用于运动伪影检测的方法技术

本公开涉及一种用于运动伪影检测的医学成像方法。所述方法包括：使用(201

【技术实现步骤摘要】
【国外来华专利技术】用于运动伪影检测的方法


[0001]本专利技术涉及扫描成像系统，特别地涉及一种用于输入图像中的运动伪影检测的方法。

技术介绍

[0002]在磁共振成像(MRI)扫描期间，由发射器天线生成的射频(RF)脉冲引起对局部磁场的扰动，并且由核自旋发射的RF信号由接收器天线检测。这些RF信号被用于构建MR图像。在较长的扫描期间，扫描的对象可以具有内部或外部运动，其损坏数据并且导致具有模糊或伪影的MR图像。已经提出了许多方法来减轻或校正MR运动伪影。这些方法；然而，在图像空间中操作并且试图基于受影响的图像识别运动伪影的特定特征。

技术实现思路

[0003]各种实施例提供一种用于输入图像中的运动伪影检测的方法、医学分析系统和计算机程序产品，如由独立权利要求的主题所描述的。在从属权利要求中描述了有利的实施例。
[0004]运动伪影是MRI中的图像退化的最常见原因之一。深度学习(DL)技术可以应用于MR图像的运动校正，例如通过在常规MR图像重建之后在图像空间中应用DL网络。然而，这些技术可能丢弃关于k空间采样模式及其定时的显式信息。在由噪声值初始化之后，在DL网络的卷积核的训练期间隐式地学习了一些但非全部该信息。这可能需要相当大的努力和大量的训练数据。本主题还可以通过使用所述采样模式及其定时的显式知识来改进所述运动校正，以便设计DL网络并且初始化它们的核，使得对它们进行预训练以估计常见运动伪影，诸如平移运动伪影。可以使用算法直接从序列参数和预定义的运动路径以低努力计算这些核。该初始化可以相当地缩短用于训练的努力，该训练被执行以解决其他形式的运动。
[0005]在一个方面中，本专利技术涉及一种用于运动伪影检测的医学成像方法。所述方法包括：使用k空间采集性质来生成具有如由第一初始运动模式引起的运动伪影的运动损坏图像，使得所述运动伪影是特征矩阵和运动损坏图像的函数；利用所述特征矩阵的值来初始化卷积神经网络CNN的至少一个特征图；利用训练图像来训练初始化CNN，所述训练图像由第二模式(类型)的运动损坏以获得运动伪影；使用经训练的CNN来获得输入图像中的运动伪影。第一初始设定类型的运动和第二运动模式通过(多个)位移完全近似。所述初始运动模式(所述第一初始设定类型的运动)和要针对伪影进行校正的图像的运动模式(第二训练类型的运动(模式))的近似准确度取决于与预设所需图像质量相关联的残余伪影的预定水平。
[0006]本主题使能引导所述网络来学习所述伪影的纯性质而不是也学习解剖性质。使用MR运动伪影的图像特征初始化CNN以用于运动校正，以便减少训练努力。所获得的运动伪影可以例如被用于校正输入图像中的运动伪影。这可以增加伪影检测的准确度并且因此MR运动校正的准确度。本主题可以实现磁共振图像中的运动伪影的自动校正。
[0007]本主题可以通过使用k空间采集性质来防止伪影信息的丢失。特别地，本主题考虑了以下事实：由于k空间中的连续采集模式造成的任何运动转变为k空间中的运动损坏的时间相干性，这些模式比通过图像域中的卷积网络“学习”更难得多，并且在傅立叶重建期间丢失了关于时间相干性的显式知识。
[0008]例如，经训练的CNN可以由远程计算机系统可访问(例如，经训练的CNN可以存储在计算机系统中)，其中，所述计算机系统被配置为：在接收到MR图像之后使用经训练的CNN自动检测MR图像中的运动伪影。这能够是有利的，因为其可以实现使用经训练的CNN的集中和一致的伪影检测，例如在不同的MRI系统中间。
[0009]所述k空间采集性质可以根据MR成像协议来确定。成像协议或协议是指成像模态的一组技术设置或一组采集参数以产生检查所需的图像(例如MR图像)。例如，采集参数可以指示脉冲序列类型。例如，所述方法包括提供给定的MR成像协议，其中，可以使用给定的MR成像协议来确定所述k空间采集性质。所述k空间特性可由k空间采样模式及其定时确定。可以选择一组对象位移dx(t)，使得其反映典型的现实运动(例如第一类型的)，例如，在任何方向上以恒定速度、在初始静止时段、振荡或更复杂的运动之后快速位移到新位置。dx(t)的最大振幅能够比如临床成像设置中的图像的视场(FOV)小得多。dx(t)的所有选择能够符合力学定律，例如是连续的和二次可微的时间函数。这能够是有利的，因为其还可以通过在允许运动引起的伪影不同的同时使用一致的数据采集设置来增加伪影检测的准确度。而且，训练可以使能学习旋转和非刚体运动的伪影。
[0010]根据一个实施例，所述初始化包括：针对CNN的每个特征图，确定具有不同第一初始运动模式的特征矩阵，并且使用所述特征矩阵的值来初始化所述特征图。
[0011]例如，每种假定的运动类型得到个体特征矩阵。该实施例使能使用个体运动来初始化CNN的并行核的个体核(或特征图)。优选地，可以将大运动分配给低分辨率的核，并且反之将小运动分配给高分辨率的核。例如，第一初始运动模式是基于要初始化的核的分辨率来确定的。如果要初始化的核具有高于预定义分辨率阈值的分辨率，则所述第一初始运动模式可以具有小于预定义运动幅度阈值的运动幅度或移位。如果要初始化的核具有小于预定义分辨率阈值的分辨率，则所述第一初始运动模式可以具有高于预定义运动幅度阈值的运动幅度或移位。在另一范例中，针对所述CNN的核的每个分辨率，相应的第一运动类型可以被定义并用于定义所述运动伪影。这可以实现准确的运动伪影检测，因为CNN以准确的方式在个体基础上进行初始化。
[0012]根据一个实施例，所述运动伪影在k空间中定义为所述特征矩阵和所述运动损坏图像的乘积，其中，所述特征图是CNN的乘法层，并且所述CNN被配置为接收图像的k空间表示作为输入。该实施例可以使能实施所述CNN以完全在k空间中操作(CNN具有傅立叶变换(FT)层)并且被直接馈送有对应于所述测量图像的FT的测量数据。该实施例的CNN可以包括乘法层，而不是卷积核。
[0013]根据一个实施例，所述运动伪影在图像空间中被定义为所述特征矩阵和所述运动损坏图像的卷积，其中，所述特征图是CNN的核，并且所述CNN被配置为接收作为输入图像。该实施例可以使能实施CNN以完全在图像空间中操作并且直接被馈送有测量图像。该实施例的CNN可以包括卷积核。
[0014]在另外的实施例中，CNN可以包括分别表示k空间和图像空间的FT层和FT
‑1层，其
中，使用在对应空间中获得的特征矩阵来初始化所述CNN的每层的特征图。CNN然后可以在CNN的后续层中使能在图像空间与k空间之间切换。
[0015]根据一个实施例，所述第一初始运动模式是由相应的平移位移表征的平移运动。该实施例可能是有利的，因为平移运动可以是MR扫描期间所有当前运动的良好的第一近似。因此，可以由本主题减少用于该类型运动的训练的努力和量。特别地，本主题可以减少或节省以下两种情况所涉及的努力：1)训练数据的计算通常涉及对大量个体图像的运动伪影的模拟，涉及每图像的FT、k空间数据操纵和逆FT。2)实际训练也可能要求相当大的努力来使用训练图像的随机子集逐步“教导”卷积核本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于运动伪影检测的医学成像方法，包括：
‑
使用(201
‑
203)表示k空间采样模式及其定时的k空间采集性质来生成具有由第一初始设定类型的运动模式引起的运动伪影的运动损坏图像，使得所述运动伪影被定义为所述运动损坏图像和表示运动引起的损坏编码的特征矩阵的函数；
‑
利用所述特征矩阵的值来初始化(205)表示卷积神经网络的卷积核或乘法核的至少一个特征图；
‑
利用训练图像来训练(207)初始化的卷积神经网络(CNN)，所述训练图像由第二训练运动模式模式损坏以获得运动伪影；
‑
使用经训练的CNN来获得(209)输入图像中的运动伪影。2.根据权利要求1所述的方法，其中，所述初始化包括针对所述CNN的每个特征图来确定具有不同的第一初始设定类型的运动模式的所述特征矩阵，并且使用所述特征矩阵的所述值来初始化所述特征图。3.根据前述权利要求中的任一项所述的方法，其中，所述运动伪影在k空间中被定义为所述特征矩阵与所述运动损坏图像的乘积，其中，所述特征图是所述CNN的乘法层，并且所述CNN被配置为接收图像的k空间表示作为输入。4.根据前述权利要求中的任一项所述的方法，其中，所述运动伪影在图像空间中被定义为所述特征矩阵与所述运动损坏图像的卷积，其中，所述特征图是所述CNN的核，并且所述CNN被配置为接收作为输入图像。5.根据前述权利要求中的任一项所述的方法，所述第一初始设定类型的运动是由相应的平移位移表征的平移运动。6.根据前述权利要求中的任一项所述的方法，第二类型运动是第一初始运动模式的组合，其中，每个第一初始运动模式由相应的平移位移表征。7.根据前述权利要求中的任一项所述的方法，其中，所述输入图像中的所述运动伪影是由运动引起的，所述运动是：
‑
所述第一初始运动模式与所述第二训练运动模式第二训练运动模式的组合；或者
‑
所述第二训练运动模式第二训练运动模式。8.根据前述权利要求中的任一项所述的方法，其中，所述第一初始运动模式与所述第二训练运动模式第二训练运动模式不同或者相同。9.根据前述权利要求中的任一项所述的方法...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：