[go: up one dir, main page]

CN114487964A - 基于深度学习的磁共振成像（mri）检查加速 - Google Patents

基于深度学习的磁共振成像（mri）检查加速 Download PDF

Info

Publication number
CN114487964A
CN114487964A CN202111251351.6A CN202111251351A CN114487964A CN 114487964 A CN114487964 A CN 114487964A CN 202111251351 A CN202111251351 A CN 202111251351A CN 114487964 A CN114487964 A CN 114487964A
Authority
CN
China
Prior art keywords
space
data
mri
deep learning
subject
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.)
Pending
Application number
CN202111251351.6A
Other languages
English (en)
Inventor
S·查特吉
D·尚巴格
S·乔尔
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 CN114487964A publication Critical patent/CN114487964A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
    • 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
    • G01R33/4818—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
    • 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
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • 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
    • G01R33/5619—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 by temporal sharing of data, e.g. keyhole, block regional interpolation scheme for k-Space [BRISK]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明提供了用于基于深度学习的磁共振成像(MRI)检查加速的系统和方法。所述基于深度学习(DL)的磁共振成像(MRI)检查加速的方法包括采集受试者的至少一个完全采样的参考k‑空间数据并采集所述受试者的多个部分k‑空间。所述方法还包括将所述多个部分k‑空间与所述至少一个完全采样的参考k‑空间数据进行嫁接，以生成嫁接的k‑空间用于加速检查。所述方法还包括使用所述完全采样的参考k‑空间数据和所述嫁接k‑空间来训练深度学习(DL)模块以去除嫁接伪影。

