加速多对比度PROPELLER的系统和方法

摘要

本文公开了加速多对比度PROPELLER的系统和方法。使用围绕k空间中心的多个径向指向的叶片以旋转方式对k空间进行采样。为第一对比度获取第一叶片子集，并且为第二对比度获取第二叶片子集。组合第一叶片子集和第二叶片子集的高频分量，以产生第一对比度的图像。以及组合第二叶片子集和第一叶片子集的高频分量，以产生第二对比度的图像。

说明书

技术领域

本公开涉及用于磁共振成像(MRI)的具有增强重建的周期性旋转重叠平行线(PROPELLER)，并且更具体地，涉及加速多对比度PROPELLER。

背景技术

PROPELLER(具有增强重建的周期性旋转重叠平行线)技术作为一种运动缩减MRI方法，该方法使用一组围绕k空间中心的径向指向的带或“叶片”以旋转方式对k空间进行采样。每个叶片由多个平行的相位编码线构成，可以使用自旋回波或梯度回波方法收集这些编码线。通过k空间的PROPELLER轨迹具有独特优势。每个叶片穿过k空间中心，因此即使k空间在角度方向上欠采样，对比度信息也能很好地保留。在该区域的过采样还提供了信息冗余，并且因此可以将每个新叶片的数据与之前叶片的数据进行比较，以确保一致性。如果患者在叶片之间移动，第二个叶片的数据可以基于其中心信息看起来的异常程度进行校正(或甚至完全丢弃)。

在临床应用中，MRI扫描获得同一解剖切片的不同对比度的图像。多对比度磁共振(MR)图像包含类似但不相同的图像结构。通过比较同一区域的多对比度MR图像，放射科医生可以检测出细微的异常，诸如发展中的肿瘤。如本文所使用的，“对比度”是指由于MR特性的差异而导致的各种组织(诸如水基组织、脂肪基组织和流体)的MR图像上的信号强度的差异。例如，质子密度(PD)加权图像反映了被分析的各种组织/流体的自旋密度的差异。T1加权图像反映了沿纵向恢复磁化的弛豫时间的差异。T2加权图像反映了沿横向恢复磁化的弛豫时间的差异。短TI反转恢复(STIR)图像抑制来自脂肪的信号。流体衰减反转恢复(FLAIR)图像抑制来自流体的信号，等等。

PROPELLER可以用于通过用不同的扫描参数(诸如不同的回波时间(TE)和重复时间(TR))执行若干PROPELLER序列来获得各个对比度，诸如PD、T1、T2加权图像等。例如，对于脑部扫描，通常需要T1、T2加权和T2-FLAIR图像；对于脊柱扫描，需要T1-FLAIR、T2加权和STIR；对于肌肉骨骼(MSK)扫描，需要T1、T2和PD加权图像等等。逐个扫描所有期望的对比度需要很长时间。通常期望减少多对比度图像的扫描时间，同时保持PROPELLER的良好质量。

发明内容

在一个实施方案中，本公开提供了一种用于通过PROPELLER获得多对比度图像的方法。所述方法包括使用围绕k空间中心的多个径向指向的叶片以旋转方式对k空间进行采样。为第一对比度获取第一叶片子集，并且为第二对比度获取第二叶片子集。所述方法还包括：组合第一叶片子集和第二叶片子集的高频分量，以产生第一对比度的图像；以及组合第二叶片子集和第一叶片子集的高频分量，以产生第二对比度的图像。

在另一个实施方案中，本公开提供了一种处理系统。所述处理系统包括存储设备，该存储设备存储指令；和处理器，该处理器耦接到存储设备。当执行指令时，处理器指示MRI扫描仪使用围绕k空间中心的多个径向指向的叶片以旋转方式对k空间进行采样。为第一对比度获取第一叶片子集，并且为第二对比度获取第二叶片子集。处理器还组合第一叶片子集和第二叶片子集的高频分量，以产生第一对比度的图像，并且组合第二叶片子集和第一叶片子集的高频分量，以产生第二对比度的图像。

附图说明

通过阅读以下详细描述并且参考附图，可以更好地理解本公开的各个方面，其中：

图1是根据一个示例性实施方案的一种磁共振成像(MRI)系统的示意图；

图2A示意性地示出了根据PROPELLER技术获取的k空间数据的多个叶片；

图2B示意性地示出了图2A所示的叶片中的一个叶片；

图3是示出根据一个示例性实施方案的通过使用加速PROPELLER获得多对比度图像的过程的示意图；

图4是根据一个示例性实施方案的用于预处理由加速PROPELLER获取的k空间数据的方法的流程图；

图5是示出根据一个示例性实施方案的针对各个对比度应用于相应PROPELLER叶片的掩模的示意图；

图6A是根据一个示例性实施方案的用于重建多对比度PROPELLER图像的深度神经网络的示意图；

图6B是图6A的深度神经网络中的数据一致性单元的示意图；

图6C是图6A的深度神经网络中用于正则化的卷积单元的示意图；

图7是根据一个示例性实施方案的通过使用加速PROPELLER获得多对比度图像的方法的流程图；

图8示出了根据一个示例性实施方案的与通过其他技术获得的图像相比加速度因子为2的多对比度PROPELLER图像；并且

图9示出了根据一个示例性实施方案的与通过其他技术获得的图像相比加速度因子为3的多对比度PROPELLER图像。

附图示出了通过使用加速PROPELLER获得多对比度图像的所述部件、系统和方法的具体方面。连同以下描述，附图示出并且解释了本文描述的结构原理、方法和原理。在附图中，为了清楚起见，部件的厚度和尺寸可以被放大或以其他方式修改。没有示出或详细描述众所周知的结构、材料或操作以避免模糊所描述的部件、系统和方法的各方面。

具体实施方式

以下描述本公开的一个或多个具体实施方案以便提供透彻的理解。这些所述实施方案仅仅是通过使用加速PROPELLER获得多对比度图像的系统和方法的示例。本领域技术人员将理解，在不脱离本公开的实质的情况下，可以在实施时修改实施方案中描述的具体细节。

当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。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。如本文使用术语“连接到”、“耦接到”等，一个对象(例如，材料、元件、结构、构件等)可以连接到或耦接到另一个对象，而无论该一个对象是否直接连接或耦接到另一个对象，或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。此外，应当理解，对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。

大体上参考附图，本公开描述了通过使用加速PROPELLER获取多对比度图像的系统和方法。PROPELLER序列使用一组围绕k空间中心的径向指向的带或“叶片”以旋转方式对k空间进行采样。每个叶片由多个平行的相位编码线构成，可以使用自旋回波或梯度回波方法收集这些编码线。k空间的过采样中心提供了信息冗余，使得可以将每个新叶片的数据与之前叶片的数据进行比较，以确保一致性。在当前方法中，可以通过执行若干具有不同参数(诸如不同的回波时间(TE)和重复时间(TR))的PROPELLER序列来获取各个对比度(例如，T1、T2、PD加权、FLAIR等)。逐个扫描所有期望的对比度需要很长时间。

在本公开的示例性方法中，使用围绕k空间中心的多个叶片以旋转方式对k空间进行采样。在多个叶片中，用根据第一对比度的扫描参数来获取第一叶片子集，并且用根据第二对比度的扫描参数来获取第二叶片子集。组合第一叶片子集和第二叶片子集的高频部分，以产生第一对比度的图像。位于k空间中间区域的k空间的低频部分主要包含对比度信息，而k空间外围区域的k空间的高频部分主要包含解剖的结构细节(例如，组织边界)。通过从重建中去除第二叶片子集的低频部分，第二对比度的信息不包括在第一对比度的图像中。类似地，组合第二叶片子集和第一叶片子集的高频部分，以产生第二对比度的图像。

现在参考图1，示出了根据一个示例性实施方案的示例性MRI系统100的示意图。MRI系统100的操作由操作者工作站110控制，该操作者工作站包括输入设备114、控制面板116和显示器118。输入设备114可以是操纵杆、键盘、鼠标、轨迹球、触摸激活屏、语音控制或任何类似或等效的输入设备。控制面板116可以包括键盘、触摸激活屏、语音控制、按钮、滑块或任何类似或等效的控制设备。操作者工作站110耦接到计算机系统120并且与之通信，该计算机系统使得操作者能够控制显示器118上图像的产生和观看。计算机系统120包括经由电和/或数据连接122彼此通信的多个部件。计算机系统连接122可以是直接有线连接、光纤连接、无线通信链路等。计算机系统120可以包括中央处理单元(CPU)124、存储器126和图像处理器128。在一些实施方案中，图像处理器128可以由在CPU124中实现的图像处理功能来替代。计算机系统120可以连接到档案媒体设备、永久或备份存储器或网络。计算机系统120耦接到单独的MRI系统控制器130并且与之通信。

MRI系统控制器130包括经由电和/或数据连接132彼此通信的一组部件。MRI系统控制器连接132可以是直接有线连接、光纤连接、无线通信链路等。MRI系统控制器130可以包括CPU 131、与操作者工作站110通信的脉冲发生器/定序器133、收发器135、存储器137，以及阵列处理器139。在一些实施方案中，脉冲发生器/定序器133可以集成到MRI系统100的共振组件140中。MRI系统控制器130可以从操作者工作站110接收命令，以指示在MRI扫描期间要执行的MRI扫描序列。MRI系统控制器130还耦接到梯度驱动器系统150并且与之通信，该梯度驱动器系统耦接到梯度线圈组件142，以在MRI扫描期间产生磁场梯度。

脉冲发生器/定序器133可还接收来自生理采集控制器155的数据，该生理采集控制器接收来自多个不同传感器的信号(诸如来自附接到患者的电极的心电图(ECG)信号)，这些传感器连接到经历MRI扫描的对象或患者170。并且最后，脉冲发生器/定序器133耦接到扫描室接口系统145并且与之通信，该扫描室接口系统从与共振组件140的状态相关联的各种传感器接收信号。扫描室接口系统145还耦接到患者定位系统147并且与之通信，该患者定位系统发送和接收信号以控制患者台移动到所需位置进行MRI扫描。

MRI系统控制器130向梯度驱动器系统150提供梯度波形，该梯度驱动器系统包括G

经历MRI扫描的对象或患者170可以定位在共振组件140的圆柱形成像体积146内。MRI系统控制器130中的收发器135产生由RF放大器162放大的RF激励脉冲并且通过发射/接收开关(T/R开关)164提供给RF体线圈148。

如上所述，RF体线圈148和RF表面线圈149可以用于发射RF激励脉冲和/或接收来自经历MRI扫描的患者的所得MR信号。由经历MRI扫描的患者内的受激核发出的所得MR信号可以被RF体线圈148或RF表面线圈149感测和接收并且通过T/R开关164发送回前置放大器166。放大的MR信号在收发器135的接收器部分中被解调、滤波和数字化。T/R开关164可以由来自脉冲发生器/定序器133的信号控制，以在发射模式期间将RF放大器162电连接至RF体线圈148，并且在接收模式期间将前置放大器166连接至RF体线圈148。T/R开关164可还使得RF表面线圈149能够用于发射模式或接收模式。

由RF体线圈148或RF表面线圈149感测和接收的所得MR信号被收发器135数字化并且被传送至MRI系统控制器130中的存储器137。

当对应于所接收的MR信号的原始k空间数据阵列已经被采集并且临时存储在存储器137中，直到数据随后被变换以创建图像时，MR扫描完成。对于每个要重建的图像，该原始k空间数据被重新布置成单独的k空间数据阵列，并且这些单独的k空间数据阵列中的每一个被输入到阵列处理器139，该阵列处理器操作以将数据傅立叶变换成图像数据的阵列。

阵列处理器139使用变换方法，最常见的是傅立叶变换，以从接收的MR信号创建图像。这些图像被传送到计算机系统120，在那里它们被存储在存储器126中。响应于从操作者工作站110接收到的命令，图像数据可以存档在长期存储器中，或者可以由图像处理器128进一步处理并且传送到操作者工作站110以在显示器118上呈现。

在各种实施方案中，计算机系统120和MRI系统控制器130的部件可以在相同计算机系统或多个计算机系统上实现。

参考图2A和图2B，示意性地说明了PROPELLER技术。PROPELLER使用相对于k空间200的中心以旋转方式布置的多个重叠叶片(或“带”)201、202、203、204、205和206来对k空间200中的数据进行收集(或“采样”)。为了说明，图2A以旋转方式示出了六个叶片(201至206)。图2B示出了一个单独的叶片。叶片201至206在k空间200中连续旋转增量角度，使得总数据集跨越k空间200中的一个圆。在一些实施方案中，增量角度在10°至20°的范围内。每个叶片覆盖k空间的矩形区域，该矩形区域的几何中心与k空间的中心共同定位。叶片的尺寸(宽度和长度)是相同的。每个叶片由一组若干平行的线性轨迹(或“辐条”)组成。为了说明，图2B示出了四条平行线(212至218)。在一些实施方案中，每个叶片由8至32条平行线组成。每个叶片都有自己的频率编码方向(或“读出方向”)和相位编码方向。

可以使用多种方法收集每个叶片中的相位编码线(例如，212至218)。在一些实施方案中，一个叶片中的相位编码线是用单个激励射频(RF)脉冲和多个读数(例如，快速/涡轮自旋回波(FSE/TSE)序列或部分回波平面序列)收集的。在一些实施方案中，叶片中的相位编码线是用一系列激励RF脉冲(例如，快速梯度回波序列)获取的。然后，将叶片旋转增量角度(例如10°至20°)，到达下一个叶片的位置，在此获取另一组k空间数据。这个过程一直持续到整个k空间圈的数据都已被收集。

可以看出，在PROPELLER中，由于反复穿过该区域的重叠的“辐条”，k空间的中心被过采样并不断更新。如果来自k空间中心的信号在视图之间发生变化，可以利用这种冗余来检测和校正移动。此外，所有径向辐条对图像的贡献都是相等的(不像笛卡儿采样那样，通过k空间中心的几条线设置整体图像对比度)。因此，来自移动解剖结构的噪声不会作为离散的重影沿着单个相位编码方向传播，而是更广泛地分布在整个图像上。因此，仅在一个或几个径向视图上的运动不太可能严重降低图像质量。

参考图3，示出了根据一个示例性实施方案的示意图，其示出了通过使用加速PROPELLER获得多对比度图像的过程。在310处，获取各个对比度的叶片。为了说明，图3示出了三个对比度。应当理解，对比度的数量可以是任何合适的数量(例如，2、3、4、5等)。对于第一对比度(例如，T1加权)，使用第一叶片子集(311,314)收集k空间数据。对于第二对比度(例如，T2加权)，使用第二叶片子集(312,315)收集k空间数据。对于第三对比度(例如，PD加权)，使用第三叶片子集(313,316)收集k空间数据。对于每个对比度，k空间都欠采样。三个叶片子集的组合覆盖了全k空间。换句话说，三个对比度的三个叶片子集是互补的。在一些实施方案中，叶片的多个子集以交替的方式布置在k空间中。例如，叶片311用于第一对比度，相对于叶片311旋转增量角度的叶片312用于第二对比度，相对于叶片312旋转增量角度的叶片313用于第三对比度，等等。

在一些实施方案中，通过使用不同的扫描参数(例如，TE和TR)来获取用于多个对比度的多个叶片子集。例如，短TR和短TE可以用来增强组织之间的T1差异。长TR和长TE可用于T2加权对比度。长TR和短TE用于PD加权对比度。对于一个对比度，TE和TR在叶片的同一子集之间不发生变化。在一些实施方案中，根据第一对比度设置扫描参数，并且收集用于第一对比度的所有叶片。然后根据第二对比度改变扫描参数，并且收集用于第二对比度的所有叶片，接着根据第三对比度改变扫描参数，并且收集用于第三对比度的所有叶片。在一些实施方案中，根据第一对比度设置扫描参数，并且收集用于第一对比度的子集中的第一叶片。然后根据第二对比度改变扫描参数，并且收集用于第二对比度的子集中的第一叶片。然后根据第三对比度改变扫描参数，并且收集用于第三对比度的子集中的第一叶片。然后根据第一对比度将扫描参数改变回来，并且收集用于第一对比度的子集中的第二叶片，依此类推。在PROPELLER中，采集的数据经过预处理以进行运动校正。下面参考图4更详细地讨论运动校正的过程。

在320处，选择性地组合用三个叶片子集收集的k空间数据。来自k空间的中间区域的数据(即，低空间频率分量)主要包含对比度信息，但非常有限的解剖的结构细节(例如，组织边界)。来自k空间外围区域的数据(即，高空间频率分量)主要包含结构细节信息，但非常有限的对比度信息。对三个叶片子集的k空间数据进行了不同的组合，以产生不同对比度的图像。在第一配置322中，组合第一叶片子集与第二叶片子集和第三叶片子集的高频分量。在一些实施方案中，使用三个掩模，其中第一掩模应用于第一叶片子集，该第一叶片子集允许包括包括高频分量和低频分量。第二掩模应用于第二叶片子集，使得去除k空间的中间区域中的低频分量，同时保留外围区域中的高频分量。第三掩模应用于第三叶片子集，使得去除k空间的中间区域，同时保留外围区域中的高频分量。结果，只有包含在第一叶片子集中间的第一对比度信息被用于重建，而不是第二叶片子集和第三叶片子集中间的第二或第三对比度信息。使用所有叶片外围包含的高频信息。当在图像空间中重建组合的k空间数据时，产生第一对比度的图像332。

在第二配置324中，组合第二叶片子集与第一叶片子集和第三叶片子集的高频分量。当在图像空间中重建组合的k空间数据时，产生第二对比度的图像334。在第三配置326中，组合第三叶片子集与第一叶片子集和第二叶片子集的高频分量。当在图像空间中重建组合的k空间数据时，产生第三对比度的图像336。下面将参考图5至图6讨论进一步的细节。

参考图4，示出了根据示例性实施方案的用于预处理由加速PROPELLER收集的k空间数据的方法400的流程图。预处理的目的是运动校正。已知患者运动会在MR图像中产生伪影。这些伪影可能是由于在每个数据采样周期和随后的激励RF之间的静止周期期间，以及在激励RF脉冲和随后的数据采样周期之间的组织位移而产生的。

在402处，执行相位校正，以确保叶片之间的旋转点是k空间的中心。由于沿读出方向的梯度平衡不完善以及涡流，叶片旋转围绕的点可能不是k空间的中心。k空间中心的这种位移将导致叶片中的每个叶片的图像空间中的线性相位变化。因为相位校正可以在每个叶片内完成，所以相同对比度的叶片的当前相位校正方法可以类似地应用于不同对比度的叶片。例如，每个叶片都有一个金字塔函数窗口。窗口数据和原始数据分别被变换(例如，通过傅立叶变换)到图像空间。由窗口数据变换的图像空间数据的结果相位从由原始数据变换的图像空间数据的结果相位中去除。然后将校正的图像空间数据变换回(例如，通过反傅立叶变换)k空间以校正该叶片。

在403和404处，分别执行旋转校正和平移校正，以校正叶片之间的运动。在PROPELLER中，物体(诸如人头)的运动校正是一个刚体配准问题。刚体的任何平面内运动在几何上等同于绕图像中心的旋转和线性平移。因此，平面内刚体运动校正可以分为旋转校正和平移校正。物体围绕图像空间中心的旋转等同于物体的k空间表示围绕k空间中心的旋转，而物体在图像空间中的平移等同于物体的k空间表示的线性相位变化。从图2A和图2B可以看出，对于每个叶片，在k空间中具有等于每个叶片宽度的直径的中心圆209被重新采样。因为所有叶片共享k空间的中心圆209，所以可以使用中心圆209来估计叶片之间的旋转和平移。

具体地，对两个叶片之间的物体旋转的估计等同于估计来自两个叶片的k空间的中心圆209的数据中的旋转进行。对中心圆209的旋转的估计可以通过估计来自两个叶片的中心圆209的量值数据中的旋转来实现。相同对比度的叶片的当前的旋转校正方法可以通过一些调整类似地应用于不同对比度的叶片。具体地，定义了跨越k空间的中心圆209的一组笛卡尔坐标。这个圆内每个叶片的数据量值被网格化到笛卡尔坐标上。不同对比度的所有获取的叶片的所有中心圆的平均值作为参考中心k空间。然后将每个叶片的中心圆和参考中心k空间从k空间变换到图像空间。然后旋转每个单独的叶片方位，以实现与图像空间中的参考k空间的最大相关性。在旋转校正之后，通过再次将来自每个叶片的中心圆的图像与来自参考中心k空间的图像相关联，在图像空间中对来自所有获取的对比度的所有叶片执行频率和相位编码方向上的平移校正。然后，对于每个叶片，图像空间中的平移被变换为k空间中的线性相位变化。

在405处，执行相关性加权。在PROPELLER中，平面外运动不能被校正。然而，通过基于与参考中心k空间的相关性为受平面外运动影响的叶片分配较低的权重，可以最小化平面外运动的影响，该参考中心k空间是通过对所有叶片的中心圆求平均而获得的。

在406处，来自用于各个对比度的所有叶片的k空间数据被网格化到为k空间定义的一组笛卡尔坐标上。

参考图5，示出了根据一个示例性实施方案的示意图，其示出了用于不同对比度的叶片子集的组合。虽然为了说明，在图5中使用了三个对比度作为示例，但是应当理解，方法适用于任何合适数量的对比度。假设叶片511和514是用根据第一对比度(例如，T1加权)的扫描参数获取的，叶片512和515是用根据第二对比度(例如，T2加权)的扫描参数获取的，并且叶片513和516是用根据第三对比度(例如，PD加权)的扫描参数获取的。可以由这些叶片产生多对比度图像。对于第一对比度的最终图像，第一对比度被称为“主要”对比度，而第二对比度和第三对比度被称为“辅助”对比度。对于第二对比度的最终图像，第二对比度是“主要”对比度，而第一对比度和第三对比度是“辅助”对比度。对于第三对比度的最终图像，第三对比度是“主要”对比度，而第一对比度和第二对比度是“辅助”对比度。

来自用于不同对比度的不同叶片子集的k空间数据的组合可以作为惩罚加权最小二乘成本函数的最小化问题来解决：

其中u是笛卡尔网格上被扫描物体的估计真实空间图像。A

f

对于第一辅助对比度和第二辅助对比度，不考虑映射的k空间数据和k空间中间区域中测量的k空间数据之间的差值，使得辅助对比度不会进入具有主要对比度的最终图像。在一些实施方案中，通过将掩模应用于各个对比度，k空间的中心圆209中的差异被去除(即，被去除)。例如，将掩模522应用于||A

λ

R(u)是一个二次正则化函数，该二次正则化函数用惩罚估计图像u的粗糙度。在一些实施方案中，通过对图像中的所有像素/体素中的像素与其4个相邻像素之间或者体素与其8个相邻像素之间的平方强度差的总和的求和来给出R(u)。在一些实施方案中，R(u)可以有一个系数来控制R(u)对成本函数(1)的影响程度。

在一些实施方案中，上述成本函数(1)的最小化可以通过分析方法迭代地解决。具体地，在第一次迭代中，用零填充对主要对比度叶片进行傅立叶变换来获得估计图像u。然后，为每个叶片计算映射的k空间数据和获取的k空间数据的差值，并如上所述进行掩蔽、加权和组合。然后将k空间数据中的组合差值变换回图像空间，并用正则化函数R(u)将该组合差值用来校正估计图像u。迭代继续进行，直到执行了预定数量的迭代或者达到了期望的收敛。

在一些实施方案中，成本函数(1)的最小化可以通过使用深度神经网络来解决。参考图6A，示出了根据一个示例性实施方案的用于重建多对比度PROPELLER图像的深度神经网络600的示意图。为了说明，图6A示出了密集连接的迭代网络(DCI-Net)，作为深度神经网络的示例。应当理解，可以使用任何合适类型的深度神经网络。网络600包括多个迭代块610、620、630和640。尽管这里为了说明而示出了四个迭代块，但是应当理解，任何合适数量的迭代块(例如，5、10、20、30等)都可用来形成网络600。第一迭代块610接收由加速PROPELLER获取的叶片602作为输入。如上所述，叶片602由用于各个对比度的多个叶片子集组成。例如，叶片602可以由用于主要对比度的叶片子集和用于第一辅助对比度和第二辅助对比度的叶片子集组成，如图5所示。第一迭代块610还接收初始欠采样图像604作为输入。在一些实施方案中，图像604是通过用零填充对主要对比度叶片进行傅里叶变换而产生的。

第一迭代块610基于初始欠采样图像604和由加速PROPELLER获取的叶片602生成第一迭代块输出。第二迭代块620接收第一迭代块输出作为直接输入。第二迭代块620基于第一迭代块输出和获取的叶片602生成第二迭代块输出。第三迭代块630接收第二迭代块输出作为直接输入，并且还接收第一迭代块输出作为跳过输入。在图6A中，相邻迭代块之间的直接连接由直线表示，而非相邻迭代块之间的跳过连接由曲线表示。第一迭代块输出被输入到随后的G次迭代(例如G＝3，4，5等。)。G被称为增长率，它规定了每个块对全局状态贡献多少新信息。第三迭代块630还接收获取的叶片602，并且基于第二迭代块输出(通过直接连接)以及第一迭代块输出(通过跳过连接)和获取的叶片602生成第三迭代块输出。最终迭代块640基于通过来自其相邻的在前迭代块(未示出)的直接连接输出的迭代块，以及通过来自该相邻的在前迭代块之前的迭代块和获取的叶片602的跳过连接输出的G迭代块，生成最终输出650。如果网络600处于训练阶段，则将最终输出650与真值660进行比较，并且650和660之间的不一致性被反向投影以调整网络600的参数。培训过程将在下面进一步详细讨论。

通过跳过连接，较早迭代块的输出被直接传递给一个或多个后续但不相邻的块。这样，卷积层的特征标测图被串联。在迭代中使用跳过连接(也称为“密集连接”或“短连接”)加强了特征传播，从而使网络更加具鲁棒性，并且相对较深的架构层带来了增大的容量。

多个迭代块610、620、630和640中的每个迭代块包括数据一致性(DC)单元(例如，612、622、632、642)和用于正则化的卷积单元(例如，614、624、634、644)。数据一致性单元利用获取的PROPELLER叶片602中的k空间数据作为先验，该先验防止网络600偏离获取的数据，并且训练用于正则化的卷积单元来正则化重建。在图6A中，迭代块630被用作进一步说明部件的示例。迭代块630包括DC单元632和用于正则化的卷积单元634。DC单元632可以进一步包括用于主要对比度的DC主要单元、用于第一辅助对比度的DC S1单元以及用于第二辅助对比度的DC S2单元。

参考图6B，示意图示出了根据一个示例性实施方案的由DC单元632执行的过程。DC单元632接收来自在前迭代块620的输出图像，并使用例如非均匀快速傅立叶变换将该输出图像映射到PROPELLER叶片620’中的k空间数据。然后将叶片620’中映射的k空间数据与叶片602中获取的k空间数据进行比较。掩模(例如，图5中的掩模521、522、523)然后被应用于映射的k空间数据和测量的k空间数据之间的差值(或不一致性)。如上所述，对于第一辅助对比度和第二辅助对比度，在k空间的中间区域(例如，中心圆209)中映射的k空间数据和测量的k空间数据之间的差值被去除，使得辅助对比度不会进入具有主要对比度的最终图像。这样，对于主要对比度，考虑了所有频率分量的差异，但是对于辅助对比度，去除了低频分量的差异，而保留了高频分量的差异。

然后，根据各自的权重组合掩蔽的差值，其中用于主要对比度的λ

参考图6C，示意图示出了根据一个示例性实施方案的由用于正则化的卷积单元634执行的过程。正则化单元634包括多个卷积层。在图6C中，示出了三个卷积层635、636和637，每个卷积层由卷积(例如，5×5卷积)、偏置和整流线性单元(例如，泄漏整流线性单元(LReLU))组成。应当理解，正则化单元可以包括任何合适数量的卷积层。正则化单元634的输入由来自相邻在前迭代块通过直接连接的输出图像和来自非相邻在前迭代块通过跳过连接的G输出图像组成。卷积具有多个滤波器，该多个滤波器被配置为基于输入图像生成多个特征标测图。偏置生成多个偏置输出特征标测图。ReLU基于多个偏置输出特征标测图生成输出图像。正则化单元634能够跨多个迭代块传播特征以生成正则化信息。在一些实施方案中，正则化信息表示最小化问题中成本函数(1)的平滑度。例如，正则化信息可以是成本函数(1)中的R(u)。正则化单元634使用正则化信息来减少迭代块630的输出中的泛化误差。正则化单元634包括在训练网络600期间学习的参数值，诸如用于卷积的滤波器的参数值、偏置值和激活层值。

从正则化单元634的输出中减去来自DC单元632的输出。差值是迭代块630的输出，该输出被输入到后续迭代块。

在一些实施方案中，网络600是深度独立重建网络(DIRN)，该深度独立重建网络使用单独的并行网络来重建每个对比度，每个网络具有DCI-Net架构(或其他卷积网络架构)。在一些实施方案中，网络600是深度特征共享网络(DFSN)，该深度特征共享网络将特征共享策略应用于多对比度重建。

深度神经网络600可以在投入使用之前被训练。由PROPELLER采样的全k空间数据重建的图像可以用作真值。例如，对于多个对比度中的每个对比度，执行PROPELLER序列以对相同解剖的全k空间进行采样。为了训练，通过丢弃一些叶片来生成相应的欠采样k空间数据，来对全k空间数据进行回顾性欠采样。

将来自网络600的最终迭代的输出与完全采样的真值参考图像进行比较，以计算一些损失或误差函数，该函数被反向传播以指导网络训练。损失或误差函数测量网络输出和训练目标之间的差值。在一些实施方案中，损失函数可以是体素级或像素级或部分线积分值的均方误差(MSE)，和/或可以考虑涉及其他图像特征的差值，诸如图像梯度或其他图像统计。或者，损失函数可以由与讨论的特定任务相关联的其他度量来定义，诸如结构类似性(SSIM)指数。

参考图7，示出了根据一个示例性实施方案的通过使用加速PROPELLER获得多对比度图像的方法的流程图700。该方法可以由MRI系统例如图1所示的MRI系统100执行。在一些实施方案中，方法的至少一些操作可以在与MRI系统分离的设备上执行，或者在云端执行，或者通过它们的任意组合来执行。在操作702处，使用围绕k空间中心的多个径向指向的叶片以旋转方式对k空间进行采样。在多个叶片中，为第一对比度获取第一叶片子集，并且为第二对比度获取第二叶片子集。在一些实施方案中，获取多于两个的对比度。对于每个对比度，k空间都欠采样。

在操作704处，多个叶片中的采样k空间数据被预处理以进行运动校正。在一些实施方案中，预处理可以包括相位校正、旋转校正、平移校正和相关性加权。校正后的叶片可以网格化到为k空间定义的一组笛卡尔坐标上。

在操作706处，组合第一叶片子集和第二叶片子集的高频分量，以产生第一对比度的图像。通过从重建中去除第二叶片子集的低频分量，第二对比度的信息不包括在第一对比度的图像中。在一些实施方案中，低频分量是k空间的中心圆中的k空间样本，而高频分量是中心圆之外的k空间样本。

在一些实施方案中，来自不同对比度的不同叶片子集的k空间数据的组合可以作为惩罚加权最小二乘成本函数的最小化问题来解决，例如，公式(1)的成本函数。在一些实施方案中，成本函数的最小化可以通过分析方法迭代地解决。具体地，使用例如非均匀快速傅立叶变换，将估计图像映射到k空间中的叶片。为每个叶片计算映射的k空间数据和获取的k空间数据的差值。将掩模应用于差值，使得去除第二对比度的中间区域的差值。然后组合掩蔽的差值与权重。在一些实施方案中，第一对比度中的差值比第二对比度中的差值加权更多。然后将k空间数据中的组合差值变换回图像空间，并用正则化函数将该组合差值用来校正估计图像。在一些实施方案中，正则化函数是对图像中所有像素/体素中的像素与其4个相邻像素之间或体素与其8个相邻像素之间的平方强度差的总和的求和。迭代继续进行，直到执行了预定数量的迭代或者达到了期望的收敛。

在一些实施方案中，成本函数的最小化可以通过使用深度神经网络来解决。在一些实施方案中，使用DCI-Net。深度神经网络由多个迭代块组成，每个迭代块具有数据一致性单元和用于正则化的卷积单元。数据一致性单元使用例如非均匀快速傅立叶变换将来自相邻的在前迭代块的输出图像映射到k空间中的叶片，并计算映射的k空间数据和获取的每个叶片的k空间数据之间的差值。将掩模应用于差值，使得去除第二对比度的中间区域的差值。然后，数据一致性单元组合掩蔽的差值与权重。权重是通过训练网络学习的参数。

用于正则化的卷积单元包括多个卷积层。来自相邻的在前迭代块的输出图像和来自非相邻的在前迭代块的输出图像可以被输入到卷积单元，该卷积单元生成正则化信息。在一些实施方案中，正则化信息表示最小化问题中成本函数的平滑度。正则化单元使用正则化信息来减少相应迭代块的输出中的泛化误差。正则化单元包括在训练网络期间学习的参数值，诸如用于卷积的滤波器的参数值、偏置值和激活层值。从正则化单元的输出中减去数据一致性单元的输出。差值是迭代块的输出，该输出被输入到后续迭代块。

类似地，在操作708处，组合第二叶片子集和第一叶片子集的高频部分，以产生第二对比度的图像。

参考图8，示出了根据一个示例性实施方案的与通过其他技术生成的图像相比由如上所述加速度PROPELLER生成的加速度因子为2的多对比度图像。8-1a是由PROPELLER采样的全k空间数据重建的真值PD加权图像。8-1b是由本公开中讨论的加速PROPELLER用训练的DCI-Net产生的PD加权图像。用不同对比度的PROPELLER叶片对k空间进行采样。8-1c是用训练的DCI-Net从欠采样k空间数据重建的PD加权图像。重建中仅使用PD加权对比度的叶片。8-1d是用零填充从欠采样k空间数据重建的PD加权图像。图8-2a至图8-2d分别是图8-1a至图8-2d的放大图像。在图8-2c和图8-2d中观察到条纹，但在图8-2b中没有观察到条纹，这表明加速PROPELLER减少了伪影。8-3a是从由PROPELLER采样的全k空间数据重建的真值T2加权图像。8-3b是由本公开中讨论的加速PROPELLER用训练的DCI-Net的产生的T2加权图像。8-4a是由PROPELLER采样的全k空间数据重建的真值T1加权图像。8-4b是由本公开中讨论的加速PROPELLER用训练的DCI-Net的产生的T1加权图像。可以看出，由加速PROPELLER产生的图像非常接近真值参考图像。

参考图9，示出了根据一个示例性实施方案的与通过其他技术生成的图像相比由加速PROPELLER生成的加速度因子为3的多对比度图像。类似于图8，图9示出了加速PROPELLER已经减少了伪影，并且能够产生高质量的图像。

除了任何先前指示的修改之外，本领域技术人员可以在不脱离本描述的实质和范围的情况下设计出许多其他变型和替换布置，并且所附权利要求书旨在覆盖此类修改和布置。例如，当每个叶片中的相位编码线的数量减少到一(1)时，PROPELLER收敛到径向成像。本公开可以通过稍加修改应用于径向成像。为了描述的简单，我们在这里也使用PROPELLER来覆盖径向成像场景。

因此，尽管上面已经结合当前被认为是最实际和最优选的方面对信息进行了具体和详细的描述，但对于本领域的普通技术人员将显而易见的是，在不脱离本文阐述的原理和概念的情况下，可以进行许多修改，包括但不限于形式、功能、操作方式和使用。同样，如本文所使用的，在所有方面，示例和实施方案仅意图是说明性的，并且不应以任何方式解释为限制性的。