KR102259846B1 - Gradient field error correcting system using machine learning for magnetic resonance images and method thereof - Google Patents
Gradient field error correcting system using machine learning for magnetic resonance images and method thereof Download PDFInfo
- Publication number
- KR102259846B1 KR102259846B1 KR1020180077091A KR20180077091A KR102259846B1 KR 102259846 B1 KR102259846 B1 KR 102259846B1 KR 1020180077091 A KR1020180077091 A KR 1020180077091A KR 20180077091 A KR20180077091 A KR 20180077091A KR 102259846 B1 KR102259846 B1 KR 102259846B1
- Authority
- KR
- South Korea
- Prior art keywords
- space trajectory
- error
- magnetic field
- image
- gradient magnetic
- Prior art date
Links
Images
Classifications
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 발명은 자기공명 영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템 및 방법에 관한 것이다. 본 발명의 구체적인 예에 따르면, 경사자계로부터 도출된 k-space 궤적으로 재구성된 영상 왜곡에 대한 모델을 구축하고 구축된 모델을 이용한 기계 학습 결과를 토대로 k-space 궤적 오차를 예측하여 예측 결과를 반영하여 k-space 궤적을 보정하고 보정 k-space 궤적으로 영상 재구성을 수행함에 따라 기존의 왜곡된 재구성 영상을 복원하는데 필요한 추가적인 데이터 획득 및 영상 특성 분석 알고리즘 수행 과정이 생략되므로 보정 k-space 궤적에 대한 정확도를 높힐 수 있고, 하드웨어적 모니터링 장치의 추가로 인한 비용 및 연산 복잡도를 절감할 수 있다.The present invention relates to a machine learning-based gradient magnetic field error correction system and method of a magnetic resonance imaging apparatus. According to a specific example of the present invention, a model for image distortion reconstructed with a k-space trajectory derived from a gradient magnetic field is built, and a k-space trajectory error is predicted based on the machine learning results using the constructed model to reflect the prediction result. Therefore, as the k-space trajectory is corrected and the image reconstruction is performed with the corrected k-space trajectory, additional data acquisition and image characteristic analysis algorithms required to restore the existing distorted reconstructed image are omitted. Accuracy may be increased, and cost and computational complexity due to the addition of a hardware monitoring device may be reduced.
Description
본 발명은 자기공명영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 경사자계 오차 모델을 구축하고 구축된 모델을 이용한 기계 학습 결과를 토대로 k-space 궤적을 자동으로 보정할 수 있도록 한 기술에 관한 것이다.The present invention relates to a machine learning-based gradient magnetic field error correction system and method for a magnetic resonance imaging apparatus, and more particularly, to build a gradient magnetic field error model and automatically generate a k-space trajectory based on machine learning results using the constructed model. It is about the technology that made it possible to correct it.
일반적인 자기공명 영상 시스템에서 영상 공간적인 정보를 분할하기 위해 경사자계(Gradient Magnetic Field)를 이용한 부호화 기술이 적용된다. 이때 경사자계의 오차 및 국소적인 주자장의 왜곡으로 인해 부호화에 사용된 경사자계의 크기에 변화가 발생하고 이에 다양한 형태로 영상 왜곡이 발생된다.An encoding technique using a gradient magnetic field is applied to segment image spatial information in a general magnetic resonance imaging system. At this time, the magnitude of the gradient magnetic field used for encoding is changed due to an error of the gradient magnetic field and distortion of the local main magnetic field, which causes image distortion in various forms.
이러한 자기공명 영상장치에서 발생되는 경사 자계 오차 보상을 위해 영상 특성 분석을 통해 오차 원인을 이론적으로 분석하고 오차 정도에 따라 데이터를 추가적으로 획득하여 보상하거나, 경사자계 모니터링 장치를 추가로 설치하여 하드웨어 적으로 오차를 측정 및 보정하였다.To compensate for the gradient magnetic field error generated by the magnetic resonance imaging device, the error cause is theoretically analyzed through image characteristic analysis, and data is additionally acquired and compensated according to the degree of error, or a gradient magnetic field monitoring device is additionally installed to make the error. Errors were measured and corrected.
이러한 영상 특성 분석은 이론과 실측과의 간극으로 인해 모든 오차를 제거하기가 매우 어렵고 또한 오차의 발생 원인의 복잡도가 증가할수록 추가적인 데이터 획득 양이 증가하기 때문에 영상 획득 시간이 증가된다. In this image characteristic analysis, it is very difficult to remove all errors due to the gap between theory and actual measurement, and as the complexity of the cause of the error increases, the amount of additional data acquisition increases, so the image acquisition time increases.
또한 영상의 전반적인 오차를 보정하기는 간단하나 국소적으로 나타나는 자기장 오류로 인한 영상 왜곡을 보정하기 어려운 한계에 도달하였다.In addition, although it is simple to correct the overall error of the image, it is difficult to correct the image distortion caused by the locally appearing magnetic field error.
한편, 외부의 하드웨어를 이용하여 경자자계의 변화를 측정하고 이를 통해 영상 왜곡을 보정하는 하드웨어적으로 경사자계를 획득하는 경우 경사자계 변화 값 측정은 가능하나, 하드웨어 장치를 구축하는데 드는 시간 및 비용이 많고 운영면에 있어 매우 복잡한 문제점이 있었다.On the other hand, when the gradient magnetic field is measured using external hardware and the gradient magnetic field is acquired through hardware that corrects image distortion, it is possible to measure the gradient magnetic field change value, but the time and cost required to build the hardware device is reduced. There were many and very complicated problems in terms of operation.
이에 본 출원인은 경사자계로부터 도출된 k-space 궤적으로 재구성된 영상 왜곡에 대한 모델을 구축하고 구축된 모델을 이용한 기계 학습 결과를 토대로 k-space 궤적 오차를 예측하여 예측 결과를 반영하여 k-space 궤적을 보정하고 보정 k-space 궤적으로 영상 재구성을 수행함에 따라 기존의 왜곡된 재구성 영상을 복원하는데 필요한 추가적인 데이터 획득 및 영상 특성 분석 알고리즘 수행 과정이 생략되므로 보정 k-space 궤적에 대한 정확도를 높힐 수 있고, 하드웨어적 모니터링 장치의 추가로 인한 비용 및 연산 복잡도를 절감할 수 방안을 제안하고자 한다.Accordingly, the present applicant builds a model for image distortion reconstructed with the k-space trajectory derived from the gradient magnetic field, predicts the k-space trajectory error based on the machine learning results using the constructed model, and reflects the prediction results in the k-space As the trajectory is corrected and the image reconstruction is performed with the corrected k-space trajectory, additional data acquisition and image characteristic analysis algorithms required to restore the existing distorted reconstructed image are omitted, so the accuracy of the corrected k-space trajectory can be improved. In addition, we want to propose a method for reducing cost and computational complexity due to the addition of a hardware monitoring device.
본 발명은 구축된 경사자계 오차 모델을 이용한 기계 학습 결과를 토대로 k-space 궤적 오차를 보정함에 따라, 기존의 왜곡된 재구성 영상을 복원하는데 필요한 추가적인 데이터 획득 및 영상 특성 분석 알고리즘 수행 과정이 생략되므로 보정 k-space 궤적에 대한 정확도를 높힐 수 있는 자기공명영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템 및 방법을 제공하고자 한다.According to the present invention, as the k-space trajectory error is corrected based on the machine learning result using the constructed gradient magnetic field error model, additional data acquisition and image characteristic analysis algorithms required to restore the existing distorted reconstructed image are omitted. An object of the present invention is to provide a machine learning-based gradient magnetic field error correction system and method for magnetic resonance imaging that can increase the accuracy of k-space trajectories.
또한 본 발명은 하드웨어적 모니터링 장치의 추가로 인한 비용 및 연산 복잡도를 절감할 수 있는 자기공명영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템 및 방법을 제공하고자 한다. Another object of the present invention is to provide a machine learning-based gradient magnetic field error correction system and method of a magnetic resonance imaging apparatus capable of reducing cost and computational complexity due to the addition of a hardware monitoring device.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The object of the present invention is not limited to the object mentioned above, and other objects and advantages of the present invention not mentioned can be understood by the following description, and will be more clearly understood by the examples of the present invention. It will also be readily apparent that the objects and advantages of the present invention can be realized by means of the means and combinations thereof indicated in the claims.
이에 본 발명은 경사자계로부터 도출된 k-space 궤적으로 자기공명 영상장치로부터 샘플링된 데이터셋 및 k-space 궤적을 학습 데이터베이스에 저장하여 경사자계 오차 모델을 구축하는 경사자계 모델 구축부; 경사자계로부터 도출된 k-space 궤적으로 자기공명 영상장치로부터 샘플링된 데이터셋과 학습 데이터베이스에 저장된 샘플링된 데이터셋 및 k-space 궤적으로 기계 학습을 수행하여 k-space 궤적 오차를 학습 데이터로 생성하는 기계 학습부; 및 상기 기계 학습부의 k-space 궤적 오차로 보정 k-space 궤적을 추정하고 추정된 보정 k-space 궤적으로 영상 재구성하는 영상 보정부를 포함하는 것을 일 특징으로 한다.Accordingly, the present invention provides a gradient magnetic field model construction unit for constructing a gradient magnetic field error model by storing a dataset sampled from a magnetic resonance imaging apparatus as a k-space trajectory derived from a gradient magnetic field and a k-space trajectory in a learning database; The k-space trajectory error is generated as training data by performing machine learning with the k-space trajectory derived from the gradient magnetic field and the sampled dataset stored in the learning database and the sampled data set from the magnetic resonance imaging device. machine learning department; and an image correction unit for estimating a corrected k-space trajectory using the k-space trajectory error of the machine learning unit and reconstructing an image using the estimated corrected k-space trajectory.
바람직하게 상기 경사자계 모델 구축부는, 각 파라미터 별 경사자계로부터 도출된 각각의 k-space 궤적으로 영상을 각각 재구성하고, 각 영상 별 기 정해진 관계식으로부터 정의된 k-space 궤적 오차를 경사자계의 파라미터 및 각 영상에 매칭시켜 상기 학습 데이터베이스에 저장하도록 구비될 수 있다.Preferably, the gradient magnetic field model building unit reconstructs the images with respective k-space trajectories derived from the gradient magnetic field for each parameter, and calculates the k-space trajectory error defined from a predetermined relational expression for each image as a parameter of the gradient magnetic field and It may be provided to match each image and store it in the learning database.
바람직하게 상기 기계 학습부는, 자기공명 영상장치로부터 샘플링된 데이터셋을 획득하고 경사자계로부터 도출된 k-space 궤적으로 샘플링된 데이터셋을 재구성하여 영상을 획득하는 데이터셋 획득모듈; 상기 재구성 영상 및 k-space 궤적에 대해 기계학습을 수행하여 k-space 궤적 오차를 학습 데이터로 출력하는 학습모듈; 및 상기 출력된 k-space 궤적 오차로부터 경사자계 오차를 추정하고 추정된 경사자계 오차를 보정하고 보정된 경사자계로부터 도출된 보정 k-space 궤적을 출력하는 보정 궤적 도출모듈을 포함할 수 있다.Preferably, the machine learning unit includes: a dataset acquiring module acquiring an image by acquiring a dataset sampled from a magnetic resonance imaging apparatus and reconstructing the sampled dataset with a k-space trajectory derived from a gradient magnetic field; a learning module for performing machine learning on the reconstructed image and the k-space trajectory to output a k-space trajectory error as training data; and a correction trajectory derivation module for estimating a gradient magnetic field error from the output k-space trajectory error, correcting the estimated gradient magnetic field error, and outputting a corrected k-space trajectory derived from the corrected gradient magnetic field.
