用于重建磁共振图像的系统和方法

本申请要求2019年11月29日提交的美国临时申请号16/699,540的权益，此处以引证的方式将该申请全文并入。

技术领域

所公开实施例的方面总体涉及磁共振成像，更具体地涉及重建磁共振图像。

背景技术

磁共振成像(MRI)由于其非侵入性、无有害辐射以及优良的对比度和分辨率而成为医学成像中的主导形式。通常，医学专业人员(例如，放射科医师)使用磁共振扫描仪来获得人体内所需器官和组织的详细图像。然而，与诸如X射线成像和超声成像的其它医学成像技术相比，MRI与较长的图像采集时间相关联。这导致患者不适，增加医学成像成本，并且使MRI在许多医学应用中的使用复杂化和受到限制。

现在，正在采用和开发几种方法来重建磁共振图像。作为第一示例，压缩感知(compressed sensing)被用于从欠采样数据重建图像的框架，该欠采样数据在受到稀疏性约束下重建出来的图像近似于从全采样数据导出的图像。作为第二示例，最近提出了基于具有U-Net架构的卷积神经网络(CNN)的深度学习技术来重建磁共振图像。U-Net模型由两个深度卷积神经网络(CNN)构成，一个下采样路径后面跟着一个上采样路径。两个CNN以不同的尺度跳跃连接，以输出最终的磁共振图像。作为第三示例，卷积循环神经网络(CRNN)被用于重建磁共振图像。CRNN嵌入传统迭代算法的结构，通过使用循环隐藏连接(recurrenthidden connections)来有效地对迭代重建的循环建模，以重建磁共振图像。

然而，用于重建磁共振图像的现有方法具有与之相关联的某些限制。首先，这些现有方法中的一些是耗时的。因此，用于使用这种方法获得磁共振图像的采集时间相当长。其次，为了减少图像采集时间，这些现有方法中的一些方法在图像质量上折衷。因此，由于伪影，进行适当的医学诊断所需的磁共振图像的精细图像细节可能是不可见的、模糊的或失真的。

因此，根据前述讨论，需要克服与用于重建磁共振图像的现有方法相关联的前述缺点。

发明内容

所公开实施例的方面涉及提供用于重建磁共振图像的系统和方法。在一个实施例中，所公开实施例的方面试图提供一种现有图像采集时间长和次优图像质量的问题的解决方案，这些问题与用于重建磁共振图像的现有方法相关联。所公开实施例的方面的目的是提供一种至少部分地克服了现有技术中遇到的问题的解决方案，并且提供一种系统，该系统以比用于重建磁共振图像的现有方法少得多的时间重建高质量磁共振图像。

在一个方面，所公开实施例的方面提供了一种用于重建磁共振图像的系统，系统包括处理器，处理器被配置为：

从磁共振扫描仪获得经降采的k空间数据；

向经降采的k空间数据应用快速傅里叶(Fourier)逆变换，以生成初步图像；并且

由训练过的级联循环神经网络(cascaded recurrent neural network)处理初步图像，以重建磁共振图像。

在另一方面，所公开实施例的方面提供了一种用于重建磁共振图像的方法，方法包括：

从磁共振扫描仪获得经降采的k空间数据；

向经降采的k空间数据应用快速傅里叶逆变换，以生成初步图像；以及

由训练过的级联循环神经网络处理初步图像，以重建磁共振图像。

所公开实施例的方面基本上消除或至少部分地解决了现有技术中的上述问题，并且使得能够加速重建磁共振图像的过程，而不对图像质量进行折衷，以在短时间段内重建高质量的磁共振图像。

其中，所述训练过的级联循环神经网络与至少一个图像尺度相关联，并且其中，对于所述至少一个图像尺度中的给定图像尺度，所述方法包括经由给定循环神经网络通过以下方式来循环地重建所述初步图像：从给定图像提取图像特征，并且使用所述所提取的图像特征修改所述初步图像。

其中，所述训练过的级联循环神经网络与多个图像尺度相关联，一个循环神经网络与一个图像尺度相关联，并且其中，与不同图像尺度相关联的循环神经网络以与其相关联的图像尺度的升序串联连接。

其中，所述方法还包括串行地馈送与第一图像尺度相关联的给定循环神经网络的输出，作为与第二图像尺度相关联的给定循环神经网络的输入，所述第二图像尺度在所述第一图像尺度之后并且大于所述第一图像尺度。

其中，所述方法还包括将与所述第一图像尺度相关联的所述给定循环神经网络的所述输出和与所述第二图像尺度相关联的所述给定循环神经网络的所述输出进行串接，以产生组合输出；以及将所述组合输出作为输入馈送到至少一个卷积神经网络中。

其中，给定循环神经网络的迭代次数可配置。

其中，所述方法还包括在给定循环神经网络的每次迭代之后添加至少一个数据一致性层。

其中，所述添加给定数据一致性层的步骤包括：-将给定中间图像的尺寸上采样为所述初步图像的尺寸，所述给定中间图像作为所述给定循环神经网络的给定迭代的结果而生成；-向给定中间图像应用快速傅里叶变换；-使用来自原始k空间数据的值替换对应于给定中间图像的k空间值，以导出k空间值的结果集合；以及-向k空间值的结果集合应用快速傅里叶逆变换，以生成下一中间图像。

其中，所述方法还包括对给定图像进行上采样或下采样，其中，上采样使用插值、或池化运算、或具有给定步幅的转置卷积运算来执行，而下采样使用插值、或池化运算、或具有给定步幅的卷积运算来执行。

前面所述的任一方法，还包括在数据库装置处至少存储所述磁共振图像。

从附图和结合所附权利要求解释的例示性实施例的详细描述，将使所公开实施例的方面的附加方面、优点、特征以及目的变得显而易见。

应当理解，在不脱离由所附权利要求限定的所公开实施例的方面的范围的情况下，所公开实施例的方面的特征易于以各种组合进行组合。

附图说明

当结合附图阅读时，可以更好地理解以上发明内容以及以下对例示性实施例的详细描述。为了例示所公开实施例的方面，在附图中示出了本公开的示例性结构。然而，所公开实施例的方面不限于本文所公开的具体方法和手段。而且，本领域技术人员应当理解，附图不是等比例。只要有可能，同样的元件由相同的附图标记来指示。

现在将参见以下附图仅仅通过示例的方式描述所公开实施例的方面，附图中：

图1是根据所公开实施例的方面的环境的示意图，在该环境中实施用于重建磁共振图像的系统；

图2是根据所公开实施例的方面的用于重建磁共振图像的系统的示意图；

图3例示了根据所公开实施例的方面的训练过的级联循环神经网络的示例性处理步骤；

图4是根据所公开实施例的方面的简化三尺度(simplified three-scale)级联循环神经网络的图，该网络利用k空间数据一致性；

图5是根据所公开实施例的方面的另一示例性训练过的级联循环神经网络的图；

图6是根据所公开实施例的方面的又一示例性训练过的级联循环神经网络的图；以及

图7例示了根据所公开实施例的方面的用于重建磁共振图像的方法的步骤。

在附图中，采用加下划线的附图标记来表示加下划线的附图标记位于其上的项或加下划线的附图标记与其相邻的项。未加下划线的附图标记涉及由将未加下划线的附图标记联系到项的线所标识的项。当附图标记未加下划线并且伴随有关联的箭头时，未加下划线的附图标记用于标识箭头所指向的一般项。

具体实施方式

以下详细描述例示了所公开实施例的示例性方面以及它们可以被实施的方式。尽管已经公开了执行所公开实施例的方面的一些模式，但是本领域技术人员将认识到，用于执行或实践所公开实施例的方面的其他实施例也是可能的。

参见图1，例示了根据所公开实施例的方面的环境100的示意图，在该环境中实施用于重建磁共振图像的系统102。环境100包括：磁共振扫描仪104，其经由通信网络106可通信地耦合到(communicably coupled to)系统102；和至少一个用户装置(被描绘为用户装置108)，其与系统102的用户相关联。

磁共振扫描仪104是使用强磁场和无线电波来对身体器官进行成像的专用放射设备。应当理解，仅为了简单起见，环境100描绘了与系统102通信地耦合的单个磁共振扫描仪104。实际上，多个磁共振扫描仪可以与系统102通信地耦合。

通信网络106是有线的、无线的或其任何组合。应当理解，通信网络106可以是单独的网络，或者是彼此互连以充当单个大型网络的单独网络的集合。单独网络的示例包括但不限于局域网(LAN)、广域网(WAN)、城域网(MAN)、无线LAN(WLAN)、无线WAN(WWAN)、无线MAN(WMAN)、因特网、无线电网络、电信网络以及全球微波接入互操作性(WiMAX)网络。

在上文中，术语“至少一个用户装置”在一些实施方式中指代“单个用户装置”，并且在其他实施方式中指代“多个用户装置”。给定用户装置的示例包括但不限于移动电话、智能电话、移动因特网装置(MID)、平板计算机、超级移动个人计算机(UMPC)、平板计算机、个人数字助理(PDA)、联网板、个人计算机(PC)、手持PC、膝上型计算机、平板计算机以及台式计算机。特别地，至少一个用户装置108经由通信网络106与系统102通信地耦合。应当理解，仅为了简单起见，环境100描绘了与系统102通信耦合的单个用户装置108。实际上，与多个用户相关联的多个用户装置可以与系统102通信地耦合。

可选地，至少一个用户装置108与磁共振扫描仪104集成。

系统102包括处理器110。在整个本公开中，术语“处理器”指代至少一个处理单元的布置，该处理单元被配置为执行上述处理步骤以重建磁共振图像。术语“处理器”通常指代客户端-服务器关系中的应用程序、程序、进程或装置，其响应通信网络上的另一应用程序、程序、进程或装置(客户端)对信息或服务的请求。术语“处理器”还涵盖使得供应信息或提供服务的动作成为可能的软件。

应当理解，处理器110可以以若干方式来实施。在一个实施例中，处理器110包括单个处理单元。在另一实施例中，处理器110包括多个处理单元。在这种情况下，多个处理单元可以具有分布式架构。

在示例中，处理器110可以包括与给定用户装置108直接通信耦合的第一处理单元(即，“前端处理单元”)以及通信耦合到第一处理单元的至少一个处理单元(即，至少一个“后端处理单元”)。在操作中，第一处理单元可以通过用户(例如，放射科医师、护士、医生等)使用至少一个用户装置108经由通信网络106来访问。此外，在这种情况下，至少一个后端处理单元可以单独地或者与前端处理单元组合地实施用于重建磁共振图像的处理步骤。

在另一示例中，处理器110可以通过基于云的处理器的方式来实施。

处理器110被配置为：

从磁共振扫描仪104获得经降采的k空间数据；

向经降采的k空间数据应用快速傅里叶逆变换，以生成初步图像；并且

由训练过的级联循环神经网络处理初步图像，以重建磁共振图像。

在整个本公开中，术语“经降采的k空间数据”指代在对原始k空间数据进行降采时获得的原始k空间数据的部分。在此，术语“原始k空间数据”指代复数值矩阵(complexvalued matrix)，该复数值矩阵表示使用磁共振扫描仪104成像的基础成像区域的傅里叶变换。原始k空间数据由磁共振扫描仪104产生，并且可以被理解为“经全采样的k空间数据”。原始k空间数据无法以其未处理(即，原始)的形式被人类可视化和解释。

可选地，当训练级联循环神经网络时，处理器110被配置为从磁共振扫描仪104获得原始k空间数据，并且对原始k空间数据进行降采，以获得经降采的k空间数据。经全采样的k空间数据(即，原始k空间数据)和经降采的k空间数据形成用于处理器110的一对原始输入和真值。可选地，处理器110实时或接近实时地获得原始k空间数据。

可选地，原始k空间数据通过以采样密度对原始k空间数据进行采样来进行降采，该采样密度小于经全采样的k空间数据的全采样密度。特别地，这种降采减少了随后要由系统处理的k空间数据点的数量。这种降采技术在本领域中是公开的。

应当理解，处理器直接从磁共振扫描仪104获得经降采的k空间数据，以便减少用于获得磁共振图像的时间(即重建时间)。

应当理解，向经降采的k空间数据应用快速傅里叶逆变换从k空间转换到图像空间中(这对于用户来说更好理解)，因为在向经降采的k空间数据应用快速傅里叶逆变换时，生成初步图像。由于快速傅里叶逆变换的计算较少，所以使用快速傅里叶逆变换使得能够减少使用系统102获得磁共振图像的采集时间。

或者，可选地，处理器110被配置为向经降采的k空间数据应用离散傅里叶逆变换，以生成初步图像。

可选地，处理器110被配置为训练级联循环神经网络。在训练时，获得级联循环神经网络。应当理解，级联循环神经网络是经由监督学习来训练的。特别地，处理器110将示例性输入-输出对(其中，示例性经降采k空间数据充当输入，示例性磁共振图像充当输出)送到级联循环神经网络，并且使用至少一个监督学习算法来分析示例性输入-输出对(即训练数据)，以产生级联循环神经网络的推断函数(inferred function)。然后，级联循环神经网络使用该推断函数来产生用于新的经降采k空间数据的磁共振图像。而且，当使用一大组示例性输入-输出对进行训练时，这种用于重建磁共振图像的基于学习的方法相对于常规设备提供了显著的性能改进。

可选地，级联循环神经网络是基于深度学习的级联循环神经网络。

应当理解，在由训练过的级联循环神经网络处理初步图像时重建的磁共振图像具有与通过处理原始k空间数据而重建的图像类似的图像质量。换言之，即使使用经降采的k空间数据生成磁共振图像，磁共振图像的图像质量也与通过处理原始k空间数据而重建的图像质量相当。而且，由于经降采的k空间数据与原始k空间数据相比在大小上更小，所以使用系统102获得磁共振图像的采集时间显著少于用于相同目的常规系统。因此，与前述常规系统相比，系统102有利地允许在更少的磁共振图像采集时间内重建高质量磁共振图像。

参见图2，例示了根据所公开实施例的方面的用于重建磁共振图像的系统200的示意图。系统200包括处理器202和与处理器202通信耦合的数据库装置204，其中，数据库装置204被配置为至少存储由处理器202重建的磁共振图像。

应当理解，数据库装置204充当与系统200相关联的数据储存库。术语“数据库”通常指代硬件、软件、固件或其组合，其用于以有组织的(即结构化的)方式存储信息，从而允许对这种信息进行容易的存储、访问(即检索)、更新和分析。术语“数据库”还涵盖向系统200提供上述数据库服务的数据库处理器。

参见图3，例示了根据所公开实施例的方面的训练过的级联循环神经网络300的示例性处理步骤。如图所示，由已经训练过的级联循环神经网络300处理初步图像302，以重建磁共振图像304。初步图像302通过向经降采的k空间数据306应用快速傅里叶逆变换来生成。训练过的级联循环神经网络300包括以级联方式连接的3个循环神经网络RNN1、RNN2和RNN3。

可选地，训练过的级联循环神经网络与至少一个图像尺度(image scale)相关联，并且其中，对于该至少一个图像尺度中的给定图像尺度，给定循环神经网络通过以下方式来循环地重建初步图像：从给定图像提取图像特征，并且使用所提取的图像特征修改初步图像。这样，使用循环神经网络的级联以渐进的方式实施磁共振图像的重建。

在实施例中，训练过的级联循环神经网络与单个图像尺度相关联。在这种情况下，磁共振图像将具有与初步图像相同的尺寸。而且，在这种情况下，单个循环神经网络被配置为：

通过从中间图像提取图像特征来迭代地重建初步图像，这些中间图像在由单个循环神经网络执行的迭代处理期间生成；并且

使用所提取的图像特征来修改初步图像，以便重建磁共振图像。

在另一实施例中，训练过的级联循环神经网络与多个图像尺度相关联，一个循环神经网络与一个图像尺度相关联，并且其中，与不同图像尺度相关联的循环神经网络以与其相关联的图像尺度的升序串联连接。换言之，与不同图像尺度相关联的循环神经网络以其图像尺度的升序连接。应当理解，使用与递增的图像尺度相关联的循环神经网络重建磁共振图像，允许随着作为这些循环神经网络的输出生成的降采图像被各个循环神经网络处理而逐渐地将更多的图像细节添加到这些降采图像。这样，有效地利用了各个图像尺度的循环神经网络，来产生磁共振图像的极其准确的重建。

在整个本公开中，术语“降采图像”指代作为给定循环神经网络的输出而产生的图像。根据在训练过的级联循环神经网络中采用的循环神经网络的数量，降采图像的数量也变化。作为示例，当给定的训练过的级联循环神经网络包括4个循环神经网络时，将生成3个降采图像，作为4个循环神经网络中的第一、第二和第三循环神经网络的输出。4个循环神经网络中的第四循环神经网络的输出将是磁共振图像。作为另一示例，当给定的训练过的级联循环神经网络仅包括单个循环神经网络时，该单个循环神经网络的降采图像将是重建的磁共振图像。

而且，术语“中间图像”指代在由给定循环神经网络在处理输入图像时执行的迭代处理步骤期间生成的图像。特别地，作为由给定循环神经网络执行的第n次处理迭代的输出而生成的中间图像充当第(n+1)次处理迭代的输入。在第(n+1)次处理迭代结束时，将生成下一个中间图像。应当理解，作为给定循环神经网络的最后处理迭代的输出而生成的最后中间图像是给定循环神经网络的降采图像。

可选地，与第一图像尺度相关联的给定循环神经网络的输出被串行地馈送作为与第二图像尺度相关联的给定循环神经网络的输入，第二图像尺度在第一图像尺度之后并且大于第一图像尺度。

例如，如图3所示，训练过的级联循环神经网络300与3个图像尺度相关联。如指示的，初步图像302的图像尺度是从低分辨率到高分辨率。在级联循环神经网络300中，RNN1与图像尺度IS1相关联，RNN2与图像尺度IS2相关联，并且RNN3与图像尺度IS3相关联。而且，图像尺度IS1小于图像尺度IS2，并且图像尺度IS2小于图像尺度IS3。如图所示，循环神经网络RNN1-RNN3以与其关联的图像尺度IS1-IS3的升序串联连接。而且，与图像尺度IS1相关联的RNN1的输出308(特别地，第一降采图像)被串联地馈送作为与图像尺度IS2相关联的RNN2的输入，图像尺度IS2在图像尺度IS1之后并且大于图像尺度IS1。同样，与图像尺度IS2相关联的RNN2的输出310(特别地，第二降采图像)被串联地馈送作为与图像尺度IS3相关联的RNN3的输入，图像尺度IS3在图像尺度IS2之后并且大于图像尺度IS2。

可选地，训练过的级联循环神经网络内的给定循环神经网络(RNN)是卷积循环神经网络(CRNN)。例如，当训练过的级联循环神经网络基于全卷积神经网络时，可允许并且可以有效地处理对训练过的级联循环神经网络的任意尺寸的输入。

可选地，在给定RNN之前或给定RNN之后，训练过的级联循环神经网络包括至少一层卷积运算。或者，可选地，在给定RNN之前或给定RNN之后，训练过的级联循环神经网络包括子神经网络。

可选地，可配置给定循环神经网络的迭代次数。当使用系统(102、200)获得磁共振图像期望短采集时间时，减少迭代的次数，反之亦然。

可选地，处理器(110、202)还被配置为在给定循环神经网络的每次迭代之后添加至少一个数据一致性(data consistency，DC)层。该至少一个数据一致性层确保重建的磁共振图像与中间图像之间的k空间的数据一致性。这以快速的计算时间基于经降采的k空间数据产生高质量的磁共振图像。特别地，强制实施k空间的数据一致性，以最小化重建磁共振图像中的伪影。

可选地，为了添加给定的数据一致性层，处理器(110、202)被配置为：

将给定中间图像的尺寸上采样为初步图像的尺寸，该给定中间图像作为给定循环神经网络的给定迭代的结果而生成；

向给定中间图像应用快速傅里叶变换；

使用来自原始k空间数据的值替换对应于给定中间图像的k空间值，以导出k空间值的结果集合；并且

向k空间值的结果集合应用快速傅里叶逆变换，以生成下一中间图像。

应当理解，经降采的k空间数据(是从磁共振扫描仪104观察到的k空间数据)具有与初步图像相同的尺寸。因此，给定中间图像的尺寸被上采样为对应于初步图像的尺寸。

可选地，对应于给定中间图像的k空间值被对应于给定中间图像的k空间值和来自对应于给定中间图像的原始k空间数据的k空间值的加权和代替。在加权和中，使用至少一个权重，该至少一个权重在级联循环神经网络的训练期间由该网络学习(即推断)。

作为示例，在图3中，以扩展形式描绘了RNN1的处理。作为RNN1的输入的初步图像302在RNN1处经历若干次迭代处理。为了简单起见，在图3中仅示出了2次迭代。如图所示，在每次迭代即将结束时，示出了指示给定数据一致性层的添加的“上采样和DC”步骤。标记为“ResBlocks”的方框指示基本循环神经网络单元。面向右的梯形(在ResBlocks方框之前)表示反卷积运算，而面向左的梯形(在ResBlocks方框之后)表示卷积运算。

可选地，处理器被配置为对给定图像进行上采样或下采样，其中：

上采样使用插值、或池化运算、或具有给定步幅的转置卷积运算来执行，而

下采样使用插值、或池化运算、或具有给定步幅的卷积运算来执行。

可选地，在这点上，插值是双线性插值。作为示例，在训练过的级联循环神经网络300中，下采样和上采样操作使用双线性插值来执行。

应当理解，术语“步幅”指代收缩因子(在下采样的情况下)和扩张因子(在上采样的情况下)。

参见图4，例示了根据所公开实施例的方面的简化三尺度级联循环神经网络400，该网络利用k空间数据一致性。级联循环神经网络400包括与3个图像尺度相关联的3个循环神经网络RNNa、RNNb和RNNc。特别地，在三尺度级联循环神经网络400的每个循环神经网络的每次迭代之后添加至少一个数据一致性层。由三尺度级联循环神经网络400处理初步图像402，以产生降采图像404和406以及磁共振图像408。

参见图5，例示了根据所公开实施例的方面的实施例的另一示例性训练过的级联循环神经网络500。级联循环神经网络500包括与3个图像尺度相关联的3个循环神经网络RNNp、RNNq和RNNr。在级联循环神经网络500中：

循环神经网络RNNp的输入和输出分别是图像502和504；

循环神经网络RNNq的输入和输出分别是图像506和508；并且

循环神经网络RNNr的输入和输出分别是图像510和512。

而且，在训练过的级联循环神经网络500中，在给定循环神经网络的每次迭代之后添加至少一个数据一致性层(未示出)。

可选地，将与第一图像尺度相关联的给定循环神经网络的输出和与第二图像尺度相关联的给定循环神经网络的输出进行串接，以产生组合输出，该组合输出作为输入馈送到至少一个卷积神经网络中。可选地，在这点上，该至少一个卷积神经网络的输出是重建的磁共振图像。

例如，如图5所示，循环神经网络RNNp的输出504、循环神经网络RNNq的输出508和循环神经网络RNNr的输出512进行串接，以产生组合输出514。组合输出514作为输入馈送到卷积神经网络516中。卷积神经网络516的输出是磁共振图像518。输出504是循环神经网络RNNp的降采图像，输出508是循环神经网络RNNq的降采图像，并且输出512是循环神经网络RNNr的降采图像。

参见图6，例示了根据所公开实施例的方面的实施例的又一示例性训练过的级联循环神经网络600。在训练过的级联循环神经网络600中，使用具有给定步幅的转置卷积运算来执行上采样操作，而使用具有给定步幅的卷积运算来执行下采样操作。这样，图像尺寸调节操作变得可学习。

作为示例，当要将给定图像的尺寸调节为其原始尺寸的四分之一时，处理器(110、202)可以向给定图像应用具有步幅4的卷积运算或者分别应用具有步幅2的两层卷积运算。同样，当要将给定图像的尺寸调节为其原始尺寸的四倍时，处理器(110、202)可以向给定图像应用具有步幅4的转置卷积运算或者分别应用具有步幅2的两层转置卷积运算。或者，当要将给定图像的尺寸调节为其原始尺寸时，处理器(110、202)可以应用具有步幅2的卷积运算，并且当要将给定图像的尺寸调节为其原始尺寸的两倍时，处理器(110、202)可以应用具有步幅2的转置卷积运算。

在图6的训练过的级联循环神经网络600中，存在与基于三个图像尺度的重建对应的级联循环神经网络。在第一图像尺度下，在基于循环神经网络的处理之前分别应用步幅为2的两个卷积运算；并且在基于循环神经网络的处理之后分别应用步幅为2的两个转置卷积运算。这对应于1/4图像尺度。在第二尺度下，在基于循环神经网络的处理之前应用步幅为2的一个卷积运算，并且在基于循环神经网络的处理之后应用步幅为1的一个转置卷积运算。这对应于1/2图像尺度。在第三尺度下，在基于循环神经网络的处理之前应用步幅为1的一个卷积运算。这对应于尺度1。而且，在训练过的级联循环神经网络600的给定循环神经网络的每次迭代之后添加至少一个数据一致性层。然而，在训练过的级联循环神经网络600中，在添加至少一个数据一致性层期间不需要(并且因此不执行)上采样，因为转置卷积运算解决了上采样用于的尺度不一致性问题。此外，在训练过的级联循环神经网络600中，与不同图像尺度相关联的循环神经网络的输出进行串接，以产生组合输出602。组合输出602作为输入馈送到卷积神经网络604中。卷积神经网络604的输出是磁共振图像606。

可选地，数据库装置204还被配置为存储以下内容中的至少一个：

-原始k空间数据；

-经降采的k空间数据；

-初步图像；

-至少一个降采图像；

-由至少一个循环神经网络生成的中间图像。

参见图7，例示了根据所公开实施例的方面的实施例的用于重建磁共振图像的方法的步骤。

在步骤702处，从磁共振扫描仪获得经降采的k空间数据。在步骤704处，向经降采的k空间数据应用快速傅里叶逆变换，以生成初步图像。在步骤706处，由已经训练过的级联循环神经网络处理初步图像，以重建磁共振图像。

以上关于前述系统(102、200)公开的各种实施例和变型加以必要的变更适用于该方法。本文所述的方法在计算上是有效的，并且不会对处理器(110、202)造成处理负担。该方法可以非常快速地实施，以便以低的图像采集时间产生高质量的磁共振图像。因此，该方法可以有效地用于需要低图像采集时间和高图像质量的医学成像应用中(例如，在急诊室中)。

可选地，在该方法中，训练过的级联循环神经网络与至少一个图像尺度相关联，并且其中，对于该至少一个图像尺度中的给定图像尺度，其中，方法包括经由给定的循环神经网络通过以下方式来循环地重建初步图像：从至少一个给定图像提取图像特征，并且使用所提取的图像特征修改初步图像。

可选地，在该方法中，训练过的级联循环神经网络与多个图像尺度相关联，一个循环神经网络与一个图像尺度相关联，并且其中，与不同图像尺度相关联的循环神经网络以与其相关联的图像尺度的升序串联连接。

可选地，方法还包括串行地馈送与第一图像尺度相关联的给定循环神经网络的输出，作为与第二图像尺度相关联的给定循环神经网络的输入，第二图像尺度在第一图像尺度之后并且大于第一图像尺度。

可选地，方法还包括将与第一图像尺度相关联的给定循环神经网络的输出和与第二图像尺度相关联的给定循环神经网络的输出进行串接，以产生组合输出；以及将组合输出作为输入馈送到至少一个卷积神经网络中。

可选地，在该方法中，可配置给定循环神经网络的迭代次数。

可选地，方法还包括在给定循环神经网络的每次迭代之后添加至少一个数据一致性层。

可选地，在该方法中，添加给定数据一致性层的步骤包括：

-将给定中间图像的尺寸上采样为初步图像的尺寸，该给定中间图像作为给定循环神经网络的给定迭代的结果而生成；

-向给定中间图像应用快速傅里叶变换；

-使用来自原始k空间数据的值替换对应于给定中间图像的k空间值，以导出k空间值的结果集合；以及

-向k空间值的结果集合应用快速傅里叶逆变换，以生成下一中间图像。

可选地，方法还包括对给定图像进行上采样或下采样，其中：

上采样使用插值、或池化运算、或具有给定步幅的转置卷积运算来执行，而

下采样使用插值、或池化运算、或具有给定步幅的卷积运算来执行。

可选地，方法还包括在数据库装置处至少存储磁共振图像。

在不脱离由所附权利要求限定的所公开实施例的方面的范围的情况下，对上文描述的所公开实施例的方面的实施例的修改是可能的。诸如“包括”、“并入”、“具有”、“是”的表述用于描述和要求保护所公开实施例的方面，旨在以非排他的方式来解释，即允许还存在未明确描述的项、组件或元件。对单数的引用也被解释为涉及复数。