JPWO2020245144A5 - - Google Patents

Description

本発明は、磁気共鳴（ＭＲ）撮像の分野に関する。本発明は、対象のＭＲ撮像の方法に関連する。本発明は、ＭＲデバイスと、ＭＲデバイス上で実行されるコンピュータプログラムとにも関連する。 The present invention relates to the field of magnetic resonance (MR) imaging. The present invention relates to a method of MR imaging of a subject . The invention also relates to an MR device and a computer program executed on the MR device.

２次元又は３次元画像を形成するために磁場と核スピンとの間の相互作用を利用する画像形成ＭＲ方法は、今日、広く使用されており、それらは、軟組織の撮像に関して、他の撮像方法よりも多くの観点において優れており、電離放射線を必要とせず、通常は侵襲的でないので、医療診断の分野において顕著である。 Imaging MR methods that utilize the interaction between magnetic fields and nuclear spins to form two-dimensional or three-dimensional images are widely used today, and they are superior to other imaging methods for soft tissue imaging. It is notable in the field of medical diagnostics because it is superior in many respects to ionizing radiation, does not require ionizing radiation, and is generally non-invasive.

ＭＲ方法によると、通常、対象、例えば検査されるべき患者の身体は、強い均一な磁場（Ｂ_０）であって、同時にその方向は測定が基づく座標系の軸（通常はｚ軸）を定める磁場（Ｂ_０）に配置される。磁場は、定められた周波数（いわゆるラーモア周波数又はＭＲ周波数）の交番電磁場（ＲＦ場）の印加によって励起（スピン共鳴）され得た磁場強度に基づいて個々の核スピンについて異なるエネルギーレベルを生む。巨視的な観点から見ると、個々の核スピンの分布は、適切な周波数の電磁パルス（ＲＦパルス）の印加によって平衡状態から外れ得る全体的な磁化を生み、磁化は、ｚ軸の周りで歳差運動を行う。歳差運動は、その開口角度がフリップ角と称されるコーンの面を表す。フリップ角の大きさは、印加された電磁パルスの強度及び持続期間に依存する。いわゆる９０°パルスの場合、スピンはｚ軸から横断面へと外れる（フリップ角９０°）。 According to MR methods, the object , for example the body of the patient to be examined, is usually exposed to a strong homogeneous magnetic field (B ₀ ), the direction of which at the same time defines the axis of the coordinate system on which the measurements are based (usually the z-axis). placed in a magnetic field (B ₀ ). The magnetic field produces different energy levels for individual nuclear spins based on the magnetic field strength, which can be excited (spin resonance) by the application of an alternating electromagnetic field (RF field) of a defined frequency (so-called Larmor frequency or MR frequency). From a macroscopic point of view, the distribution of individual nuclear spins produces an overall magnetization that can be taken out of equilibrium by the application of electromagnetic pulses (RF pulses) of appropriate frequency, and the magnetization ages around the z-axis. Perform differential movement. Precession represents the plane of the cone, the opening angle of which is called the flip angle. The magnitude of the flip angle depends on the intensity and duration of the applied electromagnetic pulse. In the case of a so-called 90° pulse, the spins deviate from the z-axis in the transverse plane (flip angle 90°).

ＲＦパルスの停止後に、磁化は元の平衡状態に戻るように緩和され、ｚ方向における磁化は、第１の時間定数Ｔ_１（スピン格子又は縦緩和時間）において再び構築され、ｚ方向に直交する方向における磁化は、第２の時間定数Ｔ_２（スピン－スピン又は横緩和時間）において緩和される。磁化の変化は、ｚ軸に直交する方向において磁化の変化が測定されるようにＭＲデバイスの検査ボリューム内で配置され、方向付けられた受信ＲＦコイルによって検知され得る。例えば９０°パルスの印加後に、横方向磁化の減衰は、同一位相の秩序状態から全ての位相角が均一に分布した状態（ディフェージング）への（局所的な磁場の不均一性によって誘起された）核スピンの遷移を伴う。ディフェージングは、リフォーカスパルス（例えば１８０°パルス）によって補償され得る。このことは、受信コイルにおいてエコー信号（スピンエコー）を生む。 After the cessation of the RF pulse, the magnetization is relaxed back to the original equilibrium state, and the magnetization in the z-direction is established again at a first time constant T ₁ (spin-lattice or longitudinal relaxation time), orthogonal to the z-direction. The magnetization in the direction is relaxed in a second time constant T ₂ (spin-spin or transverse relaxation time). The change in magnetization may be sensed by a receive RF coil positioned and oriented within the examination volume of the MR device such that the change in magnetization is measured in a direction perpendicular to the z-axis. For example, after application of a 90° pulse, the decay of the transverse magnetization changes from an ordered state of the same phase to a state where all phase angles are uniformly distributed ( dephasing ) (induced by local magnetic field inhomogeneities). ) accompanied by a nuclear spin transition. Dephasing may be compensated for by refocusing pulses (eg 180° pulses). This produces an echo signal (spin echo) in the receiver coil.

身体における空間解像度を実現するために、３つの主軸に沿って延びる一定の磁場勾配が、均一な磁場に重畳され、これは、スピン共鳴周波数の線形の空間依存性につながる。すると、受信コイルにおいてピックアップされる信号は、身体における種々の場所に関連付けられ得る種々の周波数の成分を含む。受信コイルを介して得られる信号データは、ｋ空間と呼ばれる空間的周波数ドメインに対応する。ｋ空間データは、通常、異なる位相符号化によって取得された複数のラインを含む。各ラインは、いくつかのサンプルを収集することによってデジタル化される。ｋ空間データのセットは、画像再構成アルゴリズムによってＭＲ画像に変換される。 To achieve spatial resolution in the body, constant magnetic field gradients extending along the three principal axes are superimposed on a uniform magnetic field, which leads to a linear spatial dependence of the spin resonance frequency. The signal picked up at the receiving coil then contains components of different frequencies that can be associated with different locations in the body. The signal data obtained via the receive coil corresponds to a spatial frequency domain called k-space. K-space data typically includes multiple lines acquired with different phase encodings. Each line is digitized by collecting several samples. The set of k-space data is transformed into an MR image by an image reconstruction algorithm.

Ｂ_０不均一性及び組織に誘起される磁化率のバリエーションに起因して生じるオフ共鳴効果は、ＭＲ画像において非常に一般的なアーチファクトの主な原因の代表例である。Ｔｈ．ＫｕｅｓｔｎｅｒらによるＩＳＭＲＭ－２０１９のアブストラクト「Ｓｉｍｕｌｔａｎｅｏｕｓ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ＭＲ ａｒｔｅｆａｃｔ ｔｙｐｅｓ ｉｎ ｗｈｏｌｅ ｂｏｄｙ ｉｍａｇｉｎｇ」、ＩＳＭＲＭ－２０１８（ａｂｓｔｒａｃｔ４３０）は、Ｔ_１重み付き又はＴ_２重み付きＦＳＥシーケンスによって取得された磁気共鳴画像における運動又は場の不均一性から生じるアーチファクトのＣＮＮに基づく検知について言及している。デカルトｋ空間軌道に沿ったＭＲ信号取得では、Ｂ_０不均一性が、画像品質に、一般的には重大な影響を与えない幾何学的歪みを増加させることがよく知られている。しかしながら、スパイラル撮像におけるような非デカルトｋ空間軌道では、オフ共鳴が、通常、理想的な画像のぼけとして現れ、画像の診断上の妥当性に深刻な影響を与え得る。Ｂ_０不均一性によって起こるアーチファクトの程度は、主磁場の強度とともに増大又は低下する。 Off-resonance effects caused by B ₀ inhomogeneities and tissue-induced magnetic susceptibility variations represent major sources of artifacts that are very common in MR images. Th. Abstract of ISMRM-2019 “Simultaneous detection and identification of MR artifact types in whole body imaging” by Kuestner et al., ISMRM-2018 (abstract 430) in magnetic resonance images acquired by T _1- weighted or T _2- weighted FSE sequences. We refer to CNN-based detection of artifacts resulting from motion or field inhomogeneities. It is well known that in MR signal acquisition along a Cartesian k-space trajectory, B ₀ inhomogeneities increase geometric distortions that generally do not have a significant impact on image quality. However, in non-Cartesian k-space trajectories, such as in spiral imaging, off-resonance usually manifests as blurring of the ideal image and can seriously impact the diagnostic validity of the image. The degree of artifacts caused by B ₀ inhomogeneity increases or decreases with the strength of the main magnetic field.

スパイラル撮像は、効率的なｋ空間カバレッジ及びフローアーチファクトに対する感度の低さから恩恵を受ける迅速なＭＲ撮像技術である。しかしながら、これは、長い取得間隔が使用されるときに（例えば、シングルショットスパイラル撮像において）、Ｂ_０不均一性から特に影響を受けやすい。パラレルイメージング技術と組み合わされたこのような長い取得間隔は、可能な限り高い空間解像度を得るために欠かせないものである。このことは、生理学的な及び患者の運動の問題を緩和するために、機能的ＭＲ撮像イメージング（ｆＭＲＩ）において、及び拡散強調イメージング（ＤＷＩ）においても興味深い。 Spiral imaging is a rapid MR imaging technique that benefits from efficient k-space coverage and low sensitivity to flow artifacts . However, it is particularly susceptible to B ₀ non-uniformity when long acquisition intervals are used (e.g. in single-shot spiral imaging). Such long acquisition intervals combined with parallel imaging techniques are essential to obtain the highest possible spatial resolution. This is of interest in functional MR imaging (fMRI) and also in diffusion weighted imaging (DWI) to alleviate physiological and patient movement issues.

スパイラルＭＲ撮像のためのぼけ除去方法が当技術分野において知られている。例えば、Ｂ_０マップを取得し、Ｂ_０マップに基づいてＢ_０不均一性効果についてＭＲ信号データを補正することが知られている（例えば、Ａｈｕｎｂａｙらの「Ｒａｐｉｄ ｍｅｔｈｏｄ ｆｏｒ ｄｅ－ｂｌｕｒｒｉｎｇ ｓｐｉｒａｌ ＭＲ ｉｍａｇｅｓ」、Ｍａｇｎ．Ｒｅｓｏｎ．Ｍｅｄ．２０００、ｖｏｌ．４４、４９１～４９４ページ；Ｓｕｔｔｏｎらの「Ｆａｓｔ，ｉｔｅｒａｔｉｖｅ ｉｍａｇｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｆｏｒ ＭＲＩ ｉｎ ｔｈｅ ｐｒｅｓｅｎｃｅ ｏｆ ｆｉｅｌｄ ｉｎｈｏｍｏｇｅｎｅｉｔｉｅｓ」、ＩＥＥＥ Ｔｒａｎｓ．Ｍｅｄ．Ｉｍａｇｉｎｇ．２００３、ｖｏｌ．２２、１７８～１８８ページ；Ｎａｙａｋらの「Ｅｆｆｉｃｉｅｎｔ ｏｆｆ－ｒｅｓｏｎａｎｃｅ ｃｏｒｒｅｃｔｉｏｎ ｆｏｒ ｓｐｉｒａｌ ｉｍａｇｉｎｇ」、Ｍａｇｎ．Ｒｅｓｏｎ．Ｍｅｄ．２００１、ｖｏｌ．４５、５２１～５２４ページを参照）。 Deblurring methods for spiral MR imaging are known in the art. For example, it is known to acquire a B ₀ map and correct MR signal data for B ₀ inhomogeneity effects based on the B ₀ map (e.g., Ahumbay et al., "Rapid method for de-blurring spiral MR images"). ", Magn. Reson. Med. 2000, vol. 44, pages 491-494; Sutton et al., "Fast, iterative image reconstruction for MRI in the presence of field inhom. IEEE Trans.Med.Imaging.2003, vol.22 , pp. 178-188; see Nayak et al., "Efficient off-resonance correction for spiral imaging," Magn. Reson. Med. 2001, vol. 45, pp. 521-524).

しかしながら、前述のタイプのぼけ除去方法を適用した後でも、アーチファクトは、しばしば、非常に強い磁化率誘起の磁場勾配の画像領域に残存する。スパイラルｋ空間軌道の場合、このようなアーチファクトは、特徴的なリンギングアーチファクトとして、再構成及びぼけ除去されたＭＲ画像に現れ、関心対象の解剖学的細部に重畳し得、又はこれを覆い得る。このような残存するアーチファクトの理由は、強い（典型的には磁化率によって誘起された）局所的な磁場勾配の場合、スパイラルｋ空間軌道の形状が、それぞれのボクセルについて理論的なスパイラル形状から相応に大きく外れるからである。これは、図４の２次元のｋ空間図において示されている。図４ａは、完全に均一な主磁場Ｂ_０が存在する状態においてｋ_ｘ及びｋ_ｙ方向において正弦波変調された磁場勾配の適用によって得られる「理想的な」スパイラルｋ空間軌道を図示する。しかしながら、図４ｂにおいては、ｘ方向における強い勾配によってＢ_０は不均一であり、対応するボクセル位置は、理想的なスパイラル形状から著しく外れた歪んだｋ空間軌道になる。この効果の結果、ｋ空間サンプリングが不十分になり、ｋ空間のいくつかの部分においてナイキスト基準に違反する。図４ｂにおいては、ｋ空間の多くの部分から不十分な信号データがサンプリングされる。これらの効果によって、容易には補正できない強い局所的なオフ共鳴の場所において、局所的な勾配に誘起された不十分なｋ空間サンプリングによって生じる不所望の残存アーチファクト（以下において不良サンプリングアーチファクトと称される）がもたらされ得る。 However, even after applying deblurring methods of the type described above, artifacts often remain in image regions of very strong susceptibility-induced magnetic field gradients. In the case of spiral k-space trajectories, such artifacts appear in the reconstructed and deblurred MR images as characteristic ringing artifacts, which may superimpose or overlie anatomical details of interest. The reason for such residual artifacts is that in the case of strong (typically susceptibility- induced) local magnetic field gradients, the shape of the spiral k-space trajectory is similar to the theoretical spiral for each voxel. This is because the shape deviates considerably from the shape. This is shown in the two- dimensional k-space diagram of FIG. FIG. 4a illustrates an “ideal” spiral k-space trajectory obtained by application of sinusoidally modulated magnetic field gradients in the k _x and k _y directions in the presence of a completely homogeneous main magnetic field B ₀ . However, in Fig. 4b, B ₀ is non-uniform due to the strong gradient in the x direction, and the corresponding voxel locations result in distorted k-space trajectories that deviate significantly from the ideal spiral shape. This effect results in insufficient k-space sampling, which violates the Nyquist criterion in some parts of k-space. In Figure 4b, insufficient signal data is sampled from many parts of k-space. These effects result in unwanted residual artifacts (hereinafter referred to as poor sampling artifacts) caused by poor k-space sampling induced by local gradients at the location of strong local off-resonances that cannot be easily corrected. ) can be brought about.

前述のことから、向上されたＭＲ撮像技術に対する需要があることが容易に理解される。本発明の目的は、上述された限界に対処し、強いＢ_０不均一性／強いＢ_０勾配がある状況においても、効率的で高品質な非デカルトＭＲ撮像を可能とすることである。 From the foregoing, it can be easily seen that there is a need for improved MR imaging techniques. The aim of the present invention is to address the above-mentioned limitations and enable efficient and high quality non-Cartesian MR imaging even in situations with strong B ₀ inhomogeneities/strong B ₀ gradients.

本発明によると、ＭＲデバイスの検査ボリュームに位置付けられた対象のＭＲ撮像の方法が開示される。方法は、
少なくとも１つのＲＦ励起パルスと変調された磁場勾配とを含む撮像シーケンスを対象に施すステップと；
少なくとも１つの非デカルトｋ空間軌道に沿ってＭＲ信号を取得するステップと；
取得されたＭＲ信号からＭＲ画像を再構成するステップと；
Ｂ_０不均一性に誘起された不十分なｋ空間サンプリングによって生じる１つ又は複数の不良サンプリングアーチファクトを、深層学習ネットワークを使用して検知するステップと
を有する。 According to the invention, a method for MR imaging of an object positioned in an examination volume of an MR device is disclosed. The method is
subjecting the subject to an imaging sequence including at least one RF excitation pulse and a modulated magnetic field gradient;
acquiring MR signals along at least one non-Cartesian k-space trajectory;
reconstructing an MR image from the acquired MR signals;
detecting one or more bad sampling artifacts caused by insufficient k-space sampling induced by the _B0 non-uniformity using a deep learning network.

再構成された非デカルト（特には、スパイラル）ＭＲ画像において残存する不良サンプリングアーチファクトの原因を、深層学習ネットワークを使用して自動的に特定することが本発明の要旨である。不良サンプリングアーチファクトが検知されると、それらは、目標とされたやり方において、適切なアルゴリズムによって補正され得る。 It is the gist of the present invention to automatically identify the causes of residual poor sampling artifacts in reconstructed non-Cartesian (particularly spiral) MR images using a deep learning network. Once bad sampling artifacts are detected, they can be corrected by appropriate algorithms in a targeted manner.

好ましい実施形態において、再構成されたＭＲ画像は、不良サンプリングアーチファクトを検知するステップの前に、Ｂ_０マップに基づいてぼけ除去され、例えば、これは、ＭＲ画像を再構成するステップに統合される。従来のＢ_０マップに基づくぼけ除去を残余の不良サンプリングアーチファクトを検知する深層学習と組み合わせることによって、強い磁化率効果及び急峻な局所磁場勾配がある場合でも、特に高品質なＭＲ画像が取得され得る。 In a preferred embodiment, the reconstructed MR image is deblurred based on the _B0 map before the step of detecting bad sampling artifacts, e.g. this is integrated into the step of reconstructing the MR image. . By combining conventional _B0 map-based deblurring with deep learning to detect residual poor sampling artifacts, particularly high-quality MR images can be acquired even in the presence of strong magnetic susceptibility effects and steep local magnetic field gradients. .

更なる好ましい実施形態において、深層学習ネットワークは、ＭＲ画像からアーチファクトマップを導出するように訓練され、アーチファクトマップは、検知された不良サンプリングアーチファクトのみの図的表現である。これを達成するために、深層学習ネットワークは、好ましくは、その出力（最後のネットワーク層）においてモデル化されたアーチファクトマップのセットによって、及びその入力（最初のネットワーク層）においてそれぞれのモデル化されたアーチファクトマップと訓練ＭＲ画像との重畳によって訓練される。例えば、モデル化されたアーチファクトマップは、種々のオフ共鳴周波数において計算された単一又は複数のボクセルのオフ共鳴の点広がり関数を含み得る。換言すれば、本発明の手法は、不良サンプリングアーチファクトを、それらの最も単純な形態において、強い局所的なオフ共鳴が存在する状態における点広がり関数（使用された非デカルトｋ空間サンプリングスキームに対応する）として模倣し、これらを、深層学習ネットワークを訓練するために使用することである。より現実的な外観のために、不良サンプリングアーチファクトは、種々の点広がり関数の小さな、畳み込まれた局所的な集合体としてモデル化され、その各々は僅かに異なるオフ共鳴周波数におけるものであるが空間的に接近している。アーチファクトモデルのなおも更なる改善のために、オフ共鳴ボクセルのより複雑な局所的集合体も考慮するように小さな幾何学的歪曲が点広がり関数に付与され得る。こうして、深層学習ネットワークは、（ネットワークの出力において）予想される不良サンプリングアーチファクトのみを示す画像としてのモデル化されたアーチファクトマップによって訓練され、それに加えて、（ネットワークの入力において）それぞれの不良サンプリングアーチファクト及び（アーチファクトのない）訓練ＭＲ画像の対応する重畳によって訓練される。この手法は、「残余学習」の概念を採用する。これは、複雑で大きなＭＲ画像データに適用され得る。 In a further preferred embodiment, a deep learning network is trained to derive an artifact map from the MR images, the artifact map being a graphical representation only of the detected poor sampling artifacts. To achieve this, a deep learning network is preferably configured by a set of modeled artifact maps at its output (last network layer) and by a set of modeled artifact maps at its input (first network layer), respectively. It is trained by superimposing the artifact map and the training MR images. For example, the modeled artifact map may include single or multiple voxel off-resonance point spread functions calculated at various off-resonance frequencies. In other words, our approach eliminates bad sampling artifacts, in their simplest form, from a point spread function (corresponding to the non-Cartesian k-space sampling scheme used) in the presence of strong local off-resonances. ) and use these to train deep learning networks. For a more realistic appearance, bad sampling artifacts are modeled as a small, convolved local collection of various point spread functions, each at slightly different off-resonance frequencies. spatially close. For even further improvement of the artifact model, a small geometric distortion can be imparted to the point spread function to also take into account more complex local collections of off-resonance voxels. Thus, a deep learning network is trained with a modeled artifact map as an image that shows only the expected bad sampling artifacts (at the output of the network), and in addition, the respective bad sampling artifacts (at the input of the network). and the corresponding superposition of the (artifact-free) training MR images. This method employs the concept of "residual learning". This can be applied to complex and large MR image data.

