心脏信号预测方法及系统

技术领域

本公开的方面总体涉及磁共振成像(MRI)，具体涉及从MRI数据预测心脏信号。

背景技术

MRI是一种广泛使用的医疗技术，其使用磁和射频能量产生感兴趣区域的图像。在MRI扫描期间，容积线圈(例如，体线圈)和局部线圈(例如，表面线圈)可以采集由正被检查的对象内部的核弛豫产生的MR信号。心脏MRI可以用于产生心脏内和心脏周围的结构的详细图片，以用于评估心脏的解剖结构和功能并且检测或监测心脏病。心脏MRI过程的输出可以是被转换成心脏电影的k空间数据形式的MRI数据。在心脏MRI的许多应用中，由心脏产生的电信号被分别采集并被用作识别心脏电影中的心动时相信息或定时的参考点。

例如，在心脏MRI图像重建中，心动时相信息或定时可以用于将MRI图像修整为单个心动周期。图1示出了典型的工作流程100，其中，采集102MRI数据，并且从MRI数据重建心脏电影104。采集单独采集的ECG信号106并使其与图像手动相关104，以便确定是去除还是保持MRI数据的某些心动时相108。在诸如心脏应力分析的其它后处理应用中，在心动周期的舒张末期和/或收缩末期时相期间，心肌的形状和功能可能是感兴趣的。图2例示了典型的工作流程200，其中，可以手动标记先前采集的MRI图像202形式的MRI数据，以识别心动时相，例如舒张末期和/或收缩末期时相204，然后将该MRI数据用于分析206，例如心脏应力分析。

然而，心脏信号与MRI数据之间的相关通常需要将MRI数据转换成心脏电影，然后需要训练过的医学专家的专业知识来手动地将MRI检测到的心脏活动与特定类型的心脏信号相关。这些手动活动可能是时间和劳动密集型的，并且可能发生不一致。

发明内容

提供一致地且无需人工干预地使MRI数据和心脏信号自动相关的方法和系统将是有利的。

根据本公开的一个方面，一种方法包括：采集MRI数据；使用算法从所采集的MRI数据预测心动周期；以及对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作。

所采集的MRI数据可以包括k空间数据。

所采集的MRI数据可以包括图像数据。

所采集的MRI数据可以包括欠采样MRI数据。

所采集的MRI数据可以包括在MRI扫描期间获取的来自被研究对象的ECG信号。

所采集的MRI数据可以包括在MRI扫描期间获取的被研究对象的视频图像。

所采集的MRI数据可以包括在MRI扫描期间获取的来自被研究对象的脉搏数据。

算法可以包括深度学习模型，其进一步包括CNN和RNN模型的组合、GRU模型、LSTM模型、全卷积神经网络模型、生成对抗网络、反向传播神经网络模型、径向基函数神经网络模型、深度置信网络神经网络模型、埃尔曼(Elman)神经网络模型中的一个或多个。

对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作可以包括：定位所采集的MRI数据的k空间中的数据行。

对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作可以包括：在所采集的MRI数据的k空间中的MRI数据行之间进行插值。

对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作可以包括：在MRI图像之间进行插值。

对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作可以包括：使用所采集的MRI数据的部分进行心脏应力分析。

对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作可以包括：对所采集的MRI数据的部分进行电影图像重建。

方法还可以包括：采集对应于MRI数据的心脏信号；以及使用算法来从MRI采集数据和所采集的心脏信号预测一个或多个预测的心脏信号。

心动周期的预测部分可以表示心动周期的任何部分。

心动周期的预测部分可以表示收缩末期或舒张末期心动时相中的一个或多个。

心动周期的预测部分可以表示P、Q、R、S、T、U、QRS复合或PR间期心脏波中的一个或多个。

根据本公开的一个方面，一种系统包括：接收和控制电路，其操作被配置为从MRI数据预测心动周期的算法；和处理引擎，其被配置为对MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作。

