使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统技术方案

本发明专利技术题为“使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统”。本发明专利技术提供了用于由加快的磁共振成像(MRI)数据来重建磁共振图像的各种方法和系统。在一个实施方案中，用于重建磁共振(MR)图像的方法包括：由欠采样k空间数据估计多组线圈灵敏度映射图，欠采样k空间数据通过多线圈射频(RF)接收器阵列来获取；使用欠采样k空间数据和估计的多组线圈灵敏度映射图来重建多个初始图像；利用训练的深度神经网络通过使用初始图像和多组线圈灵敏度映射图迭代地重建多个图像来生成多个最终图像，该多个图像中的每一个对应于多组灵敏度映射图中的不同组；以及将从训练的深度神经网络输出的多个最终图像合并以生成MR图像。

【技术实现步骤摘要】
使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
本文所公开的主题的实施方案涉及磁共振成像，并且更具体地涉及使用扩展线圈灵敏度模型进行的基于深度学习的磁共振图像重建。
技术介绍
磁共振成像(MRI)是可以在不使用X射线或其他电离辐射的情况下创建人体内部的图像的医学成像模态。MRI使用强力磁体产生强大、均匀的静磁场。当将人体或人体的一部分置于磁场中时，与组织水中的氢原子核相关的核自旋变得极化，其中与这些自旋相关的磁矩会变得优先沿着磁场的方向对准，从而沿着该轴线产生小的净组织磁化。MRI系统还包括梯度线圈，该梯度线圈产生具有正交轴线的较小幅值、空间变化的磁场以通过在体内每个位置处产生特征共振频率来对磁共振(MR)信号进行空间编码。氢核由处于或接近氢核的共振频率的射频信号激发，这为核自旋系统增加了能量。当核自旋弛豫回到其静止能量状态时，其以RF信号的形式释放吸收的能量。该RF信号(或MR信号)由一个或多个RF线圈阵列检测并且使用计算机和已知的重建算法来变换成图像。由于要采集大量数据，MRI获取过程可较慢。欠采样或采集更少k空间数据可减少扫描时间；然而，这可导致混叠伪影，从而可使相关解剖结构模糊不清。先进的MRI重建技术(诸如并行处理)可通过减少数据采集量来加快扫描时间而不发生混叠。
技术实现思路
在一个实施方案中，用于重建磁共振(MR)图像的方法包括由欠采样k空间数据估计多组线圈灵敏度映射图，其中欠采样k空间数据通过多线圈射频(RF)接收器阵列来获取；使用欠采样k空间数据和估计的多组线圈灵敏度映射图来重建多个初始图像，多个初始图像中的每一个对应于多组线圈灵敏度映射图中的不同组；利用训练的深度神经网络通过使用初始图像和多组线圈灵敏度映射图迭代地重建多个图像来生成多个最终图像，多个图像中的每一个对应于多组灵敏度映射图中的不同组；以及将从训练的深度神经网络输出的多个最终图像合并以生成MR图像。这样，可减少重建的图像中的成像伪影，同时还减少重建的计算工作量和扫描时间。应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。附图说明通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本公开，其中以下：图1是根据一个示例性实施方案的磁共振成像(MRI)系统的框图。图2是根据一个示例性实施方案的射频(RF)线圈阵列相对于成像对象的示意性布置。图3示出了根据一个实施方案的示意图，该示意图示出了使用深度学习-ESPIRiT网络来重建MRI图像的示例性过程流。图4示出了根据一个示例性实施方案的可在图3中使用的深度学习-ESPIRiT网络的示意图。图5示出了根据一个示例性实施方案的深度学习-ESPIRiT网络的布局。图6示出了根据一个示例性实施方案的使用深度神经网络由从多个MRI线圈元件获取的欠采样k空间数据来重建MR图像的方法的流程图。图7示出了根据一个示例性实施方案的用于训练图6的方法中使用的深度神经网络的方法的流程图。图8示出了通过不同技术重建的第一组心脏MR图像。图9示出了通过不同技术重建的第二组心脏MR图像。图10示出了通过不同技术重建的第三组心脏MR图像。具体实施方式磁共振成像(MRI)是实现软组织解剖和生理的非侵入性可视化的灵活诊断工具。然而，MRI获取过程固有地较缓慢，从而在某些情况下限制了其临床应用。可通过欠采样或采集更少k空间数据来减少MRI扫描期间的扫描时间。然而，欠采样可导致混叠伪影，从而可使相关解剖结构模糊不清。先进的MR图像重建技术(诸如并行成像)可通过减少重建MR图像所需的数据采集量来大幅加快扫描时间而不发生混叠。SENSE(灵敏度编码)利用线圈阵列灵敏度的显式知识来在空间上定位信号并且对欠采样图像进行去混叠。GRAPPA(全局自动校准部分并行采集)利用跨k空间中的线圈的局部相关性来合成缺失数据样本。这些方法均具有折衷，并且另一种称为ESPIRiT的方法将SENSE和GRAPPA结合起来以继承这两种技术的有益效果。ESPIRiT使用灵活线圈灵敏度模型，其可结合非笛卡儿采样轨迹和任意图像先验。ESPIRiT由于使用了采用多组线圈灵敏度映射图的扩展线圈灵敏度模型，因此对于由不一致线圈灵敏度映射图引起的伪影很稳健。例如，大于规定视场(FOV)的对象可重叠并形成灵敏度映射图中的间断点，从而沿着相位编码方向产生重影。然而，ESPIRiT能够使用多组线圈灵敏度映射图来表示重叠解剖结构(如与仅单组线圈灵敏度映射图相比)，从而允许重叠分量彼此单独地去混叠。ESPIRiT方法的详情描述于“ESPIRiT–AneigenvalueapproachtoautocalibratingparallelMRI:WhereSENSEmeetsGRAPPA”(ESPIRiT–自动校准并行MRI的特征值方法：SENSE与GRAPPA融合)，M.Uecker等人，MagneticResonanceinMedicine(《医学磁共振》)，第71卷，第3期，第990-1001页，2014年。本公开描述了使用基于深度学习的框架由欠采样MRI数据来重建MR图像的方法和系统，该基于深度学习的框架利用扩展线圈灵敏度模型来克服模型误差，诸如由解剖结构重叠引起的模型误差。可使用MRI装置(诸如图1所示的MRI装置)在MRI扫描期间获取欠采样k空间数据。MRI装置可包括一个或多个多线圈接收器阵列，每个多线圈接收器阵列包括多个RF线圈，诸如图2所示的示例性RF线圈阵列。在MRI扫描期间，每个接收器线圈可获取部分k空间数据(由于欠采样以加快扫描时间)。如图3的示例性过程流中所示，原始k空间数据可用于使用ESPIRiT校准来重建多个初始MR图像和多个线圈灵敏度映射图。然后将多个初始MR图像和映射图输入在深度神经网络(本文称为DL-ESPIRiT)中。DL-ESPIRiT网络以迭代方式重建多个MR图像并且在迭代结束时输出多个最终重建的MR图像，每个最终重建的MR图像对应于多组灵敏度映射图中的不同映射图。然后可将这些最终重建的MR图像合并成一个MR图像，并且向用户显示并用于诊断，如图6的示例性方法中所示。图4至图5中示出了示例性DL-ESPIRiT网络的更多细节。可通过将无伪影真实MR图像以及由欠采样MR数据直接重建或由模拟伪影增强的对应初始MR图像输入到DL-ESPIRiT网络中来对DL-ESPIRiT网络进行端到端训练，如图7的示例性方法中所示。图8至图10中示出了经由不同重建技术(包括DL-ESPIRiT技术)重建的具有各种级别不同成像伪影的示例性MR图像。图1示出了磁共振成像(MRI)装置10，其包括静磁场磁体单元12、梯度线圈单元13、一个或多个局部RF线圈阵列(210、220和2本文档来自技高网...

【技术保护点】
1.一种用于重建磁共振(MR)图像的方法，包括：/n由欠采样k空间数据估计多组线圈灵敏度映射图，其中所述欠采样k空间数据通过多线圈射频(RF)接收器阵列来获取；/n使用所述欠采样k空间数据和所述估计的多组线圈灵敏度映射图来重建多个初始图像，所述多个初始图像中的每一个对应于所述多组线圈灵敏度映射图中的不同组；/n利用训练的深度神经网络通过使用所述初始图像和所述多组线圈灵敏度映射图迭代地重建多个图像来生成多个最终图像，所述多个图像中的每一个对应于所述多组灵敏度映射图中的不同组；以及/n将从所述训练的深度神经网络输出的所述多个最终图像合并以生成所述MR图像。/n

【技术特征摘要】
20190205 US 16/268,2011.一种用于重建磁共振(MR)图像的方法，包括：
由欠采样k空间数据估计多组线圈灵敏度映射图，其中所述欠采样k空间数据通过多线圈射频(RF)接收器阵列来获取；
使用所述欠采样k空间数据和所述估计的多组线圈灵敏度映射图来重建多个初始图像，所述多个初始图像中的每一个对应于所述多组线圈灵敏度映射图中的不同组；
利用训练的深度神经网络通过使用所述初始图像和所述多组线圈灵敏度映射图迭代地重建多个图像来生成多个最终图像，所述多个图像中的每一个对应于所述多组灵敏度映射图中的不同组；以及
将从所述训练的深度神经网络输出的所述多个最终图像合并以生成所述MR图像。


2.根据权利要求1所述的方法，还包括经由显示设备显示所述MR图像。


3.根据权利要求1所述的方法，其中使用ESPIRiT校准来估计所述多组线圈灵敏度映射图。


4.根据权利要求1所述的方法，其中所述训练的深度神经网络包括多个交错的卷积神经网络(CNN)和数据一致性层。


5.根据权利要求4所述的方法，其中所述训练的深度神经网络执行多次迭代，每次迭代由一个CNN和后续的数据一致性层执行。


6.根据权利要求1所述的方法，其中所述多个初始图像是零填充图像。


7.一种包含指令的非暂态计算机可读介质(CRM)，所述指令在被执行时使得处理器：
由欠采样k空间数据估计多组线圈灵敏度映射图，所述欠采样k空间数据通过磁共振(MR)成像装置的多线圈射频(RF)接收器阵列来获取；
使用所述欠采样k空间数据和所述估计的多组线圈灵敏度映射图来重建多个初始图像，所述多个初始图像中的每一个对应于所述多组线圈灵敏度映射图中的不同组；
利用深度神经网络通过将所述初始图像和所述多组线圈灵敏度映射图作为所述深度神经网络的输入来迭代地重建多个最终MR图像，所述多个最终MR图像中的每一个对应于所述多组灵敏度映射图中的不同组并且从所述深度神经网络输出；以及
将从所述深度神经网络输出的所述多个最终MR图像合并以生成合并的最终MR图像。


8.根据权利要求7所述的CRM，其中使用无伪影真实MR图像以及直接由欠采样MR数据重建或由模拟伪影增强的对应初始MR图像对所述深度神经网络进行端到端训练。


9.根据权利要求7所述的CRM，还包括经由与所述CRM电子通信的显示设备向用户显示所述合并的最终MR图像。


10.根据权利要求7所述的CRM，其中估计所述多组线圈灵敏度映射图包括使用ESPIRiT校准来估计所述多组线圈灵敏度映射图。


11.根据权利要求7所述的CR...

【专利技术属性】
技术研发人员：克里斯托弗·迈克尔·桑迪诺，赖鹏，什里亚斯·瓦萨纳瓦拉，约瑟夫·一谈·程，
申请(专利权)人：通用电气精准医疗有限责任公司，小利兰·斯坦福大学托管委员会，
类型：发明
国别省市：美国;US