바람직하게 상기 영상 보정부는 상기 보정 k-space 궤적으로 자기공명 영상장치로부터 샘플링된 데이터셋을 재구성하여 k-space 공간 영역의 영상을 도출하도록 구비될 수 있다.Preferably, the image compensator may be provided to derive an image of a k-space domain by reconstructing a dataset sampled from the magnetic resonance imaging apparatus with the corrected k-space trajectory.
또한 본 발명은, 경사자계로부터 도출된 k-space 궤적으로 자기공명 영상장치로부터 샘플링된 데이터셋 및 k-space 궤적을 학습 데이터베이스에 저장하여 경사자계 오차 모델을 구축하는 경사자계 모델 구축부; 자기공명 영상장치로부터 샘플링된 데이터셋을 획득하고 경사자계로부터 도출된 k-space 궤적으로 샘플링된 데이터셋을 재구성하여 영상을 획득하는 데이터셋 획득부; 상기 재구성 영상 및 k-space 궤적에 대해 기계학습을 수행하여 k-space 궤적 오차를 학습 데이터로 출력하는 학습부; 상기 출력된 k-space 궤적 오차로부터 경사자계 오차를 추정하고 추정된 경사자계 오차를 보정하고 보정된 경사자계로부터 도출된 보정 k-space 궤적을 출력하는 보정 궤적 도출부; 및 상기 보정 k-space 궤적으로 상기 샘플링된 데이터셋을 k-space 영역으로 영상 재구성을 수행하는 영상 보정부를 포함하는 것을 다른 특징으로 한다.In addition, the present invention provides a gradient magnetic field model construction unit for constructing a gradient magnetic field error model by storing a dataset sampled from a magnetic resonance imaging apparatus as a k-space trajectory derived from a gradient magnetic field and a k-space trajectory in a learning database; a dataset acquiring unit acquiring an image by acquiring a sampled dataset from a magnetic resonance imaging apparatus and reconstructing the sampled dataset with a k-space trajectory derived from a gradient magnetic field; a learning unit that performs machine learning on the reconstructed image and the k-space trajectory to output a k-space trajectory error as training data; a correction trajectory deriving unit estimating a gradient magnetic field error from the output k-space trajectory error, correcting the estimated gradient magnetic field error, and outputting a corrected k-space trajectory derived from the corrected gradient magnetic field; and an image correction unit configured to reconstruct an image of the sampled data set in a k-space region with the corrected k-space trajectory.
본 발명은 경사자계로부터 도출된 k-space 궤적으로 자기공명 영상장치로부터 샘플링된 데이터셋 및 k-space 궤적을 학습 데이터베이스에 저장하여 경사자계 오차 모델을 구축하는 경사자계 모델 구축 단계; 자기공명 영상장치로부터 샘플링된 데이터셋을 획득하고 경사자계로부터 도출된 k-space 궤적으로 샘플링된 데이터셋을 재구성하여 영상을 획득하는 데이터셋 획득 단계; 상기 재구성 영상 및 k-space 궤적에 대해 기계학습을 수행하여 k-space 궤적 오차를 학습 데이터로 출력하는 학습단계; 상기 출력된 k-space 궤적 오차로부터 경사자계 오차를 추정하고 추정된 경사자계 오차를 보정하고 보정된 경사자계로부터 도출된 보정 k-space 궤적을 출력하는 보정 궤적 도출단계; 및 상기 보정 k-space 궤적으로 상기 샘플링된 데이터셋을 k-space 영역으로 영상 재구성을 수행하는 영상 보정 단계를 포함하는 것을 또 다른 특징으로 한다.The present invention provides a gradient magnetic field model construction step of constructing a gradient magnetic field error model by storing a dataset sampled from a magnetic resonance imaging apparatus as a k-space trajectory derived from a gradient magnetic field and a k-space trajectory in a learning database; A data set acquisition step of acquiring an image by acquiring a sampled dataset from a magnetic resonance imaging apparatus and reconstructing the sampled dataset with a k-space trajectory derived from a gradient magnetic field; a learning step of performing machine learning on the reconstructed image and the k-space trajectory to output a k-space trajectory error as training data; a correction trajectory deriving step of estimating a gradient magnetic field error from the output k-space trajectory error, correcting the estimated gradient magnetic field error, and outputting a corrected k-space trajectory derived from the corrected gradient magnetic field; and an image correction step of performing image reconstruction of the sampled data set in the k-space region with the corrected k-space trajectory.
전술한 바와 같은 구성의 본 발명에 의하면 경사자계로부터 도출된 k-space 궤적으로 재구성된 영상 왜곡에 대한 모델을 구축하고 구축된 모델을 이용한 기계 학습 결과를 토대로 k-space 궤적 오차를 예측하여 예측 결과를 반영하여 k-space 궤적을 보정하고 보정 k-space 궤적으로 영상 재구성을 수행함에 따라 기존의 왜곡된 재구성 영상을 복원하는데 필요한 추가적인 데이터 획득 및 영상 특성 분석 알고리즘 수행 과정이 생략되므로 보정 k-space 궤적에 대한 정확도를 높힐 수 있고, 하드웨어적 모니터링 장치의 추가로 인한 비용 및 연산 복잡도를 절감할 수 있다.According to the present invention having the configuration as described above, a model for image distortion reconstructed with a k-space trajectory derived from a gradient magnetic field is built, and a k-space trajectory error is predicted based on the machine learning result using the constructed model, and the prediction result is obtained. As the k-space trajectory is corrected by reflecting , and image reconstruction is performed with the corrected k-space trajectory, additional data acquisition and image characteristic analysis algorithms required to restore the existing distorted reconstructed image are omitted, so the corrected k-space trajectory is omitted. accuracy can be increased, and cost and computational complexity due to the addition of a hardware monitoring device can be reduced.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 본 발명의 실시예에 따른 시스템의 구성도이다.
도 2는 본 발명의 실시 예에 따른 시스템의 기계학습부의 세부 구성도이다.
도 3은 본 발명의 실시예에 따른 시스템의 왜곡 영상 예시도이다.
도 4는 본 발명의 실시예에 따른 시스템의 영상 예시도이다.