其中，所述所采集的MRI数据包括k空间数据、图像数据或欠采样MRI数据中的一个或多个。

其中，所述所采集的MRI数据包括在MRI扫描期间获取的来自被研究受试者的ECG信号、视频图像或脉冲数据中的一个或多个。

其中，所述算法包括深度学习模型，其进一步包括CNN和RNN模型的组合、GRU模型、LSTM模型、全卷积神经网络模型、生成对抗网络、反向传播神经网络模型、径向基函数神经网络模型、深度置信网络神经网络模型、埃尔曼神经网络模型中的一个或多个。

其中，所述处理引擎对所述所采集的MRI数据的所述部分进行操作，以定位所述所采集的MRI数据的k空间中的数据行。

其中，所述处理引擎对所述所采集的MRI数据的所述部分进行操作，以在所述所采集的MRI数据的k空间中的MRI图像或MRI数据行中的一个或多个之间进行插值。

其中，所述处理引擎对所述所采集的MRI数据的所述部分进行操作，以对所述所采集的MRI数据的所述部分进行电影图像重建。

其中，所述深度学习模型还被配置为根据所述MRI数据和与所述MRI数据相对应的心脏信号的组合来预测所述心动周期。

从结合附图考虑的本文所述的实施例，示例性实施例的这些和其它方面、实施形态以及优点将变得显而易见。然而，应当理解，说明书和附图仅被设计用于例示的目的，而不是作为对所公开发明的限制的定义，对所公开发明的限制应当参考所附权利要求。本发明的另外方面和优点将在以下描述中阐述，并且部分地将从描述显而易见，或者可以通过本发明的实践来了解。而且，本发明的方面和优点可以通过在所附权利要求中特别指出的装置和组合来实现和获得。

附图说明

在本公开的以下详细部分中，将参见附图所示的示例实施例更详细地说明本发明。这些实施例是非限制性的示例性实施例，其中在附图的若干视图中，同样的附图标记表示类似的结构，附图中：

图1例示了典型的工作流程，其中，采集MRI数据，并且从MRI数据重建心脏电影；

图2例示了典型的工作流程，其中，可以手动标记先前采集的MRI图像形式的MRI数据，以识别心动时相，然后将该MRI数据用于分析；

图3例示了根据所公开实施例的方面的示例性处理流程；

图4例示了根据所公开实施例的方面的示例性MRI设备；

图5示出了用于实施所公开的实施例的示例性MRI数据源；

图6例示了根据所公开的实施例的方面的示例性深度学习模型；

图7例示了根据所公开的实施例的处理引擎306的示例性架构；以及

图8至图13例示了根据所公开实施例的方面的示例性处理流程。

具体实施方式

在以下详细描述中，通过示例的方式阐述了许多具体细节，以便提供对相关公开的透彻理解。然而，对于本领域技术人员而言应当显而易见的是，可以在没有这种细节的情况下实践本公开。在其它情况下，为了避免不必要地模糊本公开的方面，已经以相对高的级别描述了公知的方法、过程、系统、部件和/或电路，而没有详细描述。对所公开的实施例的各种修改对于本领域技术人员将是显而易见的，并且在不脱离本公开的精神和范围的情况下，本文所定义的一般原理可以应用于其他实施例和应用。由此，本公开不限于所示的实施例，而是应被赋予与权利要求一致的最广范围。

应当理解，本文所用的术语“系统”、“单元”、“模块”和/或“块”是一种以升序区分不同级别的不同部件、元件、零件、部分或组件的方法。然而，如果术语和其他表达可以实现相同的目的，则术语可以被其他表达替换。

应当理解，当单元、模块或块被称为在另一单元、模块或块“上”、“连接到”或“联接到”另一单元、模块或块时，它可以直接在另一单元、模块或块上、直接连接或联接到另一单元、模块或块，或者可以存在中间单元、模块或块，除非上下文明确地另外指示。如本文所用的，术语“和/或”包括一个或多个相关联的所列项目的任何和所有组合。

通常，如本文所用的词语“模块”、“单元”或“块”指代在硬件或固件中具体实施的逻辑，或者指代软件指令的集合。本文所述的模块、单元或块可以被实施为软件和/或硬件，并且可以被存储在任何类型的非瞬时性计算机可读介质或另一储存装置中。在一些实施例中，软件模块/单元/块可以被编译并链接到可执行程序中。应当理解，软件模块可以从其他模块/单元/块或从它们自身调用，和/或可以响应于检测到的事件或中断而被调用。被配置为在计算装置上执行的软件模块/单元/块可以设置在计算机可读介质上，诸如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质，或者设置为数字下载资料(并且可以最初以在执行之前需要安装、解压缩或解密的压缩或可安装格式来存储)。这种软件代码可以部分地或完全地存储在执行计算装置的储存装置上，以便由计算装置执行。软件指令可以嵌入固件中，诸如可擦可编程只读存储器(EPROM)中。还应当理解，硬件模块/单元/块可以包括在连接的逻辑部件中，诸如门和触发器中，和/或可以包括在可编程单元中，诸如可编程门阵列或处理器中。本文所述的模块/单元/块或计算装置功能可以被实施为软件模块/单元/块，但是可以以硬件或固件来表示。通常，本文所述的模块/单元/块指代可以与其他模块/单元/块组合或被划分为子模块/子单元/子块的逻辑模块/单元/块，而不管它们的实体组织或储存器如何。该描述可以适用于系统、引擎或其一部分。

本文所用的术语仅用于描述特定示例和实施例的目的，而不旨在为限制性的。如本文所用的，单数形式“一”、“一个”以及“该”也可以旨在包括复数形式，除非上下文明确地另外指示。还应当理解，术语“包括”在本公开中使用时，指定整数、装置、行为、所述特征、步骤、元件、操作和/或部件的存在，但是不排除一个或多个其他整数、装置、行为、特征、步骤、元件、操作、部件和/或其组的存在或添加。

本公开的这些和其它特征和特性、以及结构的相关元件的操作方法和功能以及零件的组合和制造的经济性，在参见附图考虑以下描述时可以变得更加明显，所有附图形成本公开的一部分。然而，应当明确地理解，附图仅用于例示和描述的目的，而不旨在限制本公开的范围。应当理解，附图不是等比例。

所公开的实施例涉及一种方法，包括：采集MRI数据；使用算法从所采集的MRI数据预测心动周期；以及对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作。

所公开的实施例还涉及一种系统，包括：接收和控制电路，其操作被配置为从MRI数据预测心动周期的算法；和处理引擎，其被配置为对MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作。

参见图3，例示了并入有所公开实施例的方面的示例性系统300的示意框图。系统可以包括MRI数据源302，其用于提供MRI数据，例如心脏k空间数据、心脏图像数据、图像的心脏时间序列、ECG数据或其它循环数据中的一个或多个。算法304可以从MRI数据产生心脏信号的预测部分，并且处理引擎306可以对所采集的MRI数据的与所预测的心动周期部分中的选定部分相对应的部分进行操作。应当理解，系统300的部件可以以硬件、软件或硬件和软件的组合来实施。

图4示出了根据所公开实施例的用于提供MRI数据的示例性MRI设备302的示意框图。MRI设备302可以包括MRI扫描仪402、控制电路404以及显示器406。如图4中的剖视图所示，MRI扫描仪402可以包括磁场发生器408、梯度磁场发生器410以及射频(RF)发生器412，所有发生器都围绕被研究受试者可以定位于其上的台414。MRI扫描仪402还可以包括：ECG信号传感器420，其用于在MRI扫描期间从被研究受试者获取为ECG信号形式的MRI数据；摄像头422，其用于在MRI扫描期间获取被研究受试者的视频图像形式的MRI数据；以及脉搏检测器424，其用于在MRI扫描期间获取为受试者脉搏形式的MRI数据。在一些实施例中，MRI扫描仪402可以对受试者或受试者的区域进行扫描。受试者例如可以是人体或其它动物体。例如，受试者可以是患者。受试者的区域可以包括受试者的一部分。例如，受试者的区域可以包括患者的组织。组织可以包括例如肺、前列腺、乳房、结肠、直肠、膀胱、卵巢、皮肤、肝脏、脊柱、骨骼、胰腺、子宫颈、淋巴、甲状腺、脾、肾上腺、唾液腺、皮脂腺、睾丸、胸腺、阴茎、子宫、气管、骨骼肌、平滑肌、心脏等。在一些实施例中，扫描可以是用于校准成像扫描的预扫描。在一些实施例中，扫描可以是用于生成图像的成像扫描。

主磁场发生器408可以产生静磁场B

在一些实施例中，RF发生器412可以使用RF线圈来发射RF能量通过受试者或受试者的感兴趣区域，以在感兴趣区域中感应电信号。所得RF场通常被称为B

ECG信号传感器420可以操作为在MRI扫描期间从被研究受试者获取ECG信号，以便由算法304用于随后识别受试者的心动周期和心动时相。摄像头422可以操作为在MRI扫描期间获取被研究受试者的视频图像，以便由算法304用于随后识别受试者的心动周期和心动时相。在MRI扫描期间，可能要求受检者屏住呼吸并保持静止，以便在扫描的同时提供准确的MRI心脏数据。然而，这可能由于许多原因而是困难的，并且受试者的视频图像可以用作算法304的输入以进一步增强心动周期和心动时相预测，特别是补偿可能不利地影响所采集的MRI数据的、扫描期间的受试者移动或呼吸模式。脉搏检测器424可以提供在MRI扫描期间来自受试者的脉搏数据，该脉搏数据也可以用作算法304的输入以进一步增强心动周期和心动时相预测。

接收和控制电路404可以控制MRI扫描仪402的整体操作，具体地，控制磁场发生器408、梯度磁场发生器410、RF发生器412以及RF检测器416的整体操作。例如，接收和控制电路404可以控制磁场梯度发生器产生沿着X、Y和Z轴中的一个或多个的梯度场，并且控制RF发生器生成RF场。在一些实施例中，接收和控制电路404可以从例如用户或另一系统接收命令，并且相应地控制磁场发生器408、梯度磁场发生器410、RF发生器412以及RF检测器416。接收和控制电路404可以通过网络418连接到MRI扫描仪402。网络418可以包括可以促进MRI扫描仪402的信息和/或数据交换的任何合适的网络。网络418可以是和/或包括公共网络(例如，因特网)、专用网络(例如，局域网(LAN)、广域网(WAN))等)、有线网络(例如，以太网)、无线网络(例如，802.11网络、Wi-Fi网络等)、蜂窝网络(例如，长期演进(LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合。仅仅通过示例的方式，网络418可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等、或其任意组合。在一些实施例中，网络418可以包括一个或多个网络接入点。例如，网络418可以包括有线和/或无线网络接入点，诸如基站和/或互联网交换点，通过这些接入点，MRI扫描仪402的一个或多个部件可以与网络418连接以交换数据和/或信息。

根据一些实施例，接收和控制电路404可以操作用于从MRI采集数据预测一个或多个心脏信号的算法304，并且可以包括用于对MRI数据进行操作的处理引擎306。根据一个或多个实施例，处理引擎306可以和接收和控制电路分开。

图5示出了用于实施所公开的实施例的示例性MRI数据源。MRI数据的源可以包括但不限于MRI扫描仪502、MRI数据的储存器504(例如，MRI切片图像或其它MRI设备输出)、来自任何数量的MRI扫描的k空间数据的储存器506、图像储存器508、ECG信号的储存器510、在MRI扫描期间获取的被研究受试者的视频图像的储存器、或MRI数据的任何其它源中的一个或多个。在一些实施例中，MRI数据可以包括任何类型的MRI图像、任何类型的循环序列数据，例如，具有沿着一系列时间点的单独图像的视频数据、具有沿着一系列时间点的k空间的k空间数据、在一系列时间点上的序列ECG数据、视频数据、k空间数据以及序列ECG数据中的一个或多个的组合、欠采样MRI数据、以及可以从中预测心动周期的部分的任何其他序列或循环数据。在至少一个实施例中，图像储存器508中的数据可以包括医学数字成像和通信(DICOM)图像。MRI数据源还可以包括任何数量的本地、远程或基于云的源。

图6例示了以深度学习模型600的形式使用的算法304的示例。深度学习模型600通常操作为直接从MRI数据预测心动周期信号的部分。在该示例中，深度学习模型600可以包括多个卷积神经网络602和循环神经网络层604

深度学习模型600可以操作为以前瞻性方式预测心动周期，或者可以操作为以回顾式方式预测心动周期。

当以前瞻性方式预测时，使用在当前时间点和之前收集的数据来预测整个心动周期的当前心动时相。在模型训练期间，模型被馈送以输入数据(MRI数据、ECG数据、脉搏数据等)和为心动周期的注释时相的形式的金标准标签。在当前时间点之后没有提供数据。模型被训练为学习输入数据与标签之间的关系。在推断时间期间，使用训练过的模型基于迄今为止已收集的数据来预测心动周期中的当前时相。

当以回顾式方式预测时，使用在已经收集了所有数据之后(例如在后处理步骤期间)的输入数据来预测心动周期中间的心动时相。即，模型可以使用在所预测的时相之后收集的数据。训练和推断过程类似于前瞻性的情况，除了数据可以在所预测的时相之后收集。

关于心动周期预测：心脏在舒张期与收缩期之间重复该模式。这两个阶段通常被认为是将心动周期分成时相的界标。应当理解，“预测心动周期”指代模型具有预测任何心动阶段/时相(不限于舒张和收缩时相)的能力。预测可以是任何格式。例如，模型可以用于预测当前数据是否表示舒张时相。在心动周期或时相的预测中还可以利用连续的数字系列(例如，0、0.1、0.2等)。

虽然深度学习模型600被示出和描述为包括卷积神经网络和循环神经网络的组合，但是应当理解，深度学习模型可以包括一个或多个门控循环单元(GRU)、长短期记忆(LSTM)网络、完全卷积神经网络(FCN)模型、生成对抗网络(GAN)、反向传播(BP)神经网络模型、径向基函数(RBF)神经网络模型、深度置信网络(DBN)神经网络模型、埃尔曼神经网络模型、或者能够进行本文所述的操作的任何深度学习或机器学习模型。

图7例示了根据所公开的实施例的处理引擎306的示例性架构。处理引擎306可以包括计算机可读程序代码，该计算机可读程序代码存储在至少一个计算机可读介质702上，用于进行和执行本文所述的处理步骤。用于进行本公开方面的操作的计算机可读程序代码可以以一种或多种编程语言的任意组合来编写，这些编程语言包括面向对象的编程语言(诸如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等)、常规程序设计语言(诸如“C”编程语言、Visual Basic、Fortran 2103、Perl、COBOL 2102、PHP、ABAP)、动态编程语言(诸如Python、Ruby以及Groovy)、或其它编程语言。计算机可读程序代码可以完全在处理引擎306上执行，部分在处理引擎306上执行，作为独立软件包执行，部分在处理引擎306上并且部分在远程计算机或服务器上执行，或者完全在远程计算机或服务器上执行。在后一场景中，远程计算机可以通过任何类型的网络连接到处理引擎306，该网络包括上面关于网络418提及的网络。

计算机可读介质702可以是处理引擎306的存储器。在替代方面中，计算机可读程序代码可以存储在处理引擎306外部或远离处理引擎300的存储器中。存储器可以包括磁介质、半导体介质、光介质或计算机可读和可执行的任何介质。处理引擎306还可以包括计算机处理器704，其用于执行存储在至少一个计算机可读介质702上的计算机可读程序代码。在至少一个方面，处理引擎306可以包括一个或多个输入或输出装置，通常称为用户界面706，其可以操作为分别允许到处理引擎306的输入或提供来自处理引擎300的输出。处理引擎306可以以硬件、软件或硬件和软件的组合来实施。

