专利名称：使用欠采样线圈数据来估计线圈灵敏度的并行磁共振成像的制作方法
技术领域：
本发明涉及磁共振成像，尤其涉及使用并行成像方法来采集磁共振图像。
背景技术：
在磁共振成像中具有一系列的用于重建磁共振图像的图像重建技术或者方法，其被称为并行成像技术。其一例子是灵敏度编码或者SENSE重建技术。在SENSE中，通过利用关于多元件线圈阵列的各个天线元件的空间信息来简化常规的傅里叶编码。傅里叶编码的这一简化允许更加快速地采集磁共振图像所需的磁共振成像数据。为了执行高质量的SENSE重建，需要对接收线圈灵敏度的准确认识。通过低分辨率参考扫描来估计线圈灵敏度，其中以交错的方式来采集线圈阵列和体线圈的数据。可以 从高分辨率数据来获得更加精确的线圈灵敏度估计；然而，这需要额外的扫描时间，这对于扫描效率而言是不期望的，并且可能增大运动伪影的风险。期刊论文Lustig,Donoho 和Pauly,“Sparse MRI: The application ofCompressedSensing for Rapid MR Imaging” Magnetic Resonance in Medicine58:1182-1195 (2007)描述了用于磁共振成像的压缩感知背后的数学原理。具有稀疏表示的图像本质上可以从随机欠采样的k-空间数据中恢复。这一论文论证了这一技术可用于改善空间分辨率以及加速用于多切片快速自旋回波脑部成像和3D对比度增强血管造影的采集。
发明内容
本发明在独立权利要求中提供了计算机程序产品、计算机实现方法、以及磁共振成像系统。实施例在从属权利要求中给出。为了使用SENSE或者其他并行成像技术，必需要有对线圈阵列的各个天线元件的灵敏度的详细认识。假设线圈灵敏度图是空间中的平滑函数。低分辨率估计对于图的大部分而言可能是足够的。但是误差可能会出现在对象的边缘处并且在SENSE重建中引起伪影。这样的主要原因在于没有充分地捕获到线圈灵敏度中的高空间频率，尤其是在那些边缘处的。为了解决这一问题，本发明的一些实施例可借助于用部分采集数据来成像，例如压缩感测，来改善线圈灵敏度图的空间分辨率而不增加扫描时间。在并行磁共振成像(MRI)中，需要精确的线圈灵敏度估计来重建无混淆图像。通常，这些是基于完全采样、低分辨率的数据来计算的，该数据是单独地(参考预扫描，例如COCA扫描)或者与欠采样成像数据共同地(自动校准)被采集。可选地，可执行图像与线圈灵敏度的联合重建。现有的方法采用这样的先验假设线圈灵敏度是平滑函数以正则化非线性重建问题，例如通过使用灵敏度的多项式模型，如在JSENSE中，或者通过使用非线性反演算法来惩罚它们的Sobolev范数。在本文中使用的“计算机可读存储介质”是可存储指令的任何存储介质，该指令可被计算设备的处理器执行。该计算机可读存储介质可是计算机可读的永久存储介质。该计算机可读存储介质也可是有形的计算机可读介质。在一些实施例中，计算机可读存储介质也能够存储能够由计算设备的处理器访问的数据。计算机可读存储介质的例子包括但不限于，软盘、磁硬盘驱动器、固态硬盘、闪存、USB指状储存器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘，以及处理器的寄存器文件。光盘的例子包括高密度磁盘(⑶)和数字多用盘(DVD)，例如 CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-Rff,或者 DVD-R 盘。术语计算机可读存储介质也涉及能够被计算机设备经由网络或者通信链路访问的各种类型的记录介质。例如，可通过调制解调器、通过因特网，或者通过局域网来取回数据。在本文中使用的“计算机存储器”或者“存储器”是计算机可读存储介质的例子。计算机存储器是处理器可直接访问的任何存储器。计算机存储器的例子包括但不限于=RAM存储器、寄存器和寄存器文件。在本文中使用的“计算机存储设备”或者“存储设备”是计算机可读存储介质的例子。计算机存储设备是任何的非易失性计算机可读存储介质。计算机存储设备的例子包括但不限于硬盘驱动器、USB指状储存器、软盘、智能卡、DVDXD-R0M，以及固态硬盘。在一些实施例中，计算机存储设备也可能是计算机存储器，或者反之亦然。 在本文中使用的“处理器”是能够执行程序或者机器可执行指令的电子部件。对包括“处理器”的计算设备的提及应当被解释为可能包含多于一个的处理器。术语计算设备也应当被解释为可能涉及每个都包括处理器的计算设备的集合或者网络。很多程序使得它们的指令由可能在相同计算设备之内或者甚至可能跨过多个计算设备而分布的多个处理器来执行。在本文中定义的“磁共振成像数据”是在磁共振成像扫描期间通过磁共振设备的天线所记录的对由原子或者电子自旋所发射的射频信号的测量结果。在本文中定义的磁共振成像(MRI)图像是在磁共振成像数据之内包含的解剖学的、参数化或者功能性数据的重建二维或者三维可视化。可以使用计算机来执行这一可视化。在本发明的一个方面中提供一种计算机程序产品，其包含用于执行采集磁共振图像的方法的机器可执行指令。该计算机程序产品可被存储在计算机可读存储介质上。该方法包括使用线圈阵列来采集成像体积的线圈阵列数据的集合的步骤。在本文中使用的线圈阵列是多元件磁共振成像线圈。该线圈阵列可用作用于执行磁共振成像的发射和/或接收线圈。在本文中使用的线圈阵列数据是使用该线圈阵列来采集的磁共振成像数据。线圈阵列数据的每个部分是来自每个各自线圈阵列的磁共振成像数据。该线圈阵列数据的集合包括针对该线圈阵列的每个该天线元件所采集的线圈元件数据。在本文中使用的“线圈元件数据”包含通过天线元件采集的磁共振成像数据。该方法还包括用体线圈来采集该成像体积的体线圈数据的步骤。在本文中使用的“体线圈”包含对大型区域成像的磁共振成像线圈。在本文中使用的“线圈阵列”包含包括多个天线元件的磁共振成像线圈。在一些实施例中，该体线圈可包括共同使用的多个天线元件。在这一情况下，可组合来自该多个天线元件的数据以形成单一的虚拟线圈。体线圈可用作参照以计算线圈灵敏度，也即相对于该体线圈来计算该线圈阵列的线圈灵敏度，假设该体线圈的灵敏度在整个视场上是均匀的。可以替代地使用在整个期望视场上具有均匀线圈灵敏度的任意其他线圈，包括如以上描述的虚拟线圈。在k-空间中子采样(sub-sample)该体线圈数据和/或该阵列线圈数据。这是有利的，因为可能通过使用关键元件或者k-空间中的更小子集来精确成像或者采集代表该成像体积的磁共振成像数据。在本文中使用的“子采样”的一个解释包含忽略或者除去k_空间的高频分量。例如，对于维度N的目标k-空间采样矩阵(N在此涉及“高分辨率”采样策略，这与现有技术相反)，针对体线圈和/或针对线圈阵列数据，采集少于N个的k-空间样本。在子采样的这一解释中，没有高频分量。在本文中使用的“子采样”的另一解释包含欠采样。在欠采样中，不采样选定的频率分量。不采样的该分量可能是基于均匀的或者非均匀的欠采样图样或者分布。该方法还包括使用该线圈阵列数据的集合和该体线圈数据来重建线圈灵敏度图的集合的步骤。当执行诸如SENSE的并行成像方法时，需要知道线圈阵列的各个线圈元件的灵敏度。具有针对线圈阵列的每个天线元件而重建的线圈灵敏度图。该方法还包括使用·并行成像方法来采集该成像体积的磁共振成像数据的步骤。如在本文中使用的并行成像方法包含用于磁共振成像的成像方法，其中利用与线圈阵列的线圈相关的空间信息来减少常规的傅里叶编码。并行成像方法能够加速并且需要更少的时间来采集可以被重建成磁共振图像的磁共振成像数据。可选地，保持总扫描时间固定的并行成像方法允许增大空间分辨率。该方法还包括使用该磁共振成像数据和该线圈灵敏度图的集合来重建该磁共振图像的步骤。由计算机程序产品执行的这一方法是有利的，因为已经在k_空间中欠采样了体线圈数据。这减少了采集磁共振成像数据所需的时间量。在另一实施例中，在k_空间中对该线圈阵列数据的集合欠采样。这一实施例是尤其有利的，因为除了对体线圈数据欠采样之外还对线圈阵列数据的集合欠采样。这可导致显著节约了使用并行成像方法来采集磁共振成像数据所需的时间量。可相同程度地在k-空间中对与线圈阵列的每个元件相应的线圈元件数据欠采样。在另一实施例中，对该线圈元件数据和该体线圈数据欠采样到不同程度。这一实施例可是有利的，因为可能使用比另一个更多地采样的数据来重建线圈元件数据或者体线圈数据。例如，如果体线圈数据在k_空间中比线圈元件数据更加欠采样，那么可使用线圈元件数据来部分重建体线圈数据。这可是有利的，因为这可进一步减少执行该方法的时间量。在另一实施例中，该体线圈和/或该阵列线圈的k_空间欠采样在k_空间中是非均匀分布的。例如，对于k_空间的低值，可能密集采样体线圈的k_空间，并且对于k_空间中的更高值，密集采样体线圈的k-空间。在另一实施例中，使用正则化技术来重建该线圈灵敏度图的集合。正则化技术的一个例子是数学平滑函数的使用，例如多项式拟合、傅里叶级数、或者样条。对于这些数学平滑函数，典型地使用少量的参数。正则化技术的另一例子是具有L0、L1或者L2范数的正则化约束在最小化问题中的使用。在另一实施例中，使用稀疏约束算法来重建该线圈灵敏度图的集合。术语“稀疏约束算法”包含使用诸如小波或者有限差分的稀疏变换的算法，该算法具有给在k_空间中做出的测量结果强加一致性的约束部分。在另一实施例中，对该线圈阵列数据的集合的子集来执行该稀疏约束算法。通过将来自该线圈阵列的物理上邻近的天线元件的线圈元件数据分组来确定子集。这一实施例是尤其有利的，因为线圈阵列的天线元件在相对短的范围处获得磁共振成像数据。也就是说天线元件从成像体积的一部分采集磁共振成像数据。因而那可能有益于仅比较邻近线圈元件的数据并且执行算法来减少计算时间。在傅里叶空间或者k-空间中采样磁共振成像数据，从而不通过正则空间中的边界来限定从其采集磁共振数据的体积。然而，期望线圈阵列的邻近天线元件与彼此不邻近的天线元件相比采集更加高度相关的磁共振成像数据。在另一实施例中，通过使用该体线圈从中心核采集k_空间数据来对该体线圈数据的k_空间欠采样。这一实施例是有利的，因为可以更加快速地采集k_空间数据，但是可 以使用来自线圈阵列的数据来重建更高空间分辨率的信息。例如，该核可是k_空间中的预定的并且具有低k值的区域。然后采集针对这一核的体线圈数据。由于该核代表低k_空间，因此重建或者可重建相对均匀且精确的图像。然而，由于k-空间已经被限于中心核，因此可能剔除或者不呈现图像中的高分辨率项。在这一实施例中通过将体线圈数据与针对线圈阵列的每个天线元件所采集的线圈元件数据相比较，可更加完整地重建体线圈数据。可使用来自线圈阵列的高k-空间数据来重建或者计算包含更高k-空间数据的复合图像。在另一实施例中，使用非线性估计来联合估计该线圈灵敏度图的集合和复合图像。在一些实施例中，该非线性估计可是非线性最小二乘估计。在一些实施例中，可使用该非线性最小二乘估计来将更高k_空间数据加入体线圈数据中。可选地，来自该体线圈和该线圈阵列两者的所有k_空间数据可用于联合估计线圈灵敏度以及具有与从该线圈阵列数据重建的图像相同的分辨率的复合图像。 在另一实施例中，该方法还包括使用来自该中心核的该k_空间数据来计算该线圈阵列的每个天线元件的权重因子的集合的步骤。该方法还包括通过给该线圈阵列图像的集合的每个图像应用该权重因子的集合而计算该复合图像的步骤。从该线圈阵列数据的集合重建该线圈阵列图像的集合。使用该复合图像和该线圈阵列数据的集合来计算该线圈灵敏度图的集合。这一实施例还阐明了可如何联合估计线圈灵敏度图和复合图像。在另一实施例中，该并行成像方法是SENSE。在另一实施例中，该并行成像方法是PARS。在另一实施例中，该并行成像方法是空间谐波的同时采集，或者GRAPPA。在另一实施例中，使用预定的采样图样来执行该k_空间的欠采样。预定的采样图样可用于对该线圈阵列数据的集合和/或该体线圈数据欠采样。在另一实施例中，使用随机采样图样来执行该k_空间的欠采样。随机采样图样可用于对线圈阵列数据的集合和/或体线圈数据的k_空间欠采样。在另一实施例中，使用其中通过泊松圆盘分布来确定k_空间元素的采样方法来执行该k_空间的欠采样。这种采样方法可用于对线圈阵列数据的集合和/或体线圈数据欠采样。在另一实施例中，通过对低于预定k值的k_空间的核进行完全采样并且对高于k值的进行稀疏采样来执行该k_空间的欠采样。这种采样方法可用于对线圈阵列数据的集合和/或体线圈数据的k_空间欠采样。应当注意的是，可使用与用于欠采样体线圈数据的方法不同的方法来欠采样对线圈阵列数据的集合的欠采样。
在本发明的另一方面中，提供一种采集磁共振成像的计算机实现方法。该方法包括使用线圈阵列来采集成像体积的线圈阵列数据的集合的步骤。该线圈阵列数据的集合包括针对该线圈阵列的每个天线元件所采集的线圈元件数据。该方法还包括用体线圈来采集成像体积的体线圈数据的步骤。在k_空间中对该体线圈和/或线圈阵列数据子采样。该方法还包括使用该线圈阵列数据的集合和该体线圈数据来重建线圈灵敏度图的集合的步骤。具有针对该线圈阵列的每个天线元件的线圈灵敏度图。该方法还包括使用并行成像方法来采集该成像体积的磁共振成像数据的步骤。该方法还包括使用该磁共振成像数据和该线圈灵敏度图的集合来重建该磁共振图像的步骤。这一方法的优点先前已经在计算机程序产品的背景下进行了论述。在本发明的另一方面中，提供一种磁共振成像系统。该磁共振成像系统包括磁共振成像磁体。该磁共振成像系统还包括磁场梯度线圈。该磁共振成像系统还包括用于给该 磁场梯度线圈供应电流的梯度线圈电源。该磁共振成像系统还包括用于采集磁共振成像数 处理器的计算机系统。该计算机系统适于从该磁共振成像数据重建图像，并且适于控制该磁共振成像系统的操作。该磁共振成像系统还包括计算机可读存储介质，其包含用于由处理器执行的指令，其中当该指令被执行时使得该处理器执行使用线圈阵列来采集该成像体积的线圈阵列数据的集合的步骤。该线圈阵列数据的集合包括针对该线圈阵列的每个天线元件所采集的线圈元件数据。该处理器还执行用体线圈来采集该成像体积的体线圈数据的步骤。在k_空间中对该体线圈和/或线圈阵列数据子采样。该处理器还执行使用该线圈元件数据的集合和该线圈阵列数据的集合来重建线圈灵敏度图的集合的步骤。具有针对该线圈阵列的每个天线元件的线圈灵敏度图。该处理器还执行使用并行成像方法来采集该成像体积的磁共振成像数据的步骤。该处理器还执行使用该磁共振成像数据和该线圈灵敏度图的集合来重建该磁共振图像的步骤。这一磁共振成像系统的优点先前已经在计算机程序产品的背景下进行了论述。
在下文中将以仅举例的方式，并且参照图来描述本发明的优选实施例，其中图I示出的方框示了根据本发明的方法的实施例；图2示出的方框示了根据本发明的方法的另一实施例；图3示出的方框示了根据本发明的方法的另一实施例；图4示出了 k_空间采样图样的例子；图5示出了用于图示本发明实施例效果的图像的集合；图6示出的MRI图像示出了通过对象大脑的切片；图7示出了在图6中示出的图像相位的比较；图8图示了在COCA扫描中采集的k-空间样本的位置；图9图示了在根据本发明实施例的扫描中采集的k_空间样本的位置；图10示出了来自具有从COCA扫描中得到的标准线圈灵敏度的四倍欠采样数据的集合的SENSE重建；
图11示出了与图10中示出的一样的图像，除了是使用本发明的实施例导出的可选的线圈灵敏度；图12示出了与图10中示出的一样的图像，除了是使用本发明的进一步实施例导出的可选的线圈灵敏度；图13示出的功能示了根据本发明实施例的磁共振成像系统。附图标记列表400k_空间采样图样402k-空间的中心核404稀疏采样区域 500128X128的32通道k-空间图像50264X64 的 k_ 空间图像504复合或者虚拟的128 X 128的k_空间图像506采集的128 X 128的k-空间图像800针对线圈阵列的采样802针对体线圈的采样804在k-空间中X方向上的采样806在k-空间中y方向上的采样1000折叠伪影1300磁共振成像系统1302磁体1304成像区1306对象1308对象支撑物1310磁场梯度线圈1312梯度线圈电源1314线圈阵列1316天线元件1318体线圈1320射频收发器1321计算机1322硬件接口1324处理器1326用户接口1328计算机存储设备1330计算机存储器1332脉冲序列1334线圈阵列数据的集合1336体线圈数据1338线圈灵敏度图
1340磁共振成像数据1342磁共振图像1344系统控制�？�1346灵敏度图重建�？�1348图像重建�？�
具体实施方式
在这些图中的相似编号元件是相同的元件或者执行相同的功能。在功能相同的情况下，之前已经论述过的元件将不必在后面的图中进行论述。图I示出的方框示了根据本发明的方法的实施例。这一方法可被实现为计算机实现方法、计算机程序产品、并且也可被实现为存储在计算机可读存储介质上的指令。在步骤100中，使用线圈阵列来采集成像体积的线圈阵列数据的集合。在步骤102中，用体线圈来采集体线圈数据。可以首先执行步骤100或者102。在步骤100和102期间，对体线圈数据和/或线圈阵列数据子采样。在步骤104中，使用线圈阵列数据的集合和体线圈数据来重建线圈灵敏度图的集合。在步骤106中，采集成像体积的磁共振成像数据。在步骤108中，使用磁共振成像数据和线圈灵敏度图的集合来重建磁共振图像。图2示出的方框示了根据本发明的方法的另一实施例。这一方法可被实现为计算机实现方法、计算机程序产品，或者被实现为存储在计算机可读存储介质上的指令。在步骤200中，使用线圈阵列来采集成像体积的线圈阵列数据的集合。在步骤202中，用体线圈来采集体线圈数据。可以首先执行步骤200或者202。在步骤200和202期间，对体线圈数据和/或线圈阵列数据子采样。在步骤204中，将来自物理上邻近的天线元件的线圈元件数据分组为子集。在步骤206中，使用线圈阵列数据的集合和体线圈数据并对该子集使用稀疏约束算法来重建线圈灵敏度图的集合。在步骤208中，采集成像体积的磁共振成像数据。最后在步骤210中，使用磁共振成像数据和线圈灵敏度图的集合来重建磁共振图像。图3示出的方框示了该方法的进一步实施例。这一方法可被实现为计算机实现方法、计算机程序产品，或者可被实现为存储在计算机可读存储介质上的指令。在步骤300中，使用线圈阵列来采集成像体积的线圈阵列数据的集合。在步骤302中，用体线圈来采集体线圈数据。可以首先执行步骤300或者302。在步骤300和302期间，对体线圈数据和/或线圈阵列数据子采样。从至少k-空间的中心核中采集体线圈数据。在步骤304中，针对每个天线元件使用来自中心核的k-空间数据来计算权重因子的集合。在步骤306中，通过对线圈阵列数据的集合的每个图像应用该权重因子而计算出复合图像。该复合图像是从体线圈数据以及线圈阵列数据的集合中构建的。在步骤308中，使用该复合图像和线圈阵列数据来重建线圈灵敏度图的集合。在步骤310中，采集成像体积的磁共振成像数据。在步骤312中，使用磁共振成像数据和线圈灵敏度图的集合来重建磁共振图像。技术I :在常规的线圈灵敏度图绘制中，用线圈阵列和体线圈来采集完全采样的低分辨率图像。为了改善分辨率而不增加扫描时间，要点是覆盖k-空间的更大部分并且对k-空间欠采样以避免延长的扫描时间。可以以伪随机方式在相位编码方向上执行欠采样(例如，泊松圆盘米样)，而对k-空间中心部的一小部分完全米样。
使用压缩感知的最简单方式是针对每个线圈元件独立地重建各个图像。该图像通过解决以下问题来获得最小化||ψχη1||遵照Fuxn=yn I _ n=l, . . . , N (I)其中Ψ是稀疏变换(小波或者有限差分)，xn是单一线圈的图像，yn|a。,是在所采集的k-空间位置处的相应k-空间数据向量，Fu是欠采样傅里叶变换算子，其仅在所测量的k-空间位置处给出傅里叶变换，并且N是线圈总数量(线圈阵列的所有元件加上体线圈)。对于测量，第一项强加稀疏性并且第二项强加一致性。针对不同线圈获得的图像包含相同的磁化分布，由相应的接收灵敏度加权。因而，它们共享共同的稀疏支持，并且针对所有的线圈元件重建相同的稀疏系数集可能是有用的。这可以通过在重建中使用联合稀疏来实现，这导致最佳化问题·
最小化Σ jUiW)7遵照Fuxn=yn acq, n=l, . . . , N (2)该联合稀疏防止在重建中放松小系数；然而对于大型线圈阵列以及强定位线圈灵敏度而言，这可能导致更差的稀疏性(更多数量的非零系数)。在这一情况下为了确保性能，考虑到稀疏图样仅针对所有线圈的包括邻近线圈的子组，优选修正方程2。这一局部联合稀疏函数是更适合的。以上描述的联合稀疏是在重建中将来自几个不同相关图像的信息相组合的简单方式。可选的，可以使用经组合图像的11范数的最小化，例如图像的平方和或者Roemer重建。后者的方法可以如此应用从完全采样中心k-空间数据来估计低分辨率线圈灵敏度CS),并且将这些低分辨率线圈灵敏度应用于最小化ψ| I (SHSr1S11xI I1遵照Fuxn=yn acq, n=l, . . . , N (2a)这里X是针对所有像素和所有线圈的图像估计。均匀的线圈灵敏度特征用于体线圈。然后使用重建图像来获得高分辨率线圈灵敏度估计。可以迭代地重复这一过程以在下一个迭代中设置新的高分辨率线圈灵敏度估计。这一公式代表了为了解决问题而执行组合压缩感知-并行成像重建的一个选择。采样图样也与在[3]中描述的被称为SPIR-iT的组合压缩感知-自动-校准并行成像重建相兼容。这一重建可以通过解决以下问题来执行最小化Σ遵照Gy=y, Fuxn=yn| acq, n=l, . . . , N (3)其中G是通过校准获得的核算子，其被应用于每一个k_空间点并且其整个邻域跨越所有的线圈。这用于给每个k_空间位置处的校准数据强加一致性。向量y表示在所有k-空间位置和所有线圈处的k_空间数据的当前估计。组合的CS-PI重建可能是一种进一步减少必需数据而不牺牲线圈灵敏度中的分辨率的方式。技术I的实现例子第一个例子
用线圈阵列和体线圈根据图4中示出的k-空间采样图样来采集3D笛卡尔数据。图4示出了 k-空间采样图样的例子。该采样图样具有两个区域。在采样图样400中，白色区域是k-空间的被采样区域，并且黑色区域是k-空间的不被采样区域。第一区域标记为402。区域402是k-空间的中心核。围绕中心核402的是稀疏采样区域。这一例子中使用泊松圆盘分布来选定该稀疏采样区域404。采集与完全采样相比相同的数据量，导致相同的总测量时间。与常规采样相比，本欠采样方法允许增加以到达k_空间更远处从而编码更小的像素尺寸增大空间分辨率。对k_空间的中心部分是完全采样的。对其余的k_空间，使用随机采样图样或者更适当地根据泊松圆盘分布来欠采样。这导致CS中所期望的变化密度采样。应用椭圆形的遮板以进一步减少采样时间，并在所有方向上支持同一空间分辨率。通过解决问题(I)或
(2)来重建图像，并且从该重建图像来估计高分辨率线圈灵敏度图。
第二个例子如例子(I)中一样地来采集3D笛卡尔测量值。k_空间的完全采样部分用于校准在方程(3)中使用的核算子G。使用在给定邻域(例如，7X7)中的所有像素来获得算子G。通过迭代地应用算子G、数据一致性约束以及在方程(3)中给出的稀疏约束并例如使用在参考文献[2]中描述的POCS类型重建来执行重建。技术2:在这一技术中，体线圈被视为是相控阵列线圈的额外的线圈元件。在k_空间中的数据拟合和卷积、GRAPPA之类用于将相控阵列线圈外推至体线圈。所采集的低分辨率体线圈图像用于校准。图5图示了所提出的方法。具有两个步骤。在第一步骤中，使用来自相控阵列线圈的中心k_空间数据来拟合来自体线圈的采集数据。在这一步骤中，计算权重。如果使用3 X 3的核，那么具有3 X 3 X Nch个权重，其中Nch是相控阵列线圈的线圈元件的数量。在第二步骤中，将计算出的权重应用于来自相控阵列线圈的整个k-空间数据。这一步骤导致虚拟体线圈的k-空间具有与相控阵列线圈相同的分辨率。图5示出了用于图示本发明实施例效果的图像的集合。图像500是使用32元件线圈阵列采集的128X128的32通道图像。图像502示出了从体线圈数据重建的图像。图像502仅是k-空间的64X64元素图像。围绕该图像的黑色边界是未被采集的数据。黑色边界示出了 128X128图像的尺寸。图像504是复合图像或者虚拟体线圈图像，其示出了在k-空间的128X128网格中的采样。通过卷积给整个128X128域应用权重以从图像502和500中重建图像504。对照图像506是通过体线圈针对整个128X 128的k_空间采样和采集的k-空间图像。通过比较图像504和506，可以看到虚拟体线圈图像相当接近于所采集的体线圈图像506。图6图像中示出的MRI图像示出了穿过对象大脑的切片。图6a中的图像使用128X128的体线圈图像来采集。图像6a对应于图5中的图像506。图6b示出了使用64X64的采集体线圈图像而重建的图像。然后这一体线圈图像被重建至如图5的图像504所示的虚拟体线圈图像中。类似地，图6c示出了使用32X32的采集体线圈图像而重建的图像。该32X32的体线圈图像被重建成如图5的图像504所图示的虚拟128X 128的体线圈图像中。为了示出图像质量增长的比较，图6d示出了图像，其中所采集的64X64的体线圈图像被用于图像重建而不构建128X128的虚拟体线圈图像。如从图中可以看到的，图6a、b和c十分相似，而图6d中的图像明显地较不清晰并且示出更少的细节。图7示出了在图6中示出的图像相位的比较。图7a对应于图6a，图7b对应于图6b，图7c对应于图6c并且图7d对应于图6d。如图6中做出的比较，可以看到图7a、b和c显示大致相同的信息。图7d很相似，但是图像的分辨率远远更低。从图6和7可以看出，来自32X32采集数据的虚拟体线圈在幅度和相位两者中都具有比采集64X64体线圈图像更高的分辨率。图2a广2c)是类似的。并且图3ar3c)是类似的。技术3:
这一技术涉及将被用于SEBSE展开的线圈灵敏度的计算。这一技术可包括-修正的COCA扫描，包括具有高SNR的低分辨率、完全采样的QBC数据，以及高分辨率，在外部k-空间区域中可能欠采样的协同数据，以及-迭代的非线性算法，其用于图像和线圈灵敏度的联合重建，包括基于Sobolev范数的正则项以确保灵敏度估计的平滑。所估计的线圈灵敏度用作对随后SENSE重建的输入，同时所估计的图像可以用于在随后SENSE重建中的正则化。这一联合方法可最优地利用由新设计的COCA扫描所提供的低和高分辨率信息。相对于QBC灵敏度来校准所计算的线圈灵敏度，以允许在SENSE或者CLEAR扫描中重建均匀的图像。新设计的COCA扫描的总扫描时间不可能一直更长，因为对于协同数据的采集使用更少的信号平均，并且可以在外部k-空间区域中应用一些欠采样。在本文中使用的术语“协同线圈”等同于术语线圈阵列。协同数据是使用协同线圈获得的数据。在并行MRI中，需要精确的线圈灵敏度估计来重建无混淆图像。通常，这些是基于完全采样、低分辨率的数据来计算的，该数据是单独地(参考预扫描，例如COCA扫描)或者与欠采样成像数据一起联合地(自动校准)被采集的。可选地，可执行图像和线圈灵敏度的联合重建。现有方法采用了这样的先验假设线圈灵敏度是平滑函数以通过使用针对灵敏度的多项式模型，如JSENSE中的，或者通过用非线性反演算法惩罚它们的Sobolev范数，来正则化非线性重建问题。使用重建软件来计算线圈灵敏度估计的这一方法包括在应用一些适当的滤波器之后，将从每个协同线圈获得的图像除以正交体线圈(QBC)图像。QBC线圈也可被称为体线圈。这一方法需要具有高SNR的参考图像(COCA扫描)以避免归因于噪音的不稳定性，并且具有低分辨率以避免在具有极少信号的体素中除以近似零。单独基于这种低分辨率数据的线圈灵敏度估计的精度不足，尤其在其灵敏度梯度可能是最高的对象边界处。因此，高SENSE因子(在2D成像中>2)的应用可能受到阻碍。给高分辨率数据应用当前的方法对于COCA扫描而言将导致扫描时间的不期望的大幅度增加，并且可能在具有极小信号的体素中产生不良的灵敏度估计。本发明提出了产生高分辨率、精确线圈灵敏度估计而不增加COCA扫描的采集时间的可选选择。虽然这一技术是基于联合估计方法，但是其可解决联合估计方法的当前缺点。实际上，在所有的上述联合估计方法中，仅唯一定义了图像和线圈灵敏度的乘积。因此，所产生的线圈灵敏度估计缺乏完善的参考，并且相应的图像重建具有不期望的强度变化。相比之下，所提出的本发明计算相对于QBC校准了的线圈灵敏度估计，这对于并行成像数据的重建而言是更加期望的。这一方法可使用修正的(3D) COCA扫描，该COCA扫描包括-具有高SNR的低分辨率、完全采样的QBC数据(如当前的)，-高分辨率，在外部k_空间区域中可能欠采样的协同线圈数据，在这一方法中，使用迭代的非线性算法来执行图像和线圈灵敏度的联合重建。将基于线圈灵敏度的Sobolev范数的正则项应用于约束解并且确保灵敏度估计的平滑。在随后的SENSE重建中，线圈灵敏度然后用作输入以构建SENSE展开矩阵，同时图像可以用于正则化。这一联合方法最优地利用了由新设计的COCA扫描所提供的低和高分辨率信息。 Sobolev范数的使用使得能够进行无伪影的灵敏度和图像重建。所计算的线圈灵敏度被相对于QBC的灵敏度良好定义，从而随后的SENSE重建产生具有与用QBC采集所获得的相同的信号均匀性的图像。新设计的COCA扫描的总扫描时间并不一定会增大，因为对于协同线圈数据的采集使用更少的信号平均，并且可以在外部k-空间区域中应用一些欠采样。该方法包括针对COCA扫描的新采样方案，以及针对线圈灵敏度计算的新重建算法。COCA扫描的新设计当前，COCA扫描的采样策略被设计为针对协同线圈和QBC (图8)两者仅采集具有大量平均的低频分量。在所提出的新采样方案中，针对协同线圈采集低频和高频分量，并且平均的数量减少到保持扫描时间恒定(图9)。可以在外部k-空间区域中应用适度的欠采样因子(也即，9)以达到扫描时间和高频分量数量之间的折中。图8和9图示了在COCA扫描中(图8)和在根据本发明实施例的扫描中(图9)所采集的k-空间样本的位置。标记为800的方框示出了针对线圈阵列800的各个线圈元件的k-空间中的采样。方框802代表针对体线圈的在k-空间中采样的空间。在X方向上的k-空间采样被标记为804，并且在y方向上的k-空间采样被标记为806。在图9中，可以看到针对线圈阵列800，在k-空间中具有远远更多的采样。这允许实现并行成像方法的性能而不需在k_空间中完全米样体线圈。线圈灵敏度计算在重建步骤中，从协同线圈数据尤和QBC数据d,，根据以下方程来计算出全分辨率图像I和线圈灵敏度S :ds=PsFSI (4)dq=PqFI (5)在此，F表示全分辨率傅里叶变换，并且Ps和P,分别是针对协同线圈和QBC的将所采集样本的位置映射到完全采样矩阵上的投影矩阵。S和I的联合最小二乘估计产生以下的非线性最小化问题
mm [d PsFSIf %ds ^PxFSl)+(dq-PqFl) (6)
矩阵$3和Ψ,分别代表协同线圈和QBC中的噪声的协方差矩阵。将被估计的参数的数量要远远多于数据样本的数量，从而由方程6描述的逆问题是不适定的。为了解决这一问题，应用正则化方法。在牛顿型最小化算法的每次迭代时，将基于线圈灵敏度的Sobolev范数的惩罚项加入方程6。这一惩罚项的权重逐渐减少。该形式的Sobolev范数使用
权利要求
1.一种计算机程序产品(1344，1346，1348)，包括用于执行采集磁共振图像(1342)的方法的机器可执行指令，所述方法包括步骤 -使用线圈阵列(1314)采集(100，200, 300)成像体积(1304)的线圈阵列数据的集合(1334)，其中，所述线圈阵列数据的集合包括针对所述线圈阵列的每个天线元件(1316)采集的线圈元件数据； -用体线圈(1318)采集(102，202，302)所述成像体积的体线圈数据(1336)，其中，对所述体线圈数据和/或所述阵列线圈数据子采样； -使用所述线圈阵列数据的集合和所述体线圈数据重建(104，204，206，304，306，308)线圈灵敏度图的集合(1338)，其中，具有针对所述线圈阵列的每个天线元件的线圈灵敏度图； -使用并行成像方法(1332)来采集(106，208，310)所述成像体积的磁共振成像数据(1340);以及 -使用所述磁共振成像数据和所述线圈灵敏度图的集合重建(108，210，312)所述磁共振图像。
2.如权利要求I所述的计算机程序产品，其中，通过在k-空间中欠采样来对体线圈数据的集合子采样。
3.如权利要求I或2所述的计算机程序产品，其中，通过在k-空间中欠采样来对所述线圈阵列数据的集合子采样。
4.如权利要求1、2或3所述的计算机程序产品，其中，在k-空间中对所述线圈元件数据和所述体线圈数据两者欠采样并且对所述线圈元件数据和所述体线圈数据两者欠采样到不同程度。
5.如权利要求2至4中的任一项所述的计算机程序产品，其中，所述体线圈的k-空间的欠采样在k-空间中是非均匀分布的。
6.如前述权利要求中任一项所述的计算机程序产品，其中，所述子采样包括针对低于预定阈值的k值对k-空间采样。
7.如前述权利要求中任一项所述的计算机程序产品，其中，使用正则化技术来重建所述线圈灵敏度图的集合。
8.如权利要求7所述的计算机程序产品，其中，对所述线圈阵列数据的集合的子集执行所述正则化，其中，通过将来自所述线圈阵列的物理上邻近的天线元件的线圈元件数据分组来确定所述子集。
9.如前述权利要求中任一项所述的计算机程序产品，其中，通过使用所述体线圈从中心核(402)采集k-空间数据来对所述体线圈数据的所述k-空间欠采样。
10.如权利要求9所述的计算机程序产品，其中，使用非线性估计来联合估计所述线圈灵敏度图的集合和复合图像。
11.如权利要求10所述的计算机程序产品，其中，所述方法还包括步骤 -使用来自所述中心核的所述k-空间数据来计算(304)所述线圈阵列的每个所述天线元件的权重因子的集合； -通过给线圈阵列图像的集合的每个图像应用所述权重因子的集合而计算(306)所述复合图像，其中，从所述线圈阵列数据的集合重建所述线圈阵列图像的集合；并且其中，使用所述复合图像和所述线圈阵列数据的集合来计算所述线圈灵敏度图的集口 O
12.如前述权利要求中任一项所述的计算机程序产品，其中，所述并行成像方法是以下中的任一个SENSE、PARS、以及空间谐波的同时采集、或者GRAPPA。
13.如前述权利要求中任一项所述的计算机程序产品，其中，使用以下中的任一个来执行对所述k-空间的欠采样预定采样图样、随机采样图样、通过对由泊松圆盘分布而确定的k-空间元素(404)采样、以及通过对低于预定k值的k-空间的核(402)进行完全采样并且对高于所述k值的进行稀疏采样。
14.一种采集磁共振图像(1342)的计算机实现方法，所述方法包括步骤 -使用线圈阵列(1314)采集(100，200, 300)成像体积(1304)的线圈阵列数据的集合 (1334)，其中，所述线圈阵列数据的集合包括针对所述线圈阵列的每个天线元件(1316)采 集的线圈元件数据； -用体线圈(1318)采集(102，202，302)所述成像体积的体线圈数据(1336)，其中，对所述体线圈数据和/或所述阵列线圈数据子采样； -使用所述线圈阵列数据的集合和所述体线圈数据来重建(104，204，206，304，306，308 )线圈灵敏度图的集合(1338 )，其中，具有针对所述线圈阵列的每个天线元件(1316)的线圈灵敏度图； -使用并行成像方法采集(106，208，310)所述成像体积的磁共振成像数据(1340);以及 -使用所述磁共振成像数据和所述线圈灵敏度图的集合来重建所述磁共振图像。
15.一种磁共振成像系统(1300),包括 -用于生成主磁场的磁共振成像磁体(1302)，所述主磁场用于定向位于成像体积(1304)之内的对象(1306)的核的磁自旋； -用于生成梯度磁场的磁场梯度线圈(1310)，所述梯度磁场用于空间编码所述成像体积之内的核自旋的磁共振信号； -用于给所述磁场梯度线圈供应电流的梯度线圈电源(1312 ); -用于采集磁共振成像数据的射频系统(1320)，其中，所述射频系统适于连接至体线圈(1318)和线圈阵列(1314)； -包含处理器(1324)的计算机系统(1321 )，其中，所述计算机系统适于从所述磁共振成像数据构建图像(1348)，并且适于控制(1344)所述磁共振成像系统的操作；以及 -包含用于由所述处理器执行的指令(1346)的计算机可读存储介质(1330)，其中，所述指令当被执行时使得所述处理器执行以下步骤 -使用所述线圈阵列采集(100，200，300)所述成像体积的线圈阵列数据的集合(1334)，其中，所述线圈阵列数据的集合包括针对所述线圈阵列的每个天线元件采集的线圈元件数据； -用所述体线圈采集(102，202, 302)所述成像体积的体线圈数据(1336)，其中，对所述体线圈数据和/或所述阵列线圈数据子采样； -使用线圈元件数据和所述线圈阵列数据的集合来重建(104，204，206，304，306，308)线圈灵敏度图的集合(1338)，其中，具有针对所述线圈阵列的每个天线元件的线圈灵敏度图； -使用并行成像方法(1332)采集(106，208,310)所述成像体积的磁共振成像数据(1340);以及 -使用所述磁共振成像数据和所述线圈灵敏度图的集合来重建(108，210，312)所述磁共振图像。
全文摘要
一种计算机程序产品(1344,1346,1348)包含用于执行采集磁共振图像(1342)的方法的机器可执行指令，所述方法包括步骤使用线圈阵列(1314)来采集(100,200,300)成像体积(1304)的线圈阵列数据的集合(1334)，其中所述线圈阵列数据的集合包括针对所述线圈阵列的每个天线元件(1316)所采集的线圈元件数据；用体线圈(1318)来采集(102,202,302)所述成像体积的体线圈数据(1336)，其中对所述体线圈数据和/或所述阵列线圈数据子采样；使用所述线圈阵列数据的集合和所述体线圈数据来重建(104,204,206,304,306,308)线圈灵敏度图的集合(1338)，其中具有针对所述线圈阵列的每个天线元件的线圈灵敏度图；使用并行成像方法(1332)来采集(106,208,310)所述成像体积的磁共振成像数据(1340)；以及使用所述磁共振成像数据和所述线圈灵敏度图的集合来重建(108,210,312)所述磁共振图像。
文档编号G01R33/561GK102959426SQ201180032813
公开日2013年3月6日 申请日期2011年6月22日 优先权日2010年7月2日
发明者F·黄, M·多内瓦, P·博尔纳特, J·塞内加 申请人:皇家飞利浦电子股份有限公司
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