도 5는 본 발명의 다른 실시 예에 따른 방법의 전체 흐름도이다.The following drawings attached to this specification illustrate preferred embodiments of the present invention, and serve to further understand the technical spirit of the present invention together with the detailed description of the present invention to be described later, so the present invention is described in such drawings should not be construed as being limited only to
1 is a block diagram of a system according to an embodiment of the present invention.
2 is a detailed configuration diagram of a machine learning unit of a system according to an embodiment of the present invention.
3 is a diagram illustrating a distorted image of a system according to an embodiment of the present invention.
4 is an exemplary image diagram of a system according to an embodiment of the present invention.
5 is an overall flowchart of a method according to another embodiment of the present invention.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. However, the present invention may be embodied in various different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated.
본 발명은 경사자계로 도출된 k-space 궤적으로 재구성된 영상에 대해 모델을 구축하고 구축된 모델을 이용하여 기계 학습을 수행하며 기계 학습 결과에 따라 보정 k-space 궤적(Trajectory)을 예측하고 예측된 보정된 k-space 궤적으로 자기공명 영상장치로부터 획득된 영상을 재구성하는 구성을 갖춘다.The present invention builds a model on an image reconstructed with a k-space trajectory derived from a gradient magnetic field, performs machine learning using the constructed model, and predicts and predicts a corrected k-space trajectory according to the machine learning result. It has a configuration for reconstructing the image obtained from the magnetic resonance imaging device with the corrected k-space trajectory.
도 1은 본 발명의 실시 예에 따른 자기공명영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템의 구성도이고, 도 2는 도 1에 도시된 기계 학습부(200)의 세부적인 구성도이며, 도 1 및 도 2를 참조하면, 본 실시 예의 시스템(S)은 경사자계 모델 구축부(100), 기계 학습부(200), 및 영상 보정부(300)를 포함한다. 1 is a block diagram of a machine learning-based gradient magnetic field error correction system of a magnetic resonance imaging apparatus according to an embodiment of the present invention, and FIG. 2 is a detailed block diagram of the
자기공명 영상장치에 의해 샘플링된 데이터셋은 경사자계로부터 도출된 k-space 궤적에 따라 공간 영역 영상으로 재구성된다. 이에 좌표 영역의 데이터셋은 주파수 영역에 사상되기 때문에 경사자계로부터 얻어지는 k-space 궤적은 영상 재구성에 있어 중요한 역할을 한다. 여기서 경사자계의 전류 파형에 대해 적분 연산으로 k-space 궤적이 도출된다. 이러한 경사자계 오차가 발생하거나 국소적인 주자장의 오차가 발생하는 경우 재구성 영상은 왜곡된다.The dataset sampled by the magnetic resonance imaging device is reconstructed into a spatial domain image according to the k-space trajectory derived from the gradient magnetic field. Therefore, since the dataset in the coordinate domain is mapped to the frequency domain, the k-space trajectory obtained from the gradient magnetic field plays an important role in image reconstruction. Here, a k-space trajectory is derived through an integral operation on the current waveform of the gradient magnetic field. When such a gradient magnetic field error occurs or a local main magnetic field error occurs, the reconstructed image is distorted.
이에 본 실시 예는 경사자계로부터 도출된 k-space 궤적으로 재구성된 왜곡 영상을 토대로 k-space 궤적 오차를 도출하고, 도출된 k-space 궤적 오차와 왜곡 영상에 대해 경사자계 모델을 구축한다.Accordingly, in the present embodiment, a k-space trajectory error is derived based on the distortion image reconstructed with the k-space trajectory derived from the gradient magnetic field, and a gradient magnetic field model is constructed with respect to the derived k-space trajectory error and the distorted image.
즉, 경사자계 모델 구축부(100)는 경사자계로부터 도출된 k-space 궤적으로 재구성된 영상에 대해 기 정해진 관계식으로부터 도출된 k-space 궤적 오차와 재구성된 영상의 이미지넷(imageNET)의 데이터셋 및 도출된 k-space 궤적으로 모델 데이터를 생성한다. 그리고 도출된 k-space 궤적으로 재구성된 영상 및 k-space 궤적은 모델 데이터로서 학습 데이터베이스(110)에 저장된다. 즉, 학습 데이터베이스(110)는 각각 다른 파라미터(l, m)의 경사자계로부터 도출된 각각의 k-space 궤적으로 영상을 각각 재구성하고, 각 영상에 대한 k-space 궤적 오차를 모델 데이터로 경사자계의 파라미터(l=kx, m=ky )의 및 각 영상에 매칭시켜 저장한다. That is, the gradient magnetic field
예를 들어, 일정한 위상과 교차하는 k-space 궤적 오차가 주파수 부호화 방향으로 발생하는 경우 왜곡 영상(
한편, 교차하는 k-space 궤적 오차가 위상 부호화 방향으로 발생하는 경우 왜곡 영상(
여기서, 
따라서, 상기 모델 데이터는 오차가 발생한 경사자계 또는 국소적인 오차가 발생한 주자장으로부터 도출된 k-space 궤적으로 영상 재구성 시 영상 왜곡 및/또는 개별 궤적 특성에 따라 발생된 왜곡 영상이 형성되고, 형성된 왜곡 영상에 대해 식 2로부터 k-space 궤적 오차가 추정되며, 추정된 k-space 궤적 오차로부터 보정 k-space 궤적을 획득할 수 있다.Accordingly, the model data is a k-space trajectory derived from a gradient magnetic field in which an error occurs or a main magnetic field in which a local error occurs, and a distorted image generated according to image distortion and/or individual trajectory characteristics is formed during image reconstruction, and the distortion formed For an image, a k-space trajectory error is estimated from Equation 2, and a corrected k-space trajectory can be obtained from the estimated k-space trajectory error.
즉, 본 실시 예는 재구성된 왜곡 영상으로 정의된 k-space 궤적 오차에 대한 학습 데이터를 기반으로 경사자계 오차를 추정하고 추정된 경사자계 오차로부터 보정 k-space 궤적을 도출한다.That is, in the present embodiment, the gradient magnetic field error is estimated based on the learning data for the k-space trajectory error defined by the reconstructed distorted image, and the corrected k-space trajectory is derived from the estimated gradient magnetic field error.
한편 기계 학습부(200)는 경사자계로부터 도출된 k-space 궤적과 상기 도출된 k-space 궤적으로 재구성된 영상의 데이터셋을 제공받아 기 구축된 경사자계 모델을 기반으로 기계 학습을 수행하여 k-space 궤적의 오차를 학습 데이터로 출력하도록 구비되고, 기계 학습부(200)는 데이터셋 획득모듈(210), 학습모듈(220), 및 보정 궤적 도출모듈(230)를 포함한다.Meanwhile, the
데이터셋 획득모듈(210)은 경사자계로부터 도출된 k-space 궤적으로 재구성된 영상으로부터 데이터셋을 획득하고 재구성된 영상의 데이터셋과 도출된 k-space 궤적은 학습모듈(220)로 전달된다.The
학습모듈(220)은 재구성된 k-space 데이터셋과 매칭되는 학습 데이터베이스(110)의 왜곡 영상의 데이터셋으로 토대로 학습을 수행하여 재구성된 k-space 데이터셋과 매칭되는 왜곡 영상에 대응되어 정의된 k-space 궤적의 오차를 학습 데이터로 출력한다.The
그리고 보정 궤적 도출모듈(230)은 상기 k-space 궤적 오차를 제공받아 경사자계 오차를 추정하고 추정된 경사자계 오차를 영상 보정부(300)에 제공한다. 영상 보정부(300)는 상기 추정된 경사자계 오차로 k-space 궤적을 도출하고 도출된 k-space 궤적으로 샘플링된 데이터셋을 k-space 공간 영역으로 재구성한다.The correction
한편 본 발명의 실시 예에서 학습모듈은 설명 상의 편리를 위해 기계 학습을 한정하여 설명하고 있으나, 실제 영상의 크기, 해상도, 및 영상 왜곡 형태에 따라 딥러닝 등 다양한 학습 알고리즘 기반으로 적용 가능하다.Meanwhile, in the embodiment of the present invention, the learning module is described by limiting machine learning for convenience of explanation, but it can be applied based on various learning algorithms such as deep learning according to the size, resolution, and image distortion form of the actual image.
도 3은 자기공명 영상장치로부터 획득된 영상이 경사자계 오차로 인해 왜곡된 상태를 보인 영상 예시도로서, (a) 및 (b)를 참조하면 경사자계 오차 또는 국소적인 주자장의 왜곡으로 인한 부호화에 사용되는 경사자계의 크기가 변화되고 이에 재구성된 영상이 다양한 형태로 왜곡됨을 확인할 수 있다.3 is an example image showing a state in which an image obtained from a magnetic resonance imaging apparatus is distorted due to a gradient magnetic field error. Referring to (a) and (b), the encoding due to gradient magnetic field error or local magnetic field distortion is It can be seen that the magnitude of the gradient magnetic field used is changed, and thus the reconstructed image is distorted in various forms.
도 4는 도 3에 도시된 경사자계 오차 또는 국소적인 주자장의 왜곡 영상을 보정하기 위한 시스템의 재구성 영상 예시도로서, (a) 및 (b)를 참조하면, 오차가 발생된 k-space 궤적과 오차가 발생된 k-space 궤적으로 재구성 영상에 왜곡이 발생됨을 확인할 수 있다.4 is an example of a reconstructed image of a system for correcting a gradient magnetic field error or a localized magnetic field distortion image shown in FIG. 3 . Referring to (a) and (b), the k-space trajectory in which the error is generated and It can be confirmed that distortion occurs in the reconstructed image with the k-space trajectory in which the error is generated.
그리고, 왜곡된 재구성 영상에 대해 기계 학습을 수행하여 (c)에 도시된 바와 같이, 구축된 모델을 통해 왜곡 영상에 대해 정의된 k-space 궤적 오차가 학습 데이터로 출력된다. 학습모듈(220)에서 k-space 궤적의 학습 데이터를 토대로 보정 k-space 궤적이 추정되고, 추정된 보정 k-space 궤적은 (d)에 도시된 바와 같다. 또한 추정된 보정 k-space 궤적으로 재구성 영상은 (e)에 도시된 바와 같다. Then, as shown in (c) by performing machine learning on the distorted reconstructed image, the k-space trajectory error defined for the distorted image through the constructed model is output as training data. A corrected k-space trajectory is estimated based on the learning data of the k-space trajectory in the
도 5는 경자자계 오차 모델 구축부터 왜곡 영상 보정까지의 흐름도를 보여준다. 도 5를 참조하면, 자기공명 영상장치의 기계 학습 기반의 경사자계 오차 보정 방법은, 경사자계 모델 구축단계(S1), 데이터셋 획득단계(S2), 학습단계(S3), 보정 궤적 도출단계(S4), 및 영상 보정단계(S5)를 포함한다.5 shows a flowchart from building a hard magnetic field error model to correcting a distorted image. Referring to FIG. 5 , the gradient magnetic field error correction method based on machine learning of the magnetic resonance imaging apparatus includes the gradient magnetic field model building step (S1), the data set acquisition step (S2), the learning step (S3), and the correction trajectory deriving step ( S4), and an image correction step (S5).
여기서, 경사자계 모델 구축단계(S1)는 경사자계로부터 도출된 k-space 궤적으로 샘플링된 데이터셋으로 k-space 공간 영역으로 재구성하고 재구성 영상으로 정의된 k-space 궤적 오차를 추정하여 경사자계 오차에 대한 모델을 구축한다.Here, in the gradient magnetic field model construction step (S1), a data set sampled with a k-space trajectory derived from the gradient magnetic field is reconstructed into a k-space spatial domain, and the gradient magnetic field error is estimated by estimating the k-space trajectory error defined by the reconstructed image. build a model for
본 실시 예는 구축된 경사자계 모델 기반의 기계 학습을 수행하여 k-space 궤적 오차를 추정하고 추정된 k-space 궤적 오차를 보정하며 보정 k-space 궤적으로 샘플링된 데이터셋을 k-space 공간 영역으로 재구성한다.In this embodiment, the k-space trajectory error is estimated by performing machine learning based on the constructed gradient magnetic field model, the estimated k-space trajectory error is corrected, and the dataset sampled with the corrected k-space trajectory is transferred to the k-space space region. reconstruct it with
즉, 데이터셋 획득단계(S2)는 경사자계로부터 도출된 k-space 궤적으로 재구성 영상의 데이터셋을 획득하고, 획득된 재구성 영상의 데이터셋은 학습단계(S3)에 전달되며, 학습단계(S3)는 재구성 영상의 데이터 및 경사자계 모델을 기반으로 기계 학습을 수행하여 k-space 궤적 오차를 학습 데이터로 도출하고 도출된 k-space 궤적 오차를 토대로 경사자계 오차가 추정된다.That is, the data set acquisition step (S2) acquires a dataset of the reconstructed image with a k-space trajectory derived from the gradient magnetic field, and the obtained dataset of the reconstructed image is transferred to the learning step (S3), and the learning step (S3) ) derives the k-space trajectory error as training data by performing machine learning based on the data of the reconstructed image and the gradient magnetic field model, and the gradient magnetic field error is estimated based on the derived k-space trajectory error.
그리고, 보정 궤적 도출단계(S4)는 상기 k-space 궤적 오차로부터 보정 k-space 궤적을 도출하고 도출된 보정 k-space 궤적을 전달받은 영상 보정단계(S5)에서 보정 k-space 궤적로 샘플링된 데이터셋데이터셋역으로 재구성한다. And, in the correction trajectory deriving step (S4), the corrected k-space trajectory is derived from the k-space trajectory error, and the corrected k-space trajectory is sampled as the corrected k-space trajectory in the image correction step (S5) receiving the derived corrected k-space trajectory. Reconstruct the dataset into the dataset inverse.
본 발명의 다른 실시 태양으로, 자기공명 영상장치의 기계 학습 기반의 경사자계 오차 보정 방법의 각 단계는 전술한 경사자계 모델 구축부(100), 데이터 획득모듈(210), 학습모듈(220), 및 보정 궤적 도출모듈(230)를 포함하는 기계 학습부(200), 및 영상 보정부(300)에서 수행되는 기능으로 자세한 원용은 생략한다.In another embodiment of the present invention, each step of the machine learning-based gradient magnetic field error correction method of the magnetic resonance imaging apparatus includes the gradient magnetic field
이에 따라, 기존의 왜곡된 재구성 영상을 복원하는데 필요한 추가적인 데이터 획득 및 영상 특성 분석 알고리즘 수행 과정이 생략되므로 보정 k-space 궤적에 대한 정확도를 높힐 수 있고, 하드웨어적 모니터링 장치의 추가로 인한 비용 및 연산 복잡도를 절감할 수 있다.Accordingly, it is possible to increase the accuracy of the correction k-space trajectory because the process of acquiring additional data and performing an image characteristic analysis algorithm necessary to restore the existing distorted reconstructed image is omitted, and the cost and operation due to the addition of a hardware monitoring device complexity can be reduced.
이상에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자라면 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention described in the claims below. You will understand that you can.
Claims (6)
경사자계로부터 도출된 k-space 궤적으로 자기공명 영상장치로부터 샘플링된 데이터셋과 학습 데이터베이스에 저장된 샘플링된 데이터셋 및 k-space 궤적으로 기계 학습을 수행하여 k-space 궤적 오차를 학습 데이터로 생성하는 기계 학습부; 및
상기 기계 학습부의 k-space 궤적 오차가 주파수 부호화 방향(kx)으로 발생 시 왜곡 영상과 k-space 궤적 오차가 위상 부호화 방향(ky)으로 발생 시 왜곡 영상으로 k-space 궤적 오차를 추정하고 추정된 k-space 궤적 오차를 보정하여 보정 k-space 궤적을 획득하고 획득된 보정 k-space 궤적으로 영상 재구성하는 영상 보정부를 포함하고,
상기 k-space 궤적의 오차가 주파수 부호화 방향(kx)으로 발생하는 경우 왜곡 영상(
상기 k-space 궤적 오차가 위상 부호화 방향(ky)으로 발생하는 경우 왜곡 영상(
[식 1]
[식 2]
[식 3]
[식 4]
여기서,
a gradient magnetic field model building unit for constructing a gradient magnetic field error model by storing a dataset sampled from a magnetic resonance imaging apparatus as a k-space trajectory derived from a gradient magnetic field and a k-space trajectory in a learning database;
The k-space trajectory is generated as training data by performing machine learning with the k-space trajectory derived from the gradient magnetic field, and the sampled dataset stored in the learning database and the sampled data set from the magnetic resonance imaging device. machine learning department; and
When the k-space trajectory error of the machine learning unit occurs in the frequency encoding direction (kx), when the distortion image and the k-space trajectory error occur in the phase encoding direction (ky), the k-space trajectory error is estimated with the distorted image, and the estimated Comprising an image correction unit that obtains a corrected k-space trajectory by correcting the k-space trajectory error and reconstructs the image with the obtained corrected k-space trajectory,
When the error of the k-space trajectory occurs in the frequency encoding direction (k x ), the distorted image (
When the k-space trajectory error occurs in the phase encoding direction (k y ), the distorted image (
[Equation 1]
[Equation 2]
[Equation 3]
[Equation 4]
here,
각 파라미터 별 경사자계로부터 도출된 각각의 k-space 궤적으로 영상을 각각 재구성하고,
각 재구성된 영상에 대한 k-space 궤적 오차를 경사자계의 파라미터 및 각 영상에 매칭시켜 상기 학습 데이터베이스에 저장하도록 구비되는 것을 특징으로 하는 자기공명 영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템.According to claim 1, wherein the gradient magnetic field model construction unit,
Each image is reconstructed with each k-space trajectory derived from the gradient magnetic field for each parameter,
and matching the k-space trajectory error of each reconstructed image to the parameters of the gradient magnetic field and each image and storing the error correction system in the learning database.
자기공명 영상장치로부터 샘플링된 데이터셋을 획득하고 경사자계로부터 도출된 k-space 궤적으로 샘플링된 데이터셋을 재구성하여 영상을 획득하는 데이터셋 획득모듈;
상기 재구성 영상 및 k-space 궤적에 대해 기계학습을 수행하여 k-space 궤적 오차를 학습 데이터로 출력하는 학습모듈; 및
상기 출력된 k-space 궤적 오차로부터 경사자계 오차를 추정하고 추정된 경사자계 오차를 보정하고 보정된 경사자계로부터 도출된 보정 k-space 궤적을 출력하는 보정 궤적 도출모듈을 포함하는 것을 특징으로 하느 자기공명 영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템.The method of claim 2, wherein the machine learning unit,
a data set acquisition module acquiring an image by acquiring a sampled dataset from a magnetic resonance imaging apparatus and reconstructing the sampled dataset with a k-space trajectory derived from a gradient magnetic field;
a learning module for performing machine learning on the reconstructed image and the k-space trajectory to output a k-space trajectory error as training data; and
and a correction trajectory derivation module for estimating a gradient magnetic field error from the output k-space trajectory error, correcting the estimated gradient magnetic field error, and outputting a corrected k-space trajectory derived from the corrected gradient magnetic field. A machine learning-based gradient magnetic field error correction system for resonance imaging devices.
상기 보정 k-space 궤적으로 자기공명 영상장치로부터 샘플링된 데이터셋을 재구성하여 k-space 공간 영역의 영상을 도출하도록 구비되는 것을 특징으로 하는 자기공명 영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템.The method of claim 3, wherein the image correction unit
and to derive an image of a k-space domain by reconstructing a dataset sampled from the magnetic resonance imaging apparatus with the corrected k-space trajectory.
자기공명 영상장치로부터 샘플링된 데이터셋을 획득하고 경사자계로부터 도출된 k-space 궤적으로 샘플링된 데이터셋을 재구성하여 영상을 획득하는 데이터셋 획득부;
상기 재구성 영상 및 k-space 궤적에 대해 기계학습을 수행하여 k-space 궤적 오차를 학습 데이터로 출력하는 학습부;
상기 추정된 k-space 궤적 오차를 보정하여 보정 k-space 궤적을 획득하는 보정 궤적 도출부; 및
상기 보정 k-space 궤적으로 상기 샘플링된 데이터셋을 k-space 영역으로 영상 재구성을 수행하는 영상 보정부를 포함하고,
상기 보정 궤적 도출부에서,
상기 k-space 궤적의 오차가 주파수 부호화 방향(kx)으로 발생하는 경우 왜곡 영상(
상기 k-space 궤적 오차가 위상 부호화 방향(ky)으로 발생하는 경우 왜곡 영상(
[식 1]
[식 2]
[식 3]
[식 4]
여기서,
a dataset acquiring unit acquiring an image by acquiring a sampled dataset from a magnetic resonance imaging apparatus and reconstructing the sampled dataset with a k-space trajectory derived from a gradient magnetic field;
a learning unit that performs machine learning on the reconstructed image and the k-space trajectory to output a k-space trajectory error as training data;
a correction trajectory deriving unit to obtain a corrected k-space trajectory by correcting the estimated k-space trajectory error; and
and an image correction unit configured to perform image reconstruction of the sampled data set in the k-space region with the correction k-space trajectory,
In the correction trajectory derivation unit,
When the error of the k-space trajectory occurs in the frequency encoding direction (k x ), the distorted image (
When the k-space trajectory error occurs in the phase encoding direction (k y ), the distorted image (
[Equation 1]
[Equation 2]
[Equation 3]
[Equation 4]
here,
자기공명 영상장치로부터 샘플링된 데이터셋을 획득하고 경사자계로부터 도출된 k-space 궤적으로 샘플링된 데이터셋을 재구성하여 영상을 획득하는 데이터셋 획득 단계;
상기 재구성 영상 및 k-space 궤적에 대해 기계학습을 수행하여 k-space 궤적 오차를 학습 데이터로 출력하는 학습단계;
상기 추정된 k-space 궤적 오차를 보정하여 보정 k-space 궤적을 획득하는 보정 궤적 도출단계; 및
상기 보정 k-space 궤적으로 상기 샘플링된 데이터셋 영역으로 영상 재구성을 수행하는 영상 보정 단계를 포함하되,
상기 보정 궤적 도출단계에서
상기 k-space 궤적의 오차가 주파수 부호화 방향(kx)으로 발생하는 경우 왜곡 영상(
상기 k-space 궤적 오차가 위상 부호화 방향(ky)으로 발생하는 경우 왜곡 영상(
[식 1]
[식 2]
[식 3]
[식 4]
여기서,
a gradient magnetic field model construction step of constructing a gradient magnetic field error model by storing a dataset sampled from a magnetic resonance imaging apparatus as a k-space trajectory derived from the gradient magnetic field and a k-space trajectory in a learning database;
A data set acquisition step of acquiring an image by acquiring a sampled dataset from a magnetic resonance imaging apparatus and reconstructing the sampled dataset with a k-space trajectory derived from a gradient magnetic field;
a learning step of performing machine learning on the reconstructed image and the k-space trajectory to output a k-space trajectory error as training data;
a correction trajectory deriving step of correcting the estimated k-space trajectory error to obtain a corrected k-space trajectory; and
Comprising an image correction step of performing image reconstruction to the sampled dataset region with the correction k-space trajectory,
In the step of deriving the correction trajectory
When the error of the k-space trajectory occurs in the frequency encoding direction (k x ), the distorted image (
When the k-space trajectory error occurs in the phase encoding direction (k y ), the distorted image (
[Equation 1]
[Equation 2]
[Equation 3]
[Equation 4]
here,
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180077091A KR102259846B1 (en) | 2018-07-03 | 2018-07-03 | Gradient field error correcting system using machine learning for magnetic resonance images and method thereof |
| PCT/KR2018/013435 WO2020009282A1 (en) | 2018-07-03 | 2018-11-07 | System and method for correcting gradient magnetic field error, by magnetic resonance imaging device on basis of machine learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180077091A KR102259846B1 (en) | 2018-07-03 | 2018-07-03 | Gradient field error correcting system using machine learning for magnetic resonance images and method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200004079A KR20200004079A (en) | 2020-01-13 |
| KR102259846B1 true KR102259846B1 (en) | 2021-06-03 |
Family
