磁共振图像的自适应重建制造技术

本公开涉及一种方法，包括：提供经训练的机器学习模型。所述经训练的机器学习模型被配置为根据输入数据来重建图像。所述方法包括：接收(201)包含M维采集数据的多维矩阵；确定(205)所述矩阵的至少一个K选定维度的值的子集；针对子集的每个值确定包括所采集数据的与该值对应的M

Adaptive reconstruction of magnetic resonance images

【技术实现步骤摘要】
【国外来华专利技术】磁共振图像的自适应重建


[0001]本专利技术涉及扫描成像系统，特别是用于重建磁共振图像的医学分析系统。

技术介绍

[0002]磁共振成像(MRI)扫描器依靠大的静磁场(B0)来将原子的核自旋对齐，这是在患者体内产生图像的过程的一部分。这些图像可以反映对象的各种量或属性。根据欠采样的k空间数据来重建图像在MRI中发挥着重要作用。特别是，深度学习已显示出以减少的测量显著加快MRI重建的潜力。ISMRM
‑
2018摘要(第2796页)：'Integrating spatial and temporal correlation into a deep neural network for low
‑
delay reconstruction of highly undersampled radial dynamic images'(H.Takeshima)公开了一种使用深度神经网络(DNN)的动态重建方法，其中根据相继的M个帧和N个相邻帧切片来重建单幅图像。

技术实现思路

[0003]各种实施例提供如独立权利要求的主题所描述的用于重建磁共振图像的医学分析系统、方法和计算机程序产品。在从属权利要求中描述了有利的实施例。
[0004]本专利技术的实施例可以提供用于重建实际(中心)线、切片或厚片的单元，其中，分别考虑了与相邻线、切片或厚片的相关性。本专利技术可以实现减少重建中优化问题的维度，这减少了用于MR图像重建的计算工作量和时间。这可以通过将MR图像数据的维数为M的多维矩阵的维数减少一维或多维(K>＝1维)来实现，得到维数M
‑
K(M减K)的降低的矩阵，选择降低的矩阵的一个或多个子部分，其中，每个子部分包括相关矩阵，并使用该子部分作为模型的输入，所述模型已被训练用于根据具有该降低维度M
‑
K的数据来重建图像。
[0005]在一个方面中，本专利技术涉及一种用于重建磁共振图像的医学分析系统。所述医学分析系统包括处理器和存储机器可执行指令的至少一个存储器。所述处理器被配置用于控制所述医学分析系统。所述医学分析系统包括经训练的机器学习模型，其中，所述经训练的机器学习模型被配置用于根据输入数据来重建MR图像。所述机器可执行指令的运行使所述处理器：接收包含M维采集数据的多维矩阵，确定M维矩阵的至少一个选定维度的值的子集(K个选定维度，其中，K>＝1且K<M)，针对所述至少一个子集中的每个子集的每个值，确定包含与所述值对应的所采集的数据的M
‑
K维矩阵，得到M
‑
K维矩阵的集合，将M
‑
K维矩阵的所述集合输入到经训练的机器学习模型，并接收来自经训练的机器学习模型的图像重建输出。
[0006]例如，如果选择了两个维度，即K＝2，则可以确定值的两个子集，每个选定维度一个子集。针对两个子集中的一个子集的第一值和两个子集中的另一个子集的第二值的每一对，可以确定M
‑
2维矩阵。例如，如果第一子集具有两个值并且第二子集具有三个值，则可以从这两个子集定义六个可能的对，并且因此可以针对这六个对确定六个M
‑
2矩阵。如果选择了三个维度，即K＝3，则可以确定值的三个子集，每个选定维度一个子集。对于三个子集中的一个子集的第一值和三个子集的另外两个子集的第二值和第三值的每个三元组，可以确定M
‑
3维矩阵。例如，如果选择一维，即K＝1，则可以确定值的一个子集。对于子集的每个值，
可以确定M1维矩阵，依此类推。
[0007]当增加问题的维度时，经训练的模型(例如深度学习模型)可能会表现得越来越好。例如，可以通过使用纯3D重建处理3D欠采样笛卡尔扫描来求解3D问题。与逐切片求解3D问题(即N次2D问题)相比，这可能产生更好的图像质量。但是，求解N次2D问题可能比一次性求解整个3D问题更实用。在训练和推理期间，这在计算时间和存储器方面可能更实用，从而允许应用更强大的深度学习解决方案。
[0008]本主题可以使得能够将M维问题分解为多个M
‑
K维问题。一个示例是加速笛卡尔3D扫描，其中，k空间在读出方向上被完全测量。后者允许沿读出方向拆分优化问题，因此将3D重建问题分解为Nread_out个2D问题。通过将问题分解为更小的问题，经训练的机器学习模型可能必须处理更少的数据，因此可能降低计算和存储器负载。计算负载和存储器消耗可能是推理期间(例如，在扫描器上的重建图像期间)和训练期间的重要因素。由于以下原因，这对于深度神经网络可能特别有利。深度学习解决方案中的(一个或多个)网络大小受到训练期间和扫描器上的硬件约束(例如GPU存储器的计算能力的可用性)的限制。由于输出质量方面的性能通常会随着模型大小的增加而提高，因此使用尽可能大的网络可能是有益的。因此，解决较小的问题可能允许使用较大的模型，并且因此提高输出质量。本主题可以还优化减少的多个M
‑
K维问题的求解。特别地，本主题可以采用“N维半”方法来使用N(M
‑
K)维数据之间的相关性来求解M维问题(对于M＝3，所述方法可以是2.5D方法)。通过使用一些相关的厚片或切片的信息(例如相邻的2D切片可能是相关切片)而不是整个M维体积，切片或厚片之间的相关性可以用于提高实际单个切片或厚片的图像质量。这种“N维半”方法可用于问题可以沿一个或多个维度分离的情况。
[0009]例如，MRI扫描器可用于扫描或成像对象中的目标体积(例如大脑)以采集数据。这可能得到M维采集数据。采集的数据可以包括k空间数据(例如欠采样的k空间数据)或其他图像数据，例如混叠图像数据。k空间数据可以在本文中定义为在磁共振成像扫描期间使用磁共振设备的天线对由原子自旋发射的射频信号的记录的测量结果。
[0010]所述经训练的机器学习模型可以被配置为响应于接收到数据的一组X维矩阵而提供图像重建输出。图像重建输出是重建X维矩阵集合中的一个单个X维(XD)矩阵的图像数据并考虑单个XD矩阵与XD矩阵的集合中的剩余XD矩阵之间的相关性的结果。提供X维度使得M
‑
K＝X。可以训练机器学习模型以直接学习输入(例如，欠采样的k空间数据或混叠图像)和输出MR图像之间的映射。例如，图像重建输出可以是磁共振图像，例如包含在k空间数据内的解剖数据的重建的一维、二维或三维可视化。例如，欠采样的k空间数据用作经训练的机器学习模型的输入，并且来自完全采样的k空间数据的所需图像可以是重建的图像输出。
[0011]M
‑
K矩阵的集合中的每个矩阵可以包括至少一个维度，所述维度表示对象的三个方向之一上的空间频率信息。根据一个实施例，K＝1，使得选择一个维度并且确定沿所选维度的值的一个子集。
[0012]根据一个实施例，机器可执行指令的运行还使所述处理器确定值的子集，使得与所述子集的值(或给定值)相关联的M
‑
K维矩阵和集合中的剩余的M
...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于重建磁共振图像的医学分析系统(100)，所述医学分析系统包括处理器(103)和存储机器可执行指令的至少一个存储器(107)，所述处理器被配置用于控制所述医学分析系统(100)，其中，所述机器可执行指令的运行使所述处理器(103)：提供经训练的机器学习模型，所述经训练的机器学习模型被配置用于根据输入数据来重建图像；接收(201)包含M维采集数据的多维矩阵；确定(205)所述M维矩阵的至少一个选定维度的值的至少一个子集；针对所述至少一个子集中的每个子集的每个值，确定(207)包括与所述值相对应的所述采集数据的M
‑
K维矩阵，得到M
‑
K维矩阵的集合，其中，K≥1；将M
‑
K维矩阵的所述集合输入(209)到所述经训练的机器学习模型，并且从所述经训练的机器学习模型接收图像重建输出，并且其中，所述机器可执行指令的执行还使所述处理器确定值的所述子集，使得与所述子集的中心值相关联的M
‑
K维矩阵与所述集合中的剩余的M
‑
K维矩阵之间的相关性高于预定义的阈值。2.根据前述权利要求中的任一项所述的系统，其中，所述机器可执行指令的执行还使所述处理器确定值的另外的子集并且针对所述另外的子集中的每个另外的子集重复步骤d)和e)。3.根据权利要求2所述的系统，所述子集是非交叠子集。4.根据前述权利要求中的任一项所述的系统，所述M维采集数据是3D k空间数据(M＝3)，其中，所述选定维度(K＝1)为读出方向，其中，M
‑
1维矩阵的所述集合表示...

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