CN107316334B - 个性化精准磁共振影像方法 - Google Patents
个性化精准磁共振影像方法 Download PDFInfo
- Publication number
- CN107316334B CN107316334B CN201710636550.6A CN201710636550A CN107316334B CN 107316334 B CN107316334 B CN 107316334B CN 201710636550 A CN201710636550 A CN 201710636550A CN 107316334 B CN107316334 B CN 107316334B
- Authority
- CN
- China
- Prior art keywords
- individual
- image
- imaging
- sample
- data
- 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
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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
- G01N24/088—Assessment or manipulation of a chemical or biochemical reaction, e.g. verification whether a chemical reaction occurred or whether a ligand binds to a receptor in drug screening or assessing reaction kinetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种个性化精准磁共振影像方法,是在磁共振成像数据采集和处理过程中,推演个体弛豫时间谱图,推荐个体优化成像参数,实现弱对比度图像修复和个体化精准扫描的方法。建立包含组织分类和组织弛豫特性的大样本知识库,通过形态配准和信号强度标准化建立个体数据与样本数据的可比性。经过组织识别、坐标定位,信号对比和弛豫特性限定的方式推演出符合个体实际情况的弛豫时间谱图。通过对个体弛豫时间谱图的分析计算出适合个体化成像的成像参数。由此得到的个体弛豫时间谱图和成像参数可用于修复加权图像,本发明达到个体化精准扫描的目的,避免为了得到高对比度图像而进行的多次修改成像参数的重复扫描。
Description
技术领域
本发明涉及磁共振成像技术领域,是一种基于磁共振样本知识库和磁共振成像物理原理,实现磁共振弛豫特性推演、弱对比度磁共振数据修复和个体化精准磁共振成像的方法。
背景技术
磁共振成像技术是现在医学诊断中常见又较为重要的影像诊断工具。磁共振图像的对比度与扫描参数的设定有关,而扫描参数的设定和对比度产生机制主要基于组织间的自旋密度,纵向弛豫时间T1和横向弛豫时间T2。目前,已有一些工作总结了在不同磁场条件下,T1/T2弛豫时间在不同脑组织中的平均值范围,为磁共振扫描适用参数的设定提供了方便。然而,这种设定是针对大量人群的平均参数。对于不同的人群,或者一种人群的不同个体,同一套扫描参数并不一定适用于每一种扫描情况,扫描的效果也不能达到对每个个体最优化。这主要是由于以下几方面问题造成的:1)扫描参数往往是在扫描前,技术人员根据成像要求,参考扫描经验设定的。2)扫描参数的设定基于组织的固有属性(自选密度、T1弛豫时间和T2弛豫时间),现有研究提供的T1/T2弛豫时间大多数是根据大量健康成年人样本得出的平均值,虽然成人大脑已发育完全,在排除病理性改变和年龄相关性衰退的前提下是相对稳定的,但参考平均弛豫时间设定的扫描参数不能确保对每一个个体化成像都是最佳成像参数。3)弛豫时间的改变主要依赖于脑组织中水含量的变化,而同一个大脑中,不同组织内水含量随年龄增长呈现非线性变化,这种变化在婴幼儿时期尤为显著,并且较难预测。这也就使得技术人员往往经过多次修改扫描参数和反复扫描仍然难以得到较好对比度的婴幼儿脑部图像。4)在临床医学和诊断中,不同病程阶段弛豫时间有不同取值。而且,弛豫时间的急剧变化反应了组织的病理性改变,因而弛豫时间是影像诊断中重要的量化指标。然而,在病情发展的初级阶段,弛豫时间的数值变化较小,在常用参数的成像结果下往往不够显著,需要有经验的技术人员肉眼识别或调整参数重新扫描,进而确定结果。5)在医学分析研究中,经常需要采集多信号图像用以计算具体组织的弛豫时间。目前用于计算弛豫时间的成像方法,在扫描过程中耗时较长,特别是对于T1弛豫时间,需要30分钟以上的扫描。这造成了技术人员不可能在成像参数设定前,预先获得被试脑组织的弛豫时间,以便设定个体化最佳成像参数。6)弛豫时间计算图像的采集,要求被试的头部在长时间的扫描过程中保持不动,以便图像的后期处理。长时间头部静止的扫描对于病人缺少人性化,特别是对婴幼儿,患有精神疾病、神经心理疾病的患者,几乎不可能完成扫描任务。
发明内容
本发明的目的是针对上述磁共振成像过程存在的问题而提出的一种个性化精准磁共振影像方法,目标是通过对个体影像学加权图像和样本知识库数据之间进行类比推理,推演出一套符合真实情况的个体弛豫时间谱图,并通过谱图信息计算出适合个体的优化成像参数,实现个体化精准磁共振成像。
实现本发明目的的具体技术方案是:
一种个性化精准磁共振影像方法,该方法采用类比推理的方法在知识库集合中筛选样本组织的特性,为个体图像的体素提供结构特性、磁共振信号强度特性、解剖特性,继而结合磁共振物理成像原理,推演磁共振个体化优化图像和估算个体化精准磁共振成像参数,达到修复磁共振数据弱对比度和确保磁共振影像数据个体化精准采集的目的,可用于修复弱图像对比度的磁共振影像数据,和计算推荐个体化精准磁共振成像参数。该方法包括以下具体步骤:
步骤1:磁共振成像特性知识库的建立
对样本数据进行全脑组织的磁共振特性识别和分类,建立高精度的样本知识库,具体包括:
a.样本采集
采集数个标准个体(例如50个)的多TI和多TE的T1和T2加权影像学图像数据;
b.数据配准
将采集到的所有T1和T2加权影像学图像数据配准到统一的标准全脑模板空间;保证样本数据在配准后具有近似的形态学特征,建立每个个体之间相应部位的对应关系;
c.弛豫特性计算
计算全脑组织的T1弛豫时间、T2弛豫时间和特征常量,获得各类组织的磁共振属性信息,包括:
1)T1弛豫时间测量
对多TI的T1加权影像学图像数据进行如下形式的E指数拟合:
其中S为采集的T1加权图像信号,系数a和b均为包含自选密度因子的函数;利用拟合结果建立全脑数据的T1弛豫时间相关谱图T1map、S0map和S2map,分别对应T1弛豫时间、常量a和常量b的估算值;
2)T2弛豫时间测量
对多TE的T2加权影像学图像数据进行如下形式的E指数拟合:
其中S为采集的T2加权图像信号,c为包含自选密度因子的函数;利用拟合结果建立全脑数据的T2弛豫时间相关谱图T2map和T0map,分别对应拟合计算所得的T2弛豫时间和常量c;
d.组织蒙片建立
根据样本数据的T1和T2弛豫时间测量结果,计算各样本的最佳个体成像参数,将个体成像参数代入计算T1加权信号的反转恢复序列的信号强度公式,计算出一套高对比度的T1加权图像,并将个体成像参数代入计算T2加权信号的自旋回波序列的信号强度公式,计算出一套高对比度的T2加权图像;对新建的高对比度的样本T1加权图像和T2加权图像进行组织分割,获得不同数据类型的白质、灰质和脑脊液的分割概率图;接着,将所有的组织概率图转化为只有0和1分布的二值图像;
步骤2:个体化弛豫特性的推演
获得个体磁共振影像学图像的成像类型和成像参数,利用样本数据库中的弛豫时间谱图重建样本数据加权图像,将样本数据加权图像标准化到个体数据的成像空间;计算个体图像数据与样本图像数据的信号强度差异、组织体素分布,筛选出样本数据中与个体图像中各体素的结构特性、磁共振信号强度特性、解剖特性最相似的类比候选体素;获得候选体素的弛豫特性,计算建立个体图像的弛豫时间相关谱图;具体包括:
a.个体图像的配准和分割
将个体磁共振影像学图像配准到样本图像空间,对配准后图像进行组织分割,获得个体图像的白质、灰质和脑脊液的分割概率图,并将概率图转化为二值图像;
b.信号强度标准化
利用个体图像的磁共振成像参数TR、TE、TI和成像物理原理对样本弛豫时间谱图进行同类加权图像的重建,使得样本加权图像与个体加权图像具有同类型的对比度;
根据个体T1加权图像和样本多TI的T1加权图像,或个体T2加权图像和样本多TE的T2加权图像,分别计算个体图像和样本数据的信噪比SNRt和SNRs,算法如下:
K是一个硬件相关常量因子,FOVx和FOVy分别是x方向和y方向的视野大小,Nx和Ny分别为频率编码步数和相位编码步数,ΔZ为层厚,NEX为信号的平均扫描次数,BW为接收带宽;
分别采集个体原始数据和样本原始数据的背景噪声标准偏差SDt和SDs,根据信噪比的实际测量方法:
