JP2020146449A - 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置 - Google Patents
磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置 Download PDFInfo
- Publication number
- JP2020146449A JP2020146449A JP2020025707A JP2020025707A JP2020146449A JP 2020146449 A JP2020146449 A JP 2020146449A JP 2020025707 A JP2020025707 A JP 2020025707A JP 2020025707 A JP2020025707 A JP 2020025707A JP 2020146449 A JP2020146449 A JP 2020146449A
- Authority
- JP
- Japan
- Prior art keywords
- data
- image
- resolution
- space data
- magnetic resonance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 12
- 238000004904 shortening Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract 3
- 238000012545 processing Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 15
- 238000005481 NMR spectroscopy Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000003902 lesion Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000593 degrading effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000002945 steepest descent method Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000005435 mesosphere Substances 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
Description
多重解像度畳み込みニューラルネットワークを用いて、磁気共鳴により観測される原信号に基づく第1のk空間データから高解像度画像を復元するデータ復元ステップを含み、
前記多重解像度畳み込みニューラルネットワークでは、
前記第1のk空間データから、サイズが異なる第2のk空間データを生成し、
前記第1のk空間データ及び前記第2のk空間データ各々から得られる画像を、超解像畳み込みニューラルネットワークを用いて超解像化し、
超解像化された画像を、サイズを合わせて重ね合わせることにより、前記高解像度画像を復元する。
高精細なk空間データを教師データとし、前記教師データが間引きされて生成されたk空間データを前記第1のk空間データとして、前記多重解像度畳み込みニューラルネットワークを学習させる深層学習ステップを含む、
こととしてもよい。
所定の空間周波数よりも低周波成分のデータ全体を残し、前記空間周波数よりも高周波成分についてはランダムにデータを残すアンダーサンプリングフィルタを用いて、前記教師データを間引きすることにより、学習用の前記第1のk空間データを生成する、
こととしてもよい。
前記教師データと、前記多重解像度畳み込みニューラルネットワークを用いて復元された前記高解像度画像に対応する第3のk空間データとの誤差に基づく誤差逆伝播法を用いて学習を行う、
こととしてもよい。
磁気共鳴により観測される原信号に基づく第1のk空間データを取得するデータ取得部と、
多重解像度畳み込みニューラルネットワークを用いて、前記第1のk空間データから高解像度画像を復元するデータ復元部と、
を備え、
前記多重解像度畳み込みニューラルネットワークは、
前記第1のk空間データから、サイズが異なる第2のk空間データを生成し、
前記第1のk空間データ及び前記第2のk空間データ各々から得られる画像を、超解像畳み込みニューラルネットワークを用いて超解像化し、
超解像化された画像を、サイズを合わせて重ね合わせることにより、前記高解像度画像を復元するように構成されている。
第1のステップでは、パッチ分解・特徴量の抽出などが行われる。第1のステップでの写像(特徴マップ)を以下の関数F1で表す。パッチとは画像を細かく分解したものである。パッチ分解することで2次元画像データのサイズが小さくなる。
第2のステップでは、低解像度パッチを高い解像度パッチに非線形的に写像し、圧縮センシングの計算を行う。データのサイズが小さいため、このときの圧縮センシングについては、短時間のうちに行うことができる。第2のステップである非線形写像に相当する写像(特徴マップ)を関数F2で表す。
SSIMは、画像の小領域毎に計算される。計算式を以下に示す。
Claims (5)
- 多重解像度畳み込みニューラルネットワークを用いて、磁気共鳴により観測される原信号に基づく第1のk空間データから高解像度画像を復元するデータ復元ステップを含み、
前記多重解像度畳み込みニューラルネットワークでは、
前記第1のk空間データから、サイズが異なる第2のk空間データを生成し、
前記第1のk空間データ及び前記第2のk空間データ各々から得られる画像を、超解像畳み込みニューラルネットワークを用いて超解像化し、
超解像化された画像を、サイズを合わせて重ね合わせることにより、前記高解像度画像を復元する、
磁気共鳴画像高速再構成法。 - 前記データ復元ステップに先立って、
高精細なk空間データを教師データとし、前記教師データが間引きされて生成されたk空間データを前記第1のk空間データとして、前記多重解像度畳み込みニューラルネットワークを学習させる深層学習ステップを含む、
請求項1に記載の磁気共鳴画像高速再構成法。 - 前記深層学習ステップでは、
所定の空間周波数よりも低周波成分のデータ全体を残し、前記空間周波数よりも高周波成分についてはランダムにデータを残すアンダーサンプリングフィルタを用いて、前記教師データを間引きすることにより、学習用の前記第1のk空間データを生成する、
請求項2に記載の磁気共鳴画像高速再構成法。 - 前記深層学習ステップでは、
前記教師データと、前記多重解像度畳み込みニューラルネットワークを用いて復元された前記高解像度画像に対応する第3のk空間データとの誤差に基づく誤差逆伝播法を用いて学習を行う、
請求項2又は3に記載の磁気共鳴画像高速再構成法。 - 磁気共鳴により観測される原信号に基づく第1のk空間データを取得するデータ取得部と、
多重解像度畳み込みニューラルネットワークを用いて、前記第1のk空間データから高解像度画像を復元するデータ復元部と、
を備え、
前記多重解像度畳み込みニューラルネットワークは、
前記第1のk空間データから、サイズが異なる第2のk空間データを生成し、
前記第1のk空間データ及び前記第2のk空間データ各々から得られる画像を、超解像畳み込みニューラルネットワークを用いて超解像化し、
超解像化された画像を、サイズを合わせて重ね合わせることにより、前記高解像度画像を復元するように構成されている、
磁気共鳴イメージング装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019040207 | 2019-03-06 | ||
JP2019040207 | 2019-03-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020146449A true JP2020146449A (ja) | 2020-09-17 |
JP7466141B2 JP7466141B2 (ja) | 2024-04-12 |
Family
ID=72431258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020025707A Active JP7466141B2 (ja) | 2019-03-06 | 2020-02-18 | 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7466141B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114159027A (zh) * | 2021-11-26 | 2022-03-11 | 浙江大学 | 一种变回波个数的磁共振指纹成像方法 |
KR20220082302A (ko) * | 2020-12-10 | 2022-06-17 | 주식회사 에어스 메디컬 | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 |
KR20220082299A (ko) * | 2020-12-10 | 2022-06-17 | 주식회사 에어스 메디컬 | 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 |
WO2023085017A1 (ja) * | 2021-11-09 | 2023-05-19 | ソニーセミコンダクタソリューションズ株式会社 | 学習方法、学習プログラム、情報処理装置、情報処理方法、および情報処理プログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170213321A1 (en) * | 2016-01-22 | 2017-07-27 | Siemens Healthcare Gmbh | Deep Unfolding Algorithm For Efficient Image Denoising Under Varying Noise Conditions |
-
2020
- 2020-02-18 JP JP2020025707A patent/JP7466141B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170213321A1 (en) * | 2016-01-22 | 2017-07-27 | Siemens Healthcare Gmbh | Deep Unfolding Algorithm For Efficient Image Denoising Under Varying Noise Conditions |
Non-Patent Citations (1)
Title |
---|
SEUNGJUN NAH, ET AL.: "Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring", CVPR, JPN6023018474, 2017, pages 3883 - 3891, ISSN: 0005051754 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220082302A (ko) * | 2020-12-10 | 2022-06-17 | 주식회사 에어스 메디컬 | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 |
KR20220082299A (ko) * | 2020-12-10 | 2022-06-17 | 주식회사 에어스 메디컬 | 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 |
KR102572311B1 (ko) * | 2020-12-10 | 2023-08-29 | 주식회사 에어스메디컬 | 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 |
KR102584166B1 (ko) * | 2020-12-10 | 2023-10-05 | 주식회사 에어스메디컬 | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 |
WO2023085017A1 (ja) * | 2021-11-09 | 2023-05-19 | ソニーセミコンダクタソリューションズ株式会社 | 学習方法、学習プログラム、情報処理装置、情報処理方法、および情報処理プログラム |
CN114159027A (zh) * | 2021-11-26 | 2022-03-11 | 浙江大学 | 一种变回波个数的磁共振指纹成像方法 |
CN114159027B (zh) * | 2021-11-26 | 2024-04-12 | 浙江大学 | 一种变回波个数的磁共振指纹成像方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7466141B2 (ja) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eo et al. | KIKI‐net: cross‐domain convolutional neural networks for reconstructing undersampled magnetic resonance images | |
Lin et al. | Artificial intelligence for MR image reconstruction: an overview for clinicians | |
Ghodrati et al. | MR image reconstruction using deep learning: evaluation of network structure and loss functions | |
Cordero-Grande et al. | Sensitivity encoding for aligned multishot magnetic resonance reconstruction | |
JP7466141B2 (ja) | 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置 | |
JP6085545B2 (ja) | 磁気共鳴イメージング装置、画像処理装置および磁化率画像算出方法 | |
US11346911B2 (en) | Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation | |
Hammernik et al. | Physics-driven deep learning for computational magnetic resonance imaging: Combining physics and machine learning for improved medical imaging | |
Zhou et al. | Dual-domain self-supervised learning for accelerated non-Cartesian MRI reconstruction | |
Wang et al. | Correction of out-of-FOV motion artifacts using convolutional neural network | |
JP7300811B2 (ja) | 医用情報処理装置、医用情報処理方法、およびプログラム | |
Li et al. | Deep residual network for highly accelerated fMRI reconstruction using variable density spiral trajectory | |
Ryu et al. | K-space refinement in deep learning mr reconstruction via regularizing scan specific spirit-based self consistency | |
JP7179483B2 (ja) | 磁気共鳴イメージング装置 | |
US11896362B2 (en) | Medical image processing apparatus, method of medical image processing, and nonvolatile computer readable storage medium storing therein medical image processing program | |
US20230274418A1 (en) | Self-supervised machine learning for medical image reconstruction | |
WO2023038910A1 (en) | Dual-domain self-supervised learning for accelerated non-cartesian magnetic resonance imaging reconstruction | |
EP4019996A1 (en) | Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images | |
CN111009020B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
KR20190117234A (ko) | 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
CN115113114A (zh) | 用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像的系统和方法 | |
KR20190081656A (ko) | 자기공명영상의 왜곡 보정을 위한 방법 및 이를 적용한 자기공명영상 장치 | |
JP2022002762A (ja) | 磁気共鳴イメージングで得た画像の処理方法、画像処理プロブラム、及び、計算機 | |
JP6809870B2 (ja) | 磁気共鳴イメージング装置、および、信号処理方法 | |
Eichhorn et al. | Deep Learning-Based Detection of Motion-Affected k-Space Lines for T2*-Weighted MRI |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200319 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200319 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221223 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230419 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230710 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231010 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240209 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240312 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240325 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7466141 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |