用于图像重建的系统和方法技术方案

提供了一种用于磁共振成像(MRI)中的图像重建的系统。系统可以获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于磁共振(MR)信号来生成，这些MR信号由扫描对象的MR扫描仪收集。系统将基于欠采样的k空间数据的MR图像的重建过程，构建常微分方程(ODE)。系统还可以通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。

【技术实现步骤摘要】
用于图像重建的系统和方法
本公开总体涉及图像重建，更具体地涉及用于使用常微分方程(ODE)进行图像重建的系统和方法。
技术介绍
诸如磁共振成像(MRI)的医学成像广泛用于各种身体状况(例如肿瘤、冠心病或脑部疾病)的疾病诊断和/或治疗。图像重建是医学成像领域中用来将扫描数据转换成图像的关键技术。常规上，图像重建通过基于扫描数据求解优化问题来执行，这是耗时的并且需要大量的计算资源。因此，期望提供用于图像重建的系统和方法，从而提高医学分析和/或诊断的效率和准确度。
技术实现思路
本公开的一个方面涉及一种用于MRI中的图像重建的系统。系统可以包括：至少一个储存装置，其包括指令集；和至少一个处理器，其与至少一个储存装置通信。当执行该指令集时，可以指示至少一个处理器执行操作。操作可以包括：获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于磁共振(MR)信号来生成，这些MR信号由扫描对象的MR扫描仪收集。操作还可以包括：将基于欠采样的k空间数据的MR图像的重建过程构建ODE；以及通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。在一些实施例中，训练过的神经网络模型可以包括卷积神经网络(CNN)模型、卷积循环神经网络(RNN)模型和/或级联神经网络模型。在一些实施例中，ODE求解器可以包括欧拉(Euler)算法、中值算法和/或龙格-库塔(Runge-Kutta)算法。本公开的另外方面涉及一种用于MRI中的图像重建的方法。该方法可以在包括至少一个处理器和至少一个储存装置的计算装置上实施。方法可以包括：获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于MR信号来生成，这些MR信号由扫描对象的MR扫描仪收集。方法还可以包括：将基于欠采样的k空间数据的MR图像的重建过程构建ODE；以及通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。本公开的又一方面涉及一种包括可执行指令的非瞬时性计算机可读介质。当可执行指令由至少一个处理器执行时，可执行指令可以引导至少一个处理器执行一种方法。方法可以包括：获得与对象相关联的欠采样的k空间数据，其中，欠采样的k空间数据可以基于MR信号来生成，这些MR信号由扫描对象的MR扫描仪收集。方法还可以包括：将基于欠采样的k空间数据的MR图像的重建过程构建ODE；以及通过使用ODE求解器基于欠采样的k空间数据求解ODE来生成对象的MR图像。附加特征将部分在以下描述中阐述，并且将部分在审查以下内容和附图时对本领域技术人员变得显而易见，或者可以通过示例的产生或操作来学习。本公开的特征可以通过实践或使用在下面讨论的详细示例中阐述的方法、装置以及组合的各个方面来实现和获得。附图说明本公开根据示例性实施例来进一步描述。这些示例性实施例参见附图来详细描述。这些实施例是非限制性的示例性实施例，其中在附图的若干视图中，同样的附图标记表示类似的结构，并且附图中：图1是例示了根据本公开的一些实施例的示例性MRI系统的示意图；图2是例示了根据本公开的一些实施例的计算装置的示例性硬件和/或软件部件的示意图；图3是例示了根据本公开的一些实施例的移动装置的示例性硬件和/或软件部件的示意图；图4A和图4B是例示了根据本公开的一些实施例的示例性处理装置的框图；图5是例示了根据本公开的一些实施例的用于重建对象的MR图像的示例性过程的流程图；图6是例示了根据本公开的一些实施例的用于生成训练过的神经网络模型的示例性过程的流程图；图7是例示了根据本公开的一些实施例的用于生成训练对象的训练样本的示例性过程的示意图；图8是例示了根据本公开的一些实施例的示例性级联神经网络模型的示意图；以及图9是例示了根据本公开的一些实施例的示例性外推的示意图。具体实施方式在以下详细描述中，通过示例的方式阐述了许多具体细节，以便提供对相关公开的透彻理解。然而，对于本领域技术人员而言应当显而易见的是，可以在没有这种细节的情况下实践本公开。在其它情况下，为了避免不必要地模糊本公开的方面，已经以相对高的级别描述了公知的方法、过程、系统、部件和/或电路，而没有详细描述。对所公开的实施例的各种修改对于本领域技术人员将是显而易见的，并且在不脱离本公开的精神和范围的情况下，本文所定义的一般原理可以应用于其他实施例和应用。由此，本公开不限于所示的实施例，而是应被赋予与权利要求一致的最广范围。本公开中使用的流程图例示了系统根据本公开的一些实施例实施的操作。应当清楚地理解，流程图的操作可以不按顺序实施。相反，操作可以以相反的顺序或同时地实施。而且，可以将一个或多个其他操作添加到流程图。可以从流程图去除一个或多个操作。而且，尽管主要关于MRI系统中的图像重建描述了本公开中公开的系统和方法，但是应当理解，这仅是为了例示的目的。本公开的系统和方法可以应用于重建在不同场景中和/或为了不同目的(例如，安全监测、拍摄或摄影)和/或由不同图像采集装置(例如，数字摄像头、模拟摄像头或扫描仪)采集的图像数据。例如，本公开的系统和方法可以应用于任何其他种类的医学成像系统。在一些实施例中，成像系统可以包括单模式成像系统和/或多模式成像系统。单模式成像系统可以包括例如MRI系统。多模式成像系统可以包括例如计算机断层摄影-磁共振成像(MRI-CT)系统、正电子发射断层摄影-磁共振成像(PET-MRI)系统、单光子发射计算机断层摄影-磁共振成像(SPECT-MRI)系统、数字减影血管造影-磁共振成像(DSA-MRI)系统等。本公开的一个方面涉及用于MRI中的图像重建的系统和方法。系统可以获得与对象(例如，患者)相关联的欠采样的k空间数据。欠采样的k空间数据可以基于磁共振(MR)信号来生成，这些MR信号由扫描对象的MR扫描仪收集。系统还可以将根据欠采样的k空间数据的MR图像的重建过程构建ODE。进一步地，系统和方法可以通过使用ODE求解器(例如，训练过的神经网络模型)基于欠采样的k空间数据求解ODE来生成对象的MR图像。根据本公开的一些实施例，可以通过构建ODE并使用ODE求解器求解ODE来重建MR图像。通常，MRI中的图像重建可以是迭代过程，从而可以由ODE表示。与常规的离散优化函数相比，ODE可以将MR图像的重建过程公式化为时间的连续函数并对MR图像重建的动态特性建模。这可以减少MRI中的图像重建的时间成本和计算成本，从而提高MRI中的图像重建的效率和准确度。另外，在某些实施例中，神经网络ODE求解器可以用于求解ODE。神经网络ODE求解器可以通过机器学习技术来训练，以学习用于从训练数据求解ODE的最佳机制。可选地，神经网络ODE求解器的评估策略可以在模型训练期间自动地适应，使得神经网络ODE求解器可以在相对短的时间内重建具有提高的质量的MR图像。而且，神经网络ODE求解器可以具有比直接学习欠采样的k空间数据(或欠采样的MR图像)与全采样的图像之间本文档来自技高网...

【技术保护点】
1.一种用于磁共振成像(MRI)中的图像重建的系统，包括：/n至少一个储存装置，其包括指令集；和/n至少一个处理器，其与所述至少一个储存装置通信，其中，当执行所述指令集时，指示所述至少一个处理器执行操作，包括：/n获得与对象相关联的欠采样的k空间数据，所述欠采样的k空间数据基于磁共振(MR)信号来生成，所述MR信号由扫描所述对象的MR扫描仪收集；/n将基于欠采样的k空间数据的MR图像的重建过程，构建常微分方程(ODE)；以及/n通过使用ODE求解器基于所述欠采样的k空间数据求解所述ODE来生成所述对象的所述MR图像。/n

【技术特征摘要】
20200122 US 16/749,9641.一种用于磁共振成像(MRI)中的图像重建的系统，包括：
至少一个储存装置，其包括指令集；和
至少一个处理器，其与所述至少一个储存装置通信，其中，当执行所述指令集时，指示所述至少一个处理器执行操作，包括：
获得与对象相关联的欠采样的k空间数据，所述欠采样的k空间数据基于磁共振(MR)信号来生成，所述MR信号由扫描所述对象的MR扫描仪收集；
将基于欠采样的k空间数据的MR图像的重建过程，构建常微分方程(ODE)；以及
通过使用ODE求解器基于所述欠采样的k空间数据求解所述ODE来生成所述对象的所述MR图像。


2.根据权利要求1所述的系统，其中，所述将基于所述欠采样的k空间数据的MR图像的重建过程构建ODE包括：
将基于所述欠采样的k空间数据的所述MR图像的所述重建过程公式化为离散优化过程；以及
通过将所述离散优化过程变换为连续优化过程来构建所述ODE，其中，所述ODE对解在所述连续优化过程期间的变化率进行建模。


3.根据权利要求1所述的系统，其中，所述通过使用ODE求解器基于所述欠采样的k空间数据求解所述ODE来生成所述对象的所述MR图像包括：
基于所述欠采样的k空间数据重建所述对象的欠采样的MR图像，作为所述ODE的初始值；以及
通过使用所述ODE求解器基于所述初始值求解所述ODE来生成所述对象的所述MR图像。


4.根据权利要求3所述的系统，其中，所述ODE求解器是训练过的神经网络模型，其中，所述通过使用所述ODE求解器基于初始值求解所述ODE来生成所述对象的所述MR图像包括：
通过将所述欠采样的MR图像输入到所述训练过的神经网络模型中来获得所述对象的所述MR图像。


5.根据权利要求4所述的系统，所述训练过的神经网络模型包括多个顺序连接的子模型，所述多个顺序连接的子模型包括第一子模型和在所述第一子模型下游的一个或多个第二子模型，其中，所述一个或多个第二子模型中的至少一个包括：
卷积模型，其被配置为处理连接到所述至少一个第二子模型的前一子模型的输出，并且生成中间MR图像；和
数据一致性(DC)层，其连接到所述卷积模型，被配置为基于所述中间MR图像和所述欠采样的k空间数据来输出已更新的中间MR图像，并且其中，所述对象的所述MR图像是所述一个或多个第二子模型中的所述最后一个第二子模型的输出。


6.根据权利要求4所述的系统，其中，根据模型训练过程来生成所述训练过的神经网络模型，所述模型训练过程包括：
获得多个训练样本，所述多个...

【专利技术属性】
技术研发人员：陈章，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：上海;31