[go: up one dir, main page]

CN113450423B - 减少磁共振成像中的噪声和伪影的系统和方法 - Google Patents

减少磁共振成像中的噪声和伪影的系统和方法 Download PDF

Info

Publication number
CN113450423B
CN113450423B CN202110266828.1A CN202110266828A CN113450423B CN 113450423 B CN113450423 B CN 113450423B CN 202110266828 A CN202110266828 A CN 202110266828A CN 113450423 B CN113450423 B CN 113450423B
Authority
CN
China
Prior art keywords
series
data points
neural network
dimension
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110266828.1A
Other languages
English (en)
Other versions
CN113450423A (zh
Inventor
S·曼达瓦
泰·A·卡申
丹尼尔·利特威勒
埃尔辛·拜拉姆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN113450423A publication Critical patent/CN113450423A/zh
Application granted granted Critical
Publication of CN113450423B publication Critical patent/CN113450423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/4824—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a non-Cartesian trajectory
    • 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
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明提供了一种减少医学图像中的噪声和伪影的计算机实现的方法。该方法包括沿第一维度接收一系列医学图像，其中该医学图像中的信号相比于该医学图像中的噪声和伪影在该第一维度上具有更高的相关性。该方法还包括，针对该医学图像中的多个像素中的每一个像素，基于该系列医学图像沿该第一维度导出一系列数据点，将该系列数据点输入到神经网络模型中，以及输出该系列数据点中的信号分量。该神经网络模型被配置为将信号分量与该系列数据点中的噪声和伪影分量分开。该方法还包括基于所输出的信号分量生成一系列经过校正的医学图像。

Description

减少磁共振成像中的噪声和伪影的系统和方法
背景技术
本公开的领域整体涉及减少噪声和伪影的系统和方法，并且更具体地，涉及使用神经网络模型来减少医学图像中的噪声和伪影的系统和方法。
其中k空间原始数据通过径向轨迹采集的径向磁共振成像(MRI)由于其运动稳健性及其支持加速成像的能力而在医学成像中具有吸引力。虽然采集噪声存在于所有MRI，但径向MRI还受到条纹伪影形式的伪影的困扰。伪影可由系统缺陷引起，诸如梯度非线性、脂肪抑制不良、运动或者加速成像中的欠采样的数据采集。在时间分辨成像诸如对比度增强的成像中，对于不断增加的空间分辨率和时间分辨率，由于增加的欠采样水平，伪影加剧。
发明内容
在一个方面，提供了减少医学图像中的噪声和伪影的计算机实现的方法。该方法包括沿第一维度接收受检者体积的一系列医学图像，其中医学图像包括信号、噪声和伪影，这些信号相比于噪声和伪影在第一维度上具有更高的相关性。该方法还包括，针对医学图像中的多个像素中的每一个像素，基于该系列医学图像沿第一维度导出一系列数据点，将该系列数据点输入到神经网络模型中，以及输出该系列数据点中的信号分量。神经网络模型被配置为将该系列数据点中的信号分量与该系列数据点中的噪声和伪影分量分开。该方法还包括基于针对多个像素中的每一个像素的该系列数据点中所输出的信号分量来生成一系列经过校正的医学图像。
在另一方面，提供了一种噪声和伪影减少系统。该噪声和伪影减少系统包括噪声和伪影减少计算设备。噪声和伪影减少计算设备包括电联接到至少一个存储器设备的至少一个处理器。至少一个处理器被编程用于沿第一维度接收受检者体积的一系列医学图像，其中医学图像包括信号、噪声和伪影，这些信号相比于噪声和伪影在第一维度上具有更高的相关性。至少一个处理器被进一步编程用于针对医学图像中的多个像素中的每一个像素，基于该系列医学图像沿第一维度导出一系列数据点，将该系列数据点输入到神经网络模型中，以及输出该系列数据点中的信号分量。神经网络模型被配置为将该系列数据点中的信号分量与该系列数据点中的噪声和伪影分量分开。至少一个处理器被进一步编程用于基于针对多个像素中的每一个像素的所述系列数据点中所输出的信号分量来生成一系列经过校正的医学图像。
附图说明
图1是示例性磁共振成像(MRI)系统的示意图。
图2是示例性噪声和伪影减少系统。
图3是减少噪声和伪影的示例性方法的流程图。
图4A是图3所示方法的示例性实施方案中数据流的示意图。
图4B示出了用图3所示的示例性方法和已知方法处理的磁共振(MR)图像。
图4C示出了用图3所示的另一种示例性方法和已知方法处理的MR图像。
图5A是神经网络模型的示意图。
图5B是图5A所示的神经网络模型中的神经元的示意图。
图6是示例性神经网络的示意图。
图7是示例性计算设备的框图。
具体实施方式
本公开包括减少医学图像中的噪声和伪影的系统和方法。在本文所述的系统和方法中，医学图像中的信号相比于医学图像中的噪声和伪影沿时间维度具有更高的相关性。与表示受检者的解剖结构的信号不同，伪影是医学图像中的不存在于受检者中的视觉异常，可由成像模态诸如脉冲序列、梯度非线性、差的脂肪饱和度或运动引起。本文所用的受检者是人(活的或死的)、动物(活的或死的)，或者人或动物的一部分。方法方面将在以下描述中部分明显并且部分明确地讨论。
虽然稀疏或低等级重建方法可用于最小化伪影，但由于计算复杂度高，它们的用途有限。本文所述的系统和方法使用时间神经网络来抑制图像的时间序列中的伪影。与大多数其他神经网络不同，本文使用的神经网络以无监督方式训练。图像的时间序列自身用于训练神经网络，该神经网络学习将时间序列数据中的特征或分量分开。该过程的结果是减少图像中的噪声和伪影的网络。经过训练的神经网络将时间序列数据作为输入，并且提供具有减少的噪声和伪影的时间序列的数据点作为输出。
出于详细描述的目的，MR系统的成像模态、MR图像(诸如通过径向采集轨迹采集的MR图像)以及沿时间维度的一系列MR图像在本文中仅用作示例。然而，本文所述的系统和方法不限于MR系统、MR图像或由径向采集轨迹采集的MR图像，或者时间维度。本文所述的系统和方法可应用于其他成像模态，诸如计算机断层摄影术(CT)和正电子发射断层摄影术(PET)，应用于沿其他维度(诸如空间维度)或跨多个线圈的一系列数据点，以及应用于用其他MR采集轨迹采集的一系列图像。
在磁共振成像(MRI)中，将受检者置于磁体中。当受检者处于由磁体生成的磁场中时，核诸如质子的磁矩尝试与磁场对准，但在核的拉莫尔频率下以随机顺序围绕磁场进动。磁体的磁场被称为B0并且在纵向或z方向上延伸。在采集MRI图像的过程中，处于x-y平面中且接近拉莫尔频率的磁场(称为激励场B1)由射频(RF)线圈生成，并且可用于将核的净磁矩Mz从z方向朝横向或x-y平面旋转或“倾斜”。在激励信号B1终止之后，核发射被称为MR信号的信号。为了使用MR信号来生成受检者的图像，使用磁场梯度脉冲(Gx、Gy和Gz)。梯度脉冲用于扫描通过k空间、空间频率的空间或距离的反向。在所采集的MR信号和受检者的图像之间存在傅立叶关系，因此可以通过重建MR信号来导出受检者的图像。
图1示出了示例性MRI系统10的示意图。在示例性实施方案中，MRI系统10包括具有显示器14和键盘16的工作站12。工作站12包括处理器18，诸如运行可商购获得的操作系统的可商购获得的可编程机器。工作站12提供操作者界面，该操作者界面允许将扫描界定输入MRI系统10中。工作站12联接到脉冲序列服务器20、数据采集服务器22、数据处理服务器24和数据存储服务器26。工作站12以及每个服务器20、22、24和26彼此通信。
在示例性实施方案中，脉冲序列服务器20响应于从工作站12下载的指令以操作梯度系统28和射频(“RF”)系统30。指令用于在MR脉冲序列中产生梯度波形和RF波形。RF线圈38和梯度线圈组件32用于执行界定的MR脉冲序列。RF线圈38被示出为整个主体RF线圈。RF线圈38也可以是可放置在待成像解剖结构附近的局部线圈，或者是包括多个线圈的线圈阵列。
