用于大规模动态磁共振图像重建的深度学习系统和方法技术方案

一种用于对对象执行磁共振成像的方法包括：获取欠采样成像数据；从所述成像数据中提取一个或多个时域基函数；从所述成像数据中提取一个或多个初步空间加权函数；将所述一个或多个初步空间加权函数输入到神经网络中，以产生一个或多个最终空间加权函数；以及将所述一个或多个最终空间加权函数与所述一个或多个时域基函数相乘以生成图像序列。每个所述时域基函数对应于所述对象的至少一个时变维度。每个所述初步空间加权函数对应于所述对象的空变维度。每个所述最终空间加权函数是所述一个或多个初步空间加权函数中的一者的无伪影估计。计。计。

【技术实现步骤摘要】
【国外来华专利技术】用于大规模动态磁共振图像重建的深度学习系统和方法
[0001]相关申请的交叉引用
[0002]本申请要求于2019年9月13日提交的美国临时专利申请62/900,279的优先权和权益，它们的全部内容通过引用并入本文。
[0003]关于联邦资助的研究或开发的声明
[0004]本专利技术是在美国国立卫生研究院授予的第R01 EB028146号拨款的政府支持下完成的。政府拥有本专利技术的某些权利。


[0005]本公开涉及生物医学成像和分析。更具体地，本公开涉及使用深度学习技术的MRI图像重建。

技术介绍

[0006]动态成像在许多临床磁共振成像(MRI：magnetic resonance imaging)检查中发挥着重要作用。动态成像能够使医疗保健专业人员通过可视化和/或测量体内发生的动态过程(例如，心脏运动、呼吸等)来评估组织健康。然而，动态MRI可能是一个相对缓慢的过程，通常需要加速方法才能从不完整的成像数据中重建图像。因此，需要能够更有效地、快速地解码图像数据并且重建图像序列的新系统和方法。

