[发明专利]用于图像重建的系统和方法

权利要求书

1.一种用于磁共振成像(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，所述多个训练样本中的每一个训练样本包括训练对象的训练欠采样MR图像和对应的金标准MR图像；

获得具有一个或多个模型参数的初步模型；以及

通过基于所述多个训练样本迭代地更新所述初步模型的所述一个或多个模型参数的值来生成所述训练过的神经网络模型。

7.根据权利要求6所述的系统，其中，所述迭代地更新所述初步模型的所述一个或多个模型参数的值包括：执行包括一次或多次迭代的迭代操作，并且所述迭代操作的至少一次迭代中的每一次迭代包括：

对于所述多个训练样本的至少一部分中的每一个训练样本，通过将所述训练欠采样MR图像输入到在先前迭代中确定的已更新初步模型中来生成所述对应训练对象的预测MR图像；

基于所述多个训练样本的所述至少一部分的每一个训练样本的所述预测MR图像和所述金标准MR图像来确定所述已更新初步模型的损失函数的值；以及

基于所述损失函数的所述值进一步更新要在下一次迭代中使用的所述已更新初步模型的所述一个或多个模型参数的值，其中，基于所述损失函数的所述值进一步更新要在下一次迭代中使用的所述已更新初步模型的所述一个或多个模型参数的值包括：

根据伴随灵敏度算法基于所述损失函数的所述值确定梯度下降；以及

通过反向传播所述梯度下降来更新所述已更新初步模型的所述一个或多个模型参数的值。