进一步校准个体图像数据与样本图像数据之间由于成像分辨率引起的同种组织的信号强度差异;算法如下:
其中Is为样本加权图像的信号强度,Isc为样本加权图像校准后的最终信号强度,Kt为个体数据理论信噪比的K常量,Ks为样本数据理论信噪比的K常量;
信号强度标准化后,如果样本信号强度Isc和个体信号强度It采集于相同的组织,那么得到Isc近似等于It;
c.个体弛豫特性推演
1)根据个体被推演体素V的组织概率在样本中筛选出第一类候选体素;做法是将样本知识库中的高对比度加权图像设置为定位像,将个体被推演体素的图像坐标(x,y,z)映射到定位像中;若被推演体素属于某一组织的概率大于0,则将知识库中相应的组织蒙片加权到定位像上,检索出蒙片覆盖下,以(x,y,z)为中心,(2N+1)×(2N+1)×7为矩阵的范围内的所有体素;其中N控制一层内的检索窗口,所有被检索出的体素为第一类候选体素fs1(V);
2)将第二类候选体素集合映射回对应的定位像中,提取各体素的信号强度D;计算第二类候选体素与个体被推演体素V的信号强度差,设定其为加权因子,通过对体素第二类候选体素fs2(V)的弛豫特性求加权平均的方式,求取被推演体素V的弛豫特性:
其中,下标t指示个体体素,i代表第二类候选体素中各体素的序号,n为第二类候选体素总数;
3)对基于所有样本数据推演出的弛豫特性进行算术平均;
4)设个体被推演体素属于白质(t1)、灰质(t2)和脑脊液(t3)的概率分别为ρ1、ρ2和ρ3,对于以上分组织计算出的弛豫特性,通过组织概率对其进行平滑,获得第一次推演弛豫特性结果:
5)对第一次推演得出的个体弛豫时间谱图计算出其对应的优化成像参数,重建个体优化加权影像学图像,重新完成组织识别,计算新加权图像的组织概率图;重复本步骤1)至4),完成第二次推演,最终确立个体弛豫时间谱图;
步骤3:磁共振成像数据个体化优化
确定需要增加组织间对比度的两种组织,设组织1为O1,组织2为O2,在推演获得的个体弛豫时间谱图中提取对应组织的平均弛豫属性;根据被推演个体影像学图像的成像物理原理,分别模拟O1和O2随成像参数TR/TE/TI变化的信号强度曲线,同时模拟O1和O2的绝对信号强度差随成像参数变化的对比度曲线;将三种模拟曲线缩放到相同数量级范围,计算曲线交点为工作点;
提取工作点下的成像参数对个体弛豫时间推演谱图进行图像重建,获得个体化优化的磁共振图像;
步骤4:磁共振个体化优化成像参数推荐
确定需要增加对比度的组织O1和O2的感兴趣区域,在推演获得的个体弛豫时间谱图中提取对应组织的平均弛豫属性;根据被推演个体影像学图像的成像物理原理,分别模拟O1和O2随成像参数TR/TE/TI变化的信号强度曲线,同时模拟O1和O2的绝对信号强度差随成像参数变化的对比度曲线;将三种模拟曲线缩放到相同数量级范围,计算曲线交点为工作点。
提取工作点下的成像参数推荐给磁共振成像系统,重新实施磁共振成像扫描,获得个体化优化的磁共振图像。
本发明无需对个体进行大量长时间的磁共振扫描,通过数据配准和组织分割增强体素组织的识别度,通过信号强度标准化建立个体数据与样本数据的映射性,通过个体体素与样本体素间图像空间坐标定位,信号强度对比,弛豫特性限定检索出样本数据中与个体体素组织属性最近似的候选体素,并通过信号强度差异加权、组织概率加权和样本平均推演出完整的个体弛豫时间谱图。解决了无法在短时间磁共振扫描下获得个人弛豫时间谱图,进而无法获得个体化优化成像参数的问题。与此前情况相比,第一,本发明缩短用于计算弛豫时间而需要采集的图像数据的成像时间,仅需要一套加权图像;第二,本发明通过与大量样本数据的类比实现了对个体弛豫时间谱图的推演,推演结果与真实测量结果无显著性差异;第三,本发明可以根据弛豫时间谱图计算出个体化优化成像参数,提高了对特殊人群高对比度磁共振扫描的成功率,避免重复扫描和数据废弃,提高了扫描效率。
本发明基于磁共振样本数据库和磁共振成像的物理原理开发了一个在计算机环境下的个体弛豫时间谱图推演,个体化优化成像参数推荐和个体化磁共振图像对比度修复的方法。该方法可应用到磁共振数据处理和磁共振成像中,对既得图像进行组织识别和体素特性分析,通过类比推理的方式推演出完整的个体弛豫时间谱图,并提供个体真实组织信息和优化参数,既可以对无法重新扫描的弱对比度磁共振图像进行近真实的修复,又可以对个体化扫描进行实时控制,避免因个体化差异造成的不理想扫描问题,减少重复扫描和数据废弃。本项发明的优点是:1)成像时间短:个体弛豫特性的推演基于传统加权信号强度图像,其成像方法简单,成像时间短,相较于多信号数据采集,可大量节约成像时间;2)推演准确性高:基于大样本知识库,用类比的方法推演个体弛豫特性,既利用普遍相似性完成推演过程,又利用知识库的样本多样性保留了个体差异性,保证推演结果的准确性;3)个体化成像参数实时推荐:利用简单的加权信号强度图像推演出个体弛豫特性,继而计算出优化成像参数,可使技术人员在短时间内获得被试的个人数据,及时修改扫描方案,避免多次重复扫描;4)独立性强:对被推演图像无对比度要求,可在后处理过程中通过人为干预修复图像对比度,减少重新采集数据带来的费用损失和无法重新采集带来的数据流失。
