CN117223028A - 用于带去噪磁共振图像重建的系统和方法 - Google Patents

用于带去噪磁共振图像重建的系统和方法 Download PDF

Info

Publication number
CN117223028A
CN117223028A CN202280018774.XA CN202280018774A CN117223028A CN 117223028 A CN117223028 A CN 117223028A CN 202280018774 A CN202280018774 A CN 202280018774A CN 117223028 A CN117223028 A CN 117223028A
Authority
CN
China
Prior art keywords
image
denoising
noise
images
contrast
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
CN202280018774.XA
Other languages
English (en)
Inventor
吴学奎
谢林杉
胡嘉豪
赵宇姣
文冠皓
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.)
University of Hong Kong HKU
Original Assignee
University of Hong Kong HKU
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 University of Hong Kong HKU filed Critical University of Hong Kong HKU
Publication of CN117223028A publication Critical patent/CN117223028A/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
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging
    • 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
    • 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
    • G01R33/483—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
    • 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
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • 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
    • G01R33/5607—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reducing the NMR signal of a particular spin species, e.g. of a chemical species for fat suppression, or of a moving spin species for black-blood imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • 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
    • A61B5/004—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 adapted for image acquisition of a particular organ or body part
    • A61B5/0042—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 adapted for image acquisition of a particular organ or body part for the brain
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks

Landscapes

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

Abstract

用于改进磁共振成像的系统和方法涉及基于在相邻图像切片之间共享强结构相似性来重建多切片图像。此外，一种联合去噪方法利用了这些相似性。在一定程度上，重建是基于残差神经网络的使用，并且去噪是通过基于深度学习的策略实现的。该系统和方法已被证明在模拟和活体脑试验中都是有用的，在所有图像中显示出显著的降噪效果，并在定量扩散图中揭示出更多的微观结构细节。

Description

用于带去噪磁共振图像重建的系统和方法
相关申请的交叉引用
本国际专利申请要求获得于2021年3月3日提交的第63/156,225号美国临时专利申请的利益，该申请的全部内容通过引用结合于此。
技术领域
本发明涉及用于改进磁共振成像的系统和方法，更具体地涉及重建多切片和多对比度图像以及从这些图像中去除噪声。
背景技术
扩散MRI为绘制组织微观结构提供了一种有力的方法。然而，它本身存在信噪比(SNR)较低的问题，尤其是在空间分辨率或b值较高时。典型的扩散MRI会话产生具有相同几何形状但不同扩散方向和b值的图像集。尽管这些扩散加权(DW)图像的对比度不同，但它们通常具有很强的结构相似性。
部分傅立叶(PF)磁共振成像(MRI)因其在缩短回波时间或扫描时间方面的潜力而受到广泛关注。[1]有限的对称采样中心k空间区域会降低相位估计精度，从而导致传统PF重建(例如投影到凸集(projection-onto-convex-sets，POCS)方法)的性能下降。[2]近年来，多切片MR重建在利用相邻切片中的图像内容和线圈灵敏度图的相似性方面展现出巨大潜力。[3],[4]由于主磁场和线圈灵敏度图变化缓慢，跨相邻切片的图像相位也应类似。多切片特性允许相邻切片采用不同的采样模式，从而提供跨不同切片的互补信息。[3]
常规临床MRI会话获取几何形状相同的多对比度图像，以最大最大化诊断信息，但会导致扫描时间延长。尽管不同对比度的图像在内在的解剖学上具有相似性，但它们往往是独立重建的。通过联合重建多对比度图像，可以利用共享解剖信息上的冗余。最近的出版物已经证明了使用深度学习(DL)从具有多对比度的MR数据联合重建图像以利用冗余的优势。[15]
传统的并行成像对k空间进行均匀下采样，这会导致混叠(aliasing)，表现为原始图像内容的相干复制品。这就需要附加的校准数据来协助展开混叠。通过对不同对比度的MR数据进行正交下采样，可引入跨不同对比度的非相干性，并且经由低秩矩阵补全联合重建多对比度MR数据可以利用这种非相干性。[16]
多对比度MRI是一种对辅助临床诊断的有用技术。它可提供具有互补诊断信息的多对比度图像。虽然信号强度跨不同对比度的变化显著，但由于下层组织(underlyingtisse)的相邻部分通常共享强的结构相似性或相关性，因此多对比度图像在切片与切片之间通常共享高度相关的结构信息。
现有MRI去噪方法大多只对单个对比度切片进行去噪，而不使用类比结构信息来支持恢复，即现有的单个对比度MRI去噪方法忽略了相似的结构信息。此外，传统的基于深度学习(DL)的方法训练模型，用于对具有不同噪声水平的图像进行盲去噪，从而这损害了性能。替代地，经训练的模型是针对特定的降噪水平进行训练的，这意味着需要多个模型来处理不同的噪声水平。一个可以调整以拟合具有不同噪声水平的图像的单个模型可以提供更好的性能和更高的灵活性。
发明内容
在一个实施例中，本发明是一种使用低秩矩阵近似对扩散加权(diffusionweighted，DW)图像进行联合去噪的新方法。它利用DW图像的结构相似性，使得显著降低了所有DW图像中的噪声，并揭示了定量扩散图中更多的微观结构细节。利用这种方法，可以从DW图像集中提取相似的图块切片(patches slices)，以形成低秩图块矩阵。然后应用低秩矩阵近似方法估计无噪声图块矩阵。该方法已在活体脑DW图像中进行了评估。
基于低秩的方法包括以下步骤：(a)使用滑动窗口提取参考图块；(b)对于每个参考图块，通过块匹配来搜索相似的图块；(c)将相似图块拉伸为矢量并将它们堆叠到矩阵中，以形成低秩图块矩阵；(d)对于每个图块矩阵，通过加权核规范最小化(weightednuclear norm minimization，WNNM)模型估计无噪声图块矩阵；以及(e)将所估计的图块矩阵转换回图像。
在第二实施例中，本发明是一种基于残差网络的重建方法，该方法被提供用于多切片部分傅立叶获取，其中相邻切片以互补方式被采样。可以利用多切片MR数据的解剖结构和相位相似性，从具有不同采样模式的相邻切片中提供互补信息。该方法实现了高度部分傅立叶成像，而不丢失图像细节或噪声放大。此外，本发明允许使用深度学习用于具有不同采样模式的多切片部分傅立叶MRI的重建。
本发明利用残差神经网络(ResNet)联合使用多个连续切片进行重建，该方法通过以互补的方式对相邻切片进行采样，可以进一步增强。该方法可以充分利用相邻切片中的结构相似性和相位相似性来合成缺失的k空间数据。
在第三实施例中，本发明利用基于深度学习(DL)的联合重建方法，用于采用跨不同对比度的均匀正交下采样模式的单通道多对比度MR数据。该方法实现了利用来自多对比度的丰富结构相似性以及来自互补采样的非相干性。
该方法包括获取复MRI数据作为训练数据；训练重建模型，以从高度下采样数据预测复MRI数据；以及应用经训练的模型以从下采样数据重建看不见的复MRI图像数据。这样做的目的是加快本身重建速度较慢的多对比度MR图像的重建。结果表明，在R＝4条件下，所提出的方法可实现单通道多对比度MR数据的鲁棒重建。
根据第四实施例，本发明使用具有噪声水平图的残差卷积网络架构(U-Net)，在灵活的噪声水平上利用深度学习(DL)策略执行自适应多对比度MR图像去噪。可以手动设置引入的噪声水平图，以拟合不同的噪声水平。这种方法通过同时对多对比度进行去噪，利用了跨对比度的结构相似性。去噪结果在降噪和细节保留方面优于BM3D。更重要的是，可以手动设置噪声水平图，以拟合不同的噪声水平。
基于自适应DL的策略同时被应用以仅使用单个模型对具有不同噪声水平的多对比度MR图像去噪，该模型通过组合U-Net架构[21]与ResNet架构[22]来实现。
附图说明
专利或专利申请文件包含至少一张彩色附图。本专利或专利申请出版物的(多个)彩色附图的附图将由专利局根据要求提供，并支付必要的费用。
当结合以下详细描述和附图来考虑时，本发明的前述和其他目的和优点将变得更加明显，在附图中，在各个视图中相似的标号表示相似的元件，并且其中：
图1是本发明的联合去噪方法的示意图；
图2显示了根据本方法进行去噪的结果。(A)显示了模拟的DW图像和从去噪的DW图像计算得出的扩散度量图；(B)显示了包含一个b0和6个其中b＝1000s/mm2的DW图像的图像集；
图3示出了去噪结果，其中(A)显示了活体DW脑图像，(B)显示了从去噪的DW图像计算得出的扩散度量图；
图4显示了图3中的活体DW图像的块匹配结果；
图5显示了具有活体DW脑图像(A)和从去噪的DW图像计算得出的扩散度量图(B)的去噪结果；
图6是根据本发明的EMS-PF重建方法流程图；
图7是一系列照片，显示了传统POCS和所提出的S-PF/MS-PF/EMS-PF针对高度部分傅立叶成像(PF分数＝51％)的重建(A)，(B)显示了(A)照片中的对应的放大视图；
图8显示在PF分数＝0.51时具有亮度增强(×10)和对应的峰值信噪比(PSNR)/结构相似度(SSIM)的图7A中的重建图像的误差图；
图9是根据本发明的EMS-PF重建与传统POCS方法针对不同PF因子(0.51、0.55和0.65)的比较，以及误差图(x10)；
图10是对T2加权快速自旋回波的摄影评估(A)，以及对利用高度部分傅立叶成像(PF分数＝0.51)的T1加权梯度回波脑图像的的评估(B)；
图11是使用Res-UNet架构的根据本发明的方法的示意图；
图12示出了用于多对比度MR的多对比度重建；
图13显示了使用均匀下采样因子的包含小型病灶(如红色矩形指示的)的MR数据的结果；
图14示出了用于多对比度MR数据的多对比度重建，同时消除了混叠伪影并保留了结构细节；
图15是显示本发明多对比度去噪方法的架构的框图(a)；示出了本发明的残差块，其由两个卷积层组成，中间有一个ReLU激活(b)；显示了跨步conv2D块，其由卷积层和ReLU激活组成(c)；并且显示了转置conv2D块，其由转置卷积层和ReLU激活组成(d)；
图16呈现了显示使用本发明的多对比度去噪方法的结果的MRI幻灯片，其中添加了相同水平的噪声(噪声标准偏差σ＝15)以模拟噪声图像；
图17显示了对于具有较高噪声水平(即，其中添加相同水平的噪声(σ＝25)以形成噪声图像)的图像的具有去噪结果的MRI幻灯片；
图18显示了对于不同对比度具有不同噪声水平(对于T1w、T2w和FLAIR分别为σ＝5、15和25)的本发明的去噪结果，以及显示调整噪声水平图的效果的非最佳结果；
图19显示了具有病理的临床图像的去噪结果。
具体实施方式
实施例#1-使用加权核规范最小化方法的扩散加权图像的联合去噪。
图1是本发明的联合去噪方法的示意图。在每次迭代中，该方法包括以下步骤：(1)使用滑动窗口提取参考图块，并通过块匹配搜索相似图块；(2)对于每个参考图块，将相似图块拉伸为矢量，并将它们堆叠到矩阵中，以形成低秩图块矩阵；(3)针对每个图块矩阵，通过加权核规范最小化(WNNM)模型估计无噪声图块矩阵；以及(4)将所估计的图块矩阵转换回图像。
如图1所示，块匹配是通过跨整个DW图像集滑动3D窗口来实现的。然后提取3D参考图块。对于每个参考图块，基于欧几里得距离搜索k个相似图块。
接下来，通过将k个相似的图块拉伸为矢量并将它们堆叠到矩阵中，来实现图块矩阵构建。然后将图块矩阵乘以加权矩阵，加权矩阵是对角矩阵，并且由每个图像的噪声水平确定。
低秩近似采用加权核规范最小化(WNNM)模型[7][8]，其被应用于估计无噪声图块矩阵。对于每个噪声图块矩阵，可通过对图块矩阵执行矩阵奇异值分解和奇异矩阵奇异值阈值化来获得估计的图块矩阵。
最后，从估计的图块矩阵设置恢复DW图像。
可以通过以下方式进一步改进该方法
1)使用复值图像作为输入，使得该方法将处理高斯分布的噪声；
2)使用基于图块的噪声估计方法，使得该方法可用于对空间变化噪声进行去噪。
3)使用其他判据进行块匹配(例如：SSIM或光度距离)，使得结构相似性可以更好地被探索。
为证明本发明，进行了模拟实验。具体地，模拟的脑数据最初是为ISMRM 2015纤维束成像(Tractography)挑战而创建的。[9]该数据集包含一个b＝0图像和32个b值＝1000s/mm2的DW图像。矩阵大小为90×108×90，各向同性分辨率为2mm。提取1个b＝0图像和6个DW图像以形成基本真实(ground truth)图像集，用于评估针对简单DTI的所提出的去噪方法。添加赖斯噪声(最大强度的4％)以形成噪声DW图像。
在活体实验中，在一台3T飞利浦扫描仪上使用8通道线圈，通过4次交错EPI(矩阵尺寸＝220×220，切片数＝10)获取了两个脑数据集。第一个数据集的成像参数为TR/TE＝2400/118ms，其中b＝2000s/mm2的6个扩散方向以及b＝0图像。扫描重复10次，以获得高SNR参考。第二个数据集的成像参数为TR/TE＝2500/123ms，其中b＝1000/2000/3000s/mm2的6个扩散方向，以及b＝0图像。扫描重复4次。对于这两个数据集，单次平均的DW图像被用作噪声图像集进行去噪。
还通过混合概率主成分分析法(Mixtures of Probabilistic PrincipalComponent Analysers，MPPCA)[10]、[11]、[12]执行去噪以用于比较。在去噪前和去噪后，分别对噪声图像集进行方差稳定变换(variance stabilizing transformation，VST)[13]和逆VST，使得赖斯噪声可以被视为具有单位方差的噪声。对于去噪方法，滑动窗口大小为4×4，相似图块数量为k＝140。使用FSL DTIFit工具箱[14]导出定量扩散图。在模拟试验中，通过从基本真实图像中减去去噪的图像并测量归一化均方根误差(normalized root-mean-square errors，NRMSE)来计算误差图。
图2-5显示了本方法的去噪性能。图2呈现了模拟图像的去噪结果。该方法有效降低了所有DW图像中的噪声，同时保留了结构细节，使去噪图像和定量扩散图的归一化均方根误差(NRMSE)小于(MPPCA)。
图2A显示了采用模拟DW图像的所提出的方法的结果，并且图2B显示了从去噪的DW图像计算得出的扩散度量图。图像集包含一个b0和6个b＝1000s/mm2的DW图像。为了简洁，仅显示了沿一个方向的DW图像。向基本真实图像中加入赖斯噪声(最大强度的4％)以获得噪声图像。我们的方法有效地减少了所有DW图像中的噪声，并且揭示分数各向异性(FA)图中的微结构细节和实现相较于MPPCA方法较小的NRMSE方面改进了扩散度量图的估计。
图3显示了包含一个b0图像和6个DW图像的活体脑图像集的去噪结果。该图显示出，当DW图像具有低SNR时，MPPCA变得低效，而本方法可以显著降低噪声，并实现与使用4个平均值的图像质量和FA图相当的图像质量和FA图。
活体DW脑图像的去噪结果见图3A，并且从去噪DW图像计算出的扩散度量图在图3B中示出。图像集包含一个b0图像和6个b＝2000s/mm2的DW图像。仅显示了沿一个方向的DW图像。NEX＝1的图像集用于去噪，而NEX＝4/10的图像集作为高SNR参考。在非常低的SNR下，与参考相比，该方法在降低噪声的同时恢复结构细节方面仍然是鲁棒的，并且比MPPCA更有效。它实现了与使用4个平均值的图像质量和FA图相当的图像质量和FA图。
图4显示了图3中活体DW图像的块匹配结果。两个参考图块的块匹配结果与使用具有NEX＝10和NEX＝1的单个DW图像的块匹配结果进行了比较。请注意，在低SNR下，块匹配结果可能会被噪声偏置。然而，使用整个DW图像集实现了与使用具有高SNR(NEX＝10)的图像类似的块匹配结果，这指示DW图像之间的结构相似性大大提高了块匹配的鲁棒性，导致了更多相似的图块和更多的秩缺图块矩阵(rank-deficient patch matrices)。
请注意，在低SNR下，该方法通过利用DW图像之间的结构相似性，仍保持相似图块搜索中的高精度。
图5呈现了活体DW脑图像中的去噪结果(图5A)，以及从去噪的DW图像计算出的扩散度量图(图5B)。该图像集包含一个b0图像和6个DW图像，其中有3个b值，b＝1000/2000/3000s/mm2。仅显示了沿一个方向的DW图像。NEX＝1的图像集用于去噪。请注意，MPPCA去噪的图像中的残差噪声会致使AD图中的伪影，而本方法实现的度量图与使用4次平均的度量图相当。结果清楚地表明，当DW图像具有不同的噪声水平时，本方法有效地降低噪声，并且FA揭示更多微观结构细节。
总之，这种联合去噪DW图像的新方法利用了扩散加权图像的结构相似性，显著降低了所有图像中的噪声，并且揭示了更多微观结构细节。该方法的优越性能基于以下原理：可以从噪声图像中提取相似的图块，并用于形成图块矩阵，该图块矩阵应当是低秩矩阵，因此可以通过低秩矩阵近似来恢复。此外，该方法还可以在三个方向上执行。首先，该方法可以扩展到对多切片DW图像进行联合去噪。通过连结多切片图块矩阵，可以获得低秩图块张量，并且可以对低秩张量近似执行高阶奇异值分解。第二，可以以基于图块的方式优化噪声水平估计，使得该方法对非均匀分布的噪声具有更强的鲁棒性。第三，该方法可用于先进的扩散MRI技术，如纤维束成像、Q球(Q-ball)成像和峰度成像。
实施例#2-使用残差网络增强多切片部分傅立叶MRI重建
本发明利用深度学习进行部分傅立叶(partial Fourier，PF)重建，这种方法适用于单独的MRI切片，并且被称为“单个切片部分傅立叶重建”(SS-PF)[5]。在本发明中，多个部分傅立叶获取的切片被联合用于重建。可以通过以互补方式对相邻切片进行采样来进一步增强多切片部分傅立叶(MS-PF)重建，被称为“增强的多切片部分傅立叶”(EMS-PF)重建。简而言之，对于读出或相位编码方向，对表示k空间的相对两半的奇数/偶数切片进行采样。图6示出了所提出的EMS-PF方法的流程图，其中三个连续切片(幻灯片1-3)联合用于重建中心切片(幻灯片2)。对于来自具有互补采样模式的三个连续切片的图像的实部Re和虚部Im，网络的输入具有6个连结的通道。对于中心切片的估计残差图像的实部和虚部，输出具有2个通道。然后，通过将残差图像添加到从零填充k空间重建的图像中，获得最终的重建图像。图6的上部是总体视图，而下部示出了从输入通过Resnet模型到输出和重建的复MR图像的细节。
在图6的下部，幻灯片1的实部和虚部分别为Re1、Im1，幻灯片2的实部和虚部分别为Re2、Im2，幻灯片3的实部和虚部分别为Re2、Im3。Re2'和Im2'表示输出预测残差图像的实部和虚部。ResNet模型有16个径向基(radial base，RB)，每个径向基包含2个卷积层，卷积层后有整流线性单元(Rectified Linear Unit，ReLU)激活函数。在每个卷积层中，包含64个大小为3×3的卷积核。
来自先进成像创新与研究中心(Center for Advanced Imaging Innovation andResearch，CAI2R)[6]的膝关节数据集被用于网络中的训练、验证和测试。冠状质子密度加权膝关节数据使用其中TR＝2200-3000ms、TE＝27-34ms，FOV＝160×160mm2、矩阵尺寸＝320×320、切片厚度/间隙＝3/0mm的2D快速自旋回波(fast spin echo，FSE)来获取。数据使用15通道膝关节线圈来获取，但合并为近似单通道获取。数据集包含942个受试者(每个受试者有16个切片)，其中的70％、15％和15％分别用于训练、验证和测试。原始k空间被裁剪为128×128，在PF分数为51％、55％和65％时，沿相位编码方向回溯下采样。在PF分数＝51％时，只有4条对称的中心k空间线，这对于传统的凸集到投影(POCS)重建来说是极具挑战性的。
由于奇数/偶数切片的采样模式彼此不同，对用于重建奇数/偶数切片的模型分别进行了训练。用100历元训练每个模型，耗时大约3小时。通过峰值信噪比(PSNR)和结构相似度(SSIM)对性能进行定量评估。
虽然该方法仅使用膝关节数据进行训练，但也使用在3T飞利浦MRI扫描仪上使用单通道头部线圈获取的人脑数据集进行了评估。T2加权图像是使用其中TR/TE＝2500/213ms、FOV＝240×240×120mm3、矩阵大小＝240×240×120的三维FSE来获取的。T1加权图像是使用其中TR/TE＝19/4ms、翻转角＝30°、FOV＝240×240×130mm3、矩阵大小＝240×240×130的3D GRE来获取的。对原始k空间应用1D逆傅立叶变换，生成其中切片厚度/间隙＝1/0mm的多个连续轴向切片的2D k空间。生成的2D k空间被裁剪为128×128以拟合经训练的模型，并沿相位编码方向回溯下采样。
图7和图8比较了传统POCS和本发明SS-PF/MS-PF/EMS-PF方法的重建结果和对应的误差图。具体地，图7显示了传统POCS和SS-PF/MS-PF/EMS-PF方法对高度部分傅立叶成像(PF分数＝51％)的重建结果。右侧显示了对应的放大视图。红色箭头所指示的图像细节在EMS-PF结果中保留得最好。请注意，在PF分数＝51％时，由于用于相位估计的中心k空间数据不足，传统POCS重建的性能急剧下降。在前述方法中，本发明的EMS-PF方法在恢复图像细节而无噪声放大方面表现出最佳性能。MS-PF方法和SS-PF方法具有相似的性能，这表明如果没有跨相邻切片的互补采样，联合使用多个切片进行重建就无法充分利用它们的结构和相位相似性。图8显示了在PF分数＝0.51时具有增强的亮度(×10)和对应的峰值信噪比(PSNR)/结构相似性(SSIM)的图7中重建的图像的误差图。从这些视图中可以明显看出，本发明的EMS-PF方法在减少残差误差方面优于其他方法。
图9是本发明的EMS-PF重建与传统POCS方法针对不同PF系数(0.51、0.55和0.65)的比较。由于省略了较大部分的数据，EMS-PF方法的残差误差略高，而POCS方法的性能则显著恶化。随着PF分数的减少，EMS-PF方法产生的误差略高。这表明EMS-PF能够实现高度部分傅立叶成像。
图10呈现了来自T1加权/T2-加权脑图像的重建图像，表明EMS-PF方法对不同解剖区域和/或用不同序列获取的MR数据的鲁棒性。图10A是利用T2加权快速自旋回波进行的评估，图10B是利用高度部分傅立叶成像(PF分数＝0.51)的T1加权梯度回波脑图像进行的评估。与其他方法相比，EMS-PF方法显著减少了残差误差。图10A和10B最后两行中的误差图(亮度×10)和定量评估(PSNR/SSIM)表明当前的EMS-PF方法优于SS-PF方法。
本发明的方法利用相邻切片中的结构和相位相似性来合成待重建切片中缺失的k空间，这在保留图像细节而不放大噪声方面具有优势，尤其是对于高度部分傅立叶成像。请注意，切片厚度/间隙会影响所提出的方法的性能，因为增加切片厚度/间隙会降低相邻切片的相似性，这可以通过调整联合使用切片的数量来考虑。所提出的方法也可用于2D部分傅立叶成像、多通道MR获取和/或与并行成像结合。
实施例#3-根据单通道均匀下采样数据的多重对比度MRI重建
根据本发明，实现了由4个池化层组成的2D残差U-Net(Res-UNet)架构，用于联合重建具有跨不同对比度的正交下采样方向的MR数据。如图11所示，Res-UNet是带有残差卷积块的U-Net框架。复T1和复T2加权图像的实分量和虚分量(T2im、T2re、T1im、T1re)被输入模型作为单独的通道。网络使用亚当(Adam)优化器来训练，初始学习率为10-4，每10个历元的衰减因子为0.1，损失函数为l2。模型在单个GTX1080Ti上训练了30个历元。
在实施本发明时，使用了来自HCP S1200数据集[17]的400个T1和T2加权MR体积进行模型训练、验证和测试。多对比度MR数据以如下方式准备：
1)使用FSL FLIRT[18]对逐受试者共同配准(co-register)T1和T2加权MR体积，
2)以因子2对图像进行下采样，得到相同的平面内的几何形状：FOV＝224×180mm2以及分辨率＝1.4×1.4mm2，
3)将不同的合成随机二D非线性相位分别添加到T1和T2加权MR体积中，以及
4)应用正交1D均匀下采样。数据集按8：1：1的比例随机分成训练集、验证集和测试集。
使用结构相似性指数(SSIM)和归一化均方根误差(NRMSE)方法对试验结果进行了定量评估。使用R＝3和4时的1D加速度，对具有互补k空间采样的Res-UNet的性能进行了评估。此外，也用包含病理区域的图像对所提出的方法进行了评估。
图12显示了在R＝3时使用本发明方法获得的重建的图像。该方法成功消除了均匀下采样引入的混叠伪影。因此，图12清楚地表明，本方法的模型可以重建高保真图像，而没有明显的伪影。
图13显示了使用均匀下采样因子R＝3的包含小型病灶(由红色矩形指示的)的MR数据的结果。请注意，尽管图11中的模型是用正常受试者训练的，但小型病灶在重建图像中保持忠实再现。因此，图13显示了本发明的多对比度MR重建技术对具有病理区域的脑部图像的鲁棒性，在病理区域中不同对比度的相关性可能不同于正常组织。
图14示出了在R＝4时用于多对比度MR数据的多对比度重建，其指示即使在R＝4的下采样率下，所提出的模型消除混叠伪影并保留结构细节的能力。因此，这显示在联合重建两个对比度的情况下，本方法可以实现4的下采样因子。
本发明针对多对比度MR数据利用基于DL的重建，并在具有T1w/T2w对比度的单通道MR数据集上证明了其有效性。结果表明，该方法能有效消除R＝3时的混叠伪影。
对病理脑组织的结果表明，没有特别地在病理数据集上训练的该方法能够合理地重建病理。正交交替PE方向增加了均匀下采样引起的混叠的非相干性。这种非相干性使重建结果与2D随机下采样相似。[19]因此，通过深度学习也可以实现采用正交PE方向的联合重建。可以使用基于图块的损失(例如，SSIM[20])来代替像素级L2损失，这可以在减少模糊效应方面进一步改善重建效果。
实施例#4-基于使用噪声水平图的残差U-Net的自适应多对比度MRI去噪
MRI去噪可以从噪声MR图像x中恢复出高质量的MR图像y。一般来说，神经网络会寻找最小化去噪的图像和目标无噪声图像之间的差值的映射函数f。图15所示的本发明方法使用残差U-Net架构，该架构组合了4-比例U-Net和ResNet。在跨步/转置卷积层之后和每个残差块内的两个卷积层之间使用ReLU激活。所有卷积层均无偏置，以实现缩放不变性。
图15A显示了本发明的多对比度去噪方法的架构。在评估本发明时，多对比度噪声图像加上所添加的噪声被应用到残差U-Net系统中。该系统由连结的残差块(Conv2d 3x3)、跨步Conv2d块和转置Corv2D块组成。过程的结果为去噪的图像。图15B示出了残差块，它由两个卷积层组成，其间具有ReLU激活。这一过程重复4次。核大小为3x3，步长为1以及填充为1。图15C显示了跨步conv2D块，它由卷积层和ReLU激活组成。图15D显示了转置conv2D块，它由转置卷积层和ReLU激活组成。核大小为2x2，步长为2，填充为0。
不同对比度的图像作为不同通道被输入。受FFDNet[23]和DRUNet[24]的启发，引入噪声水平图作为附加的输入通道，以平衡降噪和细节保留。可以手动调整噪声水平图以拟合输入噪声水平，输入噪声水平被认为在FOV内是均匀的。去噪的图像作为不同通道被输出。
网络参数是通过使用亚当优化器最小化去噪的图像与它们的基本真实之间的L1损失来调整的。预训练的模型[24]用于初始化。在测试本发明时，从HCP数据集中选择了5800个多对比度图像集。T1加权(T1w)图像使用其中TR/TE/TI＝2400/2.1/1000ms、翻转角(FA)＝8°的MPRAGE来获取。T2-加权(T2w)图像使用其中TR/TE＝3200/565ms的3D FSE来获取。所有图像的各向同性分辨率均为0.7×0.7×0.7mm3。T1w图像、T2w图像和T1w/T2w图像的平均值被视为三种不同的对比度。噪声图像是通过添加其中标准偏差(σ)为0至35的复杂白高斯噪声生成的，并且用于训练所提出的模型。
此外，还利用在3T飞利浦MRI扫描仪上使用单通道头部线圈获取的人脑数据集对所提出的方法进行评估。T1w图像使用其中TR/TE＝19/4ms、FA＝30°的3D梯度回波(GRE)来获取；T2w图像使用其中TR/TE＝2500/213ms的3D快速自旋回波(FSE)来获取。T2加权FLAIR图像使用其中TR/TI/TE＝4800/1650/282ms的3D FSE来获取。所有图像具有1×1×1mm3的各向同性分辨率。在重建的复图像中加入了不同水平的复白高斯噪声。然后，使用幅值图像对该方法进行评估。
图16显示了使用本发明的多对比度去噪方法的结果。为模拟噪声图像，添加了相同水平的噪声(噪声标准偏差σ＝15)。该方法在去除噪声的同时保留了结构细节。还使用块匹配和3D滤波(BM3D)对这些噪声图像进行了去噪。但是，BM3D的结果过于平滑，结构细节损失严重。
在图16中，虽然在三幅图像中添加了相同水平的噪声，但它们具有不同的对比度。本发明的方法保留了结构细节同时显著抑制了噪声。
图17显示了对于具有比图16中更高的噪声水平的图像的去噪结果。在图3中，添加了相同水平的噪声(σ＝25)以形成更大噪声的图像，但该方法保持了类似的性能，然而如果试图将噪声降低到与本方法相同的水平，BM3D方法则会更加平滑图像细节。图3显示了即使图像受到更高水平噪声的破坏时该方法的鲁棒性。
图18显示了不同对比度下不同噪声水平(对于T1w、T2w和FLAIR，分别为σ＝5、15和25)的去噪结果。对于每个对比度的最佳噪声水平图是根据经验确定的，以适应不同对比度的噪声水平。红色方框指示该方法的最佳结果。还显示了非最佳结果，以显示调整噪声水平图的效果。同样，本发明能够有效消除噪声，同时不丢失噪声T2w和FLAIR图像中的结构细节，产生比BM3D方法更好的结果。
具体地，图18指示，当不同对比度的图像具有不同的噪声水平时，这些方法在降低噪声和保留细节方面仍然表现出色。在这种情况下，可以调整噪声水平图，以适应每种对比度的噪声水平，从而使所有对比度都实现最佳性能。
图19显示了针对具有病理的临床图像的去噪结果。添加相同水平的噪声(σ＝20)以形成噪声图像。在结构相似性降低的病理区域，该方法没有损害结构细节。然而，BM3D方法过度平滑了结构，甚至在正常区域也是如此。因此，图19显示，即使病理区域在不同对比度下的结构相似性不足，该方法也能在去除噪声的同时很好地保留结构细节。相比之下，BM3D方法消除了相同水平的噪声，但过度平滑了图像结构。
总之，本发明的去噪方法通过使用残差U-Net同时对多个对比度进行去噪来利用MRI切片之间的结构相似性。在不同的噪声水平下，该方法在降低噪声和保留细节方面都表现出令人满意的性能。之所以能做到这一点，是因为噪声水平图可以手动调整，以拟合不同的噪声水平。此外，在不同对比度下存在轻微几何不匹配的情况下(如病理情况下)，该方法仍然有效，因为模型的感受野足够大，以至于提取的信息可以容忍细微的几何不匹配。请注意，通过并行成像获得的图像将具有空间变化的噪声分布。更重要的是，这种空间变化在不同对比度下可能有所不同，因为它们可以具有非相同的采样模式。该方法可以被设计为针对每个对比度都有单独的噪声图，以弥补这一问题。
本申请中引用的参考文献通过引用整体并入本文，本申请中引用的参考文献如下：
[1]Margosian,Paul M.,DeMeester,Gordon,and Liu,Haiying."PartialFourier Acquisition in MRI."Encyclopedia of Magnetic Resonance.HighlandHeights:Picker International,2007.
[2]Koopmans,Peter J.,and Pfaffenrot,Viktor."Enhanced POCSreconstruction for partial Fourier imaging in multi-echo and time-seriesacquisitions."Magnetic Resonance in Medicine 85.1(2020):140-151.
[3]Liu,Yilong,et al."Calibrationless parallel imaging reconstructionfor multislice MR data using low-rank tensor completion."Magnetic Resonancein Medicine 85.2(2020):897-911.
[4]Weizman,Lior,et al."Exploiting similarity in adjacent slices forcompressed sensing MRI."2014 36th Annual International Conference of the IEEEEngineering in Medicine and Biology Society.IEEE,2014.
[5]Cao,Peipei,et al."Partial Fourier MRI Reconstruction UsingConvolutional Neural Networks."Proceedings of International Society ofMagnetic Resonance in Medicine.2020.
[6]Knoll,Florian,et al."Welcome to the fastMRIDataset."NYU LangoneHealth.https://fastmri.med.nyu.edu/.Accessed 14 October 2020.
[7]Y.Zhao,Y.Liu,H.K.Mak,and E.X.Wu.Simultaneous denoising of multi-contrast MR images using a novel weighted nuclear norm minimizationapproach.27th Annual Meeting of ISMRM,No.0669,2019.
[8]J.Xu,L.Zhang,D.Zhang,and X.Feng.Multi-channel weighted nuclearnorm minimization for real color image denoising.IEEE InternationalConference on Computer Vision,2017.
[9]P.F.Neher,F.B.Laun,B.Stieltjes,and K.H.Maier-Hein.Fiberfox:facilitating the creation of realistic white matter software phantoms.MagnReson Med 2014；72(5):1460-1470.
[10]J.Veraart,E.Fieremans,and D.S.Novikov.Diffusion MRI noise mappingusing random matrix theory.Magn Reson Med 2016；76(5):1582-1593.
[11]J.Veraart,D.S.Novikov,D.Christiaens,B.Ades-aron,J.Sijbers andE.Fieremans.Denoising of diffusion MRI using random matrix theory.NeuroImage2016；142:394-406.
[12]X.Ma,K.and X.Wu.Denoise magnitude diffusion magnetic resonanceimages via variance-stabilizing transformation and optimal singular-valuemanipulation.NeuroImage 2020；215:116852.
[13]A.Foi.Noise estimation and removal in MR imaging:The variance-stabilization approach.IEEE International symposium on biomedicalimaging.IEEE,2011.
[14]M.Jenkinson,C.F.Beckmann,T.E.Behrens,M.W.Woolrich,andS.M.Smith.Fsl.Neuroimage 2012；62(2):782-790.
[15]Polak D,Cauley S,Bilgic B,et al.Joint multi-contrast variationalnetwork reconstruction(jVN)with application to rapid 2D and 3D imaging.MagnReson Med.2020；84:1456–1469.
[16]Yi Z,Liu Y,Zhao Y,Chen F,Wu EX.Joint calibrationlessreconstruction of highly undersampled multi-contrast MR datasets using anovel low-rank completion approach.In27th Annual Meeting of ISMRM2019.Montreal.
[17]Van Essen,D.C.,et al:The wu-minn human connectome project:anoverview.Neuroimage 80,62-79,2013.
[18]M.Jenkinson and S.Smith,“Aglobal optimisation method for robustaffine registration of brain images,”Med.Image Anal.,2001.
[19]Wang H,Liang D,Ying L.Pseudo 2D random sampling for compressedsensing MRI.In:Conf Proc IEEE Eng Med Biol Soc,2009,IEEE,2672-2675.
[20]Hammernik K,Knoll F,Sodickson DK,Pock T.L2 or not L2:Impact ofLoss Function Design for Deep Learning MRI Reconstruction.In Proceedings ofthe International Society of Magnetic Resonance in Medicine(ISMRM).2017.0687
[21]Ronneberger,Olaf,Philipp Fischer,and Thomas Brox."U-net:Convolutional networks for biomedical image segmentation."InternationalConference on Medical image computing and computer-assistedintervention.Springer,Cham,2015.
[22]Kaiming He,Xiangyu Zhang,Shaoqing Ren,et al."Deep residuallearning for image recognition."Proceedings of the IEEE conference oncomputer vision and pattern recognition.2016.
[23]Kai Zhang,Wangmeng Zuo,Lei Zhang,et al."FFDNet:Toward a fast andflexible solution for CNN-based image denoising."IEEE Transactions on ImageProcessing 27.9(2018):4608-4622.
[24]Kai Zhang,Yawei Li,Wangmeng Zuo,et al."Plug-and-play imagerestoration with deep denoiser prior."arXiv preprint arXiv:2008.13751(2020).
[25]Kostadin Dabov,Alessandro Foi,Vladimir Katkovnik,et al."Imagedenoising by sparse 3-D transform-domain collaborative filtering."IEEETransactions on image processing 16.8(2007):2080-2095.
虽然本发明已参照本发明的优选实施例进行了特别展示和描述，但本领域技术人员将理解，在不脱离本发明的精神和范围的情况下，可以对本发明的形式和细节进行各种改变，并且这些实施例仅仅是本发明的示例，本发明仅受所附权利要求书的限制。具体地，上述详细描述通过举例而非限制的方式例示了本发明。该描述使的本领域技术人员能够制造和使用本发明，并且描述本发明的若干实施例、改型、变体和使用的方法。

Claims (15)

1.一种基于低秩的方法，用于联合去噪扩散加权(DW)磁共振成像(MRI)图像，所述方法包括以下步骤：
使用滑动窗口提取参考图块并且通过块匹配搜索相似图块；对于每个参考图块；
将它的相似图块拉伸为矢量；
将所述矢量m堆叠到矩阵中以形成低秩图块矩阵；
针对每个图块矩阵通过加权核规范最小化(WNNM)模型估计无噪声图块矩阵；
将所估计的图块矩阵转换回图像。
2.根据权利要求1所述的方法，还包括将所述图块矩阵乘以加权矩阵的步骤，所述加权矩阵是由每个图像的噪声水平确定的对角矩阵。
3.根据权利要求1所述的方法，还包括以下步骤：
使用复值图像作为输入使得所述方法将处理高斯分布的噪声；
使用基于图块的噪声估计方法使得所述方法可以用于去噪空间变化的噪声；以及
使用其他判据进行块匹配(例如，SSIM或光度距离)使得结构相似性可以更好地被探索。
4.根据权利要求3所述的方法，还包括在去噪前和去噪后，分别对噪声图像集执行方差稳定变换(VST)和逆VST的步骤，使得赖斯噪声被视为具有单位方差的噪声。
5.根据权利要求1所述的方法，其中通过连结多切片图块矩阵，可以获得低秩图块矢量并且可以对低秩张量近似执行高阶奇异值分解。
6.一种用于从单通道均匀下采样数据重建多对比度磁共振成像的方法，包括以下步骤：
获取复MRI图像数据作为训练数据；
训练重建模型以从高度下采样数据预测复MRI图像数据；
应用经训练的模型以从所述下采样数据重建看不见的复MRI图像数据。
7.一种用于重建多部分傅立叶MRI切片的方法，包括以下步骤：
联合获取具有互补采样模式的至少三个部分傅立叶获取的切片的实部和虚部；
使用深度学习算法生成表示中心切片的估计的残差图像的两个通道的实部和虚部；
将残差获取图像添加到所估计的残差图像以形成重建的复图像。
8.一种用于联合重建具有跨不同对比度的正交下采样方向的多对比度MR数据的2D残差U-Net(Res-UNet)架构，包括：
四个具有残差卷积块的池化层；
用于接收复T1加权图像和复T2加权图像的实分量和虚分量(T2im，T2re，T1im，T1re)的单独通道；
用于在从第一层至第四层中的层之间最大池化/下采样的部件；
用于在从所述第四层至所述第一层中的层之间上采样的部件；以及
用于执行1×1转换以提供给输出的部件。
9.根据权利要求8所述的2D残差U-Net(Res-UNet)架构，其中所述网络使用亚当优化器来训练。
10.一种用于多对比度MRI图像去噪的系统，包括残差U-Net架构，所述系统组合4-比例U-Net和ResNet，在跨步/转置卷积层后和每个残差块内的两个卷积层中间使用ReLU激活。
11.根据权利要求10所述的用于多对比度去噪的系统，其中所述架构根据连接的残差块(Conv2d 3x3)、跨步Conv2d块和转置Corv2D块形成。
12.根据权利要求11所述的用于多对比度去噪的系统，其中所述跨步conv2D块包括卷积层和ReLU激活。
13.根据权利要求11所述的用于多对比度去噪的系统，其中所述转置conv2D块包括转置卷积层和ReLU激活。
14.根据权利要求11所述的用于多对比度去噪的系统，其中不同对比度的图像作为不同通道被输入，并且进一步包括引入作为附加的输入通道的噪声水平图以平衡降噪和细节保留。
15.一种用于利用MRI切片之间结构相似性的通过使用残差U-Net对多个对比度进行降噪的多对比度MRI图像的去噪方法。
CN202280018774.XA 2021-03-03 2022-02-25 用于带去噪磁共振图像重建的系统和方法 Pending CN117223028A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163156225P 2021-03-03 2021-03-03
US63/156,225 2021-03-03
PCT/CN2022/077989 WO2022183988A1 (en) 2021-03-03 2022-02-25 Systems and methods for magnetic resonance image reconstruction with denoising

Publications (1)

Publication Number Publication Date
CN117223028A true CN117223028A (zh) 2023-12-12

Family

ID=83153684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280018774.XA Pending CN117223028A (zh) 2021-03-03 2022-02-25 用于带去噪磁共振图像重建的系统和方法

Country Status (4)

Country Link
US (1) US20240095889A1 (zh)
EP (1) EP4302240A1 (zh)
CN (1) CN117223028A (zh)
WO (1) WO2022183988A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB202303244D0 (en) * 2023-03-06 2023-04-19 Milestone Systems As Joint real-world image denoising and super-resolution
CN116128768B (zh) * 2023-04-17 2023-07-11 中国石油大学(华东) 一种带有去噪模块的无监督图像低照度增强方法
CN117058727B (zh) * 2023-07-18 2024-04-02 广州脉泽科技有限公司 一种基于图像增强的手部静脉图像识别方法及装置
CN117095073A (zh) * 2023-08-23 2023-11-21 浙江大学 一种基于深度学习的医学图像的去噪方法及装置
CN117058045A (zh) * 2023-10-13 2023-11-14 阿尔玻科技有限公司 压缩图像的重构方法、装置、系统及存储介质
CN118071661B (zh) * 2023-12-12 2024-08-02 东莞力音电子有限公司 基于图像分析的喇叭线圈显微镜图像增强方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204468B (zh) * 2016-06-27 2019-04-26 深圳市未来媒体技术研究院 一种基于ReLU卷积神经网络的图像去噪方法
CN108287324B (zh) * 2018-01-03 2020-05-15 上海东软医疗科技有限公司 磁共振多对比度图像的重建方法和装置
CN108896943B (zh) * 2018-05-10 2020-06-12 上海东软医疗科技有限公司 一种磁共振定量成像方法和装置
JP2020202988A (ja) * 2019-06-18 2020-12-24 株式会社日立製作所 画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置
CN110992440B (zh) * 2019-12-10 2023-04-21 中国科学院深圳先进技术研究院 弱监督磁共振快速成像方法和装置
CN111784788A (zh) * 2020-06-04 2020-10-16 深圳深透医疗科技有限公司 一种基于深度学习的pet快速成像方法和系统

Also Published As

Publication number Publication date
US20240095889A1 (en) 2024-03-21
WO2022183988A1 (en) 2022-09-09
EP4302240A1 (en) 2024-01-10

Similar Documents

Publication Publication Date Title
Dar et al. Prior-guided image reconstruction for accelerated multi-contrast MRI via generative adversarial networks
Ghodrati et al. MR image reconstruction using deep learning: evaluation of network structure and loss functions
Qin et al. Convolutional recurrent neural networks for dynamic MR image reconstruction
Lee et al. Deep residual learning for accelerated MRI using magnitude and phase networks
WO2022183988A1 (en) Systems and methods for magnetic resonance image reconstruction with denoising
Souza et al. Dual-domain cascade of U-nets for multi-channel magnetic resonance image reconstruction
Do et al. Reconstruction of multicontrast MR images through deep learning
Shi et al. Parallel imaging and compressed sensing combined framework for accelerating high‐resolution diffusion tensor imaging using inter‐image correlation
Lam et al. Constrained magnetic resonance spectroscopic imaging by learning nonlinear low-dimensional models
Lee et al. Deep artifact learning for compressed sensing and parallel MRI
Aggarwal et al. MoDL-MUSSELS: model-based deep learning for multishot sensitivity-encoded diffusion MRI
El‐Rewaidy et al. Deep complex convolutional network for fast reconstruction of 3D late gadolinium enhancement cardiac MRI
US10101424B2 (en) Robust principal component analysis for separation of on and off-resonance in 3D multispectral MRI
US20200300957A1 (en) Method for Estimating Systematic Imperfections in Medical Imaging Systems with Deep Learning
Dar et al. Synergistic reconstruction and synthesis via generative adversarial networks for accelerated multi-contrast MRI
Ertürk et al. Denoising MRI using spectral subtraction
Pawar et al. A deep learning framework for transforming image reconstruction into pixel classification
Defazio et al. MRI banding removal via adversarial training
Terpstra et al. ⊥-loss: A symmetric loss function for magnetic resonance imaging reconstruction and image registration with deep learning
Lv et al. Parallel imaging with a combination of sensitivity encoding and generative adversarial networks
US20230380714A1 (en) Method and system for low-field mri denoising with a deep complex-valued convolutional neural network
CN117011409A (zh) 多部位物理智能高清扩散磁共振数据生成方法
Li et al. Learning ADC maps from accelerated radial k‐space diffusion‐weighted MRI in mice using a deep CNN‐transformer model
CN113866694B (zh) 一种快速三维磁共振t1定量成像方法、系统及介质
CN114299174B (zh) 一种基于深度无监督学习的多回波欠采样重建—水脂分离方法

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