MR图像数据的重建

背景技术

本文所公开的主题整体涉及抑制快速自旋回波磁共振图像中的细线伪影。更具体地讲，其涉及生成没有细线伪影的NEX＝1(激励数等于1)快速自旋回波图像的快速成像方法。

磁共振成像(MRI)是非侵入式医学成像技术，其使用射频(RF)脉冲、强磁场和身体组织之间的相互作用来从身体内部获得切片/平面的图像。MRI在评估解剖结构、器官和软组织以检测和诊断广泛范围的病理状况时特别敏感。在一些情况下，MRI可提供比其它扫描技术诸如计算机断层摄影(CT)或X射线更好的器官和软组织的图像。MRI尤其可用于使脑、脊柱、关节的软组织和骨的内部成像。在临床实践中，MRI提供良性组织和病理组织之间的对比度，并且可用于评估疾病(诸如癌症)的阶段以及评估对治疗恶性肿瘤的响应。

随着对较高分辨率MR图像的需求不断增加，MRI获取时间的减少是一项持续的挑战。已经开发出各种技术来改善MR成像速度/效率，包括并行成像(PI)和压缩感测(CS)。然而，这些方法具有它们的局限性。例如，由于k空间(傅立叶空间)线的数量减少，PI的使用可降低信噪比；并且CS依赖于增强一些域中的稀疏性(例如，总变化或小波)，并且可导致图像的平滑或模糊。使用神经网络进行的深度机器学习的最新进展已经显示了MR成像重建的潜力。深度学习MRI重建网络(包括展开的迭代压缩感测网络)已被示出为优于用于由欠采样数据(例如，欠采样的NEX＝1数据)重建高质量图像的常规并行成像和压缩感测(PICS)方法。然而，当应用于快速自旋回波(FSE)数据时，这些网络可产生表现出细线伪影的图像。

发明内容

下文示出了本文所公开的某些实施方案的概述。应当理解，提供这些方面仅仅是为了向读者提供这些特定实施方案的简要概述，并且这些方面并非旨在限制本公开的范围。实际上，本公开可涵盖下文可能未示出的各个方面。

在一个实施方案中，提供了一种用于训练深度学习网络的方法。根据该方法，使用两个激励获取完全采样的NEX＝2(激励数等于2)数据。使用所获取的NEX＝2数据生成完全采样的真实图像。欠采样NEX＝1数据由该激励中的一个激励生成。通过馈送欠采样NEX＝1数据并且在损失函数中将网络输出图像与完全采样的真实图像进行比较来训练深度学习网络。

在另一个实施方案中，提供了一种用于使用经训练的深度学习网络来抑制细线伪影的方法。根据该方法，在训练阶段，使用两个激励获取完全采样的NEX＝2数据。使用所获取的NEX＝2数据生成完全采样的真实图像。欠采样NEX＝1训练数据由该激励中的一个激励生成。通过馈送欠采样NEX＝1训练数据并且在损失函数中将网络输出图像与由NEX＝2数据生成的完全采样的真实图像进行比较来训练深度学习网络。在下一个应用阶段，获取欠采样NEX＝1数据以用作输入以馈送到经训练的深度学习网络中，从而重建具有受抑制的欠采样和细线伪影的NEX＝1图像。

在附加的实施方案中，提供了磁共振成像系统。磁共振成像系统包括用于获取欠采样MR数据的数据获取部件。磁共振成像系统还包括数据处理部件和数据存储部件。数据存储部件可以执行以下操作：存储由数据获取部件获取的欠采样MR数据；存储用于该磁共振成像系统的操作的可执行代码，其中该可执行代码在由该数据处理部件执行时，使得该数据处理部件将该欠采样MR数据作为输入数据提供给深度学习网络并且从该深度学习网络接收重建的MR图像作为输出数据；以及存储重建的MR图像。磁共振成像系统还包括用于显示重建MR图像以供查看的数据显示部件。

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示出了根据本公开的各方面的磁共振成像(MRI)系统；

图2A和图2B分别示出了根据本公开的各方面的常规自旋回波(CSE)和快速自旋回波(FSE)中的脉冲序列的部分；

图3示出了根据本公开的各方面的用于由欠采样数据进行图像重建的密集连接迭代(DCI)深度学习网络的实施方案的示意图；

图4A、图4B、图4C和图4D示出了根据本公开的各方面的利用NEX＝2和NEX＝1(激励数分别等于2和1)获取的图像示例；

图5A和图5B示意性地示出了根据本公开的各方面的NEX＝2扫描如何抑制细线伪影；

图6示出了根据本公开的各方面的训练深度学习DCI网络以重建欠采样NEX＝1数据同时移除欠采样伪影和细线伪影两者的示意图；并且

图7A、图7B和图7C示出了一组临床图像，其示出了完全采样NEX＝2图像、完全采样NEX＝1图像以及使用欠采样NEX＝1数据作为输入的DCI网络输出图像。

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，并非实际具体实施的所有特征都要在说明书中进行描述。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。

当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”、“该”和“所述”旨在意指存在这些元件中的一个或多个元件。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。

磁共振成像(MRI)是一种广泛用于临床诊断和病理分析的非侵入式医学成像技术。原则上，MRI技术使用射频(RF)脉冲、强磁场和身体组织之间的相互作用来从身体内部生成器官的图像。在大多数医学应用中，组织中的氢核(其仅由质子组成)产生被处理以形成身体图像的信号。由于氢核在磁场中的不同对准，因此只有一小部分氢核有助于测量信号。质子在以其谐振频率暴露于短RF脉冲(电磁能)时能够吸收能量。在从RF脉冲吸收能量之后，核被促进到激励态，核在激励态仅保持短时间段，然后通过释放能量返回到其初始平衡状态(所谓的衰减)。当核返回到其初始状态时，核的这种能量传输是作为MRI信号观察到的。来自不同组织的该信号的细微差异结合在现代计算设备上实施的高级信号处理算法使得MRI能够区分各种器官。可投影任何成像平面或切片，然后存储或打印以用于进一步诊断和治疗。

MRI扫描器使用强磁场、磁场梯度和RF脉冲序列来生成体内器官的图像。MR信号是通过在谐振期间存在于组织中的某些类型的核(例如，氢核)的净磁化(M)的旋进而在接收器线圈中感应的电流。自旋回波获取是MR成像中使用的最常见技术之一。这涉及使用一组RF脉冲来激励磁化，然后重新聚焦自旋以生成信号回波(称为自旋回波)。例如，其可使用90度RF脉冲来激励磁化，然后使用180度脉冲来重新聚焦核自旋以生成自旋回波信号。然而，使用常规自旋回波(CSE)可能需要相当长的时间来完成完全采样的MRI扫描。这主要是由于在每个重复时间(TR，定义为从施加激励脉冲到施加下一个脉冲的时间)期间仅测量到一个信号回波的事实。快速自旋回波(FSE)是旨在减少成像时间的CSE获取技术的适应。这是更有效的，因为在每个激励脉冲之后记录了多个信号回波(即，每个TR多个回波)。因此，由于极大改善的成像速度，FSE在很大程度上取代了原始自旋回波技术。

深度学习MRI重建网络(包括展开的迭代压缩感测网络)已被示出为优于用于由欠采样数据重建高质量图像的常规PICS(并行成像和压缩感测)方法。然而，当应用于FSE数据时，这些网络可产生表现出细线伪影的图像。此类伪影可能与病变相混淆或者可能降低医学检查的质量。细线伪影先前已通过若干不同的方法来处理，但所有这些都具有缺点或限制。在一些实施方案中，利用RF相位循环获取偶数个激励(NEX)(例如，2个、4个或更多个)数据可以消除细线伪影，但是这至少使成像时间加倍。在其他实施方案中，可通过滤除或修剪回波的边缘来减少细线伪影，然而这会降低图像分辨率。在一些情况下，增大破碎面积可有助于衰减细线伪影，但这增大了回波间距并导致图像模糊。

本文所讨论的主题涉及抑制利用深度学习网络重建的FSE图像中的细线伪影的方法。使用完全采样的NEX＝2数据的示例训练网络。在每种情况下，都将这两个激励组合以生成没有细线伪影的完全采样的真实图像，这些真实图像用于在损失函数中与生成的图像进行比较。然而，在训练期间，仅这些激励中的一个被回顾性地欠采样并且馈送到网络的输入中。这样，网络学习以移除欠采样和细线伪影两者。在推断时，仅获取并且重建NEX＝1欠采样数据。

考虑到前述内容，下文提供了与成像技术和术语相关的材料，以赋予此类成像系统一定的熟悉度，并且为本公开的其他方面提供有用的真实世界情境。相对于磁共振成像(MRI)系统，并且转到图1(其中示意性地示出了一个此类系统以供参考)，初级磁场、时变磁梯度场和射频(RF)场与感兴趣的受检者(例如，患者)体内的具有非零核磁矩的材料之间的相互作用用于生成患者体内的结构和/或功能关系的图像或体积表示。具有非零核磁矩的核(诸如水分子中的氢核)具有响应于可以以这种方式利用的外加电磁场(例如，恒定的或时变的电场、磁场，或它们的组合)的特征行为。例如，这些核的自旋的进动能够通过操纵场以产生可被检测、处理并且用于重构有用图像的RF信号来影响。

考虑到此，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。该成像系统10还包括：远程访问和存储系统18和/或设备，诸如图像存档和通信系统(PACS)；或其它设备，诸如远程放射设备，使得能够现场访问或异地访问由成像系统10获取的数据。虽然成像系统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，成像系统10包括具有壳体20的全身扫描器12，开口(例如，环形开口)穿过该壳体形成以容纳患者孔22。患者孔22可由任何合适的材料(诸如非金属材料和/或非磁性材料)制成，并且一般包括扫描器12的邻近受检者的部件。诊断台24可移入患者孔22中，使患者26可定位在其中，用于对患者26体内的所选解剖结构进行成像。如本文所述，患者孔22可包括一个或多个孔管以支撑扫描器12和/或患者26的各种部件。在一些实施方案中，患者孔22可支撑诊断台24和/或关节运动部件(例如，马达、滑轮，和/或滑块)。

扫描器12可以包括一系列相关联的超导磁体线圈，用于产生受控的静态磁场，以用于在被成像的受检者的解剖结构内分离具有非零磁矩的核(通常为体内的氢)的容许能态。具体地，提供主磁体线圈28，以用于生成与患者孔22的轴线44大致对齐的主磁场。一系列梯度线圈30、32和34(共同称为35)允许在检查序列期间生成受控梯度磁场，以用于对患者26体内的某些核进行位置编码。RF线圈36被配置为生成射频脉冲，以刺激患者26体内具有非零磁矩的某些核。根据本公开的一个方面，RF线圈36可在线圈支撑管22上实现，从而限定患者孔38的至少一部分。另外，RF屏蔽罩42可在屏蔽罩支撑管40上实现，从而也限定患者孔22的至少一部分，以减少成像系统10内的电磁干扰以及对与成像系统10分开的设备的电磁干扰。除可位于扫描器12本地的线圈之外，成像系统10还可包括被构造成放置在患者26近侧(例如，抵靠患者)的一组接收线圈46(例如，线圈阵列)。例如，接收线圈46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46被放置成靠近患者26或位于患者顶部，以便接收在患者26体内的某些具有非零磁矩的核返回到其平衡状态时由该核生成的弱RF信号(例如，弱是相对于由扫描器线圈生成的传输脉冲而言)。在一些实施方案中，RF线圈36可传输和接收RF信号，从而实现接收线圈46的作用。

成像系统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具有非零核磁矩的核(材料)旋进的发射。在例示的实施方案中，主电源48向初级磁线圈28提供电力以产生主磁场。驱动电路50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。

提供了RF控制电路52，以用于调节RF线圈36的操作。RF控制电路52包括用于在有源操作模式和无源操作模式之间交替的切换设备，RF线圈36在这两种操作模式下分别传输信号和不传输信号。RF控制电路52还可包括放大电路以生成RF脉冲。类似地，接收线圈46或RF线圈36(在没有实现单独的接收线圈46的情况下)连接到切换装置54，该切换装置能够使接收线圈46在接收模式和非接收模式之间切换。因此，在接收模式下，接收线圈46可与通过患者26体内的具有非零核磁矩的核的横向磁化而产生的RF信号谐振，而在非接收模式下，避免与RF信号谐振。另外，接收电路56可接收由接收线圈46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/放大电路被示出为由单根线连接，但可根据具体实施使用一根或多根缆线或连接器。例如，可使用单独的线进行控制、数据通信、电力传输等。此外，可沿每种类型的线设置合适的硬件，用于正确处理数据和电流/电压。实际上，可在扫描器12与扫描器控制电路14和/或系统控制电路16之间设置各种滤波器、数字转换器和处理器。

如图所示，扫描器控制电路14包括接口电路58，该接口电路输出用于驱动梯度线圈35和RF线圈36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58可连接至控制和分析电路60。基于经由系统控制电路16选择的限定协议，控制和分析电路60执行用于驱动电路50和RF控制电路52的命令。

控制和分析电路60还可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还可包括一个或多个存储器电路62，该一个或多个存储器电路在操作期间存储配置参数、脉冲序列描述、检查结果等。

第二接口电路64可将控制和分析电路60连接到系统控制电路66，以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。系统控制电路16可包括第三接口电路68，该第三接口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。与控制和分析电路60一样，系统控制电路66可包括在多用途或专用计算机或工作站中的中央处理单元(CPU)。系统控制电路66可包括或连接至第二存储器电路70，以存储用于操作成像系统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。编程代码可执行一种或多种例程，该一种或多种例程在由处理器执行时被配置为执行获取数据的重建或涉及获取的数据的其他操作。

可提供另外的输入输出(I/O)接口72，以用于与外部系统部件(诸如远程访问和存储系统18)交换图像数据、配置参数等。最后，系统控制电路66可通信地耦接到各种外围设备，以促进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，这些外围设备包括打印机74、显示器76和用户界面78，该用户界面例如包括诸如键盘、鼠标、触摸屏(例如，与显示器76集成在一起)等设备。

在操作中，用户(例如，放射科医生)可配置和/或监督成像系统10的控制。另外，用户可帮助将受检者(例如，患者26)定位在患者孔22内。在一些实施方案中，在执行成像会话时，患者孔22可环绕整个受检者或仅环绕其一部分(例如，患者的头部、胸腔和/或末端)。

如前述部分所述，MRI系统(诸如上述成像系统10)使用施加到样本的一组RF脉冲来产生特定形式的磁共振信号。该组RF脉冲连同相关联的梯度脉冲和接收器获取定时被称为脉冲序列。应当注意，单个RF脉冲仅产生自由感应衰减(FID)，而两个连续的RF脉冲可产生自旋回波(SE)信号。更具体地讲，FID由单个RF脉冲(激励脉冲)引发，但可通过施加一个或多个附加RF脉冲(重聚焦脉冲)来恢复(或重新聚焦)衰减的信号。例如，自旋回波获取可以使用90度RF脉冲来激励磁化，并且使用一个或多个180度脉冲来重新聚焦自旋以通过磁共振期间的净磁化的旋进来生成SE信号，该SE信号为在接收线圈(例如，扫描器12中的接收线圈46，如图1所示)中感应的电流的形式。

据此，并且为了进一步熟悉磁共振成像的原理，图2A和图2B分别示出了常规自旋回波(CSE)和快速自旋回波(FSE)中的脉冲序列的一部分。在CSE获取(图2A)中，施加90度激励脉冲110使纵向磁化105(沿着竖直轴线103)旋转到旋转框架中的水平平面(即，包含轴线101和轴线102两者的平面，该轴线彼此垂直，并且也垂直于轴线103，在以拉莫尔频率围绕z轴线旋转的参照系中)，并且横向磁化104的退相在之后不久开始。180度重聚焦脉冲115的以下应用通过在水平平面中旋转退相磁化来生成自旋回波信号120。重聚焦脉冲的目的是使自旋重新相位，使得自旋重新获得相干，从而恢复横向磁化104，从而产生自旋回波信号120。通过施加一系列激励和重聚焦脉冲来重复这样的过程将产生一系列回波信号，这些回波信号与相关梯度脉冲结合可被检测、处理并用于重建可用图像。例如，如图2A所示，第二90度激励脉冲125和连续的第二180度重聚焦脉冲130将产生第二自旋回波信号135。

重复时间108被定义为从施加激励脉冲(例如，90度激励脉冲110)到施加下一个激励脉冲(例如，90度激励脉冲125)的时间。应当注意，尽管上面的示例示出了通过连续的90度和180度脉冲生成自旋回波，但不一定需要这些精确的翻转角。例如，可通过两个连续的90度RF脉冲形成自旋回波。

作为与CSE获取情况(图2A)的比较，其中在每个重复时间(TR)期间仅测量一个回波(例如，自旋回波信号120)，FSE获取(图2B)更有效，因为可在每个90度激励脉冲之后记录多个自旋回波(例如，在第一90度激励脉冲140之后的回波信号150、160、170和180，以及在第二90度激励脉冲185之后的此处可能未示出的回波信号195和之后的回波信号)。这是通过在每个TR内传输一系列180度重聚焦脉冲而实现的(例如，在第一重复时间108中的第一90度激励脉冲140之后的重聚焦脉冲145、155、165和175，以及在接下来的TR中的第二90度激励脉冲185之后的此处可能未示出的重聚焦脉冲190和之后的重聚焦脉冲)，并且根据略微不同的相位编码梯度测量对应的回波。因此，由于成像速度的提高，FSE获取相对于CSE技术可能是优选的。

考虑到前述注释，在某些实施方案中，并且如图3所示，可提供可用于根据欠采样数据重建高质量图像的展开迭代压缩感测密集连接迭代(DCI)深度学习网络200。DCI深度学习网络200可类似于名称为“用于稀疏图像重构的系统和方法(System and Method forSparse Image Reconstruction)”的美国专利号10489943B2中所述的网络，该专利全文以引用方式并入本文以用于所有目的。DCI深度学习网络200包括多个迭代块(如参考标号201所示)。这些迭代块中的每个迭代块包括数据一致性(DC)和正则化(Reg)元件(如参考标号255所示)。在该实施方案中，Reg元件是卷积网络(如参考标号277所示)。

DCI深度学习网络200接收欠采样磁共振线圈数据202，该欠采样磁共振线圈数据是从一组完全采样的磁共振线圈数据回顾性地下采样的以训练网络。在例示的实施方案中，欠采样磁共振线圈数据202是从来自多个线圈(例如，图1中所描绘的接收线圈46)的二维k空间数据集下采样的。欠采样磁共振线圈数据202用于创建初始输入图像206。DCI深度学习网络200还包括多个迭代块，诸如迭代块208、210、212、214和216。第一迭代块208被配置为基于初始输入图像206和欠采样线圈数据202来生成第一迭代块输出。第一迭代块输出作为直接输入由直接连接240提供给第二迭代块210。此外，第一迭代块输出也被作为(在该实施方案中，两个)跳跃输入分别通过密集跳跃连接248和250提供给后续迭代块212和214。相似地，第二迭代块210被配置为基于第一迭代块输出和欠采样线圈数据202来生成第二迭代块输出。第三迭代块212被配置为通过直接连接242接收第二迭代块输出，并且通过密集跳跃连接248接收第一迭代块输出。第三迭代块212也被配置为接收线圈数据202并生成第三迭代块输出。类似的迭代由后续迭代块(包括第四迭代块214、最后迭代块216以及块214和216之间的多个迭代块(尽管图3中未示出))执行。在迭代过程结束时，最后迭代块216被配置为基于通过其相邻的先前迭代块(未示出)的直接连接的迭代块输出，以及来自该相邻的先前迭代块之前的迭代块的密集跳跃连接的迭代块输出和欠采样线圈数据202来生成估计(或预测)图像238。此外，重建完全采样的磁共振线圈数据以形成参考图像254，以用于与来自DCI深度学习网络200的输出(即，估计图像238)进行比较。

在例示的实施方案中，第四迭代块214被配置为接收来自先前迭代块的三个迭代块输出，包括第三迭代块212(通过直接连接244)、第二迭代块210(通过密集跳跃连接252)和第一迭代块208(通过密集跳跃连接250)。每个迭代块(诸如块214)中的重建过程可使用插图255中所示的迭代块256的框图来进一步示出。如前所述，多个迭代块208、210、212、214和216中的每一个包括数据一致性(DC)单元和正则化(Reg)单元。相似地，迭代块256包括DC单元258和Reg单元260。DC单元258被配置为保持迭代块输出中的线圈数据的保真性。Reg单元260被配置为基于多个跳跃输入来生成正则化信息。正则化信息表示减少迭代块的输出中的泛化误差所需的附加信息。

迭代块256为被配制为优化问题的图像重建提供解决方案。DC单元258被配置为接收第一输入262，该第一输入为来自相邻的先前迭代块的迭代块输出。DC单元258还被配置为接收线圈数据268(欠采样线圈数据202的等效物)。此外，DC单元258被配置为生成表示保持第一输入262中的数据一致性所需的校正的输出270。Reg单元260被配置为接收第一输入262以及来自该相邻的先前迭代块之前的迭代块的作为跳跃输入的多个迭代块输出264和266。Reg单元260被配置为生成正则化信息272，该正则化信息表示确定不适定的优化问题的有效解决方案所需的附加信息。Reg单元260能够跨多个迭代块传播特征以生成正则化信息272。迭代块256被配置为基于第一输入262、来自DC单元258的输出270和来自Reg单元260的输出正则化信息272来生成输出276。

在一个实施方案中，Reg单元260是如插图277所示的深度卷积神经网络。深度卷积神经网络被配置为从多个先前迭代块接收正则化信息278并生成重建图像290。深度卷积神经网络包括多个阶段280、284和288。多个阶段280、284和288中的每一个包括特征生成器(卷积)、偏置提供器(偏置)和激活层(例如漏电整流线性单元(LReLU))。特征生成器是具有多个滤波器的卷积层，该多个滤波器被配置为基于多个输入图像来生成多个特征图。偏置提供器被配置为接收多个特征映射并且生成多个偏置特征映射。激活层被配置为接收多个偏置特征映射并且生成一个或多个输出图像。在该例示的实施方案中，多个阶段包括第一阶段280、第二阶段284和第三阶段288。第一阶段280被配置为处理多个输入图像278以生成多个第一输出图像282。多个输入图像278可以是紧接在前面的迭代块或跳跃迭代块中的一者的输出(诸如插图255中所示的第一输入262以及作为跳跃输入的多个迭代块输出264和266)。第二阶段284被配置为处理多个第一输出图像282并且生成多个第二输出图像286。相似地，第三阶段288被配置为处理多个第二输出图像286并且生成正则化信息272。在一个实施方案中，使用约十二个滤波器来生成多个第一输出图像282和多个第二输出图像286。虽然在插图277中所示的实施方案中仅示出了三个阶段，但是可以使用十个或更多个阶段来处理每个正则化单元(诸如插图255中的Reg单元260)中的跳跃输入。

如前所述，深度学习MRI重建网络(包括展开迭代压缩感测网络)可根据欠采样数据重建高质量图像。然而，当应用于FSE数据时，这些网络可产生表现出细线伪影的图像。出现该伪影是因为重聚焦脉冲(诸如图2B所示的重聚焦脉冲145、155、165和175)通常不是完美的180度脉冲，从而导致来自重聚焦脉冲的自由感应衰减(FID)信号，该信号泄放到回波链中的回波中。该问题可在3T或更高的场下加剧，因为重聚焦脉冲的振幅通常被有意地限制，以便降低比吸收率(SAR)。虽然破碎梯度可有助于改善该问题，但是由于振幅和转换速率的限制以及使回波间距最小化的需要，因此它们通常是不完美的。

考虑到上述情况，图4A、图4B、图4C和图4D示出了由利用NEX＝2(激励数等于2)成像(图4A)和NEX＝1成像(图4B)获取的FSE数据(脑MRI图像)重建的示例性图像，其中放大图像中的相应感兴趣区域分别为图4C和图4D。细线伪影在NEX＝1图像(例如，由图4D中的箭头所指向)中是明显的，但在NEX＝2图像(例如，图4C)中不是明显的。

可通过使用NEX＝2成像来防止细线伪影，如图4A和图4C所示。抑制细线伪影的原理在图5A和图5B中进一步示出。NEX＝2成像包括两个激励301和351(即，N1和N2，如图5A所示)。每个激励包括激励和重聚焦脉冲序列以及所得的回波链。例如，第一激励301(N1)包括沿时间轴310分布的激励脉冲序列和重聚焦脉冲序列，以及沿时间轴320分布的对应回波链。相似地，第二激励351(N2)包括沿时间轴360分布的激励脉冲序列和重聚焦脉冲序列，以及沿时间轴370分布的对应回波链。

如图5A所示(FSE获取)，N1和N2中的每个脉冲序列可包括90度激励脉冲(诸如N1中的激励脉冲311和N2中的激励脉冲361)和多个180度重聚焦脉冲(诸如N1中的重聚焦脉冲312、313、314、315、316、317和318以及N2中的重聚焦脉冲362、363、364、365、366、367和368)。如果重聚焦脉冲不是精确的180度，并且梯度挤压未完成，则所得的回波链可包括伪影自由感应衰减(FID)信号以及回波信号，这可导致细线伪影。例如，沿着N1中的时间轴320，FID信号321、322、323、324、325、326和327(如N1中所示的黑色三角形)与对应的回波信号331、332、333、334、335、336和337(如N1中所示的网格化三角形)相邻并部分重叠。

为了防止这种细线伪影，在图示实施方案的第二激励351(N2)中(在图5A中)，激励脉冲361的相位被反转。反转RF激励脉冲(诸如激励脉冲361)的相位将反转回波链中的所得回波信号(诸如N2中的回波信号381、382、383、384、385、386和387)的相位。然而，FID信号(诸如N2中的371、372、373、374、375、376和377)的相位将不被反转，因为FID直接由重聚焦脉冲(诸如N2中的362、363、364、365、366、367和368)产生。因此，从第一激励301(N1)的回波链中减去第二激励351(N2)的回波链将减去伪FID信号，同时有效地添加来自两个激励的回波信号。如图5B所示，减法(即，N1-N2)结果是没有细线伪影的图像。也就是说，通过减法消除所有FID信号(如图5A所示的黑色三角形)，但有效地添加期望的回波信号(如图5A所示的网格化三角形)。应当注意，为简单起见，图5A未示出由FID信号(诸如N1中的FID信号321、322、323、324、325、326和327，以及N2中的FID信号371、372、373、374、375、376和377)的重聚焦生成的二次回波。还通过执行减法N1-N2来抑制这些二次回波。还需注意，可采用其他形式的相位循环，诸如给出分别为90度和270度而非0度和180度的激励脉冲311和361相位，如图5A所示。

该NEX＝2(激励数等于2)成像方法的缺点是成像时间可加倍。如果需要快速成像，则该方法可能是有问题的。虽然使用欠采样可部分地补偿这种情况，但在NEX＝2的情况下，总体成像速度仍然是次优的。因此，需要一种用于生成没有细线伪影的NEX＝1FSE图像的方法，其中加速度因子R>1。此处，全相位编码步骤与缩减集的比率被称为加速度因子R。

转到图6，示出了用于训练深度学习网络(其可以是DCI网络)以重建欠采样NEX＝1数据同时移除欠采样伪影和细线伪影两者的步骤的示意图。通常，NEX＝1数据(其被回顾性地欠采样和零填充(用于训练))用于作为输入馈送到深度学习MRI重建网络中。并且针对输出处的对应完全采样的图像训练网络。如前面部分所解释的，此类经训练的网络可能不会抑制细线伪影。在图6所示的实施方案中，展示了新技术，其中使用NEX＝2原始数据来替代地训练DCI网络。将两个激励组合并重建为不具有细线伪影的完全采样的真实(GT)图像410。然而，这两个激励中仅有一个被欠采样并作为输入馈送到网络中用于训练。以这种方式，训练网络以移除欠采样伪影并抑制细线伪影。

在图6中，DCI深度学习网络416可包括多个迭代块，诸如迭代块418、420、422和424(类似于图3中所述的迭代块208、210、212、214和216)。多个迭代块418、420、422和424中的每一个包括数据一致性(DC)单元和正则化(Reg)单元。DC单元被配置为保持迭代块输出中的线圈数据的保真性。该Reg单元被配置为基于来自该相邻先前块的输入和多个跳跃输入来生成正则化信息。正则化信息表示减少迭代块的输出中的泛化误差所需的附加信息。

为了抑制细线伪影，DCI深度学习网络416使用来自NEX＝2原始FSE数据集402的许多示例来训练网络，如图6所示。具体地讲，在训练阶段，对于每个NEX＝2原始FSE数据，将两个激励404和406组合并重建(例如，使用组合和重建模块408)成不具有细线伪影的完全采样的真实(GT)图像410(类似于N1–N2示例，如图5B所示)，以用于在损失函数中与网络生成图像426进行比较。然而，两个激励中的仅一个(即，该实施方案中的激励406)被回顾性地欠采样(例如，使用采样模块412)以创建NEX＝1欠采样输入数据414，该输入数据在训练期间被馈送到DCI深度学习网络416中。以这种方式，DCI深度学习网络416被训练以移除欠采样伪影并抑制细线伪影。

接下来，在推断阶段，使用经训练的DCI深度学习网络416仅获取和重建NEX＝1欠采样数据。因此，可以加速FSE扫描过程，这使得能够实现快速MR成像方法而不会经历细线伪影。图7展示了具有独立于训练数据的示例性测试结果的快速FSE扫描的效果。每个示例性FSE图像(脑的MRI图像)在顶部的放大图像中呈现有对应的感兴趣区域。

由常规装置重建的完全采样的NEX＝1图像(图7B)示出细线伪影(箭头所指向)，这与对应的完全采样的NEX＝2图像(图7A)不同。图7C中示出了NEX＝1且输入欠采样四倍(即，因子R＝4)的经训练的DCI深度学习网络(如图6所示)的输出，其中细线伪影已被抑制。除了抑制成像伪影之外，还加快了成像速度。例如，由于欠采样效果(欠采样因子为4)，成像时间在图7C中比在图7B中低四倍，并且由于欠采样以及NEX＝1获取比NEX＝2获取的加速(因子为2)的组合效果，成像时间比在图7A中低八倍。

所公开的实施方案的技术效果包括提供用于在抑制细线伪影的情况下重建欠采样快速自旋回波MR图像的系统和方法。本发明的新方面包括以下内容：用NEX＝2FSE数据训练深度学习图像重建网络，该数据用于生成不具有细线伪影的完全采样的真实图像，以在损失函数中与生成的图像进行比较；同时对来自NEX＝2FSE数据的仅一个激励进行回顾性欠采样并在训练期间将其馈送到网络的输入中；以及仅获取NEX＝1欠采样数据以在推断期间输入到网络中。通过允许使用NEX＝1获取而不是NEX＝2获取，本公开中的本发明可使得能够以两倍的速度进行FSE扫描(包括变体，诸如T1-FLAIR和T2-FLAIR)，而不经历细线伪影。

在本公开中，DCI网络用作示例性深度学习图像重建网络。然而，这些技术也可利用其他深度学习网络来实现。

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设备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它示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元件，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件，则此类其他示例旨在落入权利要求书的范围内。