技术实现思路

[0007]根据本公开的各方面，一种用于对对象执行磁共振(MR)成像的方法包括：从对象的关注区域获取欠采样成像数据，所述欠采样成像数据对应于具有多个图像帧的图像序列；从所述欠采样成像数据中提取一个或多个时域基函数，所述一个或多个时域基函数中的每一者对应于所述对象的至少一个时变维度；从所述欠采样成像数据中提取一个或多个初步空间加权函数，所述一个或多个初步空间加权函数中的每一者对应于所述对象的空变维度；将所述一个或多个初步空间加权函数输入到神经网络中，以产生一个或多个最终空间加权函数，所述最终空间加权函数中的每一者对应于所述一个或多个初步空间加权函数中的对应一者；以及将所述一个或多个最终空间加权函数与所述一个或多个时域基函数相乘，以生成所述图像序列。
[0008]根据本公开的各方面，一种对用于分析来自对象的磁共振(MR)数据的具有包括一个或多个运算和一个或多个可调整权重的架构的神经网络进行训练的方法，包括：接收去往所述神经网络的一个或多个训练输入数据集，所述一个或多个训练输入数据集包括一组或多组训练初步空间加权函数和一组或多组训练最终空间加权函数，所述一组或多组训练最终空间加权函数中的每一者是先前获得的所述一组或多组训练初步空间加权函数中的对应一者的无伪影版本，所述一组或多组训练初步空间加权函数和训练最终空间加权函数中的每一者对应于所述对象的时变维度；根据所述神经网络的架构对所述一组或多组训练初步空间加权函数进行处理，以产生一组或多组估计最终空间加权函数；将所述一组或多
组估计最终空间加权函数中的每者与所述一组或多组训练最终空间加权函数中的对应一者进行比较；判定所述一组或多组估计最终空间加权函数是否满足所述神经网络的成本函数，所述成本函数被配置为使所述一组或多组训练最终空间加权函数与所述一组或多组估计最终空间加权函数之间的差异最小化；响应于不满足所述神经网络的所述成本函数的判定，调整所述一个或多个网络权重；以及利用调整后的所述一个或多个网络权重重复地对所述一个或多个训练初步空间加权函数进行处理，直至满足所述成本函数。
[0009]根据本公开的各方面，一种用于对对象执行磁共振(MR)成像的系统包括：磁体，其用于提供磁场；发射器，其用于向所述磁场内的区域发射；接收器，其用于利用所述磁场从所述区域接收磁共振信号；以及一个或多个处理器，其用于控制所述发射器和所述接收器，所述一个或多个处理器被配置为使以下方法被执行：从所述对象的关注区域获取欠采样成像数据，所述欠采样成像数据对应于具有多个图像帧的图像序列；从所述欠采样成像数据中提取一个或多个时域基函数，所述一个或多个时域基函数中的每一者对应于所述对象的至少一个时变维度；从所述欠采样成像数据中提取一个或多个初步空间加权函数，所述一个或多个初步空间加权函数中的每一者对应于所述对象的空变维度；将所述一个或多个初步空间加权函数输入到神经网络中，以产生一个或多个最终空间加权函数，所述最终空间加权函数中的每一者对应于所述一个或多个初步空间加权函数中的对应一者；以及将所述一个或多个最终空间加权函数与所述一个或多个时域基函数相乘，以生成所述图像序列。
[0010]根据本公开的各方面，一种非暂时性机器可读介质，其上存储有用于对对象执行磁共振(MR)成像的指令，当所述指令被至少一个处理器运行时，所述指令使以下方法被执行：从所述对象的关注区域获取欠采样成像数据，所述欠采样成像数据对应于具有多个图像帧的图像序列；从所述欠采样成像数据中提取一个或多个时域基函数，所述一个或多个时域基函数中的每一者对应于所述对象的至少一个时变维度；从所述欠采样成像数据中提取一个或多个初步空间加权函数，所述一个或多个初步空间加权函数中的每一者对应于所述对象的空变维度；将所述一个或多个初步空间加权函数输入到神经网络中，以产生一个或多个最终空间加权函数，所述最终空间加权函数中的每一者对应于所述一个或多个初步空间加权函数中的对应一者；以及将所述一个或多个最终空间加权函数与所述一个或多个时域基函数相乘，以生成所述图像序列。
[0011]根据本公开的各方面，一种对用于分析来自对象的磁共振(MR)数据的具有包括一个或多个运算和一个或多个可调整权重的架构的神经网络进行训练的系统，包括：磁体，其用于提供磁场；发射器，其用于向所述磁场内的区域发射；接收器，其用于利用所述磁场从所述区域接收磁共振信号；以及一个或多个处理器，其用于控制所述发射器和所述接收器，所述一个或多个处理器被配置为使以下方法被执行：接收去往所述神经网络的一个或多个训练输入数据集，所述一个或多个训练输入数据集包括一组或多组训练初步空间加权函数和一组或多组训练最终空间加权函数，所述一组或多组训练最终空间加权函数中的每一者是先前获得的所述一组或多组训练初步空间加权函数中的对应一者的无伪影版本，所述一组或多组训练初步空间加权函数和训练最终空间加权函数中的每一者对应于所述对象的时变维度；根据所述神经网络的架构对所述一组或多组训练初步空间加权函数进行处理，以产生一组或多组估计最终空间加权函数；将所述一组或多组估计最终空间加权函数中的每者与所述一组或多组训练最终空间加权函数中的对应一者进行比较；判定所述一组或多
组估计的最终空间加权函数是否满足所述神经网络的成本函数，所述成本函数被配置为使所述一组或多组训练最终空间加权函数与所述一组或多组估计最终空间加权函数之间的差异最小化；响应于不满足所述神经网络的所述成本函数的判定，调整所述一个或多个网络权重；以及利用调整后的所述一个或多个网络权重重复地对所述一个或多个训练初步空间加权函数进行处理，直至满足所述成本函数。
[0012]根据本公开的各方面，一种存储有对用于分析来自对象的磁共振(MR)数据的具有包括一个或多个运算和一个或多个可调整权重的架构的神经网络进行训练的指令的非暂时性机器可读介质使以下方法被执行：接收去往所述神经网络的一个或多个训练输入数据集，所述一个或多个训练输入数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于对对象执行磁共振(MR)成像的方法，所述方法包括：从所述对象的关注区域获取欠采样成像数据，所述欠采样成像数据对应于具有多个图像帧的图像序列；从所述欠采样成像数据中提取一个或多个时域基函数，所述一个或多个时域基函数中的每一者对应于所述对象的至少一个时变维度；从所述欠采样成像数据中提取一个或多个初步空间加权函数，所述一个或多个初步空间加权函数中的每一者对应于所述对象的空变维度；将所述一个或多个初步空间加权函数输入到神经网络中，以产生一个或多个最终空间加权函数，所述最终空间加权函数中的每一者对应于所述一个或多个初步空间加权函数中的对应一者；以及将所述一个或多个最终空间加权函数与所述一个或多个时域基函数相乘，以生成所述图像序列。2.根据权利要求1所述的方法，其中，所述一个或多个初步空间加权函数中的至少一者包括成像伪影，并且其中，所述一个或多个最终空间加权函数中的对应一者是所述一个或多个初步空间加权函数中的所述一者的无伪影估计。3.根据权利要求1所述的方法，其中，所述神经网络是多通道神经网络。4.根据权利要求1所述的方法，其中，所述神经网络是扩张的多级密集连接网络。5.根据权利要求1所述的方法，其中，所述神经网络包括一个或多个密集块，所述一个或多个密集块中的至少一者包括一个或多个卷积层。6.根据权利要求1所述的方法，其中，所述神经网络包括一个或多个密集块，所述一个或多个密集块中的至少一者包括一个或多个激活函数。7.根据权利要求6所述的方法，其中，所述一个或多个激活函数中的至少一者是指数线性单元。8.根据权利要求1所述的方法，其中，所述神经网络包括一个或多个密集块。9.根据权利要求1所述的方法，其中，使用多个空间编码来获取所述欠采样成像数据。10.根据权利要求9所述的方法，其中，所述欠采样成像数据包括以所述多个空间编码的子集获取的训练数据，并且其中，从所述训练数据中提取所述一个或多个时域基函数。11.根据权利要求1所述的方法，其中，所述对象是人。12.根据权利要求1所述的方法，其中，使用一个或多个训练输入数据集和一个或多个参考输出数据集对所述神经网络进行训练，所述一个或多个参考输出数据集中的每一者是先前获得的所述一个或多个训练输入数据集中的对应一者的无伪影版本，获取所述一个或多个参考输出数据集中的每一者13.根据权利要求12所述的方法，其中，所述一个或多个样本输入数据集包括至少一组MR数据和一组非MR数据，并且其中，对所述神经网络进行训练，使得神经网络对看不见的数据具有鲁棒性，并且所述神经网络被配置为从MR数据和非MR数据中产生所述一个或多个最终空间加权函数。14.根据权利要求12所述的方法，其中，所述一个或多个训练输入数据集包括一个或多个训练初步空间加权函数，并且其中，所述一个或多个参考输出数据集包括一个或多个训练最终空间加权函数，所述一个或多个训练最终空间加权函数中的每一者是先前获得的所
述一个或多个训练初步空间加权函数中的对应一者的无伪影版本。15.根据权利要求14所述的方法，其中，所述神经网络被配置为对所述一个或多个训练初步空间加权函数进行处理以产生一个或多个估计最终空间加权函数，并且其中，使用成本函数对所述神经网络进行训练，所述成本函数被配置为使所述一个或多个训练最终空间加权函数与所述一个或多个估计最终空间加权函数之间的差异最小化。16.根据权利要求14所述的方法，其中，所述神经网络被配置为对所述一个或多个训练初步空间加权函数进行处理以产生一个或多个估计最终空间加权函数，并且其中，使用成本函数对所述神经网络进行训练，所述成本函数被配置为使基于所述一个或多个训练最终空间加权函数的训练图像序列与基于所述一个或多个估计最终空间加权函数的估计图像序列之间的差异最小化。17.根据权利要求1所述的方法，其中，通过所述神经网络执行所述一个或多个最终空间加权函数与所述一个或多个时域基函数的相乘。18.一种对用于分析来自对象的磁共振(MR)数据的神经网络进行训练的方法，所述神经网络具有包括一个或多个运算和一个或多个可调整权重的架构，所述方法包括：接收去往所述神经网络的一个或多个训练输入数据集，所述一个或多个训练输入数据集包括一组或多组训练初步空间加权函数和一组或多组训练最终空间加权函数，所述一组或多组训练最终空间加权函数中的每一者是先前获得的所述一组或多组训练初步空间加权函数中的对应一者的无伪影版本，所述一组或多组训练初步空间加权函数和训练最终空间加权函数中的每一者对应于所述对象的时变维度；根据所述神经网络的架构对所述一组或多组训练初步空间加权函数进行处理，以产生一组或多组估计最终空间加权函数；将所述一组或多组估计最终空间加权函数中的每一者与所述一组或多组训练最终空间加权函数中的对应一者进行比较；判定所述一组或多组估计最终空间加权函数是否满足所述神经网络的成本函数，所述成本函数被配置为使所述一组或多组训练最终空间加权函数与所述一组或多组估计最终空间加权函数之间的差异最小化；响应于不满足所述神经网络的所述成本函数的判定，调整所述一个或多个网络权重；以及利用调整后的所述一个或多个网络权重重复地对所述一个或多个训练初步空间加权函数进行处理，直至满足所述成本函数。1...

【专利技术属性】
技术研发人员：安东尼，
申请(专利权)人：西达赛奈医疗中心，
类型：发明
国别省市：