用于重建磁共振成像图像的系统和方法技术方案

本文描述了与磁共振成像检查相关联的与生成多对比度磁共振成像图像相关联的系统、方法和装置。系统、方法和装置利用人工神经网络(ANN)，该人工神经网络被训练为基于与磁共振成像检查相关联的预定质量准则来联合确定用于多个对比度的磁共振成像数据采样模式，并且基于使用采样模式采集的欠采样磁共振成像数据来重建具有多个对比度的磁共振成像图像。进行人工神经网络的训练的目的可以是提高整个磁共振成像检查而不是单独对比度的质量。由此可见，人工神经网络可以学习以优化整个磁共振成像检查的性能的方式在多个对比度之间分配资源。资源。资源。

【技术实现步骤摘要】
用于重建磁共振成像图像的系统和方法


[0001]本申请涉及磁共振图像重建领域，尤其涉及多对比度的图像重建。

技术介绍

[0002]磁共振成像(MRI)已经成为用于疾病检测、诊断和治疗监测的非常重要的工具。对诸如大脑的解剖结构的MRI检查可能涉及多个图像，各个图像可能具有唯一的对比度(例如，T1加权、T2加权、流体衰减反转恢复(FLAIR)等)并且可以提供相应的基础生理信息。由于MRI本质上是一种慢速成像技术，因此可能需要加速这种多对比度MRI检查。“MRI检查”在MRI中用于指患者在一个成像阶段中经历若干MRI扫描。例如，医生让患者A执行MRI检查，并且他/她将被扫描几个序列/对比度(T1加权项、T2加权项、电影、LGE等)。然后在完成最后的序列之后，完成成像并且患者可以离开扫描室。在该阶段发生的所有成像被称为“检查”。常规加速技术可将多个对比度中的每一个对比度当做独立的情况，并且以实现各个单独对比度的最佳结果为目标来欠采样和重建MRI信号(例如，k空间信号)。使用这些技术，可以独立地和/或单独地针对各个对比度开发采样模式和重建算法，而不利用可以在多个对比度之间共享的信息。因此，虽然可以优化针对各个对比度获得的图像，但是整个MRI检查的输出可能变得次优，例如，关于重建质量和/或采集时间变得次优。
[0003]因此，期望用于通过联合优化与多个对比度相关联的采样和/或重建操作来提高多对比度MRI检查的质量的系统、方法、装置。

技术实现思路

[0004]本文描述了用于多对比度MRI检查的与生成MRI图像相关联的系统、方法和装置，该多对比度MRI检查至少包括第一MRI对比度(例如，T1加权)和第二MRI对比度(例如，T2加权)。被配置为执行图像生成任务的设备可以确定与生成具有第一对比度的第一MRI图像和具有第二对比度的第二MRI图像相关联的一个或多个质量准则(例如，总加速度或扫描时间)。基于质量准则，设备可以使用人工神经网络(ANN)确定用于生成第一MRI图像的第一MRI数据采样模式和用于生成第二MRI图像的第二MRI数据采样模式。第一MRI数据采样模式和第二MRI数据采样模式可以用于采集相应的第一组和第二组欠采样MRI数据，其然后可以由ANN用于重建第一MRI图像和第二MRI图像。ANN可以被训练为将第一MRI采样模式与第二MRI数据采样模式相关地(例如联合地)确定，以便满足质量准则。ANN还可以被训练为将第一MRI图像与第二MRI图像相关地(例如联合地)生成，以便满足质量准则。
[0005]在示例中，本文所述的ANN可以被训练为以顺序次序(例如，使用循环神经网络)生成第一MRI图像和第二MRI图像，其中，第二MRI图像可以在第一MRI图像之后并且基于第一MRI图像来生成。在示例中，本文所述的ANN可以被训练为将第一MRI图像与第二MRI图像并行地生成(例如，使用卷积神经网络)。在示例中，本文所述的质量准则还可以与第三MRI图像相关联，并且ANN可以被训练为确定用于生成第三MRI图像的第三MRI数据采样模式，其中，第三MRI数据采样模式可以与第一MRI数据采样模式或第二MRI数据采样模式中的至少
一个相关地确定，并且第三MRI图像可以与第一MRI图像或第二MRI图像中的至少一个相关地生成，以便满足质量准则。
[0006]在示例中，上述ANN的训练可包括：接收包括MRI数据的训练数据集，确定用于生成第一MRI对比度图像的第一估计采样模式，通过将第一估计采样模式应用于在训练数据集中包括的MRI数据来获得第一欠采样MRI数据，以及基于第一欠采样MRI数据来生成第一MRI对比度图像。训练还可以包括：确定用于生成第二MRI对比度图像的第二估计采样模式，通过将第二估计采样模式应用于在训练数据集中包括的MRI数据来获得第二欠采样MRI数据，以及基于第二欠采样MRI数据来生成第二MRI对比度图像。在这种训练迭代期间生成的第一MRI对比度图像和第二MRI对比度图像可以与相应的第一金标准MRI图像和第二金标准MRI图像进行比较，以确定由ANN生成的MRI图像与金标准MRI图像之间的损失。然后，可以将损失反向传播通过ANN，以更新ANN的参数。在示例中，ANN的参数还可以基于一个或多个其他损失来调节，其他损失包括例如由ANN实现的目标总体质量指标(例如，目标总加速度)与实际质量指标(例如，实际总加速度)之间的损失。在示例中，ANN的参数可以基于组合损失(诸如与多个对比度相关联的损失的平均值)来调节。
附图说明
[0007]从以下结合附图以示例方式给出的描述中，可以更详细地理解本文公开的示例。
[0008]图1是例示了根据本文所述的一个或多个实施例的用于生成多对比度MRI图像的示例神经网络的简化框图。
[0009]图2是例示了根据本文所述的一个或多个实施例的用于自适应地生成多对比度MRI图像的示例神经网络结构的简化框图。
[0010]图3是例示了根据本文所述的一个或多个实施例的可与训练人工神经网络以生成多对比度MRI图像相关联的示例操作的简化框图。
[0011]图4是例示了根据本文所述的一个或多个实施例的可以被执行用于训练神经网络的示例操作的简化流程图。
[0012]图5是例示了可以被配置为执行本文提供的一个或多个实施例所述的任务的设备的示例部件的简化框图。
具体实施方式
[0013]在附图的各图中，通过示例以非限制性的方式例示了本公开。
[0014]图1是例示了示例人工神经网络(ANN)100的简化框图，该人工神经网络可以被训练为生成(例如重建)具有相应对比度的MRI图像。如图所示，ANN 100可以被配置为基于由MRI扫描仪收集的关于解剖结构(例如人脑)的空间频率和/或相位信息(例如图1所示的102a、102b和/或102c)来生成MRI图像。这种空间频率和/或相位信息在本文中可以被称为k空间、k空间数据或k空间信息。该信息可以为了进行MRI检查(例如，大脑MRI检查)而收集，该MRI检查可能涉及多个MRI对比度图像，诸如T1加权图像104a、T2加权图像104b和/或流体衰减反转恢复(FLAIR)图像104c。如将在下面更详细地描述的，ANN 100可被训练为确定用于从k空间102a
‑
102c采集欠采样MRI数据的相应(例如，第一、第二和第三)MRI数据采样模式，并且ANN还可被训练为基于欠采样MRI数据生成(例如，重建)MRI图像104a
‑
104c。
[0015]ANN可以包括被配置为确定上述MRI数据采样模式的相应采样器(例如，图1所示的120a、120b和120c)。各个MRI数据采样模式可包括采样掩模或采样图，其指示在k空间102a
‑
102c中将在何处收集数据，以便生成特定的MRI对比度图像(例如，T1图像104a、T2图像104b、FLAIR图像104c等)。ANN还可以包括重建器(例如，图1所示的140)，其被配置为基于使用MRI数据采样模式采集的欠采样数据来生成MR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于重建磁共振成像(MRI)图像的设备，包括：一个或多个处理器，其被配置为：使用人工神经网络(ANN)确定用于生成第一磁共振成像(MRI)图像的第一磁共振成像数据采样模式和用于生成第二磁共振成像图像的第二磁共振成像数据采样模式，其中，所述第一磁共振成像图像具有第一对比度，所述第二磁共振成像图像具有第二对比度，并且所述人工神经网络被训练为将所述第二磁共振成像数据采样模式与所述第一磁共振成像数据采样模式相关地确定，以便满足与所述第一磁共振成像图像和所述第二磁共振成像图像相关联的一个或多个质量准则；使用所述人工神经网络基于使用所述第一磁共振成像数据采样模式采集的第一组欠采样磁共振成像数据来生成所述第一磁共振成像图像；以及使用所述人工神经网络基于使用所述第二磁共振成像数据采样模式采集的第二组欠采样磁共振成像数据来生成所述第二磁共振成像图像。2.根据权利要求1所述的设备，其中，所述第一磁共振成像图像是使用所述人工神经网络的第一组参数生成的，所述第二磁共振成像图像是使用所述人工神经网络的第二组参数生成的，并且所述人工神经网络被训练为将所述第二组参数与所述第一组参数相关地确定，以便满足所述一个或多个质量准则。3.根据权利要求1所述的设备，其中，所述人工神经网络被训练为以顺序次序生成所述第一磁共振成像图像和所述第二磁共振成像图像，所述第二磁共振成像图像在所述第一磁共振成像图像之后并且基于所述第一磁共振成像图像生成，或，所述人工神经网络被训练为将所述第一磁共振成像图像与所述第二磁共振成像图像并行地生成。4.根据权利要求1所述的设备，其中，所述一个或多个质量准则包括总加速度，并且所述人工神经网络被训练为确定所述第一磁共振成像数据采样模式和所述第二磁共振成像数据采样模式，以便生成具有相应加速度的所述第一磁共振成像图像和所述第二磁共振成像图像，以满足所述总加速度。5.根据权利要求1所述的设备，其中，所述一个或多个质量准则还与第三磁共振成像图像相关联，并且所述一个或多个处理器还被配置为：使用所述人工神经网络确定用于生成所述第三磁共振成像图像的第三磁共振成像数据采样模式，其中，所述人工神经网络被训练为将所述第三磁共振成像数据采样模式与所述第一磁共振成像数据采样模式或所述第二磁共振成像数据采样模式中的至少一个相关地确定，以便满足所述一个或多个质量准则；以及使用所述人工神经网络基于使用所述第三磁共振成像数据采样模式采集的第三组欠采样磁共振成像数据来生成所述第三磁共振成像...

【专利技术属性】
技术研发人员：陈潇，赵麟，陈章，刘毅康，孙善辉，陈德仁，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：