Description

基于深度学习的磁共振成像(MRI)检查加速
技术领域
本公开的实施方案整体涉及改进的成像系统，并且更具体地讲涉及基于深度学习的磁共振成像(MRI)检查加速。
背景技术
磁共振成像(MRI)系统用于医学成像领域，以采集受试者人体(下文称为受试者)的解剖部分的图像数据。若干图像处理技术是可商购获得的，以从由MRI系统采集的图像数据生成具有改善质量的图像。虽然通过这些图像处理技术产生的图像具有良好的质量，但许多图像受到MRI系统的操作条件和受试者运动的不利影响。
成像伪影或MRI伪影是在扫描期间产生的不利地影响图像质量的成像缺陷。这些伪影通常在成像期间由受试者或受试者器官诸如心脏、肺、血管的运动产生。这些伪影被称为运动伪影。另外，由于受试者器官的运动，在长MRI扫描期间获得的后续图像可不同于相同受试者的先前图像。这些和其他缺陷在由放射科医生分析图像期间造成挑战。
不同的图像采集和处理技术在本领域中是已知的，以使伪影最小化。加速MRI检查是已示出图像伪影的实质性改善的技术。MRI检查中的扫描时间缩短主要集中在加速来自扫描期间获得的不同图像的每次对比。在当前方法中，MRI加速通过对原始数据空间进行欠采样并在同一位置中共享来自另一协议(或对比)采集的信息来获得。通过诸如零填充和压缩感测的技术重建的MRI图像具有如结构伪影、缺失结构和模糊的缺陷。
在改善图像质量的不同方法中，深度学习(DL)算法是用于计算机辅助检测和诊断受试者的医学病症的医学成像领域中所用的经训练算法。包含DL算法的DL模块通常用若干MRI图像进行训练，并且可使用DL模块来分析受试者的后续MRI图像以识别图像图案。通过当前可用的深度学习(DL)技术可能无法克服诸如缺失结构和模糊的伪影。在深度学习(DL)技术克服这些伪影的情况下，这是由于由DL模块进行数据合成而不是由于伪影去除。
现有技术需要很长时间进行多次对比MR检查，并且不通过有效处理来使用数据冗余。需要一种MRI检查加速技术，其将在单次检查中快速地为多次对比提供高分辨率图像。
发明内容
本发明内容介绍了在具体实施方式中更详细描述的概念。其不应当用于确定要求保护的主题的基本特征，也不应当用于限制要求保护的主题的范围。其唯一目的是以简化形式呈现概念，作为稍后呈现的更详细描述的序言。
根据本公开的一个方面，提供了一种用于磁共振成像(MRI)检查加速的方法。该方法包括采集受试者的至少一个完全采样的参考k-空间数据并采集受试者的多个部分k-空间。该方法还包括将多个部分k-空间与至少一个完全采样的参考k-空间数据进行嫁接，以生成嫁接的k-空间用于加速检查。
根据本公开的另一方面，提供了一种用于基于深度学习(DL)的磁共振成像(MRI)检查加速的方法。该方法包括采集受试者的至少一个完全采样的参考k-空间数据并采集受试者的多个部分k-空间。该方法还包括将受试者的部分k-空间与完全采样的参考k-空间数据进行嫁接，以生成嫁接的k-空间用于加速检查。该方法还包括使用完全采样的参考k-空间数据和嫁接的k-空间来训练深度学习(DL)模块以预测并去除嫁接伪影。
根据本公开的另一方面，提供了磁共振成像(MRI)系统。磁共振成像(MRI)系统包括至少一个射频(RF)主体线圈，该射频主体线圈适于向受试者发射射频(RF)信号以及从受试者接收射频(RF)信号。MRI系统还包括收发器模块，该收发器模块被构造成将由射频(RF)主体线圈接收的信号数字化。MRI系统还包括控制系统，该控制系统被构造成处理数字化的信号并生成对应于受试者的成像体积的k-空间数据，其中该MRI系统被构造成采集受试者的至少一个完全采样的参考k-空间数据和受试者的多个部分k-空间。MRI系统还包括计算机处理器，该计算机处理器被构造成将部分k-空间与完全采样的参考k-空间数据进行嫁接，以生成嫁接的k-空间用于加速检查。
附图说明
当参考附图阅读详细描述中的以下非限制性实施方案时，将更好地理解本公开的实施方案的这些和其他特征，其中下文：
图1示出了根据本公开的一个方面的磁共振成像(MRI)系统的示例性实施方式。
图2示出了根据本公开的一个方面的用于加速MRI图像检查的k-空间嫁接的方法。
图3示出了根据本公开的一个方面的MRI图像的伪影校正的方法。
图4示出了根据本公开的一个方面的用于预测伪影的使用双输入信道训练的深度学习模块。
图5示出了根据本公开的一个方面的示例性k-空间嫁接的MRI图像。
图6示出了根据本公开的一个方面的由DL模块生成的完全采样的参考图像、嫁接的图像和伪影校正图像。
图7示出了根据本公开的一个方面的通过磁共振成像(MRI)系统进行的示例性加速检查。
图8示出了根据本公开的一个方面的不具有由DL模块生成的伪影的示例性嫁接的图像。
图9示出了根据本公开的一个方面的基于深度学习的磁共振成像(MRI)检查加速的方法。
具体实施方式
示例性实施方案的以下详细描述参照附图。不同附图中的相同参考标号标识相同或类似的元件。另外，附图未必按比例绘制。另外，以下具体实施方式不限制本发明。相反，本发明的范围由所附权利要求限定。
说明书通篇提及的“一个实施方案”或“另一个实施方案”或“一些实施方案”意指结合实施方案描述的特征、结构或特性包括在所公开的主题的至少一个实施方案中。因此，在说明书通篇的多处出现的短语“在一个实施方案中”或“在一实施方案中”或“在一些实施方案中”不一定是指相同的实施方案。另外，特征、结构或特性可在一个或多个实施方案中以任何合适的方式组合。
本公开提供了一种基于深度学习(DL)的磁共振成像(MRI)检查加速的方法。该方法包括采集受试者的至少一个完全采样的参考k-空间数据并采集受试者的多个部分k-空间。该方法将部分k-空间与完全采样的参考k-空间数据进行嫁接以生成嫁接的k-空间用于加速检查。该方法还包括使用完全采样的参考k-空间数据和嫁接的k-空间来训练深度学习(DL)模块以预测并去除嫁接伪影。
医学成像装置诸如磁共振成像(MRI)系统生成表示身体部位(例如，器官、组织)的图像以诊断和治疗疾病。医学图像数据的传输、采集、处理、分析和存储对医疗保健环境中患者的诊断和治疗起着重要作用。
本文所述的方法、装置和制品可以应用于多种医疗保健系统和非医疗保健系统。在一个示例中，本文所述的方法、装置和制品可应用于磁共振成像(MRI)系统的部件、配置和操作。图1示出了本文所公开的方法、装置和制品可应用于其中的磁共振成像(MRI)系统的示例性实施方式。
现在将参考附图以举例的方式描述本公开的实施方案，其中图1是磁共振成像(MRI)系统(10)的示意图。系统(10)的操作可以从操作者控制台(12)进行控制，该操作者控制台包括输入装置(13)、控制面板(14)和显示屏(16)。输入装置(13)可为鼠标、操纵杆、键盘、跟踪球、触摸致动屏、光棒、语音控制器和/或其他输入装置。输入装置(13)可用于交互式几何形状指定。控制台(12)通过链路(18)与计算机系统(20)通信，该计算机系统使得操作者能够控制显示屏(16)上的图像的产生和显示。链路(18)可以是无线或有线连接。计算机系统(20)可包括通过背板(20a)彼此通信的模块。计算机系统(20)的模块可包括例如图像处理器模块(22)、中央处理单元(CPU)模块(24)和存储器模块(26)，该存储器模块可包括用于存储图像数据阵列的帧缓冲器。计算机系统(20)可联接到档案媒体设备、永久或备份存储器或用于存储图像数据和程序的网络，并且通过高速信号链路(34)与MRI系统控件(32)通信。MRI系统控件(32)可与计算机系统(20)分开或与其集成。计算机系统(20)和MRI系统控件(32)共同形成“MRI控制器”(33)或“控制器”。
在示例性实施方案中，MRI系统控件(32)包括由底板(32a)连接的模块。这些模块包括CPU模块(36)以及脉冲发生器模块(38)。CPU模块(36)通过数据链路(40)连接到操作者控制台(12)。MRI系统控件(32)通过数据链路(40)接收来自操作者的命令以指示待执行的扫描序列。CPU模块(36)操作系统部件以执行期望的扫描序列，并且生成指示所产生RF脉冲的定时、强度和形状以及数据采集窗口的定时和长度的数据。CPU模块(36)连接到由MRI控制器(32)操作的部件，包括控制梯度放大器(42)、生理采集控制器(PAC)(44)和扫描室接口电路(46)的脉冲发生器模块(38)。
在一个示例中，CPU模块(36)从生理采集控制器(44)接收患者数据，该生理采集控制器从连接到受试者的传感器接收信号，诸如从附接到患者的电极接收的ECG信号。CPU模块(36)经由扫描室接口电路(46)接收来自传感器的与患者和磁体系统的状况相关联的信号。扫描室接口电路(46)还使得MRI控制器(33)能够命令患者定位系统(48)将患者移动到用于扫描的期望位置。
全身RF线圈(56)用于将波形朝向受试者解剖结构传输。全身RF线圈(56)可以为身体线圈(如图1所示)。RF线圈也可以为局部线圈，其可以放置成比身体线圈更靠近受试者解剖结构。RF线圈(56)可为表面线圈。包含接收通道的表面线圈可用于从受试者解剖结构接收信号。典型的表面线圈将具有八个接收通道；然而，不同数量的通道是可能的。已知使用身体线圈(56)和表面线圈两者的组合来提供更好的图像质量。
脉冲发生器模块(38)可操作梯度放大器(42)以实现扫描期间产生的梯度脉冲的所需定时和形状。由脉冲发生器模块(38)产生的梯度波形可应用于具有Gx、Gy和Gz放大器的梯度放大器系统(42)。每个梯度放大器在梯度线圈组件(50)中激发相应的物理梯度线圈，以产生用于空间编码所采集信号的磁场梯度。梯度线圈组件(50)可形成磁体组件(52)的一部分，该磁体组件还包括极化磁体(54)(在操作中，该极化磁体在被磁体组件(52)包围的整个目标空间(55)中提供纵向磁场B0)和全身RF线圈(56)(在操作中，该线圈提供横向磁场B1，该横向磁场在整个目标空间(55)中大致垂直于B0)。MRI系统控件(32)中的收发器模块(58)产生脉冲，该脉冲被RF放大器(60)放大并且通过发射/接收开关(62)耦接到RF线圈(56)。由受试者解剖结构中的受激核发射的所得信号可由接收线圈(未示出)感测并通过发射/接收开关(62)提供给前置放大器(64)。放大的MR信号在收发器(58)的接收器部分中被解调、滤波和数字化。发射/接收开关(62)由来自脉冲发生器模块(38)的信号控制，以在发射模式期间将RF放大器(60)电连接到线圈(56)，并且在接收模式期间将前置放大器(64)连接到接收线圈。
通过收发器模块(58)将由目标的激励产生的MR信号数字化。MR系统控件(32)然后通过傅里叶变换处理数字化的信号以产生k-空间数据，该k-空间数据经由MRI系统控件(32)传输到存储器模块(66)或其他计算机可读介质。“计算机可读介质”可包括例如被配置成使得电、光或磁状态可通过常规计算机以可感知和可再现的方式固定的结构(例如，印刷到纸张或显示在屏幕、光盘或其他光学存储介质上的文本或图像、“闪存”存储器、EEPROM、SDRAM或其他电存储介质；软盘或其他磁盘、磁带或其他磁存储介质)。
当在计算机可读介质(66)中采集到原始k-空间数据的阵列时，扫描完成。对于每个要重建的图像，该原始k-空间数据被重新布置成单独的k-空间数据阵列，并且这些k-空间数据阵列中的每一个被输入到阵列处理器(68)，该阵列处理器操作以使用重建算法诸如傅里叶变换将数据重建成图像数据的阵列。当获得完整的k-空间数据时，其表示受试者身体的整个体积，并且如此获得的k-空间可被称为参考k-空间。类似地，当仅获得中心k-空间数据时，图像可被称为中心k-空间。该图像数据通过数据链路(34)传送到计算机系统(20)，并存储在存储器中。响应于从操作者控制台(12)接收到的命令，该图像数据可归档在长期存储装置中，或者可由图像处理器(22)进一步处理并且传送到操作者控制台(12)，并且呈现在显示器(16)上。
根据本公开的一个方面，图2示出了将部分k-空间(220)与完全采样的参考k-空间数据(210)进行嫁接以获得加速图像(230)的方法(200)。MRI扫描的持续时间可从几分钟延长至若干分钟。因为MRI扫描涉及在每次扫描期间采集整个k-空间(210)，因此在最短时间内采集图像对于加速检查是至关重要的。根据本公开的一个方面，k-空间(220)可分成k-空间(220)的中心部分(221)和k-空间(220)的周边部分(222)。在图像参数中，k-空间的中心部分(221)确定图像对比度和图像的亮度；并且k-空间的周边部分(222)确定图像(220)的边缘的质量。传统上，MRI检查由采集受试者的多次对比或图像(220)组成，并且加速MRI检查集中在加速每次对比。
根据本公开的一个方面，可在扫描开始时获得完全采样的参考k-空间数据(210)。参考数据的采集可包括整个k-空间(210)的采集。该完全采样的参考k-空间数据(210)可被存储以供将来参考并且在整个扫描中使用。这也被称为完全采样的图像(210)。需要减少完全采样的参考k-空间数据(210)的采集时间以更快地成像。对于加速检查，可仅采集仅代表整个k-空间(220)的一部分的部分k-空间(221)或k-空间的中心部分，而不是采集完整的k-空间(220)。在后续扫描期间仅采集部分k-空间(221)而不是整个k-空间(220)加速了图像采集过程。在后续扫描期间采集的部分k-空间(221)可与完全采样的参考数据(210)的外部k-空间进行嫁接。以这种方式，可在MRI检查的另一阶段期间共享来自参考k-空间数据(210)的结构信息，而不损害对比度。通过将部分k-空间(221)与来自参考数据(210)的外部k-空间进行嫁接，可获得完整的k-空间数据(230)-部分k-空间(221)与参考外部k-空间数据(210)的嫁接提供了加速检查，该加速检查增加了扫描吞吐量并减少了较长扫描期间的伪影。
根据如图3所示的本公开的一个方面，公开了一种MRI图像的伪影校正的方法(300)。可在由深度学习(DL)模块处理k-空间数据之前采用嫁接的操作。嫁接过程可生成伪影，诸如可使用根据本公开的一个方面的深度学习网络来去除的尖锐高频伪影。
深度学习是采用表示学习方法的一类机器学习技术，其允许机器被给予原始数据并且确定数据分类所需的表示。深度学习使用反向传播算法探知数据集中的结构。深度学习机器可利用多种多层架构和算法。例如，虽然机器学习涉及识别要用于训练网络的特征，但深度学习可处理原始数据来识别感兴趣的特征而无需外部识别。
神经网络环境中的深度学习包括许多称为神经元的互连节点。由外部来源激活的输入神经元基于受机器操作条件控制的与其他神经元的连接来激活这些其他神经元。神经网络以基于其自身序列的一定方式起作用。学习改善机器输出，并且改善网络中的各神经元之间的连接，使得神经网络以期望方式起作用。
利用卷积神经网络的深度学习使用卷积滤波器来分割数据以定位并且识别数据中学习到的可观测特征。CNN架构的每个滤波器或层变换输入数据以增加数据的选择性和不变性。数据的该抽象化允许机器集中在数据中机器尝试分类的特征并且忽略不相关的背景信息。
深度学习的操作建立在许多数据集包括高级特征和低级特征这一理解上。例如，在高水平下，当检查图像时，并不查找对象，更有效的做法是查找边缘，边缘形成模体，模体形成部分，部分形成要寻找的对象。特征的这些层次可见于许多不同形式的数据，诸如语音和文本。
学习到的可观测特征包括机器在监督学习期间学习到的对象和可量化正则性。与未经连续训练以对数据进行分类的传统算法相比，在新数据的成功分类中，设置有一组较大的良好分类数据的机器更好地被装备成用于区分和提取特征。
利用迁移学习的深度学习机器可将数据特征正确地连接到由人类专家确认的某些分类。相反，同一机器可在人类专家告知分类错误时更新用于分类的系统。例如，可通过学习到的设置和/或其他配置信息的使用来引导设置和/或其他配置信息，并且当系统被使用更多次(例如，反复使用和/或由多个用户使用)时，对于给定情况而言，可减少设置和/或其他配置信息的变化和/或其他可能性的数量。
例如，可使用专家分类数据集来训练示例性深度学习神经网络。该数据集构建了神经网络，并且是监督学习阶段。在监督学习阶段期间，可测试神经网络是否已实现期望的行为。
一旦已实现期望的神经网络行为(例如，机器经过训练以根据指定阈值来操作等)，就可部署机器以便使用(例如，使用“真实”数据来测试机器等)。在操作期间，可(例如，由专家用户、专家系统、参考数据库等)确认或拒绝神经网络分类以继续改善神经网络行为。然后示例性神经网络处于迁移学习状态，因为确定神经网络行为的分类条件是基于正在进行的交互来更新。在某些示例中，神经网络可向可连接到神经网络的医疗保健机构中的患者的其他检查过程提供直接反馈。在某些示例中，神经网络输出的数据先经过缓冲(例如经由云等)和验证，再提供给另一个过程。
使用卷积神经网络(CNN)的深度学习机器可用于图像分析。CNN分析的阶段可用于自然图像中的面部识别、计算机辅助诊断(CAD)等。
医学图像数据可使用成像模式诸如磁共振成像(MRI)来采集。医学图像质量通常不受产生图像的机器的影响，而受患者的影响。例如，患者在MRI期间移动可形成模糊或畸变图像，从而可妨碍准确诊断。
在不考虑质量的情况下解释医学图像仅仅是最近的发展。医学图像大部分由医师解释，但这些解释可能带有主观性，受到医师在本领域中的经验和/或疲劳状况的影响。经由机器学习的图像分析可有助于提高医疗保健从业者的工作流程的效率。
例如，深度学习机器可提供计算机辅助检测支持以在图像质量和分类方面改进其图像分析。然而，当应用于医疗领域时由深度学习机器所面临的问题通常会引起许多错误分类。例如，深度学习机器需要克服小型训练数据集和重复调整。
例如，深度学习机器在经过最少训练的情况下可用于确定医学图像的质量。半监督和无监督深度学习机器可用于定量测量图像的质量方面。例如，可在已采集图像之后利用深度学习机器来确定图像的质量是否足以用于诊断。监督深度学习机器可也用于计算机辅助诊断。例如，监督学习可有助于减少错误分类敏感性。这些深度学习机器可随时间推移通过训练和迁移学习来改进计算机辅助诊断。
根据如图3所示的本公开的一个方面，可采集包含整个k-空间数据的完全采样的参考k-空间数据(310)，并且可采集仅包含部分k-空间的加速图像。此外，加速的部分k-空间可与完全采样的参考k-空间数据(310)进行嫁接以生成加速图像数据(320)。加速图像数据(320)和完全采样的参考k-空间数据(310)可输入到伪影预测网络(330)。伪影预测网络(330)可以为深度学习(DL)网络。根据本公开的一个方面，伪影预测网络(330)可采用双正则化和自适应智能损失函数(331)。伪影预测网络(330)可使用智能损失函数(331)来预测嫁接伪影。预测该嫁接伪影包括使用智能损失函数(331)将嫁接的数据(320)与完全采样的参考k-空间数据(310)进行比较。提供作为附加通道的完全采样的参考k-空间数据(310)连同嫁接的数据(320)并通过双正则化自适应损失函数处理这些图像可更准确地预测嫁接伪影。可由使用完全采样的参考k-空间数据(310)和嫁接的数据(320)的DL模块来去除尖锐高频伪影。这些伪影可不由仅使用嫁接的数据(320)训练的DL模块去除。
在计算开始时，在常规DL模块中使用的损失函数将固定权重分配给正则化项。然而，根据本公开的一个方面的智能损失函数是动态智能损失函数，该动态智能损失函数可被构造成随着训练进行基于正则化项的相关性来改变分配给正则化项的权重。在一个示例中，基于每个时期之后的训练损失来调制损失项的正则化权重。传递函数可被伪影预测网络采用以决定损失函数分量的正则化权重。损失函数分量可包括结构相似性指数量度(SSIM)损失、感知(例如，基于潜在特征的)损失、平均绝对误差(MAE)损失，其可随着训练进行而动态调整以获得更好的图像质量。
在一个示例中，开始时SSIM的较高使用可导致MR图像中的细小带状伪影。然而，使用根据本公开的一个方面的动态正则化方法可通过训练来控制SSIM在损失函数中的作用。随着预测越来越接近地面真值，可对SSIM产生更多权重。此外，每个时期之后的正则化项权重可由传递函数更新。在本公开的一个示例性实施方案中，智能损失函数计算可基于以下公式：
Figure BDA0003320832260000101
可基于预测的残差计算MAE，并且可在地面真值和伪影校正图像之间计算SSIM。正则化项的权重α可根据MAE和SSIM值在每个时期之后更新。随着预测越来越接近地面真值，可增加SSIM损失的权重。此外，使用者可决定SSIM的权重多久开始增加。根据本公开的动态正则化方法，可使用以下公式动态地调整正则化项(α)的权重：
Figure BDA0003320832260000102
其中
Figure BDA0003320832260000111
为比率偏移项，其决定曲线的性质以获得对应于rm的α值。R值越高指示SSIM的作用越大。
本公开的方法加速MRI检查，因此使用该方法节省的时间可用于获得多次对比的较高分辨率图像。该方法可更有效地采集高分辨率数据用于多次对比。根据本公开的一个方面，图4示出了用于预测伪影的使用双输入通道训练的深度学习(DL)模块。可仅使用嫁接的数据(401)并使用完全采样的参考k-空间数据(402)和嫁接的数据(双输入)(401)两者来训练DL模块以分析和预测(403)DL模块的伪影去除效率。可以看出，当提供双输入时，通过DL模块去除伪影得到改善。可以看出，在双输入模型的情况下，输出的视觉信息保真度(VIF)和结构相似度指数度量(SSIM)得到改善。
模型 VIF平均值 VIF标准差 pSNR平均值 pSNR标准差 SSIM平均值 SSIM标准差
双输入 0.672 0.032 36.325 2.099 0.962 0.042
单输入 0.659 0.045 35.554 2.157 0.957 0.051
根据本公开的一个方面，图5示出了可获得的完全采样的参考k-空间数据(510)和部分k-空间(520)。部分k-空间(520)可与完全采样的参考k-空间数据(510)进行嫁接以获得嫁接的k-空间(530)。根据本公开的一个方面，如果部分k-空间(520)具有伪影(521)，则使用部分k-空间(520)训练的深度学习模块可能不能识别这些伪影(521)。在一个示例中，如果存在于如图5所示的部分k-空间(520)中的伪影诸如模糊(521)用于训练DL模块，则DL模块可不识别可呈现给DL模块以供比较的所有图像的这些图像伪影(521)。由于仅使用具有伪影(521)的部分k-空间(520)来训练DL模块，所以图像的结构完整性可能损失。
根据本公开的一个方面，当部分k-空间(520)与完全采样的参考k-空间数据(510)进行嫁接时，嫁接的数据(530)具有改善的结构完整性并且不具有欠采样伪影(521)。在部分k-空间(520)中存在伪影(521)的情况下，DL模块可能不能恢复完整的结构完整性。然而，即使对于更高水平的加速，嫁接也使得DL校正成为可能。因此，嫁接过程可去除伪影(521)以提供具有改善的图像质量的数据(530)。
根据本公开的一个方面，图6示出了使用MRI系统获得的图像数据的示例。该数据可包括完全采样的参考k-空间数据(610)、嫁接的数据(620)和伪影校正数据(630)，该伪影校正数据由使用完全采样的参考k-空间数据(610)和嫁接的数据(620)训练的DL模块生成。可以看出，嫁接的数据(620)可具有嫁接伪影，并且如果DL模块仅使用嫁接的数据(620)训练，则DL模块可能不能在对呈现给DL模块的后续图像的进一步分析期间检测这些伪影。根据本公开的一个方面，当使用完全采样的参考k-空间数据(610)和嫁接的数据(620)训练DL模块时，可去除嫁接伪影诸如尖锐高频伪影以生成经伪影校正的数据(630)。
根据本公开的一个方面，图7示出了通过磁共振成像(MRI)系统进行的加速检查的示例。使用示例性MRI系统采集完全采样的参考k-空间数据(710)可需要大约至多六分钟三十五秒。该数据(710)可以用作参考k-空间数据以表示地面真值。部分k-空间(720)仅表示根据本公开的一个方面采集的中心k-空间。在一个示例中，部分k-空间(720)可在大约三分十八秒内采集。该部分k-空间(720)和随后获得的k-空间可与存储在计算机存储器上的完整k-空间数据进行嫁接以获得嫁接的k-空间(720)。类似地，可使用部分采集的k-空间数据并将该部分k-空间数据与参考k-空间数据进行嫁接以生成加速的k-空间数据(730)来获得加速的k-空间(730)。获得该嫁接的图像所需的大致时间可为至多两分钟十三秒。采集MR图像所需的时间的改善对图像质量具有显著影响。图像采集的较短持续时间使由患者器官诸如肺、心脏和血管的移动引起的运动伪影最小化。根据本公开的一个方面的MR成像的加速减少了k-空间数据处理中的数据冗余。多次对比的高分辨率各向同性图像可以减少的净成像时间在单次检查中获得。
根据本公开的一个方面，图8示出了不具有由DL模块生成的伪影的示例性嫁接的图像(820)，该DL模块使用完全采样的参考k-空间数据和嫁接的数据两者进行训练。如图8所示，嫁接的数据(820)示出了嫁接伪影的去除和减少的图像采集时间。根据本公开的方法不仅加速MR成像，而且允许通过采集多次对比的高分辨率数据来生成高质量图像。嫁接允许为DL模块保留足够结构以校正加速数据，并且在整个分割和应用过程中提供容易的可扩展性。
根据本公开的一个方面，图9示出了基于深度学习(DL)的磁共振成像(MRI)检查加速的方法(900)。方法(900)包括使用磁共振成像(MRI)系统采集(910)受试者的至少一个完全采样的参考k-空间数据。方法(900)还包括通过MRI系统采集(920)受试者的多个加速部分k-空间。方法(900)还包括将部分k-空间与完全采样的参考k-空间数据进行嫁接(930)以生成嫁接的k-空间以用于受试者的加速检查。嫁接(930)的过程可在由DL模块处理部分k-空间之前采用。根据本公开的一个方面，嫁接(930)过程可生成可使用深度学习网络去除的伪影诸如尖锐高频伪影。方法(900)还包括使用完全采样的参考k-空间数据和嫁接的数据来训练(940)深度学习(DL)模块以去除嫁接伪影。
根据本公开的一个方面，训练(940)深度学习(DL)模块可包括将嫁接的k-空间和参考k-空间输入到伪影预测网络。伪影预测网络可以为深度学习(DL)网络。根据本公开的一个方面，伪影预测网络可采用双正则化和自适应智能损失函数。伪影预测网络可使用智能损失函数来预测嫁接伪影。预测嫁接伪影包括使用智能损失函数将嫁接的图像与完全采样的图像进行比较。提供作为附加通道的完全采样的参考k-空间数据连同嫁接的数据并通过双正则化自适应智能损失函数处理这些图像可准确地预测嫁接伪影。可由使用完全采样的k-空间数据和嫁接的数据的DL模块去除尖锐高频伪影。这些伪影可不通过仅使用嫁接的数据训练的DL模块来去除。
在常规DL模块中使用的损失函数在计算开始时将固定权重分配给正则化项。然而，根据本公开的一个方面的智能损失函数是动态的，并且被构造成随着训练进行，基于正则化项的相关性来改变分配给正则化项的权重。在一个示例中，可基于每个时期之后的训练损失来调制损失项的正则化权重。传递函数可被伪影预测网络采用以决定损失函数分量的正则化权重。损失函数分量可包括结构相似性指数量度(SSIM)损失、感知(例如，基于潜在特征的)损失、平均绝对误差(MAE)损失，其可随着训练进行动态调整以获得更好的图像质量。
在一个示例中，开始时SSIM的较高使用可导致MR图像中的细小带状伪影。然而，使用根据本公开的一个方面的动态正则化方法可通过训练来控制SSIM在损失函数中的作用。随着预测越来越接近地面真值，可对SSIM产生更多权重。此外，每个时期之后的正则化项权重可由传递函数更新。智能损失函数计算可基于以下公式：
Figure BDA0003320832260000141
可基于预测的残差计算MAE，并且可在地面真值和伪影校正图像之间计算SSIM。正则化项的权重α可根据MAE和SSIM值在每个时期之后更新。随着预测越来越接近地面真值，可增加SSIM损失的权重。此外，使用者可决定SSIM的权重多久开始增加。根据本公开的动态正则化方法，可使用以下公式动态地调整正则化项(α)的权重：
Figure BDA0003320832260000142
其中
Figure BDA0003320832260000143
为比率偏移项，其决定曲线的性质以获得对应于rm的α值。R值越高指示SSIM的作用越大。
本公开的方法(900)不仅加速MRI检查，而且还为图像提供改善的分辨率。该方法(900)可更有效地采集高分辨率数据用于多次对比。根据本公开的一个方面，使用双输入通道训练的深度学习(DL)模块可具有比使用单通道图像训练的DL模块更好的伪影预测能力。可仅使用嫁接的数据(单输入)并使用参考数据和嫁接的数据(双输入)两者来训练DL模块以分析和预测DL模块的伪影去除效率。可以看出，当提供双输入时，通过DL模块去除伪影得到改善。可以看出，在双输入模型的情况下，输出的视觉信息保真度(VIF)和结构相似度指数度量(SSIM)得到改善。
该书面描述使用示例来公开本发明，包括最佳模式，并且使本领域技术人员能够实践本发明，包括制造和使用任何计算系统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)

1.一种磁共振成像(MRI)检查加速的方法，所述方法包括：
采集受试者的至少一个完全采样的参考k-空间数据；
采集所述受试者的多个部分k-空间；以及
将所述多个部分k-空间与所述至少一个完全采样的参考k-空间数据进行嫁接，以生成嫁接的k-空间数据用于加速检查。
2.根据权利要求1所述的方法，其中所述MRI系统的后续扫描包括仅采集所述受试者的所述部分k-空间，并且将所述部分k-空间与所述完全采样的k-空间数据进行嫁接以生成所述嫁接的k-空间数据用于加速检查。
3.根据权利要求1所述的方法，其中将所述部分k-空间与所述完全采样的参考k-空间数据进行嫁接包括从所述至少一个完全采样的参考k-空间数据嫁接所述部分k-空间中的缺失结构信息。
4.根据权利要求1所述的方法，其中将所述部分k-空间与所述完全采样的k-空间数据进行嫁接在对所述嫁接的数据进行基于深度学习(DL)模块的重建之前执行。
5.根据权利要求4所述的方法，其中在对所述嫁接的数据进行所述基于深度学习(DL)模块的重建之前，将所述部分k-空间与所述完全采样的k-空间数据进行嫁接向所述深度学习(DL)模块提供结构信息以校正嫁接伪影。
6.一种基于深度学习(DL)的磁共振成像(MRI)检查加速的方法，所述方法包括：
采集受试者的至少一个完全采样的参考k-空间数据；
采集所述受试者的多个部分k-空间；
将所述部分k-空间与所述至少一个完全采样的参考k-空间数据进行嫁接，以生成嫁接的数据用于加速检查；以及
使用所述嫁接的数据和所述完全采样的参考k-空间数据来训练深度学习(DL)模块以去除嫁接伪影。
7.根据权利要求6所述的方法，其中所述深度学习(DL)模块包括智能损失函数。
8.根据权利要求7所述的方法，其中所述智能损失函数包括多个正则化项，并且所述智能损失函数被构造成在所述深度学习(DL)模块的训练期间基于所述正则化项的相关性来改变分配给所述多个正则化项的权重。
9.根据权利要求8所述的方法，其中基于每个成像时期之后的训练损失动态地调制分配给所述正则化项中的每个正则化项的所述权重。
10.根据权利要求9所述的方法，其中动态调制所述正则化项包括调制结构相似性指数量度(SSIM)损失、感知损失和平均绝对误差(MAE)损失。
11.根据权利要求7所述的方法，其中所述智能损失函数被定义为：
Figure FDA0003320832250000021
其中
Figure FDA0003320832250000022
表示智能损失；
MAE为平均绝对误差；
SSIM为结构相似性指数量度；以及
α为所述正则化项的权重；
其中根据所述MAE和SSIM值，在每个时期之后更新α。
12.根据权利要求6所述的方法，其还包括采集包括同时多层成像读数的多个MRI图像以用于加速检查。
13.一种磁共振成像(MRI)系统，包括：
至少一个射频(RF)主体线圈，所述至少一个射频主体线圈适于向受试者发射射频(RF)信号以及从所述受试者接收所述射频(RF)信号；
收发器模块，所述收发器模块被构造成将由所述射频(RF)主体线圈接收的所述信号数字化；
控制系统，所述控制系统被构造成处理所数字化的信号并生成对应于所述受试者的成像体积的k-空间数据，其中所述MRI系统被构造成采集所述受试者的至少一个完全采样的参考k-空间数据和所述受试者的多个部分k-空间；以及
计算机处理器，所述计算机处理器被构造成将所述受试者的所述部分k-空间与所述受试者的所述完全采样的参考k-空间数据进行嫁接，以生成嫁接的k-空间数据用于加速检查。
14.根据权利要求13所述的磁共振成像(MRI)系统，还包括在计算机存储器上采用的深度学习(DL)模块，其中使用所述至少一个完全采样的参考k-空间数据和所述嫁接的k-空间数据来训练所述深度学习(DL)模块。
15.根据权利要求14所述的磁共振成像(MRI)系统，其中所述深度学习模块是包括智能损失函数的伪影预测网络。
16.根据权利要求15所述的磁共振成像(MRI)系统，其中所述智能损失函数包括多个正则化项，并且所述智能损失函数被构造成在所述深度学习(DL)模块的训练期间基于所述正则化项的相关性来改变分配给所述多个正则化项中的每个正则化项的权重。
17.根据权利要求16所述的磁共振成像(MRI)系统，其中基于每个成像时期之后的训练损失动态地调制分配给所述正则化项中的每个正则化项的所述权重。
18.根据权利要求17所述的磁共振成像(MRI)系统，其中动态调制所述正则化项包括调制结构相似性指数量度(SSIM)损失、感知损失和平均绝对误差(MAE)损失。
19.根据权利要求14所述的磁共振成像(MRI)系统，其中所述计算机处理器被构造成在对所述嫁接的数据进行基于深度学习(DL)模块的重建之前，将所述受试者的所述部分k-空间与所述受试者的所述完全采样的参考k-空间数据进行嫁接。
20.根据权利要求13所述的磁共振成像(MRI)系统，其中所述MRI系统被构造成采集包括同时多层成像读数的多个MRI图像以用于加速检查。
CN202111251351.6A 2020-10-28 2021-10-26 基于深度学习的磁共振成像（mri）检查加速 Pending CN114487964A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/083,074 US11885862B2 (en) 2020-10-28 2020-10-28 Deep learning based magnetic resonance imaging (MRI) examination acceleration
US17/083,074 2020-10-28

Publications (1)

Publication Number Publication Date
CN114487964A true CN114487964A (zh) 2022-05-13

Family

ID=81256920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111251351.6A Pending CN114487964A (zh) 2020-10-28 2021-10-26 基于深度学习的磁共振成像（mri）检查加速

Country Status (2)

Country Link
US (1) US11885862B2 (zh)
CN (1) CN114487964A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345803A (zh) * 2022-10-19 2022-11-15 合肥视微科技有限公司 基于残差网络的ct断层图中环形伪影校正方法
WO2024138719A1 (en) * 2022-12-30 2024-07-04 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image optimization

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016202707A1 (en) * 2015-06-15 2016-12-22 Koninklijke Philips N.V. Mr imaging using a stack-of-stars acquisition
CN109065128A (zh) * 2018-09-28 2018-12-21 郑州大学 一种加权图正则化稀疏脑网络构建方法
CN111563562A (zh) * 2020-07-16 2020-08-21 南京理工大学 基于卷积神经网络的单帧散射图像的彩色目标重建方法
US20200284866A1 (en) * 2019-03-07 2020-09-10 Washington University Methods and systems for real-time 3d mri

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016200889B4 (de) * 2016-01-22 2018-02-08 Siemens Healthcare Gmbh Rekonstruktion von Bilddaten
US10901060B2 (en) * 2016-03-01 2021-01-26 Canon Medical Systems Corporation Magnetic resonance imaging apparatus and magnetic resonance imaging method
US11125844B2 (en) * 2018-07-06 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based methods to accelerate multi-spectral imaging
CN109239631B (zh) 2018-08-03 2021-02-23 上海东软医疗科技有限公司 一种磁共振成像方法和装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016202707A1 (en) * 2015-06-15 2016-12-22 Koninklijke Philips N.V. Mr imaging using a stack-of-stars acquisition
CN109065128A (zh) * 2018-09-28 2018-12-21 郑州大学 一种加权图正则化稀疏脑网络构建方法
US20200284866A1 (en) * 2019-03-07 2020-09-10 Washington University Methods and systems for real-time 3d mri
CN111563562A (zh) * 2020-07-16 2020-08-21 南京理工大学 基于卷积神经网络的单帧散射图像的彩色目标重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAMMERNIK: "Learning a variational network for reconstruction of accelerated MRI data", MAGNETIC RESONANCE IN MEDICINE, 30 June 2018 (2018-06-30), pages 3055 - 3041 *
SHANSHAN WANG: "Accelerating magnetic resonance imaging via deep learning", 2016 IEEE 13TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI), 16 June 2016 (2016-06-16), pages 514 - 517 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345803A (zh) * 2022-10-19 2022-11-15 合肥视微科技有限公司 基于残差网络的ct断层图中环形伪影校正方法
WO2024138719A1 (en) * 2022-12-30 2024-07-04 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image optimization

Also Published As

Publication number Publication date
US20220128640A1 (en) 2022-04-28
US11885862B2 (en) 2024-01-30

Similar Documents

Publication Publication Date Title
CN111344801B (zh) 针对前列腺癌的多模态计算机辅助诊断系统和方法
CN110858391B (zh) 患者专用的深度学习图像降噪方法和系统
US11023785B2 (en) Sparse MRI data collection and classification using machine learning
US10852379B2 (en) Artifact reduction by image-to-image network in magnetic resonance imaging
CN111542853B (zh) 数据采集期间的运动伪影预测
Militante et al. Pneumonia detection through adaptive deep learning models of convolutional neural networks
US10878311B2 (en) Image quality-guided magnetic resonance imaging configuration
WO2022257090A1 (zh) 一种磁共振成像方法及相关设备
US20210123999A1 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
US20170160363A1 (en) System and Method For Learning Based Magnetic Resonance Fingerprinting
CN113450423B (zh) 减少磁共振成像中的噪声和伪影的系统和方法
JP2017076193A (ja) 脳活動解析装置、脳活動解析方法および脳活動解析プログラム
US11280868B2 (en) Image enhancement with variable number of excitation (NEX) acquisitions accelerated using compressed sensing
CN114487964A (zh) 基于深度学习的磁共振成像（mri）检查加速
Kunapuli et al. A review of deep learning models for medical diagnosis
Tejaswini et al. CNN architecture for lung cancer detection
CN112166332B (zh) 使用磁共振指纹识别的异常检测
JP2022511065A (ja) 機能的磁気共鳴イメージングアーチファクト除去
Torghabeh et al. Effectiveness of learning rate in dementia severity prediction using VGG16
KR102257295B1 (ko) 초음파 영상 기반의 기계 학습을 통한 취약성 죽상반 진단 시스템 및 이의 진단 방법
CN113327224B (zh) 自动视场（fov）界定的系统和方法
Vidhya et al. Advanced detection of brain disease using ML and DL algorithm
CN113052930A (zh) 一种胸部dr双能量数字减影图像生成方法
CN113687285A (zh) 一种疾病筛查与诊断系统、模型训练方法
CN109272486B (zh) Mr图像预测模型的训练方法、装置、设备及存储介质

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