[发明专利]MR图像数据的重建

说明书

本文所讨论的主题涉及用于抑制利用深度学习网络重建的快速自旋回波(FSE)图像中的细线伪影的快速磁共振成像(MRI)方法。使用完全采样的NEX＝2(激励数等于2)数据来训练网络。在每种情况下，都将这两个激励组合以生成没有细线伪影的完全采样的真实图像，这些真实图像用于在损失函数中与网络生成的图像进行比较。然而，在训练期间，仅这些激励中的一个激励被回顾性地欠采样并输入到网络中。这样，网络学习移除欠采样和细线伪影两者。在推断时，仅获取并重建NEX＝1欠采样数据。

背景技术

本文所公开的主题整体涉及抑制快速自旋回波磁共振图像中的细线伪影。更具体地讲，其涉及生成没有细线伪影的NEX＝1(激励数等于1)快速自旋回波图像的快速成像方法。

磁共振成像(MRI)是非侵入式医学成像技术，其使用射频(RF)脉冲、强磁场和身体组织之间的相互作用来从身体内部获得切片/平面的图像。MRI在评估解剖结构、器官和软组织以检测和诊断广泛范围的病理状况时特别敏感。在一些情况下，MRI可提供比其它扫描技术诸如计算机断层摄影(CT)或X射线更好的器官和软组织的图像。MRI尤其可用于使脑、脊柱、关节的软组织和骨的内部成像。在临床实践中，MRI提供良性组织和病理组织之间的对比度，并且可用于评估疾病(诸如癌症)的阶段以及评估对治疗恶性肿瘤的响应。

随着对较高分辨率MR图像的需求不断增加，MRI获取时间的减少是一项持续的挑战。已经开发出各种技术来改善MR成像速度/效率，包括并行成像(PI)和压缩感测(CS)。然而，这些方法具有它们的局限性。例如，由于k空间(傅立叶空间)线的数量减少，PI的使用可降低信噪比；并且CS依赖于增强一些域中的稀疏性(例如，总变化或小波)，并且可导致图像的平滑或模糊。使用神经网络进行的深度机器学习的最新进展已经显示了MR成像重建的潜力。深度学习MRI重建网络(包括展开的迭代压缩感测网络)已被示出为优于用于由欠采样数据(例如，欠采样的NEX＝1数据)重建高质量图像的常规并行成像和压缩感测(PICS)方法。然而，当应用于快速自旋回波(FSE)数据时，这些网络可产生表现出细线伪影的图像。

发明内容

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。

在一个实施方案中，提供了一种用于训练深度学习网络的方法。根据该方法，使用两个激励获取完全采样的NEX＝2(激励数等于2)数据。使用所获取的NEX＝2数据生成完全采样的真实图像。欠采样NEX＝1数据由该激励中的一个激励生成。通过馈送欠采样NEX＝1数据并且在损失函数中将网络输出图像与完全采样的真实图像进行比较来训练深度学习网络。

在另一个实施方案中，提供了一种用于使用经训练的深度学习网络来抑制细线伪影的方法。根据该方法，在训练阶段，使用两个激励获取完全采样的NEX＝2数据。使用所获取的NEX＝2数据生成完全采样的真实图像。欠采样NEX＝1训练数据由该激励中的一个激励生成。通过馈送欠采样NEX＝1训练数据并且在损失函数中将网络输出图像与由NEX＝2数据生成的完全采样的真实图像进行比较来训练深度学习网络。在下一个应用阶段，获取欠采样NEX＝1数据以用作输入以馈送到经训练的深度学习网络中，从而重建具有受抑制的欠采样和细线伪影的NEX＝1图像。

在附加的实施方案中，提供了磁共振成像系统。磁共振成像系统包括用于获取欠采样MR数据的数据获取部件。磁共振成像系统还包括数据处理部件和数据存储部件。数据存储部件可以执行以下操作：存储由数据获取部件获取的欠采样MR数据；存储用于该磁共振成像系统的操作的可执行代码，其中该可执行代码在由该数据处理部件执行时，使得该数据处理部件将该欠采样MR数据作为输入数据提供给深度学习网络并且从该深度学习网络接收重建的MR图像作为输出数据；以及存储重建的MR图像。磁共振成像系统还包括用于显示重建MR图像以供查看的数据显示部件。

附图说明