MRI重建方法及计算机程序产品与流程

本申请涉及mri重建领域。

背景技术：

1、磁共振成像(mri)是用于问题发现、疾病检测和治疗计划的重要临床工具。然而，mri数据采集固有地较慢。为了加速成像过程，可以对mri数据空间(例如，其可以被称为k空间)进行欠采样，并且可以基于欠采样数据重建mri图像。近年来，基于深度学习(dl)的技术已经越来越多地应用于mri重建并且已经实现了令人印象深刻的结果，但是使用dl技术获得的图像常常是模糊的并且缺乏清晰(例如，高频)细节。因此，期望提高基于dl的mri图像重建的质量的系统和方法。

技术实现思路

1、本文描述了与mri重建相关联的系统、方法和装置。一种被配置为执行重建任务的设备可以获得诸如人脑的解剖结构的重建的mri图像，其中，重建的mri图像可以基于与解剖结构相关联的欠采样mri数据(例如，欠采样mri图像)来生成(例如，通过设备或另一系统或装置)。该设备可以通过第一人工神经网络处理重建的mri图像，该第一人工神经网络可以被训练为实施用于细化重建的mri图像的生成模型。作为处理的结果，设备可以生成细化的mri图像，该图像可以包括从原始重建图像中缺失的细节(例如，高频细节)，并且可以在不向细化的图像中引入伪影的情况下实现细化。

2、在示例中，第一人工神经网络可包括生成对抗网络(gan)或可逆神经网络(inn)。gan可包括生成器网络和鉴别器网络，其中，生成器网络可被训练为生成细化的mri图像，并且鉴别器网络可被训练为监督生成器网络，使得细化的mri图像可遵循(例如，近似)解剖结构的全采样mri图像的分布。

3、在示例中，可以使用第一人工神经网络的实例通过训练过程来学习本文所述的生成模型，该训练过程可以包括：获得重建的mri训练图像，使用第一人工神经网络的实例基于重建的mri训练图像来预测输出mri图像，确定与预测相关联的对抗损失，以及至少基于对抗损失来调节第一人工神经网络的实例的参数。在示例中，训练过程还可以包括：基于由第一人工神经网络的实例预测的输出mri图像和金标准mri图像来确定像素级损失(例如，l1/l2损失)，以及还基于像素级损失(例如，基于对抗损失和像素级损失的加权平均值)来调节第一人工神经网络的实例的参数。

4、在示例中，被配置为执行细化任务的设备还可以被配置为基于机器学习的mri重建模型来生成原始重建的mri图像。设备可以通过第二人工神经网络实施这样的mri重建模型，并且可以生成本文所述的细化的mri图像，作为第二人工神经网络的后处理步骤。

技术特征：

1.一种磁共振成像(mri)重建的方法，所述方法包括：

2.根据权利要求1所述的方法，其中，所述第一人工神经网络包括生成对抗网络(gan)。

3.根据权利要求2所述的方法，其中，所述gan包括生成器网络和鉴别器网络，所述生成器网络被训练为生成所述细化的mri图像，并且所述鉴别器网络被训练为监督所述生成器网络，使得所述细化的mri图像遵循所述解剖结构的全采样mri图像的概率分布。

4.根据权利要求1所述的方法，其中，所述生成模型使用所述第一人工神经网络的实例通过训练过程来学习，所述训练过程包括：

5.根据权利要求4所述的方法，其中，所述训练过程还包括：基于所述输出mri图像和金标准mri图像来确定像素级损失，以及进一步基于所述像素级损失来调节所述第一人工神经网络的所述实例的所述参数。

6.根据权利要求5所述的方法，其中，所述第一人工神经网络的所述实例的所述参数基于所述对抗损失和所述像素级损失的加权平均值来调节。

7.根据权利要求1所述的方法，还包括：基于机器学习的mri重建模型来生成所述重建的mri图像，其中，所述机器学习的mri重建模型经由第二人工神经网络来实施。

8.根据权利要求1所述的方法，其中，所述细化mri图像包括比所述重建mri图像更多的高频细节。

9.根据权利要求1所述的方法，其中，所述欠采样mri数据包括欠采样mri图像，所述欠采样mri图像包含比由所述第一人工神经网络处理的所述重建mri图像更多的伪影。

10.一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如权利要求1-9任意一项所述的方法。

技术总结
本文描述了用于MRI重建和/或细化的基于深度学习的系统、方法和装置。MRI图像可以基于欠采样MRI信息重建，并且生成模型可以被训练为细化重建的图像，例如，通过增加MRI图像的锐度而不将伪影引入到图像中。生成模型可以使用包括生成对抗网络的各种类型的人工神经网络来实施。模型可以基于对抗损失和像素级图像损失来训练，并且一旦被训练，模型就可以用于提高宽范围的2D或3D MRI图像(包括膝盖、大脑或心脏的图像)的质量。

技术研发人员：陈章,董思源,孙善辉,陈潇,刘毅康,陈德仁
受保护的技术使用者：上海联影智能医疗科技有限公司
技术研发日：
技术公布日：2024/1/15