ID=69059751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180077091A KR102259846B1 (en) | 2018-07-03 | 2018-07-03 | Gradient field error correcting system using machine learning for magnetic resonance images and method thereof |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102259846B1 (en) |
| WO (1) | WO2020009282A1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11354833B2 (en) * | 2020-03-02 | 2022-06-07 | Siemens Healthcare Gmbh | K-space trajectory infidelity correction in magnetic resonance imaging |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007131177A2 (en) | 2006-05-04 | 2007-11-15 | The Brigham & Women's Hospital, Inc. | Method and apparatus for visualization of a flexible body |
| US20140364723A1 (en) | 2011-08-11 | 2014-12-11 | University Of Virginia | Image-based identification of muscle abnormalities |
| US20160069974A1 (en) | 2014-09-05 | 2016-03-10 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging apparatus and method of operating the same |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3643174B2 (en) * | 1996-05-09 | 2005-04-27 | ジーイー横河メディカルシステム株式会社 | MRI equipment |
| US7019524B2 (en) * | 2002-05-17 | 2006-03-28 | Ge Medical Systems Global Technology Company, Llc | Method, system and computer product for k-space correction of gradient non-linearities |
| US7888935B1 (en) * | 2007-02-23 | 2011-02-15 | University Of Virginia Patent Foundation | K-space trajectory estimation in spiral MRI system and related method thereof |
| JP6073627B2 (en) * | 2012-10-01 | 2017-02-01 | 東芝メディカルシステムズ株式会社 | Magnetic resonance imaging apparatus and image processing apparatus |
| US10048343B2 (en) * | 2013-05-17 | 2018-08-14 | Hitachi, Ltd. | Magnetic resonance imaging apparatus and magnetic resonance imaging method |
| US10408910B2 (en) * | 2015-10-01 | 2019-09-10 | The General Hospital Corporation | Systems and methods for joint trajectory and parallel magnetic resonance imaging optimization for auto-calibrated image reconstruction |
| KR101811720B1 (en) * | 2016-03-02 | 2017-12-22 | 삼성전자주식회사 | Magnetic resonance imaging apparatus and scanning method for magnetic resonance image thereof |
| KR102027773B1 (en) * | 2017-12-29 | 2019-10-02 | 한국과학기술원 | Method and apparatus for correction of a distortion in MR image |
-
2018
- 2018-07-03 KR KR1020180077091A patent/KR102259846B1/en active IP Right Grant
- 2018-11-07 WO PCT/KR2018/013435 patent/WO2020009282A1/en active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007131177A2 (en) | 2006-05-04 | 2007-11-15 | The Brigham & Women's Hospital, Inc. | Method and apparatus for visualization of a flexible body |
| US20140364723A1 (en) | 2011-08-11 | 2014-12-11 | University Of Virginia | Image-based identification of muscle abnormalities |
| US20160069974A1 (en) | 2014-09-05 | 2016-03-10 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging apparatus and method of operating the same |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020009282A1 (en) | 2020-01-09 |
| KR20200004079A (en) | 2020-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3134747B1 (en) | Integrated image reconstruction and gradient non-linearity correction for magnetic resonance imaging | |
| US10692250B2 (en) | Generalized multi-channel MRI reconstruction using deep neural networks | |
| JP3790804B2 (en) | Video encoder and decoder using motion based segmentation and merging | |
| WO2020114329A1 (en) | Fast magnetic resonance parametric imaging and device | |
| Ince et al. | Nonconvex compressed sensing with partially known signal support | |
| WO2020119581A1 (en) | Magnetic resonance parameter imaging method and apparatus, device and storage medium | |
| WO2020217098A3 (en) | Accelerated magnetic resonance thermometry | |
| Hager et al. | An alternating direction approximate Newton algorithm for ill-conditioned inverse problems with application to parallel MRI | |
| US10191134B2 (en) | Method and apparatus for dynamic distortion correction of magnetic resonance image recordings | |
| Latif et al. | Automating motion correction in multishot MRI using generative adversarial networks | |
| KR102259846B1 (en) | Gradient field error correcting system using machine learning for magnetic resonance images and method thereof | |
| Perepu et al. | Reconstruction of missing data using compressed sensing techniques with adaptive dictionary | |
| KR101575798B1 (en) | Apparatus and method for magnetic resonance image processing | |
| US10267886B2 (en) | Integrated image reconstruction and gradient non-linearity correction with spatial support constraints for magnetic resonance imaging | |
| US20140348406A1 (en) | Magnetic resonance method and tomography system for acquiring image data sets | |
| CN110673070A (en) | Training method of magnetic resonance signal correction network and magnetic resonance signal processing method | |
| Lobos et al. | Robust autocalibrated loraks for EPI ghost correction | |
| JP2020531140A5 (en) | ||
| CN110794352A (en) | Method for inhibiting magnetic resonance image artifact | |
| RU2020111530A (en) | DATA-CONTROLLED CORRECTION OF PHASE-DEPENDENT ARTIFACTS IN MAGNETIC RESONANCE TOMOGRAPHY | |
| Yilmaz et al. | Convex relaxations for robust identification of wiener systems and applications | |
| Hao et al. | A fast linearized alternating minimization algorithm for constrained high-order total variation regularized compressive sensing | |
| WO2021113242A1 (en) | Model-based nyquist ghost correction for reverse readout echo planar imaging | |
| Hawe et al. | Cartoon-like image reconstruction via constrained ℓ p-minimization | |
| Braun et al. | Optical flow for compressive sensing video reconstruction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |