[發明專利]MR圖像數據的重建

在審

• 申請號: 202011476812.5
• 申請日: 2020-12-15
• 公開（公告）號: CN113066141A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 克里斯托弗·賈德森·哈迪;桑塔伊·安
• 申請（專利權）人: 通用電氣公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G01R33/56;G06N3/04;G06N3/08
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 侯穎媖;錢慰民

1.一種用于訓練深度學習網絡的方法，包括以下步驟：

獲取磁共振(MR)自旋回波(SE)或快速自旋回波(FSE)數據集，其中使用包括第一激勵和第二激勵的至少兩個激勵獲取每個MR數據集，其中與所述第一激勵相比，所述第二激勵使用反相激勵射頻脈沖；

為所述MR數據集中的每個MR數據集生成不具有細線偽影的相應真實圖像；

使用所述兩個相應激勵中的一個激勵為所述MR數據集中的每個數據集生成相應欠采樣數據集；以及

通過輸入所述相應欠采樣數據集并且將輸出圖像與所述相應真實圖像進行比較來訓練所述深度學習網絡。

2.根據權利要求1所述的方法，其中所述深度學習網絡是包括多個迭代塊的密集連接迭代深度學習網絡。

3.根據權利要求2所述的方法，其中所述多個迭代塊中的每個迭代塊包括：數據一致性單元，所述數據一致性單元被配置為在所述迭代塊的輸出中保持圖像保真性；以及正則化單元，所述正則化單元被配置為生成正則化信息，所述正則化信息表示減少所述迭代塊的輸出中的泛化誤差所需的附加信息。

4.根據權利要求2所述的方法，其中除了所述第一迭代塊和所述第二迭代塊之外，所述多個迭代塊中的每個迭代塊被配置為基于通過其相鄰的先前迭代塊的直接連接的迭代塊輸出以及來自所述相鄰的先前迭代塊之前的迭代塊的密集跳躍連接的迭代塊輸出和所述欠采樣數據集來生成估計圖像。

5.根據權利要求1所述的方法，其中通過組合從所述兩個激勵獲取的所述MR數據集并根據所述組合的MR數據集重建MR圖像來生成所述真實圖像。

6.根據權利要求1所述的方法，其中通過對來自所述兩個激勵中的一個激勵的相應MR數據集回顧性地向下采樣來生成每個欠采樣數據集。

7.根據權利要求1所述的方法，其中所述輸出圖像是由所述深度學習網絡生成的預測MR圖像。

8.根據權利要求1所述的方法，其中使用損失函數來估計所述輸出圖像和所述完全采樣的真實圖像之間的誤差。

9.根據權利要求1所述的方法，其中通過檢查損失函數的最小化來確定訓練所述深度學習網絡的完成。

10.一種用于在推斷時使用深度學習網絡的方法，包括：

獲取欠采樣磁共振(MR)數據；

將所述欠采樣MR數據作為輸入數據提供給所述深度學習網絡，其中所述深度學習網絡接收所述欠采樣MR數據并輸出重建MR圖像，在所述重建MR圖像中，欠采樣偽影被抑制并且所述重建MR圖像不表現出大量細線偽影，其中所述深度學習網絡被訓練為使用先前獲取的MR數據和相應的真實圖像來抑制細線偽影，其中使用包括至少第一激勵和第二激勵的多個激勵來獲取所述先前獲取的MR數據中的每個MR數據，其中與所述激勵的另一半相比，所述激勵的一半使用反相激勵射頻脈沖；以及

顯示所述重建MR圖像以供查看。

11.根據權利要求10所述的方法，其中使用快速自旋回波掃描獲取所述欠采樣MR數據。

12.根據權利要求11所述的方法，其中所述欠采樣MR數據各自僅使用一個激勵來獲取。

13.根據權利要求10所述的方法，其中所述多個激勵中的激勵的數量是等于或大于2的偶數。

14.根據權利要求10所述的方法，其中所述先前獲取的MR數據是完全采樣的MR數據。

15.根據權利要求10所述的方法，其中來自所述兩個激勵的所述先前獲取的MR數據被組合并重建成不表現出細線偽影的所述真實圖像。