JP7351847B2 - 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法 - Google Patents

深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法 Download PDF

Info

Publication number
JP7351847B2
JP7351847B2 JP2020555376A JP2020555376A JP7351847B2 JP 7351847 B2 JP7351847 B2 JP 7351847B2 JP 2020555376 A JP2020555376 A JP 2020555376A JP 2020555376 A JP2020555376 A JP 2020555376A JP 7351847 B2 JP7351847 B2 JP 7351847B2
Authority
JP
Japan
Prior art keywords
image
computer
accelerated
image acquisition
implemented method
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.)
Active
Application number
JP2020555376A
Other languages
English (en)
Other versions
JP2021520882A (ja
Inventor
ツァン，タオ
ゴン，エンハオ
Original Assignee
サトゥル メディカル，インコーポレイテッド
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 サトゥル メディカル，インコーポレイテッド filed Critical サトゥル メディカル，インコーポレイテッド
Publication of JP2021520882A publication Critical patent/JP2021520882A/ja
Priority to JP2023148866A priority Critical patent/JP2023169278A/ja
Application granted granted Critical
Publication of JP7351847B2 publication Critical patent/JP7351847B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • 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
    • G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • G01R33/546—Interface between the MR system and the user, e.g. for controlling the operation of the MR system or for the design of pulse sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Description

関連出願の相互参照
本出願は、２０１８年４月１９日に出願された米国仮特許出願第６２／６５９，８３７号の優先権を主張し、その内容は参照によりその全体が本明細書に組み込まれる。
磁気共鳴撮像（ＭＲＩ）または核磁気共鳴撮像は、被験者（例えば、患者）、特に体内の詳細な内部構造を視覚化するために一般的に使用される医用撮像技術である。ＭＲＩは、電離放射線を伴わずに、解像度が向上され、体の様々な軟組織間のコントラストが高い臨床画像を提供するため、多くの困難な疾患のための理想的な撮像モダリティである。Ｘ線、ＣＴ、超音波などの他のモダリティと比較して、ＭＲＩは、臨床的に有用な画像を生成するためのデータ取得に、より長い時間、時には数分かかる。スキャン時間が長いことにより、不所望の撮像アーチファクトが出現する可能性がある。ＭＲ検査のスキャン時間がこのように長いと、撮像コストが高くなり、患者の数およびアクセス可能性が制限される可能性がある。いくつかのＭＲ応用（例えば、拡散強調撮像）では、適切な信号対ノイズ比（ＳＮＲ）を達成するために、同じまたは同様の取得を多数回繰り返す必要がある。
加速ＭＲ画像取得のために、パラレル撮像や圧縮センシングなどの方法が採用されているが、実際の加速能力は依然として制限されている。例えば、スキャン時間が大幅に短縮されると、パラレル撮像では、劇的に増幅されたノイズとともにエイリアシングアーチファクトに悩まされる。別の例では、圧縮センシングでは、画像のぼけに悩まされる。従来の方法では、（１）繰り返し数を低減する、（２）ナイキストのサンプリングレートを超えてアンダーサンプリングする、または（３）画像解像度を下げることにより、加速データ取得を達成することができる。このような方法では、低ＳＮＲ、エイリアシング、またはぼけなど、様々なアーチファクトのある画像がもたらされる可能性がある。
本明細書で使用される「繰り返し」という用語は、一般に、同じ被験者に対して同じ撮像パラメータを使用する画像取得の繰り返し、同じ被験者に対して様々な撮像パラメータを使用する画像取得の繰り返し、様々な角度からの被験者に対する画像取得の繰り返しなどを指し、これにより、画質が向上される。例えば、動脈スピンラベル標識（ＡＳＬ）ＭＲＩでは、同じ撮像パラメータは使用するが、同じ遅延パラメータは使用せずに取得した多数の画像の特定のモデルに基づく平均または加重平均を使用して高品質画像を計算することができるマルチディレイＡＳＬが存在し得る。別の例では、ＣＯＳＭＯＳ法を、定量的磁化率マッピング（ＱＳＭ）ＭＲＩにおいて高品質画像を達成するために使用することができる。この方法は、同じ撮像パラメータを使用して取得した多数の画像のモデルに基づく平均または加重平均である。繰り返される画像取得の間、同じ撮像パラメータを使用して、被験者を異なる角度（例えば、被験者の頭部を様々な位置に回転または移動させる）から撮像することができる。
従来の方法の１つは、マルチＮＥＸ（励起数）取得であり、これは、ＭＲＩのＳＮＲを向上させるために、同じまたは同様の取得を多数回繰り返す方法と呼ばれている。ｍをグランドトゥルース画像として、ｍｉをｉ回目の取得の取得画像として、かつ、ｎｉをｍｉにおけるグランドトゥルースから対応するノイズまたはオフセットとして定義する。この結果、次のとおりとなる。
ｍｉ＝ｍ＋ｎｉ
通常は、すべての取得画像の、線形平均化または場合によっては特定の重み付けモデルに基づく加重平均化を含む平均ｍａｖｅは、任意の個々の画像ｍｉよりも高いＳＮＲを有し、ｍの推定値であると見なされる。あるいは、画像ノイズ除去法を使用して、ｍｉのＳＮＲを向上させることができる。このプロセスは、次のとおりに表すことができる。
式中、ｆはノイズ除去関数を表し、ノイズ除去された画像
はｍの推定値である。しかしながら、このアプローチは、これまでほとんどのマルチＮＥＸ取得の単純な平均化ほど広く使用されてきていない。
パラレル撮像および圧縮センシングは、ナイキストサンプリングレートを超えてサンプリングすることでＭＲ取得を加速させるための２つのよく知られている従来の方法である。パラレル撮像は、コイル感度が異なるコイルアレイのセットを使用して、未取得データを合成し、一方、圧縮センシングは、スパース性制約を利用し、最適化問題を解くことで基になっている画像の推定値を得る。一般に、パラレル撮像と圧縮センシングは組み合わされて、より優れた画質および加速能力が達成される。ｍｕをアンダーサンプリングされた取得からの画像と定義する。この結果、パラレル撮像および圧縮センシングはともに、次のとおりに定式化することができる。
式中、ｆは対応する画像再構成を表し、
は推定された再構成である。しかしながら、このような方法は、ハードウェアインフラストラクチャや取得時間を犠牲にして、より良い画質を達成することができる。
超解像は、画像解像度向上のための別の従来の方法である。元の画像ｍＬＲは、低解像度で取得され、再構成された画像ｍＳＲは、より良い画像解像度を有する。ｍＳＲは、ｍＬＲのマトリックスサイズを大きくし、取得されていない追加の高空間周波成分を推定することによって得ることができる。低解像度画像は必要な取得時間が短いため、超解像法もＭＲスキャン時間を短縮することができる。
前の定式化と同様に、超解像再構成もまた、低解像度画像を高解像度画像
に変換する関数ｆで表すことができる。
超解像法の主な課題は、未取得の高空間周波数情報（または関数ｆ）を直接推定することが難しいことである。したがって、改良されたＭＲ撮像システムの必要性が存在する。
本開示は、上記で認識されたものを含む、従来のシステムの様々な欠点に対処することができる改良された磁気共鳴撮像（ＭＲＩ）システムを提供する。提示する開示の方法およびシステムは、画像取得時間が短縮されて、向上された画質を提供する。実行時の画像再構成のための計算時間も、標準の反復再構成方法と比較して短縮することができる。提供される方法およびシステムは、画像再構成のために深層学習技術を適用して画質を向上させることにより、ＭＲスキャン時間を大幅に短縮することができる。医用撮像における低品質の例には、ノイズ（例えば、低信号対ノイズ比）、ぼけ（例えば、モーションアーティファクト）、シェーディング（例えば、センシングの妨害または干渉）、不足情報（例えば、情報の除去またはマスキングによるペインティングにおいて不足しているピクセルまたはボクセル）、再構成（例えば、測定領域における劣化）、および／またはアンダーサンプリングアーチファクト（例えば、圧縮センシングによるアンダーサンプリング、エイリアシング）が含まれ得る。本開示の方法およびシステムは、基礎となるインフラストラクチャを変更する必要なく、既存のシステムにシームレスに適用することができる。特に、提供される方法およびシステムは、ハードウェアコンポーネントの追加コストなしで、ＭＲ画質を向上させることができ、また、基礎となるインフラストラクチャの構成や仕様に関係なく展開することができる。
本発明の一態様では、取得時間が短縮された、画質を向上させるためのコンピュータ実施方法が提供される。この方法は、医用撮像装置を使用して、被験者を撮像するための加速画像取得スキームを決定することと、医用撮像装置を使用して、加速画像取得スキームに従って、被験者の医用画像を取得することと、医用画像の品質を向上させるために、医用画像に深層ネットワークモデルを適用することと、医師による分析のために、被験者の品質が向上された画像を出力することと、を含む。いくつかの実施形態では、医用画像は、磁気共鳴画像を含む。
本発明のいくつかの実施形態では、加速画像取得スキームを決定することは、グラフィカルユーザインターフェースを介して、ターゲット加速係数またはターゲット取得速度を受信することと、ターゲット加速係数またはターゲット取得速度に基づいて、複数の加速画像取得スキームから選択することと、を含む。場合によっては、加速画像取得スキームは、シミュレーションのために、複数の加速画像取得スキームを医用画像の一部分に適用することによって選択される。
いくつかの実施形態では、加速画像取得スキームは、ユーザ入力およびリアルタイムのシミュレートされた出力画像に基づいて決定される。いくつかの実施形態では、加速画像取得スキームは、アンダーサンプリングされたｋ空間、アンダーサンプリングパターン、および低減された繰り返し数に関連する１つ以上のパラメータを含む。場合によっては、アンダーサンプリングパターンは、均一アンダーサンプリングパターン、ランダムアンダーサンプリングパターン、および可変アンダーサンプリングパターンからなる群から選択される。いくつかの実施形態では、医用画像は、アンダーサンプリングされたｋ空間画像または低減された繰り返し数を使用して取得された画像を含む。
いくつかの実施形態では、深層学習モデルは、ユーザ入力およびリアルタイムのシミュレートされた出力画像に基づいて、適応的に最適化されたメトリックを用いてトレーニングされる。いくつかの実施形態では、深層学習モデルは、少なくとも低品質画像および高品質画像を含むトレーニングデータセットを使用してトレーニングされる。場合によっては、低品質画像は、ノイズまたはアンダーサンプリングアーチファクトをもたらすように、高品質画像に、１つ以上のフィルタを適用するか、または合成ノイズを追加することによって生成される。いくつかの実施形態では、深層学習モデルは、少なくとも低品質画像および高品質画像の一部分を含む画像パッチを使用してトレーニングされる。場合によっては、画像パッチは、画像類似性を定量化している１つ以上のメトリックに基づいて選択される。
いくつかの実施形態では、深層学習モデルは、深層残差学習モデルである。いくつかの実施形態では、深層学習モデルは、参照画像を近似するように、１つ以上のモデルパラメータを適応的に調整することによってトレーニングされる。いくつかの実施形態では、被験者の品質が向上された画像は、医用撮像装置を使用して取得された医用画像と比較して、より高いＳＮＲ、より高い解像度、またはより少ないエイリアシングを有する。
本開示の別の態様は、１つ以上のコンピュータプロセッサによる実行時に、上記または本明細書の他の場所のいずれかの方法を実装する、機械実行可能コードを含む、非一時的コンピュータ可読媒体を提供する。例えば、１つ以上のプロセッサは、医用撮像装置を使用して、被験者を撮像するための加速画像取得スキームを決定する動作と、医用撮像装置を使用して、加速画像取得スキームに従って被験者の医用画像を取得する動作と、医用画像の品質を向上させるために、医用画像に深層ネットワークモデルを適用する動作と、医師による分析のために、被験者の品質が向上された画像を出力する動作と、を実行することができる。
いくつかの実施形態では、医用画像は、磁気共鳴画像を含む。いくつかの実施形態では、加速画像取得スキームは、ユーザ入力およびリアルタイムのシミュレートされた出力画像に基づいて決定される。いくつかの実施形態では、加速画像取得スキームは、アンダーサンプリングされたｋ空間、アンダーサンプリングパターン、および低減された繰り返し数に関連する１つ以上のパラメータを含む。
本開示のさらなる態様および利点は、以下の詳細な説明から当技術分野の当業者に容易に明らかになるであろう。以下の詳細の説明は、本開示の例示的な実施形態のみが示され、説明されている。理解されるように、本開示は、他のおよび異なる実施形態が可能であり、そのいくつかの詳細は、すべて本開示から逸脱することなく、様々な明白な点で修正可能である。したがって、図面および説明は、本質的に例示的なものと見なされるべきであり、限定的なものとして見なされるべきではない。
参照による組み込み
本明細書で言及されたすべての出版物、特許および特許出願は、あたかも各個々の出版物、特許または特許出願が参照により組み込まれることが具体的かつ個別に示されたかのように、同じ範囲まで参照により本明細書に組み込まれる。
本発明の新規な特性は、添付の特許請求の範囲に詳細に記述されている。本発明の特徴および利点のより良い理解は、本発明の原理が利用される例示的な実施形態を記述する以下の詳細な説明および添付の図面（ｄｒａｗｉｎｇｓ）（また、本明細書では「ｆｉｇｕｒｅ」および「ＦＩＧ．」）を参照することによって得ることができるであろう。
深層学習アルゴリズムを使用して低品質画像を高品質画像に変換する一例を概略的に示す。 提示する開示の撮像加速器を実装することができる磁気共鳴撮像（ＭＲＩ）システムを概略的に示す。 本開示の実施形態による、ＭＲ撮像加速器システムの一例のブロック図を示す。 対話型ＭＲＩ取得モジュールを使用して取得スキームを決定する例を示す。 加速取得でＭＲ画質を向上させる方法の一例を示す。
本明細書において本発明の様々な実施形態を示して説明してきたが、当業者にとってこのような実施形態が例としてのみ提供されていることは明らかであろう。本開示の範囲から逸脱することなく、多数の変形、変更、および置換が当業者には想到されるであろう。本明細書に記載された本発明の実施形態の様々な代替が採用されてもよいことが理解されるべきである。
加速取得
本明細書で使用される「加速取得」という用語は、一般に、短縮されたＭＲ取得時間を指す。提供されるシステムおよび方法は、少なくとも１．５、２、３、４、５、１０、１５、２０の加速係数、２０を超えるもしくは１．５未満の値の係数、または前述の値のうちのいずれか２つの間の値だけ向上された品質でＭＲ撮像を達成することができる可能性がある。加速取得は、（１）マルチＮＥＸ取得の繰り返し数を減らす、（２）サンプリングレートをナイキストレートより低くする、または（３）画像解像度を下げるなどのアプローチによって達成することができる。加速スキームは、上記のアプローチのうちの１つ以上を使用することを含んでもよい。加速スキームは、上記のアプローチの任意の組み合わせを使用することを含んでもよい。一例では、加速取得は、繰り返し数を減らすことによって達成することができる。別の例では、加速取得は、ｋ空間をアンダーサンプリングすることによって達成することができる。さらなる例では、加速取得は、繰り返し数を減らすことと、ｋ空間をアンダーサンプリングすることとの組み合わせによって達成することができる。加速スキームはまた、選択されたアプローチの加速結果に影響を及ぼし得る１つ以上のパラメータを含んでもよい。加速スキームはまた、本明細書全体で交換可能に使用される取得スキームまたは加速画像取得スキームと呼ばれてもよい。
ＭＲ撮像における画像形成は、パルスシーケンスによって決定される方法での２次元または３次元でのｋ空間の横断に基づいている。周波数エンコード方向におけるデータの取得は、通常、高速で数ミリ秒のオーダーであるが、位相エンコード軸に沿ってｋｙの各値をサンプリングするには、印加された位相エンコード勾配のわずかに異なる値で収集された別個のエコーが必要である。したがって、規定された数の位相エンコードステップによるｋ空間のサンプリングが、ほとんどのＭＲ撮像取得における取得時間の大部分を占める。
場合によっては、加速データ取得は、ｋ空間をアンダーサンプリングすることによって達成することができる。ｋ空間は、様々なサンプリングスキームに従ってアンダーサンプリングすることができる。サンプリングスキームは、少なくとも所与の方向、または事前定義されたパターン／軌跡に沿ったサンプリング密度を含むことができる。例えば、ｋ空間は、少なくとも１％、５％、１０％、１５％、２０％、２５％、３０％、３５％、４０％、４５％、５０％などの目的の画像のＦＯＶ（視野）のナイキスト基準に対するサンプルの密度によって、少なくとも所与の方向に沿ってアンダーサンプリングされる可能性がある。サンプリングスキームは、アンダーサンプリング、オーバーサンプリング、またはクリティカルサンプリングされたｋ空間の領域を指定することなど、他の様々な要素を含んでもよい。いくつかの実施形態では、サンプリングスキームに関連する１つ以上のパラメータを加速スキームにおいて指定することができる。
いくつかの実施形態では、加速取得のためのアンダーサンプリングパターンを加速スキームにおいて指定することができる。加速取得は、均一アンダーサンプリングパターン、ランダムアンダーサンプリングパターン、または可変アンダーサンプリングパターンなどのアンダーサンプリングパターンを使用することができる。スパイラルサンプリングパターン、放射状に配置されたストリップ、直線パターン、ポアソンディスク、ジッタグリッド、またはランダム化パターンなどの様々なパターンまたは軌跡を、ｋ空間のサンプリングに適用することができる。パターンまたは軌跡は、特定の撮像技術に従って決定することができる。例えば、より良いパラレル再構成を達成するには、サンプリングパターンに頻繁に発生する大きなギャップが含まれるべきではない。したがって、パラレル処理のサンプリングパターンとして、サンプリング密度が均一または可変のポアソンディスクおよびジッタグリッドを選択することができる。
前述のように、短い取得時間で取得された画像は、様々なアーチファクトを経験する可能性がある。このような画像は、低ＳＮＲ、ぼけ、またはエイリアシングなど、より低品質である可能性がある。本開示の方法およびシステムは、機械学習方法を低品質画像に適用することによってこれらのアーチファクトを軽減し、加速取得で高品質ＭＲ画像をもたらすことができる。このような方法は、画像再構成に使用することができ、また、任意の既存のＭＲ技術と組み合わせて使用可能である。
深層学習法
図１は、深層学習アルゴリズム１１０を使用して、低品質画像１０１、１０３を高品質画像１０５に変換する一例を概略的に示す。低品質画像は、上記の加速データ取得アプローチを使用して取得することができる。場合によっては、加速データ取得アプローチは、取得スキームにおいて指定されていてもよい。ｍａｃｃを加速データ取得に対応する画像と定義する。サンプリングレートが下げられ、および／または画像解像度が下げられた加速２Ｄ取得の一例を図１に示す。画像再構成中に、低品質画像に深層学習アルゴリズムを適用して、低品質画像ｍａｃｃを高品質画像
に変換する関数ｆを推定することができる。高品質画像は、高ＳＮＲ、エイリアスフリー、または高解像度の画像であってもよい。場合によっては、この関数ｆは、多数のトレーニングデータセットのトレーニングプロセスを通じて、グラウンドトゥルース画像ｍと推定された画像
との間のメトリックｇを最適化することによって得ることができる。
最適化された重み付けと組み合わせることができる１つ以上のコストメトリックがあってもよい。ｇは、Ｌ２ノルム
Ｌ１ノルム
構造的相違性、または他のメトリックなどの任意の好適なメトリックであってもよい。場合によっては、ｋを恒等変換してから、画像領域でメトリックを計算することができる。ｋは、フーリエ変換などの他の任意の変換であってもよいため、メトリックは、対応する周波数領域で計算されてもよい。場合によっては、ｇメトリックを、深層学習モデルのトレーニングプロセス中に、基準として使用することができる。場合によっては、ｇメトリックはまた、画像の状態を識別し、画質を評価するために、個別に、またはｆと一緒に同時にトレーニングされるネットワークモデルであってもよい。場合によっては、深層学習モデルは、ユーザ入力とリアルタイムのシミュレートされた出力画像とに基づいて、適応的に最適化されたメトリックを用いてトレーニングされてもよい。
機械学習方法１１０は、１つ以上の機械学習アルゴリズムを含んでもよい。人工ニューラルネットワークは、フィードフォワードニューラルネットワーク、動径基底関数ネットワーク、リカレントニューラルネットワーク、畳み込みニューラルネットワーク、深層残差学習ネットワークなどの任意のタイプのニューラルネットワークモデルを採用することができる。いくつかの実施形態では、機械学習アルゴリズムは、畳み込みニューラルネットワーク（ＣＮＮ）などの深層学習アルゴリズムを含んでもよい。機械学習アルゴリズムの例には、サポートベクターマシン（ＳＶＭ）、単純ベイズ分類、ランダムフォレスト、ニューラルネットワークなどの深層学習モデル、または他の教師あり学習アルゴリズムもしくは教師なし学習アルゴリズムが含まれてもよい。場合によっては、この方法は教師あり深層機械学習法であってもよい。
ＣＮＮなどの深層学習ネットワークは、多数の層を含むことができる。例えば、ＣＮＮモデルは、少なくとも入力層、いくつかの隠れ層、および出力層を含むことができる。ＣＮＮモデルは、任意の総数の層および任意の数の隠れ層を含むことができる。ニューラルネットワークの最も単純なアーキテクチャは、入力層から始まり、一連の中間層または隠れ層が続き、出力層で終わる。隠れ層または中間層は、学習可能な特徴抽出器として機能することができ、一方、この例における出力層は、品質が向上されたＭＲ画像を提供する。
ニューラルネットワークの各層は、いくつかのニューロン（またはノード）を含むことができる。ニューロンは、入力データ（例えば、低品質画像データ、アンダーサンプリングされたｋ空間データなど）から直接、または他のニューロンの出力部から来る入力を受け取り、特定の演算（例えば、合計）を行う。場合によっては、入力部からニューロンへの接続は、重み（または重み係数）に関連付けられる。場合によっては、ニューロンは入力部のすべてのペアとそれに関連付けられた重みとの積を合計することができる。場合によっては、加重和はバイアスで相殺される。場合によっては、ニューロンの出力は、閾値または活性化関数を使用してゲート処理されてもよい。活性化関数は、線形であっても非線形であってもよい。活性化関数は、例えば、正規化線形ユニット（ＲｅＬＵ）活性化関数、または飽和双曲線正接関数、恒等関数、バイナリステップ関数、ロジスティック関数、逆正接関数、ソフトサイン関数、パラメトリック正規化線形ユニット関数、指数線形ユニット関数、ソフトプラス関数、ベント恒等関数、ソフト指数関数、シヌソイド関数、シンク関数、ガウス関数、シグモイド関数、またはこれらの任意の組み合わせなどの他の関数であってもよい。
いくつかの実施形態では、深層学習モデルのトレーニングプロセスは、残差学習法を採用することができる。場合によっては、残差学習フレームワークを使用して、トレーニングされたモデルを評価することができる。場合によっては、スキップ接続を有する残差学習フレームワークが、複素数値のエイリアシング画像などのより低品質の画像から推定されるグラウンドトゥルース画像を、測定値との整合性（データ整合性）を確保する改良点を用いて生成することができる。より低品質の入力画像は、アンダーサンプリングされたデータの逆フーリエ変換（ＦＴ）を介して簡単に得ることができる。場合によっては、モデルが学習するのは、生の画像データとグラウンドトゥルース画像データとの差の残差であり、これは、より疎であり、ネットワーク構造を使用して近似するのにあまり複雑ではない。この方法では、バイパス接続を使用して残差学習を有効にすることができる。場合によっては、残差ネットワークが使用され、直接モデル出力が低品質画像と高品質画像との間の推定残差／誤差であってもよい。つまり、深層学習フレームワークによって学習される関数は、状況によっては最適化が容易な残差関数である。残差に低品質画像を追加することによって、より高品質の画像を復元することができる。この残差トレーニングアプローチは、トレーニングの複雑さを軽減し、出力レベルが小さい場合により優れたパフォーマンスを達成し、モデルが完璧に予測しない場合でも大きな画像アーチファクトを導入する可能性を減らすことができる。
トレーニングデータセットを、残差学習を含む深層ネットワークおよび畳み込みニューラルネットワークに入力することができる。モデルは、比較的高いＳＮＲおよびより優れた解像度を有するターゲット品質の参照画像を使用してトレーニングすることができる。場合によっては、深層学習モデルは、ユーザ入力およびリアルタイムでシミュレートされた出力画像に基づいて適応的に調整されたパラメータを用いてトレーニングされてもよい。あるいは、またはそれに加えて、深層学習ネットワークは、残差学習を含まない「プレーン」ＣＮＮであってもよい。場合によっては、ディープラーニングネットワークのタイプは、ＭＲ画像強調の目標、画像データの特性、または他の要素に基づいて選択することができる。例えば、ＳＮＲを向上させる、エイリアスフリーを達成する、または画像の解像度を上げるなどの画像強調の異なる目標に従って、深層残差学習ネットワークまたはプレーンＣＮＮを選択することができる。場合によっては、トレーニングプロセス中に、深層学習モデルはモデルパラメータを適応的に調整して、入力画像の初期セットからターゲット品質の参照画像を近似し、品質が向上された画像を出力することができる。
いくつかの実施形態では、深層学習モデルのトレーニングプロセスは、パッチベースのアプローチを採用することができる。場合によっては、トレーニングに使用される画像（例えば、低品質画像および高品質画像）がパッチに分割されてもよい。例えば、高品質画像とより低品質の画像とのペアなどのトレーニング画像のペアが各々、より小さなパッチのセットに空間的に分割されてもよい。高品質画像およびより低品質の画像を、パッチのセットに分割することができる。画像パッチのサイズは、画像に含まれる認識可能な特徴の可能なサイズなど、応用に依存する場合がある。あるいは、画像パッチのサイズは、事前に決定されているか、または経験的データに基づいていてもよい。
場合によっては、１つ以上のパッチをパッチのセットから選択し、モデルのトレーニングに使用することができる。場合によっては、同じ座標に対応する１つ以上のパッチを、画像のペアから選択することができる。あるいは、パッチのペアが同じ座標に対応していなくてもよい。次に、選択されたパッチのペアをトレーニングに使用することができる。場合によっては、パッチは、所定の閾値を上回る類似性を有する画像のペアから選択される。画像の類似性を定量化している任意の好適なメトリックを使用して、１つ以上のパッチのペアを選択することができる。例えば、１つ以上のパッチのペアは、構造的類似性指数、ピーク信号対ノイズ比（ＰＳＮＲ）、平均二乗誤差（ＭＳＥ）、絶対誤差、他のメトリック、または上記の任意の組み合わせを計算することによって選択することができる。場合によっては、類似性の比較は、画像上のスライディングウィンドウを使用して行うことができる。
深層学習モデル１１０は、ＭＲ画像データを含む１つ以上のトレーニングデータセットを使用してトレーニングすることができる。一例では、トレーニングデータセットは、多数の軸方向スライスを含む３Ｄボリューム画像データであってもよく、各スライスは、各々が実数成分および虚数成分のための２つのチャネルを含み得る複素数値の画像であってもよい。トレーニングデータセットは、ＭＲ撮像デバイスから得られたより低品質の画像を含むことができる。例えば、低品質の入力画像は、アンダーサンプリングされたデータ（例えば、ｋ空間データ）の逆フーリエ変換（ＦＴ）を介して簡単に得ることができる。場合によっては、トレーニングデータセットは、シミュレーションから得られた拡張データセットを含んでもよい。例えば、臨床データベースからの画像データを使用して、低品質の画像データを生成することができる。一例では、特定のデータポイントを除去してアーチファクトをもたらすようにマスクを適用するなど、ＦＦＴおよびフィルタを生の画像データに適用して、それを低品質の画像データに変換することができる。別の例では、画像ぼけフィルタを高品質画像に直接適用して、低品質画像を生成することができる。さらなる例では、合成ノイズを高品質画像に追加して、ノイズの多い画像をもたらすことができる。いくつかの実施形態では、より高品質の入力画像データは、本明細書の他の場所で説明されるように、より長い取得時間または反復画像取得でのＭＲ撮像デバイスを使用する直接画像取得から得ることができる。
トレーニングされた深層学習モデルは、より低品質のＭＲ画像データを含む入力データを、より高品質のＭＲ画像データを含む出力データに変換するために使用することができる。場合によっては、入力データは、多数の軸方向スライスを含む３Ｄボリュームであってもよい。一例では、入力スライスおよび出力スライスは、同じサイズの複素数値の画像であってもよく、各々が実数成分および虚数成分のための２つのチャネルを含む。提供されるシステムを用いて、より高品質のＭＲ画像を加速取得で得ることができる。
いくつかの実施形態では、トレーニング段階中に、追加の画像処理ステップを、ユーザの好みに基づいて深層学習入力画像に適用することができる。例えば、ハイパスフィルタ、ローパスフィルタなどの画像フィルタを入力画像に適用することができる。場合によっては、合成ノイズを入力画像に追加することができる。同様に、後画像処理ステップを、ユーザの好みに基づいて深層学習出力画像に適用することができる。例えば、ハイパスフィルタ、ローパスフィルタなどの画像フィルタを出力画像に適用することができる。場合によっては、合成ノイズを出力画像に追加することができる。
本開示のシステムおよび方法は、ハードウェアインフラストラクチャの変更を必要とせずに、任意の既存のＭＲ撮像システム上に実装することができる撮像加速器システムを提供することができる。撮像加速器システムは、ソフトウェア、ハードウェア、ファームウェア、組み込みハードウェア、スタンドアロンハードウェア、アプリケーション固有のハードウェア、またはこれらの任意の組み合わせで実装することができる。撮像加速器システムは、ＭＲ撮像システムとは別のスタンドアロンシステムとすることができる。あるいは、またはそれに加えて、撮像加速器システムは、ＭＲ撮像システムのコントローラのコンポーネントなどのＭＲ撮像システムに統合することができる。
システム概要
図２は、提示する開示の撮像加速器２４０を実装することができる磁気共鳴撮像（ＭＲＩ）システム２００を概略的に示す。ＭＲＩシステム２００は、磁石システム２０３と、磁石システムに接続された患者輸送テーブル２０５と、磁石システムに動作可能に結合されたコントローラ２０１とを含んでもよい。一例では、患者は、患者輸送テーブル２０５上に横たわることができ、磁石システム２０３は、患者の周りを通過する。コントローラ２０１は、磁石システム２０３によって提供される磁場および無線周波数（ＲＦ）信号を制御することができ、また、磁石システム２０３内の検出器から信号を受信することができる。ＭＲＩシステム２００は、コンピュータシステム２１０と、ネットワーク２３０を介してコントローラ２０１に動作可能に結合された１つ以上のデータベースとをさらに含んでもよい。コンピュータシステム２１０は、ＭＲ撮像加速器２４０を実装するために使用することができる。コンピュータシステム２１０は、トレーニングデータセットを使用して撮像加速器を生成するために使用することができる。図示の図は、コントローラとコンピュータシステムとを別々のコンポーネントとして示しているが、コントローラおよびコンピュータシステムは単一のコンポーネントに統合することができる。
コントローラ２０１を動作させて、インストールされたソフトウェアプログラムに従って、パルスシーケンスに関するＭＲＩシーケンスコントローラ情報を提供する、および／またはシステム全体の動作を管理することができる。コントローラはまた、例えば、自動音声合成技術を使用して生成された音声メッセージによる息止めなどのタスクを実行するように患者に指示するための要素として機能することもできる。コントローラは、実行されるスキャンシーケンスを示すコマンドをオペレータから受け取ることができる。コントローラは、システムコンポーネントを動作させて所望のスキャンシーケンスを実行するように構成されたパルス発生器モジュールなどの様々なコンポーネントを含んでもよく、生成されるＲＦパルスのタイミング、強度および形状、ならびにデータ取得ウィンドウのタイミングおよび長さを示すデータが生成される。パルス発生器モジュールを一組の勾配増幅器に結合して、スキャン中に生成される勾配パルスのタイミングおよび形状を制御することができる。パルス発生器モジュールはまた、電極からのＥＣＧ（心電図）信号またはベローズからの呼吸信号など、患者に取り付けられたセンサーからの信号を受信する生理学的取得コントローラから患者データを受信する。パルス発生器モジュールは、患者および磁石システムの状態に関連付けられた様々なセンサーから信号を受信するスキャンルームインターフェース回路に結合することができる。患者位置決めシステムが、スキャンルームインターフェース回路を介してコマンドを受信して、スキャンのための所望の位置に患者を移動させることができる。
コントローラ２０１は、ＲＦ増幅器によって増幅され、送信／受信スイッチによってＲＦコイルに結合されるパルスを生成するように構成されたトランシーバモジュールを含んでもよい。患者内の励起核によって放射された結果として得られる信号は、同じＲＦコイルによって感知され、送信／受信スイッチを介して前置増幅器に結合され得る。増幅された核磁気共鳴（ＮＭＲ）信号は、トランシーバの受信器セクションにおいて、復調、フィルタリング、およびデジタル化される。送信／受信スイッチは、パルス発生器モジュールからの信号によって制御されて、ＲＦ増幅器を、送信モードではコイルに、かつ、受信モードでは増幅器に電気的に結合する。送信／受信スイッチはまた、別個のＲＦコイル（例えば、ヘッドコイルまたは表面コイル、図示せず）が送信モードまたは受信モードのいずれかで使用されることを可能にすることができる。
ＲＦコイルによってピックアップされたＮＭＲ信号は、トランシーバモジュールによってデジタル化され、コントローラに結合されたメモリモジュールに転送され得る。トランシーバモジュール内の受信器は、信号の大きさに加えて、取得したＮＭＲ信号の位相を維持することができる。ダウンコンバートされたＮＭＲ信号は、アナログＮＭＲ信号をサンプリングしてデジタル化するアナログ－デジタル（Ａ／Ｄ）コンバータ（図示せず）に適用される。サンプルを、受信したＮＭＲ信号に対応する同相（Ｉ）値および直交（Ｑ）値を生成するデジタル検出器および信号プロセッサに適用することができる。次に、受信したＮＭＲ信号のデジタル化されたＩ値およびＱ値の結果として得られるストリームを用いて、画像を再構成することができる。提供された撮像加速器は、向上された品質を達成するために画像を再構成するために使用することができる。
コントローラ２０１は、入力デバイス（例えば、キーボード）および制御パネルならびにディスプレイを含んでもよいオペレータコンソール（図示せず）を含むか、またはそれらに結合することができる。例えば、コントローラは、ディスプレイ、キーボード、およびプリンタなどのＩ／Ｏデバイスに接続された入力／出力（Ｉ／Ｏ）ポートを有してもよい。場合によっては、オペレータコンソールは、オペレータがディスプレイのスクリーン上での画像の生成および表示を制御することができるコンピュータシステム２１０とネットワークを介して、通信することができる。画像は、加速取得スキームに従って取得された品質が向上されたＭＲ画像であり得る。画像取得スキームは、本明細書で後述するように、撮像加速器２４０によって、および／またはユーザによって自動的に決定することができる。
ＭＲＩシステム２００は、ユーザインターフェースを含んでもよい。ユーザインターフェースは、ユーザ入力を受信し、かつ、ユーザに情報を出力するように構成することができる。ユーザ入力は、画像取得の制御に関連することができる。ユーザ入力は、ＭＲＩシステムの動作（例えば、プログラム実行を制御するための特定の閾値設定、コイル感度および画像再構成の合同推定を制御するためのパラメータなど）に関連していてもよい。ユーザ入力は、撮像加速器に関する様々な動作または設定に関連していてもよい。ユーザ入力には、例えば、ターゲット位置の選択、再構成された画像の表示設定、カスタマイズ可能な表示設定、取得スキームの選択、選択された取得スキームの設定、および他の様々なものが含まれてもよい。ユーザインターフェースには、タッチスクリーンなどのスクリーンと、ハンドヘルドコントローラ、マウス、ジョイスティック、キーボード、トラックボール、タッチパッド、ボタン、口頭コマンド、ジェスチャ認識、姿勢センサー、熱センサー、タッチ容量センサー、フットスイッチ、または他の任意のデバイスなどの他の任意のユーザ対話型外部デバイスとが含まれてもよい。
ＭＲＩプラットフォーム２００は、コントローラと相互作用することができるコンピュータシステム２１０およびデータベースシステム２２０を含んでもよい。コンピュータシステムは、ラップトップコンピュータ、デスクトップコンピュータ、中央サーバ、分散コンピューティングシステムなどを含んでもよい。プロセッサは、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、シングルコアまたはマルチコアプロセッサであってもよい汎用処理ユニット、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、および／または１つもしくは複数のアドバンスドＲＩＳＣマシン（ＡＲＭ）プロセッサなどの細粒度空間アーキテクチャの形態の、パラレル処理のための複数のプロセッサなどのハードウェアプロセッサであってもよい。プロセッサは、コンピューティングプラットフォームまたはマイクロプロセッサ、論理デバイスなどの任意の好適な集積回路とすることができる。本開示はプロセッサを参照して説明されているが、他のタイプの集積回路および論理デバイスも適用可能である。プロセッサまたはマシンは、データ演算機能によって限定されない。プロセッサまたはマシンは、５１２ビット、２５６ビット、１２８ビット、６４ビット、３２ビット、または１６ビットのデータ演算を実行することができる。コンピュータシステムに関する詳細は、図３に関して説明されている。
ＭＲＩシステム２００は、１つ以上のデータベースを含んでもよい。１つ以上のデータベース２２０は、任意の好適なデータベース技術を利用することができる。例えば、構造化照会言語（ＳＱＬ）または「ＮｏＳＱＬ」データベースを、ＭＲ画像データ、生画像データ、再構成された画像データ、トレーニングデータセット、トレーニングされたモデル、取得スキームのパラメータなどを保存するために使用することができる。いくつかのデータベースは、配列、ハッシュ、（リンクされた）リスト、構造、構造化テキストファイル（例えば、ＸＭＬ）、テーブル、ＪＳＯＮ、ＮＯＳＱＬなどの様々な標準データ構造を使用して実装することができる。このようなデータ構造は、メモリおよび／または（構造化）ファイルに保存されてもよい。別の代替案では、オブジェクト指向データベースを使用することができる。オブジェクトデータベースには、共通の属性によってグループ化および／またはリンクされた多数のオブジェクトコレクションを含めることができる。これらは、いくつかの一般的な属性によって他のオブジェクトコレクションに関連付けられていてもよい。オブジェクト指向データベースは、オブジェクトが単なるデータではなく、所与のオブジェクト内にカプセル化された他のタイプの機能を有し得ることを除いて、リレーショナルデータベースと同様に実行する。本開示のデータベースがデータ構造として実装される場合、本開示のデータベースの使用は、本発明のコンポーネントなどの別のコンポーネントに統合されてもよい。また、データベースは、データ構造、オブジェクト、およびリレーショナル構造の混合物として実装することもできる。データベースは、標準的なデータ処理技術によって、様々にまとめられるおよび／または分配されてもよい。データベースの一部分、例えばテーブルを、エクスポートおよび／またはインポートし、したがって分散化および／または統合することもできる。
ネットワーク２３０は、ＭＲＩプラットフォーム内のコンポーネント間の接続、およびＭＲＩシステムの外部システムへの接続を確立することができる。ネットワーク２３０は、無線および／または有線通信システムの両方を使用するローカルエリアネットワークおよび／またはワイドエリアネットワークの任意の組み合わせを含んでもよい。例えば、ネットワーク２３０には、インターネットだけでなく携帯電話ネットワークが含まれてもよい。一実施形態では、ネットワーク２３０は、標準的な通信テクノロジーおよび／またはプロトコルを使用する。したがって、ネットワーク２３０には、Ｅｔｈｅｒｎｅｔ、８０２．１１、世界規模相互運用マイクロ波アクセス（ＷｉＭＡＸ）、２Ｇ／３Ｇ／４Ｇ移動通信プロトコル、非同期転送モード（ＡＴＭ）、ＩｎｆｉｎｉＢａｎｄ、ＰＣＩ Ｅｘｐｒｅｓｓ Ａｄｖａｎｃｅｄ Ｓｗｉｔｃｈｉｎｇなどのテクノロジーを使用するリンクが含まれてもよい。ネットワーク２３０で使用される他のネットワークプロトコルには、マルチプロトコルラベルスイッチング（ＭＰＬＳ）、伝送制御プロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）、ユーザデータグラムプロトコル（ＵＤＰ）、ハイパーテキストトランスポートプロトコル（ＨＴＴＰ）、簡易メール転送プロトコル（ＳＭＴＰ）、ファイル転送プロトコル（ＦＴＰ）などが含まれてもよい。ネットワークを介して交換されるデータは、バイナリ形式の画像データ（例えば、ポータブルネットワークグラフィックス（ＰＮＧ））、ハイパーテキストマークアップ言語（ＨＴＭＬ）、拡張マークアップ言語（ＸＭＬ）などを含むテクノロジーおよび／またはフォーマットを使用して表すことができる。さらに、リンクのすべてまたは一部は、セキュアソケットレイヤー（ＳＳＬ）、トランスポートレイヤーセキュリティ（ＴＬＳ）、インターネットプロトコルセキュリティ（ＩＰｓｅｃ）などの従来の暗号化テクノロジーを使用して暗号化することができる。別の実施形態では、ネットワーク上のエンティティは、前述のものの代わりに、またはそれに加えて、カスタムおよび／または専用のデータ通信テクノロジーを使用することができる。
取得スキーム
いくつかの実施形態では、提示する開示のＭＲ撮像加速器は、向上された画質で加速された画像取得を可能にすることができる。場合によっては、取得スキームは、撮像加速器によって自動的に選択および／または決定することができる。場合によっては、取得スキームは、ユーザによって選択または定義されてもよい。取得スキームの１つ以上のパラメータには、例えば、符号化ステップの数、ｋ空間サンプリングパターン、画像解像度、視野、スキャン速度、パターンなどのサンプリングスキーム、完全にサンプリングされた領域、アンダーサンプリングされた領域、および他の様々なものが含まれてもよい。場合によっては、取得スキームはまた、再構成方法を選択すること、または再構成方法に関連する１つ以上のパラメータを設定することを含んでもよい。
撮像加速器システム
図３は、本開示の実施形態によるＭＲ撮像加速器システム３００の一例のブロック図を示す。ＭＲ撮像加速器システム３００は、図２において説明された撮像加速器と同じであってもよいＭＲ撮像加速器２４０を含んでもよい。ＭＲ撮像加速器２４０は、加速器トレーニングモジュール３０２、画像再構成モジュール３０４、対話型ＭＲＩ取得モジュール３０６、およびユーザインターフェースモジュール３０８を含むがこれらに限定されない多数のコンポーネントを含んでもよい。
加速器トレーニングモジュール３０２は、トレーニングデータセットを得て、管理するように構成することができる。加速器トレーニングモジュール３０２は、畳み込みニューラルネットワーク（ＣＮＮ）などの深層学習アルゴリズムを含んでもよい。加速器トレーニングモジュールは、前述のような機械学習法を実装するように構成することができる。加速器トレーニングモジュールは、オフラインでモデルをトレーニングすることができる。あるいは、またはさらに、加速器トレーニングモジュールは、フィードバックとしてリアルタイムデータを使用してモデルを改良することができる。
画像再構成モジュール３０４は、加速器トレーニングモジュールから得られたトレーニングされたモデルを使用して画像を再構成するように構成することができる。画像再構成モジュールは、１つ以上のｋ空間画像またはより低品質のＭＲ画像データを入力として取り、品質が向上されたＭＲ画像データを出力することができる。
対話型ＭＲＩ取得モジュール３０６は、画像再構成モジュールおよび／またはＭＲＩシステムのコントローラに動作可能に結合することができる。対話型ＭＲＩ取得モジュール３０６は、取得スキームを生成するように構成することができる。場合によっては、対話型ＭＲＩ取得モジュールは、所望の加速（例えば、加速係数、取得速度、画像解像度、視野、ターゲット領域など）を示すユーザ入力を受信することができる。ターゲットまたは所望の加速を受信することに応答して、対話型ＭＲＩ取得モジュールは、１つ以上の取得スキームでテストを実行し、最適な取得スキームを決定することができる。最適な取得スキームは、所定の規則に基づいて決定することができる。例えば、最適な取得スキームは、出力画像の品質に基づいて決定することができる。例えば、最高品質の画像を提供しながら、ターゲット加速目標を満たす取得スキームを選択することができる。場合によっては、対話型ＭＲＩ取得モジュールによって、ユーザは取得スキームを定義することができる。ユーザ定義の取得スキームを受信することに応答して、対話型ＭＲＩ取得モジュールは、シミュレーションを実行し、取得スキームに関連付けられた出力画像を生成することができる。ユーザは、出力画像の品質または他の特性を変更するために、取得スキームをさらに調整してもしなくてもよい。次に、決定された取得スキームは、本明細書の他の場所で説明されるように、撮像システムの動作を制御するために、ＭＲＩシステムのコントローラに送信されてもよい。対話型ＭＲＩ取得モジュールは、ユーザ入力を受信し、自動生成された取得スキームまたはシミュレートされた画像を出力するために、ユーザインターフェースモジュール３０８に動作可能に結合することができる。
ユーザインターフェースモジュール３０８は、ユーザが取得スキームを選択し、取得スキームの１つ以上のパラメータ、撮像および取得設定に関連するビューイング情報などを変更することを可能にするグラフィカルユーザインターフェース（ＧＵＩ）３４０をレンダリングすることができる。ＧＵＩは、ユーザが画像取得に関連する情報を見るまたはアクセスすることを可能にするグラフィカル要素を表示することができる。グラフィカルユーザインターフェースは、ボタン、テキストボックスなどの様々な対話型要素を有することができ、これらは、ユーザがそのような対話型要素を直接タイプ入力する、クリックする、またはドラッグすることによって入力コマンドまたはコンテンツを提供することを可能にすることができる。例えば、ユーザは、ＧＵＩを介して、手動でスキャンパターンを作成または変更したり、加速係数を選択したり、他のパラメータを設定したりすることができる。さらなる詳細は、図４に関して本明細書で後述する。
場合によっては、グラフィカルユーザインターフェース（ＧＵＩ）またはユーザインターフェースはディスプレイ３３５上に提供されてもよい。ディスプレイは、タッチスクリーンであってもでなくてもよい。ディスプレイは、発光ダイオード（ＬＥＤ）スクリーン、有機発光ダイオード（ＯＬＥＤ）スクリーン、液晶ディスプレイ（ＬＣＤ）スクリーン、プラズマスクリーン、または他の任意のタイプのスクリーンであってもよい。ディスプレイは、アプリケーションを通じて（例えば、ローカルコンピュータシステムまたはクラウド上で実行されるアプリケーションプログラミングインターフェース（ＡＰＩ）を介して）レンダリングされたユーザインターフェース（ＵＩ）またはグラフィカルユーザインターフェース（ＧＵＩ）を表示するように構成することができる。
撮像加速器システム３００は、ソフトウェア、ハードウェア、ファームウェア、組み込みハードウェア、スタンドアロンハードウェア、アプリケーション固有のハードウェア、またはこれらの任意の組み合わせで実装することができる。撮像加速器システム、モジュール、コンポーネント、アルゴリズム、および技術には、ストレージシステム、少なくとも１つの入力デバイス、および少なくとも１つの出力デバイスからデータおよび命令を受信し、かつそれらにデータおよび命令を送信するように結合された、特殊用途向けまたは汎用であってもよい少なくとも１つのプログラム可能プロセッサを含むプログラム可能なシステム上で実行可能および／または解釈可能な１つ以上のコンピュータプログラムにおける実装が含まれてもよい。これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとも知られている）は、プログラム可能プロセッサ用の機械命令を含んでいてもよく、高レベルの手続き型および／またはオブジェクト指向プログラミング言語で、および／またはアセンブリ／機械語で実装されてもよい。本明細書で使用される場合、「機械可読媒体」および「コンピュータ可読媒体」という用語は、プログラム可能プロセッサに機械命令および／またはデータを提供するために使用される任意のコンピュータプログラム製品、装置、および／またはデバイス（磁気ディスク、光ディスク、メモリ、またはプログラム可能論理回路（ＰＬＤ）など）を指す。撮像加速器システムは、ＭＲ撮像システムとは別のスタンドアロンシステムとすることができる。あるいは、またはそれに加えて、撮像加速器システムは、ＭＲ撮像システムのコントローラのコンポーネントなどのＭＲ撮像システムに統合することができる。
場合によっては、撮像加速器システムは、データ処理およびＭＲ画像強調がエッジまたはエッジゲートウェイ（ＭＲＩシステム）において実行されるエッジインテリジェンスパラダイムを採用することができる。場合によっては、機械学習モデルをクラウド／データセンターで構築、開発、トレーニングし、ＭＲＩシステム（例えば、ハードウェア加速器）上で実行することができる。例えば、エッジ上で実行されるソフトウェアは、画像再構成モジュール３０４であってもよい。クラウドまたはオンプレミス環境で実行されるソフトウェアは、深層学習モデルをトレーニング、開発、および管理するための加速器トレーニングモジュール、またはＭＲＩコントローラをリモートで構成するための対話型ＭＲＩ取得モジュール３０６であってもよい。
図４は、前述の対話型ＭＲＩ取得モジュールを介して取得スキームを決定する例を示す。取得スキームは、自律的、半自律的、または手動で決定することができる。全自動モード４００では、撮像加速器を、最適な取得スキームを自動的に決定するように構成することができる。例えば、ユーザは、ユーザインターフェースを介して、ターゲット加速を入力することができる。ターゲット加速は、ドロップダウンメニューからの選択、グラフィカル要素（例えば、スライダーバー）の操作、テキストボックスへの直接入力（例えば、加速係数を入力する）など、前述のＧＵＩの任意の適切な形式を介して、または音声コマンドなどの他の好適な手段を介して提供することができる。加速は、加速係数、取得速度、画像解像度、視野、およびターゲット領域を含むがこれらに限定されない、画像取得の態様に関連していてもよい。一例では、ターゲット加速は、「高速取得」、「中速取得」、「低速取得」からの選択であってもよい。別の例では、ターゲット加速は、１．５、２、３、４、５、１０、１５、１６、１７、１８、１９、２０の係数、２０を超えるもしくは１．５未満の値の係数、または前述の値のうちのいずれか２つの間の値などの加速係数であってもよい。
いくつかの実施形態では、ターゲット加速を受信することに応答して、最適な取得スキームを決定するために、１つ以上の取得スキームのシミュレーションを実行することができる。場合によっては、シミュレーションでの計算速度を上げるために、１つ以上の取得スキームを画像パッチに適用することができる。最適な取得スキームは、所定の規則に基づいて決定することができる。例えば、最適な取得スキームは、出力画像（パッチ）の品質に基づいて決定することができる。例えば、最高品質の画像を提供しながら、ターゲット加速目標を満たす取得スキームを選択することができる。場合によっては、決定された取得スキームは、さらなる承認またはさらなる調整のためにユーザに表示されてもよい。承認または決定された取得スキームは、本明細書の開示と一致する撮像システムの撮像動作を制御するために、ＭＲＩシステムのコントローラに送信されてもよい。
場合によっては、ユーザは、半自律的な方法４１０で取得スキームを定義することが可能になり得る。ユーザは、取得スキームの１つ以上のパラメータを指定することができる。取得スキームを受信することに応答して、対話型ＭＲＩ取得モジュールは、シミュレーションを実行し、取得スキームに関連付けられた画像を出力することができる。ユーザは、出力画像の品質または他の特性を変更するために、取得スキームをさらに調整してもしなくてもよい。場合によっては、ユーザにシステム推奨の調整が提供されてもよい。場合によっては、ユーザは、ディスプレイ上のシミュレートされた出力画像を見た上で、１つ以上のパラメータを手動で調整することができる。図示の例４２０では、より低品質の画像（左）と、現在の取得スキームの下で達成することができるシミュレートされたより高品質の画像（右）をユーザに提示することができる。場合によっては、ユーザが取得スキームの１つ以上のパラメータを調整している間に、シミュレートされた画像が動的に更新されてもよい。次に、決定された取得スキームは、本明細書の他の場所で説明されるように、撮像システムの動作を制御するために、ＭＲＩシステムのコントローラに送信されてもよい。
本開示は、開示の方法を実施するようにプログラムされたコンピュータシステムを提供する。図３を再び参照すると、コンピュータシステム３００は、ＭＲ撮像加速器およびその動作を管理および／または実装するようにプログラムされているか、そうでなければ構成されている。コンピュータシステム３００は、例えば、磁気システム、加速器トレーニングモジュール、画像再構成モジュール、対話型ＭＲＩ取得モジュール、ユーザインターフェースモジュール、および、図４および図５に示される方法など、本開示の図１～２の様々な態様を調整することができる。
コンピュータシステム３００は、中央処理装置（ＣＰＵ、本明細書では「プロセッサ」および「コンピュータプロセッサ」でもある）、グラフィック処理ユニット（ＧＰＵ）、シングルコアまたはマルチコアプロセッサであってもよい汎用処理ユニット、またはパラレル処理用の複数のプロセッサを含んでもよい。コンピュータシステム３００はまた、メモリまたは記憶場所（例えば、ランダムアクセスメモリ、読み取り専用メモリ、フラッシュメモリ）、電子記憶装置（例えば、ハードディスク）、１つ以上の他のシステムと通信するための通信インターフェース（例えば、ネットワークアダプタ）、およびキャッシュ、他のメモリ、データストレージおよび／または電子ディスプレイアダプタなどの周辺機器３３５、２２０を含んでもよい。メモリ、記憶装置、インターフェース、および周辺機器は、マザーボードなどの通信バス（実線）を介してＣＰＵと通信している。記憶装置は、データを記憶するためのデータ記憶装置（またはデータリポジトリ）とすることができる。コンピュータシステム３００は、通信インターフェースを用いて、コンピュータネットワーク（「ネットワーク」）２３０に動作可能に結合することができる。ネットワーク２３０は、インターネット、インターネットおよび／もしくはエクストラネット、またはインターネットと通信しているイントラネットおよび／もしくはエクストラネットとすることができる。ネットワーク２３０は、場合によっては、電気通信ネットワークおよび／またはデータネットワークである。ネットワーク２３０は、クラウドコンピューティングなどの分散コンピューティングを可能にすることができる１つ以上のコンピュータサーバを含んでもよい。ネットワーク２３０は、場合によっては、コンピュータシステム３００を用いて、ピアツーピアネットワークを実装することができ、コンピュータシステム３００に結合されたデバイスがクライアントまたはサーバとして動作することを可能にすることができる。
ＣＰＵは、プログラムまたはソフトウェアで具体化することができる一連の機械可読命令を実行することができる。命令は、メモリなどの記憶場所に記憶することができる。命令は、ＣＰＵに向けることができ、これは、その次に、本開示の方法を実装するようにＣＰＵをプログラムするか、さもなければ構成することができる。ＣＰＵによって実行される動作の例には、フェッチ、デコード、実行、およびライトバックが含まれてもよい。
ＣＰＵは、集積回路などの回路の一部とすることができる。システムの他の１つ以上のコンポーネントを回路に含めることができる。場合によっては、回路は特定用途向け集積回路（ＡＳＩＣ）である。
記憶装置は、ドライバ、ライブラリ、保存されたプログラムなどのファイルを記憶することができる。記憶装置は、ユーザデータ、例えば、ユーザ設定やユーザプログラムを記憶することができる。コンピュータシステム３００は、場合によっては、イントラネットまたはインターネットを介してコンピュータシステムと通信しているリモートサーバ上に配置されるなど、コンピュータシステムの外部にある１つ以上の追加のデータ記憶装置を含んでもよい。
コンピュータシステム３００は、ネットワーク２３０を介して１つ以上のリモートコンピュータシステムと通信することができる。例えば、コンピュータシステム３００は、ユーザまたは参加プラットフォーム（例えば、オペレータ）のリモートコンピュータシステムと通信することができる。リモートコンピュータシステムの例には、パーソナルコンピュータ（例えば、ポータブルＰＣ）、スレートまたはタブレットＰＣ（例えば、Ａｐｐｌｅ（登録商標）のｉＰａｄ、Ｓａｍｓｕｎｇ（登録商標）のＧａｌａｘｙ Ｔａｂ）、電話機、スマートフォン（例えば、Ａｐｐｌｅ（登録商標）のｉＰｈｏｎｅ、Ａｎｄｒｏｉｄ対応デバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標）、または携帯情報端末が含まれてもよい。ユーザは、ネットワーク２３０を介してコンピュータシステム３００にアクセスすることができる。
本明細書に記載の方法は、例えば、メモリまたは電子記憶装置上など、コンピュータシステム３００の電子記憶場所に記憶された機械（例えば、コンピュータプロセッサ）実行可能コードによって実施することができる。機械実行可能コードまたは機械可読コードは、ソフトウェアの形態で提供することができる。使用中、コードはプロセッサによって実行することができる。場合によっては、コードを記憶装置から取り出してメモリに記憶し、プロセッサがすぐにアクセスできるようにすることができる。状況によっては、電子記憶装置が除外され、マシン実行可能命令はメモリに記憶されてもよい。
コードは、コードを実行するように適合されたプロセッサを有するマシンで使用するために事前にコンパイルおよび構成するか、実行時にコンパイルすることができる。コードは、コードを事前コンパイルされた、つまり、コンパイル済みの方法で実行できるように選択することができるプログラミング言語で支給することができる。
コンピュータシステム３００など、本明細書で提供されるシステムおよび方法の態様は、プログラミングで具体化することができる。テクノロジーの様々な態様は、通常、あるタイプの機械可読媒体上で担持されるかまたは内部に具体化される機械（またはプロセッサ）実行可能コードおよび／または関連付けられたデータの形態の「製品」または「製造品」と考えることができる。機械実行可能なコードは、メモリ（例えば、読み取り専用メモリ、ランダムアクセスメモリ、フラッシュメモリ）またはハードディスクなどの電子記憶装置に記憶することができる。「記憶装置」タイプの媒体は、コンピュータ、プロセッサなどの有形メモリ、またはソフトウェアプログラミングのための任意の時間において非一時的な保管場所を提供し得る様々な半導体メモリ、テープドライブ、ディスクドライブなどのそれらの関連付けられたモジュールのいずれかまたはすべてを含むことができる。ソフトウェアの全部または一部分は、インターネットまたは他の様々な電気通信ネットワークを介して通信される場合もあってもよい。このような通信は、例えば、あるコンピュータまたはプロセッサから別のコンピュータまたはプロセッサへの、例えば、管理サーバまたはホストコンピュータからアプリケーションサーバのコンピュータプラットフォームへのソフトウェアのロードを可能にすることができる。したがって、ソフトウェア要素を担持する可能性のある別のタイプの媒体には、ローカルデバイス間の物理インターフェース、有線および光の固定電話回線ネットワーク、および様々なエアリンクで使用されるような、光、電気、および電磁波が含まれる。有線または無線リンク、光リンクなど、このような波を運ぶ物理的要素もまた、ソフトウェアを担持する媒体と見なすことができる。本明細書で使用される場合、非一時的で有形の「記憶」媒体に限定されていない限り、コンピュータまたは機械「可読媒体」などの用語は、実行のためにプロセッサに命令を提供することに関与する任意の媒体を指す。
したがって、コンピュータ実行可能コードなどの機械可読媒体は、有形記憶媒体、搬送波媒体、または物理的伝送媒体を含むがこれらに限定されない多くの形態をとることができる。不揮発性記憶媒体には、例えば、図面に示されるデータベースなどを実装するために使用され得る、任意のコンピュータ（複数可）などの任意の記憶装置などの光ディスクまたは磁気ディスクが含まれる。揮発性記憶媒体には、このようなコンピュータプラットフォームのメインメモリなどの動的メモリが含まれる。有形の伝送媒体には、同軸ケーブルや、コンピュータシステム内のバスを構成するワイヤを含む、銅線および光ファイバーが含まれる。搬送波伝送媒体は、電気信号もしくは電磁信号、または無線周波数（ＲＦ）および赤外線（ＩＲ）データ通信中に生成されるような音響波または光波の形態をとることができる。したがって、コンピュータ可読媒体の一般的な形態には、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、その他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤもしくはＤＶＤ－ＲＯＭ、その他の光学媒体、パンチカード紙テープ、穴のパターンを有するその他の物理的記憶媒体、ＲＡＭ、ＲＯＭ、ＰＲＯＭおよびＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、その他のメモリチップもしくはカートリッジ、データもしくは命令を輸送する搬送波、このような搬送波を輸送するケーブルもしくはリンク、またはコンピュータがプログラミングコードおよび／もしくはデータをそこから読み取ることができるその他の媒体が含まれる。これらの形態のコンピュータ可読媒体の多くは、実行のために１つ以上の命令の１つ以上のシーケンスをプロセッサに運ぶことに関与することができる。
コンピュータシステム３００は、例えば、再構成された画像、取得スキームを提供する、例えば、表示するためのユーザインターフェース（ＵＩ）３４０を含む電子ディスプレイ３３５を含むか、またはそれと通信することができる。ＵＩの例には、グラフィカルユーザインターフェース（ＧＵＩ）およびウェブベースのユーザインターフェースが含まれるが、これらに限定されない。ＧＵＩは、ユーザインターフェースモジュール３０８によってレンダリングすることができる。
本開示の方法およびシステムは、１つ以上のアルゴリズムによって実装することができる。アルゴリズムは、中央処理装置による実行時にソフトウェアを介して実装することができる。例えば、いくつかの実施形態は、図４および図５に示されるアルゴリズム、または上記の関連の説明で提供された他のアルゴリズムを使用する。
図５は、加速取得を用いてＭＲ画質を向上させるための方法５００の一例を示す。深層学習モデルをトレーニングするために、ＭＲ撮像システムからＭＲ画像を得ることができる（動作５１０）。ＭＲ画像を使用して、トレーニングデータセットを形成することができる（動作５２０）。トレーニングデータセットは、比較的より低品質の画像データおよび対応するより高品質の画像データ（すなわち、グラウンドトゥルースデータ）を含むことができる。トレーニングデータセットは、撮像デバイスから得られた低品質の画像を含んでもよい。例えば、低品質の入力画像は、アンダーサンプリングされたデータ（例えば、ｋ空間データ）の逆フーリエ変換（ＦＴ）を介して簡単に得ることができる。トレーニングデータセットは、シミュレーションから得られた拡張データセットを含んでもよい。例えば、臨床データベースからの画像データを使用して、低品質の画像データを生成することができる。一例では、特定のデータポイントを除去してアーチファクトをもたらすようにマスクを適用するなど、ＦＦＴおよびフィルタを生の画像データに適用して、それを低品質の画像データに変換することができる。同様に、より長い取得時間での直接画像取得から、より高品質の入力画像データを得ることができる。一例では、トレーニングデータセットは、多数の軸方向スライスを含む３Ｄボリューム画像データであってもよく、各スライスは、各々が実数成分および虚数成分のための２つのチャネルを含み得る複素数値の画像であってもよい。
トレーニングステップ５３０は、本明細書の開示と一致する深層学習アルゴリズムを含むことができる。深層学習アルゴリズムは、例えば畳み込みニューラルネットワークであってもよい。場合によっては、深層学習アルゴリズムは、深層残差学習ネットワークであってもよい。次に、トレーニングされた加速器は、選択された加速スキームを用いてより低品質のＭＲ画像をより高品質のＭＲ画像に変換するために使用することができる。加速スキームは、ユーザからターゲット加速を受信し（動作５４０）、次に、複数の取得スキームでシミュレーションを実行して最適な取得スキームを決定する（動作５５０）ことによって決定することができる。あるいは、またはそれに加えて、取得スキームは、ユーザ指定の取得スキームを受信し（動作５４０）、次に、リアルタイムシミュレーション結果を生成して（動作５７０）、取得スキームの下でシミュレートされた出力画像を示す（動作５７０）ことによって決定されてもよい。ユーザは、シミュレートされた出力画像を見た上で、取得スキームを確認またはさらに調整することができる（動作５８０）。
図５は、いくつかの実施形態による方法を示しているが、当業者は、様々な実施形態に対して多くの適応があることを認識するであろう。例えば、動作は任意の順序で実行することができる。いくつかの動作は除外され、いくつかの動作は１つのステップで同時に実行され、いくつかの動作は繰り返され、いくつかの動作は他の動作のサブステップを含んでもよい。
「少なくとも」、「～より大きい」、または「～以上」という用語が、一連の２つ以上の数値における最初の数値の前にある場合は常に、「少なくとも」、「～より大きい」、または「以上」という用語は、当該一連の数値における各数値に適用される。例えば、１、２、または３以上は、１以上、２以上、または３以上と等しい。
「～以下（ｎｏ ｍｏｒｅ ｔｈａｎ）」、「～未満（ｌｅｓｓ ｔｈａｎ）」、または「～以下（ｌｅｓｓ ｔｈａｎ ｏｒ ｅｑｕａｌ ｔｏ）」という用語が、一連の２つ以上の数値における最初の数値の前にある場合は常に、「～以下（ｎｏ ｍｏｒｅ ｔｈａｎ）」、「～未満（ｌｅｓｓ ｔｈａｎ）」、または「～以下（ｌｅｓｓ ｔｈａｎ ｏｒ ｅｑｕａｌ ｔｏ）」という用語は、当該一連の数値における各数値に適用される。例えば、３、２、または１以下は、３以下、２以下、または１以下と等しい。
本明細書で使用される場合、Ａおよび／またはＢは、ＡまたはＢの１つ以上と、ＡおよびＢなどのそれらの組み合わせとを包含する。「第１」、「第２」、「第３」などの用語が、様々な要素、コンポーネント、領域、および／またはセクションを説明するために本明細書において使用されるが、これらの要素、コンポーネント、領域、および／またはセクションは、これらの用語によって制限されるべきではないことが理解されるであろう。これらの用語は、ある要素、コンポーネント、領域、またはセクションを別の要素、コンポーネント、領域、またはセクションから区別するために使用されているに過ぎない。したがって、本明細書で考察される第１の要素、コンポーネント、領域またはセクションは、本発明の教示から逸脱することなく、第２の要素、コンポーネント、領域またはセクションと呼ぶことができる。
本明細書で使用される用語は、特定の実施形態を説明することのみを目的とし、本発明を限定することが意図されるものではない。本明細書で使用される場合、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、特に文脈で明らかに示されない限り、複数形も含むことが意図されている。本明細書で使用される場合、「備える（ｃｏｍｐｒｉｓｅ）」および／もしくは「備えている（ｃｏｍｐｒｉｓｉｎｇ）」、または、「含む（ｉｎｃｌｕｄｅ）」および／もしくは「含んでいる（ｉｎｃｌｕｄｉｎｇ）」という用語は、記載された特徴、整数、ステップ、動作、要素、および／またはコンポーネントの存在を明記するが、１つ以上の他の特徴、整数、ステップ、動作、要素、コンポーネント、および／またはそれらのグループの存在または追加を排除しないことがさらに理解されるであろう。
本明細書全体を通した「いくつかの実施形態」または「一実施形態」への参照は、実施形態に関連して記載された特定の特徴、構造、または特性が、本発明の少なくとも１つの実施形態に含まれることを意味する。このように、本明細書全体を通して、様々な場所での「いくつかの実施形態では」または「一実施形態では」という句の出現は、必ずしもすべてが同じ実施形態を指しているわけではない。さらに、特定の特徴、構造、または特性は、１つ以上の実施形態において、任意の好適な様式で組み合わされ得る。
本明細書では本発明の好ましい実施形態を示して説明してきたが、そのような実施形態が例としてのみ提供されていることは当業者にとって明らかであろう。本明細書内で提供される特定の例によって本発明が限定されることを意図していない。本発明は前述の明細書を参照して説明されてきたが、本明細書における実施形態の説明および図解は、限定的な意味で解釈されることを意図するものではない。本発明から逸脱することなく、多数の変形、変更、および置換を当業者は想到するであろう。さらに、本発明のすべての態様は、様々な条件および変数に依存する、本明細書に記載の特定の描写、構成、または相対的な比率に限定されないことを理解されたい。本明細書に記載された本発明の実施形態の様々な代替が発明を実施する際に使用されてもよいことが理解されるべきである。したがって、本発明は、あらゆるそのような代替、修正、変形、または同等物も対象にするものと考えられる。以下の特許請求の範囲が本発明の範囲を定義し、これらの特許請求の範囲の範囲内の方法および構造ならびにそれらの同等物がそれによって対象にされることが意図される。

Claims (20)

  1. 取得時間が短縮された、画質を向上させるためのコンピュータ実施方法であって、
    （ａ）医用撮像装置を使用して、被験者を撮像するための加速画像取得スキームを決定することであって、前記加速画像取得スキームは、複数の加速画像取得スキームで実行したシミュレーションに少なくとも部分的に基づいて、前記複数の加速画像取得スキームから最適な加速画像取得スキームを選択することにより決定することと、
    （ｂ）前記加速画像取得スキームの決定を踏まえ、前記医用撮像装置を使用して、（ａ）で決定された前記加速画像取得スキームに従って、前記被験者の医用画像を取得することと、
    （ｃ）前記医用画像の品質を向上させるために、前記医用画像に深層残差ネットワークモデルを適用することと、
    （ｄ）医師による分析のために、前記被験者の品質が向上された画像を出力することと、
    を含む、コンピュータ実施方法。
  2. 前記医用画像は、磁気共鳴画像を含む、請求項１に記載のコンピュータ実施方法。
  3. 前記最適な加速画像取得スキームを選択することは、
    （ｉ）グラフィカルユーザインターフェースを介して、ターゲット加速係数またはターゲット取得速度を受信することと、
    （ｉｉ）前記ターゲット加速係数または前記ターゲット取得速度に基づいて、前記複数の加速画像取得スキームを決定することと、
    を含む、請求項１に記載のコンピュータ実施方法。
  4. 前記最適な加速画像取得スキームを選択することは、前記シミュレーションのために、前記複数の加速画像取得スキームを画像パッチに適用することをさらに含む、請求項３に記載のコンピュータ実施方法。
  5. 前記最適な加速画像取得スキームは、前記複数の加速画像取得スキームの下で生成された複数の出力画像の品質に基づいて自動的に選択される、請求項４に記載のコンピュータ実施方法。
  6. 前記加速画像取得スキームの１つ以上のパラメータは、アンダーサンプリングされたｋ空間、アンダーサンプリングパターン、又は、低減された繰り返し数に関連する、請求項１に記載のコンピュータ実施方法。
  7. 前記加速画像取得スキームのパラメータは、アンダーサンプリングパターンに関連し、
    前記アンダーサンプリングパターンは、均一アンダーサンプリングパターン、ランダムアンダーサンプリングパターン、及び、サンプリング密度が可変のアンダーサンプリングパターン、からなる群から選択される、請求項１に記載のコンピュータ実施方法。
  8. 前記医用画像は、アンダーサンプリングされたｋ空間画像または低減された繰り返し数を使用して取得された画像を含む、請求項１に記載のコンピュータ実施方法。
  9. 前記深層残差学習モデルは、フィードバックとしてのユーザ入力に基づいて、適応的に最適化されたメトリックを用いてトレーニングされる、請求項１に記載のコンピュータ実施方法。
  10. 前記深層残差学習モデルは、少なくとも低品質画像および高品質画像を含むトレーニングデータセットを使用してトレーニングされる、請求項１に記載のコンピュータ実施方法。
  11. 前記低品質画像は、ノイズまたはアンダーサンプリングアーチファクトをもたらすために、前記高品質画像に、１つ以上のフィルタを適用するか、または合成ノイズを追加することによって生成される、請求項１０に記載のコンピュータ実施方法。
  12. 前記深層残差学習モデルは、少なくとも低品質画像および高品質画像の一部分を含む画像パッチを使用してトレーニングされる、請求項１に記載のコンピュータ実施方法。
  13. 前記画像パッチは、画像類似性を定量化している１つ以上のメトリックに基づいて選択される、請求項１２に記載のコンピュータ実施方法。
  14. 前記深層残差学習モデルは、データ整合性を確保するためにスキップ接続を有する、請求項１に記載のコンピュータ実施方法。
  15. 前記深層残差学習モデルは、参照画像を近似するために、１つ以上のモデルパラメータを適応的に調整することによってトレーニングされる、請求項１に記載のコンピュータ実施方法。
  16. 前記被験者の品質が向上された前記画像は、前記医用撮像装置を使用して取得された前記医用画像と比較して、より高いＳＮＲ、より高い解像度、またはより少ないエイリアシングを有する、請求項１に記載のコンピュータ実施方法。
  17. 命令を含む非一時的コンピュータ可読記憶媒体であって、前記命令は、１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに、
    （ａ）医用撮像装置を使用して、被験者を撮像するための加速画像取得スキームを決定する動作であって、前記加速画像取得スキームは、複数の加速画像取得スキームで実行したシミュレーションに少なくとも部分的に基づいて、前記複数の加速画像取得スキームから最適な加速画像取得スキームを選択することにより決定する動作と、
    （ｂ）前記加速画像取得スキームの決定を踏まえ、前記医用撮像装置を使用して、（ａ）で決定された前記加速画像取得スキームに従って前記被験者の医用画像を取得する動作と、
    （ｃ）前記医用画像の品質を向上させるために、前記医用画像に深層残差ネットワークモデルを適用する動作と、
    （ｄ）医師による分析のために、前記被験者の品質が向上された画像を出力する動作と、
    を実行させる、非一時的コンピュータ可読記憶媒体。
  18. 前記医用画像は、磁気共鳴画像を含む、請求項１７に記載の非一時的コンピュータ可読記憶媒体。
  19. 前記最適な加速画像取得スキームは、前記複数の加速画像取得スキームの下で生成された複数の出力画像の品質に基づいて自動的に選択される、請求項１７に記載の非一時的コンピュータ可読記憶媒体。
  20. 前記加速画像取得スキームの１つ以上のパラメータは、アンダーサンプリングされたｋ空間、アンダーサンプリングパターン、又は、低減された繰り返し数に関連する、請求項１７に記載の非一時的コンピュータ可読記憶媒体。

JP2020555376A 2018-04-19 2019-04-17 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法 Active JP7351847B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023148866A JP2023169278A (ja) 2018-04-19 2023-09-14 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862659837P 2018-04-19 2018-04-19
US62/659,837 2018-04-19
PCT/US2019/027826 WO2019204406A1 (en) 2018-04-19 2019-04-17 Systems and methods for improving magnetic resonance imaging using deep learning

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023148866A Division JP2023169278A (ja) 2018-04-19 2023-09-14 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法

Publications (2)

Publication Number Publication Date
JP2021520882A JP2021520882A (ja) 2021-08-26
JP7351847B2 true JP7351847B2 (ja) 2023-09-27

Family

ID=68239908

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020555376A Active JP7351847B2 (ja) 2018-04-19 2019-04-17 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法
JP2023148866A Pending JP2023169278A (ja) 2018-04-19 2023-09-14 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023148866A Pending JP2023169278A (ja) 2018-04-19 2023-09-14 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法

Country Status (9)

Country Link
US (4) US20190347772A1 (ja)
EP (1) EP3781033A4 (ja)
JP (2) JP7351847B2 (ja)
KR (1) KR20210005633A (ja)
CN (1) CN111989039A (ja)
AU (1) AU2019256304A1 (ja)
BR (1) BR112020021311A2 (ja)
SG (1) SG11202010238PA (ja)
WO (1) WO2019204406A1 (ja)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10699453B2 (en) 2017-08-17 2020-06-30 Adobe Inc. Digital media environment for style-aware patching in a digital image
US10672164B2 (en) 2017-10-16 2020-06-02 Adobe Inc. Predicting patch displacement maps using a neural network
US10614557B2 (en) 2017-10-16 2020-04-07 Adobe Inc. Digital image completion using deep learning
AU2019256304A1 (en) 2018-04-19 2020-11-26 Subtle Medical, Inc. Systems and methods for improving magnetic resonance imaging using deep learning
US10755391B2 (en) * 2018-05-15 2020-08-25 Adobe Inc. Digital image completion by learning generation and patch matching jointly
WO2020056274A1 (en) * 2018-09-14 2020-03-19 The Johns Hopkins University Machine learning processing of contiguous slice image data
CN109658471B (zh) * 2018-12-20 2023-07-25 上海联影医疗科技股份有限公司 一种医学图像重建方法和系统
US11294014B2 (en) * 2019-03-07 2022-04-05 Washington University Methods and systems for real-time 3D MRI
US11714152B2 (en) * 2019-04-26 2023-08-01 Regents Of The University Of Minnesota Methods for scan-specific artifact reduction in accelerated magnetic resonance imaging using residual machine learning algorithms
EP3772720B1 (en) * 2019-08-08 2021-09-29 Siemens Healthcare GmbH Method and system for image analysis
US11568584B2 (en) * 2019-08-26 2023-01-31 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for magnetic resonance imaging
CN113329688B (zh) 2019-09-18 2023-11-28 拜耳公司 用于确定组织体素的特征的方法、系统和计算机可读介质
CN113330483A (zh) 2019-09-18 2021-08-31 拜耳公司 由监督学习训练的预测模型预测磁共振成像图像
AU2020347774A1 (en) 2019-09-18 2022-03-31 Bayer Aktiengesellschaft Generation of MRI images of the liver
JP2022552484A (ja) 2019-10-11 2022-12-16 バイエル、アクチエンゲゼルシャフト Ｍｒｉ検査の高速化
US20210118200A1 (en) * 2019-10-21 2021-04-22 Regents Of The University Of Minnesota Systems and methods for training machine learning algorithms for inverse problems without fully sampled reference data
US11348291B2 (en) * 2019-11-29 2022-05-31 Shanghai United Imaging Intelligence Co., Ltd. System and method for reconstructing magnetic resonance images
CN110958722B (zh) * 2019-11-29 2023-05-09 洛阳理工学院 云辅助下基于超分辨技术的无线图像传感器网络节能方法
EP3855200A1 (en) * 2020-01-22 2021-07-28 Siemens Healthcare GmbH Artifact and/or noise reduction for magnetic resonance fingerprinting data based on a neural network
EP4103061A4 (en) * 2020-02-11 2024-03-27 Subtle Medical Inc SYSTEMS AND METHODS FOR REAL-TIME VIDEO ENHANCEMENT
CN111767946B (zh) * 2020-06-19 2024-03-22 北京康夫子健康技术有限公司 医学影像分级模型训练及预测方法、装置、设备及介质
CN114325519A (zh) * 2020-09-30 2022-04-12 西门子(深圳)磁共振有限公司 局部线圈、系统接收器、无线传输系统、方法和成像系统
JP2022070036A (ja) * 2020-10-26 2022-05-12 キヤノン株式会社 医用画像処理装置、医用画像処理方法及びプログラム
KR102514804B1 (ko) * 2021-02-19 2023-03-29 한국과학기술원 비지도 학습 기반 자기 공명 영상 처리 방법 및 그 장치
CA3219146A1 (en) 2021-03-02 2022-09-09 Bayer Aktiengesellschaft Machine learning in the field of contrast-enhanced radiology
WO2022189015A1 (de) 2021-03-09 2022-09-15 Bayer Aktiengesellschaft Maschinelles lernen im bereich der kontrastmittelverstärkten radiologie
KR102475397B1 (ko) * 2021-04-08 2022-12-08 주식회사 에어스메디컬 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
US11763429B2 (en) 2021-05-19 2023-09-19 GE Precision Healthcare LLC Deep learning based medical system and method for image acquisition
CN113359077A (zh) * 2021-06-08 2021-09-07 苏州深透智能科技有限公司 一种磁共振成像方法及相关设备
CN113191955A (zh) * 2021-06-17 2021-07-30 江苏奥易克斯汽车电子科技股份有限公司 图像超分辨率重建的方法及装置
CN114998607B (zh) * 2022-05-11 2023-01-31 北京医准智能科技有限公司 超声图像的特征提取方法、装置、电子设备及存储介质
CN115115727B (zh) * 2022-05-18 2023-08-01 首都医科大学附属北京友谊医院 核磁图像处理方法、系统、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004305293A (ja) 2003-04-03 2004-11-04 Ge Medical Systems Global Technology Co Llc 画像生成プログラム生成方法、画像生成プログラム提供装置、および画像生成プログラム提供システム
JP2010155063A (ja) 2009-01-05 2010-07-15 Korea Advanced Inst Of Sci Technol 高時空間解像度の機能的磁気共鳴映像を得る高次一般級数並列映像法及びサンプリング方法（ｈｉｇｈｅｒ−ｏｒｄｅｒｇｅｎｅｒａｌｉｚｅｄｓｅｒｉｅｓｐａｒａｌｌｅｌｉｍａｇｉｎｇｍｅｔｈｏｄａｎｄｓａｍｐｌｉｎｇｍｅｔｈｏｄｆｏｒａｃｑｕｉｒｉｎｇｈｉｇｈｓｐａｔｉｏ−ｔｅｍｐｏｒａｌｒｅｓｏｌｕｔｉｏｎｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｅｓ）
US20170061620A1 (en) 2015-09-01 2017-03-02 Samsung Electronics Co., Ltd. Method and apparatus for processing magnetic resonance image
WO2017210226A1 (en) 2016-05-31 2017-12-07 Q Bio, Inc. Rapid determination of a relaxation time

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8535250B2 (en) * 2006-10-13 2013-09-17 University Of Washington Through Its Center For Commercialization Method and apparatus to detect the fragmentation of kidney stones by measuring acoustic scatter
US8607634B2 (en) * 2007-10-15 2013-12-17 University Of Washington Ultrasound based method and apparatus to determine the size of kidney stone fragments before removal via ureteroscopy
US8280496B2 (en) * 2007-12-13 2012-10-02 Boston Scientific Scimed, Inc. Extended spectral sensitivity endoscope system and method of using the same
EP2252205A1 (en) * 2008-03-18 2010-11-24 Koninklijke Philips Electronics N.V. Dynamic planning tool for use in contrast-enhanced dynamic scan in magnetic resonance imaging
US8823374B2 (en) * 2009-05-27 2014-09-02 Siemens Aktiengesellschaft System for accelerated MR image reconstruction
US8638096B2 (en) 2010-10-19 2014-01-28 The Board Of Trustees Of The Leland Stanford Junior University Method of autocalibrating parallel imaging interpolation from arbitrary K-space sampling with noise correlations weighted to reduce noise of reconstructed images
DE102010043370B4 (de) * 2010-11-04 2014-03-13 Siemens Aktiengesellschaft Kombination von MR-Signalen mit Unterdrückung unerwünschter Signalanteile
US9757199B2 (en) * 2012-04-12 2017-09-12 Boston Scientific Scimed, Inc. Surgical laser systems and laser lithotripsy techniques
US9329251B2 (en) * 2012-05-04 2016-05-03 National Taiwan University System and method for magnetic resonance imaging using multiple spatial encoding magnetic fields
US9880247B2 (en) * 2012-05-31 2018-01-30 The Medical College Of Wisconsin System and method for magnetic resonance imaging using highly accelerated projection imaging
US9332953B2 (en) * 2012-08-31 2016-05-10 The University Of Chicago Supervised machine learning technique for reduction of radiation dose in computed tomography imaging
US9459335B2 (en) * 2012-09-14 2016-10-04 Mayo Foundation For Medical Education And Reseach System and method for parallel magnetic resonance imaging with optimally selected in-plane acceleration
CN103646410B (zh) * 2013-11-27 2016-06-08 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
US9254075B2 (en) * 2014-05-04 2016-02-09 Gyrus Acmi, Inc. Location of fragments during lithotripsy
US10561337B2 (en) * 2015-08-04 2020-02-18 University Of Virginia Patent Foundation Rapid 3D dynamic arterial spin labeling with a sparse model-based image reconstruction
US10241173B2 (en) * 2016-03-14 2019-03-26 The General Hospital Corporation Systems and methods for designing magnetic resonance fingerprinting imaging parameters
US10387765B2 (en) 2016-06-23 2019-08-20 Siemens Healthcare Gmbh Image correction using a deep generative machine-learning model
WO2017223560A1 (en) 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
RU2698997C1 (ru) * 2016-09-06 2019-09-02 Электа, Инк. Нейронная сеть для генерации синтетических медицинских изображений
US10074038B2 (en) 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
EP3646288B1 (en) * 2017-06-26 2022-09-07 Elekta, Inc. Method for improving cone-beam ct image quality using a deep convolutional neural network
US10748034B2 (en) 2018-01-10 2020-08-18 Siemens Healthcare Gmbh Method and system for learning to obtain medical scans of patients
AU2019256304A1 (en) 2018-04-19 2020-11-26 Subtle Medical, Inc. Systems and methods for improving magnetic resonance imaging using deep learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004305293A (ja) 2003-04-03 2004-11-04 Ge Medical Systems Global Technology Co Llc 画像生成プログラム生成方法、画像生成プログラム提供装置、および画像生成プログラム提供システム
JP2010155063A (ja) 2009-01-05 2010-07-15 Korea Advanced Inst Of Sci Technol 高時空間解像度の機能的磁気共鳴映像を得る高次一般級数並列映像法及びサンプリング方法（ｈｉｇｈｅｒ−ｏｒｄｅｒｇｅｎｅｒａｌｉｚｅｄｓｅｒｉｅｓｐａｒａｌｌｅｌｉｍａｇｉｎｇｍｅｔｈｏｄａｎｄｓａｍｐｌｉｎｇｍｅｔｈｏｄｆｏｒａｃｑｕｉｒｉｎｇｈｉｇｈｓｐａｔｉｏ−ｔｅｍｐｏｒａｌｒｅｓｏｌｕｔｉｏｎｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｅｓ）
US20170061620A1 (en) 2015-09-01 2017-03-02 Samsung Electronics Co., Ltd. Method and apparatus for processing magnetic resonance image
WO2017210226A1 (en) 2016-05-31 2017-12-07 Q Bio, Inc. Rapid determination of a relaxation time

Also Published As

Publication number Publication date
EP3781033A1 (en) 2021-02-24
JP2023169278A (ja) 2023-11-29
US20210042883A1 (en) 2021-02-11
AU2019256304A1 (en) 2020-11-26
US20220130017A1 (en) 2022-04-28
SG11202010238PA (en) 2020-11-27
BR112020021311A2 (pt) 2021-01-19
US20190347772A1 (en) 2019-11-14
US11182878B2 (en) 2021-11-23
JP2021520882A (ja) 2021-08-26
CN111989039A (zh) 2020-11-24
WO2019204406A1 (en) 2019-10-24
US20240037714A1 (en) 2024-02-01
KR20210005633A (ko) 2021-01-14
US11715179B2 (en) 2023-08-01
EP3781033A4 (en) 2022-01-19

Similar Documents

Publication Publication Date Title
JP7351847B2 (ja) 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法
US10573031B2 (en) Magnetic resonance image reconstruction with deep reinforcement learning
US11550011B2 (en) Systems and methods for magnetic resonance imaging standardization using deep learning
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
US7864999B2 (en) Devices systems and methods for processing images
US20210090306A1 (en) Methods for scan-specific k-space interpolation reconstruction in magnetic resonance imaging using machine learning
KR20220069106A (ko) 이미지 향상을 위해 자기-주의 심층 학습을 사용하는 시스템들 및 방법들
EP4150581A1 (en) Inverting neural radiance fields for pose estimation
WO2016070167A1 (en) Sparse reconstruction strategy for multi-level sampled mri
KR20220050173A (ko) 딥 러닝을 사용한 정확하고 신속한 양전자 방출 단층 촬영을 위한 시스템 및 방법
JP2016533839A (ja) 画像再構成のために空間適応的正則化を用いるｍｒｉ
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
WO2021041125A1 (en) Systems and methods for accurate and rapid positron emission tomography using deep learning
US11933870B2 (en) Contrast and/or system independent motion detection for magnetic resonance imaging
US20230013779A1 (en) Self-supervised deblurring
WO2023055689A1 (en) Systems and methods for noise-aware self-supervised enhancement of images using deep learning
EP3916417A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
US20230111937A1 (en) Image artifact reduction using filter data based on deep image prior operations
Simpson et al. Motion Correction in low SNR MRI using an approximate Rician log-likelihood
Rahman Fast Magnetic Resonance Image Reconstruction with Deep Learning using an Efficientnet Encoder
WO2023149921A2 (en) Observational bayesian optimization of quantum-computing operations
WO2023202909A1 (en) Segmentation of medical images reconstructed from a set of magnetic resonance images
KR20240006428A (ko) 딥러닝 기반 의료 데이터의 품질 개선 방법, 프로그램 및 장치

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220318

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230131

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230227

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230524

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: 20230817

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230914

R150 Certificate of patent or registration of utility model

Ref document number: 7351847

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150