CN117881975A - 利用白噪声对图像进行约束重建的系统和方法 - Google Patents

利用白噪声对图像进行约束重建的系统和方法 Download PDF

Info

Publication number
CN117881975A
CN117881975A CN202180101723.9A CN202180101723A CN117881975A CN 117881975 A CN117881975 A CN 117881975A CN 202180101723 A CN202180101723 A CN 202180101723A CN 117881975 A CN117881975 A CN 117881975A
Authority
CN
China
Prior art keywords
variable
snr
processor
modified
acquired
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
CN202180101723.9A
Other languages
English (en)
Inventor
P·D·考肯尼
E·M·哈克
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.)
Spintech Inc
Original Assignee
Spintech Inc
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 Spintech Inc filed Critical Spintech Inc
Publication of CN117881975A publication Critical patent/CN117881975A/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
    • G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (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)

Abstract

本发明提供一种磁共振成像(MRI)系统，所述系统可包括处理器和存储器。所述处理器可接收具有第一信噪比(SNR)的获取的磁共振(MR)数据集。所述处理器可从所述获取的MR数据集提取对应于具有第二SNR的第一变量的第一值集以及对应于第二变量的第二值集。所述处理器可应用约束函数，所述约束函数包括所述第一变量和所述第二变量的函数。所述处理器可根据约束函数使代价函数最小化，以生成代价函数解。所述处理器可将所述第一变量和所述第二变量输入到所述代价函数解中，以生成具有第三SNR的修改的第一变量，所述第三SNR大于所述第二SNR。

Description

利用白噪声对图像进行约束重建的系统和方法
背景技术
磁共振成像(MRI)是用于对人体中以及动物和一些材料中的软组织进行成像的公认方式。MRI本质上是低效的，因为在室温下可用的磁化是有限的。可以极化的自旋越多，成像的信噪比(SNR)就越好。因此，MRI场已将高场人体成像的极限从3T提升到7T，并且最近又提升到近12T。增加磁场的原因可包括更好的SNR、更好的分辨率、更快的成像、新颖的对比机制、以及更好的频谱分辨率。然而，与在高磁场处成像有关的问题可能包括成本高、功率沉积增加以及给定回波时间的磁化率效应降低。这可能导致需要更大的梯度强度来补偿不良的局部场。在这些条件下，可以预计SNR只随着主场强的平方根而增加。当今MRI研究的主要目标之一是找到通过信号处理手段提高SNR的方法，并绕过对更高场强及其相关更高费用的需求。
发明内容
利用白噪声对图像进行约束重建(CROWN)的系统和方法可以提供一种强大的解决方案来提高SNR，而无需像大多数其他旨在提高SNR的方法那样修改或模糊图像结构。CROWN可以针对质子自旋密度(PD)估计、任意翻转角度的图像、以及可从T1、PD和T2*知识导出的任何其他MRI脉冲序列的图像改善SNR。CROWN可以与策略性获取梯度回波(STAGE)成像、任何其他多翻转角度方法、或任何生成自旋密度图和T1图两者的方法结合使用。CROWN可用于SNR本质上有限的低场强应用。CROWN也可以应用于两个变量相关的任何系统。
本公开的至少一个方面涉及一种磁共振成像(MRI)系统。MRI系统可以包括处理器和存储器。处理器可以接收具有第一信噪比(SNR)的获取的磁共振(MR)数据集。处理器可以从获取的MR数据集中提取对应于具有第二SNR的第一变量的第一值集以及对应于第二变量的第二值集。处理器可以应用约束函数，该约束函数包括第一变量和第二变量的函数。处理器可以根据约束函数使代价函数最小化以生成代价函数解。处理器可以将第一变量和第二变量输入到代价函数解中以生成具有第三SNR的修改的第一变量，第三SNR大于第二SNR。
本公开的另一方面涉及一种磁共振成像的方法。该方法可以包括由至少一个处理器接收具有第一SNR的获取的MR数据集。该方法可以包括由至少一个处理器从获取的MR数据集中提取对应于具有第二SNR的第一变量的第一值集以及对应于第二变量的第二值集。该方法可以包括由至少一个处理器使用约束函数，该约束函数包括第一变量和第二变量的函数。该方法可以包括由至少一个处理器根据约束函数使代价函数最小化以生成代价函数解。该方法可以包括由至少一个处理器将第一变量输入到代价函数解中以生成具有第三SNR的修改的第一变量，第三SNR大于第二SNR。
本领域的技术人员将了解，概述仅为说明性且并不旨在以任何方式进行限制。如仅通过权利要求书所定义，本文所描述的装置和/或过程的其它方面、发明特征以及优点将在本文中且结合附图阐述的具体实施方式中变得显而易见。
附图说明
在附图和以下描述中阐述本说明书中描述的主题的一个或多个具体实施的细节。主题的其它特征、方面及优点将从说明书、附图及权利要求书变得显而易见。
图1示出了根据实施例的针对一个点的代价函数的最小化的图。
图2示出了根据实施例的针对多个点的代价函数的最小化的图。
图3A示出了根据实施例的使用STAGE计算R2*的流程图。
图3B示出了根据实施例的使用STAGE计算ρ的流程图。
图3C示出了根据实施例的使用STAGE计算T1的流程图。
图4示出了根据实施例的使用CROWN处理计算ρCROWN和的流程图。
图5示出了根据实施例的使用CROWN处理计算ρAVG-CROWN的流程图。
图6示出了根据实施例的使用CROWN处理计算R2* AVG-CROWN的流程图。
图7示出了根据实施例的使用CROWN处理计算的流程图。
图8示出了根据实施例的使用CROWN处理计算的流程图。
图9A至9E示出了根据实施例的在图3A至3C中和图4至8中描述的ρeff图和ρ图。
图10示出了根据实施例的在模拟中使用的测试图像。
图11示出了根据实施例的CROWN处理的模拟结果。
图12示出了根据实施例的在多个STAGE PD图上执行的CROWN处理的示例。
图13示出了根据实施例的针对STAGE和CROWN处理图的不同组合的R1值相对β值的散点图。
图14A至14H示出了根据实施例的针对正向模拟数据的CROWN处理的功效。
图15示出了根据实施例的生成ρ和R2*图的不同方法的示例。
图16A至16B示出了根据实施例的R1值的校正以消除T1降低铁的性质。
图17A至17E示出了根据实施例的铁校正之前和之后的R1以及由CROWN产生的结果PD图的示例。
图18示出了根据实施例的磁共振成像方法。
各个附图中相似的附图标记和名称表示相似的元件。
具体实施方式
以下是与用于利用白噪声对图像进行约束重建的方法、装置和系统相关的各种概念及这些方法、装置和系统的具体实施的更详细描述。上文介绍并在下文更详细地论述的各种概念可以许多方式中的任一者来实施，因为所描述的概念不限于具体实施的任何特定方式。特定具体实施和应用的实例主要是出于说明性目的而提供。
提高SNR的一种方式是对数据进行平均。然而，获取数据N次可能会花费N倍的时间，但只会得到SNR的关于的提高。因此，由于MRI扫描需要更长的时间，临床上可以扫描的患者更少。提高SNR的另一种方式是对数据进行过滤。例如，汉宁(Hanning)滤波器可以消除吉布斯(Gibbs)振铃并提高SNR。然而，这种方法会导致图像模糊(例如，分辨率损失)。在过程中不破坏分辨率的情况下提高SNR并因此提高图像质量的通常(例如，常规)方法可以包括使用保边滤波器。这可以通过多种方式来实现，以保留图像中的高空间频率分量。可能不需要像汉宁滤波器那样抑制高k空间信号。各向异性扩散滤波器(ADF)可用于提高SNR。尽管ADF在SNR较高时可以保留边缘，但ADF仍然会在一定程度上使图像模糊。一些技术使用人工智能通过训练不同的模型来减少噪声。然而，这些模型可以使用单一类型的对比度进行训练，并且仅适用于该对比度。每次改变对比度时，这些模型可能需要在数百或数千个案例上进行训练。这些算法可能会导致图像出现一定程度的退化，这可以被识别为相对于原始数据的残留模糊。
在本公开中，描述了用于利用白噪声对图像进行约束重建(例如，CROWN、CROWN处理等)的系统和方法。CROWN可以通过使用约束来允许增强的(例如，改进的)SNR而不丢失细节。CROWN可与策略性获取梯度回波(STAGE)成像一起使用，如下所述。然而，CROWN可用于任何可以生成自旋密度(例如水含量)和T1图的方法。更一般地，CROWN可以用于收集通过两个或更多个变量在函数上彼此相关的两个或更多个图像的任何系统和/或方法。CROWN可用于在不损失图像分辨率的情况下提高SNR。
STAGE成像可以包括快速、多对比度、多回波、梯度回波成像方法。它可以使用至少两个翻转角来估计质子自旋密度(PD)和T1(例如，纵向弛豫时间)图。一般来说，在MRI中，水含量(例如，PD)驱动T1和T2*。因此，可以确定(例如，写出、指定、形成等)含水量与T1、或含水量与T2*之间的关系(例如，线性关系)。该关系可用于降低PD图像中的噪声水平，和/或针对给定回波时间的任何翻转角度生成更高质量的模拟图像。CROWN可应用于具有低SNR的数据，并可改进通过利用高并行成像加速因子、高分辨率收集的或从具有少量通道的射频接收线圈(例如，RF线圈)收集的数据。此外，与传统方法相比，CROWN处理速度极快，并且可以降低白噪声水平，而不会降低边缘或图像细节。
变量之间的关系可用于以减少噪声的方式约束数据(例如，MRI数据)。例如，这可以包括和纵向弛豫时间/>之间的关系。自旋密度和T1之间的关系可用于以减少噪声的方式约束数据。
例如，考虑公式1描述的以下线性关系：
R1＝αβ+b (1)
STAGE可以收集两个数据集。每个数据集都可能有噪声。这反过来会导致自旋密度图和T1图两者中产生噪声。通常，自旋密度图可能非常嘈杂，尤其是在使用也有噪声的单独T2*图校正T2*(1/R2*)后。图(例如，自旋密度图、T1图等)可以包括整个图像中的点处的一变量值集(例如，自旋密度、T1等)。例如，自旋密度图可以指示每个像素处的自旋密度值。
使用CROWN处理可以增强自旋密度图像中的SNR。为了实现这一点，可以确定公式2中描述的以下代价函数，以根据测量数据(R1',β')计算估计点(R1est,βest)：
C(β，R1)＝min((β-β′)2+(R1-R1′)2) (2)
将公式1中的R1代入公式3：
C(β，R1)＝min((β-β′)2+((aβ+b)-R1′)2) (3)
求C(β，R1)关于β的导数，并将其设置为零，得到公式4和公式5：
R1est＝α·βest+b (5)
这些预测值(例如,βest和R1est)可以包括值的投影(R1′，β′)到(R1′，β)，其落在由公式1表示的直线上。(R1est，βest)的这些新值表示新的CROWN值。对于不同的TE，可以修改R1(1/T1)和β(1/ρ)之间的关系。随着TE的变化，公式6中描述的“有效”自旋密度ρeff也会相应变化。
针对一个点的最小化的效果在图1中以图形/几何方式示出。图1示出了针对一个点的代价函数最小化的图。展示了代价函数(例如，公式2)最小化的图形表示。一旦确定了β和R1之间的线性关系，任何位于线外的带有噪声的测量点(β′,R1′)都可以使用公式2的代价函数的建议解(例如，代价函数解)映射回其估计(βest，R1est)。
针对多个点最小化的效果在图2中以图形/几何方式示出。图2示出了针对多个点的代价函数的最小化的图。示出了表示公式1的R1和β之间的线性关系的图形表示，以及噪声测量(十字)到其估计(圆圈)到CROWN处理后的直线的投影。
为了应用CROWN，可以从公式1确定线性系数a和b。可以对大脑白质(WM)、灰质(GM)和脑脊液(CSF)中的T1、自旋密度和T2*组织参数例如，如果需要有效自旋密度)进行假设。3T场强所用的值如表1所示。
组织 T1(ms) ρ T2*(ms)
CSF 4500 1 2000
GM 1611 0.84 60
WM 850 0.68 53
表1示出了在3T处假定的组织参数值，以确定CROWN系数。
这些值可以在(β,R1)轴上提供三个样本点，可用于执行线性回归并提取斜率a和截距b。在这种情况下，可以通过使回归线穿过代表CSF的点来拟合该线。当TE＝0ms(例如，没有T2*效应)时，系数a和b可以分别为2.03/秒和-1.81/秒。为了考虑T2*效应，可以通过因子调整自旋密度值，并且可以使用表2中提供的不同TE的新系数重新执行线性回归。
表2示出了针对不同回波时间的R1和β之间的关系。R1和β之间的线性关系可以根据多回波STAGE图像的回波时间来选择。
在应用CROWN之前可以解决的一个问题是，从STAGE生成的自旋密度图值是任意缩放的，而CROWN系数可以通过将自旋密度表示为0到1范围内的无单位百分比来确定。因此，自旋密度图可以归一化为CSF，可以假设其具有单位的自旋密度(例如，假设最大自旋密度为水并归一化为1.0)。在应用CROWN之前可以解决的另一个问题是，STAGE中的T1和自旋密度图两者中的CSF值可能会有噪声。这可能是仅使用两个翻转角(例如，一个翻转角大致等于CSF的恩斯特角，并且另一个翻转角大于CSF的恩斯特角)来生成这些图的副产品。以下过程可以解决这些问题。
CSF可用于将自旋密度归一化为水的无单位测量值，范围为0到1(因为CSF是100％水)。为了确定所需的比例值并归一化整个PD图，可以使用T1图确定脑室中CSF像素的位置。这可以通过以下方法来实现。首先，可以使用视场(FOV)中间板内CSF的T1阈值来实现此目的。使用板而不是整个3D数据集可以有助于避免数据中自旋密度的任何全局变化。该板可以由足够的切片组成，以有效保证脑室位于其内。对于256mm x 192mm x 128mm的典型STAGE脑扫描FOV，假设受试者正确居中，FOV的中央20mm可以捕获脑室。为了减少有效自旋密度的全局变化并确保CSF自旋密度在整个脑中保持一致，可以使用STAGE消除射频(RF)穿透效应和RF接收线圈效应。作为替代方法，为了确保用于对自旋密度进行归一化的区域具有最佳的信噪比，可以确定将3D对象与尺寸a x b x c(例如，其中a x b可以是20mm x20mm，并且c可以是10mm)关联起来的总和的最大值，其中每个像素在中心切片上方和下方的垂直方向上或在整个对象中具有与T1图一致的值。此过程可以选择具有最多CSF相关像素的感兴趣区域(ROI)(例如，以脑室为中心的ROI)。这种方法可以确保仅捕获脑室，而不捕获任何皮质CSF。从数学上来说，这可以用公式7来描述：
rcsf＝argmaxr{W(r)*T1(r)} (7)
其中W(r)表示a x b x c 3D矩形框，内部的值为1，外部的值为0，T1(r)是T1图，*是卷积算子，并且argmaxr返回使括号内的值最大化的r值。因此，rcsf可以是框的提供最高卷积值的位置，假设该框足够大以包含所有脑室，则该位置预计主要代表脑室。
SCSF-MID可以是板内或所选ROI内的像素位置的集合ri,j,k，这些像素位置也满足条件{(4300ms-ΔT1CSF)<T1(ri,j,k)<(4300ms+ΔT1CSF)}，其中可以调整ΔT1CSF来改变CSF T1窗口的宽度。ΔT1CSF可以是500ms。SCSF-MID中的大多数这类像素可以位于脑室内。像素集SCSF-MID的平均PD值可以用来表示公式8描述的PD范围值：
其中N是SCSF-MID中像素位置的数量。归一化的PD图可以从表达式PDnorm＝PD/PD范围计算出来。
可以在T1图和PD图两者中识别和替换表现不佳的CSF值。T1图阈值可再次用于执行此操作。然而，与仅识别不良像素相比，捕获尽可能多的CSF像素并用已知的CSF值加上一些噪声替换它们会更容易。T1图的低通滤波器也可用于帮助捕获脑室内的一些像素位置，这些像素位置由于噪声而具有极低的T1值。SCSF可以是满足条件{T1(ri,j,k)>(4300ms-|offset|)或LP{T1}(ri,j,k)>(4300ms-|offset|)}的像素位置的集合ri,j,k，其中LP代表低通平均滤波器，并且可以调整“offset(偏移)”以捕获更多的CSF，但冒着捕获内容中包括其他组织的风险。最终的T1图和PD图可由公式9和公式10描述：
其中表示具有平均值M和标准差σ的正态分布随机变量。可以选择σT1和σPD的值以最好地匹配每个对应图的其余部分中的噪声。σT1和σPD的值分别为50ms和0.03，可以很好地处理来自不同扫描仪的各种STAGE数据。当合成噪声的结果看起来不自然时，这些值可能需要针对SNR非常高或非常低的数据进行调整。例如，还可以通过以下方式应用相同的过程：对内核大小为3x3x1的原始T1和PD数据使用平均滤波器作为输入以提高SNR。对经校正和归一化的数据执行CROWN后，可以用下标CROWN来标记新的自旋密度图(例如，ρeff-CROWN)。该CROWN PD结果ρeff-CROWN可以具有零到单位之间的值。最终的CROWN PD结果ρCROWN可以具有零到单位之间的值。
可以使用CROWN生成改进的ρ和R2*。改进的ρ图(例如，没有R2*加权)和R2*图可以通过多种不同的方式生成。描述了生成这些图的传统STAGE方法以及使用CROWN生成改进的ρ和R2*图的三种不同方法。
在某些方法中，STAGE可以利用来自多个翻转角度和回波的数据来生成PD、T1和R2*的图。对于M翻转角和N回波，使用的数据集总数可以是MxN。对于每个翻转角M，可以对回波N执行最小二乘拟合以生成R2*的图。这可以产生MR2*图，然后可以将其平均以形成最终的STAGE R2*图。接下来，对于每个回波，可以对M翻转角集合执行最小二乘拟合，以生成NT1图和有效PD图(T2*加权)ρeff。NT1图可以一起平均以获得最终的STAGE T1图。STAGE R1图可以是该平均T1图的倒数。然后，可以使用STAGE R2*图校正每个N有效PD图以生成NPD图(TE＝0ms)。NPD图可以一起平均以获得最终的STAGE PD图(ρAVG)。这些步骤在图3A至3C中呈现为数据流程图。图3A示出了使用STAGE计算R2*的流程图。图3B示出了使用STAGE进行计算ρ的流程图。图3C示出了使用STAGE计算T1的流程图。
利用白噪声对图像进行约束重建(CROWN)可以包括磁共振成像系统。MRI系统可以包括至少一个处理器。MRI系统可以包括存储器，其上存储有计算机代码指令。计算机代码指令在由至少一个处理器执行时可以使得至少一个处理器接收获取的MR数据集。获取的MR数据集可以具有第一SNR。第一SNR可以包括获取的MR数据集的SNR。
处理器可以从获取的MR数据集中提取对应于第一变量的第一值集。第一变量可以具有第二SNR。第二SNR可以包括第一变量的SNR。第一变量可以包括(例如，对应于)例如自旋密度、β、磁化率或另一变量。第一变量可以对应于自旋密度的倒数(1/β)。第一变量可以对应于磁化率。获取的数据可以包括对应于第一变量的值。可以处理获取的数据以产生第一变量。
处理器可以从获取的MR数据集中提取对应于第二变量的第二值集。第二变量可以包括(例如，对应于)例如T1、R1、T2*或另一变量。第二变量可以对应于T1的倒数。第二变量可以对应于R2*。第二变量可以与第一变量相关(例如，函数相关)。例如，T1的倒数可以通过关系(例如，线性关系)与自旋密度的倒数相关。R2*可以通过关系(例如，线性关系)与磁化率相关。R2*可以通过关系(例如，线性关系)与自旋密度的倒数相关。两个或多个变量之间的关系可用于导出约束函数。获取的数据可以包括对应于第二变量的值。可以处理获取的数据以产生第二变量。
处理器可以应用(例如，使用、建立、识别、实现、执行等)约束函数(例如，关系、线性关系、关联等)。约束函数可以包括第一变量和第二变量的函数。约束函数可以用公式1来描述。约束函数可以包括考虑组织中铁的存在的分量。例如，两个或多个变量之间的关系可以考虑并用于校正铁的存在。约束函数可以包括考虑每个回波时间(例如，TE1、TE2、TE3等)的分量。
计算机代码指令可以使得至少一个处理器根据约束函数使代价函数最小化(例如，成本)以生成代价函数解。代价函数可以用公式2来描述。代价函数解可以包括由公式4和公式5描述的预测值。
处理器可以将第一变量和第二变量输入到代价函数解中以生成具有第三SNR的修改的第一变量。第三SNR可以大于第二SNR。第三SNR可以包括修改的第一变量的SNR。处理器可以生成任意翻转角度(例如，0°、3°、6°、9°、12°、15°、18°、21°、24°等)的模拟数据集。例如，处理器可以使用修改的第一变量、以及第二变量生成任意翻转角的模拟数据集。可以为任意翻转角度创建一个或多个图像。此外，还可以为任何MRI脉冲序列创建一个或多个图像。
处理器可以从获取的MR数据集中提取对应于第三变量的第三值集。第三变量可以包括例如R1*或T2*。处理器可以应用(例如，使用)约束函数。约束函数可以是第一变量、第二变量和第三变量的函数。MRI数据集可以包括三个以上的变量(例如，多个变量)。约束函数可以是多个变量或者多个变量的子集的函数。对于两个变量之间存在线性关系的情况，约束函数可以用公式y＝mx+b描述。对于多个变量之间存在线性关系的情况，约束函数可以用公式y＝∑imixi+b描述。
利用白噪声对图像进行约束重建(CROWN)可以包括多种方法。例如，在第一种方法(例如，方法1、CROWN方法1等)中，CROWN可以用于改进每个有效自旋密度图，在每个TE处给出ρeff-CROWN。一旦使用CROWN来改进每个有效自旋密度图，就可以逐个像素地拟合表达式该公式可以将信号的斜率作为TE为-R2*和截距为lnρCROWN的函数给出，从中可以获得ρCROWN和/>的值。与图像ρ和R2*的SNR相比，这些新图像ρCROWN和/>可以具有更高的SNR。多个回波CROWN数据可用于生成ρCROWN和第一种方法可以包括以下步骤：(1)针对每个回波生成ρeff-CROWN，(2)对这些数据的对数执行最小二乘拟合，(3)使用截距来确定ρCROWN，以及(4)使用斜率来确定/>图4示出了使用CROWN处理计算ρCROWN和/>的流程图。
获取的MR数据集可以包括对应于第一翻转角和第二翻转角的数据。例如，第一翻转角可以包括低翻转角(例如，小于恩斯特角的角度)。恩斯特角(θE)通过cos(θE)＝exp(-TR/T1)定义。恩斯特角可以包括用于激发特定自旋的翻转角(例如，尖端角、章动角等)，该自旋对于给定TR和T1给出针对任何翻转角的最大信号强度。第二翻转角可以包括高翻转角(例如，大于恩斯特角的角度)。获取的MR数据集可以通过使用至少一个回波时间(例如，TE1、TE2、TE3等)对解剖区域进行成像来获取。
在第二种方法(例如，方法2、CROWN方法2等)中，可以通过拟合原始多回波STAGE数据或使用CROWN处理从方法1确定R2*。一旦确定了R2*，就可以通过重新排列公式6，来校正来自每个回波的有效自旋密度，以生成没有R2*加权的ρ图。通过使用CROWN R2*，这些ρ图中的每个都可能相当嘈杂，但通过CROWN处理，SNR可以显著提高。一种具体实施是分别对a和b使用2.03/秒和-1.81/秒的系数，然后对所得到的图像进行平均，得到最终的CROWNρ图ρAVG-CROWN。这可以提供方法1的替代方法来生成ρCROWN。
为了进一步生成改进的R2*图，可以取来自STAGE的原始有效自旋密度图与平均零回波时间自旋密度之比的对数来给出ln[ρeff/ρavg-CROWN]＝-TE R2*。由于TE已知，因此可以根据每个回波计算R2*图，然后再次平均以得到最终图。
第二种方法可以包括以下步骤：(1)使用传统的STAGE方法针对每个回波生成ρeff，(2)使用传统的STAGE方法生成STAGE R2*，(3)使用公式6和ρeff以及STAGE R2*来针对每个回波确定(例如，ρTE1、ρTE2等)确定ρ，(4)对每个ρ应用CROWN以获得针对每个回波的ρCROWN(例如，ρTE1-CROWN,ρTE2-CROWN等)，(5)将它们一起平均以获得ρAVG-CROWN,(6)使用公式6和ρeff以及ρAVG-CROWN来确定针对每个回波的新R2*，(7)将它们一起平均以获得最终图5示出了使用CROWN处理计算ρAVG-CROWM的流程图。图6示出了使用CROWN处理计算R2* AVG-CROWN的流程图。
在第二种方法中，获取的MR数据集可以包括对应于第一翻转角和第二翻转角的数据。获取的MR数据集可以通过使用至少一个回波时间(例如，TE1、TE2、TE3等)对解剖区域进行成像来获取。处理器可以生成第三变量的第一计算值。第三变量可以对应于R2*。第三变量可以具有第四SNR。处理器可以使用修改的第一变量来生成修改的第三变量的第二计算值。修改的第三变量可以包括修改的第三变量可以具有第五SNR。第五SNR可以大于第四SNR。
在一些实施例中，获取的MR数据集可以包括对应于多个回波时间的第一翻转角和第二翻转角的数据。处理器可以生成多个回波时间上的第一变量和修改的第一变量中的至少一个的加权平均值。例如，处理器可以生成自旋密度(例如，ρAVG-CROWN)或R2*(例如，)的加权平均值。
第三种方法(例如，方法3、CROWN方法3等)可以与第二种方法类似，除了从开始ρeff-CROWN而不是ρeff，来改进PD和R2*(例如，使用获得ρavg-CROWN然后ln[ρeff-CROWN/ρavg-CROWN]以获得/>)。第三种方法可以包括以下步骤：(1)为每个回波生成ρeff-CROWN，(2)使用传统STAGE方法生成STAGE R2*，(3)使用公式6和ρeff-CROWN以及STAGE R2*来确定每个回波的ρCROWN(例如，ρTE1|CROWN、ρTE2|CROWN等)，(4)再次将CROWN应用于每个ρCROWN以获得每个回波的ρCROWN 2(例如，ρTE1-CROWN 2、ρTE2-CROWN 2等)，(5)将它们一起平均以得到获得ρAVG-CROWN 2，(6)使用公式6和ρeff-CROWN以及ρAVG-CROWN 2来确定每个回波的新R2*，(7)对它们进行平均以获得最终的/>图7示出了使用CROWN处理计算/>的流程图。图8示出了使用CROWN处理计算/>的流程图。
在第三方法的一些实施例中，获取的MR数据集可以包括对应于第一翻转角和第二翻转角的数据。获取的MR数据集可以通过使用至少一个回波时间(例如，TE1、TE2、TE3等)对解剖区域进行成像来获取。修改的第一变量可以包括第一修改的第一变量。第一修改的第一变量可以包括有效自旋密度(例如，ρeff)。处理器可以生成第三变量的第一计算值。第三变量可以对应于R2*。第三变量可以具有第四SNR。处理器可以使用至少两个回波时间中的每个回波时间处的第一修改的第一变量、以及第三变量来生成第二修改的第一变量(例如，ρTE1|CROWN、ρTE2|CROWN、ρTE3|CROWN等)。处理器可以使用(例如，应用)在至少两个回波时间中的每个回波时间处的第二修改的第一变量、以及第二变量作为代价函数解的输入，以生成第三修改的第一变量(例如，ρTE1-CROWN 2、ρTE2-CROWN 2、ρTE3-CROWN 2等)具有第六SNR。第六SNR可以大于第三SNR。
在第三方法的一些实施例中，处理器可以生成第三变量的第二计算值(例如，R2*TE1-CROWN 2、R2*TE2-CROWN 2、R2*TE3-CROWN 2等)。第三变量可以对应于R2*。第三变量可以具有第七SNR。第七SNR可以大于第四SNR。
在一些实施例中，获取的MR数据集可以包括对应于多个回波时间的第一翻转角和第二翻转角的数据。处理器可以生成多个回波时间上的第一变量和修改的第一变量中的至少一个的加权平均值。例如，处理器可以生成自旋密度的加权平均值(例如，ρAVG-CROWN 2)或R2*(例如，R2*AVG-CROWN 2)。在一些实施例中，处理器可以生成自旋密度图像(例如，TE＝0、真实自旋密度图像等)。
与方法2相比，方法3中的一些中间步骤可以使用一些略有不同的符号。由于在方法3中，在校正R2*(生成ρeff-CROWN)之前应用CROWN，因此可以将R2*校正后的这些ρ图称为ρTEi|CROWN。然后，在第二次应用CROWN之后，可以使用符号CROWN 2。表3示出了带有描述的术语表。
/>
表3示出了本公开中描述的图3A至3C和图4至8中使用的不同术语的描述。表3示出了术语在哪种方法中使用和/或从哪种方法生成。例如，ρAVG可以在传统的STAGE方法中生成，但不能在方法1至3中的任何一种中使用。另一方面，ρTEi-CROWN可以在方法2中生成，并在其中进一步用于生成最终的ρAVG-CROWN和R2*AVG-CROWN。
处理器可以生成具有第八SNR的模拟MR数据集。第八SNR可以大于第一SNR。处理器可以通过使用修改的第一变量来生成模拟MR数据集。模拟MR数据集可以具有比获取的数据集的SNR更大的SNR。
在一些实施例中，获取的MR数据集包括第一回波时间集。处理器可以生成模拟MR数据集。模拟MR数据集可以包括第二回波时间集。第二回波时间集可以不同于第一回波时间集。处理器可以通过使用修改的第一变量、和第二变量以及修改的第三变量，来生成模拟MR数据集。
图9A至9E示出了图3A至3C和图4至8中描述的ρeff图和ρ图。ρeff图和ρ图可以对应回波时间为7.5ms的单个回波。图9A描绘了执行任何CROWN之前的ρeff(TE1)，并且对应于图3B。图9C描绘了执行任何CROWN之前的ρTE1，并且对应于图5。图9B描绘了ρeff-CROWN(TE1)，并且其如何使用可以在图4、7和8中看到。图9D描绘了ρTE1-CROWN，其可以是对图9C的ρTE1执行CROWN的结果。CROWN后黑质(SN)和红核(RN)的对比度可以出现增加，这可能是由于未针对铁校正R1图。图9E描绘了来自图7的ρTE1-CROWN 2，并且是针对R2*校正ρeff-CROWN(TE1)然后第二次应用CROWN的结果。
可以从CROWN PD和T1图生成新图像。CROWN图像还可用于模拟具有原始翻转角度的图像，并创建比原始收集的质量更高的图像。对于给定的组织参数T1、ρ和T2*，以及成像参数TR、TE和翻转角θ，来自损坏的GRE扫描的预测信号S由公式11给出：
这些CROWN处理过的图可以输入到公式11中，以重新生成用于创建它们的损坏的GRE数据集。结果的SNR可以与原始图像进行比较。此外，任何具有数学上充分理解的信号行为(作为T1、PD和T2*的函数)的扫描都可以使用任何成像参数进行模拟。这可以提供比使用实际序列获得的SNR更好的SNR，使得CROWN处理成为提高SNR的强大工具，甚至对于最初收集的数据也是如此。
图10示出了模拟中使用的测试图像。模拟中可以使用五种不同的组织类型。每个环形区域可以代表一种组织类型。可以添加没有强度的背景正方形作为外部区域。测试图像可以由一组嵌入的正方形构建，每个环形区域代表一种组织类型。首先，可以使用公式11计算原始信号强度。模拟中可以使用自旋密度值范围为0.6、0.7、0.8、0.9和1的五种组织，并可以使用R1＝2.03/秒*β-1.81/秒计算相应的T1值。25ms的TR和0ms的TE可用于生成6°和24°两者数据。外边界区域可以设置为具有零信号强度。表4给出了6°和24°幅度图像的最终值。
区域1 区域2 区域3 区域4 区域5
6°幅度 55.18 61.06 64.4 63.18 52.44
24°幅度 77.35 68.94 56.98 41.99 24.39
PD图 600 700 800 900 1000
T1图 635.59 917.43 1374.57 2244.4 4545.45
表4示出了在模拟区域1至5的MRI幅度时使用的初始信号，以生成常规和CROWN PD和T1图。
作为示范案例，可以将高斯噪声添加到原始信号中。噪声量可设置为6°幅值图像中区域1信号的10％。其次，可以根据公式11的线性变换生成PD和T1图。最后，可以在PD和T1图上应用CROWN以消除噪声。可以再现6°和24°幅度图像，以将结果与原始数据进行比较。图11示出了CROWN处理的模拟结果。为了模拟更真实的情况，可以向每个图像添加10％高斯噪声(例如，相对于6°幅度图像的中心方块的信号)。可以使用6°和24°幅度图像生成PD和T1图，然后可以在这两个图上应用CROWN处理。CROWN处理的PD图和原始T1图可用于再现6°和24°幅度图像。
对于成像方法，可以在两台不同的MRI扫描仪上从两个不同的个体收集两STAGE数据集。第一STAGE数据集可以使用以下成像参数在带有64通道头/颈线圈的3T西门子Prisma扫描仪上收集：分辨率为0.67mm x 1mm x 1.34mm；FOV＝256mm x 192mm(最终矩阵384x288)；TE1＝7.5ms，TE2＝15ms，TE3＝22.5ms；TR＝29ms；带宽＝180Hz/像素；FA＝6°和27°；PFP＝7/8；使用椭圆采样；轴向成像平面；以及并联加速因子＝3。总成像时间可为6分42秒。
第二STAGE数据集可以使用以下成像参数在具有16通道头/颈线圈的3T西门子Skyra上收集：分辨率为0.67mm x 1mm x 1.34mm；FOV＝256mm x 192mm(最终矩阵384x288)；TE1＝7.5ms，TE2＝12.5ms，TE3＝17.5ms；TR＝25ms；带宽＝220Hz/像素；FA＝6°和24°；部分傅里叶因子＝7/8；使用椭圆采样；以及并联加速因子＝2。总成像时间可为8分30秒。获取后，可以处理STAGE数据以生成T1和有效自旋密度图，两者均针对B1发射/接收不均匀性进行了校正。
图12示出了对多个STAGE PD图执行的CROWN处理的示例。STAGE PD图可以根据3T西门子Prisma STAGE数据创建。STAGE行(例如，顶行)的回波时间为零(TE＝0ms)可以通过三个有效STAGE PD图的线性拟合的截距来确定(例如，类似于方法1，除了使用ρeff而不是ρeff-CROWN)。使用的CROWN系数可来自表2。展示了CROWN行(例如，底行)。在回波时间为零(TE＝0ms)时可以看到最显著的降噪效果，此时初始估计噪声最大。可以使用R2*图和ρAVG图两者(例如，CROWN和STAGE版本两者)来模拟TE＝60ms PD图，以显示可以生成多长的回波时间来创建独特的T2*对比度。
图13示出了使用来自图12所示的相同切片的像素的STAGE和CROWN处理图的不同组合的R1值对β值的散点图(TE＝0ms)。CROWN处理的效果可以分步看出，从CROWN之前点的噪声分布(STAGE R1与STAGEβ)，到首先使用公式4将CROWN应用于β值所看到的更紧密的分布(STAGE R1与CROWNβ)，并且最后通过使用公式5从CROWNβ值重新计算R1看到完美的线性分布(CROWN R1与CROWNβ)。
图14A至14H示出了使用3T西门子Skyra STAGE数据进行正向模拟数据的CROWN处理的功效。CROWN模拟图像可以使用STAGE T1、ρAVG-CROWN和R2*AVG-CROWN作为公式11的输入来生成。Skyra的原始数据可以在图14A、图14C、图14E和图14G中看到，其对应的正向模拟数据分别来自14B、14D、14F和14H中的CROWN。图14A、14B、14C和14D示出了6°STAGE数据，并且图14E、14F、14G和14H示出了24°STAGE数据。图14A、图14B、图14E和图14F来自TE＝7.5ms，图14C、图14D、图14G和图14H来自TE＝22.5ms。低翻转角(FA＝6°)图像可能噪声很大，并且可能遭受接收场不均匀性的影响，如图14A和14C所示，而CROWN/STAGE模拟的FA＝6°图像具有显著改善的SNR和均匀性，如图14B和14D所示。
图14A示出了在CROWN处理前(例如，之前)的具有短回波时间(TE)的自旋密度加权图像。图14B示出了在对用于生成图14A的数据进行CROWN处理后(例如，之后)的具有短回波时间的自旋密度加权图像。图14A和14B描绘了由虚线圆圈包围的区域(例如，相同的区域)。图14B描绘了显示与周围组织可区分(例如，视觉上可区分、不同)的不均匀性(例如，肿瘤)的CROWN模拟图像。在此图像中，由于CROWN处理后的图像比CROWN处理前的图像(例如STAGE图像、预处理图像)具有更高的信噪比，因此可以将不均匀性与周围组织区分开来。图14A描绘了由虚线圆圈包围的相应区域。在该图像中，不均匀性可能无法与周围组织清楚地区分开，因为该图像具有比图14B的图像更低的信噪比。
图14C示出了在CROWN处理之前具有长回波时间(例如，与图14A和14B所示的图像的回波时间相比长)的自旋密度加权图像。图14D示出了在用于生成图14C的数据的CROWN处理之后具有长回波时间的自旋密度加权图像。图14E示出了在CROWN处理之前具有短回波时间的T1加权图像。图14F示出了在对用于生成图14E的数据进行CROWN处理之后具有短回波时间的T1加权图像。图14G示出了在CROWN处理之前具有长回波时间(例如，与图14E和14F所示的图像的回波时间相比长)的T1加权图像。图14H示出了在对用于生成图14G的数据进行CROWN处理之后具有长回波时间的T1加权图像。
MRI系统可以包括对应于在一位置集处获取的MR数据集的第三值集。该位置集可以对应于图(例如，自旋密度图)。第三值集的子集可以满足预定阈值。例如，第三值集的子集可以大于预定阈值或小于预定阈值。第三值集的子集可以包括该位置集的子集。该位置集的子集可以对应于血管的位置。MRI系统可以包括模拟MR数据集。模拟MR数据集可以包括在该位置集的子集处的第四值集。第四值集可以包括血管位置处的值。该位置集的子集可以包括血管的位置。处理器可以用该位置集处的第三值集的子集来替换该位置集处的第四值集。例如，处理器可以将血管图像从原始自旋密度图叠加到改进的自旋密度图上。改进的自旋密度图可以具有比原始自旋密度图的SNR更大的SNR。
图15示出了从Prisma数据集生成ρ和R2*图的不同方法的示例。使用表3和图3A至3C和图4至8中描述的符号，从左到右，顶行描绘了STAGE R2*、R2*CROWN、R2*AVG-CROWN和R2*AVG-CROWN2。底行描绘ρAVG、ρCROWN、ρAVG-CROWN和ρAVG-CROWN 2。方法2和3对于ρ可以很好地处理。方法3对于R2*可以很好地处理。
CROWN处理的功效可以在图10和11中针对模拟结果得到证明，可以在图12、13、14A至14H和15中针对体内结果得到证明，其中可以看出原始噪声自旋密度图、R2*图和低翻转角图像有了显著改善。
可以将仿真中区域1的(β,R1)值绘制出来，比较CROWN前后β和R1的变化，如图2所示。β的范围可以从[1.25,2.2]减小到[1.5,1.82]，这可以意味着自旋密度图中的噪声应该减少，并且因此自旋密度图的SNR应该增加。然而，R1的范围可以从[1.4,1.8]增加到[1.25,2.0]，这可以暗示T1图中的噪声没有减少，并且在CROWN处理之后T1图的SNR可能不会提高。在体内数据上可以看到相同的效果，如图13所示。这些预测可以在表5所示的模拟中得到验证，其中可以看出，经过CROWN处理后，每个区域的自旋密度图的SNR都会增加。然而，区域1、2和3的T1图的SNR在CROWN之后可能会降低。考虑到这种效果，可以使用原始T1图代替CROWN处理的T1图来再现新的CROWN 6°(图14D)和24°幅度图像。
表5说明了CROWN处理之前和之后模拟数据的SNR值。来自6°幅度图像的区域1的信号的10％的高斯噪声可以用于6°和24°生成的幅度图像中的所有区域。
如图11所示，对自旋密度图进行CROWN处理后可以显著降低噪声。所有区域的SNR都可以显著改善，表5的区域4和5具有极大改善。CROWN后的6°和24°幅度图像的噪声可以显著降低，尤其是表5的区域1至4。代表CSF的区域5的SNR可能不会显著改善。这可能是由于原始T1图中区域5的SNR较低以及6°不低于CSF的恩斯特角这一事实造成的。如果还收集了低于6°(例如，2°或某个其他角度)的翻转角度数据集，则会看到SNR效果的类似改进。如图11所示的方框可以具有不同的组织特性(例如，自旋密度值、T1值等)。组织特性可以彼此相关。
CROWN可以提供强大的工具来提高SNR，而无需像大多数其他旨在提高SNR的方法那样修改或模糊图像结构。CROWN处理不仅可以改善原始PD估计中的SNR，而且可以改善原始低和高翻转角图像以及任何任意翻转角的任何其他图像或来自任何其他MRI脉冲序列的图像的SNR。CROWN处理可以与STAGE成像、任何其他多翻转角度方法或任何生成自旋密度图和T1图两者的方法结合使用。CROWN处理可以成功应用于来自两个独立扫描仪的两个独立体内数据集，从而“与扫描仪无关”。然而，对于其他场强，可以确定新的系数，因为组织的T1值可能会因不同的场强而变化。CROWN处理可用于SNR本来就较差的低场强应用。
铁含量对T1的影响是可以校正的。当组织中不存在铁时，R1与β＝1/ρ的关系可以表现得相当良好。然而，铁可以改变组织的R1值。用于确定CROWN处理的线性系数a和b的不同组织的R1值可以在不存在铁的假设下进行。如果将不正确的关系强加到组织上，则预期结果可能会被修改，正确的组织特性可能会丢失，并且图像中的对比度可能会丢失。在应用CROWN之前，可以利用不同组织的铁含量来校正R1的测量值。在图16A和16B所示的示例中，可以在3T扫描仪上获取来自健康成年志愿者的一组数据，来计算作为不同深度GM的水含量的函数的R1值。可以测量每个不同的深层GM结构的磁化率(例如，定量磁化率)、T1和质子密度。可以校正R1值以消除T1降低铁的性质(铁可以像组织中的顺磁性造影剂一样作用)，并找到R1和水含量之间的原始关系。约束函数可以包括考虑组织中铁的存在的分量。例如，两个或多个变量之间的关系可以考虑并用于校正铁的存在。
为了校正铁对T1缩短的影响，可以评估R1和磁化率之间的关系。如图16A所示，R1和3T处深层GM的磁化率之间的关系可以是R1＝1.37/秒/ppm*χ(ppm)+0.86/秒。根据这种线性关系，组织之间R1的变化可以通过ΔR1＝1.37/秒/ppm*Δχ(ppm)与磁化率的变化相关。校正后的R1可以通过从测量的R1中减去ΔR1来计算。铁的存在会降低T1值，但质子密度不受影响。因此，可以利用R1与磁化率之间的关系来校正T1降低铁的影响。
图16B显示铁校正后，R1对β的斜率从2.42/秒减小到2.01/秒，并且截距从2.19/秒减小到1.78/秒。拟合表1并包括WM的结果得出之前公式R1＝2.03/秒*β-1.81/秒，这可以更好地拟合皮质GM的T1。使用CROWN时，包含磁化率效应的R1公式变为R1ironfree＝R1meas-ΔR1＝2.03/秒*β-1.81/秒。
铁校正之前和之后的R1示例， 以及由CROWN生成的结果PD图如图17A至17E所示。使用未经铁校正的R1图(图17A)生成CROWN PD图(图17D)与使用经铁校正的R1图(图17C)生成CROWN PD图(图17E)之间进行比较。如图5中描述的方法2可用于生成这些PD图。R1图可以是图3C中描述的STAGE T1图的倒数。校正图ΔR1＝1.37/秒/ppm*Δχ(ppm)可以在图17B中看到，使用20 ppb的阈值。可以使用3T西门子Prisma数据集。
可以设置一个阈值，低于该阈值则假定磁化率为零。例如，当阈值为25 ppb时，这可能会产生非常小的影响，导致R1仅发生0.035/秒的变化。可以根据QSM数据集中固有的SNR选择该阈值。对于给定的噪声水平(例如，在白质或丘脑区域中确定的噪声水平)，选择阈值是噪声水平的2倍是可以接受的，而3倍则是更保守的方法， 以减小噪声对根据铁含量估算T1变化时的影响。表6展示了磁化率、T1和β的初始测量值，以及校正T1降低铁的影响之后的R1和T1值。
表6示出了磁化率、 T1和β的初始测量值， 以及校正T1降低铁的影响之后的R1和T1值。
图18示出了磁共振成像(MRI)的方法。简而言之，方法1800可以包括接收获取的磁共振(MR)数据集(框1805)。方法1800可以包括提取第一值集和第二值集(框1810)。方法1800可以包括应用约束函数(框1815)。方法1800可以包括使代价函数最小化(框1820)。方法1800可以包括将第一变量输入到代价函数中(框1825)。
方法1800可以包括接收获取的MR数据集(框1805)。获取的MR数据集可以具有第一SNR。获取的MR数据集可以包括对应于第一翻转角和第二翻转角的数据。获取的MR数据集可以通过使用至少一个回波时间对解剖区域进行成像来获取。
方法1800可以包括提取值(例如，第一值集和第二值集)(框1810)。第一值集可以对应于第一变量。第一变量可以具有第二SNR。第二值集可以对应于第二变量。方法1800可以包括从获取的MR数据集中提取第三值集。第三值集可以对应于第三变量。第一变量可以对应于自旋密度的倒数，并且第二变量可以对应于T1的倒数。第一变量可以对应于磁化率，并且第二变量可以对应于R2*。第一变量可以对应于自旋密度的倒数，并且第二变量可以对应于R2*。
方法1800可以包括应用约束函数(框1815)。约束函数可以是第一变量和第二变量的函数。约束函数可以是第一变量、第二变量和第三变量的函数。约束函数可以是多个变量的函数。约束函数可以包括考虑组织中铁的存在的分量。约束函数可以包括考虑每个回波时间的分量。约束函数可以包括由公式1描述的约束函数。
方法1800可以包括使代价函数最小化(框1820)。可以根据约束函数使代价函数最小化，生成代价函数解。代价函数可以包括由公式2描述的代价函数。
方法1800可以包括将变量(例如，第一变量)输入到代价函数中(框1825)。第一变量可以被输入到代价函数解中以生成具有第三SNR的修改的第一变量。第三SNR可以大于第二SNR。方法1800可以包括使用修改的第一变量、以及第二变量，生成任意翻转角的模拟数据集。
在一些实施例中，方法1800可以包括生成对应于R2*的第三变量的第一计算值。第三变量可以具有第四SNR。方法1800可以包括使用修改的第一变量生成修改的第三变量的第二计算值。修改的第三变量可以具有第五SNR。第五SNR可以大于第四SNR。
在一些实施例中，方法1800可以包括生成对应于R2*的第三变量的第一计算值。第三变量可以具有第四SNR。方法1800可以包括使用在至少两个回波时间的每个回波时间处的第一修改的第一变量、以及第三变量，来生成第二修改的第一变量。方法1800可以包括使用(例如，应用)在至少两个回波时间的每个回波时间处的第二修改的第一变量、以及第二变量，作为代价函数解的输入，以生成具有第六SNR的第三修改的第一变量。第六SNR可以大于第三SNR。
在一些实施例中，方法1800可以包括生成对应于R2*的第三变量的第二计算值。第三变量可以具有第七SNR。第七SNR可以大于第四SNR。在一些实施例中，方法1800可以包括使用修改的第一变量生成具有第八SNR的模拟MR数据集。第八SNR可以大于第一SNR。
在一些实施例中，获取的MR数据集包括第一回波时间集。方法1800可以包括使用修改的第一变量、以及第二变量、以及修改的第三变量，来生成模拟MR数据集。模拟MR数据集可以包括第二回波时间集。第二回波时间集可以不同于第一回波时间集。
在一些实施例中，获取的MR数据集包括对应于多个回波时间的第一翻转角和第二翻转角的数据。方法1800可以包括生成多个回波时间上的第一变量和修改的第一变量中的至少一个的加权平均值。在一些实施例中，方法1800可以包括生成自旋密度图像。
本公开中所描述的主题和操作的实施例可以在数字电子电路系统中或在计算机软件、固件或硬件(包含本公开中所公开的结构和其结构等效物)中或在以上各者中的一个或多个的组合中实施。本说明书中描述的主题可以作为一个或多个计算机程序(例如，计算机程序指令的一个或多个电路)来实现，该一个或多个计算机程序编码在一个或多个计算机存储介质上以供数据处理设备执行或以控制数据处理设备的操作。替代地或另外，程序指令可以编码在人工生成的传播信号，例如机器生成的电信号、光学信号或电磁信号上，所述传播信号被生成以对用于传输到合适的接收器设备以供数据处理设备执行的信息进行编码。计算机存储媒体可以是或包含在计算机可读存储装置、计算机可读存储衬底、随机或串行访问存储器阵列或装置、或它们中的一个或多个的组合中。此外，虽然计算机存储媒体不是传播信号，但是计算机存储媒体可以是以人工生成的传播信号编码的计算机程序指令的源或目的地。计算机存储介质还可以是或包括在一个或多个单独的组件或介质(例如，多个CD、磁盘或其它存储装置)中。
本说明书中描述的操作可以由数据处理设备对存储在一个或多个计算机可读存储装置上或从其他源接收到的数据执行。术语“数据处理设备”或“计算装置”涵盖用于处理数据的多种的装置、设备和机器，包含例如可编程处理器、计算机、片上系统或前述中的多个或组合。设备可以包括专用逻辑电路系统，例如，FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件之外，设备还可包含为所讨论的计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行时环境、虚拟机或以上各者中一个或多个的组合的代码。所述设备和执行环境可实现各种不同的计算模型基础设施，例如网络服务、分布式计算和网格计算基础设施。
计算机程序(也称为程序、软件、软件应用程序、脚本或代码)可以以任何形式的编程语言(包括编译或解释语言、声明性或过程性语言)来编写，并且其可以以任何形式来部署，包括作为独立程序或作为模块、组件、子例程、对象或适合在计算环境中使用的其它单元。计算机程序可以但是无需对应于文件系统中的文件。程序可以存储在保存其它程序或数据的文件的一部分中(例如，存储在标记语言文档中的一个或多个脚本)，存储在专用于所讨论的程序的单个文件中，或存储在多个协同文件中(例如，存储一个或多个模块、子程序或代码部分的文件)。计算机程序可经部署以在一个计算机上或在位于一个位点或跨越多个位点分布并由通信网络互连的多个计算机上执行。
适合于执行计算机程序的处理器包含例如微处理器，以及数字计算机的任何一个或多个处理器。处理器可以从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于根据指令执行动作的处理器和用于存储指令和数据的一个或多个存储器装置。计算机可以包含用于存储数据的一个或多个大容量存储装置(例如，磁盘、磁光盘或光盘)或者被操作地耦合以从大容量存储装置中接收数据或向大容量存储装置传递数据或两者。计算机不需要具有此类装置。此外，计算机可嵌入在另一装置中，例如，个人数字助理(PDA)、全球定位系统(GPS)接收器或便携式存储装置(例如，通用串行总线(USB)闪存驱动器)，仅举几个例子。适合于存储计算机程序指令和数据的装置包含所有形式的非易失性存储器、媒体和存储器装置，包含例如：半导体存储器装置，例如EPROM、EEPROM和快闪存储器装置；磁盘，例如内部硬盘或可装卸式磁盘；磁光盘；以及CD ROM和DVD-ROM盘。处理器和存储器可以由专用逻辑电路系统补充或并入在专用逻辑电路系统中。
为了提供与用户的交互，可以在具有用于向用户显示信息的显示装置，例如CRT(阴极射线管)或LCD(液晶显示器)监视器以及用户可以用来向计算机提供输入的键盘和定点装置，例如鼠标或跟踪球的计算机上实施本说明书中描述的主题的具体实施。其它种类的装置同样可以用于提供与用户的交互；例如，向用户提供的反馈可以是任何形式的感觉反馈(例如视觉反馈、听觉反馈或触感反馈)；并且来自用户的输入可以按任何形式接收，包含声学、语音或触感输入。
本文描述的具体实施可以以多种方式中的任何一种来实现，包括例如使用硬件、软件或其组合。当以软件实现时，软件代码可以在任何合适的处理器或处理器集合上执行，无论是在单个计算机中提供还是分布在多个计算机中。
此外，计算机可以具有一个或多个输入和输出设备。除其他外，这些设备可用于呈现用户界面。可用于提供用户界面的输出设备的示例包括用于输出的视觉呈现的打印机或显示屏、以及用于输出的听觉呈现的扬声器或其他声音生成设备。可用于用户界面的输入设备的示例包括键盘和指针设备，例如鼠标、触摸板和数字化输入板。作为另一个示例，计算机可以通过语音识别或以其他可听格式接收输入信息。
这样的计算机可以通过任何合适形式的一个或多个网络互连，包括局域网或广域网，例如企业网、以及智能网(IN)或互联网。这样的网络可以基于任何合适的技术并且可以根据任何合适的协议操作并且可以包括无线网络、有线网络或光纤网络。
用于实现本文描述的功能的至少一部分的计算机可以包括存储器、一个或多个处理单元(本文也简称为“处理器”)、一个或多个通信接口、一个或多个显示单元以及一个或更多用户输入设备。存储器可以包括任何计算机可读介质，并且可以存储用于实现本文描述的各种功能的计算机指令(本文也称为“处理器可执行指令”)。处理单元可以用于执行指令。通信接口可以耦合到有线或无线网络、总线或其他通信装置，并且因此可以允许计算机向其他设备发送通信或从其他设备接收通信。例如，可以提供显示单元以允许用户查看与指令的执行相关的各种信息。例如，可以提供用户输入设备以允许用户进行手动调整、做出选择、输入数据或各种其他信息、或者在指令执行期间以多种方式中的任一种与处理器交互。
本文概述的各种方法或过程可以被编码为可在采用多种操作系统或平台中的任一种的一个或多个处理器上执行的软件。另外，这样的软件可以使用多种合适的编程语言或编程或脚本工具中的任何一种来编写，并且还可以被编译为在框架或虚拟机上执行的可执行机器语言代码或中间代码。
在这方面，各种发明构思可以体现为计算机可读存储介质(或多个计算机可读存储介质)(例如，计算机存储器、一个或多个软盘、压缩盘、光盘、磁带、闪存、电路)。现场可编程门阵列或其他半导体器件、或其他非瞬态介质或有形计算机存储介质中的配置，用一个或多个程序编码，当在一个或多个计算机或其他处理器上执行时，执行实现实施例的各种实施例的方法。上面讨论的解决方案。一个或多个计算机可读介质可以是可传输的，使得存储在其上的一个或多个程序可以被加载到一个或多个不同的计算机或其他处理器上以实现如上所述的本解决方案的各个方面。
术语“程序”或“软件”在本文中用于指代可用于对计算机或其他处理器进行编程以实现如上所述的实施例的各个方面的任何类型的计算机代码或计算机可执行指令集。当执行时执行本解决方案的方法的一个或多个计算机程序不需要驻留在单个计算机或处理器上，而是可以以模块化方式分布在多个不同计算机或处理器之间以实现本解决方案的各个方面。
计算机可执行指令可以是多种形式，例如由一台或多台计算机或其他设备执行的程序模块。程序模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构或其他组件。在各种实施例中，可以根据需要组合或分布程序模块的功能。
而且，数据结构可以以任何合适的形式存储在计算机可读介质中。为了简化说明，数据结构可以被示出为具有通过数据结构中的位置相关的字段。这种关系同样可以通过将字段的存储分配给计算机可读介质中传达字段之间的关系的位置来实现。然而，可以使用任何合适的机制来建立数据结构的字段中的信息之间的关系，包括通过使用指针、标签或建立数据元素之间的关系的其他机制。
本文中以单数形式引用的对系统和方法的具体实施或元件或动作的任何参考还可涵盖包含多个这些元件的实施方案，且本文中呈复数形式的对任何实施方案或元件或动作的任何参考还可涵盖仅包含单个元件的具体实施。以单数形式或复数形式提及并不旨在将当前公开的系统或方法、其部件、动作或要素限制为单个或多个配置。对基于任何信息、动作或要素的任何动作或要素的提及可以包括其中动作或要素至少部分地基于任何信息、动作或要素的具体实施。
本文公开的任何具体实施都可以与任何其他具体实施相结合，并且对“具体实施”、“一些具体实施”、“替代的具体实施”、“各种具体实施”、“一个具体实施”等的提及未必相互排斥，并且旨在指示结合具体实施描述的特定特征、结构或特性可以被包括在至少一个具体实施中。如本文中所使用的此类术语未必全部都指相同的具体实施。任何具体实施都可以以与本文公开的方面和具体实施一致的任何方式与任何其他具体实施包含性地或排他性地相结合。
对“或”的提及可以被解释为包含性的，因此使用“或”描述的任何术语都可以表示所描述的术语中的单个、多于一个以及全部中的任何一者。对术语的连词列表中的至少一个的引用可解释为包含性的或以指示单个、多于一个和所有所描述术语中的任一者。例如，对“‘A’和‘B’中的至少一者”的提及可以包括仅‘A’、仅‘B’以及‘A’和‘B’两者。还可以包括“A”和“B”以外的元素。
在不脱离其特征的情况下，本文所述的系统和方法可以以其他特定形式来体现。前述具体实施是说明性的而不是限制所描述的系统和方法。
在附图、详细描述或任何权利要求中的技术特征后接附图标记的情况下，已将附图标记包括在内来增加对附图、详细描述和权利要求的理解。因此，附图标记或其缺失对任何权利要求要素的范围都不具有任何限制效应。
在不脱离其特征的情况下，本文所述的系统和方法可以以其他特定形式来体现。前述具体实施是说明性的而不是限制所描述的系统和方法。因此，本文所述的系统和方法的范围由所附权利要求而非前述描述指示，并且在与权利要求等同的意义和范围内的变化被涵盖在其中。

Claims (22)

1.一种磁共振成像(MRI)系统，其包括：
至少一个处理器；
存储器，其上存储有计算机代码指令，所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
接收具有第一信噪比(SNR)的获取的磁共振(MR)数据集；
从所述获取的MR数据集提取对应于具有第二SNR的第一变量的第一值集以及对应于第二变量的第二值集；
应用约束函数，所述约束函数包括所述第一变量和所述第二变量的函数；
根据所述约束函数使代价函数最小化，以生成代价函数解；以及
将所述第一变量和所述第二变量输入到所述代价函数解中，以生成具有第三SNR的修改的第一变量，所述第三SNR大于所述第二SNR。
2.根据权利要求1所述的MRI系统，其中所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
从所述获取的MR数据集提取对应于第三变量的第三值集；以及
应用所述约束函数，所述约束函数包括所述第一变量、所述第二变量和所述第三变量的函数。
3.根据权利要求1所述的MRI系统，其中：
所述获取的MR数据集包括与第一翻转角和第二翻转角相对应的数据；并且
所述获取的MR数据集是通过使用至少一个回波时间对解剖区域进行成像来获取的。
4.根据权利要求1所述的MRI系统，其中所述第一变量对应于自旋密度的倒数，并且所述第二变量对应于T1的倒数。
5.根据权利要求1所述的MRI系统，其中所述第一变量对应于磁化率，并且所述第二变量对应于R2*。
6.根据权利要求1所述的MRI系统，其中所述第一变量对应于自旋密度的倒数，并且所述第二变量对应于R2*。
7.根据权利要求1所述的MRI系统，其中所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
使用所述修改的第一变量和所述第二变量生成针对任意翻转角的模拟数据集。
8.根据权利要求1所述的MRI系统，其中：
所述获取的MR数据集包括对应于第一翻转角和第二翻转角的数据；
所述获取的MR数据集是通过使用至少两个回波时间对解剖区域进行成像来获取的；并且
所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
生成对应于R2*的第三变量的第一计算值，所述第三变量具有第四SNR；以及
使用所述修改的第一变量生成修改的第三变量的第二计算值，所述修改的第三变量具有第五SNR，所述第五SNR大于所述第四SNR。
9.根据权利要求1所述的MRI系统，其中：
所述获取的MR数据集包括对应于第一翻转角和第二翻转角的数据；
所述获取的MR数据集是通过使用至少两个回波时间对解剖区域进行成像来获取的；
所述修改的第一变量为第一修改的第一变量；并且
所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
生成对应于R2*的第三变量的第一计算值，所述第三变量具有第四SNR；
使用在所述至少两个回波时间的每个回波时间处的所述第一修改的第一变量以及所述第三变量来生成第二修改的第一变量；以及
使用在所述至少两个回波时间的每个回波时间处的所述第二修改的第一变量以及所述第二变量作为对所述代价函数解的输入，以生成具有第六SNR的第三修改的第一变量，所述第六SNR大于所述第三SNR。
10.根据权利要求9所述的MRI系统，其中：
所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
生成对应于R2*的所述第三变量的第二计算值，所述第三变量具有第七SNR，所述第七SNR大于所述第四SNR。
11.根据权利要求1所述的MRI系统，其中所述约束函数包括考虑组织中铁的存在的分量。
12.根据权利要求1所述的MRI系统，其中所述约束函数包括考虑每个回波时间的分量。
13.根据权利要求1所述的MRI系统，其中所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
使用所述修改的第一变量生成具有第八SNR的模拟MR数据集，所述第八SNR大于所述第一SNR。
14.根据权利要求1所述的MRI系统，其中：
所述获取的MR数据集包括第一回波时间集；并且
所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
使用所述修改的第一变量和所述第二变量以及修改的第三变量生成包括第二回波时间集的模拟MR数据集，所述第二回波时间集不同于所述第一回波时间集。
15.根据权利要求1所述的MRI系统，其进一步包括：
对应于所述获取的MR数据集的在一组位置处的第三值集，其中所述第三值集的子集满足预定阈值，所述第三值集的所述子集包括所述位置集的子集；
模拟MR数据集，其包括在所述位置集的所述子集处的第四值集；并且
其中所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
用在所述位置集处的所述第三值集的所述子集替换在所述位置集处的所述第四值集。
16.根据权利要求1所述的MRI系统，其中：
所述获取的MR数据集包括对应于针对多个回波时间的第一翻转角和第二翻转角的数据；并且
所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：
生成针对在所述多个回波时间期间的所述第一变量和所述修改的第一变量中的至少一者的加权平均值。
17.根据权利要求1所述的MRI系统，其中：
所述计算机代码指令在由所述至少一个处理器执行时使所述至少一个处理器：生成自旋密度图像。
18.一种磁共振成像(MRI)方法，其包括：
由至少一个处理器接收具有第一信噪比(SNR)的获取的磁共振(MR)数据集；
由所述至少一个处理器从所述获取的MR数据集提取对应于具有第二SNR的第一变量的第一值集以及对应于第二变量的第二值集；
由所述至少一个处理器应用约束函数，所述约束函数包括所述第一变量和所述第二变量的函数；
由所述至少一个处理器根据约束函数使代价函数最小化，以生成代价函数解；以及
由所述至少一个处理器将所述第一变量输入到所述代价函数解中，以生成具有第三SNR的修改的第一变量，所述第三SNR大于所述第二SNR。
19.根据权利要求18所述的方法，其进一步包括：
由所述至少一个处理器并使用所述修改的第一变量和所述第二变量生成针对任意翻转角的模拟数据集。
20.根据权利要求18所述的方法，其中所述获取的MR数据集包括对应于第一翻转角和第二翻转角的数据，并且所述获取的MR数据集是通过使用至少两个回波时间对解剖区域进行成像来获取的，所述方法进一步包括：
由所述至少一个处理器生成对应于R2*的第三变量的第一计算值，所述第三变量具有第四SNR；以及
由所述至少一个处理器并使用所述修改的第一变量生成修改的第三变量的第二计算值，所述修改的第三变量具有第五SNR，所述第五SNR大于所述第四SNR。
21.根据权利要求18所述的方法，其中所述获取的MR数据集包括对应于第一翻转角、第二翻转角的数据，并且所述获取的MR数据集是通过使用至少两个回波时间对解剖区域进行成像来获取的，并且所述修改的第一变量为第一修改的第一变量，所述方法进一步包括：
由所述至少一个处理器生成对应于R2*的第三变量的第一计算值，所述第三变量具有第四SNR；
由所述至少一个处理器使用在所述至少两个回波时间的每个回波时间处的所述第一修改的第一变量以及所述第三变量来生成第二修改的第一变量；以及
由所述至少一个处理器使用在所述至少两个回波时间的每个回波时间处的所述第二修改的第一变量以及所述第二变量作为对所述代价函数解的输入，以生成具有第六SNR的第三修改的第一变量，所述第六SNR大于所述第三SNR。
22.根据权利要求18所述的方法，其进一步包括：
由所述至少一个处理器并使用所述修改的第一变量生成具有第八SNR的模拟MR数据集，所述第八SNR大于所述第一SNR。
CN202180101723.9A 2021-08-27 2021-08-27 利用白噪声对图像进行约束重建的系统和方法 Pending CN117881975A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2021/048044 WO2023027732A1 (en) 2021-08-27 2021-08-27 Systems and methods of constrained reconstruction of images with white noise

Publications (1)

Publication Number Publication Date
CN117881975A true CN117881975A (zh) 2024-04-12

Family

ID=85323092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180101723.9A Pending CN117881975A (zh) 2021-08-27 2021-08-27 利用白噪声对图像进行约束重建的系统和方法

Country Status (3)

Country Link
KR (1) KR20240042629A (zh)
CN (1) CN117881975A (zh)
WO (1) WO2023027732A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7777487B2 (en) * 2007-02-15 2010-08-17 Uwm Research Foundation, Inc. Methods and apparatus for joint image reconstruction and coil sensitivity estimation in parallel MRI
US7817838B2 (en) * 2007-05-24 2010-10-19 University Of Utah Research Foundation Method and system for constrained reconstruction of imaging data using data reordering
CN102077108B (zh) * 2008-04-28 2015-02-25 康奈尔大学 分子mri中的磁敏度精确量化
KR101967242B1 (ko) * 2012-11-14 2019-04-09 삼성전자주식회사 자기공명영상 시스템 및 자기공명영상 방법
US10429475B2 (en) * 2013-03-12 2019-10-01 The General Hospital Corporation Method for increasing signal-to-noise ratio in magnetic resonance imaging using per-voxel noise covariance regularization

Also Published As

Publication number Publication date
KR20240042629A (ko) 2024-04-02
WO2023027732A1 (en) 2023-03-02

Similar Documents

Publication Publication Date Title
US10635943B1 (en) Systems and methods for noise reduction in medical images with deep neural networks
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
JP6289664B2 (ja) 磁気共鳴イメージング装置、定量的磁化率マッピング方法、計算機、磁化率分布計算方法、及び、磁化率分布計算プログラム
US11257196B2 (en) Medical imaging apparatus, medical image processing device, and medical image processing program
Chen et al. Deep learning for image enhancement and correction in magnetic resonance imaging—state-of-the-art and challenges
US20170156630A1 (en) System and method for adaptive and patient-specific magnetic resonance imaging
CN106530236B (zh) 一种医学图像处理方法及系统
US20220180575A1 (en) Method and system for generating magnetic resonance image, and computer readable storage medium
Fernandes et al. MP-PCA denoising of fMRI time-series data can lead to artificial activation “spreading”
US11222406B2 (en) Method and system for training a machine learning-based image denoising system
US20230194640A1 (en) Systems and methods of deep learning for large-scale dynamic magnetic resonance image reconstruction
Tan et al. Denoising and Multiple Tissue Compartment Visualization of Multi‐b‐Valued Breast Diffusion MRI
Esteban et al. Simulation-based evaluation of susceptibility distortion correction methods in diffusion MRI for connectivity analysis
CN117881975A (zh) 利用白噪声对图像进行约束重建的系统和方法
US11435424B1 (en) Systems and methods of constrained reconstruction of images with white noise
JP2022002762A (ja) 磁気共鳴イメージングで得た画像の処理方法、画像処理プロブラム、及び、計算機
US20230140523A1 (en) Method for generating magnetic resonance image and magnetic resonance imaging system
US20220349972A1 (en) Systems and methods for integrated magnetic resonance imaging and magnetic resonance fingerprinting radiomics analysis
CN113050010B (zh) 噪音分析的系统、方法
US20220375035A1 (en) Deep learning based medical system and method for image acquisition
US20230036285A1 (en) Magnetic resonance imaging system and method, and computer-readable storage medium
Harrevelt et al. Deep learning based correction of RF field induced inhomogeneities for T2w prostate imaging at 7 T
US20230136320A1 (en) System and method for control of motion in medical images using aggregation
Vasylechko et al. Self Supervised Denoising Diffusion Probabilistic Models for Abdominal DW-MRI
Balamurugan et al. Enhanced nonlocal mean filter for MRI denoising with rician noise

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination