[发明专利]去除磁共振图像中的截断伪影的深度学习系统和方法

说明书

本发明题为“去除磁共振图像中的截断伪影的深度学习系统和方法”。本公开提供了一种从磁共振(MR)图像中去除截断伪影的计算机实现的方法。该方法包括接收粗图像，该粗图像基于来自在至少一个k空间维度中被不对称截断的部分k空间的部分k空间数据。该方法还包括使用用一对原始图像和损坏图像训练的神经网络模型来分析该粗图像。损坏图像基于以一个或多个部分采样图案被截断的部分k空间的部分k空间数据。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据，并且神经网络模型的目标输出图像是原始图像。该方法还包括基于该分析导出粗图像的改进图像，其中导出的改进图像包括减少的截断伪影和增加的高空间频率数据。

背景技术

本公开的领域整体涉及去除截断伪影的系统和方法，并且更具体地涉及使用神经网络模型来去除医学图像中的截断伪影的系统和方法。

磁共振成像(MRI)已证明可用于许多疾病的诊断。MRI提供不能容易地通过其他成像模态诸如计算机断层摄影(CT)成像的软组织、异常组织(诸如肿瘤)和其他结构的详细图像。此外，MRI在不将患者暴露于在模态诸如CT和X射线中经历的电离辐射的情况下操作。

在MR成像中，往往对部分k空间进行采样，以便增加采集效率和/或抑制伪影。重建部分采样的k空间数据集导致图像被截断伪影污染，该截断伪影是模糊以及严重降低MR图像的诊断值的特征性振荡两者的形式。

发明内容

在一个方面中，提供了一种去除磁共振(MR)图像中的截断伪影的计算机实现的方法。该方法包括接收粗图像(crude image)，该粗图像基于来自在与高空间频率对应的k空间位置处在至少一个k空间维度中被不对称截断的部分k空间的部分k空间数据。该方法还包括使用神经网络模型分析该粗图像。用一对原始图像和损坏图像训练神经网络模型。损坏图像基于来自在与高空间频率对应的k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，该一个或多个部分采样图案包括在至少一个 k空间维度中的不对称截断。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据，并且神经网络模型的目标输出图像是原始图像。该方法还包括基于该分析导出粗图像的改进图像，其中与粗图像相比，导出的改进图像包括减少的截断伪影和增加的高空间频率数据；以及输出该改进的图像。

在另一个方面中，提供了一种去除磁共振(MR)图像中的截断伪影的计算机实现的方法。该方法包括接收一对原始图像和损坏图像。损坏图像基于来自在与高空间频率对应的k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，该一个或多个部分采样图案包括在至少一个k空间维度中的不对称截断。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据。该方法还包括通过将损坏图像输入到神经网络模型来使用该对原始图像和损坏图像训练神经网络模型；将原始图像设置为神经网络模型的目标输出；使用该神经网络模型分析损坏图像；比较该神经网络模型的输出与目标输出；以及基于该比较调节该神经网络模型。经训练的神经网络模型被配置为减少损坏图像中的截断伪影，并增加损坏图像中的高空间频率数据。

在一个方面中，提供了一种截断伪影减少系统。该系统包括截断伪影减少计算设备，该截断伪影减少计算设备包括至少一个处理器，该至少一个处理器与至少一个存储器设备通信。该至少一个处理器被编程为接收粗图像，该粗图像基于来自在与高空间频率对应的k空间位置处在至少一个k 空间维度中被不对称截断的部分k空间的部分k空间数据。该至少一个处理器还被编程为使用神经网络模型来分析粗图像。用一对原始图像和损坏图像训练神经网络模型。损坏图像基于来自在与高空间频率对应的k空间位置处以一个或多个部分采样图案截断的部分k空间的部分k空间数据，该一个或多个部分采样图案包括在至少一个k空间维度中的不对称截断。原始图像基于与损坏图像的部分k空间数据对应的完整k空间数据，并且神经网络模型的目标输出图像是原始图像。该至少一个处理器被进一步编程为基于该分析导出粗图像的改进图像，其中与粗图像相比，导出的改进图像包括减少的截断伪影和增加的高空间频率数据；以及输出该改进的图像。

附图说明

图1是示例性磁共振成像(MRI)系统的示意图。