使用多个磁共振成像系统配置对磁共振图像的校正的制作方法

本发明涉及磁共振成像，具体地涉及减少磁共振图像中的伪影。


背景技术：

作为产生患者体内的图像的流程的部分，磁共振成像(mri)扫描器使用大的静态磁场来对准原子的核自旋。该大的静态磁场被称为b0场或主磁场。可以使用mri在空间上测量对象的各种量或性质。例如，可以使用mri研究对象的各种电性质和组织性质。mri中的困难在于可能需要几分钟来采集足够的k空间数据以重建磁共振图像。对象的运动或寄生rf信号的接收可能引起伪影或破坏磁共振图像。美国专利申请公开us20190377047a1公开了使用深度学习来训练图像到图像神经网络以生成用于磁共振成像系统的具有减少的伪影的图像。可以实时应用图像到图像网络。为了处理一系列不同的成像情况，图像到图像网络可以(a)使用辅助图与来自患者的mr数据一起作为输入，(b)使用序列元数据作为图像到图像网络的编码器的控制器，和/或(c)被训练为使用接收编码器特征的鉴别器生成编码器中的对比度不变特征。国际申请wo2019/224800涉及从以第一模态采取的源mri图像以第二模态模拟和构建实际mri图像。


技术实现要素：

本发明在独立权利要求中提供了一种医学系统、一种计算机程序以及一种磁共振成像系统。在从属权利要求中给出了实施例。因此，所述医学系统包括：-存储器，所述存储器存储机器可执行指令并且访问图像生成神经网络。图像生成神经网络可以并入医学系统中，或医学系统可以被配置为控制为通过数据链路访问可以远程安装的图像生成神经网络。所述图像生成神经网络被配置用于响应于接收到参考磁共振图像数据作为输入而输出合成磁共振图像数据，并且所述图像生成神经网络被配置为当根据磁共振成像系统的第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像数据作为对根据所述磁共振成像系统的第一配置采集的磁共振图像数据的模拟。计算系统被配置用于控制所述医学系统，其中，所述机器可执行指令的运行使所述计算系统：-访问根据所述磁共振成像系统的所述第一配置采集的测量的k空间数据，其中，所述测量的k空间数据描述对象的感兴趣区域；-访问所述参考磁共振图像数据，其中，所述参考磁共振图像数据描述所述对象的所述感兴趣区域；-通过将所述参考磁共振图像数据输入到所述图像生成神经网络中来生成对所述合成磁共振图像数据的访问；并且-布置为根据所述测量的k空间数据和所述合成磁共振图像数据来重建经校正的磁共振图像数据。可以实施对测量的k空间数据和参考磁共振图像数据的访问，其中，医学系统接收
这些数据并且使得医学系统能够转发以输入到可以远离医学系统或并入医学系统中的图像生成神经网络中。还可以实施对测量的k空间数据和参考磁共振图像数据的访问，其中，这些数据被远程控制为分别输入到图像生成神经网络中和从图像生成神经网络输出。对合成磁共振图像数据的访问的生成可以通过远程控制要应用于重建软件的合成磁共振图像数据而来自远程定位的图像生成神经网络。还可以实施访问的生成，其中，医学系统接收合成磁共振图像数据并将这些数据转发到重建软件或将这些数据应用于并入医学系统中的重建软件。对象运动、寄生rf信号或其他故障可以引起伪影或破坏磁共振图像。实施例可以提供减少伪影或图像破坏和/或加速图像采集的手段。图像生成神经网络可以被训练为接收使用磁共振成像系统的第二配置采集的参考磁共振图像数据并输出合成磁共振图像数据。合成磁共振图像数据是针对磁共振成像系统的第一配置采集的磁共振图像数据的模拟。合成磁共振图像数据然后可以用于改进根据使用磁共振成像系统的第一配置采集的测量的k空间数据对经校正的磁共振图像的重建。在一个示例中，所述合成磁共振图像数据可以提供可以在重建期间在正则化项中使用的先验知识。在另一示例中，合成磁共振图像数据可以用于计算合成k空间数据，所述合成k空间数据可以例如用于修改、补充、校正或替换所测量的k空间数据的部分。所述磁共振成像系统被配置为布置用于根据所述回波信号来重建磁共振图像的集合，其中，重建软件被安装在所述磁共振检查系统的计算系统中，或者其中，所述计算系统具有对远程重建设施的访问。重建软件可以被安装在远程服务器上(例如在其中安装磁共振成像系统的医疗保健机构中)，或甚至是数据网络可访问的，其中，重建软件可以在“云”中可用。在这些远程配置中，计算系统配备有布置用于在远程定位的重建功能处重建磁共振图像的集合的功能。此外，磁共振图像的重建可以通过机器学习来完成，例如通过经训练的神经网络，其可以并入计算系统中或可以从远程位置访问并转发到重建。在一个方面中，本发明提供了一种医学系统，所述医学系统包括存储器，所述存储器存储机器可执行指令和图像生成神经网络。所述图像生成神经网络被配置用于响应于接收到参考磁共振图像数据作为输入而输出合成磁共振图像数据。所述图像生成神经网络被配置为当根据磁共振成像系统的第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像作为根据所述磁共振成像系统的第一配置采集的磁共振图像数据的模拟。换句话说，所述图像生成神经网络获取根据第二配置采集的参考磁共振图像数据，并且然后生成模拟根据磁共振成像系统的第一配置采集的磁共振图像的合成磁共振图像。第一配置和第二配置可以例如是用于控制磁共振成像系统以生成特定mr对比度的脉冲序列的类型的差异。在其他示例中，第一配置和第二配置之间的差异可以是类似脉冲序列的配置的变化。例如，可以改变te或tr值。在其他示例中，可以使用具有不同分辨率的相同脉冲序列。经常地，即使使用不同的磁共振成像协议，许多数据也是冗余的。这使得能够以相当高的准确度程度输出合成磁共振图像数据。可以以直接的方式训练图像生成神经网络。磁共振成像系统可以例如用于使用磁共振图像的第二配置来采集训练图像，并且然后在采集利用磁共振成像系统的第一配置采集的标准数据图像之前或之后。这样做一次提供了一对训练数据。可以根据需要用不同的
对象和不同的配置重复该过程。该训练数据然后可以例如使用反向传播或深度学习算法来用于训练图像生成神经网络。所述医学系统还包括计算系统，所述计算系统被配置用于控制所述医学系统。在不同的示例中，计算系统可以采取不同的形式。在一个示例中，计算系统可以是工作站，例如由放射科医师使用的工作站。在其他示例中，计算系统可以是提供图像处理表面的远程计算系统或云计算系统。在另一示例中，计算系统可以是控制磁共振成像系统的操作和功能的计算系统。所述机器可执行指令的运行使所述计算系统接收根据所述磁共振成像系统的所述第一配置采集的测量的k空间数据。所述测量的k空间数据描述对象的感兴趣区域。所述机器可执行指令的运行还使所述计算系统接收所述参考磁共振图像数据。所述参考磁共振图像数据描述所述对象的所述感兴趣区域。所述机器可执行指令的运行还使所述计算系统通过将所述参考磁共振图像数据输入到所述图像生成神经网络中来接收所述合成磁共振图像数据。然后最后，所述机器可执行指令的运行使所述计算系统根据所述测量的k空间数据和所述合成磁共振图像数据来重建所述经校正的磁共振图像数据。合成磁共振图像与用于采集测量的k空间数据的第一配置匹配。因此，合成磁共振图像可以用于帮助重建经校正的磁共振图像数据。如在本文使用的磁共振图像数据涵盖可以用于绘制或构建一幅或多幅磁共振图像的数据。例如，参考磁共振图像数据在一个示例中可以是一幅或多幅磁共振图像，并且在一些其他示例中甚至可以是平均的磁共振图像。在另一示例中，参考磁共振图像数据可以是根据磁共振指纹协议生成的图像或映射。同样地，在不同的示例中，合成磁共振图像数据可以采取不同的格式。合成磁共振图像数据可以是用于构建一幅或多幅磁共振图像的数据，它可以是三维磁共振成像映射或图像数据集。合成磁共振图像数据也可以是不同磁共振指纹协议的结果。在一些示例中，参考磁共振图像数据是单幅磁共振图像或图像数据集。在其他示例中，参考磁共振图像数据包括多幅磁共振图像。在一些情况下，已经使用多种配置或对比度采集了这些多幅磁共振图像。在这种情况下，磁共振成像系统的第二配置是配置的集合或束，其具有针对构成参考磁共振成像数据的每幅图像或图像数据集的一个配置。作为具体示例，针对不同对比度采集的三幅或四幅或可能甚至更多幅磁共振图像被分组在一起以形成参考磁共振图像数据。在另一实施例中，所述图像生成神经网络被配置用于根据预定图像格式接收所述参考磁共振图像数据。例如，这可以是用于训练图像生成神经网络的图像的格式。所述机器可执行指令的运行还使所述计算系统在将所述参考磁共振图像数据输入到所述图像生成神经网络中之前，将所述参考磁共振图像数据转换为预定图像格式。例如，可以通过使用标准图像变换技术来修改感兴趣区域和体素的大小。所述机器可执行指令的运行还使所述计算系统在重建所述经校正的磁共振图像数据之前，将所述合成磁共振图像数据与所述测量的k空间数据进行空间匹配。这还可以包括修改图像中的视图以及图像的定位。这些基本图像变换技术可以用于格式化合成磁共振图像数据，使得其匹配磁共振成像系统的第一配置。
例如，所述图像生成神经网络可以被配置为根据预定输出格式输出合成磁共振图像。计算系统可以调整该预定输出格式，使得它匹配磁共振成像系统的第一配置。在另一实施例中，所述测量的k空间数据与所述合成磁共振图像数据在空间上进行匹配。这可以例如使得能够更好地比较k空间数据。在一些示例中，所述图像生成神经网络可以具有输入向量，所述输入向量指定所述磁共振成像系统的所述第一配置和所述磁共振成像系统的所述第二配置。在这种情况下，所述神经网络能够自动调整所述参考磁共振图像数据和所述合成磁共振图像数据。然而，这将需要用于图像生成神经网络的更大量训练。在另一实施例中，所述合成磁共振图像数据在所述经校正的磁共振图像数据的重建期间提供先验知识。诸如器官或其他解剖结构的位置的总体结构可以存在于合成磁共振图像数据中。这例如可以有用于替换或修改测量的k空间数据的各个部分。合成磁共振图像数据还可以例如在重建期间用作正则化项，以改进经校正的磁共振图像数据的质量。在另一实施例中，所述机器可执行指令的运行还使所述计算系统根据所述合成磁共振图像数据来重建合成k空间数据。所述测量的k空间数据被划分成k空间数据的组。所述经校正的磁共振图像数据使用所述合成k空间数据来重建以修改所述k空间数据的组的至少部分。标准技术可以用于从合成磁共振图像数据的图像空间回到k空间数据。磁共振成像系统的第一配置可以例如用于向后计算以模拟k空间数据在它用于产生合成磁共振图像数据的情况下将是什么样的。例如，在并行成像技术中，线圈灵敏度可以用于甚至为每个线圈或采集信道生成模拟图像，该模拟图像然后继而可以用于模拟从个体线圈或信道采集的k空间数据。这可以是有益的，因为它可以在采集测量的k空间数据时实现对噪声或其他误差的补偿。在另一实施例中，所述机器可执行指令的运行还使所述计算系统使用所述合成k空间数据来确定k空间数据的组中的一个或多个组的刚体变换。所述机器可执行指令的运行还使所述计算系统使用所述刚体变换来执行所述k空间数据的组中的一个或多个组的相位和幅度校正。该实施例可以是有益的，因为它可以提供减少对象的刚体运动的效应的直接方式。在另一实施例中，所述机器可执行指令的运行还使所述计算系统使用所述合成k空间数据来确定用于预定义运动模型的配置。所述机器可执行指令的运行还使所述计算系统使用所述预定义运动模型来执行对所述k空间数据的组中的一个或多个组的校正。例如，可以存在可以用于描述对象的仿射和/或非刚性变换或移动的运动模型。该预定义运动模型可以用于定义当对象根据该预定义运动模型移动时如何修改k空间数据。这可以是有益的，因为它可以使得能够校正测量的k空间数据。在另一实施例中，所述预定义运动模型被配置为提供所述合成k空间数据的变换，所述变换相当于图像空间中的仿射或弹性变换。在另一实施例中，所述机器可执行指令的运行还使所述计算系统检测所述测量的k空间数据中的至少一个不完整k空间数据采样区域。例如，一些测量的k空间数据可能是不完整的、被破坏的或缺失的。所述机器可执行指令的运行还使所述计算系统用所述合成k空间数据填充所述测量的k空间数据中的所述不完整k空间采样区域。这可以是有益的，因为它可以改进质量或使得能够使用否则将必须被丢弃和重新采集的测量的k空间数据。这可
以有益的一种情况是使用导航器或外部运动测量系统(诸如相机或呼吸带)来监测对象的运动。这可以使得能够自动检测被破坏的k空间数据。一旦被破坏的k空间数据被丢弃，则不完整k空间采样区域可以用合成k空间数据来填充。在另一实施例中，所述机器可执行指令的运行还使所述计算系统接收描述所述对象的运动的运动信号。所述机器可执行指令的运行还使所述计算系统使用具有在预定范围内的运动信号的所述k空间数据的组来重建所述经校正的磁共振图像数据。在该示例中，可以存在所提供的运动信号。这例如可以从磁共振导航器或测量对象的位置或运动的变化的系统来提供。例如，可以使用呼吸器带和相机。然后，运动信号实质上被用于门控使用k空间数据中的哪个。在另一实施例中，所述机器可执行指令的运行还使所述计算系统通过将所述合成k空间数据与所述k空间数据的组中的每个组进行比较来将所述运动信号计算为合成运动信号。例如，k空间数据的组中的每个组可以直接与合成k空间数据进行比较，并且可以执行拟合。这可以相当于采样点的相位和/或幅度变化。这可以使得能够计算可以相当于导航器的运动信号。这可以使得能够门控k空间数据中的哪个被用于特定运动信号。这例如可以有用于产生心脏相位或呼吸相位磁共振图像。合成运动信号可以例如在k空间中或在图像空间中计算，这取决于k空间数据的组有多大。在另一实施例中，所述存储器还包含图像质量评价模块，所述图像质量评价模块被配置用于输出图像质量度量。所述机器可执行指令的运行还使所述计算系统通过利用所述合成k空间数据的部分系统地替换所述k空间数据的组的组合来生成多个k空间数据集。所述机器可执行指令的运行还使所述计算系统通过重建所述多个k空间数据集中的每个k空间数据集来生成多个试验磁共振图像数据。所述机器可执行指令的运行还使所述计算系统通过优化由所述图像质量评价模块输出的所述图像质量度量来从所述多个试验磁共振图像数据中选择所述经校正的磁共振图像数据。例如，在执行该算法时，可以例如决定合成k空间数据的多少部分可以被用于替换k空间数据的组。迭代算法可以经历并且然后系统地替换优化过程的所有或许多组合。该实施例可以是有益的，因为它可以例如使得能够在不存在校正被噪声、寄生信号或复杂的不自主运动破坏的数据的其他方式时校正被噪声、寄生信号或复杂的不自主运动破坏的数据。在另一实施例中，所述图像质量度量通过使用所述合成磁共振图像数据与所述多个试验磁共振图像数据中的一个试验磁共振图像数据之间的配准来确定。合成磁共振图像数据应当与期望的经校正的磁共振图像数据应当是什么的格式相似或非常接近。标准配准技术可以被用于计算两个图像数据集之间的配准或映射。该度量然后可以被用于提供图像质量度量。例如，它可以测量各种解剖标志的位置之间的相似性。在另一实施例中，所述图像质量度量使用来自经训练的神经网络的输出来确定，所述经训练的神经网络响应于输入所述多个试验磁共振图像数据中的一个试验磁共振图像数据而输出所述图像质量度量。例如，经训练的神经网络可以通过获取磁共振成像数据的完整集合并且然后破坏或引起该数据内的假运动伪影来训练。然后，这可以用于分配可以用于优化过程的分类或度量。
在另一实施例中，所述图像质量度量通过计算所述多幅试验磁共振图像中的每幅试验磁共振图像的总图像梯度来确定。在另一实施例中，所述图像质量度量通过计所述多幅试验磁共振图像中的每幅试验磁共振图像的图像熵来确定。在另一实施例中，所述机器可执行指令的运行还使所述计算系统重建多个经校正的磁共振图像数据。所述机器可执行指令的运行还使所述计算系统执行以下操作中的任一项：将所述经校正的磁共振图像数据提供为所述多个经校正的磁共振图像数据的平均值，并且将经校正的磁共振图像提供为多幅校正的磁共振图像的选择。例如，可以使用上述方法中的一种或多种方法来产生经校正的磁共振图像数据。为了提供更好的估计，这些图像可以全部被平均。在另一实施例中，根据所述测量的k空间数据和所述合成磁共振图像数据对所述经校正的磁共振图像数据的所述重建被公式化为优化问题，所述优化问题将加权因子分配给所述k空间数据的组中的每个组。所述机器可执行指令的运行还使所述计算系统识别从所述k空间数据的组中选择的至少一个被破坏的k空间数据的组。该识别可以以不同的方式执行。在一些实例中，可以使用外部导航器或其他信号来识别被破坏的k空间数据。在其他示例中，可以通过将被破坏的k空间数据与合成k空间数据进行比较来识别被破坏的k空间数据。所述机器可执行指令的运行还使所述计算系统使用所述合成k空间数据来校正所述至少一个被破坏的k空间数据的组。所述机器可执行指令的运行还使所述计算系统为所述k空间数据的组中的每个组分配加权因子。所述至少一个被破坏的k空间数据的组被分配减小值的加权因子。这可以是有益的，因为然后在重建中，剩余的测量的k空间数据被给予用于重建经校正的磁共振图像的更高加权。将减小值的加权因子分配给已经被校正的被破坏的k空间数据的组使得它能够参与对经校正的磁共振图像的重建，但是它具有更小的效果。在另一实施例中，所述至少一个被破坏的k空间数据的组从所述k空间数据的组中选择，通过使用以下各项中的任一项来检测：外部导航器信号、检测丢失的k空间数据、或通过与所述合成k空间数据的比较、以及其组合。在另一实施例中，使用所述合成k空间数据对所述至少一个被破坏的k空间数据的组的校正使用以下各项中的任一项来执行：通过利用所述合成k空间数据替换所述至少一个被破坏的k空间数据的组，修改或移位所述至少一个被破坏的k空间数据的组，将所述合成k空间数据附加到所述至少一个被破坏的k空间数据的组，以及其组合。上述实施例描述了软门控过程。这可以是包含反映每个测量有多少是可信的加权因子的数据一致性项。权重可以是例如任何正数。门控过程使用为0或1的权重，这是一种可能性。还可以用更一般的软门控公式来代替该描述，其中，加权因子w是取决于导航器信号的值的正数。在另一实施例中，所述经校正的磁共振图像数据根据压缩感测图像重建算法来重建。该实施例可以是有益的，因为合成磁共振图像的使用可以减少需要被采样以重建经校正的磁共振图像数据的数据量。在另一实施例中，所述压缩感测图像重建算法是重复地生成中间磁共振图像的迭
代算法。所述压缩感测图像重建算法包括使用所述合成磁共振图像数据对所述中间磁共振图像进行去噪。在另一实施例中，所述压缩感测图像重建算法被配置为通过求解优化问题来生成所述中间磁共振图像。所述优化问题包括正则化项。所述正则化项是所述合成磁共振图像数据的函数，并且使用所述合成磁共振图像数据来执行对所述中间磁共振图像的去噪。在另一实施例中，所述存储器还包含图像去噪神经网络，所述图像去噪神经网络被配置为响应于接收到中间磁共振图像数据和所述合成磁共振图像数据作为输入而输出去噪的磁共振图像数据。所述机器可执行指令的运行还使所述处理器通过将所述中间磁共振图像数据和所述合成磁共振图像数据输入到图像去噪神经网络中来接收所述经滤波的磁共振图像数据。所述去噪的磁共振图像数据被用作到所述迭代算法中的输入，以重复地生成所述中间磁共振图像数据。在该实施例中，所述去噪神经网络被配置为滤波网络。所述滤波器取决于所述合成磁共振图像数据的值。在另一实施例中，成像生成神经网络还被配置为接收配置向量作为输入。所述配置向量指定所述磁共振成像系统的第一配置和所述磁共振成像系统的所述第二配置。在该实施例中，所述输入生成神经网络被所述配置向量配置为控制其输入和输出格式。配置向量的使用可以允许训练针对各种配置对工作的单个网络，但是它可能需要更大量的训练。在另一实施例中，所述医学系统还包括至少一个磁共振成像系统。例如，第一配置可以用于第一磁共振成像系统，并且第二配置可以用于第二磁共振成像系统。在其他实例中，仅存在一个磁共振成像系统，并且在相同的磁共振成像系统上采集测量的k空间数据和参考磁共振图像数据两者。在诸如图像生成神经网络和重建的软件中实施的磁共振成像系统的各种功能可以是远程可访问的，或者它们可以被安装在计算系统中以控制磁共振成像系统。所述存储器还包含第一脉冲序列命令，所述第一脉冲序列命令被配置为控制所述至少一个磁共振成像系统采集所述测量的k空间数据。所述存储器还包含第二脉冲序列命令，所述第二脉冲序列命令被配置为控制所述至少一个磁共振成像系统采集所述参考k空间数据。所述机器可执行指令的运行还使所述计算系统通过利用所述第二脉冲序列命令控制所述磁共振成像系统来采集所述参考k空间数据。所述机器可执行指令的运行还使所述计算系统根据所述参考k空间数据来重建所述参考磁共振图像。所述机器可执行指令的运行还使所述计算系统通过利用所述第一脉冲序列命令控制所述磁共振成像系统来采集测量的k空间数据。在另一实施例中，所述机器可执行指令的运行还使所述计算系统使用所述合成磁共振图像来构建合成k空间数据。所述机器可执行指令的运行还使所述计算系统使用所述合成k空间数据来控制测量的k空间数据的采集。例如，当测量的k空间数据以组或激发方式采集时，该采集的测量的k空间数据可以直接与合成k空间数据进行比较，并且这可以被用于控制或修改对进一步测量的k空间数据的采集。在另一实施例中，所述机器可执行指令的运行使所述计算系统通过使用所述合成k空间数据选择用于所述第一脉冲序列命令的k空间数据采样模式来控制所述测量的k空间数据的采集。k空间中的信号具有不均匀的功率密度。通过检查合成k空间数据，然后可以推断哪些是k空间的重要部分，以在对测量的k空间数据进行采样时选择作为采样模式。例如，
该算法可以查看合成k空间数据并查看功率密度在哪里最高，并且然后修改k空间数据采样模式以相应地进行采样。在另一实施例中，所述第一脉冲序列命令被配置为控制所述磁共振成像系统以k空间数据的组采集测量的k空间数据。所述机器可执行指令的运行还使所述计算系统计算所述合成k空间数据与所述k空间数据的组中的每个组之间的比较度量。所述机器可执行指令的运行还使所述计算系统如果所述比较度量在预定范围值之外，则执行预定动作。例如，比较度量可以计算合成k空间数据与采集的k空间数据的组之间的相似性或执行合成k空间数据与采集的k空间数据的组之间的模式匹配操作。如果其匹配低于预定量，则触发预定动作。在另一实施例中，所述预定动作是以下中的任一项：重新采集所述k空间数据的组的至少部分，停止采集所述测量的k空间数据，以及其组合。在另一实施例中，所述经校正的磁共振图像根据并行成像磁共振成像重建算法来重建。这例如也可以与压缩感测组合。在另一方面中，本发明提供了一种操作医学系统的方法。所述方法包括接收根据磁共振成像系统的第一配置采集的测量的k空间数据。所述测量的k空间数据描述对象的感兴趣区域。所述方法还包括接收参考磁共振图像数据。所述参考磁共振图像数据描述所述对象的所述感兴趣区域。所述参考磁共振图像数据根据所述磁共振成像系统的第二配置来采集。所述方法还包括通过将所述参考磁共振图像输入到图像生成神经网络中来接收合成磁共振图像数据。所述图像生成神经网络被配置用于响应于接收到所述参考磁共振图像数据作为输入而输出所述合成磁共振图像数据。所述图像生成神经网络被配置为当根据所述磁共振成像系统的所述第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像数据作为根据所述磁共振成像系统的所述第一配置采集的磁共振图像数据的模拟。所述方法还包括根据所述测量的k空间数据和所述合成磁共振图像数据来重建经校正的磁共振图像数据。在另一方面中，本发明提供了一种包括用于由控制医学系统的计算系统运行的机器可执行指令的计算机程序。所述计算机程序还包括图像生成神经网络，所述图像生成神经网络被配置用于响应于接收到参考磁共振图像数据作为输入而输出合成磁共振图像数据。所述图像生成神经网络被配置为当根据磁共振成像系统的第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像数据作为根据所述磁共振成像系统的第一配置采集的磁共振图像数据的模拟。所述机器可执行指令的运行使所述计算系统接收根据所述磁共振成像系统的所述第一配置采集的所述测量的k空间数据。所述测量的k空间数据描述对象的感兴趣区域。所述参考磁共振图像数据根据所述磁共振成像系统的所述第二配置来采集。所述参考磁共振图像系统描述所述对象的所述感兴趣区域。所述机器可执行指令的运行还使所述计算系统通过将所述参考磁共振图像输入到所述图像生成神经网络中来接收所述合成磁共振图像数据。所述机器可执行指令的运行还使所述计算系统根据所述测量的k空间数据和所述合成磁共振图像数据来重建所述经校正的磁共振图像数据。在另一方面中，本发明提供了一种磁共振成像系统。所述磁共振成像系统包括存储器，所述存储器存储机器可执行指令和图像生成神经网络。所述图像生成神经网络被配置用于响应于接收到参考磁共振图像数据作为输入而输出合成磁共振图像数据。所述图像
生成神经网络被配置为当根据所述磁共振成像系统的第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像作为根据所述磁共振成像系统的第一配置采集的磁共振图像的模拟。所述存储器还包含第一脉冲序列命令，所述第一脉冲序列命令被配置为控制磁共振成像系统采集所述测量的k空间数据。所述存储器还包含第二脉冲序列命令，所述第二脉冲序列命令被配置为控制所述磁共振成像系统采集所述参考k空间数据。所述磁共振成像系统还包括被配置用于控制医学系统的计算系统。所述机器可执行指令的运行使所述计算系统通过利用所述第二脉冲序列命令控制所述磁共振成像系统来采集所述参考k空间数据。所述机器可执行指令的运行还使所述计算系统根据所述参考k空间数据来重建所述参考磁共振图像数据。所述机器可执行指令的运行还使所述计算系统使用所述合成磁共振图像数据来构建合成k空间数据。所述机器可执行指令的运行还使所述计算系统使用所述第一脉冲序列命令和所述合成k空间数据来控制所述测量的k空间数据的采集。例如，可以将合成k空间数据与测量的k空间数据或k空间数据的组或激发进行比较，因为它被测量并用于实时地调整进一步测量的k空间数据的采集。在另一实施例中，所述机器可执行指令的运行使所述计算系统通过使用所述合成k空间数据选择用于所述第一脉冲序列命令的k空间数据采样模式来控制所述测量的k空间数据的所述采集。例如，合成k空间数据可以用于选择k空间数据采样模式，并且用于在执行第一脉冲序列命令之前修改第一脉冲序列命令。在该实施例中，首先计算合成k空间数据，具有合成k空间数据并使用该k空间数据来调节采样模式。k空间是稀疏的，因此使用合成k空间数据来预测应当在哪里更多地采样。所述第一脉冲序列命令被配置为控制所述磁共振成像系统以k空间数据的组采集测量的k空间数据。所述机器可执行指令的运行还使所述计算系统计算所述合成k空间数据与所述k空间数据的组中的每个组之间的比较度量。所述机器可执行指令的运行还使所述计算系统在所述比较度量在预定值范围之外的情况下执行预定动作。在另一实施例中，所述预定动作是以下各项中的任一项：重新采集所述k空间数据的组的至少部分，停止采集所述测量的k空间数据，以及其组合。各种实施例可以可能通过以下编号的条款中的一个或多个条款来描述：条款1.一种包括医学系统的特征，其中，所述医学系统包括：-存储器，其存储机器可执行指令并且访问图像生成神经网络，其中，所述图像生成神经网络被配置用于响应于接收到参考磁共振图像数据作为输入而输出合成磁共振图像数据，其中，所述图像生成神经网络被配置为当根据磁共振成像系统的第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像数据作为对根据所述磁共振成像系统的第一配置采集的磁共振图像数据的模拟；-计算系统，其被配置用于控制所述医学系统，其中，所述机器可执行指令的运行使所述计算系统：-接收根据所述磁共振成像系统的所述第一配置采集的测量的k空间数据，其中，所述测量的k空间数据描述对象的感兴趣区域；-接收所述参考磁共振图像数据，其中，所述参考磁共振图像数据描述所述对象的
所述感兴趣区域；-通过将所述参考磁共振图像数据输入到所述图像生成神经网络中来接收所述合成磁共振图像数据；并且-根据所述测量的k空间数据和所述合成磁共振图像数据来重建经校正的磁共振图像数据。条款2.根据条款1所述的医学系统，其中，所述图像生成神经网络被配置用于根据预定输入格式接收所述参考磁共振图像数据，其中，所述机器可执行指令的运行还使所述计算系统：-在将所述参考磁共振图像数据输入到所述图像生成神经网络中之前，将所述参考磁共振图像数据转换为所述预定输入格式；以及-在重建所述经校正的磁共振图像数据之前，将所述合成磁共振图像数据与所述测量的k空间数据进行空间匹配。条款3.根据条款1或2所述的医学系统，其中，所述测量的k空间数据和所述合成磁共振图像数据在空间上被匹配。条款4.根据条款1、2或3所述的医学系统，其中，所述合成磁共振图像数据在对所述经校正的磁共振图像数据的所述重建期间提供先验知识。条款5.根据前述条款所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统根据所述合成磁共振图像数据来重建合成k空间数据，其中，所述测量的k空间数据被划分成k空间数据的组，其中，所述经校正的磁共振图像数据是通过使用所述合成k空间数据修改所述k空间数据的组的至少部分来重建的。条款6.根据条款5所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统：-使用所述合成k空间数据来确定k空间数据的组中的一个或多个组的刚体变换或更高阶变换；并且-使用所述刚体变换或更高阶变来换执行所述k空间数据的组中的一个或多个组的相位和幅度校正。条款7.根据条款5或6所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统：-使用所述合成k空间数据来确定用于预定义运动模型的配置；以及-使用所述预定义运动模型来执行对所述k空间数据的组中的一个或多个组的校正。条款8.根据条款7所述的医学系统，其中，所述预定义运动模型被配置为提供所述合成k空间数据的变换，所述变换相当于图像空间中的仿射或弹性变换。条款9.根据条款5至8中的任一项所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统：-检测所述测量的k空间数据中的至少一个不完整k空间采样区域；并且-利用所述合成k空间数据来填充所述测量的k空间数据中的所述不完整k空间采样区域。条款10.根据条款5至9中的任一项所述的医学系统，其中，所述机器可执行指令的
运行还使所述计算系统：-接收描述所述对象的运动的运动信号；-使用具有在预定范围内的运动信号的所述k空间数据的组来重建所述经校正的磁共振图像数据。条款11.根据条款10所述的医学系统，其中所述机器可执行指令的运行还使所述计算系统：-通过将所述合成k空间数据与所述k空间数据的组中的每一个进行比较来将所述运动信号计算为合成运动信号；条款12.根据条款5至11中的任一项所述的医学系统，其中，所述存储器还包含图像质量评价模块，所述图像质量评价模块被配置用于输出图像质量度量，其中，所述机器可执行指令的运行还使所述计算系统：-通过利用所述合成k空间数据的部分系统地替换所述k空间数据的组的组合来生成多个k空间数据集；-通过重建所述多个k空间数据集中的每个k空间数据集来生成多个试验磁共振图像数据；并且-通过优化由所述图像质量评价模块输出的所述图像质量度量来从所述多个试验磁共振图像数据中选择所述经校正的磁共振图像数据。条款13.根据条款12所述的医学系统，其中，使用以下各项中的任一项来确定图像质量度量：-所述合成磁共振图像数据与所述多个试验磁共振图像数据中的一个试验磁共振图像数据之间的配准；-来自经训练的神经网络的输出，所述经训练的神经网络响应于输入所述多个试验磁共振图像数据中的一个试验磁共振图像数据而输出所述图像质量度量；-通过计算总图像梯度；以及-通过计算图像熵。条款14.根据条款5至13中的任一项所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统：-重建多个经校正的磁共振图像数据；以及-执行以下各项中的任一项：将所述经校正的磁共振图像数据提供为所述多个经校正的磁共振图像数据的平均值，以及将经校正的磁共振图像数据提供为对所述多个经校正的磁共振图像数据的选择。条款15.根据条款5至14中的任一项所述的医学系统，其中，根据所述测量的k空间数据和所述合成磁共振图像数据对所述经校正的磁共振图像数据的所述重建被公式化为优化问题，所述优化问题将加权因子分配给所述k空间数据的组中的每个组，其中，所述机器可执行指令的运行还使所述计算系统：-识别从所述k空间数据的组中选择的至少一个被破坏的k空间数据的组；并且-使用所述合成k空间数据来校正所述至少一个被破坏的k空间数据的组；-为所述k空间数据的组中的每个组分配所述加权因子，其中，所述至少一个被破坏的k空间数据的组被分配减小值的加权因子。
条款16.根据条款15所述的医学系统，其中，从所述k空间数据的组中选择的所述至少一个被破坏的k空间数据的组通过以下各项中的任一项来检测：使用外部导航器信号，检测缺失的k空间数据，通过与合成k空间数据的比较，以及其组合。条款17.根据条款15或16所述的医学系统，其中，使用所述合成k空间数据对所述至少一个被破坏的k空间数据的组的校正使用以下各项中的任一项来执行：利用所述合成k空间数据替换所述至少一个被破坏的k空间数据的组，修改或移位所述至少一个被破坏的k空间数据的组，将所述合成k空间数据附加到所述至少一个被破坏的k空间数据的组，以及其组合。条款18.根据前述条款中的任一项所述的医学系统，其中，所述经校正的磁共振图像数据是根据压缩感测图像重建算法来重建的。条款19.根据条款18所述的医学系统，其中，所述压缩感测图像重建算法是重复地生成中间磁共振图像的迭代算法，其中，所述压缩感测图像重建算法包括使用所述合成磁共振图像数据对所述中间磁共振图像进行去噪。条款20.根据条款19所述的医学系统，其中，所述压缩感测图像重建算法被配置为通过求解优化问题来生成所述中间磁共振图像数据，其中，所述优化问题包括正则化项，其中，所述正则化项是所述合成磁共振图像数据的函数，并且使用所述合成磁共振图像数据来执行对所述中间磁共振图像数据的去噪。条款21.根据条款19所述的医学系统，其中，所述存储器还包含图像去噪神经网络，所述图像去噪神经网络被配置为响应于接收到所述中间磁共振图像数据和所述合成磁共振图像数据作为输入而输出去噪的磁共振图像数据，其中，所述机器可执行指令的运行还使所述处理器通过将所述中间磁共振图像数据和所述合成磁共振图像数据输入到图像去噪神经网络中来接收经滤波的磁共振图像数据，其中，所述去噪的磁共振图像数据被用作到迭代算法中的输入，以重复地生成所述中间磁共振图像数据。条款22.根据前述条款中的任一项所述的医学系统，其中，所述图像生成神经网络还被配置为接收配置向量作为输入，其中，所述配置向量指定所述磁共振成像系统的第一配置和所述磁共振成像系统的所述第二配置。条款23.根据前述条款中的任一项所述的医学系统，其中，所述医学系统还包括至少一个磁共振成像系统，其中，所述存储器还包含第一脉冲序列命令，所述第一脉冲序列命令被配置为控制所述至少一个磁共振成像系统以采集所述测量的k空间数据，其中，所述存储器还包含第二脉冲序列命令，所述第二脉冲序列命令被配置为控制所述至少一个磁共振成像系统以采集参考k空间数据，其中，所述机器可执行指令的运行还使所述计算系统：-通过利用所述第二脉冲序列命令控制所述磁共振成像系统来采集所述参考k空间数据；-根据所述参考k空间数据来重建所述参考磁共振图像数据；并且-通过利用所述第一脉冲序列命令控制所述磁共振成像系统来采集所述测量的k空间数据。条款24.根据条款23所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统：-使用所述合成磁共振图像数据来构建合成k空间数据；并且-使用所述合成k空间数据来控制对所述测量的k空间数据的采集。条款25.根据条款24所述的医学系统，其中，所述机器可执行指令的运行使所述计算系统通过使用所述合成k空间数据选择用于所述第一脉冲序列命令的k空间采样模式来控制对所述测量的k空间数据的采集。条款26.根据条款24或25所述的医学系统，其中，所述第一脉冲序列命令被配置为控制所述磁共振成像系统以k空间数据的组来采集所述测量的k空间数据，其中，所述机器可执行指令的运行还使所述计算系统：-计算所述合成k空间数据与所述k空间数据的组中的每个组之间的比较度量；并且-如果所述比较度量在预定值范围之外，则执行预定动作。条款27.根据条款26所述的医学系统，其中，所述预定动作是以下中的任一项：重新采集所述k空间数据的组的至少部分，停止采集所述测量的k空间数据，以及其组合。条款28.根据前述条款中的任一项所述的医学系统，其中，所述经校正的磁共振图像数据是根据并行成像磁共振成像重建算法来重建的。条款29.一种操作医学系统的方法的特征，其中，所述方法包括：-接收根据磁共振成像系统的第一配置采集的测量的k空间数据，其中所述测量的k空间数据描述对象的感兴趣区域；-接收根据所述磁共振成像系统的第二配置采集的参考磁共振图像数据，其中，所述参考磁共振图像数据描述所述对象的所述感兴趣区域；-通过将所述参考磁共振图像数据输入到图像生成神经网络中来接收合成磁共振图像数据，其中，所述图像生成神经网络被配置用于响应于接收到所述参考磁共振图像数据作为输入而输出所述合成磁共振图像数据，其中，所述图像生成神经网络被配置为当根据所述磁共振成像系统的所述第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像数据作为根据所述磁共振成像系统的所述第一配置采集的磁共振图像数据的模拟；并且-根据所述测量的k空间数据和所述合成磁共振图像数据来重建经校正的磁共振图像数据。条款30.一种包括用于由控制医学系统的计算系统执行的机器可执行指令的计算机程序的特征，其中，所述计算机程序还包括图像生成神经网络，所述图像生成神经网络被配置用于响应于接收到参考磁共振图像数据作为输入而输出合成磁共振图像数据，其中，所述图像生成神经网络被配置为当根据磁共振成像系统的第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像数据作为根据所述磁共振成像系统的第一配置采集的磁共振图像数据的模拟，其中，所述机器可执行指令的运行使所述计算系统：-接收根据所述磁共振成像系统的所述第一配置采集的测量的k空间数据，其中，所述测量的k空间数据描述对象的感兴趣区域；-接收所述参考磁共振图像数据，其中，所述参考磁共振图像数据描述所述对象的所述感兴趣区域；-通过将所述参考磁共振图像数据输入到所述图像生成神经网络中来接收所述合成磁共振图像数据；并且-根据所述测量的k空间数据和所述合成磁共振图像数据来重建经校正的磁共振图像数据。条款31.一种磁共振成像系统的特征，其中，所述磁共振成像系统包括：-存储器，其存储机器可执行指令和图像生成神经网络，其中，所述图像生成神经网络被配置用于响应于接收到参考磁共振图像数据作为输入而输出合成磁共振图像数据，其中，所述图像生成神经网络被配置为当根据磁共振成像系统的第二配置采集所述参考磁共振图像数据时，生成所述合成磁共振图像数据作为对根据所述磁共振成像系统的第一配置采集的磁共振图像数据的模拟，其中，所述存储器还包含第一脉冲序列命令，所述第一脉冲序列命令被配置为控制所述磁共振成像系统以采集测量的k空间数据，其中，所述存储器还包含第二脉冲序列命令，所述第二脉冲序列命令被配置为控制所述磁共振成像系统以采集参考k空间数据；-计算系统，其被配置用于控制所述医学系统，其中，所述机器可执行指令的运行使所述计算系统：-通过利用所述第二脉冲序列命令控制所述磁共振成像系统来采集所述参考k空间数据；-根据所述参考k空间数据来重建所述参考磁共振图像数据；-通过将所述参考磁共振图像数据输入到所述图像生成神经网络中来接收所述合成磁共振图像数据；-使用所述合成磁共振图像数据来构建合成k空间数据；并且-使用所述第一脉冲序列命令和所述合成k空间数据来控制对所述测量的k空间数据的采集。条款32.根据条款31所述的磁共振成像系统，其中，所述机器可执行指令的运行使所述计算系统通过使用所述合成k空间数据选择用于所述第一脉冲序列命令的k空间采样模式来控制所述测量的k空间数据的所述采集。条款33.根据条款31或32所述的磁共振成像系统，其中，所述第一脉冲序列命令被配置为控制所述磁共振成像系统以k空间数据的组采集所述测量的k空间数据，其中，所述机器可执行指令的运行还使所述计算系统：-计算所述合成k空间数据与所述k空间数据的组中的每个组之间的比较度量；并且-如果所述比较度量在预定值范围之外，则执行预定动作。条款34.根据条款33所述的磁共振成像系统，其中，所述预定动作是以下中的任一项：重新采集所述k空间数据的组的至少部分，停止采集所述测量的k空间数据，以及其组合。应理解，可以组合本发明的前述实施例中的一个或多个，只要组合实施例不相互排斥。如本领域的技术人员将认识到的，本发明的各个方面可以实现为装置、方法或计算机程序产品。相应地，本发明的各个方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件和硬件方面的实施例(在本文中总体上全部可以被称为“电路”、“模块”或“系统”)的形式。此外，本发明的各个方面可以采取实现在一个或
多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有实现在其上的计算机可执行代码。可以利用一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文使用的“计算机可读存储介质”涵盖任何可以存储可由计算设备的处理器或计算系统执行的指令的有形存储介质。可以将计算机可读存储介质称为计算机可读非暂态存储介质。也可以将计算机可读存储介质称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还可以能够存储可以由计算设备的计算系统访问的数据。计算机可读存储介质的示例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、usb拇指驱动器、随机存取存储器(ram)、只读存储器(rom)、光盘、磁光盘以及计算系统的寄存器文件。光盘的示例包括压缩盘(cd)和数字通用盘(dvd)，例如，cd-rom、cd-rw、cd-r、dvd-rom、dvd-rw或dvd-r盘。术语计算机可读存储介质还指能够经由网络或通信链路由计算机设备访问的各种类型的记录介质。例如，可以在调制调解器、因特网或局域网上检索数据。可以使用任何适当介质发送实现在计算机可读介质上的计算机可执行代码，所述任何适当介质包括但不限于无线的、有线的、光纤线缆的、rf等或者前面的任何合适的组合。计算机可读信号介质可以包括具有实现在其中的计算机可执行代码的传播的数据信号，例如，在基带中或作为载波的部分。这样的传播的信号可以采取任何各种形式，包括但不限于电磁的、光学的或它们的任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质：不是计算机可读存储介质，并且能够传达、传播或传输由指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。“计算机存储器”或“存储器”是计算机可读存储介质的示例。计算机存储器是可由计算系统直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的示例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或者反之亦然。
41.如本文中所使用的“计算系统”涵盖能够执行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“计算系统”的示例的计算系统的引用应当被解读为能够包含多于一个的计算系统或处理核。所述计算系统可以例如是多核处理器。计算系统也可以指在单个计算机系统之内的或分布在多个计算机系统之间的计算系统的集合。术语计算系统也应当被解读为能够指每个包括处理器或计算系统的计算设备的集合或网络。机器可执行代码或指令可以由可以在相同的计算设备之内或甚至可以分布在多个计算设备之间的多个计算系统或处理器来执行。机器可执行指令或计算机可执行代码可以包括令处理器或其他计算系统执行本发明的方面的指令或程序。用于执行针对本发明的方面的操作的计算机可执行代码可以以一个或多个编程语言的任何组合来编写并且被编译为机器可执行指令，所述一个或多个编程语言包括诸如java、smalltalk、c++等的面向对象的编程语言以及诸如“c”编程语言或相似编程语言的常规过程性编程语言。在一些实例中，所述计算机可执行代码可以采取高级语言的形式或者采取预编译的形式并且结合在工作时生成机器可执行指令的解读器一起被使用。在其他实例中，机器可执行指令或计算机可执行代码可以采取用于可执行逻辑门阵列的编程的形式。
所述计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上(作为独立的软件包)、部分在用户的计算机上并且部分在远程计算机上、或完全在远程计算机或服务器上执行。在后一种情形下，所述远程计算机可以通过包括局域网(lan)或广域网(wan)的任何类型的网络连接到用户的计算机，或者可以(例如，通过使用因特网服务提供商的因特网)对外部计算机进行连接。参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图、图示和/或方框图来描述本发明的方面。应理解，当可应用时，能够通过采取计算机可执行代码的形式的计算机程序指令来实施流程图、图示和/或方框图的方框的每个方框或部分。还应理解，当互不排斥时，可以组合不同流程图、图示和/或方框图中的方框的组合。这些计算机程序指令可以被提供给通用计算机、专用计算机或产生机器的其他可编程数据处理装置的计算系统，使得经由计算机或其他可编程数据处理装置的计算系统执行的指令创建用于实施在流程图和/或一个或多个方框图框中指定的功能/动作的单元。这些机器可执行指令或计算机程序指令还可以存储在计算机可读介质中，所述计算机可读介质能够指引计算机、其他可编程数据处理装置或其他设备以特定的方式来工作，使得在计算机可读介质中存储的指令产生包括实施在流程图和/或一个或多个方框图框中指定的功能/动作的指令的制品。机器可执行指令或计算机程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上，以令在计算机、其他可编程装置或其他设备上执行一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上执行的指令提供用于在流程图和/或一个或多个方框图框中指定的功能/动作的过程。如本文所使用的“用户接口”是允许用户或操作人员与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作人员提供信息或数据和/或从操作人员接收信息或数据。用户接口可以使得来自操作人员的输入能够被计算机接收并且可以从计算机向用户提供输出。换言之，所述用户接口可以允许操作人员控制或操控计算机，并且所述接口可以允许计算机指示操作人员的控制或操控的效果。显示器或图形用户接口上的数据或信息的显示是向操作人员提供信息的示例。通过键盘、鼠标、跟踪球、触摸板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、耳机、踏板、有线手套、遥控器和加速度计对数据的接收全都是实现对来自操作人员的信息或数据的接收的用户接口部件的示例。如本文所使用的“硬件接口”涵盖使得计算机系统的计算系统能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许计算系统将控制信号或指令发送到外部计算设备和/或装置。硬件接口也可以使得计算系统能够与外部计算设备和/或装置交换数据。硬件接口的示例包括但不限于：通用串行总线、ieee 1394端口、并行端口、ieee 1284端口、串行端口、rs-232端口、ieee-488端口、蓝牙连接、无线局域网连接、tcp/ip连接、以太网连接、控制电压接口、midi接口、模拟输入接口以及数字输入接口。如本文所使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、音频和/或触觉数据。显示器的示例包括但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(crt)、存储管、双稳态
显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(vf)、发光二极管(led)显示器、电致发光显示器(eld)、等离子体显示板(pdp)、液晶显示器(lcd)、有机发光二极管显示器(oled)、投影仪和头戴式显示器。k空间数据在本文中被定义为在磁共振成像扫描期间使用磁共振装置的天线所记录的由原子自旋发射的射频信号的测量结果。磁共振数据是断层摄影医学图像数据的示例磁共振成像(mri)图像、mr图像或磁共振成像数据在本文中被定义为磁共振成像数据内包含的解剖数据的经重建的二维或三维可视化。能够使用计算机来执行这一可视化。
附图说明
在下文中，将仅通过示例并且参考附图描述本发明的优选实施例，在附图中：图1图示了医学系统的示例；图2示出了图示操作图1的医学系统的方法的流程图；图3图示了医学系统的另一示例；图4示出了图示操作图3的医学系统的方法的流程图；图5图示了医学系统的另一示例；图6示出了图示操作图5的医学系统的方法的流程图；图7示出了完全采样的mr图像的示例；图8示出了测量的k空间数据的示例；图9示出了图8的测量的k空间数据的压缩感测重建；图10示出了参考磁共振图像数据的示例；图11示出了合成磁共振图像数据128的示例；图12示出了校正的磁共振图像132的示例；图13图示了示例方法；图14示出了参考磁共振图像数据的示例；图15示出了合成磁共振图像数据的示例；图16示出了具有由有意破坏k空间数据的若干线引起的运动伪影的磁共振图像；图17图示了经校正的磁共振图像数据的示例；图18示出了标准数据磁共振图像；图19示出了在由图15所示的对比度转换的数据替换个体激发之后的估计的伪影水平的相对变化；并且图20示出了图示重建经校正的磁共振图像数据的各种方式的流程图。附图标记列表100
ꢀꢀ
医学系统102
ꢀꢀ
计算机104
ꢀꢀ
硬件接口106
ꢀꢀ
计算系统108
ꢀꢀ
用户接口110
ꢀꢀ
存储器
120
ꢀꢀ
机器可执行指令122
ꢀꢀ
图像生成神经网络124
ꢀꢀ
测量的k空间数据126
ꢀꢀ
参考磁共振图像数据128
ꢀꢀ
合成磁共振图像数据130
ꢀꢀ
合成k空间数据132
ꢀꢀ
经校正的磁共振图像数据134
ꢀꢀ
图像处理模块200
ꢀꢀ
接收根据磁共振成像系统的第一配置采集的测量的k空间数据202
ꢀꢀ
接收参考磁共振图像数据，其中，参考磁共振图像数据描述对象的感兴趣区域204
ꢀꢀ
通过将参考磁共振图像数据输入到图像生成神经网络中来接收合成磁共振图像数据206
ꢀꢀ
根据测量的k空间数据和合成磁共振图像数据来重建经校正的磁共振图像数据300
ꢀꢀ
医学系统302
ꢀꢀ
磁共振成像系统304
ꢀꢀ
磁体306
ꢀꢀ
磁体的膛308
ꢀꢀ
成像区309
ꢀꢀ
感兴趣区域310
ꢀꢀ
磁场梯度线圈312
ꢀꢀ
磁场梯度线圈电源314
ꢀꢀ
射频线圈316
ꢀꢀ
收发器318
ꢀꢀ
对象320
ꢀꢀ
对象支撑体330
ꢀꢀ
第一脉冲序列命令332
ꢀꢀ
第二脉冲序列命令334
ꢀꢀ
参考k空间数据400
ꢀꢀ
通过利用第二脉冲序列命令控制磁共振成像系统来采集参考k空间数据402
ꢀꢀ
根据参考k空间数据来重建参考磁共振图像数据404
ꢀꢀ
通过利用第一脉冲序列命令控制磁共振成像系统来采集测量的k空间数据500
ꢀꢀ
磁共振成像系统502
ꢀꢀ
经校正的磁共振图像600
ꢀꢀ
通过利用第二脉冲序列命令控制磁共振成像系统来采集参考k空间数据602
ꢀꢀ
根据参考k空间数据来重建参考磁共振图像数据604
ꢀꢀ
通过将参考磁共振图像数据输入到图像生成神经网络中来接收合成磁共振图像数据
606
ꢀꢀ
使用合成磁共振图像数据来构建合成k空间数据608
ꢀꢀ
使用第一脉冲序列命令和合成k空间数据来控制测量的k空间数据的采集700
ꢀꢀ
完全采样图像900
ꢀꢀ
小波重建图像1300 图像质量估计模块1400 合成病变1800 标准数据图像2000 采集2002 标准重建2004 对比度到对比度估计2006 预处理选择2008 预处理的k空间2010 b的多对比度重建2016 多对比度重建
具体实施方式
这些附图中的类似编号的元件是等价元件或执行相同功能。如果功能是等价的，则将没有必要在后面的附图中讨论先前已经讨论过的元件。图1图示了医学系统100的示例。图1中的医学系统被示出为包括具有计算系统106的计算机。计算系统106旨在表示一个或多个计算系统，诸如位于一个或多个位置处的处理器或核心。计算系统106被示出为连接到任选的硬件接口104。如果存在医学系统100的其他部件，诸如磁共振成像系统，则计算系统106可以使用硬件接口104来与它通信并控制它。医学系统100还被示出为包括任选的用户接口108，用户接口108可以使得操作者能够使用和控制医学系统100。医学系统100还被示出为包含也连接到计算系统106的存储器110。存储器110旨在表示连接到计算系统106的任何存储器或存储设备。存储器110被示出为包含机器可执行指令120。机器可执行指令120使得处理器106能够执行各种图像处理、数据处理和控制功能。存储器110还被示出为包含图像生成神经网络。图像生成神经网络122被配置为接收参考磁共振图像，并且然后输出合成磁共振图像数据128。参考磁共振图像数据126根据磁共振成像系统的第二配置来采集或配置，并且合成磁共振图像数据128是根据磁共振成像系统的第一配置采集的磁共振图像数据的模拟。因此，图像生成神经网络122可以使得先前采集的数据能够用于控制或改进经校正的磁共振图像数据的生成。存储器110还被示出为包含参考磁共振图像数据126和输出合成磁共振图像数据128的示例。一旦已经获得合成磁共振图像数据128，它就可以任选地用于计算合成k空间数据130。例如，对磁共振成像系统的第一配置的了解可以使得能够计算以与测量的k空间数据124相同的方式采样的合成k空间数据130。由磁共振成像系统采集的使用第一配置采集的测量的k空间数据124也被示出为被存储在存储器110中。存储器110还被示出为包含经校正的磁共振图像数据132。这例如可以使用测量的k空间数据124以及合成k空间数据130或合成磁共振图像数据128来计算。合成k空间数据130可以用于校正或替换测量的k空间数据124的部分。在其他实例中，合成磁共振图像数据
128可以用作先验知识以改进根据测量的k空间数据124对经校正的磁共振图像数据132的重建。存储器110还被示出为包含任选的图像处理模块134。该模块可以例如用于调节参考磁共振图像数据126，使得它在被输入到图像生成神经网络122中之前具有预定图像格式。同样地，图像处理模块134还可以用于配置或修改合成磁共振图像数据128，使得它在空间上与测量的k空间数据124匹配。图2示出了图示操作图1的医学系统100的方法的流程图。首先，在步骤200中，接收测量的k空间数据124。接下来，在步骤202中，还接收参考磁共振图像数据126。接下来，在步骤204中，通过将参考磁共振图像数据126输入到图像生成神经网络122中来接收合成磁共振图像数据128。应当注意，步骤200也可以在步骤202或204之后执行。然后在步骤206中使用合成磁共振图像数据128或合成k空间数据130。在步骤206中，使用测量的k空间数据124和合成磁共振图像数据128或替代地合成k空间数据130来重建经校正的磁共振图像数据132。图3图示了医学系统300的另一示例。图3所图示的医学系统300类似于图1的医学系统100，除了它另外包括磁共振成像系统302。
70.磁共振成像系统302包括磁体304。磁体304是具有通过其的膛306的超导圆柱型磁体。使用不同类型的磁体也是可能的：例如，还能够使用分裂式圆柱磁体和所谓的开放式磁体两者。分裂式圆柱磁体类似于标准圆柱磁体，除了已经将低温恒温器分裂成两段以允许接近磁体的等平面，这样的磁体例如可以结合带电粒子束治疗而使用。开放式磁体具有两个磁体段，一个在另一个之上，之间有足够大的空间，以接收对象：两个段区的布置类似于亥姆霍兹线圈的布置。开放式磁体是常见的，因为对象受到较少约束。在圆柱形磁体的低温恒温器内部存在超导线圈的集合。在圆柱形磁体304的膛306内，存在磁场足够强且足够均匀以执行磁共振成像的成像区308。在成像区308内示出了感兴趣区域309。磁共振数据通常针对感兴趣区域进行采集。对象318被示出为由对象支撑体320支撑，使得对象318的至少部分处于成像区308和感兴趣区域309内。在磁体的膛306之内还存在磁场梯度线圈310的集合，所述磁场梯度线圈用于采集初步磁共振数据，以对磁体304的成像区308之内的磁自旋进行空间编码。磁场梯度线圈连接到磁场梯度线圈电源312。磁场梯度线圈310旨在为代表性的。通常，磁场梯度线圈包含三个独立的线圈集合，以用于在三个正交空间方向上进行空间编码。磁场梯度线圈电源312向磁场梯度线圈310供应电流。根据时间来控制供应到磁场梯度线圈310的电流，并且该电流可以是斜变的或脉冲的。毗邻于成像区308是射频线圈314，所述射频线圈用于操控成像区308之内的磁自旋的取向并且用于从也在成像区之内的自旋接收无线电发射。射频天线可以包含多个线圈元件。射频天线也可以称作信道或天线。射频线圈314连接到射频收发器316。可以由独立的发射线圈和接收线圈以及独立的发射器和接收器替代射频线圈314和射频收发器316。应理解，射频线圈314和射频收发器316是代表性的。射频线圈314还旨在表示专用的发射天线和专用的接收天线。同样地，收发器316也可以表示独立的发射器和接收器。射频线圈314还可以具有多个接收/发送元件，并且射频收发器316可以具有多个接收/发送信道。例如，如果
执行并行成像技术(诸如sense)，则射频线圈314将具有多个线圈元件。收发器316和梯度控制器312被示出为被连接到计算机系统102的硬件接口106。存储器110还被示出为包含第一脉冲序列命令330，所述第一脉冲序列命令被配置用于在磁共振成像系统302处于第一配置时采集测量的k空间数据124。第二脉冲序列命令332被配置用于当磁共振成像系统302处于第二配置时采集参考k空间数据334。存储器110还被示出为包含当执行第二脉冲序列命令332时已经采集的参考k空间数据334。可以在采集第一脉冲序列命令330时采集测量的k空间数据124。在一些实例中，参考k空间数据334和测量的k空间数据124可以在不同的时间针对相同对象318或甚至在不同的磁共振成像系统302中采集。在该示例中，两者都是在同一检查期间采集的。例如，它们都可以针对相同的感兴趣区域309被采集并且以空间上匹配的方式被采集。图4示出了图示操作图3的医学系统300的方法的流程图。图4所示的方法类似于图2所示的方法。首先，在步骤400中，通过利用第二脉冲序列命令332控制磁共振成像系统来采集参考k空间数据334。接下来，在步骤402中，根据参考k空间数据334来重建参考磁共振图像数据126。接下来，在步骤404中，通过利用第一脉冲序列命令330控制磁共振成像系统302来采集测量的k空间数据124。在步骤404之后，该方法继续进行并执行如图2所示的步骤200、202、204和206。图5图示了磁共振成像系统500的示例。磁共振成像系统500类似于图3的医学系统300，除了存储器110的内容是不同的。在该示例中，机器可执行指令120被配置为使得合成k空间数据130用于修改测量的k空间数据124的采集。这例如对于校正对象318的运动以及射频系统的各个信道的故障或由rf天线314接收的噪声可以是有用的。存储器110被示出为包含根据测量的k空间数据124构建的经校正的磁共振图像502。合成k空间数据130可以以若干不同的方式用于校正测量的k空间数据124。例如，合成k空间数据130可以用于选择第一脉冲序列命令330的采样模式，其将有效地选择测量的k空间数据124的样本位置。在其他示例中，合成k空间数据130可以与测量的k空间数据124的激发或组进行比较，因为它们被采集并且用于校正采集或调节测量的k空间数据124。这可以在运行时或在所有测量的k空间数据124已经被采集之后进行。图5的特征可以与图1和3的特征组合。图6示出了图示操作图5的磁共振成像系统500的方法的流程图。首先，在步骤600中，通过利用第二脉冲序列命令332控制磁共振成像系统500来采集参考k空间数据334。接下来，在步骤602中，根据参考k空间数据334来重建参考磁共振图像数据126。接下来，在步骤604中，通过将参考磁共振图像数据126输入到图像生成神经网络122中来接收合成磁共振图像数据128。接下来，在步骤606中，根据合成磁共振图像数据128构建合成k空间数据130。这例如可以使用逆傅里叶变换来构建。最后，在步骤608中，利用第一脉冲序列命令330来控制磁共振成像系统，以便采集测量的k空间数据124。在步骤608中，还使用合成k空间数据130来控制或调节采集。mri采集固有的速度限制已经触发了对允许从欠采样的k空间数据获得良好图像质量的许多图像重建技术的研究。这些技术中最突出的是并行成像(pi)、压缩感测(cs)及其组合pi-cs。最近，神经网络和深度学习(dl)的使用已经表明使得pi-cs能够在保持图像
质量的同时达到甚至更高的加速率。这是可能的，因为神经网络可以更好地捕获mri图像的低维空间，它们在训练期间从包含来自许多其他患者的图像的大数据集学习更好地捕获mri图像的低维空间。本文公开的一些示例使用以下事实：在mri检查中，通常利用不同的对比度(磁共振成像系统的配置)来采集相同解剖结构的多次扫描。如本文使用的，“对比度”是用于采集k空间数据的磁共振成像系统的配置。这些不同的对比度包含共同的信息(相同的患者、相同的病理等)，如果不同对比度如何相关的良好模型可用，则可以在压缩感测重建中利用所述共同的信息。这样的cs重建被称为多对比度cs。先前的多对比度cs方法已经使用简单的分析模型来描述对比度之间的相关性。此处，我们提出使用神经网络从真实数据中学习这种相关性，允许达到更高的加速因子，从而维持高图像质量。上述加速方法依赖于先验信息的使用。对于并行成像，线圈灵敏度可以被视为一种先验信息，而对于压缩感测，图像稀疏性是先验的：对于所有类型的图像是通用的(例如，在具有小波的cs的情况下)，或对于mri图像是通用的(dl-cs，其中，表示可以例如通过在大量mri数据上训练的网络来学习、促进)。与cs相比，dl-cs的改进的性能来自于以下事实：所使用的先验信息被更好地调整，因为更特异于要重建的图像的类型。导致甚至更好的先验知识的逻辑上的进一步步骤将是包括患者特异性信息。这是在多对比度cs(mc-cs)中采用的方法，其中，利用不同对比度采集的同一解剖结构的若干图像被同时地或顺序地重建，但是考虑了先前的重建。这由于这些不同的对比度明显地包含相关信息(参见下面的图7和10)的事实而是有动机的。mc-cs中的主要问题是难以对对比度之间的共享信息进行建模。在下文中，贝叶斯估计设置用于激励问题的数学公式。然而，也可以采用其他方法来证明mc-cs问题的数学公式的合理性。将x称为要通过欠采样测量和(欠采样的多线圈)测量算子a重建的图像，贝叶斯cs旨在将x的估计提供为最小均方误差(mmse)或后验分布的最大后验估计(map)：p
x|y
(x|y)
∝
p
x
(x)p
y|x
(y|x)其中，p
x
(x)是先验，
∝
指示达到常数的比例，并且在测量的方差λ的加性白高斯噪声的情况下，后验分布p
y|x
(y|x)可以被给出与归一化到噪声λ的残差|y-ax|(数据减去应用于猜测图像的欠采样算子)的以下高斯分布估计量成比例：对于实际mr图像，真实的先验分布是未知的，但是假设x的小波变换ψ
x
上的拉普拉斯分布导致在小波空间中稀疏的良好结果：取p
x|y
(x|y)(x
│
y)的(对数)的map(最大后验估计)然后导致压缩感测的共同lasso公式：可以针对多对比度压缩感测做出对应的公式。此处，我们在不同对比度的两幅图
像x和x’的情况下考虑设置。我们假设x’的良好重建已经可用，并且我们想要使用它从欠采样测量结果y重建x。考虑x’导致后验分布：p
x|(y，x
′
)
(x|(y，x
′
))
∝
p
x
(x)p
x|x
′
(x|x
′
)p
y|x
(y|x),并且导致对应的最小化问题：困难在于p
x
(x)和p
x|x
′
(x|x
′
)是未知的。然而，该贝叶斯推导鼓励通过解决一般形式的最小化问题来解决mc-cs问题：注意，该公式可以直接扩展到多于2个对比度以及2个或更多个对比度的联合重建。通常，如果x和x’由于扫描之间的患者运动或扫描的分辨率、视场和规划的不匹配而未被完美地配准到彼此。作为第一近似，假设图像被完美地配准到彼此。然后，要做出的一个可能假设是x和x’在相同的基t中是稀疏的，并且其在该基中的支持具有高叠加。这激发了诸如的形式，并且使用算法来解决找到x的问题。然而，正如分析先验p
x
只有有限的能力来完全捕获真实的底层先验分布，p
x|x
′
的分析假设也有有限的预测能力。示例可以例如在神经网络中对分布p
x|x
′
或乘积p
x
(x)p
x|x
′
(x|x
′
)进行编码，并且使用它作为迭代cs重建中的解决从等式(1)启发的不同最小化问题的构建块。特别地，可以例如：(1)训练对比度到对比度网络n(图像生成神经网络122)，该对比度到对比度网络n可以被训练为使得采用来自明确定义的对比度a的图像(参考磁共振图像数据126)作为输入，并且输出具有明确定义的对比度b(磁共振成像系统的第一配置)的对应图像(合成磁共振图像数据128)的估计。该网络可以使用具有对比度a和b的相同图像对的训练数据集以及诸如mse的损失函数来训练。替代地，可以使用条件循环gan利用来自不同患者的具有对比度a的图像和具有对比度b的其他图像的未配对数据集。在多对比度重建期间，然后将网络应用于图像x’一次以产生估计该估计然后在迭代cs重建中使用，产生：其中，ψ和t是根据需要选择的稀疏化变换，λ和μ是是可调谐正则化参数，并且p是1或2，导致易处理的等式。(2)训练一个或多个网络n，所述一个或多个网络n将堆叠在2个不同信道(或在复值图像的情况下4个信道)中的两幅图像采取为输入。第一图像(x’)是来自明确定义的对比
度a的干净图像，第二图像是具有明确定义的对比度b的对应图像的伪影版本。该网络然后在以下类型的迭代cs重建的每个迭代处使用：在以下类型的迭代cs重建的每个迭代处使用：可以存在被训练一次的单个网络n、或与要被执行的迭代一样多的网络，并且通过最小化标准数据图像x与最终估计之间的损失来端到端地完成训练。这种类型的网络训练需要配对的训练数据集。(3)如果在上述项目(1)和(2)下描述的两个网络n能够从不同对比度a的范围开始合成不同对比度b的范围，则它们在其使用中可以更灵活。这允许对逐扫描发生的采集协议的小变化是鲁棒性的。不同对比度a和b的范围应当是相对窄的(围绕两个参考对比度a0和b0的标准序列的小协议变化)。然后，网络n具有一个或若干额外标量输入(s1,s2
…
sn)，其是到n的第一层或后续层中的一个或多个的输入。在训练时，矢量s随着协议的改变而改变。一旦网络被训练，它然后就可以通过改变s以在对比度之间进行插值来从单幅输入图像x’开始产生不同的对比度。(4)在多对比度cs重建期间，这样的灵活网络可以以两种方式使用。在第一用例中，确切的协议参数是已知的并通过s馈送到网络，从而确保产生正确的对比度。在第二用例中，s不是已知的，而是从数据估计的。这可以使用第二网络m来完成，第二网络m被训练为从由n产生并且回顾性地欠采样的输出推断出s。在项目(1)和(2)中描述的mc-cs公式中，添加第一步骤，产生估计＝m(a
t
y)，并且该值然后在n中使用，替代地，新的估计可以在每次迭代时产生。如果也如在(3)中描述的那样被增强，则可以通过使用刚性或非刚性运动估计和变换(如例如在具有附加时间维度的一些cs重建中所做的)来使项目(1)和(2)中描述的方法在两个对比度之间对运动和/或变化的分辨率和fov是鲁棒的。如对于(3)中描述的方法，可以从欠采样图像a
t
y和合成对比度n(x
′
)或在每一次迭代时执行一次该运动估计，因为增加估计的质量允许增加运动配准的精度。上述示例的应用是包含具有若干不同对比度的相同解剖结构的采集的扫描协议的加速。此处描述的方法限于对比度的顺序重建(而不是若干欠采样对比度的联合同时重建)，但是可以容易地扩展到多于两个对比度和对比度的联合重建。可以通过以高snr的“快速”对比度的采集开始而最佳地加速整个协议，然后将所述“快速”对比度用作采集起来更慢的后续对比度的重建中的参考对比度，但是可以由于mc-cs而更多地加速。预期使用mc-cs可实现的加速率接近动态cs中实现的加速率(比经典cs高约2倍)。扫描间运动的问题可以如上面第(4)点中描述的那样来处理。然而，在这方面，多切片扫描中的通过平面的运动可能是有问题的，因此mc-cs将特别适合于3d扫描的序列。减少运动问题的另一方式是考虑交错扫描，这也可以进一步减少扫描时间。然而，应当注意，通过缩短扫描时间，mc-cs已经有助于通过更短的总扫描时间来减轻潜在的运动伪影，同时这样增加患者舒适度。示例1：
在变型(1)的一个可能实施方式中，在两个明确定义的对比度a和b的配对或未配对数据上训练对比度到对比度网络。扫描协议包含采集对比度a的一个序列和采集对比度b的一个序列、或以交错方式采集两个对比度的k空间轮廓的单个序列。首先使用诸如pi、cs或cs-pi的经典方法来重建对比度a，得到高质量图像x’。该图像x’被馈送到对比度到对比度网络，并且产生估计其中，x是要针对对比度b重建的图像。然后，从测量的cs欠采样k空间重建对比度b。重建使用并产生估计：其中，ψ是小波变换，并且λ是可调谐正则化参数。如图2中所见，所获得的mc-cs重建具有比标准cs重建好得多的图像质量。图7-12用于图示使用图像生成神经网络122来辅助压缩感测重建。在图7中，示出了完全采样的图像700。对于该示例，使用用于重建图像700的k空间数据的部分。图8示出了被欠采样的测量的k空间数据124的示例。它是用于重建图7中的图像700的k空间数据的部分。图9示出了小波压缩感测重建900。可以看出，图8中的欠采样k空间数据124不足以重建高质量图像。图10示出了不同的对比度或参考磁共振图像数据126。比较图像700和126，可以看出两幅图像具有相同的解剖结构。图11示出了使用图像生成神经网络122根据参考磁共振图像数据126生成的合成磁共振图像数据128的示例。合成磁共振图像数据128然后与图8的测量的k空间数据124一起用于重建图12中描绘的经校正的磁共振图像数据132。在该示例中，图11中的合成磁共振图像数据128在用于压缩感测重建的正则化项中使用。换句话说，图7至12是使用对比度到对比度网络的mc-cs的图示。图7和10是表示两个对比度a和b的图像。图10的图像可从先前扫描获得，而图7表示要根据图8所示的测量的欠采样k空间数据重建的图像。图7包含人工增亮的中心区域702以图示算法的效果。在不使用参考对比度的情况下，图9所示的使用小波基中的稀疏性的cs重建仍然包含强欠采样伪影。在所提出的方法中，经训练的对比度到对比度网络从图126开始生成图7的图像700的图11所示的估计128。在mc-cs重建中使用该估计得到图12，其与图9相比具有显著改进的图像质量。在图12的重建中保留出现在图7中但未出现在图10中的结构(出于示例目的，在中间的人工中心区域702)。示例2：方法(1)中使用的对比度到对比度网络以及方法(2)中使用的不同网络可以具有不同的架构。例如，它们可以是完全卷积网络，诸如u-net或其变体。在(1)的情况下，可以从对比度a和b的未配对图像的训练数据集执行训练。作为额外的主题，下面讨论使用图像生成神经网络来减少运动伪影。在采集期间由于对象运动引起的图像劣化是磁共振成像(mri)的临床应用中的持续问题。相关联的伪影通常表现为图像中的重影或模糊，并且常常将图像质量降低到使得医学分析不可能的程度。然而，在许多情况下，仅检查中的所有扫描的子集遭受运动伪影：许多患者在检查
的不同部分期间示出变化的运动活动。此外，一些mr序列相对于运动比其他mr序列更敏感。用于减轻mr中的运动伪影的许多策略依赖于对底层运动轨迹的估计。这通常涉及应用参数化运动模型，诸如用于脑扫描的刚性3d模型。如果实际的患者运动与该模型不同，诸如脑检查中的吞咽运动，则这可能是有问题的。替代地，可以拒绝k空间的一些部分，并且使用多线圈采集的数据冗余来重建缺失的数据点(即，基于sense的重建)。然而，这必然涉及噪声惩罚。本发明公开内容中描述的方法通过利用来自第二无伪影扫描的信息来避免两个缺点。如果在检查中已经采集了多个扫描，并且如果这些扫描中的至少一个被识别为没有运动伪影，则所描述的发明的应用是可能的。该无伪影扫描的识别可以由操作者手动执行，但是也可以使用专用度量(例如，基于被训练为估计图像中的运动伪影水平的神经网络)来使该步骤自动化。后者已经作为下面包括的概念验证(poc)研究的一部分被实施和测试。图13图示了使用合成k空间数据130来减少经校正的磁共振图像数据132中的运动伪影的方法。框126表示参考磁共振图像数据，其在这种情况下是无运动的第一扫描。框122是相当于图像生成神经网络122的对比度到对比度转换u-net神经网络。该神经网络122的输出是合成磁共振图像数据128，其在该附图中被称为经转换的第一扫描。被运动损坏的第二扫描相当于测量的k空间数据124。这然后在替换k空间1300中的轮廓的算法中使用。结果是经校正的磁共振图像数据132。这可以被执行多次。当这被执行多次时，融合图像132是中间图像。这然后被输入到伪影水平估计器1302或图像质量估计模块中。框1304表示算法步骤，其中，如果伪影水平降低，则保留被替换的特定k空间轮廓。步骤1306表示针对所有轮廓或针对特定数量的k空间轮廓或k空间轮廓的组合对此迭代地执行。在图13中，假设检查中的第一扫描(参考磁共振图像数据126)被检测为没有运动伪影，则使用专用对比度转换网络(图像生成神经网络122)将它转换为目标对比度(合成磁共振图像数据128)。在第一poc研究中，使用u-net架构来实现该图像转换模块，但是其他架构也是可能的。可以以多种方式实现合适的数据集的创建：-在临床数据库中识别具有相同几何结构的无伪影扫描对，如果需要，则使用两个扫描的配准来创建数据库。-采集包含组织参数图的定量数据集，以使得能够正向模拟任意mr对比度，即质子密度、t1和t2图。诸如扩散、灌注等的额外组织参数可以有助于将该方法扩展到功能性mr序列。-如果具有相同几何结构的匹配扫描对不可用，则也可以使用(未配对的)扫描的大数据集。在这种情况下，可以使用cyclegan网络架构。使用该经训练的对比度转换网络(图像生成神经网络122)，然后将第一无运动扫描转换为目标对比度，即被运动伪影破坏的第二扫描的对比度。如果两个扫描不具有相同的视场和分辨率，则可以通过调节视场和插值将第一对比度带到第二对比度的几何结果。如果需要，则可以使用图像配准算法来考虑两次扫描之间的可能患者运动。在所有情况下，使用傅里叶变换和线圈灵敏度图来产生经对比度转换的配准的第一扫描的合成k空间。
为了降低该第二扫描的伪影水平，然后由经转换的第一扫描的对应k空间轮廓替换第二扫描的某些k空间轮廓。用于替换的轮廓的选择取决于扫描的类型和特定的k空间采集方案：对于标准的连续笛卡尔方案，仅单个轮廓可以被替换。对于poc研究，其中，假设交错的tse类采集，替换对应于单个tse激发的所有轮廓(这对应于在每个激发期间可忽略运动的假设)。在k空间轮廓的每次替换之后，对所得到的“融合”数据集进行傅里叶变换以获得图像域中的融合图像。使用专用运动伪影水平估计器来估计所得到的融合图像中的伪影水平。该模块的不同实施方式是可能的，例如，诸如总图像梯度、图像熵等的经典度量。在poc研究中，专用的回归卷积神经网络(cnn)被训练为估计图像中的伪影的l2范数。基于无运动志愿者t2w图像以及伪影模拟流水线来实现相关联的训练数据集的生成。如果融合图像中的估计的伪影水平显著低于原始图像中的估计的伪影水平，则(一个或多个)轮廓被认为被运动破坏。一旦已经分析了整个k空间，被认为被破坏的轮廓就由经转换的无运动数据集中的其对应物替换。然后，最终的傅里叶变换和线圈组合步骤产生伪影校正的图像。图14-18图示了图13所图示的方法的有效性。图14示出了具有合成病变1400的参考磁共振图像数据126的示例。图15示出了根据图14中的图像126生成的合成磁共振图像数据128的示例。图16示出了具有由有意破坏k空间数据的若干线引起的运动伪影的另一磁共振图像。图17图示了使用图13所图示的方法利用图16的测量的k空间数据124和用于替换k空间数据中的一些的合成磁共振图像数据128重建的经校正的磁共振图像数据132的示例。将该图像与图18进行比较，图18示出了标准数据图像1800的，标准数据图像1800包含用于生成图16中的图像124的相同k空间数据，除了k空间线没有被人为破坏。可以看出，图17和18中的图像示出了非常好的一致性。通常，不能预期使用神经网络的对比度之间的转换是完全无误差的，因为下层组织性质不能完全从单次扫描推断。作为图示性示例，在图14中的第一pd加权的对比度中包括合成病变。该病变在基于网络的对比度转换的结果中仍然可见，如图15所示。为了证明所描述的方法对对比度转换过程期间的误差的鲁棒性，病变不被包括在第二对比度的标准数据图像中(图18)。基于该标准数据图像，使用前向模拟生成图16中的伪影破坏的图像。此处，假设具有16次激发(256个轮廓，tse因子＝16)的tse采集，其中，两次激发被10
°
平面内旋转破坏。下面的图19示出了在由图15所示的经对比度转换的数据替换个体激发之后的估计的伪影水平的相对变化。激发#0和#7被正确地识别为被运动破坏的，如通过在替换之后估计的伪影水平的大幅下降所指示的。重要的是，即使k空间中的两次激发(＝12.5％)被经转换的数据替换，合成病变在图17所示的伪影校正的结果中也是不可见的。通常，被替换的k空间线对该“误差传播”的影响将取决于k空间轨迹、被替换的线的数量等。可以容易地执行经验测试以确定k空间替换的上限。另外的特征对于所描述的示例的设计和应用，可以考虑额外特征：
·
为了增加对比度转换的准确性，如果可用的话，可以使用多次扫描作为到对比度转换网络的输入。
·
为了避免针对扫描参数设置的每次修改(例如，te和tr的改变)训练专用对比度转换网络，转换网络可以被设计为将这些扫描设置合并为额外输入。这种设计的一种可能性是在网络中包括自适应实例标准化(adaln)层。
·
可以预先执行受运动影响的k空间位置的确定，以便避免对为破坏负责的位置的暴力搜索。该确定可以例如利用随时间跟踪患者运动的外部传感器(呼吸带、膛内相机)的使用、或利用采用原始数据不一致性的方法来进行，由于多线圈扫描中的数据冗余，这是可能的。
·
该方法的适用性不会降低到笛卡尔扫描，并且对于k空间轨迹的任何组合都是有效的。图20示出了图示重建经校正的磁共振图像数据132的各种方式的流程图。这些步骤划分为若干主要步骤。步骤2000表示测量的k空间数据124和参考k空间数据334的采集。在下一步骤中，执行标准重建2002。在该步骤中，可以直接根据测量的k空间数据124重建未使用的或被破坏的图像，然而，在该方法中不使用这一点。参考磁共振图像数据126是根据参考k空间数据334重建的。图像126然后被输入到图像生成神经网络122或对比度到对比到网络中以产生估计的图像或合成磁共振图像数据128。在将参考磁共振图像数据126输入到神经网络122中之前，可以存在使用几何结构修改模块134的几何结果修改。同样地，在神经网络122输出数据之后，估计的图像或合成磁共振图像数据128可以通过使用几何结构修改模框134的几何校正来改变其形式。估计的图像128还可以被用于生成估计的k空间数据或合成k空间数据130。水平2006中的步骤表示若干不同的预处理选择。例如，可能存在全局破坏的k空间，在这种情况下，存在可以使用的校正模型。例如，在epi磁共振图像采集中，偶回波和奇回波可以被移位。估计的k空间数据可以用于检测和校正这一点。另一预处理选择可以是局部破坏的k空间数据。例如，如果存在错误，则k空间数据可以被丢弃并简单地填充，如图13所图示的。另一预处理选择将是不完整k空间。在该示例中，可以选择继续进行不完整k空间或执行k空间填充。取决于在步骤2006中采取的预处理选择，还可以存在一些预处理的k空间2008。在另一示例中，经校正的k空间数据可以被生成为混合k空间，其是估计的k空间130和实际采集的k空间124两者的组合。k空间也可以是所谓的软门控，其中，被替换的k空间数据被给予更低的加权因子，因此它对最终图像具有更小的影响。在另一示例中，可以利用不完整k空间来重建图像，或简单地丢弃轮廓。步骤2010表示多对比度重建以生成诊断图像132。这导致如果使用经校正的k空间或混合k空间则使用标准重建，如果使用软门控加权则使用软门控重建，或如果存在不完整k空间则估计的图像128可以用作正则化项。尽管已经在附图和前面的描述中详细说明和描述了本发明，但这样的说明和描述被认为是说明性或示范性的而非限制性的；本发明不限于公开的实施例。本领域技术人员通过研究附图、说明书和权利要求书，在实践要求保护的本发明时能够理解和实现所公开实施例的其他变型。在权利要求书中，“包括”一词不排除其他元件或步骤，词语“一”或“一个”不排除多个。单个处理器或其他单元可以满足权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定元件，但是这并不指示不能有利地使用这些元件的组合。计算机程序可以存储和/或分布在适当的介质上，例如与其他硬件一起提供或作为其他硬件的一部分提供的光学存储介质或固态介质，但计算机
程序也可以以其他形式分布，例如经由因特网或其他有线或无线的远程通信系统分布。权利要求书中的任何附图标记都不得被解释为对范围的限制。