CN102362192A - 磁共振成像中针对刚性、非刚性、平移、旋转和跨平面运动的运动检测和校正 - Google Patents

Abstract

一种磁共振(MR)图像重建方法，包括：基于参考k空间数据(32)与连同MR成像数据集(36)采集的区域k空间数据(34)的比较，针对刚性受检者运动补偿所述MR成像数据集，以生成具有刚性运动补偿的MR成像数据集(52)；通过利用内核(82)的卷积，针对非刚性受检者运动补偿所述具有刚性运动补偿的MR成像数据集(52)，该内核包含所述MR成像数据集的k空间数据的至少一个一致相关性；以及重建具有刚性和非刚性运动补偿的MR成像数据集，以生成经重建的受检者图像。

Description

磁共振成像中针对刚性、非刚性、平移、旋转和跨平面运动的运动检测和校正

下文涉及医学领域、磁共振领域和相关领域。

磁共振(MR)成像是一种可能进行几秒到几十分钟或更长时间之间的任意时间的相对缓慢的过程。因为这一点，由于受检者运动导致的图像劣化或伪影是关注的焦点。受检者运动可能具有各种特征。运动可能是平移或旋转的。运动可能是刚性或非刚性的。对于所采集的二维MR图像而言，运动可能还被归类为面内运动或跨平面运动。

消除这样的运动伪影的一种方式是加速MR数据采集，以希望在令人困扰的受检者运动发生之前，能够完全采集数据。这便是诸如SENSE的部分并行成像(PPI)技术的背后推动因素。在PPI中，多个射频线圈利用独立通道同时采集成像数据。由于不同的线圈具有能够被分别确定的不同的线圈灵敏度，因此同时采集的成像数据能够被用于近似缺失的数据。例如，在SENSE中，k空间的一些相位编码线未采集，而使用利用多个线圈采集的额外成像数据连同线圈灵敏度来估计缺失的相位编码线。这样的PPI技术是有用的，但可能无法提供充足的成像数据采集加速以避免令人困扰的受检者运动。此外，已知信噪比(SNR)随着线圈几何因子(g因子)而劣化。

其他方法试图检测并补偿受检者运动。现有技术对于检测和补偿刚性面内平移运动相对有效，所述运动表现为k空间数据中的相移。然而，现有技术对于检测和补偿旋转运动、非刚性运动或跨平面运动较为低效或者完全无效。能够利用现有技术检测和补偿的有限运动范围极大限制了检测-补偿运动抑制的效果。

下文提供了克服上述问题和其他问题的新的经改进的装置和方法。

根据一个公开的方面，一种方法包括检测磁共振(MR)成像数据集中的受检者旋转，并重建对检测到的受检者旋转进行补偿的MR成像数据集以生成重建的受检者图像。

根据另一公开的方面，一种方法包括基于MR成像数据集的k空间数据的至少一个一致相关性针对受检者运动补偿MR成像数据集，并重建MR成像数据集以生成重建的受检者图像。

根据另一公开的方面，一种磁共振成像系统包括：磁共振(MR)扫描器；以及图像重建模块(module)，其被配置为利用紧邻本段的前述两段中的一个或两者中所阐述的方法重建MR扫描器采集的MR成像数据集。根据另一公开的方面，一种数字存储介质存储可由数字处理器执行的指令，以利用紧邻本段的前述两段中的一个或两者中所阐述的方法重建MR成像数据集。根据另一公开的方面，处理器被配置为利用紧邻本段的前述两段中的一个或两者中所阐述的方法重建MR成像数据集。

一个优势在于提供针对旋转运动的增强的检测和补偿。

另一优势在于提供针对跨平面运动的增强的检测和补偿。

另一优势在于提供针对非刚性运动的增强的检测和补偿。

在阅读和理解以下详细描述的基础上，本领域技术人员将意识到其他优势。

附图仅用于图示说明优选实施例，而并不应解释为其对本发明构成限制。

图1示意性示出了被配置为执行包括如本文所公开的运动补偿的磁共振成像的成像系统。

图2示意性示出了由图1的成像系统的受检者位置评估模块适当执行的方法。

图3和4示意性示出了由图2的方法适当执行的受检者旋转评估。

图5示意性示出了由图1的成像系统的内核(kernel)卷积非刚性运动补偿模块适当执行的方法。

图6A和6B示意性示出了所公开的增强的FNAV方法。图6A示出了沿在扫描期间反复采集的相位编码线k_y＝k_f≠0的信号。另外，还在扫描的开始时采集以FNAV线位置为中心的参考区域。图6B示意性示出了对旋转的检测，其中在计算相关性度量之前将参考数据旋转到各种角度。

图7A和7B图示了FNAV线位置(k_f)对利用大脑数据集进行旋转运动检测的精度的影响。图7A示出了FNAV线在不同k_f值下的一般化投影。图7B示出了对于不同k_f位置处的FNAV线，最大相关性与旋转角度的分布图(profile)。

图8A和8B示意性图示了利用GRAPPA算子校正被运动劣化的数据。在图8A中，GRAPPA外推算子生成由于旋转导致缺失的k空间“扇形区”(最暗区域)。在图8B中，在应用后续的校正之前，GRAPPA内插算子根据交错数据集生成k空间(虚)线。

图9示出了从FNAV数据中检测到的旋转和体模实验中的黄金标准的比较；

图10A、10B和10C示出了来自具有8通道线圈的膝盖成像实验的图像。利用线性相位编码顺序采集数据。图10A示出了无运动的图像。图10B示出了被运动劣化的图像。图10C示出了采用所公开的运动校正方法的经运动校正的图像。

图11A、11B、11C和11D示出了来自具有8通道线圈的大脑成像实验的图像。利用为4的交错因子采集数据。图11A示出了无运动的图像。图11B示出了被运动劣化的图像。图11C和11D示出了在不拒绝(图11C)和拒绝(图11D)具有强层内(intra-leaf)旋转的交错层的情况下，通过所公开的运动校正方法的经运动校正的图像。

图12示出了利用由垂直线分开的不同交错层，在图11A-11D的成像期间从FNAV中检测到的面内旋转。

图13A、13B和13C示出了来自具有16通道线圈的脊椎成像实验的图像。利用为4的交错因子采集数据。图13A示出了无运动的图像。图13B示出了被运动劣化的图像。图13C示出了采用所公开的运动校正方法的经运动校正的图像。