在示例性实施方案中，产生用于执行界定扫描的梯度波形并将其应用于梯度系统28，该梯度系统激励梯度线圈组件32中的梯度线圈以产生用于对MR信号进行位置编码的磁场梯度GX、GY和Gz。梯度线圈组件32形成磁体组件34的还包括极化磁体36和RF线圈38的部分。
在示例性实施方案中，RF系统30包括用于产生MR脉冲序列中使用的RF脉冲的RF发射器。RF发射器响应于来自脉冲序列服务器20的扫描界定和方向，以产生具有所需频率、相位和脉冲振幅波形的RF脉冲。所生成的RF脉冲可由RF系统30施加到RF线圈38。由RF线圈38检测到的响应MR信号由RF系统30接收，在由脉冲序列服务器20产生的命令的指示下被放大、解调、滤波和数字化。RF线圈38被描述为发射器和接收器线圈，使得RF线圈38发射RF脉冲并检测MR信号。在一个实施方案中，MRI系统10可包括发射RF脉冲的发射器RF线圈和检测MR信号的单独的接收器线圈。RF系统30的传输通道可连接到RF传输线圈，并且接收器通道可连接到单独的RF接收器线圈。通常，传输通道连接到整个主体RF线圈38，并且每个接收器区段连接到单独的局部RF线圈。
在示例性实施方案中，RF系统30还包括一个或多个RF接收器通道。每个RF接收器通道包括RF放大器，该RF放大器放大由通道所连接到的RF线圈38接收的MR信号；以及检测器，该检测器检测并数字化所接收的MR信号的I正交分量和Q正交分量。然后，所接收的MR信号的量值可以被确定为I分量和Q分量的平方和的平方根，如下面等式(1)所示：
并且所接收的MR信号的相位也可以如下面等式(2)所示来确定：
在一些实施方案中，脉冲序列服务器20还任选地从生理采集控制器40接收受检者数据。控制器40从连接到受检者的传感器接收生理信号，诸如来自电极的心电图(“ECG”)信号，或来自呼吸监测设备诸如波纹管的呼吸信号。生理信号通常由脉冲序列服务器20用于使扫描的执行与受检者的心跳或呼吸同步或“选通”。
在示例性实施方案中，脉冲序列服务器20还连接到扫描室接口电路42，该扫描室接口电路接收来自传感器的与受检者和磁体系统的状况相关联的信号。通过扫描室接口电路42，患者定位系统44接收用于在扫描之前和/或期间将受检者移动到所需位置的命令。
在示例性实施方案中，由RF系统30产生的数字化MR信号样本由数据采集服务器22接收。数据采集服务器22可以响应于从工作站12下载的指令而操作，以接收实时MR数据并提供缓冲存储器，使得没有数据因数据溢出而丢失。在一些扫描中，数据采集服务器22仅将所采集的MR数据传递到数据处理服务器24。然而，在需要来源于所采集的MR数据的信息来控制扫描的进一步执行的扫描中，数据采集服务器22被编程为产生所需的信息并将其传送到脉冲序列服务器20。例如，在预扫描期间，采集MR数据并将其用于校准由脉冲序列服务器20执行的脉冲序列。另外，导航器信号可在扫描期间被采集并且用于调整RF系统30或梯度系统28的操作参数，或者用于控制对k空间进行采样的视图顺序。
在示例性实施方案中，数据处理服务器24从数据采集服务器22接收MR数据，并且根据从工作站12下载的指令对MR数据进行处理。此类处理可以包括例如对原始k空间MR数据进行傅里叶变换以产生二维或三维图像，将滤波器应用于重建的图像，对所采集的MR数据执行反投影图像重建，生成功能MR图像，以及计算运动或流动图像。
在示例性实施方案中，由数据处理服务器24重建的图像被传送回工作站12并且存储在该工作站处。在一些实施方案中，实时图像存储在数据库存储器高速缓存(图1中未示出)中，实时图像可从该数据库存储器高速缓存输出到操作者显示器14或位于磁体组件34附近的显示器46，以供主治医生使用。批模式图像或所选择的实时图像可存储在磁盘存储装置48或云端上的主机数据库中。当此类图像已被重建并且传输到存储装置时，数据处理服务器24通知数据存储服务器26。操作者可以使用工作站12来存档图像、产生胶片或经由网络将图像发送到其他设施。
图2是示例性噪声和伪影减少系统200的示意图。在示例性实施方案中，系统200包括被配置为减少医学图像中的噪声和伪影的噪声和伪影减少计算设备202。计算设备202还包括神经网络模型204。系统200可包括第二噪声和伪影减少计算设备203。第二噪声和伪影减少计算设备203可用于训练神经网络模型204，并且噪声和伪影减少计算设备202然后可使用经过训练的神经网络模型204。第二噪声和伪影减少计算设备203可以是与噪声和伪影减少计算设备202相同的计算设备，使得神经网络模型204的训练和使用在一个计算设备上。另选地，第二噪声和伪影减少计算设备203可以是与噪声和伪影减少计算设备202分开的计算设备，使得神经网络模型204的训练和使用在分开的计算设备上执行。噪声和伪影减少计算设备202可包括在MRI系统10的工作站12中，或者可包括在与工作站12通信的单独的计算设备上。
在示例性实施方案中，系统200还包括被配置为更新与图像相关联的元数据的元数据编辑器206。系统200还可以包括被配置为接收用户输入的用户界面管理器208。
图3是减少医学图像中的噪声和伪影的示例性方法300的流程图。方法300可在噪声和伪影减少系统200中执行。方法300包括沿第一维度接收302受检者体内的体积的一系列医学图像。该系列医学图像可从任何合适的来源诸如MRI系统10接收。方法300还可包括接收由成像模态采集的受检者体内的体积的一系列原始数据，其中该系列原始数据沿第一维度，以及重建该系列原始数据以导出该系列医学图像。例如，一系列原始数据是使用MRI系统10通过动态对比度增强(DCE)扫描来采集的受检者腹腔的一系列k空间原始数据。DCE扫描通常在受检者注射造影剂时多次对受检者体内的体积进行成像。DCE扫描可用于研究受检者的动态响应，以实现解剖结构与在没有造影剂的情况下采集的图像的不同对比度，或两者。该系列原始数据包括沿时域或时域的一系列原始数据。即，该系列原始数据包括在不同的时间点采集的一系列原始数据集。在该系列中，每组原始数据可以在两个维度(2D)上，所述原始数据为切片的原始数据，或者可以在三个维度(3D)上，所述原始数据为多个切片的原始数据或通过3D采集来采集的原始数据。
在示例性实施方案中，医学图像包括信号、噪声和伪影。在时间维度上，信号相比于噪声和伪影具有更高的相关性。针对医学图像中的多个像素中的每一个像素，方法300还包括减少303医学图像的噪声和伪影。减少303噪声和伪影包括基于该系列医学图像沿第一维度导出304一系列数据点，将该系列数据点输入306到神经网络模型204中，以及输出308该系列数据点中的信号分量。神经网络模型204被配置为将该系列数据点中的信号分量与该系列数据点中的噪声和伪影分量分开。多个像素可以是医学图像中的所有像素或一些像素。例如，如果该系列医学图像为在12个不同时间点采集的分辨率为64×64×16的医学图像，则该系列医学图像将具有12组医学图像，每组具有在x、y和z维度上具有64×64×16的分辨率并且总共具有65,536像素的3D医学图像。第一维度是时间维度，并且数据点的序列将具有12个数据点。减少303噪声和伪影可针对所有65,536个像素重复，或者可针对65,536个像素的一部分重复。由于多个像素的时间序列彼此独立，因此减少303每个像素的噪声和伪影可以并行计算，以提高噪声/伪影减少过程的速度。
在示例性实施方案中，方法300还包括基于针对多个像素中的每一个像素的该系列数据点中所输出的信号分量来生成310一系列经过校正的医学图像。生成310一系列经过校正的医学图像可在针对多个像素中的所有像素减少303噪声和伪影完成之后执行(如图3所示)，或者可在针对多个像素中的每一个像素减少303噪声和伪影的循环内执行。在生成310一系列经过校正的医学图像时，针对多个像素中的每一个像素，用信号分量替换医学图像在该像素处的值。如果不针对医学图像的所有像素重复减少303噪声和伪影，则可通过仅在用减少303噪声和伪影执行的像素处用所输出的信号分量替换值来导出经过校正的图像。由于神经网络模型204被配置为将信号与噪声和伪影分开，因此经过校正的医学图像相比于初始接收的图像具有更少的噪声和伪影。
图4A示出了方法300的示例性实施方案中的数据流400。图4B和图4C示出了使用方法300处理的图像和使用已知方法处理的图像的比较。
在示例性实施方案中，接收一系列原始k空间数据或原始数据402。该系列原始数据402可通过时间分辨成像、DCE扫描、扩散加权成像、参数标测、功能MRI或用多次采集(NEX)来采集。该系列原始数据402通过第一遍重建来重建404。第一遍重建可以是原始数据402被直接反转为医学图像，诸如使用傅立叶逆变换，而无需对原始数据402进行任何系统校正或调整，或者是重建图像，诸如由系统10执行的常规调整，例如对原始数据进行滤波以减少由阶跃不连续性导致的吉布斯振铃(Gibbs ringing)。为了进一步提高计算速度，可在第一遍重建中将重建空间分辨率从所采集的原始数据402的分辨率降低。例如，如果原始数据402的成像分辨率为256×256，则可在第一遍重建中将原始数据402重建为分辨率为128×128或更小的图像406。在第一遍重建之后，导出原始数据402的第一遍重建图像406。第一遍重建图像406用于训练407神经网络模型204。因为神经网络模型204由相同受检者的重建图像406训练，所以经过训练的神经网络模型是患者专用的。有利的是，使用第一遍重建图像406来训练神经网络模型204消除了在典型监督学习中对大型训练数据集的需要。训练神经网络模型204所需的所有数据均从所采集的测量结果自身中提取。另外，因为经过训练的神经网络模型是患者专用的，所以经过训练的神经网络模型适于特定患者并且是自适应重建/处理的形式。因此，神经网络模型可对建模失配具有稳健性，这可在使用离线训练策略时发生。
在示例性实施方案中，原始数据402还可以通过优选重建来重建408，以导出优选的重建图像410。优选重建可以是带有由系统10执行的调整的重建。通过调整，优选的重建图像410相比于第一遍重建图像406具有更好的图像质量。优选的重建图像410被输入412到经过训练的神经网络模型204，并且由神经网络模型204推断414以导出经过校正的图像416。经过校正的图像416具有减少的噪声和伪影。经过校正的图像416可显示在MRI系统10的操作者显示器14或显示器46上。
在一些实施方案中，可以不执行利用优选重建的重建408。相反，原始数据402通过第一遍重建来重建404，并且第一遍重建图像406被输入到经过训练的神经网络模型204中并且由其推断。神经网络模型204可以是预先经过训练的。在一个示例中，一旦接收到原始数据402，就可以在扫描期间训练神经网络模型204，同时等待原始数据402通过优选重建来重建408。在另一个示例中，一旦接收到表示时间序列的原始数据402的一部分，就可以在扫描期间训练神经网络模型204，同时等待扫描的其余部分结束。在没有系统调整的情况下，第一遍重建比优选重建要快。因为沿时间维度的该系列数据点针对不同像素是独立的，所以训练407和推断414可针对不同像素并行执行。此外，因为沿时间维度的该系列数据点相比于典型图像具有少得多的数据点，所以由神经网络模型204进行的训练407和推断414的速度比用于图像处理的神经网络模型快得多。此外，本文所述的系统和方法与任何重建和后处理选项兼容，因为优选重建不限于特定重建或后处理选项，并且经过校正的图像416可被输入到任何后处理模块中用于进一步的后处理。
图4B示出了通过具有径向成像轨迹的DCE扫描采集的一系列图像的四个阶段。顶行图像418是在时间维度上没有任何滤波的图像。在图像418中存在大量的噪声和伪影424。中间行图像420是在时间维度上用移除噪声和伪影的线性分量的低等级滤波处理的图像。图像420中的噪声和伪影424的量小于图像418中噪声和伪影424的量。底行图像422是用本文所公开的系统和方法处理的图像。图像422中的噪声和伪影424显著小于图像418或图像420中的噪声和伪影。图像418、420、422利用优选重建来重建，该优选重建包括系统调整。
图4C示出了还通过具有径向成像轨迹的DCE扫描采集但通过直接反转或第一遍重建(即，通过原始数据的傅里叶逆变换重建)来重建的图像468、470、472。类似地，图像472的底行是用神经网络滤波处理的图像，而图像470的中间行是用低等级滤波处理的图像，并且图像468的顶行是没有任何时间滤波的图像。尽管图像通过第一遍重建来重建，但图像472中的噪声和伪影424的量也远小于图像468或图像470中的噪声和伪影的量。
图5A示出了示例性人工神经网络模型204。示例性神经网络模型204包括神经元层502、504-1至504-n和506，其中包括输入层502、一个或多个隐藏层504-1至504-n和输出层506。每个层可包括任何数量的神经元，即，图5A中的q、r和n可为任何正整数。应当理解，可使用与图5A所描绘的结构和配置不同的结构和配置的神经网络来实现本文所述的方法和系统。
在示例性实施方案中，输入层502可接收不同的输入数据。例如，输入层502包括表示训练图像的第一输入a1、表示在训练图像中识别的图案的第二输入a2、表示训练图像的边缘的第三输入a3等。输入层502可包括数千个或更多个输入。在一些实施方案中，神经网络模型204所使用的元素的数量在训练过程期间改变，并且如果例如在神经网络的执行期间确定一些神经元具有较小相关性，则其被绕过或忽略。
在示例性实施方案中，隐藏层504-1至504-n中的每个神经元处理来自输入层502的一个或多个输入和/或来自其中一个先前隐藏层中的神经元的一个或多个输出，以生成决定或输出。输出层506包括一个或多个输出，每个输出指示标签、置信因子、描述输入的权重和/或输出图像。然而，在一些实施方案中，除了来自输出层506的输出之外或代替来自该输出层的输出，从隐藏层504-1至504-n获得神经网络模型204的输出。
在一些实施方案中，每个层相对于输入数据具有离散的可识别功能。例如，如果n等于3，则第一层分析输入的第一维度，第二层分析输入的第二维度，并且最后层分析输入的第三维度。尺寸可对应于被认为是强确定性的方面，然后对应于被认为是中等重要性的那些方面，并且最后对应于被认为是不太相关的那些方面。
在其他实施方案中，这些层在其执行的功能性方面未被清楚地描绘。例如，隐藏层504-1至504-n中的两个或更多个隐藏层可共享与标记相关的决定，其中没有单个层作出关于标记的独立决定。
图5B描绘了根据一个实施方案的对应于在图5A的隐藏层504-1中标记为“1，1”的神经元的示例神经元550。对神经元550的每个输入(例如，图5A中的输入层502中的输入)进行加权，使得输入a1至ap对应于在神经网络模型204的训练过程期间确定的权重w1至wp。
在一些实施方案中，一些输入缺少明确的权重，或者具有低于阈值的权重。权重被应用于函数α(由附图标号510标记)，该函数可为求和并且可产生值z1，该值被输入到标记为f1，1(z1)的函数520。函数520为任何合适的线性或非线性函数。如图5B所描绘的，函数520产生多个输出，这些输出可被提供给后续层的神经元，或者用作神经网络模型204的输出。例如，输出可对应于标签列表的索引值，或者可为用作后续函数的输入的计算值。
应当理解，所描绘的神经网络模型204和神经元550的结构和功能仅用于说明目的，并且存在其他合适的配置。例如，任何给定神经元的输出可不仅取决于由过去的神经元确定的值，而且取决于未来的神经元。
神经网络模型204可包括卷积神经网络(CNN)、深度学习神经网络、强化或加强学习模块或程序，或者在两个或更多个感兴趣的领域或方面中学习的组合学习模块或程序。可使用受监督和无监督机器学习技术。在受监督机器学习中，处理元件可设置有示例性输入及其相关联的输出，并且可试图发现将输入映射到输出的一般规则，使得当提供后续新型输入时，处理元件可基于所发现的规则准确地预测正确的输出。神经网络模型204可使用无监督机器学习程序来训练。在无监督机器学习中，处理元件可能需要在未标记的示例性输入中找到其自身的结构。机器学习可以涉及识别和辨识现有数据中的图案，以便有利于对后续数据进行预测。可基于示例性输入来创建模型，以便对新型输入进行有效且可靠的预测。
除此之外或另选地，可通过将样本数据集或某些数据诸如图像、对象统计和信息输入到程序中来训练机器学习程序。机器学习程序可使用深度学习算法，该深度学习算法可主要集中于图案识别，并且可在处理多个示例之后进行训练。机器学习程序可单独或组合地包括贝叶斯程序学习(BPL)、语音识别和合成、图像或物体识别、光学字符识别和/或自然语言处理。机器学习程序还可包括自然语言处理、语义分析、自动推理和/或机器学习。
基于这些分析，神经网络模型204可学习如何识别然后可应用于分析图像数据、模型数据和/或其他数据的特性和模式。例如，模型204可以学习识别一系列数据点中的特征。
图6示出了包括在神经网络模型204中的示例性神经网络600。神经网络600是自动编码器网络。神经网络600包括瓶颈层602，该瓶颈层相比于输入层604、输出层606和其他中间层608中的每一者具有更少的神经元550。瓶颈层602迫使神经网络600学习输入数据的特征。在此使用神经网络600作为示例，仅用于说明的目的。神经网络600可具有不同的配置，或者可以是不同类型的神经网络。
在操作中，沿时间维度的一系列数据点610被输入到输入层604中。从输出层606输出另一个系列的数据点612。该系列数据点612具有与该系列数据点610相同数量的数据点，但噪声和伪影减少。
在示例性实施方案中，神经网络600是无监督神经网络。无监督神经网络不需要大量标记的训练数据，这对于医学图像的采集，尤其是针对相同患者或相同应用而言可能具有挑战性。在神经网络600的训练期间，神经网络600采用一系列或多个系列的训练数据点作为输入并且输出一系列数据点。通过将由用户定义的损失函数减少至低于阈值水平来调节神经网络600。因为一系列数据点中的信号相比于噪声和伪影沿时间维度具有更高的相关性，所以神经网络600将信号分量与该系列数据点中的噪声和伪影分量分开。在一些实施方案中，神经网络600由医学图像的分析模型训练。分析模型可以是该系列医学图像或通过成像模态采集的原始数据的模型。例如，可使用模拟器诸如布洛赫模拟器或使用扩展相位图形方法在预定义的实验条件下模拟MR信号和/或图像。还可以使用指数模型来估计MR信号和/或图像。使用模拟MR信号和/或图像来训练神经网络600，代替原始k空间数据402和/或第一遍重建图像406(如图4A所示)。
仅出于说明目的，使用沿时间维度的一系列数据点610作为示例。该系列数据点610也可以是跨线圈的一系列数据点。例如，由多个线圈采集受检者的体积的一系列原始数据402。根据该系列原始数据402重建体积的一系列医学图像406、410。医学图像406、410中的特定像素的1D系列数据点610是跨多个线圈的该特定像素处的数据点。
在另一个示例中，医学图像406、410可被分割成多个区段，诸如前景、背景或特定器官，如肝脏。噪声和伪影的减少可单独地或仅针对一个或多个区段执行。
本文所述的工作站12以及噪声和伪影减少计算设备202、203可以是任何合适的计算设备800和在其中实现的软件。图7是示例性计算设备800的框图。在示例性实施方案中，计算设备800包括从用户接收至少一个输入的用户界面804。用户界面804可包括使得用户能够输入相关信息的键盘806。用户界面804还可包括例如指向设备、鼠标、触笔、触敏面板(例如，触摸板和触摸屏)、陀螺仪、加速度计、位置检测器和/或音频输入接口(例如，包括麦克风)。
此外，在示例性实施方案中，计算设备800包括向用户呈现信息诸如输入事件和/或验证结果的显示界面817。显示界面817还可包括联接到至少一个显示设备810的显示适配器808。更具体地，在示例性实施方案中，显示设备810可为可视显示设备，诸如阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)显示器和/或“电子墨水”显示器。另选地，显示界面817可包括音频输出设备(例如，音频适配器和/或扬声器)和/或打印机。
计算设备800还包括处理器814和存储器设备818。处理器814经由系统总线820联接到用户界面804、显示界面817和存储器设备818。在示例性实施方案中，处理器814与用户通信，诸如通过经由显示界面817提示用户和/或通过经由用户界面804接收用户输入。术语“处理器”通常是指任何可编程系统，包括系统和微控制器、精简指令集计算机(RISC)、复杂指令集计算机(CISC)、专用集成电路(ASIC)、可编程逻辑电路(PLC)以及能够执行本文所述功能的任何其他电路或处理器。以上示例仅是示例性的，并且因此不旨在以任何方式限制术语“处理器”的定义和/或含义。
在该示例性实施方案中，存储器设备818包括使信息诸如可执行指令和/或其他数据能够被存储和检索的一个或多个设备。此外，存储器设备818包括一个或多个计算机可读介质，诸如但不限于动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、固态盘和/或硬盘。在示例性实施方案中，存储器设备818存储但不限于应用程序源代码、应用程序对象代码、配置数据、附加输入事件、应用程序状态、断言语句、验证结果和/或任何其他类型的数据。在示例性实施方案中，计算设备800还可包括经由系统总线820联接到处理器814的通信接口830。此外，通信接口830通信地联接到数据采集设备。
在示例性实施方案中，处理器814可通过使用一个或多个可执行指令对操作进行编码以及在存储器设备818中提供可执行指令来编程。在示例性实施方案中，处理器814被编程用于选择从数据采集设备接收的多个测量结果。
在操作中，计算机执行体现在存储在一个或多个计算机可读介质上的一个或多个计算机可执行部件中的计算机可执行指令，以实现本文所述和/或所示的本发明的各方面。除非另外指明，否则本文所示和所述的本发明实施方案中的操作的执行或实施顺序不是必需的。即，除非另外指明，否则这些操作可以任何顺序执行，并且本发明的实施方案可包括比本文所公开的那些操作更多或更少的操作。例如，可以设想，在另一个操作之前、同时或之后执行或实施特定操作在本发明的各方面的范围内。
本文所述的系统和方法的至少一种技术效果包括(a)以降低的计算复杂度减少噪声和伪影；(b)患者专用的经过训练的神经网络；以及(c)与任何重建和后处理选项的兼容性。
上面详细描述了减少噪声和伪影的系统和方法的示例性实施方案。这些系统和方法不限于本文所述的特定实施方案，而是系统的部件和/或方法的操作可与本文所述的其他部件和/或操作独立地和分开地使用。此外，所描述的部件和/或操作也可在其他系统、方法和/或设备中限定，或与其他系统、方法和/或设备结合使用，并且不限于仅用本文所述的系统来实践。
尽管可在一些附图中，而不是在其他附图中示出本发明的各种实施方案的特定特征，但这仅是为了方便起见。根据本发明的原理，附图的任何特征可结合任何其他附图的任何特征来引用和/或要求保护。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

Claims (20)

1.一种减少医学图像中的噪声和伪影的计算机实现的方法，所述方法包括：
沿第一维度接收受检者的体积的一系列医学图像，其中所述医学图像包括信号、噪声和伪影，所述信号相比于所述噪声和所述伪影在所述第一维度上具有更高的相关性；
针对所述医学图像中的多个像素中的每一个像素，
基于所述系列医学图像沿所述第一维度导出一系列数据点；
将所述系列数据点输入到神经网络模型中，其中所述神经网络模型被配置为将所述系列数据点中的信号分量与所述系列数据点中的噪声和伪影分量分开；以及
输出所述系列数据点中的所述信号分量；以及
基于针对所述多个像素中的每一个像素的所述系列数据点中所输出的信号分量，生成一系列经过校正的医学图像。
2.根据权利要求1所述的方法，其中所述第一维度是时间维度。
3.根据权利要求1所述的方法，所述方法还包括：
接收通过成像模态采集的所述受检者体内的所述体积的一系列原始数据，其中所述系列原始数据沿所述第一维度；以及
重建所述系列原始数据以导出所述系列医学图像。
4.根据权利要求3所述的方法，其中所述系列原始数据包括由多个线圈采集的所述体积的多个原始数据，并且沿所述第一维度导出的所述系列数据点是所述多个线圈的特定像素处的数据点。
5.根据权利要求3所述的方法，所述方法还包括：
使用第一遍重建来重建所述系列原始数据以导出一系列第一遍重建图像；
针对所述第一遍重建图像中的多个像素中的每一个像素，通过基于所述系列第一遍重建图像沿所述第一维度导出一系列训练数据点，基于所述系列第一遍重建图像导出多个系列训练数据点；以及
使用所述多个系列训练数据点来训练所述神经网络模型。
6.根据权利要求5所述的方法，所述方法还包括用优选重建来重建所述系列原始数据以导出一系列优选的重建图像，其中所述系列优选的重建图像相比于所述系列第一遍重建图像具有更高的图像质量，其中：
导出一系列数据点还包括基于所述系列优选的重建图像，针对所述多个像素中的每一个像素沿所述第一维度导出所述系列数据点；以及
输入所述系列数据点还包括将所述系列数据点输入到经过训练的神经网络模型中。
7.根据权利要求3所述的方法，其中：
使用第一遍重建来重建所述系列原始数据以导出一系列第一遍重建图像；
导出一系列数据点还包括基于所述系列第一遍重建图像，针对所述多个像素中的每一个像素沿所述第一维度导出所述系列数据点；以及
输入所述系列数据点还包括将所述系列数据点输入到经过训练的神经网络模型中。
8.根据权利要求1所述的方法，其中所述神经网络模型是无监督神经网络模型。
9.根据权利要求8所述的方法，其中用一系列未标记的训练图像来训练所述神经网络模型。
10.根据权利要求8所述的方法，所述方法还包括用表示所述系列医学图像的分析模型来训练所述神经网络模型。
11.一种噪声和伪影减少系统，所述噪声和伪影减少系统包括噪声和伪影减少计算设备，所述噪声和伪影减少计算设备包括电联接到至少一个存储器设备的至少一个处理器，并且所述至少一个处理器被编程用于：
沿第一维度接收受检者的体积的一系列医学图像，其中所述医学图像包括信号、噪声和伪影，所述信号相比于所述噪声和所述伪影在所述第一维度上具有更高的相关性；
针对所述医学图像中的多个像素中的每一个像素，
基于所述系列医学图像沿所述第一维度导出一系列数据点；
将所述系列数据点输入到神经网络模型中，其中所述神经网络模型被配置为将所述系列数据点中的信号分量与所述系列数据点中的噪声和伪影分量分开；以及
输出所述系列数据点中的所述信号分量；以及
基于针对所述多个像素中的每一个像素的所述系列数据点中所输出的信号分量，生成一系列经过校正的医学图像。
12.根据权利要求11所述的系统，其中所述第一维度是时间维度。
13.根据权利要求11所述的系统，所述至少一个处理器被进一步编程用于：
接收通过成像模态采集的所述受检者体内的所述体积的一系列原始数据，其中所述系列原始数据沿所述第一维度；以及
重建所述系列原始数据以导出所述系列医学图像。
14.根据权利要求13所述的系统，其中所述系列原始数据包括由多个线圈采集的所述体积的多个原始数据，并且沿所述第一维度导出的所述系列数据点是所述多个线圈的特定像素处的数据点。
15.根据权利要求13所述的系统，所述至少一个处理器被进一步编程用于：
使用第一遍重建来重建所述系列原始数据以导出一系列第一遍重建图像；
针对所述第一遍重建图像中的多个像素中的每一个像素，通过基于所述系列第一遍重建图像沿所述第一维度导出一系列训练数据点，基于所述系列第一遍重建图像导出多个系列训练数据点；以及
使用所述多个系列的训练数据点来训练所述神经网络模型。
16.据权利要求15所述的系统，所述至少一个处理器被进一步编程用于：
用优选重建来重建所述系列原始数据以导出一系列优选的重建图像，其中所述系列优选的重建图像相比于所述系列第一遍重建图像具有更高的图像质量；
基于所述系列优选的重建图像，针对所述多个像素中的每一个像素沿所述第一维度导出所述系列数据点；以及
将所述系列数据点输入到经过训练的神经网络模型中。
17.根据权利要求13所述的系统，所述至少一个处理器被进一步编程用于：
使用第一遍重建来重建所述系列原始数据以导出一系列第一遍重建图像；
基于所述系列第一遍重建图像，针对所述多个像素中的每一个像素沿所述第一维度导出所述系列数据点；以及
将所述系列数据点输入到经过训练的神经网络模型中。
18.根据权利要求11所述的系统，其中所述神经网络模型是无监督神经网络模型。
19.根据权利要求18所述的系统，其中用一系列未标记的训练图像来训练所述神经网络模型。
20.根据权利要求18所述的系统，所述至少一个处理器被进一步编程用于用表示所述系列医学图像的分析模型来训练所述神经网络模型。
CN202110266828.1A 2020-03-24 2021-03-11 减少磁共振成像中的噪声和伪影的系统和方法 Active CN113450423B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/828,610 2020-03-24
US16/828,610 US11408954B2 (en) 2020-03-24 2020-03-24 Systems and methods of reducing noise and artifacts in magnetic resonance imaging

Publications (2)

Publication Number Publication Date
CN113450423A CN113450423A (zh) 2021-09-28
CN113450423B true CN113450423B (zh) 2025-01-03

Family

ID=77808991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110266828.1A Active CN113450423B (zh) 2020-03-24 2021-03-11 减少磁共振成像中的噪声和伪影的系统和方法

Country Status (2)

Country Link
US (1) US11408954B2 (zh)
CN (1) CN113450423B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TR202019736A2 (tr) * 2020-12-04 2022-06-21 Aselsan Elektronik Sanayi Ve Ticaret As Tespi̇t uygulamalari i̇çi̇n gürültü önleme metodu
US11808832B2 (en) * 2021-06-10 2023-11-07 GE Precision Healthcare LLC System and method for deep learning-based generation of true contrast images utilizing synthetic magnetic resonance imaging data
US20230341490A1 (en) * 2022-04-22 2023-10-26 GE Precision Healthcare LLC Systems and methods of noise reduction in magnetic resonance images
CN118365740B (zh) * 2024-06-20 2024-08-20 杭州励影光电成像有限责任公司 一种基于深度学习消除光声层析图像中伪影的方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
JP7246903B2 (ja) * 2017-12-20 2023-03-28 キヤノンメディカルシステムズ株式会社 医用信号処理装置
US10852379B2 (en) * 2018-06-07 2020-12-01 Siemens Healthcare Gmbh Artifact reduction by image-to-image network in magnetic resonance imaging
JP7282487B2 (ja) * 2018-06-07 2023-05-29 キヤノンメディカルシステムズ株式会社 医用画像診断装置
US10635943B1 (en) * 2018-08-07 2020-04-28 General Electric Company Systems and methods for noise reduction in medical images with deep neural networks
AU2019321607A1 (en) * 2018-08-15 2021-02-11 Hyperfine Operations, Inc. Deep learning techniques for suppressing artefacts in magnetic resonance images
EP3663785A1 (en) * 2018-12-07 2020-06-10 Koninklijke Philips N.V. Functional magnetic resonance imaging artifact removal by means of an artificial neural network
CN109658471B (zh) * 2018-12-20 2023-07-25 上海联影医疗科技股份有限公司 一种医学图像重建方法和系统
US10712416B1 (en) * 2019-02-05 2020-07-14 GE Precision Healthcare, LLC Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network
US11026642B2 (en) * 2019-03-29 2021-06-08 Canon Medical Systems Corporation Apparatuses and a method for artifact reduction in medical images using a neural network
US11100684B2 (en) * 2019-07-11 2021-08-24 Canon Medical Systems Corporation Apparatus and method for artifact detection and correction using deep learning
US12000918B2 (en) * 2019-10-25 2024-06-04 Washington University Systems and methods of reconstructing magnetic resonance images using deep learning
US11259770B2 (en) * 2019-11-14 2022-03-01 GE Precision Healthcare LLC Methods and systems for noise reduction in x-ray imaging
US11341616B2 (en) * 2020-03-23 2022-05-24 Ge Precision Healthcare Methods and system for selective removal of streak artifacts and noise from images using deep neural networks

Also Published As

Publication number Publication date
CN113450423A (zh) 2021-09-28
US20210302525A1 (en) 2021-09-30
US11408954B2 (en) 2022-08-09

Similar Documents

Publication Publication Date Title
CN113450423B (zh) 减少磁共振成像中的噪声和伪影的系统和方法
US12125175B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
CN111542853B (zh) 数据采集期间的运动伪影预测
US11023785B2 (en) Sparse MRI data collection and classification using machine learning
US12000918B2 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
US11346912B2 (en) Systems and methods of generating robust phase images in magnetic resonance images
CN116368520A (zh) 用于医学成像的顺序分布外检测
US12272034B2 (en) Systems and methods for background aware reconstruction using deep learning
WO2021228515A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
US11280868B2 (en) Image enhancement with variable number of excitation (NEX) acquisitions accelerated using compressed sensing
EP4019996A1 (en) Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images
EP3825711A1 (en) Hybrid compressed sensing image reconstruction
CN113327224B (zh) 自动视场（fov）界定的系统和方法
EP4227702A1 (en) Artificial intelligence for end-to-end analytics in magnetic resonance scanning
US11756197B2 (en) Systems and methods of processing magnetic resonance images using phase-sensitive structural similarity index measure
US12118720B2 (en) Systems and methods of magnetic resonance image processing using neural networks having reduced dimensionality
US20240410966A1 (en) Systems and methods of artifact reduction in magnetic resonance images
US20230341490A1 (en) Systems and methods of noise reduction in magnetic resonance images
US20250093448A1 (en) Artificial intelligence-based magnetic resonance sequence
CN116579377A (zh) 用于磁共振扫描中的端到端分析的人工智能
CN119104968A (zh) 用于减少磁共振成像中的运动伪影的系统和方法
WO2023186609A1 (en) Deep learning based denoising of mr images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant