DE112012001793T5

DE112012001793T5 - Magnetresonanztomografie eines bewegenden Objektes

Info

Publication number: DE112012001793T5
Application number: DE112012001793.5T
Authority: DE
Inventors: Peter Boernert; Mariya Ivanova Doneva; Christian Stehning
Original assignee: Philips Intellectual Property and Standards GmbH
Current assignee: Philips GmbH
Priority date: 2011-04-21
Filing date: 2012-04-11
Publication date: 2014-01-16
Also published as: GB201320512D0; CN103502831A; GB2504642A; WO2012143821A1; CN103502831B; US20140035582A1; US10073160B2; GB2504642B

Abstract

Ein Magnetresonanztomografieverfahren enthält das Erfassen von Magnetresonanzdaten-Datensätzen eines Objekts. Zumindest manche der Datensätze sind im k-Raum unterabgetastet. Jeder Datensatz bezieht sich auf einen Bewegungszustand des Objekts. Bilder jedes Datensatzes werden mittels einer Compressed-Sensing-Rekonstruktion rekonstruiert. Eine Bewegungskorrektur wird auf die rekonstruierten Bilder relativ zu einem ausgewählten Bewegungszustand angewandt, um bewegungskorrigierte Bilder zu erstellen. Ein diagnostisches Bild für den ausgewählten Bewegungszustand wird von den bewegungskorrigierten Bildern abgeleitet, z. B. durch Mittelung.

Description

GEBIET DER ERFINDUNG
Die Erfindung bezieht sich auf ein Magnetresonanztomografieverfahren, in dem Magnetresonanzdatensätze eines bewegenden Objekts erfasst werden. Zusätzlich sind die Datensätze unterabgetastet und die Rekonstruktion wird mittels Compressed-Sensings durchgeführt.
HINTERGRUND DER ERFINDUNG
Solch ein Magnetresonanztomografieverfahren wird in der Veröffentlichung „Compressed sensing in dynamic MRI” von U. Gamper et al. (MRM 59 (2008) 365–373) vorgestellt.
Dieses bekannte Magnetresonanztomografieverfahren bezieht sich auf Kardio-MRT, in der dünn abgetastete Datensätze für jede Herzphase erfasst werden. Dann werden Bilder für jede Herzphase mittels Compressed-Sensings rekonstruiert. Jede Herzphase hat die gleiche Anzahl an Abtastungspunkten und die Abtastungspunkte sollten (im (k, t)-Raum) eng aneinander liegen.
KURZE DARSTELLUNG DER ERFINDUNG
Es ist eine Aufgabe der Erfindung, ein Magnetresonanztomografieverfahren, das das Signal-Rausch-Verhältnis (SNR) eines diagnostischen Bildes, das auf unterabgetasteten Magnetresonanzdatensätzen basiert, verbessert, bereitzustellen.
Diese Aufgabe wird durch ein erfindungsgemäßes Magnetresonanztomografieverfahren, das

– Erfassen von Magnetresonanzdaten-Datensätzen eines Objekts,
– wobei zumindest manche der Datensätze im k-Raum unterabgetastet sind,
– wobei jeder Datensatz sich auf einen Bewegungszustand des Objekts bezieht,
– Rekonstruieren von Bildern jedes Datensatzes mittels einer Compressed-Sensing-Rekonstruktion,
– Anwenden einer Bewegungskorrektur auf die rekonstruierten Bilder relativ zu einem ausgewählten Bewegungszustand, um bewegungskorrigierte Bilder zu erstellen, und
– Ableiten eines diagnostischen Bildes für den ausgewählten Bewegungszustand von den bewegungskorrigierten Bildern enthält, gelöst.

Das Problem, wie man Bilder von dünnen oder unterabgetasteten Datensätzen, die das Unterabtasten des k-Raums umfassen, rekonstruiert, wird durch Anwendung von Compressed-Sensing gelöst. Insbesondere kann die Bildqualität jedes einzelnen rekonstruierten Bildes verschieden sein, da der Grad an Unterabtastung und die Details zur unvollständigen k-Raum-Abdeckung verschieden sein können. Diese Unterschiede und Unterschiede im SNR dieser Bilder werden durch Bewegungskorrektur und dadurch, dass die Informationen aller bewegungskorrigierten Bilder im diagnostischen Bild verwendet werden, ausgeglichen. Dies führt zu einem diagnostischen Bild mit hohem SNR und wenigen Bildartefakten. Eine einfache, aber effektive Art besteht darin, das diagnostische Bild als Mittelwert der bewegungskorrigierten Bilder zu bilden. Es werden daher keine Daten verworfen, die Effizienz ist verbessert und das SNR wird maximiert.
Diese und andere Aspekte der Erfindung werden mit Bezug auf die in den abhängigen Ansprüchen definierten Ausführungsformen näher beschrieben.
Gemäß eines Aspekts der Erfindung gibt es einen Datensatz mit voller k-Raum-Abtastung, der somit im Prinzip alle Bildinformationen umfasst, sodass z. B. das Bild des voll abgetasteten Datensatzes mittels Fast-Fourier-Transformation (FFT) rekonstruiert werden kann. Die Bildinformationen des FFT-rekonstruierten Bildes werden dann als a-priori-Informationen in der Compressed-Sensing-Rekonstruktion der Bilder für die unterabgetasteten Datensätze verwendet.
Gemäß eines weiteren Aspekts der Erfindung werden Korrelationen zwischen den Bildern für verschiedene Bewegungszustände als a-priori-Informationen für die Compressed-Sensing-Rekonstruktion verwendet. Insbesondere werden die Korrelationen von Vorkenntnissen über die Art der Objektbewegung abgeleitet. Insbesondere ist dies, wenn es eine periodische Bewegung gibt, eine besonders gut geeignete Ausführungsform. Wenn die Bewegung gleichmäßig ist, wie dies z. B. bei der Atembewegung eines zu untersuchenden Patienten der Fall ist, werden gute Resultate erreicht.
Gemäß eines weiteren Aspekts der Erfindung wird eine affine 3D-Translation mit linearer Transformationsbewegungskorrektur angewandt. Eine derartige Bewegungskorrektur korrigiert die Atembewegung sehr genau.
Die Erfindung bezieht sich auch auf ein Magnetresonanzuntersuchungssystem, wie es in Anspruch 8 definiert wird. Der Erfolg dieses Magnetresonanzuntersuchungssystems ist auf Magnetresonanzdatensätze zurückzuführen, von denen mehrere unterabgetastet sind, um ein diagnostisches Bild mit hohem SNR und wenigen Bildartefakten herzustellen. Die Erfindung bezieht sich weiterhin auf ein Computerprogramm, wie es in Anspruch 7 definiert wird. Das erfindungsgemäße Computerprogramm kann auf einem Datenträger, wie z. B. einer CD-ROM oder einem USB-Memorystick, vorgesehen werden oder das erfindungsgemäße Computerprogramm kann von einem Datennetzwerk, wie z. B. dem World-Wide-Web, heruntergeladen werden. Wenn das Magnetresonanztomografiesystem auf dem im Magnetresonanztomografiesystem enthaltenen Computer installiert ist, kann es erfindungsgemäß arbeiten und der Erfolg davon ist auf Magnetresonanzdatensätze zurückzuführen, von denen mehrere unterabgetastet sind, um ein diagnostisches Bild mit hohem SNR und wenigen Bildartefakten herzustellen.
Diese und andere Aspekte der Erfindung werden mit Bezug auf die Ausführungsformen, die im Folgenden beschrieben werden, und mit Bezug auf die beiliegende Zeichnung verdeutlicht.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 zeigt ein PAWS-Gatingschema.
2 zeigt ein Schema eines 3D magnetisierungsvorbereiteten (T2-vorbereiteten + fettunterdrückten), navigatorgegateten (N-gegateten) Koronarangiografiescans.
3 verdeutlicht randomisiertes (k, t)-Abtasten.
AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
1 zeigt ein PAWS-Gatingschema, in dem (a) das Atmungsnavigatorsignal (grün), das die Translation der rechten Halbscheidewand über der Zeit misst, verwendet wird, um zu entscheiden, welche Klasse zu einem bestimmten Zeitpunkt gefüllt wird. Mittels eines geeigneten Abtastungsschemas am Ende des Scans wird (b) der k-Raum randomisiert mit variabler Dichte gefüllt.
Mittels eines geeigneten k-Raum-Abtastungsschemas wird eine inkohärente Datenverteilung in den Klassen, die unvollständige Datensätze enthalten, verwirklicht, wobei der zentrale k-Raum-Teil vollkommen abgetastet wird. Dies ermöglicht die Rekonstruktion aller Daten in allen Klassen mittels Compressed-Sensings (CS) [8]. Die einzelnen Bilder können bewegungskorrigiert und gemittelt werden, um das SNR zu verbessern. Zusätzlich kann auch die Korrelation zwischen den einzelnen Bildern (Klassen), die leicht andere Bewegungszustände widerspiegeln, verwendet werden, um die CS-Rekonstruktion zu verbessern. In diesem Ansatz kann ein bestimmtes Bewegungsmodel (affines Model: 3D Translation + lineare Transformationen [Rotation, Streckung], die durch 12 Parameter [9] beschrieben werden, oder komplexere Modelle) in die CS-Rekonstruktion eingearbeitet werden. Das Ziel bei der Wahl des k-Raum-Abtastungsschemas ist es, eine zufallsähnliche quasi-isotropische k-Raum-Abdeckung in allen Klassen mit lückenhafter k-Raum-Abdeckung zu erzielen.
Ein mögliches Abtastungsmuster kann erhalten werden, indem das Profil gemäß des Goldenen Schnitts geordnet wird. Der Goldene Schnitt wurde schon zuvor in einer radialen Abtastung [10, 11] eingesetzt, um quasi-isotropische k-Raum-Abdeckung über die gesamte Dauer des Scans und für ein beliebiges, von einem Scan extrahiertes Zeitfenster für dynamische Bildgebung zu erzielen. Jedoch kann, indem der Punkt am kartesischen Gitter, der den vom Goldenen Schnitt bestimmten Koordinaten am nächsten liegt, ausgewählt wird, der Goldene Schnitt auch bei kartesischer Abtastung verwendet werden, um die Profilordnung zu bestimmen.
3 zeigt randomisierte (k, t)-Abtastung. Am Anfang wird die Mitte des k-Raums voll abgetastet, gefolgt von inkohärenter (k, t)-Abtastung. Zufällige Abtastung, Goldener Schnitt, Poisson-Disk-Abtastung oder Halton-Abtastung können für das Abtastungsmuster im (k, t)-Raum ausgewählt werden.
Als Alternative kann eine anfängliche Abschätzung der Periodendauer der Atmungsbewegung dazu verwendet werden, die k-Raum-Abtastung, die die gewünschte k-Raum-Abdeckung erzielt, zu bestimmen. Dies kann erreicht werden, indem die Abtastung in mehreren Zeitfenstern mit randomisierter Unterabtastung im k-Raum und entlang der Zeit-Richtung ausgeführt wird (3).
Mehrere mögliche Auswahlen für die randomisierte (k, t)-Kurve enthalten die zufällige Abtastung, Poisson-Disk-Abtastung, Halton-Sequenz und den Goldenen Schnitt. Es kann zweckdienlich sein, zunächst ein voll abgetastetes k-Raum-Zentrum abzutasten, gefolgt in jedem Frame von einem Erfassen der randomisierten Kurve von der Mitte nach außen.
Am Ende der Erfassung ist eine der Klassen voll abgetastet, während alle anderen Klassen unterabgetastet sind. Zum Beispiel wird die Rekonstruktion dadurch ausgeführt, dass das folgende Optimierungsproblem für jede der Klassen gelöst wird: minΣ_i∥F_uix_i – yi∥₂ + ∥Ψx_i∥₁ wobei F_ui der unterabgetastete Fourier-Transformationsoperator für die Klasse i, x_i das Bild, y_i der Messungsvektor und Ψ die Sparsifying-Transformation (z. B. Wavelet- oder Finite-Differenzen-Transformation) ist. Eine weitere Möglichkeit besteht darin, das voll abgetastete Bild im L1-Term zu verwenden: minΣ_i∥F_uix_i – yi∥₂ + ∥Ψ(x_i – x_c)∥₁ um eine höhere Sparsity zu erreichen.
Die Bilder, die so rekonstruiert werden, können dazu verwendet werden, die Transformationsmatrizen A_i (Translation, Rotation) für jede Klasse relativ zu der voll abgetasteten Klasse abzuschätzen. Diese Matrizen können in einem zweiten Schritt verwendet werden, um die Bildqualität weiter zu erhöhen, indem der Selbstkonsistenzterm hinzugefügt wird: minΣ_i∥F_uix_i – y_i∥₂ + ∥Ψ(x_i – x_c)∥₁ + ∥A_ix_i – x_c∥₂
Dieser Ansatz kann mit paralleler Bildgebung kombiniert werden und kann zusätzlich im CS-Sinne unterabgetastet sein. Keine Daten werden verworfen, die Effizienz wird verbessert und das SNR wird maximiert.
Beispiel I:
2 zeigt ein Schema eines 3D magnetisierungsvorbereiteten (T2-vorbereiteten + fettunterdrückten), navigatorgegateten (N-gegateten) Koronarangiografiescans. Ein standardmäßiges kartesisches CMR Protokoll für das ganze Herz [1] wird verwendet. Es enthält Navigatorgating, EKG-Triggern, Magnetisierungsvorbereitung und TFE-Signalerkennung. Eine T₂-Vorbereitungssequenz wird verwendet, um den Kontrast zwischen Blut und Herzmuskulatur zu verbessern, und Fettsignalvorsättigung wird verwendet, um das in den Koronargefäßen eingebettete epikardiale Fett zu unterdrücken (siehe 2). Ein wie das in 1 gezeigte PAWS-artiges Gatingschema wird verwendet. Die Klassenbreite wird auf einen akzeptablen Wert von 5 mm gesetzt, um die Atmungsbewegung einzufrieren. Eine Möglichkeit besteht darin, den wahrscheinlichsten Bewegungszustand knapp vor dem Scan abzuschätzen, indem manche Navigatorwertstatistiken erfasst werden. Dieser Bewegungszustand kann gegebenenfalls als Referenz für vorausschauendes Tracking verwendet werden. Das Navigatorsignal wird während der Erfassung ausgewertet und es wird in vorausschauender Weise vorgemacht, zu welcher Klasse die nächsten gemessenen Daten gehören werden. Als Alternative kann die Bewegung auf der Basis der CS-rekonstruierten unterabgetasteten Datensätze abgeschätzt werden, wobei es sich gezeigt hat, dass die Bildqualität der CS-Rekonstruktion genügt, um bildgebungsbasierte Bewegungserkennung bereitzustellen, wodurch zusätzliche Navigatoren überflüssig werden.
Ein spezielles k-Raum-Abtastungsschema, das zunächst die Füllung des mittleren Teils des k-Raums für jede Klasse hervorhebt, wird definiert. In dem äußeren Teil des k-Raums wird eine zufällige oder eine Poisson-Disk-Abtastung durchgeführt. Die zeitliche Ordnung dieser Abtastungsordnung wird von den Ideen der Goldenen-Schnitt-Abtastung beeinflusst, um sicherzustellen, dass eine inkohärente Probenverteilung, die eine CS-Rekonstruktion erlaubt, für jede Klasse, die anders gefüllt werden kann (im Sinne der Anzahl an Profilen), zu dem Zeitpunkt, an dem der Scan abgebrochen wird, realisiert werden kann. Sobald eine Klasse vollständig gefüllt ist, wird der Scan abgebrochen. CS-basierte Bildrekonstruktion wird entweder für jede Klasse einzeln durchgeführt, gefolgt von einer geeigneten Registrierung und Bildkombination, oder durch einen genaueren, zusammenhängenden CS-Ansatz, der ein Potenzialmodell in den Rekonstruktionsprozess integriert.
Beispiel II:
Ein standardmäßiges kartesisches CMR-Protokoll für das ganze Herz [1] wird verwendet, jedoch wurde in diesem Protokoll die Abtastung während des RR-Intervalls erhöht, indem zwei oder drei einzelne Abtastungssegmente, die jeweils zu einem separaten CMRA-Datensatz gehören, verwendet werden. Eine solche Art der Erfassung wurde von Stehning et al. [12] für einen radialen („Stack-Of-Stars”) Ansatz vorgeschlagen, jedoch wird hier kartesische Abtastung mit zufälliger Abtastung mit variabler Dichte vorgeschlagen. In diesem Ansatz werden zwar insgesamt für jeden 3D-Datensatz die gleiche Anzahl an Profilen erfasst, aber diese Anzahl genügt nicht, um das nyquistsche Abtastungskriterium zu erfüllen, jedoch ist die Verteilung im k-Raum für die drei Datensätze verschieden. Die Abtastung wird abgebrochen, nachdem eine vorgegebene Anzahl an Profilen erfasst wurde und eine CS-Bildrekonstruktion wird durchgeführt. Die durch Bewegung herbeigeführte Relation zwischen diesen drei einzelnen Datensätzen wird in der CS-Rekonstruktion verwendet. Dieses Beispiel ist auch in anderen Anatomien, in denen Bewegungen nicht ohne Weiteres im Vorhinein beurteilt werden können, wie z. B. im Fall von ungewollten Kopfbewegungen in Gehirnscans, nützlich.
Beispiel III:
Dies ist eine Kombination von dem in Beispiel I und II beschriebenen Abtastungsansatz.
Dieser Ansatz kann in Kardio-MRT, insbesondere in Koronar-MR-Angiografie (CMRA), angewandt werden, ist aber auch in anderen Anatomien anwendbar. Beispiele beinhalten 3D abdominale Anwendungen mit freier Atmung oder hochauflösende Gehirnbildgebung, wo Patientengruppen ungewollten Kopfbewegungen unterliegen.
LITERATURVERZEICHNIS

[1] Kim et al. NEJM 2001; 27; 345: 1863.
[2] Weber et al. MRM 2003; 50: 1223.
[3] Nehrke et al. JMRI 2006; 23: 752.
[4] Sachs TS, et al., MRM 1994; 32, 639–45.
[5] McConnell MV, et al. MRM. 1997; 37: 148–52.
[6] Jhooti P, et al. MRM. 2000; 43: 470–80.
[7] Bhat, et al. ISMRM 2010; #669
[8] Lustig M, et al. MRM 2007; 58: 1182–95.
[9] Manke et al. MRM 2003; 50: 122–131.
[10] Winkelmann S et al, IEEE Trans Med Imag 26: 68–76
[11] Chan R et al ISMRM Workshop Non Cart Imaging 2007
[12] Stehning C, et al. MRM 2005; 53: 719–23.

Claims

Magnetresonanztomografieverfahren, enthaltend: – Erfassen von Magnetresonanzdaten-Datensätzen eines Objekts, – wobei zumindest manche der Datensätze im k-Raum unterabgetastet sind, – wobei jeder Datensatz sich auf einen Bewegungszustand des Objekts bezieht, Rekonstruieren von Bildern jedes Datensatzes mittels einer Compressed-Sensing-Rekonstruktion, Anwenden einer Bewegungskorrektur auf die rekonstruierten Bilder relativ zu einem ausgewählten Bewegungszustand, um bewegungskorrigierte Bilder zu erstellen, und Ableiten eines diagnostischen Bildes für den ausgewählten Bewegungszustand von den bewegungskorrigierten Bildern.
Magnetresonanztomografieverfahren nach Anspruch 1, wobei einer der Datensätze voll abgetastet wird und das vom voll abgetasteten Datensatz rekonstruierte Bild als A-priori-Information in der Compressed-Sensing-Rekonstruktion verwendet wird.
Magnetresonanztomografieverfahren nach Anspruch 1, wobei Korrelationen zwischen den Datensätzen als A-priori-Information in der Compressed-Sensing-Rekonstruktion verwendet werden.
Magnetresonanztomografieverfahren nach Anspruch 1, wobei eine zufallsähnliche Abtastung im k-Raum verwendet wird, um unterabgetastete Datensätze zu bilden.
Magnetresonanztomografieverfahren nach Anspruch 4, wobei die Objektbewegung abgeschätzt und die k-Raum-Abtastungsabdeckung aufgrund der abgeschätzten Bewegung kontrolliert wird.
Magnetresonanztomografieverfahren nach Anspruch 1, wobei das diagnostische Bild für den ausgewählten Bewegungszustand durch Mittelung der bewegungskorrigierten Bilder gebildet wird.
Computerprogramm, enthaltend Befehle – zum Erfassen von Magnetresonanzdaten-Datensätzen eines Objekts, – wobei zumindest manche der Datensätze im k-Raum unterabgetastet sind, – wobei jeder Datensatz sich auf einen Bewegungszustand des Objekts bezieht, – zum Rekonstruieren von Bildern jedes Datensatzes mittels einer Compressed-Sensing-Rekonstruktion, – zum Anwenden einer Bewegungskorrektur auf die rekonstruierten Bilder relativ zu einem ausgewählten Bewegungszustand, um bewegungskorrigierte Bilder zu erstellen, und – zum Ableiten eines diagnostischen Bildes für den ausgewählten Bewegungszustand von den bewegungskorrigierten Bildern.
Magnetresonanzuntersuchungssystem, ausgebildet – zum Erfassen von Magnetresonanzdaten-Datensätzen eines Objekts, – wobei zumindest manche der Datensätze im k-Raum unterabgetastet sind, – wobei jeder Datensatz sich auf einen Bewegungszustand des Objekts bezieht, – zum Rekonstruieren von Bildern jedes Datensatzes mittels einer Compressed-Sensing-Rekonstruktion, – zum Anwenden einer Bewegungskorrektur auf die rekonstruierten Bilder relativ zu einem ausgewählten Bewegungszustand, um bewegungskorrigierte Bilder zu erstellen, und – zum Ableiten eines diagnostischen Bildes für den ausgewählten Bewegungszustand von den bewegungskorrigierten Bildern.