DE102020209913A1

DE102020209913A1 - Computerimplementiertes Verfahren zur Korrektur von phasenbasierten Artefakten in der Magnetresonanz, Korrektursystem, Computerprogramm und elektronisch lesbarer Datenträger

Info

Publication number: DE102020209913A1
Application number: DE102020209913.8A
Authority: DE
Inventors: Mario Zeller; Adam Kettinger; Dominik Paul
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthcare GmbH
Priority date: 2020-08-05
Filing date: 2020-08-05
Publication date: 2021-07-22

Abstract

Computerimplementiertes Verfahren zur Korrektur von durch Veränderungen der Bildphase entstehenden Artefakten in einem mit einer Magnetresonanzeinrichtung (62) aufgenommenen Magnetresonanzdatensatz (33), wobei zur Ermittlung korrigierter Magnetresonanzdaten (33) folgende Schritte durchgeführt werden:- Zusammenstellen von wenigstens einen Teil der Magnetresonanzdaten (33) und/oder aus diesen abgeleitete Daten umfassenden Eingangsdaten (40),- Anwendung eines trainierten Auswertungsalgorithmus (36) der künstlichen Intelligenz auf die Eingangsdaten (40) zur Ermittlung von die Artefakte betreffenden Phasenkorrekturinformationen (37), und- Verwendung der Phasenkorrekturinformationen (37) zur Korrektur der Magnetresonanzdaten (33).

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Korrektur von durch Veränderungen in der Bildphase entstehenden Artefakten in einem mit einer Magnetresonanzeinrichtung aufgenommenen Magnetresonanzdatensatz. Daneben betrifft die Erfindung ein Korrektursystem, ein Computerprogramm und einen elektronisch lesbaren Datenträger.
In der Magnetresonanzbildgebung ist es üblich, einen Magnetresonanzdatensatz aus mehreren Teildatensätzen zusammenzusetzen, die insbesondere zeitlich aufeinander folgend aufgenommen wurden. Um Teildatensätze aufzunehmen, ist es in einer Magnetresonanzsequenz beispielsweise denkbar, in unterschiedlichen Gradientenechos oder Spinechos verschiedene Abschnitte des k-Raums auszulesen, welche dann zum gesamten aufzunehmenden k-Raum zusammengesetzt und weiterverarbeitet werden. Beispielsweise ist es bei der Turbospin-Echo-Bildgebung (TSE-Bildgebung) bekannt, nach Ausgabe eines Hochfrequenzpulses durch Verwenden mehrerer Refokussierungspulse verschiedene Spinechos zu generieren, die jeweils eine Zeile des k-Raums abbilden. In der echoplanaren Bildgebung (EPI - Echo-Planar Imaging) werden durch Ändern der Polarität des Auslesegradientenpulses mehrere Paare von Gradientenechos erzeugt, um den k-Raum, insbesondere ebenso zeilenweise, abzutasten.
Dabei kann jedoch das Problem auftreten, dass unterschiedliche Evolutionen der Phasen für die verschiedenen Teildatensätze auftreten. Ursächlich hierfür können Magnetfeldinhomogenitäten, Wirbelstromeffekte und geringfügige zeitliche Verschiebungen sein. Werden derartige Phasenabweichungen zwischen unterschiedlichen Teildatensätzen nicht berücksichtigt, kann es zu Artefakten im resultierenden Magnetresonanzdatensatz, insbesondere einem erzeugten Magnetresonanzbild, kommen.
Im Beispiel der EPI erfordert die alternierende Polarität des Auslesegradientenpulses, dass die ausgelesenen Magnetresonanzsignale so in eine den k-Raum repräsentierende Rohdatenmatrix eingefügt werden, dass sich die Reihenfolge, in der Magnetresonanzdaten in die Rohdatenmatrix eingefügt werden, sich von Zeile in Zeile im k-Raum ändert. Auch eine geringfügige zeitliche Verschiebung bei der Messung in unterschiedlichen Polaritäten kann zu Phasenverschiebungen zwischen den vermessenen Echos führen. Nachdem, wie bereits erwähnt, die Polaritäten alternierend vermessen werden, unterscheiden sich mithin die Phasenverläufe von ungeradzahligen Echos, konkret k-Raumzeilen, von denen von geradzahligen Echos. Das hieraus resultierende Artefakt im Ortsraum wird üblicherweise als Nyquist-Geist bzw. N/2-Geist bezeichnet.
Um dieses Problem zumindest zu reduzieren, wurden im Stand der Technik bereits verschiedene Vorgehensweisen zur Phasenkorrektur bei EPI-Sequenzen vorgeschlagen. Ein erstes der Korrekturverfahren kann als interne Phasenkorrektur bezeichnet werden und wird beispielsweise in US 6,043,651 A beschrieben. Nach dem Anregungspuls, aber vor dem Auslesezug (und in der Diffusionsbildgebung üblicherweise vor dem Refokussierungspuls) werden Auslesegradientenpulse von positiver und negativer Amplitude ohne Phasencodierung ausgespielt. Dabei werden Referenzdaten aufgenommen, und zwar üblicherweise in jeder Schicht und jedem Volumen, das bedeutet, nach jedem Anregungspuls. Die gemessenen Referenzdaten werden dann genutzt, um die verschiedenen Verzögerungen und Phasen der Auslesegradienten unterschiedlicher Polarität zu korrigieren sowie um Korrekturen für andere dynamisch veränderliche Größen umzusetzen, beispielsweise für Verschiebungen des Grundmagnetfelds (B₀).
Dieser Ansatz hat jedoch den Nachteil, dass durch die zusätzliche Aufnahme von (internen) Referenzdaten die minimal erreichbare Echozeit (TE) erhöht wird, nachdem die Referenzmessung für jede Schicht durchgeführt wird, im Fall von diffusionsgewichteter Bildgebung vor der Ausgabe der Diffusionsgradienten. Weiterhin gilt, dass die effektive Echozeit und der T2*-Zerfall der Referenzmessung und der tatsächlichen Bildgebungsmessung unterschiedlich sind (das bedeutet insbesondere, dass die Bildgebungsscans im Spinechozentrum durchgeführt werden, während die Referenzmessung außerhalb davon stattfindet), so dass dieser Phasenkorrekturansatz zu inadäquater Phasenkorrektur in Off-Resonanz-Gewebe, beispielsweise Fett oder Silikon, führen kann, was wiederum in Geist-Artefakten resultieren kann.
Ein weiterer im Stand der Technik bekannter Ansatz ist die sogenannte externe Phasenkorrektur, wofür beispielsweise auf das Buch von Schmidt/Stehling/Turner, „Echo-Planar Imaging: Theory, Technique and Application“, Springer Science and Business Media, 06.12.2012, Seite 163, verwiesen sei. Dabei werden Referenzdaten nur einmal in einer getrennten (externen) Referenzmessung aufgenommen, das bedeutet, vor dem ersten Bildgebungsvolumen, wobei derselbe Zeitablauf wie in der Bildgebungsmessung verwendet wird. Das bedeutet, dieselbe Magnetresonanzsequenz wird ausgespielt, aber ohne Phasencodierung. Der entstehende (externe) Referenzdatensatz wird darin genutzt, um die Verzögerungen und Phasendifferenzen positiver und negativer Auslesegradienten durch die gesamte Aufnahmedauer zu korrigieren. Auf diese Weise sind die effektive Echozeit und die T2*-Relaxationszeit der Referenzmessung und der Bildgebungsmessung gleich, so dass das oben erwähnte Off-Resonanz-Gewebe-Problem zusätzlicher Geist-Artefakte nicht mehr auftritt und die minimal erreichbare Echozeit nicht erhöht wird. Jedoch liegt ein Nachteil dieses Verfahrens darin, dass es keine dynamischen Informationen bereitstellt. Ändern sich die Hardwareverzögerungen und andere Ursachen für Phasenänderungen über die Bildgebungsmessung, verschlechtert sich konsequenter Weise die Qualität der Phasenkorrektur und es können Geist-Artefakte auftreten. Dazu kommt, dass andere dynamische Effekte, beispielsweise Grundmagnetfeld-Verschiebungen, nicht kompensiert werden können. Schließlich ist festzuhalten, dass sich die Gesamtaufnahmedauer um die Messzeit eines Volumens verlängert.
Bei beiden Vorgehensweisen werden üblicherweise Korrekturphasen nullter und erster Ordnung durch einen linearen Fit-Vorgang bestimmt, wobei insbesondere auf die ausführliche Erläuterung in US 6,043,651 A verwiesen sei. Es wurden jedoch auch fortgeschrittenere Verfahren beschrieben, um Phasenkorrekturwerte abhängig von verschiedenen Dimensionen des k-Raums bzw. getrennt für unterschiedliche Spulenkanäle zu bestimmen, wobei rein beispielshaft auf US 8,497,681 B2 verwiesen sei.
Der Erfindung liegt daher die Aufgabe zugrunde, eine qualitativ hochwertige Phasenkorrektur bei Vermeidung der bezüglich des Standes der Technik dargestellten Nachteile anzugeben.
Zur Lösung dieser Aufgabe sind erfindungsgemäß ein Verfahren, ein Korrektursystem, ein Computerprogramm und ein elektronisch lesbarer Datenträger gemäß den unabhängigen Ansprüchen vorgesehen. Vorteilhafte Ausgestaltungen ergeben sich aus den Unteransprüchen.
Bei einem Verfahren der eingangs genannten Art sieht die vorliegende Erfindung mithin vor, dass zur Ermittlung korrigierter Magnetresonanzdaten folgende Schritte durchgeführt werden:

- Zusammenstellen von wenigstens einen Teil der Magnetresonanzdaten und/oder aus diesen abgeleitete Daten umfassenden Eingangsdaten,
- Anwendung eines trainierten Auswertungsalgorithmus der künstlichen Intelligenz auf die Eingangsdaten zur Ermittlung von die Artefakte betreffenden Phasenkorrekturinformationen, und
- Verwendung der Phasenkorrekturinformationen zur Korrektur der Magnetresonanzdaten.

Erfindungsgemäß wird also vorgeschlagen, Korrekturinformationen aus den Bildgebungs-Rohdaten, also den aufgenommenen Magnetresonanzdaten, unmittelbar abzuleiten, indem künstliche Intelligenz in Form eines trainierten Auswertungsalgorithmus verwendet wird, insbesondere ein Convolutional Neural Network (CNNs). Dabei hat sich gezeigt, dass sich dieses Vorgehen besonders vorteilhaft auf den Fall von Nyquist-N/2-Geistern bei der EPI anwenden lassen, das bedeutet, mit besonderem Vorteil werden die Magnetresonanzdaten mittels einer EPI-Magnetresonanzsequenz aufgenommen und die Phasenkorrekturinformationen werden Nyquist-Geister-Artefakte aufgrund des Wechsels der Ausleserichtung von k-Raumzeile zu k-Raumzeile betreffend ermittelt. Grundsätzlich ist es jedoch denkbar, auch andere phasenbezogene Artefakte mittels der hier beschriebenen Vorgehensweise zu korrigieren, beispielsweise die Phasenkorrekturinformationen durch eine Drift des Grundmagnetfeldes entstehende Verschiebungsartefakte betreffend zu ermitteln. Besonders bevorzugt betreffen die Phasenkorrekturinformationen sowohl eine B₀-Drift als auch Nyquist-Geister sowie gegebenenfalls weitere phasenbezogene Effekte, beispielsweise Maxwell-Felder. Nichtsdestotrotz soll sich, ohne beschränkend zu wirken, die folgende Beschreibung hauptsächlich auf die im Zentrum stehende Korrektur von Nyquist-Geistern bei der EPI (Echo planaren Bildgebung) beziehen.
In diesem Zusammenhang kann konkret vorgesehen sein, dass als Nyquist-Geister-Artefakte betreffende Phasenkorrekturinformationen insbesondere schichtspezifische Korrekturphasenwerte wenigstens nullter und erster Ordnung ermittelt werden. Diese Korrekturphasenwert bilden auch wenigstens teilweise weitere Effekte, wie Wirbelstromeffekte und dergleichen, ab. Mithin wird es durch die vorliegende Erfindung ermöglicht, ohne eine zusätzlich notwendige Referenzmessung ebenso die gängigen Korrekturphasenwerte zu ermitteln, bezüglich derer nochmals auf die eingangs genannten Quellen zur internen bzw. externen Phasenkorrektur verwiesen sei.
Zusammenfassend erlaubt es die Erfindung in einem bevorzugten Ausführungsbeispiel also, einen trainierten Auswertungsalgorithmus der künstlichen Intelligenz, insbesondere umfassend ein CNN, zu nutzen, um Phasenkorrekturinformationen bezüglich von Nyquist-Geistern für die EPI unmittelbar aus den aufgenommenen Magnetresonanzdaten herzuleiten. So ist vorteilhafter Weise keine Erhöhung der minimal möglichen Echozeit oder der Gesamtaufnahmedauer durch eine Referenzmessung nötig. Weitere negative, phasenbezogene Artefakte auslösende Effekte, wie beispielsweise Wirbelströme, können vorteilhaft ebenso berücksichtigt werden. Die Ergebnisse weisen dieselbe zeitliche Auflösung wie die Bildgebungsmessung auf und können, wie dargelegt wurde, ebenso eingesetzt werden, um Korrekturfaktoren bezüglich der B₀-Drift zu ermitteln.
Eine zweckmäßige Weiterbildung im Kontext der EPI sieht im Übrigen auch vor, dass bei der Zusammenstellung der Eingangsdaten jeweiligen Auslesepolaritäten zugehörige Magnetresonanzdaten als in einer Dimension der Eingangsdaten zusammenhängende Eingangsdatenblöcke bereitgestellt werden. Mit anderen Worten kann vorgesehen sein, dass die unterschiedlichen Polaritäten des Auslesegradientenpulses zugeordneten Magnetresonanzdaten getrennt und in einer zusätzlichen oder bereits vorhandenen Dimension, insbesondere der Spulenkanaldimension, wieder verkettet werden. Üblicherweise betrifft dies im Rahmen der EPI die ungeraden k-Raumzeilen (erste, dritte, fünfte, ...) und die geraden k-Raumzeilen (zweite, vierte, sechste, ...). Es hat sich gezeigt, dass auf diese Weise die Robustheit der eingesetzten künstlichen Intelligenz erhöht werden kann.
Im Allgemeinen bildet ein Algorithmus der künstlichen Intelligenz, der auch als trainierte Funktion bezeichnet werden kann, kognitive Funktionen ab, die mit menschlichen Gehirnen assoziiert werden. Durch Maschinenlernen (Training) basierend auf Trainingsdaten ist ein Algorithmus der künstlichen Intelligenz in der Lage, sich an neue Umstände anzupassen und Muster zu detektieren und zu extrapolieren.
Parameter eines Algorithmus der künstlichen Intelligenz, mithin auch des trainierten Auswertungsalgorithmus der vorliegenden Erfindung, können im Allgemeinen durch Maschinenlernen (Training) angepasst werden. Insbesondere können überwachtes Lernen (supervised training), halbüberwachtes Lernen (semisupervised training), nicht überwachtes Lernen (unsupervised training), Reinforcement Learning und/oder aktives Lernen (active learning) eingesetzt werden. Darüber hinaus kann Repräsentationslernen (representation learning, auch als „feature learning“ bekannt) genutzt werden. Insbesondere können die Parameter der trainierten Auswertungsfunktion iterativ durch mehrere Trainingsschritte angepasst werden.
Allgemein gesprochen kann der trainierte Auswertungsalgorithmus ein neuronales Netz, eine Support Vector Machine (SVM) einen Entscheidungsbaum und/oder ein Bayes-Netzwerk umfassen. Der trainierte Auswertungsalgorithmus kann ferner auf k-Means Clustering, Q-Lernen, genetischen Algorithmen und/oder Zuordnungsregeln basieren. Das neuronale Netz kann insbesondere ein tiefes neuronales Netz sein, wobei auch der Einsatz eines Adversarial Network, eines tiefen Adversarial Network und/oder eines Generative Adversarial Network (GAN) denkbar ist.
In besonders vorteilhafter Ausgestaltung der vorliegenden Erfindung kann der trainierte Auswertungsalgorithmus ein Convolutional Neural Network (CNN), insbesondere ein als Korrekturinformation eine Phasenkorrekturkarte ermittelndes U-Net, umfassen. CNNs haben sich als besonders vorteilhaft zur Ermittlung der Korrekturinformationen erwiesen. Hierbei kann konkret vorgesehen sein, dass das Convolutional Neural Network eine sich wiederholende Abfolge von ersten Schichtgruppen mit einer Faltungsschicht, einer ReLu-Schicht und einer Max-Pooling-Schicht umfasst, im Fall eines U-Nets gefolgt von einer Abfolge einer gleichen Anzahl zweiter Schichtgruppen mit einer Upsampling-Schicht, wenigstens einer Faltungsschicht, einer Verkettungsschicht zu der dem Abtastungsniveau entsprechenden ersten Schichtgruppe und einer ReLu-Schicht. Ein beispielhaftes U-Net zur biomedizinischen Bildsegmentierung wurde in einem Artikel von Olaf Ronneberger et al. „U-Net: Convolutional Networks for Biomedical Image Segmentation“, arXiv:1505.04597v1, 18. Mai 2015, beschrieben. Demnach kann insbesondere für den aufsteigenden Teil des U-Nets vorgesehen sein, dass in den zweiten Schichtgruppen der Verkettungsschicht wenigstens eine weitere Faltungsschicht folgt. Auch andere Ausgestaltungen sind denkbar. Der Vorteil des U-Nets ist, dass die gleiche Dimensionalität an Ausgangsdaten wie die Dimensionalität an Eingangsdaten erhalten werden kann. Das bedeutet insbesondere, dass es ein U-Net erlaubt, eine Phasenkorrekturkarte zu ermitteln, in der die Phasenkorrekturinformation folglich genauso aufgelöst ist wie die eingegebenen Eingangsdaten, insbesondere also Magnetresonanzdaten, beispielsweise also nach Spulenkanälen, in Ausleserichtung und in Phasencodierungsrichtung. Dies erlaubt eine besonders genaue, spezifische Korrektur in der größtmöglich verfügbaren Auflösung.
In vorteilhafter Weiterbildung der vorliegenden Erfindung kann vorgesehen sein, dass, insbesondere bei der Ermittlung von auch oder nur durch eine Drift des Grundmagnetfeldes entstehende Verschiebungsartefakte betreffenden Phasenkorrekturinformationen, die Eingangsdaten auch Magnetresonanzdaten wenigstens eines zeitlich unmittelbar benachbarten, auf einen vorhergehenden oder nachfolgenden Anregungspuls folgenden Aufnahmevorgangs umfassend ermittelt werden. Das bedeutet, es können insbesondere vorangehende Zeitschritte, konkret Magnetresonanzdaten vorangehend aufgenommener Schichten oder allgemein Volumina, in den trainierten Auswertungsalgorithmus, insbesondere das CNN bzw. U-Net, aufgenommen werden, um eine Stabilisierung und Erhöhung der Robustheit zu erhalten. Auf diese Weise wird die Genauigkeit, insbesondere bezüglich dynamisch auftretender Änderungen, erhöht. Beispielsweise kann in diesem Zusammenhang ein ein Recurrent Neural Network (RNN) umfassender trainierter Auswertungsalgorithmus eingesetzt werden. Durch Berücksichtigung von mehr k-Raum-Daten, mehr Zeitpunkten und benachbarter Schichten kann eine deutliche Erhöhung der Genauigkeit und Verlässlichkeit der Phasenkorrekturinformation und insbesondere der zeitlichen Auflösung erreicht werden, insbesondere auch im Hinblick auf dynamische Effekte, die zu einer B₀-Drift und/oder Geister-Artefakten führen.
Eine Weiterbildung der vorliegenden Erfindung kann vorsehen, dass die Eingangsdaten einer vorbestimmten Eingangsdatenmenge entsprechend, insbesondere mit einer vorbestimmten Kanalzahl und/oder einer vorbestimmten k-Raum- und/oder Bildraumausdehnung, ermittelt werden. Auf diese Weise wird es ermöglicht, ein CNN bzw. ein U-Net zu erzeugen, welches von der tatsächlichen räumlichen Auflösung des Magnetresonanzdatensatzes unabhängig ist, nachdem letztlich verschiedene räumliche Auflösungen bzw. Spulenkanalzahlen auf eine vorbestimmte Eingangsdatenmenge, insbesondere eine vorbestimmte Anzahl unabhängiger Spulenkanäle und/oder vorbestimmte k-Raum- und/oder Bildraumintervalle, heruntergerechnet bzw. eingeschränkt werden. Dies kann in einem Vorverarbeitungsschritt zur Zusammenstellung der Eingangsdaten erfolgen. Beispielsweise kann vorgesehen sein, dass zur Reduzierung des k-Raums der Magnetresonanzdaten auf die vorbestimmte k-Raum- und/oder Bildraumausdehnung symmetrisch um das k-Raumzentrum und/oder Bildraumzentrum abgeschnitten wird. So kann beispielsweise ein Teilsatz phasencodierter zentraler k-Raumlinien, mithin für verschiedene k_y-Werte, um das k-Raumzentrum ausgewählt werden, wobei, wie üblich, y die Phasencodierungsrichtung, x die Ausleserichtung bezeichnen soll. Die minimale Anzahl an k-Raumzeilen ist zwei, die maximale Zahl der k-Raumzeilen umfasst den gesamten Magnetresonanzdatensatz. In einem anderen, optionalen Schritt kann ein Unterdatensatz entlang k_x ausgewählt werden. Schließlich ist ein Schritt denkbar, in dem die unabhängigen Spulenkanäle zu einer festgelegten Anzahl von Spulenkanälen, beispielsweise 6 bis 10, insbesondere 8, kombiniert werden können, insbesondere unter Nutzung eines Spulenkompressionsalgorithmus. Hierbei kann mit besonderem Vorteil vorgesehen sein, dass zur Reduzierung der Kanalzahl der Magnetresonanzdaten auf die vorbestimmte Kanalzahl von unabhängigen Spulenkanälen eine Singulärwertzerlegung verwendet wird. In einem konkreten Beispiel kann, um ein von der Matrixgröße und der Anzahl der unabhängigen Spulenkanäle unabhängiges Netzwerk zu erlauben, nur eine bestimmte Zahl zentraler k_x- und k_y-Koordinaten ausgewählt werden, beispielsweise 3 x 48 oder 24 x 48, und die Anzahl der unabhängigen Spulenkanäle grundsätzlich auf eine vorbestimmte Kanalzahl, beispielsweise 8, reduziert werden. Wird die vorbestimmte Kanalzahl als ch bezeichnet, entsteht mithin ein Eingangsdatensatz der Dimensionalität ch × k_x × k_y. Wie bereits erwähnt, kann in einer vorteilhaften Ausgestaltung auch eine Trennung von geraden und ungeraden k-Raumzeilen erfolgen, die in der Spulenzahl-Dimension und/oder einer zusätzlichen Dimension verkettet werden.
Im Rahmen der vorliegenden Erfindung kann ferner vorgesehen sein, dass die Magnetresonanzdaten vor der Verwendung als Eingangsdaten wenigstens teilweise in den Bildraum fouriertransformiert werden. Beispielsweise kann also vorgesehen sein, eine FFT bezüglich der Ausleserichtung auf die Magnetresonanzdaten anzuwenden, bevor die Eingangsdaten zusammengestellt werden. Auf diese Weise kann dann beispielsweise eine Begrenzung für den Bildraum definiert werden und/oder eine geeignetere Ausgangsbasis für den Auswertungsalgorithmus geschaffen werden. Dies hat sich insbesondere für U-Nets als nützlich erwiesen.
Wie bereits erwähnt, ist es zweckmäßig, auch die Korrekturinformation, insbesondere bei Verwendung eines U-Nets, aufgelöst nach wenigstens einer Dimension der Eingangsdaten zu bestimmen, insbesondere nach dem Spulenkanal und/oder in der Ausleserichtung und/oder in der Phasencodierungsrichtung. Dabei kann konkret, insbesondere bei Nutzung eines U-Nets zur Ermittlung einer Phasenkorrekturkarte als Phasenkorrekturinformation, die Phasenkorrekturinformation in derselben Auflösung und Dimensionalität wie die Eingangsdaten ermittelt werden.
Zur genaueren Erläuterung sollen im Folgenden zwei „Extremfälle“ als konkrete Ausführungsbeispiele der vorliegenden Erfindung genauer beschrieben werden, jeweils bezogen auf die Bestimmung einer Phasenkorrekturinformation, die Korrekturphasenwerte nullter und erster Ordnung für die Korrektur von Nyquist-Geister-Artefakten enthält.
So kann in einer ersten konkreten Ausführungsform vorgesehen sein, dass, insbesondere unter Verwendung eines ein CNN ohne U-Net-Struktur umfassenden trainierten Auswertungsalgorithmus, zwei für die gesamten Magnetresonanzdaten anzuwendende Phasenkorrekturwerte, nämlich einer nullter und einer erster Ordnung, als Phasenkorrekturinformation ermittelt werden. In diesem Fall kann beispielsweise ein CNN verwendet werden, welches aus aufeinanderfolgenden Teilschritten der Anwendung einer Faltung, von Rectified Linear Units (ReLu) und Max-Pooling-Eingriffen, besteht, mithin gemäß der bereits beschriebenen ersten Schichtgruppe mit einer Faltungsschicht, einer ReLu-Schicht und einer Max-Pooling-Schicht. Eine vollständig verbundene Schicht (Fully Connected Layer) als letzte versteckte Schicht ist mit zwei Ausgangskanälen für die Phasenkorrekturwerte nullter und erster Ordnung verbunden. Diese Phasenkorrekturwerte können dann auf die Magnetresonanzdaten, wie aus dem Stand der Technik grundsätzlich bekannt, angewendet werden. Diese Vorgehensweise kann auch spulenkanalspezifisch angewendet werden, das bedeutet, anstatt von zwei Phasenkorrekturwerten pro Spulenkanalstapel können auch zwei Phasenkorrekturwerte für jeden unabhängigen Spulenkanal der Eingangsdaten ermittelt werden.
In einem zweiten, konkreten Ausführungsbeispiel kann vorgesehen sein, dass, insbesondere unter Verwendung eines ein U-Net umfassenden trainierten Auswertungsalgorithmus, die Korrekturinformation in Ausleserichtung aufgelöst für eine Auslesezeile (also k-Raumzeile) ermittelt wird und auf alle Auslesezeilen des k-Raums in Phasencodierungsrichtung angewendet wird. Zweckmäßig kann hierbei auch eine Auflösung nach Spulenkanälen erfolgen. Das bedeutet insbesondere, dass eine U-Net-Architektur angewendet werden kann, welche die Bestimmung von nach allen Dimensionen der Eingangsdaten aufgelösten Phasenkorrekturinformationen erlaubt, insbesondere bei vorheriger Fouriertransformation in Ausleserichtung auch aufgelöst nach der x-Position im Bildraum, wie dies beispielsweise in US 8,497,681 B2 beschrieben ist. Im Gegensatz zu einer externen Referenzmessung, wie oben beschrieben, werden zwar auch zeilenspezifische Phasenkorrekturwerte erhalten, allerdings wird eine akkurate Korrektur für jeden Zeitabschnitt durch eine gesamte EPI-Messung erlaubt, mithin nicht nur eine Momentaufnahme zu Beginn des Messvorgangs, also der Gesamtaufnahmedauer.
Neben diesen Extremfälle wiedergebenden konkreten Ausführungsbeispielen sind selbstverständlich auch Zwischenfälle denkbar, beispielsweise die Verwendung einer U-Net-Architektur zur Ableitung lediglich einer Zeile von für die Position in der Ausleserichtung spezifischen Phasenkorrekturwerten, welche dann auf jede ungerade k-Raumzeile des Magnetresonanzdatensatzes angewendet werden können. Ferner ist es beispielsweise denkbar, die CNN-Architektur (ohne U-Net-Architektur) zu nutzen, um für k-Raumzeilen spezifische Phasenkorrekturwerte von 48 zentralen k-Raumzeilen für 8 ungerade k-Raumzeilen zu ermitteln und das Ergebnis auf die äußeren k-Raumzeilen zu extrapolieren.
Mit anderen Worten kann eine zweckmäßige Weiterbildung der vorliegenden Erfindung vorsehen, dass die nur für einen, insbesondere um das k-Raumzentrum gelegenen, Anteil der Magnetresonanzdaten als Eingangsdaten ermittelte Phasenkorrekturinformation auf den nicht als Eingangsdaten verwendeten Anteil des abgetasteten k-Raums extrapoliert wird.
Im Rahmen der vorliegenden Erfindung ist es denkbar, dass die Phasenkorrekturinformationen die Ausgangsdaten des trainierten Auswertungsalgorithmus bilden. Denkbar und vorteilhaft ist es jedoch auch, dass der Schritt der Korrektur der Magnetresonanzdaten in den trainierten Auswertungsalgorithmus integriert ist, insbesondere als wenigstens eine, nicht in das Training eingeschlossene Schicht. In diesem Fall stellen die Ausgangsdaten des Auswertungsalgorithmus bereits den korrigierten Magnetresonanzdatensatz dar. Aufgrund bestehender Strukturen kann es jedoch sinnvoll sein, die Berechnung der Phasenkorrekturinformationen und deren Anwendung getrennt oder zumindest trennbar zu implementieren, so dass einfachere Fehlernachverfolgung genauso möglich ist wie die Erkennung und gegebenenfalls auch das Ablehnen unrealistischer Phasenkorrekturwerte bzw. die Verwendung von Ersatzwerten, beispielsweise von als eine Rückfallebene bereitgestellten Fallback-Werten zur Phasenkorrektur.
Ferner sei an dieser Stelle nochmals angemerkt, dass das Verfahren besonders vorteilhaft auf mit einer EPI-Sequenz als Magnetresonanzsequenz aufgenommene Magnetresonanzdaten anwendbar ist. Nachdem die Phasenkorrekturinformation unmittelbar aus den zu korrigierenden Magnetresonanzdaten berechnet wird, können Nichtübereinstimmungen, insbesondere zeitlicher Natur, zwischen Korrektur und Magnetresonanzdaten, die durch Wirbelströme, Maxwell-Felder oder dergleichen erzeugt werden, vermieden werden, die einen negativen Einfluss auf das Korrekturergebnis bei herkömmlichen Korrekturverfahren für Nyquist-Geister haben.
Mit besonderem Vorteil kann das erfindungsgemäße Vorgehen auch auf in einer SMS-Messung (SMS - Simultaneous Multi Slice) aufgenommene Magnetresonanzdaten angewendet werden. Es kann mithin vorgesehen sein, dass die Magnetresonanzdaten in einer SMS-Messung aufgenommen werden, wobei die Eingangsdaten aus den bereits den jeweiligen gleichzeitig aufgenommenen Schichten zugeordneten Magnetresonanzdaten ermittelt werden. Während für die SMS-Bildgebung bisher bekannte Korrekturverfahren für die Korrektur von Nyquist-Geistern nicht möglich waren, nachdem die in einer Referenzmessung aufgenommenen Referenzdaten nicht von ihrer kollabierten Form in den gleichzeitig aufgenommenen, individuellen Schichten zugeordnete Referenzdaten übertragen werden können, vgl. hierzu beispielsweise US 2017/008 999 A1 , ist dies mit der vorliegenden Vorgehensweise nun möglich, da eine Rückrechnung der kollabierten aufgenommenen Magnetresonanzdaten auf die einzelnen, gleichzeitig aufgenommenen Schichten vor der Anwendung des trainierten Auswertungsalgorithmus problemlos möglich ist.
In einer zweckmäßigen Weiterbildung der vorliegenden Erfindung kann vorgesehen sein, dass das Verfahren zum Trainieren der Auswertungsfunktion umfasst:

- Bereitstellen von Trainingsdaten, die Trainingseingangsdaten und den Trainingsdaten zugeordnete Trainingsausgangsdaten umfassen,
- Trainieren des Auswertungsalgorithmus basierend auf den Trainingseingangsdaten und den zugeordneten Trainingsausgangsdaten,
- Bereitstellen des trainierten Auswertungsalgorithmus, wobei wenigstens ein Teil der Trainingsausgangsdaten basierend auf einer für die Magnetresonanzdaten der Trainingseingangsdaten durchgeführten, auf einer Referenzmessung basierenden Korrektur ermittelt werden und/oder wenigstens ein Teil der Trainingsausgangsdaten durch retrospektive, insbesondere iterative, Korrektur von Artefakten in den den zugehörigen Eingangsdaten zugrundeliegenden Ausgangsdaten ermittelt werden und/oder wenigstens ein Teil der Trainingsausgangsdaten basierend auf im Rahmen einer Trainingsmessung aufgenommenen Referenzdaten ermittelt werden.

Wie bereits dargelegt wurde, können je nach Struktur des Auswertungsalgorithmus der künstlichen Intelligenz die Ausgangsdaten durch Phasenkorrekturinformationen oder aber durch korrigierte Magnetresonanzdaten gebildet werden, welche jedoch prinzipiell problemlos ineinander umgerechnet werden können, das heißt, bei Vorliegen der einen Art von Ausgangsdaten lässt sich auch die andere Art von Ausgangsdaten ermitteln.
Nachdem bislang von Trainingsverfahren ausgegangen wurde, bei denen jeder Trainingsdatensatz auch Trainingsausgangsdaten enthält, sei darauf hingewiesen, dass im Rahmen der vorliegenden Erfindung auch vorteilhaft vorgesehen sein kann, dass der Auswertungsalgorithmus der künstlichen Intelligenz wenigstens teilweise durch Reinforcement Learning ohne Verwendung von Trainingsausgangsdaten trainiert wird. Hierbei wird ein Feedback an den Auswertungsalgorithmus nicht als Abweichung von einer Grundwahrheit (Ground Truth) generiert, sondern anderweitig aus dem Ergebnis, gegebenenfalls im Vergleich zu Trainingseingangsdaten, ermittelt, bevorzugt automatisch. Hierbei kann, beispielsweise mittels eines Artefakte detektierenden Bewertungsalgorithmus, in Ausgangsdaten überprüft werden, ob noch Artefakte, insbesondere Geister, vorliegen bzw. ein Wert für die Stärke der Restartefakte ermittelt werden, der im Trainingsprozess die Wirksamkeit der aktuellen Parametrierung des Auswertungsalgorithmus beschreibt. In einer konkreten, besonders vorteilhaften Ausgestaltung der Erfindung kann diesbezüglich vorgesehen sein, dass ein außerhalb eines dargestellten Patientenkörpers liegender, insbesondere Luft enthaltender Anteil des Magnetresonanzdatensatzes der Trainingseingangsdaten als Region of Interest (ROI) manuell und/oder automatisch definiert wird und als ein die Stärke der Restartefakte beschreibender, die Qualität einer aktuellen Parametrierung des Auswertungsalgorithmus beschreibender Wert die Magnetresonanzdaten der ROI (betragsmäßig) aufsummiert werden. Zum Training kann dann diese Summe, also der die Stärke der Restartefakte beschreibende Wert, minimiert werden. Ein minimaler Wert entspricht dabei einer optimalen Korrektur.
Dabei sei an dieser Stelle angemerkt, dass auch ein computerimplementiertes Trainingsverfahren bzw. Bereitstellungsverfahren allein als vorteilhaft zu bewerten ist. So ist ein computerimplementiertes Verfahren zur Bereitstellung einer trainierten Auswertungsfunktion der künstlichen Intelligenz denkbar, wobei der trainierte Auswertungsalgorithmus zur Ermittlung von durch Veränderungen der Bildphase entstehenden Artefakten in einem mit einer Magnetresonanzeinrichtung aufgenommenen Magnetresonanzdatensatz ausgebildet ist, welches Verfahren folgende Schritte umfasst:

- Bereitstellen von Trainingsdaten, die Trainingseingangsdaten und den Trainingseingangsdaten zugeordnete Trainingsausgangsdaten umfassen,
- Trainieren des Auswertungsalgorithmus basierend auf den Trainingseingangsdaten und den zugeordneten Trainingsausgangsdaten,
- Bereitstellen des trainierten Auswertungsalgorithmus, wobei wenigstens ein Teil der Trainingsausgangsdaten basierend auf einer für die Magnetresonanzdaten der Trainingseingangsdaten durchgeführten, auf einer Referenzmessung basierenden Korrektur ermittelt werden und/oder wenigstens ein Teil der Trainingsausgangsdaten durch retrospektive, insbesondere iterative, Korrektur von Artefakten in den den zugeordneten Eingangsdaten zugrundeliegenden Ausgangsdaten ermittelt werden und/oder wenigstens ein Teil der Trainingsausgangsdaten basierend auf im Rahmen einer Trainingsmessung aufgenommenen Referenzdaten ermittelt werden.

Alternativ kann ein computerimplementiertes Verfahren zur Bereitstellung einer trainierten Auswertungsfunktion der künstlichen Intelligenz bereitgestellt werden oder das soeben beschriebene, denkbare Verfahren fortgebildet werden, wobei jeweils der trainierte Auswertungsalgorithmus zur Ermittlung von durch Veränderungen der Bildphase entstehenden Artefakten in einem mit einer Magnetresonanzeinrichtung aufgenommenen Magnetresonanzdatensatz ausgebildet ist, indem das Verfahren zu wenigstens einem Teil des Trainings folgende Schritte umfasst:

- Bereitstellen von Trainingseingangsdaten,
- Trainieren des Auswertungsalgorithmus durch Reinforcement Learning basierend auf den Trainingseingangsdaten,
- Bereitstellen des trainierten Auswertungsalgorithmus.

Analog zu solchen computerimplementierten Bereitstellungsverfahren ist auch ein Bereitstellungssystem denkbar, welches eine erste Schnittstelle zum Erhalt der Trainingsdaten/Trainingseingangsdaten, eine Berechnungseinheit zur Anwendung eines Maschinenlernalgorithmus auf den Auswertungsalgorithmus der künstlichen Intelligenz, und eine zweite Schnittstelle zur Bereitstellung des trainierten Auswertungsalgorithmus aufweist. Ein Bereitstellungs-Computerprogramm umfasst Anweisungen, die dann, wenn das Computerprogramm in einem Bereitstellungssystem ausgeführt wird, zur Ausführung der Schritte des Bereitstellungsverfahrens führen. Das Bereitstellungs-Computerprogramm kann auf einem computerlesbaren elektronischen Datenträger gespeichert sein.
Neben dem bereits diskutierten Fall des Reinforcement Learning können Trainingsausgangsdaten umfassende Trainingsdaten für den Auswertungsalgorithmus der künstlichen Intelligenz mithin unmittelbar aus bereits durchgeführten Magnetresonanzmessungen, beispielsweise gespeicherten Magnetresonanzdaten von vergangenen EPI-Messungen abgeleitet werden, wobei die entsprechenden Ausgangsdaten, insbesondere Phasenkorrekturinformationen, beispielsweise aus bereits angewendeten, konventionellen Korrekturalgorithmen zur Korrektur von Nyquist-Geistern hergeleitet werden können. Ansätze für Korrekturen mit Referenzmessungen wurden bezüglich des Standes der Technik (interne und externe Referenzmessung) bereits ausführlich diskutiert.
Insbesondere kann in diesem Zusammenhang vorgesehen sein, dass eine referenzmessungsbasierte Korrektur derart verwendet wird, dass unter Verwendung derselben Magnetresonanzsequenz wie für die den Eingangstrainingsdaten zugrundeliegenden Magnetresonanzdaten, aber ohne Phasencodierung, ein erster Referenzdatensatz aufgenommen wird, wobei ein zentraler Anteil des ersten Referenzdatensatzes, insbesondere drei Linien um das k-Raumzentrum, als der ersten zu vermessenden Schicht zugeordneter zweiter Referenzdatensatz verwendet wird, wonach eine grundsätzlich anzuwendende erste Korrektur basierend auf dem ersten Referenzdatensatz ermittelt wird und eine zweite, ergänzende Korrektur basierend auf einem Vergleich eines den zentralen Anteil zeigenden, innerhalb der Schichtvermessung ermittelten, aktuellen Vergleichsdatensatz mit dem zweiten Referenzdatensatz für jede Schicht nach der ersten Schicht ermittelt wird. In einer derartigen Ausgestaltung werden sozusagen eine externe Referenzmessung und eine interne Referenzmessung kombiniert, wobei die erste externe Referenzmessung mit der ersten internen Referenzmessung gleichgesetzt wird, um im Folgenden dynamische Veränderungen mit einem klaren Bezug nachvollziehen zu können. Mithin wird in der ersten, externen Referenzmessung der volle abzutastende k-Raum ohne Phasencodierung aufgenommen, um als Grundlage einer immer anzuwendenden ersten Korrektur, die beispielsweise Wirbelströme und dergleichen betrifft, zu dienen. Diese erste Korrektur wird auf jeden folgenden Aufnahmeabschnitt angewendet. Zudem liefert sie die erste zweite, interne Referenzmessung, insbesondere als die zentralen, aufgrund des gleichen Zeitablaufs ebenso zusätzlich aufgenommenen drei k-Raumlinien, welche als Grundlage zur zweiten Korrektur, die sich auf dynamische Effekte bezieht, dient. Für die restlichen Aufnahmeabschnitte, insbesondere Schichten, wird dann immer die Differenz zwischen den in der aktuellen, internen, zweiten Referenzmessung aufgenommenen insbesondere drei zentralen k-Raumlinien und den intern aufgenommenen, zentralen drei k-Raumlinien der Referenzdaten der ersten Referenzmessung betrachtet, um eine zweite Korrektur schlusszufolgern. Mit anderen Worten enthält die erste Referenzmessung bevorzugt schon eine zweite Referenzmessung. Durch Betrachtung der ersten und der zweiten Korrektur bei der Zusammenstellung der Trainingsausgangsdaten werden mithin nicht nur die über die interne Referenzmessung abgebildeten Effekte betrachtet, sondern auch die über die externe Referenzmessung abgebildeten Effekte.
Dabei sei an dieser Stelle allgemein angemerkt, dass ein Aufnahmeabschnitt die Aufnahme eines gesamten Schichtstapels umfassen kann. Beispielsweise bei der EPI wird jedes durch einen Schichtstapel beschriebene Volumen mehrfach aufgenommen, um z.B. dynamische Effekte der Gehirnaktivität oder unterschiedliche Diffusionswichtungen in unterschiedliche Raumrichtungen zu gewinnen. Die erste Korrektur wird dann für jeden Schicht des ersten Schichtstapels durchgeführt, wobei in den folgenden Volumen/Schichtstapeln dann nur noch die zweite Korrektur angewendet werden muss,
Jedoch sind auch andere Ansätze denkbar, um zu möglichst verlässlichen Trainingsausgangsdaten, die idealerweise alle zu korrigierenden Effekte auch neben den Nyquist-Geistern abdecken, zu erhalten. Beispielsweise kann vorgesehen sein, eine retrospektive Korrektur bereits aufgenommener Magnetresonanzdaten, die die entsprechenden Trainingseingangsdaten liefern, vorzunehmen. Hierbei kann beispielsweise vorgesehen sein, Artefakte iterativ solange zu korrigieren, bis ein qualitativ hinreichend hochwertiges Bildergebnis erhalten wird, wobei aus den vorgenommenen Korrekturen bzw. unmittelbar dieses Bildergebnis heranziehend die Trainingsausgangsdaten ermittelt werden. In diesem Zusammenhang kann, wenn dies vollständig automatisch durchgeführt werden soll, der Einsatz wenigstens eines auf die zu korrigierenden Artefakte bezogenen Bewertungsalgorithmus in Betracht gezogen werden, nachdem derartige Bewertungsalgorithmen, die Artefakte detektieren können, im Stand der Technik bereits vorgeschlagen wurden und im Rahmen der retrospektiven Korrektur zur Erzeugung von Trainingsdatensätzen auch hinreichend viel Zeit zur Verfügung steht.
In einer besonders vorteilhaften Weiterbildung der vorliegenden Erfindung kann vorgesehen sein, dass wenigstens ein Teil der Trainingsdaten in einer Trainingsmessung dediziert ermittelt werden, in der abwechselnd unter Verwendung derselben Magnetresonanzsequenz ein Referenzdatensatz ohne Phasencodierung und ein Magnetresonanzdatensatz mit Phasencodierung aufgenommen werden, wobei ein zeitlich aufeinanderfolgendes Paar von Referenzdatensatz und Magnetresonanzdatensatz jeweils als Trainingsausgangsdaten und Trainingseingangsdaten eines Trainingsdatensatzes verwendet werden. Eine derartige Trainingsmessung kann insbesondere auch ohne ein aufzunehmendes Objekt erfolgen. Es ist im Rahmen der vorliegenden Erfindung also denkbar, eine spezielle EPI-Sequenz für eine Trainingsmessung zu schaffen und anzuwenden, welche abwechselnd einen vollständigen Satz (oder Teilsatz) von nicht-phasencodierten Referenzzeilen und phasencodierten Bildgebungszeilen aufnimmt, so dass sowohl die Referenzzeilen als auch die Bildgebungszeilen das exakt gleiche Sequenzzeitablauf nutzen. Aufeinanderfolgend aufgenommene Volumina bzw. die entsprechenden Daten können als Trainingsdatensätze, mithin Paare von Trainingseingangsdaten und Trainingsausgangsdaten, bzw. als Grundlage zur Ermittlung dieser, verwendet werden.
Dabei sei in diesem Zusammenhang allgemein angemerkt, dass es bei der Zusammenstellung von Trainingsdaten für den Auswertungsalgorithmus der künstlichen Intelligenz zweckmäßig ist, alle Schichten zu entfernen, die nicht einem gewissen Qualitätsanspruch für die Korrektur der Artefakte, insbesondere der Nyquist-Geister, entsprechen. Diese Beseitigung schlechter herkömmlicher Korrekturergebnisse kann manuell oder bevorzugt automatisch erfolgen, beispielsweise durch Vergleich der Intensität im Artefaktbereich mit der Intensität im zentralen Bildbereich, wobei die Trainingsdatensätze entfernt werden, bei deren Magnetresonanzdaten das Intensitätsverhältnis einen bestimmten Schwellwert überschreitet. Selbstverständlich können auch in diesem Zusammenhang die bereits erwähnten Bewertungsalgorithmen zur Detektion von Artefakten eingesetzt werden, wobei ein solcher Bewertungsalgorithmus insbesondere auch ein trainierter Bewertungsalgorithmus der künstlichen Intelligenz sein kann, insbesondere also ein neuronales Netzwerk umfassen kann, welches trainiert wurde, um Artefakte zu detektieren. Allgemein kann also gesagt werden, dass wenigstens teilweise manuell und/oder wenigstens teilweise automatisch, insbesondere unter Verwendung eines Artefakte detektierenden Bewertungsalgorithmus, Trainingsdatensätze, für die die korrigierten Magnetresonanzdatensätze noch Artefakte enthalten, aus den Trainingsdaten entfernt werden.
Neben dem Verfahren betrifft die Erfindung auch ein Korrektursystem zur Korrektur von durch Veränderungen der Bildphase entstehenden Artefakte in einem mit einer Magnetresonanzeinrichtung aufgenommene Magnetresonanzdatensatz, welches gemäß der vorliegenden Erfindung wenigstens aufweist:

- eine erste Schnittstelle zur Entgegennahme von zu korrigierenden Magnetresonanzdaten,
- eine Berechnungseinheit zur Anwendung eines trainierten Auswertungsalgorithmus der künstlichen Intelligenz auf Eingangsdaten zur Ermittlung von die Artefakte betreffenden Phasenkorrekturinformationen, wobei die Eingangsdaten aus wenigstens einem Teil der Magnetresonanzdaten und/oder aus diesen abgeleiteten Daten zusammengestellt sind, und zum Verwenden der Phasenkorrekturinformationen zur Korrektur der Magnetresonanzdaten, und
- eine zweite Schnittstelle zur Ausgabe der korrigierten Magnetresonanzdaten.

