CN118103721A - 使用低分辨磁共振图像的运动校正 - Google Patents
使用低分辨磁共振图像的运动校正 Download PDFInfo
- Publication number
- CN118103721A CN118103721A CN202280068641.3A CN202280068641A CN118103721A CN 118103721 A CN118103721 A CN 118103721A CN 202280068641 A CN202280068641 A CN 202280068641A CN 118103721 A CN118103721 A CN 118103721A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- resonance image
- space data
- preliminary
- resolution
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 128
- 238000012937 correction Methods 0.000 title claims description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 88
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 64
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 32
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000002059 diagnostic imaging Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 22
- 238000003860 storage Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 12
- 230000035945 sensitivity Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本文中描述的是一种医学系统(100、300)，包括存储机器可执行指令(120)的存储器(110)和上采样神经网络(122)。所述上采样神经网络被配置为响应于接收具有第一分辨率的初步磁共振图像(126)而输出具有第二分辨率的上采样磁共振图像(130)，所述第一分辨率低于所述第二分辨率。所述机器可执行指令的运行令计算系统(104)：接收(200)初步k空间数据(124)；根据所述初步k空间数据来重建(202)所述初步磁共振图像；接收(204)临床k空间数据(204)；响应于将所述初步磁共振图像输入到所述上采样神经网络而接收(206)所述上采样磁共振图像；以及，使用所述上采样磁共振图像和所述临床k空间数据来提供(208)经运动校正的磁共振图像(132)。
Description
技术领域
本发明涉及磁共振成像，尤其涉及磁共振成像期间的运动校正。
背景技术
磁共振成像(MRI)扫描器使用大的静态磁场以对齐原子的核自旋，作为产生患者的身体内的图像的过程的部分。该大的静态磁场被称作B0场或主磁场。可以使用MRI在空间上测量对象的各种量或性质。磁共振成像中的空间编码是使用射频(RF)波形(或RF脉冲)(其被用于控制MRI扫描器的发射线圈)与多个空间选择性脉冲波形(梯度脉冲)的组合来执行的。执行磁共振成像的困难在于，其可能花费相当长的时间来采集足以重建图像的数据。MRI技术一般容易受对象运动影响。
美国专利申请公开US20130278263 A1公开了使用多个射频接收线圈采集到的磁共振(MR)校准数据，以及基于MR校准数据生成线圈灵敏度图和参考投影向量两者。在成像期间，采集额外的导航器投影向量，或者成像数据的部分能够被用作导航器投影向量。可以执行部分平行成像(PPI)以增强导航信息。使用线圈灵敏度图对导航投影向量和参考投影向量进行灵敏度加权，以分别生成导航器灵敏度加权的投影向量(导航器SWPV)和参考灵敏度加权的投影向量(参考SWPV)，并且比较这些以生成对象位置信息。使用所生成的对象位置信息来前瞻性地或回顾性地补偿对象运动。运动补偿可以是前瞻性的，通过基于对象位置信息来调节PPI的成像体积来执行。
发明内容
本发明在独立权利要求中提供了一种医学系统、计算机程序以及方法。在从属权利要求中给出实施例。
实施例可以提供一种通过使用低分辨初步磁共振图像(例如侦查图像)来补偿对象的运动的方式，以实现提供经运动校正的磁共振图像。这是通过使用上采样神经网络(超分辨率神经网络)将初步磁共振图像转换为上采样磁共振图像来实现的。所述上采样磁共振图像则可以被用于各种运动校正方案，以从临床k空间数据提供经运动校正的磁共振图像。
在本发明的一个方面，提供一种医学系统，其包括存储机器可执行指令并且还存储上采样神经网络的存储器。所述上采样神经网络被配置为响应于接收具有第一分辨率的初步磁共振图像而输出具有第二分辨率的上采样磁共振图像。所述第二分辨率高于所述第一分辨率。因此，所述上采样神经网络提供具有比被输入给它的所述初步磁共振图像更高分辨率的上采样磁共振图像。
所述上采样神经网络可以是被配置用于图像处理的神经网络。在一些情况下，所述上采样神经网络可以被称作上采样器或超分辨率神经网络。用于训练所述上采样神经网络的方法是已知的。在一些情况下，可以使用生成式对抗网络。通过神经网络的上采样可以利用被配置用于图像处理的卷积神经网络来形成。所述上采样神经网络可以通过以下方式来训练：拍摄第二分辨率的图像，并然后通过将第二分辨率的这些图像转换为第一分辨率来创建数据的训练集。成对的第一分辨率图像组和第二分辨率图像组然后可以被用于例如深度学习。子像素转换神经网络被用于下文描述的概念验证(POC)研究。子像素转换神经网络将适用于实施上采样神经网络。
所述医学系统还包括计算系统。所述机器可执行指令的运行令所述计算系统以第一分辨率接收描述对象的感兴趣区域的初步k空间数据。所述机器可执行指令的运行还令所述计算系统根据所述初步k空间数据来重建所述初步磁共振图像。所述机器可执行指令的运行还令所述计算系统以第二分辨率接收描述所述对象的感兴趣区域的临床k空间数据。所述机器可执行指令的运行还令所述计算系统响应于将所述初步磁共振图像输入到所述上采样神经网络中来接收所述上采样磁共振图像。最终，所述机器可执行指令的运行还令所述计算系统使用所述上采样磁共振图像和所述临床k空间数据来提供经运动校正的磁共振图像。
所述上采样磁共振图像可以以多种方式被用于提供所述经运动校正的磁共振图像。例如，所述上采样磁共振图像可以被转换回到k空间，并被用于在所述临床k空间数据中定位损坏的k空间的区域。一旦已识别出这些损坏的k空间的区域，它们能够例如被用于控制所述医学系统重新采集所述k空间数据或执行操作以校正任何损坏的k空间数据。
在另一实施例中，所述医学系统还包括磁共振成像系统。所述存储器还包含初步脉冲序列命令和临床脉冲序列命令。所述初步脉冲序列命令被配置为控制所述磁共振成像系统采集所述初步k空间数据。所述临床脉冲序列命令被配置为控制所述磁共振成像系统采集所述临床k空间数据。所述机器可执行指令的运行还令所述计算系统通过利用所述初步脉冲序列命令控制所述磁共振成像系统来采集所述初步k空间数据。
所述机器可执行指令的运行还令所述计算系统通过利用所述临床脉冲序列命令控制所述磁共振成像系统来采集所述临床k空间数据。该实施例可以是有益的，因为所述医学系统具有提供所述经运动校正的磁共振图像的装置。例如，所述上采样磁共振图像可以用于对所述临床k空间数据的前瞻性和回顾性运动校正二者。
在另一实施例中，所述初步k空间数据是使用第一磁共振成像模态来采集的。本文中使用的磁共振成像模态涵盖用于采集磁共振图像的特定类型的协议的概念。例如，在采集磁共振图像时，存在可以被编码的各种加权的选项，如T1、T2或其他加权因子。也可以改变可能影响对比度或其他图像性质的各个重复时间。磁共振成像模态在现有技术中或俗语中通常被称作对比度。所述临床k空间数据是使用第二磁共振成像模态来采集的。提供所述经运动校正的磁共振图像包括使用所述上采样磁共振图像来提供模拟磁共振图像。所述模拟磁共振图像具有所述第二分辨率和所述第二磁共振成像模态。该实施例可以是非常有益的，因为不仅是分辨率增加，而且即便在k空间数据的两次采集期间的对比度或配置完全不同，所述模拟磁共振图像也可以被用于提供上采样磁共振图像。例如，这实现了对要用于帮助提供针对所述临床磁共振图像的经运动校正的第一类型的初步扫描，即使其使用不同的成像模态或对比度。
在另一实施例中，所述第一磁共振成像模态与所述第二磁共振成像模态相同。该情况下，不需要在各个成像模态或对比度之间进行转换。
在另一实施例中，所述模拟磁共振图像是由所述上采样神经网络提供的，所述上采样神经网络被配置为输出所述上采样磁共振图像作为所述模拟磁共振图像。在该情况下，例如缩放神经网络可以执行上采样和成像模态或对比度转换二者。
在另一实施例中，所述存储器还包含第二分辨率模态转换神经网络，其被配置为响应于接收所述上采样磁共振图像而输出所述模拟磁共振图像。所述第二分辨率模态转换神经网络是被配置为转换具有所述第二分辨率的磁共振图像的模态或“对比度”的模态转换神经网络。所述机器可执行指令的运行还令所述计算系统响应于将所述上采样磁共振图像输入到所述第二分辨率模态转换神经网络而接收所述模拟磁共振图像。诸如U-net、F-net或其他图像处理神经网络的神经网络可以适用于实施所述第二分辨率模态转换神经网络。所述第二分辨率模态转换神经网络可以通过使用两种不同模态采集来自同一对象的两幅图像来训练。在该范例中，首先上采样所述初步磁共振图像，并且之后执行到所述第二模态的图像转换。
在另一实施例中，所述存储器还包含第一分辨率模态转换神经网络(其可以被类似地实施并训练)，其被配置为将所述初步磁共振图像从所述第一磁共振成像模态转换到所述第二磁共振成像模态。所述机器可执行指令的运行还令所述计算系统响应于将所述初步磁共振图像输入到所述第一分辨率模态转换神经网络而接收经转换的初步磁共振图像。所述上采样神经网络被配置为响应于接收所述经转换的初步磁共振图像作为输入而输出所述上采样磁共振图像作为所述模拟磁共振图像。在该范例中，首先执行所述对比度或模态转换，并且之后对所述图像进行上采样。
所述第一分辨率模态转换神经网络和所述第二分辨率模态转换神经网络可以具有类似结构并以类似方式来训练。
在另一实施例中，使用所述上采样磁共振图像和所述临床k空间数据来提供经运动校正的磁共振图像包括使用所述上采样磁共振图像或所述模拟磁共振图像执行对所述经运动校正的磁共振图像的运动补偿的重建。
在另一实施例中，所述运动补偿的重建被执行为优化，其使用所述上采样磁共振图像或所述模拟磁共振图像作为对要被重建的无运动图像的中间估计。该实施例可以是有益的，因为使用所述上采样磁共振图像或所述模拟磁共振图像作为无运动图像提供了一种改善优化的质量以及减少计算时间的方式。
在另一实施例中，所述运动补偿的重建包括使用至少部分根据所述临床k空间数据确定的相位图来确定要被重建的无运动图像的相位。该实施例可以是有益的，因为从所述上采样磁共振图像导出的k空间数据的相位可能是不正确的。因此，可以通过采用来自所述上采样图像的幅度并采用来自原始临床k空间数据的相位来执行改善的运动校正。
在另一实施例中，所述机器可执行指令的运行还令所述计算系统通过对所述模拟磁共振成像数据或所述上采样磁共振图像执行傅立叶变换来计算模拟k空间数据。针对平行成像技术，这可以包括将所述模拟成像数据与线圈灵敏度图相乘，并对这些图像进行傅立叶变换，然后能够将其k空间直接与由线圈元件中的每个采集的k空间数据进行比较。
所述机器可执行指令的运行还令所述计算系统通过将所述模拟k空间数据与所述临床k空间数据进行比较来检测运动损坏的k空间数据。所述机器可执行指令的运行还令所述计算系统将所述优化限制到所述运动损坏的k空间数据。在该实施例中，可以利用所述模拟k空间数据估计所述临床k空间数据的区域。通过将优化限制到仅是被检测为具有所述损坏的k空间数据的区域，可以大大改善优化的速度和质量。
在另一实施例中，使用所述上采样磁共振图像和所述临床k空间数据来提供所述经运动校正的磁共振图像包括通过对所述模拟磁共振成像数据执行傅立叶变换来计算所述模拟k空间数据。如上文提及的，在平行成像中，这可以包括将所述模拟成像数据与所述线圈灵敏度图相乘，并对这些图像进行傅立叶变换，然后能够将其k空间直接与由所述线圈元件中的每个采集的k空间数据进行比较。
该实施例还包括通过将所述模拟k空间数据与所述临床k空间数据进行比较来检测运动损坏的k空间数据，以及然后最终重新采集所述运动损坏的k空间数据和/或调节对所述临床k空间数据的采集，以补偿所述对象运动。在该实施例中，所述模拟k空间数据被用于检测运动损坏的k空间数据并然后使该数据重新采集。当k空间数据被损坏到使得重建它是不可行或不合期望时，这可以提供对所述经运动校正的磁共振图像的优异重建。
另一实施例中，使用所述上采样磁共振图像和所述临床k空间数据来提供所述经运动校正的磁共振图像包括通过对所述模拟磁共振成像数据执行傅立叶变换来计算模拟k空间数据；通过将所述模拟k空间数据与所述临床k空间数据进行比较来确定运动参数；以及，使用接收所述运动参数作为输入的运动校正算法来根据所述临床k空间数据重建所述经运动校正的磁共振图像。例如，所述运动校正算法可以在对所述经运动校正的磁共振图像的重建之前，使用所述运动参数来位移或平移所述临床k空间数据的至少部分。
在另一实施例中，所述机器可执行指令的运行还令所述计算系统根据所述临床k空间数据来重建初步图像。所述机器可执行指令的运行还令所述计算系统确定所述初步图像与所述模拟磁共振成像数据之间的图像配准。所述机器可执行指令的运行还令所述计算系统在上述实施例中比较所述模拟k空间数据与所述临床k空间数据时，使用该图像配准。例如，这可以用于补偿或校正在所述初步磁共振成像采集与所述临床磁共振成像采集之间的对象运动。例如，这在检测所述临床k空间数据的哪些部分受到运动损坏时会是有用的。这可以通过配准所述模拟k空间数据与初步图像(其为运动损坏的图像)来完成，这很可能将所述模拟图像与被损坏的图像的主要运动状态配准。(相反，如果认为运动片段已知并且所述上采样图像用于估计运动参数，则该步骤并不重要，所估计的运动参数将只是不同。)
在另一实施例中，所述第二分辨率是所述第一分辨率的至少1.5倍。
在另一实施例中，所述第二分辨率是所述第一分辨率的至少2倍。
在另一实施例中，所述第二分辨率是所述第一分辨率的至少3倍。
在另一实施例中，所述第二分辨率是所述第一分辨率的至少4倍。
在另一实施例中，所述初步k空间数据至少部分是从多个磁共振成像线圈元件采集的线圈校准k空间数据。所述机器可执行指令的运行还令所述计算系统针对所述多个磁共振成像线圈元件中的每个重建线圈图像。所述机器可执行指令的运行还令所述计算系统通过至少组合针对所述多个磁共振成像线圈元件中的每个的线圈图像来构建所述初步磁共振图像。该实施例可以是有益的，因为其可以提供改善对磁共振图像的平行成像(例如感测成像)重建的手段。
在另一实施例中，初步k空间数据至少部分是从体线圈采集的。该实施例可以是有益的，因为通常利用体线圈采集的低分辨图像可以用于提供运动校正以获得更高分辨率的临床图像。
在另一实施例中，所述初步k空间数据是磁共振指纹k空间数据。所述初步磁共振图像是定量磁共振图像。该实施例可以是尤其有益的，因为可以直接将所述磁共振指纹数据转换为可以用于运动校正的伪磁共振图像。
在另一方面，本发明提供一种计算机程序，其包括由计算系统运行的机器可执行指令以及也可以由所述计算系统运行的上采样神经网络。所述计算机程序可以被存储在非暂时性存储介质上，并且可以是计算机程序产品。所述上采样神经网络被配置为响应于接收具有第一分辨率的初步磁共振图像而输出具有第二分辨率的上采样磁共振图像。所述第二分辨率高于所述第一分辨率。
所述机器可执行指令的运行还令所述计算系统接收初步k空间数据，其以所述第一分辨率描述所述对象的感兴趣区域。所述机器可执行指令的运行还令所述计算系统根据所述初步k空间数据来重建所述初步磁共振图像。所述机器可执行指令的运行还令所述计算系统接收临床k空间数据，其以所述第二分辨率描述所述对象的所述感兴趣区域。所述机器可执行指令的运行还令所述计算系统响应于将所述初步磁共振图像输入到所述上采样神经网络而接收所述上采样磁共振图像。所述机器可执行指令的运行还令所述计算系统使用所述上采样磁共振图像和所述临床k空间数据来提供经运动校正的磁共振图像。
在另一方面，本发明提供一种医学成像的方法。所述方法包括接收初步k空间数据，其以第一分辨率描述对象的感兴趣区域。所述方法还包括根据所述初步k空间数据来重建初步磁共振图像。所述方法还包括接收临床k空间数据，其以第二分辨率描述所述对象的所述感兴趣区域。所述第二分辨率高于所述第一分辨率。所述方法还包括响应于将所述初步磁共振图像输入到上采样神经网络而接收所述上采样磁共振图像。所述上采样神经网络被配置为响应于接收具有所述第一分辨率的所述初步磁共振图像而输出具有所述第二分辨率的上采样磁共振图像。所述方法还包括使用所述上采样磁共振图像和所述临床k空间数据来提供经运动校正的磁共振图像。
应当理解，可以组合本发明的上述实施例中的一个或多个，只要组合的实施例不互相排斥。
如本领域技术人员将认识到的，本发明的各方面可以被体现为装置、方法或计算机程序产品。因此，本发明的各方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件和硬件方面的实施例的形式，这些实施例在本文中都可以统称为“电路”、“模块”或“系统”。此外，本发明的各方面可以采取体现在其上包括有计算机可执行代码的一个或多个计算机可读介质中的计算机程序产品的形式。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文中使用的“计算机可读存储介质”涵盖可以存储可由计算设备的处理器或计算系统执行的指令的任意有形存储介质。计算机可读存储介质可以被称作计算机可读非暂时性存储介质。计算机可读存储介质也可以被称作有形计算机可读介质。在一些实施例中，计算机可读存储介质还能够存储能够由计算设备的计算系统访问的数据。计算机可读存储介质的范例包括但不限于：软盘、磁性硬盘驱动、固态硬盘、闪存、USB拇指驱动、、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及计算系统的寄存器文件。光盘的范例包括压缩盘(CD)和数字多功能盘(DVD)，例如CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语计算机可读存储介质还指能够由计算机设备经由网络或通信链路访问的各种类型的记录介质。例如，可以通过调制解调器、通过互联网或通过局域网来检索数据。包含在计算机可读介质上的计算机可执行代码可以使用任意合适的介质来传输，包括但不限于无线、有线、光纤电缆、RF等，或是前述的任意适当的组合。
计算机可读信号介质可以包括例如在基带中或作为载波的部分的其中嵌有计算机可执行代码的传播数据信号。这样的传播信号可以采用多种形式中的任一种，包括但不限于电磁、光学，或它们任何合适的组合。计算机可读信号介质可以是非计算机可读存储介质并且可以传送、传播或传输供指令执行系统、装置或设备使用或与其结合的程序的任何计算机可读介质。
“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是计算系统可直接访问的任何存储器。“计算机存储”或“存储”是计算机可读存储介质的又一范例。计算机存储是任意非易失性计算机可读存储介质。在一些实施例中，计算机存储也可以是计算机存储器，反之亦然。
本文中使用的“计算系统”涵盖能够执行程序或机器可执行指令或计算机可执行代码的电子组件。对包括“计算系统”的范例的计算系统的引用应当被解释为可能包含多于一个计算系统或处理核心。计算系统可以例如是多核处理器。计算系统还可以指单个计算机系统内的或分布在多个计算机系统中的计算系统的集合。术语计算系统还应当被解释为可能指计算设备的集合或网络，每个计算设备包括处理器或计算系统。机器可执行代码或指令可以由可以在相同计算设备内或者甚至可以分布在多个计算设备上的多个计算系统或处理器来执行。
机器可执行指令或计算机可执行代码可以包括令处理器或其他计算系统执行本发明的各方面的指令或程序。用于执行本发明各方面的操作的计算机可执行代码可以用一种或多种编程语言的任意组合来编写(包括诸如Java、Smalltalk、C++等的面向对象的编程语言，以及诸如“C”编程语言或类似的编程语言)，并被编译成机器可执行指令。在一些情况下，计算机可执行代码可以是高级语言的形式或预编译的形式，并且可以与即时生成机器可执行指令的解释器结合使用。在其他情况下，机器可执行指令或计算机可执行代码可以是用于可编程逻辑门阵列的编程的形式。
计算机可执行代码可以整体在用户的计算机上运行、作为独立软件包部分在用户的计算机上部分在远程计算机上运行，或者完全在远程计算机或服务器上运行。在后一种情况下，远程计算机可以通过任意类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，使用因特网服务提供商通过因特网)。
参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图示和/或框图描述了本发明的各方面。应当理解，流程图、图示和/或框图的每个框或框的部分在适用时可以由为计算机可执行代码形式的计算机程序指令来实现。还应理解，在互不排斥时，可以组合不同流程图、图示和/或框图中的框的组合。这些计算机程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的计算系统，以产生机器，使得指令在经由计算机或其他可编程数据处理装置的计算系统执行时，创建用于实现流程图中和/或框图块指定的功能/动作的装置。
这些机器可执行指令或计算机程序指令还可以被存储在计算机可读介质中，该计算机可读介质可以指导计算机、其他可编程数据处理装置或其他设备以特定方式运行，使得存储在计算机可读介质中的指令产生包括实现流程图和/或框图块中指定的功能/动作的指令的制品。
机器可执行指令或计算机程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上，以引起一系列操作步骤在计算机、其他可编程装置或其他设备上执行，以产生计算机实现的过程，使得在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或框图块中指定的功能/动作的过程。
本文中使用的“用户接口”是允许用户或操作者与计算机或计算机系统交互的接口。“用户接口”也可以被称作“人机交互设备”。用户接口可以向操作者提供信息或数据和/或从操作者接收信息或数据。用户接口可以使得来自操作者的输入能够被计算机接收并且可以从计算机向用户提供输出。换言之，用户接口可以允许操作者控制或操纵计算机，并且该接口可以允许计算机指示操作者的控制或操纵的效果。在显示器或图形用户界面上显示数据或信息是向操作者提供信息的范例。通过键盘、鼠标、轨迹球、触摸板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、耳机、踏板、有线手套、遥控器和加速度计接收数据都是实现从操作者接收信息或数据的用户接口组件的范例。
本文中使用的“硬件接口”涵盖使得计算机系统的计算系统能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许计算系统向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使得计算系统能够与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口，以及数字输入接口。
本文中使用的“显示器”或“显示设备”涵盖适用于显示图像或数据的输出设备或用户界面。显示器可以输出视觉、音频和/或触觉数据。显示器的范例包括但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪和头戴式显示器。
k空间数据在本文中被定义为在磁共振成像扫描期间使用磁共振装置的天线对由原子自旋发射的射频信号所记录的测量结果。磁共振数据是计算机断层扫描医学图像数据的范例。
磁共振成像(MRI)图像或MR图像在本文中定义为对k空间数据内包含的解剖数据的二维或三维可视化。该可视化可以使用计算机来执行。
附图说明
下文将仅以举例的方式并参考附图描述本发明的优选实施例，附图中：
图1图示了医学仪器的范例；
图2示出了图示使用图1的医学仪器的方法的流程图；
图3图示了医学仪器的另外的范例；
图4示出了图示使用图3的医学仪器的方法的流程图；
图5图示了方法的另外的范例；并且
图6图示了来自概念验证研究的结果。
附图标记
100医学系统
102计算机
104计算系统
106可选的硬件接口
108可选的用户接口
110存储器
120机器可执行指令
122上采样神经网络
124初步k空间数据
126初步磁共振图像
128临床k空间数据
130上采样磁共振图像
132经运动校正的磁共振图像
200接收初步k空间数据，其以第一分辨率描述对象的感兴趣区域
202根据初步k空间数据来重建初步磁共振图像
204接收临床k空间数据，其以第二分辨率描述对象的感兴趣区域
206响应于将初步磁共振图像输入到上采样神经网络而接收上采样磁共振图像
208使用上采样磁共振图像和临床k空间数据来提供经运动校正的磁共振图像
300医学系统
302磁共振成像系统
304磁体
306磁体的膛
308成像区
309视场
310磁场梯度线圈
312磁场梯度线圈电源
314射频线圈
316收发器
318对象
320对象支撑体
330初步脉冲序列命令
332临床脉冲序列命令
334模态转换神经网络
336模拟磁共振图像
400通过利用初步脉冲序列命令控制磁共振成像系统来采集初步k空间数据
402通过利用临床脉冲序列命令控制磁共振成像系统来采集临床k空间数据
500图像重建算法
600高分辨参考图像
602下采样图像
604上采样图像
606模拟运动损坏的图像(平移的)
608k空间中的运动伪影
610图像空间中的运动伪影
612运动损坏的图像(旋转的)
614k空间中的运动伪影
616图像空间中的运动伪影
具体实施方式
这些图中相同编号的元件或为等同的元件或执行相同的功能。如果功能等效的话，则前面已讨论过的元件不一定会在后面的附图中讨论。
图1图示了医学系统100的范例。医学系统100被示为包括计算机102。计算机102旨在表示可以在相同位置或者可以为分布式的一个或多个计算机系统。计算机102被示为包括与可选的硬件接口106、可选的用户接口108以及存储器110通信的计算系统。计算系统104旨在表示可以在一个或多个位置的一个或多个计算系统。计算系统104可以被集成到磁共振成像系统的控制系统中、位于放射科的计算机系统上，或者可以甚至作为基于网页的或基于云的服务来使用。硬件接口106可以使得计算系统104能够通信和/或控制医学系统100的其他部件。例如，如果存在磁共振成像系统，则硬件接口106将使得计算系统104能够控制磁共振成像系统。用户接口108可以为操作者或用户提供控制医学系统100的操作和功能的手段。
存储器110旨在表示计算系统104可用或可访问的不同类型的存储器。存储器110被示为包括机器可执行指令120。机器可执行指令120为使得计算系统104能够执行诸如图像处理、数值计算以及对其他部件的控制的各种任务的指令。存储器110还被示为包含上采样神经网络122，其被配置用于接收初步磁共振图像126，并将其上采样为上采样磁共振图像130。
存储器110还被示为包含初步k空间数据124；例如，其可以然后接收网络接口，从存储器检索或者可以直接由磁共振成像系统采集。存储器110还被示为包含已经根据初步k空间数据124重建的初步磁共振图像126。存储器110还被示为包含临床k空间数据128。临床k空间数据128描述对象的感兴趣区域，并且具有第二分辨率。初步k空间数据124描述相同感兴趣区域并且具有第一分辨率。第二分辨率高于第一分辨率。
存储器110被示为包含通过输入初步磁共振图像126从上采样神经网络122获得的上采样磁共振图像130。上采样磁共振图像130具有第二分辨率。存储器还被示为包含使用临床k空间数据128和上采样磁共振图像130重建的经运动校正的磁共振图像132。上采样磁共振图像130可以以多种方式用于帮助在将临床k空间数据128重建为经运动校正的磁共振图像132时的运动校正。例如，上采样磁共振图像130可以被转换到k空间中，并且这可以用于定位或确定临床k空间数据128的损坏部分。在其他情形下，上采样磁共振图像130可以被用作用于对经运动校正的磁共振图像132的重建的参考图像。
图2示出了图示操作图1的医学系统100的方法的流程图。首先，在步骤200中，接收初步k空间数据124。接下来，在步骤202中，根据初步k空间数据124来重建初步磁共振图像126。然后，在步骤204中，接收临床k空间数据128。接下来，在步骤206中，响应于将初步磁共振图像输入到上采样神经网络122而接收上采样磁共振图像130。然后最后，在步骤208中，使用上采样磁共振图像130和临床k空间数据128来提供经运动校正的磁共振图像132。
图3图示了医学系统300的另外的范例。图3中描绘的医学系统300类似于图1中描绘的医学系统100，除了其额外地包括磁共振成像系统302。
磁共振成像系统302包括磁体304。磁体304为超导圆柱型磁体，具有穿过其的膛306。使用不同类型的磁体也是可能的；例如，也可能使用分离式圆柱形磁体和所谓的开放式磁体二者。分离式圆柱形磁体类似于标准圆柱形磁体，除了低温恒温器已被分成两部分，以允许接近磁体的等平面，这样的磁体例如可以与带电粒子束治疗结合使用。开放式磁体具有两个磁体部分，一个在另一个之上，之间的空间足够大以容纳对象：两个部分的布置类似于亥姆霍兹线圈的布置。开放式磁体是流行的，因为对象较少受限制。圆柱形磁体的低温恒温器内部存在超导线圈的集合。
圆柱形磁体304的膛306内存在成像区308，其中，磁场足够强且均匀以执行磁共振成像。视场309被示为在成像区308内。磁共振数据通常是针对视场309采集的。感兴趣区域可以与视场309相同或者其可以为视场309的子体积。对象318被示为受对象支撑体320支撑，使得对象318的至少部分在视场309和成像区308内。
磁体的膛306内还存在一组磁场梯度线圈310，其用于采集初步磁共振数据，以对磁体304的成像区308内的磁自旋进行空间编码。磁场梯度线圈310连接到磁场梯度线圈电源312。磁场梯度线圈310旨在为代表性的。通常，磁场梯度线圈310包含三组独立的线圈，用于在三个正交的空间方向上进行空间编码。磁场梯度电源为磁场梯度线圈供应电流。供应到磁场梯度线圈310的电流被控制为时间的函数，并且可以为斜坡或脉冲的。
邻近成像区308的是射频线圈314，其用于操纵成像区308内的磁自旋的取向以及用于接收来自同样成像区308内的自旋的无线电发射。射频天线可以包含多个线圈元件。射频天线也可以被称作通道或天线。射频线圈314连接到射频收发器316。射频线圈314和射频收发器316可以由单独的发射和接收线圈以及单独的发射器和接收器代替。应当理解，射频线圈314和射频收发器316为代表性的。射频线圈314旨在还表示专用发射天线和专用接收天线。类似地，收发器316也可以表示单独的发射器和接收器。射频线圈314也可以具有多个接收/发射元件，并且射频收发器316可以具有多个接收/发射通道。
收发器316和梯度控制器312被示为连接到计算机系统102的硬件接口106。这些部件以及诸如提供位置数据的对象支撑体的其他部件二者均可以提供传感器数据126。
存储器110被示为包含初步脉冲序列命令330和临床脉冲序列命令332，其分别被配置用于控制磁共振成像系统302采集初步k空间数据124和临床k空间数据128。存储器还被示为包含模态转换神经网络334，其用于转换磁共振图像的模态或对比度。例如，模态转换神经网络可以为第一分辨率模态转换神经网络或第二分辨率模态转换神经网络。
初步k空间数据124和临床k空间数据128可以使用不同的对比度来采集。例如，初步k空间数据124可以是以相对低的分辨率采集的简单质子密度图像，作为侦查或导航图像。临床k空间数据128可以具有不同的对比度，例如为T1或T2加权图像。模态转换神经网络334与上采样神经网络122结合使用。它们例如可以以不同的方式来配置。在一种情形下，首先使用上采样神经网络122，并且然后使用模态转换神经网络334(在该情况下，模态转换神经网络344为第二分辨率模态转换神经网络)。在其他配置中，首先使用模态转换神经网络334，并且然后使用上采样神经网络122(在该情况下，模态转换神经网络为第一分辨率模态转换神经网络)。任一种情况下，使用两种神经网络334、122的结果都是获得具有与临床k空间数据128相同模态或对比度以及相同的第二分辨率的模拟磁共振图像336。模拟磁共振图像336或上采样磁共振图像130然后用于利用临床k空间数据来提供经运动校正的磁共振图像。例如，这可以通过对经运动校正的磁共振图像132进行运动补偿的重建来执行。例如，运动补偿的重建可以执行优化，其在该重建期间使用上采样磁共振图像130或模拟磁共振图像336作为无运动图像。
图4示出了图示操作图3的医学系统300的另外的方法的流程图。首先，在步骤400中，通过利用初步脉冲序列命令330控制磁共振成像系统302来采集初步k空间数据。然后，在步骤402中，通过利用临床脉冲序列命令332控制磁共振成像系统302来采集临床k空间数据128。在步骤402之后，如图1中图示的执行步骤200、202、204、206和208。
范例可以提供使用至少一个专用神经网络(上采样神经网络122以及可能的模态转换神经网络334)来变换低分辨预扫描(初步磁共振图像126)以获得对后续解剖扫描(T1w、T2w等)的高分辨估计的方法。在第一步骤中，超分辨网络(上采样神经网络122)将预扫描数据上采样到目标分辨率(第二分辨率)。在第二步骤中，专用网络将数据转换为目标对比度。
在解剖扫描之一期间患者运动的情况下，该转换预扫描可以在一个范例中被用作无运动参考，以识别k空间的损坏部分，并估计相关运动参数。该信息随后在运动补偿的重建中得到采用。备选地，可以在对解剖扫描的数据采集期间实时执行对损坏的k空间轮廓的识别，由此引导合适的数据重新采集以减少运动伪影。
因患者运动造成的图像质量的下降是MRI的临床应用中最频繁的问题之一。许多患者都难以在整个扫描过程期间保持平静。对运动伪影的回顾性校正依赖于对k空间的损坏部分的准确识别和/或对描述患者运动的一组参数的估计。先前针对该任务提出的方法要么缺乏稳健性，要么涉及极长的重建时间。用于损坏发射识别和运动参数估计的改进的方法具有在实质上减少这些计算时间的潜力。
范例可以使用诸如感测参考扫描(SenseRefScan)的预扫描数据，以获得对随后的解剖扫描的估计。这在一些范例中使用用于超分辨(上采样神经网络)和对比度转换(模态转换神经网络)的两个专用网络来实现。得到的转换预扫描数据然后被用于识别k空间的损坏部分和/或估计相关运动参数作为运动补偿的重建的部分。
图5中示出范例的方法的概览。图5示出了以图形方式表示成像的方法的流程图。在该范例中，初步磁共振图像126或预扫描被馈送到上采样神经网络122中，上采样神经网络122也可以被称作超分辨网络。这导致也可以被称作上采样预扫描的上采样磁共振图像130。预上采样磁共振图像130然后被馈送到模态转换神经网络334或对比度转换网络中。这导致也可以被称作转换预扫描图像的模拟磁共振图像336。图5中的范例仅表示一种可能。如果图像是相同模态的，则可以跳过模态转换神经网络334，因为不需要制作模拟磁共振图像336。在另外的范例中，在超分辨网络122之前应用对比度转换网络334。在该情况下，转换图像336然后被上采样为上采样预扫描130。在任一种情况下，转换预扫描336连同临床k空间数据128一起被馈送到运动校正算法中，以计算经运动校正的磁共振图像。
在第一步骤(122)中，使用超分辨网络(上采样神经网络122)将预扫描数据(初步磁共振图像126)转换为目标分辨率(第二分辨率)。出于该目的，可以设想各种网络架构和训练设置。在概念验证(POC)研究中，在以因子4下采样的高分辨自然图像的数据集上训练子像素卷积神经网络。
在第二步骤中，使用专用对比度转换网络(模态转换神经网络334)将上采样预扫描数据(上采样磁共振图像130)转换为目标MR对比度。针对该网络能够使用各种图像到图像架构，例如U Net、F-Net等。可以以多种方式实现对合适的数据集的创建：
在临床数据库中识别具有相同几何形状的无伪影扫描对，如果需要的化，使用两个扫描的配准创建数据库。
采集包含组织参数图的定量数据集，以实现对任意MR对比度的正向模拟，即质子密度、T1和T2图。诸如扩散、灌注等的附加组织参数可以有助于将所述方法扩展到功能MR序列。
如果具有相同几何形状的匹配的扫描对不可获得，则也可以使用(未配对的)扫描的大数据集。该情况下，可以使用cycleGAN网络架构。为了避免专用对比度转换网络针对扫描参数设置的每个调整(如，TE和TR的改变)进行训练，转换网络能够被设计为并入这些扫描设置作为附加输入。这样的涉及的一个可能是，在网络中包括自适应实例归一化(AdaIn)层。
然后将经转换的预扫描数据(后文中用xp指代)用作运动校正模型中的先验信息。该模型中对数据处理的多种实施是可能的：
对k空间的损坏部分的识别可以通过减去傅立叶变换的转换预扫描和采集的解剖数据来实现。假设这些数据之间大的偏差对应于因运动损坏的k空间部分，并且例如能够通过限阈来识别。
在旨在重新采集k空间的损坏部分的实时运动伪影减少技术中，这样得到的信息可以用作运动补偿的重建(参见下文)中的先验信息，以简化和加速计算，以引导涉及对运动损坏数据的拒绝的迭代重建方法。这里，可以利用在开始解剖扫描之前可以执行预扫描数据集的全部处理步骤，由此允许对传入的解剖数据非常快的处理。
可以使用运动补偿的重建来执行对运动伪影的回顾性校正，这可以由下式来描述
其中y指代所测量的k空间数据，x指代要被重建的无伪影图像，Tθ指代由θ参数化的运动变换矩阵，C指代线圈灵敏度，指代傅立叶变换以及M指代合适的采样矩阵。由于无运动图像x是未知的，通过使用经转换的预扫描数据xp代替x，针对运动参数θ解决以上问题。
该方法的复杂之处是对解剖扫描的相位的准确预测：由于对损坏轮廓的检测是在k空间中执行的，需要复杂的数据。若干方法可能解决该问题：
针对较小的运动伪影，所采集到的运动损坏的数据的相位能够简单地被应用到经转换的预扫描幅度数据。仍能够检测到损坏的轮廓。
所采集到的运动损坏的数据的相位中的运动伪影在将其与预扫描幅度数据组合之前得到校正。针对较小的伪影，对相位的简单多项式拟合就足够了。针对更严重的伪影，已发现专用的图像到图像网络可以产生非常准确的无伪影相位图像。
可以通过求解组合最小化问题：与运动参数θ同时估计xp的相位图/>在参数θ仅具有几个分量时(例如在刚性运动的情况下)，可以迭代地对该问题求解。能够利用运动损坏的图像的相位对/>进行初始化。
为了展示本发明的可行性，使用在志愿者中获得的2D高分辨脑部数据来进行POC实验。结果示于图6中。
图6示出了在模拟中使用的图像，以展示运动校正的效率。图像600示出了高分辨二维脑部扫描。图像602是与600相同的图像，其已经以因子4进行下采样。图像604是具有与图像600相同的分辨率的图像，但已经通过利用超分辨率神经网络对图像602进行上采样而构建的。图像606示出了运动损坏的图像，具有针对单个发射的平移引起的误差。图像608示出了运动损坏的图像与超分辨率神经网络的在k空间中的输出之间的差，其中，亮的垂直线对应于运动损坏的发射。图像610示出了在垂直方向上对差值图像608应用高斯滤波器的结果。图像612示出了运动损坏的图像，具有针对单个发射的旋转引起的误差。图像614示出了运动损坏的数据与超分辨率神经网络在k空间中的输出之间的差，其中，亮的垂直线对应于运动损坏的发射。图像616示出了在垂直方向上对差值图像614应用高斯滤波器的结果。
首先以因子4对高分辨输入数据600进行下采样(图像602)。然后利用在自然图像上训练的专用超分辨网络对该低分辨“预扫描”图像xp进行上采样，以获得对输入数据(604)的估计。为了测试该方法对运动检测的灵敏度，假设回波链长度为28的TSE读出，并且单个发射以2px平移(对应于1.4mm)608被损坏。在傅立叶域中对上采样预扫描和运动损坏的数据的减法明确示出了对应于损坏的轮廓610的垂直线。为了改善这些损坏的轮廓的可视性，在读出方向612上应用高斯滤波器。在底部行中示出了针对2°旋转的对应结果(图像612至616)。
针对所描述的系统和方法的设计和应用，可以考虑附加特征：
代替使用SENSE参考扫描，可以使用专用快速预扫描，其产生较低分辨率但与解剖扫描相同的对比度。该方式可以跳过对比度转换步骤，可能会减少关联的错误，即，提高所述方法相对于非常弱的运动的灵敏度。
在检查开始时能够执行单次低分辨磁共振指纹(MRF)预扫描。得到的定量组织参数图(质子密度、T1、T2、…)然后能够用于给出对全部后续解剖扫描的低分辨估计。再次，该情境下可以跳过图5中的对比度转换步骤。
尽管已经在附图和前面的描述中详细示出和描述了本发明，但应将这样的示出和描述认为是说明性或示例性的而非限制性的；本发明不限于所公开的实施例。
本领域技术人员在实践要求保护的发明时，通过对附图、公开内容和所附权利要求的研究，可以理解并实现所公开的实施例的其他变型。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中列举的几个项目的功能。相互不同的从属权利要求中记载某些措施这一仅有事实并不指示不能利用这些措施的组合。计算机程序可以被存储/分布在适当的介质上，例如与其他硬件一起或作为其他硬件的部分提供的光学存储介质或固态介质，但也可以以其他形式分布，例如经由因特网或者其他有线或无线电信系统。权利要求中的任何附图标记不应被解释为限制范围。
Claims (15)
1.一种医学系统(100、300)，包括：
-存储器(110)，其存储机器可执行指令(120)和上采样神经网络(122)，其中，所述上采样神经网络被配置为响应于接收具有第一分辨率的初步磁共振图像(126)而输出具有第二分辨率的上采样磁共振图像(130)，其中，所述第二分辨率高于所述第一分辨率，
-计算系统(104)，其中，所述机器可执行指令的运行令所述计算系统：
-接收(200)初步k空间数据(124)，其以所述第一分辨率描述对象的感兴趣区域；
-根据所述初步k空间数据来重建(202)所述初步磁共振图像；
-接收(204)临床k空间数据(204)，其以所述第二分辨率描述所述对象的所述感兴趣区域；
-响应于将所述初步磁共振图像输入到所述上采样神经网络而接收(206)所述上采样磁共振图像；以及
-使用所述上采样磁共振图像和所述临床k空间数据来提供(208)经运动校正的磁共振图像(132)。
2.如权利要求1所述的医学系统，其中，所述医学系统还包括磁共振成像系统(302)，其中，所述存储器还包含初步脉冲序列命令(330)和临床脉冲序列命令(332)，其中，所述初步脉冲序列命令被配置为控制所述磁共振成像系统采集所述初步k空间数据，其中，所述临床脉冲序列命令被配置为控制所述磁共振成像系统采集所述临床k空间数据，其中，所述机器可执行指令的运行还令所述计算系统：
-通过利用所述初步脉冲序列命令控制所述磁共振成像系统来采集(400)所述初步k空间数据；以及
-通过利用所述临床脉冲序列命令控制所述磁共振成像系统来采集(402)所述临床k空间数据。
3.如权利要求2所述的医学系统，其中，所述初步k空间数据是使用第一磁共振成像模态采集的，其中，所述临床k空间数据是使用第二磁共振成像模态采集的，其中，提供所述经运动校正的磁共振图像包括使用所述上采样磁共振图像提供模拟磁共振图像，其中，所述模拟磁共振图像具有所述第二分辨率和所述第二磁共振成像模态。
4.如权利要求3所述的医学系统，其中，所述模拟磁共振图像是通过以下中的任一项提供的：
-所述第一磁共振成像模态与所述第二磁共振成像模态相同；
-所述上采样神经网络被配置为输出所述上采样磁共振图像作为所述模拟磁共振图像；
-所述存储器还包含第二分辨率模态转换神经网络(334)，所述第二分辨率模态转换神经网络被配置为响应于接收所述上采样磁共振图像而输出所述模拟磁共振图像，其中，所述机器可执行指令的运行还令所述计算系统响应于将所述上采样磁共振图像输入到所述第二分辨率模态转换神经网络而接收所述模拟磁共振图像；并且
-所述存储器还包括第一分辨率模态转换神经网络(334)，所述第一分辨率模态转换神经网络被配置为将所述初步磁共振图像从所述第一磁共振成像模态转换到所述第二磁共振成像模态，其中，所述机器可执行指令的运行还令所述计算系统响应于将所述初步磁共振图像输入到所述第一分辨率模态转换神经网络而接收经转换的初步磁共振图像，其中，所述上采样神经网络被配置为响应于接收所述经转换的初步磁共振图像作为输入而输出所述上采样磁共振图像作为所述模拟磁共振图像。
5.如前述权利要求中的任一项所述的医学系统，其中，使用所述上采样磁共振图像和所述临床k空间数据提供经运动校正的磁共振图像包括使用所述上采样磁共振图像或所述模拟磁共振图像来执行对所述经运动校正的磁共振图像的运动补偿的重建。
6.如权利要求5所述的医学系统，其中，所述运动补偿的重建被执行为优化，所述优化使用所述上采样磁共振图像或所述模拟磁共振图像作为要被重建的无运动图像。
7.如权利要求6所述的医学系统，其中，所述运动补偿的重建包括使用至少部分地根据所述临床k空间数据确定的相位图来确定要被重建的所述无运动图像的相位。
8.如权利要求6或7所述的医学系统，其中，所述机器可执行指令的运行还令所述计算系统：
-通过对所述模拟磁共振成像数据或所述上采样磁共振图像执行傅立叶变化而计算模拟k空间数据；以及
-通过将所述模拟k空间数据与所述临床k空间数据进行比较来检测运动损坏的k空间数据；以及
-将所述优化限制到所述运动损坏的k空间数据。
9.如权利要求3或4所述的医学系统，其中，使用所述上采样磁共振图像和所述临床k空间数据提供所述经运动校正的磁共振图像包括：
-通过对所述模拟磁共振成像数据执行傅立叶变换来计算模拟k空间数据；
-通过将所述模拟k空间数据与所采集的所述临床k空间数据进行比较来检测运动损坏的k空间数据；以及
-重新采集所述运动损坏的k空间数据和/或调节对所述临床k空间数据的采集，以调节所述对象运动。
10.如权利要求3或4所述的医学系统，其中，使用所述上采样磁共振图像和所述临床k空间数据来提供所述经运动校正的磁共振图像包括：
-通过对所述模拟磁共振成像数据执行傅立叶变换来计算模拟k空间数据；
-通过将所述模拟k空间数据与所述临床k空间数据进行比较来确定运动参数；以及
-使用接收所述运动参数作为输入的运动校正算法，根据所述临床k空间数据来重建所述经运动校正的磁共振图像。
11.如前述权利要求中的任一项所述的医学系统，其中，所述初步k空间数据至少部分是从多个磁共振成像线圈元件采集的线圈校准k空间数据，其中，所述机器可执行指令的运行还令所述计算系统：
-根据所述线圈校准k空间数据来重建针对所述多个磁共振成像线圈元件中的每个的线圈图像；以及
-通过组合至少针对所述多个磁共振成像线圈元件中的每个的所述线圈图像来构建所述初步磁共振图像。
12.如前述权利要求中的任一项所述的医学系统，其中，所述初步k空间数据至少部分地从体线圈采集。
13.如权利要求1至10中的任一项所述的医学系统，其中，所述初步k空间数据是磁共振指纹k空间数据，其中，所述初步磁共振图像是定量磁共振图像。
14.一种计算机程序，其包括用于由计算系统(104)运行的机器可执行指令以及上采样神经网络(122)，其中，所述上采样神经网络被配置为响应于接收具有第一分辨率的初步磁共振图像而输出具有第二分辨率的上采样磁共振图像(130)，其中，所述第二分辨率高于所述第一分辨率，其中，所述机器可执行指令的运行令所述计算系统：
-接收(200)初步k空间数据(124)，其以所述第一分辨率描述对象的感兴趣区域；
-根据所述初步k空间数据来重建(202)所述初步磁共振图像(126)；
-接收(204)临床k空间数据(128)，其以所述第二分辨率描述所述对象的所述感兴趣区域；
-响应于将所述初步磁共振图像输入到所述上采样神经网络而接收(206)所述上采样磁共振图像；以及
-使用所述上采样磁共振图像和所述临床k空间数据来提供(208)经运动校正的磁共振图像(132)。
15.一种医学成像的方法，其中，所述方法包括：
-接收(200)初步k空间数据(124)，其以第一分辨率描述对象的感兴趣区域；
-根据所述初步k空间数据来重建(202)初步磁共振图像(126)；
-接收(204)临床k空间数据(128)，其以第二分辨率描述所述对象的所述感兴趣区域，其中，所述第二分辨率高于所述第一分辨率；
-响应于所述初步磁共振图像输入到上采样神经网络(122)而接收(206)上采样磁共振图像(130)，其中，所述上采样神经网络被配置为响应于接收具有所述第一分辨率的所述初步磁共振图像而输出具有所述第二分辨率的上采样磁共振图像；以及
-使用所述上采样磁共振图像和所述临床k空间数据来提供(208)经运动校正的磁共振图像(132)。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP21201965.7A EP4163657A1 (en) | 2021-10-11 | 2021-10-11 | Motion correction using low resolution magnetic resonance images |
| EP21201965.7 | 2021-10-11 | ||
| PCT/EP2022/077578 WO2023061808A1 (en) | 2021-10-11 | 2022-10-04 | Motion correction using low resolution magnetic resonance images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118103721A true CN118103721A (zh) | 2024-05-28 |
Family
ID=78087198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280068641.3A Pending CN118103721A (zh) | 2021-10-11 | 2022-10-04 | 使用低分辨磁共振图像的运动校正 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4163657A1 (zh) |
| CN (1) | CN118103721A (zh) |
| WO (1) | WO2023061808A1 (zh) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5960163B2 (ja) | 2010-12-22 | 2016-08-02 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 校正スキャン、コイル感度マップ及びナビゲータを使用する、剛体動き補償のためのパラレルｍｒｉ方法 |
-
2021
- 2021-10-11 EP EP21201965.7A patent/EP4163657A1/en not_active Withdrawn
-
2022
- 2022-10-04 WO PCT/EP2022/077578 patent/WO2023061808A1/en active Application Filing
- 2022-10-04 CN CN202280068641.3A patent/CN118103721A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023061808A1 (en) | 2023-04-20 |
| EP4163657A1 (en) | 2023-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2017502727A (ja) | 拡大視野への補間を用いたｍｒｉのｒｆコイル感度の計算 | |
| JP6574439B2 (ja) | プロペラ磁気共鳴撮像 | |
| US20230122915A1 (en) | Reduction of off-resonance effects in magnetic resonance imaging | |
| WO2021052898A1 (en) | Motion corrected tracer-kinetic mapping using mri | |
| CN111542762B (zh) | 双分辨率Dixon磁共振成像 | |
| US20210364587A1 (en) | Motion estimation and correction in magnetic resonance imaging | |
| RU2764643C2 (ru) | Управляемая потоком данных коррекция фазозависимых артефактов в системе магнитно-резонансной томографии | |
| EP4224194A1 (en) | Distortion artifact removal and upscaling in magnetic resonance imaging | |
| US20230186532A1 (en) | Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations | |
| US11995825B2 (en) | Method for motion artifact detection | |
| JP7401450B2 (ja) | ３次元磁気共鳴イメージングにおける自律ナビゲーション | |
| EP4163657A1 (en) | Motion correction using low resolution magnetic resonance images | |
| CN113661404B (zh) | 使用模拟磁共振图像对磁共振图像的校正 | |
| EP4321891A1 (en) | Two-stage denoising for magnetic resonance imaging | |
| EP4266074A1 (en) | Segmentation of medical images reconstructed from a set of magnetic resonance images | |
| EP4321890A1 (en) | Reconstruction parameter determination for the reconstruction of synthesized magnetic resonance images | |
| EP4306980A1 (en) | Determiniaton of b0 inhomogeneity in magnetic resonance imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |