WO2017039163A1 - 자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치 - Google Patents

자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치 Download PDF

Info

Publication number
WO2017039163A1
WO2017039163A1 PCT/KR2016/008494 KR2016008494W WO2017039163A1 WO 2017039163 A1 WO2017039163 A1 WO 2017039163A1 KR 2016008494 W KR2016008494 W KR 2016008494W WO 2017039163 A1 WO2017039163 A1 WO 2017039163A1
Authority
WO
WIPO (PCT)
Prior art keywords
coil
dictionary
space
image
magnetic resonance
Prior art date
Application number
PCT/KR2016/008494
Other languages
English (en)
French (fr)
Inventor
알렉산드로비치 코로브첸코드미트리
세르기비치 미구킨아르헴
브로니슬라보비치 다닐레비치알렉세이
안드레에브나 바르폴로메에브나안나
최상천
유리에비치 시로텐코미하일
니콜라예비치 리차고브미하일
Original Assignee
삼성전자 주식회사
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 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to EP16842129.5A priority Critical patent/EP3346443B1/en
Priority to US15/756,666 priority patent/US20180247436A1/en
Publication of WO2017039163A1 publication Critical patent/WO2017039163A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Definitions

  • the present invention relates to medical image processing, and more particularly, to a method and system for performing magnetic resonance (MR) image reconstruction of an object from incompletely sampled k-spatial data obtained by a plurality of receiver coils. .
  • MR magnetic resonance
  • Magnetic resonance imaging is a noninvasive imaging technique that is widely used for diagnosis because it can visualize both anatomical structures and physiological functions.
  • MRI is based on the principle of nuclear magnetic resonance. Alternating magnetic field and radio frequency (RF) signals are used for hydrogen atom excitation to obtain information about the proton density distribution in the body part.
  • the signal response from the excited hydrogen atoms is received by a so-called “receiver coil” set.
  • a receiver coil may be a combination of a wireless antenna (coil), an RF receiver, an amplifier, a detector, and other elements capable of receiving, amplifying, synchronizing, and converting signals into digital form.
  • MR magnetic resonance
  • MR magnetic resonance
  • What the plurality of RF receiver coils acquire is not the medical image of the subject to be visualized, but the spatial discrete Fourier spectrum of the subject. This spectrum is commonly referred to as "k-space". If one RF receiver coil is used, one k-space is obtained. If multiple RF receiver coils are used, the MR scanner provides several k-spaces corresponding to different RF receiver coils, which obtain their respective signals from the object according to the spatial position and individual parameters of the receiver coils. do.
  • the k-spaces of the different receiver coils are hereinafter referred to as multi-coil k-spaces. This multi-coil k-space can be sampled (under sampling) completely or incompletely.
  • Incomplete sampling means that part of the multi-coil k-space is omitted in the acquisition process. Incomplete sampling of the k-space is very time consuming in the scanning procedure in the case of complete sampling, and the omission of a significant portion of the multi-coil k-space to be scanned can significantly reduce the medical image acquisition time.
  • examples of reconstructing magnetic resonance images from incompletely sampled k-space generally have poor image quality and are compromised by strong aliasing artifacts.
  • various post-processing procedures are applied to improve the quality of restoration of the subject.
  • Some authors estimate the sensitivity of an RF receiver coil to reconstruct an object directly from a plurality of aliased measurements.
  • the most representative methods of this type are SMASH and GRAPPA.
  • GRAPPA There are various versions of GRAPPA applied for k-space processing in the patent documents US 8222900 B2 and US 2014/0218026 A1.
  • CS Compressed Sensing
  • joint sparsity utilizes redundant information in the subject.
  • modern CS techniques [R. Otazo et al. "Combination of CS and Parallel Imaging for Highly Accelerated First-Pass Cardiac Perfusion MRI," Magn Reson Med. 64 , 767-776 (2010)].
  • CS is used to recover the resulting image from the original images folded according to parallel MRI (pMRI) and SENSE.
  • pMRI parallel MRI
  • SENSE Joint sparsity is used by the SENSE or PARS algorithm in terms of pMRI.
  • Coil compression combines raw data linearly without changing the sampling of the spectrum, so that the k-space of the virtual receiver coil is weighted sum of the k-space obtained from the RF receiver coil. sum).
  • the calculation method for obtaining the weight value is outside the scope of the current application.
  • An advantage of the coil compression (CC) method is to enable k-space processing for multiple receiver coils.
  • K-SVD is described in (WO 2006/106508 A2, US 2012/0177128, and M. Aharon, M. Elad, and A. Bruckstein, “K-SVD: Over-Complete Predesign for Sparse Representation. Algorithm, "IEEE Trans. Image Process. 54, 4311-4322 (2006)] is used to learn a dictionary for reconstructing CS images.
  • the dictionary is pre-learned prior to a series of fully sampled MR images. The procedure of learning the dictionary is outside the scope of this application.
  • the disclosed invention and embodiments of the disclosed invention relate to methods and systems for reconstructing MR images from incompletely sampled multi-coil k-space. Since the total time to acquire data depends on the number of samples, a simple way to speed up the MR acquisition procedure is to reduce the amount of sampled frequencies and reconstruct the MR image that forms an incompletely sampled k-spatial spectrum. .
  • Incomplete sampling of the multi-coil k-space may be performed by an MRI scanner according to a predefined sampling scheme (generally called a "sampling mask") represented by a binary matrix. "1" of the sampling mask may mean that a corresponding spatial frequency (k-space spectral point at that location) is sampled, and "0" may mean that each frequency is not sampled.
  • the result of sampling according to the method described above is an incompletely sampled k-space. Incompletely sampled values in the obtained k-space are filled with some initial values, and can generally be filled with zeros.
  • the sampling mask is the same as used for all RF receiver coils, and the method takes in multi-coil k-space, which is a plurality of incompletely sampled k-space spectra obtained from different receiver coils.
  • the CS scheme can be used for MR image reconstruction, in particular for sparse object approximation based on various precomputed dictionaries with non-uniform sized patches.
  • the invention according to the disclosed embodiments has the following features.
  • the combination of dictionary-based CS sparse approximation and the joint sparsity of parallel MRI can enable efficient data synthesis in different receiver coils. This suppresses measurement noise, allows for relatively fast reconstruction, and can filter out strong aliasing artifacts.
  • dictionary-based CS is more flexible than certain fixed-based functions (e.g. wavelets), since it does not need to select the appropriate sparifying transform because it adapts to the details of the MRI through a dictionary learning process. can do.
  • Multiband decomposition which is used for individual frequency band processing of multi-coil k-spaces, can further improve image reconstruction quality due to large sparsity in the frequency band.
  • a first aspect of the present disclosure includes a processor and a memory coupled to the processor, wherein the processor obtains an incompletely sampled multi-coil k-space for an object, and A magnetic resonance image processing apparatus may be configured to acquire a reconstructed image of an object by reconstructing a multi-coil k-space by using the acquired first dictionary and the second dictionary acquired in advance.
  • the second dictionary may be obtained based on a residual of an image of an object obtained in advance and an approximation of the image based on the first dictionary.
  • Approximation may be a sparse approximation.
  • the processor obtains a first image based on the incompletely sampled multi-coil k-space and based on non-uniformly sized patches of the first image, the first dictionary and the second dictionary.
  • the reconstructed image may be obtained by reconstructing the multi-coil k-space.
  • the processor reconstructs the multi-coil k-space based on the first dictionary and the second dictionary, patches corresponding to different frequency bands obtained based on the incompletely sampled multi-coil k-space. It is possible to obtain a reconstructed image.
  • the MRI apparatus may further include an operator console, and the operator console may include a display unit for visualizing the reconstructed image.
  • the operator console may further include a controller, and the controller may be configured to control the magnetic resonance image processing apparatus.
  • the MRI apparatus may further include an MR scanner configured to acquire incompletely sampled multi-coil k-spatial data.
  • the processor divides the obtained incompletely sampled multicoil k-space into a plurality of frequency bands, and incompletely sampled multicoil k-spaces divided into a plurality of frequency bands, respectively, using a first dictionary and a first dictionary.
  • the reconstructed image may be obtained by reconstructing using the second dictionary.
  • the processor may preprocess the incompletely sampled multi-coil k-space and restore the preprocessed multi-coil k-space using the first dictionary and the second dictionary.
  • the processor fills the initial guesses of unsampled positions of the incompletely sampled multi-coil k-space, and coil compresses the incompletely sampled multi-coil k-space, Incompletely sampled multi-coil k-spaces can be preprocessed.
  • a second aspect of the present disclosure includes obtaining an incompletely sampled multi-coil k-space for an object; And reconstructing the multi-coil k-space by using a first dictionary and a second dictionary acquired in advance, to obtain a reconstructed image of the object. It may provide a method.
  • preprocessing the incompletely sampled multi-coil k-space may comprise: filling initial samples with unsampled positions of the incompletely sampled multi-coil k-space; And coil compressing the incompletely sampled multi-coil k-space.
  • filling the unsampled positions of the multi-coil k-space with initial guesses may include filling the unsampled positions into at least one of a constant, random complex values, and a joint split bregman iterative algorithm. Filling with the values obtained by the method.
  • restoring the preprocessed multi-coil k-space using multi-band joint CS reconstruction may include decomposing the multi-coil k-space into multi-bands, and thus multi-coil k- corresponding to different frequency bands.
  • performing the multiple pre-cooperative CS reconstruction of the plurality of multi-coil k-spaces corresponding to the different frequency bands may be synthesized from the plurality of multi-coil k-spaces corresponding to the different frequency bands.
  • the acquiring of the synthesized image from the plurality of multi-coil k-spaces may include performing coil-wise Fourier inverse transformation on the plurality of multi-coil k-spaces to obtain a plurality of coil images. ; And projecting the plurality of coil images to each spatial location of the coil sensitivity maps.
  • obtaining an approximation of the synthesized image from the synthesized image may include: obtaining a sparse code by performing patch based multiple presparse coding; And approximating the synthesized image based on the obtained sparse code, to obtain an approximation of the synthesized image.
  • calculating the multi-coil k-spatial data from an approximation of the synthesized image may comprise: rescaling the coil sensitivity maps; And decomposing an approximation of the synthesized image into a plurality of coil images, and Fourier transforming the plurality of coil images.
  • obtaining an approximation of the synthesized image from the synthesized image based on the multiple pre-sparse approximation may include: extracting overlapping patches from the synthesized image; Performing a pre-based sparse approximation of the extracted patches; And combining the patches on which the pre-based sparse approximation has been performed with the overlapping patches to obtain an approximation of the synthesized image.
  • performing the dictionary-based sparse approximation of the extracted patches may be performed using at least one of a single dictionary, an original oriented dictionary, and a residual oriented dictionary.
  • FIG. 1 illustrates a magnetic resonance image processing apparatus according to an exemplary embodiment.
  • FIG. 2 is a flowchart illustrating a joint CS MRI restoration method according to an example embodiment.
  • 3A and 3B are flow diagrams illustrating a joint CS MRI restoration method according to an exemplary embodiment.
  • Fig. 4 is a flow chart for data initial value setting based on a joint division Bregman iteration algorithm according to an exemplary embodiment.
  • FIG. 5 illustrates a dictionary based joint CS reconstruction method according to an example embodiment.
  • FIG. 6 illustrates a single prior sparse approximation of patches according to an example embodiment.
  • 8A, 8B and 8C illustrate a dictionary based sparse approximation in accordance with an exemplary embodiment.
  • FIG. 9 illustrates a learning process of original and residual oriented dictionaries according to an example embodiment.
  • FIG. 10 illustrates a joint CS MRI restoration system according to an example embodiment.
  • FIG. 11 illustrates a multiple dictionary CS MRI reconstruction system according to an example embodiment.
  • FIG. 12 illustrates a system for learning original oriented and residual oriented dictionaries according to an example embodiment.
  • FIG. 13 illustrates a magnetic resonance image processing system according to an exemplary embodiment.
  • FIG. 14 illustrates an inventive system for joint split Bregman recovery in accordance with an exemplary embodiment.
  • 15 illustrates user scenario 1 according to an example embodiment.
  • 16 illustrates user scenario 2 according to an example embodiment.
  • 17 illustrates user scenario 3 according to an example embodiment.
  • FIG. 18 is a schematic diagram of an MRI system.
  • the image may include a medical image obtained by a medical imaging device such as a magnetic resonance imaging (MRI) device, a computed tomography (CT) device, an ultrasound imaging device, or an X-ray imaging device.
  • a medical imaging device such as a magnetic resonance imaging (MRI) device, a computed tomography (CT) device, an ultrasound imaging device, or an X-ray imaging device.
  • the "object” is an object to be photographed, and may include a person, an animal, or a part thereof.
  • the subject may comprise part of the body (organ or organ; organ) or phantom or the like.
  • the MRI system acquires a magnetic resonance (MR) signal and reconstructs the obtained magnetic resonance signal into an image.
  • the magnetic resonance signal refers to an RF signal emitted from the object.
  • the main magnet forms a static magnetic field, aligning the direction of the magnetic dipole moment of a specific atomic nucleus of an object located in the static field in the direction of the static field.
  • the gradient magnetic field coil may apply an inclination signal to the static magnetic field to form a gradient magnetic field to induce a resonance frequency for each part of the object.
  • the RF coil may irradiate an RF signal according to a resonance frequency of an area where an image acquisition is desired.
  • the RF coil may receive MR signals of different resonance frequencies radiated from various parts of the object.
  • the MRI system acquires an image from the MR signal using an image reconstruction technique.
  • the signal response from the excited hydrogen atoms can be received by a set of RF receiver coils.
  • a radio-frequency receiver coil may be a combination of a radio antenna, an RF receiver, an amplifier, a detector, and several other elements that realize the reception, amplification, synchronization, and conversion of the signal in digital form,
  • the set is used to get the response signal of the object at the same time.
  • Receiver coils have different spatial positions and parameter settings. Such parallel data collection can result in highly redundant information about the subject during joint CS reconstruction. Acquisition time may be reduced by incomplete sampling of k-spaces. Incomplete sampling of the k-space may be performed according to the same predetermined sampling mask for all receiver coils. The values of the unsampled positions may be filled with some initial values (typically zero). This incompletely sampled multi-coil k-space is used as input to CS MRI reconstruction algorithms according to the disclosed embodiment.
  • FIG. 1 illustrates a magnetic resonance imaging apparatus for joint CS MRI reconstruction according to an exemplary embodiment.
  • the magnetic resonance imaging apparatus may be implemented as a reconstruction server 100 as shown in FIG. 1.
  • the reconstruction server 100 may be a device for processing an MR signal obtained by capturing a magnetic resonance image of an object.
  • the recovery server 100 may receive an MR signal from an MR scanner (not shown).
  • the restoration server 100 may receive multi-coil k-space data corresponding to the MR signal from the MR scanner.
  • the reconstruction server 100 may include a server device for reconstructing the magnetic resonance image by using the multi-coil k-spatial data corresponding to the MR signal.
  • the server device may be a server device inside a hospital where the patient performs magnetic resonance imaging, or may be a medical server device located outside the hospital.
  • the recovery server 100 may include a processor 110 and a memory 120. However, this is merely an example, and the restoration server 100 may include more configurations than those illustrated in FIG. 1.
  • the processor 110 may obtain an incompletely sampled multi-coil k-space for the object. According to one embodiment, processor 110 may receive an incompletely sampled multi-coil k-space from an MR scanner.
  • the processor 110 may obtain a reconstructed image of the object by reconstructing the multi-coil k-space using a plurality of dictionaries.
  • the dictionary may refer to precomputed data to simplify the calculation.
  • the dictionary may include a table, a lookup table, and the like.
  • the processor 110 may operate an image restoration program stored in the memory 120.
  • the processor 110 may include a module for restoring incompletely sampled magnetic resonance image data.
  • the processor 110 may reconstruct the multi-coil k-space by using the first dictionary and the second dictionary obtained using the first dictionary, to obtain a reconstructed image of the object.
  • the reconstructed image may mean a magnetic resonance image of an object to be finally obtained.
  • the second dictionary may be obtained based on a residual of a sparse approximation of an image of a pre-obtained object and a previously obtained image based on the first dictionary.
  • the processor 110 obtains a first image based on the incompletely sampled multi-coil k-space, and multi-coils based on non-uniform sized patches of the first image, the first dictionary, and the second dictionary.
  • the restored image of the object may be obtained by reconstructing the k-space.
  • the first image may be a synthesized image obtained by synthesizing images obtained from a plurality of multi-coil K-spaces corresponding to different frequency bands.
  • the processor 110 may reconstruct the multi-coil k-space based on patches, first dictionaries, and second dictionaries corresponding to different frequency bands acquired based on the incompletely sampled multi-coil k-space, to thereby obtain an object. It is possible to obtain a reconstructed image of.
  • the processor 110 divides the obtained incompletely sampled multicoil k-space into a plurality of frequency bands, and separately processes the incompletely sampled multicoil k-spaces divided into a plurality of frequency bands into a first dictionary and a first, respectively.
  • the reconstructed image can be obtained by reconstructing using a dictionary.
  • the processor 110 may preprocess the incompletely sampled multi-coil k-space and restore the preprocessed multi-coil k-space using the first dictionary and the second dictionary.
  • the processor 110 fills the unsampled positions of the incompletely sampled multi-coil k-space with initial guesses and coil compresses the incompletely sampled multi-coil k-space, thereby incomplete. It is possible to preprocess the multi-coiled k-space sampled.
  • the values for which the processor 110 fills in locations that were not sampled by initial guessing may include constants, random complex values, or values obtained by a joint Bregman iteration algorithm.
  • the initial guess value may be zero.
  • coil compression by processor 110 may include compressing multiple RF receiver coils into fewer virtual receiver coils.
  • the processor 110 may restore the preprocessed multi-coil k-space using a reconstruction algorithm.
  • processor 110 may reconstruct the pre-processed multi-coil k-space using multi-band co-CS reconstruction.
  • the incompletely sampled multi-coil k-space may be divided into a plurality of frequency bands (eg, a low frequency band, Dividing into higher frequency bands).
  • the processor 110 may reconstruct multiple pre-cavity CSs each of the multi-coil k-spaces divided into a plurality of frequency bands. In addition, the processor 110 may acquire the restored magnetic resonance image by synthesizing the plurality of restored multi-coil k-space results.
  • the process of restoring the magnetic resonance image by the restoration server 100 using the multi-band joint CS restoration is not limited thereto, and may be performed by more steps.
  • the memory 120 may store a plurality of dictionaries obtained beforehand before obtaining an incompletely sampled multi-coil k-space.
  • the memory 120 may store the first dictionary obtained in advance and the second dictionary obtained using the first dictionary.
  • the memory 120 may store a pulse sequence, a coil sensitivity map, and the like necessary for reconstructing the magnetic resonance image.
  • the magnetic resonance imaging apparatus may further include an operator console (not shown).
  • the operator console may include a controller (not shown) configured to control the magnetic resonance image processing system and a display unit (not shown) for displaying the reconstructed magnetic resonance image.
  • the magnetic resonance imaging apparatus may further include a magnetic resonance scanner (not shown) including at least one receiver coil configured for k-space acquisition.
  • a magnetic resonance scanner (not shown) including at least one receiver coil configured for k-space acquisition.
  • FIG. 2 is a flowchart illustrating a method of reconstructing a magnetic resonance image, according to an exemplary embodiment.
  • Each step of the method of restoring the MRI image of FIG. 2 may be performed in, for example, the MRI system described with reference to FIG. 1.
  • the system for reconstructing the magnetic resonance image may acquire an incompletely sampled multi-coil k-space with respect to the object (S110).
  • the system for reconstructing the magnetic resonance image may acquire a reconstructed image of the object using the first dictionary and the second dictionary (S120).
  • the system for reconstructing a magnetic resonance image may obtain a reconstructed image of an object by reconstructing a multi-coil k-space using a first dictionary obtained in advance and a second dictionary obtained using the first dictionary. .
  • 3A and 3B are flow diagrams illustrating a joint CS MRI restoration method according to an exemplary embodiment.
  • the joint CS MRI reconstruction method may include three main steps, as shown in FIG. 3A.
  • the joint CS MRI reconstruction method may include the detailed steps as shown in FIG. 3B.
  • the joint CS MRI restoration method may include acquiring an incompletely sampled multi-coil K-space to be restored (S210). Incompletely sampled multi-coil k-space may be received from an MR scanner (not shown). Incompletely sampled multi-coil k-space can be obtained according to some sampling scheme (sampling mask).
  • the joint CS MRI reconstruction method may include preprocessing the obtained incompletely sampled multi-coil k-space (S220, S309).
  • an initial value setting S302 of the multi-coil k-space may be performed to fill the unsampled positions with some initial values.
  • other types of initial value settings including zero or random complex values may be applied.
  • a joint split Bregman iterative algorithm may be applied to this initial value setting procedure.
  • the multi-coil k-spaces with initial values set may be compressed by CC (coil compression) to reduce the total number of k-spaces. (S303).
  • the k-spaces generated by the coil compression may be associated with a so-called "virtual coil” used in place of the RF receiver coils.
  • the joint CS MRI reconstruction method may include reconstructing the preprocessed multi-coil k-space using multi-band joint CS reconstruction (S230 and S310).
  • the multi-coil k-space may be decomposed into several frequency bands in a manner corresponding to each generated multi-coil k-space corresponding to each frequency band (S304).
  • the coil sensitivity maps may be obtained based on a part of the k-spatial data that have been completely sampled (S305).
  • each multi-coil k-space may be recovered using the multiple pre-cooperative CS algorithm to recover unsampled frequencies within each frequency band (S306).
  • all multi-coil k-spaces corresponding to different frequency bands may be synthesized to form a final multi-coil k-space (S307).
  • the resulting MR image may be calculated from the result of the multi-coil k-space (S308).
  • Parallel MRI algorithms are inextricably related to the coil sensitivity maps used to synthesize the measured k-spaces.
  • the physical relationship between the proton density ⁇ of the object to be measured and the incompletely sampled Fourier spectrum u i of the object obtained by the i-th receiver coil may be expressed as follows.
  • Equation (1) describes how object ⁇ produces a difference in multiple k-spaces due to parameter settings and the position of receiver coils.
  • equation (1) can be rewritten as follows in the form of a vector.
  • Equations (1) and (2) depict the division of an object into multi-coil k-spaces. That is, ⁇ is divided into several images p i corresponding to various receiver coils through individual coil sensitivity maps s i , and then the images p i are transmitted to the Fourier domain. Image p i is normally referred to as the i-th "coil image”. Equation (3) defines the synthesis operation of the coil images obtained from the corresponding k-spaces. The aforementioned operations (division and synthesis) integrate GSENSE with the proposed joint CS MRI reconstruction.
  • the inventors propose a new variant of the Split Bregman iterative algorithm for efficient data initialization.
  • the joint CS reconstruction problem can be formulated as the basis for pursuing the denoising problem for measurements obtained by various receiver coils.
  • ⁇ is a normalization parameter
  • ⁇ is a sparsifying transform (full transform)
  • l 1 -norm 1 is defined as the sum of the absolute values of the vector elements.
  • l 1 -and l 2 -nom are [Y. Wang et al., "A Fast Algorithm for Image Blur with Full Transform Normalization", CAAM Technical Report (2007)]
  • Equation (6.1) can have all the advantages of parallel MRI approximation.
  • Fig. 4 is a flow chart for data initial value setting based on a joint division Bregman iteration algorithm according to an exemplary embodiment.
  • auxiliary variables d 0 and sparman parameter b 0 of the sparse object approximation may be initialized with zero vectors.
  • object pi, sparse approximation d of object pi, and auxiliary parameter vector b may be recalculated.
  • the object ⁇ may be estimated according to equation S3 by Fourier inverse transform of k-spaces from different receiver coils with the synthesis of the estimated images. Thereafter, the object recalculation (S405) and the update of the object approximation d (S406) by minimizing the equations (6.1) and (6.2) may be performed, respectively. Optimization for 1 norm (S406) can be realized by setting a threshold and soft threshold, such as 1 / 2 ⁇ .
  • the Bregman parameter vector b can be updated according to equation (6.3).
  • the generated object may be represented by several k-spaces corresponding to the coil images, according to equation (2).
  • the inner loop terminates when the stop condition S403 is satisfied, and then the inner loop independent variables can be updated for measured k-spaces and object reconstructions of different receiver coils (S409).
  • the reconstructed object estimate may be updated by reconstructing (S410) the k-space samples measured in the reconstructed Fourier spectrum. This procedure allows the joint segmentation algorithm to operate only under unsampled frequencies while preparing data for joint CS reconstruction, without changing the given k-space measurements. If the operation is completed, the initial value setting may be completed based on the joint division Bregman.
  • the main part of the method according to the disclosed embodiment is based on the sparse approximation of the input volumetric signal using a precomputed dictionary. At this stage, the following optimization problem can be solved by
  • l 0 -norm ⁇ ... defined as the nonzero elements of the vector here. 0 is used.
  • sparsifying transforms are represented by sparse decomposition of a signal into the basic elements of a dictionary (called "atoms").
  • patch based sparse decomposition is applied: a portion of a relatively small and non-uniform size of a volume object can be vectorized and approximated by a linear combination of appropriate prior atoms. The weights of this linear combination are called "sparse codes”.
  • the number of dimensions of the patch is not a problem due to the vectorization of the patch: 2D or 3D patches can be represented as column-vectors. If the original dimension number of the patch corresponds to the dimension number of the atoms, in the vectorized form all original patches (2D or 3D) can be approximated by prior vectorized atoms. Mathematically, the following optimization problem can be solved by the following equation.
  • D is the pre-transformation matrix and ⁇ is the normalization parameter.
  • Equation of heat (8) vector ⁇ j is a volume of a patch of the synthesized image of the subject MR, corresponding j-th column of the sparse code vector z j is a sparse decomposition by D.
  • the use of the l 0 -nom of the vector of sparse code means that it is desirable to use only the minimum atoms in the approximation, for example, the minimum non-zero weights in z.
  • the K-SVD method may be used to learn a dictionary in high quality MR images of each size, scale, and detail of the organs of the person being diagnosed.
  • the method according to the disclosed embodiment can be operated using various sampling techniques.
  • the procedure of extracting patches from the synthesized image of the object may generate a set of volume portions of the image.
  • the optimal aspect ratio of the patch may depend on the main direction of k-space sampling due to the distribution of aliasing artifacts. For satisfactory approximation, the larger the patch, the more elements of the dictionary should be, so when the dictionary size is limited, the patch should not be large. If the sampling rate is higher, the patch will cover more data, then the type of patch will be a good choice.
  • the strategy of covering a fixed amount of information per patch becomes feasible by applying patches of non-uniform size. This method may enable better quality image reconstruction than using fixed size patches.
  • FIG. 5 illustrates a dictionary based joint CS reconstruction method according to an example embodiment.
  • the significantly incompletely sampled multi-coil k-space S501 which is used as the input of the joint CS iteration algorithm, may be initially preprocessed by the jointly split Braggman algorithm mentioned above. The following steps may be performed until the solution converges (S502).
  • a synthesized image S506 of an object may be calculated by synthesis of generated coil images and a Fourier inverse transform (IFFT) S504 of a multi-coil k-space.
  • IFFT Fourier inverse transform
  • the pre-calculated coil sensitivity maps S505 may be utilized.
  • a set of nested patches S508 can be extracted from the synthesized object S506 (S507), and then each of two or three dimensions (depending on the data and parameters of the algorithm).
  • sparse object decomposition (S509) can be performed according to equation (9) with a suitable dictionary D (S510): Sparse object decomposition is performed by an Orthogonal Matching Pursuit. Sparse codes S511 are obtained for each vectorized patch, but the approximation of the patches S512 is a sparse calculated as a linear combination and coefficients of the prior elements S510. A sparse approximation S515 of the synthesized object may then be obtained by assembling the restored patches with the overlapping patches S514. Next step S516.
  • the generated coil images may be transferred to the Fourier domain by a Fourier transform (FFT)
  • FFT Fourier transform
  • This operation S516 may result in an intermediate multi-coil k-space S517.
  • the spectral data at the sampled position of the multi-coil k-space can be restored to its measured value (S518) If the solution converges (S502), the restored multi-coil k-space ( S519 may be output S503 as a result of the joint CS MRI reconstruction algorithm, and if it does not converge, a new iteration may be started.
  • one of the methods for utilizing a multilevel structure of data is to restore a plurality of object elements corresponding to different frequency bands.
  • the multi-coil k-space may be divided into several frequency bands corresponding to low, medium and high frequencies, and the like. In this division, new multi-coil k-spaces appear, each of which may include a respective frequency band filled with measured data, while all other bands are filled with zeros.
  • the sparsity of the signal is improved because the change in signal per band is significantly less than the total change in signal, which can be restored to better quality.
  • the resolved k-space is considered the input of the main loop of the proposed multiple prereconstruction and can be processed in parallel.
  • the object may be decomposed into frequency bands as in the method for learning dictionaries for each frequency band.
  • each frequency band can be reconstructed using the corresponding dictionary.
  • An important point of the invention according to the disclosed embodiments is the multiple dictionary sparse object approximation.
  • the dictionaries and related parameters (such as the tolerance of sparse approximation) of CS reconstruction may be changed during the reconstruction procedure.
  • two approaches are proposed for applying multiple dictionaries to CS reconstruction.
  • the dictionaries may be interchanged after a certain number of iterations (see block 510 of FIG. 5). For example, if preliminary reconstruction has already been performed, changing the basis of the sparse approximation is very efficient and requires reconstruction and clarification of the detail details of the image.
  • Another proposed approach involves sparse object approximation using multiple dictionaries simultaneously during one iteration of CS reconstruction. To distinguish between the above-mentioned approach and this approach, a closer look at the pre-based approximation of the patches forming the image of the volume object is disclosed below.
  • FIG. 6 illustrates a single prior sparse approximation of patches according to an example embodiment.
  • FIG. 6 part of the CS MRI reconstruction aimed at a single prior approximation is shown.
  • the vectorized patches S600 of the volumetric portions of the object may be input based on a dictionary based sparse approximation. These patches may be sparsely decomposed by the dictionary S602 while calculating the corresponding sparse codes S603 (S601). Then an approximation of the patches S604 to the required accuracy (sparse approximation tolerance) can be performed.
  • the approximate result is shown at S605.
  • These approximations of the patches correspond to the output of this approach and can be further used for assembly of the object image.
  • Vectorized patches S700 extracted from the volume object may be used as an input signal.
  • sparse codes S703 may be generated by the first dictionary S702 (S701). Since the original signal is used here, the first dictionary S702 is hereinafter referred to as original-oriented dictionary.
  • the sparse approximation S705 of the patches may then be calculated via an Orthogonal Matching Pursuit (OMP) (S704).
  • OMP Orthogonal Matching Pursuit
  • the patches residuals S707 can be calculated by subtracting the sparse approximation S705 of the patches per component from the input patches S700.
  • the sparse approximation may then be repeated for patch residuals S707:
  • the patch residuals S707 may be decomposed by a second dictionary S709 that generates new sparse codes S710. (S708).
  • the second dictionary S709 targets the residuals of the intermediate and high frequency features and is therefore referred to as a residual-oriented dictionary in the following.
  • approximations S705 (obtained by the first dictionary) of patches and sparse approximations S712 (obtained by the second dictionary) of patch residuals may then be summed (S713).
  • 8A, 8B, and 8C illustrate a dictionary based sparse approximation according to an example embodiment.
  • FIG. 8A An example of a dictionary based sparse approximation is shown in FIG. 8A. Also shown in FIG. 8 are different kinds of dictionary based sparse approximations by multi-scale dictionaries (FIG. 8B) and target-oriented dictionaries (FIG. 8C).
  • Multi-scale dictionaries are patches 802 with a 4N ⁇ 4M size patch ⁇ j 801 with informational components represented in smaller sized blocks such as 2N ⁇ 2M, N ⁇ M, etc. Sparse can be approximated by The remainder of the blocks of these patches 802 are assumed to be zero, and in general, these information areas may be included at various locations within the main 4N ⁇ 4M block.
  • the object-oriented dictionary may include patches corresponding to different frequency bands. It can be seen that it is more efficient to apply dictionaries to various regions of the synthesized image, depending on the estimated variety of extracted patches, such as low, medium, and high frequency patches.
  • different colors highlight various areas of interest: for areas of dark color, high frequency patches 803 can be applied with a dictionary, and the two areas indicated by lighter colors are relatively Low frequency patches 804 may be applied with the dictionary.
  • K-SVD The sparse approximation-oriented dictionaries of the early patches are described in K-SVD algorithm [M. Aharon, M. Elad, and A. Bruckstein, "K-SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation," IEEE Trans. Image Process. 54, 4311-4322 (2006). Details of the procedure are outside the scope of the invention according to the disclosed embodiments.
  • a method of operating with several dictionaries is proposed.
  • the learning technique is for image dictionaries and so-called patch-residuals, ie the difference between original patches and patches sparse approximating original patches, for various dictionaries oriented.
  • Conventional dictionaries are learned from a set of high quality images of the original, while residual oriented dictionaries are learned from the difference between sparse approximations by the original image and the original oriented dictionary of the original image.
  • the following terms, 510 (including repeated replaced dictionaries), 602, and 702 are original oriented dictionaries.
  • FIG. 9 illustrates a learning process of original and residual oriented dictionaries according to an example embodiment.
  • step S901 of learning a patch-based dictionary may be performed using a large data set S900 of a high quality image of an object. This can provide a text oriented dictionary.
  • the existing K-SVD algorithm may be used for prior learning.
  • the calculated original oriented dictionary S902 can be used to calculate the difference between the patches of original images and the sparse approximations for all images from a given data set S900. This may generate a data set S904 of residuals.
  • patch-based dictionary learning S905 may be performed using the generated patch residuals S904 to calculate a desired residual based dictionary S906.
  • the original oriented dictionary S902 and the residual oriented dictionary S906 may be orthogonalized by the Gram-Schmidt procedure to reduce the number of atoms and thereby accelerate the sparse approximation. Note that
  • FIG. 10 illustrates a joint CS MRI restoration system according to an example embodiment.
  • the proposed system is applicable to CS MRI medical image reconstruction and may include the following units (e.g., reconstruction server) to form the system shown in FIG.
  • the k-spaces incompletely sampled by the plurality of RF receiver coils are obtained, and then the obtained multi-coil k-spaces are added to the preprocessor 1003 and the sensitivity.
  • Sensitivity-estimating 1001 that estimates coil sensitivity maps based on the sampled multi-coil k-spatial data. Spatial coordinates of the sampled frequencies may be obtained from a sampling mask (prepared by the data sampling unit 700), and the necessary multi-coil k-space may be received from the data obtaining unit 1002;
  • the k-spaces to be initially set are received from the data acquisition unit 1002, the information at the unsampled positions is received from the data sampling unit 1000, and the coil sensitivity maps necessary for the initial setting algorithm are obtained from the sensitivity estimator ( 1001);
  • a CS MRI reconstruction unit 1005 for reconstructing the preprocessed multi-coil k-space obtained from the preprocessing unit 1003 according to a multiple pre-cooperative CS MRI algorithm.
  • Information of samples to be reconstructed in k-spaces is received from the data sampling unit 1000, and dictionaries and coil sensitivity maps for joint CS reconstruction are respectively derived from the sparse approximation unit 1004 and the sensitivity estimation unit 1001. Can be received.
  • the data sampling unit 1000, the sensitivity estimating unit 1001, and the preprocessing unit 1003 form blocks for preprocessing the multi-coil k-space.
  • the sparse approximation unit 1004 and the CS magnetic resonance imaging (MRI) reconstructor 1005 may form a multi-dictionary joint compressed sensing reconstruction block.
  • FIG. 11 illustrates a multiple dictionary CS MRI reconstruction system according to an example embodiment.
  • FIG. 11 shows a specific case of the reconstruction section for each of the multiple dictionaries approaches, in which the dictionaries are changed sequentially during reconstruction.
  • This system represents an implementation of the above-described method shown in FIG. 5 and may include the following units:
  • a data sampling unit 1102 for generating a sampling scheme (sampling mask) for k-space acquisition and transmitting the generated sampling scheme to the measurement reconstruction unit 1110;
  • An actuating unit 1105 for transmitting
  • a k-space output unit 1106 for outputting and storing the restored multi-coil k-space
  • Receives the multi-coil k-space from the operator 1105 performs Fourier inverse transformation for the received multi-coil k-space, and synthesizes "coil images" using the coil sensitivity maps obtained from the sensitivity input unit 1101.
  • the resulting composite image is then sent to multiple dictionary approximators 1108;
  • a dictionary input unit 1104 for receiving a current repetition number from the control unit 1103, selecting appropriate dictionaries for dictionary-based object approximation, and transmitting the selected dictionaries to the multiple dictionary approximation unit 1108;
  • the divider 1109 obtains k-spaces from the images related to the coils, and transmits the acquired images (“multi-coil k-space”) to the measurement reconstruction unit 1110;
  • Measurement recovery unit 1110 which receives the multi-coil K-space from divider 1109 and restores the original values at the sampled positions of the k-space data.
  • the sampled positions are obtained from the data sampling unit 1102, and the reconstruction result is sent to the operation unit 1105;
  • the controller 1103 may determine two aspects of joint CS MRI reconstruction: these two aspects determine the units that are the destination for each k-space transmission and determine the dictionaries used in the current iteration. To choose. In an initial iteration, control 1103 may switch actuator 1105 to receive initial data from k-space input 1100 to begin data processing. In all other cases, the actuator 1105 may provide the k-space received from the measurement reconstruction unit 1110. Moreover, this multi-coil k-space can be sent to the combiner 1107. If the stop condition (repeated number or accuracy criterion is confirmed for the stop condition) is satisfied, the control unit 1103 is configured to stop the multi-coil k-space transmission from the measurement recovery unit 1110 to the synthesis unit 1107.
  • the stop condition peerated number or accuracy criterion is confirmed for the stop condition
  • Actuator 1105 can be switched.
  • the operator 1105 may send the resulting k-space to the k-space output 1106.
  • the control unit 1103 can inform the dictionary input unit 1104 of the number of current iterations to select the appropriate dictionaries.
  • FIG. 12 illustrates a system for learning original oriented and residual oriented dictionaries according to an example embodiment.
  • FIG. 12 illustrates an implementation of the algorithm shown in FIG.
  • the system may include the following units:
  • An image-collecting unit 1200 which collects a data set of high quality MR images of the objects and transmits the collected data set to the pre-learning unit 1201 and the sparse approximation unit 1202;
  • Dictionary learning unit 1201 that performs dictionary learning (eg, by K-SVD) and generates original and residual oriented dictionaries in accordance with the input data. All these dictionaries may be sent to dictionary output 1204 which stores the dictionaries.
  • the generated original oriented dictionary may be sent from the dictionary learning unit 1201 to the sparse approximation unit 1202, and the residual oriented dictionary may be transmitted to the residual approximation unit 1203;
  • a sparse approximation unit 1202 that calculates a sparse approximation for all data sets of MR images from the image collection unit 1200; The calculation is performed together with the dictionary obtained from the dictionary learner 1201. The residuals may be sent back to the pre-learning unit 1201 and the residual approximation unit 1203;
  • a residual approximation unit 1203 which calculates an approximation of the residuals received from the sparse approximation unit 1202 by the residual oriented dictionary obtained from the dictionary learning unit 1201;
  • Dictionary output 1204 which receives the calculated original and residual oriented dictionaries and stores the received dictionaries (stored dictionaries are assumed to be used for sparse approximation).
  • FIG. 13 illustrates a magnetic resonance image processing system according to an exemplary embodiment.
  • the magnetic resonance image processing system shown in FIG. 13 uses an MR scanner 1301, a reconstruction server 1302, and an operator console 1303 to obtain an incompletely sampled multi-coil k-space based on a plurality of receiver coils. It may include. If an incompletely sampled multi-coil k-space is obtained, the file along with the data may be stored in the retrieval server memory 1305.
  • the operator can execute the image restoration program by using the controller 1307 of the operator console 1303. This program can run on the processor 1304 of the restore server 1302;
  • the processor 1304 may include a module 1308 for incompletely sampled MRI reconstruction as its subroutine.
  • the result of the program operation may be displayed on the display 1306 of the operator console 1303.
  • the controller 1307 may control the results of the operation, monitor the parameters of the MR image to be restored and displayed.
  • FIG. 14 illustrates an inventive system for joint split Bregman recovery in accordance with an exemplary embodiment.
  • FIG. 14 may be a system 1400 for setting data initial values by a joint division Bregman algorithm.
  • FIG. 14 illustrates an implementation of the algorithm illustrated in FIG. 4.
  • the system 1400 may include the following units.
  • the system 1400 obtains the multi-coil k-space by the receiver coil in accordance with the selected sampling mask and transmits k-space and the sampling mask to the control and update unit 1401 and the measurement recovery unit 1407. It may include a space input unit 1409.
  • the system 1400 may also include a sensitivity input 1402 that receives the estimated sensitivity maps of the receiver coil and transmits the received sensitivity maps to the synthesizer 1403 and the divider 1406.
  • the system 1400 also receives a multi-coil k-space from the control and update unit 1401, performs Fourier inverse transformation of the k-spaces, and uses sensitivity maps (obtained from the sensitivity input unit 1402). And a synthesizer 1403 for synthesizing the obtained images and transmitting the synthesized result image to the object estimator 1404.
  • the system 1400 receives an image synthesized with the necessary parameters from the synthesis unit 1403, recalculates an object sparse approximation by minimizing each criterion, and calculates the calculated result as an internal parameter.
  • the object estimator 1404 may be transmitted to the variable updater 1405.
  • the object estimator 1404 may recalculate a sparse approximation of the object by minimizing an evaluation function included in the l1 norm.
  • system 1400 receives a sparse representation of the updated object (image) from the object estimator 1404, updates related parameters, and transmits the updated object approximation to the partitioner 1406.
  • the parameter updater 1405 may be included.
  • the system 1400 also divides the object sparse approximation obtained from the internal parameter updater 1405 using coil sensitivity maps (sensitivity maps are obtained from the sensitivity input 1402) for this purpose.
  • the divider 1406 may be included.
  • the division unit 1406 may perform Fourier transform of the generated coil images and transmit the updated multi-coil k-space to the control and update unit 1401.
  • the control and update unit 1401 may control the processing states for the outer and inner loops of the co-division Bregman algorithm. If the condition for the inner loop is met, the control and update unit may update the outer parameters. If the condition for the outer loop is met, the reconstructed k-spaces are sent to the measurement reconstruction unit 1407, while the pre-reconstructed k-spaces can be sent to the synthesis unit 1403.
  • system 1400 receives a multi-coiled k-space reconstructed from the control and update unit 1401 and restores measurements to restore the sampled components of the k-space data to the (measured) original values of those components. It may include a portion 1407.
  • the system 1400 can also include a k-space output 1408 for outputting and storing the restored multi-coil k-space received from the measurement reconstruction unit 1407.
  • 15 illustrates user scenario 1 according to an example embodiment.
  • the scenario may assume three roles.
  • the role of the MR image reconstruction system 1530 including software and hardware for implementing the MR image reconstruction method can be assumed.
  • the doctor 1510 places the patient in the MR scanner 1520 in a manner for investigating the selected organ of the patient (S1511), the scanning mode desired by the doctor 1510 and the organ to be investigated ( organ) (S1512), the doctor 1510 selects a desired sampling mask to speed up the scanning procedure (S1513), and the doctor 1510 selects a parameter set for the image reconstruction procedure.
  • Step S1514 the doctor 1510 starts the scanning procedure (S1515), the MR scanner 1520 scans the patient while skipping some data in order to speed up the image restoration procedure (S1516, under) Sampling), processing the data acquired by the MR image reconstruction system 1530, and finally reconstructing the MR image of the organ to be investigated (S1517) (the main steps of the algorithm implemented by the MR image reconstruction system are shown in FIG. Pattern related to 3 Are described) on; And the doctor 1510 may include the step of investigating the reconstructed MR image (S1518).
  • the main effect of the invention according to the disclosed embodiments is to provide a good quality MR image in a minimum amount of time (the scanned data is incompletely sampled, and the total amount of scan time is subject to some tradeoffs for "quality / time required"). Can be reduced 4-6 times).
  • 16 illustrates user scenario 2 according to an example embodiment.
  • the restoration procedure may not be performed by additional hardware that may be provided with the MR scanner 1620, but may be performed in a dedicated server that provides a restoration service.
  • the owner and restore algorithm of the restore server may allow access under a contract with the medical center.
  • all MR scanners 1620 located at the medical center
  • Restoration may be performed using cloud computing technology, and in particular, it may be performed using distributed computing.
  • the main step in user scenario 2 is: doctor (or operator) 1610 placing the patient in the MR scanner of the medical center (S1611), doctor (or operator) 1610 selects the desired acceleration factor.
  • Step S1612 wherein the doctor (or operator) 1610 starts the scan procedure (S1613);
  • the MR scanner 1620 scans the patient and provides incompletely sampled spectral data (S1614), and the restoration server 1630 in the cloud where the MR scanner 1620 provides restoration services of the incompletely sampled data.
  • the 3D image restoration is performed from the incompletely sampled data received by the restoration server 1630 in the cloud, and the restoration server 1630 in the cloud reconstructs the restored image.
  • the method may include transmitting to the MR scanner 1620 at the medical center (S1617) and investigating the restored image received by the doctor 1610 at the medical center (S1618).
  • 17 illustrates user scenario 3 according to an example embodiment.
  • the user scenario shown in FIG. 17 may be another user scenario for nondestructive analysis.
  • the object is irradiated with a coherent laser beam, scattered radiation can be detected by a scanner, and the image of the object is of high intensity by a computer's phase-retrieval algorithm. It can be correctly recovered from the measurements.
  • the intensity measurements used may be different because of the transfer function depicting wave field propagation over different distances.
  • the exact distances of wavefield propagation can often be encoded by specific diffraction elements: spatial light modulators (SLMs). Since the fill factor of the spatial light modulators is far from being perfect (depending on the cost of the spatial light modulator, the charge rate of commercially available SLMs can be 72-98%). May be incompletely sampled.
  • SLMs spatial light modulators
  • User scenario 3 includes a laser scanner 1720, an image that irradiates a laser beam to an object of interest, detects scattered radiation from the object, and obtains multiple intensity measurements corresponding to different transfer functions (encoded by SLM). Assume three roles: an image restoration system (computer) 1730 with software necessary for restoration, and a user (operator) 1710 that controls the image restoration system 1730 and examines the restored image. Can be.
  • the user (operator) 1710 places the laser scanner 1720 in front of the object of interest (or a fragment thereof) (S1711), and the user (operator) 1710 uses the laser scanner 1720 to detect the object of interest (or Step (S1712), a user (operator) 1710 positions the laser scanner 1720 in front of the test object, and scans the test object using the laser scanner 1720.
  • the image restoration system (computer) 1730 receives scan data of the known test object and the object of interest (S1714), and the image restoration system (computer) 1730 is transmitted by the scan data of the test object.
  • the technical effect of the invention according to the disclosed embodiment is to provide a high quality MR image in a minimum amount of time (since the acquired data is incompletely sampled, the total acquisition time is reduced in proportion by 4-6 times), that is, Compared to known solutions, the present invention may enable to obtain a similar or better quality MR image while significantly accelerating data acquisition time.
  • the present specification clarifies the scope of the present invention, describes the principles of the present invention, and discloses embodiments so that those skilled in the art can carry out the present invention.
  • the disclosed embodiments can be implemented in various forms.
  • FIG. 18 is a schematic diagram of an MRI system.
  • the MRI system 1 may include an operating unit 10, a controller 30, and a scanner 50.
  • the controller 30 may be independently implemented as shown in FIG. 18.
  • the controller 30 may be divided into a plurality of components and included in each component of the MRI system 1. Hereinafter, each component will be described in detail.
  • the scanner 50 may be embodied in a shape (eg, a bore shape) in which an object may be inserted, so that the internal space is empty. Static and gradient magnetic fields are formed in the internal space of the scanner 50, and the RF signal is irradiated.
  • the scanner 50 may include a static magnetic field forming unit 51, a gradient magnetic field forming unit 52, an RF coil unit 53, a table unit 55, and a display unit 56.
  • the static field forming unit 51 forms a static field for aligning the directions of the magnetic dipole moments of the nuclei contained in the object in the direction of the static field.
  • the static field forming unit 51 may be implemented as a permanent magnet or a superconducting magnet using a cooling coil.
  • the gradient magnetic field forming unit 52 is connected to the control unit 30. Inclination is applied to the static magnetic field according to the control signal received from the controller 30 to form a gradient magnetic field.
  • the gradient magnetic field forming unit 52 includes X, Y, and Z coils that form gradient magnetic fields in the X-, Y-, and Z-axis directions that are orthogonal to each other, and photographed to induce resonance frequencies differently for each part of the object. Generates an inclination signal according to the position.
  • the RF coil unit 53 may be connected to the controller 30 to irradiate the RF signal to the object according to the control signal received from the controller 30 and receive the MR signal emitted from the object.
  • the RF coil unit 53 may stop transmitting the RF signal after receiving the RF signal having the same frequency as the frequency of the precession toward the atomic nucleus that performs the precession to the subject, and receive the MR signal emitted from the subject.
  • the RF coil unit 53 is implemented as a transmitting RF coil for generating electromagnetic waves having a radio frequency corresponding to the type of atomic nucleus and a receiving RF coil for receiving electromagnetic waves radiated from the atomic nucleus, respectively, or having a transmission / reception function together. May be implemented as an RF transmit / receive coil.
  • a separate coil may be mounted on the object. For example, a head coil, a spine coil, a torso coil, a knee coil, or the like may be used as a separate coil according to a photographing part or a mounting part.
  • the display unit 56 may be provided outside and / or inside the scanner 50.
  • the display unit 56 may be controlled by the controller 30 to provide information related to medical image capturing to a user or an object.
  • the scanner 50 may be provided with an object monitoring information acquisition unit for obtaining and delivering monitoring information on the state of the object.
  • the object monitoring information acquisition unit may include a camera (not shown) for photographing the movement and position of the object, a respiratory meter (not shown) for measuring breathing of the object, and an electrocardiogram for measuring the object.
  • the monitoring information about the object may be obtained from the ECG measuring device (not shown) or the body temperature measuring device (not shown) for measuring the body temperature of the object and transferred to the controller 30.
  • the controller 30 may control the operation of the scanner 50 by using the monitoring information about the object.
  • the controller 30 will be described.
  • the controller 30 may control the overall operation of the scanner 50.
  • the controller 30 may control a sequence of signals formed in the scanner 50.
  • the controller 30 may control the gradient magnetic field forming unit 52 and the RF coil unit 53 according to a pulse sequence received from the operating unit 10 or a designed pulse sequence.
  • the pulse sequence includes all the information necessary for controlling the gradient magnetic field forming unit 52 and the RF coil unit 53, for example, the intensity of a pulse signal applied to the gradient magnetic field forming unit 52. , Application duration, application timing, and the like.
  • the controller 30 may include a waveform generator (not shown) for generating a gradient waveform, that is, a current pulse according to a pulse sequence, and a gradient amplifier (not shown) for amplifying the generated current pulse and transferring the gradient to the gradient magnetic field forming unit 52.
  • a waveform generator (not shown) for generating a gradient waveform, that is, a current pulse according to a pulse sequence
  • a gradient amplifier (not shown) for amplifying the generated current pulse and transferring the gradient to the gradient magnetic field forming unit 52.
  • the controller 30 may control the operation of the RF coil unit 53.
  • the controller 30 may supply an RF pulse of a resonance frequency to the RF coil unit 53 to irradiate an RF signal and receive an MR signal received by the RF coil unit 53.
  • the controller 30 may control an operation of a switch (for example, a T / R switch) that may adjust a transmission / reception direction through a control signal, and may adjust irradiation of an RF signal and reception of an MR signal according to an operation mode.
  • a switch for example, a T / R switch
  • the controller 30 may control the movement of the table unit 55 in which the object is located. Before the photographing is performed, the controller 30 may move the table 55 in advance in accordance with the photographed portion of the object.
  • the controller 30 may control the display 56.
  • the controller 30 may control on / off of the display 56 or a screen displayed through the display 56 through a control signal.
  • the controller 30 may include an algorithm for controlling the operation of components in the MRI system 1, a memory for storing data in a program form (not shown), and a processor for performing the above-described operations using data stored in the memory ( Not shown).
  • the memory and the processor may be implemented as separate chips.
  • the memory and the processor may be implemented in a single chip.
  • the operating unit 10 may control the overall operation of the MRI system 1.
  • the operating unit 10 may include an image processor 11, an input unit 12, and an output unit 13.
  • the image processor 11 may generate image data of an object from the stored MR signal by storing an MR signal received from the controller 30 using a memory and applying an image reconstruction technique using an image processor. .
  • the image processor 11 may reconstruct various images through the image processor when the k-space data is completed by filling digital data in k-space (eg, also referred to as Fourier space or frequency space) of the memory.
  • k-space eg, also referred to as Fourier space or frequency space
  • the technique can be applied (eg, by inverse Fourier transform of k-spatial data) to reconstruct k-spatial data into image data.
  • various signal processings applied to the MR signal by the image processor 11 may be performed in parallel.
  • a plurality of MR signals received by the multi-channel RF coil may be signal-processed in parallel to restore the image data.
  • the image processor 11 may store the restored image data in a memory or the controller 30 may store the restored image data in an external server through the communication unit 60.
  • the input unit 12 may receive a control command regarding the overall operation of the MRI system 1 from the user.
  • the input unit 12 may receive object information, parameter information, scan conditions, information about a pulse sequence, and the like from a user.
  • the input unit 12 may be implemented as a keyboard, a mouse, a trackball, a voice recognition unit, a gesture recognition unit, a touch screen, or the like.
  • the output unit 13 may output image data generated by the image processor 11.
  • the output unit 13 may output a user interface (UI) configured to allow a user to receive a control command regarding the MRI system 1.
  • UI user interface
  • the output unit 13 may be implemented as a speaker, a printer, a display, or the like.
  • the operating unit 10 and the control unit 30 are shown as separate objects from each other. However, as described above, the operating unit 10 and the control unit 30 may be included together in one device. In addition, processes performed by each of the operating unit 10 and the control unit 30 may be performed in another object.
  • the image processor 11 may convert the MR signal received from the controller 30 into a digital signal, or the controller 30 may directly convert the MR signal.
  • the MRI system 1 includes a communication unit 60, and through the communication unit 60, an external device (not shown) (eg, a server, a medical device, a portable device (smartphone, tablet PC, wearable device, etc.)). Can be connected with an external device (not shown) (eg, a server, a medical device, a portable device (smartphone, tablet PC, wearable device, etc.)). Can be connected with an external device (not shown) (eg, a server, a medical device, a portable device (smartphone, tablet PC, wearable device, etc.)). Can be connected with a server, a server, a medical device, a portable device (smartphone, tablet PC, wearable device, etc.)). Can be connected with an external device (not shown) (eg, a server, a medical device, a portable device (smartphone, tablet PC, wearable device, etc.)). Can be connected with an external device (not shown) (eg, a server, a
  • the communication unit 60 may include one or more components that enable communication with an external device, for example, at least one of a short range communication module (not shown), a wired communication module 61, and a wireless communication module 62. It may include.
  • the communication unit 60 receives the control signal and data from the external device and transmits the received control signal to the control unit 30 so that the control unit 30 controls the MRI system 1 according to the received control signal. It is possible.
  • control unit 30 may transmit the control signal to the external device through the communication unit 60, thereby controlling the external device according to the control signal of the control unit.
  • the external device may process data of the external device according to the control signal of the controller 30 received through the communication unit 60.
  • a program for controlling the MRI system 1 may be installed in the external device, and the program may include a command for performing some or all of the operations of the controller 30.
  • the program may be pre-installed on an external device, or the user of the external device may download and install the program from a server providing an application.
  • the server providing the application may include a recording medium in which the program is stored.
  • the disclosed embodiments may be implemented in the form of a computer readable recording medium storing instructions and data executable by a computer.
  • the instruction may be stored in the form of program code, and when executed by a processor, may generate a predetermined program module to perform a predetermined operation.
  • the instructions may, when executed by a processor, perform certain operations of the disclosed embodiments.

Landscapes

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

Abstract

자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치가 제공된다. 자기 공명 영상 처리 장치는, 프로세서 및 프로세서에 연결된 메모리를 포함하고, 프로세서는, 대상체에 대한 불완전하게 샘플링된 멀티 코일 k-공간을 획득하고, 미리 획득된 제1 사전 및 제1 사전을 이용하여 획득된 제2 사전을 이용하여, 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득할 수 있다.

Description

자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치
본 발명은 의료 영상 처리에 관한 것으로, 더 구체적으로는 복수의 수신기 코일에 의해 획득된 불완전하게 샘플링된 k-공간 데이터로부터 대상체의 자기 공명(MR) 영상 복원을 하기 위한 방법 및 시스템과 관련된 발명이다.
자기 공명 영상(MRI)은 해부학적 구조와 생리학적 기능 모두를 시각화 시킬 수 있기 때문에 진단에 널리 이용되는 비침습적인 영상 기술이다.
MRI는 핵 자기 공명 원리에 기초한다. 교번 자기장(alternating magnetic field) 및 무선 주파수(RF) 신호는 인체 일부에서의 양성자 밀도 분포에 관한 정보를 얻기 위한 수소 원자 여기를 위해 사용된다. 여기된 수소 원자로부터의 신호 응답은 소위 "수신기 코일" 세트에 의해 수신된다. 이러한 수신기 코일은 무선 안테나(코일), RF 수신기, 증폭기, 검출기, 및 신호의 수신, 증폭, 동기화 및 디지털 형태로의 전환을 수행할 수 있는 다른 요소들의 조합일 수 있다. 현재, 자기 공명(MR) 스캐너는 상술한 여러 RF 수신기 코일을 포함할 수 있다.
복수의 RF 수신기 코일이 획득하는 것은 가시화할 대상체의 의학 영상이 아니라, 대상체의 공간적 이산 퓨리에 스펙트럼이다. 이러한 스펙트럼을 일반적으로 "k-공간"이라고 한다. 만일 하나의 RF 수신기 코일이 사용되는 경우, 하나의 k-공간이 획득된다. 만일 복수의 RF 수신기 코일이 사용되는 경우, MR 스캐너는 수신기 코일의 공간적인 위치 및 개별적인 매개변수에 따라 대상체로부터 각자의 신호를 획득하는, 서로 다른 RF 수신기 코일에 대응하는 몇몇의 k-공간을 제공한다. 서로 다른 수신기 코일의 k-공간은 이하에서 멀티 코일 k-공간(multi-coil k-space)이라 한다. 이 멀티 코일 k-공간은 완전히 또는 불완전하게 샘플링(언더 샘플링)될 수 있다. 불완전하게 샘플링 되는 것은 멀티 코일 k-공간의 일부가 취득 과정에서 생략된다는 것을 의미한다. k-공간을 불완전하게 샘플링하는 이유는 완전한 샘플링의 경우 스캔 절차에서 시간이 매우 소모되며, 스캔될 멀티 코일 k-공간의 상당한 부분을 생략하는 것으로 의학 영상 획득시간을 현저히 감소시킬 수 있기 때문이다.
그러나, 불완전하게 샘플링된 k-공간으로부터 자기 공명 영상을 복원한 예시들은 일반적으로 좋지 않은 영상 품질을 가지고 있으며, 강한 앨리어싱 아티팩트(aliasing artifacts)에 의해 손상된다. 따라서, 대상체의 복원 품질을 개선하기 위해서, 다양한 사후-처리(post-processing) 절차가 적용된다. 몇몇의 저자들은 복수의 앨리어싱된 측정치들로부터 직접 대상체를 복원하기 위해 RF 수신기 코일의 감도를 추정한다. 다른 방법으로, 멀티 코일 k-공간의 생략된 스펙트럼 요소를 통상적으로 "코일 감도 지도" 라고 하는 코일 간의 기능 관계를 이용하여 직접적으로 재계산하는 방법이 있다. 이 유형의 가장 대표적인 방법은 스매시(SMASH)와 그라파(GRAPPA)이다. 특허 문헌 US 8222900 B2 및 US 2014/0218026 A1에 k-공간 처리를 위해 GRAPPA가 적용된 다양한 버전이 있다. US 8427156 B2 및 US 7884604 B2에서, 코일 감도 지도가 내재적으로 사용되었다. 그러나 코일 감도 지도는 정확하게 추정되는 것이 매우 어려우며, 시간 소모적인 절차일 수 있다. 또 다른 공지기술인 증강된(augmented) 라그랑(Lagrangian) 기반 방법(예를 들어, WO 2013/067546 A1을 보라)은 다루기 어렵고, 계산이 복잡하다. 그러므로, 상기 언급된 방법들을 사용하는 것은 실제로 충분히 합리적이지 않을 수 있다.
또한, 희박(sparse) 근사치에 기초하는 경쟁적인 공지의 MRI 복원 기법들이 있다. 이러한 기법 중 하나는 압축 센싱(Compressed sensing, CS)이며, CS의 주된 아이디어는 실시간 신호들/영상들은 일반적으로 일부 도메인에서 희박하고(sparse), 미지수의 개수보다 상당히 적은 수의 측정 치들을 이용하여 실시간 신호들/영상들을 (허용 가능한 품질로) 정확하게 복구 할 수 있다는 것이다. 요점은 오버컴플리트(overcomplete) 기반으로 객체의 적절한 스파스(sparse) 표현을 찾는 것이다. Donoho [특허 출원 US 2006/0029279] 에 의해 시작된 획기적인 CS 기법은 MR 영상의 정확한 복원을 위해, 사용된 k-공간이 완전히 샘플링 될 필요가 없음을 입증한다. CS는 모든 측정에서 객체의 희박성을 활용하고, 큰 잠재력을 보여 오늘 날의 최첨단 기술이 되었다. 그러나, 최적화 문제에 있어서 일반적으로 너무 많은 변형 공식(variational formulation)으로 인해, 특정 희박화 변환(sparsifying transform)을 지정할 필요가 있다. 사용되는 기저와 희박화 변환(sparsifying transform)에 의해 구별되며, 스파스(sparse) 객체 추정을 기초로 하는 많은 신호/영상 복원 기법들이 있다. 특히, 특허 출원 공보 (WO 2002/031756 A1)에서, 객체 추정은 웨이블릿(wavelet) 기저를 통해 이루어지고, 특허 (US 8699773 B2)에서는 "유사성 클러스터(similarity clusters)"라고 부르는 영상 특성들에 의해, 그리고 특허 출원 (US 2010/0239143 A1)에서는 이전에 수신된 완전히 샘플링된 영상의 희박화된 데이터 세트를 사용하여 객체 추정이 이루어진다. 상기 언급된 특허 문헌들은 MR 영상의 특수성에 초점을 맞추지 않으며, 이러한 접근들은 다른 공지의 기술인 사전 기반(dictionary-based)의 스파스(sparse) 추정 방법과 대조적으로 MR 영상 특성에 적응되지 않는다.
GSENSE 및 관련된 응용에 따라, 공동 희박성(joint sparsity)은 대상체에서의 중복된(redundant) 정보를 활용한다. 그러나 복원 품질을 상당히 개선하기 위해서, 현대 CS 기법([R. Otazo 외 "고도로 가속화된 1차 통과 심장 관류(first-pass cardiac perfusion) MRI를 위한 CS 및 병렬 영상의 조합," Magn Reson Med. 64, 767-776 (2010)을 보라])이 사용된다. 특허 US 8587307 B2에서는, CS가 병렬 MRI(pMRI)와 SENSE에 따라 폴딩된 원본 영상들로부터 결과 영상을 복구하기 위해 사용된다. 특허 출원 (US 2013/0099786 A1)에서는, 공동 희박성(joint sparsity)이 pMRI의 관점에서 SENSE 또는 PARS 알고리즘에 의해 사용된다.
모든 CS 알고리즘의 중요한 포인트는 불완전하게 샘플링된 측정된 멀티 코일 k-공간의 초기치 설정이다. 대부분의 문헌들은 기본적 제로 충전(default zero-filling) 사례에 대한 결과를 개시한다. 다수의 특허문헌들 (예를 들어, WO 2014/075005 A1, WO 2012/144957 A1 and CN 103505207 A을 보라) 은 반복적인 분할 브레그만(Iterative Split Bregman) 알고리즘에 의한 MRI 복원에 대해 제시하고 있으나, 아무도 초기치 설정을 위해 GSENSE와 같은 시나리오에서 분할 브레그만을 사용하지 않는다. 이것은 공동 CS의 이점을 활용하게 하고, 보다 정확하고 적절한 값들로 측정된 멀티 코일 k-공간의 샘플링 되지 않은 k-공간의 위치들을 채울 수 있게 한다. 분할 브레그만 알고리즘의 공동 버전에 기초한 초기치 설정은 제안된 CS MRI 복원 알고리즘의 또 다른 키포인트이다.
병렬 영상의 발전과 함께, 수신기 코일들의 어레이들로부터의 객체의 중복된 정보 때문에 MRI 데이터 획득은 상당히 가속화되었다. 또한, 수신기 어레이들이 있는 MRI는 단일 코일이 있는 MRI 기술에 비해 높은 신호 대 잡음비를 제공할 수 있다. 동시에, 소자들의 증가는 더 많은 데이터세트를 야기하고, 이로써 특히 3D k-공간의 경우, 영상 복원에 있어서 더 많은 계산을 필요로 한다. 코일 압축 알고리즘 (예를 들어, WO 2012/123921 및 [T. Zhang 외 "데카르트 샘플링을 이용한 가속화된 이미징을 위한 코일 압축," Magn Reson Med. 69, 571-582 (2013)]을 보라)은 많은 RF 수신기 코일을 더 적은 수의 소위 가상의 수신기 코일로 데이터 압축을 함으로써 이 문제를 완화하는데 효과적이다. 코일 압축(CC)은 미가공 데이터(raw data)를 스펙트럼의 샘플링에 변화 없이 선형적으로 조합함으로써, 가상의 수신기 코일의 k-공간은, RF 수신기 코일로부터 획득된 k-공간의 가중된 합(weighted sum)으로써 표현된다. 가중치 값을 구하는 계산 방법은 현 출원의 범위를 벗어난다. 코일 압축(CC) 방법의 이점은 다수의 수신기 코일에 대한 k-공간 프로세싱을 가능하게 하는 것이다.
본 발명에 있어서, K-SVD는 (WO 2006/106508 A2, US 2012/0177128, 및 [M. Aharon, M. Elad, and A. Bruckstein, "K-SVD:스파스 표현을 위한 오버컴플리트 사전 설계를 위한 알고리즘," IEEE Trans. Image Process. 54, 4311-4322 (2006) ]을 보라) CS 영상 복원을 위한 사전(dictionary)을 학습하는 데 사용된다. 사전은 완전히 샘플링된 일련의 MR 영상들에 앞서서 미리 학습된다. 사전을 학습하는 절차는 본 출원의 범위를 벗어난다.
상기에 고려된 모든 방법들에 의해, 특허 출원 (US 2013/0099786 A1)이 제안된 공동의 다중-사전 CS MRI 복원(joint multi-dictionary CS MRI reconstruction) 방법에 가장 근접한 것으로 나타난다.
개시된 발명 및 개시된 발명의 실시예들은 불완전하게 샘플링된 멀티 코일 k-공간으로부터 MR 영상을 복원 하기 위한 방법 및 시스템에 관한 것이다. 데이터를 획득하는 총 시간은 샘플들 수에 의존하기 때문에, MR 획득 절차를 가속하기 위한 간단한 방법은 샘플링 된 주파수의 양을 줄이고, 불완전하게 샘플링된 k-공간 스펙트럼을 형성하는 MR 영상을 복원하는 것이다.
개시된 발명에 따른 방법에서, pMRI와 CS 기법의 장점들을 결합하는 것이 제안되었으나, 종래의 방법들과 달리, 균일하지 않은 크기의 패치들을 이용한 미리 학습(pre-learn)된 사전(dictionary)에 기초하여, 최첨단 CS MRI 복원의 최근 개발을 사용하는 것이 제안된다. 소위 단일의 합성 영상에 적용되는 사전 기반 스파스 근사(sparse approximation)는 멀티 코일 k-공간에서 측정된 샘플들의 복원과 번갈아 가며 나타날 수 있다. 또한, 상이한 주파수들의 다양하고, 섬세한 특징들을 표적으로 하는 미리 계산된 여러 사전들이 스파스 근사를 위해 적용될 수 있다.
멀티 코일 k-공간의 불완전한 샘플링은 이진 행렬로 표현된 미리 정의된 샘플링 방식(일반적으로 소위 "샘플링 마스크")에 따라 MRI 스캐너에 의해 수행될 수 있다. 샘플링 마스크의 "1"은 해당 공간 주파수(해당 위치에서의 k-공간 스펙트럼 지점)가 샘플링 되는 것을 의미하고, "0"은 각각의 주파수가 샘플링 되지 않는 것을 의미할 수 있다. 전술한 방식에 따라 샘플링한 결과가 불완전하게 샘플링된 k-공간 이다. 획득된 k-공간에서 불완전하게 샘플링된 값들은 몇몇의 초기 값들로 채워지며, 일반적으로 0으로 채워질 수 있다. 샘플링 마스크는 모든 RF 수신기 코일들에 사용된 것과 동일하며, 상기 방법은 서로 다른 수신기 코일들로부터 획득된 복수의 불완전하게 샘플링된 k-공간 스펙트럼인, 멀티 코일 k-공간을 입력으로 한다. 샘플링 주파수들의 양이 적을 수록, 멀티 코일 k-공간의 언더 샘플링 율은 더 높아질 수 있다.
개시된 실시예에 따른 발명의 목적은 MR 스캐너로부터 획득된 불완전하게 샘플링된 멀티 코일 k-공간의 개시된 처리를 통하여, 허용 가능한 품질을 갖는 대상체의 MR 영상을 제공하는 데에 있다.
개시된 발명에 따른 실시예에서, CS 방식은, MR 영상 복원을 위해, 특히, 비균일한 크기의 패치를 갖는 다양한 미리 계산된 사전들에 기초한 스파스 객체 근사를 하기 위해 사용될 수 있다. 일반적으로 개시된 실시예에 따른 발명은 이하의 내용에 주요한 특징이 있다. 사전 기반 CS 스파스 근사와 병렬 MRI의 공동 희박성(joint sparsity)의 조합은 서로 다른 수신기 코일에서의 효과적인 데이터 합성이 가능하게 할 수 있다. 이는 측정 노이즈를 억제하고, 비교적 빠른 복원을 가능하게 하며, 강한 앨리어싱 아티팩트를 필터링 해낼 수 있다. 더욱이, 사전 기반 CS는 사전(dictionary) 학습과정을 통해 MRI의 세부 사항에 적응되기 때문에 적절한 희박화 변환(sparsifying transform)을 선택할 필요가 없으므로, 특정 고정 기반 함수들(예를 들어 웨이블릿)보다 더 유연할 수 있다. 제안된 새로운 공동 분할 브레그만(Joint Split Bregman) 및 다양한 사전들에 의한 스파스 객체 근사에 의한 데이터 초기치 설정의 효율성은 수렴 속도의 상당한 증가를 야기하며, 고도의 언더 샘플링률 케이스인 경우에도 영상의 세밀한 복원이 가능하게 할 수 있다. 멀티 코일 k-공간의 개개의 주파수 대역 처리를 위해 사용되는 다중 대역 분해(multiband decomposition)는 주파수 대역 내의 큰 희박성(sparsity)으로 인한 영상 복원 품질을 더욱 개선할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 프로세서 및 프로세서에 연결된 메모리를 포함하고, 프로세서는, 대상체에 대한 불완전하게 샘플링된 멀티 코일 k-공간을 획득하고, 미리 획득된 제1 사전 및 제1 사전을 이용하여 미리 획득된 제2 사전을 이용하여, 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득하는, 자기 공명 영상 처리 장치를 제공할 수 있다.
일 실시예에 따른 제2 사전은 미리 획득된 대상체의 영상과 그 영상을 제1 사전에 기초하여 근사한 것의 잔차를 기초하여 획득될 수 있다.
일 실시예에 따른 근사는 스파스 근사일 수 있다.
일 실시예에 따른, 프로세서는, 불완전하게 샘플링된 멀티 코일 k-공간에 기초하여 제1 영상을 획득하고, 제1 영상의 균일하지 않은 크기의 패치들, 제1 사전 및 제2 사전에 기초하여 멀티 코일 k-공간을 복원하여 복원 영상을 획득할 수 있다.
일 실시예에 따른, 프로세서는, 불완전하게 샘플링된 멀티 코일 k-공간에 기초하여 획득된 서로 다른 주파수 대역에 대응되는 패치들, 제1 사전 및 제2 사전에 기초하여 멀티 코일 k-공간을 복원하여 복원 영상을 획득할 수 있다.
일 실시예에 따른 자기 공명 영상 처리 장치는 오퍼레이터 콘솔을 더 포함하고, 오퍼레이터 콘솔은 복원 영상을 시각화 하기 위한 표시부를 포함할 수 있다.
일 실시예에 따른 오퍼레이터 콘솔은 제어부를 더 포함하고, 제어부는 자기 공명 영상 처리 장치를 제어하도록 구성될 수 있다.
일 실시예에 따른 자기 공명 영상 처리 장치는 불완전하게 샘플링된 멀티 코일 k-공간 데이터를 획득하도록 구성된 MR 스캐너를 더 포함할 수 있다.
일 실시예에 따른 프로세서는, 획득한 불완전하게 샘플링된 멀티코일 k-공간을 복수 개의 주파수 대역으로 분할하고, 복수 개의 주파수 대역으로 분할된 불완전하게 샘플링된 멀티 코일 k-공간들을 각각 제1 사전 및 제2 사전을 이용하여 복원함으로써 복원 영상을 획득할 수 있다.
일 실시예에 따른 프로세서는, 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 하고, 전처리된 멀티 코일 k-공간을, 제1 사전 및 제2 사전을 이용하여 복원할 수 있다.
일 실시예에 따른 프로세서는, 불완전하게 샘플링된 멀티 코일 k-공간의 샘플링 되지 않은 위치들을 초기 추측(initial guess)으로 채우고, 불완전하게 샘플링된 멀티 코일 k-공간을 코일 압축(coil compressing)함으로써, 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 할 수 있다.
또한, 본 개시의 제2 측면은, 대상체에 대한 불완전하게 샘플링된 멀티 코일 k-공간을 획득하는 단계; 및 미리 획득된 제1 사전 및 제1 사전을 이용하여 미리 획득된 제2 사전을 이용하여, 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득하는 단계를 포함하는 자기 공명 영상을 복원하기 위한 방법을 제공할 수 있다.
또한, 상기 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 하는 단계는 상기 불완전하게 샘플링된 멀티 코일 k-공간의 샘플링 되지 않은 위치들을 초기 추측(initial guess)으로 채우는 단계; 및 상기 불완전하게 샘플링된 멀티 코일 k-공간을 코일 압축(coil compressing)하는 단계를 포함할 수 있다.
또한, 상기 멀티 코일 k-공간의 샘플링 되지 않은 위치들을 초기 추측으로 채우는 단계는, 상기 샘플링 되지 않은 위치들을 상수, 랜덤 복소수 값들 및 공동 분할 브레그만 반복 알고리즘(joint Split Bregman iterative algorithm) 중 적어도 하나에 의해 얻어진 값들로 채우는 단계를 포함할 수 있다.
또한, 상기 전처리 된 멀티 코일 k-공간을 다중 대역 공동 CS 복원을 이용하여 복원하는 단계는, 상기 멀티 코일 k-공간을 다중 대역으로 분해하여 서로 다른 주파수 대역들에 대응하는 복수의 멀티 코일 k-공간들을 획득하는 단계; 상기 서로 다른 주파수 대역들에 대응하는 복수의 멀티 코일 k-공간들에 기초하여 코일 감도 지도들을 획득하는 단계; 상기 서로 다른 주파수 대역들에 대응하는 복수의 멀티 코일 k-공간들의 다중 사전 공동 CS 복원(multi-dictionary joint compressed sensing reconstruction)을 수행하는 단계; 상기 복원된 복수의 멀티 코일 k-공간들에 기초하여 최종 멀티 코일 k-공간을 획득하는 단계; 및 상기 획득된 최종 멀티 코일 k-공간으로부터 자기 공명 영상을 획득하는 단계를 포함할 수 있다.
또한, 상기 서로 다른 주파수 대역들에 대응하는 복수의 멀티 코일 k-공간들의 상기 다중 사전 공동 CS 복원을 수행하는 단계는, 상기 서로 다른 주파수 대역들에 대응하는 복수의 멀티 코일 k-공간들로부터 합성된 영상을 획득하는 단계; 다중 사전 스파스(sparse) 근사에 기초하여, 상기 합성된 영상으로부터 상기 합성된 영상의 근사치를 획득하는 단계; 상기 합성된 영상의 근사치로부터 멀티 코일 k-공간 데이터를 계산하는 단계; 및 상기 계산된 멀티 코일 k-공간 데이터를 복원하는 단계를 포함할 수 있다.
또한, 상기 복수의 멀티 코일 k-공간들로부터 상기 합성된 영상을 획득하는 단계는, 상기 복수의 멀티 코일 k-공간들을 코일-와이즈(coil-wise) 퓨리에 역변환하여 복수 개의 코일 영상들을 획득하는 단계; 및 상기 복수 개의 코일 영상들을 상기 코일 감도 지도들의 각 공간 위치에 투영(projecting)하는 단계를 포함할 수 있다.
또한, 상기 합성된 영상으로부터 상기 합성된 영상의 근사치를 획득하는 단계는, 패치 기반 다중 사전 스파스 코딩을 수행하여 스파스 코드를 획득하는 단계; 및 상기 획득된 스파스 코드에 기초하여 상기 합성된 영상을 근사하여, 상기 합성된 영상의 근사치를 획득하는 단계를 포함할 수 있다.
또한, 상기 합성된 영상의 근사치로부터 상기 멀티 코일 k-공간 데이터를 계산하는 단계는, 상기 코일 감도 지도들을 리스케일링(rescaling)하는 단계; 및 상기 합성된 영상의 근사치를 복수 개의 코일 영상들로 분해하고, 상기 복수 개의 코일 영상들을 퓨리에 변환하는 단계를 포함할 수 있다.
또한, 상기 다중 사전 스파스 근사에 기초하여 상기 합성된 영상으로부터 상기 합성된 영상의 근사치를 획득하는 단계는, 상기 합성된 영상으로부터 중복된(overlapping) 패치들을 추출하는 단계; 상기 추출된 패치들의 사전 기반 스파스 근사를 수행하는 단계; 및 상기 사전 기반 스파스 근사가 수행된 패치들을 상기 중복된 패치들과 조합하여 상기 합성된 영상의 근사치를 획득하는 단계를 포함할 수 있다.
또한, 상기 추출된 패치들의 사전 기반 스파스 근사를 수행하는 단계는, 단일 사전, 원본 지향적 사전 및 잔여 지향적 사전 중 적어도 하나를 이용하여 수행될 수 있다.
도 1은 예시적인 실시예에 따른 자기 공명 영상 처리 장치 도시한다.
도 2는 예시적인 실시예에 따른 공동 CS MRI 복원 방법을 나타내는 흐름도이다.
도 3a 및 도 3b는 예시적인 실시예에 따른 공동 CS MRI 복원 방법을 나타내는 흐름도이다.
도 4는 예시적인 실시예에 따른 공동 분할 브레그만 반복 알고리즘에 기초한 데이터 초기치 설정에 대한 흐름도이다.
도 5는 예시적인 실시예에 따른 사전 기반 공동 CS 복원 방법에 대해 도시한다.
도 6은 예시적인 실시예에 따른 패치들의 단일 사전 스파스 근사에 대해 도시한다.
도 7은 예시적인 실시예에 따른 패치들의 다중 사전 스파스 근사에 대해 도시한다.
도 8a, 도 8b 및 도 8c는 예시적인 실시예에 따른 사전 기반 스파스 근사에 대해 도시한다.
도 9는 예시적인 실시예에 따른 원본 및 잔차 지향적인 사전들의 학습 과정을 도시한다.
도 10은 예시적인 실시예에 따른 공동 CS MRI 복원 시스템을 도시한다.
도 11은 예시적인 실시예에 따른 다중 사전 CS MRI 복원 시스템을 도시한다.
도 12는 예시적인 실시예에 따른 원본 지향적 및 잔차 지향적인 사전들을 학습하는 시스템을 도시한다.
도 13은 예시적인 실시예에 따른 자기 공명 영상 처리 시스템을 도시한다.
도 14는 예시적인 실시예에 따른 공동 분할 브레그만 복원을 위한 발명의 시스템을 도시한다.
도 15는 예시적인 실시예에 따른 사용자 시나리오 1을 도시한다.
도 16은 예시적인 실시예에 따른 사용자 시나리오 2를 도시한다.
도 17은 예시적인 실시예에 따른 사용자 시나리오 3을 도시한다.
도 18은 MRI 시스템의 개략도이다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부’(part, portion)라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 ‘부’가 하나의 요소(unit, element)로 구현되거나, 하나의 ‘부’가 복수의 요소들을 포함하는 것도 가능하다. 이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 영상은 자기 공명 영상(MRI) 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있다.
본 명세서에서 ‘대상체(object)’는 촬영의 대상이 되는 것으로서, 사람, 동물, 또는 그 일부를 포함할 수 있다. 예를 들어, 대상체는 신체의 일부(장기 또는 기관 등; organ) 또는 팬텀(phantom) 등을 포함할 수 있다.
MRI 시스템은 자기 공명(magnetic resonance, MR) 신호를 획득하고, 획득된 자기 공명 신호를 영상으로 재구성한다. 자기 공명 신호는 대상체로부터 방사되는 RF 신호를 의미한다.
MRI 시스템은 주자석이 정자장(static magnetic field)을 형성하여, 정자장 속에 위치한 대상체의 특정 원자핵의 자기 쌍극자 모멘트 방향을 정자장 방향으로 정렬시킨다. 경사자장 코일은 정자장에 경사 신호를 인가하여, 경사자장을 형성시켜, 대상체의 부위 별로 공명 주파수를 다르게 유도할 수 있다.
RF 코일은 영상 획득을 원하는 부위의 공명 주파수에 맞추어 RF 신호를 조사할 수 있다. 또한, RF 코일은 경사자장이 형성됨에 따라, 대상체의 여러 부위로부터 방사되는 서로 다른 공명 주파수의 MR 신호들을 수신할 수 있다. 이러한 단계를 통해 MRI 시스템은 영상 복원 기법을 이용하여 MR 신호로부터 영상을 획득한다.
스캐닝 되는 대상체의 영상을 형성하기 위해, 여기된 수소 원자들로부터의 신호 응답은 RF 수신기 코일들의 세트에 의해 수신될 수 있다. 무선 주파수(radio-frequency) 수신기 코일은 무선 안테나, RF 수신기, 증폭기, 검출기, 및 신호의 수신, 증폭, 동기화 및, 디지털 형태로 전환을 실현시키는 몇몇의 다른 요소들의 조합일 수 있으며, 수신기 코일들의 세트가 동시에 객체의 응답 신호를 얻기 위해 사용된다. 수신기 코일들은 서로 다른 공간적 위치와 매개변수 설정을 가지고 있다. 이러한 병렬적인 데이터 수집은 공동 CS 복원(joint CS reconstruction) 시 대상체에 대한 매우 중복된 정보를 초래할 수 있다. 획득 시간은 k-공간들의 불완전한 샘플링에 의해 감소될 수 있다. k-공간의 불완전한 샘플링은 모든 수신기 코일들에 대해 동일한 소정의 샘플링 마스크에 따라 수행될 수 있다. 샘플링 되지 않은 위치들의 값들은 일부 초기값들(일반적으로 0)로 채워질 수 있다. 이러한 불완전하게 샘플링된 멀티 코일 k-공간은 개시된 실시예에 따른 CS MRI 복원 알고리즘들의 입력으로써 사용된다.
개시된 실시예에 따른 발명에서, 수신기 코일 안테나의 기술적인 사양과 구성에는 제한이 없다.
도 1은 예시적인 실시예에 따른 공동 CS MRI 복원을 위한 자기 공명 영상 장치를 도시한다.
일 실시예에 따르면, 자기 공명 영상 장치는 도 1에 도시된 바와 같이 복원 서버(100)로 구현될 수 있다. 복원 서버(100)는 대상체를 자기 공명 영상 촬영하여 획득한 MR 신호를 처리하기 위한 장치일 수 있다.
복원 서버(100)는 MR 스캐너(도시되지 않음)로부터 MR 신호를 수신할 수 있다. 또한, 복원 서버(100)는 MR 스캐너로부터 MR 신호에 대응되는 멀티 코일 k-공간 데이터를 수신할 수 있다. 복원 서버(100)는 MR 신호에 대응되는 멀티 코일 k-공간 데이터를 이용하여 자기 공명 영상을 복원하는 서버 장치를 포함할 수 있다. 여기서, 서버 장치는 환자가 자기 공명 영상 촬영을 진행하는 병원 내부의 서버 장치일 수도 있고, 병원 외부에 위치된 의료용 서버 장치가 될 수도 있다.
복원 서버(100)는 프로세서(110)와 메모리(120)를 포함할 수 있다. 다만 이는 예시적인 것으로, 복원 서버(100)는 도 1에 도시된 구성보다 더 많은 구성을 포함할 수 있다.
프로세서(110)는 대상체에 대한 불완전하게 샘플링된 멀티 코일 k-공간을 획득할 수 있다. 일 실시예에 따르면, 프로세서(110)는 불완전하게 샘플링된 멀티 코일 k-공간을 MR 스캐너로부터 수신할 수 있다.
일 실시예에 따르면, 프로세서(110)는 복수개의 사전을 이용하여 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득할 수 있다. 사전은 계산을 단순화하기 위해 미리 계산된 데이터를 의미할 수 있다. 예를 들어 사전은, 테이블 및 룩업 테이블등을 포함할 수 있다. 이 때, 프로세서(110)는 메모리(120)에 저장된 영상 복원 프로그램을 작동할 수 있다. 또한, 프로세서(110)는 불완전하게 샘플링된 자기 공명 영상 데이터를 복원하기 위한 모듈을 포함할 수 있다.
또한, 프로세서(110)는 미리 획득된 제1 사전 및 제1 사전을 이용하여 획득된 제2 사전을 이용하여, 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득할 수 있다. 여기서 복원 영상은 최종적으로 얻고자하는 대상체에 대한 자기 공명 영상을 의미할 수 있다. 일 실시예에 따른 제2 사전은 미리 획득된 대상체의 영상과 미리 획득된 영상을 제1 사전에 기초하여 스파스 근사한 것의 잔차를 기초하여 획득될 수 있다.
또한, 프로세서(110)는 불완전하게 샘플링된 멀티 코일 k-공간에 기초하여 제1 영상을 획득하고, 제1 영상의 균일하지 않은 크기의 패치들, 제1 사전 및 제2 사전에 기초하여 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득할 수 있다. 여기서 제1 영상은 서로 다른 주파수 대역들에 대응하는 복수의 멀티 코일 K-공간들로부터 획득된 영상들을 합성한 합성 영상일 수 있다.
또한, 프로세서(110)는 불완전하게 샘플링된 멀티 코일 k-공간에 기초하여 획득된 서로 다른 주파수 대역에 대응되는 패치들, 제1 사전 및 제2 사전에 기초하여 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득할 수 있다.
또한, 프로세서(110)는 획득한 불완전하게 샘플링된 멀티코일 k-공간을 복수 개의 주파수 대역으로 분할하고, 복수 개의 주파수 대역으로 분할된 불완전하게 샘플링된 멀티 코일 k-공간들을 각각 제1 사전 및 제2 사전을 이용하여 복원함으로써 복원 영상을 획득할 수 있다.
또한, 프로세서(110)는 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 하고, 전처리된 멀티 코일 k-공간을, 제1 사전 및 제2 사전을 이용하여 복원할 수 있다.
또한, 프로세서(110)는 불완전하게 샘플링된 멀티 코일 k-공간의 샘플링 되지 않은 위치들을 초기 추측(initial guess)으로 채우고, 불완전하게 샘플링된 멀티 코일 k-공간을 코일 압축(coil compressing)함으로써, 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 할 수 있다.
예를 들어, 프로세서(110)가 초기치 추측으로 샘플링 되지 않은 위치들을 채우는 값들은, 상수, 랜덤 복소수 값들 또는 공동 브레그만 반복 알고리즘에 의해 획득된 값들을 포함할 수 있다. 예를 들어, 초기치 추측 값은 0 일 수 있다. 예를 들어 프로세서(110)가 코일 압축하는 것은, 다수의 RF 수신기 코일을 더 적은 수의 가상의 수신기 코일로 데이터 압축을 하는 것을 포함할 수 있다. 일 실시예에 따르면, 프로세서(110)는 전처리된 멀티 코일 k-공간을 복원 알고리즘을 이용하여, 복원할 수 있다. 예를 들어, 프로세서(110)는 다중 대역 공동 CS 복원을 이용하여 전처리된 멀티 코일 k-공간을 복원할 수 있다. 프로세서(110)가 다중 대역 공동 CS 복원을 이용하여, 전처리된 멀티 코일 k-공간을 복원하는 과정에는, 불완전하게 샘플링된 멀티 코일 k-공간을 복수 개의 주파수 대역(예를 들어, 낮은 주파수 대역, 높은 주파수 대역)으로 분할하는 단계가 포함될 수 있다.
프로세서(110)는 복수 개의 주파수 대역으로 분할된 멀티 코일 k-공간을 각각 다중 사전 공동 CS 복원할 수 있다. 또한, 프로세서(110)는 복원된 복수 개의 멀티 코일 k-공간 결과를 합성함으로써, 복원된 자기 공명 영상을 획득할 수 있다. 그러나, 복원 서버(100)가 다중 대역 공동 CS 복원을 이용하여 자기 공명 영상을 복원하는 과정이 이에 한정되는 것은 아니며, 더 많은 단계에 의해 수행될 수도 있다.
일 실시예에 따른, 메모리(120)는 불완전하게 샘플링된 멀티 코일 k-공간을 획득하기 전에 미리 획득되는 복수개의 사전들을 저장할 수 있다. 예를 들어, 메모리(120)는 미리 획득된 제1 사전 및 제1 사전을 이용하여 획득된 제2 사전을 저장할 수 있다. 또한, 메모리(120)는 자기 공명 영상을 복원하기 위해 필요한 펄스 시퀀스, 코일 감도 지도 등을 저장할 수 있다.
자기 공명 영상 장치는 오퍼레이터 콘솔(도시되지 않음) 더 포함할 수 있다. 오퍼레이터 콘솔은 자기 공명 영상 처리 시스템을 제어하도록 구성되는 제어부(도시되지 않음) 및 복원된 자기 공명 영상을 디스플레이하기 위한 표시부(도시되지 않음)를 포함할 수 있다.
또한, 자기 공명 영상 장치는 k-공간 획득을 위해 구성된 적어도 하나의 수신기 코일을 포함하는 자기 공명 스캐너(도시되지 않음)를 더 포함할 수 있다.
도 2는 예시적인 실시예에 따른 자기 공명 영상을 복원하는 방법을 나타내는 흐름도이다.
도 2의 자기 공명 영상을 복원하는 방법의 각 단계들은 예를 들어, 도 1에서 설명한 자기 공명 영상 복원 시스템에서 수행될 수 있다.
단계 S110에서 자기 공명 영상 복원을 위한 시스템은, 대상체에 대한 불완전하게 샘플링된 멀티 코일 k-공간을 획득할 수 있다(S110).
또한, 단계 S120에서 자기 공명 영상 복원을 위한 시스템은, 제1 사전과 제2 사전을 이용하여 대상체의 복원 영상을 획득할 수 있다(S120). 구체적으로, 자기 공명 영상 복원을 위한 시스템은 미리 획득된 제1 사전 및 제1 사전을 이용하여 획득된 제2 사전을 이용하여, 멀티 코일 k-공간을 복원하여 대상체의 복원 영상을 획득할 수 있다.
도 3a 및 도 3b는 예시적인 실시예에 따른 공동 CS MRI 복원 방법을 나타내는 흐름도이다.
일 실시예에 따르면, 공동 CS MRI 복원 방법은 도 3a에 도시된 바와 같이, 3가지의 주요 단계들을 포함할 수 있다. 또한, 공동 CS MRI 복원 방법은 도 3b에 도시된 바와 같은 세부 단계들을 포함할 수 있다.
일 실시예에 따르면, 공동 CS MRI 복원 방법은, 복원될 불완전하게 샘플링된 멀티 코일 K- 공간을 획득하는 단계를 포함 할 수 있다(S210). 불완전하게 샘플링된 멀티 코일 k-공간은 MR 스캐너(도시되지 않음)로부터 수신될 수 있다. 불완전하게 샘플링된 멀티 코일 k-공간은 소정의 샘플링 방식(샘플링 마스크)에 따라 획득될 수 있다.
일 실시예에 따르면, 공동 CS MRI 복원 방법은, 획득된 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 하는 단계를 포함할 수 있다(S220, S309). 전처리 단계(S220, S309)에서, 샘플링 되지 않은 위치들을 일부 초기값들로 채우기 위한 멀티 코일 k-공간의 초기치 설정(S302)이 수행될 수 있다. 초기치 설정에는, 0또는 랜덤 복소수 값들을 포함하는 다른 유형의 초기치 설정들이 적용될 수 있다. 일 실시예에 따르면, 공동 분할 브레그만 반복 알고리즘(Joint split Bregman iterative algorithm)이 이러한 초기치 설정 절차에 적용될 수 있다. 일 실시예에 따르면, 전처리 단계(S220, S309)에서, 초기치가 설정된 멀티 코일 k-공간은, 총 k-공간들의 수를 감소시키기 위해, CC(Coil compression, 코일 압축)에 의해 압축될 수 있다(S303). 코일 압축으로 생성된 k-공간들은 RF 수신기 코일들 대신에 사용되는 소위 "가상 코일"과 관련될 수 있다.
일 실시예에 따르면, 공동 CS MRI 복원 방법은, 전처리된 멀티 코일 k-공간을 다중 대역 공동 CS 복원을 이용하여 복원하는 단계를 포함할 수 있다(S230, S310). 멀티 코일 k-공간은, 상기 생성된 각각의 멀티 코일 k-공간을 각각의 주파수 대역에 대응하는 방식으로, 여러 개의 주파수 대역들로 분해될 수 있다(S304). 또한 상기 코일 감도 지도들(Coil sensitivity maps)이 완전히 샘플링된 k-공간 데이터의 일부에 기초하여 획득될 수 있다(S305). 또한, 각각의 멀티 코일 k-공간은 각각의 주파수 대역 내의 샘플링 되지 않은 주파수들을 복원하기 위해, 상기 다중 사전 공동 CS 알고리즘을 사용하여 복원될 수 있다(S306). 또한, 서로 다른 주파수 대역들에 대응되는 모든 멀티 코일 k-공간들은 최종의 멀티 코일 k-공간을 형성하기 위해 합성될 수 있다(S307). 또한, 멀티 코일 k-공간의 결과물로부터 결과 MR 영상이 계산될 수 있다(S308).
아래에서, 사용된 CS 기술 및 병렬 MRI 복원의 기초적인 내용이 기술된다.
SENSE와 비슷한 반복 MRI 복원
병렬 MRI 알고리즘들은 측정된 k-공간들을 합성하기 위해 활용되는 코일 감도 지도들과 불가분하게 관련된다. 측정될 대상체의 양성자 밀도 π 와 i번째 수신기 코일에 의해 획득된 대상체의 불완전하게 샘플링된 퓨리에 스펙트럼 ui 간의 물리적인 관계는 아래와 같이 표현될 수 있다.
Figure PCTKR2016008494-appb-I000001
(1)
r 은 공간 좌표를 나타내며, Fu는 불완전하게 샘플링된 퓨리에 변환, si(r)은 공간 좌표 r 에서의 i번째 수신기 코일의 코일 감도 지도 값을 나타낸다. 방정식 (1)은 대상체 π가 매개변수 설정과 수신기 코일들의 위치에 의한 다수의 k-공간의 차이를 생성하는 방법에 대해 설명한다.
기호°가 엘리먼트 와이즈 하다마르 곱(element-wise Hadamard product) 나타내는 것으로 하면, 방정식 (1)은 벡터의 형태로 아래와 같이 재작성될 수 있다.
Figure PCTKR2016008494-appb-I000002
(2)
대상체의 관심 대상(양성자 밀도)를 나타내는 것은 아래와 같이 편리해진다.
Figure PCTKR2016008494-appb-I000003
(3)
여기서 위첨자 H는 헤르미이트 공액(Hermitian conjugate)을 나타내며, Fu -1은 불완전하게 샘플링된 퓨리에 역변환을 의미한다. 코일 감도 지도들의 복소수 벡터들과 k-공간들이 사용되는 것을 주목하라. 굵은 활자체의 소문자는 열(column)-벡터를 나타낸다.
방정식 (1) 및 (2)는 대상체를 멀티 코일 k-공간으로 분할하는 것을 묘사한다. 즉, π는 개별 코일 감도 지도들 si을 통하여 다양한 수신기 코일들에 대응되는 여러 개의 영상들 pi로 분할되며, 이어서 상기 영상들 pi는 퓨리에 도메인으로 전송된다. 영상 pi는 일반적으로 i번째 "코일 영상"으로 언급된다. 방정식 (3)은 대응되는 k-공간들로부터 획득된 코일 영상들의 합성 연산을 정의한다. 상기 언급된 연산들(분할 및 합성)은 제안된 공동 CS MRI 복원과 GSENSE를 통합한다.
공동 분할 브레그만을 이용한 초기치 설정
개시된 실시예에 따른 방법에서, 발명자들은 효율적인 데이터 초기치 설정을 위해 분할 브레그먼 반복 알고리즘(Split Bregman iterative algorithm)의 새로운 변형을 제안한다. [T. Goldstein, and S. Osher, "l1-정규화된 문제를 위한 분할 프레그만 방법(The Split Bregman method for l1-regularized problems)", SIAM J. on Imag. Sciences 2, 323-343 (2009) ]에 따르면, 공동 CS 복원 문제는 다양한 수신기 코일들에 의해 획득되는 측정치들을 위해 디노이징(denoising) 문제를 추구하는 기초로서 아래와 같이 공식화 될 수 있다.
Figure PCTKR2016008494-appb-I000004
(4)
이것은 볼록 평가 함수(convex criterion function)의 최소화를 야기한다. 여기서 λ는 정규화 매개변수이고, Ψ은 희박화 변환(sparsifying transform)이며(전체 변환), l1-놈(norm)∥…∥1는 벡터 요소들(items)의 절대값들의 합으로서 정의된다. 방정식 (4)에서, l1- 및 l2-놈은 [Y. Wang외, "전체 변환 정규화로 영상 블러링을 위한 고속 알고리즘", CAAM Technical Report (2007)]에 따라 아래와 같이 분리되며,
Figure PCTKR2016008494-appb-I000005
(5)
여기서 d는 스파스 객체 근사치이다. 이것은 아래의 공동 분할 브레그만 알고리즘을 따른다.
Figure PCTKR2016008494-appb-I000006
(6.1)
Figure PCTKR2016008494-appb-I000007
(6.2)
Figure PCTKR2016008494-appb-I000008
(6.3)
여기서 bk는 k번째 반복에서의 보조 브레그만 매개변수(auxiliary Bregman parameters)의 벡터를 나타낸다. 단일 수신기 코일을 위한 일반적인 분할 브레그만 알고리즘과 단일의 수신기 코일의 측정치들과는 대조적으로, 방정식(6.1)의 공동 공식화(joint formulation)는 병렬 MRI 근사법의 모든 장점들을 가질 수 있다.
도 4는 예시적인 실시예에 따른 공동 분할 브레그만 반복 알고리즘에 기초한 데이터 초기치 설정에 대한 흐름도이다.
[T. Goldstein, and S. Osher, "l1-정규화된 문제를 위한 분할 프레그만 방법(The Split Bregman method for l1-regularized problems)", SIAM J. on Imag. Sciences 2, 323-343 (2009)] 및 GSENSE에 따르면, 공동 분할 브레그만 알고리즘 (6.1)-(6.3)의 구현은 두 개의 중첩된 루프로 구성될 수 있다. 첫 번째 단계(S401)에서, 스파스 객체 근사의 보조 변수들 d0와 브레그만 매개변수 b0는 제로 벡터들과 함께 초기화될 수 있다. 내부 루프 동안, 객체 π, 객체 π 의 스파스 근사 d, 및 보조 매개변수 벡터 b는 재계산될 수 있다. 단계(S404)에서, 객체 π는 추정된 영상들의 합성과 함께 서로 다른 수신기 코일들로부터의 k-공간들의 퓨리에 역변환에 의해 방정식(S3)에 따라 추정될 수 있다. 그 후, 방정식 (6.1) 및 (6.2)의 최소화에 의한 객체 재계산 (S405) 및 객체 근사치 d의 갱신 (S406)이 각각 수행될 수 있다. l1놈에 대한 최적화 (S406)는 1/2μ와 같은 임계치와 소프트 임계치 설정을 통해 실현될 수 있다. 단계 (S407)에서, 브레그만 매개변수 벡터 b는 방정식 (6.3)에 따라 갱신될 수 있다. 마지막으로, 생성된 객체는 방정식 (2)에 따라, 코일 영상들에 대응되는 여러 개의 k-공간들로 표현될 수 있다. 내부 루프는 정지 조건 (S403)이 충족될 때 종료되며, 그 후에 내부 루프 독립 변수들은 서로 다른 수신기 코일들의 측정된 k-공간들과 객체 복원에 맞게 갱신될 수 있다(S409).
외부 루프의 조건(S402)이 만족되면, 복원된 객체 추정치는 복원된 퓨리에 스펙트럼 에서 측정된 k-공간 샘플들을 복원(S410)하여 갱신될 수 있다. 이 절차는 공동 분할 알고리즘이 주어진 k-공간 측정치들에게 변화를 주지 않고, 공동 CS 복원을 위한 데이터를 준비하면서, 샘플링 되지 않은 주파수 하에서만 동작하도록 할 수 있다. 만일 상기 연산이 종료되면, 공동 분할 브레그만에 기초하여 초기치 설정이 완료될 수 있다.
사전 기반 스파스 객체 근사
개시된 실시예에 따른 방법의 주요 부분은 미리 계산된 사전을 이용하여 입력 체적 신호(input volumetric signal)의 스파스 근사에 기초하는 것이다. 이 단계에서 다음의 최적화 문제는 아래 식으로 해결될 수 있다.
Figure PCTKR2016008494-appb-I000009
(7)
방정식 (4)에서의 l1놈을 대신하여, 여기서는 벡터의 0이 아닌 요소들로서 정의되는 l0-norm∥…∥0이 사용된다. 사전 기반 접근법(approach)에서, 희박화 변환(sparsifying transform)은 사전의 기본 요소들("원자들(atoms)"이라고 함)로 신호를 스파스 분해하는 것에 의해 나타난다. 개시된 실시예에 따른 방법에서, 패치 기반 스파스 분해가 적용된다: 체적 대상체의 비교적 작고 일정하지 않은 크기의 일부가 적절한 사전의 원자들의 선형 조합에 의해 벡터화되고 근사 될 수 있다. 이 선형 조합의 가중치들은 "스파스 코드(sparse codes)"라고 불린다. 패치의 차원수는 패치의 벡터화로 인해 문제 되지 않는다: 2D 또는 3D 패치는 열 벡터(column-vector)로 표현될 수 있다. 만일 패치의 원본 차원수가 원자들의 차원수에 대응된다면, 벡터화된 형태에서 모든 원본 패치(2D 또는 3D)는 사전의 벡터화된 원자들에 의해 근사화 될 수 있다. 수학적으로, 다음의 최적화 문제는 아래 식으로 해결될 수 있다.
Figure PCTKR2016008494-appb-I000010
(8)
여기서 D는 사전 변환 행렬이고, δ는 정규화 매개변수이다. 방정식 (8)의 열 벡터 πj는 체적 MR 대상체의 합성된 영상의 패치이고, 대응하는 스파스 코드 zj 의 j번째 열 벡터는 D에 의한 스파스 분해이다. 스파스 코드의 벡터의 l0-놈의 사용은 근사에서 최소한의 원자들, 예를 들어, z에서의 최소한의 0이 아닌 가중치들만, 사용하는 것이 바람직하다는 것을 의미한다. 일 실시예에서, K-SVD 방법은 각각의 크기, 스케일, 및 진단되는 사람의 기관들의 세부에 대한 양질의 MR 영상들에 있어서 사전을 학습하기 위해 이용될 수 있다.
불균일한 크기의 패치들
개시된 실시예에 따른 방법은 다양한 샘플링 기술들을 이용하여 작동될 수 있다. 대상체의 합성된 영상으로부터 패치들을 추출하는 절차는 이 영상의 체적 부분들의 집합을 생성할 수 있다. 패치의 최적의 종횡비 (x축, y축, 및 z축 크기에 대한 이방성 비율(anisotropy proportion))는 앨리어싱 아티팩트들의 분포 때문에 k-공간 샘플링의 주된 방향에 의존할 수 있다. 만족스러운 근사를 위해서, 패치가 클수록, 사전의 요소들(elements)이 더 많아야 하기 때문에, 사전의 크기가 제한될 때, 패치의 크기는 크지 않아야 한다. 만일 샘플링 레이트가 더 높은 쪽에서, 패치가 더 많은 데이터를 커버하는 경우, 그 패치의 형태는 좋은 선택일 것이다. 패치 당 고정된 양의 정보를 커버하도록 하는 전략은 불균일한 크기의 패치들을 적용함으로서 수행 가능해진다. 이러한 방법은 고정된 크기의 패치들을 사용한 방법보다 더 좋은 품질의 영상 복원을 가능하게 할 수 있다.
최적화 문제 (7)-(8)은 이하에서 설명할 도 5에 도시된 제안된 공동 CS 반복 알고리즘에 의해 해결될 수 있다.
도 5는 예시적인 실시예에 따른 사전 기반 공동 CS 복원 방법에 대해 도시한다.
사전 기반 공동 CS MRI 복원
도 5를 참조하여 보면, 공동 CS 반복 알고리즘의 입력으로서 사용되는 상당히 불완전하게 샘플링된 멀티 코일 k-공간(S501)은 상기에 언급된 공동 분할 브레그만 알고리즘에 의해 초기 전처리 될 수 있다. 솔루션이 수렴(S502)할 때까지, 이하의 단계들이 수행될 수 있다. 먼저, 생성된 코일 영상들의 합성과 멀티 코일 k-공간의 퓨리에 역변환(IFFT) (S504)에 의해 대상체의 합성 영상(S506)이 계산될 수 있다. 이를 위해, 미리 계산된 코일 감도 지도들(S505)이 활용될 수 있다. 중첩된 패치들(S508)의 세트가 합성된 객체(S506)로부터 추출될 수 있(S다(S507). 그리고 나서, (알고리즘의 데이터 및 매개변수들에 의존하는) 각 2차원 또는 3차원의 패치의 벡터화를 위해, 스파스 객체 분해(sparse object decomposition) (S509)가 적합한 사전 D(S510)로 방정식 (9)에 따라 수행될 수 있다. 스파스 객체 분해는 직교 매칭 추적 알고리즘(Orthogonal Matching Pursuit algorithm)에 의해 해결될 수 있다. 스파스 코드들(S511)은 각각의 벡터화된 패치를 위해 획득되지만, 패치들의 근사(S512) 는 사전 요소들(S510)의 선형 조합과 계수들로서 계산된 스파스 코드들(S511)을 통하여 수행될 수 있다. 그 다음, 합성된 객체의 스파스 근사치(S515)는 복원된 패치들을 중첩된 패치들과 조립(S514)함으로써 얻어질 수 있다. 다음 단계(S516)에서, 합성된 객체(S515)는 코일 영상들로 분해되고, 생성된 코일 영상들은 퓨리에 변환(FFT)에 의해 퓨리에 도메인으로 전달될 수 있다. 이러한 연산(S516)은 중간의 멀티 코일 k-공간(intermediate multi-coil k-space)(S517)을 야기할 수 있다. 그 다음, 멀티 코일 k-공간의 샘플링된 위치에서의 스펙트럼 데이터는 자신의 측정된 값으로 복원될 수 있다(S518). 만일 솔루션이 수렴하는 경우(S502), 복원된 멀티 코일 k-공간 (S519)는 공동 CS MRI 복원 알고리즘의 결과로서 출력(S503)될 수 있으며, 수렴하지 않는 경우엔 새로운 반복이 시작될 수 있다.
다중대역 분해
개시된 실시예에 따른 방법에서, 데이터의 다중(multilevel) 구조를 활용하기 위한 방법 중 하나는 서로 다른 주파수 대역에 대응하는 복수의 객체 요소들을 복원하는 것이다. 일 실시예에 따른 방법에서, 멀티 코일 k-공간은, 낮은, 중간 및 높은 주파수 등에 대응하는 여러 주파수 대역으로 분할될 수 있다. 이러한 분할에서, 새로운 멀티 코일 k-공간들이 나타나며, 이 k-공간들은 다른 모든 대역들이 0으로 채워지는 반면, 이들 각각은 측정된 데이터로 채워진 각각의 주파수 대역을 포함할 수 있다. 대역들로 분해되는 동안, 대역 당 신호의 변화가 신호의 총 변화보다 상당히 적기 때문에 신호의 희박성(sparsity)이 개선되며, 이 때문에 더 좋은 품질로 복원될 수 있다. 분해된 k-공간은 제안된 다중 사전 복원의 메인 루프의 입력으로 여겨지며, 병렬로 처리될 수 있다. 모든 주파수 대역에 대해, 모든 멀티 코일 k-공간이 복원되면, 복원된 결과들을 합성함으로써 복원 영상이 얻어질 수 있다. 사전 학습 단계에서 객체는 각 주파수 대역 각각에 대한 사전들을 학습하기 위한 방법과 마찬가지로 각 주파수 대역들로 분해될 수 있다. 복원 단계에서, 각 주파수 대역은 대응하는 사전을 이용하여 복원될 수 있다.
다중 사전 CS MRI 복원
개시된 실시예에 따른 발명의 중요한 포인트는 다중 사전 스파스 객체 근사이다. CS 복원의 사전들 및 관련된 매개변수들(스파스 근사의 허용 오차와 같은)은 복원 절차 동안 변화될 수 있다. 개시된 실시예에 따른 발명에서, CS 복원에 다중 사전들을 적용하는 2가지 접근법이 제안된다.
첫 번째 접근법에서, 사전들은 특정 횟수의 반복 이후에 서로 교체될 수 있다(도 5의 블록 510 참조). 예를 들어, 만일 예비 복원이 이미 수행된 경우라면, 스파스 근사치의 기저를 변경하는 것은 매우 효율적이며, 영상의 세부 디테일들의 복원과 명확화가 요구된다.
또 다른 제안된 접근법은 CS 복원의 한 번의 반복 동안, 동시에 다수의 사전을 이용하는 스파스 객체 근사와 관련된 것이다. 상기 언급한 접근법과 이 접근법의 구별을 위해, 체적 대상체의 영상을 형성하는 패치들의 사전 기반 근사에 대한 면밀한 관찰이 아래에 개시된다.
도 6은 예시적인 실시예에 따른 패치들의 단일 사전 스파스 근사에 대해 도시한다.
구체적으로, 도 6에서, 단일 사전 근사를 목표로 하는 CS MRI 복원의 일부가 도시된다. 대상체의 체적 부분들(volumetric portions of the object)의 벡터화된 패치들(S600)은 사전 기반 스파스 근사의 입력일 수 있다. 이 패치들은 대응하는 스파스 코드들(S603)을 산출하면서, 사전(S602)에 의해 성기게(sparsly) 분해될 수 있다(S601). 그 다음, 요구되는 정확도(스파스 근사 허용 오차 범위)까지의 패치들(S604)의 근사가 수행될 수 있다. 도 6에서, 근사 결과는 (S605)로 도시된다. 패치들의 이러한 근사치들이 이 방식의 출력에 해당하며, 대상체 영상의 조립을 위해 더 사용될 수 있다.
도 7은 예시적인 실시예에 따른 패치들의 다중 사전 스파스 근사에 대해 도시한다.
도 7을 참조하여 보면, 다중 사전 근사 기법에서, 연산의 비교적 간단한 시퀸스(sequence)가 반복되며, 도 7에 도시된 여러 단계 스파스 근사 기법을 야기한다. 체적 대상체로부터 추출된 벡터화된 패치들(S700)이 입력 신호로서 사용될 수 있다. 그 다음, 제1 사전(S702)에 의해 스파스 코드들(S703)이 생성되도록 분해될 수 있다(S701). 여기에 원본 신호가 사용되기 때문에, 제1 사전(S702)을 이하에서 원본 지향적 사전(original-oriented dictionary)이라고 부른다. 그 다음, 패치들의 스파스 근사치(S705)는 직교 매칭 추구 알고리즘(Orthogonal Matching Pursuit (OMP))을 통해 계산될 수 있다(S704). 다음 단계 (S706)에서, 패치들 잔차들(S707)은 입력 패치들(S700)로부터 패치들의 스파스 근사치(S705)를 성분 별로 뺄셈하는 것에 의해 계산될 수 있다. 그 다음, 스파스 근사는 패치 잔차들(S707)에 대하여 반복될 수 있다: 패치 잔차들(S707)은 새로운 스파스 코드들(S710)을 생성하는 제2 사전(S709)에 의해 분해될 수 있다(S708). 제2 사전(S709)은 중간 및 높은 주파수 특징들의 잔차들을 대상으로 하므로, 이하에서 잔차 지향적인 사전(residual-oriented dictionary)이라고 부른다. 마지막으로, 패치들의 근사치들(S705)(제1 사전에 의해 획득된) 및 패치 잔차들의 스파스 근사치들(S712)(제2 사전에 의해 획득된)은 이후 합산될 수 있다(S713). 이것은 원하는 패치들의 다중 사전 스파스 근사치(S714)를 초래할 수 있다. 이러한 패치들의 조립으로, 상기 언급된 단일 사전 접근법에 비해 더 명확한 MRI 복원이 획득될 수 있다: 미세한 디테일이 복원될 수 있으며, 노이즈와 앨리어싱 아티팩트 발생이 비교적 잘 억제될 수 있다.
도 8a, 도8b 및 도 8c는 예시적인 실시예에 따른 사전 기반 스파스 근사에 대해 도시한다.
사전 기반 스파스 근사의 예시가 도 8a에 도시된다. 또한, 도 8에서, 다중 스케일 사전들(multi-scale dictionaries)(도 8b) 및 대상 지향적 사전들(target-oriented dictionaries)(도 8c)에 의한 서로 다른 종류의 사전 기반 스파스 근사가 도시된다. 다중 스케일 사전들은 4N × 4M 사이즈의 패치 πj(801)는 예를 들어, 2N × 2M, N × M 등의 더 작은 크기의 블록 안에 표현된 정보 요소(informative component)를 가진 패치들(802)에 의해 스파스 근사될 수 있다. 이 패치들(802)의 블록들의 나머지는 0으로 가정되며, 일반적으로, 이 정보 영역들은 메인 4N × 4M 블록 안에 다양한 위치에 포함될 수 있다. 영상의 다양한 영역들은 서로 다른 주파수 대역들에 의한 특징들을 포함하므로, 대상 지향적 사전은, 서로 다른 주파수 대역들에 대응되는 패치들을 포함할 수 있다. 사전들을 낮은, 중간의, 높은 주파수 패치와 같이, 추출된 패치들의 추정된 다양성에 따라, 합성된 영상의 다양한 영역들에 적용하는 것이 더 효율적이라는 것을 알 수 있다. 도 8c에서, 서로 다른 컬러들은 다양한 관심영역들을 강조한다: 어두운 컬러의 영역을 위해서, 고주파수 패치들(803)이 사전과 함께 적용될 수 있고, 좀 더 밝은 컬러들에 의해 표시된 두 개의 영역들은 상대적으로 낮은 주파수 패치들(804)이 사전과 함께 적용될 수 있다.
다중 사전 복원: 사전 학습(dictionary learning)
초기 패치들의 스파스 근사 지향적인 사전들의 학습은 K-SVD 알고리즘[M. Aharon, M. Elad, and A. Bruckstein,"K-SVD: 스파스 표현을 위한 오버컴플리트 사전들의 설계를 위한 알고리즘(An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation)," IEEE Trans. Image Process. 54, 4311-4322 (2006)]에 기초한다. 상기 절차의 세부사항은 개시된 실시예에 따른 발명의 범위를 벗어난다. 여기에 여러 사전들로 동작하는 방법이 제안된다. 학습 기술은 영상 패치들(image patches) 및 이른바 패치-잔차(patch-residuals) 즉, 원본 패치들과 원본 패치들을 스파스 근사한 패치들 사이의 차이, 지향적인 다양한 사전들을 위한 것이다. 종래의 사전은 원본의 고 품질의 영상의 세트에서 학습되는 반면, 잔차 지향적인 사전들은 원본 영상과 원본 영상의 원본 지향적인 사전에 의한 스파스 근사들 사이의 차이에서 학습된다. 이하의 용어들, 510(반복적으로 대체된 사전들을 포함한다), 602, 및 702는 원본 지향적인 사전들이다.
도 9는 예시적인 실시예에 따른 원본 및 잔차 지향적인 사전들의 학습 과정을 도시한다.
먼저, 패치 기반 사전을 학습하는 단계(S901)는 대상체의 고 품질 영상의 커다란 데이터 세트(S900)를 사용하여 수행될 수 있다. 이것은 원본 지향적인 사전을 제공할 수 있다. 일 실시예에 따르면, 기존의 K- SVD 알고리즘이 사전 학습을 위해 사용될 수 있다. 다음 단계 903에서, 계산된 원본 지향적인 사전(S902)은 원본 영상들의 패치들과 모든 영상들에 대한 스파스 근사들 사이의 차이를 주어진 데이터 세트(S900)로부터 계산하기 위해 사용될 수 있다. 이것은 잔차들의 데이터 세트(S904)를 발생시킬 수 있다. 그 후, 원하는 잔차 기반 사전(S906)을 계산하기 위해, 패치 기반 사전 학습(S905)이 상기 발생된 패치 잔차들(S904)를 이용하여 수행될 수 있다.
상기 원본 지향적 사전(S902) 및 잔차 지향적 사전(S906)은 원자들(atoms)의 수를 감소시키고, 이로 인해 스파스 근사를 가속화 시키기 위해 그람 슈미트(Gram-Schmidt) 절차에 의해 직교화 될 수도 있다는 것을 주목하라.
도 10은 예시적인 실시예에 따른 공동 CS MRI 복원 시스템을 도시한다.
공동 CSMRI 복원 시스템
제안된 시스템은 CS MRI 의료 영상 복원에 적용가능하며, 도 10에 도시된 시스템을 형성하기 위한 아래의 구성들(units)(예를 들어, 복원 서버)을 포함할 수 있다:
샘플링 방식(언더 샘플링 마스크)을 생성하고, 생성된 샘플링 방식을 데이터 획득부(data-acquisition unit, 1002), 전처리부(preprocessing, 1003), 감도 추정부(sensitivity-estimating unit, 1001), 및 CS MRI 복원부(1005)에게 전송하는 데이터 샘플링부(Data-samling unit, 1000);
데이터 샘플링부 (1000)로부터 수신한 샘플링 방식과 관련하여, 다수의 RF 수신기 코일에 의해 불완전하게 샘플링된 k-공간들을 획득하고 나서, 획득한 멀티 코일 k-공간들을 전처리부(1003) 및 감도 추정부(1001)에게 전송하는 데이터 획득부(Data-acquisition unit, 1002);
샘플링된 멀티 코일 k-공간 데이터에 기초하여, 코일 감도 지도들을 추정하는 감도-추정부(Sensitivity-estimating)(1001). 샘플링된 주파수들의 공간 좌표들은 (데이터 샘플링부(700)에 의해 준비된)샘플링 마스크로부터 획득될 수 있으며, 필요한 멀티 코일 k-공간은 상기 데이터 획득부(1002)로부터 수신될 수 있다;
초기 값들(0 또는 공동 분할 브레그만과 같은 초기치 설정 절차에 의해 제공된 값들)로 멀티 코일 k-공간의 샘플링 되지 않은 위치들을 채우고, 초기치 설정된 멀티 코일 k-공간을 CS MRI 복원부(1005)에게 전송하는 전처리부(1003). 초기치 설정될 k-공간들은 데이터 획득부(1002)로부터 수신되고, 샘플링 되지 않은 위치들에서의 정보는 데이터 샘플링부(1000)로부터 수신되며, 초기치 설정 알고리즘을 위해 필요한 코일 감도 지도들은 감도 추정부(1001)로부터 수신될 수 있다;
스파스 객체 근사를 위한 원본 및/또는 잔차 지향적인 사전들을 학습하고, 상기 사전들을 CS MRI 복원부(1005)에게 전송하는 스파스 근사부(Sparse-approximating unit, 1004);
전처리부(1003)로부터 획득한 전처리된 멀티 코일 k-공간을 다중 사전 공동 CS MRI 알고리즘에 따라 복원하는 CS MRI 복원부(1005). k-공간들에서의 복원될 샘플들의 정보는 데이터 샘플링부(1000)로부터 수신되고, 공동 CS 복원을 위한 사전들과 코일 감도 지도들은 각각 스파스 근사부(1004)와 감도 추정부(1001)로부터 수신될 수 있다.
데이터 샘플링부(1000), 감도 추정부(1001), 및 전처리부(1003)는 멀티 코일 k-공간을 전처리하는 블록을 형성한다. 스파스 근사부(1004) 및 CS 자기 공명 영상(MRI) 복원부(1005)는 다중 사전 공동 CS 복원(multi-dictionary joint compressed sensing reconstruction) 블록을 형성할 수 있다.
도 11은 예시적인 실시예에 따른 다중 사전 CS MRI 복원 시스템을 도시한다.
구체적으로, 도 11는 다중 사전 접근법(이 케이스에서 사전들은 복원이 되는 동안 순차적으로 변경된다) 각각에 대한 복원부의 특정 케이스를 도시한다. 이 시스템은 도 5에 도시된 상술된 방법에 대한 구현을 나타내며, 아래의 구성들(units)을 포함할 수 있다:
다중 RF 수신기 코일들에 의해 대상체의 k-공간들을 획득하고, 몇몇의 적절한 값들(0 또는 공동 분할 브레그만의 초기 추측들)로 샘플링 되지 않은 위치들을 채우는 것을 통하여 획득한 k-공간들의 전처리를 수행하며, 전처리된 k-공간들을 측정치 복원부(1110) 및 작동부(Trigger unit, 1105)에게 전송하는 k-공간 입력부(1100);
코일 감도 지도들을 추정하고, 추정된 코일 감도 지도들을 합성부(1107) 및 분할부(1109)에게 전송하는 감도 입력부(1101);
k-공간 획득의 샘플링 방식(샘플링 마스크)를 생성하고, 생성된 샘플링 방식을 측정치 복원부(1110)에게 전송하는 데이터 샘플링부(1102);
복원될 멀티 코일 k-공간을, 반복된 수 또는 각각의 정지 기준 분석에 의해 생성된 제어부(1103)의 신호에 따라 측정치 복원부(1110)로부터 합성부(1107) 또는 k-공간 출력부(1106)에게 전송하는 작동부(1105);
복원된 멀티 코일 k-공간을 출력하고 저장하는 k-공간 출력부(1106);
작동부(1105)로부터 멀티 코일 k-공간을 수신하고, 수신한 멀티 코일 k공간을 위한 퓨리에 역변환을 수행하며, 감도 입력부(1101)로부터 획득한 코일 감도 지도들을 사용하여 "코일 영상들"을 합성하는 합성부(merging unit, 1107); 그 후 생성된 합성 영상을 다중 사전 근사부(1108)에게 전송된다;
제어부(1103)로부터 현재 반복 수를 수신하고, 사전 기반 객체 근사를 위한 적절한 사전들을 선택하며, 선택된 사전들을 다중 사전 근사부(1108)에게 전송하는 사전 입력부(1104);
합성부(1107)로부터 합성된 영상을 수신하고, 사전 입력부(1104)로부터의 원본 및/또는 잔차 지향적인 사전들에 의해 합성된 영상의 스파스 근사를 수행하며, 결과를 분할부(1109)에게 전송하는 다중 사전 근사부(1108);
감도 입력부(1101)로부터 획득된 코일 감도 지도들을 사용하여 다중 사전 근사부(1108)로부터 획득된 객체 스파스 근사를 분할하는 분할부(Splitting unit, 1109). 또한, 분할부(1109)는 코일들과 관련된 영상들로부터 k-공간들을 획득하고, 획득한 영상들("멀티 코일 k-공간")을 측정치 복원부(1110)에게 전송한다;
분할부(1109)로부터 멀티 코일 K- 공간을 수신하고, k-공간 데이터의 샘플링된 위치들에서의 원본 값을 복원하는 측정치 복원부(1110). 샘플링된 위치들은 데이터 샘플링부(1102)로부터 획득되며, 복원 결과는 작동부(1105)에게 전송된다;
제어부(1103)는 공동 CS MRI 복원의 두 가지 양상을 결정할 수 있다: 이 두 가지 양상은, 각각의 k-공간 전송을 위한 목적지가 되는 구성(unit)을 결정하는 것과 현재 반복에서 사용되는 사전들을 선택하는 것이다. 최초 반복에서, 제어부(1103)는 데이터 처리를 시작하기 위해서, k-공간 입력부(1100)로부터 초기 데이터를 수신하기 위해 작동부(1105)를 스위치할 수 있다. 다른 모든 케이스들에서, 작동부(1105)는 측정치 복원부(1110)로부터 수신한 k-공간을 제공할 수 있다. 더욱이, 이 멀티 코일 k-공간은 합성부(1107)에게 전송될 수 있다. 만일 정지 조건(반복 수 또는 정확성 기준이 정지 조건을 위해 확인됨)이 만족되면, 제어부(1103)는 측정치 복원부(1110)으로부터 합성부(1107)로의 멀티 코일 k-공간 전송이 정지되도록 하기 위해 작동부(1105)를 스위치할 수 있다. 이 케이스에서, 작동부(1105)는 결과 k-공간을 k-공간 출력부(1106)에게 전송할 수 있다. 동시에, 제어부(1103)는 적절한 사전들을 선택하기 위해 현재 반복의 수를 사전 입력부(1104)에게 알릴 수 있다.
도 12는 예시적인 실시예에 따른 원본 지향적 및 잔차 지향적인 사전들을 학습하는 시스템을 도시한다.
도 12은 도 9에 도시된 알고리즘의 구현을 나타낸다. 이 시스템은 아래의 구성들(units)을 포함할 수 있다:
대상체들의 고품질의 MR 영상들의 데이터세트를 수집하고, 수집한 데이터세트를 사전 학습부(1201) 및 스파스 근사부(1202)에게 전송하는 영상 수집부(image-collecting unit, 1200);
(예를 들어, K-SVD에 의해) 사전 학습을 수행하고, 입력 데이터에 따라 원본 및 잔차 지향적인 사전들을 생성하는 사전 학습부(1201). 이러한 모든 사전들은 사전들을 저장하는 사전 출력부(1204)에게 전송될 수 있다. 생성된 원본 지향적인 사전은 사전 학습부(1201)로부터 스파스 근사부(1202)에게 전송되고, 잔차 지향적인 사전은 잔차 근사부(1203)에게 전송될 수 있다;
영상 수집부(1200)으로부터의 MR 영상들의 모든 데이터 세트를 위한 스파스 근사치를 계산하는 스파스 근사부(1202); 상기 계산은 사전 학습부(1201)로부터 획득된 사전과 함께 수행된다. 잔차들은 사전 학습부(1201)와 잔차 근사부(1203)에게 다시 전송될 수 있다;
사전 학습부(1201)로부터 획득된 잔차 지향적인 사전에 의해 스파스 근사부(1202)로부터 수신된 잔차들의 근사를 계산하는 잔차 근사부(1203);
계산된 원본 및 잔차 지향적인 사전들을 수신하고, 수신한 사전들을 저장(저장된 사전들은 스파스 근사를 위해 사용되는 것으로 가정된다)하는 사전 출력부(1204).
도 13은 예시적인 실시예에 따른 자기 공명 영상 처리 시스템을 도시한다.
도 13에 도시된 자기 공명 영상 처리 시스템은 다수의 수신기 코일에 기초하여 불완전하게 샘플링된 멀티 코일 k-공간을 획득하기 위한 MR 스캐너(1301), 복원 서버(1302), 및 오퍼레이터 콘솔(1303)을 포함할 수 있다. 불완전하게 샘플링된 멀티 코일 k-공간이 획득되면, 데이터와 함께 파일은 복원 서버 메모리(1305)에 저장될 수 있다. 오퍼레이터는 오퍼레이터 콘솔(1303)의 컨트롤러(1307)를 이용하여 영상 복원 프로그램을 실행할 수 있다. 이 프로그램은 복원 서버(1302)의 프로세서(1304)에서 작동할 수 있다; 프로세서(1304)는 그것의 서브루틴으로서 불완전하게 샘플링된 MRI 복원을 위한 모듈(1308)을 포함할 수 있다. 상기 프로그램 작동의 결과는 오퍼레이터 콘솔(1303)의 디스플레이(1306)에 표시될 수 있다. 컨트롤러(1307)는 작동의 결과를 제어하고, 복원되고, 디스플레이 될 MR 영상의 매개변수들을 모니터 할 수 있다.
도 14는 예시적인 실시예에 따른 공동 분할 브레그만 복원을 위한 발명의 시스템을 도시한다.
구체적으로 도 14는 공동 분할 브레그만 알고리즘에 의한 데이터 초기치 설정을 위한 시스템(1400)일 수 있다.. 도 14는 도 4에 도시된 알고리즘의 구현을 나타낸다. 이 시스템(1400)은 아래의 구성들(units)을 포함할 수 있다.
시스템(1400)은, 선택된 샘플링 마스크에 따라 수신기 코일에 의해 멀티 코일 k-공간을 획득하고, k-공간 및 샘플링 마스크를 제어 및 갱신부(1401)와 측정치 복원부(1407)에게 전송하는 k-공간 입력부(1409)를 포함할 수 있다.
또한, 시스템(1400)은, 수신기 코일의 추정된 감도 지도들을 수신하고, 수신한 감도 지도들을 합성부(1403) 및 분할부(1406)에게 전송하는 감도 입력부(1402)를 포함할 수 있다.
또한, 시스템(1400)은, 제어 및 갱신부(1401)로부터 멀티 코일 k-공간을 수신하고, k-공간들의 퓨리에 역변환을 수행하고, 감도 지도들(감도 입력부(1402)로부터 획득된)을 이용하여 획득된 영상들을 합성하며, 합성된 결과 영상을 객체 추정부(1404)에게 전송하는 합성부(1403)를 포함할 수 있다.
또한, 시스템(1400)은, 합성부(1403)로부터 필요한 매개변수들과 합성된 영상을 수신하고, 각각의 기준(criterion) 최소화에 의해 객체 스파스 근사를 다시 계산하며, 계산된 결과를 내부 매개변수 갱신부(1405)에게 전송하는 객체 추정부(1404)를 포함할 수 있다. 객체 추정부(1404)는 l1노름(norm)에 포함된 평가 함수를 최소화함으로써 상기 객체의 스파스 근사치를 재계산할 수 있다.
또한, 시스템(1400)은, 객체 추정부(1404)로부터 갱신된 객체 (영상)의 스파스 표현을 수신하고, 관련 매개변수들을 갱신하며, 갱신된 객체 근사를 분할부(1406)에게 전송하는 내부 매개변수 갱신부(1405)를 포함할 수 있다.
또한, 시스템(1400)은, 내부 매개변수 갱신부(1405)로부터 획득된 객체 스파스 근사를 이 목적을 위한 코일 감도 지도들(감도 지도들은 감도 입력부(1402)로부터 획득된다)을 이용하여 분할하는 분할부(1406)를 포함할 수 있다. 상기, 분할부(1406)는 생성된 코일 영상들의 퓨리에 변환을 수행하고, 갱신된 멀티 코일 k-공간을 제어 및 갱신부(1401)에게 전송할 수 있다.
제어 및 갱신부 (1401)는 공동 분할 브레그만 알고리즘의 외부 및 내부 루프를 위한 프로세싱 상태를 제어할 수 있다. 내부 루프에 대한 조건이 충족되는 경우, 제어 및 갱신부는 외부 매개변수들을 갱신할 수 있다. 만일 외부 루프에 대한 조건이 충족되는 경우, 복원된 k-공간들은 측정치 복원부(1407)에게 전송되고, 반면에 예비적으로 재구성된 k-공간들은 합성부(1403)에게 전송될 수 있다.
또한, 시스템(1400)은, 제어 및 갱신부(1401)로부터 복원된 멀티 코일 k-공간을 수신하고, k-공간 데이터의 샘플링된 성분들을 그 성분들의 (측정된) 원본 값으로 복원하는 측정치 복원부(1407)를 포함할 수 있다.
또한, 시스템(1400)은, 측정치 복원부(1407)로부터 수신된 복원된 멀티 코일 k-공간을 출력하고 저장하는 k-공간 출력부(1408)를 포함할 수 있다.
도 15는 예시적인 실시예에 따른 사용자 시나리오 1을 도시한다.
상기 시나리오는 세 가지 역할을 전제로 할 수 있다.
MR 스캐너(1520)와 MR 영상 복원 시스템(1530)을 제어하는 의사 또는 오퍼레이터(1510), 측정 프로세스를 실현하고, 대상체의 스펙트럼 데이터 측정치를 제공하는 MR 스캐너(1520), 및 불완전하게 샘플링된 스펙트럼 데이터에 기초하여 MR 영상 복원 방법을 실현하는 소프트웨어 및 하드웨어를 포함하는 MR 영상 복원 시스템(1530)의 역할을 전제할 수 있다.
사용자 시나리오1의 주요한 단계는:
의사(1510)가 환자의 선택된 기관(organ)에 대하여 조사(investigation)를 위한 방식으로 환자를 MR 스캐너(1520) 안에 위치시키는 단계(S1511), 의사(1510)가 원하는 스캐닝 모드 및 조사할 기관(organ)을 선택하는 단계(S1512), 의사(1510)가 스캐닝 절차의 속도를 높이기 위해, 원하는 샘플링 마스크를 선택하는 단계(S1513), 의사(1510)가 영상 복원 절차를 위해 매개변수 세트를 선택하는 단계(S1514), 의사(1510)가 스캐닝 절차를 시작하는 단계(S1515), MR 스캐너(1520)가 영상 복원 절차의 속도를 높이기 위해서, 몇몇의 데이터를 건너뛰면서 환자를 스캔하는 단계(S1516, 언더 샘플링), MR 영상 복원 시스템(1530)이 획득한 데이터를 처리하고, 최종적으로, 조사할 기관의 MR 영상을 복원하는 단계(S1517) (상기 MR 영상 복원 시스템에 의해 구현되는 알고리즘의 주요 단계는 도 3과 관련된 본문에 설명되어 있다); 및 의사(1510)가 복원된 MR 영상을 조사(investigation)하는 단계(S1518)를 포함할 수 있다.
개시된 실시예에 따른 발명의 주요한 효과는 최소한의 시간으로 좋은 품질의 MR 영상을 제공하는 것이다(스캔된 데이터는 불완전하게 샘플링되며, 스캔 시간의 총량은 "품질/ 소요시간"에 대해 소정의 절충을 함에 따라4-6배 감소할 수 있다).
도 16는 예시적인 실시예에 따른 사용자 시나리오 2를 도시한다.
사용자 시나리오 2에서, 복원 절차는 MR 스캐너(1620)와 함께 제공될 수 있는 추가적인 하드웨어에 의해 수행되는 것이 아니라, 복원 서비스를 제공하는 전용 서버에서 수행될 수 있다. 복원 서버의 주인(owner) 및 복원 알고리즘은 메디컬 센터와의 계약 하에서 접근을 허용할 수 있다. 이 경우, 모든 (의료 센터에 위치한) MR 스캐너(1620)는 복원 알고리즘에 대한 어떠한 참조(reference) 없이도 사용될 수 있다. 복원은 클라우드 컴퓨팅(cloud computing) 기술을 이용하여 수행될 수 있으며, 특히, 분산 컴퓨팅(distributed computing)을 사용하여 수행될 수 있다.
사용자 시나리오2의 주요 단계는:의사(또는 오퍼레이터)(1610)가 환자를 의료 센터의 MR 스캐너 안에 위치 시키는 단계(S1611), 의사(또는 오퍼레이터)(1610)가 바람직한 가속 인자(acceleration factor)를 선택하는 단계(S1612), 의사(또는 오퍼레이터)(1610)가 스캔 절차를 시작하는 단계(S1613),; MR 스캐너(1620)가 환자를 스캔하고, 불완전하게 샘플링된 스펙트럼 데이터를 제공하는 단계(S1614), MR 스캐너(1620)가 불완전하게 샘플링된 데이터를 복원 서비스를 제공하는 클라우드에 있는 복원 서버(1630)에게 전송하는 단계(S1615), 클라우드에 있는 복원 서버(1630)가 수신한 불완전하게 샘플링된 데이터로부터 3D 영상 복원을 수행하는 단계(S1616), 클라우드에 있는 복원 서버(1630)가 복원된 영상을 다시 의료 센터에 있는 MR 스캐너(1620)에게 전송하는 단계(S1617), 의료 센터에 있는 의사(1610)가 수신한 복원된 영상을 조사(investigate)하는 단계(S1618)를 포함 할 수 있다.
도 17은 예시적인 실시예에 따른 사용자 시나리오 3을 도시한다.
도 17에 도시된 사용자 시나리오는 비파괴 분석을 위한 다른 사용자 시나리오일 수 있다. 대상체는 간섭 레이저 빔(coherent laser beam)으로 조사(illuminate)되고, 산란 방사선은 스캐너에 의해 검출될 수 있으며, 대상체의 영상은 컴퓨터의 위상 검색 알고리즘(phase-retrieval algorithm)에 의한 많은 강도(intensity) 측정치들로부터 정확하게 복원될 수 있다. 사용된 강도 측정치들은 서로 다른 거리로의 웨이브필드(wave field) 전파를 묘사하는 전달 함수 때문에 서로 다를 수 있다. 웨이브필드 전파의 정확한 거리들은 종종 특정 회절 요소들: 공간 광 변조기(SLMs)에 의해 인코딩 될 수 있다. 공간 광 변조기들의 충전율(fill factor)은 완벽해지는 것과 거리가 멀기 때문에(공간 광 변조기의 비용에 의존하여, 시판되는 SLM의 충전율은 72~98%가 될 수 있다.), 작동하는 퓨리에 스펙트럼은 일반적으로 불완전하게 샘플링될 수 있다. 복원된 영상들에서 링잉 노이즈(ringing artifacts) 생성을 피하기 위해, 사용된 전달함수들의 보상이 필요할 수 있다. 예를 들어, 이것은 [A. Migukin외, "4f 광학 시스템에 있어서의 위상 검색: 백그라운드 보상 및 이진 진폭 객체의 스파스 정규화(Phase retrieval in 4f optical system: background compensation and sparse regularization of object with binary amplitude)," Appl. Opt. 52, A269-A280 (2013)]에서 비롯된 두 단계의 검색 단계를 통해 실현될 수 있다.
사용자 시나리오3은, 관심 객체에게 레이저 빔을 조사하고, 객체로부터 산란 방사선을 감지하며, (SLM에 의해 인코딩 된) 서로 다른 전달 함수에 대응하는 다수의 강도 측정치들을 획득하는 레이저 스캐너(1720), 영상 복원을 위해 필요한 소프트웨어가 설치된 영상 복원 시스템(컴퓨터)(1730),및 영상 복원 시스템(1730)을 제어하고, 복원된 영상을 조사하는 사용자(오퍼레이터)(1710)를 포함하는 3가지 역할을 가정할 수 있다.
사용자 시나리오3의 주요 단계는:
사용자(오퍼레이터)(1710)가 관심 대상체(또는 그것의 단편) 앞에 레이저 스캐너(1720)를 위치시키는 단계(S1711), 사용자(오퍼레이터)(1710)가 레이저 스캐너(1720)를 이용하여 관심 대상체(또는 그것의 단편)을 스캔하는 단계(S1712), 사용자(오퍼레이터)(1710)가 테스트 대상체(test-object) 앞에 레이저 스캐너(1720)를 위치 시키고, 레이저 스캐너(1720)를 이용하여 테스트 대상체를 스캔하는 단계(S1713), 영상 복원 시스템(컴퓨터)(1730)이 알려진 테스트 대상체 및 관심 대상체의 스캔 데이터를 수신하는 단계(S1714), 영상 복원 시스템(컴퓨터)(1730)이 테스트 대상체의 스캔 데이터에 의해 전달 함수를 수정하는 단계(S1715), 관심 대상체의 영상을 수정된 전달 함수들을 이용하여, 관심 대상체의 스캔 데이터로부터 복원하는 단계(S1716), 및 사용자(오퍼레이터)가 대상체의 복원된 영상을 조사하는 단계(S1717)를 포함할 수 있다.
개시된 실시예에 따른 발명의 기술적 효과는 최소한의 시간으로 양질의 MR 영상을 제공하는 것이며(상기 취득된 데이터가 불완전하게 샘플링 되기 때문에 총 획득시간이 4-6배 정도 비례하여 감소한다), 즉, 공지의 솔루션과 비교하면 본 발명은 비슷하거나 더 좋은 품질의 MR 영상을 얻는 반면, 데이터 획득시간은 상당히 가속화 하는 것을 가능하게 할 수 있다. 본 명세서는 본 발명의 권리범위를 명확히 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 실시할 수 있도록, 본 발명의 원리를 설명하고, 실시예들을 개시한다. 개시된 실시예들은 다양한 형태로 구현될 수 있다.
도 18은 MRI 시스템의 개략도이다.
도 18을 참조하면, MRI 시스템(1)은 오퍼레이팅부(10), 제어부(30) 및 스캐너(50)를 포함할 수 있다. 여기서, 제어부(30)는 도 18에 도시된 바와 같이 독립적으로 구현될 수 있다. 또는, 제어부(30)는 복수 개의 구성 요소로 분리되어, MRI 시스템(1)의 각 구성 요소에 포함될 수도 있다. 이하에서는 각 구성 요소에 대해 구체적으로 살펴보도록 한다.
스캐너(50)는 내부 공간이 비어 있어, 대상체가 삽입될 수 있는 형상(예컨대, 보어(bore) 형상)으로 구현될 수 있다. 스캐너(50)의 내부 공간에는 정자장 및 경사자장이 형성되며, RF 신호가 조사된다.
스캐너(50)는 정자장 형성부(51), 경사자장 형성부(52), RF 코일부(53), 테이블부(55) 및 디스플레이부(56)를 포함할 수 있다. 정자장 형성부(51)는 대상체에 포함된 원자핵들의 자기 쌍극자 모멘트의 방향을 정자장 방향으로 정렬하기 위한 정자장을 형성한다. 정자장 형성부(51)는 영구 자석으로 구현되거나 또는 냉각 코일을 이용한 초전도 자석으로 구현될 수도 있다.
경사자장 형성부(52)는 제어부(30)와 연결된다. 제어부(30)로부터 전송 받은 제어신호에 따라 정자장에 경사를 인가하여, 경사자장을 형성한다. 경사자장 형성부(52)는 서로 직교하는 X축, Y축 및 Z축 방향의 경사자장을 형성하는 X, Y, Z 코일을 포함하며, 대상체의 부위 별로 공명 주파수를 서로 다르게 유도할 수 있도록 촬영 위치에 맞게 경사 신호를 발생 시킨다.
RF 코일부(53)는 제어부(30)와 연결되어, 제어부(30)로부터 전송 받은 제어신호에 따라 대상체에 RF 신호를 조사하고, 대상체로부터 방출되는 MR 신호를 수신할 수 있다. RF 코일부(53)는 세차 운동을 하는 원자핵을 향하여 세차운동의 주파수와 동일한 주파수의 RF 신호를 대상체에게 전송한 후 RF 신호의 전송을 중단하고, 대상체로부터 방출되는 MR 신호를 수신할 수 있다.
RF 코일부(53)는 원자핵의 종류에 대응하는 무선 주파수를 갖는 전자파를 생성하는 송신 RF 코일과, 원자핵으로부터 방사된 전자파를 수신하는 수신 RF 코일로서 각각 구현되거나 또는 송/수신 기능을 함께 갖는 하나의 RF 송수신 코일로서 구현될 수도 있다. 또한, RF 코일부(53)외에, 별도의 코일이 대상체에 장착될 수도 있다. 예를 들어, 촬영 부위 또는 장착 부위에 따라, 헤드 코일(Head coil), 척추 코일(spine coil), 몸통 코일(torso coil), 무릎 코일(knee coil) 등이 별도의 코일로 이용될 수 있다.
스캐너(50)의 외측 및/또는 내측에는 디스플레이부(56)가 마련될 수 있다. 디스플레이부(56)는 제어부(30)에 의해 제어되어, 사용자 또는 대상체에게 의료 영상 촬영과 관련된 정보를 제공할 수 있다.
또한, 스캐너(50)에는 대상체의 상태에 관한 모니터링정보를 획득하여 전달하는 대상체 모니터링정보 획득부가 마련될 수 있다. 예를 들어, 대상체 모니터링정보 획득부(미도시)는 대상체의 움직임, 위치 등을 촬영하는 카메라(미도시), 대상체의 호흡을 측정하기 위한 호흡 측정기(미도시), 대상체의 심전도를 측정하기 위한 ECG 측정기(미도시), 또는 대상체의 체온을 측정하기 위한 체온 측정기(미도시)로부터 대상체에 관한 모니터링정보를 획득하여 제어부(30)로 전달할 수 있다. 이에 따라, 제어부(30)는 대상체에 관한 모니터링정보를 이용하여 스캐너(50)의 동작을 제어할 수 있다. 이하에서는 제어부(30)에 대해 살펴보도록 한다.
제어부(30)는 스캐너(50)의 전반적인 동작을 제어할 수 있다.
제어부(30)는 스캐너(50) 내부에서 형성되는 신호들의 시퀀스를 제어할 수 있다. 제어부(30)는 오퍼레이팅부(10)로부터 수신받은 펄스 시퀀스(pulse sequence) 또는 설계한 펄스 시퀀스에 따라 경사자장 형성부(52) 및 RF 코일부(53)를 제어할 수 있다.
펄스 시퀀스란, 경사자장 형성부(52), 및 RF 코일부(53)를 제어하기 위해 필요한 모든 정보를 포함하며, 예를 들어 경사자장 형성부(52)에 인가하는 펄스(pulse) 신호의 강도, 인가 지속시간, 인가 타이밍 등에 관한 정보 등을 포함할 수 있다.
제어부(30)는 펄스 시퀀스에 따라 경사 파형, 즉 전류 펄스를 발생시키는 파형 발생기(미도시), 및 발생된 전류 펄스를 증폭시켜 경사자장 형성부(52)로 전달하는 경사 증폭기(미도시)를 제어하여, 경사자장 형성부(52)의 경사자장 형성을 제어할 수 있다.
제어부(30)는 RF 코일부(53)의 동작을 제어할 수 있다. 예를 들어, 제어부(30)는 공명 주파수의 RF 펄스를 RF 코일부(53)에 공급하여 RF 신호를 조사할 수 있고, RF 코일부(53)가 수신한 MR 신호를 수신할 수 있다. 이때, 제어부(30)는 제어신호를 통해 송수신 방향을 조절할 수 있는 스위치(예컨대, T/R 스위치)의 동작을 제어하여, 동작 모드에 따라 RF 신호의 조사 및 MR 신호의 수신을 조절할 수 있다.
제어부(30)는 대상체가 위치하는 테이블부(55)의 이동을 제어할 수 있다. 촬영이 수행되기 전에, 제어부(30)는 대상체의 촬영 부위에 맞추어, 테이블부(55)를 미리 이동시킬 수 있다.
제어부(30)는 디스플레이부(56)를 제어할 수 있다. 예를 들어, 제어부(30)는 제어신호를 통해 디스플레이부(56)의 온/오프 또는 디스플레이부(56)를 통해 표시되는 화면 등을 제어할 수 있다.
제어부(30)는 MRI 시스템(1) 내 구성요소들의 동작을 제어하기 위한 알고리즘, 프로그램 형태의 데이터를 저장하는 메모리(미도시), 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
오퍼레이팅부(10)는 MRI 시스템(1)의 전반적인 동작을 제어할 수 있다. 오퍼레이팅부(10)는 영상 처리부(11), 입력부(12) 및 출력부(13)를 포함할 수 있다.
영상 처리부(11)는 메모리를 이용하여 제어부(30)로부터 수신 받은 MR 신호를 저장하고, 이미지 프로세서를 이용하여 영상 복원 기법을 적용함으로써, 저장한 MR 신호로부터 대상체에 대한 영상 데이터를 생성할 수 있다.
예를 들어, 영상 처리부(11)는 메모리의 k-공간(예컨대, 푸리에(Fourier) 공간 또는 주파수 공간이라고도 지칭됨)에 디지털 데이터를 채워 k-공간 데이터가 완성되면, 이미지 프로세서를 통해 다양한 영상 복원기법을 적용하여(예컨대, k-공간 데이터를 역 푸리에 변환하여) k-공간 데이터를 영상 데이터로 복원할 수 있다.
또한, 영상 처리부(11)가 MR 신호에 대해 적용하는 각종 신호 처리는 병렬적으로 수행될 수 있다. 예를 들어, 다채널 RF 코일에 의해 수신되는 복수의 MR 신호를 병렬적으로 신호 처리하여 영상 데이터로 복원할 수도 있다. 한편, 영상 처리부(11)는 복원한 영상 데이터를 메모리에 저장하거나 또는 후술할 바와 같이 제어부(30)가 통신부(60)를 통해 외부의 서버에 저장할 수 있다.
입력부(12)는 사용자로부터 MRI 시스템(1)의 전반적인 동작에 관한 제어 명령을 입력 받을 수 있다. 예를 들어, 입력부(12)는 사용자로부터 대상체 정보, 파라미터 정보, 스캔 조건, 펄스 시퀀스에 관한 정보 등을 입력 받을 수 있다. 입력부(12)는 키보드, 마우스, 트랙볼, 음성 인식부, 제스처 인식부, 터치 스크린 등으로 구현될 수 있다.
출력부(13)는 영상 처리부(11)에 의해 생성된 영상 데이터를 출력할 수 있다. 또한, 출력부(13)는 사용자가 MRI 시스템(1)에 관한 제어 명령을 입력 받을 수 있도록 구성된 유저 인터페이스(User Interface, UI)를 출력할 수 있다. 출력부(13)는 스피커, 프린터, 디스플레이 등으로 구현될 수 다.
한편, 도 18에서는 오퍼레이팅부(10), 제어부(30)를 서로 분리된 객체로 도시하였으나, 전술한 바와 같이, 하나의 기기에 함께 포함될 수도 있다. 또한, 오퍼레이팅부(10), 및 제어부(30) 각각에 의해 수행되는 프로세스들이 다른 객체에서 수행될 수도 있다. 예를 들어, 영상 처리부(11)는, 제어부(30)에서 수신한 MR 신호를 디지털 신호로 변환하거나 또는, 제어부(30)가 직접 변환할 수도 있다.
MRI 시스템(1)은 통신부(60)를 포함하며, 통신부(60)를 통해 외부 장치(미도시)(예를 들면, 서버, 의료 장치, 휴대 장치(스마트폰, 태블릿 PC, 웨어러블 기기 등))와 연결할 수 있다.
통신부(60)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어 근거리 통신 모듈(미도시), 유선 통신 모듈(61) 및 무선 통신 모듈(62) 중 적어도 하나를 포함할 수 있다.
통신부(60)가 외부 장치로부터 제어 신호 및 데이터를 수신하고, 수신된 제어 신호를 제어부(30)에 전달하여 제어부(30)로 하여금 수신된 제어 신호에 따라 MRI 시스템(1)을 제어하도록 하는 것도 가능하다.
또는, 제어부(30)가 통신부(60)를 통해 외부 장치에 제어 신호를 송신함으로써, 외부 장치를 제어부의 제어 신호에 따라 제어하는 것도 가능하다.
예를 들어 외부 장치는 통신부(60)를 통해 수신된 제어부(30)의 제어 신호에 따라 외부 장치의 데이터를 처리할 수 있다.
외부 장치에는 MRI 시스템(1)을 제어할 수 있는 프로그램이 설치될 수 있는바, 이 프로그램은 제어부(30)의 동작의 일부 또는 전부를 수행하는 명령어를 포함할 수 있다.
프로그램은 외부 장치에 미리 설치될 수도 있고, 외부장치의 사용자가 어플리케이션을 제공하는 서버로부터 프로그램을 다운로드하여 설치하는 것도 가능하다. 어플리케이션을 제공하는 서버에는 해당 프로그램이 저장된 기록매체가 포함될 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는 컴퓨터로 읽을 수 있는 기록매체의 형태로 구현될 수 있다. 상기 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 상기 명령어는 프로세서에 의해 실행되었을 때, 개시된 실시예들의 소정의 동작들을 수행할 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

Claims (15)

  1. 프로세서 및 상기 프로세서에 연결된 메모리를 포함하고,
    상기 프로세서는,
    대상체에 대한 불완전하게 샘플링된 멀티 코일 k-공간을 획득하고,
    미리 획득된 제1 사전 및 상기 제1 사전을 이용하여 획득된 제2 사전을 이용하여, 상기 멀티 코일 k-공간을 복원하여 상기 대상체의 복원 영상을 획득하는, 자기 공명 영상 처리 장치.
  2. 제1항에 있어서, 상기 제2 사전은
    미리 획득된 대상체의 영상과 상기 제1 사전에 기초하여 상기 영상을 근사한 것의 잔차를 기초하여 획득되는, 자기 공명 영상 처리 장치.
  3. 제1항에 있어서, 상기 근사는 스파스 근사인, 자기 공명 영상 처리 장치.
  4. 제1항에 있어서, 상기 프로세서는,
    상기 불완전하게 샘플링된 멀티 코일 k-공간에 기초하여 제1 영상을 획득하고,
    상기 제1 영상으로부터 획득된 균일하지 않은 크기의 패치들, 상기 제1 사전 및 상기 제2 사전에 기초하여 상기 멀티 코일 k-공간을 복원하여 상기 복원 영상을 획득하는, 자기 공명 영상 처리 장치.
  5. 제1항에 있어서, 상기 프로세서는,
    상기 불완전하게 샘플링된 멀티 코일 k-공간에 기초하여 획득된 서로 다른 주파수 대역에 대응되는 패치들, 상기 제1 사전 및 상기 제2 사전에 기초하여 상기 멀티 코일 k-공간을 복원하여 상기 복원 영상을 획득하는, 자기 공명 영상 처리 장치.
  6. 제1항에 있어서,
    오퍼레이터 콘솔을 더 포함하고,
    상기 오퍼레이터 콘솔은 복원 영상을 시각화 하기 위한 표시부를 포함하는, 자기 공명 영상 처리 장치.
  7. 제6항에 있어서,
    상기 오퍼레이터 콘솔은 제어부를 더 포함하고,
    상기 제어부는 상기 자기 공명 영상 처리 장치를 제어하도록 구성되는, 자기 공명 영상 처리 장치.
  8. 제1항에 있어서,
    상기 불완전하게 샘플링된 멀티 코일 k-공간 데이터를 획득하도록 구성된 MR 스캐너를 더 포함하는, 자기 공명 영상 처리 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 획득한 불완전하게 샘플링된 멀티 코일 k-공간을 복수 개의 주파수 대역으로 분할하고,
    상기 복수 개의 주파수 대역으로 분할된 불완전하게 샘플링된 멀티 코일 k-공간들을 각각 상기 제1 사전 및 상기 제2 사전을 이용하여 복원함으로써 복원 영상을 획득하는, 자기 공명 영상 처리 장치.
  10. 제1항에 있어서, 상기 프로세서는,
    상기 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 하고, 상기 전처리된 멀티 코일 k-공간을, 상기 제1 사전 및 상기 제2 사전을 이용하여 복원하는, 자기 공명 영상 처리 장치.
  11. 제10항에 있어서, 상기 프로세서는,
    상기 불완전하게 샘플링된 멀티 코일 k-공간의 샘플링 되지 않은 위치들을 초기 추측(initial guess)으로 채우고, 상기 불완전하게 샘플링된 멀티 코일 k-공간을 코일 압축(coil compressing)함으로써, 상기 불완전하게 샘플링된 멀티 코일 k-공간을 전처리 하는, 자기 공명 영상 처리 장치.
  12. 자기 공명 영상을 복원하는 방법에 있어서,
    대상체에 대한 불완전하게 샘플링된 멀티 코일 k-공간을 획득하는 단계; 및
    미리 획득된 제1 사전 및 상기 제1 사전을 이용하여 획득된 제2 사전을 이용하여, 상기 멀티 코일 k-공간을 복원하여 상기 대상체의 복원 영상을 획득하는 단계를 포함하는, 자기 공명 영상 복원 방법.
  13. 제12항에 있어서, 상기 제2 사전은
    미리 획득된 대상체의 영상과 상기 제1 사전에 기초하여 상기 영상을 근사한 것의 잔차를 기초하여 획득되는, 자기 공명 영상 복원 방법.
  14. 제12항에 있어서, 상기 복원 영상을 획득하는 단계는
    상기 불완전하게 샘플링된 멀티 코일 k-공간에 기초하여 제1 영상을 획득하는 단계; 및
    상기 제1 영상으로부터 획득된 균일하지 않은 크기의 패치들, 상기 제1 사전 및 상기 제2 사전에 기초하여 상기 멀티 코일 k-공간을 복원하여 상기 복원 영상을 획득하는 단계를 포함하는, 자기 공명 영상 복원 방법.
  15. 제12항에 기재된 자기 공명 영상을 복원하는 방법의 각 단계를 수행하기 위한 프로그램이 저장된, 컴퓨터로 판독 가능한 기록 매체.
PCT/KR2016/008494 2015-09-04 2016-08-02 자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치 WO2017039163A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP16842129.5A EP3346443B1 (en) 2015-09-04 2016-08-02 Method for restoring magnetic resonance image and magnetic resonance image processing apparatus
US15/756,666 US20180247436A1 (en) 2015-09-04 2016-08-02 Method for restoring magnetic resonance image and magnetic resonance image processing apparatus

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
RU2015137794A RU2626184C2 (ru) 2015-09-04 2015-09-04 Способ, устройство и система для реконструкции магнитно-резонансного изображения
RU2015137794 2015-09-04
KR1020160087383A KR102527812B1 (ko) 2015-09-04 2016-07-11 자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치
KR10-2016-0087383 2016-07-11

Publications (1)

Publication Number Publication Date
WO2017039163A1 true WO2017039163A1 (ko) 2017-03-09

Family

ID=58454163

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2016/008494 WO2017039163A1 (ko) 2015-09-04 2016-08-02 자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치

Country Status (5)

Country Link
US (1) US20180247436A1 (ko)
EP (1) EP3346443B1 (ko)
KR (1) KR102527812B1 (ko)
RU (1) RU2626184C2 (ko)
WO (1) WO2017039163A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489943B2 (en) 2018-02-28 2019-11-26 General Electric Company System and method for sparse image reconstruction

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101806902B1 (ko) * 2016-02-16 2017-12-12 삼성전자주식회사 자기 공명 영상 복원 방법 및 장치
KR101883806B1 (ko) * 2017-04-07 2018-07-31 울산과학기술원 영상 복원 장치 및 방법
WO2019090447A1 (en) * 2017-11-10 2019-05-16 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image reconstruction
US10573031B2 (en) * 2017-12-06 2020-02-25 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning
DE102018214636A1 (de) * 2018-08-29 2020-03-05 Siemens Healthcare Gmbh Verfahren zum Erzeugen eines Magnetresonanzbildes, Computerprogramm, Datenspeicher und Magnetresonanzanlage
CN109471053B (zh) * 2018-10-18 2020-01-31 电子科技大学 一种基于双约束的介电特性迭代成像方法
KR102398365B1 (ko) * 2019-12-13 2022-05-17 한양대학교 산학협력단 학습 가능한 공간-스펙트럴 변환 기법 기반의 딥러닝 영상 분해 및 압축 센싱 방법
US11860256B2 (en) * 2021-04-19 2024-01-02 Arizona Board Of Regents On Behalf Of The University Of Arizona MRI streak-artifact suppression, system and method
WO2023114317A1 (en) * 2021-12-14 2023-06-22 Regents Of The University Of Minnesota Noise-suppressed nonlinear reconstruction of magnetic resonance images

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040165757A1 (en) * 2001-04-13 2004-08-26 Jingfei Ma Adaptive data differentiation and selection from multi-coil receiver to reduce artifacts in reconstruction
US20120099774A1 (en) * 2010-10-21 2012-04-26 Mehmet Akcakaya Method For Image Reconstruction Using Low-Dimensional-Structure Self-Learning and Thresholding
KR101330638B1 (ko) * 2012-05-10 2013-11-18 고려대학교 산학협력단 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치
WO2014006633A1 (en) * 2012-07-02 2014-01-09 Arjun Arunachalam A method and system for aliased k-space data restoration

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8310233B2 (en) * 2009-02-18 2012-11-13 Mayo Foundation For Medical Education And Research Method for image reconstruction from undersampled medical imaging data
GB2495447B (en) * 2010-06-24 2017-04-12 Koninklijke Philips Nv Dynamic contrast enhanced MR imaging with compressed sensing reconstruction
RU2013104364A (ru) * 2010-07-02 2014-08-10 Конинклейке Филипс Электроникс Н.В. Компьютерный программный продукт, осуществляемый компьютером способ и система магнитно-резонансной визуализации для получения магнитно-резонансного изображения

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040165757A1 (en) * 2001-04-13 2004-08-26 Jingfei Ma Adaptive data differentiation and selection from multi-coil receiver to reduce artifacts in reconstruction
US20120099774A1 (en) * 2010-10-21 2012-04-26 Mehmet Akcakaya Method For Image Reconstruction Using Low-Dimensional-Structure Self-Learning and Thresholding
KR101330638B1 (ko) * 2012-05-10 2013-11-18 고려대학교 산학협력단 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치
WO2014006633A1 (en) * 2012-07-02 2014-01-09 Arjun Arunachalam A method and system for aliased k-space data restoration

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAVISHANKAR, SAIPRASAD ET AL.: "MR Image Reconstruction from Highly Undersampled k-Space Data by Dietionary Leaming", IEEE TRANSACTION ON MEDICAL IMAGING, vol. 30, no. 5, May 2011 (2011-05-01), pages 1028 - 1041, XP011321144 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489943B2 (en) 2018-02-28 2019-11-26 General Electric Company System and method for sparse image reconstruction

Also Published As

Publication number Publication date
EP3346443A4 (en) 2018-10-17
EP3346443B1 (en) 2021-10-27
US20180247436A1 (en) 2018-08-30
RU2626184C2 (ru) 2017-07-24
KR20170028829A (ko) 2017-03-14
RU2015137794A (ru) 2017-03-10
KR102527812B1 (ko) 2023-05-02
EP3346443A1 (en) 2018-07-11

Similar Documents

Publication Publication Date Title
WO2017039163A1 (ko) 자기 공명 영상 복원을 위한 방법 및 자기 공명 영상 처리 장치
Liu et al. RARE: Image reconstruction using deep priors learned without groundtruth
RU2568929C1 (ru) Способ и система для быстрой реконструкции изображения мрт из недосемплированных данных
WO2019039708A1 (en) MAGNETIC RESONANCE IMAGING APPARATUS AND METHOD FOR MAGNETIC RESONANCE IMAGE RECONSTRUCTION USING NEURONIC ARRAY
Roohi et al. Multi-dimensional low rank plus sparse decomposition for reconstruction of under-sampled dynamic MRI
WO2021162176A1 (ko) 자기 공명 영상 처리 장치 및 그 방법
JP2004525654A (ja) 磁気共鳴画像システムおよびその方法
JP2006524083A (ja) Ｍｒ画像の再構築方法
KR20110091991A (ko) 고화질 영상 획득을 위한 학습 기반 고해상도 향상 장치 및 방법
WO2016190701A1 (en) Magnetic resonance imaging apparatus and method
GB2465236A (en) Motion compensation method for magnetic resonance imaging
Vasileiou et al. Efficient CNN-based super resolution algorithms for mmWave mobile radar imaging
WO2017126790A1 (en) Local coil apparatus, magnetic resonance imaging (mri) apparatus, and control method of the local coil apparatus
JP2007503904A (ja) 高磁場磁気共鳴撮像のための適応的画像均一性補正
KR20130008858A (ko) 영상 처리 방법 및 그에 따른 영상 처리 장치
CN113558600A (zh) 磁共振成像装置以及图像处理方法
CN111295137B (zh) 磁共振摄影装置、灵敏度分布算出方法及存储介质
EP3171773A1 (en) Magnetic resonance imaging apparatus and control method thereof
JPWO2006109550A1 (ja) 磁気共鳴イメージング装置及び方法
WO2015167307A1 (ko) 자기 공명 영상 장치 및 자기 공명 영상의 생성 방법
WO2017126771A1 (ko) 자기 공명 영상 장치 및 그에 따른 자기 공명 영상 장치의 쉬밍 방법
KR101826063B1 (ko) 화학 교환 포화 전이 자기 공명 영상 장치 및 방법
JP4131466B2 (ja) 画像レーダ装置及び超解像処理方法
WO2017183885A1 (ko) 자기 공명 영상 처리 장치 및 그 영상 처리 방법
Liu et al. Hybrid regularization for compressed sensing MRI: Exploiting shearlet transform and group-sparsity total variation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16842129

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15756666

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE