JP2023506862A - ニューラルネットワークを使用したｓｅｎｓｅ磁気共鳴イメージング再構成 - Google Patents

ニューラルネットワークを使用したｓｅｎｓｅ磁気共鳴イメージング再構成 Download PDF

Info

Publication number
JP2023506862A
JP2023506862A JP2022536769A JP2022536769A JP2023506862A JP 2023506862 A JP2023506862 A JP 2023506862A JP 2022536769 A JP2022536769 A JP 2022536769A JP 2022536769 A JP2022536769 A JP 2022536769A JP 2023506862 A JP2023506862 A JP 2023506862A
Authority
JP
Japan
Prior art keywords
images
predetermined number
training
neural network
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.)
Pending
Application number
JP2022536769A
Other languages
English (en)
Inventor
ケイ ネルケ
ペーター ボルネート
ヤン ヘンドリク ウェルベルン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2023506862A publication Critical patent/JP2023506862A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するようにニューラルネットワーク２１４を訓練する方法が本明細書で開示される。方法は、初期訓練データを受信すること（１００）であって、初期訓練データが、所定の数の初期グランドトゥルース画像とそれぞれペアにされた初期訓練複素チャネル画像のセットを含む、受信すること（１００）を有する。方法は、データ拡張が、追加の訓練複素チャネル画像のセットの生成中に、別個の位相オフセットを初期訓練複素チャネル画像のセットのそれぞれに追加することを有するように、初期訓練データに対してデータ拡張を実施することによって追加の訓練データを生成すること（１０２）を更に有する。方法は、追加の訓練複素チャネル画像のセットをニューラルネットワークに入力し（１０４）、これに応答して、所定の数の出力された訓練画像を受信すること、及び出力された訓練画像を使用して深層学習を実施することを更に有する。

Description

本発明は磁気共鳴イメージングに関し、詳細には、ＳＥＮＳＥ磁気共鳴イメージングに関する。
ＳＥＮＳＥ磁気共鳴イメージングは、別個の取得チャネルを有する受信機アレイの個々のアンテナ素子が空間的に符号化する効果を有することを活用する磁気共鳴イメージングを加速する手段である。異なるアンテナ素子によって取得されたｋ空間の同じ線は、異なる情報を収める。ナイキスト定理によって要求されるものより少ないｋ空間をサンプリングする磁気共鳴画像を再構成するために、アンテナ素子の空間感度を表現するコイル感度マップが使用される。ＳＥＮＳＥ磁気共鳴イメージングは、個々のスライス、又はボリューム全体に対して行われる。
ＳＥＮＳＥ磁気共鳴イメージングはまた、幾つかのスライスのｋ空間データを一度に取得することによって実施される。勾配磁場は、特定の共鳴周波数に応答するスライスに、対象者を分割するために使用される。マルチバンドＳＥＮＳＥ（ＭＢ－ＳＥＮＳＥ：Ｍｕｌｔｉ－Ｂａｎｄ ＳＥＮＳＥ）は、幾つかのスライスを一度に励磁する無線周波数（ＲＦ：Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ）パルスを使用する。再構成されると、ＭＢパルスによって励磁された各アンテナ素子（又はチャネル）の測定された複素チャネル画像は、画像において重ね合わされる。デコンヴォルーション又はスライスディスエンタングリングを可能にするために、ＭＢ－ＳＥＮＳＥのサンプリングパターンは、異なる励磁スライスにおける画像が、既知のＣＡＩＰＩＲＩＮＨＡシフトによってオフセットされるように、選ばれる。
Ｂｉｌｇｉｃらの「Ｈｉｇｈｌｙ ａｃｃｅｌｅｒａｔｅｄ ｍｕｌｔｉｓｈｏｔ ｅｃｈｏ ｐｌａｎａｒ ｉｍａｇｉｎｇ ｔｈｒｏｕｇｈ ｓｙｎｅｒｇｉｓｔｉｃ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ｊｏｉｎｔ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ」、Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ ｉｎ Ｍｅｄｉｃｉｎｅ、２０１９年；８２ １３４３－１３５８は、ハイブリッド機械学習及び物理学ベースの再構成を実施するＳＥＮＳＥ再構成を実施する方法を開示している。中間画像からアーティファクトを除去するために、Ｕ－Ｎｅｔタイプのニューラルネットワークが使用される。
本発明は、独立請求項において、方法、医療システム、及びコンピュータプログラムプロダクトを提供する。実施形態が従属請求項において与えられる。
実施形態は、コイル感度マップを必要としないＳＥＮＳＥ磁気共鳴画像を再構成する改善された方法を提供する。ニューラルネットワークは、データ拡張から生じた訓練複素チャネル画像が、例えば、ランダム分布、擬似ランダム分布、又は所定の分布から選ぶことができる、訓練複素チャネル画像に追加された位相オフセットを有するように、訓練データに対してデータ拡張を実施することによって、ＳＥＮＳＥ画像を再構成するように訓練され得る。
ＳＥＮＳＥ再構成を実施するために使用される画像は複素であり、各ボクセルは、実数成分と虚数成分とを有する。複素画像は、２つの画像として表され、一方が実数成分を有し、他方が虚数成分を有する。代替として、規模及び位相は、各ボクセルの複素数を表すために使用される。表現に関わらず、各ボクセルは、規模及び位相を有する。磁気共鳴イメージングシステムでは、異なるコイル又はチャネルからの画像は、無線周波数システム若しくはアンテナなどの様々なファクタによる、又はこれらのアンテナが取り付けられた検出チャネルの様々な性質による、位相オフセットを有し得る。従来のＳＥＮＳＥ再構成中、位相オフセットのこの差は、コイル感度マップによって補償される。
データ拡張を実施し、ランダム位相オフセットを、得られた訓練複素チャネル画像に追加することによって、ニューラルネットワークは、位相のオフセットを自動的に補償するように訓練されることが可能である。
１つの態様では、本発明は、ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するようにニューラルネットワークを訓練する方法を提供する。ニューラルネットワークは、磁気共鳴並列イメージングプロトコルに従って取得された複数の測定された複素チャネル画像を入力することに応答して、所定の数の再構成画像を出力するように構成される。並列イメージングプロトコルは、画像空間又はｋ空間で行われる欠落データのＭＲデータ補正の取得のためのｋ空間のアンダーサンプリング、すなわち、コイル空間感度プロフィールに基づくエイリアシングのアンフォールディング、又はｋ空間の完全にサンプリングされた中心領域に基づく自動較正によるサンプリングされないｋ空間の推定を伴う。複数の測定された複素チャネル画像は、磁気共鳴イメージングシステムの別個の無線周波数チャネル上の別個のコイル素子又はアンテナによって取得された画像である。
方法は、初期訓練データを受信することを有する。初期訓練データセットは、所定の数の初期グランドトゥルース画像とそれぞれペアにされた初期訓練複素チャネル画像とを含む。初期グランドトゥルース画像の所定の数は、再構成画像の所定の数と同じ数を有する。初期訓練データは、幾つかの異なるやり方で得られる。１つの例では、単一のテストケースのためのｋ空間データは、各チャネルからの画像を再構成できるように、ｋ空間全体の完全なサンプリングによって取得される。次いで、これは、初期グランドトゥルース画像を再構成するために使用される。次いで、磁気共鳴並列イメージングプロトコルによるイメージングの取得がシミュレートされることが可能である。初期複素チャネル画像のうちの１つのために使用されるｋ空間データの一部は、再構成のために使用されないそのｋ空間データの一部を有することが可能である。次いで、これは、実数のＳＥＮＳＥ取得をシミュレートするエイリアス又はゴーストアーティファクトを生じる。他の例では、磁気共鳴イメージングプロトコルは、磁気共鳴並列イメージングプロトコルに従って、磁気共鳴イメージングデータ又はｋ空間データを取得するが、その後、コイル感度マップが、グランドトゥルース画像を再構成するために使用される。
方法は、初期訓練データに対してデータ拡張を実施することによって追加の訓練データを生成することを更に有する。初期訓練データは、所定の数の追加のグランドトゥルース画像とそれぞれペアにされた追加の訓練複素チャネル画像のセットを含む。再構成画像の所定の数は、追加のグランドトゥルース画像の所定の数と同じ数を有する。データ拡張は、追加の訓練複素チャネル画像のセットの生成中に、別個の位相オフセットを、初期訓練複素チャネル画像のセットのそれぞれに追加することを有する。この特徴では、追加の訓練データは、データ拡張を使用して生成される。画像の反転、画像のスケールの変更、及び画像の移動に関する従来の技法が使用されるが、データ拡張中に、追加のステップが実施される。
ニューラルネットワークを訓練するためのデータも、完全にＳＥＮＳＥ再構成された画像から生成され、高速フーリエ変換（ＦＦＴ）を介して更にサブサンプリングされることが可能な個々のコイル画像を生成するために異なる複素コイル感度を仮定する。
画像は、ニューラルネットワークに入力され、複数の測定された複素チャネル画像はコンプレックスである。ＲＦシステムの構成及び他のファクタは、異なるチャネル上のランダム位相になる。これは、また、システムのメンテナンスの間で、及び異なる構成において、変化させることができる。従来、ニューラルネットワークは、ニューラルネットワークに入力された複素画像の位相のこの変化を解決することができない。これを克服するために、データ拡張中、位相は、故意にランダム化又は変化させられる。これにより、ニューラルネットワークが訓練された後、ニューラルネットワークは、これらの様々な位相オフセットを調和させることができる。
方法は、追加の複素チャネル画像のセットをニューラルネットワークに入力し、これに応答して、所定の数の出力された訓練画像を受信することを更に有する。再構成画像の所定の数は、出力された訓練画像の所定の数と同じ数を有する。方法は、所定の数の出力された訓練画像と所定の数のグランドトゥルース画像を損失関数に入力することによって訓練ベクトルを計算することを更に有する。方法は、訓練ベクトルで逆伝搬アルゴリズムを制御することによってニューラルネットワークを訓練することを更に有する。これらの最後の３つのステップは、深層学習を使用してニューラルネットワークを訓練する従来の手段である。
別の実施形態では、複数の測定された複素チャネル画像は全て、所定の入力サイズを有する。これは、画像を作り上げるボクセルの寸法の仕様である。ニューラルネットワークによって出力される再構成画像も、この同じサイズを有する。
別の実施形態では、複数の測定された複素チャネル画像は、磁気共鳴並列イメージングプロトコルに従って別個の無線周波数チャネルで取得されたｋ空間データから再構成される。
別の実施形態では、ニューラルネットワークは、畳み込みニューラルネットワークである。
別の実施形態では、畳み込みニューラルネットワークは、いわゆるＵ－ｎｅｔである。Ｕ－ｎｅｔの使用は、異なるスケールで空間パターンを相関させることができるので有益であり、したがって、医療画像の処理に有用である。
別の実施形態では、別個の位相オフセットが、ランダム位相、擬似ランダム位相の何れか１つから、及び位相の選ばれたリストから、選ばれる。
別の実施形態では、所定の数は１である。つまり、単一の再構成されたＳＥＮＳＥ画像だけが、ニューラルネットワークによって出力される。これは、単一のスライスからのデータを処理する従来の磁気共鳴並列イメージングプロトコルであると考えられる。
別の実施形態では、方法は、訓練ベクトルを計算する前に、所定の数の出力された訓練画像からステッチアーティファクトを除去することを更に有する。マルチバンドＳＥＮＳＥにおけるフォールディングアーティファクト又は複数の画像により、画像の一部が画像境界を越えて広がる。画像の入力及び／又はニューラルネットワークの構造に伴う特別な対策が取られないと、これは、ステッチアーティファクトになる。これは、訓練ベクトルを計算する前に除去されるべきである。
別の実施形態では、ニューラルネットワークは、畳み込み層を備える。畳み込み層は、循環畳み込み層である。本実施形態は、畳み込み層の境界が、画像全体の処理時にエラーにならないので、有益である。これは、いわゆるステッチアーティファクトを無くす際に非常に有用である。
別の実施形態では、方法は、追加の訓練複素チャネル画像をニューラルネットワークに入力する前に、これらの画像の境界を循環的にパディングすることを更に有する。畳み込み層は特に、ボクセルの外縁を処理しない。この困難を回避するやり方は、ニューラルネットワークに入力された画像を撮り、次いで、画像内に０の値を有する追加の境界を追加することである。
別の実施形態では、ＳＥＮＳＥ磁気共鳴イメージングプロトコルは、所定の数のスライスを同時に取得するように構成されたマルチバンドＳＥＮＳＥ磁気共鳴イメージングプロトコルである。再構成画像の所定の数は、所定の数のスライスの数と同じ数を有する。磁気共鳴イメージングでは、特定のスライスを選択して、ｋ空間データを取得するために、磁気勾配が使用される。マルチバンドＳＥＮＳＥでは、複数のスライスを同時に励磁する無線周波数パルスが使用される。この効果は、結果として生じるコイル画像又は複数の測定された複素チャネル画像がその後、互いに重ね合わされた、取得されたスライスのそれぞれからの画像を有することである。
所定の数の出力された訓練画像のそれぞれは、所定の数のスライスのうちの１つに対応する。マルチバンドＳＥＮＳＥに従って画像を処理するとき、互いに重ね合わされたこれらの画像は、その後、別個の画像に分解される。これらは、所定の数の出力された訓練画像である。所定の数の出力された訓練画像のそれぞれは、ＳＥＮＳＥアンフォールディング問題をより良く条件付けるために、普通の測定で利用されるような、層依存変換シフトによってオフセットされる。ＣＡＩＰＩＲＩＮＨＡシフトは、使用される変換シフトの例である。用語ＣＡＩＰＩＲＩＮＨＡシフトへの本明細書での言及は、一般的に、マルチバンドＳＥＮＳＥ再構成のための変換シフトを表すものであることを意図する。
方法は、訓練ベクトルを計算する前に、層依存変換シフトによって所定の数のグランドトゥルース画像のそれぞれをシフトすることを更に有する。マルチバンドＳＥＮＳＥにおける画像のディスエンタングリングを可能にするために、異なる層が異なる位相オフセットを有するように、ｋ空間がサンプリングされる。これにより、画像は画像内でシフトする。
別の実施形態では、層依存変換シフトは、層依存ＣＡＩＰＩＲＩＮＨＡシフトである。
別の実施形態では、方法は、訓練複素チャネル画像のｋ空間データが所定の数で割り切れるように、このｋ空間データをパディングすることを更に有する。これは、例えば、複数の測定された複素チャネル画像が取得される前に実施される。
別の態様では、本発明は、機械実行可能命令及びニューラルネットワークを格納するメモリを備える医療システムを提供する。ニューラルネットワークは、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従って取得された複数の測定された複素チャネル画像を入力することに応答して、所定の数の再構成画像を出力することによって、ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するために構成される。
医療システムは、医療システムを制御するために構成されたプロセッサを更に備える。機械実行可能命令を実行すると、プロセッサは、複数の測定された複素チャネル画像を受信する。機械実行可能命令を実行すると、更に、プロセッサは、複数の測定された複素チャネル画像をニューラルネットワークに入力することによって、所定の数の再構成画像を受信する。所定の数の再構成画像は、これに応答して、ニューラルネットワークから受信される。
別の実施形態では、実施形態によるニューラルネットワークが訓練される。
別の実施形態では、ニューラルネットワークは、訓練ベクトルを計算する前に、所定の数の出力された訓練画像からステッチアーティファクトが除去されるように訓練される。機械実行可能命令を実行すると、更に、プロセッサは、所定の数の再構成画像のそれぞれからステッチアーティファクトを除去する。本実施形態は、複素チャネル画像が、画像の境界の縁部により近い情報を有するので、有益である。ニューラルネットワークは、画像の外縁における情報を処理することができない畳み込み層などの層を有する。これは、ステッチアーティファクトを生じる。
複数の再構成画像があるとき、ステッチアーティファクトのロケーションは、時には、層依存変換シフトの位置でロケートされる。
別の実施形態では、ニューラルネットワークは、訓練画像が、訓練手順中にニューラルネットワークに入力される前に、循環的にパディングした境界を有するように訓練される。これは、特に、畳み込み層を有するニューラルネットワークにとって有益である。循環パディングの使用は、ステッチアーティファクトの生成を無くす。
別の実施形態では、ＳＥＮＳＥ磁気共鳴イメージングプロトコルは、所定の数のスライスを同時に取得するように構成されたマルチバンドＳＥＮＳＥ磁気共鳴イメージングプロトコルである。所定の数の再構成画像のそれぞれは、所定の数のスライスのうちの１つに対応する。所定の数の出力された訓練画像のそれぞれは、層依存変換シフトによってオフセットされる。機械実行可能命令を実行すると、更に、プロセッサは、層依存変換シフトによって所定の数の再構成画像のそれぞれをシフトする。
別の実施形態では、再構成画像の所定の数は１である。これは、ＳＥＮＳＥ磁気共鳴イメージングプロトコルが位相符号化方向にある、従来のＳＥＮＳＥ磁気共鳴イメージングプロトコルと解釈される。これは、２次元画像か、ことによると、３次元画像であることが可能である。３次元ＭＲＩイメージングへのＳＥＮＳＥ問題は、より大きいニューラルネットワークを使用して実施されることが可能である。
別の実施形態では、医療システムは、磁気共鳴イメージングシステムを更に備える。磁気共鳴イメージングシステムは、磁気共鳴イメージングシステムのイメージングゾーンから、アンテナ素子依存ｋ空間データを取得するために構成されたマルチチャネルＲＦシステムを更に備える。メモリは、更に、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従ってアンテナ素子依存ｋ空間データを取得するために構成されたパルスシーケンスコマンドを格納する。機械実行可能命令を実行すると、プロセッサは、パルスシーケンスコマンドで磁気共鳴イメージングシステムを制御することによってアンテナ素子依存ｋ空間データを取得する。機械実行可能命令を実行すると、更に、プロセッサは、アンテナ素子依存ｋ空間データから複数の測定された複素チャネル画像を再構成する。
別の実施形態では、パルスシーケンスコマンドは、更に、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従って、磁気共鳴イメージングシステムを制御して、コイル感度マップｋ空間データを取得するように構成される。機械実行可能命令を実行すると、更に、プロセッサは、パルスシーケンスコマンドで磁気共鳴イメージングシステムを制御することによって、コイル感度マップｋ空間データを取得する。機械実行可能命令を実行すると、更に、プロセッサは、コイル感度マップｋ空間データからコイル感度マップを再構成する。機械実行可能命令を実行すると、更に、プロセッサは、アンテナ素子依存ｋ空間データ及びコイル感度マップから、所定の数のアルゴリズム的再構成画像を再構成する。このステップでは、ＳＥＮＳＥ再構成は、コイル感度マップを使用する従来のＳＥＮＳＥ再構成プロトコルを使用して実施される。
機械実行可能命令を実行すると、更に、プロセッサは、所定の数のアルゴリズム的再構成画像を記述した品質指標を受信する。品質指標は、再構成成功又は再構成失敗を示す。品質指標は、幾つかの異なるやり方で提供されることが可能である。例えば、所定の数のアルゴリズム的再構成画像のうちの１つ又は複数は、ディスプレイ又はユーザインタフェースに表示されることが可能である。次いで、品質指標は、グラフィカルユーザインタフェースから受信されることが可能である。他の例では、所定の数のアルゴリズム的再構成画像は、例えば、画像アーティファクトを認識するように訓練するために、ニューラルネットワークに入力されることが可能であるか、又は、再構成アーティファクトを検出するようにプログラムされた異なるシステムに置かれることが可能である。品質指標の受信は自動的に実施されるか、ユーザインタフェースから受信されたデータである。
機械実行可能命令を実行すると、更に、プロセッサは、品質指標が再構成成功を示す場合、所定の数のアルゴリズム的再構成画像を対象者画像としてメモリに格納する。このステップでは、アルゴリズム的再構成画像は、対象者画像として格納される。機械実行可能命令を実行すると、更に、プロセッサは、品質指標が再構成失敗を示す場合、複数の測定された複素チャネル画像をニューラルネットワークに入力すること、及び、その後、品質指標が再構成失敗を示す場合、所定の数の再構成画像を対象者画像としてメモリに格納することを進める。本実施形態では、コイル感度マップを使用する通常のＳＥＮＳＥ再構成が実施される。再構成が失敗した場合、例えば、対象者が、コイル感度マップが取得された後に移動した場合、再構成は失敗する。この場合、ニューラルネットワークは、そうでなければ破損し、使用不能なデータを使用するための、第２のチャンスとして使用される。これは、例えば、ＳＥＮＳＥ画像を取得するのに費やす時間を平均で低減させる。
別の態様では、本発明は、医療システムを制御するプロセッサによる実行のためのニューラルネットワーク及び機械実行可能命令を備えるコンピュータプログラムプロダクトを提供する。ニューラルネットワークは、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従って取得された複数の測定された複素チャネル画像を入力することに応答して、少なくとも１つの再構成画像を出力することによって、ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するように構成される。機械実行可能命令を実行すると、プロセッサは、複数の測定された複素チャネル画像を受信する。機械実行可能命令を実行すると、更に、プロセッサは、複数の測定された複素チャネル画像をニューラルネットワークに入力することによって、少なくとも１つの再構成画像を受信する。
本発明の上述の実施形態のうちの１つ又は複数は、組み合わせられた実施形態が相互排他的でない限り、組み合わせられることを理解されたい。
当業者には理解されるように、本発明の態様は、装置、方法又はコンピュータプログラムプロダクトとして具体化され得る。従って、本発明の態様は、全面的にハードウェア実施形態、全面的にソフトウェア実施形態（ファームウェア、常駐ソフトウェア、マイクロコード等を含む）又は本明細書において全て一般的に「回路」、「モジュール」若しくは「システム」と称され得るソフトウェア及びハードウェア態様を組み合わせた実施形態の形態をとり得る。更に、本発明の態様は、コンピュータ可読媒体上で具現化されたコンピュータ実行可能コードを有する１つ又は複数のコンピュータ可読媒体において具体化されたコンピュータプログラムプロダクトの形態をとり得る。
１つ又は複数のコンピュータ可読媒体の任意の組み合わせが利用されてもよい。コンピュータ可読媒体は、コンピュータ可読信号媒体又はコンピュータ可読ストレージ媒体でもよい。本明細書で使用される「コンピュータ可読ストレージ媒体」は、コンピューティングデバイスのプロセッサによって実行可能な命令を保存することができる任意の有形ストレージ媒体を包含する。コンピュータ可読ストレージ媒体は、コンピュータ可読非一時的ストレージ媒体と称される場合もある。コンピュータ可読ストレージ媒体はまた、有形コンピュータ可読媒体と称される場合もある。一部の実施形態では、コンピュータ可読ストレージ媒体はまた、コンピューティングデバイスのプロセッサによってアクセスされることが可能なデータを保存可能であってもよい。コンピュータ可読ストレージ媒体の例は、フロッピー（登録商標）ディスク、磁気ハードディスクドライブ、半導体ハードディスク、フラッシュメモリ、ＵＳＢサムドライブ、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、光ディスク、磁気光学ディスク、及びプロセッサのレジスタファイルを含むが、これらに限定されない。光ディスクの例は、例えば、ＣＤ－ＲＯＭ、ＣＤ－ＲＷ、ＣＤ－Ｒ、ＤＶＤ－ＲＯＭ、ＤＶＤ－ＲＷ、又はＤＶＤ－Ｒディスクといったコンパクトディスク（ＣＤ）及びデジタル多用途ディスク（ＤＶＤ）を含む。コンピュータ可読ストレージ媒体という用語は、ネットワーク又は通信リンクを介してコンピュータデバイスによってアクセスされることが可能な様々な種類の記録媒体も指す。例えば、データは、モデムによって、インターネットによって、又はローカルエリアネットワークによって読み出されてもよい。コンピュータ可読媒体上で具現化されたコンピュータ実行可能コードは、限定されることはないが、無線、有線、光ファイバケーブル、ＲＦ等を含む任意の適切な媒体、又は上記の任意の適切な組み合わせを用いて送信されてもよい。
コンピュータ可読信号媒体は、例えばベースバンドにおいて又は搬送波の一部として内部で具体化されたコンピュータ実行可能コードを備えた伝搬データ信号を含んでもよい。このような伝搬信号は、限定されることはないが電磁気、光学的、又はそれらの任意の適切な組み合わせを含む様々な形態の何れかをとり得る。コンピュータ可読信号媒体は、コンピュータ可読ストレージ媒体ではない及び命令実行システム、装置、若しくはデバイスによって又はそれと関連して使用するためのプログラムを通信、伝搬、若しくは輸送できる任意のコンピュータ可読媒体でもよい。
「コンピュータメモリ」又は「メモリ」は、コンピュータ可読ストレージ媒体の一例である。コンピュータメモリは、プロセッサに直接アクセス可能な任意のメモリである。「コンピュータストレージ」又は「ストレージ」は、コンピュータ可読ストレージ媒体の更なる一例である。コンピュータストレージは、不揮発性コンピュータ可読ストレージ媒体である。幾つかの実施形態では、コンピュータストレージはまた、コンピュータメモリであるか、逆もまた同様である。
本明細書で使用される「プロセッサ」は、プログラム、マシン実行可能命令、又はコンピュータ実行可能コードを実行可能な電子コンポーネントを包含する。「プロセッサ」を含むコンピューティングデバイスへの言及は、場合により、２つ以上のプロセッサ又は処理コアを含むと解釈されるべきである。プロセッサは、例えば、マルチコアプロセッサである。プロセッサは、また、単一のコンピュータシステム内の、又は複数のコンピュータシステムの中へ分配されたプロセッサの集合体も指す。コンピュータデバイスとの用語は、各々が１つ又は複数のプロセッサを有するコンピュータデバイスの集合体又はネットワークを指してもよいと理解されるべきである。コンピュータ実行可能コードは、同一のコンピュータデバイス内の、又は複数のコンピュータデバイス間に分配された複数のプロセッサによって実行される。
コンピュータ実行可能コードは、本発明の態様をプロセッサに行わせるマシン実行可能命令又はプログラムを含んでもよい。本発明の態様に関する動作を実施するためのコンピュータ実行可能コードは、Java（登録商標）、Smalltalk（登録商標）、又はC++等のオブジェクト指向プログラミング言語及び「Ｃ」プログラミング言語又は類似のプログラミング言語等の従来の手続きプログラミング言語を含む１つ又は複数のプログラミング言語の任意の組み合わせで書かれてもよい及びマシン実行可能命令にコンパイルされてもよい。場合によっては、コンピュータ実行可能コードは、高水準言語の形態又は事前コンパイル形態でもよい及び臨機応変にマシン実行可能命令を生成するインタプリタと共に使用されてもよい。
コンピュータ実行可能コードは、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアローンソフトウェアパッケージとして、部分的にユーザのコンピュータ上で及び部分的にリモートコンピュータ上で、又は完全にリモートコンピュータ若しくはサーバ上で実行することができる。後者の場合、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）若しくは広域ネットワーク（ＷＡＮ）を含む任意の種類のネットワークを通してユーザのコンピュータに接続されてもよい、又はこの接続は外部コンピュータに対して（例えば、インターネットサービスプロバイダを使用したインターネットを通して）行われてもよい。
本発明の態様は、本発明の実施形態による方法、装置（システム）及びコンピュータプログラムプロダクトのフローチャート、図及び／又はブロック図を参照して説明される。フローチャート、図、及び／又はブロック図の各ブロック又は複数のブロックの一部は、適用できる場合、コンピュータ実行可能コードの形態のコンピュータプログラム命令によって実施され得ることが理解されよう。相互排他的でなければ、異なるフローチャート、図、及び／又はブロック図におけるブロックの組み合わせが組み合わせられてもよいことが更に理解される。これらのコンピュータプログラム命令は、コンピュータ又は他のプログラム可能データ処理装置のプロセッサを介して実行する命令がフローチャート及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能／行為を実施するための手段を生じさせるようにマシンを作るために、汎用コンピュータ、特定用途コンピュータ、又は他のプログラム可能データ処理装置のプロセッサへと提供されてもよい。
これらのコンピュータプログラム命令はまた、コンピュータ可読媒体に保存された命令がフローチャート及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能／行為を実施する命令を含む製品を作るように、コンピュータ、他のプログラム可能データ処理装置、又は他のデバイスにある特定の方法で機能するように命令することができるコンピュータ可読媒体に保存されてもよい。
コンピュータプログラム命令はまた、コンピュータ又は他のプログラム可能装置上で実行する命令がフローチャート及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能／行為を実施するためのプロセスを提供するように、一連の動作ステップがコンピュータ、他のプログラム可能装置又は他のデバイス上で行われるようにすることにより、コンピュータ実施プロセスを生じさせるために、コンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上にロードされてもよい。
本明細書で使用される「ユーザインタフェース」は、ユーザ又はオペレータがコンピュータ又はコンピュータシステムとインタラクトすることを可能にするインタフェースである。「ユーザインタフェース」は、「ヒューマンインタフェースデバイス」と称される場合もある。ユーザインタフェースは、情報若しくはデータをオペレータに提供することができる及び／又は情報若しくはデータをオペレータから受信することができる。ユーザインタフェースは、オペレータからの入力がコンピュータによって受信されることを可能にしてもよい及びコンピュータからユーザへ出力を提供してもよい。つまり、ユーザインタフェースはオペレータがコンピュータを制御する又は操作することを可能にしてもよい、及びインタフェースはコンピュータがオペレータの制御又は操作の結果を示すことを可能にしてもよい。ディスプレイ又はグラフィカルユーザインタフェース上のデータ又は情報の表示は、情報をオペレータに提供する一例である。キーボード、マウス、トラックボール、タッチパッド、指示棒、グラフィックタブレット、ジョイスティック、ゲームパッド、ウェブコム、ヘッドセット、ペダル、有線グローブ、リモコン、及び加速度計を介したデータの受信は、オペレータから情報又はデータの受信を可能にするユーザインタフェース要素の全例である。
本明細書で使用される「ハードウェアインタフェース」は、コンピュータシステムのプロセッサが外部コンピューティングデバイス及び／又は装置とインタラクトする及び／又はそれを制御することを可能にするインタフェースを包含する。ハードウェアインタフェースは、プロセッサが外部コンピューティングデバイス及び／又は装置へ制御信号又は命令を送ることを可能にしてもよい。ハードウェアインタフェースはまた、プロセッサが外部コンピューティングデバイス及び／又は装置とデータを交換することを可能にしてもよい。ハードウェアインタフェースの例は、ユニバーサルシリアルバス、ＩＥＥＥ１３９４ポート、パラレルポート、ＩＥＥＥ１２８４ポート、シリアルポート、ＲＳ－２３２ポート、ＩＥＥＥ４８８ポート、ブルートゥース（登録商標）接続、無線ＬＡＮ接続、ＴＣＰ／ＩＰ接続、イーサネット（登録商標）接続、制御電圧インタフェース、ＭＩＤＩインタフェース、アナログ入力インタフェース、及びデジタル入力インタフェースを含むが、これらに限定されない。
本明細書で使用される「ディスプレイ」又は「ディスプレイデバイス」は、画像又はデータを表示するために構成された出力デバイス又はユーザインタフェースを包含する。ディスプレイは、視覚、音声、及び／又は触覚データを出力してもよい。ディスプレイの例は、コンピュータモニタ、テレビスクリーン、タッチスクリーン、触覚電子ディスプレイ、点字スクリーン、陰極線管（ＣＲＴ）、蓄積管、双安定ディスプレイ、電子ペーパー、ベクターディスプレイ、平面パネルディスプレイ、真空蛍光ディスプレイ（ＶＦ）、発光ダイオード（ＬＥＤ）ディスプレイ、エレクトロルミネッセントディスプレイ（ＥＬＤ）、プラズマディスプレイパネル（ＰＤＰ）、液晶ディスプレイ（ＬＣＤ）、有機発光ダイオードディスプレイ（ＯＬＥＤ）、プロジェクタ、及びヘッドマウントディスプレイを含むが、これらに限定されない。
ｋ空間データは、本明細書においては、磁気共鳴イメージングスキャン中に磁気共鳴装置のアンテナによって原子スピンにより発せられた無線周波数信号の記録された測定結果として定義される。磁気共鳴イメージング（ＭＲＩ：Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）画像又はＭＲ画像は、ｋ空間データ内に収められた解剖学データの再構成された２又は３次元視覚化であると本明細書で定義される。この視覚化は、コンピュータを使用して実施されることが可能である。
複素画像は、各ピクセル又はボクセルの複素数値を含む画像である。複素画像をニューラルネットワークに入力する１つのやり方は、画像を実数成分と虚数成分に分割することである。次いで、２つの成分は、２つの別個の画像としてニューラルネットワークに入力されることが可能である。
以下において、本発明の好適な実施形態が、単なる例として次の図面を参照して説明される。
ニューラルネットワークを訓練する方法を示すフローチャートである。 医療システムの例を示す図である。 図２の医療システムを動作させる方法を示すフローチャートである。 医療システムの更なる例を示す図である。 図４の医療システムを動作させる方法を示すフローチャートである。 ＳＥＮＳＥ再構成を実施するためにニューラルネットワークを訓練する方法を示す図である。 合成されたマルチバンドＳＥＮＳＥコイル画像と測定されたマルチバンドＳＥＮＳＥコイル画像とを比較した図である。 ステッチアーティファクトの除去を示す図である。 アルゴリズム及びニューラルネットワークベースのマルチバンドＳＥＮＳＥ再構成を使用して再構成された画像を、完全にサンプリングされた画像と比較した図である。
図において似通った参照番号を付された要素は、等価な要素であるか、同じ機能を実行するかの何れかである。先に考察された要素は、機能が等価である場合は、後の図においては必ずしも考察されない。
図１は、ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するようにニューラルネットワークを訓練する方法を示す図を示す。まず、ステップ１００において、初期訓練データが受信される。初期訓練データは、所定の数の初期グランドトゥルース画像とそれぞれペアにされた初期訓練複素チャネル画像のセットを含む。初期訓練複素チャネル画像は、ニューラルネットワークに入力されたものである。次いで、ニューラルネットワークの出力は、ニューラルネットワークの深層学習を実施するために、初期グランドトゥルース画像と比較される。
次に、ステップ１０２において、初期訓練データに対してデータ拡張を実施することによって、追加の訓練データが生成される。画像のロケーションの移動、画像の再スケーリング、画像の反転などのデータ拡張の従来の方法の全てが実施される。このステップでは、それでも、訓練複素チャネル画像は、別個の位相オフセットを初期訓練複素チャネル画像のセットのそれぞれに追加することによって更に修正される。画像は、実数成分と虚数成分両方として複素位相（ｃｏｍｐｌｅｘ ｐｈａｓｅ）で表される。これは、例えば、１つが実数成分を有し、１つが虚数成分を有するという、同じ側面の２つの画像で表される。これらの複素数のそれぞれを大きさと位相として表すことも可能である。各ボクセルに対して、ボクセルの複素値は、位相と振幅に換算して計算され、その後、別個の位相オフセットを各チャネルに追加することによって修正される。
この位相オフセットを追加した後、単一の複素画像を表す２つの画像の新しい実数成分と虚数成分が計算される。これは、実生活の磁気共鳴イメージングシステムでは、コイルなどの配線又は構成による位相差があるので、データ拡張において有益である。次いで、別個の位相オフセットを追加して、変化する位相関係があるときでも機能するようにニューラルネットワークを訓練する。
次いで、方法はステップ１０４に進み、ここで、追加の訓練複素チャネル画像のセットがニューラルネットワークに入力され、これに応じて、所定の数の出力された訓練画像が受信される。次いで、ステップ４において、所定の数の出力された訓練画像及び所定の数のグランドトゥルース画像を損失関数に入力することによって、訓練ベクトルが計算される。最後に、ステップ１０８において、訓練ベクトルで逆伝搬アルゴリズムを制御することによって、ニューラルネットワークが訓練される。
図２は、医療システム２００の例を示す。医療システム２００は、コンピュータ２０２を備えるように示されている。コンピュータは、ハードウェアインタフェース２０６、任意選択のユーザインタフェース２０８、及びメモリ２１０に接続されたプロセッサ２０４を制御する。ハードウェアインタフェース２０６は、例えば、ネットワークインタフェースのような構成要素又はインタフェースを備える。ハードウェアインタフェース２０６は、例えば、プロセッサ２０４が他のコンピュータシステムと通信すること、及び／又は、医療システム２００の他の構成要素を制御することを可能にする。プロセッサ２０４は、１つ又は複数のコンピューティングマシン又はデバイスの１つ又は複数のコアを表すことを意図する。ユーザインタフェース２０８は、例えば、情報の表示のため、及び、医療システム２００の制御を行うために使用される。メモリ２１０は、プロセッサにアクセス可能な任意のメモリである。
メモリ２１０は、機械実行可能命令２１２を収めるように示されている。機械実行可能命令２１２は、プロセッサ２０４が医療システム２００の他の構成要素を制御すること、並びに、様々なデータ及び画像処理タスクを実施することを可能にする命令を収める。メモリ２１０は、更に、ニューラルネットワークを収めるように示されている。ニューラルネットワークは、ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するために構成される。これは、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従って取得された複数の測定された複素チャネル画像を入力することによって実施される。これに応じて、所定の数の再構成画像が出力される。メモリ２１０は、複数の測定された複素チャネル画像２１６を収めるように示されている。メモリ２１０は、更に、複数の測定された複素チャネル画像２１６をニューラルネットワーク２１４に入力することによって生成された所定の数の再構成画像２１８を収めるように示されている。
図３は、図２の医療システム２００を動作させる方法を示すフローチャートを示す。最初に、ステップ３００において、複数の測定された複素チャネル画像２１６が受信される。次に、ステップ３０２において、所定の数の再構成画像２１８が、複数の測定された複素チャネル画像２１６をニューラルネットワーク２１４に入力することによって受信又は生成される。
図４は、医療器具４００の更なる図を示す。この医療器具は、磁気共鳴イメージングシステム４０２を更に備えることを除いて、図２に示されたものと同様である。磁気共鳴イメージングシステム４０２は、磁石４０４を備える。磁石４０４は、超電導円筒型磁石であり、これを通るボア４０６がある。異なるタイプの磁石の使用も可能であり、例えば、分割円筒形磁石と、いわゆるオープンマグネットの両方を使用することも可能である。分割円筒形磁石は、磁石のｉｓｏ平面（ｉｓｏ－ｐｌａｎｅ）へのアクセスを可能にするために、低温保持装置が２つのセクションに分割されていることを除いて、標準的な円筒形磁石と同様であり、このような磁石は、例えば、荷電粒子ビーム治療法と併せて使用される。オープンマグネットには、２つの磁石セクションがあり、一方の磁石が他方の磁石の上にあり、その間に、対象者を収容するのに十分大きい空間があり、２つのセクションエリアの配置は、ヘルムホルツコイルの配置と同様である。オープンマグネットは広く普及しており、なぜなら、対象者がそれほど閉じ込められないからである。円筒形磁石の低温保持装置の内側に、超電導コイルの集合体がある。
円筒形磁石４０４のボア４０６の内部には、磁場が、磁気共鳴イメージングを実施するのに十分強く且つ一様な、イメージングゾーン４０８がある。イメージングゾーン４０８の内部に、関心領域４０９が示されている。取得される磁気共鳴データは、典型的には、関心領域について取得される。対象者４１８は、対象者４１８の少なくとも一部が、イメージングゾーン４０８及び関心領域４０９の内部にあるように、対象者サポート４２０でサポートされているように示されている。
磁石のボア４０６内には、磁石４０４のイメージングゾーン４０８内で磁気スピンを空間的に符号化するために、予備の磁気共鳴データの取得のために使用される磁場勾配コイル４１０のセットもある。磁場勾配コイル４１０は、磁場勾配コイル電源４１２に接続される。磁場勾配コイル４１０は代表的なものであることが意図される。一般的に、磁場勾配コイル４１０は、３つの直交空間方向で空間的に符号化するためのコイルの３つの別個のセットを含む。磁場勾配電源は、電流を磁場勾配コイルに供給する。磁場勾配コイル４１０に供給される電流は、時間の関数として制御され、傾斜化されるか又はパルス化される。
イメージングゾーン４０８に隣接するのは、イメージングゾーン４０８内の磁気スピンの配向を操作するため及び同じくイメージングゾーン４０８内のスピンから無線伝送を受信するための無線周波数コイル４１４である。無線周波数コイル４１４は、複数のアンテナ素子４１５を備えるように示されている。複数のアンテナ素子４１５は、ＳＥＮＳＥ磁気共鳴イメージングプロトコル中に、ｋ空間データをそれぞれ取得するために使用される。
無線周波数コイル４１４は、無線周波数トランシーバ４１６に接続される。無線周波数コイル４１４及び無線周波数トランシーバ４１６は、別個の送信及び受信コイル並びに別個の送信機及び受信機と置き換えられる。無線周波数コイル４１４及び無線周波数トランシーバ４１６は代表的なものであることを理解されたい。無線周波数コイル４１４は、専用送信アンテナ及び専用受信アンテナをも表すように意図される。同様に、トランシーバ４１６は、別個の送信機及び受信機をも表す。無線周波数コイル４１４は、複数の受信／送信コイル素子４１５を有し、無線周波数トランシーバ４１６は、複数の受信／送信チャネルを有し得る。
トランシーバ４１６及び勾配コントローラ４１２は、コンピュータシステムのハードウェアインタフェース１０６に接続されるものとして示される。メモリ２１０は更に、パルスシーケンスコマンド４３０を含むものとして示される。パルスシーケンスコマンドは、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従って、磁気共鳴イメージングシステムを制御してｋ空間データを取得するように構成される。パルスシーケンスコマンド４３０は、また、任意選択として、コイル感度マップを構成するためのデータを取得するように構成される。
メモリ２１０は、更に、パルスシーケンスコマンド４３０で磁気共鳴イメージングシステム４０２を制御することによって取得されたアンテナ素子依存ｋ空間データ４３２を収めるように示されている。メモリ２１０は、また、任意選択として、パルスシーケンスコマンド４３０で磁気共鳴イメージングシステム４０２を制御することによって同様に取得された、コイル感度マップｋ空間データ４３４を収めるように示されている。メモリ２１０は、更に、コイル感度マップｋ空間データ４３４から再構成されたコイル感度マップ４３６を収めるように示されている。
メモリ２１０は、更に、ＳＥＮＳＥ再構成アルゴリズム４３８を収めるように示されている。これを使用するために、アンテナ素子依存ｋ空間データ４３２は、最初に、複数の測定された複素チャネル画像２１６に再構成される。各アンテナ素子に対応する１つのチャネルがある。次いで、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従って、幾つかのアルゴリズム的再構成画像４４０を構成するために、複数の測定された複素チャネル画像２１６及びコイル感度マップ４３６がＳＥＮＳＥ再構成アルゴリズム４３８によって使用される。メモリ２１０は、任意選択として、画像アーティファクト検出モジュール４４２を収めるように示されている。例えば、アルゴリズム的再構成画像４４０が入力されることが可能であり、フォールディングアーティファクト及び他のアーティファクトが、例えば、ニューラルネットワーク又は他の検出アルゴリズムを使用して検出され得る。また、アルゴリズム的再構成画像４４０は、これらをユーザに表示するために、ユーザインタフェース２０８のディスプレイを使用して表示されることが可能である。その後、ユーザは、品質指標４４４を提供する。
画像アーティファクト検出モジュール４４２は、また、代替として、品質指標を提供するために使用される。アルゴリズム的再構成画像４４０が十分な品質を有していることを品質指標４４４が示す場合、アルゴリズム的再構成画像４４０は、対象者画像４４６として格納される。そうでない場合、プロセッサ２０４は、複数の測定された複素チャネル画像２１６をニューラルネットワーク２１４に入力する。任意選択のＳＥＮＳＥコイル感度マップ４３６の使用は、最初に、コイル感度マップを正しく測定してＳＥＮＳＥ画像を再構成しようし、これが失敗した場合、ニューラルネットワークが、ＳＥＮＳＥ画像を再構成しようとするための第２のチャンスとして使用されるシステムを提供する。
図５は、図４の医療システム４００を動作させる方法を示す。最初に、ステップ５００において、パルスシーケンスコマンド４３０で磁気共鳴イメージングシステム４０２を制御することによって、アンテナ素子依存ｋ空間データ４３２が取得される。次に、ステップ５０２において、アンテナ素子依存ｋ空間データ４３２から複数の測定された複素チャネル画像２１６が再構成される。次いで、ステップ５０４において、パルスシーケンスコマンド４３０で磁気共鳴イメージングシステムを制御することによって、コイル感度マップｋ空間データ４３４が取得される。コイル感度マップｋ空間データ４３４は、アンテナ素子ｋ空間データ４３２の前に取得されることが可能である。次いで、ステップ５０６において、ＳＥＮＳＥ磁気共鳴イメージングプロトコルに従って、コイル感度マップｋ空間データ４３４からコイル感度マップ４３６が再構成される。コイル感度マップ４３６は、複数の測定された複素チャネル画像２１６が再構成される前に、再構成される。
次いで、ステップ５０８において、コイル感度マップ４３６及び複数の測定された複素チャネル画像２１６を、ＳＥＮＳＥ再構成アルゴリズム４３８への入力として使用して、所定の数のアルゴリズム的再構成画像４４０が再構成される。次に、ステップ５１０において、所定の数のアルゴリズム的再構成画像４４０を記述した品質指標が受信される。上述のように、これは、自動的に行われるか、ユーザインタフェースを介して受信された信号である。ステップ５１１は判定ボックスであり、質問は、再構成は成功したか、である。回答がはいの場合、方法はステップ５１４に進み、所定の数のアルゴリズム的再構成画像が、対象者画像４４６としてメモリ２１０に格納される。回答がいいえの場合、方法は、図３のステップ３００及びステップ３０２に進む。ステップ３０２の後、ステップ５１２が実施される。ステップ５１２では、所定の数の再構成画像２１８が、１つ又は複数の対象者画像４４６としてメモリに格納される。
ＳＥＮＳＥのような並列イメージング方法は、受信コイルアレイを用いて、アンダーサンプリングによって、スキャン時間に対するＳＮＲのトレードである。それでも、ＳＥＮＳＥは、アンダーサンプリング画像をアンフォールドするために、追加のコイル感度スキャン（リファレンススキャン）を必要とし、これには、いくらかの追加のスキャン時間がかかる。その上、レフスキャンのモーションコラプションが、画像品質を害するその後の診断スキャンのＳＥＮＳＥ再構成に潜在的に伝搬することになる。
例は、ＳＥＮＳＥリファレンススキャンの必要がない、アンダーサンプリングデータの再構成のためのニューラルネットワークを提供し、したがって、モーション堅牢性及びワークフローを著しく改善する。
ＳＥＮＳＥは並列イメージング技法であり、これは、受信コイルアレイによって提供された相補的空間情報を採用することによって、アンダーサンプリングＭＲＩデータの再構成を可能にする。したがって、追加の較正スキャン、いわゆるＳＥＮＳＥリファレンススキャンが、バックフォールドされたアンダーサンプリング画像をアンフォールドするために採用されるアレイの個々の受信コイル素子の空間感度を判定するために、必要である。マルチバンド（ＭＢ）ＳＥＮＳＥは、並列イメージング技法であり、これは、同時に取得されたスライスをディスエンタングルするためにＳＥＮＳＥを使用して、位相符号化方向ではなくスライス方向に、感度符号化アイデアを適用する。
Ｕ－ＮＥＴは、畳み込みニューラルネットワーク（ＣＮＮ）トポロジの１つのタイプであり、生物医学画像セグメント化タスクのために提案された。ネットワークは、縮小経路及び拡張経路から成り、ネットワークは、ｕ型のアーキテクチャになる。縮小経路は、それぞれ、補正された線形ユニット（ＲｅＬＵ）及びマックスプーリング演算が続く畳み込みの繰り返された利用から成る典型的な畳み込みネットワークである。縮小中、空間情報が低減される一方で、特徴情報は増加される。拡張経路は、アップコンボリューション及び合成のシーケンスを通じた特徴及び空間情報を、縮小経路からの高解像度特徴と組み合わせる。
ニューラルネットワークは、並列画像再構成を改善するために示されてきたが、それでも、自動較正ラインを有する非一様なアンダーサンプリングパターンに焦点を合わせるか、圧縮ＳＥＮＳＥ戦略を強化する。一様なアンダーサンプリング画像からエイリアスアーティファクトを除去するために、それでも、最大２つだけの低減ファクタのために、多層パーセプトロンアーキテクチャが使用されてきた。
上記で概説されたように、標準ＳＥＮＳＥはリファレンススキャンを必要とし、これは、取得のために追加のスキャン時間を必要とし、運動感度を増加させる。その上、コイル感度及びしたがってコイルデータの不完全直交性が、特に、より高いＳＥＮＳＥファクタにおいて、再構成画像のノイズ強化を生じる。
ＭＲＩデータは、複素数値のデータである。これは、空間位相変動を示す複素送受信コイル感度（ｃｏｍｐｌｅｘ ｔｒａｎｓｍｉｔ ａｎｄ ｒｅｃｅｉｖｅ ｃｏｉｌ ｓｅｎｓｉｔｉｖｉｔｉｅｓ）による。その上、オフレゾナンス、不完全シム、渦電流等のような効果が、再構成画像の空間位相変動を引き起こす。個々の受信コイル素子から生じるデータの空間位相変動は、ＳＥＮＳＥアルゴリズムによるアンダーサンプリング画像のアンフォールディングに必要な必須情報を提供し、画像アンフォールディングのために使用されるニューラルネットワークが、この情報から利益を得ることも明らかである。それでも、個々の受信コイル素子のグローバル位相オフセットは、ＭＲＩシステム較正の問題であり、不定である。また、Ｂ０及びＢ０シム関連の位相変動は不定であり、予測するのが困難である。したがって、ニューラルネットワークは、困難なタスクではあるが、他のソースから生じる位相変動によって混乱されることなく、受信コイルの空間位相変動を利用しなければならない。
例は、コイル相関カーネルのコイル感度について何らかの知識がなくても、ＳＥＮＳＥ再構成を行うための、適切に構成された多次元ニューラルネットワーク（例えば、Ｕ－ｎｅｔ）を提供する。このような発明は、コイル感度情報がない場合、不完全な場合、又は破損している場合、２Ｄマルチスライスにおいて、及び場合によっては、３Ｄ（又は、ことによるとこれより高次元の）ＭＲイメージング再構成画像においても、多くの応用を見つけることができる。
ＳＥＮＳＥ再構成を実施するためのＵ－ＮＥＴニューラルネットワークの利用が下記で論じられる。画像空間（すなわち、バックフォールドされた画像）におけるデカルトアンダーサンプリングデータが、ニューラルネットワークに対する入力として使用される。Ｎ個の複素受信チャネルは、Ｕ－ｎｅｔに対する２Ｎ個の実数入力チャネルを生じる（実数部分と虚数部分は別個のチャネルとして扱われることが可能である）。出力画像は、入力画像と同じサイズを有し、出力チャネルの数は、通常、ＳＥＮＳＥにおいて、加速度ファクタとも呼ばれる、アンダーサンプリングファクタＲに対応する。したがって、バックフォールドされたソース画像のエイリアス構造は、異なる出力チャネルに分離され（下記の図６）、これらは、実際の測定中の条件を反映するように適切にシフトされる。この構造は、シフトするＣＡＩＰＩＲＩＮＨＡを含むバックフォールドパターンが予めわかっており、したがって、ニューラルネットワークが、長距離を考慮することなく、ローカルな特徴のアンフォールディングを実施する必要があるだけであるということを使用する。出力画像について、係数画像が考慮される（例えば、平方和又は規模の和）。ネットワークについて、標準Ｕ－Ｎｅｔ（下記参照）が提案され、これは、入力（Ｎ個のフォールドされた複素画像）から出力（Ｒ個のアンフォールドされた出力画像）までの間の関係を学習する。
図６は、ニューラルネットワーク２１４を訓練するための訓練データを生成するやり方を示す。最初に、完全にサンプリングされた複素マルチコイルデータ６００が取得される。これは、個々のチャネル６０２のためのデータである。完全な画像が再構成され、これらは、シミュレートされたＣＡＩＰＩＲＩＮＨＡシフト又は他の変換シフトを伴う画像を生成するために使用される。これらの画像は、追加のグランドトゥルース画像６０６又はラベル画像を計算するために使用される。これは、規模の和を計算することによって行われる。画像を組み合わせ、アンダーサンプリングを実施することによって、訓練画像６０８が生成される。これらの訓練画像は、これらに追加されたランダム位相成分を有し、したがって、これらは、追加の訓練複素チャネル画像６０８である。
図６は、Ｕ－ＮＥＴニューラルネットワークを使用したＭＢ－ＳＥＮＳＥ再構成を示す。Ｕ－Ｎｅｔの訓練のために、ラベル画像と訓練画像が、完全にサンプリングされた画像から導出されることが可能である。最初に、完全にサンプリングされた画像は、ｇファクタ（例えば、ＭＢファクタに対する１／３視野＝３）を低減させるために、アンダーサンプリングされた取得のために選択されたＣＡＩＰＩＲＩＮＨＡシフトに従って、位相符号化方向にシフトされる。完全にサンプリングされたラベル画像は、例えば規模の和又は根平方和（ｒｏｏｔ－ｓｕｍ－ｏｆ－ｓｑｕａｒｅｓ）を使用した、異なる受信チャネルからの画像の重ね合わせによって生成される。アンダーサンプリングされた訓練画像は、１つのＭＢ取得に属するスライスの重ね合わせによって生成される。訓練中、潜在的な位相変動に対する堅牢性を改善するために、ランダム位相が各受信チャネル（φｃｈ）と各スライス（φｓｌ）に適用される。右のラベル及び訓練画像の黄色のボックスは、特徴が画像内のこれらの位置にあるままであることを示す。
訓練データの合成のために、完全にサンプリングされた画像が使用される（詳細については図１を参照）。訓練画像とラベル画像両方が、画像空間における適切な重ね合わせによって、完全にサンプリングされた画像の訓練画像から合成されることが可能である。
Ｂ０シム、渦電流等からの位相変動は、エイリアスされた画像（図２）の干渉パターン（加算又は減算）に実際の位相が影響を及ぼすので、アンダーサンプリング画像のＵ－Ｎｅｔ（及び他のニューラルネットワーク）ベースの再構成にとって大きな問題である。これは、データ拡張を使用して効果的に対処されることが可能である。訓練のために使用されるＭＢ画像の合成中、ランダム位相シフトφｓｌが、各サブスライスに適用される。これは、（予め）静的に又は訓練中にオンザフライで行われることが可能である。副次的効果として、この拡大は、伝送中にピークＢ１＋低減のために使用されるＷｏｎｇ位相にも対処し、これは、別々に説明される必要はない。定数ではなく、訓練中に画像全体にわたる線形位相変動も追加することが考えられる。
更に、受信チャネルの不定の位相オフセットに対処するために、ランダム位相オフセットφｃｈが、受信チャネルに追加される。これは、例えば、システムの再較正又はインストール後の、チャネル依存位相変化に対して、ニューラルネットワークを堅牢にする。数式は、以下で示され、
Figure 2023506862000002
 ここで、ｍｓｔ，ｃｈは、ＭＢスライスｓｌ及び受信チャネルｃｈのシフトされたソースデータ画像を表し、ｍｓｙｎｔｈ，ｃｈは、受信チャネルｃｈの、結果の拡張された合成訓練画像である。理想的には、位相拡張は、データの可変性、及びしたがって、学習の堅牢性を向上させるために、各訓練エポックの間、繰り返される。
図７は、合成されたデータ７００及び測定されたＭＢデータ７０２を示す。これらが、矢印がある場所で異なる干渉パターンを生じることがわかる。この差は、Ｂ０シム渦電流又は他のファクタによって引き起こされる位相変動によって引き起こされる。これは、位相変動を伴うデータ拡張を実施する重要性を示す。
上記で説明される画像データレイアウトについて、Ｕ－Ｎｅｔの出力画像は、画像境界におけるＵ－Ｎｅｔによって実施される不完全な畳み込みから生じるステッチアーティファクトを生じるＣＡＩＰＩＲＩＮＨＡシフトを補正するために、シフトされる（下記の図８）。これらのアーティファクトは、入力データを循環パディングし、パディングされたデータに対してネットワークを訓練することによって、回避されることが可能である。次いで、再構成画像は、元のサイズにクロップされ、元にシフトされる。代替のアプローチは、Ｕ－Ｎｅｔに対する循環畳み込みを実装することである。
図８は、ステッチアーティファクトの除去を示す。８００とラベル付けされた一番上の行の画像は、矢印で示されたステッチアーティファクトを伴う２つの画像を示す。これは、例えば、Ｕ－ｎｅｔ再構成画像の循環シフトによって引き起こされる。これを回避する１つのやり方は、訓練データの循環パディングを実施することである。真ん中の画像８０２は、画像８０２に追加された追加のパディング領域８０３を示す。これは、訓練データに追加される。画像８０４は、８０２の画像と同様の訓練データを使用したニューラルネットワークによる再構成の結果を示す。この例では、矢印は、ステッチアーティファクトを示していない。
３Ｔ ＭＲＩスキャナを使用した、１０人の健康なボランティアに対して実験が実施された。標準的な脳調査スキャン（３方向：ＳＡＧ、ＴＲＡ、ＣＯＲ、３スライス、約３０秒のスキャン時間）が、（左から右へ、及び首から胸への両方に頭を移動させて）９つの異なる頭位について取得される。更に、対応するＭＢ取得が実施された（３方向：ＳＡＧ、ＴＲＡ、ＣＯＲ、ＭＢファクタ＝３、シフトファクタ＝３、約１０秒のスキャン時間）。テンソルフローのＫｅｒａｓ ＡＰＩを使用した、上記で説明されたような（図８参照）、ＭＢ再構成のためのＵ－Ｎｅｔを訓練するために、９人のボランティアの完全にサンプリングされた標準調査画像が使用された。Ｕ－Ｎｅｔは、４つのダウンサンプリングステップ（それぞれの前に２つの畳み込みステップがある）、並びに対応するアップサンプリングステップ及び畳み込みから成る。最小二乗法を使用した確率勾配降下がオプティマイザとして使用された。上記で説明されたようなオンザフライデータ拡張が、位相変動を説明するために実施された。
訓練済のＵ－Ｎｅｔは、ネットワークの訓練に使用されなかった残りのボランティアのＭＢ画像を再構成するために使用された。ＭＢ－ＳＥＮＳＥは、レフスキャンとＭＢスキャンとの間で頭位が変化すると、深刻なアーティファクトになるが、ＭＢ－Ｕ－Ｎｅｔ再構成は、より堅牢になり、完全にサンプリングされたスキャン（図４）に匹敵する画像品質になる。
図９は、ニューラルネットワークを使用してＭＢ ＳＥＮＳＥ再構成のための再構成を実施する有効性を示す。列９００の画像は、ＭＢ ＳＥＮＳＥ再構成を実施するために、従来のアルゴリズムを使用して再構成された。画像は、コイル感度マップを得るために使用されるリファレンススキャンと、画像のスキャンとの間の頭の位置の固定的な変化によって呼び起こされた幾つかの静的なモーションアーティファクトを示す。矢印で指し示された、幾つかのゴーストアーティファクトがある。真ん中の列９０２には、ニューラルネットワークを使用して再構成された画像がある。ゴースト画像がないことがわかる。第３の列９０４には、ｋ空間の完全サンプリングを使用して再構成された画像がある。列９０２の画像は、完全にサンプリングされた画像９０４に非常に好都合に似ていることがわかる。ニューラルネットワークの再構成は、列９００の画像に見えるアーティファクトを回避することができた。
データ事前処理及び事後処理
提案されたＵ－ＮＥＴアーキテクチャなどの、幾つかのニューラルネットワークアーキテクチャについて、ｋ空間と画像ドメインの両方で、幾つかの特別なデータ事前処理及び事後処理を使用することが有益であり、これは、以下で、より詳細に概説される。
採用されたＵ－ＮＥＴは、異なる出力チャネルを介して、エイリアスされた（すなわち、重ね合わされた）ＭＢ画像をディスエンタングルするが、ＰＥ方向にＦＯＶ（視野）の特定の小部分による出力画像の循環シフトによって事後処理ステップ（例として、左－右とここで示された位相符号化）として遡及的に行われなければならないＣＡＩＰＩＲＩＮＨＡシフトを補正しない。例えば、上記に示された例では、３つの画像のうちの２つが、画像中心の解剖を再び有するように、左又は右にＦＯＶの３分の１だけそれぞれシフトされなければならない。画像のピクセルサイズが、ある種の補間である、ＰＥ方向への３の倍数でない場合、これは、結果のサブピクセルシフトを実施するのに有益である。これは、フーリエ変換によって画像が再構成される前に、ｋ空間ドメインにおけるゼロパディングにより取得されたｋ空間データの適切な事前処理によって回避されることが可能である。上記に示された例として、全部で３の倍数（例えば、２５６ではなく２５８）のｋ空間線を目指すために、空の線を追加する。次いで、ＣＡＩＰＩＲＩＮＨＡシフトは、実施しやすい最終画像の純粋な整数ピクセルシフトである。
別の事前及び事後処理ステップは、ステッチアーティファクトの除去に関する。ステッチアーティファクトは、採用されたＵ－ＮＥＴの実行が、データの循環畳み込みを実施しないことによるものであるが、入力画像は、ＰＥ方向に循環的である（例えば、左の最初の線を伴う右の最後の線の後ろで画像が繰り返されることが可能な手段である、図７を参照）。したがって、出力画像の最初及び最後の線は破損し、画像を中心にシフトさせた後、暗いステッチアーティファクトを引き起こす。これは、ニューラルネットワークにおいて循環畳み込みを実施することによって理想的に対処されることが可能である。それでも、これは、選ばれたニューラルネットワークプラットフォーム（テンソルフロー）によってサポートされない。したがって、追加の事前及び事後処理ステップが、回避法として実施された。入力画像は、これをネットワークに送り込む前に、左及び右に数ラインだけ循環的に続けられた。これは、左から右に、及び逆もまた同様に、データの小さいストライプをコピーすることによって行われた（図８）。その後、アーティファクトは、画像の冗長なエリアにあり、中心へのシフトを再び実施する前に、出力画像を元のサイズにクロップすることによって除去されることが可能である。
本発明は、図面及び前述の記載において詳細に図示及び説明されたが、このような図示及び記載は、説明的又は例示的であって限定するものではないと見なされるべきである。すなわち本発明は、開示された実施形態に限定されるものではない。
開示された実施形態のその他の変形が、図面、本開示及び添付の請求項の検討から、請求項に係る発明を実施する当業者によって理解されて実現され得る。請求項において、「含む、備える」という単語は、他の要素又はステップを除外するものではなく、単数形は、複数を除外するものではない。単一のプロセッサ又は他のユニットが請求項に記載された幾つかのアイテムの機能を果たす。特定の手段が相互に異なる従属請求項に列挙されているという単なる事実は、これらの手段の組み合わせが有利に用いられないことを示すものではない。コンピュータプログラムは、他のハードウェアと共に若しくは他のハードウェアの一部として供給される光記憶媒体又はソリッドステート媒体等の適当な媒体に保存／分配されてもよいが、インターネット又は他の有線若しくは無線の電気通信システムを介して等の他の形式で分配されてもよい。請求項における任意の参照符号は、本発明の範囲を限定するものと解釈されるべきではない。
１００ 初期訓練データを受信する
１０２ 初期訓練データに対してデータ拡張を実施することによって追加の訓練データを生成し、データ拡張は、追加の訓練複素チャネル画像のセットの生成中、別個の位相オフセットを初期訓練複素チャネル画像のセットのそれぞれに追加することを有する
１０４ 追加の訓練複素チャネル画像のセットをニューラルネットワークに入力し、これに応答して、所定の数の出力された訓練画像を受信する
１０６ 所定の数の出力された訓練画像と所定の数のグランドトゥルース画像を損失関数に入力することによって訓練ベクトルを計算する
１０８ 訓練ベクトルで逆伝搬アルゴリズムを制御することによってニューラルネットワークを訓練する
２００ 医療システム
２０２ コンピュータ
２０４ プロセッサ
２０６ ハードウェアインタフェース
２０８ ユーザインタフェース
２１０ メモリ
２１２ 機械実行可能命令
２１４ ニューラルネットワーク
２１６ 複数の測定された複素チャネル画像
２１８ 所定の数の再構成画像
３００ 複数の測定された複素チャネル画像を受信する
３０２ 複数の測定された複素チャネル画像をニューラルネットワークに入力することによって、所定の数の再構成画像を受信する
４００ 医療システム
４０２ 磁気共鳴イメージングシステム
４００ 医療器具
４０２ 磁気共鳴イメージングシステム
４０４ 磁石
４０６ 磁石のボア
４０８ イメージングゾーン
４０９ 関心領域
４１０ 磁場勾配コイル
４１２ 磁場勾配コイル電源
４１４ 無線周波数コイル
４１５ アンテナ素子
４１６ 送受信機
４１８ 対象者
４２０ 対象者支持台
４３０ パルスシーケンスコマンド
４３２ アンテナ素子依存ｋ空間データ
４３４ 任意選択のコイル感度マップｋ空間データ
４３６ コイル感度マップ
４３８ ＳＥＮＳＥ再構成アルゴリズム
４４０ アルゴリズム的再構成画像
４４２ 画像アーティファクト検出モジュール
４４４ 品質指標
４４６ 対象者画像
５００ パルスシーケンスコマンドで磁気共鳴イメージングシステムを制御することによって、アンテナ素子依存ｋ空間データを取得する
５０２ アンテナ素子依存ｋ空間データから複数の測定された複素チャネル画像を再構成する
５０４ パルスシーケンスコマンドで磁気共鳴イメージングシステムを制御することによって、コイル感度マップｋ空間データを取得する
５０６ コイル感度マップｋ空間データからコイル感度マップを再構成する
５０８ アンテナ素子依存ｋ空間データ及びコイル感度マップから所定の数のアルゴリズム的再構成画像を再構成する
５１０ 所定の数のアルゴリズム的再構成画像を記述した品質指標を受け取り、品質指標は、再構成成功又は再構成失敗を示す
５１２ 品質指標が再構成失敗を示す場合、所定の数の再構成画像を対象者画像としてメモリに格納する
５１４ 品質指標が再構成成功を示す場合、所定の数のアルゴリズム的再構成画像を対象者画像としてメモリに格納する
６００ 完全にサンプリングされた複素マルチコイルデータ
６０２ チャネル
６０４ アーティフィカルＣＡＩＰＩＲＩＮＨＡシフト
６０６ 追加のグランドトゥルース画像
６０８ 追加の訓練複素チャネル画像
７００ 合成データ
７０２ 測定されたＭＢデータ
８００ ステッチアーティファクトを伴う画像
８０２ 入力画像の循環パディングの例
８０３ パディング領域
８０４ 循環パディングを使用した結果
９００ ＭＢ ＳＥＮＳＥアルゴリズムを使用して再構成された画像
９０２ ニューラルネットワークを使用した再構成
９０４ 完全にサンプリングされた画像

Claims (15)

  1. ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するようにニューラルネットワークを訓練する方法であって、前記ニューラルネットワークが、別個の無線周波数チャネル上の別個のコイル素子又はアンテナによって、磁気共鳴並列イメージングプロトコルに従って取得された複数の測定された複素チャネル画像を入力することに応答して、所定の数の再構成画像を出力し、前記方法が、
    初期訓練データを受信するステップであって、前記初期訓練データが、所定の数の初期グランドトゥルース画像とそれぞれペアにされた初期訓練複素チャネル画像のセットを有する、受信するステップと、
    前記初期訓練データに対してデータ拡張を実施することによって追加の訓練データを生成するステップであって、前記追加の訓練データが、所定の数の追加のグランドトゥルース画像とそれぞれペアにされた追加の訓練複素チャネル画像のセットを有し、前記データ拡張が、前記追加の訓練複素チャネル画像のセットの生成中に、別個の位相オフセットを前記初期訓練複素チャネル画像のセットのそれぞれに追加することを有する、生成するステップと、
    前記追加の訓練複素チャネル画像のセットを前記ニューラルネットワークに入力し、これに応答して、所定の数の出力された訓練画像を受信するステップと、
    前記所定の数の出力された訓練画像と前記所定の数のグランドトゥルース画像を損失関数に入力することによって訓練ベクトルを計算するステップと、
    前記訓練ベクトルで逆伝搬アルゴリズムを制御することによって前記ニューラルネットワークを訓練するステップと
    を有する、方法。
  2. 前記訓練ベクトルを計算する前に、前記所定の数の出力された訓練画像からステッチアーティファクトを除去するステップ
    を更に有する、請求項１に記載の方法。
  3. 前記ニューラルネットワークが、畳み込み層を有し、前記畳み込み層が、循環畳み込み層である、請求項１に記載の方法。
  4. 前記追加の訓練複素チャネル画像をニューラルネットワークに入力する前に、前記追加の訓練複素チャネル画像の境界を循環的にパディングするステップを更に有する、請求項１に記載の方法。
  5. 前記磁気共鳴並列イメージングプロトコルが、所定の数のスライスを同時に取得するためのマルチバンドＳＥＮＳＥ磁気共鳴イメージングプロトコルであり、前記所定の数の出力された訓練画像のそれぞれが、前記所定の数のスライスのうちの１つに対応し、前記所定の数の出力された訓練画像のそれぞれが、層依存変換シフトによってオフセットされ、前記方法が、前記訓練ベクトルを計算する前に、前記層依存変換シフトによって、前記所定の数のグランドトゥルース画像の前記それぞれのそれぞれをシフトするステップを更に有する、請求項１から４の何れか一項に記載の方法。
  6. 前記初期訓練複素チャネル画像のセットのそれぞれへの前記別個の位相オフセットが、擬似ランダム位相角度分布、ランダム位相角度分布、位相角度の選ばれたリスト、及びこれらの組み合わせの何れか１つから選択される、請求項１から５の何れか一項に記載の方法。
  7. 機械実行可能命令及びニューラルネットワークを格納するメモリであって、前記ニューラルネットワークが、別個の無線周波数チャネル上の別個のコイル素子又はアンテナによって、磁気共鳴並列イメージングプロトコルに従って取得された複数の測定された複素チャネル画像を入力することに応答して、所定の数の再構成画像を出力することによって、磁気共鳴並列イメージング再構成を実施するために、請求項１に記載の方法によって訓練される、メモリと、
    医療システムを制御するためのプロセッサであって、前記機械実行可能命令を実行すると、前記プロセッサが、
    前記複数の測定された複素チャネル画像を受信すること、及び
    複数の測定された複素チャネル画像を前記ニューラルネットワークに入力することによって、前記所定の数の再構成画像を受信すること
    を行う、プロセッサと
    を備える、医療システム。
  8. 前記ニューラルネットワークが、請求項１から６の何れか一項に記載の方法に従って訓練される、請求項７に記載の医療システム。
  9. 前記ニューラルネットワークが、請求項２に従って訓練され、前記機械実行可能命令を実行すると、更に、前記プロセッサが、前記所定の数の再構成画像のそれぞれからステッチアーティファクトを除去する、請求項７又は８に記載の医療システム。
  10. 前記ニューラルネットワークが、請求項４に記載の方法に従って訓練され、前記機械実行可能命令を実行すると、更に、前記プロセッサが、前記複数の測定された複素チャネル画像を前記ニューラルネットワークに入力する前に、前記複数の測定された複素チャネル画像の境界を循環的にパディングする、請求項７又は８に記載の医療システム。
  11. 前記ニューラルネットワークが、請求項５に記載の方法に従って訓練され、前記磁気共鳴並列イメージングプロトコルが、所定の数のスライスを同時に取得するためのマルチバンドＳＥＮＳＥ磁気共鳴イメージングプロトコルであり、前記所定の数の再構成画像のそれぞれが、前記所定の数のスライスのうちの１つに対応し、前記所定の数の出力された訓練画像のそれぞれが、層依存変換シフトによってオフセットされ、前記機械実行可能命令を実行すると、更に、前記プロセッサが、前記層依存変換シフトによって前記所定の数の再構成画像の前記それぞれのそれぞれをシフトする、請求項７から１０の何れか一項に記載の医療システム。
  12. 前記所定の数が１である、請求項７から１０の何れか一項に記載の医療システム。
  13. 前記医療システムが、磁気共鳴イメージングシステムを更に備え、前記磁気共鳴イメージングシステムが、前記磁気共鳴イメージングシステムのイメージングゾーンからアンテナ素子依存ｋ空間データを取得するためのマルチチャネルＲＦシステムを備え、前記メモリが、前記磁気共鳴並列イメージングプロトコルに従って前記アンテナ素子依存ｋ空間データを取得するためのパルスシーケンスコマンドを更に格納し、前記機械実行可能命令を実行すると、更に、前記プロセッサが、
    前記パルスシーケンスコマンドで前記磁気共鳴イメージングシステムを制御することによって、前記アンテナ素子依存ｋ空間データを取得することと、
    前記アンテナ素子依存ｋ空間データから前記複数の測定された複素チャネル画像を再構成することと
    を行う、請求項７から１２の何れか一項に記載の医療システム。
  14. 前記パルスシーケンスコマンドが、前記磁気共鳴並列イメージングプロトコルに従って、前記磁気共鳴イメージングシステムを制御してコイル感度マップｋ空間データを更に取得し、前記機械実行可能命令を実行すると、更に、前記プロセッサが、
    前記パルスシーケンスコマンドで前記磁気共鳴イメージングシステムを制御することによって、前記コイル感度マップｋ空間データを取得することと、
    前記コイル感度マップｋ空間データからコイル感度マップを再構成することと、
    前記アンテナ素子依存ｋ空間データ及び前記コイル感度マップから所定の数のアルゴリズム的再構成画像を再構成することと、
    前記所定の数のアルゴリズム的再構成画像を記述した品質指標を受信することであって、前記品質指標が、再構成成功又は再構成失敗を示す、受信することと、
    前記品質指標が再構成成功を示す場合、前記所定の数のアルゴリズム的再構成画像を対象者画像として前記メモリに格納することと、
    前記品質指標が再構成失敗を示す場合、複数の測定された複素チャネル画像を前記ニューラルネットワークに入力することを進めることと、
    前記品質指標が再構成失敗を示す場合、前記所定の数の再構成画像を前記対象者画像として前記メモリに格納することと
    を行う、請求項１３に記載の医療システム。
  15. 医療システムを制御するプロセッサによる実行のためのニューラルネットワーク及び機械実行可能命令を備えるコンピュータプログラムであって、前記ニューラルネットワークが、別個の無線周波数チャネル上の別個のコイル素子又はアンテナによって、磁気共鳴並列イメージングプロトコルに従って取得された複数の測定された複素チャネル画像を入力することに応答して、所定の数の再構成画像を出力することによって、ＳＥＮＳＥ磁気共鳴イメージング再構成を実施するために、請求項１に記載の方法によって訓練され、前記機械実行可能命令を実行すると、前記プロセッサが、
    前記複数の測定された複素チャネル画像を受信することと、
    複数の測定された複素チャネル画像を前記ニューラルネットワークに入力することによって、少なくとも１つの前記再構成画像を受信することと
    を行う、コンピュータプログラム。
JP2022536769A 2019-12-16 2020-12-15 ニューラルネットワークを使用したｓｅｎｓｅ磁気共鳴イメージング再構成 Pending JP2023506862A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19216400.2A EP3839547A1 (en) 2019-12-16 2019-12-16 Sense magnetic resonance imaging reconstruction using neural networks
EP19216400.2 2019-12-16
PCT/EP2020/086066 WO2021122496A1 (en) 2019-12-16 2020-12-15 Sense magnetic resonance imaging reconstruction using neural networks

Publications (1)

Publication Number Publication Date
JP2023506862A true JP2023506862A (ja) 2023-02-20

Family

ID=68917519

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022536769A Pending JP2023506862A (ja) 2019-12-16 2020-12-15 ニューラルネットワークを使用したｓｅｎｓｅ磁気共鳴イメージング再構成

Country Status (5)

Country Link
US (1) US20220413074A1 (ja)
EP (2) EP3839547A1 (ja)
JP (1) JP2023506862A (ja)
CN (1) CN114846348A (ja)
WO (1) WO2021122496A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020207943A1 (de) * 2020-06-26 2021-12-30 Siemens Healthcare Gmbh Verfahren und Anordnung zum Identifizieren ähnlicher vorgespeicherter medizinischer Datensätze
CN112541876B (zh) * 2020-12-15 2023-08-04 北京百度网讯科技有限公司 卫星图像处理方法、网络训练方法、相关装置及电子设备
US11756197B2 (en) * 2021-03-10 2023-09-12 GE Precision Healthcare LLC Systems and methods of processing magnetic resonance images using phase-sensitive structural similarity index measure
CN115670424A (zh) * 2021-07-28 2023-02-03 通用电气精准医疗有限责任公司 磁共振成像系统及方法、计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11033199B2 (en) * 2015-06-29 2021-06-15 The Board Of Trustees Of The University Of Illinois Echo-planar imaging magnetic resonance elastography pulse sequence
US10803987B2 (en) * 2018-11-16 2020-10-13 Elekta, Inc. Real-time motion monitoring using deep neural network
US11085988B2 (en) * 2019-03-20 2021-08-10 The Board Of Trustees Of The Leland Stanford Junior University Method for estimating systematic imperfections in medical imaging systems with deep learning

Also Published As

Publication number Publication date
US20220413074A1 (en) 2022-12-29
EP4078210A1 (en) 2022-10-26
WO2021122496A1 (en) 2021-06-24
EP3839547A1 (en) 2021-06-23
CN114846348A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
JP2023506862A (ja) ニューラルネットワークを使用したｓｅｎｓｅ磁気共鳴イメージング再構成
US10175331B2 (en) Propeller with Dixon water fat separation
US20180189930A1 (en) Apparatus and method for reducing artifacts in mri images
JP2015128585A (ja) 磁気共鳴生データの再構成方法および装置
CN102955142A (zh) 用于迭代的mr重建方法的采样模式
EP3384307A1 (en) Removal of image artifacts in sense-mri
US10345413B2 (en) Propeller magnetic resonance imaging
US12067652B2 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
Wang et al. Improving GRAPPA using cross‐sampled autocalibration data
US11852708B2 (en) Reconstruction of spiral k-space sampled magnetic resonance images
US10955508B2 (en) BO-corrected sensitivity encoding magnetic resonance imaging
JP7350568B2 (ja) 磁気共鳴データ収集方法及び磁気共鳴イメージング装置
RU2764643C2 (ru) Управляемая потоком данных коррекция фазозависимых артефактов в системе магнитно-резонансной томографии
JP7167172B2 (ja) 脂肪／水分離を使用したｍｒｉ
CN105378502A (zh) 使用线圈敏感度的经校正的磁共振成像
EP4224194A1 (en) Distortion artifact removal and upscaling in magnetic resonance imaging
JP6618786B2 (ja) 磁気共鳴イメージング装置及び画像処理装置
JP7442545B2 (ja) シミュレーション磁気共鳴画像を使用した磁気共鳴画像の補正
CN116953582A (zh) 磁共振成像设备的多个线圈灵敏度图和sense重建

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231213

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240830

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240830