[发明专利]图像重建方法及设备

说明书

本文公开了与基于欠采样磁共振(MR)数据重建MR图像相关联的系统、方法和装置。MR数据包括2D或3D信息，并且可以包含多个对比度和多个线圈。MR图像使用深度学习(DL)方法来重建，这可以加速扫描和/或图像生成过程。通过基于对比度、线圈和/或读出节段的相应子集分别重建MR图像，然后组合重建的MR图像以获得期望的多对比度结果，克服了由大量MR数据和硬件限制所强加的挑战。

技术领域

本申请涉及磁共振图像重建。

背景技术

解剖结构(诸如人类大脑或心脏)的多对比度MRI图像可以提供关于解剖结构的特征的有用信息，由此通常用于临床实践。然而，高分辨率MRI图像的采集需要收集和编码大量的MRI数据(例如，k空间数据)，由此经常导致可能影响图像质量的长扫描时间和对运动伪影的增加的敏感性。为了解决这些问题，可以在图像采集过程中采用各种加速技术，例如，以欠采样k空间数据并基于欠采样的数据重建MRI图像。然而，常规加速技术(诸如基于压缩感知(CS)的方法)通常是迭代且耗时的，从而使得这些技术不适合处理在临床上可接受的时间范围内在多维设置(例如，多个对比度、多个线圈、多个切片图像等)中生成的大量数据。

因此，非常期望用于基于多维MRI数据重建高分辨率MRI图像并且在临床实践的要求和当前可用硬件(例如，GPU内存、处理速度等)的限制下这样做的系统、方法和装置。

发明内容

本文描述了与基于欠采样MR数据(例如，k空间数据)的集合重建磁共振(MR)图像相关联的系统、方法和装置。欠采样MR数据的集合可以与解剖结构(诸如人类心脏或大脑)相关联，并且可以包括与多个对比度设置、多个线圈和读出方向相关联的数据。MR图像的重建可以使用基于深度学习的方法和/或通过将MR数据集划分为更小的部分或子集来执行。例如，可以基于欠采样MR数据的第一部分使用一个或多个神经网络来重建解剖结构的第一MR图像，欠采样MR数据的第一部分对应于多个对比度设置的第一子集、多个线圈的第一子集或读出方向上的第一节段。可以基于欠采样MR数据的第二部分使用一个或多个神经网络来重建解剖结构的第二MR图像，欠采样MR数据的第二部分对应于多个对比度设置的第二子集、多个线圈的第二子集或读出方向上的第二节段。然后，可以组合第一MR图像和第二MR图像，以获得具有多对比度特性或特征的期望MR图像。

在示例中，第一MR图像可以独立于第二MR图像来重建(例如，可以并行重建两个MR图像)。在示例中，第二MR图像基于第一MR图像来重建(例如，以顺序方式)，以利用第一MR图像中包含的信息。欠采样MR数据的第一部分和第二部分可以基于不同的准则来选择。例如，MR数据的第一部分和第二部分可以与不同的对比度设置、或者相同的对比度设置但不同的线圈、或者相同的对比度设置和线圈但读出方向上的不同节段相关联。

在示例中，一个或多个神经网络可以包括级联卷积神经网络(CNN)，其包括一个或多个数据一致性层。在示例中，一个或多个神经网络可以包括多个深度方向可分离的卷积层。在示例中，一个或多个神经网络可以各自具有经由神经架构搜索确定的结构。

附图说明

从以下结合附图通过示例的方式给出的描述中，可以获得本文所公开示例的更详细理解。

图1是例示了根据本文所述的一个或多个实施例的用于使用基于深度学习的方法重建磁共振(MR)图像的示例框架的框图。

图2是例示了根据本文所述的一个或多个实施例的组合两个单独重建的MR图像以获得具有期望特征的目标MR图像的示例的框图。

图3A、图3B和图3C是例示了根据本文所述的一个或多个实施例的用于为了重建MR图像的目的而从多维MR数据集中选择MR数据子集的示例方式的框图。

图4是例示了根据本文所述的一个或多个实施例的使用人工神经网络的MR图像重建的示例的框图。

图5是例示了根据本文所述的一个或多个实施例的可用于基于欠采样MR数据重建MR图像的示例神经网络的框图。