于每个线圈，沿k空间中的给定方向拼接给定线圈的CSM。
将可以在相同方向上移动线圈灵敏度数据结构(使用环绕)，以适应离散傅立叶变换的正确约定。
可选地，将可以对线圈灵敏度数据结构的参考相位(全局偏移)执行相位校正。这可以通过在较大的视场上可用的参考CSM来完成。
接下来在框3015处，使用欠采样轨迹针对每个线圈获取k空间数据。
在框3020处，然后在经调整的k空间轨迹上在k空间中重新布置k空间数据。该经调整的k空间轨迹是通过沿给定方向以拼接因子拉伸k空间轨迹而确定的。这产生测量数据结构。
在图4和图5中示出了关于框3010和框3020的各方面。
图4示意性地示出了用于获取k空间数据412的k空间轨迹411(使用沿相位编码方向481和读出方向482的笛卡尔采样)(在图4和图5中，白线没有被采样；黑线被采样)。
还示出了针对接收器线圈阵列的给定线圈确定的两个CSM 431、432。一阶CSM 431包括关于FOV中的相应接收器线圈的灵敏度的信息；而二阶CSM 432包括来自FOV外部的包裹信息。
图5示意性地示出了经调整的k空间轨迹418。经调整的k空间轨迹是通过沿相位编码方向481拉伸k空间轨迹411而获得的，拉伸因子为二，二对应于每个线圈的CSM计数。拉伸关于包括k空间中心490的轴491是对称的；即，k空间中心490的位置被保留。
注意，拉伸k空间轨迹411以获得经调整的k空间轨迹418可以被视为将加速因子从2改变为4；即，对于较大的FOV，获得相同数目的k空间数据样本。
根据经调整的k空间轨迹418来重新布置k空间数据；并且获得相应的测量数据结构419。
图5中还示出了线圈灵敏度数据结构439，线圈灵敏度数据结构439是通过沿相位编码方向481拼接CSM 431和CSM 432而获得的。
测量数据结构419和线圈灵敏度数据结构439具有相同维度。
现在再次参照图3：在框3025中，使用SENSE重建来重建MRI图像，作为输入数据，该SENSE重建基于测量数据结构419和线圈灵敏度数据结构439进行操作。
此处，正则化操作通常不具有与傅立叶变换相同的边界条件。这可能会导致伪影。然而，大多数MR应用假设PE方向的边界处有空气，使得伪影在边界处将是没有意义的(仅显示背景)。
在可选框3030处，将可以将重建的MRI图像裁剪至一阶CSM的区域(参照图4：CSM431)。
尽管已经针对某些优选实施方式示出和描述了本发明，但是本领域其他技术人员在阅读和理解说明书后将会想到等同物和修改。本发明包括所有这样的等同物和修改，并且仅受所附权利要求的范围限制。
为了说明，该技术可以被扩展至同时多切片重建。例如，用于在检查区域的多个切片中同时激发核磁化以及用于从该数目的切片中同时获取MR数据的技术是已知的。这样的技术通常被称为同时多切片(SMS)成像。例如，参见Setsompop、Kawin等人，“Blippedcontrolled aliasing in parallel imaging for simultaneous multislice echoplanar imaging with reduced g-factor penalty”，医学磁共振(Magnetic resonancein Medicine)67(2012年)1210-1224。此外，参见Barth、Markus等人，“Simultaneousmultislice(SMS)imaging techniques”，医学磁共振(Magnetic resonance in Medicine)75.1(2016年)：63-81。常规地，为了将k空间中的全部MR数据分离或分解成各个切片的数据集，使用针对并行成像(部分并行获取，PPA)开发的类型的技术，其针对每个切片具有切片特定的重建核。
所述技术还可以用于三维获取或三维加时间分辨获取。
为了更进一步说明，上面已经公开了各种场景，在所述各种场景中，针对给定的FOV确定较高秩的CSM，对于该给定的FOV也使用欠采样轨迹来获取k空间数据。这意味着较高阶CSM包括来自该FOV外部的包裹信息。在一些场景中，也将可以使用自动校准协议针对接收器线圈阵列的每个线圈确定仅单个CSM，该自动校准协议对第一FOV的k空间的一部分进行密集采样。然后，针对接收器线圈阵列的每个线圈，将可以使用作为第一FOV的整数部分的第二FOV的K空间中的欠采样轨迹来获取K空间数据。即，第二FOV可以比第一FOV小二或三等因子。然后，可以针对每个线圈确定相应的测量数据结构，该相应的测量数据结构包括在经调整的K空间轨迹上在K空间中重新布置的相应的K空间数据，该经调整的K空间轨迹是通过将K空间轨迹拉伸整数部分的倒数(此处，二或三等因子)而确定的。例如，如以上结合图4和图5所说明的，在自动校准协议对k空间的一部分进行密集采样的FOV比获取测量数据的FOV大相同的因子二的情况下，以因子二进行拉伸将是可能的。此外，通过这样的技术，对于CSM和测量数据结构，可以获得相同的维度，如结合图5针对线圈灵敏度数据结构和测量数据结构所说明的。然而，不是将两个分离的CSM拼接在一起，其中这两个CSM中的一个包括来自FOV外部的包裹信息，而是获得用于较大FOV的仅单个CSM。该CSM本身包括与包裹信息对应的信息。然后，可能将这样的CSM和测量数据结构作为输入数据馈送至sense重建算法。

Claims (15)

1.一种重建MRI图像的计算机实现的方法，所述方法包括：
-针对MRI设备(100)的接收器线圈阵列(139)的每个线圈，使用对k空间的一部分进行密集采样的自动校准协议来确定(3005)两个或更多个线圈灵敏度图(431，432)的相应集合，并且确定(3010)相应的线圈灵敏度数据结构(439)，所述相应的线圈灵敏度数据结构(439)包括沿所述k空间中的给定方向(481)以拼接布置的相应的两个或更多个线圈灵敏度图(431，432)，所述拼接布置的拼接因子与所述相应集合的所述两个或更多个线圈灵敏度图(431，432)的计数对应，
-针对所述接收器线圈阵列(139)的每个线圈，使用所述k空间中的欠采样轨迹(411)来获取(3015)k空间数据，并且确定(3020)相应的测量数据结构(419)，所述相应的测量数据结构(419)包括在经调整的k空间轨迹(418)上在所述k空间中重新布置的相应的k空间数据，所述经调整的k空间轨迹(418)是通过沿所述给定方向(481)以所述拼接因子拉伸所述k空间轨迹(411)而确定的，以及
-基于针对所述接收器线圈阵列的线圈确定的线圈灵敏度数据结构(439)并且还基于针对所述接收器线圈阵列的线圈确定的测量数据结构(419)，执行迭代优化以获得至少一个MRI图像，
其中，针对所述迭代优化的多次迭代中的至少一些迭代，所述迭代优化包括正则化操作和数据一致性操作，
其中，所述数据一致性操作基于所述测量数据结构与相应的合成的测量数据结构之间的差异，所述合成的MRI测量数据结构基于所述多次迭代的至少一个先前MRI图像的k空间表示和所述经调整的欠采样轨迹以及所述线圈灵敏度数据结构。
2.根据权利要求1所述的计算机实现的方法，
其中，所述迭代优化通过重建算法来实现，所述重建算法被配置成：针对预定范围的拼接因子，接受所述线圈灵敏度数据结构(439)和所述测量数据结构(419)作为输入数据。
3.根据权利要求2所述的计算机实现的方法，
其中，所述重建算法被配置成：还接受未在所述k空间中重新布置的非拼接线圈灵敏度图(431)和所述k空间数据(412)作为所述输入数据。
4.根据前述权利要求中任一项所述的计算机实现的方法，
其中，在多个回波时间处针对每个线圈获取所述k空间数据，以从而获得针对两个或更多个自旋种类的两个或更多个MRI图像，
其中，所述方法还包括：
-针对所述接收器线圈阵列的每个线圈：通过将所述相应的线圈灵敏度数据结构与针对所述多个回波时间中的每一个获得的预定去相位图以及与所述两个或更多个自旋种类中的至少一对之间的相对去相位相关联的至少一个预定去相位因子相结合，来增强所述相应的线圈灵敏度数据结构。
5.根据前述权利要求中任一项所述的计算机实现的方法，
其中，所述正则化操作通过卷积神经网络的多个层来实现，所述多个层中的不同层与所述多次迭代中的不同迭代相关联。
6.根据前述权利要求中任一项所述的计算机实现的方法，
其中，所述欠采样轨迹(411)包括沿所述给定方向(481)在所述k空间中以笛卡尔模式布置的采样点。
7.根据权利要求6所述的计算机实现的方法，
其中，所述欠采样轨迹(411)的采样点沿垂直于所述给定方向的至少一个另外的方向在所述k空间中以非笛卡尔模式被布置。
8.根据前述权利要求中任一项所述的计算机实现的方法，
其中，所述欠采样轨迹(411)包括根据星形堆叠或螺旋堆叠模式在所述k空间中布置的采样点。
9.根据前述权利要求中任一项所述的计算机实现的方法，
其中，所述给定方向(481)是用于获取所述k空间数据的测量协议的相位编码方向。
10.根据权利要求1至8中任一项所述的计算机实现的方法，
其中，所述给定方向是用于获取所述k空间数据的测量协议的读出方向(482)。
11.根据前述权利要求中任一项所述的计算机实现的方法，
其中，所述拉伸关于垂直于所述给定方向并且包括所述k空间的中心的轴是对称的。
12.根据前述权利要求中任一项所述的计算机实现的方法，
其中，所述自动校准协议对给定视场的k空间的一部分进行密集采样，
其中，所述k空间数据是使用同一给定视场的欠采样轨迹(411)获取的，
其中，与所述接收器线圈阵列(139)的给定线圈相关联的集合中的所述两个或更多个线圈灵敏度图(431，432)中的至少一个包括来自所述给定视场外部的包裹信息。
13.根据前述权利要求中任一项所述的计算机实现的方法，
其中，所述拼接因子是二。
14.一种重建MRI图像的计算机实现的方法，所述方法包括：
-针对MRI设备的接收器线圈阵列的每个线圈，使用对第一视场的k空间的一部分进行密集采样的自动校准协议来确定相应的线圈灵敏度图，
-针对所述MRI设备的接收器线圈阵列的每个线圈，使用作为所述第一视场的整数部分的第二视场的k空间中的欠采样轨迹来获取k空间数据，并且确定相应的测量数据结构，所述相应的测量数据结构包括在经调整的k空间轨迹上在所述k空间中重新布置的相应的k空间数据，所述经调整的k空间轨迹是通过将所述k空间轨迹拉伸所述整数部分的倒数而确定的，以及
-基于针对所述接收器线圈阵列的线圈确定的线圈灵敏度图并且还基于针对所述接收器线圈阵列的线圈确定的测量数据结构，执行迭代优化以获得至少一个MRI图像，
其中，针对所述迭代优化的多次迭代中的至少一些迭代，所述迭代优化包括正则化操作和数据一致性操作，以获得相应的当前MRI图像，
其中，所述数据一致性操作基于所述测量数据结构与相应的合成的测量数据结构之间的差异，所述合成的MRI测量数据结构基于所述多次迭代的至少一个先前MRI图像的k空间表示和所述经调整的欠采样轨迹以及所述线圈灵敏度数据结构。
15.一种计算机程序，所述计算机程序包括被配置成由至少一个处理器执行的程序代码，其中，在执行所述程序代码时，所述至少一个处理器执行根据前述权利要求中任一项所述的计算机实现的方法。
CN202310446523.8A 2022-04-25 2023-04-24 磁共振成像设备的多个线圈灵敏度图和sense重建 Pending CN116953582A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP22169748.5A EP4270040A1 (en) 2022-04-25 2022-04-25 Multiple coil sensitivity maps of coils of a receiver array of a magnetic resonance imaging apparatus and sense reconstruction
EP22169748.5 2022-04-25

Publications (1)

Publication Number Publication Date
CN116953582A true CN116953582A (zh) 2023-10-27

Family

ID=81386551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310446523.8A Pending CN116953582A (zh) 2022-04-25 2023-04-24 磁共振成像设备的多个线圈灵敏度图和sense重建

Country Status (3)

Country Link
US (1) US20230337932A1 (zh)
EP (1) EP4270040A1 (zh)
CN (1) CN116953582A (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9746538B2 (en) 2013-08-21 2017-08-29 Siemens Healthcare Gmbh Reference oversampling in sense-type magnetic resonance reconstruction

Also Published As

Publication number Publication date
EP4270040A1 (en) 2023-11-01
US20230337932A1 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
Wang et al. Model‐based T 1 mapping with sparsity constraints using single‐shot inversion‐recovery radial FLASH
US9317917B2 (en) Method, reconstruction device, and magnetic resonance apparatus for reconstructing magnetic resonance raw data
US8710840B2 (en) Method and system for phase-sensitive magnetic resonance imaging
US9709650B2 (en) Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images
US11181598B2 (en) Multi-contrast MRI image reconstruction using machine learning
Kasten et al. Data-driven MRSI spectral localization via low-rank component analysis
WO2011161566A1 (en) Dynamic contrast enhanced mr imaging with compressed sensing reconstruction
US9971007B2 (en) Method and apparatus for accelerated magnetic resonance imaging
CN113994225A (zh) 用于磁共振成像中的图像重建的系统和方法
US20170307716A1 (en) Propeller mr imaging with artefact suppression
JP6762284B2 (ja) 磁気共鳴イメージング装置およびノイズ除去方法
EP3988957B1 (en) Method for acquiring an mr-image dataset of at least two slices by means of simultaneous multislice excitation
Zhang et al. Accelerated simultaneous multi-slice MRI using subject-specific convolutional neural networks
US9329251B2 (en) System and method for magnetic resonance imaging using multiple spatial encoding magnetic fields
US10818047B2 (en) Iterative reconstruction of quantitative magnetic resonance images
EP4198546A1 (en) Propeller magnetic resonance acquisition and blade-specific reconstruction
WO2019115277A1 (en) Diffusion mr imaging with fat suppression
Shin et al. CNR improvement of MP2RAGE from slice encoding directional acceleration
CN116953582A (zh) 磁共振成像设备的多个线圈灵敏度图和sense重建
Iyer et al. Wave-encoding and shuffling enables rapid time resolved structural imaging
US11474178B2 (en) Method for generating a magnetic resonance image
US20230298230A1 (en) Simultaneous Multi-Slice Protocol and Deep-Learning Magnetic Resonance Imaging Reconstruction
EP4312044A1 (en) Mri reconstruction based on neural networks
US11313934B2 (en) Method for 2D magnetic resonance imaging, corresponding MRI device, computer program, and computer-readable storage medium
EP4053580A1 (en) System and method for acquisition of a magnetic resonance image as well as device for determining a trajectory for acquisition of a magnetic resonance image

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