CN106097262B - 一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法 - Google Patents

一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法 Download PDF

Info

Publication number
CN106097262B
CN106097262B CN201610391030.9A CN201610391030A CN106097262B CN 106097262 B CN106097262 B CN 106097262B CN 201610391030 A CN201610391030 A CN 201610391030A CN 106097262 B CN106097262 B CN 106097262B
Authority
CN
China
Prior art keywords
matching accuracy
length
diffusion
deformation field
weight
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
CN201610391030.9A
Other languages
English (en)
Other versions
CN106097262A (zh
Inventor
后桂荣
郭义昊
卢振泰
张静
冯前进
陈武凡
许乙凯
冯衍秋
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.)
Southern Medical University
Original Assignee
Southern Medical University
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 Southern Medical University filed Critical Southern Medical University
Priority to CN201610391030.9A priority Critical patent/CN106097262B/zh
Publication of CN106097262A publication Critical patent/CN106097262A/zh
Application granted granted Critical
Publication of CN106097262B publication Critical patent/CN106097262B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法，依次包括：(1)利用IVIM双指数模型对采集的多b值图像进行量化参数估计，获得各个量化参数值(D,D*,f)及拟合精确度(R2)；(2)再利用获得的拟合精确度于对应位置上优化步长进行加权；(3)根据不同位置上拟合精确度加权的步长来对我们构建的目标函数进行优化，获得最终的运动矫正变形场结果；本发明对多b值的弥散加权成像运动矫正效果更好。

Description

一种基于拟合精确度加权步长的弥散加权成像运动矫正优化 方法
技术领域
本发明属于磁共振图像处理领域，具体涉及不同模态磁共振图像间的运动矫正优化方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)由于其无电离辐射、能够获得丰富的组织对比度信息以及具有非入侵式检测等优点，已广泛应用于临床医学影像检查。弥散加权成像(Diffusion Weighted Imaging,DWI)因其能够在分子学水平上观测到组织内水分子的运动而获得十分广泛的应用。定性和定量的分析水分子的扩散运动越来越受到广泛的关注。然而要获得定量的结果需要不同程度加权的弥散图像，然后对不同程度加权的弥散图像进行参数估计。现如今存在许多对水分子进行定量的参数估计模型，然而这些模型都要求不同程度加权的弥散图像间要完全对齐。由于磁共振数据采集较为缓慢，不同程度加权的弥散图像间由于心跳，呼吸等影响难免会存在运动。运动矫正是获得准确的量化参数估计的前提。呼吸触发的图像采集方式能够一定限度上抑制运动，但是呼吸触发的方式需要更多的采集时间，并且呼吸不规律时，运动会同样存在。图像配准就成为了不可或缺的预处理步骤，然而，弥散加权图像的信号会随着b值的增大而衰减，这就导致不同b值图像间信号强度存在较大的差异。现存的各种配准的模型方法，不能很好地矫正弥散加权图像的运动。
发明内容
本发明的目的在于针对现有技术采集到的弥散加权图像不同b值间存在运动，导致量化参数估计的不准确性。用本发明优化方法来矫正运动，从而获取更加准确的量化参数。
本发明的上述目的通过如下技术方案实现：
一种基于拟合精确度加权步长的弥散加权成像运动矫正方法，依次包括如下步骤：
(1)利用IVIM双指数模型对采集的多弥散权重系数值b图像进行量化参数估计，获得水分子扩散系数D、微循环血流灌注系数D*、灌注分数f及拟合精确度R2；
(2)再利用获得的拟合精确度计算步长权重，于对应位置上对步长进行加权操作；
(3)根据不同位置上拟合精确度加权的步长来对我们构建的目标函数进行优化，获得最终的运动矫正变形场结果。
作为一种优选的技术方案，所述步骤(1)中，根据采集数据点和IVIM双指数模型的关系Sb/S0＝f·e-b·D*+(1-f)·e-b·D拟合获得各个参数值(D,D*,f)，其中，b为与弥散加权程度相关的值，Sb为对应b值观测到的信号强度，S0为b＝0时的信号强度；根据采集数据点和拟合数据点的关系来求得拟合精确度SSe为采集数据点和拟合数据点的离差平方和，SST为采集数据点的平均值。
作为一种优选的技术方案，步骤(2)中,根据拟合精确度与步长权重的关系计算获得权重矩阵ω(R2)，其中R2为拟合精确度，h为用于放大拟合精确度差异的因子。
作为一种优选的技术方案，步骤(3)中,采用加权的权重来更新变形场，其中Tl为上一步获得的变形场，Tl+1为用所求权重更新的变形场，μ为优化的步长，目标函数的梯度。
作为一种优选的技术方案，步骤(3)中,采用目标函数E(T)＝-EMI(A,T(B))+λ·Esmooth(T)来求解运动矫正的变形场，其中EMI(A,T(B))为图像A与矫正后的图像B的互信息量，Esmooth(T)是对变形场进行约束项，λ为权重因子，用于平衡图像间互信息量和变形场的平滑性。
采用了上述技术方案，本发明的有益效果为：相比于现存的确定一个全局的步长的优化方法，本发明所提出的基于拟合精确度加权的优化方法，利用有关变形场的先验信息来对变形场进行优化，可以跳出某些局部极值，找到更优的变形场。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1为本发明一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法的步长权重图；
图2为肝脏结果比较图。
具体实施方式
下面结合具体的实施例对本发明进行详细描述。
如图1所示，一种基于拟合精确度加权步长的弥散加权成像运动矫正方法，依次包括如下步骤：
步骤一、利用IVIM双指数模型对采集的多弥散权重系数值b图像进行量化参数估计，获得水分子扩散系数D、微循环血流灌注系数D*、灌注分数f及拟合精确度R2。
根据采集数据点和IVIM双指数模型的关系Sb/S0＝f·e-b·D*+(1-f)·e-b·D拟合获得各个参数值(D,D*,f)，其中，b为与弥散加权程度相关的值，Sb为对应b值观测到的信号强度，S0为b＝0时的信号强度；根据采集数据点和拟合数据点的关系来求得拟合精确度SSe为采集数据点和拟合数据点的离差平方和，SST为采集数据点的平均值。
步骤二、再利用获得的拟合精确度于对应位置上通过求解目标函数来优化步长进行加权。
根据拟合精确度与步长权重的关系计算获得权重矩阵ω(R2)，其中R2为拟合精确度，h为用于放大拟合精确度差异的因子。
步骤三、根据不同位置上拟合精确度加权的步长来对我们构建的目标函数进行优化，获得最终的运动矫正变形场结果。
采用加权的权重来更新变形场，其中Tl为上一步获得的变形场，Tl+1为用所求权重更新的变形场，μ为优化的步长，目标函数的梯度。
采用目标函数E(T)＝-EMI(A,T(B))+λ·Esmooth(T)来求解运动矫正的变形场，其中EMI(A,T(B))为图像A与矫正后的图像B的互信息量，Esmooth(T)是对变形场进行约束项，λ为权重因子，用于平衡图像间互信息量和变形场的平滑性。
由于我们所得到的变形场不是每一个体素的变形场，我们需要对变形场进行插值。变形场处理后的图像未必每个点都能落在其整数位置上，我们还需要对变形后的图像进行插值，才能获取最终的输出图像。为了获得较好的输出图像，我们采用B样条进行数据插值。如图2所示，为肝脏结果比较图，其中(a)为运动矫正的参考图像，(b)为黄色区域放大的效果图，红色边界为从参考图像中提取的边界，(c),(f),(i)为运动矫正前b值分别为150，400和1000的图,(d),(g),(j)为全局的步长优化b值分别为150，400和1000的运动矫正结果，(e),(h),(k)为采用本发明的方法获得的运功矫正结果图
与现有技术中的优化方法相比较。本发明中利用变形场的先验信息，使用加权的步长，能够跳出目标函数的某些局部极值点，获得更好的运动矫正效果。
经过实验证明，本发明的方法能够很好的矫正弥散加权成像中的运功。

Claims (1)

1.一种基于拟合精确度加权步长的弥散加权成像运动矫正方法，其特征在于：依次包括如下步骤：
(1)利用IVIM双指数模型对采集的多弥散权重系数值b图像进行量化参数估计，获得水分子扩散系数D、微循环血流灌注系数D*、灌注分数f及拟合精确度R2；
(2)再利用获得的拟合精确度计算步长权重，于对应位置上对步长进行加权操作；
(3)根据不同位置上拟合精确度加权的步长来对我们构建的目标函数进行优化，获得最终的运动矫正变形场结果；
所述步骤(1)中，根据采集数据点和IVIM双指数模型的关系Sb/S0＝f·e-b·D*+(1-f)·e-b·D拟合获得各个参数值(D,D*,f)，其中，b为与弥散加权程度相关的值，Sb为对应b值观测到的信号强度，S0为b＝0时的信号强度；
根据采集数据点和拟合数据点的关系来求得拟合精确度SSe为采集数据点和拟合数据点的离差平方和，SST为采集数据点的平均值；
步骤(2)中,根据拟合精确度与步长权重的关系计算获得权重矩阵ω(R2)，其中R2为拟合精确度，h为用于放大拟合精确度差异的因子；
步骤(3)中,采用加权的权重来更新变形场，其中Tl为上一步获得的变形场，Tl+1为用所求权重更新的变形场，μ为优化的步长，目标函数的梯度；或者
步骤(3)中,采用目标函数E(T)＝-EMI(A,T(B))+λ·Esmooth(T)来求解运动矫正的变形场，其中EMI(A,T(B))为图像A与矫正后的图像B的互信息量，Esmooth(T)是对变形场进行约束项，λ为权重因子，用于平衡图像间互信息量和变形场的平滑性。
CN201610391030.9A 2016-06-02 2016-06-02 一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法 Active CN106097262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610391030.9A CN106097262B (zh) 2016-06-02 2016-06-02 一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610391030.9A CN106097262B (zh) 2016-06-02 2016-06-02 一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法

Publications (2)

Publication Number Publication Date
CN106097262A CN106097262A (zh) 2016-11-09
CN106097262B true CN106097262B (zh) 2019-03-15

Family

ID=57447436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610391030.9A Active CN106097262B (zh) 2016-06-02 2016-06-02 一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法

Country Status (1)

Country Link
CN (1) CN106097262B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109730677B (zh) * 2019-01-09 2023-03-21 王毅翔 体素内不相干运动成像的信号处理方法、装置及存储介质
CN110889897B (zh) * 2019-11-21 2021-04-06 厦门大学 一种体素内不相干运动磁共振成像参数重建方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
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
CN104799859A (zh) * 2014-01-27 2015-07-29 西门子(深圳)磁共振有限公司 一种磁共振弥散加权成像图像的校正方法和装置
CN105395198A (zh) * 2015-06-23 2016-03-16 高家红 一种获得全新的扩散磁共振成像对比度的方法及其应用

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
CN104799859A (zh) * 2014-01-27 2015-07-29 西门子(深圳)磁共振有限公司 一种磁共振弥散加权成像图像的校正方法和装置
CN105395198A (zh) * 2015-06-23 2016-03-16 高家红 一种获得全新的扩散磁共振成像对比度的方法及其应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于IVIM模型的磁共振扩散加权成像评价肝功能的初步研究;张静;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160315;第E064-81页
基于互信息配准的超声造影运动校正算法;王本刚 等;《上海医学影像》;20081231;第17卷(第1期);第59-60页
基于可变步长逆向组合算法的弥散张量图像配准;殷莹 等;《计算机工程与应用》;20111231;第47卷(第22期);第172-174页

Also Published As

Publication number Publication date
CN106097262A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
Rohlfing et al. The SRI24 multichannel atlas of normal adult human brain structure
Shehata et al. 3D diffusion MRI-based CAD system for early diagnosis of acute renal rejection
Xue et al. Automatic in‐line quantitative myocardial perfusion mapping: processing algorithm and implementation
Ledesma‐Carbayo et al. Motion corrected free‐breathing delayed‐enhancement imaging of myocardial infarction using nonrigid registration
Wollny et al. Automatic motion compensation of free breathing acquired myocardial perfusion data by using independent component analysis
Jog et al. PSACNN: Pulse sequence adaptive fast whole brain segmentation
US20170069086A1 (en) Method and device for constructing brain templates
Wu et al. Registration of longitudinal brain image sequences with implicit template and spatial–temporal heuristics
CN103729843B (zh) 基于马尔可夫的医学图像分割方法
Yang et al. Nonrigid registration and classification of the kidneys in 3D dynamic contrast enhanced (DCE) MR images
Merrem et al. A variational approach to image registration in dynamic contrast-enhanced MRI of the human kidney
Bidhult et al. A new vessel segmentation algorithm for robust blood flow quantification from two‐dimensional phase‐contrast magnetic resonance images
CN106097262B (zh) 一种基于拟合精确度加权步长的弥散加权成像运动矫正优化方法
Owen et al. Deep convolutional filtering for spatio-temporal denoising and artifact removal in arterial spin labelling MRI
Feng et al. Liver DCE-MRI registration in manifold space based on robust principal component analysis
Dornier et al. Improvement in the quantification of myocardial perfusion using an automatic spline‐based registration algorithm
Lietzmann et al. DCE‐MRI of the human kidney using BLADE: A feasibility study in healthy volunteers
Grigorescu et al. Diffusion tensor driven image registration: a deep learning approach
Bloy et al. White matter atlas generation using HARDI based automated parcellation
Veeraraghavan et al. Simultaneous segmentation and iterative registration method for computing ADC with reduced artifacts from DW‐MRI
Han et al. Deformable registration of brain MR images via a hybrid loss
Conlin et al. Performance of an efficient image‐registration algorithm in processing MR renography data
Brumer et al. Synthetic arterial spin labeling MRI of the kidneys for evaluation of data processing pipeline
Wong et al. First‐pass myocardial perfusion image registration by maximization of normalized mutual information
Alhourani et al. Inherent limitations of tractography for accurate connectivity maps

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