[发明专利]用于运动伪影检测的方法

说明书

本公开涉及一种用于运动伪影检测的医学成像方法。所述方法包括：使用(201‑203)k空间采集性质来生成具有如由第一初始运动模式引起的运动伪影的运动损坏图像，使得所述运动伪影被定义为特征矩阵和运动损坏图像的函数；利用卷积矩阵的值来初始化(205)卷积神经网络CNN的至少一个特征图；训练(207)初始化的CNN以在训练图像中获得由第二训练运动模式引起的运动伪影；使用经训练的CNN来获得(209)输入图像中的运动伪影。

技术领域

本发明涉及扫描成像系统，特别地涉及一种用于输入图像中的运动伪影检测的方法。

背景技术

在磁共振成像(MRI)扫描期间，由发射器天线生成的射频(RF)脉冲引起对局部磁场的扰动，并且由核自旋发射的RF信号由接收器天线检测。这些RF信号被用于构建MR图像。在较长的扫描期间，扫描的对象可以具有内部或外部运动，其损坏数据并且导致具有模糊或伪影的MR图像。已经提出了许多方法来减轻或校正MR运动伪影。这些方法；然而，在图像空间中操作并且试图基于受影响的图像识别运动伪影的特定特征。

发明内容

各种实施例提供一种用于输入图像中的运动伪影检测的方法、医学分析系统和计算机程序产品，如由独立权利要求的主题所描述的。在从属权利要求中描述了有利的实施例。

运动伪影是MRI中的图像退化的最常见原因之一。深度学习(DL)技术可以应用于MR图像的运动校正，例如通过在常规MR图像重建之后在图像空间中应用DL网络。然而，这些技术可能丢弃关于k空间采样模式及其定时的显式信息。在由噪声值初始化之后，在DL网络的卷积核的训练期间隐式地学习了一些但非全部该信息。这可能需要相当大的努力和大量的训练数据。本主题还可以通过使用所述采样模式及其定时的显式知识来改进所述运动校正，以便设计DL网络并且初始化它们的核，使得对它们进行预训练以估计常见运动伪影，诸如平移运动伪影。可以使用算法直接从序列参数和预定义的运动路径以低努力计算这些核。该初始化可以相当地缩短用于训练的努力，该训练被执行以解决其他形式的运动。

在一个方面中，本发明涉及一种用于运动伪影检测的医学成像方法。所述方法包括：使用k空间采集性质来生成具有如由第一初始运动模式引起的运动伪影的运动损坏图像，使得所述运动伪影是特征矩阵和运动损坏图像的函数；利用所述特征矩阵的值来初始化卷积神经网络CNN的至少一个特征图；利用训练图像来训练初始化CNN，所述训练图像由第二模式(类型)的运动损坏以获得运动伪影；使用经训练的CNN来获得输入图像中的运动伪影。第一初始设定类型的运动和第二运动模式通过(多个)位移完全近似。所述初始运动模式(所述第一初始设定类型的运动)和要针对伪影进行校正的图像的运动模式(第二训练类型的运动(模式))的近似准确度取决于与预设所需图像质量相关联的残余伪影的预定水平。

本主题使能引导所述网络来学习所述伪影的纯性质而不是也学习解剖性质。使用MR运动伪影的图像特征初始化CNN以用于运动校正，以便减少训练努力。所获得的运动伪影可以例如被用于校正输入图像中的运动伪影。这可以增加伪影检测的准确度并且因此MR运动校正的准确度。本主题可以实现磁共振图像中的运动伪影的自动校正。

本主题可以通过使用k空间采集性质来防止伪影信息的丢失。特别地，本主题考虑了以下事实：由于k空间中的连续采集模式造成的任何运动转变为k空间中的运动损坏的时间相干性，这些模式比通过图像域中的卷积网络“学习”更难得多，并且在傅立叶重建期间丢失了关于时间相干性的显式知识。

例如，经训练的CNN可以由远程计算机系统可访问(例如，经训练的CNN可以存储在计算机系统中)，其中，所述计算机系统被配置为：在接收到MR图像之后使用经训练的CNN自动检测MR图像中的运动伪影。这能够是有利的，因为其可以实现使用经训练的CNN的集中和一致的伪影检测，例如在不同的MRI系统中间。