KR20210046695A - 자기 공명 이미지들에서 아티팩트들을 억제하기 위한 딥 러닝 기술들 - Google Patents

자기 공명 이미지들에서 아티팩트들을 억제하기 위한 딥 러닝 기술들 Download PDF

Info

Publication number
KR20210046695A
KR20210046695A KR1020217007146A KR20217007146A KR20210046695A KR 20210046695 A KR20210046695 A KR 20210046695A KR 1020217007146 A KR1020217007146 A KR 1020217007146A KR 20217007146 A KR20217007146 A KR 20217007146A KR 20210046695 A KR20210046695 A KR 20210046695A
Authority
KR
South Korea
Prior art keywords
data
neural network
artifact
input
measurements
Prior art date
Application number
KR1020217007146A
Other languages
English (en)
Inventor
카롤 라자러스
프란틱 쿤두
순리 탕
살레히 세이드 사데흐 모셴
미첼 소프카
조 슐렘퍼
하드리엔 에이 다이보네
라파엘 오할로란
로라 사콜릭
마이클 스티븐 풀
조나단 엠 로스버그
Original Assignee
하이퍼파인 리서치, 인크.
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 하이퍼파인 리서치, 인크. filed Critical 하이퍼파인 리서치, 인크.
Publication of KR20210046695A publication Critical patent/KR20210046695A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—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
    • G06K9/40—
    • 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
    • G06K9/4628—
    • G06K9/6255—
    • G06K9/6256—
    • G06K9/6273—
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06T5/002—
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06T2207/20081—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

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

Abstract

자기 공명 데이터로부터 RF 간섭 및/또는 노이즈와 같은 아티팩트들을 제거하기 위한 기술들. 기술들은, 자기 공명 촬영(MRI) 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 입력 자기 공명(MR) 데이터를 획득하는 것; 및 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 입력 MR 데이터로부터 MR 이미지를 생성하는 것을 포함한다.

Description

자기 공명 이미지들에서 아티팩트들을 억제하기 위한 딥 러닝 기술들
본 출원은, 2018년 8월 15일에 출원되고 발명의 명칭이 "MAGNETIC RESONANCE IMAGE DENOISING USING K-SPACE DEEP LEARNING MODEL"이며 대리인 열람번호 O0354.70031US00호인 미국 가출원 일련번호 62/764,742호, 및 2019년 3월 18일에 출원되고 발명의 명칭이 "END-TO-END LEARNABLE MR IMAGE RECONSTRUCTION"이며 대리인 열람번호 "O0354.70039US00"호인 미국 가출원 일련번호 62/820,119호에 대해 35 U.S.C. § 119(e) 하의 우선권을 주장하며, 상기 출원들 각각은 그 전체가 참조로 통합된다.
자기 공명 촬영(MRI)은 다수의 애플리케이션들에 대한 중요한 촬영 양식을 제공하고, 인체 내부의 이미지들을 생성하기 위해 임상 및 연구 설정들에서 널리 활용된다. MRI는, 인가된 전자기장들로부터 얻어지는 상태 변화들에 응답하여 원자들에 의해 방출되는 전자기파들인 자기 공명(MR) 신호들을 검출하는 것에 기초한다. 예를 들어, 핵 자기 공명(nuclear magnetic resonance; NMR) 기술들은 촬영되고 있는 객체 내의 원자들(예를 들어, 인체의 조직 내의 원자들)의 핵 스핀의 재배열 또는 완화 시에 여기된 원자들의 핵들로부터 방출되는 MR 신호들을 검출하는 것을 수반한다. 검출된 MR 신호들은 이미지들을 생성하기 위해 프로세싱될 수 있고, 이는 의료 애플리케이션들의 상황에서, 진단, 치료 및/또는 연구 목적으로 신체 내의 내부 구조들 및/또는 생물학적 프로세스들의 검사를 허용한다.
MRI는 다른 양식들의 안전 문제들 없이(예를 들어, 대상을 X-선들과 같은 이온화 방사에 노출시키거나 신체에 방사성 재료를 도입할 필요 없이) 비교적 높은 분해능 및 콘트라스트를 갖는 비-침습적 이미지들을 생성하는 능력으로 인해 생물학적 촬영에 매력적인 촬영 양식을 제공한다. 또한, MRI는 특히 연조직 콘트라스트를 제공하는 데 매우 적합하며, 이는, 다른 촬영 양식들이 만족스럽게 촬영할 수 없는 대상을 촬영하기 위해 활용될 수 있다. 또한, MR 기술들은 다른 양식들이 취득할 수 없는 구조들 및/또는 생물학적 프로세스들에 대한 정보를 캡처할 수 있다. 그러나, 종래의 MRI 기술들에는 다수의 단점들이 있는데, 이는, 주어진 촬영 애플리케이션에 대해, 비교적 높은 장비 비용, 제한된 이용가능성(예를 들어, 임상 MRI 스캐너들에 대한 접근의 어려움 및 비용) 및 이미지 취득 프로세스의 길이를 포함할 수 있다.
촬영 품질을 증가시키기 위해, 임상 및 연구 MRI의 추세는 스캔 시간, 이미지 분해능 및 이미지 콘트라스트 중 하나 이상의 규격들을 개선하기 위해 MRI 스캐너들의 필드 강도를 증가시키는 것이었으며, 이는 결국 MRI 촬영의 비용을 증가시킨다. 설치된 MRI 스캐너들의 대부분은 적어도 1.5 또는 3 테슬라(T)를 사용하여 동작하며, 이는 스캐너의 메인 자기장 B0의 필드 강도를 나타낸다. 임상 MRI 스캐너의 대략적인 비용 추정치는 테슬라 당 백만 달러 정도이며, 이는 심지어, 이러한 MRI 스캐너들을 동작시키는데 수반되는 상당한 동작, 서비스 및 유지보수 비용을 고려하지 않은 것이다. 추가적으로, 종래의 고-필드 MRI 시스템들은 통상적으로, 대상(예를 들어, 환자)이 촬영되는 강력한 균일한 정적 자기장(B0)을 생성하기 위해 대형 초전도 자석들 및 연관된 전자 장치들을 요구한다. 초전도 자석들은 도체들을 초전도 상태로 유지하기 위해 극저온 장비를 추가로 요구한다. 이러한 시스템들의 크기는 자기 컴포넌트들, 전자 장치들, 열 관리 시스템, 및 MRI 시스템의 자기 컴포넌트들을 격리하기 위해 특별히 차폐된 공간을 포함하는 제어 콘솔 영역들을 위한 다수의 공간들을 포함하는 통상적인 MRI 설치에서 상당하다. MRI 시스템들의 크기와 비용은 일반적으로, 이들의 사용을, 이들을 구매하고 유지하기에 충분한 공간 및 자원들을 갖는 병원들 및 학술 연구 센터들과 같은 시설들로 제한하게 한다. 고-필드 MRI 시스템들의 높은 비용 및 상당한 공간 요건들은 MRI 스캐너들의 제한된 이용가능성을 초래한다. 이와 같이, MRI 스캔이 도움이 될 것이지만, 전술된 제한들로 인해 비실용적이거나 불가능한 임상 상황들이 자주 존재한다.
일부 실시예들은, 자기 공명 촬영(MRI) 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 입력 자기 공명(MR) 데이터를 획득하는 단계; 및 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 입력 MR 데이터로부터 MR 이미지를 생성하는 단계를 포함하는 방법에 관한 것이다.
일부 실시예들은, 적어도 하나의 컴퓨터 하드웨어 프로세서; 및 적어도 하나의 컴퓨터 하드웨어 프로세서에 의해 실행될 때, 적어도 하나의 컴퓨터 하드웨어 프로세서로 하여금, 자기 공명 촬영(MRI) 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 입력 자기 공명(MR) 데이터를 획득하는 것; 및 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 입력 MR 데이터로부터 MR 이미지를 생성하는 것을 수행하게 하는 프로세서 실행가능 명령어들을 저장하는 적어도 하나의 컴퓨터 판독가능 비일시적 저장 매체를 포함하는 시스템에 관한 것이다.
일부 실시예들은, 적어도 하나의 컴퓨터 하드웨어 프로세서에 의해 실행될 때, 적어도 하나의 컴퓨터 하드웨어 프로세서로 하여금, 자기 공명 촬영(MRI) 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 입력 자기 공명(MR)을 획득하는 것; 및 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 입력 MR 데이터로부터 MR 이미지를 생성하는 것을 수행하게 하는 프로세서 실행가능 명령어들을 저장하는 적어도 하나의 컴퓨터 판독가능 비일시적 저장 매체에 관한 것이다.
일부 실시예들은, 마그네틱스 시스템; 및 제어기를 포함하고, 마그네틱스 시스템은, MRI 시스템에 대한 B0 필드를 제공하도록 구성된 B0 자석; MRI 시스템에 대한 경사 필드들을 제공하도록 구성된 경사 코일들; 및 자기 공명(MR) 신호들을 검출하도록 구성된 적어도 하나의 RF 코일을 포함하고, 제어기는, 적어도 하나의 RF 코일을 사용하여 입력 MR을 취득하도록 마그네틱스 시스템을 제어하고; 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 입력 MR 데이터로부터 MR 이미지를 생성하도록 구성되는 자기 공명 촬영(MRI) 시스템에 관한 것이다.
전술한 것은 첨부된 청구항들에 의해 정의되는 본 발명의 비제한적 요약이다.
개시된 기술의 다양한 양상들 및 실시예들은 하기 도면들을 참조하여 설명될 것이다. 도면들은 반드시 축척대로 도시되지는 않음을 이해해야 한다.
도 1a는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 입력 MR 데이터 내의 하나 이상의 아티팩트들을 억제하기 위해 신경 네트워크 모델을 사용하여 입력 MR로부터 MR 이미지들을 생성하기 위한 예시적인 프로세싱 파이프라인을 예시한다.
도 1b는 본 명세서에 설명된 기술의 일부 실시예들에 따라, "U" 구조 및 평균 풀링(pooling) 계층을 갖는 예시적인 콘벌루셔널(convolutional) 신경 네트워크 블록의 아키텍처를 예시하고, 이 블록은 입력 MR 데이터 내의 아티팩트들을 억제하기 위한 신경 네트워크 모델의 일부일 수 있다.
도 1c는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 도 1b에 도시된 예시적인 콘벌루셔널 신경 네트워크 블록의 아키텍처의 특정 예를 예시한다.
도 1d는 본 명세서에 설명된 기술의 일부 실시예들에 따라, "U" 구조 및 스펙트럼 언풀링(unpooling) 계층을 갖는 예시적인 콘벌루셔널 신경 네트워크 블록의 아키텍처를 예시하고, 이 블록은 입력 MR 데이터 내의 아티팩트들을 억제하기 위한 신경 네트워크 모델의 일부일 수 있다.
도 1e는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 예시적인 스펙트럼 언풀링 계층의 아키텍처를 예시한다.
도 2a는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 입력 MR 데이터 내의 RF 간섭을 억제하기 위해, 스펙트럼 언풀링 계층을 갖는 예시적인 신경 네트워크의 아키텍처를 예시한다.
도 2b는 본 명세서에 설명된 기술의 일부 실시예들에 따라, MR 데이터 내의 RF 간섭을 억제하는 것에 대해 도 2a에 도시된 예시적인 신경 네트워크의 애플리케이션을 예시한다.
도 3은 본 명세서에 설명된 기술의 일부 실시예들에 따라, 신경 네트워크 모델을 사용하여 MR 데이터 내의 하나 이상의 아티팩트들을 억제하기 위한 예시적인 프로세스(300)의 흐름도이다.
도 4a는 본 명세서에 설명된 기술의 일부 실시예들에 따라, MR 데이터 내의 하나 이상의 아티팩트들을 억제하기 위해 신경 네트워크 모델을 트레이닝하기 위한 트레이닝 데이터를 생성하기 위한 기술들을 예시한다.
도 4b는 본 명세서에 설명된 기술의 일부 실시예들에 따라, MR 데이터 내의 하나 이상의 아티팩트들을 억제하기 위해 신경 네트워크 모델을 트레이닝하기 위한 트레이닝 데이터를 생성하기 위한 예시적인 예를 도시한다.
도 5는 본 명세서에 설명된 기술의 일부 실시예들에 따른 저-필드 MRI 시스템의 개략도이다.
도 6 및 도 7은 본 명세서에 설명된 기술의 일부 실시예들에 따라, B0 자석에 대한 이중 평면 영구 자석 구성들을 예시한다.
도 8a 및 도 8b는 본 명세서에 설명된 기술의 일부 실시예들에 따른 휴대용 MRI 시스템의 도면들을 예시한다.
도 9a는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 머리의 스캔을 수행하는 휴대용 MRI 시스템을 예시한다.
도 9b는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 무릎의 스캔을 수행하는 휴대용 MRI 시스템을 예시한다.
도 10은 본 명세서에 설명된 실시예들이 구현될 수 있는 예시적인 컴퓨터 시스템의 도면이다.
앞서 설명된 바와 같이, 종래의 임상 MRI 시스템들은 이들의 정확한 동작을 허용하기 위해 특수하게 차폐된 공간들에 위치되도록 요구되며, 이는, 비용, 이용가능성의 부족 및 현재 이용가능한 임상 MRI 시스템들의 비-휴대성에 기여하는 (많은) 원인들 중 하나이다. MRI 시스템에 의해 생성된 자기장들로부터 사람들 및 장비를 보호하는 것에 추가로, 차폐 공간들은 다양한 외부 전자 디바이스들(예를 들어, 다른 의료 디바이스들)에 의해 생성된 RF 간섭이 MRI 시스템의 동작 및 결과적 이미지들의 품질에 영향을 미치는 것을 방지한다. 본 발명자들은, 특수하게 차폐된 공간의 외부에서 동작하기 위해, 그리고 더 상세하게는 일반적으로 휴대용, 카트로 이동가능한, 또는 달리 운송가능한 MRI를 허용하기 위해, MRI 시스템들은 비교적 제어되지 않은 전자기 환경들에서(예를 들어, 차폐되지 않거나 부분적으로 차폐된 공간들에서) 동작이 가능해야 하고, 간섭, 노이즈 및/또는 이러한 환경들에 종종 존재하는 다른 아티팩트들의 존재를 해결 및/또는 보상할 수 있어야 함을 인식하였다.
본 발명자들은 MRI 시스템들의 동작 및 이들이 생성하는 이미지들의 품질에 대한 RF 간섭 및 노이즈와 같은 환경적 아티팩트들의 영향을 감소 또는 제거하기 위한 딥 러닝 기술들을 개발하였다. 본 발명자들에 의해 개발된 딥 러닝 기술들은 특수하게 차폐된 공간들 외부에서 MRI 시스템들의 동작을 허용하여, 특수하게 차폐된 공간들을 요구하지 않는 고정식 MRI 설치들 뿐만 아니라 휴대용/운송가능한 MRI 둘 모두를 용이하게 한다. 또한, 본 발명자들에 의해 개발되고 본 명세서에 설명된 기술들은 특수하게 차폐된 공간들 외부에서 MRI 시스템들의 동작을 허용하는 한편, 이 기술들은 또한 차폐된 환경들, 예를 들어, 덜 비싸고, 완화된 또는 애드-혹(ad-hoc) 차폐 환경들에서 MRI 시스템의 동작에 대한 간섭, 노이즈 및/또는 다른 아티팩트들의 영향을 완화하기 위해 사용될 수 있고, 따라서, 본 명세서에 설명된 기술이 이러한 양상으로 제한되지 않기 때문에 제한된 차폐가 구비된 영역과 함께 사용될 수 있다.
예를 들어, 본 발명자들에 의해 개발되고 본 명세서에 설명된 딥 러닝 기술들은 응급실, 수술실, 중환자 실, 진료실 및/또는 치료소와 같은 다양한 설정들에서 MRI 시스템들(예를 들어, 일반적으로 이동식이거나, 운송가능하거나 카트로 이동가능한 시스템들)의 배치를 용이하게 하기 위해 사용될 수 있다. 이러한 설정들은 RF 간섭 및 노이즈와 같은 아티팩트들의 존재에 특히 취약하며, 많은 종래의 MRI 시스템들은 대체로 광범위한 차폐 기능을 갖는 특수화된 공간들에 설치되어 있기 때문에 이에 내성을 갖는다. 그러나, 비용, 휴대성 부족, 크기 및 차폐 요건들로 인해, 종래의 MRI 시스템들은 MR 촬영에 대한 명확한 필요성에도 불구하고 이러한 설정들에서 간단히 이용가능하지 않다. 본 발명자들에 의해 개발된 기술들은 이러한 설정들에서 MRI 시스템들의 배치를 용이하게 하는데 특히 유용하다.
본 발명자들에 의해 개발된 딥 러닝 기술들은 임의의 적합한 유형의 MR 스캐너에 의해 획득된 MR 데이터로부터 아티팩트들을 억제(예를 들어, 감소 및/또는 제거)하기 위해 사용될 수 있다. 예를 들어, 본 발명자들에 의해 개발된 기술들은, 특히 의료 또는 임상 MRI 애플리케이션들에 대해 MRI 시스템 시장을 지배하는 "고-필드" MRI 시스템들보다 낮은 필드 강도에서 동작하는 "저-필드" MR 시스템들에 의해 수집된 MR 데이터로부터의 아티팩트들을 감소 및/또는 제거하기 위해 사용될 수 있다. 저-필드 MRI 시스템들의 더 낮은 자기장 강도는 이들을 특히 RF 간섭, 노이즈 및/또는 다른 아티팩트들에 취약하게 하며, 이는 이러한 시스템들의 성능에 악영향을 미칠 수 있다. 예를 들어, 본 발명자들에 의해 개발된 딥 러닝 기술들은, 본 명세서 및/또는 발명의 명칭이 "Portable Magnetic Resonance Imaging Methods and Apparatus"인 미국 특허 제"10,222,434"호에 설명된 임의의 적합한 유형의 MR 스캐너에 의해 획득된 MR 데이터로부터 아티팩트들을 감소 및/또는 제거하기 위해 사용될 수 있고, 상기 출원은 그 전체가 본 명세서에 참조로 통합되었고, 2018년 1월 24일에 출원된 미국 특허 출원 일련번호 15/879,254호로부터 성숙되었다. 본 명세서에 설명된 기술들은 저-필드 MRI 시스템들 또는 임의의 특정 유형의 MRI 시스템들과 함께 사용되는 것으로 제한되지 않으며 고-필드 및/또는 임의의 다른 적합한 유형의 MRI 시스템들과 함께 사용될 수 있음을 인식해야 한다. 일부 실시예들에서, 딥 러닝 기술들 외에 다른 머신 러닝 기술들이 이용될 수 있다는 것을 인식해야 하며, 이는 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다.
본 명세서에 설명된 MRI 시스템들 중 일부를 포함하는 많은 MRI 시스템들은 MRI 시스템의 동작 및 결과적 이미지들의 품질에 대한 아티팩트들의 영향을 감소시키기 위해 전자기 차폐를 사용한다. 이러한 전자기 차폐는 설치 및 유지에 많은 비용이 들 수 있으며, 전자기 차폐의 임의의 실수들 또는 결함들은 MRI 시스템에서 생성되는 MR 이미지들의 품질을 감소시킬 수 있다. 본 발명자들에 의해 개발되고 본 명세서에 설명된 기술들은 MRI 시스템에 요구되는 전자기 차폐의 양을 감소시킬 수 있고, 그에 따라 그 비용을 감소시킬 수 있으며, 전자기 차폐 및/또는 그 설치의 임의의 실수들 또는 결함들을 보상할 수 있다.
본 명세서에서 사용되는 바와 같이, "고-필드"는 일반적으로 임상 설정에서 현재 사용중인 MRI 시스템들을 지칭하며, 특히 1.5T 이상의 메인 자기장(즉, B0 필드)으로 동작하는 MRI 시스템들을 지칭하지만, .5T 내지 1.5T에서 동작하는 임상 시스템들이 또한 종종 "고-필드"로 특성화된다. 대략 .2T 내지 .5T의 필드 강도들은 "중간-필드"로 특성화되었으며, 고-필드 영역에서 필드 강도들이 계속 증가함에 따라, .5T 내지 1T의 필드 강도들이 또한 중간-필드로 특성화되었다. 대조적으로, "저-필드"는 일반적으로 대략 0.2T 이하의 B0 필드로 동작하는 MRI 시스템들을 지칭하지만, .2T 내지 대략 .3T의 B0 필드를 갖는 시스템들은 때때로 고-필드 영역의 하이 엔드(high end)에서 증가된 필드 강도들의 결과로서 저-필드로서 특성화되었다. 저-필드 영역 내에서, .1T 미만의 B0 필드로 동작하는 저-필드 MRI 시스템들은 본 명세서에서 "매우 저-필드"로 지칭되고, 10mT 미만의 B0 필드로 동작하는 저-필드 MRI 시스템들은 본 명세서에서 "울트라-저 필드"로 지칭된다.
일부 실시예들에서, 본 발명자들에 의해 개발된 딥 러닝 기술들은 입력 MR 데이터 내의 하나 이상의 아티팩트들을 억제(예를 들어, 존재 및/또는 영향을 감소 또는 제거)하기 위해 신경 네트워크 모델을 사용하여 입력 MR 공간 주파수 데이터를 프로세싱하는 것을 수반한다.
일부 실시예들에서, 입력 MR 데이터는 다수의 스테이지들에서 프로세싱될 수 있으며, 그 중 하나 이상은 입력 MR 데이터 내의 아티팩트들을 억제하는 것을 수반할 수 있다. 예를 들어, 일부 실시예들에서, 상이한 유형들의 아티팩트들을 억제하기 위해 상이한 프로세싱 스테이지들이 사용될 수 있다(예를 들어, MRI 시스템 외부의 하나 이상의 디바이스들로부터의 RF 간섭이 하나의 스테이지에서 억제될 수 있고 MR 수신기 체인에 의해 생성된 노이즈가 다른 스테이지에서 억제될 수 있다). 다른 예로서, 일부 실시예들에서, 동일한 유형의 아티팩트를 억제하기 위해 다수의 프로세싱 스테이지들이 사용될 수 있다(예를 들어, MRI 시스템 외부의 하나 이상의 디바이스들에 의해 생성된 RF 간섭을 억제하기 위해 다수의 스테이지들이 사용될 수 있다).
적어도 하나의 RF 코일에 의해 기록된 신호들의 프로세싱에 수반된 회로는 "MR 수신기 체인"으로 지칭될 수 있다. MR 수신기 체인은 아날로그 회로(예를 들어, 하나 이상의 증폭기들, 디커플링 회로, RF 송신/수신 스위치 회로 등), 디지털 회로(예를 들어, 프로세서) 및/또는 이들의 임의의 적합한 조합과 같은 다양한 유형들의 회로를 포함할 수 있다. MR 수신기 체인 회로의 일부 예들은, 2019년 5월 21일에 출원되고 발명의 명칭이 "Radio-Frequency Coil Signal Chain For a Low-Field MRI System"인 미국 특허 출원 일련번호 16/418,414호에 설명되고, 상기 출원은 그 전체가 본 명세서에 참조로 통합된다.
일부 실시예들에서, 입력 MR 데이터 내의 하나 이상의 아티팩트를 억제하기 위해 사용되는 신경 네트워크 모델은 다수의 부분들을 포함할 수 있고, 이들 부분 각각은 대응하는 프로세싱 스테이지 동안 적용될 수 있다. 예를 들어, 일부 실시예들에서, 신경 네트워크 모델은 2개의 부분들, 즉, MRI 시스템 외부의 디바이스에 의해 생성된 RF 간섭(또한 본 명세서에서 "외부 RF 간섭"으로 지칭됨) 및/또는 그 외부 촬영 영역 외부에 위치된 MRI 시스템의 하나 이상의 컴포넌트들에 의해 생성된 RF 간섭(또한 본 명세서에서 "내부 RF 간섭"으로 지칭됨)을 억제하도록 구성된 제1 부분, 및 MR 수신기 내의 회로에 의해 생성된 노이즈 및/또는 촬영되고 있는 대상(또는 객체)에 의해 생성된 노이즈를 억제하도록 구성된 제2 부분을 포함할 수 있다. 이러한 예에서, 입력 MR 데이터는 다수의 스테이지들에서 프로세싱될 수 있으며, 그 중 하나는 (외부 및/또는 내부) RF 간섭을 억제하기 위해 신경 네트워크의 제1 부분을 적용하는 것을 수반하고, 다른 하나는 촬영되고 있는 대상/객체에 의해 생성된 노이즈를 억제하기 위해 신경 네트워크의 제2 부분을 적용하는 것을 수반한다. 다른 예는, 3개의 프로세싱 스테이지들의 (비연속적인) 시퀀스에 걸쳐 적용되는 3개의 부분들을 갖는 신경 네트워크를 포함하는 도 1a에 도시된 프로세싱 파이프라인을 참조하여 아래에서 설명된다.
입력 MR 데이터가 다수의 스테이지들에서 프로세싱될 수 있지만, 아티팩트 억제 이외의 기능들을 수행하기 위해 하나 이상의 프로세싱 스테이지들이 사용될 수 있기 때문에 이러한 스테이지들의 모든 스테이지들이 아티팩트 억제 프로세싱을 수반하는 것은 아님을 인식해야 한다. 예를 들어, 스테이지들 중 하나(예를 들어,도 1a에 도시된 스테이지(108))는 임의의 적합한 재구성 기술을 사용하여 입력 MR 데이터로부터 이미지를 생성함으로써 재구성 단계를 수행하는 것을 수반할 수 있다.
일부 실시예들에서, 입력 MR 데이터는 이미지 도메인에 없는 하나 이상의 스테이지들(예를 들어, 이미지 재구성 이전)을 사용하고 이미지 도메인에서 하나 이상의 스테이지들(예를 들어, 이미지 재구성 이후)을 사용하여 프로세싱될 수 있다. 예를 들어, 일부 실시예들에서, 신경 네트워크 모델의 일부분은 (예를 들어, 도 1a에 도시된 스테이지(106) 동안) RF 간섭을 억제하기 위해 센서 도메인 또는 공간 주파수 도메인에서 적용될 수 있고, 신경 네트워크 모델의 상이한 부분은 RF 간섭 및/또는 (예를 들어, 도 1a에 도시된 스테이지(112) 동안) 촬영되고 있는 MR 수신기 체인 또는 대상(또는 객체)에 의해 생성되는 노이즈를 억제하기 위해 이미지 도메인에서 적용될 수 있다. 그러나, 아티팩트 억제 프로세싱이 (예를 들어, 센서 또는 공간 주파수 도메인에서 및 이미지 도메인에서) 이미지 재구성 이전 및 이후 둘 모두에 적용되는 것은 요건이 아니다. 예를 들어, 일부 실시예들에서, 아티팩트 억제는 오직 이미지 재구성 이전에만 또는 이미지 도메인에서만 수행될 수 있다.
또한, 일부 실시예들에서, 아티팩트 억제는 센서, 공간 주파수 및 이미지 도메인들 이외의 하나 이상의 도메인들에서 수행될 수 있다. 이러한 실시예들에서, 데이터는 적합한 가역 변환(예를 들어, 1D 또는 2D 또는 3D 웨이블릿 변환, 1D 또는 2D 또는 3D 푸리에 변환, 1D 또는 2D 또는 3D 숏 타임 푸리에 변환 및/또는 임의의 다른 적합한 시간-주파수 및/또는 시간 스케일 변환)을 통해 다른 도메인으로 변환될 수 있고, 여기서 아티팩트 억제 프로세싱은 적합한 역변환이 후처리 데이터에 적용되기 전에 수행될 수 있다.
"센서 도메인" 내의 데이터는 MRI 시스템에 의해 획득된 원시 센서 측정들을 포함할 수 있다. 센서 도메인 데이터에는 샘플링 패턴에 의해 특정된 좌표 세트에 대해 라인별로 취득된 측정들을 포함할 수 있다. 측정들의 라인은 "판독" 라인으로 지칭될 수 있다. 각각의 측정은 공간 주파수일 수 있다. 이와 같이, 센서 도메인 데이터는 다수의 판독 라인들을 포함할 수 있다. 예를 들어, p개의 판독 라인들이 측정되었고 각각의 판독 라인이 m개의 샘플들을 포함했다면, 센서 도메인 데이터는 m x p 매트릭스로 조직화될 수 있다. m x p 샘플들 각각과 연관된 k-공간 좌표를 알면, 센서 도메인 데이터는 대응하는 k-공간 데이터로 재-조직화될 수 있고, 이어서 공간 주파수 도메인 데이터로 고려될 수 있다. 이미지-도메인 데이터는 k-공간 데이터에 푸리에 역변환(예를 들어, 샘플들이 그리드에 속하는 경우 고속 푸리에 역변환)을 적용함으로써 획득될 수 있다.
따라서, 일부 실시예들은, (1) MRI 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 획득된 MR 데이터에 액세스하는 단계; 및 (2) 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델(예를 들어, 하나 이상의 콘벌루셔널 층들을 포함하는 모델)을 사용함으로써 입력 MR 데이터로부터 MR 이미지를 생성하는 단계를 수반하는 딥 러닝 아티팩트 억제 기술을 제공한다. 일부 실시예들에서, 딥 러닝 아티팩트 억제 기술의 제1 동작은 (적어도 하나의 RF 코일을 사용하여 이전에 획득된 데이터에 단지 액세스하기 보다는) 적어도 하나의 RF 코일을 사용하여 입력 MR 데이터를 획득하는 것을 수반할 수 있다.
일부 실시예들에서, 적어도 하나의 아티팩트는 RF 간섭을 포함하고, MR 이미지를 생성하는 것은 RF 간섭을 억제하기 위해 신경 네트워크 모델을 사용하는 것을 포함한다. 일부 실시예들에서, RF 간섭은 MRI 시스템 외부의 디바이스에 의해 생성된 외부 RF 간섭을 포함할 수 있다. 디바이스는 MRI 시스템과 동일한 공간에 및/또는 MRI 시스템에 충분히 가깝게(예를 들어, 임계 거리 내에) 위치될 수 있어서, 디바이스에 의해 생성된 전자기파들은 MRI 시스템에 의해 검출될 수 있다. 디바이스는, 동일한 공간 내의 및/또는 MRI 시스템에 충분히 가까운 의료 디바이스, 예를 들어, 심장 모니터, 맥박 산소 측정기, 주입 펌프, 또는 다른 전기 장비(예를 들어, 변압기, 모터)일 수 있다.
일부 실시예들에서, RF 간섭은 MRI 시스템의 촬영 영역 외부에 위치된 MRI 시스템의 하나 이상의 컴포넌트들에 의해 생성된 내부 RF 간섭을 포함할 수 있다. 예를 들어, 내부 RF 간섭은 MRI 시스템의 하나 이상의 자기 컴포넌트들(예를 들어, 경사 코일, 자석들 등) 및/또는 하나 이상의 전력 컴포넌트들(예를 들어, 하나 이상의 경사 전력 증폭기들, 하나 이상의 전력 분배 유닛들, 하나 이상의 전원들, 하나 이상의 스위치들, 하나 이상의 열 관리 컴포넌트들 등)에 의해 생성될 수 있다. 내부 RF 간섭은, 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문에, 상기 나열된 컴포넌트들 이외에, 그 촬영 영역 외부의 MRI 시스템의 임의의 다른 컴포넌트에 의해 생성될 수 있음을 인식해야 한다.
일부 실시예들에서, 적어도 하나의 아티팩트는 MR 수신기 체인에 의해 생성된 노이즈 및/또는 촬영되고 있는 대상 또는 객체에 의해 생성된 노이즈를 포함할 수 있다. 일부 실시예들에서, MRI 시스템은 MRI 시스템의 촬영 영역 내의 MR 신호들을 검출하도록 구성된 적어도 하나의 RF 코일을 포함할 수 있다.
본 발명자들은, 이미지 도메인 이외의 도메인, 예를 들어 센서 도메인 또는 공간 주파수 도메인(때때로 "k-공간"으로 지칭됨)에서 특정 유형들의 아티팩트들이 더 효과적으로 억제될 수 있음을 인식하였다. 특히, 본 발명자들은, 외부 RF 간섭이 센서 도메인 또는 공간 주파수 도메인에서 효과적으로 억제될 수 있음을 인식했는데, 그 이유는, 이러한 도메인들에서, 외부 RF 간섭이 때때로 검출된 MR 신호 상에 중첩된 복합 지수 성분들의 세트로서 나타나기 때문이다. 본 발명자들은 이러한 유형들의 외부 RF 간섭을 억제하는 것이 이미지 도메인에서보다 센서 또는 공간 주파수 도메인에서 더 효과적으로 수행될 수 있음을 인식하였다.
따라서, 일부 실시예들에서, 아티팩트 억제를 위해 사용되는 신경 네트워크 모델은 센서 또는 공간 주파수 도메인에서 데이터를 프로세싱하도록 구성된 제1 신경 네트워크 부분을 포함하고, 여기서 입력 MR 공간 주파수 도메인 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 신경 네트워크 모델을 사용하는 것은, 입력 MR 데이터로부터 획득된 센서 또는 공간 주파수 도메인 데이터를, 제1 신경 네트워크 부분을 사용하여 프로세싱하는 것을 포함한다. 제1 신경 네트워크 부분의 예는 신경 네트워크 부분(150)으로서 도 1d에 도시되고, 이는 본 명세서에서 더 상세히 설명된다.
일부 실시예들에서, 제1 신경 네트워크 부분은, 콘벌루셔널 계층들이 "다운-샘플링 경로"를 따라 연속적으로 더 낮은 분해능 버전들의 데이터에, 그리고 이어서 "업-샘플링 경로"를 따라 연속적으로 더 높은 분해능 버전들의 데이터에 적용되는 "U" 구조를 포함한다. 일부 실시예들에서, 데이터의 분해능은 하나 이상의 풀링 계층들을 사용하여 (예를 들어, 다운-샘플링 경로를 따라) 감소될 수 있고, 하나 이상의 대응하는 언풀링 계층들을 사용하여 (예를 들어, 업-샘플링 경로를 따라) 증가될 수 있다.
앞서 설명된 바와 같이, 제1 신경 네트워크 부분은 센서 또는 공간 주파수 도메인에서 데이터를 프로세싱하도록 구성될 수 있다. 일부 실시예들에서, 제1 신경 네트워크 부분은 본 발명자들에 의해 개발된 스펙트럼 언풀링 계층을 사용하여 센서 또는 공간 주파수 도메인 내의 데이터를 포함하고 이를 프로세싱하도록 구성될 수 있다. 일부 실시예들에서, 스펙트럼 언풀링 계층을 적용하는 것은, 스킵 연결부를 통해 제공된 제1 분해능을 갖는 제1 특징부들을 제2 분해능보다 낮은 제2 분해능을 갖는 제2 특징부들과 결합하기 위해 포인트별 곱셈 계층을 적용하는 것을 포함한다. 일부 실시예들에서, 스펙트럼 언풀링 계층을 적용하는 것은 포인트별 곱셈 계층을 사용하여 제1 특징부들을 제2 특징부들과 결합하기 전에 제2 특징부들을 제로 패딩하는 것을 포함한다. 스펙트럼 풀링 계층의 예시적인 예는 도 1e에 예시되어 있다. 일부 실시예들에서, 제1 신경 네트워크 부분이 스펙트럼 언풀링 계층을 포함할 때, 이는 또한 상응하는 스펙트럼 풀링 계층을 포함한다. 또한, 제1 신경 네트워크 부분은 복수의 콘벌루셔널 계층들 및 적어도 하나의 스킵 연결부를 포함할 수 있다.
앞서 설명된 바와 같이, 신경 네트워크 모델은 MR 데이터를 프로세싱하는 상이한 스테이지들에서 아티팩트 억제를 위해 사용하는 다수의 부분들을 포함할 수 있다. 일부 실시예들에서, 신경 네트워크 모델은, (1) RF 간섭(예를 들어, 외부 및/또는 내부 RF 간섭)을 억제하도록 구성된 제1 신경 네트워크 부분; 및 (2) 노이즈(예를 들어, MR 수신기 체인 및/또는 촬영되고 있는 대상(또는 객체)에 의해 생성된 노이즈)을 억제하도록 구성된 제2 신경 네트워크 부분을 포함한다. 이들 부분 각각은 하나 이상의 콘벌루셔널 계층들, 하나 이상의 풀링 계층들, 및/또는 하나 이상의 스킵 연결부들을 포함할 수 있는데, 이는 본 명세서에 설명된 기술이 이러한 양상으로 제한되지 않기 때문이다. 예를 들어, 일부 실시예들에서, 신경 네트워크는 도 1a의 예시적인 예에 도시된 프로세싱 파이프라인(100)의 스테이지(106)의 일부로서 RF 간섭을 억제하도록 구성된 제1 부분 및 동일한 프로세싱 파이프라인의 스테이지(108) 또는 스테이지(112)의 일부로서 RF 간섭을 억제하도록 구성된 제2 부분을 포함할 수 있다.
일부 실시예들에서, 신경 네트워크 모델은 입력 MR 공간 주파수 데이터를 사용하여 획득된 이미지-도메인 데이터로부터의 노이즈를 억제하도록 구성된 제3 신경 네트워크 부분을 더 포함한다. 예를 들어, 신경 네트워크는 도 1a의 예시적인 예에 도시된 프로세싱 파이프라인(100)의 스테이지(112)의 일부로서 제3 부분을 포함할 수 있다.
본 발명자들은 또한 MR 데이터 내의 아티팩트 억제를 위해 신경 네트워크 모델을 트레이닝하기 위한 기술들을 개발하였다. 이 기술들은 (1) RF 아티팩트 측정들을 합성 및/또는 측정하는 것; (2) MR 측정들을 합성 및/또는 측정하는 것; 및 (3) 아티팩트-손상된 MR 데이터를 획득하기 위해 획득된 RF 아티팩트 및 MR 측정들을 결합하는 것에 의해 트레이닝 데이터를 생성하는 것을 포함한다. 차례로, 아티팩트-손상된 MR 데이터(및 대응하는 별개의 아티팩트 및 MR 데이터 컴포넌트들)는 MR 데이터 내의 아티팩트들을 억제하기 위한 하나 이상의 신경 네트워크 모델들을 트레이닝하기 위해 사용될 수 있다.
따라서, 일부 실시예들에서, MR 데이터 내의 아티팩트들을 억제하기 위한 신경 네트워크들을 트레이닝하기 위한 기술들은, 제1 기간 동안, (예를 들어, MRI 시스템의 촬영 영역에 MR 신호가 없는 경우) MRI 시스템의 적어도 하나의 RF 코일을 사용하여 RF 아티팩트 측정들을 획득하는 것 - RF 아티팩트 측정들은 RF 간섭 및/또는 노이즈의 측정들을 포함함 -; 제1 기간과는 상이한 제2 기간 동안, MRI 시스템의 촬영 영역 내의 대상의 MR 측정들을 획득하는 것; RF 아티팩트 측정들을 대상의 MR 측정들과 결합함으로써 아티팩트-손상된 MR 데이터를 생성하는 것; 및 아티팩트-손상된 MR 데이터를 사용하여 신경 네트워크 모델을 트레이닝하는 것을 포함한다.
일부 실시예들에서, MR 데이터 내의 아티팩트들을 억제하기 위한 신경 네트워크들을 트레이닝하기 위한 기술들은, RF 아티팩트 측정들을 합성하는 것 - RF 아티팩트 측정들은 RF 간섭 및/또는 노이즈의 합성된 측정들을 포함함 -; MRI 시스템의 촬영 영역 내의 대상의 MR 측정들을 획득하는 것;
합성된 RF 아티팩트 측정들을 대상의 MR 측정들과 결합함으로써 아티팩트-손상된 MR 데이터를 생성하는 것; 및 아티팩트-손상된 MR 데이터를 사용하여 신경 네트워크 모델을 트레이닝하는 것을 포함한다.
일부 실시예들에서, MR 데이터 내의 아티팩트들을 억제하기 위한 신경 네트워크들을 트레이닝하기 위한 기술들은, (예를 들어, MRI 시스템의 촬영 영역에 MR 신호가 없는 경우) MRI 시스템의 적어도 하나의 RF 코일을 사용하여 RF 아티팩트 측정들을 획득하는 것 - RF 아티팩트 측정들은 RF 간섭 및/또는 노이즈의 측정들을 포함함 -; 대상 MRI 시스템의 MR 측정들을 합성하는 것; 상기 획득된 RF 아티팩트 측정들을 상기 대상의 상기 합성된 MR 측정들과 결합함으로써 아티팩트-손상된 MR 데이터를 생성하는 것; 및 상기 아티팩트-손상된 MR 데이터를 사용하여 상기 신경 네트워크 모델을 트레이닝하는 것을 포함한다.
일부 실시예들에서, 측정된 RF 아티팩트 측정들 및/또는 측정된 MR 측정들은 동일한 MRI 시스템에 의해 후속적으로 획득된 MR 데이터 내의 아티팩트들을 억제하기 위해 신경 네트워크를 트레이닝하는데 MRI 시스템을 사용하여 측정될 수 있다. 또한, RF 아티팩트 측정들 및/또는 MR 측정들은, MRI 시스템이 후속적으로 촬영을 위해 사용될 환경에 배치될 때, MRI 시스템을 사용하여 획득될 수 있다. 이러한 방식으로, 트레이닝 데이터는 MRI 시스템의 후속 동작 동안 존재할 가능성이 있는 간섭 유형을 정확하게 반영할 것이다.
예를 들어, 일부 실시예들에서, MRI 시스템은, (1) 촬영을 위해 MRI 시스템이 사용될 환경(예를 들어, 응급실, 진료실, 수술실, 환자실, 중환자 실 등) 내에 MRI 시스템을 배치하는 것; (2) 이러한 환경에서 RF 아티팩트들(예를 들어, MRI 시스템이 배치된 의료 시설에서 의료 디바이스들에 의해 생성된 외부 RF 간섭의 측정들) 및/또는 MR 데이터의 하나 이상의 측정들을 획득하는 것; (3) 아티팩트 억제를 위해 신경 네트워크를 트레이닝하기 위한 트레이닝 데이터를 생성하기 위해 이러한 측정들을 사용하는 것; (4) (예를 들어, 환경에서 획득된 트레이닝 데이터만을 사용하여 스크래치(scratch)로부터 신경 네트워크의 적어도 일부 파라미터들을 학습함으로써 또는 환경에서 획득된 트레이닝 데이터에 신경 네트워크 파라미터들을 업데이트/적응시킴으로써) 이러한 트레이닝 데이터를 사용하여 신경 네트워크를 트레이닝하는 것; 및 (5) 환경에서 MRI 시스템에 의해 후속적으로 수집된 MR 데이터 내의 아티팩트들을 억제하기 위해 트레이닝된 신경 네트워크를 사용하는 것에 의해 후속 아티팩트 억제를 위해 교정될 수 있다. 이러한 방식으로, 신경 네트워크는 촬영 동안 환경에 존재하는 간섭 유형을 정확하게 억제하도록 학습하고 그리고/또는 억제하도록 적응될 수 있다.
신경 네트워크들을 사용하여 MR 데이터 내의 아티팩트들을 억제하기 위한 방법들 및 장치와 관련된 다양한 개념들 및 실시예들의 더 상세한 설명들이 후속된다. 본 명세서에 설명된 다양한 양상들은 임의의 다수의 방식들로 구현될 수 있다는 것을 인식해야 한다. 특정 구현들의 예들은 오직 예시의 목적으로 본 명세서에 제공된다. 또한, 아래의 실시예들에서 설명된 다양한 양상들은 단독으로 또는 임의의 조합으로 사용될 수 있으며, 본 명세서에 명시적으로 설명된 조합들로 제한되지 않는다.
도 1a는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 입력 MR 데이터 내의 하나 이상의 아티팩트들을 억제하기 위해 신경 네트워크 모델을 사용하여 입력 MR 데이터로부터 MR 이미지들을 생성하기 위한 예시적인 데이터 프로세싱 파이프라인(100)을 예시한다.
도 1a에 도시된 바와 같이, 데이터 프로세싱 파이프라인(100)은 전처리 스테이지(104), RF 간섭 제거 스테이지(106), 노이즈 제거 스테이지(108), 재구성 스테이지(110) 및 노이즈 제거 스테이지(112)를 포함하는, 입력 MR 데이터(102)를 프로세싱하기 위한 다수의 스테이지들을 포함한다. 입력 MR 공간 주파수 데이터(102)에 대해 이러한 프로세싱 스테이지들을 적용하는 것은 출력 MR 이미지(114)를 생성한다.
도 1a의 예에서, 3개의 스테이지들(즉, 스테이지들(106, 108 및 112))이 음영처리되어, 이러한 스테이지들이 아티팩트 억제 프로세싱을 수행하는 것을 표시한다. 도 1a의 예에서, 스테이지들(106 및 108)은 공간 주파수 도메인에서 프로세싱을 수행하는 반면, 스테이지(112)는 이미지 도메인에서 아티팩트 억제 프로세싱을 수행한다. 앞서 설명된 바와 같이, 일부 실시예들에서, 이러한 스테이지들 중 임의의 하나 이상은 임의의 다른 적합한 도메인에서 수행될 수 있다. 예를 들어, 일부 실시예들에서, 스테이지들(106 및 108) 중 하나 또는 둘 모두는 공간 주파수 도메인에서보다 센서 도메인에서 아티팩트 억제를 수행할 수 있다. 이러한 실시예들에서, 센서 도메인으로부터 공간 주파수 도메인으로 데이터를 변환할 수 있는 전처리 스테이지(104)는 도 1a에 도시된 바와 같이 스테이지(106) 이전보다는 스테이지들(108 및 110) 사이에 배치될 수 있다.
도 1a의 예에서, 스테이지들(106, 108 및 112) 각각은 각각의 신경 네트워크 부분을 사용하여 스테이지에 입력으로 제공된 데이터 내의 아티팩트들을 억제한다. 이러한 예에서, 전체 신경 네트워크 모델은 3개의 부분들, 즉, 스테이지(106) 동안 수행되는 프로세싱의 일부로서 MR 데이터 내의 RF 간섭을 억제하도록 구성된 제1 신경 네트워크 부분, 스테이지(108) 동안 수행되는 프로세싱의 일부로서 MR 데이터 내의 노이즈를 억제하도록 구성된 제2 신경 네트워크 부분, 및 스테이지(112) 동안 수행되는 프로세싱의 일부로서 MR 데이터로부터 노이즈를 억제하도록 구성된 제3 신경 부분을 포함한다. 일부 실시예들에서, 신경 네트워크 모델의 3개의 부분들은 공동으로 트레이닝될 수 있다(예를 들어, 하나의 신경 네트워크 부분의 출력은 다른 신경 네트워크 부분에 대한 입력에 영향을 미칠 수 있다).
이러한 예는 3개의 아티팩트 억제 스테이지들을 갖는 데이터 프로세싱 파이프라인을 사용하는 것을 수반하지만, 이는 본 명세서에 설명된 기술의 제한이 아니다. 일부 실시예들에서, 데이터 프로세싱 파이프라인은 3개 모두보다는 스테이지들(106, 108 및 112) 중 어느 하나 또는 2개와 함께 사용될 수 있다. 또한, 도 1a의 예시적인 데이터 프로세싱 파이프라인(100)에서 예시된 스테이지들 중 임의의 하나 또는 2개 또는 모두에 추가로 및/또는 그 대신에 하나 이상의 아티팩트 억제 스테이지들이 사용될 수 있다.
데이터 프로세싱 파이프라인(100)은 임의의 적합한 유형의 입력 센서 데이터(102)에 적용될 수 있다. 데이터(102)는 MRI 시스템의 하나 또는 다수의 RF 코일들에 의해 수집될 수 있다. 데이터(102)는 데카르트 샘플링 궤적 또는 임의의 적합한 유형의 비-데카르트 샘플링 궤적(예를 들어, 방사형, 나선형, 로제트(rosette), 가변 밀도, 리사주(Lissajou) 등)을 사용하여 수집될 수 있다. 데이터(102)는 완전 샘플링된 데이터(대응하는 나이퀴스트(Nyquist) 기준이 위반되지 않도록 공간 주파수 공간을 샘플링함으로써 수집된 데이터)일 수 있다. 데이터(102)는 언더 샘플링된 데이터(공간 나이퀴스트 기준들에 의해 요구되는 것보다 적은 포인트들을 포함하는 데이터)일 수 있다. 일부 실시예들에서, 데이터(102)는 외부 RF 간섭, 내부 RF 간섭, 및/또는 MR 수신기 체인 및/또는 촬영되고 있는 대상(또는 객체)에 의해 생성된 노이즈의 존재로 인해 아티팩트들을 나타낼 수 있다.
초기에, 전처리 스테이지(104)의 일부로서, 하나 이상의 전처리 단계들이 입력 MR 데이터(102)에 적용될 수 있다. 예를 들어, 일부 실시예들에서, 입력 MR 데이터(102)는 센서 도메인 데이터일 수 있고, 전처리 스테이지는 (예를 들어, 판독 라인들을 따라 1D 푸리에 변환을 수행함으로써) 센서 도메인 데이터를 변환할 수 있다. 다른 예로서, 일부 실시예들에서, 전처리 스테이지(104)는 입력 데이터(102)의 일부를 제거하는 것을 수반할 수 있다. 예를 들어, 데이터(102)의 일부는 (예를 들어, 데이터가 신뢰가능하지 않음을 표시하는 센서 판독으로 인해) 데이터가 손상되었다는 것을 결정할 때 제거될 수 있다
다음으로, 스테이지(106)에서 데이터 프로세싱 파이프라인(100)의 일부로서, 스테이지(106)에 입력으로 제공된 데이터 내의 (외부 및/또는 내부) RF 간섭을 억제하기 위해 신경 네트워크 모델의 제1 부분이 적용된다.
일부 실시예들에서, 스테이지(106) 동안 적용된 신경 네트워크는, 콘벌루셔널 계층들이 먼저 (다운-샘플링 경로를 따라) 데이터의 연속적으로 더 낮은 분해능 버전들의 시퀀스에 적용되고, 둘째로 (업-샘플링 경로를 따라) 데이터의 연속적으로 더 높은 분해능 버전들의 시퀀스에 적용되는 "U" 구조를 가질 수 있다.
예를 들어, 신경 네트워크 모델의 제1 부분은 도 1b에 도시된 아키텍처(130)를 가질 수 있다. 도 1b에 도시된 바와 같이, 다운 샘플링 경로에서, 콘벌루셔널 계층들(132a 및 132b)이 입력(131)에 적용된다. 이어서 평균 풀링 계층(133)이 콘벌루셔널 계층(132b)의 출력에 적용되고, 콘벌루셔널 계층들(134a 및 134b)이 평균 풀링 계층(133)에 의해 생성된 더 낮은 분해능 데이터에 적용된다. 다음으로, 다른 평균 풀링 계층(135)이 콘벌루셔널 계층(134b)의 출력에 적용되고, 콘벌루셔널 계층들(136a, 136b 및 136c)이 평균 풀링 계층(135)의 출력에 적용된다.
다음으로, 업-샘플링 경로에서, 콘벌루셔널 계층(136c)의 출력이 평균 풀링 계층(137)에 의해 프로세싱된다. 평균 언풀링 계층(137)의 출력은 콘벌루셔널 계층들(138a 및 138b)에 의해 프로세싱된다. 콘벌루셔널 계층(138b)의 출력은 평균 언풀링 계층(139)에 의해 프로세싱되고, 출력(145)을 생성하기 위해 평균 언풀링 계층(139)의 출력이 콘벌루셔널 계층들(140a-c)에 의해 프로세싱된다.
아키텍처(130)는 또한 스킵 연결부들(141 및 142)을 포함하는데, 이는 평균 풀링 계층들에 대한 입력이 직전 콘벌루셔널 계층들에 의한 출력 및 다른(직전이 아님) 선행하는 콘벌루셔널 계층에 의해 생성된 더 높은 분해능을 갖는 출력으로 구성됨을 표시한다. 예를 들어, 평균 풀링 계층(137)에 대한 입력은 콘벌루셔널 계층들(134b(스킵 연결부(142)에 의해 표시됨) 및 136c)의 출력이다. 콘벌루셔널 계층(134b)의 출력은 층(136c)의 출력보다 높은 분해능을 갖는다. 다른 예로서, 평균 풀링 계층(139)에 대한 입력은 콘벌루셔널 계층들(132b(스킵 연결부(142)에 의해 표시됨) 및 138b)의 출력이다. 콘벌루셔널 계층(132b)의 출력은 층(138b)의 출력보다 높은 분해능을 갖는다. 이러한 방식으로, 다운-샘플링 경로를 따라 풀링 계층들의 적용을 통해 손실되는 고주파수 정보는 업-샘플링 경로를 따라 언풀링 계층들에 대한 입력으로서 재도입된다(손실되지 않음).
도 1b에 명시적으로 도시되지는 않지만, 비선형 계층(예를 들어, 정류된 선형 유닛 또는 ReLU, S자형(sigmoid) 등)이 아키텍처(130)에 도시된 하나 이상의 계층들 이후에 적용될 수 있다. 예를 들어, 비선형 계층이 도 1b에 도시된 콘벌루셔널 계층들 중 하나 이상(또는 각각) 이후에 적용될 수 있다. 또한, 아키텍처(130)를 따른 하나 이상의 포인트들에서(예를 들어, 입력 계층에서) 일괄 정규화가 적용될 수 있다.
도 1c는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 도 1b에 도시된 예시적인 콘벌루셔널 신경 네트워크 블록의 아키텍처의 특정 예를 예시한다. 도 1c에 도시된 바와 같이, 콘벌루셔널 계층들 모두는 3x3 커널(kernel)을 적용한다. 다운-샘플링 경로에서, 각각의 레벨의 입력은, 3x3 커널들을 사용한 2개(또는 바닥 레벨에서는 3개)의 콘벌루션들의 반복적 적용, 각각 이에 후속하는 비선형의 적용, 다운-샘플링에 대한 스트라이드(stride) 2에 의한 평균 2x2 풀링 동작에 의해 프로세싱된다. 각각의 다운-샘플링 단계에서 특징 채널들의 수는 64로부터 128 내지 256으로 2배가 된다. 또한 특징 채널들의 수는 바닥 계층에서는 256에서 512로 2배가 된다. 업-샘플링 경로에서, 데이터는, 특성 채널들 수를 (예를 들어, 256에서 128로 64로) 절반으로 줄이는 평균 언풀링 단계를 사용한 특징 맵들의 반복적 업-샘플링, 하나 이상의 콘벌루셔널 계층들 및 다운-샘플링 경로로부터 대응하는 특징 맵과의 연접(3x3 커널들을 사용함), 각각 이에 후속하는 비선형의 적용에 의해 프로세싱된다. 마지막 콘벌루셔널 계층(140c)은 특징 맵의 수를 2로 감소시킨다.
앞서 설명된 바와 같이, 본 발명자들은 입력 MR 데이터 내의 아티팩트들을 억제하기 위해, 예를 들어, 센서 또는 공간 주파수 도메인에서 적용될 수 있는 신경 네트워크 모델들에 대해 사용할, 본 명세서에서 "스펙트럼 언풀링 계층"으로 지칭되는 새로운 유형의 언풀링 계층을 개발하였다. 예를 들어, 도 1d는 스펙트럼 언풀링 계층 및 "U" 구조를 갖는 콘벌루셔널 신경 네트워크 블록의 아키텍처(150)를 예시한다. 아키텍처(150)는 도 1b에 도시된 아키텍처(130)와 동일하지만, 평균 언풀링 계층들은 스펙트럼 언풀링 계층들로 대체된다.
도 1d에 도시된 바와 같이, 다운 샘플링 경로에서, 콘벌루셔널 계층들(152a 및 152b)이 입력(151)에 적용된다. 이어서 스펙트럼 풀링 계층(153)이 콘벌루셔널 계층(152b)의 출력에 적용되고, 콘벌루셔널 계층들(154a 및 154b)이 스펙트럼 풀링 계층(153)에 의해 생성된 더 낮은 분해능 데이터에 적용된다. 다른 스펙트럼 풀링 단계(155)가 콘벌루셔널 계층(154b)의 출력에 적용되고, 콘벌루셔널 계층들(136a, 136b 및 136c)이 스펙트럼 풀링 계층(155)의 출력에 적용된다. 업-샘플링 경로에서, 콘벌루셔널 계층(156c)의 출력은 스펙트럼 언풀링 계층(157)에 의해 프로세싱되고, 이어서 그 출력은 콘벌루셔널 계층들(158a 및 158b)에 의해 프로세싱된다. 콘벌루셔널 계층(158b)의 출력은 스펙트럼 언풀링 계층(159)에 의해 프로세싱되고, 그 출력은 출력(165)을 생성하기 위해 콘벌루셔널 계층들(160a-c)에 의해 프로세싱된다.
일부 실시예들에서, 스펙트럼 풀링 계층은 데이터를 크롭(crop)함으로써 구현될 수 있다. 이는 단순히 데이터로부터 더 높은 공간 주파수 콘텐츠를 드롭하는 것과 유사하며 구현하기에 매우 효율적인데, 이는, 데이터가 이미 공간 주파수 도메인에 있으므로 스펙트럼 풀링 계층을 구현하기 위해 이산 푸리에 변환을 적용할 필요가 없기 때문이다. 스펙트럼 풀링의 양상들은 Rippel, O., Snoek, J., 및 Adams, R. P.의 "Spectral representations for convolutional neural networks" In Advances in Neural Information Processing Systems, pp. 2449-2457, 2015에 설명되어 있고, 이는 그 전체가 본 명세서에 참조로 통합된다.
도 1d에 도시된 바와 같이, 아키텍처(150)는 또한 스킵 연결부들(161 및 162)을 포함한다. 따라서, 스펙트럼 언풀링 계층(157)에 대한 입력은 콘벌루셔널 계층들(154b 및 156c)의 출력이다(계층(154b)의 출력은 계층(156c)의 출력보다 높은 주파수 콘텐츠를 포함함). 스펙트럼 언풀링 계층(159)에 대한 입력은 콘벌루셔널 계층들(152b 및 158b)의 출력이다(계층(152b)의 출력은 계층(158b)의 출력보다 높은 주파수 콘텐츠를 포함함).
일부 실시예들에서, 아키텍처(150)는 도 1c에 도시된 바와 같은 아키텍처(130)의 구현과 유사한 방식으로 구현될 수 있다. 예를 들어, 3x3 커널들이 사용될 수 있으며, 특징 채널들의 수는 다운-샘플링 경로를 따라 64개로부터 128개로 256개로 그리고 512개로 증가하고, 업-샘플링 경로를 따라 512개로부터 256개로 128개로 64개로 그리고 2개로 감소할 수 있다. 그러나, 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문에, 임의의 다른 적합한 구현(예를 들어, 특징 채널들의 수, 커널 크기 등)이 사용될 수 있다는 것을 인식해야 한다.
도 1e는 본 명세서에 설명된 기술의 일부 실시예들에 따라, 예시적인 스펙트럼 언풀링 계층의 아키텍처를 예시한다. 특히, 도 1e는 도 1d에 도시된 아키텍처(150)의 스펙트럼 언풀링 계층(157) 부분의 아키텍처를 예시한다. 도 1e에 도시된 바와 같이, 스펙트럼 언풀링 계층(157)의 출력(180)은 2개의 입력들, 즉, (1) (도 1d에 도시된 바와 같은 콘벌루셔널 계층(152b)의 출력으로부터) 스킵 연결부(162)을 통해 제공되는 고 분해능 특징부들(170); 및 (2) (도 1d에 도시된 바와 같은 콘벌루셔널 계층(158b)으로부터의 출력으로 제공되는 저 분해능 특징부들(174)로부터 생성된다. 고 분해능 특징부들(170)은 저 분해능 특징부들(174)보다 더 높은 (공간) 주파수 콘텐츠를 포함하기 때문에 이렇게 지칭된다.
예시적인 실시예에서, 스펙트럼 언풀링 층(157)은 (1) 제로 패딩 블록(176)을 사용하여 저 분해능 특징부들(174)을 제로 패딩하는 것; 및 (2) 제로 패딩된 저 분해능 특징부들(가중치(178)를 사용하여 가중됨)과 고 분해능 특징부들(가중치(172)에 의해 가중됨)의 가중된 결합을 컴퓨팅하는 것에 의해 고 분해능 특징부들 및 저 분해능 특징부들(174)을 결합한다. 일부 실시예들에서, 가중치들(172 및 178)은 미리 설정되기보다는 데이터로부터 학습된다. 그러나, 다른 실시예들에서, 가중치들 중 적어도 일부는 데이터로부터 학습되기보다는 수동으로 설정될 수 있다.
스펙트럼 풀링 계층을 사용하는 하나의 특정 예로서, 저 분해능 특징부들(174)은 각각 64x64 복합 값들을 포함하는 하나 이상의(예를 들어, 128개의) 특징 채널들을 포함할 수 있고, 고 분해능 특징부들은 각각 128x128의 복소 값들을 포함하는 하나 이상의(예를 들어, 64개의) 특징 채널들을 포함할 수 있다. 고 분해능 128x128 특징 채널 및 대응하는 저 분해능 64x64 특징 채널은, (1) 128x128 제로 패딩된 값들의 세트를 획득하기 위해 64x64 특징 채널을 제로 패딩하는 것; 및 (2) 128x128 제로 패딩된 값들의 세트(가중치 178에 의해 가중됨)에 고 분해능 128x128 특징 채널(가중치 172에 의해 가중됨)을 추가하는 것에 의해 결합될 수 있다.
앞서 설명된 바와 같이, 아티팩트 억제를 위한 일부 신경 네트워크 아키텍처들은 평균 풀링(및 언풀링) 또는 스펙트럼 풀링(및 언풀링) 계층들을 사용할 수 있다. 다른 실시예들에서, 최대 풀링(및 언풀링) 계층들이 사용될 수 있다. 또 다른 실시예들에서, 풀링 계층들은 모두 생략될 수 있고, 데이터를 효과적으로 다운-샘플링하기 위해 더 긴 커널 스트라이드들이 사용될 수 있고, 데이터를 업-샘플링하기 위해 전치 콘벌루셔널 계층들이 사용된다.
데이터 프로세싱 파이프라인(100)으로 되돌아가면, 도 1a에 도시된 바와 같이, 노이즈 제거 스테이지(108)가 RF 간섭 제거 스테이지(106)에 후속한다. 스테이지(108)의 일부로서, 스테이지(108)에 입력으로 제공된 데이터 내의 노이즈를 억제하기 위해 신경 네트워크 모델의 제2 부분이 적용된다. 예를 들어, 신경 네트워크 모델의 제2 부분은 입력 MR 데이터의 수집 동안 MR 수신기 체인에 의해 생성된 노이즈를 억제하기 위해 사용될 수 있다. 다른 예로서, 신경 네트워크 모델의 제2 부분은 촬영되고 있는 대상(또는 객체)에 의해 생성된 노이즈를 억제하기 위해 사용될 수 있다.
일부 실시예들에서, 신경 네트워크 모델의 제2 부분은 제1 부분(스테이지(106)의 일부로서 사용됨)의 아키텍처와 동일하거나 유사한 아키텍처를 가질 수 있다. 예를 들어, 제2 부분은 도 1b 내지 도 1e를 참조하여 설명된 아키텍처들(130 및 150)과 유사한 "U" 구조화된 아키텍처를 가질 수 있다. 그러나, 예를 들어, He K, Zhang X, Ren S, Sun J.의 "Deep residual learning for image recognition" In Proceedings of the IEEE conference on computer vision and pattern recognition 2016 (pp. 770-778)에 설명된 바와 같이, 잔여 연결부들을 갖는 콘벌루셔널 블록들을 포함하는 ResNet 아키텍처와 같은 하나 이상의 다른 아키텍처들이 사용될 수 있음을 인식해야 한다.
도 1a의 예에 도시된 바와 같이, 노이즈 제거 스테이지(108)는 공간 주파수 도메인에 적용된다. 그러나, 다른 실시예들에서, 노이즈 제거 스테이지는 적합한 변환(예를 들어, 센서 도메인, 로그 스펙트럼 도메인, 시간 도메인, 스펙트럼 도메인 등) 후에 다른 도메인에 적용될 수 있는데, 이는, 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다.
일부 실시예들에서, 신경 네트워크 모델의 제2 부분은 신경 네트워크 모델의 제1 부분과 공동으로 트레이닝될 수 있다. 예를 들어, 트레이닝 데이터는 신경 네트워크 모델의 제2 부분에 대한 입력이 신경 네트워크 모델의 제1 부분의 출력이 될 수 있도록 생성될 수 있다. 특정 예로서, RF 간섭 및 MR 수신기 체인 노이즈 모두로 손상된 트레이닝 데이터는 신경 네트워크 모델의 제1 부분에 대한 입력으로 제공될 수 있고, 출력(RF 간섭의 적어도 일부가 제1 부분에 의해 억제됨)은 신경 네트워크 모델의 제2 부분에 대한 입력으로 제공된다. 다른 실시예들에서, 제1 및 제2 부분들은 서로 독립적으로 트레이닝될 수 있다. 특정 예로서, RF 간섭이 아닌 노이즈(예를 들어, MR 수신기 체인 노이즈)에 의해 손상된 트레이닝 데이터는 신경 네트워크 모델의 제2 부분을 트레이닝하기 위해 사용될 수 있다. 제1 및 제2 신경 네트워크 모델 부분들을 트레이닝하는 양상들은 아래에서 추가로 설명된다.
도 1a에 도시된 바와 같이, 이미지 재구성 스테이지(110)는 노이즈 억제 스테이지(108)에 후속된다. 이미지 재구성 스테이지(110) 동안 스테이지(108)에 의해 출력된 공간 도메인 주파수 데이터는 이미지 도메인 데이터를 생성하기 위해 이미지 도메인으로 변환된다. 이미지 재구성은 임의의 적합한 방식으로 수행될 수 있다. 예를 들어, MR 데이터가 데카르트 그리드를 따라 샘플링될 때, 데이터는 2D(또는 3D) 푸리에 역변환을 사용하여(예를 들어, 2D 또는 3D 고속 푸리에 역변환을 사용하여) 이미지 도메인으로 변환될 수 있다. 다른 예로서, MR 데이터가 언더-샘플링될 때, 데이터는 그리딩(gridding) 연산 및 이에 후속하는 푸리에 역변환, 즉, 불균일한 푸리에 역변환을 사용하여, 비-데카르트 k-공간 데이터로부터 이미지 데이터를 재구성하기 위한 신경 네트워크 모델을 사용하여, 압축 감지를 사용하여 그리고/또는 임의의 다른 적합한 방법들을 사용하여 변환될 수 있는데, 이는, 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다.
하나의 특정 예로서, 비-데카르트 샘플링 궤적이 사용되는 일부 실시예에서, MR 데이터는 공간 주파수 도메인의 규칙적 그리드에 맵핑될 수 있고(이는 때때로 데이터를 "그리딩"하는 것으로 지칭됨), 그리딩된 데이터는 대응하는 이미지를 획득하기 위해 2D 고속 푸리에 역변환을 사용하여 이미지 도메인으로 변환될 수 있다. k-공간 내의 규칙적 그리드는, 인덱싱될 수 있는 각각의 k-공간 좌표 사이에 고정 거리 Δ가 있도록 k-공간 내의 포인트들의 규칙적으로 이격된 그리드를 지칭한다. 일부 실시예들에서, 그리딩은 데이터에 보간 행렬 변환을 적용함으로써 수행될 수 있다. 일부 실시예들에서, 보간 가중치 매트릭스의 엔트리들은, 예를 들어, Fessler, J.A., Sutton B.P.의 Non-uniform fast Fourier transforms using min-max interpolation. IEEE Transactions on Signal Processing 51(2), 560-574 (2003)에 설명된 접근법과 같은 최적화 접근법을 사용하여 컴퓨팅될 수 있고, 이는 그 전체가 본 명세서에 참조로 통합된다. 비-데카르트 설정의 이미지 재구성 양상들은, 2019년 7월 30일에 출원되고 발명의 명칭이 "Deep Learning Techniques for Magnetic Resonance Image Reconstruction"인 미국 특허 출원 일련번호 "16/524,598"에 설명되고, 이는 그 전체가 본 명세서에 참조로 통합된다.
도 1a에 도시된 바와 같이, 노이즈 제거 스테이지(112)는 재구성 스테이지(110)에 후속된다. 노이즈 제거 스테이지(112)의 일부로서, 이미지 도메인 MR 데이터 내의 노이즈를 억제하기 위해 신경 네트워크 모델의 제3 부분이 적용된다. 그러나, 이 예에서, 공간 주파수 도메인에서 적용되는 제1 및 제2 신경 네트워크 모델 부분들과 달리, 신경 네트워크 모델의 제3 부분은 이미지 도메인에 적용된다. 제3 신경 네트워크 부분은 제1 또는 제2 부분들의 아키텍처와 동일하거나 유사한 아키텍처를 가질 수 있고, 예를 들어, 도 1b 내지 도 1e에 설명된 것과 같은 아키텍처를 가질 수 있다(이러한 계층들이 이용될 때 스펙트럼 풀링 및 언풀링 계층들을 수행하기 위해 적절한 푸리에 변환들이 이용됨). 신경 네트워크 모델의 제3 부분은 제1 및 제2 신경 네트워크 모델 부분들과 공동으로 또는 그와 독립적으로 트레이닝될 수 있는데, 이는, 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다. 제3 부분을 트레이닝하는 양상들이 아래에서 추가로 설명된다.
도 1a에 도시된 바와 같이, 노이즈 제거 스테이지의 출력은 MR 이미지(114)이다. 도 1a에 도시된 데이터 프로세싱 파이프라인(100)은 예시적이고 변형들이 존재함을 인식해야 한다. 설명된 바와 같이, 아티팩트 억제 스테이지들(106, 108, 및 112) 중 하나 이상은 일부 실시예들에서 생략될 수 있다. 다른 예로서, 아티팩트 억제를 위해 또는 임의의 다른 기능을 수행하기 위해 하나 이상의 추가적인 프로세싱 스테이지들이 파이프라인에 추가될 수 있다. 다른 예로서, 앞서 설명된 바와 같이, 스테이지들(106 및 108)은 공간 주파수 도메인보다는 센서 도메인에서 적용될 수 있다.
아티팩트 억제를 위한 신경 네트워크 모델들, 예를 들어, 이어서 도 1a 내지 도 1e에 예시된 신경 네트워크 모델들의 다른 양상들 및 세부사항들의 논의는 다음을 따른다. 스테이지들(106, 108 및 112)의 일부로서 신경 네트워크 프로세싱과 관련하여 앞서 단일 네트워크 모델의 3개의 신경 네트워크 부분들을 설명했지만, 아래에서 신경 네트워크 부분들을 단순히 신경 네트워크들로 지칭할 수 있음에 유의해야 한다.
먼저, 일부 표기가 소개된다. MRI 시스템은 MR 시스템의 촬영 영역 내의 MR 신호들을 검출하도록 구성된 하나 또는 다수의 RF 코일들을 가질 수 있다. 이러한 RF 코일들의 수를 NC로 표기한다. 촬영 영역 내의 MR 신호들을 검출하도록 구성된 각각의 RF 코일 c에 대해, sc를 검출된 신호로 표기한다. 이러한 검출된 신호들은 다음과 같은 3개의 상이한 성분들을 포함한다: (1) 코일 c에 대한 타겟 MR 신호 데이터, xc; (2) 신호를 손상 시키는 노이즈 nc(예를 들어, 코일 c에 대한 MR 수신기 체인에 의해 생성된 노이즈, 촬영되고 있는 대상(또는 객체)에 의해 생성된 노이즈); 및 (3) 외부 및/또는 내부 RF 간섭 ic. 따라서,
Figure pct00001
. 또한, 시스템 외부에 있는 NP 수신기 코일들을 위치확인함으로써,
Figure pct00002
로 지칭되는 시스템 외부에서 관찰되는 노이즈(Sc들과 상관됨)를 취득할 수 있다. 따라서, 관찰된 신호는 다음과 같이 작성될 수 있다:
Figure pct00003
앞서 설명된 바와 같이, 일부 실시예들에서, 신경 네트워크 모델은 RF 간섭 ic를 억제하기 위해 사용될 수 있다. 예를 들어, 스테이지(106)의 일부로서 사용되는 신경 네트워크 모델의 제1 부분은 각각의 코일 c에 대한
Figure pct00004
를 생성하도록 RF 간섭 ic를 억제하기 위해 사용될 수 있다. RF 간섭을 억제하기 위한 신경 네트워크 모델은 데이터 프로세싱 파이프라인의 임의의 다른 신경 네트워크 부분들과 공동으로 또는 그와 독립적으로 트레이닝될 수 있다. 일부 실시예들에서, ic를 억제하도록 모델을 트레이닝하기 위해, 지상 검증(ground truth)이 이용가능하도록 sc의 컴포넌트들 모두를 별개로 포함하는 트레이닝 데이터가 생성된다. 이는 본 명세서에 설명된 바와 같이 임의의 적합한 방식으로 수행될 수 있다. 예를 들어, xc nc 및 ic 각각은 컴퓨터 기반 시뮬레이션을 사용하여 합성적으로 생성되고 그리고/또는 MRI 시뮬레이션을 사용하여 관찰될 수 있다. 예를 들어, ic를 생성하기 위해 시스템 내부에 어떠한 객체도 위치되지 않는 동안 구조화된 노이즈 라인들을 sc에 합성적으로 추가할 수 있거나 sc를 취득한다. 다른 예로서, MRI 시스템은 촬영 영역 외부의 아티팩트들을 관찰하기 위해(또한 MR 신호들을 검출하지 않음) 사용될 수 있는 촬영 영역 외부의 하나 이상의 RF 코일들을 가질 수 있고, 이러한 코일 또는 코일들은 RF 간섭을 측정하기 위해 사용될 수 있다.
일부 실시예들에서, RF 간섭을 제거하기 위한 신경 네트워크의 아키텍처는 도 1b 내지 도 1e를 참조하여 설명된 아키텍처들(130 및 150)과 같은 "U" 아키텍처일 수 있다. 대안적으로, 콘벌루셔널 블록들이 잔여 연결부들을 갖는 경우 ResNet 유형 아키텍처가 사용될 수 있다. 네트워크에 대한 입력은: (1) 신경 네트워크가 각각의 코일에 대한 RF 간섭을 별개로 억제하도록 하는 각각의 코일에 대한 신호 sc; (2) 신경 네트워크가 모든 코일들에 대한 RF 간섭을 동시에 억제하도록 하는 별개의 채널들로서의 모든 코일들에 대한 신호들 sc; 또는 (3) (억제되는 것이 아니라, 오히려 신호들 sc에서 RF 간섭을 억제하기 위해) 별개의 채널들로서 각각의 코일에 대한 신호들 sc 뿐만 아니라 다른 채널들에서의 형성에서 여분으로서의 신호들
Figure pct00005
들일 수 있다. 입력에 대응하는 신경 네트워크에 의해 생성되는 출력은, (1) 별개로 각각의 코일 c에 대한
Figure pct00006
; 또는 (2) 별개의 채널들로서의 모든
Figure pct00007
들(입력은 후자의 2개의 사례들인 경우). 추가적으로, 일부 실시예들에서, 이러한 블록에 대한 입력은 훨씬 더 많은 정보를 함께 통합하기 위해 모든 Navg 평균들의 sc일 수 있다. 이러한 경우 출력은 모든 평균들에 대한 모든 노이즈 제거 코일 데이터일 것이다. 이는, 각각의 코일에 의한 다수의 관찰들이 수행될 때 도움이 될 수 있다.
RF 간섭을 억제하기 위해 신경 네트워크를 트레이닝하기 위해 수많은 유형들의 손실 함수들 중 임의의 것이 사용될 수 있으며, 손실 함수들의 다양한 예들이 본 명세서에 제공된다. 일례로, 단일 코일을 사용하여 취득된 데이터 내의 RF 간섭을 억제하기 위해 신경 네트워크를 트레이닝하기 위해, 하기 손실 함수가 이용될 수 있고:
Figure pct00008
여기서, W는 가중치 매트릭스이고, F는 ID 푸리에 변환이고, ∇은 이미지 경사이고, θ는 콘벌루셔널 신경 네트워크 fCNN의 파라미터들을 표현한다.
다중 채널 설정에서, 하기 손실 함수가 이용될 수 있고:
Figure pct00009
여기서 Ncoil은 코일들의 수이고, fCNN (s)c는 코일 c에 대한 노이즈 제거 센서 데이터이다.
앞서 설명된 바와 같이, 일부 실시예들에서, RF 간섭 ic를 억제하기 위해 (예를 들어, 파이프라인(100)의 스테이지(106)의 일부로서) 신경 네트워크가 사용될 수 있고, 노이즈 nc를 억제하기 위해 (예를 들어, 파이프라인(100)의 스테이지(108)의 일부로서) 다른 신경 네트워크가 사용될 수 있다. 본 명세서에 설명된 바와 같이, nc를 억제하기 위한 신경 네트워크의 아키텍처는 RF 간섭 ic를 억제하기 위해 사용되는 것과 동일하거나 유사할 수 있다(예를 들어, "U" 구조화된 네트워크, ResNet 구조화된 네트워크 및/또는 도 1b 내지 도 1e를 참조하여 설명된 아키텍처들 중 임의의 것).
일부 실시예들에서, 노이즈 제거 신경 네트워크에 대한 입력은: (1) 별개로 각각의 코일 c로부터 노이즈를 억제하기 위한 sc; (2) 모든 코일들 내의 노이즈를 동시에 억제하기 위한 별개의 채널들로서의 모든 sc들; (3) 별개의 채널들로서의 모든 sc들 뿐만 아니라 노이즈 제거를 위해 사용할 추가적인 정보로서 촬영 영역 외부의 코일들에 의해 검출된 데이터(
Figure pct00010
)일 수 있다. 일부 실시예들에서, 트레이닝된 신경 네트워크의 출력은: (1) xc 또는 (2) 다수의 코일들에 대한 모든 xc들일 수 있다.
노이즈를 억제하기 위해 신경 네트워크를 트레이닝하기 위해 수많은 유형들의 손실 함수들 중 임의의 것이 사용될 수 있으며, 손실 함수들의 다양한 예들이 본 명세서에 제공된다. 일례로, 단일 코일을 사용하여 취득된 데이터 내의 노이즈를 억제하기 위해 신경 네트워크를 트레이닝하기 위해, 하기 손실 함수가 이용될 수 있다:
Figure pct00011
일부 실시예들에서, 다수의 코일들을 사용하여 취득된 데이터 내의 노이즈를 억제하기 위한 신경 네트워크를 트레이닝할 때, 하기 손실 함수가 이용될 수 있다:
Figure pct00012
앞서 설명된 바와 같이, 일부 실시예들에서, 이미지 도메인에서 아티팩트들을 억제하기 위해 (예를 들어, 파이프라인(100)의 스테이지(112)의 일부로서) 신경 네트워크가 사용될 수 있다. 본 명세서에 설명된 바와 같이, 이러한 신경 네트워크의 아키텍처는 본 명세서에 설명된 다른 신경 네트워크들의 아키텍처와 동일하거나 유사할 수 있다(예를 들어, "U" 구조화된 네트워크, ResNet 구조화된 네트워크 및/또는 도 1b 내지 도 1e를 참조하여 설명된 아키텍처들 중 임의의 것).
이미지 도메인에서 아티팩트들을 억제하는 것은 취득 시스템(예를 들어, MR 수신기 체인)에 의해 생성된 노이즈를 감소 또는 제거하는 것을 용이하게 할 수 있다. 이러한 노이즈의 효과들은 저-필드 MRI 시스템에서 더 탁월하여 더 낮은 신호대 노이즈 비를 도출한다. MR 이미지들 내의 노이즈를 억제하기 위한 종래의 기술들은 이방성 확산 또는 비-로컬 수단 필터링과 같은 파라메트릭 필터링 기술들을 사용하는 것을 수반한다. 이러한 파라메트릭 필터링 기술들의 목표는 해부학적 구조들 주위의 에지들의 선명도를 유지하면서 균일한 이미지 영역들 내의 노이즈를 제거하는 것이다. (저-필드 시스템들에서와 같이) 노이즈 레벨이 높을 때, 파라메트릭 필터들을 적용하는 것은 통상적으로, 저-콘트라스트 이미지 영역들에서 세부사항이 손실된 매끄럽게 보이는 이미지들을 도출한다. 대조적으로, 본 발명자들에 의해 개발된 기술들을 사용하여 이미지 도메인에서 아티팩트들(예를 들어, 노이즈)을 억제하기 위해 딥 러닝을 사용하는 것은 심지어 저-콘트라스트 영역들에서의 구조를 보존하면서 선명하게 보이는 이미지들을 도출한다.
이미지 도메인에서 아티팩트들을 억제하기 위해 사용되는 신경 네트워크 아키텍처들은 본 명세서에 설명된 아키텍처들 중 임의의 것일 수 있고, 예를 들어, (ResNet 아키텍처에서와 같이) 잔여 연결부들을 갖는 콘벌루셔널 블록들을 갖는 콘벌루셔널 신경 네트워크, 도 1b 내지 도 1e를 참조하여 설명된 것과 같은 "U" 구조 또는 임의의 다른 적합한 구조일 수 있다.
일부 실시예들에서, MR 이미지들에 대한 노이즈의 효과를 반영하기 위해 트레이닝 데이터가 생성될 수 있다. 노이즈는 (예를 들어, MRI 시스템 사용하여) 측정 또는 합성될 수 있다. 예를 들어, 합성 노이즈 신호 ec는
Figure pct00013
와 같이 이미지 xc에 추가될 수 있고, 여기서 노이즈는, 가우시안
Figure pct00014
또는 리시안(Ricean) 분포로부터 그려질 수 있다(단순화를 위해 코일들 사이에 어떠한 상관도 없다고 가정함).
일부 실시예들에서, 데이터세트
Figure pct00015
가 주어지면, 다음과 같이 주어지는 적대적 손실 및 콘텐츠 손실(SSIM(structural similarity index) 손실 또는 평균 제곱 에러 손실)을 사용하여, 이미지 도메인에서 아티팩트들을 억제하기 위한 신경 네트워크가 트레이닝될 수 있다:
Figure pct00016
손실에 대한 상기 표현에서, 생성자 G는 필터링 네트워크이고, 판별자 D는 네트워크 G로 필터링된 이미지들과 원래의 노이즈 없는 이미지들 사이를 최상으로 구별하도록 트레이닝된다(지상 검증). 일부 실시예들에서, 생성자(θG) 및 판별자(θD) 신경 네트워크들의 파라미터들은 생성자와 판별자 신경 네트워크들 사이에 미니맥스(minimax) 게임을 확립함으로써 최적화될 수 있다. 생성자 네트워크는 가능한 한 지상 검증에 가까운 필터링된 이미지들을 생성하고 그에 따라 판별자 신경 네트워크를 속이도록 트레이닝될 수 있다. 한편, 판별자 네트워크는 필터링된 또는 지상 검증으로서 입력 이미지들을 분류하도록 트레이닝될 수 있다. 앞서 설명된 것과 같은 적대적 손실을 사용하면, 심지어 저-콘트라스트 영역들에서도 구조들을 보존하면서 선명하게 보이는 필터링된 이미지들을 달성하는 것을 돕는다.
일부 실시예들에서, 이미지 도메인에서 아티팩트들을 억제하기 위한 신경 네트워크는 임의의 다른 아티팩트 억제 네트워크들과 공동으로 또는 그와 독립적으로 트레이닝될 수 있다. 전자의 경우, 신경 네트워크에 대한 입력은 최종 재구성된 이미지(예를 들어, 재구성 스테이지(110)에 의해 생성됨)일 수 있고, 네트워크는 타겟 이미지 x를 사용하여 트레이닝될 수 있다. 일부 실시예들에서, 네트워크는 크기 조정 전에 타겟 x0을 사용하여 트레이닝될 수 있다. 이러한 방식으로, 필터링은 최적의 방식으로 이미지를 업 샘플링하도록 학습할 것이다.
다음으로, 본 명세서에 설명된 기술의 일부 실시예들에 따라, 공간 주파수 도메인에서 RF 간섭을 억제하기 위해 신경 네트워크를 적용하는 예시적인 예를 논의한다.
본 발명자들은, 일부 경우들에서, RF 간섭은 자신을 위상 인코딩 방향을 따라 이미지에서 하나 이상의 밝은 지퍼-형(zipper-like) 스크래치들로서 나타낼 수 있는데, 이는, 간섭의 주파수 성분들인 공간 주파수 도메인에서 캡처된 간섭은 통상적으로 스캔에 걸쳐 일정하기 때문이다. 지퍼-형 아티팩트들에 의해 손상된 영역들의 이미지 복구는 도전적인데, 이는, 이들의 외관이 종종 이미지 도메인에서 기본 이미지를 상당히 악화시킬 수 있는 복잡한 구조를 갖기 때문이다. 그러나, k-공간 도메인에서, 노이즈가 이미지 도메인에서와 같이 국부화되지 않고 따라서 더 많은 영역들이 영향을 받지만, 손상은 파괴적이 아닌데, 이는, 작은 진폭을 갖는 노이즈 주파수 성분들이 훨씬 더 큰 진폭을 갖는 신호 데이터 상으로 중첩되기 때문이다.
도 2a는 본 명세서에 설명된 기술의 일부 실시예들에 따라, MR 데이터 내의 RF 간섭을 억제하기 위해, 스펙트럼 언풀링 계층을 갖는 예시적인 신경 네트워크의 아키텍처를 예시한다. 도 2a의 신경 네트워크는 도 1d 및 도 1e를 참조하여 설명된 아키텍처의 버전을 구현한다.
특히, 도 2a의 신경 네트워크는 학습된 보간 필터들로서 기능하는 다수의 콘벌루셔널 잔여 블록들(예를 들어, n=8)을 포함한다. 다운-샘플링 경로에서, 모든 2개의 콘벌루셔널 블록들 이후, 스펙트럼 풀링 동작이 적용되어 데이터를 저-차원 주파수 기반으로 투사한다. 업-샘플링 경로에서, 하위 레벨의 k-공간 특징부들을 업-샘플링하고 이들을 (스킵 연결부들로부터) 상위 레벨 특징부들과 결합하기 위해 스펙트럼 언풀링 계층이 사용된다. 이러한 예에서, 스펙트럼 언풀링 계층은 콘벌루션, 일괄 정규화, ReLU 및 (학습된 계수들과) 포인트별 곱셈 계층을 하위 레벨 및 상위 레벨 특징부들(스킵들) 둘 모두에 적용한다. 이어서, 하위 레벨 특징부들은 제로 패딩되고 프로세싱된 스킵들에 추가된다.
도 2a의 특정 구현에서, 입력 이미지는 128 x 128 블록들로 크기 조정된다. 다운-샘플링 경로에서, 스펙트럼 풀링은 각각의 활성화의 높이 및 폭을 2만큼 감소시키고; 콘벌루셔널 계층들은 출력 차원 16(제1 스펙트럼 풀링 이전), 32(제1 및 제2 스펙트럼 풀링 사이), 48(제2 및 마지막 스펙트럼 풀링 사이) 및 64(마지막 스펙트럼 풀링 이후)를 갖는 3x3 커널들을 활용한다. 업-샘플링 경로 부분에서, 콘벌루셔널 커널의 크기는 1x1이고, 출력 차원은 입력 차원과 동일하다.
이러한 예에서, 도 2a의 신경 네트워크는 k-공간 손실(k-공간 MSE 및 콘주게이트 대칭 손실) 및 이미지 도메인 손실(구조화된 유사성 인덱스)로 구성된 손실 함수를 사용하여 트레이닝된다(일부 경우들에서 학습 레이트 0.001을 갖는 아담(Adam) 최적화기를 사용함). 구체적으로, 손실을
Figure pct00017
Figure pct00018
로서 정의하고, 여기서 y는 타겟 이미지이고,
Figure pct00019
는 노이즈 제거된 이미지이고, F는 푸리에 변환이고, Lconj는 콘주게이트 대칭 손실이고, SSIM은 Wang, Z., Bovik, A.C., Sheikh, H.R., Simoncelli, E.P.: "Image quality assessment: from error visibility to structural similarity." IEEE Transactions on Image Processing 13(4), 600-612 (2004)에서와 동일한 방식으로 정의된다. 이러한 유형의 k-공간 손실을 사용하는 것은 지퍼 아티팩트들을 억제하는 데 도움이 되는 한편 구조적 유사성 인덱스는 이미지가 선명한 것을 보장한다.
도 2a 및 도 2b의 예에서, 도 2a의 신경 네트워크는 타겟 지상 검증으로서 간섭없는 데이터와 쌍을 이룬 입력에 대한 간섭 손상된 이미지들의 데이터베이스를 사용하여 트레이닝되었다. 간섭없는 이미지들은 생성 통계 모델을 사용하여 합성된 RF 간섭으로 손상되었다. 이 예에서, 본 발명자들은 RF 간섭이 특정 구조를 갖는 것을 인식하였고, 이는 수식
Figure pct00020
에 의해 모델링될 수 있으며, 여기서 αm은 간섭의 세기이고, βm은 이미지 공간 내의 간섭 노이즈의 위치를 결정하고, ε은 추가적인 가우시안 노이즈가다. 이어서, 손상된 및 원래의 간섭없는 이미지들이 신경 네트워크를 트레이닝하기 위해 사용되었다.
도 2b는 본 명세서에 설명된 기술의 일부 실시예들에 따라, MR 이미지들 내의 RF 간섭을 억제하는 것에 대해 도 2a에 도시된 예시적인 신경 네트워크의 애플리케이션을 예시한다. 도 2a의 네트워크는 손실 함수에서 λc=1e-5, λs=1e-2 및 악화 함수에서 M ∼ Uniform(0,60), αm ∼ Uniform(0,1) 및 βm ∼ Uniform(0,1)로 트레이닝되었다. 신경 네트워크는 에포크(epoch) 당 8192개의 체적들을 갖고 배치 크기가 64인 1000개의 에포크들에 대해 트레이닝되었다.
도 2b는 2개의 상이한 MR 이미지들 각각에 대해, 하기 3개의 이미지들을 도시한다: (1) 지상 검증(간섭없는 원래의 이미지); (2) 간섭 손상된 MR 이미지; 및 (3) RF 간섭을 억제하기 위해 도 2a의 모델을 사용함으로써 획득된 무결함 이미지. 결과들은, 모델이 손상된 이미지의 지퍼 라인들을 억제하며 이와 동시에 다른 뇌 특징부들을 보존함을 보여준다. 도 2b에 도시된 2개의 슬라이스들의 경우, 전체 SSIM이 각각 0.862로부터 0.919로, 그리고 0.884로부터 0.918로 향상되었고; 간섭 노이즈에 의해 영향받은 영역(수직 방향에서 간섭 라인에 가장 가까운 20개의 픽셀들)의 경우, SSIM은 0.377로부터 0.744로, 그리고 0.472로부터 0.743으로 극적으로 개선되었다.
도 3은 본 명세서에 설명된 기술의 일부 실시예들에 따라, 신경 네트워크 모델을 사용하여 입력 MR 데이터에 존재하는 하나 이상의 아티팩트들을 억제하기 위한 예시적인 프로세스(300)의 흐름도이다. 프로세스(300)는 임의의 적합한 컴퓨팅 디바이스를 사용하여 실행될 수 있다. 예를 들어, 일부 실시예들에서, 프로세스(300)는 대상(또는 객체)를 촬영함으로써 MR 데이터를 획득한 MRI 시스템과 (예를 들어, 동일한 공간에) 공동 위치된 컴퓨팅 디바이스에 의해 수행될 수 있다. 다른 예로서, 일부 실시예들에서, 프로세스(300)는 입력 MR 데이터를 획득한 MRI 시스템으로부터 원격에 (예를 들어, 클라우드 컴퓨팅 환경의 일부로서) 위치된 하나 이상의 프로세서들에 의해 수행될 수 있다.
프로세스(300)는 동작(302)에서 시작하고, 여기서 입력 MR 데이터가 획득된다. 일부 실시예들에서, 입력 MR 데이터는 MRI 시스템에 의해 이전에 획득되었고 후속 분석을 위해 저장되어, 동작(302)에서 액세스된다. 다른 실시예들에서, 입력 MR 데이터는 프로세스(300)의 일부로서 MRI 시스템(본 명세서에 설명된 MRI 시스템들 중 임의의 것을 포함함)에 의해 획득될 수 있다. 일부 실시예들에서, 데이터는 데카르트 샘플링 궤적을 사용하여 획득되었을 수 이다. 다른 실시예들에서, 데이터는 비-데카르트 샘플링 궤적을 사용하여 획득되었을 수 있으며, 그 예들은 본 명세서에 제공된다.
선택적일 수 있고 앞서 설명된 바와 같이 입력 MR 데이터를 센서 도메인으로부터 공간 주파수 도메인으로 변환하는 것을 수반할 수 있는 하나 이상의 전처리 단계들 이후, 프로세스(300)는 신경 네트워크 모델을 사용하여 공간 주파수 도메인에서 적어도 하나의 아티팩트가 억제되는 동작(304)으로 이동한다.
일부 실시예들에서, 공간 주파수 도메인 프로세싱은 2개의 스테이지들에서 수행된다. 예를 들어, 하나의 스테이지 동안, 신경 네트워크 모델의 제1 부분은 프로세싱 파이프라인(100)의 스테이지(106) 및 도 1a 내지 도 1e 및 도 2a와 도 2b를 참조하는 것을 포함하여 본 명세서에 설명된 바와 같이, 공간 주파수 도메인에서 RF 간섭을 억제하기 위해 사용될 수 있다. 이어서, 다른 (일부 실시예들에서는, 직후의) 스테이지 동안, 노이즈는 프로세싱 파이프라인(100)의 스테이지(108) 및 도 1a 내지 도 1e를 참조하는 것을 포함하여 본 명세서에 설명된 바와 같이, 공간 주파수 도메인 내의 MR 데이터에서 억제될 수 있다. 그러나, 다른 실시예들에서, 상이한 수(예를 들어, 1개, 3개, 4개, 5개 등)의 아티팩트 억제 스테이지들이 사용될 수 있는데, 이는 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다. 예를 들어, 일부 실시예들에서, 공간 주파수 도메인에서 노이즈 및 RF 간섭을 동시에 억제하기 위해 동작(304)에서 단일 아티팩트 억제 스테이지가 사용될 수 있다.
다음으로, 프로세스(300)는 동작(306)으로 이동하고, 여기서 공간 도메인 MR 데이터를 이미지 도메인 데이터로 변환하기 위해 이미지 재구성이 수행된다. 재구성은 임의의 적합한 방식으로 수행될 수 있다. 예를 들어, 공간 주파수 도메인 데이터가 데카르트 그리드 상에서 이격될 때, 데이터는 2D 푸리에 역변환을 사용하여(예를 들어, 2D 고속 푸리에 역변환을 사용하여) 변환될 수 있다. 다른 예로서, 공간 주파수 도메인 데이터가 언더-샘플링될 때, 데이터는 불균일한 푸리에 역변환을 사용하여, 비-데카르트 k-공간 데이터로부터 이미지 데이터를 재구성하기 위한 신경 네트워크 모델을 사용하여, 압축 감지를 사용하여 그리고/또는 임의의 다른 적합한 방법들을 사용하여 변환될 수 있는데, 이는, 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다.
다음으로, 프로세스(300)는 동작(308)으로 이동하고, 여기서 동작(306)에서 획득된 이미지에 존재하는 아티팩트들을 억제하기 위해 신경 네트워크 모델이 적용된다. 신경 네트워크 모델은 이미지 도메인에서 적용될 수 있고, 본 명세서에 설명된 아키텍처들 중 임의의 것을 포함하는 임의의 적합한 아키텍처를 가질 수 있다. 일부 실시예들에서, 동작(308)의 프로세싱은 프로세싱 파이프라인(100)의 스테이지(112) 및 도 1a 내지 도 1e를 참조하는 것을 포함하여 본 명세서에 설명된 바와 같이, 수행될 수 있다. 동작(308)이 완료된 후, 프로세스(300)는 동작(310)으로 이동하고, 여기서 결과적 MR 이미지가 출력된다(예를 들어, 후속 액세스를 위해 저장되고, 네트워크를 통해 수신자에게 송신되는 등).
일부 실시예들에서, 프로세스(300)의 일부로서, 3개의 부분들을 갖는 신경 네트워크 모델이 이용될 수 있다. 제1 부분은 공간 주파수 도메인에서 RF 간섭을 억제하도록 구성될 수 있다. 제2 부분은 공간 주파수 도메인에서 노이즈를 억제하도록 구성될 수 있다. 제3 부분은 이미지 도메인에서 노이즈를 억제하도록 구성될 수 있다. 이러한 부분들은 공동으로 또는 서로 독립적으로 트레이닝될 수 있다. 일부 실시예들에서, 모든 3개의 부분들이 사용되지만, 다른 실시예들에서는 이러한 부분들 중 하나 또는 2개가 생략될 수 있다.
도 3의 예시적인 예에서, 동작(304)은 공간 주파수 도메인에서 MR 데이터 내의 아티팩트들을 억제하는 것을 수반한다. 그러나, 다른 실시예들에서, 아티팩트들은 센서 도메인 또는 임의의 다른 적합한 도메인에서 억제될 수 있는데, 이는 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다.
앞서 설명된 신경 네트워크 모델들을 트레이닝하는 추가적인 양상들은 다음에 논의된다.
일부 실시예들에서, 아티팩트들로 손상된 트레이닝 데이터로부터 아티팩트들을 억제하기 위해 신경 네트워크들을 트레이닝하는데 잔여 트레이닝 전략이 이용될 수 있다. 이러한 잔여 트레이닝 전략의 일부로서, 입력 데이터는 관심있는 신호를 손상시키는 원하지 않는 아티팩트들(예를 들어, RF 간섭, 노이즈 등)과 관심있는 신호(예를 들어, MR 신호)의 중첩을 포함할 수 있다. 타겟 데이터는 원하지 않는 아티팩트 데이터(예를 들어, 입력 데이터를 생성하기 위해 관심있는 MR 신호에 추가된 RF 간섭 신호)일 수 있다. 이어서, 출력 데이터는 원하지 않는 아티팩트(예를 들어, RF 간섭 신호)이고, 따라서 목적은 무결함 MR 신호보다는 원하지 않는 아티팩트 데이터를 추정하는 것이다. 이러한 접근법은 때때로 "잔여 트레이닝"으로 지칭된다. 이러한 방식으로 트레이닝된 신경 네트워크 모델은 트레이닝 동안 수렴에 도움이 되는 아티팩트없는 데이터를 생성하는 학습보다는 아티팩트들을 갖는 및 갖지 않는 데이터 사이의 차이들을 학습하는데 초점을 맞춘다.
일부 실시예들에서, 다수의 손실 함수들의 하나의 또는 선형 결합이 본 명세서에 설명된 신경 네트워크 모델들을 트레이닝하기 위해 이용될 수 있다:
Figure pct00021
출력 및 타겟 데이터 사이의 L2 손실
Figure pct00022
출력 및 타겟 데이터 사이의 L1 손실
Figure pct00023
출력 및 타겟 데이터 사이의 L2 가중된 손실. 가중치들은 k-공간 좌표에 기초하여 계산될 수 있다. 공간 주파수가 높을수록(k-공간의 중심에서 멀수록) 가중치가 커진다. 이러한 가중치들을 사용하는 것은, 결과 모델이 낮은 주파수들보다 노이즈가 많은 높은 공간 주파수들을 유지하게 한다.
Figure pct00024
출력에 대한 L1 가중된 정규화. 선택적으로 가중 이후, l1 놈(norm)을 사용함으로써 신경 네트워크의 출력에 대해 희소 프라이어(sparse prior)가 강화될 수 있다. 가중치들은 k-공간 좌표에 기초하여 계산될 수 있다. 공간 주파수가 높을수록(k-공간의 중심에서 멀수록) 가중치가 작아진다. 이는 희소성을 독려한다.
Figure pct00025
생성적 적대적 Nets 손실
Figure pct00026
구조화된 유사성 인덱스 손실
Figure pct00027
임의의 다른 손실 함수들은 도 1a 내지 도 1e 및 도 2a와 도 2b와 관련되는 것을 포함하여 본 명세서에 설명된다.
본 명세서에 설명된 손실 함수들은, 신경 네트워크가 동작하는 도메인에 관계없이 임의의 적합한 도메인(예를 들어, 센서 도메인, k-공간 도메인, 이미지 도메인) 또는 임의의 표현(예를 들어, 가중 이후)에서 컴퓨팅될 수 있음을 인식해야 한다. 예를 들어, 공간 주파수 데이터에 대해 동작하도록 설계된 신경 네트워크는 공간 주파수 데이터를 입력으로 취하고 공간 주파수 데이터를 출력으로 생성할 수 있지만, 트레이닝 동안 그 손실 함수는 이미지 도메인에서 (예를 들어, 푸리에 변환에 의한 데이터의 적합한 변환 이후) 계산될 수 있다. 이는, 일부 손실 함수들이 간단하지 않거나 하나의 도메인에서 컴퓨팅하는 것이 가능하지 않을 수 있지만, 다른 도메인에서 컴퓨팅하기에 더 쉬울 수 있기 때문에 유용하다(예를 들어, 이미지 도메인에서 손실된 SSIM을 계산하는 것이 자연스럽다). 결과적으로, 입력 데이터는 신경 네트워크의 적용 이전에 임의의 적합한 변환을 사용하여(예를 들어, k-공간으로 그리딩 및/또는 푸리에 변환을 수행함으로써) 변환될 수 있다.
데이터로부터 신경 네트워크 파라미터들을 추정하기 위해 임의의 적합한 최적화 기술이 사용될 수 있다. 예를 들어, 하기 최적화 기술들, 즉, 확률적 경사 하강법(stochastic gradient descent; SGD), 미니-배치 경사 하강법(mini-batch gradient descent), 운동량 SGD, Nesterov 가속 경사, Adagrad, Adadelta, RMSprop, 적응형 모멘트 추정(Adaptive Moment Estimation; Adam), AdaMax, Nesterov-가속 적응형 모멘트 추정(Nadam), AMSGrad 중 하나 이상이 사용될 수 있다.
일부 실시예들에서, 본 명세서에 설명된 신경 네트워크 모델들을 트레이닝하기 위해 사용되는 트레이닝 데이터는, (1) RF 아티팩트 측정들을 합성 및/또는 측정하는 것; (2) MR 측정들을 합성 및/또는 측정하는 것; 및 (3) 아티팩트-손상된 MR 데이터를 획득하기 위해 획득된 RF 아티팩트 및 MR 측정들을 결합하는 것에 의해 획득될 수 있다. 차례로, 아티팩트-손상된 MR 데이터(및 대응하는 별개의 아티팩트 및 MR 데이터 컴포넌트들)는 MR 데이터 내의 아티팩트들을 억제하기 위한 하나 이상의 신경 네트워크 모델들을 트레이닝하기 위해 사용될 수 있다.
일부 실시예들에서, 합성 및/또는 측정된 RF 아티팩트 측정들은 간섭 및/또는 노이즈의 다양한 소스들을 표현할 수 있다. 예를 들어, 합성 및/또는 측정된 RF 아티팩트 측정들은 컴퓨터들, 모니터들, 셀 폰들, 블루투스 디바이스들, 의료 디바이스들(예를 들어, EEG, ECG, 맥박 산소 측정기, 심장 모니터들, 혈압 커프(cuff) 등), 변압기들, 모터들, 펌프들, 팬들 및 인공 호흡기들을 포함하지만 이에 제한되지 않는 하나 이상의 전자 디바이스들에 의해 생성된 외부 RF 간섭을 표현할 수 있다. 또 다른 예로서, 합성 및/또는 측정된 RF 아티팩트 측정들은 MRI 시스템의 전력 컴포넌트들 및/또는 자기 컴포넌트들(예를 들어, 경사 코일들, 전력 증폭기들 등)에 의해 생성된 내부 RF 간섭을 표현할 수 있다. 이러한 간섭은 촬영에 이용되는 펄스 시퀀스의 함수로서 예측가능한 방식으로 나타날 수 있다. 이러한 간섭은 하나 이상의 펄스 시퀀스들을 사용하여 MRI 시스템의 동작 동안 효과적으로 측정될 수 있다. 다른 예로서, 합성 및/또는 측정된 RF 아티팩트 측정들은 MR 수신기 체인 또는 촬영되고 있는 대상(또는 객체)에 의해 생성된 노이즈를 표현할 수 있다.
일부 실시예들에서, RF 아티팩트 측정들은 MRI 시스템의 환경에 존재하는 임의의 RF 아티팩트들을 직접 또는 간접적으로 캡처하도록 구성된 임의의 센서를 사용하여 획득될 수 있다. 이러한 센서는 MRI 시스템 센서들 자체(예를 들어, 하나 이상의 RF 코일들) 및/또는 MRI 시스템 근처 또는 심지어 다른 위치들(예를 들어, 병원의 다른 공간들)에 있을 수 있는 임의의 보조 센서들을 포함할 수 있다.
일부 실시예들에서, RF 아티팩트 측정들은 하나 이상의 센서들에 의해 획득될 수 있는 한편, MRI 시스템은 촬영 영역에 존재하는 대상(또는 객체)에 의한 MR 취득 동안 또는 MRI 시스템의 촬영 영역에 존재하는 대상(또는 객체) 없이 하나 이상의 펄스 시퀀스들을 실행한다. 예를 들어, 일부 실시예들에서, RF 아티팩트들은 (MR 신호의 생성을 회피하는) 임의의 RF 여기 펄스들을 전송하지 않고 하나 이상의 센서들에 의해 측정될 수 있다.
일부 실시예들에서, RF 아티팩트 측정들을 획득하는 방식은 펄스 시퀀스의 하나 이상의 특성들(예를 들어, 샘플링 레이트, 판독 지속기간, 반복 시간 등)에 기초할 수 있다. 예를 들어, 일부 실시예들에서, RF 아티팩트 측정들은 관심있는 펄스 시퀀스와 일치하는 판독 지속기간 및 샘플링 레이트에서 하나 이상의 센서들에 의해 취득될 수 있다. 일부 실시예들에서, 연속적인 아티팩트 측정들 사이의 반복 시간은 펄스 시퀀스와 일치할 수 있고 그것의 반복 시간(TR)에 매칭할 수 있다.
도 4a는 본 명세서에 설명된 기술의 일부 실시예들에 따라, MR 데이터 내의 아티팩트들을 억제하기 위해 신경 네트워크 모델을 트레이닝하기 위한 트레이닝 데이터를 생성하기 위한 기술들을 예시한다.
도 4a에 도시된 바와 같이, 트레이닝 데이터(420)를 생성하는 것은 RF 아티팩트 측정들을 생성하는 것, MR 측정들을 생성하는 것 및 트레이닝 데이터(420)를 획득하기 위해 결합 블록(416)을 사용하여 이들을 결합하는 것을 포함할 수 있다.
일부 실시예들에서, RF 아티팩트 측정들을 생성하는 것은 (예를 들어, 하나 이상의 생성 통계 모델들, 하나 이상의 물리 기반 모델들 등을 사용하여) RF 아티팩트 측정들(412)을 합성하는 것을 포함할 수 있다. 일부 실시예들에서, RF 아티팩트 측정들을 생성하는 것은 RF 아티팩트 측정들(408)을 획득하기 위해 하나 이상의 센서들(402)을 사용하는 것을 포함할 수 있다.
일부 실시예들에서, MR 측정들을 생성하는 것은 (예를 들어, 하나 이상의 생성 통계 모델들, 하나 이상의 물리 기반 모델들 등을 사용하여) MR 측정들(410)을 합성하는 것을 포함할 수 있다. 일부 실시예들에서, MR 측정들을 생성하는 것은 무결함 RF MR 측정들(406) 및/또는 아티팩트 손상된 측정들(404)을 획득하기 위해 하나 이상의 센서들(402)을 사용하는 것을 포함할 수 있다. 측정들은 실제 대상(예를 들어, 환자) 및/또는 객체(예를 들어, 환상)일 수 있다.
일부 실시예들에서, 센서들(402)을 사용하여 획득된 임의의 측정들은 전처리될 수 있다. 예를 들어, 측정들은 리샘플링, 압축, 사전 노이즈 제거, 사전 화이트닝, 필터링, 증폭 및/또는 임의의 다른 적합한 방식으로 전처리될 수 있다.
일부 실시예들에서, MR 및 RF 아티팩트 측정들은 도메인 변환(418)을 통해 임의의 적합한 도메인으로 변환될 수 있다. 예를 들어, 측정들은 분석적 또는 학습된 변환들(예를 들어, 푸리에 변환, 웨이블릿 변환 등)을 사용하여 임의의 다른 도메인으로 변환될 수 있다.
일부 실시예들에서, 트레이닝 데이터가 수집된 후, 아티팩트 손상 데이터(입력)는 무결함 버전(타겟)과 쌍을 이루고, 전술된 최적화 알고리즘들 중 임의의 것을 사용하여 신경 네트워크 모델의 파라미터들을 추정하기 위해 사용된다.
도 4b는 본 명세서에 설명된 기술의 일부 실시예들에 따라, MR 데이터 내의 아티팩트들을 억제하기 위해 신경 네트워크 모델을 트레이닝하기 위한 트레이닝 데이터를 생성하기 위한 예시적인 예를 도시한다.
도 5는 MRI 시스템(500)의 예시적인 컴포넌트들의 블록도이다. 도 5의 예시적인 예에서, MRI 시스템(500)은 워크스테이션(504), 제어기(506), 펄스 시퀀스 저장부(508), 전력 관리 시스템(510) 및 자기 컴포넌트들(520)을 포함한다. 시스템(500)은 예시적이고, MRI 시스템은 도 5에 예시된 컴포넌트들에 추가로 또는 그 대신에 임의의 적합한 타입의 하나 이상의 다른 컴포넌트들을 가질 수 있음을 인식해야 한다.
도 5에 예시된 바와 같이, 자기 컴포넌트들(520)은 B0 자석(522), 심(shim) 코일들(524), RF 송신 및 수신 코일들(526) 및 경사 코일들(528)을 포함한다. B0 자석(522)은 적어도 부분적으로 주 자기장 B0을 생성하기 위해 사용될 수 있다. B0 자석(522)은 주 자기장(예를 들어, 대략 0.2T 이하의 저-필드 강도)을 생성할 수 있는 임의의 적합한 유형의 자석일 수 있고, 하나 이상의 B0 코일들, 보정 코일들 등을 포함할 수 있다. 심 코일들(524)은 자석(522)에 의해 생성된 B0 필드의 균질성을 개선하기 위해 자기장(들)에 기여하는데 사용될 수 있다. 경사 코일들(528)은 경사 필드들을 제공하도록 배열될 수 있으며, 예를 들어, MR 신호들이 유도되는 위치를 국부화하기 위해 3개의 실질적으로 직교하는 방향들(X, Y, Z)에서 자기장 내의 경사들을 생성하도록 배열될 수 있다.
RF 송신 및 수신 코일들(526)은 자기장(B1)을 유도하기 위해 RF 펄스들을 생성하기 위해 사용될 수 있는 하나 이상의 송신 코일들을 포함할 수 있다. 송신/수신 코일(들)은 대상에서 MR 응답을 여기시키고 방출된 결과적 MR 신호들을 검출하도록 구성된 임의의 적합한 유형의 RF 펄스들을 생성하도록 구성될 수 있다. RF 송신 및 수신 코일들(526)은 하나의 또는 다수의 송신 코일들 및 하나의 또는 다수의 수신 코일들을 포함할 수 있다. 송신/수신 코일들의 구성은 구현에 따라 다르며, 송신 및 수신을 둘 모두를 위한 단일 코일, 송신 및 수신을 위한 별개의 코일들, 송신 및/또는 수신을 위한 다수의 코일들, 또는 단일 채널 또는 병렬 MRI 시스템들을 달성하기 위한 임의의 조합을 포함할 수 있다. 따라서, 송신/수신 자기 컴포넌트들은 일반적으로 MRI 시스템의 송신 및 수신 컴포넌트에 대한 다양한 구성들을 지칭하기 위해 종종 Tx/Rx 또는 Tx/Rx 코일들로 지칭된다.
자기 컴포넌트들(520) 각각은 임의의 적합한 유형일 수 있고 임의의 적절한 방식으로 구성될 수 있다. 예를 들어, 일부 실시예들에서, B0 자석(522)은 (예를 들어 도 6, 도 7 및 도 8a와 도 8b를 참조하여 아래에서 설명되는 바와 같이) 전자석 또는 영구 자석일 수 있다. 다른 예로서, 일부 실시예들에서, 하나 이상의 자기 컴포넌트들(520)(예를 들어, 심 코일들(524) 및/또는 경사 코일들(528))은 라미네이트 기술들을 사용하여 제조될 수 있다.
전력 관리 시스템(510)은 저-필드 MRI 시스템(500)의 하나 이상의 컴포넌트들에 동작 전력을 제공하는 전자 장치들을 포함한다. 예를 들어, 전력 관리 시스템(510)은 하나 이상의 전원들, 경사 전력 증폭기들, 송신 코일 증폭기들 및/또는 저-필드 MRI 시스템(500)의 컴포넌트들에 에너지를 공급하고 동작시키기 위해 적합한 동작 전력을 제공하기 위해 필요한 임의의 다른 적합한 전력 전자 장치들을 포함할 수 있다.
도 5에 예시된 바와 같이 , 전력 관리 시스템(510)은 전원(512), 증폭기(들)(514), 송/수신 스위치(516) 및 열 관리 컴포넌트들(518)을 포함한다. 전원(512)은 저-필드 MRI 시스템(500)의 자기 컴포넌트들(520)에 동작 전력을 제공하는 전자 장치들을 포함한다. 예를 들어, 일부 실시예들에서, 전원(512)은 저-필드 MRI 시스템, 하나 이상의 심 코일들(524) 및/또는 하나 이상의 경사 코일들(528)에 대한 주 자기장을 생성하기 위해 하나 이상의 B0 코일(예를 들어, B0 자석(522))에 동작 전력을 제공하는 전자 장치를 포함할 수 있다. 일부 실시예들에서, 전원(512)은 단극 연속파(CW) 전원일 수 있지만, 임의의 적합한 전원이 사용될 수 있다. 송신/수신 스위치(516)는 RF 송신 코일들 또는 RF 수신 코일들이 동작되고 있는지 여부를 선택하기 위해 사용될 수 있다.
일부 실시예들에서, 증폭기(들)(514)는 하나 이상의 RF 수신 코일들(예를 들어, 코일들(524))에 의해 검출된 MR 신호들을 증폭하는 하나 이상의 RF 수신(Rx) 전치 증폭기, 하나 이상의 RF 송신 코일들(예를 들어, 코일들(526))에 전력을 제공하도록 구성된 하나 이상의 RF 송신(Tx) 증폭기들, 하나 이상의 경사 코일들(예를 들어, 경사 코일들(528))에 전력을 제공하도록 구성된 하나 이상의 경사 전력 증폭기들, 및/또는 하나 이상의 심 코일들(예를 들어, 심 코일들(524))에 전력을 제공하도록 구성된 하나 이상의 심 증폭기들을 포함할 수 있다.
일부 실시예들에서, 열 관리 컴포넌트들(518)은 저-필드 MRI 시스템(500)의 컴포넌트들에 대한 냉각을 제공하고, 저-필드 MRI 시스템(500)의 하나 이상의 컴포넌트들에 의해 생성된 열 에너지를 이러한 컴포넌트들로부터 멀리 전달하는 것을 용이하게 함으로써 이를 수행하도록 구성될 수 있다. 열 관리 컴포넌트들(518)는 제한 없이, 물 기반 또는 공기 기반 냉각을 수행하는 컴포넌트들을 포함할 수 있고, 이는, B0 코일들, 경사 코일들, 심 코일들 및/또는 송신/수신 코일들을 포함하지만 이에 제한되지 않는 열을 생성하는 MRI 컴포넌트들과 통합되거나 그에 매우 근접하게 배열될 수 있다. 열 관리 컴포넌트들(518)은 저-필드 MRI 시스템(500)의 컴포넌트들로부터 열을 멀리 전달하기 위해 공기 및 물을 포함하지만 이에 제한되지 않는 임의의 적합한 열 전달 매체를 포함할 수 있다.
도 5에 예시된 바와 같이, 저-필드 MRI 시스템(500)은 전력 관리 시스템(510)에 명령을 전송하고 그로부터 정보를 수신하는 제어 전자 장치들을 갖는 제어기(506)(또한 콘솔로 지칭됨)를 포함한다. 제어기(506)는, 원하는 시퀀스로 자기 컴포넌트들(520)을 동작시키기 위해 전력 관리 시스템(510)에 전송된 명령을 결정하기 위해 사용되는 하나 이상의 펄스 시퀀스들을 구현하도록 구성될 수 있다. 예를 들어, 제어기(506)는 bSSFP(balanced steady-state free precession) 펄스 시퀀스, 저-필드 경사 에코 펄스 시퀀스, 저-필드 스핀 에코 펄스 시퀀스, 저-필드 반전 복구 펄스 시퀀스, 동맥 스핀 라벨링(arterial spin labeling), 확산 가중된 촬영(diffusion weighted imaging; DWI) 및/또는 임의의 다른 적합한 펄스 시퀀스와 관련하여 자기 컴포넌트들(520)을 동작시키도록 전력 관리 시스템(510)을 제어하도록 구성될 수 있다. 제어기(506)는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 임의의 적합한 조합으로 구현될 수 있는데, 이는 본 명세서에 제공된 개시의 양상들이 이러한 양상으로 제한되지 않기 때문이다.
일부 실시예들에서, 제어기(506)는 하나 이상의 펄스 시퀀스들 각각에 대한 정보를 저장하는 펄스 시퀀스 저장소(508)로부터의 펄스 시퀀스에 대한 정보를 획득함으로써 펄스 시퀀스를 구현하도록 구성될 수 있다. 특정 펄스 시퀀스에 대해 펄스 시퀀스 저장소(508)에 의해 저장된 정보는 제어기(506)가 특정 펄스 시퀀스를 구현할 수 있게 하는 임의의 적합한 정보일 수 있다. 예를 들어, 펄스 시퀀스에 대해 펄스 시퀀스 저장소(508)에 저장된 정보는 펄스 시퀀스에 따라 자기 컴포넌트들(520)을 동작시키기 위한 하나 이상의 파라미터들(예를 들어, RF 송신 및 수신 코일들(526)을 동작시키기 위한 파라미터들, 경사 코일들(528)을 동작시키기 위한 파라미터들 등), 펄스 시퀀스에 따라 전력 관리 시스템(510)을 동작시키기 위한 하나 이상의 파라미터들, 제어기(506)에 의해 실행될 때 제어기(506)로 하여금 펄스 시퀀스 및/또는 임의의 다른 적합한 정보에 따라 시스템(500)을 제어하게 하는 명령어들을 포함하는 하나 이상의 프로그램들을 포함할 수 있다. 펄스 시퀀스 저장소(508)에 저장된 정보는 하나 이상의 비일시적 저장 매체들에 저장될 수 있다.
도 5에 예시된 바와 같이, 일부 실시예들에서, 제어기(506)는 수신된 MR 데이터(일부 실시예들에서, 센서 또는 공간 주파수 도메인 MR 데이터일 수 있음)를 프로세싱하도록 프로그래밍된 컴퓨팅 디바이스(504)와 상호작용할 수 있다. 예를 들어, 컴퓨팅 디바이스(504)는 입력 MR 데이터로부터 MR 이미지들을 생성하기 위해 신경 네트워크 모델들을 사용하는 본 명세서에 설명된 기술들 중 임의의 것을 사용하는 것을 포함하여 임의의 적합한 이미지 재구성 프로세스(들)를 사용하여 하나 이상의 MR 이미지들을 생성하기 위해 수신된 MR 데이터를 프로세싱할 수 있다. 예를 들어, 컴퓨팅 디바이스(504)는 도 3을 참조하여 본 명세서에 설명된 프로세스들 중 임의의 것을 수행할 수 있다. 제어기(506)는 컴퓨팅 디바이스에 의한 데이터의 프로세싱을 위해 하나 이상의 펄스 시퀀스들에 대한 정보를 컴퓨팅 디바이스(504)에 제공할 수 있다. 예를 들어, 제어기(506)는 하나 이상의 펄스 시퀀스들에 대한 정보를 컴퓨팅 디바이스(504)에 제공할 수 있고 컴퓨팅 디바이스는 제공된 정보에 적어도 부분적으로 기초하여 이미지 재구성 프로세스를 수행할 수 있다.
일부 실시예들에서, 컴퓨팅 디바이스(504)는 취득된 MR 데이터를 프로세싱하고 촬영되고 있는 대상의 하나 이상의 이미지들을 생성하도록 구성된 임의의 전자 디바이스 또는 디바이스들일 수 있다. 일부 실시예들에서, 컴퓨팅 디바이스(504)는 데스크톱 컴퓨터, 서버, 랙 장착형 컴퓨터, 또는 MR 데이터를 프로세싱하고 촬영되고 있는 대상의 하나 이상의 이미지들을 생성하도록 구성될 수 있는 임의의 다른 적합한 고정 전자 장치와 같은 고정 전자 디바이스를 포함할 수 있다. 대안적으로, 컴퓨팅 디바이스(504)는 스마트 폰, 개인 휴대 정보 단말, 랩톱 컴퓨터, 태블릿 컴퓨터, 또는 MR 데이터를 프로세싱하고 촬영되고 있는 대상의 하나 이상의 이미지들을 생성하도록 구성될 수 있는 임의의 다른 휴대용 디바이스와 같은 휴대용 디바이스일 수 있다. 일부 실시예들에서, 컴퓨팅 디바이스(504)는 임의의 적합한 유형의 다수의 컴퓨팅 디바이스들을 포함할 수 있는데, 이는 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다.
일부 실시예들에서, 사용자(502)는 저-필드 MR 시스템(500)의 양상들을 제어하고, 그리고/또는 저-필드 MR 시스템(500)에 의해 획득된 이미지들을 뷰잉하기 위해 컴퓨팅 디바이스(504)와 상호작용할 수 있다(예를 들어, 특정 펄스 시퀀스에 따라 동작하고, 시스템(500)의 하나 이상의 파라미터들을 조정하는 등을 위해 시스템(500)을 프로그래밍함). 일부 실시예들에 따르면, 컴퓨팅 디바이스(504) 및 제어기(506)는 단일 제어기를 형성하는 반면, 다른 실시예들에서 컴퓨팅 디바이스(504) 및 제어기(506)는 각각 하나 이상의 제어기들을 포함한다. 컴퓨팅 디바이스(504) 및 제어기(506)에 의해 수행되는 기능은 하나 이상의 제어기들의 임의의 조합을 통해 임의의 방식으로 분산될 수 있는데, 이는 본 명세서에 설명된 기술의 양상들이 임의의 특정 구현 또는 아키텍처와 함께 사용하기 위한 것으로 제한되지 않기 때문임을 인식해야 한다.
도 6 및 도 7은 본 명세서에 설명된 기술의 일부 실시예들에 따라, B0 자석에 대한 이중 평면 영구 자석 구성들을 예시한다. 도 6은 일부 실시예들에 따른 영구 B0 자석(600)을 예시한다. 예시된 실시예에서, B0 자석(600)은 이중 평면 기하구조로 배열된 영구 자석들(610a 및 610b), 및 영구 자석들에 의해 생성된 전자기 플럭스를 취득하고 플럭스를 반대쪽 영구 자석으로 전달하여 영구 자석들(610a 및 610b) 사이의 플럭스 밀도를 증가시키는 요크(620)에 의해 형성된다. 영구 자석들(610a 및 610b) 각각은 복수의 동심 영구 자석 링들로부터 형성된다. 특히, 도 6에서 볼 수 있는 바와 같이, 영구 자석(610b)은 영구 자석들(614a)의 외측 링, 영구 자석들(614b)의 중간 링, 영구 자석들(614c)의 내측 링, 및 중심의 영구 자석 디스크(614d)를 포함한다. 4개의 동심 영구 자석 링들로 도시되었지만, 영구 자석(610b)(및 영구 자석(610a))은 임의의 적합한 수의 영구 자석 링들을 가질 수 있는데, 이는 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다. 영구 자석(610a)은 영구 자석(610b)과 실질적으로 동일하게 형성될 수 있으며, 예를 들어 영구 자석(610b)과 동일한 세트의 영구 자석 링들을 포함할 수 있다.
사용되는 영구 자석 재료는 시스템의 설계 요건들에 따라 선택될 수 있다. 예를 들어, 일부 실시예들에 따르면, 영구 자석들(또는 그 일부)은 NdFeB로 제조될 수 있으며, 이는 일단 자화되면 재료의 단위 체적당 비교적 높은 자기장을 갖는 자기장을 생성한다. 일부 실시예들에서, SmCo 재료는 영구 자석들 또는 그 일부를 형성하기 위해 사용된다. NdFeB는 더 높은 필드 강도들을 생성하지만(그리고 일반적으로 SmCo보다 저렴함), SmCo는 적은 열 드리프트를 나타내고 따라서 온도 변동들에 대해 더 안정적인 자기장을 제공한다. 다른 유형들의 영구 자석 재료(들)가 또한 사용될 수 있는데, 이는 본 명세서에 설명된 기술의 양상들이 이러한 양상으로 제한되지 않기 때문이다. 일반적으로, 활용되는 영구 자석 재료의 유형 또는 유형들은 주어진 B0 자석 구현의 필드 강도, 온도 안정성, 중량, 비용 및/또는 사용 용이성 요건들에 적어도 부분적으로 의존할 것이다.
일부 실시예들에서, 영구 자석 링들은 영구 자석들(610a 및 610b) 사이의 촬영 영역(시야)에서 원하는 강도의 균질한 필드를 생성하도록 크기 조정 및 배열된다. 도 6a에 예시된 예시적인 실시예에서, 각각의 영구 자석 링은 복수의 세그먼트들을 포함하고, 각각의 세그먼트는 반경 방향으로 적층되고 각각의 링을 형성하기 위해 주변부에 대해 서로 인접하게 위치된 복수의 영구 자석 블록들을 사용하여 형성된다. 본 발명자들은 각각의 영구 자석의 폭을 (링에 접하는 방향으로) 변경함으로써 더 적은 재료를 사용하면서 유용한 공간의 더 적은 낭비가 달성될 수 있음을 인식하였다. 예를 들어, 유용한 자기장들 생성하지 않는 스택들 사이의 공간은, 예를 들어 블록의 반경 위치의 함수로서 블록들의 폭을 변경함으로써 감소되어, 낭비되는 공간을 감소시키고 주어진 공간에서 생성될 수 있는 자기장의 양을 최대화하기 위해 더 가깝게 맞춰지는 것을 허용할 수 있다. 블록들의 치수들은 또한 원하는 강도 및 균질성의 자기장 생성을 용이하게 하기 위해 원하는 방식으로 변경될 수 있다. 예를 들어, 일부 실시예들에서, 상이한 링들의 블록들의 높이들은 서로 상이할 수 있고 그리고/또는 특정 링 내에서 하나 이상의 블록들의 높이들은 원하는 강도 및 균질성의 자기장을 달성하기 위해 서로 상이할 수 있다.
도 6에 도시된 바와 같이, B0 자석(600)은, 영구 자석들(610a 및 610b)에 의해 생성된 자기 플럭스를 취득 및 배열하고 영구 자석들(610a 및 610b) 사이의 플럭스 밀도를 증가시키기 위해 자기 플럭스를 B0 자석의 반대쪽 측면으로 지향시켜, B0 자석의 시야 내의 필드 강도를 증가시키도록 구성 및 배열되는 요크(620)를 더 포함한다. 자기 플럭스를 캡처하고 이를 영구 자석들(610a 및 610b) 사이의 영역으로 지향시킴으로써, 원하는 필드 강도를 달성하기 위해 더 적은 영구 자석 재료가 사용될 수 있어서, B0 자석(600)의 크기, 중량 및 비용을 감소시킬 수 있다. 대안적으로, 주어진 영구 자석들에 대해, 필드 강도가 증가되어, 증가된 양의 영구 자석 재료를 사용할 필요 없이 시스템의 SNR을 개선할 수 있다. 예시적인 B0 자석(600)의 경우, 요크(620)는 프레임(622) 및 플레이트들(624a 및 624b)을 포함한다. 플레이트들(624a 및 624b)은 영구 자석들(610a 및 610b)에 의해 생성된 자기 플럭스를 캡처하고, 요크의 자기 복귀 경로를 통해 순환되도록 자기 플럭스를 프레임(622)으로 지향시켜 B0 자석의 시야에서 플럭스 밀도를 증가시킬 수 있다. 요크(620)는 요크에 원하는 자기 속성들을 제공하기 위해 임의의 원하는 강자성 재료, 예를 들어 저탄소 강, CoFe 및/또는 실리콘 강 등으로 구성될 수 있다. 일부 실시예들에서, 플레이트들(624a 및 624b)(및/또는 프레임(622) 또는 그 일부)은, 경사 코일들이 와전류를 가장 널리 유도할 수 있는 영역들에서 실리콘 강 등으로 구성될 수 있다.
예시적인 프레임(622)은 각각 플레이트들(624a 및 624b)에 부착되는 아암들(623a 및 623b), 및 영구 자석들에 의해 생성된 플럭스에 대한 자기 복귀 경로를 제공하는 지지부들(625a 및 625b)을 포함한다. 아암은 일반적으로 영구 자석들에 의해 생성된 자기 플럭스의 복귀 경로에 대해 충분한 단면을 제공하면서 영구 자석들을 지지하기 위해 필요한 재료의 양을 감소시키도록 설계된다. 프레임(622)은 B0 자석에 의해 생성된 B0 필드에 대한 자기 복귀 경로 내에 2개의 지지부들을 갖는다. 지지부들(625a 및 625b)은 사이에 형성된 갭(627)을 갖도록 생성되어, 영구 자석들에 의해 생성된 자기 플럭스에 대해 충분한 단면을 제공하면서 프레임에 대한 안정성 및/또는 구조에 대한 가벼움의 조치를 제공한다. 예를 들어, 자기 플럭스의 복귀 경로에 필요한 단면은 2개의 지지 구조들 사이에서 분할되어, 프레임의 구조적 무결성을 증가시키면서 충분한 복귀 경로를 제공할 수 있다.
도 7은 일부 실시예들에 따른 B0 자석(700)을 예시한다. B0 자석(2200)은 도 6에 예시된 B0 자석(600)과 설계 컴포넌트들을 공유할 수 있다. 특히, B0 자석(700)은, 영구 자석들에 의해 생성된 전자기 플럭스를 취득하고 플럭스를 반대쪽 영구 자석으로 전달하여 영구 자석들(710a 및 710b) 사이의 플럭스 밀도를 증가시키기 위해 커플링된 요크(720)를 갖는 이중 평면 기하구조로 배열된 영구 자석들(710a 및 710b)에 의해 형성된다. 영구 자석들(710a 및 710b) 각각은, 영구 자석들(714a)의 외측 링, 영구 자석들(714b)의 중간 링, 영구 자석들(714c)의 내측 링, 및 중심의 영구 자석 디스크(714d)를 포함하는 영구 자석(710b)에 의해 도시된 바와 같이, 복수의 동심 영구 자석들로부터 형성된다. 영구 자석(710a)은 영구 자석(710b)과 동일한 세트의 영구 자석 요소들을 포함할 수 있다. 사용되는 영구 자석 재료는 시스템의 설계 요건들에 따라 선택될 수 있다(예를 들어, 원하는 속성들에 따라 NdFeB, SmCo 등).
영구 자석 링들은 영구 자석들(710a 및 710b) 사이의 중심 영역(시야)에서 원하는 강도의 균질한 필드를 생성하도록 크기 조정 및 배열된다. 도 7의 예시적인 실시예에서, 각각의 영구 자석 링은 원하는 B0 자기장을 생성하도록 크기 조정 및 위치된 복수의 원형 아크 세그먼트들을 포함한다. 도 6에 예시된 요크(620)와 유사한 방식으로, 요크(720)는 영구 자석들(710a 및 710b)에 의해 생성된 자기 플럭스를 캡처하고, 이를 B0 자석의 반대쪽으로 지향시켜 영구 자석들(710a 및 710b) 사이의 플럭스 밀도를 증가시키도록 구성 및 배열된다. 따라서, 요크(720)는 더 적은 영구 자석 재료를 갖는 B0 자석의 시야 내에서 필드 강도를 증가시켜 B0 자석의 크기, 중량 및 비용을 감소시킨다. 요크(720)는 또한 프레임(722) 및 플레이트들(724a 및 724b)를 포함하는데, 이는 요크(720)와 관련하여 위에서 설명된 것과 유사한 방식으로 영구 자석(710a)에 의해 생성된 자기 플럭스를 취득하고 요크의 자기 복귀 경로를 통해 순환시켜, B0 자석의 시야에서 플럭스 밀도를 증가시킨다. 요크(720)의 구조는, 영구 자석들에 의해 생성된 자기 플럭스를 수용하고 충분한 안정성을 제공하기에 충분한 재료를 제공하는 한편, 예를 들어 B0 자석의 비용 및 중량을 감소시키기 위해 사용되는 재료의 양을 최소화하기 위해 위에서 설명된 것과 유사할 수 있다.
영구 B0 자석은 일단 자화되면 자체 영구 자기장을 생성하기 때문에, 영구 B0 자석을 동작시켜 그 자기장을 생성하기 위해 전력이 요구되지 않는다. 결과적으로, (예를 들어, 전력을 요구하는 전자석과 반대로) 영구 자석의 사용을 통해 MRI 시스템의 전체 전력 소비에 대한 상당한(종종 지배적) 기여자가 제거되어, (예를 들어, 표준 벽면 콘센트 또는 일반적인 대형 가전 기기 콘센트를 통해) 주전원을 사용하여 전력공급될 수 있는 MRI 시스템의 배치가 용이하게 된다. 전술된 바와 같이, 본 발명자들은 사실상 임의의 환경에 배치될 수 있고 영상 절차를 겪게 될 환자에게 제공될 수 있는 저전력 휴대용 저-필드 MRI 시스템들을 개발하였다. 이러한 방식으로, 응급실, 중환자실, 수술실 및 다수의 다른 위치들에 있는 환자들은 종래에 MRI가 이용불가능한 환경들에서 MRI의 이점을 얻을 수 있다.
도 8a 및 도 8b는 본 명세서에 설명된 기술의 일부 실시예들에 따른 휴대용 MRI 시스템(800)의 도면들을 예시한다. 휴대용 MRI 시스템(800)은 촬영 영역 내의 플럭스 밀도를 증가시키기 위해 커플링된 요크(820)를 갖는 상부 자석(810a) 및 하부 자석(810b)에 의해 부분적으로 형성된 B0 자석(810)을 포함한다. B0 자석(810)은 경사 코일들(815)과 함께 자석 하우징(812)에 수납될 수 있다(예를 들어, 2015년 9월 4일에 출원되고 발명의 명칭이 "Low Field Magnetic Resonance Imaging Methods and Apparatus"인 미국 출원 제14/845,652호에 설명된 임의의 경사 코일들, 이는 그 전체가 참조로 본 명세서에 통합됨). 일부 실시예들에서, B0 자석(810)은 전자석을 포함한다. 일부 실시예들에서, B0 자석(810)은 영구 자석을 포함한다(예를 들어, 2017년 6월 30일에 출원되고 발명의 명칭이 "LOW-FIELD MAGNETIC RESONANCE IMAGING METHODS AND APPARATUS"인 미국 출원 제15/640,369호에 설명된 임의의 영구 자석, 이는 그 전체가 참조로 본 명세서에 통합됨). 예를 들어, 일부 실시예들에서, B0 자석(810)은, 도 6을 참조하여 설명된 영구 자석(600) 또는 도 7을 참조하여 설명된 영구 자석(700)일 수 있다.
예시적인 휴대용 MRI 시스템(800)은 MRI 시스템을 동작시키는 전자 장치를 수납하는 베이스(850)를 더 포함한다. 예를 들어, 베이스(850)는, 하나 이상의 경사 전력 증폭기들, 온-시스템 컴퓨터, 전력 분배 디바이스, 하나 이상의 전원들, 및/또는 (예를 들어, 표준 벽면 콘센트 및/또는 대형 기기 콘센트를 통해) 주전력을 사용하여 MRI 시스템을 동작시키도록 구성된 임의의 다른 전력 컴포넌트들을 포함하지만 이에 제한되지 않는 전자 장치를 수납할 수 있다. 예를 들어, 베이스(870)는 본 명세서에 설명된 것들과 같은 저전력 컴포넌트들을 수납하여, 적어도 부분적으로 휴대용 MRI 시스템이 쉽게 이용가능한 벽면 콘센트들로부터 전력을 공급받을 수 있게 할 수 있다. 따라서, 휴대용 MRI 시스템(800)은 환자에게 가져 와서 환자 부근의 벽면 콘센트에 플러그인될 수 있다.
휴대용 MRI 시스템(800)은 다양한 구성들로 개방 및 폐쇄되고 위치될 수 있는 이동가능한 슬라이드들(860)을 더 포함한다. 슬라이드들(860)은, 적어도 일부 전자기 노이즈으로부터 촬영 영역을 차폐하기 위해 휴대용 MRI 시스템의 동작 환경에서 전자기 노이즈를 감쇠시키도록 이동가능한 차폐를 형성하기 위해 임의의 적합한 전도성 또는 자성 재료로 제조될 수 있는 전자기 차폐(865)를 포함한다. 본 명세서에 사용된 바와 같이, 전자기 차폐라는 용어는 관심있는 스펙트럼에서 전자기장을 감쇠시키도록 구성되고 관심있는 공간, 객체 및/또는 컴포넌트를 차폐시키도록 배치 또는 배열된 전도성 또는 자성 재료를 지칭한다. MRI 시스템의 맥락에서, 전자기 차폐는 MRI 시스템의 전자 컴포넌트들(예를 들어, 전력 컴포넌트들, 케이블들 등)을 차폐하기 위해, MRI 시스템의 촬영 영역(예를 들어, 시야)를 차폐하기 위해, 또는 둘 모두를 위해 사용될 수 있다.
전자기 차폐를 통해 달성되는 감쇠 정도는 사용되는 재료의 유형, 재료 두께, 전자기 차폐가 바람직하거나 요구되는 주파수 스펙트럼, 전자기 차폐의 애퍼처들의 크기 및 형상(예를 들어, 전도성 메시의 공간들의 크기, 차폐되지 않은 부분들 또는 차폐 내의 갭들의 크기 등) 및/또는 입사 전자기장에 대한 애퍼처들의 배향을 포함하는 다수의 팩터들에 의존한다. 따라서, 전자기 차폐는 일반적으로 적어도 일부 전자기 방사를 감쇠시키는 역할을 하고 적어도 일부 전자기 방사를 감쇠시킴으로써 주어진 공간, 객체 또는 컴포넌트를 적어도 부분적으로 차폐하도록 위치되는 임의의 전도성 또는 자기 장벽을 지칭한다.
차폐(전자기장의 감쇠)가 바람직한 주파수 스펙트럼은 차폐되는 것에 따라 상이할 수 있음을 인식해야 한다. 예를 들어, 특정 전자 컴포넌트들에 대한 전자기 차폐는 MRI 시스템의 촬영 영역에 대한 전자기 차폐와 상이한 주파수들을 감쇠시키도록 구성될 수 있다. 촬영 영역에 관하여, 관심있는 스펙트럼은 MR 응답을 여기 및 검출하는 MRI 시스템의 능력에 영향을 미치고, 충격을 주고 그리고/또는 저하시키는 주파수들을 포함한다. 일반적으로, MRI 시스템의 촬영 영역에 대한 관심있는 스펙트럼은, 수신 시스템이 검출할 수 있거나 검출하도록 구성되는 주어진 B0 자기장 강도에서 공칭 동작 주파수(즉, 라머(Larmor) 주파수)에 대한 주파수들에 대응한다. 이러한 스펙트럼은 본 명세서에서 MRI 시스템에 대한 동작 스펙트럼으로 지칭된다. 따라서, 동작 스펙트럼에 대한 차폐를 제공하는 전자기 차폐는 MRI 시스템의 촬영 영역의 적어도 일부에 대해 적어도 동작 스펙트럼 내의 주파수들을 감쇠시키도록 배열 또는 위치된 전도성 또는 자성 재료를 지칭한다.
따라서, 도 8a 및 도 8b에 예시된 휴대용 MRI 시스템(800)에서, 이동가능한 차폐들은 상이한 배열들로 차폐를 제공하도록 구성가능하고, 이는, 환자를 수용하고 환자에게 접근을 제공하기 위한 필요에 따라 그리고/또는 주어진 촬영 프로토콜에 따라 조정될 수 있다. 예를 들어, 뇌 스캔과 같은 촬영 절차의 경우, 환자가 위치되면, 예를 들어, 핸들(862)를 사용하여 환자의 상체를 수용하는 개구를 제외하고 촬영 영역 주위에 전자기 차폐(865)를 제공하기 위해 슬라이드들(860)이 폐쇄될 수 있다. 다른 예로서, 무릎 스캔과 같은 촬영 절차의 경우, 슬라이드들(860)은 환자의 다리 또는 다리들을 수용하기 위해 양측에 개구들을 갖도록 배열될 수 있다. 따라서, 이동가능한 차폐들은 차폐가 촬영 절차에 적합한 배열들로 구성될 수 있게 하고 환자를 촬영 영역 내에 적절하게 위치시키는 것을 용이하게 한다.
일부 실시예들에서, 하나 이상의 노이즈 감소 및/또는 보상 기술들을 포함하는 노이즈 감소 시스템은 차폐(865)에 의해 차단되지 않거나 충분히 감쇠되지 않은 전자기 노이즈 중 적어도 일부를 억제하도록 수행될 수 있다. 특히, 본 발명자들은, MRI 시스템이 위치된 동작 환경에서 전자기 노이즈를 억제, 회피 및/또는 거부하도록 구성된 노이즈 감소 시스템들을 개발하였다. 일부 실시예들에 따르면, 이러한 노이즈 억제 기술들은, 슬라이드들이 배열될 수 있는 다양한 차폐 구성들에서의 동작을 용이하게 하기 위해 이동가능한 차폐들과 함께 작동한다. 예를 들어, 슬라이드들(960)이 개방될 때, 증가된 레벨들의 전자기 노이즈가 개구들을 통해 촬영 영역으로 진입할 가능성이 높을 것이다. 결과적으로, 노이즈 억제 컴포넌트는 증가된 전자기 노이즈 레벨들을 검출하고 그에 따라 노이즈 억제 및/또는 회피 응답을 적응시킬 것이다. 본 명세서에 설명된 노이즈 억제 및/또는 회피 기술들의 동적 성질로 인해, 노이즈 감소 시스템은 이동가능한 차폐들의 상이한 배열들로 인한 것들을 포함하여 변화하는 노이즈 조건들에 응답하도록 구성된다. 따라서, 일부 실시예들에 따른 노이즈 감소 시스템은 실질적으로 차폐 없는 구성들(예를 들어, 이동가능한 차폐들이 없는 구성들)을 포함하여, 활용될 수 있는 임의의 차폐 구성들에서 MRI 시스템의 동작 환경에서 전자기 노이즈를 억제하기 위해 이동가능한 차폐들과 함께 동작하도록 구성될 수 있다.
슬라이드들이 배치된 배열들에 관계없이 이동가능한 차폐들이 차폐를 제공하도록 보장하기 위해, 이동가능한 차폐의 주변부를 따라 연속적인 차폐를 제공하도록 전기 개스킷들이 배열될 수 있다. 예를 들어, 도 8b에 도시된 바와 같이, 전기 개스킷들(867a 및 867b)은 이러한 인터페이스를 따라 연속적인 차폐를 제공하는 것을 유지하기 위해 슬라이드들(860)과 자석 하우징 사이의 인터페이스에 제공될 수 있다. 일부 실시예들에 따르면, 전기 개스킷들은, 슬라이드들(860)이 촬영 영역에 대해 원하는 위치들로 이동하는 동안 및 그 후에 차폐들(865)과 접지 사이의 전기적 연결을 유지하는 베릴륨 핑거(beryllium finger)들 또는 베릴륨-구리 핑거들 등(예를 들어, 알루미늄 개스킷들)이다.
운송을 용이하게 하기 위해, 예를 들어 조이스틱과 같은 제어부 또는 MRI 시스템 상에 또는 그로부터 원격으로 제공되는 다른 제어 메커니즘을 사용하여 휴대용 MRI 시스템이 일 위치에서 다른 위치로 구동될 수 있도록 전동식 컴포넌트(880)가 제공된다. 이러한 방식으로, 휴대용 MRI 시스템(800)은 환자에게 운송될 수 있고 촬영을 수행하기 위해 침대 옆으로 조작될 수 있다.
본 명세서에 설명된 휴대용 MRI 시스템은 노트패드, 태블릿, 스마트 폰 등과 같은 휴대용 전자 디바이스로부터 동작될 수 있다. 예를 들어, 태블릿 컴퓨터(875)는, 원하는 촬영 프로토콜들을 실행하고 결과적 이미지들을 뷰잉하도록 휴대용 MRI 시스템을 동작시키기 위해 사용될 수 있다. 태블릿 컴퓨터(875)는 데이터 공유, 원격 진료 및/또는 데이터 세트들에 대한 딥 러닝을 위해 이미지들을 전송하도록 보안 클라우드에 연결될 수 있다. 2015년 9월 4일에 출원되고 발명의 명칭이 "Automatic Configuration of a Low Field Magnetic Resonance Imaging System"인 미국 출원 제14/846158호에 설명된 네트워크 접속을 활용하는 임의의 기술들이 본 명세서에 설명된 휴대용 MRI 시스템들과 관련하여 활용될 수 있고, 상기 출원은 그 전체가 참조로 본 명세서에 통합된다.
전술된 바와 같이, 도 9a는 뇌 스캔을 수행하기 위해 환자의 침대 옆으로 운송된 휴대용 MRI 시스템(900)을 예시한다. 도 9b는 환자 무릎의 스캔을 수행하기 위해 환자의 침대 옆으로 운송된 휴대용 MRI 시스템(900)을 예시한다. 도 9b에 도시된 바와 같이, 차폐(960)는 전기 개스킷들(867c)을 갖는다.
도 8a와 도 8b 및 도 9a와 도 9b에 예시된 전자기 차폐들은 예시적이고 MRI 시스템에 대한 차폐를 제공하는 것은 본 명세서에 설명된 예시적인 전자기 차폐로 제한되지 않음을 인식해야 한다. 전자기 차폐는 임의의 적합한 재료들을 사용하여 임의의 적합한 방식으로 구현될 수 있다. 예를 들어, 전자기 차폐는, 촬영 영역을 차폐하기 위한 이동가능한 "커튼"을 제공할 수 있는 전도성 메시, 직물 등을 사용하여 형성될 수 있다. 전자기 차폐는 전자기 간섭으로부터 촬영 영역을 차폐하기 위해 고정식, 이동가능 또는 구성가능한 컴포넌트로서 MRI 시스템에 커플링된 하나 이상의 전도성 스트랩들(예를 들어, 하나 이상의 전도성 재료의 스트립들)을 사용하여 형성될 수 있고, 이들의 일부 예들은 아래에서 더 상세히 설명된다. 전자기 차폐는 도어, 슬라이드 또는 하우징의 이동가능하거나 고정된 부분에 재료들을 내장함으로써 제공될 수 있다. 전자기 차폐들은 고정식 또는 이동가능한 컴포넌트들로서 배치될 수 있는데, 이는 양상들이 이러한 양상으로 제한되지 않기 때문이다.
도 10은 본 명세서에 설명된 실시예들이 구현될 수 있는 예시적인 컴퓨터 시스템의 도면이다. 본 명세서에 제공된 개시의 임의의 실시예들과 관련하여 사용될 수 있는 컴퓨터 시스템(1000)의 예시적인 구현이 도 10에 도시되어 있다. 예를 들어, 도 3 및 4a를 참조하여 설명된 프로세스들은 컴퓨터 시스템(1000) 상에 및/또는 이를 사용하여 구현될 수 있다. 다른 예로서, 컴퓨터 시스템(1000)은 본 명세서에 설명된 신경 네트워크 통계 모델들 중 임의의 것을 트레이닝 및/또는 사용하기 위해 사용될 수 있다. 컴퓨터 시스템(1000)은 컴퓨터 판독가능 비일시적 저장 매체들(예를 들어, 메모리(1004) 및 하나 이상의 비휘발성 저장 매체들(1006))을 포함하는 하나 이상의 제조 물품들 및 하나 이상의 프로세서들(1002)을 포함할 수 있다. 프로세서(1002)는 임의의 적합한 방식으로 메모리(1004) 및 비휘발성 저장 디바이스(1006)에 데이터를 기록하고 그로부터 데이터를 판독하는 것을 제어할 수 있는데, 이는 본 명세서에 제공된 개시의 양상들이 이러한 양상으로 제한되지 않기 때문이다. 본 명세서에 설명된 기능 중 임의의 것을 수행하기 위해, 프로세서(1002)는 하나 이상의 컴퓨터 판독가능 비일시적 저장 매체들(예를 들어, 메모리(1004))에 저장된 하나 이상의 프로세서 실행가능 명령어들을 실행할 수 있으며, 프로세서(1002)에 의한 실행을 위한 프로세서 실행가능 명령어들을 저장하는 컴퓨터 판독가능 비일시적 저장 매체들로서 기능할 수 있다.
따라서, 본 개시에 기재된 기술의 몇몇 양상들 및 실시예들이 설명되면, 다양한 변경들, 수정들 및 개선들은 당업자들에게 용이하게 착안될 것임을 인식해야 한다. 이러한 변경들, 수정들 및 개선들은 본 명세서에 설명된 기술의 사상 및 범위 내에 있는 것으로 의도된다. 예를 들어, 당업자들은 기능을 수행하고 그리고/또는 본 명세서에 설명된 이점들 중 하나 이상 및/또는 결과들을 획득하기 위한 다양한 다른 수단 및/또는 구조들을 쉽게 구상할 것이고, 이러한 변형들 및/또는 수정들 각각은 본 명세서에 설명된 실시예들의 범위 내에 있는 것으로 간주된다. 당업자들은 단지 통상적인 실험을 사용하여, 본 명세서에 설명된 특정 실시예들에 대한 많은 균등물들을 인식할 것이거나 확인할 수 있다. 따라서, 상기 실시예들은 단지 예로서 제시된 것이며, 첨부된 청구항들 및 그에 대한 균등물들의 범위 내에서, 본 발명의 실시예들은 구체적으로 설명된 것과 다르게 실시될 수 있다는 것을 이해해야 한다. 또한, 본 명세서에 설명된 2개 이상의 특징들, 시스템들, 물품들, 재료들, 키트들 및/또는 방법들의 임의의 조합은, 이러한 특징들, 시스템들, 물품들, 재료들, 키트들, 및/또는 방법들이 상호 불일치하지 않으면, 본 개시의 범위 내에 포함된다.
전술한 실시예들은 임의의 다수의 방법들로 구현될 수 있다. 프로세스들 또는 방법들의 성능을 수반하는 본 개시의 하나 이상의 양상들 및 실시예들은 프로세스들 또는 방법들을 수행하거나 그 성능을 제어하기 위해 디바이스(예를 들어, 컴퓨터, 프로세서 또는 다른 디바이스)에 의해 실행가능한 프로그램 명령어들을 활용할 수 있다. 이러한 관점에서, 다양한 본 발명의 개념들은, 하나 이상의 컴퓨터들 또는 다른 프로세서들 상에서 실행되는 경우, 전술된 다양한 실시예들 중 하나 이상을 구현하는 하나 이상의 프로그램들로 인코딩된 컴퓨터 판독가능 저장 매체(또는 다수의 컴퓨터 판독가능 저장 매체)(예를 들어, 컴퓨터 메모리, 하나 이상의 플로피 디스크들, 콤팩트 디스크들, 광학 디스크들, 자기 테이프들, 플래시 메모리들, 필드 프로그래머블 게이트 어레이들의 회로 구성들 또는 다른 반도체 디바이스들, 또는 다른 유형의 컴퓨터 저장 매체)로 구현될 수 있다. 컴퓨터 판독가능 매체 또는 매체들은, 프로그램 또는 그에 저장된 프로그램들이 전술된 양상들 중 다양한 양상들을 구현하기 위해 하나 이상의 상이한 컴퓨터들 또는 다른 프로세서들 상에 로딩될 수 있도록 전송가능할 수 있다. 일부 실시예들에서, 컴퓨터 판독가능 매체들은 비일시적 매체들일 수 있다.
"프로그램" 또는 "소프트웨어"라는 용어들은 전술된 바와 같이 다양한 양상들을 구현하기 위해 컴퓨터 또는 다른 프로세서를 프로그래밍하기 위해 사용될 수 있는 임의의 타입의 컴퓨터 코드 또는 컴퓨터 실행가능 명령어들 세트를 지칭하기 위해 일반적인 의미로 본 명세서에서 사용된다. 추가적으로, 일 양상에 따르면, 실행되는 경우 본 개시의 방법들을 수행하는 하나 이상의 컴퓨터 프로그램들이 단일 컴퓨터 또는 프로세서 상에 상주할 필요는 없지만, 본 개시의 다양한 양상들을 구현하기 위해 모듈 방식으로 다수의 상이한 컴퓨터들 또는 프로세서들 사이에 분산될 수 있음을 인식해야 한다.
컴퓨터 실행가능 명령어들은 하나 이상의 컴퓨터들 또는 다른 디바이스들에 의해 실행되는 프로그램 모듈들과 같은 많은 형태들일 수 있다. 일반적으로, 프로그램 모듈들은 특정한 작업들을 수행하거나 특정한 추상적 데이터 타입들을 구현하는 루틴들, 프로그램들, 객체들, 컴포넌트들, 데이터 구조들 등을 포함한다. 통상적으로, 프로그램 모듈들의 기능은 다양한 실시예들에서 원하는 대로 결합 또는 분산될 수 있다.
또한, 데이터 구조들은 임의의 적절한 형태로 컴퓨터 판독가능 매체에 저장될 수 있다. 예시의 단순화를 위해, 데이터 구조들은 데이터 구조 내의 위치를 통해 관련된 필드를 갖는 것으로 도시될 수 있다. 이러한 관계들은 마찬가지로, 필드들 사이의 관계를 전달하는 컴퓨터 판독가능 매체 내의 위치들을 갖는 필드들에 대해 저장소를 할당함으로써 달성될 수 있다. 그러나 포인터들, 태그들 또는 데이터 요소들 사이의 관계를 설정하는 다른 메커니즘들의 사용을 통하는 것을 포함하여 데이터 구조의 필드들 내의 정보 사이의 관계를 설정하기 위해 임의의 적절한 메커니즘이 사용될 수 있다.
소프트웨어로 구현될 때 소프트웨어 코드는 단일 컴퓨터에서 제공되든 또는 다수의 컴퓨터들 사이에 분산되든 무관하게 임의의 적절한 프로세서 또는 프로세서들의 집합체 상에서 실행될 수 있다.
추가로, 컴퓨터는 비제한적인 예들로서, 랙-장착 컴퓨터, 데스크톱 컴퓨터, 랩탑 컴퓨터 또는 태블릿 컴퓨터와 같은 다수의 형태들 중 임의의 형태로 구현될 수 있음을 인식해야 한다. 추가적으로, 컴퓨터는 개인 휴대 정보 단말(PDA), 스마트 폰 또는 임의의 다른 적절한 휴대용 또는 고정식 전자 디바이스와 같이, 일반적으로 컴퓨터로 간주되지는 않지만 적절한 프로세싱 능력들을 갖는 디바이스에 내장될 수 있다.
또한, 컴퓨터는 하나 이상의 입력 및 출력 디바이스들을 가질 수 있다. 이러한 디바이스들은 무엇보다도 사용자 인터페이스를 제시하기 위해 사용될 수 있다. 사용자 인터페이스를 제공하기 위해 사용될 수 있는 출력 디바이스들의 예들은, 출력의 시작적 제시를 위한 프린터들 또는 디스플레이 스크린들 및 출력의 청각적 제시를 위한 스피커들 또는 다른 음향 생성 디바이스들을 포함한다. 사용자 인터페이스에 사용될 수 있는 입력 디바이스들의 예들은 키보드들 및 포인팅 디바이스들, 예를 들어, 마우스, 터치 패드들 및 디지털화 태블릿들을 포함한다. 다른 예로서, 컴퓨터는 음성 인식을 통해 또는 다른 청각적 포맷들을 통해 입력 정보를 수신할 수 있다.
이러한 컴퓨터들은 로컬 영역 네트워크 또는 광역 네트워크, 예를 들어, 기업 네트워크, 및 지능형 네트워크(IN) 또는 인터넷을 포함하는 임의의 적절한 형태의 하나 이상의 네트워크들에 의해 상호접속될 수 있다. 이러한 네트워크들은 임의의 적절한 기술에 기초할 수 있으며, 임의의 적합한 프로토콜에 따라 동작할 수 있고 무선 네트워크들, 유선 네트워크들 또는 광섬유 네트워크들을 포함할 수 있다.
또한, 설명된 바와 같이, 일부 양상들은 하나 이상의 방법들로서 구현될 수 있다. 방법의 일부로 수행된 동작들은 임의의 적절한 방법으로 순서화될 수 있다. 따라서, 예시된 실시예들에서 순차적인 동작들로 도시되어 있지만, 동작들이 예시된 것과 상이한 순서로 수행되고, 이는 일부 동작들을 동시에 수행하는 것을 포함할 수 있는 실시예들이 구성될 수 있다.
본 명세서에 정의되고 사용되는 바와 같이, 모든 정의들은 사전적 정의들, 참조로 통합된 문헌들의 정의들 및/또는 정의된 용어들의 일반적인 의미를 제어하는 것으로 이해되어야 한다.
본 명세서 및 청구항들에서 본원에 사용된 바와 같은 부정 관사 "a" 및 "an"은 반대로 명확하게 표시되지 않는 한 "적어도 하나"를 의미하는 것으로 이해되어야 한다.
본 명세서 및 청구항들에서 본원에 사용된 바와 같은 어구 "및/또는"은 이렇게 결합된 요소들, 즉 일부 경우들에는 결합적으로 존재하고 다른 경우들에는 분리적으로 존재하는 요소들 중 "어느 하나 또는 둘 모두"를 의미하는 것으로 이해되어야 한다. "및/또는"으로 나열된 다수의 요소들은 동일한 방식으로, 즉, 그렇게 결합된 요소들 중 "하나 이상"으로 해석되어야 한다. "및/또는" 절에 의해 구체적으로 식별된 요소들 이외의 다른 요소들이, 구체적으로 식별된 그러한 요소들과 관련되든 무관하든, 선택적으로 존재할 수 있다. 따라서, 비제한적인 예로서, "포함하는"과 같은 개방형 언어와 함께 사용될 때 "A 및/또는 B"에 대한 참조는 일 실시예에서, 오직 A(선택적으로 B 이외의 요소들을 포함함); 다른 실시예에서, 오직 B(선택적으로 A 이외의 요소들을 포함함); 또 다른 실시예에서, A 및 B 둘 모두(선택적으로 다른 요소들을 포함함); 등을 지칭할 수 있다.
본 명세서 및 청구항에서 본원에 사용된 바와 같이, 하나 이상의 요소들의 목록을 참조한 어구 "적어도 하나"는, 요소들의 목적 내의 요소들 중 임의의 하나 이상으로부터 선택되지만, 요소들의 목록 내에 구체적으로 나열된 각각의 모든 요소 중 적어도 하나를 반드시 포함하는 것은 아니고 요소들의 목록 내의 요소들의 임의의 조합들을 배제하는 것은 아닌 적어도 하나의 요소를 의미하는 것으로 이해되어야 한다. 이러한 정의는 또한, 어구 "적어도 하나"가 나타내는 요소들의 목록 내에서 구체적으로 식별된 요소들 이외의 요소들이, 구체적으로 식별된 그러한 요소들과 관련되든 무관하든, 선택적으로 존재할 수 있음을 허용한다. 따라서, 비제한적인 예로서, "A 및 B 중 적어도 하나"(또는, 등가적으로, "A 또는 B 중 적어도 하나" 또는 등가적으로 "A 및/또는 B 중 적어도 하나")는 일 실시예에서, 적어도 하나의, 선택적으로 하나 초과의 A를 포함하고 B가 존재하지 않는 것(그리고 선택적으로 B 이외의 요소들을 포함함); 다른 실시예에서, 적어도 하나의, 선택적으로 하나 초과의 B를 포함하고 A가 존재하지 않는 것(그리고 선택적으로 A 이외의 요소들을 포함함); 또 다른 실시예에서, 적어도 하나의, 선택적으로 하나 초과의 A를 포함하고, 적어도 하나의, 선택적으로 하나 초과의 B를 포함하는 것(그리고 선택적으로 다른 요소들을 포함함); 등을 나타낼 수 있다.
청구항들 뿐만 아니라 상기 명세서에서, "포함하는", "구비하는", "운반하는", "갖는", "함유하는", "수반하는", "보유하는", "포함한" 등과 같은 모든 접속 어구는 개방형으로, 즉, 포함하지만 그에 제한되지 않는 것으로 이해되어야 한다. 오직 "구성된" 및 "본질적으로 구성된"이라는 접속 어구들만이 각각 폐쇄형 또는 반 폐쇄형 접속 어구들이어야 한다.
"대략" 및 "약"이라는 용어들은, 일부 실시예들에서는 타겟 값의 ±20% 이내, 일부 실시예들에서는 타겟 값의 ±10% 이내, 일부 실시예들에서는 타겟 값의 ±5% 이내, 일부 실시예들에서는 타겟 값의 ±2% 이내를 의미하는 것으로 사용될 수 있다. "대략" 및 "약"이라는 용어들은 타겟 값을 포함할 수 있다.

Claims (24)

  1. 방법으로서,
    자기 공명 촬영(magnetic resonance imaging; MRI) 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 입력 자기 공명(MR) 데이터를 획득하는 단계; 및
    상기 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 상기 입력 MR 데이터로부터 MR 이미지를 생성하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 아티팩트는 RF 간섭을 포함하고, 상기 생성하는 단계는 상기 RF 간섭을 억제하기 위해 상기 신경 네트워크 모델을 사용하는 단계를 포함하는 것인, 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 RF 간섭은 상기 MRI 시스템 외부의 디바이스에 의해 생성된 외부 RF 간섭을 포함하는 것인, 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 MRI 시스템 외부의 상기 디바이스는 상기 MRI 시스템과 동일한 공간에 위치된 의료 디바이스를 포함하는 것인, 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 MRI 시스템은 촬영 영역을 포함하고, 상기 RF 간섭은 상기 촬영 영역 외부에 위치된 상기 MRI 시스템의 적어도 하나의 컴포넌트에 의해 생성된 내부 RF 간섭을 포함하는 것인, 방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 MRI 시스템의 상기 적어도 하나의 컴포넌트는 상기 MRI 시스템의 하나 이상의 마그네틱스(magnetics) 컴포넌트를 포함하는 것인, 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 MRI 시스템의 상기 하나 이상의 마그네틱스 컴포넌트는 상기 MRI 시스템의 경사(gradient) 코일을 포함하는 것인, 방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 적어도 하나의 아티팩트는 MR 수신기 체인 내의 회로부에 의해 생성된 노이즈 및/또는 촬영되고 있는 대상 또는 객체에 의해 생성된 노이즈를 포함하는 것인, 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 신경 네트워크 모델은 공간 주파수 도메인에서 데이터를 프로세싱하도록 구성된 제1 신경 네트워크 부분을 포함하고;
    상기 입력 MR 데이터 내의 상기 적어도 하나의 아티팩트를 억제하기 위해 상기 신경 네트워크 모델을 사용하는 단계는, 상기 입력 MR 데이터로부터 획득된 공간 주파수 도메인 데이터를, 상기 제1 신경 네트워크 부분을 사용하여 프로세싱하는 단계를 포함하는 것인, 방법.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 입력 MR 데이터는 센서 도메인 내의 것이고;
    상기 신경 네트워크 모델은 상기 센서 도메인에서 데이터를 프로세싱하도록 구성된 제1 신경 네트워크 부분을 포함하고;
    상기 입력 MR 데이터 내의 상기 적어도 하나의 아티팩트를 억제하기 위해 상기 신경 네트워크 모델을 사용하는 단계는, 상기 입력 MR 데이터를, 상기 제1 신경 네트워크 부분을 사용하여 프로세싱하는 단계를 포함하는 것인, 방법.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서,
    상기 신경 네트워크 모델은 상기 이미지 도메인 이외의 다른 도메인에서 상기 입력 MR 데이터를 프로세싱하도록 구성된 제1 신경 네트워크 부분을 포함하는 것인, 방법.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서,
    상기 제1 신경 네트워크 부분은 스펙트럼 언풀링(unpooling) 계층을 포함하고,
    상기 입력 MR 데이터를 상기 제1 신경 네트워크를 사용하여 프로세싱하는 단계는 상기 스펙트럼 언풀링 계층을 적용하는 단계를 포함하는 것인, 방법.
  13. 제1항 내지 제12항 중 어느 한 항에 있어서,
    상기 제1 신경 네트워크 부분은 스펙트럼 풀링 계층, 복수의 콘벌루셔널(convolutional) 계층들 및 스킵 연결부를 더 포함하는 것인, 방법.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서,
    상기 스펙트럼 언풀링 계층을 적용하는 단계는, 스킵 연결부를 통해 제공된 제1 분해능을 갖는 제1 특징부들을, 제2 분해능보다 낮은 제2 분해능을 갖는 제2 특징부들과 결합하기 위해 포인트별 곱셈 계층을 적용하는 단계를 포함하는 것인, 방법.
  15. 제1항 내지 제14항 중 어느 한 항에 있어서,
    상기 스펙트럼 언풀링 계층을 적용하는 단계는 상기 포인트별 곱셈 계층을 사용하여 상기 제1 특징부들을 상기 제2 특징부들과 결합하기 전에 상기 제2 특징부들을 제로 패딩하는 단계를 포함하는 것인, 방법.
  16. 제1항 내지 제15항 중 어느 한 항에 있어서,
    상기 신경 네트워크 모델은,
    RF 간섭을 억제하도록 구성된 제1 신경 네트워크 부분 - 상기 제1 신경 네트워크 부분은 하나 이상의 콘벌루셔널 계층을 포함함 -; 및
    노이즈를 억제하도록 구성된 제2 신경 네트워크 부분
    을 포함하고,
    상기 제2 신경 네트워크 부분은 하나 이상의 콘벌루셔널 계층을 포함하는 것인, 방법.
  17. 제1항 내지 제16항 중 어느 한 항에 있어서,
    상기 신경 네트워크 모델은,
    상기 입력 MR 데이터를 사용하여 획득된 이미지-도메인 데이터로부터의 노이즈를 억제하도록 구성된 제3 신경 네트워크 부분
    을 더 포함하는 것인, 방법.
  18. 제1항 내지 제17항 중 어느 한 항에 있어서,
    상기 신경 네트워크는 적어도 하나의 콘벌루셔널 계층을 포함하는 것인, 방법.
  19. 제1항 내지 제18항 중 어느 한 항에 있어서,
    제1 기간 동안, 상기 MRI 시스템의 상기 적어도 하나의 RF 코일을 사용하여 RF 아티팩트 측정들을 획득하는 단계 - 상기 RF 아티팩트 측정들은 RF 간섭 및/또는 노이즈의 측정들을 포함함 -;
    상기 제1 기간과는 상이한 제2 기간 동안, 상기 MRI 시스템의 상기 촬영 영역 내의 대상의 MR 측정들을 획득하는 단계;
    상기 RF 아티팩트 측정들을 상기 대상의 상기 MR 측정들과 결합함으로써 아티팩트-손상된 MR 데이터를 생성하는 단계; 및
    상기 아티팩트-손상된 MR 데이터를 사용하여 상기 신경 네트워크 모델을 트레이닝하는 단계
    를 더 포함하는 방법.
  20. 제1항 내지 제19항 중 어느 한 항에 있어서,
    RF 아티팩트 측정들을 합성하는 단계 - 상기 RF 아티팩트 측정들은 RF 간섭 및/또는 노이즈의 합성된 측정들을 포함함 -;
    상기 MRI 시스템의 상기 촬영 영역 내의 대상의 MR 측정들을 획득하는 단계;
    상기 합성된 RF 아티팩트 측정들을 상기 대상의 상기 MR 측정들과 결합함으로써 아티팩트-손상된 MR 데이터를 생성하는 단계; 및
    상기 아티팩트-손상된 MR 데이터를 사용하여 상기 신경 네트워크 모델을 트레이닝하는 단계
    를 더 포함하는 방법.
  21. 제1항 내지 제20항 중 어느 한 항에 있어서,
    상기 MRI 시스템의 상기 적어도 하나의 RF 코일을 사용하여 RF 아티팩트 측정들을 획득하는 단계 - 상기 RF 아티팩트 측정들은 RF 간섭 및/또는 노이즈의 측정들을 포함함 -;
    대상 MRI 시스템의 MR 측정들을 합성하는 단계;
    상기 획득된 RF 아티팩트 측정들을 상기 대상의 상기 합성된 MR 측정들과 결합함으로써 아티팩트-손상된 MR 데이터를 생성하는 단계; 및
    상기 아티팩트-손상된 MR 데이터를 사용하여 상기 신경 네트워크 모델을 트레이닝하는 단계
    를 더 포함하는 방법.
  22. 시스템으로서,
    적어도 하나의 컴퓨터 하드웨어 프로세서; 및
    프로세서 실행가능 명령어들을 저장하는 적어도 하나의 컴퓨터 판독가능 비일시적 저장 매체
    를 포함하고,
    상기 명령어들은, 상기 적어도 하나의 컴퓨터 하드웨어 프로세서에 의해 실행될 때, 상기 적어도 하나의 컴퓨터 하드웨어 프로세서로 하여금,
    자기 공명 촬영(MRI) 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 입력 자기 공명(MR) 데이터를 획득하게 하며;
    상기 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 상기 입력 MR 데이터로부터 MR 이미지를 생성하게 하는 것인, 시스템.
  23. 프로세서 실행가능 명령어들을 저장하는 적어도 하나의 컴퓨터 판독가능 비일시적 저장 매체로서,
    상기 명령어들은, 적어도 하나의 컴퓨터 하드웨어 프로세서에 의해 실행될 때, 상기 적어도 하나의 컴퓨터 하드웨어 프로세서로 하여금,
    자기 공명 촬영(MRI) 시스템의 적어도 하나의 무선 주파수(RF) 코일을 사용하여 입력 자기 공명(MR) 데이터를 획득하게 하며;
    상기 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 상기 입력 MR 데이터로부터 MR 이미지를 생성하게 하는 것인, 적어도 하나의 컴퓨터 판독가능 비일시적 저장 매체.
  24. 자기 공명 촬영(MRI) 시스템으로서,
    마그네틱스 시스템; 및
    제어기
    를 포함하고,
    상기 마그네틱스 시스템은,
    상기 MRI 시스템에 대한 B0 필드를 제공하도록 구성된 B0 자석;
    상기 MRI 시스템에 대한 경사 필드들을 제공하도록 구성된 경사 코일들; 및
    자기 공명(MR) 신호들을 검출하도록 구성된 적어도 하나의 RF 코일
    을 포함하고,
    상기 제어기는,
    상기 적어도 하나의 RF 코일을 사용하여 입력 MR을 취득하도록 상기 마그네틱스 시스템을 제어하고;
    상기 입력 MR 데이터 내의 적어도 하나의 아티팩트를 억제하기 위해 적어도 부분적으로 신경 네트워크 모델을 사용함으로써 상기 입력 MR 데이터로부터 MR 이미지를 생성하도록 구성되는 것인, MRI 시스템.
KR1020217007146A 2018-08-15 2019-08-15 자기 공명 이미지들에서 아티팩트들을 억제하기 위한 딥 러닝 기술들 KR20210046695A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862764742P 2018-08-15 2018-08-15
US62/764,742 2018-08-15
US201962820119P 2019-03-18 2019-03-18
US62/820,119 2019-03-18
PCT/US2019/046649 WO2020037121A1 (en) 2018-08-15 2019-08-15 Deep learning techniques for suppressing artefacts in magnetic resonance images

Publications (1)

Publication Number Publication Date
KR20210046695A true KR20210046695A (ko) 2021-04-28

Family

ID=67809681

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217007146A KR20210046695A (ko) 2018-08-15 2019-08-15 자기 공명 이미지들에서 아티팩트들을 억제하기 위한 딥 러닝 기술들

Country Status (9)

Country Link
US (2) US11789104B2 (ko)
EP (2) EP4273793A3 (ko)
JP (1) JP2021534852A (ko)
KR (1) KR20210046695A (ko)
CN (1) CN113557526A (ko)
AU (1) AU2019321607A1 (ko)
CA (1) CA3107776A1 (ko)
TW (1) TW202027028A (ko)
WO (1) WO2020037121A1 (ko)

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2015311749B2 (en) 2014-09-05 2018-06-21 Hyperfine Operations, Inc. Ferromagnetic augmentation for magnetic resonance imaging
US10813564B2 (en) 2014-11-11 2020-10-27 Hyperfine Research, Inc. Low field magnetic resonance methods and apparatus
JP6674958B2 (ja) 2014-11-11 2020-04-01 ハイパーファイン リサーチ，インコーポレイテッド 低磁場磁気共鳴のためのパルス・シーケンス
US10281540B2 (en) 2015-04-13 2019-05-07 Hyperfine Research, Inc. Magnetic coil power methods and apparatus
EP3294129A4 (en) 2015-05-12 2019-01-02 Hyperfine Research Inc. Radio frequency coil methods and apparatus
BR112018069045A2 (pt) 2016-03-22 2019-01-29 Hyperfine Res Inc métodos e aparelho para homogeneização de campo magnético
TWI667487B (zh) 2016-09-29 2019-08-01 美商超精細研究股份有限公司 射頻線圈調諧方法及裝置
US10539637B2 (en) 2016-11-22 2020-01-21 Hyperfine Research, Inc. Portable magnetic resonance imaging methods and apparatus
AU2017363608A1 (en) 2016-11-22 2019-05-23 Hyperfine Operations, Inc. Systems and methods for automated detection in magnetic resonance images
US10627464B2 (en) 2016-11-22 2020-04-21 Hyperfine Research, Inc. Low-field magnetic resonance imaging methods and apparatus
US11263526B2 (en) * 2017-05-31 2022-03-01 Intel Corporation Gradient-based training engine for quaternion-based machine-learning systems
US10990650B1 (en) 2018-03-22 2021-04-27 Amazon Technologies, Inc. Reducing computations for data including padding
AU2019256553A1 (en) 2018-04-20 2020-10-22 Hyperfine Operations, Inc. Deployable guard for portable magnetic resonance imaging devices
US10969446B2 (en) 2018-05-21 2021-04-06 Hyperfine Research, Inc. Radio-frequency coil signal chain for a low-field MRI system
KR20210013563A (ko) 2018-05-21 2021-02-04 하이퍼파인 리서치, 인크. 자기 공명 이미징 시스템을 위한 b0 자석 방법들 및 장치들
TW202015621A (zh) 2018-07-19 2020-05-01 美商超精細研究股份有限公司 在磁共振成像中患者定位之方法及設備
EP3830596A2 (en) 2018-07-30 2021-06-09 Hyperfine Research, Inc. Deep learning techniques for magnetic resonance image reconstruction
TW202012951A (zh) 2018-07-31 2020-04-01 美商超精細研究股份有限公司 低場漫射加權成像
EP3899565A2 (en) 2018-12-19 2021-10-27 Hyperfine, Inc. System and methods for grounding patients during magnetic resonance imaging
US20220075017A1 (en) * 2018-12-21 2022-03-10 Cornell University Machine learning for simultaneously optimizing an under-sampling pattern and a corresponding reconstruction model in compressive sensing
CN113498479A (zh) 2018-12-28 2021-10-12 海珀菲纳股份有限公司 校正磁共振成像中的磁滞
CA3132976A1 (en) 2019-03-12 2020-09-17 Christopher Thomas Mcnulty Systems and methods for magnetic resonance imaging of infants
AU2020237207A1 (en) 2019-03-14 2021-09-23 Hyperfine Operations, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
JP2022530622A (ja) 2019-04-26 2022-06-30 ハイパーファイン，インコーポレイテッド 磁気共鳴画像法システムの動的制御のための技術
EP3965653A1 (en) 2019-05-07 2022-03-16 Hyperfine, Inc. Systems, devices, and methods for magnetic resonance imaging of infants
CN110246137B (zh) * 2019-06-19 2021-12-03 东软医疗系统股份有限公司 一种成像方法、装置及存储介质
CN114556128A (zh) 2019-08-15 2022-05-27 海珀菲纳运营有限公司 涡流缓解系统和方法
US20210056220A1 (en) * 2019-08-22 2021-02-25 Mediatek Inc. Method for improving confidentiality protection of neural network model
CA3156997A1 (en) 2019-10-08 2021-04-15 Hyperfine Operations, Inc. System and methods for detecting electromagnetic interference in patients during magnetic resonance imaging
US11573282B2 (en) 2019-10-25 2023-02-07 Hyperfine Operations, Inc. Artefact reduction in magnetic resonance imaging
CN110807492B (zh) * 2019-11-06 2022-05-13 厦门大学 一种磁共振多参数同时定量成像方法及系统
US11510588B2 (en) 2019-11-27 2022-11-29 Hyperfine Operations, Inc. Techniques for noise suppression in an environment of a magnetic resonance imaging system
US11333727B2 (en) 2019-12-10 2022-05-17 Hyperfine Operations, Inc. Ferromagnetic frame for magnetic resonance imaging
USD912822S1 (en) 2019-12-10 2021-03-09 Hyperfine Research, Inc. Frame for magnets in magnetic resonance imaging
USD932014S1 (en) 2019-12-10 2021-09-28 Hyperfine, Inc. Frame for magnets in magnetic resonance imaging
US11415651B2 (en) 2019-12-10 2022-08-16 Hyperfine Operations, Inc. Low noise gradient amplification components for MR systems
EP4073530A1 (en) 2019-12-10 2022-10-19 Hyperfine Operations, Inc. Permanent magnet assembly for magnetic resonance imaging with non-ferromagnetic frame
JP7387459B2 (ja) * 2020-01-22 2023-11-28 キヤノンメディカルシステムズ株式会社 放射線治療装置、医用画像処理装置、及び医用画像処理方法
WO2021182798A1 (en) * 2020-03-07 2021-09-16 Samsung Electronics Co., Ltd. Method and electronic device for performing ai based zoom of image
US11408954B2 (en) * 2020-03-24 2022-08-09 GE Precision Healthcare LLC Systems and methods of reducing noise and artifacts in magnetic resonance imaging
WO2021217135A1 (en) * 2020-04-24 2021-10-28 The General Hospital Corporation System and method for electromagnetic interference mitigation for portable mri systems
US20210357730A1 (en) * 2020-05-12 2021-11-18 Alibaba Group Holding Limited Multi-size convolutional layer background
US11222406B2 (en) * 2020-06-05 2022-01-11 Canon Medical Systems Corporation Method and system for training a machine learning-based image denoising system
CN111709890B (zh) * 2020-06-12 2023-11-24 北京小米松果电子有限公司 一种图像增强模型的训练方法、装置及存储介质
CN112001856A (zh) * 2020-07-29 2020-11-27 东软医疗系统股份有限公司 去噪模型的训练方法及去除图像噪声方法、相关装置
US11672498B2 (en) * 2020-07-29 2023-06-13 Canon Medical Systems Corporation Information processing method, medical image diagnostic apparatus, and information processing system
TWI768483B (zh) * 2020-09-28 2022-06-21 臺北醫學大學 用於識別腦白質高信號之方法及裝置
US11544848B2 (en) * 2020-11-06 2023-01-03 GE Precision Healthcare LLC Deep learning based methods and systems for automated subject anatomy and orientation identification
TR202019736A2 (tr) * 2020-12-04 2022-06-21 Aselsan Elektronik Sanayi Ve Ticaret As Tespi̇t uygulamalari i̇çi̇n gürültü önleme metodu
DE102021104344A1 (de) 2021-02-24 2022-08-25 Otto-Von-Guericke-Universität Magdeburg MR-Bildgebung mit Reduktion von Zipper-Artefakten
US11940519B2 (en) * 2021-04-21 2024-03-26 Siemens Healthineers Ag Method and system for determining a magnetic susceptibility distribution
US11808832B2 (en) * 2021-06-10 2023-11-07 GE Precision Healthcare LLC System and method for deep learning-based generation of true contrast images utilizing synthetic magnetic resonance imaging data
WO2022266651A1 (en) * 2021-06-17 2022-12-22 Cedars-Sinai Medical Center Precision phenotyping of left ventricular hypertrophy with echocardiographic deep learning
US20230019733A1 (en) * 2021-07-16 2023-01-19 Shanghai United Imaging Intelligence Co., Ltd. Motion artifact correction using artificial neural networks
TWI784720B (zh) * 2021-09-17 2022-11-21 英業達股份有限公司 基於電腦視覺的電磁敏感性測試方法
CN113920212B (zh) * 2021-09-27 2022-07-05 深圳技术大学 磁共振重建模型训练方法、计算机装置及存储介质
CN113869501A (zh) * 2021-10-19 2021-12-31 京东科技信息技术有限公司 神经网络的生成方法、装置、电子设备及存储介质
US11835608B1 (en) 2022-06-17 2023-12-05 Zepp Europe Holding B.V. Shield-free MRI system of time-varying electromagnetic fields in complex electromagnetic environments
CN117095073A (zh) * 2023-08-23 2023-11-21 浙江大学 一种基于深度学习的医学图像的去噪方法及装置

Family Cites Families (126)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR9910347B8 (pt) 1998-04-17 2021-06-22 Koninklijke Philips Nv processo e aparelho de ressonância magnética para obter imagens por intermédio de ressonância magnética.
TWI221406B (en) 2001-07-30 2004-10-01 Epix Medical Inc Systems and methods for targeted magnetic resonance imaging of the vascular system
US6819790B2 (en) 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
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
US7202663B2 (en) 2003-11-12 2007-04-10 Iovivo Corporation Method for generating fast magnetic resonance images
US7042219B2 (en) 2004-08-12 2006-05-09 Esaote S.P.A. Method for determining the condition of an object by magnetic resonance imaging
US8874477B2 (en) 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method
US20070249928A1 (en) 2006-04-19 2007-10-25 General Electric Company Method and system for precise repositioning of regions of interest in longitudinal magnetic resonance imaging and spectroscopy exams
US7881511B2 (en) 2007-01-19 2011-02-01 Korea Advanced Institute Of Science And Technology Method for super-resolution reconstruction using focal underdetermined system solver algorithm
US7602183B2 (en) 2007-02-13 2009-10-13 The Board Of Trustees Of The Leland Stanford Junior University K-T sparse: high frame-rate dynamic magnetic resonance imaging exploiting spatio-temporal sparsity
ATE542196T1 (de) 2007-02-19 2012-02-15 Wisconsin Alumni Res Found Verfahren zur lokalisierten und stark eingeschränkten bildrekonstruktion
WO2008123969A1 (en) 2007-04-02 2008-10-16 The Trustees Of The University Of Pennsylvania Combined feature ensemble mutual information image registration
US8494905B2 (en) 2007-06-06 2013-07-23 The Nielsen Company (Us), Llc Audience response analysis using simultaneous electroencephalography (EEG) and functional magnetic resonance imaging (fMRI)
US8473028B2 (en) 2007-11-21 2013-06-25 The Brigham And Women's Hospital K-space sample density compensation for magnetic resonance image reconstruction
US8160345B2 (en) 2008-04-30 2012-04-17 Otismed Corporation System and method for image segmentation in generating computer models of a joint to undergo arthroplasty
US8781197B2 (en) 2008-04-28 2014-07-15 Cornell University Tool for accurate quantification in molecular MRI
US7688068B2 (en) 2008-05-06 2010-03-30 General Electric Company System and method for using parallel imaging with compressed sensing
US8692549B2 (en) 2009-05-27 2014-04-08 Siemens Aktiengesellschaft Method for reconstructing images of an imaged subject from a parallel MRI acquisition
US8354844B2 (en) 2009-12-23 2013-01-15 Universitaetsklinikum Freiburg Method for data acquisition acceleration in magnetic resonance imaging (MRI) with N-dimensional spatial encoding using two or more receiver coil arrays and non-linear phase distributions
US8384383B2 (en) 2010-03-23 2013-02-26 Max-Planck-Gesellschaft zur Foerferung der Wissenschaften E.V. Method and device for reconstructing a sequence of magnetic resonance images
WO2012154260A2 (en) 2011-02-17 2012-11-15 The Johns Hopkins University Multiparametric non-linear dimension reduction methods and systems related thereto
US9008462B2 (en) 2011-02-17 2015-04-14 The Johns Hopkins University Methods and systems for registration of radiological images
US10073160B2 (en) 2011-04-21 2018-09-11 Koninklijke Philips N.V. Magnetic resonance imaging of object in motion
WO2012174177A2 (en) 2011-06-15 2012-12-20 Chunlei Liu Systems and methods for imaging and quantifying tissue magnetism with magnetic resonance imaging
WO2013159044A1 (en) 2012-04-19 2013-10-24 New York University System, method and computer-accessible medium for highly-accelerated dynamic magnetic resonance imaging using golden-angle radial samplng and compressed sensing
US9396562B2 (en) 2012-09-26 2016-07-19 Siemens Aktiengesellschaft MRI reconstruction with incoherent sampling and redundant haar wavelets
US9269127B2 (en) 2013-01-31 2016-02-23 Ohio State Innovation Foundation De-noising of real-time dynamic magnetic resonance images by the combined application of karhunen-loeve transform (KLT) and wavelet filtering
US9224210B2 (en) 2013-02-06 2015-12-29 University Of Virginia Patent Foundation Systems and methods for accelerated dynamic magnetic resonance imaging
CN105074491B (zh) 2013-03-21 2018-07-17 皇家飞利浦有限公司 具有使用压缩感知的图像重建的动态mri
JP2016539703A (ja) 2013-12-03 2016-12-22 ビューレイ・テクノロジーズ・インコーポレイテッドＶｉｅｗＲａｙ Ｔｅｃｈｎｏｌｏｇｉｅｓ， Ｉｎｃ． 位相相関を用いた非剛体変形の存在下での医用画像のシングル及びマルチのモダリティ位置合わせ
JP6513336B2 (ja) 2014-03-25 2019-05-15 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置及び画像処理装置
US10149987B2 (en) 2014-05-04 2018-12-11 Spectronic Ab Method and system for generating synthetic electron density information for dose calculations based on MRI
EP3160339B1 (en) 2014-06-27 2018-08-22 Koninklijke Philips N.V. Positioning of a magnetic resonance imaging antenna within the homogeneous field zone
JP6452994B2 (ja) 2014-08-26 2019-01-16 キヤノンメディカルシステムズ株式会社 画像処理装置及び磁気共鳴イメージング装置
AU2015311749B2 (en) 2014-09-05 2018-06-21 Hyperfine Operations, Inc. Ferromagnetic augmentation for magnetic resonance imaging
US9770223B2 (en) 2014-09-09 2017-09-26 Wisconsin Alumni Research Foundation System and method for accelerated, time-resolved imaging
US9922272B2 (en) 2014-09-25 2018-03-20 Siemens Healthcare Gmbh Deep similarity learning for multimodal medical images
JP2017529963A (ja) 2014-10-01 2017-10-12 ユーエムシー ユトレヒト ホールディング ビー．ブイ． 高性能な骨可視化核磁気共鳴画像法
JP6674958B2 (ja) 2014-11-11 2020-04-01 ハイパーファイン リサーチ，インコーポレイテッド 低磁場磁気共鳴のためのパルス・シーケンス
US10813564B2 (en) 2014-11-11 2020-10-27 Hyperfine Research, Inc. Low field magnetic resonance methods and apparatus
US10663551B2 (en) 2015-02-10 2020-05-26 Voxelgrids Innovations Private Limited Method for constructing image from MRI data
US10593035B2 (en) 2015-03-18 2020-03-17 University Of South Florida Image-based automated measurement model to predict pelvic organ prolapse
US10281540B2 (en) 2015-04-13 2019-05-07 Hyperfine Research, Inc. Magnetic coil power methods and apparatus
EP3294129A4 (en) 2015-05-12 2019-01-02 Hyperfine Research Inc. Radio frequency coil methods and apparatus
US10534059B2 (en) 2015-05-20 2020-01-14 Ohio State Innovation Foundation Bayesian model for highly accelerated phase-contrast MRI
US10274563B2 (en) 2015-05-28 2019-04-30 Samsung Electronics Co., Ltd. Magnetic resonance imaging apparatus and method
EP3345124B1 (en) 2015-08-31 2024-01-03 The Board of Trustees of the Leland Stanford Junior University Compressed sensing high resolution functional magnetic resonance imaging
BR112018069045A2 (pt) 2016-03-22 2019-01-29 Hyperfine Res Inc métodos e aparelho para homogeneização de campo magnético
WO2018009673A1 (en) 2016-07-08 2018-01-11 Biogen Ma Inc. Methods for improved measurements of brain volume and changes in brain volume
US20180018757A1 (en) 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
US9965863B2 (en) 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
CN109863512B (zh) 2016-09-01 2023-10-20 通用医疗公司 用于通过流形近似进行自动变换的系统和方法
EP3509696A1 (en) 2016-09-06 2019-07-17 Elekta, Inc. Neural network for generating synthetic medical images
TWI667487B (zh) 2016-09-29 2019-08-01 美商超精細研究股份有限公司 射頻線圈調諧方法及裝置
US20190313986A1 (en) * 2016-11-16 2019-10-17 The General Hospital Corporation Systems and methods for automated detection of objects with medical imaging
AU2017363608A1 (en) 2016-11-22 2019-05-23 Hyperfine Operations, Inc. Systems and methods for automated detection in magnetic resonance images
US10585153B2 (en) 2016-11-22 2020-03-10 Hyperfine Research, Inc. Rotatable magnet methods and apparatus for a magnetic resonance imaging system
US10627464B2 (en) 2016-11-22 2020-04-21 Hyperfine Research, Inc. Low-field magnetic resonance imaging methods and apparatus
US10539637B2 (en) 2016-11-22 2020-01-21 Hyperfine Research, Inc. Portable magnetic resonance imaging methods and apparatus
US10089722B2 (en) 2016-12-30 2018-10-02 Toshiba Medical Systems Corporation Apparatus and method for reducing artifacts in MRI images
US20180197317A1 (en) 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
US10685429B2 (en) 2017-02-22 2020-06-16 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
US10133964B2 (en) 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
US11694373B2 (en) 2017-04-07 2023-07-04 Regents Of The University Of Minnesota Methods for scan-specific k-space interpolation reconstruction in magnetic resonance imaging using machine learning
WO2018223275A1 (zh) 2017-06-06 2018-12-13 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
US10551458B2 (en) 2017-06-29 2020-02-04 General Electric Company Method and systems for iteratively reconstructing multi-shot, multi-acquisition MRI data
CN109300167B (zh) 2017-07-25 2023-10-10 清华大学 重建ct图像的方法和设备以及存储介质
JP6772112B2 (ja) 2017-07-31 2020-10-21 株式会社日立製作所 医用撮像装置及び医用画像処理方法
CN107507148B (zh) * 2017-08-30 2018-12-18 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法
US11127175B2 (en) 2017-09-26 2021-09-21 Rensselaer Polytechnic Institute Monochromatic CT image reconstruction from current-integrating data via machine learning
US10989779B2 (en) 2017-09-29 2021-04-27 Yonsei University, University - Industry Foundation (UIF) Apparatus and method for reconstructing magnetic resonance image using learning, and under-sampling apparatus method and recording medium thereof
US10803984B2 (en) 2017-10-06 2020-10-13 Canon Medical Systems Corporation Medical image processing apparatus and medical image processing system
EP3477583A1 (en) 2017-10-31 2019-05-01 Koninklijke Philips N.V. Deep-learning based processing of motion artifacts in magnetic resonance imaging data
EP3704667B1 (en) 2017-10-31 2021-05-26 Koninklijke Philips N.V. Deep learning based motion artifact prediction during magnetic resonance image data acquisition
US10698063B2 (en) * 2017-11-01 2020-06-30 Siemens Healthcare Gmbh Motion artifact reduction of magnetic resonance images with an adversarial trained network
US10573031B2 (en) * 2017-12-06 2020-02-25 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning
US11449759B2 (en) 2018-01-03 2022-09-20 Siemens Heathcare Gmbh Medical imaging diffeomorphic registration based on machine learning
CN108376387B (zh) * 2018-01-04 2021-09-17 复旦大学 基于聚合膨胀卷积网络的图像去模糊方法
US10692250B2 (en) 2018-01-30 2020-06-23 The Board Of Trustees Of The Leland Stanford Junior University Generalized multi-channel MRI reconstruction using deep neural networks
US11880962B2 (en) 2018-02-15 2024-01-23 General Electric Company System and method for synthesizing magnetic resonance images
US10489943B2 (en) 2018-02-28 2019-11-26 General Electric Company System and method for sparse image reconstruction
US11024025B2 (en) 2018-03-07 2021-06-01 University Of Virginia Patent Foundation Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy
TWI653033B (zh) 2018-03-19 2019-03-11 佳世達科技股份有限公司 超音波成像系統及超音波成像方法
EP3543722A1 (en) 2018-03-20 2019-09-25 Koninklijke Philips N.V. Magnetic resonance imaging using corrected k-space trajectories calculated from current sensor data
EP3542721A1 (de) 2018-03-23 2019-09-25 Siemens Healthcare GmbH Verfahren zur bearbeitung von parametern eines maschinenlernverfahrens sowie rekonstruktionsverfahren
US11403529B2 (en) * 2018-04-05 2022-08-02 Western Digital Technologies, Inc. Noise injection training for memory-based learning
EP3550515A1 (en) 2018-04-05 2019-10-09 Siemens Healthcare GmbH Cross-modality image synthesis
CN108335339B (zh) * 2018-04-08 2021-10-22 朱高杰 一种基于深度学习和凸集投影的磁共振重建方法
AU2019256553A1 (en) 2018-04-20 2020-10-22 Hyperfine Operations, Inc. Deployable guard for portable magnetic resonance imaging devices
US10719961B2 (en) 2018-05-04 2020-07-21 General Electric Company Systems and methods for improved PET imaging
US10782378B2 (en) 2018-05-16 2020-09-22 Siemens Healthcare Gmbh Deep learning reconstruction of free breathing perfusion
US10969446B2 (en) 2018-05-21 2021-04-06 Hyperfine Research, Inc. Radio-frequency coil signal chain for a low-field MRI system
KR20210013563A (ko) 2018-05-21 2021-02-04 하이퍼파인 리서치, 인크. 자기 공명 이미징 시스템을 위한 b0 자석 방법들 및 장치들
TW202015621A (zh) 2018-07-19 2020-05-01 美商超精細研究股份有限公司 在磁共振成像中患者定位之方法及設備
EP3830596A2 (en) 2018-07-30 2021-06-09 Hyperfine Research, Inc. Deep learning techniques for magnetic resonance image reconstruction
TW202012951A (zh) 2018-07-31 2020-04-01 美商超精細研究股份有限公司 低場漫射加權成像
AU2019315841A1 (en) 2018-07-31 2021-02-04 Hyperfine Operations, Inc. Medical imaging device messaging service
US10527699B1 (en) 2018-08-01 2020-01-07 The Board Of Trustees Of The Leland Stanford Junior University Unsupervised deep learning for multi-channel MRI model estimation
US11346911B2 (en) 2018-08-01 2022-05-31 Siemens Healthcare Gmbh Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation
US10635943B1 (en) * 2018-08-07 2020-04-28 General Electric Company Systems and methods for noise reduction in medical images with deep neural networks
US10831997B2 (en) 2018-08-09 2020-11-10 CloudMinds Technology, Inc. Intent classification method and system
CN109325985B (zh) 2018-09-18 2020-07-21 上海联影智能医疗科技有限公司 磁共振图像重建方法、装置和计算机可读存储介质
US11175365B2 (en) 2018-10-02 2021-11-16 General Electric Company System and method for sparse image reconstruction utilizing null data consistency
KR102220029B1 (ko) 2018-10-12 2021-02-25 한국과학기술원 뉴럴 네트워크를 이용한 비매칭 저 선량 엑스선 전산단층 촬영 영상 처리 방법 및 그 장치
US10842445B2 (en) 2018-11-08 2020-11-24 General Electric Company System and method for unsupervised deep learning for deformable image registration
EP3899565A2 (en) 2018-12-19 2021-10-27 Hyperfine, Inc. System and methods for grounding patients during magnetic resonance imaging
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
CN113498479A (zh) 2018-12-28 2021-10-12 海珀菲纳股份有限公司 校正磁共振成像中的磁滞
US10712416B1 (en) 2019-02-05 2020-07-14 GE Precision Healthcare, LLC Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network
US10705170B1 (en) 2019-02-15 2020-07-07 GE Precision Healthcare LLC Methods and systems for removing spike noise in magnetic resonance imaging
US10950014B2 (en) 2019-03-01 2021-03-16 Canon Medical Systems Corporation Method and apparatus for adaptive compressed sensing (CS) to correct motion artifacts in magnetic resonance imaging (MRI)
CA3132976A1 (en) 2019-03-12 2020-09-17 Christopher Thomas Mcnulty Systems and methods for magnetic resonance imaging of infants
AU2020237207A1 (en) 2019-03-14 2021-09-23 Hyperfine Operations, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
CN110060313B (zh) 2019-04-19 2023-12-19 上海联影医疗科技股份有限公司 一种图像伪影校正方法和系统
US11181598B2 (en) 2019-04-25 2021-11-23 Siemens Healthcare Gmbh Multi-contrast MRI image reconstruction using machine learning
US11696700B2 (en) 2019-04-25 2023-07-11 General Electric Company System and method for correcting for patient motion during MR scanning
US10996306B2 (en) 2019-04-25 2021-05-04 General Electric Company MRI system and method using neural network for detection of patient motion
JP2022530622A (ja) 2019-04-26 2022-06-30 ハイパーファイン，インコーポレイテッド 磁気共鳴画像法システムの動的制御のための技術
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
EP3965653A1 (en) 2019-05-07 2022-03-16 Hyperfine, Inc. Systems, devices, and methods for magnetic resonance imaging of infants
CN110246137B (zh) 2019-06-19 2021-12-03 东软医疗系统股份有限公司 一种成像方法、装置及存储介质
JP7303677B2 (ja) 2019-07-03 2023-07-05 キヤノンメディカルシステムズ株式会社 医用データ処理装置、医用データ処理方法、医用データ処理プログラム及び磁気共鳴イメージング装置
US20210077060A1 (en) 2019-09-17 2021-03-18 GE Precision Healthcare LLC System and methods for interventional ultrasound imaging
US11259770B2 (en) 2019-11-14 2022-03-01 GE Precision Healthcare LLC Methods and systems for noise reduction in x-ray imaging
US11783451B2 (en) 2020-03-02 2023-10-10 GE Precision Healthcare LLC Systems and methods for reducing colored noise in medical images using deep neural network
US11417423B2 (en) 2020-08-06 2022-08-16 Shanghai United Imaging Intelligence Co., Ltd. Multi-coil magnetic resonance imaging with artificial intelligence

Also Published As

Publication number Publication date
CN113557526A (zh) 2021-10-26
JP2021534852A (ja) 2021-12-16
WO2020037121A1 (en) 2020-02-20
US20230417852A1 (en) 2023-12-28
EP3837636B1 (en) 2024-03-27
EP3837636A1 (en) 2021-06-23
US11789104B2 (en) 2023-10-17
AU2019321607A1 (en) 2021-02-11
WO2020037121A8 (en) 2020-04-09
TW202027028A (zh) 2020-07-16
EP3837636C0 (en) 2024-03-27
CA3107776A1 (en) 2020-02-20
EP4273793A3 (en) 2023-12-20
US20200058106A1 (en) 2020-02-20
EP4273793A2 (en) 2023-11-08

Similar Documents

Publication Publication Date Title
US11789104B2 (en) Deep learning techniques for suppressing artefacts in magnetic resonance images
US11564590B2 (en) Deep learning techniques for generating magnetic resonance images from spatial frequency data
US20220214417A1 (en) Deep learning techniques for magnetic resonance image reconstruction
KR20170052621A (ko) 잡음 억제 방법 및 장치
US20220107378A1 (en) Deep learning methods for noise suppression in medical imaging
US20230132819A1 (en) System and method for electromagnetic interference mitigation for portable mri systems
Zhao et al. Robust Electromagnetic Interference (EMI) Elimination via Simultaneous Sensing and Deep Learning Prediction for RF Shielding-free MRI