CN104545916B - 磁共振弥散张量去噪方法和系统 - Google Patents
磁共振弥散张量去噪方法和系统 Download PDFInfo
- Publication number
- CN104545916B CN104545916B CN201410814491.3A CN201410814491A CN104545916B CN 104545916 B CN104545916 B CN 104545916B CN 201410814491 A CN201410814491 A CN 201410814491A CN 104545916 B CN104545916 B CN 104545916B
- Authority
- CN
- China
- Prior art keywords
- diffusion
- denoising
- tensor
- dispersion
- dispersion tensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000002598 diffusion tensor imaging Methods 0.000 title claims abstract description 23
- 239000006185 dispersion Substances 0.000 claims abstract description 146
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000002597 diffusion-weighted imaging Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000009792 diffusion process Methods 0.000 claims description 35
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 206010013932 dyslexia Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000010415 tropism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种磁共振弥散张量去噪方法和系统，其方法基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法直接由K空间数据获得每一个空间位置所对应的去噪后的弥散张量矩阵。本发明可以避免图像去噪的误差对弥散张量估计的影响，可以更有效地抑制弥散张量中的噪声，提高弥散张量的估计精度。
Description
技术领域
本发明涉及了磁共振成像技术，特别是涉及一种磁共振弥散张量去噪方法和系统。
背景技术
弥散张量成像(Diffusion Tensor Imaging DTI)是在弥散加权成像(DiffusionWeighted Imaging DWI)基础上发展起来的新的成像方法，其利用水分子的弥散各向异性进行成像，可无损的从微观领域评价组织结构的完整性，为疾病的预防、诊断及治疗提供更多的信息。但是，相比其他的磁共振成像技术，DTI需要较长的扫描时间，且信噪比较低。
为了提高弥散张量成像的信噪比，目前较为直接的方法是通过多次采样取平均和减小K空间采样区域的方法。这些方法在实际中有一定的应用，但会增加扫描时间和影响空间分辨率。另一种常见的方法是在获取K空间扫描数据后，首先重建出弥散加权图像，然后再运用信号处理的方法对图像进行去噪，最后，通过去噪后的图像计算弥散张量及各种弥散参数。该方法应用较广，但图像去噪过程中的系统误差有可能会进一步传递到后续的张量计算中，进而影响各种弥散参数图像的质量。
发明内容
基于此，有必要针对现有技术中的问题，提供一种磁共振弥散张量去噪方法和系统，其可以避免图像去噪的误差对弥散张量估计的影响，可以更有效地抑制弥散张量中的噪声，提高弥散张量的估计精度。
本发明提供了一种磁共振弥散张量去噪方法，其包括：
图像数据获取步骤：获取磁共振弥散加权图像所对应的K空间数据；
去噪步骤：基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法由K空间数据获得每一个空间位置所对应的去噪后的弥散张量矩阵；
弥散参数计算步骤：基于所述去噪后的弥散张量矩阵，获得弥散参数图。
在其中一个实施例中，所述去噪步骤包括：
基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法，构建去噪函数模型，所述函数模型参见如下述公式(1)：
公式(1)
其中，表示弥散张量矩阵的估计值，Μ(·)表示计算所述弥散张量特征值的运算符，即Μ(D)＝[λ1,λ2,λ3]，λ1,λ2,λ3分别为所述弥散张量矩阵D的三个弥散张量特征值；R(·)是作用于弥散张量特征值的稀疏约束函数，λ为相应的正则化参数；dm为第m个弥散加权图像所对应的K空间数据；F表示傅立叶编码矩阵；表示第m个弥散加权图像，其中，I0表示无弥散加权的参考图像，为第m个弥散加权图像的相位，b是弥散加权因子，gm是第m个弥散加权图像所对应的弥散梯度向量gm＝(gxm,gym，gzm)T；
利用所述K空间数据，求解公式(1)，获得每一个空间位置所对应的去噪后的弥散张量矩阵。
在其中一个实施例中，所述作用于弥散张量特征值的稀疏约束函数约束每个弥散张量特征值的稀疏性。
在其中一个实施例中，所述作用于弥散张量特征值的稀疏约束函数约束弥散张量特征值的联合稀疏性。
在其中一个实施例中，所述作用于弥散张量特征值的稀疏约束函数R(·)调用以下公式计算获得：
其中，Ψ为运算符、表示稀疏变换，||·||1表示L1范数。
在其中一个实施例中，所述作用于弥散张量特征值的稀疏约束函数R(·)调用以下公式计算获得：
其中，Ψ为运算符，表示稀疏变换，ψi表示Ψ的第i列，||·||1表示L1范数，||·||2表示L2范数。
基于上述方法，本发明还提供了一种磁共振弥散张量去噪系统，其包括：
图像数据获取模块，用于获取磁共振弥散加权图像所对应的K空间数据；
去噪模块，用于基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法由所述K空间数据获得每一个空间位置所对应的去噪后的弥散张量矩阵；及
弥散参数计算模块，用于基于所述去噪后的弥散张量矩阵，获得弥散参数图。
在其中一个实施例中，所述去噪模块包括：
模型构建单元，用于基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法构建去噪函数模型，所述去噪函数模型见上述公式(1)；和
矩阵求解单元，用于利用所述K空间数据，调用所述函数模型求解获得每一个空间位置所对应的去噪后的弥散张量矩阵。
在其中一个实施例中，所述作用于弥散张量特征值的稀疏约束函数约束每个弥散张量特征值的稀疏性。
在其中一个实施例中，所述作用于弥散张量特征值的稀疏约束函数约束弥散张量特征值的联合稀疏性。
本发明提出利用弥散张量特征值的稀疏性，直接通过获取的K空间数据对弥散张量进行去噪成像的方法，该方法略过了传统的图像去噪的步骤，避免了图像去噪的误差对弥散张量估计的影响，可以更有效地抑制弥散张量中的噪声，提高弥散张量的估计精度。
附图说明
图1为本发明方法的一个实施例流程示意图；
图2为本发明方法的另一个实施例流程示意图；
图3为本发明系统的一个实施例结构示意图；
图4为本发明系统的另一个实施例结构示意图。
具体实施方式
本发明基于磁共振弥散加权成像技术，利用弥散张量模型和弥散张量特征值的固有特性(如稀疏性)，基于最大后验概率估计的理论框架，直接由采集的K空间数据获取去噪后的弥散张量，从而实现磁共振弥散张量成像。这里提到的磁共振弥散张量成像，是有别于弥散加权成像的一种新方法，可以用于描述大脑结构。举例来说，如果说核磁共振成像是追踪水分子中的氢原子，那么弥散张量成像便是依据水分子移动方向制图，弥散张量成像图(呈现方式与以前的图像不同)可以揭示脑瘤如何影响神经细胞连接，引导医疗人员进行大脑手术。它还可以揭示同中风、多发性硬化症、精神分裂症、阅读障碍有关的细微反常变化。
磁共振成像的物理机制可以表示为下述公式(2-1)：
d＝Fρ+n 公式(2-1)
其中，d表示在磁共振仪上所采集的信号，F表示博立叶编码矩阵，ρ为磁共振重建的图像，n通常假定为复高斯白噪声。
在磁共振弥散加权成像中，第m个弥散加权图像ρm的成像模型可以写作下述公式(2-2)：
公式(2-2)
其中，I0表示无弥散加权的参考图像，为第m个弥散加权图像的相位，b是弥散加权因子(常量)，gm是第m个弥散加权图像所对应的弥散梯度向量gm＝(gxm,gym,gzm)T。
对于弥散加权成像，只有一个弥散系数一个标量值来描述弥散属性，而在弥散张量成像中，弥散张量可以完全描述每一个方向上水分子的移动及在这些方向上水分子移动的相关性。而张量本质上就是一副三维空间的方向矢量图，可以用以显示脑图像中有方向性的白质纤维束内水分子移动的选择性。弥散张量通常由下述公式(2-3)矩阵表示，以下简称为弥散张量矩阵。
公式(2-3)
上述弥散张量矩阵D为对称矩阵，为了形象地表述弥散张量矩阵，可以进一步将弥散张量矩阵视为一个椭圆球体(ellipsoid)，其本征值代表了沿弥散椭球最大和最小轴的弥散系数。所以，弥散张量矩阵的三个本征值是最基本的旋转不变量(即不随弥散方向而改变)。它们是沿着三个坐标轴方向测量的主弥散系数。这三个坐标轴是组织固有的。每个本征值联系着一个本征向量，这个本征向量也是组织固有的。弥散张量矩阵的三个本征向量相互垂直，并构建了每个像素的局部参照纤维框架。在每个像素中，本征值从大到小排列：λ1＝最大弥散系数，λ2＝中级弥散系数，λ3＝最低弥散系数。λ1代表平行于纤维方向的弥散系数，λ2和λ3代表横向弥散系数。每个像素所对应的本征值λ1、λ2、λ3以下统称为弥散张量特征值。
