CN105869192B - 一种基于滑动窗的磁共振指纹识别重建方法 - Google Patents

一种基于滑动窗的磁共振指纹识别重建方法 Download PDF

Info

Publication number
CN105869192B
CN105869192B CN201610182334.4A CN201610182334A CN105869192B CN 105869192 B CN105869192 B CN 105869192B CN 201610182334 A CN201610182334 A CN 201610182334A CN 105869192 B CN105869192 B CN 105869192B
Authority
CN
China
Prior art keywords
sliding window
magnetic resonance
dictionary
image
acquisition
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
Application number
CN201610182334.4A
Other languages
English (en)
Other versions
CN105869192A (zh
Inventor
钟健晖
何宏建
曹笑之
廖聪裕
王郅幸
陈颖
叶慧慧
丁秋萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201610182334.4A priority Critical patent/CN105869192B/zh
Publication of CN105869192A publication Critical patent/CN105869192A/zh
Application granted granted Critical
Publication of CN105869192B publication Critical patent/CN105869192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/13—Sensors therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及信息处理技术领域，具体涉及一种基于滑动窗的磁共振指纹识别重建技术。该技术沿采集信号时间轴方向的滑动窗重建图像序列并生成对应窗宽的字典元素。该技术可以缩短总采集时间，在相同的采集时间下能获得更精确的定量参数成像结果以及更小的误差。另一方面，由于这一方法采用的是非迭代方法，所需重建时间和传统磁共振指纹识别技术相近，因此有较大的应用价值。

Description

一种基于滑动窗的磁共振指纹识别重建方法
技术领域
本发明涉及信息处理技术领域，具体涉及一种基于滑动窗的磁共振指纹识别重建技术。
背景技术
磁共振成像(MRI)是一种无电离辐射的多参数成像技术，有着广泛的医学临床应用。磁共振定量成像作为磁共振技术的一个研究方向，主要利用不同射频脉冲序列激发后接收到的信号强度的变化，计算出身体不同组织的T1、T2弛豫时间以及质子密度等定量参数的图谱。这种定量的图谱能够直观的反映出组织的不同生理和物理特性，因此在医学诊断方面有潜在的应用价值。由于常规定量成像技术需要分别设计不同的射频脉冲序列分别获得T1、T2、质子密度和偏共振等定量图谱，因此存在易受运动伪影影响、总扫描时间长等问题。这一瓶颈限制了定量成像在临床上的应用。
磁共振指纹识别技术(MRF)是一种快速同时获得多参数定量成像(如T1、T2、质子密度和偏共振图谱)的新方法(Ma D et al.Nature 495:187-92；2013.)。这一技术包括以下步骤： (1)在脉冲序列的每一次激发中采用不同的重复时间(TR)、回波时间(TE)和翻转角(FA)，并用多次激发螺旋轨迹(multi-interleaf spiral)采集数据并重建得到欠采样的图像序列。(2) 根据脉冲序列的参数(TR、TE和FA)，基于扩展相位图技术(EPG)计算出字典。(3)将重建的图像序列与字典元素逐点匹配识别，即可同时获得多参数定量成像结果。
然而由于传统的磁共振指纹识别技术在每个TR内只采集一条螺旋线，因此每次激发采集信号是高度欠采样的，用其重建得到的图像充满不相干欠采样伪影。这种类似噪声的欠采样伪影会影响字典识别的准确性，因此传统的磁共振指纹识别技术需要保证足够大的激发次数(一般激发数L大于1000)来保证准确的多参数识别结果，这样总采集时间就会增加。
发明内容
本发明的目的是为了解决上述问题，提供一种基于滑动窗的磁共振指纹识别重建技术。
为了达到上述发明目的，本发明采用以下技术方案：
一种基于滑动窗的磁共振指纹识别重建技术，该技术沿采集信号时间轴方向的滑动窗重建图像序列并生成对应窗宽的字典元素。
优选的，该技术具体包括以下步骤：
(1)磁共振信号采集：在磁共振成像仪中使用基于磁共振指纹识别技术架构的脉冲序列采集图像；
(2)基于滑动窗的图像重建：沿采集数据的时间维度建立滑动窗，重建采集信号得到混合加权的图像序列；
(3)基于滑动窗的字典生成：根据步骤(2)中选定的滑动窗窗宽，生成对应的字典元素；
(4)计算定量多参数成像：将步骤(2)基于滑动窗的图像重建的图像序列和步骤(3) 生成的字典元素匹配识别，得到定量参数成像。
所述的磁共振信号采集，是在磁共振成像仪中使用基于磁共振指纹识别技术架构的脉冲序列采集图像，其中在脉冲序列的每一次激发中采用不同的重复时间(TR)、回波时间(TE) 和翻转角(FA)，采集方式为多次激发变密度螺旋轨迹(multi-interleaf variabledensity spiral) 采集。基于磁共振指纹识别技术架构的脉冲序列，包括但不限于inversion prepared FISP、 balanced SSFP、弥散加权(diffusion-weighted)的稳态序列和自旋回波(spin echo)序列。
步骤(2)的图像重建和步骤(3)的字典生成不同于传统的磁共振指纹识别技术，本方案使用一个沿采集信号时间轴方向的滑动窗重建图像序列以及生成对应窗宽的字典元素。
所述的步骤(4)的计算定量多参数成像，是指将步骤(2)中基于滑动窗的重建图像序列和步骤(3)中生成的字典进行逐点识别，得到定量参数成像。其中识别的算法采用点积法，即将像素点的时间序列分别与(3)中所有字典元素点乘，点乘值最大的字典元素所对应的参数值即为该点的定量参数值。将(2)中重建得到的图像序列逐点识别，最终即可获得定量多参数成像图谱。
优选的，步骤(2)具体为：设置一个滑动窗，沿采集信号的时间轴滑动，并将窗内不同时间点的信号重建成一张图像。所述步骤(2)的基于滑动窗的图像重建，是设置一个沿采集信号的时间轴滑动的滑动窗，并将窗内不同时间点的信号用不均匀反傅里叶变换(INUFFT) 重建成一张图像。这样重建得到的图像序列是混合加权的，并且由变密度螺旋轨迹欠采样引起的伪影会减小。
优选的，步骤(3)中，首先基于扩展相位图技术生成磁共振指纹识别技术所需要的字典元素，然后根据步骤(2)选定的滑动窗宽沿该字典矩阵的时间轴相加，得到基于滑动窗的新字典。基于滑动窗的字典生成技术，是指首先根据步骤(1)中脉冲序列的参数(TR、TE和FA)和扩展相位图(EPG)技术计算出磁共振指纹识别技术所需要的字典元素；然后根据(2)中选定的滑动窗宽沿该字典矩阵的时间轴相加，得到基于滑动窗的新字典。
本发明与现有技术相比，有益效果是：该方法可以缩短总采集时间，在相同的采集时间下能获得更精确的定量参数成像结果以及更小的误差。另一方面，由于这一方法采用的是非迭代重建方法，所需重建时间和传统磁共振指纹识别技术相近，因此有较大的应用价值。
附图说明
图1是本发明的流程图；
图2是传统磁共振指纹识别技术图像重建和本发明的基于滑动窗的图像重建示意图；
图3是本发明使用不同滑动窗宽得到的多定量参数结果、重建图像以及信号曲线与传统磁共振指纹识别技术的比较图；
图4是本发明与传统磁共振指纹识别技术在两种激发次数(L＝300和500)下的得到的结果以及和参考值的定量比较。
具体实施方式
下面通过具体实施例对本发明的技术方案作进一步描述说明。
如果无特殊说明，本发明的实施例中所采用的原料均为本领域常用的原料，实施例中所采用的方法，均为本领域的常规方法。
实施例：
一种基于滑动窗的磁共振指纹识别重建技术，该技术沿采集信号时间轴方向的滑动窗重建图像序列并生成对应窗宽的字典元素，如图1所示，该技术具体包括以下步骤：
(1)磁共振信号采集：在磁共振成像仪中使用基于磁共振指纹识别技术架构的脉冲序列采集图像；本发明中的磁共振信号采集是在德国西门子公司的MAGNETOM Prisma 3T磁共振成像仪中完成的。使用基于磁共振指纹识别技术架构的脉冲序列采集图像，其中在脉冲序列的每一次激发中采用不同的TR(范围从10ms到12ms，以Perlin噪声模式变化)和FA(范围从5度到80度，以正弦方式变化)。变密度螺旋采集包括30条已经做0阶梯度补偿的螺旋线，每条线采集800点。每次激发内采集一条螺旋线，并且每一条线旋转较上次激发的轨迹旋转360/30＝12度。所以30条螺旋线可以覆盖整个k空间。本发明使用的脉冲序列是基于西门子IDEA序列开发平台自主编写的。
(2)基于滑动窗的图像重建：沿采集数据的时间维度建立滑动窗，重建采集信号得到混合加权的图像序列；
如图2所示，其中，图2(a)是传统磁共振指纹识别技术的重建示意图，图2(b)是基于滑动窗的图像重建示意图。设置一个沿采集信号的时间轴滑动的滑动窗，并将窗内不同激发点的信号用不均匀反傅里叶变换(INUFFT)重建成一张图像。设窗宽为N，激发次数为L，如果采用滑动窗沿采集时间轴滑动重建，第一步第1到N次采集的螺旋线用NUFFT重建成第1张图像，第二步第2到N+1次采集的螺旋线重建成第2张图像，以此类推，最后第L-N+1 步第L-N+1到L次采集的螺旋线重建成第L-N+1张图像。由于在每个TR内只采集一条螺旋线，每次激发采集信号是高度欠采样的。而采用滑动窗方法重建得到的图像由欠采样引起的伪影会减小，能提高识别准确度。滑动窗的每一步重建，窗内的每条螺旋线对重建图像的贡献是相等的，那么重建图像的混合权重等于窗内所有激发的权重(由TR、TE和FA决定)之和。本发明所开发的图像重建算法是在美国MathWork公司的MATLAB软件上完成的。
(3)基于滑动窗的字典生成：根据步骤(2)中选定的滑动窗窗宽，生成对应的字典元素；
首先根据脉冲序列的参数(TR、TE和FA)和扩展相位图(EPG)技术计算出磁共振指纹识别技术所需要的字典元素。字典矩阵大小为N1×N2×L，其中N1和N2是T1和T2值的可能范围。由于步骤(2)中混合加权的图像序列是滑动窗内各激发点权重之和，所以字典也需要沿采集时间轴L方向按照步骤(2)中设定的窗宽N相加，以识别出最终定量多参数图谱。经过滑动窗相加后的字典矩阵大小为N1×N2×(L-N+1)，时间点个数与步骤 (2)中重建的图像序列一致。
(4)计算定量多参数成像：将步骤(2)基于滑动窗的图像重建的图像序列和步骤(3) 生成的字典元素匹配识别，得到定量参数成像。
首先将步骤(2)中基于滑动窗的重建图像序列和步骤(3)中生成的字典归一化，然后进行逐点识别，得到定量多参数成像(如T1、T2和质子密度图谱)。其中识别的算法采用点积法，即将图像每一像素点的时间序列分别与步骤(3)中所有字典元素点乘，值最大的字典元素所对应的参数值(如T1和T2值)即为该点的定量参数值。将步骤(2)中重建得到的图像序列逐点识别，最终即可获得定量T1和T2图谱。另一方面，质子密度图谱反映了采集信号强度的分布，因此可以由每一像素点的信号曲线与字典匹配的曲线的比值得到。
传统的指纹识别技术在激发次数L＝1000时可以获得相对稳定和准确的结果。然而当激发次数减小时，由于欠采样伪影的干扰，得到的结果会有较为严重伪影。以激发次数为L＝1000 次作为标准，当激发次数L＝500时，相当于总采集时间仅为原来的一半。图3为在激发次数 L＝500时，本发明使用不同滑动窗宽(N＝5、10、20和30)得到的多定量参数结果、重建图像以及信号匹配曲线与传统磁共振指纹识别技术的比较。图3(d)可以看出随窗宽增加，单张重建图像的伪影明显减小。当N＝30时，由于滑动窗完整覆盖整个k空间，欠采样伪影几乎完全消失。图3(a)到(c)分别是用上述不同方法识别得到的T1、T2和质子密度图谱。从图3(b) 到(c)的方框可以看出，随着窗宽的增加，T2图谱和质子密度图谱结果中由于欠采样导致的环状伪影明显减轻，因此本发明提出的方法可以在较短的扫描时间内获得更准确的结果。图3(e) 为图3(d)中圈内所对应的像素点用上述不同方法处理分别得到的信号曲线以及用对应字典识别的匹配曲线。可以看出随着滑动窗宽的增加，信号曲线逐渐平滑，时间域的噪声也逐渐减少，可以获得更好的匹配准确度。
图4为本发明与传统磁共振指纹识别技术在两种激发次数(L＝300和500)下的得到的结果以及与参考值的定量比较，从上到下依次为T1图谱、T2图谱和质子密度图谱。其中，激发次数L＝300次表示总采集时间仅为传统指纹识别技术时间的3/10，L＝500次表示总采集时间仅为传统指纹识别技术时间的1/2。定义图像的归一化的平方和误差(normalizedsum-of-square error,NSSE)为：其中x和y是图像的像素点位置，Irec是识别的图像，Iref是参考图像，由全采样图像(重复30次，激发次数L＝1000)识别获得。从图 4可以看出，当L＝1000时，传统方法和本发明提出的方法都可以获得较小的伪影和稳定的结果；在激发次数L小于1000次时，使用同一组采集数据重建，采用滑动窗重建的结果比传统磁共振指纹识别技术环状伪影更少，而且NSSE也变得更小。如图4中T2图谱中的方框所示，当激发次数L从500减少到300时，传统的磁共振指纹识别技术得到的T2图谱环状伪影更加严重，但滑动窗重建的结果伪影较小。因此相较于传统的磁共振指纹识别技术，基于滑动窗重建的磁共振指纹识别技术在激发次数较少时更有优势。因此，这一方法可以大大减少总采集时间。
基于滑动窗重建的磁共振指纹识别技术可以减少欠采样伪影，在相同激发次数下获得相较于传统磁共振指纹识别技术更高的识别准确率。同时，基于滑动窗重建的磁共振指纹识别技术可以在较少的激发次数情况下获得更准确的定量多参数成像，因此可以加速磁共振指纹识别技术的采集，减小总采集时间，有潜在的应用价值。

Claims (3)

1.一种基于滑动窗的磁共振指纹识别重建方法，其特征在于，该方法沿采集信号时间轴方向的滑动窗重建图像序列并生成对应窗宽的字典元素，最后将该图像序列和字典匹配得到定量多参数图像；具体包括以下步骤：
(1)磁共振信号采集：在磁共振成像仪中使用基于磁共振指纹识别技术架构的脉冲序列采集图像；
(2)基于滑动窗的图像重建：沿采集数据的时间维度建立滑动窗，重建采集信号得到混合加权的图像序列；
(3)基于滑动窗的字典生成：根据步骤(2)中选定的滑动窗窗宽，生成对应的字典元素；
(4)计算定量多参数成像：将步骤(2)基于滑动窗的图像重建的图像序列和步骤(3)生成的字典元素匹配识别，得到定量多参数成像。
2.根据权利要求1所述的一种基于滑动窗的磁共振指纹识别重建方法，其特征在于，步骤(2)具体为：设置一个滑动窗，沿采集信号的时间轴滑动，并将窗内不同时间点的信号重建成一张图像。
3.根据权利要求1所述的一种基于滑动窗的磁共振指纹识别重建方法，其特征在于，步骤(3)中，首先基于扩展相位图技术生成磁共振指纹识别技术所需要的字典元素，然后根据步骤(2)选定的滑动窗宽沿字典矩阵的时间轴相加，得到基于滑动窗的新字典。
CN201610182334.4A 2016-03-28 2016-03-28 一种基于滑动窗的磁共振指纹识别重建方法 Active CN105869192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610182334.4A CN105869192B (zh) 2016-03-28 2016-03-28 一种基于滑动窗的磁共振指纹识别重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610182334.4A CN105869192B (zh) 2016-03-28 2016-03-28 一种基于滑动窗的磁共振指纹识别重建方法

Publications (2)

Publication Number Publication Date
CN105869192A CN105869192A (zh) 2016-08-17
CN105869192B true CN105869192B (zh) 2019-04-05

Family

ID=56626077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610182334.4A Active CN105869192B (zh) 2016-03-28 2016-03-28 一种基于滑动窗的磁共振指纹识别重建方法

Country Status (1)

Country Link
CN (1) CN105869192B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018108643A1 (en) * 2016-12-15 2018-06-21 Koninklijke Philips N.V. Multi-state magnetic resonance fingerprinting
EP3382416A1 (en) * 2017-03-30 2018-10-03 Koninklijke Philips N.V. Selection of magnetic resonance fingerprinting dictionaries for anatomical regions
CN107194354B (zh) * 2017-05-23 2019-09-03 杭州师范大学 一种用于磁共振指纹成像的快速字典搜索方法
EP3425416A1 (en) * 2017-07-04 2019-01-09 Koninklijke Philips N.V. Magnetic resonance fingerprinting in fourier space
CN110133554B (zh) * 2018-02-08 2021-04-30 深圳先进技术研究院 一种基于分数阶模型的磁共振指纹成像方法、装置及介质
CN110133553B (zh) * 2019-05-10 2020-06-05 浙江大学 一种超短回波时间磁共振指纹弛豫时间测量方法
CN111126620B (zh) * 2019-12-10 2020-11-03 河海大学 一种用于时间序列的特征指纹生成方法及应用
WO2021217391A1 (zh) * 2020-04-28 2021-11-04 深圳先进技术研究院 快速磁共振多参数成像方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10627468B2 (en) * 2011-03-18 2020-04-21 Case Western Reserve University Nuclear magnetic resonance (NMR) fingerprinting
CN102928796B (zh) * 2012-09-28 2014-12-24 清华大学 快速扩散磁共振成像和重建方法

Also Published As

Publication number Publication date
CN105869192A (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN105869192B (zh) 一种基于滑动窗的磁共振指纹识别重建方法
Ravishankar et al. Adaptive sampling design for compressed sensing MRI
US10768260B2 (en) System and method for controlling noise in magnetic resonance imaging using a local low rank technique
US9002430B2 (en) System and method for combined time-resolved magnetic resonance angiography and perfusion imaging
CN105074491B (zh) 具有使用压缩感知的图像重建的动态mri
US9271661B2 (en) Method for free-breathing magnetic resonance imaging using iterative image-based respiratory motion correction
Hamilton et al. Deep learning reconstruction for cardiac magnetic resonance fingerprinting T1 and T2 mapping
Menchón-Lara et al. Reconstruction techniques for cardiac cine MRI
US11373392B2 (en) System and method for magnetic resonance fingerprinting using a plurality of pulse sequence types
CN1973211A (zh) 涉及k－空间中心过度采样的非笛卡尔轨迹的对比度预备mri
US20150355298A1 (en) Method and device for accurate quantification of t2 relaxation times based on fast spin-echo nmr sequences
US7495440B2 (en) Q-space sampling method and diffusion spectrum imaging method employing the same
Liu et al. High-performance rapid MR parameter mapping using model-based deep adversarial learning
CN110604569B (zh) 确定图像元中的参数值的方法、磁共振设备和数据载体
Arshad et al. Transfer learning in deep neural network based under-sampled MR image reconstruction
US10132898B2 (en) MRI double inversion recovery method and system, with different magnetization recovery states providing the MRI image contrast(s)
US10451700B2 (en) System and method for reducing partial voluming artifacts in quantitative myocardial tissue characterization
US9366740B2 (en) System and method for vastly undersampled isotropic projection reconstruction with inversion recovery
CN105678822A (zh) 一种基于Split Bregman迭代的三正则磁共振图像重构方法
Hamilton et al. A low-rank deep image prior reconstruction for free-breathing ungated spiral functional CMR at 0.55 T and 1.5 T
US20240094321A1 (en) Simultaneous Multi-Slice MRSI Using Density Weighted Concentric Ring Acquisition
Wang et al. High‐resolution spiral real‐time cardiac cine imaging with deep learning‐based rapid image reconstruction and quantification
US11287501B1 (en) System and method for multiple contrast encoding with magnetic resonance imaging
Godino-Moya et al. Space-time variant weighted regularization in compressed sensing cardiac cine MRI
CN113785214A (zh) 用于对mri测量数据进行多分量分析的方法

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