深層学習ネットワークの出力としてアーチファクトマップが使用できるようになると、検知された不良サンプリングアーチファクトは、例えば、再構成された（及び、任意選択的には、ぼけ除去された）ＭＲ画像からアーチファクトマップを減算することによって、容易に補正され得る。 Once the artifact map is available as the output of the deep learning network, detected poor sampling artifacts can be detected by e.g. subtracting the artifact map from the reconstructed (and optionally deblurred) MR image. It can be easily corrected by doing this.

更なる好ましい実施形態において、補正は、予め定められた画像領域及び／又は不均一性又は主磁場の局所的な変化（勾配）の程度が所与の閾値を超えることをＢ_０マップが示す画像領域に制限される。画像品質を最適化するために、Ｂ_０マップにおける情報が、アーチファクト減算処理を、アーチファクトの潜在的な原因であることが明白である画像領域に適切に制限又は制約するために使用され得る。このようにして、不良サンプリングアーチファクトに対して構造的類似性を示す解剖学構造が除去されて、ＭＲ画像における重要な診断情報を潜在的に損なうことが自動的に回避される。可能な実施形態において、Ｂ_０マップ情報は、アーチファクト検知をガイドするために深層学習ネットワークを訓練する処理において直接的に使用される。ネットワークの入力として残余の不良サンプリングアーチファクトとともにＭＲ画像のみを使用する代わりに、Ｂ_０マップもネットワークに対してその入力として供給される。このようにして、深層学習ネットワークは、Ｂ_０マップ情報を自動的に考慮に入れ、それによって、有用な画像構造をアーチファクトとして間違って特定することを回避する。 In a further preferred embodiment, the correction is applied to a predetermined image area and/or to an image where the _B0 map shows that the degree of inhomogeneity or local variation (gradient) of the main magnetic field exceeds a given threshold. limited to area. To optimize image quality, the information in the B ₀ map can be used to appropriately limit or constrain the artifact subtraction process to image regions that are obvious to be potential sources of artifacts. In this way, anatomical structures showing structural similarity to poor sampling artifacts are removed, automatically avoiding potentially compromising important diagnostic information in the MR images. In a possible embodiment, the B ₀ map information is used directly in the process of training a deep learning network to guide artifact detection. Instead of using only MR images with residual bad sampling artifacts as input to the network, the B ₀ map is also fed to the network as its input. In this way, the deep learning network automatically takes into account the B ₀ map information, thereby avoiding incorrectly identifying useful image structures as artifacts.

更なる実施形態において、解剖学的地図が撮像データ（好ましくは、ボリュメトリックデータ、例えば、３Ｄ又はマルチスライスデータ）に適用され得、不良サンプリングアーチファクトの外観（例えば、頭部においては、眼の前頭皮質近くの領域又は内耳空洞など）に本質的な予め定められた画像領域の特定を可能とする。これは、例えばＢ_０マップが使用できない場合に、１つ又は複数の不良サンプリングアーチファクトの検知を制限するために使用され得る。このようなイベントにおいて、特定されたアーチファクトの補正も、これらの予め定められた領域に制限される。 In a further embodiment, an anatomical map may be applied to the imaging data (preferably volumetric data, e.g. 3D or multi-slice data) and the appearance of poor sampling artifacts (e.g. in the head, the frontal of the eyes). It allows for the identification of predefined image regions essential to areas near the cortex or the inner ear cavity. This may be used to limit the detection of one or more bad sampling artifacts, for example if a B ₀ map is not available. In such an event, correction of identified artifacts is also limited to these predetermined areas.

なおも別の好ましい実施形態において、深層学習ネットワークは畳み込みネットワークである。いわゆるＦ－Ｎｅｔネットワークアーキテクチャ（Ｂｒｏｓｃｈ Ｔ、Ｓａａｌｂａｃｈ Ａの「Ｆｏｖｅａｌ Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｓ ｆｏｒ Ｍｕｌｔｉ－Ｏｒｇａｎ Ｓｅｇｍｅｎｔａｔｉｏｎ」、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＳＰＩＥ、ｖｏｌｕｍｅ１０５７４、２０１８を参照）が使用され得、これは複数の解像度レベルに依存して高レベル及び低レベルの特徴を抽出する。代替的に、他のネットワークアーキテクチャが用いられてよい。例えば、いわゆるＵ－Ｎｅｔアーキテクチャ（Ｒｏｎｎｅｂｅｒｇｅｒ，Ｏ、Ｆｉｓｃｈｅｒ，Ｐ、Ｂｒｏｘ，Ｔの「Ｕ－ｎｅｔ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｂｉｏｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ ｉｍａｇｅ ｃｏｍｐｕｔｉｎｇ ａｎｄ ｃｏｍｐｕｔｅｒ－ａｓｓｉｓｔｅｄ ｉｎｔｅｒｖｅｎｔｉｏｎ、２３４～２４１ページ、２０１５を参照）が使用されてもよい。もしもＢ_０マップ及び入力ＭＲ画像が、非常に異なる解像度を有するならば、調整されたＹ－Ｎｅｔアーキテクチャ（Ｍｏｈａｍｍｅｄ，Ａらの「Ｙ－Ｎｅｔ：Ａ ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｐｏｌｙｐ Ｄｅｔｅｃｔｉｏｎ」、ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１８０６．０１９０７、２０１８を参照）が適切である。このアーキテクチャにおいて、しばしばより小さな解像度を有するＢ_０マップの符号化パスが、より少ない層及び／又はチャンネルを使用して実現され得、それによって、ネットワークの全体的なサイズが低減される。 In yet another preferred embodiment, the deep learning network is a convolutional network. The so-called F-Net network architecture (Brosch T., Saalbach A., “Foveal Fully Convolutional Nets for Multi-Organ Segmentation”, Proceedings of the SPIE, vol. e10574, 2018), which depends on multiple resolution levels. extract high-level and low-level features. Alternatively, other network architectures may be used. For example, the so-called U-Net architecture (Ronneberger, O., Fischer, P., Brox, T., "U-net: Convolutional networks for biomedical image segmentation", International Co. reference on medical image computing and computer-assisted intervention, pages 234-241. 2015) may be used. If the B ₀ map and the input MR images have very different resolutions, an adjusted Y-Net architecture (Mohammed, A. et al., "Y-Net: A deep Convolutional Neural Network for Polyp Detection", arXiv preprint arXiv :1806.01907, 2018) is appropriate. In this architecture, the encoding pass of the B ₀ map, often with smaller resolution, may be implemented using fewer layers and/or channels, thereby reducing the overall size of the network.

ここまでに説明された本発明の方法は、検査ボリューム内に均一な静的磁場を生成するための少なくとも１つの主電磁コイルと、検査ボリューム内で種々の空間的方向におけるスイッチされた磁場勾配を生成するためのいくつかの勾配コイルと、検査ボリューム内にＲＦパルスを生成するため及び／又は検査ボリュームに位置付けられた対象からのＭＲ信号を受信するための少なくとも１つのＲＦコイルと、時間的に連続するＲＦパルス及びスイッチされた磁場勾配を制御するための制御ユニットと、受信されたＭＲ信号からＭＲ画像を再構成するための再構成ユニットとを含むＭＲデバイスによって実行され得る。本発明の方法は、例えば、ＭＲデバイスの再構成ユニット及び／又は制御ユニットの対応するプログラミングによって実現され得る。 The method of the invention described so far comprises at least one main electromagnetic coil for generating a uniform static magnetic field within the examination volume and switched magnetic field gradients in different spatial directions within the examination volume. a number of gradient coils for generating and at least one RF coil for generating RF pulses in the examination volume and/or for receiving MR signals from a subject positioned in the examination volume; It may be performed by an MR device comprising a control unit for controlling successive RF pulses and switched magnetic field gradients and a reconstruction unit for reconstructing an MR image from the received MR signals. The method of the invention can be realized, for example, by corresponding programming of the reconfiguration unit and/or control unit of the MR device.

本発明の方法は、現在の臨床的使用においてほとんどのＭＲデバイスにおいて有利に実行され得る。このためには、ただ単に、ＭＲデバイスが上に説明された発明の方法のステップを実施するようにＭＲデバイスを制御するコンピュータプログラムを利用することが必要なだけである。コンピュータプログラムは、データ記憶媒体に存在してよく、又はＭＲデバイスの制御ユニットへのインストールのためにダウンロードされるようにデータネットワークに存在してよい。 The method of the invention can advantageously be implemented on most MR devices in current clinical use. For this purpose, it is only necessary to make use of a computer program which controls the MR device so that it carries out the steps of the inventive method described above. The computer program may reside on a data storage medium or may reside on a data network so as to be downloaded for installation in the control unit of the MR device.

更には、本発明の不良サンプリングアーチファクトの検知及び補正の手法は、診断ワークステーションにインストールされる遡及的なアーチファクト除去ソフトウェアツールとして実現され得る。 Additionally, the bad sampling artifact detection and correction techniques of the present invention may be implemented as a retrospective artifact removal software tool installed on a diagnostic workstation.

添付の図面は、本発明の好ましい実施形態を開示する。しかしながら、図面は例示のみを目的とするものと企図されており、本発明の限界を定めるものではないことが理解されるべきである。 The accompanying drawings disclose preferred embodiments of the invention. It is to be understood, however, that the drawings are intended for illustrative purposes only and are not intended to define the limits of the invention.

本発明の方法を実行するためのＭＲデバイスを図示する。1 illustrates an MR device for carrying out the method of the invention; Ｂ_０マップ並びに再構成及びぼけ除去されたＭＲ頭部画像を種々の局所的なオフ共鳴のためにモデル化された点広がり関数のセットとともに図示する。Figure 3 illustrates a B ₀ map and a reconstructed and deblurred MR head image with a set of point spread functions modeled for various local off-resonances. スパイラルＭＲ頭部画像における不良サンプリングアーチファクト補正のための本発明の手法を示す。3 illustrates the present technique for poor sampling artifact correction in spiral MR head images. スパイラルＭＲ撮像の例における不良サンプリングアーチファクトの原因を示すｋ空間の図を図示する。FIG. 3 illustrates a k-space diagram illustrating the causes of bad sampling artifacts in an example of spiral MR imaging.

図１を参照すると、ＭＲデバイス１が概略的に図示されている。デバイスは、略均一で時間的に一定な主磁場が検査ボリュームを通ってｚ軸に沿って生成されるように、超電導又は抵抗性の主磁石コイル２を備える。 Referring to FIG. 1, an MR device 1 is schematically illustrated. The device comprises a superconducting or resistive main magnet coil 2 such that a substantially uniform and temporally constant main magnetic field is generated along the z-axis through the examination volume.

磁気共鳴生成及び操作システムは、ＭＲ撮像を実施するために、一連のＲＦパルス及びスイッチされた磁場勾配を印加して、核磁気スピンを反転若しくは励起すること、磁気共鳴を誘起すること、磁気共鳴をリフォーカスさせること、磁気共鳴を操作すること、空間的に若しくは他のやり方で磁気共鳴を符号化すること、スピンを飽和させることなどを行う。 Magnetic resonance generation and manipulation systems apply a series of RF pulses and switched magnetic field gradients to invert or excite nuclear magnetic spins, induce magnetic resonance, and generate magnetic resonance to perform MR imaging. refocusing the magnetic resonance, manipulating the magnetic resonance, spatially or otherwise encoding the magnetic resonance, saturating the spins, etc.

より具体的には、勾配パルス増幅器３は、検査ボリュームのｘ、ｙ及びｚ軸に沿った全身勾配コイル４、５、及び６のうちの選択された１つに電流パルスを印加する。デジタルＲＦ周波数送信器７は、送信／受信スイッチ８を介して、ＲＦパルス又はパルスパケットを全身ボリュームＲＦコイル９に送信して、検査ボリューム内にＲＦパルスを送信する。典型的なＭＲ撮像シーケンスは、持続時間の短いＲＦパルスセグメントのパケットから構成され、これらは、互いとともに及び任意の印加された磁場勾配とともに、核磁気共鳴の選択された操作を達成する。ＲＦパルスは、共鳴を飽和、励起し、磁化を反転し、共鳴をリフォーカスさせ、又は共鳴を操作し、検査ボリューム内に位置付けられた身体１０の一部分を選択するために使用される。ＭＲ信号は全身ボリュームＲＦコイル９によってもピックアップされる。 More specifically, the gradient pulse amplifier 3 applies current pulses to a selected one of the whole body gradient coils 4, 5 and 6 along the x, y and z axes of the examination volume. Digital RF frequency transmitter 7 transmits RF pulses or pulse packets via transmit/receive switch 8 to whole body volume RF coil 9 to transmit RF pulses into the examination volume. A typical MR imaging sequence consists of a packet of short duration RF pulse segments, which together with each other and any applied magnetic field gradients accomplish selected manipulations of nuclear magnetic resonance. The RF pulses are used to saturate, excite, reverse magnetization, refocus, or manipulate resonance to select a portion of the body 10 located within the examination volume. The MR signal is also picked up by the whole body volume RF coil 9.

身体１０の限られた領域のＭＲ画像の生成のために、局所アレイＲＦコイル１１、１２、１３のセットが、撮像のために選択された領域に隣接して配置される。アレイコイル１１、１２、１３は、身体コイルＲＦ送信によって誘起されたＭＲ信号を受信するために使用され得る。 For generation of MR images of a limited area of the body 10, a set of local array RF coils 11, 12, 13 are placed adjacent to the area selected for imaging. Array coils 11, 12, 13 may be used to receive MR signals induced by body coil RF transmission.

結果的なＭＲ信号は、全身ボリュームＲＦコイル９及び／又はアレイＲＦコイル１１、１２、１３によってピックアップされ、好ましくはプレ増幅器（図示せず）を含む受信器１４によって復調される。受信器１４は、送信／受信スイッチ８を介してＲＦコイル９、１１、１２及び１３に接続される。 The resulting MR signals are picked up by whole body volume RF coil 9 and/or array RF coils 11, 12, 13 and demodulated by receiver 14, preferably including a pre-amplifier (not shown). Receiver 14 is connected to RF coils 9 , 11 , 12 and 13 via transmit/receive switch 8 .

ホストコンピュータ１５は、本発明によるスパイラルｋ空間軌道に沿ったＭＲ信号を取得するために、勾配パルス増幅器３及び送信器７を制御して、エコー平面撮像（ＥＰＩ）、エコーボリューム撮像、勾配及びスピンエコー撮像、高速スピンエコー（ＴＳＥ）撮像などの複数のＭＲ撮像シーケンスのうちの任意のものを生成する。選択されたシーケンスについて、受信器１４は、各ＲＦ励起パルスに続いて、単一の又は複数のＭＲデータをそれぞれのｋ空間軌道に沿って迅速に連続して受信する。データ取得システム１６は、受信された信号のアナログ－デジタル変換を実施し、更なる処理に適したデジタルフォーマットに各ＭＲ信号を変換する。最新のＭＲデバイスにおいては、データ取得システム１６は、未加工画像データの取得に特化された別個のコンピュータである。 The host computer 15 controls the gradient pulse amplifier 3 and the transmitter 7 to perform echo planar imaging (EPI), echo volume imaging, gradient and spin imaging in order to acquire MR signals along a spiral k-space trajectory according to the present invention. Generate any of a plurality of MR imaging sequences, such as echo imaging, fast spin echo (TSE) imaging, etc. For the selected sequence, receiver 14 receives single or multiple MR data along respective k-space trajectories in rapid succession following each RF excitation pulse. Data acquisition system 16 performs analog-to-digital conversion of the received signals and converts each MR signal to a digital format suitable for further processing. In modern MR devices, data acquisition system 16 is a separate computer specialized for acquiring raw image data.

最終的に、デジタル未加工画像データは、フーリエ変換又は他の適切な再構成アルゴリズムを適用する再構成プロセッサ１７によって画像表現に再構成される。ＭＲ画像は、患者を通る平面スライス、平行平面スライスのアレイ、３次元ボリュームなどを表現する。次いで、画像は、画像メモリに記憶され、画像メモリにおいて、画像は、画像表現のスライス、投影又は他の部分を、例えば結果的なＭＲ画像の人間が読み取り可能な表示を提供するビデオモニタ１８を介した視覚化のための適切なフォーマットに変換するためにアクセスされる。 Finally, the digital raw image data is reconstructed into an image representation by a reconstruction processor 17 that applies a Fourier transform or other suitable reconstruction algorithm. MR images represent plane slices, arrays of parallel plane slices, three -dimensional volumes , etc. through the patient. The image is then stored in an image memory where it is displayed on a video monitor 18 that provides a slice, projection or other portion of the image representation, e.g. a human readable display of the resulting MR image. accessed to convert it into a suitable format for visualization via.

ＭＲデバイス１は、例えばホストコンピュータ１５及び再構成プロセッサ１７の適切なプログラミングによって、本明細書において上記及び下記に説明される本発明の撮像方法を実施するように構成される。 The MR device 1 is configured, for example by appropriate programming of the host computer 15 and the reconstruction processor 17, to implement the inventive imaging method described herein above and below.

引き続き図１を参照するとともに更に図２及び図３を参照すると、本発明の撮像手法の実施形態が説明されている。 With continued reference to FIG. 1 and additional reference to FIGS. 2 and 3, embodiments of the imaging technique of the present invention are described.

例示的な実施形態において、スピンエコーＴ_２重み付きスパイラル撮像が実施される。６０ｍｓのエコー時間における５０ｍｓの取得窓中に、ただ１つのスパイラル軌道が取得される。リダクションファクタ（reduction factor）Ｒ＝３のパラレルイメージングが使用される。反復的なスパイラルＳＥＮＳＥ画像再構成及び適切なＢ_０マップに基づくぼけ除去を使用して、スパイラルスピンエコー（ＳＥ）ＭＲ画像（図２における上段右の画像を参照）が得られる。また、ぼけ除去のために使用される（別個に取得された）Ｂ_０磁場マップが図２に図示されている（上段左の画像）。スキャン効率と、Ｂ_０マップにおいて現れ得る高い、変化の激しい局所的な場の不均一性とを最適化するために選ばれた長い取得窓に起因して、Ｂ_０マップに基づいたオフ共鳴補正（ぼけ除去）の後にも、再構成されたＭＲ画像には未補正の不良サンプリングアーチファクトが残存している。残存している不良サンプリングアーチファクトは、矢印によって示されるリンギングタイプの構造として現れる。図２の下段の行において、計算された点広がり関数（単一ボクセル信号表現）が、Ｈｚの単位で与えられた種々のオフ共鳴周波数について、及びＭＲ信号取得において使用される所与のスパイラルｋ空間軌道について図示される。上段右のＭＲ画像における内耳に近い場所について、Ｂ_０マップは、約２５０Ｈｚの逸脱を予測している。画像において、点広がり関数の対応する内側リング寸法が重ね合されている。この点広がり関数は、マークされた場所（小さい円）の中央のボクセル又はボクセルの集合体から生じる信号の寄与を模倣し、これは、強い局所的な勾配の存在によって認識できないほどに歪んでおり、Ｂ_０マップに基づいてこれ以上の補正を行うことはできない。不良サンプリングアーチファクトは、１つのボクセルからもたらされるだけではない。異なる強度を有するいくつかの互いに接近したボクセルの小集合体から不良サンプリングアーチファクトがもたらされ得、これは実際の局所的な不均一性の程度が異なり、より複雑な、歪んだ、非回転的な又は捩れたアーチファクトパターンをもたらす。上述されたように、計算された点広がり関数が、深層学習ネットワークを訓練するためのモデルアーチファクトマップとして使用される。図示される実施形態において、複数の解像度レベルに依存して高レベル及び低レベルの両方の特徴を抽出するＦ－Ｎｅｔアーキテクチャが使用される。それぞれが２つの畳み込み層を有する３つの異なる解像度レベルが用いられる。 In an exemplary embodiment, spin-echo _T2 weighted spiral imaging is performed. Only one spiral trajectory is acquired during a 50 ms acquisition window at a 60 ms echo time. Parallel imaging with a reduction factor R=3 is used. Spiral spin-echo (SE) MR images (see top right image in FIG. 2) are obtained using iterative spiral SENSE image reconstruction and deblurring based on the appropriate B ₀ map. The B ₀ magnetic field map (obtained separately) used for deblurring is also illustrated in FIG. 2 (top left image). Off-resonance correction based on the _B0 map due to the long acquisition window chosen to optimize scanning efficiency and high, highly variable local field inhomogeneities that can appear in the _B0 map. Even after (deblurring), uncorrected bad sampling artifacts remain in the reconstructed MR image. The remaining bad sampling artifacts appear as ringing type structures indicated by arrows. In the bottom row of Figure 2, the calculated point spread functions (single voxel signal representations) are shown for various off-resonance frequencies given in Hz and for a given spiral k used in the MR signal acquisition. Illustrated for spatial trajectory. For the location near the inner ear in the top right MR image, the B ₀ map predicts a deviation of about 250 Hz. In the image, the corresponding inner ring dimensions of the point spread functions are superimposed. This point spread function mimics the signal contribution arising from the central voxel or collection of voxels at the marked location (small circle), which is distorted beyond recognition by the presence of strong local gradients. , B No further correction can be made based on the B ₀ map. Bad sampling artifacts do not just result from one voxel. Poor sampling artifacts can result from small aggregations of several closely spaced voxels with different intensities, which differ in the degree of actual local inhomogeneity and can lead to more complex, distorted, non-rotational resulting in distorted or twisted artifact patterns. As mentioned above, the calculated point spread function is used as a model artifact map for training a deep learning network. In the illustrated embodiment, an F-Net architecture is used that relies on multiple resolution levels to extract both high-level and low-level features. Three different resolution levels are used, each with two convolutional layers.

図３において示されるように、訓練された深層学習ネットワークは、不良サンプリングアーチファクトを含むスパイラルＭＲ画像（上段左の画像）を分析する。ネットワークは、ＭＲ画像からアーチファクトマップを導出し、このアーチファクトマップは、ＭＲ画像における不良サンプリングアーチファクトの推定である。検知されたアーチファクトは、ＭＲ画像からアーチファクトマップを減算することで、アーチファクトマップに基づいて補正される。補正されたＭＲ画像は、図３における下段の画像である。アーチファクトマップにおける矢印は、深層学習ネットワークの解釈の誤りに基づいて間違って検知された不良サンプリングアーチファクトを示す。Ｂ_０マップを使用して、強い不均一性及び急峻な勾配を有する領域が特定され得る。残余の不良サンプリングアーチファクトは、ＭＲ画像のこれらの領域にのみ生じるものと予想され得る。従って、導出されたアーチファクトマップに基づくＭＲ画像の補正は、これらの領域にのみ許可される。Ｂ_０マップからの情報は、対応する減算マスクを導出するために使用され得、この減算マスクは、強い不均一性及び鋭い勾配がある場所において「１」であり、疑わしさがない場所、すなわち局所的な不均一性変化が臨界閾値よりも低く、オフ共鳴勾配に誘起された不十分なサンプリングに起因するアーチファクトが予想され得ない場所において、滑らかに「０」まで下がる。 As shown in FIG. 3, the trained deep learning network analyzes a spiral MR image (top left image) containing bad sampling artifacts. The network derives an artifact map from the MR image, which is an estimate of poor sampling artifacts in the MR image. The detected artifacts are corrected based on the artifact map by subtracting the artifact map from the MR image. The corrected MR image is the lower image in FIG. Arrows in the artifact map indicate bad sampling artifacts that were incorrectly detected based on misinterpretation of the deep learning network. Using the B ₀ map, regions with strong heterogeneity and steep slopes can be identified. Residual poor sampling artifacts can be expected to occur only in these regions of the MR image. Therefore, correction of the MR image based on the derived artifact map is only allowed for these regions. The information from the _B0 map can be used to derive a corresponding subtraction mask, which is '1' where there are strong inhomogeneities and sharp slopes, and '1' where there is no suspicion, i.e. It drops smoothly to ``0'' where the local inhomogeneity change is below a critical threshold and artifacts due to insufficient sampling induced off-resonance gradients cannot be expected.

更なる実施形態において、解剖学的地図が撮像データ（好ましくは、ボリュメトリックデータ、例えば、３Ｄ又はマルチスライスデータ）に適用され得、このようなアーチファクトの外観（頭部においては、眼の前頭皮質近くの領域又は内耳空洞など）に本質的な、強い局所的な磁化率勾配のある領域の特定を可能とし、磁場マップ情報が使用できない場合に、この重み付きアーチファクト減算を支援する。 In a further embodiment, an anatomical map may be applied to the imaging data (preferably volumetric data, e.g. 3D or multi-slice data) and the appearance of such artifacts (in the head, the frontal cortex of the eye This allows the identification of regions with strong local magnetic susceptibility gradients, such as those inherent in nearby regions or the inner ear cavity, and assists this weighted artifact subtraction when magnetic field map information is not available.

このようにして、アーチファクトに対して類似性を示す解剖学的特徴が誤って除去されて、画像の臨床的価値に影響を与えることが自動的に回避される。 In this way, it is automatically avoided that anatomical features showing similarity to artifacts are mistakenly removed, thereby affecting the clinical value of the image.

Claims (12)

ＭＲデバイスの検査ボリューム内に位置付けられた対象のＭＲ撮像の方法であって、前記方法は、
少なくとも１つのＲＦ励起パルスと変調された磁場勾配とを含む撮像シーケンスを前記対象に施すステップと、
少なくとも１つの非デカルトｋ空間軌道に沿ってＭＲ信号を取得するステップと、
取得された前記ＭＲ信号からＭＲ画像を再構成するステップと、
前記ＭＲ画像における不均一性に誘起された不十分なｋ空間サンプリングによって生じる１つ又は複数の不良サンプリングアーチファクトを、深層学習ネットワークを使用して検知するステップと
を有する、方法。 A method of MR imaging of an object positioned within an examination volume of an MR device, the method comprising:
subjecting the object to an imaging sequence that includes at least one RF excitation pulse and a modulated magnetic field gradient;
acquiring MR signals along at least one non-Cartesian k-space trajectory;
reconstructing an MR image from the acquired MR signals;
detecting one or more poor sampling artifacts caused by insufficient k-space sampling induced by non-uniformity in the MR images using a deep learning network. 前記非デカルトｋ空間軌道は、スパイラルｋ空間軌道である、請求項１に記載の方法。 2. The method of claim 1, wherein the non-Cartesian k-space trajectory is a spiral k-space trajectory. 再構成された前記ＭＲ画像は、残存する不良サンプリングアーチファクトを前記検知するステップの前に、Ｂ_０マップに基づいてぼけ除去される、請求項１又は２に記載の方法。 3. The method of claim 1 or 2, wherein the reconstructed MR image is deblurred based on a _B0 map before the step of detecting residual poor sampling artifacts. 前記深層学習ネットワークは、前記ＭＲ画像からアーチファクトマップを導出するように訓練され、前記アーチファクトマップは、少なくとも１つの検知された前記不良サンプリングアーチファクトのみの図的表現である、請求項１から３のいずれか一項に記載の方法。 4. The method according to claim 1, wherein the deep learning network is trained to derive an artifact map from the MR image, the artifact map being a graphical representation of only the at least one detected poor sampling artifact. The method described in paragraph (1). 前記深層学習ネットワークは、その出力においてモデル化されたアーチファクトマップのセットによって、及びその入力においてそれぞれのモデル化された前記アーチファクトマップと訓練ＭＲ画像との重畳によって訓練される、請求項４に記載の方法。 5. The deep learning network according to claim 4, wherein the deep learning network is trained by a set of modeled artifact maps at its output and by a superposition of a training MR image with each modeled artifact map at its input. Method. モデル化された前記アーチファクトマップは、使用された前記撮像シーケンスに関して計算された単一又は複数のボクセルのオフ共鳴の点広がり関数を含む、請求項５に記載の方法。 6. The method of claim 5, wherein the modeled artifact map comprises a single or multiple voxel off-resonance point spread function calculated for the used imaging sequence. 検知された前記不良サンプリングアーチファクトは、前記深層学習ネットワークによって、再構成された前記ＭＲ画像から導出された前記アーチファクトマップに基づいて補正される、請求項４から６のいずれか一項に記載の方法。 The method according to any one of claims 4 to 6, wherein the detected bad sampling artifact is corrected by the deep learning network based on the artifact map derived from the reconstructed MR image. . 前記１つ又は複数の不良サンプリングアーチファクトを検知するステップは、予め定められた画像領域及び／又は前記不均一性又は主磁場の局所的な変化の程度が所与の閾値を超えることをＢ_０マップが示す画像領域に制限される、請求項１から７のいずれか一項に記載の方法。 The step of detecting one or more bad sampling artifacts includes detecting a predetermined image region and/or a _B0 map in which the degree of local variation of the inhomogeneity or main magnetic field exceeds a given threshold. 8. A method according to any one of claims 1 to 7, wherein the method is restricted to an image region indicated by . Ｂ_０マップが、前記不良サンプリングアーチファクトの検知中に前記深層学習ネットワークの更なる入力として使用される、請求項１から８のいずれか一項に記載の方法。 9. A method according to any one of claims 1 to 8, wherein a _B0 map is used as a further input of the deep learning network during the detection of bad sampling artifacts. 前記深層学習ネットワークは畳み込みネットワークである、請求項１から９のいずれか一項に記載の方法。 10. A method according to any preceding claim, wherein the deep learning network is a convolutional network. 検査ボリューム内に均一な静的磁場を生成するための少なくとも１つの主電磁コイルと、前記検査ボリューム内で種々の空間的方向におけるスイッチされた磁場勾配を生成するためのいくつかの勾配コイルと、前記検査ボリューム内にＲＦパルスを生成するため及び／又は前記検査ボリュームに位置付けられた対象からのＭＲ信号を受信するための少なくとも１つのＲＦコイルと、時間的に連続するＲＦパルス及びスイッチされた磁場勾配を制御するための制御ユニットと、受信された前記ＭＲ信号からＭＲ画像を再構成するための再構成ユニットとを含むＭＲデバイスであって、前記ＭＲデバイスは、
少なくとも１つのＲＦ励起パルスと変調された磁場勾配とを含む撮像シーケンスを前記対象に施すことと、
少なくとも１つの非デカルトｋ空間軌道に沿ってＭＲ信号を取得することと、
取得された前記ＭＲ信号からＭＲ画像を再構成することと、
前記ＭＲ画像における不均一性に誘起された不十分なｋ空間サンプリングによって生じる１つ又は複数の不良サンプリングアーチファクトを、深層学習ネットワークを使用して検知することと
を実施する、ＭＲデバイス。 at least one main electromagnetic coil for producing a uniform static magnetic field within the examination volume and several gradient coils for producing switched magnetic field gradients in different spatial directions within said examination volume; at least one RF coil for generating RF pulses in the examination volume and/or for receiving MR signals from a subject positioned in the examination volume, and temporally sequential RF pulses and switched magnetic fields; An MR device comprising a control unit for controlling a gradient and a reconstruction unit for reconstructing an MR image from the received MR signals, the MR device comprising:
subjecting the object to an imaging sequence that includes at least one RF excitation pulse and a modulated magnetic field gradient;
acquiring MR signals along at least one non-Cartesian k-space trajectory;
reconstructing an MR image from the acquired MR signal;
detecting one or more poor sampling artifacts caused by insufficient k-space sampling induced by non-uniformity in the MR image using a deep learning network. 非デカルトｋ空間サンプリングを使用して取得されたＭＲ信号からＭＲ画像を再構成することと、
前記ＭＲ画像における不均一性に誘起された不十分なｋ空間サンプリングによって生じる１つ又は複数の不良サンプリングアーチファクトを、深層学習ネットワークを使用して検知することと
のための命令を含む、コンピュータプログラム。 reconstructing an MR image from an MR signal acquired using non-Cartesian k-space sampling;
and detecting one or more poor sampling artifacts caused by insufficient k-space sampling induced by non-uniformity in the MR image using a deep learning network.