下面将结合附图详细说明本发明所提供的磁共振弥散张量成像方法和系统的具体实施例。
如图1所示，本实施例提供的一种磁共振弥散张量成像方法，其包括以下步骤：
图像数据获取步骤110：获取磁共振弥散加权图像所对应的K空间数据；
去噪步骤120：基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法由K空间数据获得每一个空间位置所对应的去噪后的弥散张量矩阵；
弥散参数计算步骤130：基于去噪后的弥散张量矩阵，获得弥散参数图。
基于上述实施例，上述步骤110中，所获得的K空间数据可以通过回波平面成像(echo planar imaging，EPI)技术和并行成像技术(parallel imaging)获得。当然本发明步骤110主要是为了获取K空间数据，而不限制所使用的采集技术。
基于上述实施例，如图2所示，上述去噪步骤120在具体实现时可以包括以下两个步骤。
步骤121，基于磁共振弥散加权成像模型(即上述公式(2-1)和(2-2))和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法，构建去噪函数模型，该去噪函数模型参见如下述公式(1)：
公式(1)
其中，表示弥散张量矩阵的估计值，Μ(·)表示计算弥散张量特征值的运算符，即Μ(D)＝[λ1,λ2,λ3]，λ1,λ2,λ3分别为弥散张量矩阵D的三个弥散张量特征值；R(·)是作用于弥散张量特征值的稀疏约束函数，λ为相应的正则化参数；dm为第m个弥散加权图像所对应的K空间数据；F表示傅立叶编码矩阵；表示第m个弥散加权图像，其中，I0表示无弥散加权的参考图像，为第m个弥散加权图像的相位，b是弥散加权因子，gm是第m个弥散加权图像所对应的弥散梯度向量gm＝(gxm,gym,gzm)T ；
步骤122，利用上述K空间数据，求解公式(1)，获得每一个空间位置所对应的去噪后的弥散张量矩阵。
基于上述实施例，本发明基于采样噪声服从高斯分布，结合上述公式(2-1)和(2-2)，利用弥散张量特征值的固有特性(如稀疏性)，给出了上述公式(1)上述的函数模型，用以表征弥散张量的最大后验概率估计。而对于上述在采用最大后验概率估计方法时，引入了对弥散张量特征值的稀疏约束。比如：在本发明的一个实施例中，上述作用于弥散张量特征值的稀疏约束函数R(·)约束每个弥散张量特征值的稀疏性，优选地调用下述公式(3)计算获得上述稀疏约束函数R(·)。
公式(3)
即上述公式(1)中的作用于弥散张量特征值的稀疏约束函数R(Μ(D))表示为上述公式(3)的内容，其中，λ1,λ2,λ3分别为弥散张量矩阵D的三个弥散张量特征值，运算符Ψ表示某稀疏变换，如小波变换等。||·||1表示取L1范数。本实施例中利用L1范数||·||1用来约束弥散张量矩阵的特征值在稀疏变换域内的稀疏性。至此，弥散张量的去噪问题转变为结合公式(3)、利用数值最优化对上述公式(1)的求解问题。而对于上述公式(1)的常用求解方法有非线性共轭梯度法、模拟退火法、Bregman算法、FPC(Fixed-Point Continuation)算法、L1-magic算法、L1-LS算法、牛顿下降法、遗传算法等，在此不做详细说明。
本发明的另一个实施例中，上述作用于弥散张量特征值的稀疏约束函数约束弥散张量特征值的联合稀疏性，优选地，调用下述公式(4)计算获得上述稀疏约束函数R(·)。
公式(4)
即上述公式(1)中的作用于弥散张量特征值的稀疏约束函数R(Μ(D))表示为上述公式(4)的内容，λ1,λ2,λ3分别为弥散张量矩阵D的三个弥散张量特征值，运算符Ψ表示某稀疏变换，如小波变换等。ψi表示Ψ的第i列。||·||2表示取L2范数。本实施例中利用L1-L2混合范数来约束弥散张量矩阵特征值在稀疏变换域内的联合稀疏性。至此，弥散张量的去噪问题转变为结合公式(4)、利用数值最优化对上述公式(1)的求解问题，而对于上述公式(1)的常用求解方法有非线性共轭梯度法、模拟退火法、Bregman算法、FPC(Fixed-PointContinuation)算法、L1-magic算法、L1-LS算法、牛顿下降法、遗传算法等，在此不做详细说明。
基于上述实施例，上述弥散参数计算步骤130中还包括以下步骤：
根据去噪后的弥散张量矩阵，计算弥散参数；这里提到的弥散参数主要是指以下提到的5个基本参数。
对于弥散张量成像技术，还需要根据上述弥散张量矩阵D计算各种弥散参数，如下述说明。
(1)MD，即平均弥散率(mean diffusivity MD)，MD反映分子整体的弥散水平(平均椭球的大小)和弥散阻力的整体情况。MD只表示弥散的大小，而与弥散的方向无关。MD越大，组织内所含自由水分子则越多。计算公式如下述公式(2-4)所示：
MD＝(λ1+λ2+λ3)/3 公式(2-4)
(2)FA，即部分各向异性指数，是水分子各向异性成分占整个弥散张量的比例，它的变化范围从0～1。0代表弥散不受限制，比如脑脊液的FA值接近0；对于非常规则的具有方向性的组织，其FA值大于0，例如大脑白质纤维FA值接近1。FA值的计算公式如下下述公式(2-5)：
公式(2-5)
(3)RA，相对各向异性指数，是弥散张量的各向异性部分与弥散张量各向同性部分的比值，它的变化范围从0(各向同性弥散)到√2(无穷各向异性)。RA的计算公式为下述公式(2-6)：
公式(2-6)
(4)VR，即容积比指数，是椭圆体与球体容积的比值。由于它的变化范围从1(即各向同性弥散)到0，所以，临床上更倾向于应用1/VR。VR的计算公式如下述公式(2-6)：
VR＝(λ1×λ2×λ3)/MD3 公式(2-6)
上述公式中，λ1,λ2,λ3为弥散张量矩阵D的三个特征值(前述已解释，请参见前述说明)。
(5)弥散张量轨迹(the trace of the diffusion tensor)，其是一个不变参数，Tr(D)＝D1+D2+D3。其中，D1、D2、D3为上述公式(2-3)所示矩阵的主对角线元素。
图1或图2为本发明一个实施例的流程示意图。应该理解的是，虽然图1或图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图1或图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段结合实施的。以上各个实施例在具体说明中仅只针对相应步骤的实现方式进行了阐述，然后在逻辑不相矛盾的情况下，上述各个实施例是可以相互组合的而形成新的技术方案的，而该新的技术方案依然在本具体实施方式的公开范围内。
基于上述方法，本发明还提供了一种磁共振弥散张量去噪系统，如图3所示，该系统包括：
图像数据获取模块210，用于获取磁共振弥散加权图像所对应的K空间数据；
去噪模块220，用于基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法由K空间数据获得每一个空间位置所对应的去噪后的弥散张量矩阵；及
弥散参数计算模块230，用于基于上述去噪后的弥散张量矩阵，获得弥散参数图。
上述图像数据获取模块210主要用于图1所示方法中的步骤110，上述去噪模块220主要用于图1所示方法中的步骤120，上述弥散参数计算模块230主要用于图1所示方法中的步骤130。因此本实施例的系统中各个功能模块的具体实现方式参见上述有关步骤110至步骤130的解释说明。
基于上述系统，如图4所示，在本发明的一个实施例中，上述去噪模块220包括：
模型构建单元221，用于基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法构建去噪函数模型，上述去噪函数模型参见如下述公式(1)：
公式(1)
其中，表示弥散张量矩阵的估计值，Μ(·)表示计算上述弥散张量特征值的运算符，即Μ(D)＝[λ1,λ2,λ3]，λ1,λ2,λ3分别为上述弥散张量矩阵D的三个弥散张量特征值；R(·)是作用于弥散张量特征值的稀疏约束函数，λ为相应的正则化参数；dm为第m个弥散加权图像所对应的K空间数据；F表示傅立叶编码矩阵；表示第m个弥散加权图像，其中，I0表示无弥散加权的参考图像，为第m个弥散加权图像的相位，b是弥散加权因子，gm是第m个弥散加权图像所对应的弥散梯度向量gm＝(gxm,gym,gzm)T；和
矩阵求解单元222，用于利用上述K空间数据，调用上述函数模型求解获得每一个空间位置所对应的去噪后的弥散张量矩阵。这里的函数模型参见上述公式(1)。
上述模型构建单元221主要用于图2所示方法中的步骤121，上述矩阵求解单元222主要用于图2所示方法中的步骤122。因此本实施例中的各个功能模块的具体实现方式参见上述有关步骤121至步骤122的解释说明。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个非易失性计算机可读存储介质(如ROM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的系统结构和方法。
综上所述，本发明运用弥散张量特征值的固有特性(如稀疏性)，直接通过采集的K空间数据获取去噪后的弥散张量矩阵，相比现有技术，其不需要通过增加采样次数或者减少K空间采样区域的方法，就可以提高弥散张量成像的信噪比，且还不需要通过对重建的弥散加权图像进行去噪处理来获取弥散张量矩阵及相关弥散参数，从而免除了图像去噪中的误差对弥散张量估计的影响，有效抑制了弥散张量中的噪声，提高了弥散张量估计的精度。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种磁共振弥散张量去噪方法，其包括：
图像数据获取步骤：获取磁共振弥散加权图像所对应的K空间数据；
去噪步骤：基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法由所述K空间数据获得每一个空间位置所对应的去噪后的弥散张量矩阵；
弥散参数计算步骤：基于所述去噪后的弥散张量矩阵，获得弥散参数图；
所述去噪步骤包括：
基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法构建去噪函数模型，所述去噪函数模型参见如下述公式(1)：
其中，表示弥散张量矩阵的估计值，M(·)表示计算所述弥散张量特征值的运算符，即R(M(D))＝R(λ1,λ2,λ3)，λ1,λ2,λ3分别为弥散张量矩阵D的三个弥散张量特征值；R(·)是作用于弥散张量特征值的稀疏约束函数，λ为相应的正则化参数；dm为第m个弥散加权图像所对应的K空间数据；F表示傅立叶编码矩阵；表示第m个弥散加权图像，其中，I0表示无弥散加权的参考图像，为第m个弥散加权图像的相位，b是弥散加权因子，gm是第m个弥散加权图像所对应的弥散梯度向量gm＝(gxm,gym,gzm)T。
2.根据权利要求1所述的磁共振弥散张量去噪方法，其特征在于，所述去噪步骤还包括：
利用所述K空间数据，求解所述公式(1)，获得每一个空间位置所对应的去噪后的弥散张量矩阵。
3.根据权利要求2所述的磁共振弥散张量去噪方法，其特征在于，所述作用于弥散张量特征值的稀疏约束函数约束每个弥散张量特征值的稀疏性。
4.根据权利要求2所述的磁共振弥散张量去噪方法，其特征在于，所述作用于弥散张量特征值的稀疏约束函数约束弥散张量特征值的联合稀疏性。
5.根据权利要求3所述的方法，其特征在于，所述作用于弥散张量特征值的稀疏约束函数R(·)调用以下公式计算获得：
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&Psi;&lambda;</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
其中，Ψ为运算符、表示稀疏变换，||·||1表示L1范数。
6.根据权利要求4所述的方法，其特征在于，所述作用于弥散张量特征值的稀疏约束函数R(·)调用以下公式计算获得：
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&psi;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mrow>
其中，Ψ为运算符，表示稀疏变换，ψi表示Ψ的第i列，||·||1表示L1范数，||·||2表示L2范数。
7.一种磁共振弥散张量去噪系统，其特征在于，所述系统包括：
图像数据获取模块，用于获取磁共振弥散加权图像所对应的K空间数据；
去噪模块，用于基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法由所述K空间数据获得每一个空间位置所对应的去噪后的弥散张量矩阵；及
弥散参数计算模块，用于基于所述去噪后的弥散张量矩阵，获得弥散参数图；
所述去噪模块包括：
模型构建单元，用于基于磁共振弥散加权成像模型和采样噪声的高斯分布性质，利用弥散张量特征值的稀疏性，采用最大后验概率估计的方法构建去噪函数模型，所述去噪函数模型参见如下述公式(1)：
其中，表示弥散张量矩阵的估计值，M(·)表示计算所述弥散张量特征值的运算符，即R(M(D))＝R(λ1,λ2,λ3)，λ1,λ2,λ3分别为弥散张量矩阵D的三个弥散张量特征值；R(·)是作用于弥散张量特征值的稀疏约束函数，λ为相应的正则化参数；dm为第m个弥散加权图像所对应的K空间数据；F表示傅立叶编码矩阵；表示第m个弥散加权图像，其中，I0表示无弥散加权的参考图像，为第m个弥散加权图像的相位，b是弥散加权因子，gm是第m个弥散加权图像所对应的弥散梯度向量gm＝(gxm,gym,gzm)T。
8.根据权利要求7所述的磁共振弥散张量去噪系统，其特征在于，所述去噪模块还包括：
矩阵求解单元，用于利用所述K空间数据，调用所述函数模型求解获得每一个空间位置所对应的去噪后的弥散张量矩阵。
9.根据权利要求7所述的磁共振弥散张量去噪系统，其特征在于，所述作用于弥散张量特征值的稀疏约束函数约束每个弥散张量特征值的稀疏性。
10.根据权利要求7所述的磁共振弥散张量去噪系统，其特征在于，所述作用于弥散张量特征值的稀疏约束函数约束弥散张量特征值的联合稀疏性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410814491.3A CN104545916B (zh) | 2014-12-23 | 2014-12-23 | 磁共振弥散张量去噪方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410814491.3A CN104545916B (zh) | 2014-12-23 | 2014-12-23 | 磁共振弥散张量去噪方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104545916A CN104545916A (zh) | 2015-04-29 |
| CN104545916B true CN104545916B (zh) | 2017-09-22 |
Family
ID=53063771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410814491.3A Active CN104545916B (zh) | 2014-12-23 | 2014-12-23 | 磁共振弥散张量去噪方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104545916B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136081A (zh) * | 2019-05-13 | 2019-08-16 | 北京邮电大学 | 一种基于高斯核偏态校正弥撒滤波器的图像增强方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443756A (zh) * | 2019-05-13 | 2019-11-12 | 北京邮电大学 | 一种基于相位恢复弥撒滤波器的图像增强方法 |
| CN117172294B (zh) * | 2023-11-02 | 2024-01-26 | 烟台大学 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663701A (zh) * | 2011-12-12 | 2012-09-12 | 中国科学院深圳先进技术研究院 | 一种磁共振参数重建方法及系统 |
| CN103356193A (zh) * | 2013-07-19 | 2013-10-23 | 哈尔滨工业大学深圳研究生院 | 压缩感知框架下的快速弥散张量成像方法及系统 |
| CN103985099A (zh) * | 2014-05-30 | 2014-08-13 | 成都信息工程学院 | 一种弥散张量磁共振图像张量域非局部均值去噪方法 |
| CN104504657A (zh) * | 2014-12-11 | 2015-04-08 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量去噪方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014165647A1 (en) * | 2013-04-03 | 2014-10-09 | The General Hospital Corporation | Sheet tractography using diffusion tensor mri |
-
2014
- 2014-12-23 CN CN201410814491.3A patent/CN104545916B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663701A (zh) * | 2011-12-12 | 2012-09-12 | 中国科学院深圳先进技术研究院 | 一种磁共振参数重建方法及系统 |
| CN103356193A (zh) * | 2013-07-19 | 2013-10-23 | 哈尔滨工业大学深圳研究生院 | 压缩感知框架下的快速弥散张量成像方法及系统 |
| CN103985099A (zh) * | 2014-05-30 | 2014-08-13 | 成都信息工程学院 | 一种弥散张量磁共振图像张量域非局部均值去噪方法 |
| CN104504657A (zh) * | 2014-12-11 | 2015-04-08 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量去噪方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136081A (zh) * | 2019-05-13 | 2019-08-16 | 北京邮电大学 | 一种基于高斯核偏态校正弥撒滤波器的图像增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104545916A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Artificial intelligence for MR image reconstruction: an overview for clinicians | |
| Tourbier et al. | An efficient total variation algorithm for super-resolution in fetal brain MRI with adaptive regularization | |
| Hasan et al. | A review of diffusion tensor magnetic resonance imaging computational methods and software tools | |
| CN102663701B (zh) | 一种磁共振参数重建方法及系统 | |
| Feng et al. | GRASP‐Pro: imProving GRASP DCE‐MRI through self‐calibrating subspace‐modeling and contrast phase automation | |
| CN104379058B (zh) | 用于高分辨率mri合并复用灵敏度编码（muse）的多重拍摄扫描协议 | |
| Zhang et al. | Application of Tikhonov regularization to super-resolution reconstruction of brain MRI images | |
| WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
| Lv et al. | Which GAN? A comparative study of generative adversarial network-based fast MRI reconstruction | |
| CN104574298A (zh) | 一种基于互信息的多b值扩散权重图像的降噪方法 | |
| CN104599244B (zh) | 磁共振弥散张量成像的去噪方法和系统 | |
| CN104545916B (zh) | 磁共振弥散张量去噪方法和系统 | |
| CN105931242B (zh) | 基于字典学习和时间梯度的动态核磁共振图像重建方法 | |
| Alhamud et al. | Motion artifact reduction in pediatric diffusion tensor imaging using fast prospective correction | |
| US10620287B2 (en) | Method and apparatus for denoising magnetic resonance diffusion tensor, and computer program product | |
| Martín-Fernández et al. | Sequential anisotropic multichannel Wiener filtering with Rician bias correction applied to 3D regularization of DWI data | |
| CN112581385B (zh) | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 | |
| Goodwin-Allcock et al. | How can spherical CNNs benefit ML-based diffusion MRI parameter estimation? | |
| Dai et al. | Multi‐band multi‐shot diffusion MRI reconstruction with joint usage of structured low‐rank constraints and explicit phase mapping | |
| CN104586394B (zh) | 去除磁共振弥散张量成像噪声的方法和系统 | |
| Esteban et al. | Simulation-based evaluation of susceptibility distortion correction methods in diffusion MRI for connectivity analysis | |
| CN104599245B (zh) | 磁共振弥散张量去噪方法和系统 | |
| Duan et al. | Efficient operator splitting algorithm for joint sparsity-regularized SPIRiT-based parallel MR imaging reconstruction | |
| Dhollander | From diffusion to the diffusion tensor | |
| Liu et al. | Accelerated submillimeter wave‐encoded magnetic resonance imaging via deep untrained neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |