使用空间自适应正则化以用于图像重建的MRI

摘要

一种磁共振(MR)成像系统可以包括至少一个控制器，所述至少一个控制器可以进行以下操作：采集感兴趣区域(ROI)的回波信息，所述回波信息可以包括适合于以选定的对比度重建第一图像的至少部分的第一图像信息；获得具有不同于所述选定的对比度的对比度一幅或多幅先前重建的图像的先前重建的图像信息；从所述先前重建的图像信息提取信息；基于所提取的信息来确定用于正则化的重建的空间自适应正则化权重；和/或根据所述空间自适应正则化权重和所述回波信息来重建所述第一图像信息。

说明书

相关申请的交叉引用

本专利申请根据35U.S.C.§119要求于2013年9月5日提交的美国临时专利申请号61/873949的优先权。籍此通过引用将该申请并入本文。

技术领域

本系统涉及用于使用空间自适应正则化技术来重建图像的医学成像系统，并且更具体地涉及正则化的平行成像系统，所述正则化的平行成像系统使用一幅或多幅重建的图像的结构信息和噪声分布信息来至少部分地采集另一图像。

背景技术

快速成像技术对于以低成本获得高质量图像而言是必要的。不幸的是，常规的快速成像技术可能不能获得用于重建图像的足够的细节。因此，利用具有不同对比度的图像间的可共享信息以用于快速成像(例如，R1-R3)一直受到关注。例如，一种常规方案(例如，R1)将可共享结构信息用于以极高的计算负担为代价而增强压缩感测，并且对扫描间运动敏感。另外，相关成像方法(例如，R2)讨论了使用共享的线圈灵敏度信息，并且不认为其在存在扫描间运动时起作用。不幸的是，快速成像技术通常提供可能不足以重建具有足够的图像特性(例如，清晰度、细节等)的图像的信息。其他的——例如在WO/2012/127341(也在本说明书最后被列为参考文献R12)中所描述的，通过引用将其内容并入本文——将不同对比度图像间的可共享感兴趣区域(ROI)或互信息用作正则化项中的约束。该方法也能够对大尺度的扫描间运动敏感。

发明内容

相比较已知的方法，本系统的实施例包括以下益处：1)除结构信息以外，也可以共享因部分采集造成的噪声分布；以及2)不将所共享的信息直接使用在正则化项中以强制相似性。相反，所共享的信息可以用于定义正则化项的空间自适应正则化参数。以此方式，所提出的重建方法可以对运动较不敏感。以下等式提供了范例并且可以由本系统的实施例使用。

以下等式(1)示出了常规的重建方法

$>\underset{x}{min}E\left(x\right)=\left|\right|Dx-k|{|}_2^2+{\lambda }_0||Gx-x|{|}_2^2+{\lambda }_1\left|\right|\Psi \left(F^{-1}x\right)|{|}_1+{\lambda }_2||▿\left(F^{-1}x\right)|{|}_1$>等式(1)

其中，x为全部通道的所重建的k空间，k为部分采集的数据，D为用于数据下采样的算子，G为用于自洽平行成像重建(SPIRiT)的一般卷积算子，Ψ为小波变换并且▽为梯度算子。非负的正则化参数λ₀、λ₁和λ₂平衡这四个项。后两个项为稀疏约束；它们强制所重建的图像在这些变换域中的稀疏度。在等式(1)中，两个稀疏约束被用作范例。等式(1)示出了一种不使用任何可共享信息的常规方法。

在WO/2012/127341中描述的另一方法在正则化项中使用先验信息，如等式(2)中所示

$>\underset{x}{min}E\left(x\right)=\left|\right|Dx-k|{|}_2^2+{\lambda }_0||Gx-x|{|}_2^2+{\lambda }_1\left|\right|Mx|{|}_2^2+{\lambda }_2||▿\left(F^{-1}x\right)|{|}_1$>等式(2)

其中，M为所共享的ROI信息。

以下等式(3)说明了根据本系统的实施例的重建方法。

$>\underset{x}{min}E\left(x\right)=\left|\right|Dx-k|{|}_2^2+{\lambda }_0||Gx-x|{|}_2^2+{\lambda }_1{\mathrm{NW}}_n\left|\right|\Psi \left(F^{-1}x\right)|{|}_1+{\lambda }_2{\mathrm{NW}}_I||▿\left(F^{-1}x\right)|{|}_1$>等式(3)

其中，N由所共享的噪声分布决定。噪声分布信息能够通过人工地下采样所重建的先前图像，并然后利用人工下采样的数据再一次重建图像来计算。W_n和W_I为由所共享的结构信息定义的空间自适应权重。作为范例，权重W_n和W_I由逐点加权函数的集合定义。

$>\left(\begin{array}{c}{W}_n={(p_n+\delta )}^{-q},1\le W_n\le {\delta }^{-q}\\ W_i={(p_i+\delta )}^{-q},1\le W_i\le {\delta }^{-q}\end{array}\right)$>等式(4)

p_n和p_i为使用等式(3)计算的统计概率，所述统计概率为小波和图像空间中的边界。参数δ用于溢出预防；并且参数q用于控制正则化的阶。相比较等式(2)，能够看出所共享的信息被使用在不同的途径中。图6-图8示出，归因于共享信息在正则化参数中的使用，本系统的实施例与常规方法相比对扫描间运动较不敏感。另外，根据本系统的实施例：1)如果数据集具有多于2幅图像，则处理可以在对第二图像的重建之后增强可共享信息。所增强的信息能够更好地重建第3图像以及后续图像；并且2)在对第二图像的重建之后，所增强的边界信息也能够用于改进对第一图像的重建。

另外，当加速因子为高时，部分平行成像(PPI)技术倾向于降低信噪比(SNR)并产生残留混叠伪影。尽管诸如压缩感测(CS)方法的正则化的重建技术能够保留SNR，但是该技术是以模糊的边界的代价而这么做的。尽管已经提出了使用空间自适应权重的方法，所述方法使用噪声分布(例如，g因子)信息(例如，R4)或使用检测到的边界信息(例如，R5和R6)，但是这些方法都不易于执行。例如，针对具有不规则图案的轨迹，对g因子的预测是难以获得的。此外，用于利用部分采集的数据进行边界检测的自学习技术必须是迭代的或不准确的，这是由于利用部分采集的数据进行的初始重建是有缺陷的。本系统的实施例将先前重建的图像用于边界检测。因此，所检测的边界能够更为准确。

在本文中描述的(一个或多个)系统、(一个或多个)设备、(一个或多个)方法、(一个或多个)用户接口、(一个或多个)计算机程序、处理等(在后文中它们中的每个都将被称作系统，除非上下文另行指示)解决了现有技术的系统中的问题。

根据本系统的实施例，公开了包含部分平行成像(PPI)与正则化的组合以抵消常规成像方法的缺点的方法。本系统的实施例提供了用于选择参数来平衡PPI和正则化以用于图像重建的方法。更具体地，本系统的实施例可以提供用于定义正则化的PPI中的空间自适应权重以在重建诸如磁共振(MR)图像等的图像时平衡噪声和伪影水平的方法。

根据本系统的实施例，公开了一种磁共振(MR)成像系统，所述MR成像系统可以包括至少一个控制器，所述至少一个控制器可以进行以下操作：采集感兴趣区域(ROI)的回波信息，所述回波信息包括适合于以选定的对比度重建第一图像的至少部分的第一图像信息；获得具有不同于所述选定的对比度的对比度的一幅或多幅先前重建的图像的先前重建的图像信息；从所述先前重建的图像信息提取信息；基于所提取的信息来确定用于正则化的重建的空间自适应正则化权重；和/或根据所述空间自适应正则化权重和所述回波信息来重建所述第一图像信息。

也设想所述至少一个控制器可以根据正则化的重建方法来重建所述第一图像信息。另外，从所述先前重建的图像信息提取的所述信息可以包括结构信息和噪声信息中的至少一个。此外，设想所述至少一个控制器可以从T1w图像分辨率或T2w图像分辨率中的一个选择所述第一图像信息，并从所述T1w图像分辨率或所述T2w图像分辨率中的另一个选择所述先前重建的图像信息。然而，T1w集合和T2w集合仅为一个范例。另外的实施例可以包括其他图像集，每个图像集包括至少两幅图像。例如在一些实施例中，集合可以包括扩散加权图像的集合、用于T1绘图或T2绘图的图像的集合、用于磁敏感加权成像的图像的集合等。在又其他的实施例中，可以使用共享相同视场(FOV)但具有不同对比度或其他图像参数(例如，分辨率)的图像集。因此，所述第一图像信息可以分别选自第一图像信息的第一数据集或第二图像信息的第二数据集中的一个，并且可以从所述第一数据集或所述第二数据集中的另一个选择所述先前重建的图像信息，其中，所述第一图像信息和所述第二图像信息具有相同视场(FOV)。然而，所述第一图像信息和所述第二图像信息可以利用不同的图像参数(例如，对比度、分辨率等)进行对应。

此外，所述第一图像信息可以包括部分采集的数据集。也设想，所述MR成像系统可以包括显示器，其中，所述至少一个控制器可以在所述显示器上绘制以所述选定的对比度所重建的第一图像信息和具有不同于所述选定的对比度的对比度的所述先前重建的图像信息中的至少一个。

根据本系统的又其他的实施例，公开了一种根据由MR成像系统获得的磁共振(MR)图像信息重建图像的方法，所述方法可以由所述MR成像系统的至少一个控制器执行并且可以包括以下中的一个或多个动作：采集感兴趣区域(ROI)的回波信息，所述回波信息适合于以选定的对比度重建第一图像的至少部分；获得具有不同于所述选定的对比度的对比度的一幅或多幅先前重建的图像的先前重建的图像信息；从所述先前重建的图像信息提取信息；基于所提取的信息来确定空间自适应正则化权重；以及根据所述空间自适应正则化权重和所述回波信息来重建所述第一图像信息。

也设想重建所述第一图像信息的所述动作可以根据正则化的重建方法来执行。另外，从所述先前重建的图像信息提取信息的所述动作还可以包括从所述先前重建的图像信息提取结构信息和噪声信息中的至少一个的动作。此外，所述方法还可以包括以下中的一个或多个动作：从T1w图像分辨率或T2w图像分辨率中的一个选择所述第一图像信息；以及从所述T1w图像分辨率或所述T2w图像分辨率中的另一个选择所述先前重建的图像。根据所述方法的实施例，所述第一图像信息可以包括部分采集的数据集，所述部分采集的数据集可能不足以重建具有足够的细节或其他特性的图像。所述方法还可以包括在显示器上绘制以所述选定的对比度所重建的第一图像信息和具有不同于所述选定的对比度的对比度的所述先前重建的图像信息中的至少一个的动作。

根据本系统的又另外的实施例，公开了一种被存储在计算机可读存储介质上的计算机程序，所述计算机程序可以被配置为根据磁共振(MR)图像信息来重建图像，所述计算机程序可以包括程序部分，所述程序部分被配置为：采集感兴趣区域(ROI)的回波信息，所述回波信息适合于以选定的对比度重建第一图像的至少部分；获得具有不同于所述选定的对比度的对比度的一幅或多幅先前重建的图像的先前重建的图像信息；从所述先前重建的图像信息提取信息；确定用于正则化的重建并且基于所提取的图像信息的空间自适应正则化权重；和/或根据所述空间自适应正则化权重和所述回波信息来重建所述第一图像信息。

也设想，所述程序部分还可以被配置为根据正则化的重建方法来重建所述第一图像信息。此外，设想为了从所述先前重建的图像信息提取信息，所述程序部分还可以被配置为从所述先前重建的图像信息提取结构信息和噪声信息中的至少一个。另外，所述程序部分还可以被配置为从T1w图像分辨率或T2w图像分辨率中的一个选择所述第一图像信息，并从所述T1w图像分辨率或所述T2w图像分辨率中的另一个选择所述先前重建的图像。此外，当采集ROI的所述回波信息时，所述部分还可以被配置为仅采集部分数据集。也设想，所述程序部分还可以被配置为在显示器上绘制以所述选定的对比度所重建的第一图像信息和具有不同于所述选定的对比度的对比度的所述先前重建的图像信息中的至少一个。

附图说明

参考附图并通过范例的方式来更加详细地解释本发明，在附图中：

图1A为图示在根据本系统的一个实施例的成像系统上执行的处理的流程图；

图1B为图示在根据本系统的实施例的特定范例的成像系统上执行的处理的流程图；

图2示出了根据本系统的实施例的小波四叉树的图；

图3示出了图示根据本系统的实施例的用于确定显著性的HMT模型的图；

图4示出了根据本系统的实施例形成的示范性图像；并且

图5示出了根据本系统的实施例的系统的部分(例如，同位体(peer)、服务器等)；

图6-图7示出了图示根据本系统的实施例的数据集对刚性扫描间运动的灵敏度的比较的一系列图像的图；

图8示出了图示根据本系统的实施例的数据集对非刚性扫描间运动的灵敏度的比较的一系列图像的图；并且

图9示出了图示对通过常规系统获得的图像与根据本系统的实施例获得的图像的比较的一系列图像的图，根据本系统的实施例获得的图像归因于共享信息在正则化参数中的使用而对扫描间运动较不敏感并且因此提供优异的图像。

具体实施方式

以下是对说明性实施例的描述，这些实施例当与附图结合时将展示以上指出的特征和优点，以及另外的一些特征和优点。在以下描述中，出于解释而非限制的目的，阐述说明性的细节，例如，架构、接口、技术、元件属性等。然而，对于本领域普通技术人员将明显的是，偏离这些细节的其他实施例仍将被理解为在权利要求的范围内。此外，出于清楚的目的，省略对公知的设备、电路、工具、技术以及方法的详细描述，以便不掩盖对本系统的描述。应当明确理解，附图出于说明性的目的被包括在本系统的完整范围中并且不表示本系统的完整范围。在附图中，不同附图中的相同的附图标记可以指代相似的元件。

图1A为图示由根据本系统的实施例的成像系统执行的处理100的流程图。处理100可以使用在网络上通信的一个或多个计算机来执行，并且可以从在本地和/或彼此远离的一个或多个存储器获得信息，和/或将信息存储到在本地和/或彼此远离的一个或多个存储器。处理100能够包括以下动作中的一个或多个。另外，如果期望的话，这些动作中的一个或多个可以被组合和/或被分成子动作。另外，可以取决于设定而跳过这些动作中的一个或多个。图像信息可以包括例如k空间图像信息。在操作中，该处理可以在动作101期间开始并然后继续进行到动作103。

在动作103期间，该处理可以采集第一图像信息，例如，T1w图像扫描(R＝1～2)，所述第一图像信息可以用于以第一对比度(例如，选定的对比度)至少部分地重建一幅或多幅图像，例如，T2w图像。可以例如使用任意一种或多种合适的医学成像方法(例如，MR成像方法)来实时地采集第一图像信息。因此，图像信息可以包括使用MR成像方法对感兴趣区域(ROI)获得的回波信息。第一图像信息可以被称作部分或完全采集的数据。在完成了动作103之后，该处理可以继续到动作105。

在动作105期间，该处理可以采集具有不同于第一对比度的对比度的一幅或多幅图像的至少一个先前重建的图像数据集。所述至少一个先前重建的图像数据集可以被称作第二图像数据集，并且在本示范性实施例中，可以具有不同于第一图像信息的对比度的对比度(例如，T1w)。因此，该处理可以确定第一图像信息的对比度设定(例如，T2w)并随后确定针对第二图像数据集的对比度(例如，T1w)，所述针对第二图像数据集的对比度不同于对第一图像信息的所确定的对比度。共享相同的或基本上相似的视场(FOV)的对应图像数据集能够使用该方案。对第一对比度和第二对比度的选择能够基于，但不限于，采集的速度、分辨率水平以及成像要求。

在一些实施例中，设想第二图像数据集可以具有或不具有与当前数据集相同的分辨率。另外，因刚性/非刚性运动造成的小的错误配准可以是可接受的。在实验上，基于所重建的第二图像的误差水平，本系统的实施例已经被确定为容许直到9mm的平移和20°的旋转的平面内扫描间运动。然而，也设想其他的扫描间运动和平移值。因此，第二图像数据集的ROI可以略不同于第一图像信息的ROI。然而，第二图像数据集的FOV应当基本上相似于第一图像信息的FOV。第二图像数据集可以从任意合适的源获得，例如，从图像采集设备(例如，MR成像系统)获得和/或从系统的存储器获得。在本实施例中，将假定第二图像信息可以包括第二(例如，不同)对比度类型的至少一个先前重建或采集的图像数据集，而不是包括诸如图4的图像(a)中所示的T1w图像的第一图像信息的对比度的至少一个先前重建或采集的图像数据集，所述图4的图像(a)中所示的T1w图像示出根据本系统的实施例形成的示范性图像。然而，在又其他的实施例中，设想第二/先前图像数据集可以具有与第一/当前图像数据集相同的对比度。在完成了动作105之后，该处理可以继续到动作107。

在动作107期间，该处理可以从第二图像数据集提取结构信息。因此，该处理可以使用任意合适的方式来进行该动作，并且可以在任意合适的域中操作，例如，经变换的小波域、图像域等。例如，在本实施例中，将描述小波域模型。因此，该处理可以采用具有尺度依赖性参数的隐马尔可夫树(HMT)模型(例如，参见R7-R8)，以使用第二图像信息的T1w图像在统计学上捕获小波域中的结构。

简单而言，MRI图像具有稀疏的小波展开和显著的小波系数，并且呈现能够使用小波四叉树来进行建模的性质。这些性质为(a)持续性性质：显著性在尺度上持续；(b)尺度依赖性：尺度越精细持续性变得越强；以及(c)衰减幅值：尺度越精细幅值以指数方式下降。因此，在HMT模型中，HMT模型参数可以在小波域中捕获这些性质。从母状态到子状态的变换可以捕获显著性的持续性；变换速率为尺度依赖性的；并且显著小波分量的值水平从较粗糙尺度到较精细尺度进行衰减。根据本系统的实施例，这些参数可以基于包括，但不限于，来自所重建的图像的小波分量信息的信息来估计。应当指出，小波域结构不能仅由值来定义，这是由于小波域结构服从混合分布并且取阈不能够区分噪声与小却重要的信号。因此，要求并且可以由本系统的实施例采用如下文所描述的统计学方法和模型。

图1B为图示由根据本系统的实施例的成像系统执行的处理100B的流程图。处理100B可以使用在网络上通信的一个或多个计算机来执行并且可以从可以在本地和/或彼此远离的一个或多个存储器获得信息，和/或将信息存储到可以在本地和/或彼此远离的一个或多个存储器。处理100B能够包括以下动作中的一个或多个。另外，如果期望的话，这些动作中的一个或多个可以被组合和/或被分成子动作。另外，可以取决于设定而跳过这些动作中的一个或多个。图像信息可以包括例如k空间图像信息。在操作中，该处理可以在动作150期间开始并然后继续进行到动作151。

在动作151期间，该处理可以执行预扫描，以用于针对第一图像信息(例如，当前图像信息)的初始灵敏度地图。在完成了动作151之后，该处理可以继续到动作153。

在动作153期间，该处理可以执行诸如T1w图像扫描(R＝1～2)的扫描，以获得第一图像信息的T1w图像信息。在完成了动作153之后，该处理可以继续到动作155和/或动作163。

在动作155期间，该处理可以获得与第一图像信息对应的下采样的T1w数据。在完成了动作155之后，该处理可以继续到动作157。

在动作157期间，该处理可以使用根据本系统的实施例的成像方法(例如，GRAPPA/SENSE方法)对下采样的T1w数据执行PPI重建，以获得与第一图像信息对应的T1w图像数据152。在完成了动作157之后，该处理可以继续到动作161和/或动作173。

在动作173期间，该处理可以执行信息提取方法，以从重建的图像(例如，T1w图像和T2w图像)获得诸如结构、灵敏度等的信息。

在动作161期间，该处理可以执行有效轨迹优化技术。在完成了动作161之后，该处理可以继续到动作163。

在动作163期间，该处理可以执行诸如T2w图像扫描(R＝4～6)的扫描，以获得第二图像信息的T2w图像信息。在完成了动作163之后，该处理可以继续到动作165和/或动作175。

在动作175期间，该处理可以执行PDW图像扫描(R＝4～6)。

在动作165期间，该处理可以获得与第一图像信息对应的下采样的T2w数据。在完成了动作165之后，该处理可以继续到动作167。

在动作167期间，该处理可以使用根据本系统的实施例的成像方法，例如，快速PPI成像方法(例如，使用GRAPPA/GROWL)SENSE方法)，对下采样的T2w数据执行部分图像重建。在完成了动作167之后，该处理可以继续到动作169。

在动作169期间，该处理可以根据本系统的实施例的成像方法，例如，CSPPI成像方法，使用在动作167期间获得的下采样的图像信息和在动作173期间获得的所提取的信息来执行图像重建，以获得T2w图像信息172。在完成了动作169之后，如果期望的话，该处理可以重复动作151。

图2示出了根据本系统的实施例的小波四叉树的图(WQT也被称为限定的显著小波树(QSWT)；并且图3示出了图示根据本系统的实施例的用于确定(例如，小波系数的)显著性的HMT模型的图。参考图2，在WQT中，每个(小波)系数可以被连接到四个子(小波)系数。现在，参考图3，示出了母(小波)分量的子(小波)分量中的一个和母(小波)分量的两个隐状态“显著”或“可忽略”(例如，“非显著”)。这些(小波)分量的状态之间的转换可以通过HMT来进行建模。

HMT可以由本系统的实施例用于将每个小波系数的概率密度函数建模为具有隐二元态的高斯混合密度，所述隐二元态在本实施例中指示系数是“显著”还是“可忽略”(例如，“非显著”)。2D小波四叉树的性质可以由隐马尔可夫四叉树模型捕获，在所述隐马尔可夫四叉树模型中，状态之间的高斯混合分布和转换矩阵(例如，参见以下等式5和等式6)为小波树四叉树中的若干参数的函数。小波系数的“显著性”示出结构。具有高显著性的位置(例如，“显著”位置)捕获边界。具有低显著性的位置(例如，“可忽略”位置)倾向于捕获分段常数区域。因此，该处理可以分析小波四叉树以确定位置是“显著”还是不“显著”(例如，“可忽略”)。本系统的实施例连带地估计HMT参数和每个(小波)分量的隐状态。基于在小波域中测量的信息，该实施例迭代地估计HMT的参数，以捕获变换域的性质并估计最佳地拟合这些性质的每个分量的隐状态。如果确定位置为“显著”，则该处理可以确定该位置为边界位置。然而，如果确定位置捕获不“显著”(例如，其为“可忽略”或不显著)，则该处理可以确定位置捕获分段常数区域(例如，其不是边界位置)。

$>\left(\begin{array}{c}f\left({\theta }_n|S_n=S\right)=N\left(0,{{\sigma }_{S,n}}^2\right)=N\left(0,C_{{\sigma }_S}{4}^{-{\mathrm{j\alpha }}_S}\right)\\ f\left({\theta }_n|S_n=N\right)=N\left(0,{{\sigma }_{N,n}}^2\right)=N\left(0,C_{{\sigma }_N}{4}^{-{\mathrm{j\alpha }}_N}\right)\end{array}\right)$>等式(5)

$>A_n=\left(\begin{array}{cc}{p_n}^{S\to S}& {p_n}^{S\to N}\\ {p_n}^{N\to S}& {p_n}^{N\to N}\end{array}\right)=\left(\begin{array}{cc}\frac{1}{4}+C_{AS}{4}^{-{\mathrm{j\gamma }}_S}& \frac{3}{4}-C_{AS}{4}^{-{\mathrm{j\gamma }}_S}\\ C_{AN}{4}^{-{\mathrm{j\gamma }}_N}& 1-C_{AN}{4}^{-{\mathrm{j\gamma }}_N}\end{array}\right)$>等式(6)

等式5展示了小波分量θ_n在给定某个隐状态(S_n＝S或S_n＝N)时的值的混合高斯分布f(θ_n)。该分布为具有零均值但针对不同状态具有不同方差(针对“显著”为σ_S,n²并且针对“非显著”为σ_N,n²)的高斯分布N(0,σ²)。方差与尺度j以及针对两个状态的参数(α_S、α_N)有关。

等式6展示了在从母(小波)分量到两状态子(小波分量)的两种状态之间的转换矩阵A_n。存在四种类型的转换关系：p_n^{S或N→S或N}。转换速率取决于尺度参数j以及针对两种状态的参数(γ_S、γ_N)。

显著性是基于针对每个(小波)分量的两种状态所估计的概率p_n^S或N来确定的。

尽管HMT模型在以上用于提取结构信息，但是也设想其他方法可以代替地用于提取结构信息，例如，梯度或局部互信息方法(例如，参见R1、R5、R6和R9)。以上示出和描述的HMT模型仅为使用小波域模型的范例。然而，可以使用其他统计学方法。例如，根据一些实施例，统计学方法可以用于利用小波域中的支持约束在不同对比度的图像中进行正则化。例如，在一些实施例中，不是在小波域中提取信息(例如，使用HMT模型)，而是该处理可以在图像空间域中和/或在诸如总方差变换域的变换域中提取信息(例如，参见R9)。

根据本系统的实施例，可以使用对“显著性”的所估计的概率来确定针对每个(小波)分量的正则化权重。如等式7中所示(其与等式4相同并且为了方便在下文进行重现)，权重W与概率p_n的q阶成反比。δ可以用于预防溢出。

$>\left(\begin{array}{c}{W}_n={(p_n+\delta )}^{-q},1\le W_n\le {\delta }^{-q}\\ W_i={(p_i+\delta )}^{-q},1\le W_i\le {\delta }^{-q}\end{array}\right)$>等式(7)

返回图1A，在完成了动作107之后，该处理可以继续到动作109，在动作109期间，该处理可以使用任意合适的重建方法来将结构信息从小波域变换到图像空间。

例如，如果正则化权重是在小波域中提取的(如在本实施例中)，则在图像空间域中的正则化方法可以用于执行重建。因此，先前(例如，在动作107期间)在小波域中获得的结构信息能够通过使用小波系数和逆小波变换而被变换到图像空间域。线性或非线性调控函数可以应用于将值从统计学权重(例如，从0到1)变换到期望的调控权重。在完成了动作109之后，该处理可以继续到动作111。

在动作111期间，该处理可以从第二图像数据集提取噪声分布信息。该噪声分布信息可以被实施为噪声分布地图。因此，该处理可以计算针对第二图像数据集的噪声分布地图，以通过统计或通过分析来计算针对第二图像数据集的噪声分布信息地图。为了这么做，该处理可以应用与应用于第一图像的相同的采样模式和平行图像方法。换言之，给定针对要被重建的图像(例如，第一图像)——其在本实施例中为T2w图像——的采样模式和平行成像方法，相同的采样模式和平行成像方法可以应用于先前重建的图像(例如，第二图像的第二图像数据集)，以通过统计(例如，R10)或通过分析(例如，R11)来计算噪声分布地图。在完成了动作111之后，该处理可以继续到动作113。

在动作113期间，该处理可以通过将所提取的图像和噪声分布信息应用于第一图像信息来重建第一图像信息。因此，该处理可以利用结构和噪声分布信息来生成空间自适应正则化权重，并然后使用这些空间自适应正则化权重来重建第一图像(参见图4)。

现在将讨论用于利用结构信息和噪声分布信息来生成空间自适应正则化权重的方法。假定“S”表示在图像空间中计算的“显著性”，则S的较大的值指示边界存在的高概率；并且“N”表示噪声分布地图，N的较大的值指示在重建之后较高的噪声水平。然后空间自适应正则化权重可以被定义为如等式8中所示：

λN/S等式(8)

其中，λ为尺度参数，S可以基于权重W，并且N为使用对噪声分布地图的先前模拟而计算的噪声。

然后，该处理可以根据这些空间自适应正则化权重和回波信息来执行对第一图像信息的重建。因此，空间自适应正则化权重可以应用(例如，使用逐点相乘方法)于重建模型中的正则化项以重建第一信息。正则化项能够在图像空间或其他经变换的数学域中。该处理可以采用任意合适的重建算法/技术，例如，L1迭代自洽平行成像重建(L1-SPIRiT)和广义的自动校准部分平行采集(GRAPPA)初始化，作为重建技术。在完成了动作113之后，该处理可以继续到动作115。

在动作115期间，该处理可以在例如系统的显示器上绘制所重建的第一图像信息，使得用户可以观看所重建的第一图像。该处理还可以提供用户接口(UI)，用户可以与所述用户接口交互以改变观看参数等，输入信息(例如，备注、命令等)。该处理可以实时处理用户的输入，并实时绘制对应的结果。在完成了动作115之后，该处理可以继续到动作117。如果确定数据集具有多于2幅图像，则该处理可以应用所提取的信息以重建后续图像。同样，能够通过在对第二图像的重建之后使用第一图像和第二图像两者来进一步增强可共享信息的准确度。所增强的信息能够用于对第三图像以及任意其他后续图像的重建。

在动作117期间，该处理可以采集更多图像，并根据本处理的图像信息(例如，第一图像、第二图像等)、结果等来更新系统的存储器中存储的历史信息。例如，该处理可以将其使用和/或生成的信息(例如，确定的结果、MR图像信息、设定、参数等)存储在系统的存储器中以供以后使用、分析和/或其他处理。可以将该信息与对应患者的姓名、用户的姓名(例如，诸如放射科医师的专业人员)、ROI等相关联地存储。另外，在一些实施例中，该处理可以存储通过该处理确定和/或计算的信息，例如，各种提取的图像信息、经变换的图像信息等，以供以后使用。因此，例如，该处理可以将所重建的第一图像存储在系统的存储器中以供以后使用。在完成了动作117之后，该处理可以继续到动作119，其在这里结束。

实验结果：

本系统的实施例用于使用用于图像提取(例如，获得结构信息和噪声分布信息)的重建的T1w图像来重建T2w图像。L1-SPIRiT和GRAPPA初始化被用作重建技术。返回参考图4，图(A)示出了用于信息提取的T1w图像；图(B)示出了在小波域中提取的结构信息；图(C)和(D)每个示出了在图像域中沿着x维度和y维度提取的结构信息；图(E)示出了在正则化项中使用所提取的信息以5倍加速对T2w图像的重建。具有GRAPPA初始化的L1-SPIRiT被用作重建方案；并且图(F)示出了根据本系统的实施例的重建的图像(例如，T2w图像)。

因此，本系统的实施例起作用为从针对具有与要被重建的图像不同的(一个或多个)对比度的图像的、先前重建/采集的数据集中的至少一个集合中提取可以包括结构信息和噪声分布信息的图像信息。另外，本系统的实施例可以根据所提取的信息来定义空间自适应正则化权重。

该处理的实施例可以从针对具有(例如，与要被重建的图像)不同的(一个或多个)对比度的图像的、先前重建/采集的数据集中的至少一个集合中明确地提取结构和噪声分布(在后文中将它们中的每个共同称作提取的信息)。所提取的信息能够是在图像空间中，或在(一个或多个)某种其他变换域中，例如，小波域中的系数。另外，先前重建的图像不是必须具有与要被重建的图像相同的分辨率或不是必须被定位在与要被重建的图像精确相同的位置。

所提取的信息(例如，包括所提取的结构信息和噪声分布信息)可以由本系统的实施例用于定义用于正则化的重建的空间自适应正则化权重。正则化的重建方法可以包括一个或多个成像方法，例如，正则化的平行成像方法、压缩感测方法，和/或其他类型的成像方法。另外，正则化的重建方法可以包括例如(例如，在图像空间中的)图像空间方法或(例如，在k空间中的)k空间方法。结构信息和噪声分布信息可以联合地或独立地被本系统用于重建要被重建的图像。此外，信息提取和应用能够在具有不同对比度的图像间迭代。

图5示出了根据本系统的实施例的系统500的部分(例如，同位体、服务器等)。例如，本系统的部分可以包括处理器510(例如，控制器)，所述处理器510被操作性地耦合到存储器520、显示器530、RF换能器560、磁性线圈590以及用户输入设备570。存储器520可以为用于存储应用数据以及与所描述的操作有关的其他数据的任意类型的设备。应用数据和其他数据被处理器510接收以用于将处理器510配置(例如，编程)为根据本系统执行操作动作。被如此配置的处理器510变成尤其适合于根据本系统的实施例执行的专用机器。

操作动作可以包括通过例如控制任选的支持致动器、磁性线圈590和/或RF换能器560来配置MRI系统。如果期望的话，支持致动器可以控制测试对象的物理位置(例如，在x、y和z轴上)。磁性线圈590可以包括主磁性线圈，以及梯度线圈(例如，x、y和z梯度线圈)，并且可以被控制为在期望方向上和/或以期望强度发出主磁场和/或梯度场。控制器可以控制一个或多个电源向磁性线圈590供电，使得在期望的时间处发出期望的磁场。RF换能器560可以被控制为在测试对象处发射RF脉冲和/或从测试对象接收回波信息。重建器可以处理接收到的信号，例如，回波信息，并(例如，使用本系统的实施例的一个或多个重建技术)将接收到的信号变换成这样的内容：所述内容可以包括图像信息(例如，静止图像或视频图像(例如，视频信息))、数据和/或能够在例如本系统的用户接口(UI)上(例如，在显示器530、扬声器等上)绘制的图。另外，该内容可以然后被存储在系统的存储器(例如，存储器520)中，以供以后使用。因此，操作动作可以包括对诸如从回波信息获得的重建的图像信息的内容的请求、提供和/或绘制。处理器510可以在系统的UI(例如，系统的显示器)上绘制诸如视频信息的内容。

用户输入部570可以包括键盘、鼠标、跟踪球，或其他设备，例如，触敏显示器，其可以为独立的或为系统的部分，例如，个人计算机的、个人数字助理(PDA)的、移动电话(例如，智能手机)的、监视器的、智能设备或哑终端设备或用于经由任意可操作链路与处理器510通信的其他设备的部分。用户输入设备570能用于与处理器510交互，包括如在本文中所描述的使得能够在UI内的交互。清楚地，处理器510、存储器520、显示器530和/或用户输入设备570可以全部或部分地为计算机系统的部分或诸如客户端和/或服务器的其他设备的部分。

本系统的方法尤其适合于由计算机软件程序来执行，这样的程序包含对应于由本系统描述和/或设想的个体步骤或动作中的一个或多个的模块。这样的程序当然可以被实施在计算机可读介质中，例如，集成芯片、外围设备或存储器，例如，存储器520或被耦合到处理器510的其他存储器。

存储器520中包含的程序和/或程序部分可以将处理器510配置为实施在本文中公开的方法、操作动作和功能。存储器可以例如被分布在客户端和/或服务器之间，或为本地的，并且处理器510——其中可以提供额外的处理器——也可以为分布式的或可以为单个的。存储器可以被实施为电子、磁性或光学存储器，或这些的任意组合或其他类型的存储设备。此外，术语“存储器”应当被宽泛地解释为足以涵盖能够从可由处理器510访问的可寻址空间被读取或被写入可由处理器510访问的可寻址空间的任意信息。利用该定义，可通过网络访问的信息仍在存储器内，例如，这是因为处理器510可以从网络检索该信息，以用于根据本系统的操作。

处理器510能用于提供控制信号和/或响应于来自用户输入设备570的输入信号以及响应于网络的其他设备而执行操作，并运行存储器520中存储的指令。处理器510包括以下中的一个或多个：微处理器、(一个或多个)专用或通用集成电路、逻辑设备等。另外，处理器510可以为用于根据本系统执行的专用处理器，或者可以为通用处理器，其中，许多功能中仅一个操作用于根据本系统执行。处理器510可以利用程序部分、多个程序片段进行操作，或者可以为利用专用或多功能集成电路的硬件设备。

图6示出了图示根据本系统的实施例的数据集对刚性扫描间运动的灵敏度的比较的一系列图像的图600。示出了L1SPIRiT、相关成像以及根据基于图1B的本系统的实施例的成像对刚性扫描间运动(例如，数据集1的模拟的平面内运动)的灵敏度的比较。在图像A和图像B中分别示出了T1w图像和对应的平移的T2w图像。T2w图像根据本系统的实施例被人工向右平移2像素并且向下平移2像素并且逆时针旋转5度。在图像C和图像D中分别示出了具有为4的缩减因子的L1-SPIRiT重建的图像和对应的误差地图。图像E和图像F图示了相关成像。图像G和图像H图示了根据基于图1B的本系统的实施例的成像。图像D、图像F和图像H为分别对应于图像C、图像E和图像G的误差地图，并且被加亮5倍。额外地，图像D、图像F和图像H包括基于参考T2w图像在图像感兴趣区域(ROI)中的均方根误差(RMSE)。

图7示出了图示根据本系统的实施例的数据集对刚性扫描间运动的灵敏度的比较的一系列图像的图700。图700图示了L1SPIRiT、相关成像以及根据基于图1B的本系统的实施例的成像对刚性扫描间运动(第二数据集中的实际平面内和平面外运动)的灵敏度的比较。图像A和图像B分别图示了T1w图像和T2w图像。图像C和图像D分别示出了具有为4的缩减因子的重建的图像和误差地图以及对应的5倍加亮的误差地图(L1SPRIiT)。图像E和图像F图示了相关成像。图像G和图像H图示了使用基于图1B的本系统的实施例而结果得到的图像。能够看出，常规的相关成像方法不容易解决因扫描间运动造成的混叠。基于参考T2w图像在ROI中的RMSE被标记在每个对应的误差地图(例如，图像D、图像F和图像H)的右下处。

图8示出了图示根据本系统的实施例的数据集对非刚性扫描间运动(在颈动脉数据集中的实际平面内和平面外运动)的灵敏度的比较的一系列图像的图800。具体地，图800以为4的净缩减因子图示了现有算法(L1SPIRiT、相关成像)与根据基于图1B的本系统的实施例的成像用于模拟的T2w脑图像的重建的比较。图像A和图像B分别图示了具有扫描间运动的T1w图像和T2w图像。图像C和图像D分别示出了具有为4的缩减因子的重建的图像和对应的5倍加亮的误差地图(L1SPRIiT)。图像E和图像F图示了相关成像。图像G和图像H图示了使用基于图1B的本系统的实施例的图像。基于参考T2w图像在ROI中的RMSE被标记在每个对应的误差地图(例如，图像D、图像F和图像H)的右下处。

图9示出了图示根据本系统的实施例的数据集对刚性扫描间运动的灵敏度的比较的一系列图像的图900。图900以为5的净缩减因子图示了现有算法(L1SPIRiT、相关成像以及基于贝叶斯的联合CS)与本系统的实施例用于模拟的T2w脑图像的重建的比较。图像A示出了利用完整k空间重建的图像；图像B示出了使用L1SPIRiT(1D随机下采样)方法重建的图像；图像E示出了使用相关成像方法重建的图像；图像G示出了根据R1使用基于贝叶斯的方法重建的图像；并且图像I示出了根据本系统的实施例重建的图像。图像A中的正方块为用于放大的ROI。在图像B中示出了针对根据基于图1B的本系统的实施例的图像的优化的采样轨迹。图像D、图像F和图像H分别为针对图像C、图像E和图像G的误差地图。该误差地图被加亮5倍。

从这些图像能够看出，使用本系统的实施例所获得的图像由于对共享信息在正则化参数中的使用而与常规图像相比对扫描间运动较不敏感。能够看出，本系统的实施例具有比常规方法更好的图像质量(参见本实施例和R1)。

本系统的实施例可以提供用于采集和重建图像的快速成像方法。合适的应用可以包括诸如磁共振成像(MRI)系统等的成像系统，所述成像系统要求：短的采集时间、给定时间内的高分辨率，和/或减少的运动伪影。

另外，本系统的实施例提供了一种空间自适应正则化系统，所述空间自适应正则化系统使用来自具有不同对比度的图像的结构信息和噪声分布信息，以用于对正则化的平行成像的改进以及提供重建的图像。

因此，具有不同对比度但在相同位置处采集的图像共享显著量的解剖结构信息和磁性信息。因此，本系统的实施例可以通过有效地同时使用可共享的解剖结构信息和磁性信息来以高的加速因子平衡在正则化的平行成像中的噪声和伪影水平。

例如，可以从具有与要被重建的图像不同的对比度的至少一个先前重建/采集的图像(数据集)提取边界和噪声分布信息。例如，在一些实施例中，通过隐马尔可夫树模型获得的统计小波结构可以用于提取结构信息。使用先前重建/采集的数据集的没有正则化的重建可以用于提取噪声分布信息。然后可以针对正则化的平行成像利用所提取的信息定义(一个或多个)空间自适应正则化权重，以用于对具有与先前重建/采集的图像不同对比度的其他对比度的图像的重建。

本领域普通技术人员将容易地想到本系统的另外的变型，并且这些变型也被权利要求涵盖。通过本系统的操作，为用户提供了虚拟环境征集以使得能够到虚拟环境及其目标中的简单浸入。

最后，以上讨论仅仅想要说明本系统，并且不应当被解释为将权利要求限制到任意特定实施例或实施例的组。因此，尽管已经参考示范性实施例描述了本系统，但是也应当认识到，本领域普通技术人员可以设计诸多修改和备选实施例而不偏离如在所遵从的权利要求中阐述的本系统的较宽泛且想要的精神和范围。另外，在本文中包括的段落标题想要有助于审阅但不想要限制本系统的范围。因此，要以说明性的方式来看说明书和附图并且不想要限制权利要求的范围。

在本文中包括的段落标题想要有助于审阅但不想要限制本系统的范围。因此，要以说明性的方式来看说明书和附图并且不想要限制权利要求的范围。

在解读权利要求时，应当理解：

a)词语“包括”不排除在给定的权利要求中列出的元件或动作之外的其他元件或动作；

b)元件前的词语“一”或“一个”不排除存在多个这样的元件；

c)权利要求中的任何附图标记不限制其范围；

d)若干“单元”可以由相同的项目或硬件或实施结构或功能的软件来表示；

e)公开的元件中的任何可以包括硬件部分(例如，包括离散的电子电路和集成电子电路)、软件部分(例如，计算机编程)和其任意组合；

f)硬件部分可以包括模拟部分和数字部分中的一种或两种；

g)公开的设备或其部分中的任何可以被组合在一起或被分离成其他部分，除非另有明确说明；

h)除非明确指示，否则并不想要要求动作的特定顺序；并且

i)术语“多个”元件包括权利要求的元件中的两个或更多个，并且不隐含元件数目的任何具体范围；即，多个元件可以仅是两个元件，并且可以包括元件的无限数目。

参考文献

以下列出的参考文献1-12通过引用被并入本文并且在本说明书通篇分别使用参考标记R1至R12来引用。例如，R1可以引用第一参考文献(例如，Bilgic,B的)。

1、BilgicB、GoyalVK、AdalsteinssonE.的标题为“Multi-ContrastReconstructionwithBayesianCompressedSensing”(MagnResonMed2011，第66卷，第6期，第1601-1615页)。

2、LiY、DumoulinC.的标题为“CorrelationImagingforMultiscanMRIwithParallelDataAcquisition”(MagnResonMed2012，可在http：//onlinelibrary.wiley.com/doi/10.1002/mrm.24206/pdf获得)。

3、HuangF、LinW、HarderCd、BeckG、BossC、DuensingGR、ReykowskiA.的标题为“MRIUsingSharableInformationAmongImagesWithDifferentContrasts:MotionCompensation”(2012年，澳大利亚墨尔本，第3435页)。

4、HuangF、ChenY、YinW、LinW、YeX、GuoW、ReykowskiA.的标题为“ARapidandRobustMethodforSensitivityEncodingwithSparsityConstraints:Self-feedingSparseSENSE”(MagnResonMed2010，第64卷，第4期，第1078-1088页)。

5、GuoW、HuangF.的标题为“LocalMutualInformationGuidedDenoisingforSelf-CalibratedPPI”(2008年，多伦多，第1289页)。

6、AkcakayaM、BashaTA、ChanRH、RayatzadehH、KissingerKV、GodduB、GoepfertLA、ManningWJ、NezafatR.的标题为“AcceleratedContrast-EnhancedWhole-HeartCoronaryMRIUsingLow-Dimensional-StructureSelf-LearningandThresholding”(MagnResonMed2012，第7卷，第5期，第1434-1443页)。

7、CrouseM、NowakR、BaraniukR.的标题为“Wavelet-BasedStatisticalSignalProcessingUsingHiddenMarkovModels.IEEETransSignalProcessing”(1998年，第46卷，第4期，第886-902页)。

8、DuarteM、WakinM、BaraniukR.的标题为“Wavelet-DomainCompressiveSignalReconstructionUsingaHiddenMarkovTreeModel”(IEEEICAASP，2008年，第5137-5140页)。

9、GuoW、HuangF.的标题为“AdaptiveTotalVariationBasedFilteringforMRIImageswithSpatiallyInhomogeneousNoiseandArtifacts”(2009年，美国波士顿，第101-104页)。

10、RobsonPM、GrantAK、MadhuranthakamAJ、LattanziR、SodicksonDK、McKenzieCA.的标题为“ComprehensiveQuantificationofSignal-to-NoiseRatioandg-FactorforImage-Basedandk-space-BasedParallelImagingReconstructions”(MagnResonMed2008，第60卷，第895-907页)。

11、PruessmannKP、WeigerM、ScheideggerMB、BoesigerP.的标题为“SENSE:SensitivityencodingforfastMRI”(MagnResonMed1999，第42卷，第952-962页)。

12、Doneva、MariyaIvanova等人于2012年2月28日提交的WO2012/127341A1，国际申请号为PCT/IB2012/050930，标题为“CompressedSensingMRImageReconstructionUsingConstraintfromPriorAcquisition”。