阅读说明：本技术 利用神经网络检测患者运动的mri系统和方法 (MRI system and method for detecting patient motion using neural networks ) 是由 伊莎贝尔·休肯斯费尔特詹森 桑塔伊·安 克里斯托弗·贾德森·哈迪 伊齐克·马尔基尔 拉斐尔· 于 2020-04-21 设计创作，主要内容包括：本发明题为“利用神经网络检测患者运动的MRI系统和方法”。本发明提供了一种磁共振成像(MRI)系统,该MRI系统包括控制和分析电路,该控制和分析电路具有编程以使用MRI系统的线圈元件来获取磁共振(MR)数据、分析MR数据并将MR数据重建为MR子图像。系统还包括与控制和分析电路相关联的经训练的神经网络,以将MR子图像转换为与MR子图像中运动破坏的存在和程度相关的预测。控制和分析电路的编程包括用于至少部分地基于经训练的神经网络的预测来控制MRI系统的操作的指令。(The invention provides an MRI system and method for detecting patient motion using neural networks. A Magnetic Resonance Imaging (MRI) system includes control and analysis circuitry programmed to acquire Magnetic Resonance (MR) data using coil elements of the MRI system, analyze the MR data, and reconstruct the MR data into MR sub-images. The system also includes a trained neural network associated with the control and analysis circuitry to convert the MR sub-images into predictions relating to the presence and extent of motion disruption in the MR sub-images. The programming of the control and analysis circuitry includes instructions for controlling operation of the MRI system based at least in part on the prediction of the trained neural network.)

利用神经网络检测患者运动的MRI系统和方法

背景技术

一般来讲，磁共振成像(MRI)检查基于主磁场、射频(RF)磁场和时变梯度磁场之间与在感兴趣的受检者(诸如患者)体内具有核自旋的旋磁材料的交互作用。某些旋磁材料，诸如水分子中的氢核，具有响应于外部磁场的特征性能。这些核的自旋的进动能够通过操纵场以产生能够被检测、处理并且用于重构有用图像的RF信号来影响。

患者运动是临床MRI无效的最大原因之一，通常需要患者重新扫描甚至第二次就诊。特别地，患者运动会导致MR图像模糊、伪影和其他不一致性。某些纠正运动的方法需要某种用于监测运动的硬件(增大成本和延长患者设置时间)或导航器序列(占用成像序列的时间)。因此，需要用于对患者运动敏感的磁共振成像技术中的数据获取和重建的改进方法。

发明内容

在一个实施方案中，一种磁共振成像(MRI)方法包括：在第一时间间隔内从由MRI系统获取的第一磁共振(MR)部分k空间数据产生第一子图像，以及在第二时间间隔内从来自由磁共振成像系统获取的k空间的不同部分的第二MR部分k空间数据产生第二子图像。第一时间间隔和第二时间间隔在时间上彼此相邻。该方法还包括组合第一子图像和第二子图像以生成组合子图像；使用经训练的神经网络，使用组合子图像作为输入，来生成与在第一时间间隔和第二时间间隔之间发生的运动的存在和程度相关的预测；以及至少部分地基于由经训练的神经网络生成的预测来执行MRI系统的进一步操作。

在另一个实施方案中，一种生成经训练的神经网络以生成与磁共振(MR)子图像中的运动的存在和程度相关的预测的基于计算机的方法包括：提供包括受运动破坏的子图像的训练数据作为可用输入，以及提供相应的运动分数作为输出；使用训练数据训练神经网络，以将MR子图像转换为相应的运动分数，该运动分数指示在用于获取MR子图像数据的MRI扫描过程中是否发生了运动。从至少一个无运动子图像生成受运动破坏的子图像，并作为至少一个无运动子图像与受运动破坏的子图像中的相应一个之间的差的熵来计算运动分数。

在进一步的实施方案中，一种磁共振成像(MRI)系统包括控制和分析电路，该控制和分析电路具有编程以使用MRI系统的线圈元件来获取磁共振(MR)数据、分析MR数据并将MR数据重建为MR子图像。该系统还包括与控制和分析电路相关联的经训练的神经网络，以将MR子图像转换为与MR子图像中运动破坏的存在和程度相关的预测。控制和分析电路的编程包括用于至少部分地基于经训练的神经网络的预测来控制MRI系统的操作的指令。

附图说明

当参考附图阅读以下详细描述时，将更好地理解本发明的这些和其它特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：

图1是磁共振成像系统的实施方案的示意图，该磁共振成像系统被配置为执行本文所述的数据获取、运动检测和评分以及图像重建；

图2是用于使用受运动破坏的图像来训练神经网络以在扫描期间检测运动的方法的实施方案的过程流程图；

图3是示例性快速自旋回波(FSE)式扫描顺序，其中相位编码是时间步长的函数；

图4是由欠采样的k空间数据集产生的无运动子图像；

图5是由欠采样的k空间数据集产生的受运动破坏的子图像；

图6是由欠采样的k空间数据集产生的无运动子图像；

图7是由欠采样的k空间数据集产生的受运动破坏的子图像；

图8是具有相对较低的运动分数的示例性相对无运动图像；

图9是具有相对较低的运动分数的另一示例性相对无运动图像；

图10是具有相对较高的运动分数的示例性受运动破坏的图像；

图11是具有相对较高的运动分数的另一示例性受运动破坏的图像；

图12是被配置为从输入子图像预测运动分数的卷积神经网络(CNN)的实施方案的示意图；

图13是一种方法的实施方案，其中CNN被配置为产生单个线圈子图像的运动分数，并且将多个运动分数组合以产生来自多个线圈的整个子图像集合的运动分数；

图14是一组子图像的标定过的真实(ground truth)分数的第一柱状图与同一组子图像的神经网络生成的分数的第二柱状图之间的比较；

图15是被成像受检者的运动轮廓、基于当受检者根据运动轮廓移动时在成像期间生成的子图像的预测运动分数轮廓、以及基于当受检者保持相对静止时在成像期间生成的子图像的预测运动分数轮廓之间的比较；

图16是用于在扫描期间预测运动和对运动进行评分的方法的实施方案的过程流程图；

图17是用于执行扫描、监测扫描期间的运动以及在检测到运动时聚集运动状态的算法的实施方案；

图18是用于执行扫描、监测扫描期间的运动以及在检测到运动时聚集最终运动状态的算法的实施方案；

图19是用于执行扫描、监测扫描期间的运动以及在检测到运动时适应扫描期间的运动的算法的实施方案；

图20是从受运动破坏的数据集中重建无运动图像的方法的实施方案；并且

图21是从受运动破坏的数据集中重建无运动图像的方法的另一实施方案。

具体实施方式

在下面将描述一个或多个具体的实施方案。为了提供这些实施方案的简明描述，可能未在说明书中描述实际具体实施的所有特征。应当理解，在任何此类实际具体实施的开发中，如在任何工程或设计项目中，必须做出许多特定于具体实施的决策以实现开发者的具体目标，诸如遵守可能因具体实施而不同的系统相关和业务相关约束。此外，应当理解，此类开发努力可能是复杂且耗时的，但对于受益于本公开的普通技术人员来说仍然是设计、制作和制造的常规任务。

当介绍本发明的各种实施方案的元件时，冠词“一个”、“一种”、“该”和“所述”旨在表示存在元件中的一个或多个。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。此外，以下讨论中的任何数值示例旨在非限制性的，并且因此附加的数值、范围和百分比在所公开的实施方案的范围内。

如上所述，患者运动是临床MRI无效的最大原因之一，通常需要患者重新扫描甚至第二次就诊。研究表明，在多达20％的MRI检查中，患者运动会导致重复获取序列。由于吞吐量降低，每台扫描器的年度损失都很大。

本公开包括一种用于在MR扫描期间或之后检测患者运动、确定其时序并进行适应的系统和方法，而无需外部跟踪硬件。一旦知道了时序，便可以采取各种动作，包括重新开始扫描、重新获取k空间的运动之前获取的那些部分或使用现有数据来校正运动。可以使用深度学习神经网络或迭代优化方法来完成此校正。所公开的实施方案还包括一种自适应系统，用于在MR扫描期间实时检测患者运动，而无需外部监测装置或导航，并且可以选择调整扫描参数以补偿不一致的数据。该系统使用在受运动破坏的图像上训练的神经网络(例如，实现为一个或多个专门处理器或通过软件进行仿真的卷积神经网络)来检测小至k空间的1/16中的运动。一旦检测到运动，该系统便可以跟踪多个单独的子图像以将其组合为无运动图像，或者可以调整扫描以重新获取k空间的运动发生之前获取的那些区段。

参照图1讨论了用于执行本文所述的技术的示例性系统。本文所述的实施方案可以由磁共振成像(MRI)系统执行，其中特定的成像例程(例如，用于MRI序列的加速成像例程)由用户(例如，放射科医生)启动。此外，MRI系统可以执行数据获取、数据校正和图像重建。因此，参考图1，磁共振成像系统10示意性地示出为包括扫描器12、扫描器控制电路14和系统控制电路16。根据本文所述的实施方案，MRI系统10通常被配置为执行MR成像，诸如具有自适应运动校正的成像序列、各种加权技术、流体衰减技术、灌注技术、张量成像等等。系统10还包括：远程访问和存储系统或装置，诸如图像存档和通信系统(PACS)18；或其他装置，诸如远程放射设备，使得能够现场访问或异地访问由系统10获取的数据。这样，可获取已获取的数据，然后进行现场或异地处理和评估。虽然MRI系统10可包括任何合适的扫描器或检测器，但在例示的实施方案中，系统10包括具有外壳20的全身扫描器12，并且穿过外壳形成孔22。诊断台24可移入孔22中，使患者26可定位在其中用于对患者体内的所选解剖结构进行成像。

扫描器12包括用于产生受控磁场的一系列相关联线圈，受控磁场用于激励待成像受检者的解剖结构内的旋磁材料。具体地讲，提供初级磁体线圈28，用于生成与孔22大致对齐的初级磁场。一系列梯度线圈30、32和34允许在检查序列期间生成受控梯度磁场，用于对患者26体内的某些旋磁核进行位置编码。设置有射频(RF)线圈36，并且其被配置为生成射频脉冲，用于激励患者体内的某些旋磁核。除可位于扫描器12本地的线圈之外，系统10还包括被配置用于放置在患者26近侧(例如，抵靠患者)的一组接收线圈38(例如，线圈相控阵列)。接收线圈38可以具有任何几何形状，包括封闭的和单面的几何形状。例如，接收线圈38可包括颈椎/胸椎/腰椎(CTL)线圈、头部线圈、单面脊线圈等。一般来讲，接收线圈38放置在患者26近处或头顶，以便接收在患者26返回其松弛状态时由患者体内的某些旋磁核生成的弱RF信号(弱是相对于由扫描线圈生成的传输脉冲而言)。接收线圈38可以被切断以便不接收由扫描器线圈生成的传输脉冲或与之共振，并且可以被接通以便接收由弛豫旋磁核生成的RF信号或与之共振。

系统10的各种线圈由外部电路控制，以生成所需的场和脉冲并且以受控方式读取来自旋磁材料的发射。在例示的实施方案中，主电源40向初级场线圈28提供电力。设置有驱动器电路42，用于对梯度场线圈30、32和34施加脉冲。这样的电路可包括放大和控制电路，以用于按照由扫描器控制电路14输出的数字化脉冲序列的限定向线圈供应电流。设置有另一个控制电路44，用于调节RF线圈36的操作。电路44包括用于在有源操作模式和无源操作模式之间交替的开关装置，其中RF线圈36分别传输信号和不传输信号。电路44还包括用于生成RF脉冲的放大电路。类似地，接收线圈38连接到开关46，该开关能够在接收和非接收模式之间切换接收线圈38，以便在接收状态下，接收线圈38与患者26体内的弛豫旋磁核而产生的RF信号共振，而在非接收状态下，它们不与来自传输线圈(即，线圈36)的RF能量共振以便防止发生非预期操作。另外，还设置有接收电路48，用于接收由接收线圈38检测到的数据，并且可包括一个或多个多路复用和/或放大电路。

应当指出的是，虽然上述扫描器12和控制/放大电路示出为由单根线联接，但在实际实例中可出现许多此类线。例如，可使用单独的线进行控制、数据通信等。此外，可沿每种类型的线设置合适的硬件，用于正确处理数据。实际上，可在扫描器与扫描器控制电路14和系统控制电路16中的任一者或两者之间设置各种滤波器、数字转换器和处理器。作为非限制性示例，尽管被示为单个单元，但以下详细描述的某种控制和分析电路包括被配置为执行本文所述的运动校正和图像重建技术的附加硬件(诸如图像重建硬件)。此外，在某些实施方案中，本文所述的控制和分析电路可以与用于运动检测的经训练的神经网络和/或用于图像重建的另一经训练的神经网络相关联。实际上，在本公开中凡是描述神经网络的地方，应当指出的是，神经网络都可以与MRI系统10相关联(例如，作为其一部分或与其相连接)。神经网络可以例如被实现为特定的硬件部件(例如，专用处理器)，或者可以经由在计算平台上的仿真而被实现为软件。

如图所示，扫描器控制电路14包括接口电路50，该电路输出用于驱动梯度场线圈和RF线圈以及用于接收代表检查序列中所产生磁共振信号的数据的信号。接口电路50联接到控制和分析电路52。基于经由系统控制电路16选择的限定方案，控制和分析电路52执行用于驱动电路42和电路44的命令。控制和分析电路52还用于接收磁共振信号，以及在将数据传输至系统控制电路16之前执行后续处理。扫描器控制电路14还包括一个或多个存储器电路54，该电路在操作期间存储配置参数、脉冲序列描述、检查结果等。接口电路56联接到控制和分析电路52，用于在扫描器控制电路14与系统控制电路16之间交换数据。这样的数据通常将包括将要执行的特定检查序列的选择，这些序列的配置参数以及所获取的数据，这些数据可以以原始或已处理的形式从扫描器控制电路14传输以用于后续处理、存储、传输和显示。因此，在某些实施方案中，控制和分析电路52虽然被示出为单个单元，但可包括一个或多个硬件装置。

系统控制电路16包括接口电路58，该电路从扫描器控制电路14接收数据并且将数据和命令传输回扫描器控制电路14。接口电路58联接到控制和分析电路60，该控制和分析电路可以包括多功能或专用计算机或工作站中的CPU。控制和分析电路60联接到存储器电路62，以存储用于操作MRI系统10的编程代码，以及存储经处理的图像数据以供稍后重建、显示和传输。编程代码可以执行一种或多种算法，这些算法能够例如执行非笛卡尔成像序列并处理采样的图像数据(例如，数据的叶片，欠采样的数据，流体衰减的数据)，这将在下面详细讨论。可提供另外的接口电路64，用于与外部系统部件诸如远程访问和存储装置18交换图像数据、配置参数等。最后，系统控制和分析电路60可包括各种***装置，用于有利于操作员界面并且产生重建图像的硬拷贝。在例示的实施方案中，这些***装置包括打印机60、监视器62和用户界面64，用户界面包括诸如键盘或鼠标的装置。

扫描器12以及与其相关联的控制和分析电路52以受控的方式产生磁场和射频脉冲，以激发和编码患者26体内的特定旋磁材料。扫描器12以及控制和分析电路52还感测从这种材料发出的信号，并创建正被扫描的材料的图像。在某些实施方案中，扫描可以包括快速自旋回波(FSE)扫描、梯度回波(GRE)扫描序列等。应当指出的是，所描述的MRI系统仅作为示例提供，并且也可以使用其他系统类型，诸如所谓的“开放式”MRI系统。类似地，此类系统可以通过其初级磁体的强度来进行评级，并且可以采用能够执行以下描述的数据获取和处理的任何适当地评级的系统。

具体地，本公开的一些方面包括用于获取磁共振数据和对该数据进行处理以构建一个或多个经运动校正的图像的方法。本文所公开的方法的至少一部分可以由以上相对于图1描述的系统10执行。即，MRI系统10可以执行本文所述的获取技术，并且在一些实施方案中，执行本文所述的数据处理技术。应当指出的是，在本文所述的获取之后，系统10可以简单地存储所获取的数据以供以后本地和/或远程访问，例如存储在存储器电路(例如，存储器62)中。因此，当在本地和/或远程访问时，所获取的数据可以由专用或通用计算机内包含的一个或多个处理器操纵。一个或多个处理器可以访问所获取的数据并执行存储在共同存储指令的一个或多个非暂时性机器可读介质上的例程，以用于执行包括本文所述的运动检测、图像处理和重建方法的方法。

为了促进本文所述的某些实施方案的呈现，下面描述示例性获取和重建序列。然而，除非另有明确说明，否则本公开不限于这种获取和序列。

在某些实施方案中，使用梯度回波(GRE)或快速自旋回波(FSE)脉冲序列从笛卡尔k空间生成2D MR图像，并使用8个或更多个线圈的RF接收器线圈阵列来获取它们。每个线圈都对在获取期间生成的RF信号具有相应的灵敏度，并且每个线圈的灵敏度都可以被映射以生成线圈阵列的灵敏度图。图像重建可以涉及通过对由特定线圈获得的数据(称为“线圈数据”)进行2D傅立叶变换，并与线圈灵敏度图的共轭相乘，生成对应于每个线圈的部分图像。为了生成完整图像，将这些部分图像相加，然后将结果除以线圈灵敏度图的平方和来得出最终图像。

当患者在扫描过程中移动时，线圈数据可能包含来自两种或多种运动状态的傅立叶分量的混合。如本文所讨论的，运动状态在本文中也可以称为“姿势”。特别地，本文公开的姿势旨在表示正在被成像的受检者的与在给定时间(或时间步长，如下所述)所获取的k空间的一部分相对应的位置。当出现两种或多种运动状态或姿势时，所得重建图像将被破坏并包含与运动有关的伪像。本公开的一方面涉及检测运动的存在并识别在扫描期间运动发生的时间。根据某些公开的实施方案，该运动检测可以在扫描已经完成之后执行，或者也可以在扫描期间执行。

所公开的实施方案包括用于生成经训练以识别MR扫描期间运动的存在和严重程度的神经网络的方法和系统。图2描绘了用于使用受运动破坏的图像来训练神经网络以在扫描期间检测运动的方法150的实施方案的过程流程图。通常，方法150涉及使用训练数据生成过程来产生训练数据，并且将训练数据的至少一部分用于训练神经网络，例如卷积神经网络，以仅使用子图像(例如，受运动破坏的或无运动的)作为输入来生成与时间步长之间发生的运动的存在和程度相关的预测。例如，对于训练，可以将受运动破坏的子图像和无运动子图像都用作训练输入，以便网络学***移，0旋转”。方法150可以例如由MRI系统10的计算元件或另一专门编程的计算系统完全或部分地执行，因此可以被认为是计算机实现的方法。

如图所示，为了生成训练数据，方法150包括模拟(框152)运动，例如刚体运动。特别地，框152的操作从无运动图像开始，并且可以包括以受控的方式平移和/或旋转它，以便知道运动的时序以及运动的性质。这会导致偏移图像。框152的动作可以通过应用不同的平移和/或旋转来执行一次或多次，以生成其时序和运动状态已知的多个偏移图像。

所得偏移图像被转换为k空间数据(运动状态2k空间数据)，并与原始运动前图像的k空间数据(运动状态1k空间数据)组合，例如根据描述如何通过相位编码填充k空间的扫描顺序，其中相位编码是运动前图像的时间步长的函数。例如，组合可以涉及基于k空间填充的顺序和模拟运动的时序，用偏移图像的k空间数据替换原始图像的k空间的某些区段。此外，将原始图像和偏移图像转换成k空间可涉及将图像乘以线圈灵敏度图，并将图像数据傅立叶变换成k空间。

因此，由框152的动作产生的k空间数据集模拟了整个k空间数据集，如果在被成像的受检者在两种姿势之间移动的情况下执行扫描，则将获得整个k空间数据集。可以重复这些步骤以创建具有更多种姿势(例如三种或更多种姿势)的图像。应当指出的是，在某些实施方案中，该数据可以构成用于神经网络(NN)的训练数据，例如用于识别完全获取的数据集并识别运动的存在和严重程度的NN的训练数据。然而，为了更准确地表示在扫描期间(不仅仅是在扫描之后)收集的数据，并使经训练的NN能够在扫描期间作出预测，在该实施方案中，在将数据用作训练数据之前对其进行进一步处理。

在所示的实施方案中，方法150包括向组合的k空间数据集(包括运动的k空间数据集)应用(框154)掩模或窗口以表示部分数据收集。在某些实施方案中，掩模或窗口被配置为隔离数据获取的扫描顺序的至少两个相邻时间步长。可以理解，隔离至少两个相邻时间集可以允许确定在时间步长之间(例如，在每个镜头之间)是否发生了运动，因为每个时间步长都可以被认为不受受检者运动的影响。特别地，与每个镜头之间的时间标度相比，用于获取每个镜头的时间标度要小得多，从而认为运动总是在镜头之间发生。此外，应当指出的是，可以训练所呈现的实施方案的神经网络以仅针对单个k空间扫描顺序模式、线圈配置和/或图像分辨率来预测运动分数，或者将其训练为针对多个扫描模式、线圈配置和分辨率来预测运动分数。

为了帮助说明以框154表示的方式应用掩模的示例，图3描绘了示例性快速自旋回波(FSE)式扫描顺序156，其中相位编码是时间步长的函数。在所示的实施方案中，通过在k空间上交织多个镜头来填充k空间，每个镜头的回波列长度(ETL)都为8。因此，当根据部分数据创建“子图像”时，通常会组合两个连续的镜头，表示所描绘扫描顺序的k空间的6％。

更具体地，如图3所示，每个点都表示一个相位编码，例如158(回波)，其读出方向与页面正交。相位编码的每个成角度的列都表示从单个镜头产生的相位编码。因此，在所示的实施方案中，回波列长度是8。相邻的成角度的列表示相邻镜头的时间步长。因此，在所示的实施方案中，应用于扫描顺序156的掩模160可以使两个相邻的镜头开窗，每个镜头都具有8个相位编码。因为可以对每个镜头进行处理以生成图像，所以对相邻镜头进行开窗处理，以便可以创建连续的部分图像以用于训练或评估，以识别和表征运动。在此示例中，掩模160用于根据编号为3和4的镜头创建部分k空间数据。

应当指出的是，图3的k空间扫描顺序仅仅是模式的示例，并且根据所呈现的实施方案，可以使用其他扫描顺序模式。例如，根据方法150，可以使用“线性”模式来训练神经网络，其中k空间是从上向下填充的，而不是在具有多个k空间线展开的镜头中填充的。然而，当以线性模式训练时，由经训练的神经网络产生的结果不如使用多镜头扫描顺序所获得的结果准确，如图3所示。

方法150还包括对部分数据应用(框162)2D(逆)傅立叶变换以创建受运动破坏的复合多线圈子图像。图4和图5提供了无运动(图4)和受运动破坏的(图5)子图像之间的比较。特别地，图4是包括重迭的子图像的示例，因为k空间数据集是欠采样的。但是，没有运动破坏。在图5中，子图像包括由于欠采样以及运动破坏导致的重迭。虽然图4和图5所描绘的图像中的差异对于普通人类观察者来说是显而易见的，并且经训练的观察者将会认识到图5中受运动破坏的图像的重影伪像特征的开始，但是应当理解，所呈现的实施方案也可以在更复杂的情况下识别和表征运动，例如如图6的无运动子图像和图7的受运动破坏的子图像所示。

使用受运动破坏的子图像和无运动子图像，方法150涉及生成(框164)质量分数，该质量分数表示相对于相应的无运动子图像，受运动破坏的子图像的破坏程度。例如，在一个实施方案中，根据框164计算的分数可以是基于两个子图像中的差的平均熵的分数。在这样的实施方案中，无运动图像将具有分数0，并且分数将随着运动伪像的严重程度而增大。此外，基于每个线圈(无运动和受运动破坏)的两个图像之间的差的平均熵的分数，当存在与运动破坏的严重程度相对应的运动时，不同受运动破坏的图像的分数将产生高斯分布。换句话说，运动破坏的严重程度可能与分数的大小更紧密相关。

在某些实施方案中，可以根据以下公式来计算分数：

公式1：

公式2：

公式3：

公式1表示两个子图像之间的归一化差，其中I_Motion是受运动破坏的子图像的像素值，I_Truth是“标定过的真实”或相应的无运动子图像的像素值，而I_Truth,Max是无运动子图像的最大像素值。

公式2计算出与特定线圈的两个子图像(无运动和受运动破坏的)相对应的差的线圈熵S_coil。特别地，S_coil是在对应于特定线圈的子图像的所有像素上，差乘以差的对数的和的负值。虽然差本身可用于计算分数，但已发现使用对数项可提供与运动破坏严重程度更紧密相关的分数的分布。

一旦计算出线圈熵，在某些实施方案中，可以根据公式3来组合线圈熵，这是针对所有线圈计算出的线圈熵的加权和以获得最终分数。这样，就可以对像素(使用公式2)和线圈(使用公式3)将熵度量求和。应当指出的是，在某些实施方案中，分数计算可以是不同的。例如，在其他实施方案中，可以将差的自然对数而不是差的熵用于分数计算。此外，在一些实施方案中，为了使神经网络和分数计算与不同的图像分辨率(例如256×256、244×244、312×321)兼容，不是使用差的每像素熵的总和来进行分数计算，可以使用平均值。因此，因为在一些实施方案中可以组合多个输出，所以所公开的实施方案可以使用所有线圈上的所有像素的总和，每个线圈的总和，所有像素和线圈上的平均值以及每个线圈的平均值。应当指出的是，因此所得运动分数将具有可以在0到1之间的数字(例如，在分数是平均值的情况下)，或者具有更高的范围(例如，在分数是总和的情况下)。在一些实施方案中，诸如归一化均方误差之类的替代度量可以用作质量分数。其他实施方案可以使用诸如1)差，2)差的熵或，3)差的对数的加权和或加权和的对数之类的度量。

为了帮助说明参考框164描述的运动评分的功效，使用公式1-3，计算具有不同程度的运动破坏的图像的分数。图8、9、10和11描绘了示例性受运动破坏的图像以及与每个图像相关联的分数。在这些图像中，分数以每像素熵之和而计算，并且分数最高可达7000。如这些图像所示，几乎都是无运动图像具有分数谱的较低端(<2000)的质量分数，而严重破坏的图像都在分数谱的较高端(>3000)。

返回到图2的方法150，一旦根据框164为各个子图像生成了质量分数，就训练神经网络(框166)以预测各种图像的运动破坏的程度，特别是通过预测组合子图像的分数。作为示例，神经网络可以是“深度学***移和旋转，相邻镜头对的组合以及各种ETL产生的图像来训练神经网络。

在某些实施方案中，根据框166训练的神经网络可以是具有一个或多个卷积层，一个或多个最大池化层，一个或多个平坦化层，一个或多个完全连接层或它们的任何组合的卷积神经网络(CNN)。在图12中示出了被训练以从子图像预测运动分数的CNN 180的一个实施方案。

在图12的表示中，数据以多维输入181的形式示出，例如最左边的数据集的(256×256×16)。这是因为CNN 180将图像视为多维张量或堆叠矩阵。例如，在图12中，从左移到右，数据以子图像本身181a开始，子图像181a是256×256或256像素乘以256像素。256×256×16中的16代表图像的通道数。特别地，由于数据是复合的(包括实数据和虚数据)，因此16表示用于产生图像的线圈数量(在本实施方案中为8)乘以每个线圈两个通道。因此，256×256×16表示的矩阵是256×256(对应于像素)，并且每个像素具有16个值的嵌套数组。对于采用变化的线圈数量的系统，数据可以改为具有不同数量的通道。这样的实施方案将在后面进一步详细描述。

向CNN 180的输入量是所有16个通道上图像的原始像素值，在这种情况下，256像素宽乘以256像素高乘以16个通道。该图像是从对两个相邻镜头的傅立叶变换生成的组合子图像(例如，由图3中的窗口160概述的)。所得的子图像(例如，如图6、7所示)将通过对窗口数据的傅立叶变换产生，k空间的剩余部分被零填充，并作为输入量181a被馈送到CNN，如图12所示。

第一卷积层182a使用窗口(即，可训练的滤波器或核)，随后是非线性激活函数(例如，泄漏整流线性单元(ReLU)激活函数)，对该输入181a进行操作。在一个实施方案中，窗口可以具有3×3的尺寸，尽管可以使用其他窗口尺寸。窗口的步幅可以是1，表示窗口在一个方向上滑动一个像素，也可以大于一个，表示窗口在一个方向上滑动一个以上像素。特征的数量可以是32，也可以不是32。第一卷积层182a的输出是第二数据181b，其是256×256×32数据集。

第二卷积层182b，其也使用窗口(可训练滤波器或核)和非线性激活函数，被应用于第二数据181b，以生成第三数据181c，第三数据也是256×256×32数据集。第三数据181c被输入到第一最大池化层184a，其被配置为对数据进行下采样。特别地，第一最大池化层184a通过对每个256×256矩阵应用具有对应步幅(例如步幅2)的小窗口(例如2×2)，并仅保留落在窗口内的最大值，沿着空间维度(宽度和高度)对第三数据181c进行下采样。因此，由第一最大池化层184a输出的第四数据181d包括较小的数据集128×128×32。

重复该模式(两个卷积层182，然后是单个最大池化层184)两次，以产生第五、第六、第七、第八、第九和第十数据181e、181f、181g、181h、181i和181j。然而，卷积层182和最大池化层184不相同，它们也不必应用相同类型或数量的滤波器。在所示的实施方案中，第十数据181j是32×32×32数据集，其经受平坦化层186。

如图所示，平坦化层186将多维数据集平坦化为一维值集，在这种情况下为32,768个值。第一、第二和第三完全连接层188a、188b和188c中每个都包括完全连接到前一层中的所有激活点的节点。完全连接层188a、188b和188c可以用作分类器，并且如图所示被分层以最终提供单个值的输出，该单个值的输出是子图像181a的运动分数190。

虽然图12的CNN 180被示为包括卷积层182、池化层184和完全连接层188的特定模式，但是，应当指出的是，本文所述的技术不限于所示的特定模式。虽然已经发现图12所示的特定模式，与其他模式相比，产生了更准确的结果，但是，CNN 180的其他实施方案可以根据接收到的输入，对于不同数量的序列，以不同的顺序，使用不同数量的层。实际上，卷积层182、池化层184、完全连接层188和其他操作的任何组合都可以按照特定方式进行组合和训练，以产生如本文所述的运动分数，尽管与其他模式相比，一些模式可以产生更准确的运动分数。

图12的CNN 180被配置为摄取从由多个线圈(接收阵列的所有线圈)获得的数据产生的子图像181a，并相应地预测图像分数190。然而，应当指出的是，不同的MR成像系统可包括不同数量的线圈。为了提供与不同数量的线圈兼容的系统，在某些实施方案中，可以训练CNN 180从单个线圈中摄取图像，并为每个线圈子图像产生相应的运动分数。例如，以图12所示的示例为例，在来自整个8个线圈的子图像产生的数据集是256×256×16的情况下，用于这种配置的单个线圈子图像将产生的数据集是256×256×2，具有两个通道而不是16个通道。同样，每个线圈都产生两个通道—实数据通道和虚数据通道，因为图像是复合的。

图13是用于从馈送到CNN 180中的单个线圈子图像产生运动分数190的方法200的示意图。在所示的实施方案中，方法200以来自线圈1 202a(第一线圈)的子图像，来自线圈2202b(第二线圈)的子图像以及来自特定系统的其他线圈的其他子图像开始，直到来自线圈N 202n(第N线圈)的子图像，其中N是MR成像系统的线圈总数。每个线圈子图像202都分别馈送到CNN 180的实施方案中(例如，作为256×256×2数据集)。同样，线圈子图像202对应于从仅从k空间的一部分获得的数据(例如从两个连续镜头获得的数据)产生的图像。

图13的CNN 180被训练为针对每个线圈子图像202产生相应的运动分数。因此，在图13的方法200中，CNN 180分别输出线圈1 204a的运动分数，线圈2 204b的运动分数等，直至线圈N 204n的运动分数。

单线圈运动分数204经由分数组合操作206被组合以产生整个数据集的运动分数190。组合操作206可以涉及单线圈运动分数204的加权和，单线圈运动分数204的平均值或某种其他组合操作。因此，图13中所示的方法200可以在从MR系统(例如，系统10)所使用的线圈数量的角度来看在预测中需要灵活性的情况下执行。

图12的CNN 180的功效是在一组样本数据上测试的，如图14所示，这是一组子图像的标定过的真实分数的第一柱状图212和同一组子图像的网络生成分数的第二柱状图214之间的比较210。

更具体地，第一柱状图212是被填充的k空间的6％的一组计算出的受运动破坏的分数，指示运动伪像的存在和程度。第二柱状图是仅使用子图像作为输入而对分数的一组神经网络预测。如两个柱状图中的线216所示，通过选择适当的阈值，网络预测将成为分类器，确定在子图像中是否发生了运动。一旦确定发生了运动，则网络预测可以进一步用于确定该运动是否显著(即，是否发生了导致显著量运动伪像的运动)。

还测试了图12的CNN 180的检测运动时序的能力。特别地，图15示出了示例场景220，其中在T1加权的快速自旋回波(FSE)扫描期间，指示被成像的受检者以规则的间隔来回旋转他们的头部。轮廓222展示了头部运动的近似运动轮廓。轮廓224是使用原始数据，从图12的CNN 180获得的预测运动分数作为镜头数的函数的曲线图。如图所示，预测分数随着运动的开始而跳到运动分数阈值226之上，这表明CNN 180不仅能够识别发生了该运动，而且还能够识别导致运动破坏的每个运动事件的时序。

轮廓228是对于无运动扫描的预测分数作为FSE镜头数的函数的曲线图。如图所示，预测的运动分数保持在运动分数阈值226以下，这意味着CNN 180正确地预测没有发生运动。

一旦已经训练和验证了本公开的神经网络(例如，CNN 180)，就可以在扫描期间使用CNN 180来预测运动是否发生以及该运动对所获得数据的影响(例如，运动对将产生的图像的影响)。图16是用于在扫描期间预测运动和对运动进行评分的方法240的实施方案的过程流程图。

与本文所述的其他方法一样，例如，方法240可以使用MR系统10的控制和分析电路52、60来执行。在其他实施方案中，方法240可以由具有处理电路和存储器的适当编程的计算装置执行，其中该存储器存储指令，当指令由处理电路执行时，指令执行方法240中阐述的操作。实际上，因为方法240是在MR扫描期间执行的，所以方法240可以由获取MR数据的同一系统执行，以减少方法240导致某种补救动作(例如，数据重新获取)的情况下的等待时间。

如图16所示，方法240包括对于k空间中的每一个镜头，执行(逆)傅立叶变换(框242)以创建复合的多线圈子图像来表示最近获取的数据。在某些实施方案中，这可以在逐个线圈的基础上完成，以便作为复合的单个线圈子图像，来产生多个子图像。

然后，将当前镜头的子图像与前一镜头的子图像进行组合(框244)。同样，这可以在多线圈的基础上，也可以在单线圈的基础上进行。两个相邻镜头的这种组合使神经网络可以确定是否发生了运动，因为运动时间帧比每个镜头的时间帧长得多。

一旦获得了组合子图像(多线圈)，或者一旦获得了多个组合子图像(单线圈)，就将子图像传递到神经网络(框246)中以生成运动分数预测值。在单线圈子图像的情况下，可以如参考图13所讨论的那样执行附加步骤。

然后，将运动分数预测值与阈值进行比较(框248)以识别是否发生了运动。例如，可以基于最小化训练数据或单独生成的一组验证数据中的正误识率和/或负误识率来选择阈值。如参考图15所阐述的，如果预测运动分数高于阈值，则可以认为神经网络已经预测了运动事件。

在某些实施方案中，由于每个镜头的子图像被使用两次，一次被用作新获取的数据，一次被用作下一子图像的“前一镜头”子图像，因此可以将运动的时序缩小到单个镜头。已证明，该时序可以在256行图像的8行(k空间的3％)内被分辨。

一旦检测到运动并确定了时序，便可以采取各种动作，包括重新开始扫描，重新获取k空间的运动前获取的那些部分，或使用现有数据来校正运动以重建无伪像的MRI图像。除其它之外，可以减轻运动影响的方式尤其取决于检测到运动的时间与发生运动的时间之间的关系。例如，在直到扫描完成之后才检测到运动的情况下，可用于减轻运动影响的方法可能与在扫描期间检测到运动时可用的方法不同。图17-21详细描述了可以在不同运动情况下由MR系统10执行的各种方法。

图17描绘了在扫描期间检测到运动的情况下例如由MR系统10的控制和分析电路52、60执行的算法260的实施方案的过程流程图。算法260包括各种操作，包括在操作262处开始扫描。这开始在操作264处获取新数据的过程。

一旦已经获取数据，算法260就使用例如图12的CNN 180来执行图16的方法240，执行查询266以确定是否已经检测到运动。如果在最近的镜头中未检测到运动，则在操作268中将k空间数据与前一k空间数据聚合，并且如果扫描尚未完成(查询270)，则在操作272中照常继续扫描。如果扫描完成，则执行另一个查询274以确定是否已经检测到运动，并且如果扫描是无运动的，则根据常规技术来重建图像。

如果在查询266检测到运动，则在操作278将先前收集的数据保存为一个运动状态，并在操作280开始新的运动状态。新的运动状态最初仅包括所收集的最近k空间数据。随着扫描的继续，只要未检测到进一步的运动，k空间数据将被聚合到该运动状态。至此所描述的操作结果导致继续添加到当前运动状态或创建新的运动状态，直到扫描完成。

在查询274处，如果存在多个运动状态，则在操作282处分别重建每个聚合体(对应于单个运动状态的每组k空间数据)。在这方面，每个重建的运动状态都会导致无运动子图像并且产生多个无运动子图像284。

在操作286，可以使用各种已知技术来组合不同的子图像，或将它们分别重建为完整图像。例如，可以通过本领域已知的方法，将子图像284配准并组合以创建无运动图像。或者，可以使用并行成像、压缩感测或稀疏重建神经网络来重建每个运动状态的k空间数据。然后，可以通过本领域已知的方法来配准和组合所得图像。作为一个示例，操作286可以包括具有时序约束的运动和图像的迭代联合估计。基于神经网络预测值来获得时序约束(即，运动时序)。

使用类似的序列，代替聚合单独的运动状态，如图18所示，可以自适应地重新获取k空间数据。特别地，图18的算法290包括许多与图17的算法260相同的操作，包括操作262、264、268、272和276以及查询266、270和274。

对于算法290，如果在查询266处检测到运动，则系统(例如，控制和分析电路52、60)在查询292确定是否已经填充了足够的k空间以使得进行并行成像/压缩感测(PICS)或使用稀疏图像重建神经网络成为可能。

如果尚未填充足够的k空间，则算法290在操作294处通过将数据添加到新的运动状态来继续获取数据。如有必要，可以重新获取在先前运动状态期间填充的k空间行。先前的运动状态数据可以丢弃或用于其他目的。

一旦填充了足够的k空间以使并行成像或稀疏图像重建成为可能，就在操作296处结束扫描。在操作298，使用前述重建算法之一(例如，PICS重建或稀疏图像重建神经网络)，仅以k空间的在最终运动状态获取的那部分来重建最终图像。

在某些实施方案中，检测到的运动可能非常剧烈，以至于数据基本上无法使用。图19描绘了算法300的实施方案，该算法涉及如果检测到运动则尽早结束扫描。例如，算法300可以包括先前参考图17和18描述的许多操作和查询，只是一旦在查询266检测到剧烈运动，扫描就在操作302结束。例如，由CNN 180预测的运动分数可能很高，以至于运动可能被认为是剧烈的并且扫描结束。

通过以这种方式结束扫描，可允许操作员在操作304采取自适应动作。例如，操作员可以指示受检者保持静止，如果受检者难以保持静止则提供辅助，或者可以利用更具运动稳健性的成像序列(例如，由系统自动选择)。一旦执行了自适应校正，就可以在操作306处重新开始扫描。

通过利用运动分数不仅反映运动的存在而且还反映运动的严重程度的事实，算法300可以与上述两种算法260、290结合使用。例如，如果多次检测到剧烈运动，则扫描可以提早结束，但是，可以响应于较小的运动分数来实现其他算法之一。该算法300还利用来自神经网络的质量分数分布，以允许选择运动分数的特定公差。例如，根据已完成的扫描的预期用途，轻微的运动伪像可能不会影响诊断。具有动态阈值的同一神经网络允许针对特定应用定制多个阈值。

所公开的实施方案还包括当已经发生运动时用于图像重建的方法。例如，图20和21均描绘了可用于重建无运动伪像的图像的方法的实施方案。特别地，图20是用于通过首先将线圈数据划分为运动前和运动后数据集(框312)来重建无运动伪像的图像的方法310。例如，使用扫描顺序和运动发生的时序，将线圈的k空间数据分为两组。第一组包括k空间的在受检者移动发生之前扫描的那些部分，第二组包括移动发生之后的数据。

在线圈数据被划分之后，对于每个线圈，重建两个图像(框314)。使用发生移动之前收集的零填充的k空间数据来重建第一图像，使用发生移动之后收集的零填充的k空间数据来重建第二图像。在方法310中，将每个线圈的两组图像馈送到(框316)深度学习神经网络中，该神经网络重建单个经运动校正的图像。

另一方面，并如图21所描绘，方法320包括由框312和314表示的动作，但是取而代之的是，部分k空间图像均使用稀疏重建算法来处理(框322)。然后，可以对得自稀疏重建算法的图像进行进一步处理和组合，或者将其馈送到神经网络以生成最终的无运动图像(框324)。

本发明的技术效果包括对患者运动的自动检测和确定其时序，以及减轻患者运动对整个MR扫描的影响。补救动作可能包括重新开始扫描，重新获取k空间的运动之前获取的那些部分，或使用现有数据来校正运动。以这种方式，本文所述的运动检测和校正技术可以提高MRI机器的吞吐量、改善患者体验并减轻MR技术人员的负担。

该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何装置或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其它示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其它示例旨在落入权利要求书的范围内。