Mit anderen Worten kann auch gesagt werden, dass das Korrektursystem zur Ausführung des erfindungsgemäßen Verfahrens ausgebildet ist. Sämtliche Ausführungen bezüglich des erfindungsgemäßen Verfahrens lassen sich mithin analog auf das erfindungsgemäße Korrektursystem übertragen.
Das Korrektursystem kann durch eine Steuereinrichtung einer Magnetresonanzeinrichtung und/oder als Teil einer solchen Steuereinrichtung einer Magnetresonanzeinrichtung gebildet sein. Insbesondere kann also eine Magnetresonanzeinrichtung, bevorzugt als ihre oder als Teil ihrer Steuereinrichtung, ein erfindungsgemäßes Korrektursystem enthalten, so dass unmittelbar vor Ort bereits eine Korrektur im Hinblick auf Artefakte erfolgen kann, insbesondere im Hinblick auf Nyquist-Geister bei der EPI-Bildgebung. Dabei ist insbesondere festzuhalten, dass es die erfindungsgemäße Nutzung eines trainierten Auswertungsalgorithmus der künstlichen Intelligenz erlaubt, quasi in Echtzeit die Phasenkorrekturinformationen zu bestimmen und die Korrektur durchzuführen. Im Allgemeinen kann das Korrektursystem wenigstens ein Speichermittel und wenigstens einen Prozessor, der auch die Berechnungseinheit realisiert, aufweisen.
Ein erfindungsgemäßes Computerprogramm ist beispielsweise direkt in einen Speicher einer Recheneinrichtung, insbesondere eines Korrektursystems, ladbar und weist Programmmittel auf, um die Schritte eines erfindungsgemäßen Verfahrens auszuführen, wenn das Computerprogramm in der Recheneinrichtung ausgeführt wird. Das Computerprogramm kann auf einem erfindungsgemäßen elektronisch lesbaren Datenträger gespeichert sein, welcher mithin darauf gespeicherte elektronisch lesbare Steuerinformation umfasst, welche zumindest ein erfindungsgemäßes Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Recheneinrichtung, insbesondere einem Korrektursystem, ein erfindungsgemäßes Verfahren durchführen. Bei dem elektronisch lesbaren Datenträger kann es sich insbesondere um einen nicht transienten Datenträger, beispielsweise eine CD-ROM, handeln.
Weitere Vorteile und Einzelheiten der vorliegenden Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnungen. Dabei zeigen:

1 ein Ausführungsbeispiel eines künstlichen neuronalen Netzes,
2 ein Ausführungsbeispiel eines Convolutional Neural Network,
3 einen schematischen Ablaufplan eines ersten Ausführungsbeispiels des erfindungsgemäßen Verfahrens,
4 einen schematischen Ablaufplan eines zweiten Ausführungsbeispiels des erfindungsgemäßen Verfahrens,
5 eine Prinzipskizze eines erfindungsgemäßen Korrektursystems, und
6 eine Magnetresonanzeinrichtung.

1 zeigt ein Ausführungsbeispiel eines künstlichen neuronalen Netzes 1. Englische Ausdrücke für das künstliche neuronale Netz 1 sind „artificial neural network“, „neural network“, „artificial neural net“ oder „neural net“.
Das künstliche neuronale Netzwerk 1 umfasst Knoten 6 bis 18 (nodes) und Kanten 19 bis 21 (edges), wobei jede Kante 19 bis 21 eine gerichtete Verbindung von einem ersten Knoten 6 bis 18 zu einem zweiten Knoten 6 bis 18 ist. Im Allgemeinen sind der erste Knoten 6 bis 18 und der zweite Knoten 6 bis 18 unterschiedliche Knoten 6 bis 18, es ist jedoch auch denkbar, dass der erste Knoten 6 bis 18 und der zweite Knoten 6 bis 18 identisch sind. Beispielsweise ist in 1 die Kante 19 eine gerichtete Verbindung von dem Knoten 6 zu dem Knoten 9 und die Kante 21 ist eine gerichtete Verbindung von dem Knoten 16 zu dem Knoten 18. Eine Kante 19 bis 21 von einem ersten Knoten 6 bis 18 zu einem zweiten Knoten 6 bis 18 wird als eingehende Kante („ingoing edge“) für den zweiten Knoten 6 bis 18 und als ausgehende Kante („outgoing edge“) für den ersten Knoten 6 bis 18 bezeichnet.
In diesem Ausführungsbeispiel können die Knoten 6 bis 18 des künstlichen neuronalen Netzes 1 in Schichten 2 bis 5 (layers) angeordnet werden, wobei die Schichten eine intrinsische Ordnung aufweisen können, die durch die Kanten 19 bis 21 zwischen den Knoten 6 bis 18 eingeführt wird. Insbesondere können Kanten 19 bis 21 nur zwischen benachbarten Schichten von Knoten 6 bis 18 vorgesehen sein. Im dargestellten Ausführungsbeispiel existiert eine Eingabeschicht 110, die lediglich die Knoten 6, 7, 8 aufweist, jeweils ohne eingehende Kante. Die Ausgangsschicht 5 umfasst nur die Knoten 17, 18, jeweils ohne ausgehende Kanten, wobei ferner versteckte Schichten 3 und 4 zwischen der Eingangsschicht 2 und der Ausgangsschicht 5 liegen. Im allgemeinen Fall kann die Zahl der versteckten Schichten 3, 4 beliebig gewählt werden. Die Zahl der Knoten 6, 7, 8 der Eingangsschicht 2 entspricht üblicherweise der Zahl der Eingabewerte in das neuronale Netzwerk 1, und die Zahl der Knoten 17, 18 in der Ausgangsschicht 5 entspricht üblicherweise der Zahl der Ausgabewerte des neuronalen Netzwerks 1.
Insbesondere kann eine (reale) Zahl den Knoten 6 bis 18 des neuronalen Netzwerks 1 zugeordnet werden. Dabei bezeichnet x⁽ⁿ⁾ _i den Wert des i-ten Knotens 6 bis 18 der n-ten Schicht 2 bis 5. Die Werte der Knoten 6, 7, 8 der Eingabeschicht 2 sind äquivalent zu den Eingabewerten des neuronalen Netzwerks 1, während die Werte der Knoten 17, 18 der Ausgangsschicht 5 äquivalent zu den Ausgabewerten des neuronalen Netzwerks 1 sind. Darüber hinaus kann jeder Kante 19, 20, 21 ein Gewicht in Form einer realen Zahl zugeordnet sein. Insbesondere ist das Gewicht eine reale Zahl im Intervall [-1, 1] oder im Intervall [0,1,]. Dabei bezeichnet w^(m,n) _i,j das Gewicht der Kante zwischen den i-ten Knoten 6 bis 18 der m-ten Schicht 2 bis 5 und den j-ten Knoten 6 bis 18 der n-ten Schicht 2 bis 5. Ferner wird die Abkürzung $w_{i,j}^{(n)}$
für das Gewicht $w_{i,j}^{(n,n+1)}$
definiert.
Um Ausgangswerte des neuronalen Netzes 1 zu berechnen, werden die Eingangswerte durch das neuronale Netz 1 propagiert. Insbesondere können die Werte der Knoten 6 bis 18 des (n+1)-ten Schicht 2 bis 5 basierend auf den Werten der Knoten 6 bis 18 der n-ten Schicht 2 bis 5 berechnet werden durch $x_{j}^{(n + 1)} = f (\sum_{i} x_{i}^{(n)} \cdot w_{i,j}^{(n)}) .$
Dabei ist f eine Transferfunktion, die auch als Aktivierungsfunktion bezeichnet werden kann. Bekannte Transferfunktionen sind Stufenfunktionen, Sigmoidfunktionen (beispielsweise die logistische Funktion, die verallgemeinerte logistische Funktion, der Tangens hyperbolicus, der Arkustangens, die Fehlerfunktion, die Smoothstep-Funktion) oder Gleichrichterfunktionen (Rectifier). Die Transferfunktion wird im Wesentlichen für Normierungszwecke verwendet.
Insbesondere werden die Werte schichtweise durch das neuronale Netz 1 propagiert, wobei Werte der Eingangsschicht 2 durch die Eingangsdaten des neuronalen Netzes 1 gegeben sind. Werte der ersten versteckten Schicht 3 können basierend auf den Werten der Eingangsschicht 2 des neuronalen Netzes 1 berechnet werden, Werte der zweiten versteckten Schicht 4 können basierend auf den Werten in der ersten versteckten Schicht 3 berechnet werden usw.
Um die Werte $w_{i,j}^{(n)}$
für die Kanten 19 bis 21 festlegen zu können, muss das neuronale Netz 1 unter Verwendung von Trainingsdaten trainiert werden. Insbesondere umfassen Trainingsdaten Trainingseingangsdaten und Trainingsausgangsdaten, die im Folgenden als t_i bezeichnet werden. Für einen Trainingsschritt wird das neuronale Netzwerk 1 auf die Trainingseingangsdaten angewendet, um berechnete Ausgangsdaten zu ermitteln. Insbesondere umfassen die Trainingsausgangsdaten und die berechneten Ausgangsdaten eine Zahl von Werten, wobei sich die Zahl als die Zahl der Knoten 17, 18 der Ausgangsschicht 5 bestimmt.
Insbesondere wird ein Vergleich zwischen den berechneten Ausgangsdaten und den Trainingsausgangsdaten verwendet, um die Gewichte innerhalb des neuronalen Netzes 1 rekursiv anzupassen (Rückpropagierungsalgorithmus - „back propagation algorithm“). Insbesondere können die Gewichte entsprechend ${w'}_{i,j}^{(n)} = w_{i,j}^{(n)} - γ \cdot δ_{j}^{(n)} \cdot x_{i}^{(n)}$
geändert werden, wobei γ eine Lernrate ist und die Zahlen δ_j ⁽ⁿ⁾ rekursiv berechnet werden können als $δ_{j}^{(n)} = (\sum_{k} δ_{k}^{(n + 1)} \cdot w_{j, k}^{(n + 1)}) \cdot f' (\sum_{i} x_{i}^{(n)} \cdot w_{i,j}^{(n)})$
basierend auf $δ_{j}^{(n+1)},$
wenn die (n+1)-te Schicht nicht die Ausgangsschicht 5 ist, und $δ_{j}^{(n)} = (x_{k}^{(n + 1)} - t_{j}^{(n + 1)}) \cdot f' (\sum_{i} x_{i}^{(n)} \cdot w_{i,j}^{(n)})$
falls die (n+1)-te Schicht die Ausgangsschicht 5 ist, wobei f' die erste Ableitung der Aktivierungsfunktion ist und $y_{j}^{(n + 1)}$
der Vergleichstrainingswert für den j-ten Knoten 17, 18 der Ausgangsschicht 5 ist.
Im Folgenden wird im Hinblick auf 2 auch ein Beispiel für ein Convolutional Neural Network (CNN) gegeben. Dabei ist zu beachten, dass der Ausdruck „Schicht“ („layer“) dort auf leicht andere Art und Weise als für klassische neuronale Netze eingesetzt wird. Für ein klassisches neuronales Netz verweist der Ausdruck „Schicht“ nur auf den Satz von Knoten, der eine Schicht bildet, mithin eine bestimmte Generation von Knoten. Für ein Convolutional Neural Network, wird der Ausdruck „Schicht“ oft als ein Objekt benutzt, das aktiv Daten verändert, in anderen Worten als ein Satz von Knoten derselben Generation und entweder den Satz eingehender oder ausgehender Kanten.
2 zeigt ein Ausführungsbeispiel eines Convolutional Neural Network 22. In dem dargestellten Ausführungsbeispiel umfasst das Convolutional Neural Network 22 eine Eingangsschicht 23, eine Faltungsschicht 24 (Convolutional Layer), eine Pooling-Schicht 25, eine vollständig verbundene Schicht 26 und eine Ausgangsschicht 27. In alternativen Ausgestaltungen kann das Convolutional Neural Network 22 mehrere Faltungsschichten 24, mehrere Pooling-Schichten 25 und mehrere vollständig verbundene Schichten 26, genau wie andere Arten von Schichten, enthalten. Die Reihenfolge der Schichten kann beliebig gewählt werden, wobei üblicherweise vollständig verbundene Schichten 26 die letzten Schichten vor der Ausgangsschicht 27 bilden.
Insbesondere können innerhalb eines Convolutional Neural Network 22 die Knoten 28 bis 32 einer der Schichten 23 bis 27 als in einer d-dimensionalen Matrix oder als d-dimensionales Bild angeordnet verstanden werden. Insbesondere kann im zweidimensionalen Fall der Wert eines Knotens 28 bis 32 mit den Indizes i, j in der n-ten Schicht 23 bis 27 als x⁽ⁿ⁾ [i,j] bezeichnet werden. Es ist darauf hinzuweisen, dass die Anordnung der Knoten 28 bis 31 einer Schicht 23 bis 27 keinerlei Auswirkung auf die Berechnungen innerhalb des Convolutional Neural Network 22 als solches hat, da diese Auswirkungen ausschließlich durch die Struktur und die Gewichte der Kanten gegeben sind.
Eine Faltungsschicht 24 ist insbesondere dadurch ausgezeichnet, dass die Struktur und die Gewichte der eingehenden Kanten eine Faltungsoperation basierend auf einer bestimmten Zahl von Kernen bildet. Insbesondere können die Struktur und die Gewichte der eingehenden Kanten so gewählt werden, dass die Werte $x_{k}^{(n)}$
der Knoten 29 der Faltungsschicht 24 als eine Faltung $x_{k}^{(n)} = K_{k} * x^{(n - 1)}$
basierend auf den Werten x^(n-1) der Knoten 28 der vorangehenden Schicht 23 ermittelt werden, wobei die Faltung * im zweidimensionalen Fall definiert werden kann als $x_{k}^{(n)} [i, j] = K_{k} * x^{(n - 1)} [i, j] = \sum_{i}, \sum_{j} K_{k} [i', j'] \cdot x^{(n - 1)} [i - i', j - j'] .$
Darin ist der k-te Kern K_k eine d-dimensionale Matrix, in diesem Ausführungsbeispiel eine zweidimensionale Matrix, die üblicherweise klein im Vergleich zur Zahl der Knoten 28 bis 32 ist, beispielsweise eine 3x3-Matrix oder eine 5x5-Matrix. Insbesondere impliziert dies, dass die Gewichte der eingehenden Kanten nicht unabhängig sind, sondern so gewählt sind, dass sie obige Faltungsgleichung erzeugen. Im Beispiel für einen Kern, der eine 3x3-Matrix bildet, existieren nur neun unabhängige Gewichte (wobei jeder Eintrag der Kern-Matrix einem unabhängigen Gewicht entspricht), ungeachtet der Zahl der Knoten 28 bis 32 in der entsprechenden Schicht 23 bis 27. Insbesondere ist für eine Faltungsschicht 24 die Zahl der Knoten 29 in der Faltungsschicht 24 äquivalent der Zahl der Knoten 28 in der vorangehenden Schicht 23 multipliziert mit der Zahl der Faltungskerne.
Wenn die Knoten 28 der vorangehenden Schicht 23 als eine d-dimensionale Matrix angeordnet sind, kann die Nutzung der Mehrzahl von Kernen als Hinzufügung einer weiteren Dimension, die auch als Tiefendimension bezeichnet wird, verstanden werden, so dass die Knoten 29 der Faltungsschicht 24 als eine (d+1)-dimensionale Matrix angeordnet sind. Wenn die Knoten 28 der vorangehenden Schicht 23 bereits als eine (d+1)-dimensionale Matrix mit einer Tiefendimension angeordnet sind, kann die Nutzung einer Mehrzahl von Faltungskernen als Expansion entlang der Tiefendimension verstanden werden, so dass die Knoten 29 der Faltungsschicht 24 gleichermaßen als eine (d+1)-dimensionale Matrix angeordnet sind, wobei die Größe der (d+1)-dimensionalen Matrix in der Tiefendimension um den durch die Zahl der Kerne gebildeten Faktor größer ist als in der vorangehenden Schicht 23.
Der Vorteil der Nutzung von Faltungsschichten 24 ist, dass die räumlich lokale Korrelation der Eingangsdaten ausgenutzt werden kann, indem ein lokales Verbindungsmuster zwischen Knoten benachbarter Schichten geschaffen wird, insbesondere dadurch, dass jeder Knoten nur zu einem kleinen Bereich der Knoten der vorangehenden Schicht Verbindungen aufweist.
Im dargestellten Ausführungsbeispiel umfasst die Eingangsschicht 23 sechsunddreißig Knoten 28, die als eine zweidimensionale 6x6-Matrix angeordnet sind. Die Faltungsschicht 24 umfasst zweiundsiebzig Knoten 29, die als zwei zweidimensionale 6x6-Matrizen angeordnet sind, wobei jede der beiden Matrizen das Ergebnis einer Faltung der Werte der Eingangsschicht 23 mit einem Faltungskern ist. In gleicher Weise können die Knoten 29 der Faltungsschicht 24 als in einer dreidimensionalen 6x6x2-Matrix angeordnet verstanden werden, wobei die zuletzt genannte Dimension die Tiefendimension ist.
Eine Pooling-Schicht 25 zeichnet sich dadurch aus, dass die Struktur und die Gewichte der eingehenden Kanten sowie die Aktivierungsfunktion ihrer Knoten 30 eine Pooling-Operation basierend auf einer nichtlinearen Pooling-Funktion f definieren. Beispielsweise können im zweidimensionalen Fall die Werte x⁽ⁿ⁾ der Knoten 30 der Pooling-Schicht 25 basierend auf den Werten x⁽ⁿ⁺¹⁾ der Knoten 29 der vorangehenden Schicht 24 als $x^{(n)} [i, j] = f (x^{n - 1} [{id}_{1}, {jd}_{2}], ..., x^{(n - 1)} [{id}_{1} + d_{1} - 1, {jd}_{2} + d_{2} - 1])$
berechnet werden. In anderen Worten kann durch die Verwendung einer Pooling-Schicht 25 die Zahl der Knoten 29, 30 reduziert werden, indem eine Anzahl von d₁ × d₂ benachbarter Knoten 29 in der vorangehenden Schicht 24 durch einen einzelnen Knoten 30 ersetzt werden, der als eine Funktion der Werte der genannten Anzahl benachbarter Knoten 29 berechnet wird. Insbesondere kann die Pooling-Funktion f eine Maximumsfunktion, eine Durchschnittsbildung oder die L2-Norm sein. Insbesondere können für eine Pooling-Schicht 25 die Gewichte der eingehenden Kanten festgelegt sein und nicht durch Training modifiziert sein.
Der Vorteil der Verwendung einer Pooling-Schicht 25 ist, dass die Zahl der Knoten 29, 30 und die Zahl der Parameter reduziert wird. Dies führt zu einer Reduktion der notwendigen Berechnungsmenge innerhalb des Convolutional Neural Network 22 und somit zu einer Steuerung der Überanpassung.
Im dargestellten Ausführungsbeispiel handelt es sich bei der Pooling-Schicht 25 um eine Max-Pooling-Schicht, in der vier benachbarte Knoten mit nur einem einzigen Knoten ersetzt werden, dessen Wert durch das Maximum der Werte der vier benachbarten Knoten gebildet wird. Das Max-Pooling wird auf jede d-dimensionale Matrix der vorherigen Schicht angewendet; in diesem Ausführungsbeispiel wird das Max-Pooling auf jede der zwei zweidimensionalen Matrizen angewendet, so dass sich die Zahl der Knoten von zweiundsiebzig auf achtzehn reduziert.
Eine vollständig verbundene Schicht 26 zeichnet sich dadurch aus, dass eine Mehrzahl, insbesondere alle, Kanten zwischen den Knoten 30 der vorherigen Schicht 25 und den Knoten 31 der vollständig verbundenen Schicht 26 vorhanden sind, wobei das Gewicht jeder der Kanten individuell angepasst werden kann. In diesem Ausführungsbeispiel werden die Knoten 30 der vorangehenden Schicht 25 und der vollständig verbundenen Schicht 26 sowohl als zweidimensionale Matrizen als auch als nichtzusammenhängende Knoten (dargestellt als eine Zeile von Knoten, wobei die Zahl der Knoten zur besseren Darstellbarkeit reduziert wurde) gezeigt. In diesem Ausführungsbeispiel ist die Zahl der Knoten 31 in der vollständig verbundenen Schicht 26 gleich der Anzahl der Knoten 30 in der vorangehenden Schicht 25. In alternativen Ausführungsformen kann die Zahl der Knoten 30, 31 unterschiedlich sein.
Darüber hinaus werden in diesem Ausführungsbeispiel die Werte der Knoten 32 der Ausgangsschicht 27 bestimmt, indem die Softmax-Funktion auf die Werte der Knoten 31 der vorangehenden Schicht 26 angewendet wird. Durch Anwendung der Softmax-Funktion ist die Summe der Werte aller Knoten 32 der Ausgangsschicht 27 eins und alle Werte aller Knoten 32 der Ausgangsschicht sind reale Zahlen zwischen 0 und 1. Wenn das Convolutional Neural Network 22 zur Klassifizierung von Eingangsdaten genutzt wird, können insbesondere die Werte der Ausgangsschicht 27 als Wahrscheinlichkeit dafür interpretiert werden, dass die Eingangsdaten in eine der unterschiedlichen Klassen fallen.
Ein Convolutional Neural Network 22 kann ebenso eine ReLU-Schicht aufweisen, wobei ReLU als Akronym für „rectified linear units“ steht. Insbesondere ist die Zahl der Knoten und die Struktur der Knoten innerhalb einer ReLU-Schicht äquivalent zu der Zahl der Knoten und der Strukturen der Knoten der vorangehenden Schicht. Der Wert jedes Knotens in der ReLU-Schicht kann insbesondere durch Anwendung einer Gleichrichtungsfunktion (rectifier function) auf den Wert des entsprechenden Knoten der vorangehenden Schicht berechnet werden.
Beispiele für Gleichrichterfunktionen sind f(x)=max(0,x), der Tangens hyperbolicus oder die Sigmoidfunktion.
Convolutional Neural Networks 22 können insbesondere basierend auf den Rückpropagierungsalgorithmus trainiert werden. Um eine Überanpassung (overfitting) zu vermeiden, können Verfahren der Regularisierung eingesetzt werden, beispielsweise Dropout einzelner Knoten 28 bis 32, stochastisches Pooling, Nutzen von künstlichen Daten, Gewichtszerfall basierend auf der L1- oder der L2-Norm oder Maximalnorm-Einschränkungen.
3 zeigt ein schematisches Ablaufdiagramm eines ersten Ausführungsbeispiels des erfindungsgemäßen Verfahrens. Dabei sei vorab angemerkt, dass vorliegend beispielhaft Magnetresonanzdaten aus einer EPI-Messung betrachtet werden, für die Phasenkorrekturwerte wenigstens nullter und erster Ordnung zur Korrektur von Nyquist-Geistern sowie weiteren phasenbasierten Artefakten ermittelt werden sollen. Das bedeutet, es sollen aus den Magnetresonanzdaten selbst Phasenkorrekturinformationen bestimmt werden, die wenigstens Phasenkorrekturwerte nullter und erster Ordnung bezüglich der Nyquist-Geister und weiterer phasenbezogener Artefakte umfassen, welche dann zur Korrektur der Magnetresonanzdaten angewendet werden.
Dabei wird mithin ausgegangen von den aufgenommenen Magnetresonanzdaten 33, vorliegend noch im k-Raum, wobei die Tiefendimension die unabhängigen Spulenkanäle (ch) der verwendeten Empfangsspule der Magnetresonanzeinrichtung angibt. Wie ebenso in 3 dargestellt ist, wurden, wie bei der EPI üblich, alternierende Polaritäten des Auslesegradienten verwendet, was dazu führt, dass ungerade k-Raumzeilen 34 (die erste, dritte, ...) mit der einen Polarität, gerade k-Raumzeilen 35 (die zweite, vierte, ...) mit der anderen Polarität aufgenommen wurden (unterschiedliche Orientierung der k-Raumzeilen 34, 35). Dabei stellt, wie üblich, die y-Richtung die Phasencodierungsrichtung, die x-Richtung die Ausleserichtung dar.
Nachdem vorliegend ein trainierter Auswertealgorithmus 36 der künstlichen Intelligenz eingesetzt werden soll, der Eingangsdaten einer bestimmten Dimensionalität und vorbestimmten Eingangsdatenmenge entgegennimmt, ist vorliegend zur Zusammenstellung der Eingangsdaten 40 in Vorverarbeitungsschritten vorgesehen, die Magnetresonanzdaten 33 im Hinblick auf diese Vorgaben (vorbestimmte Anzahl von unabhängigen Spulenkanälen, vorbestimmte Ausdehnungen des k-Raums) zu reduzieren. Dabei wird in einem ersten Teilschritt, angedeutet durch den Pfeil 37, eine Teilmenge der phasencodierten k-Raumzeilen 34, 35 um das k-Raumzentrum 38 ausgewählt, wobei nur beispielhaft drei derartige k-Raumzeilen 34, 35 gezeigt sind, jedoch auch eine größere bzw. andere Anzahl, bevorzugt jedoch wenigstens zwei, gewählt werden kann. In diesem Zusammenhang kann auch eine Einschränkung in x-Richtung, also der Ausleserichtung, optional erfolgen, bevorzugt wiederum symmetrisch zum k-Raumzentrum 38. In einem zweiten, durch den Pfeil 39 angedeuteten Teilschritt dieses Vorbereitungsschrittes wird die Anzahl der unabhängigen Spulenkanäle (ch) auf die vorbestimmte Anzahl, beispielsweise acht, reduziert, wofür beispielsweise eine Singulärwertzerlegung durch einen Spulenkompressionsalgorithmus eingesetzt werden kann. Als Ergebnis entstehen Eingangsdaten 40, die dann in den trainierten Auswertungsalgorithmus 36 gemäß dem Pfeil 41 eingegeben werden.
Bei dem trainierten Auswertungsalgorithmus 36 handelt es sich vorliegend um ein CNN, welches aufeinanderfolgende Schichtgruppen 42 aus einer Faltungsschicht 43, einer ReLu-Schicht 44 und einer Max-Pooling-Schicht 45 nutzt, um dann im Rahmen einer abschließenden vollständig verbundenen Schicht 46 die Phasenkorrekturinformationen 47, vorliegend jeweils einen Phasenkorrekturwert für die nullte und die erste Ordnung, zu ermitteln. Diese Phasenkorrekturwerte können dann gemäß dem Pfeil 48 auf die Magnetresonanzdaten 33 angewendet werden, beispielsweise auf die im Stand der Technik beschriebene Weise, um korrigierte Magnetresonanzdaten zu erhalten.
Dabei sei angemerkt, dass zweckmäßigerweise die Magnetresonanzdaten 33 der ungeraden k-Raumzeilen 34 und der geraden k-Raumzeilen 35 für die Eingangsdaten 40 jeweils zu eigenen Teildatensätzen, die in der Spulenkanaldimension oder einer weiteren Dimension verkettet werden, zusammengefasst werden können, nachdem hierdurch die Robustheit des CNN erhöht werden kann. Ferner sei angemerkt, dass die Phasenkorrekturwerte der Phasenkorrekturinformation 47 nicht zwangsläufig als zwei globale Phasenkorrekturwerte bestimmt werden müssen, sondern spulenkanalspezifisch ermittelbar sind, insbesondere dann, wenn die Anzahl der Spulenkanäle nicht auf die vorbestimmte Anzahl reduziert werden muss. Ansonsten ist selbstverständlich auch eine Rückrechnung auf die ursprüngliche Zahl von Spulenkanälen möglich.
4 zeigt ein schematisches Ablaufdiagramm eines zweiten Ausführungsbeispiels des erfindungsgemäßen Verfahrens, welches wiederum von den Magnetresonanzdaten 33, wie bezüglich 3 bereits beschrieben, ausgeht. Dabei werden der Einfachheit halber für funktional gleiche Elemente dieselben Bezugszeichen verwendet.
Auch im zweiten Ausführungsbeispiel bezüglich 4 kann ein Vorverarbeitungsschritt 49 vorgesehen sein, in dem vorliegend eine Fouriertransformation, konkret eine schnelle Fouriertransformation (FFT), in Ausleserichtung, also x-Richtung, angewendet wird. Das bedeutet, die Magnetresonanzdaten 33 werden wenigstens teilweise in den Bildraum konvertiert, was jedoch optional ist. Ebenso optional ist es auch im Vorbereitungsschritt 49 möglich, die Magnetresonanzdaten 33 bezüglich der Anzahl unabhängiger Spulenkanäle, der Ausdehnung im k-Raum und/oder im Bild-Raum, zu reduzieren, was jedoch vorliegend nicht vorgenommen werden soll.
Es resultieren somit Eingangsdaten 40, die bei Anwendung der FFT in Ausleserichtung in den Dimensionen Kanalanzahl ch, k_y (Phasencodierungsrichtung im k-Raum) und x (Ausleserichtung im Bildraum, vorliegen. Diese bilden die Eingangsdaten für den trainierten Auswertungsalgorithmus 36 der künstlichen Intelligenz, der vorliegend als ein U-Net ausgebildet ist. In diesem folgen zunächst mehrere der Schichtgruppen 42, wie bezüglich 3 definiert, mithin bestehend aus einer Faltungsschicht 43, einer ReLu-Schicht 44 und einer Max-Pooling-Schicht 45, aufeinander, um die Datenmenge schrittweise zu reduzieren („Down Convolution“). Dies wird abgeschlossen durch eine Mischgruppe, in der auf eine Faltungsschicht 43 eine erste Upsampling-Schicht 50 folgt, nach der in einer Verkettungsschicht 51 (Concatenation Layer) die aus dem Down-Convolution-Pfad stammenden Zwischendaten wieder angehängt werden.
Hieran schließen nun mehrere zweite Schichtgruppen 52 an, die jeweils wiederum eine Faltungsschicht 53 („Up-Convolution“), eine Upsampling-Schicht 50 und eine Verkettungsschicht 51 enthalten, wobei auch mehrere Faltungsschichten 53 vorgesehen sein können. Dies wird fortgeführt, bis wieder die Datenmenge und Dimensionalität der Eingangsdaten 40 erreicht ist, so dass nach einer letzten Faltungsschicht 53 eine Phasenkorrekturkarte 54 als Phasenkorrekturinformation 47 erhalten wird, die dieselbe Auflösung wie die Eingangsdaten 40, im vorliegenden Fall also wie die Magnetresonanzdaten 33, aufweist. Diese Phasenkorrekturinformation 47 lässt sich nun, wie im Stand der Technik grundsätzlich bekannt, wiederum auf die Magnetresonanzdaten 33 anwenden, um korrigierte Magnetresonanzdaten zu erhalten. Wurde die Datenmenge im Vorverarbeitungsschritt 49 reduziert, ist es denkbar, in einem entsprechend optionalen Schritt 55 beispielsweise ausgehend vom für die Eingangsdaten 40 ausgewählten zentralen Anteil des k-Raums in die äußeren Anteile des k-Raums zu extrapolieren, um eine Phasenkorrekturkarte 54 für den gesamten abgedeckten k-Raum zu erhalten.
Neben den hier gezeigten Ausführungsbeispielen sind selbstverständlich auch weitere Ausgestaltungen denkbar, die sich als Zwischenformen zwischen den Extrembeispielen der 3 und der 4 auffassen lassen. So kann beispielsweise eine U-Net-Architektur wie in 4 auch genutzt werden, um nur eine Zeile mit für die Position in der Ausleserichtung spezifischen Phasenkorrekturwerten zu erhalten, die dann auf jede ungerade k-Raumzeile 34 der Magnetresonanzdaten 33 korrigierend angewandt werden kann, oder es ist denkbar, die CNN-Architektur der 2 auch zur Ableitung von zeilenspezifischen Phasenkorrekturwerten von beispielsweise sechzehn zentralen k-Raumlinien 34, 35 für acht ungerade k-Raumzeilen 34 zu ermitteln und das Ergebnis auf den Rest der äußeren k-Raumzeilen 34, 35 zu extrapolieren.
Der Schritt der tatsächlichen Korrektur unter Verwendung der Phasenkorrekturinformationen 47 kann dabei in Ausführungsbeispielen auch in den trainierten Auswertungsalgorithmus, beispielsweise als nicht zu trainierende Schicht, integriert werden. Ferner sei angemerkt, dass sich das Verfahren, insbesondere auch die hier dargelegten Ausführungsbeispiele, besonders vorteilhaft auch auf die SMS-Bildgebung anwenden lassen, nachdem unmittelbar von den auf die individuellen Schichten zurückgerechneten Magnetresonanzdaten 33 ausgegangen werden kann.
Zum Training der Auswertungsalgorithmen 36 werden, allgemein gesprochen, Trainingsdaten eingesetzt, die bevorzugt aus vorangegangenen Messungen, bei denen Referenzmessungen zur Korrektur von Nyquist-Geistern inkludiert waren, hergeleitet werden, besonders bevorzugt bei Kombinationen von internen und externen Referenzmessungen. Ferner ist es möglichm Reinforcement Learning mit auf Restartefakte bezogenem Feedback statt Trainingsausgangsdaten einzusetzen. Auch ist es denkbar, Phasenkorrekturinformationen für bereits aufgenommene Magnetresonanzdaten durch rückschauende, insbesondere iterative Korrektur zur Herausrechnung von Artefakten zu ermitteln. Besonders bevorzugt kann auch vorgesehen sein, eine spezielle Trainingsmessung mit einer speziellen Trainings-EPI-Sequenz als Magnetresonanzsequenz durchzuführen, wobei der komplette abgetastete k-Raum einmal ohne Phasencodierung als Referenzzeilen abgetastet wird, danach mit exakt demselben Zeitablauf phasencodierte Bildgebungszeilen aufgenommen werden, wobei aufeinander folgend aufgenommene Volumina jeweils zur Ermittlung eines Trainingsdatensatzes verwendet werden können.
Dabei sei allgemein angemerkt, dass, bevorzugt automatisch, beispielsweise unter Verwendung eines Artefakte detektierenden Bewertungsalgorithmus, Trainingsdatensätze, für die die korrigierten Magnetresonanzdatensätze noch (zu starke) Artefakte enthalten, aus den Trainingsdaten entfernt werden. Hierzu kann vorgesehen sein, die Intensität im Artefaktbereich mit der Intensität im zentralen Bildbereich zu vergleichen, wobei Trainingsdatensätze, bei denen das Intensitätsverhältnis einen vorgegebenen Schwellwert überschreitet, vom Training ausgeschlossen werden. Denkbar ist jedoch auch die Anwendung eines trainierten Bewertungsalgorithmus der künstlichen Intelligenz, der zur Detektion von phasenbezogenen Artefakten trainiert wurde.
Abschließend sei noch darauf hingewiesen, dass in äußerst zweckmäßigen Ausgestaltungen der vorliegenden Erfindung auch benachbarte, insbesondere vorausgehende, Zeitschritte durch den trainierten Auswertungsalgorithmus 36 berücksichtigt werden können, indem entsprechende Magnetresonanzdaten 33 den Eingangsdaten 40 hinzugefügt werden. Dabei wird bevorzugt wenigstens eine zuvor aufgenommene Schicht mitberücksichtigt, was eine deutlich bessere Abbildung zeitlich veränderlicher Effekte, die zu phasenbezogenen Artefakten führen, erlaubt. Beispielsweise können ein bis drei vorangehend aufgenommene Magnetresonanzdatensätze, die jeweils einer Schichtaufnahme entsprechen können, die auf einen Hochfrequenz-Anregungspuls folgt, zusätzlich in das CNN bzw. U-Net eingegeben werden, um hochexakte Phasenkorrekturinformationen 47 zu erhalten.
Außerhalb der EPI kann das beschriebene Verfahren grundsätzlich auch eingesetzt werden, um als Phasenkorrekturinformation 47 auf die B₀-Drift bezogene Phasenkorrekturwerte zu erhalten, wobei dann die Berücksichtigung benachbarter Zeitschritte besonders bevorzugt ist.
5 zeigt eine schematische Prinzipskizze eines erfindungsgemäßen Korrektursystems 56, welches eine erste Schnittstelle 57 zur Entgegennahme von Magnetresonanzdaten 33 und eine zweite Schnittstelle 58 zur Ausgabe von korrigierten Magnetresonanzdaten 33 aufweist. In einer Berechnungseinheit 59 werden aus den Magnetresonanzdaten 33 die Eingangsdaten 40 zusammengestellt, mittels des trainierten Auswertungsalgorithmus 36 die Phasenkorrekturinformationen 47 bestimmt und zur Korrektur auf die Magnetresonanzdaten 33 angewandt. Erfolgt eine Vorverarbeitung der Magnetresonanzdaten 33 zur Zusammenstellung der Eingangsdaten 40, kann eine Vorbereitungssubeinheit vorhanden sein; ist die Korrektur nicht Teil des trainierten Auswertungsalgorithmus 36, können eine Ermittlungssubeinheit und eine Korrektursubeinheit als Teil der Berechnungseinheit 59 vorhanden sein. Um die Berechnungseinheit 59 zu realisieren, weist das Korrektursystem 56 neben einem Speichermittel 60 auch wenigstens einen Prozessor 61 auf.
6 zeigt schließlich eine Prinzipskizze einer Magnetresonanzeinrichtung 62, die wie grundsätzlich bekannt eine Hauptmagneteinheit 63 aufweist, in der eine Patientenaufnahme 64 vorgesehen ist, in die ein Patient, beispielsweise mittels einer hier nicht näher gezeigten Patientenliege, eingefahren werden kann. Die Patientenaufnahme 64 umgebend können, wie grundsätzlich bekannt, eine Hochfrequenzspulenanordnung und eine Gradientenspulenanordnung vorgesehen sein. Der Betrieb der Magnetresonanzeinrichtung 62 wird durch eine Steuereinrichtung 65 gesteuert, die vorliegend ein erfindungsgemäßes Korrektursystem 56 umfasst.
Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 6043651 A [0005, 0008]
US 8497681 B2 [0008, 0026]
US 2017008999 A1 [0031]

Claims

Computerimplementiertes Verfahren zur Korrektur von durch Veränderungen der Bildphase entstehenden Artefakten in einem mit einer Magnetresonanzeinrichtung (62) aufgenommenen Magnetresonanzdatensatz (33), dadurch gekennzeichnet, dass zur Ermittlung korrigierter Magnetresonanzdaten (33) folgende Schritte durchgeführt werden: - Zusammenstellen von wenigstens einen Teil der Magnetresonanzdaten (33) und/oder aus diesen abgeleitete Daten umfassenden Eingangsdaten (40), - Anwendung eines trainierten Auswertungsalgorithmus (36) der künstlichen Intelligenz auf die Eingangsdaten (40) zur Ermittlung von die Artefakte betreffenden Phasenkorrekturinformationen (37), und - Verwendung der Phasenkorrekturinformationen (37) zur Korrektur der Magnetresonanzdaten (33).
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Magnetresonanzdaten (33) mittels einer EPI-Magnetresonanzsequenz aufgenommen werden und die Phasenkorrekturinformationen (37) Nyquist-Geister-Artefakte aufgrund des Wechsels der Ausleserichtung von k-Raumzeile (34, 35) zu k-Raumzeile (35, 34) betreffend ermittelt werden, und/oder dass die Phasenkorrekturinformationen (37) durch eine Drift des Grundmagnetfeldes entstehende Verschiebungsartefakte betreffend ermittelt werden.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass bei der Zusammenstellung der Eingangsdaten (40) jeweiligen Auslesepolaritäten zugehörige Magnetresonanzdaten (33) als in einer Dimension der Eingangsdaten (40) zusammenhängende Eingangsdatenblöcke bereitgestellt werden.
Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass als Nyquist-Geister-Artefakte betreffende Phasenkorrekturinformationen (37) insbesondere schichtspezifische Korrekturphasenwerte wenigstens nullter und erster Ordnung ermittelt werden.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der trainierte Auswertungsalgorithmus (36) ein Convolutional Neural Network, insbesondere ein als Phasenkorrekturinformation (47) eine Phasenkorrekturkarte (54) ermittelndes U-Net, umfasst.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass, insbesondere bei der Ermittlung von durch eine Drift des Grundmagnetfeldes entstehende Verschiebungsartefakte betreffenden Phasenkorrekturinformationen (37), die Eingangsdaten (40) auch Magnetresonanzdaten (33) wenigstens eines zeitlich unmittelbar benachbarten, auf einen vorhergehenden oder nachfolgenden Anregungspuls folgenden Aufnahmevorgangs umfassend ermittelt werden.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Eingangsdaten (40) einer vorbestimmten Eingangsdatenmenge entsprechend, insbesondere mit einer vorbestimmten Kanalzahl und/oder einer vorbestimmten k-Raum- und/oder Bildraumausdehnung, ermittelt werden und/oder das für wenigstens eine Richtung, insbesondere die Ausleserichtung, die Magnetresonanzdaten (33) vor der Verwendung als Eingangsdaten (40) in den Bildraum fouriertransformiert werden.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Phasenkorrekturinformation (47) aufgelöst nach wenigstens einer Dimension der Eingangsdaten (40), insbesondere nach dem Spulenkanal und/oder in der Ausleserichtung und/oder in der Phasenkodierungsrichtung, ermittelt wird.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass die nur für einen, insbesondere um das k-Raumzentrum (38) gelegenen, Anteil der Magnetresonanzdaten (33) als Eingangsdaten (40) ermittelte Phasenkorrekturinformation (47) auf den nicht als Eingangsdaten (40) verwendeten Anteil des abgetasteten k-Raums extrapoliert wird.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass zum Trainieren der Auswertungsfunktion wenigstens teilweise Reinforcement Learning, insbesondere unter Verwendung eines auf Restartefakte nach Anwendung des Auswertungsalgorithmus bezogenen Feedbacks, verwendet und/oder das Verfahren zum Trainieren der Auswertungsfunktion umfasst: - Bereitstellen von Trainingsdaten, die Trainingseingangsdaten und den Trainingseingangsdaten zugeordnete Trainingsausgangsdaten umfassen, - Trainieren des Auswertungsalgorithmus (36) basierend auf den Trainingseingangsdaten und den zugeordneten Trainingsausgangsdaten, - Bereitstellen des trainierten Auswertungsalgorithmus (36), wobei wenigstens ein Teil der Trainingsausgangsdaten basierend auf einer für die Magnetresonanzdaten (33) der Trainingseingangsdaten durchgeführten, auf einer Referenzmessung basierenden Korrektur ermittelt werden und/oder wenigstens ein Teil der Trainingsausgangsdaten durch retrospektive, insbesondere iterative, Korrektur von Artefakten in den den zugehörigen Eingangsdaten (40) zugrunde liegenden Ausgangsdaten ermittelt werden und/oder wenigstens ein Teil der Trainingsausgangsdaten basierend auf im Rahmen einer Trainingsmessung aufgenommenen Referenzdaten ermittelt werden.
Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass wenigstens ein Teil der Trainingsdaten in einer Trainingsmessung dediziert ermittelt werden, in der abwechselnd unter Verwendung derselben Magnetresonanzsequenz ein Referenzdatensatz ohne Phasenkodierung und ein Magnetresonanzdatensatz mit Phasenkodierung aufgenommen werden, wobei ein zeitlich aufeinanderfolgendes Paar von Referenzdatensatz und Magnetresonanzdatensatz jeweils als Trainingsausgangsdaten und Trainingseingangsdaten eines Trainingsdatensatzes verwendet werden.
Verfahren nach Anspruch 10 oder 11, dadurch gekennzeichnet, dass wenigstens teilweise manuell und/oder wenigstens teilweise automatisch, insbesondere unter Verwendung eines Artefakte detektierenden Bewertungsalgorithmus, Trainingsdatensätze, für die die korrigierten Magnetresonanzdatendatensätze noch Artefakte enthalten, aus den Trainingsdaten entfernt werden.
Korrektursystem (56) zur Korrektur von durch Veränderungen der Bildphase entstehenden Artefakten in einem mit einer Magnetresonanzeinrichtung (62) aufgenommenen Magnetresonanzdatensatz (1), dadurch gekennzeichnet, dass das Korrektursystem (56) aufweist: - eine erste Schnittstelle (57) zur Entgegennahme von zu korrigierenden Magnetresonanzdaten (33), - eine Berechnungseinheit (59) zur Anwendung eines trainierten Auswertungsalgorithmus (36) der künstlichen Intelligenz auf Eingangsdaten (40) zur Ermittlung von die Artefakte betreffenden Phasenkorrekturinformationen (47), wobei die Eingangsdaten (40) aus wenigstens einem Teil der Magnetresonanzdaten (33) und/oder aus diesen abgeleiteten Daten zusammengestellt sind, und zum Verwendung der Phasenkorrekturinformationen (37) zur Korrektur der Magnetresonanzdaten (33), und - eine zweite Schnittstelle (26) zur Ausgabe der korrigierten Magnetresonanzdaten (33).
Computerprogramm, welches die Schritte eines Verfahrens nach einem der Ansprüche 1 bis 12 durchführt, wenn es auf einer Recheneinrichtung, insbesondere einem Korrektursystem (56), ausgeführt wird.
Elektronisch lesbarer Datenträger, auf dem ein Computerprogramm nach Anspruch 14 gespeichert ist.