附图说明
图1是本发明实施流程示意图。
具体实施方式
下面结合附图及实施例对本发明做详细描述。
可将本发明分割为几个模块,具体包括:
模块1:样本知识库模块。该模块主要用于储存大量样本被试的全脑弛豫时间信息和组织蒙片,为个体弛豫时间的推演提供匹配的组织信息。
模块2:个体弛豫时间谱图建立模块。该模块主要用于建立样本数据和个体数据之间的类比关系,根据样本知识库信息推演个体弛豫时间谱图,确定个人组织特性。
模块3:个体化优化成像参数推荐模块。该模块主要根据个体弛豫时间谱图计算个体的优化成像参数,调整个体原始图像数据的对比度,推荐可供个体化成像的优化成像参数。
在模块1中,样本知识库包含多个(例如,50个)样本被试的全脑组织弛豫时间、特征常量和组织分割二值蒙片。
模块2包含了三个部分,个体图像的配准和组织分割,信号强度标准化和个体弛豫特性推演程序。个体图像的配准将个体图像从形态上配准到样本图像空间,组织分割用于建立不同组织的概率图和二值蒙片。信号强度标准化需要对样本知识库中的样本全脑弛豫时间谱图进行加权图像重建,并将样本数据图像调整到与个体图像具有可比性的信号强度区间,如果个体的某一组织区域与一些样本数据的某一组织区域具有相同的组织特性,那么它们在信号强度上将显示出相同的数值区间。个体弛豫特性推演程序根据被推演体素在图像空间中的坐标位置,在样本数据中确定一个三维的候选体素局域,在局域区间中根据个体组织属性检索出同类候选体素,获取候选体素的弛豫信息,计算个体体素的弛豫特性,并且进行不同组织和不同样本间的平滑获得个体的弛豫时间谱图。
其中个体弛豫特性推演包含了若干子模块,如下:
子模块1:同类候选体素检索。根据个体被推演体素V的组织概率在样本中筛选出第一类候选体素。做法是将样本知识库中的高对比度加权图像设置为定位像,将个体被推演体素的图像坐标(x,y,z)映射到定位像中。若被推演体素属于某一组织的概率大于0,则将知识库中对应的组织蒙片加权到定位像上,检索出蒙片覆盖下,以(x,y,z)为中心,(2N+1)×(2N+1)×7为矩阵的范围内的所有体素。其中N控制一层内的检索窗口,所有被检索出的体素为第一类候选体素fs1(V)。
子模块2:同类候选体素的集合。将子模块1中获得的第二类候选体素集合映射回对应的定位像中,提取各体素的的信号强度D。计算第二类候选体素与个体被推演体素V的信号强度差,设定其为加权因子,通过对第二类候选体素fs2(V)的弛豫特性求加权平均的方式,求取被推演体素V的弛豫特性:
其中,下表t指示个体体素,i代表第二类候选体素中各体素的序号,n为第二类候选体素总数。子模块3:样本平均。对基于所有样本数据推演出的弛豫特性进行算术平均。
子模块4:组织平滑。设个体被推演体素属于白质(t1)、灰质(t2)和脑脊液(t3)的概率分别为ρ1、ρ2和ρ3,对于以上分组织计算出的弛豫特性,通过组织概率对其进行平滑,获得个体被推演体素的第一次推演弛豫特性结果:
子模块5:迭代推演。对第一次推演得出的个体弛豫时间谱图计算出其相应的优化成像参数,重建个体优化加权影像学图像,重新完成组织识别,计算新加权图像的组织概率图。重复执行子模块1到4,最终确立个体弛豫时间谱图。
在模块5中,计算程序获得由模块二推演出的个体弛豫时间谱图,根据谱图中不同组织的弛豫时间差异,计算出增强感兴趣组织间对比度所需的成像参数,然后采用该套成像参数调整图像对比度,或将该套成像参数推荐给磁共振成像序列,实时更新扫描。
实施例
步骤1:建立样本数据库。采集多个(例如50个)标准个体的多TI和多TE的T1和T2加权影像学图像数据,建立磁共振特征属性样本数据库,包括样本的弛豫时间,特征常量,样本组织分割二值图像和样本的对比度优化信号强度加权图像(即定位像)。弛豫时间T1和T2的计算,采用如下公式进行拟合获得:
S(TI)=a+b·exp(-TI/T1)
S(TE)=c·exp(-TE/T2)
其中S为采集的T1或T2加权图像信号,a,b,c为系统常数。
步骤2:输入目标数据(即需要优化图像对比度,或推荐个体化优化成像参数的磁共振数据),包括加权信号强度图像和成像参数。
步骤3:将目标数据配准到样本空间,并分割组织结构。保存组织分割的概率图,并将所有组织概率图转化为二值图像。
步骤4:信号强度标准化。根据目标数据的数据类型和成像参数,将样本图像重建为与目标数据具有相同成像参数的同类型加权图像Is。分别采集并计算目标原始数据和样本原始数据的背景噪声标准偏差SDt和SDs,信噪比SNRt和SNRs,根据:
校正得到目标数据成像条件下的标准化样本模拟图像Isc。
步骤5:检索候选体素。将样本知识库中的高对比度加权图像设置为定位像,将目标数据被推演体素V的图像坐标(x,y,z)映射到定位像中。若被推演体素属于某一组织的概率大于0,则将知识库中相应的组织蒙片加权到定位像上,检索出蒙片覆盖下,以(x,y,z)为中心,(2N+1)×(2N+1)×7为矩阵的范围内的所有体素。所有被检索出的体素为第一类候选体素fs1(V)。
步骤6:信号不均匀性平滑。将第二类候选体素映射回对应的定位像中,提取各体素的信号强度D。计算第二类候选体素与目标体素V的信号强度差,设定其为加权因子,通过对第二类候选体素fs2(V)的弛豫特性求加权平均的方式,求取被推演体素V的弛豫特性:
其中,下标t指示个体体素,i代表第二类候选体素中各体素的序号,n为第二类候选体素总数。
步骤7:对基于所有样本数据推演出的弛豫特性进行算术平均。
步骤8:组织间平滑。提取目标数据被推演体素属于白质(t1)、灰质(t2)和脑脊液(t3)的概率ρ1、ρ2和ρ3,对于以上分组织计算出的弛豫特性,通过组织概率对其进行平滑,计为个体被推演体素的第一次推演弛豫特性结果:
步骤9:利用第一次推演结果计算其相应的优化成像参数,重建目标数据的优化模拟图像。
步骤10:根据模拟图像的对比度重新完成目标体素的组织识别,创建目标数据新加权图像的组织概率图。
步骤11:重复步骤5、6。
步骤12:以步骤10创建的组织概率图为基础,重复步骤7、8,得到第二次弛豫特性推演结果。
步骤13:根据第二次目标数据的弛豫特性推演结果,计算目标数据的个体化成像参数。将该成像参数推荐给磁共振成像系统,或用于图像重建修复图像对比度。
Claims (1)
1.一种个性化精准磁共振影像方法,用于修复弱图像对比度的磁共振影像数据和计算推荐个体化精准磁共振成像参数,其特征在于,该方法包括以下具体步骤:
步骤1:磁共振成像特性知识库的建立
对样本数据进行全脑组织的磁共振特性识别和分类,建立高精度的样本知识库,具体包括:
a.样本采集
采集数个标准个体的多TI和多TE的T1和T2加权影像学图像数据;
b.数据配准
将采集到的所有T1和T2加权影像学图像数据配准到统一的标准全脑模板空间;保证样本数据在配准后具有近似的形态学特征,建立每个个体之间相应部位的对应关系;
c.弛豫特性计算
计算全脑组织的T1弛豫时间、T2弛豫时间和特征常量,获得各类组织的磁共振属性信息,包括:
1)T1弛豫时间测量
对多TI的T1加权影像学图像数据进行如下形式的E指数拟合:
其中S为采集的T1加权图像信号,系数a和b均为包含自旋密度因子的函数;利用拟合结果建立全脑数据的T1弛豫时间相关谱图T1map、S0map和S2map,分别对应T1弛豫时间、常量a和常量b的估算值;
2)T2弛豫时间测量
对多TE的T2加权影像学图像数据进行如下形式的E指数拟合:
其中S为采集的T2加权图像信号,c为包含自旋密度因子的函数;利用拟合结果建立全脑数据的T2弛豫时间相关谱图T2map和T0map,分别对应拟合计算所得的T2弛豫时间和常量c;
d.组织蒙片建立
根据样本数据的T1和T2弛豫时间测量结果,计算各样本的最佳个体成像参数,将个体成像参数代入计算T1加权信号的反转恢复序列的信号强度公式,计算出一套组织对比度清晰的T1加权图像,并将个体成像参数代入计算T2加权信号的自旋回波序列的信号强度公式,计算出一套组织对比度清晰的T2加权图像;对新建的高对比度的样本T1加权图像和T2加权图像进行组织分割,获得不同数据类型的白质、灰质和脑脊液的分割概率图;接着,将所有组织的分割概率图转化为像素值只有0和1的二值图像;
步骤2:个体化弛豫特性的推演
获得个体磁共振影像学图像的成像类型和成像参数,利用样本数据库中的弛豫时间谱图重建样本数据加权图像,将样本数据加权图像标准化到个体数据的成像空间;计算个体图像数据与样本图像数据的信号强度差异、组织体素分布,筛选出样本数据中与个体图像中各体素的结构特性、磁共振信号强度特性、解剖特性最相似的类比候选体素;获得候选体素的弛豫特性,计算建立个体图像的弛豫时间相关谱图;具体包括:
a.个体图像的配准和分割
将个体磁共振影像学图像配准到样本图像空间,对配准后图像进行组织分割,获得个体图像的白质、灰质和脑脊液的分割概率图,并将概率图转化为二值图像;
b.信号强度标准化
利用个体图像的磁共振成像参数TR、TE、TI和成像物理原理对样本弛豫时间谱图进行同类加权图像的重建,使得样本加权图像与个体加权图像具有同类型的对比度;
根据个体T1加权图像和样本多TI的T1加权图像,或个体T2加权图像和样本多TE的T2加权图像,分别计算个体图像和样本数据的信噪比SNRt和SNRs,算法如下:
K是一个硬件相关常量因子,FOVx和FOVy分别是x方向和y方向的视野大小,Nx和Ny分别为频率编码步数和相位编码步数,ΔZ为层厚,NEX为信号的平均扫描次数,BW为接收带宽;
分别采集个体原始数据和样本原始数据的背景噪声标准偏差SDt和SDs,根据信噪比的实际测量方法:
进一步校准个体图像数据与样本图像数据之间由于成像分辨率引起的同种组织的信号强度差异;算法如下:
其中Is为样本加权图像的信号强度,Isc为样本加权图像校准后的最终信号强度,Kt为个体数据理论信噪比的K常量,Ks为样本数据理论信噪比的K常量;
信号强度标准化后,如果样本信号强度Isc和个体信号强度It采集于相同的组织,那么得到Isc近似等于It;
c.个体弛豫特性推演
1)根据个体被推演体素V的组织概率在样本中筛选出第一类候选体素;做法是将样本知识库中的高对比度加权图像设置为定位像,将个体被推演体素的图像坐标(x,y,z)映射到定位像中;若被推演体素属于某一组织的概率大于0,则将知识库中对应的组织蒙片加权到定位像上,检索出蒙片覆盖下,以(x,y,z)为中心,(2N+1)×(2N+1)×7为矩阵的范围内的所有体素;其中N控制一层内的检索窗口,所有被检索出的体素为第一类候选体素fs1(V);
2)将第二类候选体素映射回对应的定位像中,提取各体素的的信号强度D;计算第二类候选体素与个体被推演体素V的信号强度差,设定其为加权因子,通过对第二类候选体素fs2(V)的弛豫特性求加权平均的方式,求取被推演体素V的弛豫特性:
其中,下标t指示个体体素,i代表第二类候选体素中各体素的序号,n为第二类候选体素总数;
3)对基于所有样本数据推演出的弛豫特性进行算术平均;
4)设个体被推演体素属于白质t1、灰质t2和脑脊液t3的概率分别为ρ1、ρ2和ρ3,对于以上分组织计算出的弛豫特性,通过组织概率对其进行平滑,获得第一次推演弛豫特性结果:
5)对第一次推演得出的个体弛豫时间谱图计算出其相应的优化成像参数,重建个体优化加权影像学图像,重新完成组织识别,计算新加权图像的组织概率图;重复本步骤1)至4),完成第二次推演,最终确立个体弛豫时间谱图;
步骤3:磁共振成像数据个体化优化
确定需要增加组织间对比度的两种组织,设组织1为O1,组织2为O2,在推演获得的个体弛豫时间谱图中提取对应组织的平均弛豫属性;根据被推演个体影像学图像的成像物理原理,分别模拟O1和O2随成像参数TR、TE和TI变化的信号强度曲线,同时模拟O1和O2的绝对信号强度差随成像参数变化的对比度曲线;将三种模拟曲线缩放到相同数量级范围,计算曲线交点为工作点;
提取工作点下的成像参数对个体弛豫时间推演谱图进行图像重建,获得个体化优化的磁共振图像;
步骤4:磁共振个体化优化成像参数推荐
确定需要增加对比度的组织O1和O2的感兴趣区域,在推演获得的个体弛豫时间谱图中提取相应组织的平均弛豫属性;根据被推演个体影像学图像的成像物理原理,分别模拟O1和O2随成像参数TR/TE/TI变化的信号强度曲线,同时模拟O1和O2的绝对信号强度差随成像参数变化的对比度曲线;将三种模拟曲线缩放到相同数量级范围,计算曲线交点为工作点;
提取工作点下的成像参数推荐给磁共振成像系统,重新实施磁共振成像扫描,获得个体化优化的磁共振图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710636550.6A CN107316334B (zh) | 2017-07-31 | 2017-07-31 | 个性化精准磁共振影像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710636550.6A CN107316334B (zh) | 2017-07-31 | 2017-07-31 | 个性化精准磁共振影像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316334A CN107316334A (zh) | 2017-11-03 |
CN107316334B true CN107316334B (zh) | 2020-02-14 |
Family
ID=60174995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710636550.6A Active CN107316334B (zh) | 2017-07-31 | 2017-07-31 | 个性化精准磁共振影像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316334B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110876083B (zh) * | 2018-08-29 | 2021-09-21 | 浙江大学 | 指定参考图像的方法及装置及处理参考图像请求的方法及装置 |
EP3660530A1 (en) * | 2018-11-29 | 2020-06-03 | Koninklijke Philips N.V. | Real-time fmri |
CN111568420B (zh) * | 2019-02-15 | 2021-05-14 | 深圳先进技术研究院 | 一种旋转坐标内弛豫时间确定方法、装置及存储介质 |
EP3709263A1 (en) * | 2019-03-14 | 2020-09-16 | Siemens Healthcare GmbH | Method and system for monitoring a biological process |
CN117582208A (zh) * | 2019-09-18 | 2024-02-23 | 拜耳公司 | 用于确定组织体素的特征的方法、系统和计算机可读介质 |
CN117233676B (zh) * | 2023-11-15 | 2024-03-26 | 之江实验室 | 一种回波时间依赖的磁共振扩散成像信号生成方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116148A (zh) * | 2013-01-30 | 2013-05-22 | 上海理工大学 | 一种核磁共振二维谱反演的方法 |
CN103315739A (zh) * | 2013-05-22 | 2013-09-25 | 华东师范大学 | 基于动态跟踪技术免除运动伪影的磁共振影像方法和系统 |
CN103487773A (zh) * | 2012-02-01 | 2014-01-01 | 美国西门子医疗解决公司 | 用于虚拟频率选择性反转磁共振图像的重构的系统 |
-
2017
- 2017-07-31 CN CN201710636550.6A patent/CN107316334B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487773A (zh) * | 2012-02-01 | 2014-01-01 | 美国西门子医疗解决公司 | 用于虚拟频率选择性反转磁共振图像的重构的系统 |
CN103116148A (zh) * | 2013-01-30 | 2013-05-22 | 上海理工大学 | 一种核磁共振二维谱反演的方法 |
CN103315739A (zh) * | 2013-05-22 | 2013-09-25 | 华东师范大学 | 基于动态跟踪技术免除运动伪影的磁共振影像方法和系统 |
Non-Patent Citations (2)
Title |
---|
Altered Effective Connectivity of the Primary Motor Cortex in Stroke: A Resting-State fMRI Study with Granger Causality Analysis;Zhiyong Zhao;《NeuroImage》;20161115;第1-16页 * |
Deducing magnetic resonance neuroimages based on knowledge from samples;Yuwei Jiang 等;《Computerized Medical Imaging and Graphics》;20170729;第1-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107316334A (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316334B (zh) | 个性化精准磁共振影像方法 | |
CN109035263B (zh) | 基于卷积神经网络的脑肿瘤图像自动分割方法 | |
US10088544B2 (en) | Tractography framework with magnetic resonance imaging for brain connectivity analysis | |
Langner et al. | Fully convolutional networks for automated segmentation of abdominal adipose tissue depots in multicenter water–fat MRI | |
CN104093354B (zh) | 用于评估医学图像的方法和设备 | |
Erus et al. | Longitudinally and inter-site consistent multi-atlas based parcellation of brain anatomy using harmonized atlases | |
CN103249358B (zh) | 医用图像处理装置 | |
CN109522894A (zh) | 一种探测fMRI脑网络动态协变的方法 | |
CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
US9402562B2 (en) | Systems and methods for improved tractographic processing | |
CN101138498A (zh) | 一种基于磁共振三维肾图的图像处理方法 | |
CN113610808A (zh) | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
CN111445546A (zh) | 图像重建方法、装置、电子设备、存储介质 | |
US20150363951A1 (en) | Systems and methods for objective tractographic processing using features of grid structures of the brain | |
CN116650115A (zh) | 一种基于uwb标记点的骨科手术导航注册方法 | |
Marusina et al. | Automatic analysis of medical images based on fractal methods | |
Mouches et al. | Unifying brain age prediction and age-conditioned template generation with a deterministic autoencoder | |
Auzias et al. | On the influence of confounding factors in multisite brain morphometry studies of developmental pathologies: application to autism Spectrum disorder | |
CN111640127B (zh) | 一种用于骨科的精准临床诊断导航方法 | |
CN116401889A (zh) | 一种基于功能连接优化和谱聚类的小脑分区方法 | |
CN112991478B (zh) | 基于深度学习的影像分析多时相异常特征区域参数的方法 | |
CN114494952A (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 | |
TWI780396B (zh) | 基於多特徵磁振造影與人工智慧之自殺意念的評估方法及評估系統 | |
TWI477798B (zh) | 自動化分析大腦纖維資訊的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |