用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像的系统和方法技术方案

图像重建系统和方法包括向神经网络提供磁共振成像(MRI)系统的线圈的灵敏度图。这些系统和方法还包括向该神经网络提供交错的k空间数据，其中该交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在该部分k空间数据的采集期间利用的FOV不同的扩展视场(FOV)，其中在该MRI系统的感兴趣区域的扫描期间获得该部分k空间数据。这些系统和方法还包括至少基于灵敏度图和交错的k空间数据从神经网络输出最终重建MR图像，其中该最终重建MR图像包括在该部分k空间数据的该采集期间利用的该FOV。期间利用的该FOV。期间利用的该FOV。

【技术实现步骤摘要】
用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像的系统和方法

技术介绍

[0001]本文公开的主题涉及医学成像，并且更具体地，涉及用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像(MRI)的系统和方法。
[0002]非侵入性成像技术允许获得患者/对象的内部结构或特征的图像，而无需对患者/对象执行侵入性过程。具体地讲，此类非侵入性成像技术依赖于各种物理原理(诸如X射线穿过目标体积的差分透射、体积内的声波反射、体积内不同组织和材料的顺磁性、目标放射性核素在体内的分解等)，以采集数据和构建图像或以其它方式表示观察到的患者/对象的内部特征。
[0003]最近，在MRI中已经利用基于深度学习(DL)的重建方法来通过利用从历史MRI数据中学习到的先验信息来加速MR扫描。大多数基于深度学习的重建框架都结合了并行成像技术(其需要多通道线圈阵列的灵敏度信息)以进一步增加加速因子。自校准是一种广泛使用的线圈灵敏度校准策略(例如，C3校准)，其利用完全采样的中心k空间来估计灵敏度图。然而，具有有限视场(FOV)的扫描可能导致有问题的灵敏度估计，从而导致最终重建图像的退化。具体地讲，当在有限的FOV中采集MR扫描时，在相位编码方向上，可以利用迭代DL重建来放大组织包裹效应(混叠)，从而导致最终重建图像的退化。另外，某些重建方法可能会增加计算时间。因此，需要一种提供灵敏度信息的替代方法。

技术实现思路

[0004]下文示出了本文所公开的某些实施方案的概述。应当理解，提供这些方面仅仅是为了向读者提供这些特定实施方案的简要概述，并且这些方面并非旨在限制本公开的范围。实际上，本公开可涵盖下文可能未示出的各个方面。
[0005]在一个实施方案中，提供了一种基于DL的图像重建系统。该系统包括编码处理器可执行例程的存储器。该系统还包括处理部件，该处理部件配置为访问存储器并执行处理器可执行例程，其中这些例程在由处理部件执行时，使处理部件执行动作。这些动作包括向神经网络提供磁共振成像(MRI)系统的线圈的灵敏度图。这些动作还包括向神经网络提供交错的k空间数据，其中该交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在部分k空间数据的采集期间利用的FOV不同的扩展视场(FOV)，其中在MRI系统的感兴趣区域的扫描期间获得部分k空间数据。这些动作还包括至少基于灵敏度图和交错的k空间数据从神经网络输出至少一个最终重建MR图像，其中该至少一个最终重建MR图像包括在部分k空间数据的采集期间利用的FOV。
[0006]在另一个实施方案中，提供了一种基于深度学习的图像重建方法。该方法包括经由处理器向神经网络提供磁共振成像(MRI)系统的线圈的灵敏度图。该方法还包括经由处理器向神经网络提供交错的k空间数据，其中交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在该部分k空间数据的采集期间利用的FOV不同的扩展视场(FOV)，其中在该MRI系统的感兴趣区域的扫描期间获得该部分k空间数据。该方法还包
括经由处理器至少基于灵敏度图和交错的k空间数据从神经网络输出至少一个最终重建MR图像，其中该至少一个最终重建MR图像包括在部分k空间数据的采集期间利用的FOV。
[0007]在另一个实施方案中，一种非暂态计算机可读介质，该计算机可读介质包括处理器可执行代码，该处理器可执行代码在由处理器执行时使处理器执行动作。这些动作包括向神经网络提供磁共振成像(MRI)系统的线圈的灵敏度图。这些动作还包括向神经网络提供交错的k空间数据，其中该交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在部分k空间数据的采集期间利用的FOV不同的扩展视场(FOV)，其中在MRI系统的感兴趣区域的扫描期间获得部分k空间数据。这些动作还包括至少基于灵敏度图和交错的k空间数据从神经网络输出至少一个最终重建MR图像，其中该至少一个最终重建MR图像包括在部分k空间数据的采集期间利用的FOV。
附图说明
[0008]当参考附图阅读以下详细描述时，将更好地理解本公开的这些和其他特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：
[0009]图1示出了适合与本专利技术所公开的技术一起使用的磁共振成像(MRI)系统的实施方案；
[0010]图2是示出根据本公开的各方面的用于带扩展FOV线圈灵敏度校准的基于DL的MRI重建的神经网络的利用的示意图；
[0011]图3是根据本公开的各方面的用于带外部线圈灵敏度校准的基于DL的MRI重建的方法的流程图；并且
[0012]图4示出了利用外部校准重建的MR图像与利用自校准重建的MR图像的比较。
具体实施方式
[0013]在下面将描述一个或多个具体的实施方案。为了提供这些实施方案的简明描述，并非实际具体实施的所有特征都要在说明书中进行描述。应当理解，在任何此类实际具体实施的开发中，如在任何工程或设计项目中，必须做出许多特定于具体实施的决策以实现开发者的具体目标，诸如遵守可能因具体实施而不同的系统相关和业务相关约束。此外，应当理解，此类开发努力可能是复杂且耗时的，但对于受益于本公开的普通技术人员来说仍然是设计、制作和制造的常规任务。
[0014]介绍本专利技术主题的各种实施方案的要素时，冠词“一个”、“一种”、“该”和“所述”旨在表示存在一个或多个(种)所述要素。术语“包括”、“包含”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。此外，以下讨论中的任何数值示例旨在非限制性的，并且因此附加的数值、范围和百分比在所公开的实施方案的范围内。
[0015]虽然在医学成像背景中提供以下讨论的各个方面，但应当理解，本专利技术所公开的技术不限于此类医学背景。实际上，在此类医学背景中提供示例和解释仅是为了通过提供现实具体实施和应用的实例来便于进行解释。然而，本专利技术所公开的技术可也用于其它背景中，诸如对所制造零件或货物的非破坏性检查(即质量控制或质量审查应用场景)和/或对包裹、盒、行李箱等的非侵入式检查(即安检或筛检应用场景)的图像重建。一般来讲，本专利技术所公开的技术可用于任何成像或筛检背景或图像处理或摄影领域，其中所采集的一组
或一类数据经历重建过程以生成图像或体积。
[0016]本文所讨论的深度学习(DL)方法可基于人工神经网络，因此可能涵盖以下一项或多项：深度神经网络、全互连网络、卷积神经网络(CNN)、展开神经网络、感知器、编解码器、递归网络、小波滤波器组、u
‑
net、生成式对抗网络(GAN)或其它神经网络架构。神经网络可包括捷径、激活、批归一化层和/或其它特征。这些技术在本文中被称为DL技术，但是可也特别地参考深度神经网络的使用来使用该术语，深度神经网络是具有多个层的神经网络。
[0017]如本文所讨论的，DL技术(可也称为深度机器学习、分级学习或深度结构化学习)是机器学习技术的分支，其采用数据的数学表示以及用于学习和处理此类表示的人工神经网络。例如，DL方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像重建系统，所述系统包括：存储器，所述存储器对处理器可执行例程进行编码；处理部件，所述处理部件被配置为访问所述存储器并执行所述处理器可执行例程，其中所述例程在由所述处理部件执行时使所述处理部件：向神经网络提供磁共振成像(MRI)系统的线圈的灵敏度图；向所述神经网络提供交错的k空间数据，其中所述交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在所述部分k空间数据的采集期间利用的FOV不同的扩展视场(FOV)，其中在所述MRI系统的感兴趣区域的扫描期间获得所述部分k空间数据；并且至少基于所述灵敏度图和所述交错的k空间数据从所述神经网络输出至少一个最终重建MR图像，其中所述至少一个最终重建MR图像包括在所述部分k空间数据的所述采集期间利用的所述FOV。2.根据权利要求1所述的图像重建系统，其中利用所述神经网络输出所述至少一个最终重建MR图像包括：经由所述神经网络至少基于所述灵敏度图和所述交错的k空间数据生成至少一个重建MR图像，其中所述至少一个重建MR图像处于所述扩展FOV处；以及将所述至少一个重建MR图像调整到在所述部分k空间数据的所述采集期间利用的所述FOV，以生成所述至少一个最终重建MR图像。3.根据权利要求2所述的图像重建系统，其中将所述至少一个重建MR图像调整到在所述部分k空间数据的所述采集期间利用的所述FOV包括将所述至少一个重建MR图像的多通道输出组合成用于所述至少一个最终重建MR图像的单通道输出。4.根据权利要求1所述的图像重建系统，其中所述扩展FOV设置在相位编码维度中。5.根据权利要求1所述的图像重建系统，其中所述网络包括展开神经网络。6.根据权利要求1所述的图像重建系统，其中所述扫描包括利用并行成像的加速扫描。7.根据权利要求1所述的图像重建系统，其中在由所述处理部件执行时，所述例程使所述处理部件基于所述扫描的位置和所述扩展FOV两者从在所述扫描或单独的外部校准扫描期间采集的校准数据中提取所述灵敏度图，其中所述灵敏度图包括扩展校准FOV。8.根据权利要求7所述的图像重建系统，其中所述扫描或所述单独的外部校准扫描用于采集所述校准数据的FOV大于在所述部分k空间数据的采集期间利用的所述FOV。9.根据权利要求8所述的图像重建系统，其中对于所有通道，所述扩展校准FOV的中心k空间区域之外的区域都用零填充。10.一种基于深度学习的图像重建方法，所述方法包括：经由处理器向神经网络提供磁共振成像(MRI)系统的线圈的灵敏度图；经由所述处理器向所述神经网络提供交错的k空间数据，其中所述交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在所述部分k空间数据的采集期间利用的FOV不同的扩展视场(FOV)...

【专利技术属性】
技术研发人员：祝绪成，格雷姆，
申请(专利权)人：通用电气精准医疗有限责任公司，
类型：发明
国别省市：