使用神经网络的SENSE磁共振成像重建制造技术

本文公开了一种训练神经网络(214)以执行SENSE磁共振成像重建的方法。所述方法包括接收(100)初始训练数据，其中，所述初始训练数据包括多组初始训练复通道图像，每组初始训练复通道图像与预定数量的初始真实情况图像相配对。所述方法还包括通过对所述初始训练数据执行数据扩充来生成(102)额外的训练数据，使得所述数据扩充包括在生成多组额外的训练复通道图像期间向所述多组初始训练复通道图像中的每组初始训练复通道图像添加独特的相位偏移。所述方法还包括将所述多组额外的训练复通道图像输入(104)到所述神经网络中并作为响应而接收预定数量的输出训练图像并使用所述输出训练图像来执行深度学习。出训练图像来执行深度学习。出训练图像来执行深度学习。

【技术实现步骤摘要】
【国外来华专利技术】使用神经网络的SENSE磁共振成像重建


[0001]本专利技术涉及磁共振成像，特别涉及SENSE磁共振成像。

技术介绍

[0002]SENSE磁共振成像是一种加速磁共振成像的手段，它利用了以下事实：用于接收器阵列的具有单独采集通道的个体天线元件具有空间编码效应。由不同的天线元件采集的同一条k空间线包含不同的信息。描述天线元件的空间灵敏度的线圈灵敏度图可以用于重建对k空间的采样数少于奈奎斯特定理的要求的磁共振图像。可以对个体切片或整个体积进行SENSE磁共振成像。
[0003]也可以通过一次采集针对若干切片的k空间数据来执行SENSE磁共振成像。梯度磁场可以用于将对象分成响应于特定共振频率的切片。多频带SENSE(MB
‑
SENSE)使用射频(RF)脉冲，该RF脉冲一次激励若干切片。在重建时，针对由MB脉冲激励的每个天线元件(或通道)的测量的复通道图像被叠加在图像中。为了允许去卷积或切片解开，针对MB
‑
SENSE的采样模式被选择为使得不同激励切片中的图像被偏移了已知的CAIPIRINHA移位。
[0004]Bilgic等人的“Highly accelerated multishot echo planar imaging through synergistic machine learning and joint reconstruction”(Magnetic Resonance in Medicine，2019年，82，第1343
‑
1358页)公开了一种执行SENSE重建的方法，该方法执行混合式机器学习和基于物理的重建。U
‑
Net类型的神经网络用于从中间图像中移除伪影。

技术实现思路

[0005]本专利技术在独立权利要求中提供了方法、医学系统和计算机程序产品。在从属权利要求中给出了实施例。
[0006]实施例可以提供一种改进的重建SENSE磁共振图像的方法，这种方法不要求线圈灵敏度图。能够通过以下操作来训练神经网络以重建SENSE图像：对训练数据执行数据扩充，使得通过数据扩充产生的训练复通道图像具有被添加到其中的相位偏移，所述相位偏移例如能够从随机分布、伪随机分布或预定分布中选择。
[0007]用于执行SENSE重建的图像是复图像，每个体素都具有实部和虚部。复图像可以被表示为两幅图像，一幅图像具有实部，而另一幅图像具有虚部。替代地，幅值和相位可以用于表示针对每个体素的复数。不管如何表示，每个体素都具有幅值和相位。在磁共振成像系统中，来自不同的线圈或通道的图像能够具有因各种因素(例如，射频系统或天线或这些天线)或因这些天线被附接到的检测通道的各种属性而产生的相位偏移。在常规的SENSE重建期间，通过线圈灵敏度图来补偿这种相位偏移的差异。
[0008]通过执行数据扩充并向所得到的训练复通道图像添加随机相位偏移，能够训练神经网络以自动补偿相位中的偏移。
[0009]在一个方面，本专利技术提供了一种训练神经网络以执行SENSE磁共振成像重建的方法。所述神经网络被配置为响应于输入根据磁共振并行成像协议采集的多幅测量的复通道
图像而输出预定数量的重建图像。并行成像协议涉及对k空间的欠采样以用于采集MR数据。可以在图像空间或k空间中进行对缺失数据的校正，即，基于线圈空间灵敏度分布曲线对混叠的展开或者通过基于完全采样的k空间中心区域的自动校准对未采样的k空间的估计。所述多幅测量的复通道图像是由在磁共振成像系统的单独的射频通道上的单独的线圈元件或天线采集的图像。
[0010]所述方法包括接收初始训练数据。初始训练数据集包括多幅初始训练复通道图像，每幅初始训练复通道图像与预定数量的初始真实情况图像相配对。预定数量的初始真实情况图像的数量与预定数量的重建图像的数量相同。可以以若干不同的方式获得初始训练数据。在一个示例中，可以利用对整个k空间的完全采样来采集针对单个测试用例的k空间数据，使得能够重建来自每条通道的图像。然后可以使用它来重建初始真实情况图像。然后能够模拟根据磁共振并行成像协议的成像采集。用于多幅初始复通道图像中的一幅初始复通道图像的k空间数据的部分能够使其k空间数据的部分不用于重建。这可能会导致模拟真实SENSE采集的混叠伪影或鬼影伪影。在其他实例中，磁共振成像协议可以根据磁共振并行成像协议采集磁共振成像数据或k空间数据，但是随后使用线圈灵敏度图来重建真实情况图像。
[0011]所述方法还包括通过对所述初始训练数据执行数据扩充来生成额外的训练数据。所述额外的训练数据包括多组额外的训练复通道图像，每组额外的训练复通道图像与预定数量的额外的真实情况图像相配对。预定数量的重建图像的数量与预定数量的额外的真实情况图像的数量相同。所述数据扩充包括在生成所述多组额外的训练复通道图像期间向所述多组初始训练复通道图像中的每组初始训练复通道图像添加独特的相位偏移。在该特征中，使用数据扩充来生成额外的训练数据。可以使用翻转图像、改变图像缩放比例和移动图像的传统技术，然而，在数据扩充期间执行额外的步骤。
[0012]用于训练神经网络的数据也可以根据完全SENSE重建图像生成的，并且假定不同的复线圈灵敏度来生成个体线圈图像，能够经由快速傅里叶变换(FFT)对这些个体线圈图像进行进一步的子采样。
[0013]被输入到神经网络中的图像——多幅测量的复通道图像是复图像。RF系统的配置和其他因素可以在不同通道上引起随机相位。这也能够在系统维护之间改变并且在不同的配置中改变。在常规情况下，神经网络无法处理这种被输入到其中的复图像的相位中的变化。为了克服这个问题，在数据扩充期间，故意随机化处理或改变相位。这使得神经网络在经过训练后能够适应这些不同的相位偏移。
[0014]所述方法还包括将所述多组额外的训练复通道图像输入到所述神经网络中并作为响应而接收预定数量的输出训练图像。预定数量的重建图像的数量与预定数量的输出训练图像的数量相同。所述方法还包括通过将所述预定数量的输出训练图像和所述预定数量的真实情况图像输入到损失函数中来计算训练向量。所述方法还包括通过利用所述训练向量控制反向传播算法来训练所述神经网络。最后这三个步骤是使用深度学习来训练神经网络的传统方法。
[0015]在另一实施例中，多幅测量的复通道图像都具有预定的输入大小。这是构成图像的体素的维度规格。由神经网络输出的重建图像也具有这种相同的大小。
[0016]在另一实施例中，多幅测量的复通道图像是根据在单独的射频通道上根据磁共振
并行成像协议采集的k空间数据重建的。
[0017]在另一实施例中，神经网络是卷积神经网络。
[0018]在另一实施例中，卷积神经网络是所谓的U
‑
net。使用U
‑
net可以是有益的，因为它能够关联不同缩放尺度上的空间模式，因此它在处理医学图像中是有用的。
[0019]在另一实施例中，独特的相位偏移选自以下各项的任一项：随机相位、伪随机相位，以及选定的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种训练神经网络(214)以执行SENSE磁共振成像重建的方法，其中，所述神经网络被配置为响应于输入多幅测量的复通道图像(216)而输出预定数量的重建图像(218)，所述多幅测量的复通道图像是由在单独的射频通道上的单独的线圈元件或天线根据磁共振并行成像协议采集的，其中，所述方法包括：接收(100)初始训练数据，其中，所述初始训练数据包括多组初始训练复通道图像，每组初始训练复通道图像与预定数量的初始真实情况图像相配对；通过对所述初始训练数据执行数据扩充来生成(102)额外的训练数据，其中，所述额外的训练数据包括多组额外的训练复通道图像，每组额外的训练复通道图像与预定数量的额外的真实情况图像相配对，其中，所述数据扩充包括在生成所述多组额外的训练复通道图像期间向所述多组初始训练复通道图像中的每组初始训练复通道图像添加独特的相位偏移；将所述多组额外的训练复通道图像输入(104)到所述神经网络中并作为响应而接收预定数量的输出训练图像；通过将所述预定数量的输出训练图像和所述预定数量的真实情况图像输入到损失函数中来计算(106)训练向量；并且通过利用所述训练向量控制反向传播算法来训练(108)所述神经网络。2.根据权利要求1所述的方法，其中，所述方法还包括：在计算所述训练向量之前，从所述预定数量的输出训练图像中移除拼接伪影(800)。3.根据权利要求1所述的方法，其中，所述神经网络包括卷积层，并且其中，所述卷积层是循环卷积层。4.根据权利要求1所述的方法，其中，所述方法还包括：在将所述额外的训练复通道图像输入到所述神经网络中之前，循环填充所述额外的训练复通道图像的边界(803)。5.根据前述权利要求中的任一项所述的方法，其中，所述磁共振并行成像协议是多频带SENSE磁共振成像协议，所述多频带SENSE磁共振成像协议被配置用于同时采集预定数量的切片，其中，所述预定数量的输出训练图像中的每幅输出训练图像对应于所述预定数量的切片中的一个切片，并且所述预定数量的输出训练图像中的每幅输出训练图像被偏移了依赖于层的平移移位，其中，所述方法还包括：在计算所述训练向量之前，将所述预定数量的真实情况图像中的每幅真实情况图像移位所述依赖于层的平移移位。6.根据前述权利要求中的任一项所述的方法，其中，针对所述多组初始训练复通道图像中的每组初始训练复通道图像的所述独特的相位偏移选自以下各项中的任一项：伪随机相位角分布、随机相位角分布、相位角的选定列表，以及其组合。7.一种医学系统(200，300)，包括：存储器(210)，其存储机器可执行指令和神经网络(214)，其中，所述神经网络通过根据权利要求1所述的方法被训练为被配置用于通过以下操作来执行磁共振并行成像重建：响应于输入多幅测量的复通道图像(216)而输出预定数量的重建图像(218)，所述多幅测量的复通道图像是由在单独的射频通道上的单独的线圈元件或天线根据磁共振并行成像协议采集的；处理器(204)，其被配置用于控制所述医学系统，其中，对所述机器可执行指令的运行使所述处理器执行以下操作：
接收(300)所述多幅测量的复通道图像；并且通过将多幅测量的复通道图像输入到所述神经网络中来接收(302)所述预定数量的重建图像。8.根据权利要求7所述的医学系统，其中，所述神经网络是根据权利要求1至6中的任一项所述的方法来训练的。9.根据权利要求7或8所述的医学系统，其中，所述神经网络是根据权利要求2所述的方法来训练的，其中，对所述机器可执行指令的运行还使所述处理器从所述预定数量的重建图像中的每幅重建图像中移除拼接...

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