[发明专利]实时MR电影数据重建方法和系统

说明书

一种方法包括：使用完全采样的回顾式MR电影数据来训练算法；以及将训练过的算法应用于实时MR电影数据，以产生重建的MR图像。

相关申请的交叉引用

本申请要求2019年11月29日提交的美国临时申请号62/941,904和2020年10月1日提交的美国临时申请号17/060,988的权益，此处以引证的方式将该申请全文并入。

技术领域

本公开的方面总体涉及磁共振成像(MRI)，具体涉及将并行成像用于实时MR电影图像重建。

背景技术

MRI是一种广泛使用的医疗技术，其使用磁和射频能量产生感兴趣区域的图像。在MRI扫描期间，容积线圈(例如，体线圈)和局部线圈(例如，表面线圈)可以采集由正被检查的对象内部的核弛豫产生的MR信号。心血管MRI(cMRI)是用于心脏结构和功能的临床评估的公认黄金标准，即，被广泛认可是特别有效的程序。诸如回顾式电影(retro-cine)的标准CMR应用依赖于ECG门控外加几次屏气，以提供高诊断图像质量。这可能存在困难，因为可能需要对心脏结构和功能进行评估的典型患者可能具有不规则的心跳信号并且难以屏住呼吸。实时心脏电影MRI利用相对较快的图像采集，因此，与回顾式电影MRI相比，在数据采集过程期间既不需要ECG门控也不需要屏气。因此，实时电影对于在MRI检查期间可能难以屏住呼吸或可能具有不规则心脏信号的患者可能更有用。然而，为了实现所需的快速图像采集速度，实时电影通常可以在利用并行成像技术的同时采集高度欠采样的数据(通常使用大于10X的加速度)。这可能在重建欠采样数据和从在并行成像中使用的多个线圈重建数据时对MRI图像重建提出计算挑战。

已经提出了基于压缩感知的方法用于实时电影重建。另外，也已经提出了若干基于深度学习的方法用于MRI重建。例如，Qin等人(Qin、Chen等人，“Convolutionalrecurrent neural networks for dynamic MR image reconstruction.”IEEEtransactions on Medical Imaging 38.1(2018年)：第280-290页)已经开发了一种用于心脏MRI图像重建的卷积循环神经网络。然而，这些研究具有若干限制。在传统的机器学习或深度学习框架中，需要黄金标准或金标准数据集来教导深度学习模型如何重建图像。然而，考虑到采样时间和线圈的数量，获取心跳之间的完全采样的实时电影数据几乎是不可能的。由此可见，所提出的方法从回顾式电影数据重建模拟的欠采样数据，而不是使用实际的实时电影数据来评估；加速率低于10X；先前的方法仅被设计用于单线圈图像重建而不是多线圈图像重建(即，并行成像)；并且评估仅使用图像质量度量而不使用临床有用性来执行。

发明内容

提供实现实时心脏电影MRI的高质量重建的方法和系统将是有利的。所公开的实施例涉及利用一种算法，该算法用于并行成像的欠采样的实时电影数据的实时心脏电影MR图像重建。

根据本公开的一个方面，一种方法包括：使用完全采样的回顾式电影数据来训练算法；以及将训练过的算法应用于实时MR电影数据，以产生重建的MR图像。

方法可以包括使用一个或多个经降采的回顾式电影数据和降采掩码中来训练算法。

方法还可以包括使用来自多线圈MR扫描仪的单独线圈的回顾式电影数据来训练算法。

实时MR电影数据可以包括来自多线圈MR扫描仪的单独线圈的实时MR电影数据。

完全采样的回顾式电影数据可以用于计算训练期间的损失，其中，损失可以包括均方误差损失、L1损失、结构相似度指数(SSIM)损失或胡伯(Huber)损失中的一个或多个。

算法可以包括残差卷积循环神经网络。

实时MR电影数据可以包括欠采样多线圈实时MR电影数据。