数据采集期间的运动伪影预测制造技术

本发明专利技术涉及一种磁共振成像系统，所述磁共振成像系统(100)包括：存储器(134、136)，其存储机器可执行指令(160、162、164)、脉冲序列命令(140)和第一机器学习模型(146)，所述第一机器学习模型包括第一深度学习网络(502)，其中，所述脉冲序列命令(140)被配置用于控制所述磁共振成像系统(100)来采集磁共振成像数据的集合，其中，所述第一机器学习模型(146)包括第一输入和第一输出；处理器，其中，所述机器可执行指令(160、162、164)的运行使所述处理器(130)控制所述磁共振成像系统(100)重复地执行采集和分析过程，所述采集和分析过程包括：根据所述脉冲序列命令(140)从所述磁共振成像系统(100)的成像区(108)采集数据集(142.1、...、142.N)，所述数据集包括磁共振成像数据的所述集合的子集，将所述数据集(142.1、...、142.N)提供给所述第一机器学习模型(146)的所述第一输入，响应于所述提供，从所述第一机器学习模型(146)的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平的预测结果(148、502)，所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度20。

【技术实现步骤摘要】
【国外来华专利技术】数据采集期间的运动伪影预测
本专利技术涉及处理磁共振成像数据中的运动伪影，具体地，它涉及预测磁共振成像数据采集期间的运动伪影。
技术介绍
由于磁共振成像(MRI)流程的通常长的数据采集，由患者运动引起的运动伪影是MRI的临床应用中的磁共振图像的图像劣化的最频繁原因中的一个。与运动伪影相关联的可能问题可以例如包括，相应磁共振图像由于图像劣化而对于医学诊断几乎没用或者甚至完全没用。这种退化的磁共振图像可能需要磁共振成像程序的完全重复。
技术实现思路
本专利技术在独立权利要求中提供了一种磁共振成像数据处理系统、一种操作所述磁共振成像数据处理系统的方法、以及一种计算机程序产品。本专利技术还提供了一种包括所述磁共振成像数据处理系统的磁共振成像系统。在从属权利要求中给出了实施例。在一个方面中，本专利技术涉及一种磁共振成像系统。所述磁共振成像系统包括存储器，所述存储器存储机器可执行指令、脉冲序列命令和第一机器学习模型，所述第一机器学习模型包括第一深度学习网络。所述脉冲序列命令被配置用于控制所述磁共振成像系统采集磁共振成像数据的集合。所述第一机器学习模型包括第一输入和第一输出。所述磁共振成像系统还包括处理器。所述机器可执行指令的运行使所述处理器控制所述磁共振成像系统重复地执行采集和分析过程。相应过程包括根据所述脉冲序列命令从所述磁共振成像系统的成像区采集数据集，所述数据集包括磁共振成像数据的所述集合的子集。将所述数据集提供给所述第一机器学习模型的所述第一输入。响应于将所述数据集提供给所述第一输入，从所述第一机器学习模型的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平的预测结果。所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度。实施例可以具有如下有益效果：使得能够在MRI数据的采集期间监测MRI数据集的运动伪影水平。因此可以遍及采集过程监测所采集的MRI数据的质量。假如关于运动伪影的问题出现，该问题能够在早期阶段被处理。实施例可以具有如下有益效果：它们不再被限制于在已经完成采集之后的对所采集的磁共振数据的回顾性质量评价。例如，如果在数据采集期间检测到伪影，就可以在非常早的阶段重新开始耗时的数据采集过程。根据实施例，在MRI数据采集期间为磁共振成像系统提供对被配置用于基于深度学习的运动伪影检测的机器学习模型的访问。要根据脉冲序列命令采集的磁共振成像数据的采集可以被分成多个数据集的采集，每个数据集包括要被采集的磁共振数据的子集。第一机器学习模型被训练(即配置)用于：检测经由所述第一输入接收的MRI数据集中的运动伪影的存在，基于存在于所接收的MRI数据中的检测到的运动伪影来确定对运动伪影水平的预测结果。回应于所接收的MRI数据而经由所述第一输出提供得到的预测结果。预测的运动伪影水平表征在经由所述第一输入接收的MRI数据中检测到的运动伪影的数量和/或程度。由磁共振数据的采集期间的对象运动引起的磁共振图像的图像劣化是磁共振成像的临床应用中的最经常出现的问题之一。相关联的运动伪影可以例如是长的采集时间的结果，并且可以例如表现为图像中的鬼影或模糊。低质量图像可能对随后的诊断以及治疗过程有负面影响。运动伪影可能将图像质量降低到使医学分析不可能的程度。此外，它们也可能对总体临床工作流有负面影响，例如，当在MRI数据采集已经完成之后它需要被重复时。例如，伪影可能导致错误诊断，例如，通过使病变模糊，或可能需要包括整个MRI数据采集过程的扫描的重复。用于伪影检测的已知方法被开发用于采集过程已经完成的磁共振数据的回顾性质量评价。使用这种回顾性方法，直到扫描已经完成才能够检测到成像问题。因为伪影可以由遍及采集过程的事件或状况引起，用于早期检测的技术以及对应的减轻策略可以是有益的。根据实施例，对伪影水平的预测结果可以被用作在数据采集期间被显示在显示器上的质量指标。此外，在MRI数据采集完成之后，对伪影水平的最终预测可以被分配给所采集的MRI数据的集合。在存在严重伪影的情况下，实施例可以使得技术人员能够监督MRI数据采集，以在早期阶段中止采集过程，并且解决问题的原因。例如，可以为患者提供指示。将MRI数据采集和分析过程分开以多次重复循环中的实现了数据集之间的不一致性的检测，从而识别潜在的隔离的运动伪影，其中，每次重复处理要根据脉冲序列命令采集的磁共振成像数据的集合的子集。隔离的运动伪影指的是被限制于一个或多个相继的数据集的运动伪影。假如从其采集磁共振成像数据的对象移动出初始位置并且返回到初始位置，得到的运动伪影可以被限制于仅在移动期间采集的那些磁共振数据。该运动伪影破坏的磁共振数据可以被确定并且被省略。备选地，运动伪影破坏的磁共振数据可以被处理，以便校正运动伪影。实施例可以具有以下有益效果：改善工作流效率以及图像质量。一方面，即使采集遭受运动伪影，也可以避免磁共振数据的完整集合的耗时的采集被执行。实施例可以宁可在早期阶段中止数据采集。另一方面，可以确保所采集的磁共振数据满足例如最大伪影水平形式的预定质量标准。假如最大伪影水平被超过，所采集的磁共振数据可以被丢弃。根据实施例，数据集的采集可以被连续地执行，即，紧接数据集的采集的采集之后，可以立即开始下一数据集的采集。换言之，采集和分析过程的重复可以彼此交叠，即当所采集的数据集被提供给第一机器学习模型的第一输入时，下一数据集的采集可以已经开始。根据实施例，数据集的采集可以被不连续地执行，即在离散步骤中，其中，采集和分析过程的重复必须在下一重复之前结束，并且因此，在下一数据集的采集开始之前结束。被提供给第一机器学习输入的第一输入的MRI数据集包括的MRI数据可以以k-空间或图像空间表示的方式来提供。根据实施例，深度学习网络是实施深度学习的深度卷积神经网络。实施例可以具有如下有益效果：深度卷积神经网络可以很好地适合于预测MRI数据集的运动伪影水平。根据实施例，深度学习技术(例如卷积神经网络(CNN))被开发用于运动伪影检测和伪影水平的预测。给定注释的训练集的集合，CNN可以被优化为使得它能够关于关于预定义的类别水平(例如像从“无伪影”到“严重伪影”)对MRI数据集进行分类、或分配连续的质量得分。实施例可以具有以下有益效果：在数据采集期间使用通过深度学习网络实施的深度学习来提供磁共振图像中的运动相关的伪影的自动处理。深度学习网络可以例如以深度卷积神经网络或全卷积网络的形式被实施。实施例可以便于运动伪影的鲁棒的且可靠的处理。运动伪影的处理还可以使得能够其对图像质量的影响而无需任何用户交互。此外，例如在运动伪影的滤波的情况下，其对图像质量的影响可以被最小化，即降低或甚至消除。实施例可以例如在数据采集期间被实施用于已有的MRI数据集的快速处理，例如，作为磁共振成像系统的一部分，在包括MRI数据集形式的多个子集的MRI数据的集合的采集的控制的过程中。已经开发了大量方法来避免磁共振图像中的运动伪影的出现，诸如更快的成像技术、使用导航器或外部跟踪设备的运动校正。运动本文档来自技高网...

【技术保护点】
1.一种磁共振成像系统(100)，所述磁共振成像系统(100)包括：/n存储器(134、136)，其存储机器可执行指令(160、162、164)、脉冲序列命令(140)和第一机器学习模型(146)，所述第一机器学习模型包括第一深度学习网络(502)，其中，所述脉冲序列命令(140)被配置用于控制所述磁共振成像系统(100)来采集磁共振成像数据的集合，其中，所述第一机器学习模型(146)包括第一输入和第一输出，/n处理器，其中，所述机器可执行指令(160、162、164)的运行使所述处理器(130)控制所述磁共振成像系统(100)重复地执行采集和分析过程，所述采集和分析过程包括：/n根据所述脉冲序列命令(140)从所述磁共振成像系统(100)的成像区(108)采集数据集(142.1、...、142.N)，所述数据集包括磁共振成像数据的所述集合的子集，/n将所述数据集(142.1、...、142.N)提供给所述第一机器学习模型的所述第一输入，/n响应于所述提供，从所述第一机器学习模型(146)的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平的预测结果(148、502)，所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度。/n...

【技术特征摘要】
【国外来华专利技术】20171031 EP 17199301.7;20180430 EP 18170128.51.一种磁共振成像系统(100)，所述磁共振成像系统(100)包括：
存储器(134、136)，其存储机器可执行指令(160、162、164)、脉冲序列命令(140)和第一机器学习模型(146)，所述第一机器学习模型包括第一深度学习网络(502)，其中，所述脉冲序列命令(140)被配置用于控制所述磁共振成像系统(100)来采集磁共振成像数据的集合，其中，所述第一机器学习模型(146)包括第一输入和第一输出，
处理器，其中，所述机器可执行指令(160、162、164)的运行使所述处理器(130)控制所述磁共振成像系统(100)重复地执行采集和分析过程，所述采集和分析过程包括：
根据所述脉冲序列命令(140)从所述磁共振成像系统(100)的成像区(108)采集数据集(142.1、...、142.N)，所述数据集包括磁共振成像数据的所述集合的子集，
将所述数据集(142.1、...、142.N)提供给所述第一机器学习模型的所述第一输入，
响应于所述提供，从所述第一机器学习模型(146)的所述第一输出接收对所采集的磁共振成像数据的运动伪影水平的预测结果(148、502)，所述运动伪影水平表征存在于所采集的磁共振成像数据中的运动伪影的数量和/或程度。


2.根据权利要求1所述的磁共振成像系统(100)，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统(100)在对所述运动伪影水平的所述预测结果(148、502)超过第一预定义的阈值的情况下自动终止所述采集和分析过程的所述重复执行。


3.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统(100)在对所述运动伪影水平的所述预测结果(148、502)超过所述第一预定义的阈值的情况下自动重新开始所述采集和分析过程的所述重复执行。


4.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，对所述运动伪影水平的所述预测结果(148、502)取决于所述伪影相对于由所采集的磁共振数据表示的一个或多个感兴趣解剖结构的位置。


5.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，所述数据集(142.1、...、142.N)中的每个包括使用所采集的磁共振数据重建的磁共振图像。


6.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，所述数据集(142.1、...、142.N)具有共同的预定义的尺寸，其中，每个数据集(142.1、...、142.N)包括来自采样点的磁共振数据，所述采样点以在k空间的中心处相对于所采样的k空间的外部部分更高的采样率被分布在k空间内。


7.根据权利要求1至6中的任一项所述的磁共振成像系统(100)，其中，所述数据集(142.1、...、142.N)具有任意尺寸，其中，每个数据集(142.1、...、142.N)包括来自采样点的磁共振数据，所述采样点以在k空间的中心处相对于所采样的k空间的外部部分更高的采样率被分布在k空间内。


8.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，在每次重复中，在相应重复期间采集的所述数据集(142.1、...、142.N)与在所述相应重复之前的所有重复中采集的所述数据集(142.1、...、142.N)相组合被提供给所述第一输入。


9.根据权利要求1至5中的任一项所述的磁共振成像系统(100)，其中，所述数据集(142.1、...、142.N)中的每个包括与通过所述成像区(108)的一个或多个个体二维切片相对应的所采集的磁共振成像数据。


10.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，所述存储器(134、136)还存储用于生成所述第一机器学习模型(146)的第一学习算法(150)，其中，所述机器可执行指令(160、162、164)的所述运行还使所述处理器(130)控制所述磁共振成像系统(100)：
接收第一训练集(152)，每个第一训练集(152)包括磁共振成像数据集和识别被分配给所述相应磁共振成像数据集的伪影水平的伪影水平指标，
对所接收的第一训练集(152)执行所述第一学习算法(150)以便生成所述第一机器学习模型(146)。


11.根据前述权利要求中的任一项所述的磁共振成像系统(100)，其中，所...

【专利技术属性】
技术研发人员：A·扎尔巴赫，S·魏斯，K·佐默，C·许尔克，M·G·赫勒，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：荷兰;NL