本公开内容涉及一种方法，所述方法包括：接收(201)针对目标的采集的k空间数据；根据所采集的k空间数据来重建(203)图像；根据所重建的图像来生成(205)重建的k空间数据；将Δk空间数据确定(207)为所采集的k空间数据与所重建的k空间数据之间的差异；将所述k空间数据划分(209)成一个或多个数据块，其中，所述数据块中的每个数据块包括具有k空间坐标集合的一个或多个样本的集合；针对一个或多个坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择(211)具有所述k空间坐标集合的残留数据集；将所述数据块的至少部分和对应的残留数据集输入(213)到经训练的机器学习模型，从而从所述经训练的机器学习模型获得针对所采集的k空间的所述数据块中的每个数据块的运动损坏概率。率。率。
【技术实现步骤摘要】
【国外来华专利技术】基于机器学习的运动损坏数据检测
[0001]本专利技术涉及扫描成像系统，特别涉及用于实现磁共振图像重建的医学分析系统。
技术介绍
[0002]磁共振成像(MRI)扫描器依赖于大型静态磁场(B0)来对齐原子的核自旋，作为用于产生患者体内的图像的流程的一部分。这些图像能够反映对象的各种量或属性。然而，患者在扫描期间的移动常常是个成像问题。由于在k空间填充期间运动何时发生的相关性，来自患者移动的伪影变化很大。
技术实现思路
[0003]各种实施例提供了如独立权利要求的主题所描述的医学分析系统、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磁共振成像方法的手段。卷积神经网络(CNN)可以使用自我一致性(self
‑
consistency)矩阵和测量的k空间数据来检测运动损坏数据。可以使用从一个数据块/点测量的k空间数据与根据所有采集的数据重建的k空间数据之间的不一致情况来测量自我一致性矩阵。可以使用CNN来处理所测量的自我一致性矩阵和所测量的k空间数据以获得运动损坏的概率图。CNN可以处理每次激发(shot)的数据，也可以一起处理所有激发的数据。该方法还可以为CNN识别的高度运动损坏的数据块分配较低的权重并且为用于图像重建的没有损坏的数据块分配较高的权重。
[0005]在一个方面，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至少一个存储器，所述至少一个存储器存储机器可执行指令。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检测运动损坏数据。对所述机器可执行指令的运行使所述处理器：接收针对目标的采集的k空间数据；根据所采集的k空间数据来重建图像；根据所重建的图像来生成重建的k空间数据；并且将Δk空间数据确定为所采集的k空间数据与所重建的k空间数据之间的差异。对所述机器可执行指令的运行还使所述处理器：将所采集的k空间数据划分成一个或多个数据块，其中，所述数据块中的每个数据块包括具有相应的k空间坐标的集合的一个或多个样本的集合；并且针对一个或多个k空间坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择具有所述k空间坐标集合的残留数据集。对所述机器可执行指令的运行还使所述处理器：将全部或部分数据块和对应的残留数据集输入到所述经训练的机器学习模型，从而从所述经训练的机器学习模型获得输出，其中，所述输出包括针对所输入的所采集的k空间的数据块中的每个数据块的运动损坏概率。
[0006]本主题可以采用与机器学习模型的自我一致性来检测运动损坏数据。出于以下原因，使用自我一致性与机器学习模型的组合可以是有利的。在所采集的数据中存在足够冗余的情况下，单独的自我一致性构思可能成功，因为能够容易地对运动损坏的数据块进行分类。然而，在高加速因子和/或大运动损坏的情况下，这种构思可能无法检测到运动。另一
方面，在仅使用诸如神经网络之类的机器学习模型来检测运动的情况下，通过利用运动损坏的图像/没有损坏的图像来训练模型，可能有其自身的局限性。特别地，该技术的准确性可能取决于用于训练的模拟数据的结论性。另外，针对可能无法推广到其他解剖结构的特定解剖结构来训练模型，并且为了具有良好训练的模型，需要在训练中包括多个运动状态，这要求具有几乎所有不同类型的运动的结论性集合的大的训练数据集。本主题可以通过对k空间数据而不是图像应用自我一致性与机器学习模型的组合来解决这些问题。可以使用机器学习模型来学习针对低冗余的k空间数据的自我一致性行为，使得也能够检测到不明显的不一致数据块。因此，与常规方法相比，运动检测可以对冗余较少的数据更加鲁棒。
[0007]本专利技术涉及磁共振成像重建，其中，将所采集的k空间数据与根据重建图像反投影的k空间数据之间的一致性分析与机器学习模型相结合。自我一致性度量在基于AI的框架中用于检测大运动。一致性分析的实现方式是：对于每个所选择的k空间数据块，从Δk空间数据中选择残留数据集并将该残留数据集与所选择的测量k空间数据配对。机器学习从所选择的数据块返回运动损坏的模型概率。以这种方式，对k空间数据进行了基于机器学习的运动损坏分析。这使得能够在以高加速因子进行采集的情况下或者在冗余不足以单独依赖于一致性的大运动的情况下考虑运动损坏。
[0008]本主题可以实现对所采集的原始数据中的运动损坏数据的准确检测。这可以实现对运动预防和校正技术的高效应用。特别地，本主题可以实现使运动的影响(这是特别隐含的)降低，因为运动会降低谱质量和诊断价值，但是常常不会造成明显的伪影，因此会被忽视。与用于检测运动损坏数据的特设方法形成对比，使用机器学习模型可以进一步提高对运动损坏数据的检测准确度。
[0009]目标可以是对象中的靶标体积。例如，可以通过MRI系统对对象进行成像或扫描以采集k空间数据。所采集的k空间数据可以用于生成对象中的靶标体积的图像。例如，靶标体积可以是头部或心脏。
[0010]在本文中使用的术语“k空间”可以指表示MR图像中的空间频率的数字阵列(矩阵)。k空间可以是MR图像的2D或3D傅里叶变换。
[0011]术语“机器学习”(ML)是指用于通过以自动方式构建概率模型(被称为机器学习模型或“预测模型”)来从训练数据集中提取有用信息的计算机算法。机器学习算法基于样本数据(被称为“训练数据”)来构建数学模型，以便做出预测或决策。可以使用学习算法(例如，有监督或无监督的学习、[聚类、分类、线性回归]、强化算法、自学习等)来执行机器学习。机器学习可以基于各种技术(例如，聚类、分类、线性回归、支持向量机、神经网络等)。“模型”或“预测模型”可以例如是数据结构或程序(例如，神经网络、支持向量机、决策树、贝叶斯网络等)。该模型适于根据其他已知值来预测未测量的值(例如，哪个标签对应于给定的令牌)并且/或者预测或选择动作以使未来奖励最大化。根据一个示例，机器学习模型是深度学习模型。
[0012]术语“k空间坐标”是指所采集的k空间数据的样本(或数据点或采样点)的k空间坐标。k空间坐标是k空间位置。例如，k空间坐标k(t)可以被定义为其中，γ是旋磁比，并且G(t)是梯度向量，其描述在时间t时沿着x轴、y轴和/或z轴的磁场梯度的强度，并且0表示开始时间。例如，如果分别施加2D或3D梯度磁场G(t)，则k空间坐标k(t)可以是2维k空间坐标(例如，{kx(t),ky(t)})或3维k空间坐标(例如，{kx(t),ky(t),kz(t)})。
[0013]所采集的k空间数据的数据块可以包括一个或多个样本，其中，一个或多个样本中的每个样本在k空间中具有相应的k空间坐标。因此，所采集的k空间数据的每个数据块可以与数据块的样本的一个或多个k空间坐标的相应集合相关联。所采集的k空间数据的每个数据块的样本可以是连接的样本。所述连接的样本可以在采集时间上是连续的(因此在时间上是连接的)，或者在采集时间上是不连续但与某种生理现象是相关的。
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】1.一种用于实现磁共振图像重建的医学分析系统(100)，所述医学分析系统包括处理器(103)和至少一个存储器(107)，所述至少一个存储器存储机器可执行指令，所述处理器被配置用于控制所述医学分析系统(100)，其中，对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(160)，所述经训练的机器学习模型(60)被配置用于检测运动损坏数据；接收(201)针对目标的采集的k空间数据；根据所采集的k空间数据来重建(203)图像；根据所重建的图像来生成(205)重建的k空间数据；将Δk空间数据确定(207)为所采集的k空间数据与所重建的k空间数据之间的差异；将所采集的k空间数据划分(209)成一个或多个数据块，其中，所述数据块中的每个数据块包括具有k空间坐标集合的一个或多个样本的集合；针对一个或多个k空间坐标集合中的每个k空间坐标集合，从所述Δk空间数据中选择(211)具有所述k空间坐标集合的残留数据集；将所述数据块的至少部分和对应的残留数据集输入(213)到所述经训练的机器学习模型，从而从所述经训练的机器学习模型获得针对所输入的数据块中的每个数据块的运动损坏概率。2.根据权利要求1所述的系统，其中，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将具有相同的k空间坐标集合的一个残留数据集和一个数据块输入到所述经训练的机器学习模型。3.根据权利要求1所述的系统，其中，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将具有相同的k空间坐标集合的一个残留数据集和一个数据块重复输入到所述经训练的机器学习模型，直到所有选择的残留数据集都得到处理为止。4.根据权利要求1所述的系统，其中，对所述机器可执行指令的运行还使所述处理器通过以下操作来执行所述输入：将多个残留数据集和相关联的多个数据块输入到所述经训练的机器学习模型。5.根据前述权利要求中的任一项所述的系统，其中，数据块的所述k空间坐标集合关于所述数据块的采集时间是连续的，或者通过某些生理测量结果相关。6.根据前述权利要求中的任一项所述的系统，其中，所采集的k空间数据是从以下操作得到的：使所述目标经受K＞＝1次预定义脉冲序列的激发，其中，所述数据块中的每个数据块包括单次激发的一些样本或所有样本。7.根据前述权利要求1
‑
5中的任一项所述的系统，其中，所采集的k空间...
【专利技术属性】
技术研发人员：A，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。