图14A和14B示出了利用在体模成像实验中展示的高通GRPPA校正跨平面运动。利用为4的交错因子以及8通道线圈采集数据。图14A示出了从FNAV信号检测到的最大相关性，不同曲线指示对应于不同线圈。由垂直线分开不同的交错层。图14B示出了检测到的面内旋转。

图15A、15B、15C、15D、15E和15F示出了来自图14A和14B的体模成像实验的图像。图15A示出了被运动劣化的图像。图15B示出了当应用常规的GRAPPA时来自4号交错层的图像。图15D示出了通过常规的GRAPPA经运动校正的图像。图15E示出了通过高通GRAPPA经运动校正的图像。图15F示出参考的无运动的图像。

图16示意性图示了在本文公开的内核卷积非刚性运动补偿中所使用的基于并行成像的数据相关性一致算子的示例。

图17A和17B示意性图示了用于通过线性采集方案采集的数据的内核卷积非刚性运动补偿的两个适当的卷积内核。符号与图16中的符号相同。方框中的黑点定义了卷积内核的支撑。

图18示出了针对被吞咽劣化的图像的运动校正结果。第一行(图像(a)-(c))和第二行(图像(d)-(f))分别为层5和6。左列(图像(a)和(d))示出了校正前的图像。中列(图像(b)和(e))示出了校正后的图像。使用相同的强度等级。右列(图像(d)和(f))中的差异图被加亮5倍，以用于更好地可视化。

图19示出了针对被流动劣化的图像的运动校正结果。左列(图像(a)、(b)和(c))和右列(图像(e)、(f)和(g))是针对两层的。顶行(图像(a)和(d))示出了校正前的图像。中行(图像(b)和(e))示出了校正后的图像。使用相同的强度等级。底行(图像(c)和(f))中的差异图被加亮5倍，以用于更好地可视化。

图20示出了针对被随机刚性运动劣化的图像的运动校正结果。两列是针对两层的。顶行和中行分别示出了校正前和校正后的图像。使用相同的强度等级。底行中的差异图被加亮5倍，以用于更好地可视化。

图21示出了针对实际运动的结果。顶行(图像(a)、(b)和(c))示出了针对无严重运动伪影的层的图像。底行(图像(d)、(e)和(f))示出了针对具有严重运动伪影的层的图像。左列(图像(a)和(d))示出了校正前的图像。中列(图像(b)和(e))示出了校正后的图像。使用相同的强度等级。右列(图像(c)和(f))中的差异图被加亮5倍，以用于更好地可视化。

参考图1，成像系统包括磁共振(MR)扫描器10，例如图示的Achieva^TMMR扫描器(可从荷兰艾恩德霍芬的Koninklijke Philips Electronics N.V.，获得)或者Intera^TM或Panorama^TM MR扫描器(两者均可从Koninklijke PhilipsElectronics N.V.，获得)或者另一商业上可获得的MR扫描器，或非商用MR扫描器等。在典型的实施例中，MR扫描器包括内部部件(未图示)，诸如生成静态(B₀)磁场的超导或电阻性主磁体、用于将选定磁场梯度叠加到静态磁场上的磁场梯度线圈绕组集、用于以选定的频率生成射频(B₁)场从而激励磁共振(通常为¹H磁共振，尽管也预期另一磁共振核或多个磁共振核的激励)的射频激励系统、以及用于检测从受检者发射的磁共振信号的射频接收系统，该射频接收系统包括射频接收线圈、或者两个或更多个射频接收线圈的阵列或其他多个。

MR扫描器10受磁共振(MR)控制模块12控制，以执行限定磁共振激励的磁共振成像扫描序列、通常由磁场梯度生成的空间编码以及磁共振信号读出。k空间数据形式的MR数据被存储在k空间数据存储器14中，并且被重建处理器16重建以生成被存储在重建图像存储器18中的重建图像。在图示的实施例中，处理和控制模块12、16和存储器14、18具体化为图示的计算机20，该计算机的处理器(可以为多核处理器或其他并行处理数字处理装置)被编程为实现模块12、16的控制和处理功能，并且该计算机具有硬盘驱动、光驱、随机存取存储器(RAM)，或实现存储器14、18以及存储可被运行以执行模块12、16的控制和处理功能的指令的其他存储介质。图示的计算机20还具有用于显示MR图像和其他视觉信息的显示器22。在其他实施例中，采用专用MR控制器、MR重建系统或(一个或多个)其他数字装置以具体化处理和/或存储12、14、16、18。

图1的MR成像系统被配置为实现对受检者运动的检测和补偿，所述受检者运动包括面内平移和旋转运动、跨平面运动以及刚性和非刚性运动两者。本文认识到，刚性和非刚性运动有根本的不同，因此使用图1系统中的不同补偿机制进行处理。刚性运动由受检者位置评估模块30检测，该模块将参考k空间线或浮动导航器(FNAV)32与参考k空间区域R_当前34进行比较或使两者相关，其中参考k空间线或浮动导航器(FNAV)32在成像前被采集以提供受检者位置参考P_参考，而参考k空间区域R_当前34利用磁共振(MR)成像数据集36采集。检测到的刚性运动包括面内偏移(Δx、Δy)40、面内受检者旋转(θ)42以及指示跨平面运动44的估计或权重。在由针对平移补偿48的相位校正以及针对旋转补偿的k空间信号外推执行的重建期间，对该位置信息进行补偿。由运动补偿模块48执行的k空间信号外推使用GRAPPA算子50，其中，缩写“GRAPPA”代表“一般化自动校准部分并行采集”。本文公开使用GRAPPA来外推由于受检者旋转而缺失的k空间数据。本文还公开通过使用高通GRAPPA算法，基本上补偿了跨平面运动。有利地，GRAPPA算法利用一个或多个自动校准信号(ACS)k空间线，该线是连同参考k空间区域R_当前一起被方便地采集的，或者该线任选地包括参考k空间区域R_当前的部分。

基于FNAV的运动检测和相应的基于GRAPPA的运动补偿48对于补偿刚性受检者运动是有效的，从而产生具有刚性运动补偿的MR数据集52，但是对于补偿诸如可能在内部生物运行期间发生的非刚性运动是低效的，该内部生物运行诸如为呼吸、心脏循环、吞咽等。

在图1的图示性实施例中，内核卷积非刚性运动补偿模块60执行非刚性运动补偿。更一般而言，本文公开的MR成像数据集的k空间数据之间一致相关性能够被用于有效地补偿非刚性运动。本文使用术语“一致相关性”来指示如从k空间中任意点处所看到的局部相似的相关性。换言之，如果相关性是一致相关性，那么对于k空间中任意选定的点，预期将以就该k空间中选定的点而言大致相同的方式看到该一致相关性。本文公开一致相关性被局部运动，例如非刚性运动劣化或破坏。因此，通过组合遍及MR成像数据集的k空间中一致相关的点，能够有效地补偿局部运动，即非刚性运动。在图示性实施例中，组合一致相关的k空间数据是通过使MR成像数据集与体现(embodying)MR成像数据集的k空间数据的至少一个一致相关性的内核进行卷积而实现的。该内核被适当地选择为相关k空间数据的线性组合。然而，也预期其他的组合性算法。例如，可以使用Cuppen算法，而非使用线性的基于内核的卷积，来实现组合被相邻k空间数据点的部分傅里叶相关而一致相关的k空间数据。

重建算法62对被评估模块30识别并且被模块48、60补偿或校正的具有刚性和非刚性运动校正的数据进行重建，以生成可以被显示在显示器22上或以其他方式加以利用的重建图像。

参考图2-4，描述了通过图1的受检者位置评估模块30执行的运动检测的概况。在开始采集成像数据之前，采集参考k空间线或浮动导航器FNAV 32，表示为P_参考。在采集MR成像数据期间，采集参考k空间区域R_当前34。在图3的图示性示例中，这些采集被设计为使得区域k空间数据R_当前涵盖包含无受检者运动的参考k空间数据P_参考的二维k空间区域。在该图示性实施例中，参考k空间数据P_参考是k空间中的线，而区域k空间数据R_当前涵盖以P_参考为中心的矩形二维k空间区域。由于参考k空间数据P_{参 考}32是在受检者成像开始之前采集的，因此，在其后发生的任何刚性受检者运动将被视为当前区域k空间数据R_当前34相对于固定的参考k空间数据P_参考的位置和/或相位变化。

图4示出了受检者旋转的示例，具体而言，逆时针5°(五度)大小的受检者旋转。这里使当前区域k空间数据R_当前为二维的值是明显的。如果当前区域k空间数据R_当前是单线，那么其与参考k空间线P_参考的交点将是单点，使当前区域k空间数据和参考k空间线的相关性是不可行的。如图4所示，通过使当前区域k空间数据R_当前34是二维的，则会持续出现与参考k空间线P_参考32的完整重叠，使当前区域k空间数据R_当前和参考k空间线P_参考之间的相关性是可行的。如图2中示意性指示的，执行相关性操作70，以找到参考k空间线P_参考到当前(参考)k空间数据R_当前34的最佳相关性。相关性70得到沿参考k空间线P_参考的最佳匹配的平移偏移，表示为平移位置(Δx)40x(其是图1的二维面内平移40的一个分量)，以及本文表示为是在图1的面内旋转42的受检者旋转(θ)的最佳匹配的面内角。如图2中示意性指示的，相位识别操作72找到产生横贯于参考k空间线P_参考的最佳匹配校正的相位，表示为横向位置(Δy)40y(其是图1的二维面内平移40的另一分量)。

如在图2中更进一步示意性指示的，操作74确定最佳匹配校正的幅度或强度，亦即，参考k空间线P_参考与在偏移(Δx)和旋转(θ)处的当前区域k空间数据R_当前的相关性有多高的度量。最佳匹配相关性的幅度和强度是跨平面运动44的度量。(这涉及其中MR成像数据集是二维的实施例)。用于识别与跨平面运动的降低的相关性强度的原理是不存在跨平面受检者运动时，相关性应当较高，因为数据未被劣化并且任何的面内平移或旋转由相关性操作处理，而跨平面运动表达为对所采集的MR成像数据集的平面内数据的“劣化”。

参考图5，描述了由内核卷积非刚性运动补偿模块60执行的非刚性运动补偿的概图。非刚性运动补偿需要内核卷积操作80，内核卷积操作80利用包括k空间数据的线性组合的内核82对MR成像数据集52进行卷积，k空间数据的线性组合体现MR成像数据集的k空间数据的至少一个一致相关性。对于适当选取的内核82，内核卷积操作80产生具有降低了非刚性运动伪影的MR成像数据集84。选择内核82，以体现一个或多个一致相关性。例如，期望k空间数据52展现一致共轭对称k空间相关性。由此，内核82可以包括合并共轭对称k空间数据点的项(term)。还期望k空间数据52展现空间相邻的k空间数据的一致相关性。由此，内核82可以包括将一个或多个空间相邻的k空间数据与所选择的线性组合权重合并的一个或多个项。如果MR成像数据集52是使用独立的MR信号采集通道采集的PPI MR成像数据集，那么内核82任选地体现使用不同的MR信号采集通道采集的k空间数据一致相关性。

返回参考图1，重建算法62采用任意适当的重建算法，诸如基于傅里叶变换的重建。如参考图2-4描述的刚性运动校正模块48利用由受检者位置评估模块30确定的、并且任选地包括与跨平面受检者运动44的度量对应的数据权重的刚性平移和旋转运动值执行由相位校正和数据外推来全局地补偿的刚性受检者运动，所述跨平面受检者运动44是基于参考k空间数据P_参考32和参考k空间区域R_当前34之间的相关性强度而估计的。任选地，高通GRAPPA 50或者单独用于补偿跨平面受检者运动，或者与基于相关性强度的数据权重组合来补偿跨平面受检者运动。由参考图5描述的内核卷积非刚性运动补偿模块52补偿非刚性受检者运动。所得到的经运动补偿的图像适当地显示在计算机20的显示器22上。所得到的经运动补偿的图像还可以存储在重建图像存储器18中或者以其他方式加以利用。

通过计算机20或通过另一数字处理装置来适当地具体化各种处理器12、16。在存储介质实施例中，诸如硬盘或其他磁性存储介质、光盘或其他光学存储介质、随机存取存储器(RAM)、FLASH存储器或其他电子存储器等的存储介质存储可由计算机20的数字处理器或由另一数字处理器执行以实施本文参考各种处理器12、16描述的操作的指令。

现在将陈述受检者位置评估模块30(图1-4)的一些进一步公开。在该进一步公开中，有时使用符号P_移动来代替利用磁共振(MR)成像数据集36采集的参考或当前k空间区域R_当前34，以便提供对于数学描述而言视觉上更加对称的记法。

参考图6A，与涉及沿k_y＝0的线采集信号的一些导航器技术不同，参考k空间线FNAV 32沿k_y＝k_f≠0采样，其中，k_f通常较小以确保充足的信噪比(SNR)并避免沿y方向的相位包裹。FNAV信号为：

$F\left(k_x\right)=\∫\∫f(x,y)\·e^{-j2\mathrm{\π}(k_{x}x+k_{f}y)}\mathrm{dxdy}---\left[1\right]$

进行沿k_x方向的1-D逆向FT，针对等式[1]的FNAV线采集以下复合“一般化投影”：

$P\left(x\right)=\∫f(x,y)\·e^{-j2\mathrm{\π}{k}_{f}y}\mathrm{dy}---\left[2\right]$

如果在采集FNAV信号的同时存在(Δx、Δy)的2D面内平移，则

$P_{\mathrm{\Δx},\mathrm{\Δy}}\left(x\right)=\∫f(x-\mathrm{\Δx},y-\mathrm{\Δy})\·e^{-j2\mathrm{\π}{k}_{f}y}\mathrm{dy}=e^{-j2\mathrm{\π}{k}_f\mathrm{\Δy}}{P}_{\mathrm{0,0}}(x-\mathrm{\Δx})---\left[3\right]$

这里下标表示运动的量。因此，2D面内平移引入投影的信号分布图(profile)的移动(取决于Δx)以及额外的复相位因子的移动(Δy)。

用于运动检测的适当的归一化相关性函数(例如，图2的操作70)为：

这里星号(*)表示互相关，而记法|·|表示L2范数。根据互相关定理，C(x)的幅值总小于或等于1。后一种情况仅在当以下等式的x＝Δx时达到：

P_移动(x)＝P_参考(x-Δx)e^jφ                               [5]

换言之，当仅存在2D面内平移时，相关性的幅值才为1。由相关性最大值的位置检测沿x方向的最佳匹配的偏移(Δx)40x，而通过以下等式根据最大相关性的相位确定(例如，图2的操作72)沿y方向的偏移(Δy)40y。

Δy＝-φ/2πk_f                                           [6]

等式[6]示出了涉及k_f值的选择，或者针对FNAV线的相位编码位置的Δy检测的范围和精度之间的折中。确定无任何相位包裹的明确的Δy范围为1/k_f。因此，较小的k_f允许较大范围的Δy检测。具有较小k_f值的FNAV线还具有较高的信噪比(SNR)。另一方面，较小的k_f更剧烈地放大φ中的相位误差，导致更高的Δy误差。诸如k_f＝8/FOV的适中值对于典型应用而言是适当的。

继续参考图6A并进一步参考图6B，尽管平移仅向k空间数据引入线性相位因子，但是旋转在k空间中引起相同的旋转量。本文公开在FNAV线32附近采集参考k空间区域34，以方便将P_移动34与P_参考的多个副本相关，每个副本对应于当整个k空间如图6B所示旋转到不同角度时的FNAV线位置。则全局相关性最大值得到旋转和2D平移两者：

$(\mathrm{\Δ\θ},\mathrm{\Δx})=\underset{\mathrm{\θ},x}{\arg \max }\left|C(\mathrm{\θ},x)\right|,$

这里，θ为k空间旋转角度。再一次，能够根据等式[6]从最大相关性的相位确定Δy(图2的操作72)。能够通过旋转的期望搜索范围θ_r以及沿读出方向N_x的矩阵大小来确定FNAV参考区域34(即，图6A和6B中的灰色矩形)的宽度，从而FNAV线32一直保持在旋转区域34内(见图6B)：

Δk_y＝N_xtan(θ_r/2)/FOV                                    [8]

例如，如果读出矩阵大小是256并且旋转搜索范围为10°，则Δk_y＝22/FOV。实际上，由于k空间边缘附近降低的信号贡献，因此FNAV线周围的较小的参考区域通常是充足的。

参考图7A和7B，当k_f增加时，利用FNAV的旋转运动检测的灵敏度增加。对于相同的旋转量，具有较大k_f值的FNAV线的位置在方位角方向上被移动较大的量。另一种看待该问题的方式为比较一般化投影的信号分布图。图7A利用大脑图像比较处于不同k_f值处的FNAV线的一般化投影的幅值。由于具有较大k_f值的FNAV线包含更多的高频信息，因此它们对由于旋转导致的信号分布图中的变化更为敏感。这一点被图7B中所示的最大相关性与旋转角度的分布图证实。然而，考虑到SNR，再一次倾向于适中的k_f值，诸如k_f＝8/FOV。

当仅出现面内旋转和平移时，相关性度量(例如，等式[4]或等式[7])将以正确的旋转角度和沿读出方向的偏移得到接近1的幅值。然而，如果运动(例如，跨平面)破坏了k空间数据的一致性，则最大相关性度量的幅值将小于1。由于其还测量被运动劣化的k空间数据与参考k空间数据之间的相似度，因此其还能够用于拒绝或加权这些不一致的数据。由于图像空间中的相关性等价于k空间中的乘法，因此针对每条FNAV线的运动检测的计算成本为针对搜索到的每个旋转角度的1D FT，以及将参考数据旋转到各个角度的共享总成本。

参考图8A和8B，描述了利用GRAPPA算子50(图1)对被运动劣化的数据的重建。本文公开了用于利用GRAPPA算子重建被运动劣化的数据的两种图示性方法。第一种方法利用GRAPPA算子沿相位编码方向外推每个所采集的读出线。如图8A所示，该方法对于填充由旋转运动引起的缺失的k空间“扇形区”特别有效。由线圈元件和其灵敏度分布图确定外推区域(图8A中的浅灰色矩形)的宽度。具有高加速度能力的相位阵列将允许更宽的外推带，因此允许k空间中更多的填充区域。该方法适用于任意的相位编码排序中采集的k空间数据。

在重建中利用GRAPPA算子的第二种图示性方法仅适用于以交错方式采集的k空间(图8B)。由相位阵列线圈元件的加速能力确定交错层的数量。顺序地采集不同的交错层以覆盖整个k空间。对于具有一致目标位置的交错层，直接应用GRAPPA内插算子以再生成完整的k空间。然后通过应用合适的线性相位因子和数据旋转来针对平移和旋转运动两者校正该完整的k空间。对于具有内部运动的交错层，能够在应用GRAPPA内插之前，利用第一种方法校正数据(针对旋转/平移)，或者以来自其他交错层的数据取代所述数据(针对跨平面/非刚性运动)。最后，在最终的逆傅里叶变换之前，组合来自不同交错层的多个完整的k空间。在适当的图示性实施例中，针对每个交错层根据平均最大相关性值使用以下经验权重：

利用MR成像实验来研究所公开的运动校正或补偿技术。修改常规的快速自旋回波(TSE)序列以检查所公开方法的运动校正能力。在每个回波链内，在其他正常成像回波之前，在FNAV线位置处采集额外的回波。由于FNAV参考数据和GRAPPA自动校准信号(ACS)两者均占据k空间中心附近的区域，因此它们利用一个或多个回波链在实际成像相位编码步骤之前共同地采集。为了降低由单个回波链内的T₂衰减引入的对运动检测精度的可能干扰，以从中心向外的(center-out)方式采集这些参考回波链，其中第一回波链以预期的FNAV线位置(k_f)为中心。

为了验证所公开的FNAV方法的旋转运动检测能力，首先在3.0TAchieva扫描器(Philips，Best，Netherlands)上利用经修改的TSE序列执行体模实验。将指定的成像取向以2°递增旋转到在[0°，10°]范围中的各角度。然后处理FNAV数据以确定旋转角度，并将其与黄金标准进行比较。

也在相同的系统上，利用8元件头部线圈、8元件膝盖线圈和16通道脊柱线圈(Invivo，Gainesville FL)并且根据以下扫描参数来执行体内大脑、膝盖和脊柱运动校正成像实验：FOV 230×230mm²(头部)、200×200mm²(膝盖)、250×250mm²(脊柱)、矩阵大小256×256、回波链长度(ETL)＝16。采集T₁和T₂加权图像两者。利用相对较短的TR和以短TE排序的从中心向外的回波采集T₁加权图像，而利用较长的TR和以较长TE排序的线性回波采集T₁加权图像。基于考虑到有关较早论述的运动检测灵敏度和鲁棒性，将FNAV线的k_f值设定为8/FOV。也包含FNAV参考数据的针对GRAPPA的校准数据是利用两个回波链采集的中心32相位编码线。首先采集无运动的参考扫描，并且随后通过请求志愿者在扫描器内随机移动而进行被运动劣化的扫描。

数据采集之后，保存并处理原始数据。在计算最大相关性之前，使用剪切法(Eddy等人，“Improved image registration by using Fourierinterpolation”，Magn.Reson.Med.vol.36第923-31页，1996)将FNAV参考区域旋转到各角度。GRAPPA外推算子使用具有为5的外推因子的5(读出)×1(相位编码)内核，而GRAPPA内插算子使用具有降低因子R＝4的5(读出)×4(相位编码)内核。在2.2GHz PC上对于每个成像层所公开方法的典型计算时间为大约10秒。

在单独的体模成像实验中还研究了先前提出的高通GRAPPA技术(Huang等人，“High-pass GRAPPA：an image support reduction technique forimproved partially paralle imaging”，Magn.Reson.Med.Vol.59第642-49页，2008)的性能。高通GRAPPA是一种通过在正常的校准过程之前向ACS线应用高通滤波器来减少图像支持(support)从而改善GRAPPA性能的方法。在该实验中，利用8通道头部线圈对体模成像，并在扫描过程期间手动移动体模若干次。

参考图9，论述了所公开的FNAV技术的验证结果。图9示出了体模实验结果以验证增强的FNAV方法的旋转检测精度(即，评估模块30在检测面内旋转42方面的操作)。已看到FNAV能够精确地检测到高达10°的旋转。针对六个角度的研究的平均最大相关性为0.998。注意到，尽管理论上需要具有45个视图(根据等式[8])的FNAV参考区域来检测±10°的旋转范围，但是在该情况下，远小于该数量的视图数量(32，其中在FNAV线的一侧上仅8个视图)是充足的。这证明k空间边缘附近的数据对本文公开的运动检测的相关性方法的精度具有最小贡献。

参考图10A、10B和10C，体内成像实验，所公开的运动校正显著减少了运动伪影并改善了图像质量。图10A、10B和10C示出了来自膝盖成像实验的结果，其中，以线性顺序沿相位编码方向采集数据。运动引入严重地劣化整个图像质量的严重的重像和模糊伪影(图10B)。在利用所公开的方法进行运动校正之后，成功地去除了大部分运动伪影(图10C)，得到可与当受检者未移动时采集的图像(图10A)相比的图像质量。由增强的FNAV方法检测到的面内旋转的范围对于整个成像体积而言(20层)为大约3°。

参考图11A-11D以及图12，当以交错的方式采集数据时，以SNR交换伪影水平的灵活性被来自大脑成像实验的结果证实。利用8元件头部线圈阵列和为4的交错因子来采集该数据集。与无运动的图像相比(图11A)，被运动劣化的图像表现出强烈的重像伪影(图11B)。从FNAV数据检测到的面内旋转示出在每个交错层内的运动量是相当不同的(图12)。当使用所有四个交错层进行最终重建时，SNR被最大化(图11C)。然而，由于交错层编号为1和3内的层内运动导致存在一些残余伪影。如果从最终重建中排除这两个交错层，那么将进一步减少伪影，但其代价是轻微降低的SNR(图11D)。

参考图13A、13B和13C，在脊柱成像实验中证明了所公开的方法校正非刚性身体运动的能力。由于所指定的成像体积包含头和颈椎两者，因此点头运动是固有的非刚性身体运动。图13A示出了无运动图像。运动引入了严重的重像伪影(图13B)，利用所公开的运动校正方法显著减少了该伪影(图13C)。

参考图14A和14B以及图15A-F，阐述了实验结果，所述试验结果验证了所公开的利用高通GRAPPA校正跨平面运动。来自体模实验的结果证明高通GRAPPA技术在减轻由跨平面运动引入的数据不一致性方面的独特特性。图14A描绘了从针对所有八个线圈元件的FNAV线导出的最大相关性。能够看到朝向数据采集的末端(交错层编号4)，两个线圈元件得到低相关性值(＜0.9)，指示由跨平面运动引入的数据不一致性。因此，从这两个元件检测到的面内旋转彼此不同(图14B)。当使用常规的GRAPPA方法来重建交错层编号4的图像时，则由于跨平面运动导致的显著的伪影是可见的(图15B)。然而，利用高通GRAPPA，消除了大部分跨平面伪影(图15C)。当组合来自所有交错层的数据时，在执行常规的GRAPPA操作时保持显著的跨平面运动伪影(图15D)。相反，高通GRAPPA生成可与参考的无运动采集(图15F)相比的图像质量(图15E)。

所公开的运动校正通过将增强的FNAV的运动检测能力与由GRAPPA算子提供的重建灵活性进行组合而表现为在各种运动校正应用中是有效的。由于FNAV参考和GRAPPA校准均采用k空间中心附近的数据，在实际相位编码步骤之前共同地采集它们是方便的。增强的FNAV方法示出为以鲁棒的方式检测面内旋转。所公开的相关性函数还提供数据一致性的测量，因此能够减轻跨平面和非刚性身体运动伪影。

本文公开了根据数据是被线性采集的或者沿相位编码方向交错的，而利用GRAPPA算子重建被运动劣化的数据的两种方法。如果数据是被线性采集的，则使用GRAPPA外推来填充k空间的缺失的“扇形区”。如果数据是以交错的方式采集的，则能够在后续校正之前利用GRAPPA内插来生成多个完整的k空间。由于GRAPPA外推对于所采集的k空间线附近的数据点是最精确的，因此线采集方案适合于连续运动。交错采集适合于大幅度、突然的运动，对于该运动能够在完整的k空间再生成之后针对每个交错层单独应用校正。本文所公开的旋转重建的方法为计算数据旋转之后旋转网格上的k空间数据点。另一预期的方法为GRAPPA算子网格化(GROG)(见Seiberlich等人，“Non-cartesian data reconstruction using GRAPPAoperator gridding(GROG)”，Magn.Reson.Med.vol.58第1257-65页，2007)。

体模实验结果证明高通GRAPPA能够减轻跨平面运动伪影。在并不局限于任何特定操作理论的情况下，认为这一效应的基础为以下内容。向ACS线应用高通滤波器减少图像支持。因此，仅保留沿原始图像(无跨平面运动)的边缘的线圈灵敏度信息。因此，沿着由跨平面运动引入的新边缘几乎不可获得线圈灵敏度信息。这导致跨平面运动伪影的降低。

假设以期望的时间分辨率针对运动检测采集FNAV线，能够将所公开的运动校正方法并入到快速自旋回波(TSE)以外的序列中。TSE具有的优势在于，以非常小数量的回波链(例如，两个)来采集FNAV参考数据，因此降低了在参考数据采集期间发生运动的可能性。

现在阐述用于非刚性运动补偿的内核卷积模块60(图1和5)的一些其他公开。该方面是基于在来自不同位置、通道和时间帧的k空间数据之间存在一些强烈的相关性。这些数据相关性中的一些在整个k空间域中是一致的。然而，如果在采集期间存在运动，则将劣化这些一致相关性。本文认识到，使用一致相关性作为约束能够减少运动伪影。应用该约束的一种方式是设计一致相关性算子，以重建遵循相关性一致的约束的新的k空间数据的集合。在下文中，来自多个通道的数据间的一致相关性被用作图示性示例——然而，更一般地，能够类似地使用预期在k空间域上为一致的任何相关性。

图示的基于并行成像的相关性一致算子是根据来自多个通道的被运动劣化的完整的k空间数据是可获得的这一假设而设计的。利用多个通道数据集，能够通过线性组合近似来自多通道的k空间数据之间的相关性。相关性在k空间中是一致的。能够将基于并行成像的相关性一致算子限定为k空间中的卷积。

返回参考图5并进一步参考图16，图示的基于并行成像的相关性一致算子的一个示例被示意性示出。通过k空间中的卷积(图5中示出的操作80)将算子应用到MR成像数据集52产生新的k空间数据集84。利用相关性一致来生成该数据集。因此，由于相关性的不一致导致其包含降低的伪影。从图16的图示性算子的设计可以看出，该操作使用加速因子为1.3的并行成像。因此，g因子(见，例如Pruessmann等人，“SENSE：Sensitivityencoding for fast MRI”，Magn.Reson.Med.vol 42第952-62页，1999)将接近1，并且操作将不降低图像SNR。在限定了算子的尺寸和形状之后，能够通过数据拟合对被运动劣化的数据进行计算(见，例如，Griswold等人，“Generalized Autocalibrating Partially Parallel Acquisitions(GRAPPA)”，Magn.Reson.Med.vol.47：1202-10，2002)。尽管可获得的数据被运动劣化，但在最小二乘意义上的数据拟合具有平均的效果，并且所计算的算子能够用作近似。

能够使用各种方法来确定卷积内核。由于可获得完整的k空间数据，因此算子的设计是灵活的。为了更好的平衡运动校正、SNR保持及计算时间，存在针对内核设计的若干基本规则。首先，为了更好的进行运动校正，卷积内核应当足够大以包含充足的无运动数据或具有不同运动类型的数据。如果可能，内核不应当包含具有相同运动类型的数据。其次，为了保持SNR，卷积内核支持应当包含与待重建数据具有强烈相关性的数据。通常，更接近的邻域具有更强的相关性。因此，卷积内核支持应当包含尽可能最接近的邻域。除了最接近的邻域以外，位于对称点处的数据的共轭还与待重建的数据具有强烈的相关性。因此，共轭对称信号还能够包括在卷积内核支持中。第三，卷积内核不应当过大。较大的卷积内核花费较长的重建时间。遵循这些规则，能够根据应用中的采集方案和潜在运动特性使卷积的设计最优化。作为图示性示例，本文考虑两种采集方案(线性的和交错的)和两种运动(随机的、伪周期的)。

参考图17A和17B，线性采集意味着逐一采集直接相邻的相位编码(PE)线。由于连续的多条PE线可能被运动劣化，因此卷积内核应当足够大以包含充足的无运动数据。如果数据集被伪周期运动劣化(作为示例，血流)，则连续PE线包含运动伪影的可能性非常高。因此，应当在卷积内核中避免直接相邻的PE线。图17A示意性图示了针对被伪周期运动劣化的数据的一个适当的卷积内核。注意到，虚线框中直接相邻的邻域并不用于卷积以降低运动伪影。图17B示出了针对被随机采集劣化的数据的内核。如果主要运动是随机运动，那么没有任何运动的初始信息。因此覆盖更多PE线的卷积内核通常比较小的内核更好地工作。图17B示出了其的一个示例。

交错采集意味着PE线被分成若干部分，并且逐部分进行采集。每个部分中的PE线是等间隔的，该间隔被称为交错因子。如果交错因子为4，那么首先采集PE线1、5、9……，其后为线2、6、10……等。当采集完所有4个部分后，填充了完整的k空间。由于逐部分采集数据，因此假定各部分间的运动比部分内的运动更为严重是合理的。当数据是通过快速自旋回波序列采集的情况下，该假设是更合理的。因此，卷积内核不应当使用来自相同部分的数据，而仅使用来自其他部分的数据，以重建考虑中的部分。因此，卷积内核的形状取决于交错因子。图16示出了当交错因子为4时的一个示例。在该示例中，令交错因子为R，使用来自上部的R-1线和下部的R-1线的数据用于重建。

针对具有各种运动伪影的数据，测试如本文描述的由内核卷积模块60执行的所公开的非刚性运动校正(例如，参考图5、图16和图17A和17B)。设计若干实验以产生不同的运动伪影，包括：吞咽、血流、平移和旋转。测试由线性和交错采集方案两者采集的数据。

在3.0T Achieva扫描器(Philips，Best，Netherlands)上，分别利用16元件神经血管线圈、32元件心脏线圈和8通道头部线圈(所有线圈均为Invivo Corp，Gainesville，FL)来采集体内颈椎、腹部和大脑数据集。利用交错因子为4的交错采集方案来采集脊柱和大脑数据集，而利用线性采集方案来采集腹部数据集。利用T2加权的TSE序列(FOV 200×248mm，矩阵大小256×256，TR/TE 3314/120ms，翻转角90°，层厚度3mm，回波链长度(ETL)＝16)采集颈椎数据集。为了产生吞咽伪影，告知志愿者每10～15秒吞咽一次，并且将PE方向选为前-后(AP)方向。利用屏气双快速场回波(FFE)序列(FOV 375mm，矩阵大小204×256，TR 180ms，TE1/TE22.3/5.8ms，翻转角80°，层厚度7mm)采集轴向腹部数据集。PE方向也为AP。在采集期间未采取流运动抑制技术。利用T2加权TSE序列根据以下扫描参数采集大脑图像：FOV 230×230mm2(头部)，矩阵大小256×256，回波链长度(ETL)＝16。告知志愿者在采集期间随意移动头部。

为了测试所公开方法在极端情况下的鲁棒性，采集两个额外的颈椎数据集的集合。告知志愿者在采集第一数据集期间保持静止，而在采集第二数据集期间随意并且剧烈地移动。同样是在3.0T Achieva扫描器上利用16元件神经血管线圈采集两个额外的数据集。与先前的脊柱数据集不同，这两个数据集的PE方向是头部到脚部的。采集参数为：FOV 160×248mm，矩阵大小200×248，TR/TE 3314/120ms，翻转角90°，层厚度3mm，回波链长度(ETL)＝16。

在内核卷积操作80(见图5)中使用的内核82的选择是基于数据集的预期的一致相关性。由于利用为4的交错因子采集脊柱和大脑数据集，因此，相关性一致算子被限定为与图16的内核的卷积。由于利用线性采集方案采集腹部数据集，并且流运动是伪周期的，因此图17A的卷积内核被用作针对该数据集的相关性一致算子。为了采取沿频率编码(FE)方向的灵敏度图的变量(variation)，将卷积内核延伸为沿FE方向的直接邻域，即图16、17A和17B中的每个黑点表示k空间中3个相邻信号。通过与来自被运动劣化的数据的中心64k空间线的数据拟合来计算相关性一致算子。通过应用相关性一致算子，针对每个通道产生新的k空间数据集。来自每个线圈元件的图像的平方和的平方根用作最终重建。应当明确的是，出于两个原因而不在最终重建中使用原始k空间数据。首先，由于卷积内核的设计，能够很好地保持SNR。因此，不需要使用原始k空间数据来改善SNR。其次，原始k空间数据被运动劣化了。使用原始k空间数据将引入更多的残余运动伪影。

为了评价重建图像的质量，使用了差异图。差异图描绘了运动校正之前和运动校正之后重建之间的幅值的差异。差异图能够示出运动伪影的减少以及诊断上有用信息的保持。所有的数据在具有双3.2GHz处理器和2GB RAM的工作站上进行处理。

参考图18，描述了被由于吞咽导致的运动劣化的图像的结果。图18示出了颈椎成像的结果。根据前两列的比较，能够看到显著减少了由于吞咽导致的伪影。通过右列示出的差异图，能够看到非刚性运动补偿没有去除图像结构。很好地保持了SNR以及论断上有用的信息。有利地，还通过相关性一致算子抑制了背景噪声。这种背景噪声抑制得到了更好的对比噪声比(CNR)。在不局限于任何特定操作理论的情况下，认为由于噪声还引入了相关性一致而获得了这种背景噪声抑制。因此，对相关性一致的约束还降低了噪声水平。

参考图19，描述了被血流劣化的图像的结果。在该实验中，腹部成像中的流动伪影被显著降低，其代价为轻微降低的SNR。图19示出了该结果。SNR的降低是由于卷积内核支持(图17A)不包括充分抑制伪周期运动伪影的邻域。

参考图20，描述了被随机刚性运动劣化的图像的结果。大脑成像数据集被用于测试针对刚性运动的所公开方法的性能。图20示出了该结果。在该示例中，去除了大部分由于刚性运动导致的重像。同时，很好地保持了SNR。这证明所提出的方法不但能够减少非刚性运动伪影，而且还能够减少刚性运动伪影。

参考图21，描述了被极端运动情况劣化的图像的结果。该实验使用两个脊柱数据集。一个数据集中的图像几乎无运动。利用该数据集的实验的目的是测试当原始图像质量较高时所提出的方法是否会降低图像质量。另一数据集中的图像具有严重的刚性和非刚性运动伪影。利用该数据集的实验的目的是测试被严重劣化的校准信号是否仍然能够用于卷积内核计算。图21证明了该结果。从第一行能够看到对于无运动伪影的图像很好地保持了图像质量。另外，所公开的方法能够校正即使是轻微的不一致。当存在严重的混合运动伪影时，仍能够显著地改善图像质量。在运动校正之后增强了不正常脊椎体C4和C5的边缘限定。

由核卷积模块60执行的运动校正利用数据相关性一致来减少运动伪影。该方法对采集序列或轨线没有任何要求。该方法也不依赖于检测到的运动参数——因此，无运动检测步骤。另外，仅产生新的k空间数据的一个集合84，并且不在最终重建中使用原始k空间数据52(见图5)。该方法是鲁棒性的并保持了SNR，并且其适用于非刚性和刚性运动减少两者。对于无运动伪影的图像，该方法不劣化图像质量。对于具有严重伪影的图像，根据被严重劣化的校准信号计算的相关性一致算子能够显著减少运动伪影。本文报告的实验还支持该方法的鲁棒性。关于SNR，除了腹部成像，在所有实验中降低因子都为1.3。对于腹部成像使用1.6的降低因子。因此，SNR降低是可忽略的。另外，背景噪声引入数据相关性一致，因而该方法还抑制了背景噪声并改善了CNR。

由于利用被劣化的数据计算相关性一致算子，因此应当利用迭代重建来进一步降低伪影。在迭代期间能够修改/更新两个参数。首先，能够在每次迭代之后更新校准信号。在第一次迭代中，利用被运动劣化的数据计算卷积内核。因此，包含更少运动伪影的具有更新的校准信号的卷积内核潜在地能够进一步减少运动伪影。其次，在每次迭代中，能够修改卷积内核支持。通过这种方式，能够产生具有各种残余运动伪影的重建。这些重建的平均包含比每个单独的重建更少的残余运动伪影。Fautz等人的“ArtifactReduction in Moving-Table Acquisitions Using Parallel Imaging and MultipleAverages”，Magn.Reson.Med.vol.57第226-32页，2007中提出的方法是利用迭代方案的所提出方法的具体实现方式，其中在每次迭代中修改内核。与Fautz等人的方法不同，在如本文所公开的由内核卷积模块60执行的运动补偿中，仅产生新的k空间数据的一个集合，并且不在最终重建中使用原始k空间数据。基于这些想法，利用先前描述的数据集执行实验。结果证明了能够在迭代之后进一步改善图像质量。然而，改善是显著的。考虑到较长的重建时间，仅当重建时间不重要时才建议迭代。

本申请已经描述了一个或多个优选实施例。在阅读和理解前述详细描述的基础上，其他人可以进行修改和变更。旨在将本申请解释为包括所有这种修改和变更，只要其落入所附权利要求或其等效物的范围内。

Claims (21)

1.一种方法，包括：

检测磁共振(MR)成像数据集(36)中的受检者旋转(42)；以及

重建补偿所检测到的受检者旋转的MR成像数据集以生成重建的受检者图像。

2.如权利要求1所述的方法，其中，所述检测包括：

采集参考k空间数据(32)；

连同所述MR成像数据集(36)一起采集区域k空间数据，所述区域k空间数据涵盖包含无受检者运动的所述参考k空间数据的二维k空间区域(34)；以及

使所述参考k空间数据与所述区域k空间数据相关以检测至少包括受检者旋转(42)的受检者位置信息(40、42、44)。

3.如权利要求2所述的方法，其中，所述参考k空间数据是参考k空间线(32)。

4.如权利要求3所述的方法，其中，所述相关还检测包括沿所述k空间线的方向的受检者平移(40x)的受检者位置信息(40)。

5.如权利要求4所述的方法，其中，所述相关还基于相关的参考k空间数据和区域k空间数据的相位关系，检测包括与横贯所述k空间线的方向的受检者平移(40y)的受检者位置信息(40)。

6.如权利要求2-5中的任一项所述的方法，其中，所述MR成像数据集(36)是二维的，并且所述相关还基于所述参考k空间数据和区域k空间数据之间的相关性的强度，检测包括跨平面受检者位置信息(44)的受检者位置信息(40、42、44)。

7.如权利要求1-6中的任一项所述的方法，其中，所述MR成像数据集(36)是利用多个独立MR信号采集通道采集的部分并行成像(PPI)MR成像数据集。

8.如权利要求7所述的方法，其中，所述重建包括：

利用GRAPPA算子(50)重建所述MR成像数据集(36)以外推由于所检测到的受检者旋转(42)导致缺失的k空间数据。

9.如权利要求7-8中的任一项所述的方法，其中，所述重建包括：

利用高通GRAPPA重建所述MR成像数据集(36)以补偿跨平面受检者运动(44)。

10.如权利要求1-9中的任一项所述的方法，其中，所述重建还包括：

基于所述MR成像数据集(36、52)的k空间数据的至少一个一致相关性补偿受检者运动。

11.如权利要求10所述的方法，其中，所述补偿包括：

使所述MR成像数据集(36、52)与内核(82)卷积，所述内核体现所述MR成像数据集的k空间数据的所述至少一个一致相关性。

12.如权利要求11所述的方法，其中，所述内核(82)体现所述MR成像数据集(36、52)的k空间数据的一致相关性，包括以下中的一个或多个：

一致共轭对称k空间相关性，

空间相邻的k空间数据的一致相关性，以及

利用不同的MR信号采集通道采集的k空间数据的一致相关性。

13.如权利要求11-12中的任一项所述的方法，其中，所述内核(82)包括相关的k空间数据的线性组合。

14.一种方法，包括：

基于所述MR成像数据集的k空间数据的至少一个一致相关性针对受检者运动补偿MR成像数据集(36)；以及

重建所述MR成像数据集以生成重建的受检者图像。

15.如权利要求14所述的方法，其中，所述补偿包括：

使所述MR成像数据集(36、52)与内核(82)卷积，所述内核体现所述MR成像数据集的k空间数据的所述至少一个一致相关性。

16.如权利要求15所述的方法，其中，所述内核(82)体现所述MR成像数据集(36、52)的k空间数据的一致相关性，包括以下中的一个或多个：

一致共轭对称k空间相关性，

空间相邻的k空间数据的一致相关性，以及

利用不同的MR信号采集通道采集的k空间数据的一致相关性，其中，所述MR成像数据集是利用多个独立MR信号采集通道采集的部分并行成像(PPI)MR成像数据集。

17.如权利要求15-16中的任一项所述的方法，其中，所述内核(82)包括相关的k空间数据的线性组合。

18.如权利要求17所述的方法，其中，所述相关的k空间数据的所述线性组合在一个方向上或者在两个不同的非平行方向上延伸。

19.一种磁共振成像系统，包括：

磁共振(MR)扫描器(10)；以及

图像重建模块(16)，其配置为利用如权利要求1-18中的任一项所述的方法重建由所述MR扫描器采集的MR成像数据集(36)。

20.一种处理器(20)，其配置为利用如权利要求1-18中的任一项所述的方法重建磁共振(MR)成像数据集(36)。

21.一种数字存储介质，其存储能够由数字处理器(20)执行以利用如权利要求1-18中的任一项所述的方法重建磁共振(MR)成像数据集(36)的指令。

Images