利用紧框架学习的动态图像重建制造技术

用于学习紧框架的计算机实现的方法包括使用交错过程在一段时间内采集欠采样的k-空间数据。确定欠采样的k-空间数据的平均值，并且基于该欠采样的k-空间数据的平均值来生成参考图像。接着，基于该参考图像来确定紧框架运算符。然后，经由利用该紧框架运算符的稀疏重建，根据该欠采样的k-空间数据生成被重建的图像数据。

【技术实现步骤摘要】
利用紧框架学习的动态图像重建相关申请的交叉引用本申请要求2012年10月5日提交的美国临时申请序号61/710,162的优先权，其通过引用被整体地结合到本文中。
本专利技术总体上涉及用于使用从一个或多个图像学习的紧框架(tightframe)来重建图像的方法、系统及装置。所公开的方法、系统及装置可以被应用于例如增加磁共振成像(MRI)应用(诸如动态MRI)的质量，其中所采集的数据是欠采样的。
技术介绍
近年来，动态MRI由于其展现心血管和神经成像研究中的空间和时间信息的能力而在临床设置方面已经得到了普及和接受。动态MRI的挑战之一是与其它医学成像形式(诸如X-射线CT)相比它需要相对长的采集时间。为了使数据采集时间符合在成像对象的运动周期之内，所采集的数据通常是欠采样的。可以通过使用压缩感测(CS)技术来解决动态MRI中固有的欠采样。使用CS，可以使用词典(dictionary)或稀疏变换的少许非零系数来表示信号。该词典和该变换两者可以是正规化的系统或者过完备的系统。然而，后者通常是优选的，因为它具有在冗余系统下稀疏信号的优势。固定的紧框架系统(诸如，脊波、曲波、扁带以及剪切波)是可以适合于词典或稀疏变换的过完备的系统。然而，固定的紧框架在被成像的对象之中存在多样化的应用中可能不是最优的。例如，在医学应用中，固定的紧框架可能产生差的结果，因为医学图像中的纹理基于例如被成像的组织类型或采集协议而改变。
技术实现思路
如本文中的各种实施例中所描述的本专利技术解决了基于欠采样的k-空间数据的图像重建的挑战性任务。本文中描述的方法、系统和装置使用参考系来学习紧框架。因此，通过从数据本身直接学习紧框架，来解决固定的紧框架系统的局限性。根据本专利技术的一些实施例，用于学习紧框架的计算机实现的方法包括至少五个步骤。这些步骤的排序可以跨越不同的实施例而改变，并且每个步骤的变体可以被应用于每个实施例中。第一，使用交错过程在一段时间内采集欠采样的k-空间数据。在一个实施例中，该交错过程以预定的采样率对多行k-空间数据进行采样。第二，确定欠采样的k-空间数据的平均值。例如，在一个实施例中，在基于该段时间的时间方向上来确定欠采样的k-空间数据的平均值。第三，基于该欠采样的k-空间数据的平均值来生成参考图像。在一个实施例中，通过对该欠采样的k-空间数据的平均值应用傅里叶变换来生成参考图像。第四，基于该参考图像来确定紧框架运算符。在一个实施例中，基于一个或多个附加参考图像来进一步确定紧框架运算符。第五，经由利用该紧框架运算符的稀疏重建，根据欠采样的k-空间数据来生成被重建的图像数据。例如，在一个实施例中，该紧框架运算符被用作稀疏重建中的正则项。确定紧框架运算符的各种方法被本专利技术的实施例使用。在一些实施例中，基于参考图像来确定紧框架运算符包括基于参考图像来确定参考矢量。在一个实施例中，通过将多列参考图像垂直地连接在一起来确定参考矢量以产生参考矢量。接着，使用现有的紧框架系统来初始化一个或多个紧框架滤波器。然后，执行迭代过程来更新紧框架滤波器。例如，在一个实施例中，该迭代过程包括：基于一个或多个紧框架滤波器来定义分析运算符，通过将该分析运算符应用于参考矢量来确定包括紧框架系数的系数矢量，通过将硬阈值(或者软阈值)运算符应用于该紧框架系数来更新该系数矢量，以及基于更新的系数矢量来更新该紧框架滤波器。在一个实施例中，使用奇异矢量分解过程来更新紧框架滤波器。迭代过程可以被重复与预定的用户选择的迭代数量相等的次数。根据本专利技术的另一方面，在一些实施例中，用于基于学习的紧框架来重建图像的一个制品包括非瞬态有形计算机可读介质，其保持有用于执行上面所描述的方法中的一个或多个的计算机可执行的指令。例如，在一个实施例中，这些指令可以用于执行一种计算机实现的方法，该方法用于学习紧框架，其包括使用交错过错在一段时间内采集欠采样的k-空间数据。确定欠采样的k空间数据的平均值，并且基于该欠采样的k-空间数据的平均值来生成参考图像。接着，基于该参考图像来确定紧框架运算符。然后，经由利用该紧框架运算符的稀疏重建，根据欠采样的k-空间数据来生成被重建的图像数据。本专利技术的其它实施例包括用于基于学习的紧框架来重建图像的成像系统。该系统包括至少一个RF(射频)线圈、磁场梯度发生器、以及至少一个计算机。该磁场梯度发生器被配置为生成解剖体积选择磁场梯度以用于相位编码，以及使用RF线圈以在一段时间内使用交错过程来采集欠采样的k-空间数据。该至少一个计算机被配置为：确定欠采样的k-空间数据的平均值，基于该欠采样的k-空间数据的平均值来生成参考图像，基于该参考图像来确定紧框架运算符，以及经由利用该紧框架运算符的稀疏重建根据欠采样的k-空间数据来生成被重建的图像数据。在一个实施例中，该交错过程以预定采样率对多行k-空间数据进行采样。根据参考附图进行的对说明性实施例的以下详细描述，将使本专利技术的附加特征和优势显而易见。附图说明当结合附图进行阅读时，根据以下详细描述，最好地理解本专利技术的前述及其它方面。出于说明本专利技术的目的，在附图中示出了目前优选的实施例，然而，要理解的是，本专利技术并不局限于所公开的特定手段。在附图中所包括的是以下的图：图1示出了如本专利技术的一些实施例所使用的用于采集MR图像数据的系统；图2提供了在本专利技术的一些实施例中所使用的紧框架学习过程的高级概观；图3图示了如在本专利技术的一些实施例中所使用的用于生成参考图像的MRI采集过程；图4图示了如在本专利技术的一些实施例中所使用的基于参考图像来构建紧框架的一个方法；图5提供了为了生成紧框架而使用的学习的滤波器的示例，其中的一个或多个可以被用于本专利技术的实施例中；图6提供了由如本文中所描述的本专利技术的一个实施例生成的被重建的心脏图像的示例；以及图7图示了在其内可以实现本专利技术的实施例的示例性计算环境。具体实施方式以下的公开根据指向针对动态MRI采用图像重建过程的方法、系统和装置的若干实施例来描述本专利技术。简单来说，该过程包括三个步骤：获得参考图像，从该参考图像学习紧框架，以及将学习的运算符应用于重建。该方法尤其适用于重建具有复杂解剖结构和纹理的图像。然而，本文中描述的过程可以在各种图像重建应用中被利用。图1示出了如本专利技术的一些实施例所使用的系统100，其用于采集MR图像数据(例如，k-空间数据)。在系统100中，磁铁12在要被成像和定位于工作台上的患者11的身体中创建静态基础磁场。磁铁系统内是梯度线圈14，其用于产生叠加在静态磁场上的依赖于位置的磁场梯度。梯度线圈14响应于由梯度和匀场以及脉冲序列控制模块16供应到此的梯度信号而在三个正交的方向上产生依赖于位置且匀场的磁场梯度并生成磁场脉冲序列。匀场的梯度补偿了由患者解剖变异以及其它源引起的MR成像设备磁场中的不均匀性以及变化性。磁场梯度包括被应用于患者11的切片选择梯度磁场、相位编码梯度磁场以及读出梯度磁场。此外，RF(射频)模块20将RF脉冲信号提供给RF线圈18，其响应地产生磁场脉冲，其使成像主体11中的质子的自旋旋转90度或者180度以用于所谓的“自旋回波”成像，或者旋转小于或等于90度的角度以用于所谓的“梯度回波”成像。如由中央控制单元26指示的脉冲序列控制模块16连同RF模块20一起控制切片选本文档来自技高网...

【技术保护点】
一种用于基于所学习的紧框架来重建图像的计算机实现的方法，该方法包括：使用交错过程在一段时间内采集欠采样的k‑空间数据；确定欠采样的k‑空间数据的平均值；基于该欠采样的k‑空间数据的平均值来生成参考图像；基于该参考图像来确定紧框架运算符；以及经由利用该紧框架运算符的稀疏重建，根据欠采样的k‑空间数据来生成被重建的图像数据。

【技术特征摘要】
2012.10.05 US 61/710162;2013.09.16 US 14/0274511.一种用于基于所学习的紧框架来重建图像的计算机实现的方法，该方法包括：使用交错过程在一段时间内采集欠采样的k–空间数据；确定欠采样的k–空间数据的平均值；基于该欠采样的k–空间数据的平均值来生成参考图像；基于该参考图像来确定紧框架运算符；以及经由利用该紧框架运算符的稀疏重建，根据欠采样的k–空间数据来生成被重建的图像数据，其中基于该参考图像来确定紧框架运算符包括：基于该参考图像来确定参考矢量；使用现有的紧框架系统来初始化一个或多个紧框架滤波器；以及执行迭代过程，其包括：基于紧框架滤波器来定义分析运算符；通过对该参考矢量应用该分析运算符来确定包括多个紧框架系数的系数矢量；通过对紧框架系数应用硬阈值运算符来更新该系数矢量；以及基于更新的系数矢量来更新紧框架滤波器。2.根据权利要求1所述的方法，其中该交错过程以预定采样率对多行k–空间数据进行采样。3.根据权利要求1所述的方法，其中在基于该段时间的时间方向上确定该欠采样的k–空间数据的平均值。4.根据权利要求1所述的方法，其中基于该欠采样的k–空间数据的平均值来生成参考图像包括：对该欠采样的k–空间数据的平均值应用傅里叶变换。5.根据权利要求1所述的方法，其中基于该参考图像来确定参考矢量包括：将多列参考图像垂直地连接在一起以产生参考矢量。6.根据权利要求1所述的方法，其中使用奇异矢量分解过程来更新紧框架滤波器。7.根据权利要求1所述的方法，其中该迭代过程被重复与预定的用户选择的迭代数量相等的次数。8.根据权利要求1所述的方法，其中紧框架运算符被用作该稀疏重建中的正则项。9.根据权利要求1所述的方法，其中基于一个或多个附加的参考图像来进一步确定该紧框架运算符。10.一种用于基于所学习的紧框架来重建图像的制品，该制品包括非瞬态有形计算机可读介质，其保持有用于执行方法的计算机可执行指令，该方法包括：使用交错过程在一段时间内采集欠采样的k–空间数据；确定欠采样的k–空间数据的平均值；基于该欠采样的k–空间数据的平均值来生成参考图像；基于该参考图像来确...

【专利技术属性】
技术研发人员：刘俊，王求，M·S·纳达，M·曾格，E·米勒，
申请(专利权)人：西门子公司，
类型：发明
国别省市：德国;DE