图8至图13例示了根据所公开实施例的方面的示例性处理流程。在图8至图12的处理流程中，可以从任何合适的MRI数据源采集MRI数据802，MRI数据源例如为MRI数据源502、504、506、508、510中的一个或多个，并且可选地可以采集如下面将参照图13说明的ECG数据804。将所采集的MRI数据提供给算法304，该算法操作为从所采集的MRI数据预测心动周期806。然后，可以使用处理引擎对所采集的MRI数据的与所预测的心动周期的选定部分相对应的部分进行操作。在一些实施例中，所采集的MRI数据可以在被提供给算法之前被减少。例如，可以去除某些无关的或不需要的心动时相或心动周期，这可以减小要由算法处理的数据大小并且减少使用算法时的计算时间和处理引擎306的计算时间。

在图8的示例性处理流程中，操作包括：使用所预测心动周期的选定部分来定位k空间中的MRI数据行808。在心脏MRI期间，心脏在扫描的同时跳动和移动，这使得难以在任何给定时间点获取心脏的完整数据点集合。实际上，完整的心动周期可以被分成几个时相(例如，一个心动周期内20个时相)。对于各个时相(例如，第10个时相)，MRI扫描仪402可仅采集k-空间的区域的子集，因为难以一次采集所有数据。例如，在某些情况下，在给定时间点仅可以采集整个k空间数据的1/3。使用心动周期信息，在下一心动周期和相同的时相(即，第2个心动周期中的第10个时相)，MRI扫描仪402可以采集k-空间的区域的另一子集(例如，另一1/3)。类似地，在第3个心动周期的第10个时相中，可以采集k空间数据的剩余部分。因为数据通常在整个心动周期上重复，所以通过使用所预测的心动周期和时相信息，可以将初始和随后采集的k空间行放置到适当的对应位置。

在图9的示例性处理流程中，所采集的MRI数据包括欠采样MRI数据，并且操作包括：使用所预测心动周期的选定部分来在k空间中的MRI数据行之间进行插值908。在心脏MRI扫描中，用户通常定义多个心动时相，各个心动周期可以被分成这些时相，例如，用户可以指定将各个心动周期分成25个时相。然而，由于各个受试者具有每个心动周期的不同时间间隔，并且MRI扫描仪通常以不同于受试者心动周期的设定一致速率采集k-空间数据，所以MRI扫描仪仅可以生成用于时相子集的k-空间数据。在各个心动周期被分成25个时相的示例中，MRI扫描仪仅可以生成20个时相的k空间数据。结果，在时相之间插值数据以产生指定数量的时相，诸如将20个时相插值到25个时相中。为了进行插值，需要各个时相的预测心动周期信息和各个时相之间的预测时间间隔。

在图10的示例性处理流程中，所采集的MRI数据包括欠采样MRI数据，并且操作包括：使用所预测心动周期的选定部分来在MRI图像之间进行插值1008。如上所述，用户通常定义多个心动时相，各个心动周期可以被分成这些时相，例如，用户可以指定将各个心动周期分成25个时相。然而，由于各个受试者具有每个心动周期的不同时间间隔，并且MRI扫描仪通常以不同于受试者心动周期的设定一致速率生成图像数据，所以MRI扫描仪仅可以生成用于时相子集的图像数据。在各个心动周期被分成25个时相的示例中，MRI扫描仪仅可以生成20个时相的图像数据。结果，可以在时相之间插值数据以产生指定数量的时相，诸如将20个时相插值到25个时相中。为了进行插值，需要各个时相的预测心动周期信息和各个时相之间的预测时间间隔。

在图11的示例性处理流程中，操作包括：对所采集的MRI数据的部分进行应力分析1108。在一些实施例中，可以通过使用射频饱和窗格创建局部感应的磁化扰动来标记感兴趣区域。当在两个正交平面中施加饱和脉冲时，所得到的标记图案形成了在收缩期间可能形变的被称为标签的固有组织标记的网格。心脏应力可以通过观察标签的形变来评估。

如上所述，在MRI数据采集802期间采集的MRI数据可以在被提供给算法304以便从MRI采集数据预测一个或多个心脏信号806之前被减少，由此减少要由算法304处理的数据大小。当进行电影图像重建1208时，所采集的MRI数据的减少也可以减少处理引擎306的计算时间。

在图12的示例性处理流程中，操作包括：对所采集的MRI数据的部分进行电影图像重建1108。如上所述，在MRI数据采集802期间采集的MRI数据可以在被提供给算法304以便从MRI采集数据预测一个或多个心脏信号806之前被减少，由此减少要由算法304处理的数据大小。当进行电影图像重建1208时，所采集的MRI数据的减少也可以减少处理引擎306的计算时间。

示例性MR图像重建技术可以包括：使用所预测的心动周期和时相信息来进行使用2维傅里叶变换技术、反投影技术(例如，卷积反投影技术、过滤反投影技术)、迭代重建技术等中的一种或多种的图像重建。示例性迭代重建技术可以包括代数重建技术(ART)、同时迭代重建技术(SIRT)、同时代数重建技术(SART)、自适应统计迭代重建(ASIR)技术、基于模型的迭代重建(MBIR)技术、正弦图确认迭代重建(SAFIR)技术等、或其任意组合。

转到图13的示例性处理流程，可以从任何适当的MRI数据源(例如MRI数据源502、504、506、508和510中的一个或多个)采集MRI数据。另外，也可以收集来自受试者的ECG信号，其对应于所采集的MRI数据。将所采集的MRI数据和所收集的ECG数据提供给深度学习模型308，该模型操作为根据所采集的MRI数据预测心动周期。对所采集的MRI数据的与所预测心动周期部分的选定部分相对应的部分进行操作。在图13的示例性处理流程中，操作包括：对所采集的MRI数据的部分进行电影图像重建1308。在一些实施例中，在MRI数据采集802中采集的MRI数据可以在被提供给算法304以便从ECG信号和MRI采集数据预测一个或多个心脏信号1306之前被减少，由此减少要由算法304处理的数据大小。当在MRI数据的选定部分上进行电影图像重建1308时，所采集的MRI数据的减少也可以减少处理引擎306的计算时间。

当利用可选的ECG信号时，图13的处理流程和图8至图12的处理流程在心脏功能受损并且心脏ECG信号受到对应不完美的心脏运动、结构、血流或其它心脏特性的不利影响的情况下是有利的。对于这些情况，深度学习模型可以使用受到不利影响的ECG信号和所采集的MRI数据来更准确地预测心动周期。尽管ECG信号可能受到不利影响，但是它仍然可以向深度学习模型提供有用信息，以便更准确地预测心动周期和心动时相。应当理解，尽管在图8至图12的工作流程中，ECG信号的使用是可选的，但是MRI扫描仪402根据操作收集ECG信号，并且结果，ECG信号可供使用，无论是否被利用。

由此，虽然已经示出、描述并指出了应用于本发明的示例性实施例的本发明的基本新颖特征，但是应当理解，本领域技术人员可以在所例示装置和方法的形式和细节以及它们的操作方面进行各种省略、替换和改变，而不脱离当前公开的发明的精神和范围。进一步地，明确预期的是以基本上相同的方式执行基本上相同的功能以实现相同结果的那些元件的所有组合都在本发明的范围内。而且，应当认识到，结合本发明的任何公开形式或实施例示出和/或描述的结构和/或元件可以作为设计选择的一般问题而并入任何其他公开或描述或建议的形式或实施例中。因此，本发明旨在仅由所附权利要求的范围指示的来限制。