CN108090937B - 磁共振弥散加权成像自适应修正方法 - Google Patents

磁共振弥散加权成像自适应修正方法 Download PDF

Info

Publication number
CN108090937B
CN108090937B CN201810136588.1A CN201810136588A CN108090937B CN 108090937 B CN108090937 B CN 108090937B CN 201810136588 A CN201810136588 A CN 201810136588A CN 108090937 B CN108090937 B CN 108090937B
Authority
CN
China
Prior art keywords
image
diffusion weighted
vector
matrix
magnetic resonance
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
CN201810136588.1A
Other languages
English (en)
Other versions
CN108090937A (zh
Inventor
罗海
王世杰
朱高杰
周翔
陈梅泞
王超
刘霞
吴子岳
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.)
ALLTECH MEDICAL SYSTEMS LLC
Original Assignee
ALLTECH MEDICAL SYSTEMS LLC
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 ALLTECH MEDICAL SYSTEMS LLC filed Critical ALLTECH MEDICAL SYSTEMS LLC
Priority to CN201810136588.1A priority Critical patent/CN108090937B/zh
Priority to PCT/CN2018/080113 priority patent/WO2019153443A1/zh
Publication of CN108090937A publication Critical patent/CN108090937A/zh
Application granted granted Critical
Publication of CN108090937B publication Critical patent/CN108090937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及磁共振弥散加权成像自适应修正方法，包括以下步骤：步骤1，相同的扫描参数，重复采集弥散加权图像N次，N≥3；步骤2，基于原始图像或者压缩后的图像逐点构造相关性矩阵；步骤3，对相关性矩阵做平滑滤波处理后进行主成分分析，获得每个相关性矩阵的最大特征值对应的特征向量；步骤4，根据特征向量计算权重；步骤5，根据权重对原始图像进行加权合成，获得修正后的弥散加权图像。本发明在多次采集平均技术的基础上，采用主成分分析方法，从冗余数据中自适应的检测并修正数据，抑制运动伪影、射频打火伪影等，改善图像质量；不需要增加硬件装置，且图像质量优于多次采集直接平均技术。

Description

磁共振弥散加权成像自适应修正方法
技术领域
本发明涉及磁共振成像领域，尤其涉及磁共振弥散加权成像自适应修正方法。
背景技术
弥散加权成像(Diffusion Weighted Imaging,DWI)是一种在分子水平上无创地反映活体水分子的无规则热运动状况的成像方法，成像主要依赖于水分子的运动而非组织的质子密度、T1或T2弛豫时间。弥散加权成像适用于活体细胞水平探测生物组织的微动态和微结构变化，在肿瘤的良恶性鉴别、疗效评估和预测起着举足轻重的作用。
在弥散加权成像中，施加的弥散梯度对运动极为敏感。运动主要包括以下四方面：(1)水分子弥散运动；(2)患者无意识的生理运动，如呼吸运动，肠胃蠕动，血液流动等；(3)患者有意识或无意识的整体运动；(4)弥散梯度导致的系统振动。水分子弥散运动在弥散梯度的作用下会产生相位差使得弥散系数较大的组织信号降低，这是弥散加权成像的原理。而后三种运动都会导致运动伪影，即使是亚像素级别的运动，也会产生极大的相位差，使得信号丢失，形成严重的伪影。
在弥散加权成像中，施加的弥散梯度非常大，会导致系统振动剧烈，进而可能出现线圈接口松动或静电积累/释放等导致射频干扰，在图像中形成条状伪影，通常称为射频打火伪影。
上述两类伪影，在弥散加权成像中非常常见，除了在弥散加权合成图像上出现伪影，还会影响基于弥散加权成像的后续处理结果，例如会导致ADC值误差，弥散张量成像误差等，影响医生诊断。为了改善上述伪影，一方面可以通过运动检测和校正技术、射频打火检测和校正技术，减少伪影，但这种方法需要增加专用的硬件检测装置或者算法复杂、可靠性差；另一方面，通常采用多次采集平均技术，降低伪影的影响，但这种方法通过直接平均，伪影抑制的程度有限。
发明内容
本发明旨在提供磁共振弥散加权成像自适应修正方法，在多次采集平均技术的基础上，采用主成分分析方法，从冗余数据中自适应地检测并校正运动伪影、射频打火伪影等，从而更好地改善图像质量，且不需要增加硬件装置。
为达到上述目的，本发明采用的技术方案如下：
磁共振弥散加权成像自适应修正方法，包括以下步骤：
步骤1，重复采集弥散加权图像N次，N为自然数，N≥3；
步骤2，基于原始图像或者压缩后的图像逐点构造相关性矩阵；
步骤3，主成分分析；获得每个相关性矩阵的最大特征值对应的特征向量；
步骤4，根据特征向量计算权重；
步骤5，根据步骤4获得的权重对步骤1中采集到的原始图像进行加权合成，获得修正后的弥散加权图像。
进一步的，步骤2之前利用插值算法对所有采集的原始图像进行压缩。其好处有，第一可以减少运算量，第二可以增加后续算法输入数据的信噪比。
其中，步骤2包括以下步骤：
步骤2.1，对于第n次采集的图像中任意一个像素点(x,y)，取周围相邻的K个点，构成一个邻域向量Xn；
步骤2.2，对于N次重复采集的图像，每个像素点对应了N个邻域向量，按公式(1)计算其中第n个向量Xn和第m个向量Xm之间的相关性；
Figure BDA0001576461470000031
公式(1)中，xi为向量Xn中的第i个元素，yi为向量Xm中的第i个元素，
Figure BDA0001576461470000032
为向量Xn的均值，
Figure BDA0001576461470000033
为向量Xm的均值。
步骤2.3，任一像素点(x,y)对应一个N*N的相关性矩阵R(x,y)；
Figure BDA0001576461470000034
其中，r1，1…r1，N为按公式(1)计算得到的两两向量之间的相关性系数。
其中，步骤3包括以下步骤；
步骤3.1，计算矩阵R(x,y)的特征值，找出最大的特征值；
步骤3.2，计算矩阵R(x,y)的最大特征值对应的特征向量γ。
进一步的，在步骤3之前先对相关性矩阵做平滑滤波处理。
其中，平滑滤波处理包括以下步骤；
步骤a，从每个像素点(x,y)对应的相关性矩阵R(x,y)中，取出第i个相关性系数，构成一个和图像矩阵大小相同的矩阵Ri；
步骤b，对矩阵Ri进行二维低通滤波；
步骤c，将滤波后的结果取代R(x,y)中对应的元素；
步骤d，重复a-c，直到R(x,y)中所有元素均处理完毕。
进一步的，步骤4中通过公式(2)计算权重；
Figure BDA0001576461470000041
公式(2)中，γn是特征向量γ的第n个元素，γmin是特征向量γ的最小元素，γmax是特征向量γ的最大元素,a和p为参数控制因子。
优选地，其中，a＝0.2，p＝1，但不限于此，可为其他取值。
进一步的，步骤5中通过公式(3)对原始图像进行加权合成；
Figure BDA0001576461470000042
公式(3)中，Mn为第n次采集得到弥散加权原始图像，wn为权重。
其中，步骤1中以相同的扫描参数重复采集弥散加权图像N次。
本发明具有以下有益效果：
本发明在多次采集平均技术的基础上，采用主成分分析方法，从冗余数据中自适应的检测并修正数据，抑制运动伪影、射频打火伪影等，改善图像质量；不需要增加硬件装置，且图像质量优于多次采集直接平均技术。
附图说明
图1是本发明的流程图；
图2是相同扫描参数，4次采集得到的4张腹部弥散加权图像；
图3是图2中4次采集数据进行直接平均合成后的弥散加权图像；
图4是图2中4次采集数据按本发明方法进行修正后的弥散加权图像；
图5是直接平均技术合成，含射频打火伪影的腹部弥散加权图像；
图6是对应于图5中的数据，利用本发明方法修正后的腹部弥散加权图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明作进一步详细说明。
实施例1
本实施例公开的磁共振弥散加权成像自适应修正方法，包括以下步骤：
步骤1，相同的扫描参数，重复采集弥散加权图像N次，N为自然数，N≥3；
步骤2，基于原始图像或者压缩后的图像逐点构造相关性矩阵：具体包括以下步骤；
步骤2.1，对于第n次采集的图像中任意一个像素点(x,y)，取周围相邻的K个点，构成一个邻域向量Xn；
步骤2.2，对于N次重复采集的图像，每个像素点对应了N个邻域向量，按公式(1)计算其中第n个向量Xn和第m个向量Xm之间的相关性；
Figure BDA0001576461470000061
公式(1)中，xi为向量Xn中的第i个元素，yi为向量Xm中的第i个元素，
Figure BDA0001576461470000062
为向量Xn的均值，
Figure BDA0001576461470000063
为向量Xm的均值。
步骤2.3，任一像素点(x,y)对应一个N*N的相关性矩阵R(x,y)；
Figure BDA0001576461470000064
其中，r1，1…r1，N为按公式(1)计算得到的两两向量之间的相关性系数。
步骤3，主成分分析：获得每个相关性矩阵的最大特征值对应的特征向量；具体包括以下步骤；
步骤3.1，计算矩阵R(x,y)的特征值，找出最大的特征值；
步骤3.2，计算矩阵R(x,y)的最大特征值对应的特征向量γ。
步骤4，根据公式(2)计算权重；
Figure BDA0001576461470000071
公式(2)中，γn是特征向量γ的第n个元素，γmin是特征向量γ的最小元素，γmax是特征向量γ的最大元素,a和p为参数控制因子。其中，参数控制因子一般但不限于a＝0.2，p＝1。
步骤5，根据步骤4获得的权重对步骤1中采集到的原始图像进行加权合成，获得修正后的弥散加权图像。具体通过公式(3)对原始图像进行加权合成；
Figure BDA0001576461470000072
公式(3)中，Mn为第n次采集得到弥散加权原始图像，Wn为权重。
实施例2
本实施例与实施例1的区别在于：步骤2之前利用插值算法对所有采集的原始图像进行压缩。其好处有，第一可以减少运算量，第二可以增加后续算法输入数据的信噪比。
实施例3
本实施例与实施例1或2的区别在于：如图1所示，在步骤3之前先对相关性矩阵做平滑滤波处理。其中，平滑滤波处理包括以下步骤；
步骤a，从每个像素点(x,y)对应的相关性矩阵R(x,y)中，取出第i个相关性系数，构成一个和图像矩阵大小相同的矩阵Ri；
步骤b，对矩阵Ri进行二维低通滤波；
步骤c，将滤波后的结果取代R(x,y)中对应的元素；
步骤d，重复a-c，直到R(x,y)中所有元素均处理完毕。
如图2所示，如箭头所指，第1张图像中可见明显的运动伪影，导致部分信号完全丢失。如图3所示，采用直接平均进行合成后的弥散加权图像，伪影抑制的程度有限，图片质量差；如图4所示，按本发明方法修正后的图像更准确。如图5、6所示，按本发明方法修正后的图像中射频打火伪影明显降低。
本发明在多次采集平均技术的基础上，基于主成分分析方法自适应计算各次扫描数据权重，按所得权重进行加权合成，抑制运动伪影、射频打火伪影，改善图像质量且不需要增加硬件装置。
当然，本发明还可有其它多种实施方式，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.磁共振弥散加权成像自适应修正方法，其特征在于：包括以下步骤：
步骤1，重复采集弥散加权图像N次，N为自然数，N≥3；
步骤2，基于原始图像或者压缩后的图像逐点构造相关性矩阵；步骤2包括以下步骤：
步骤2.1，对于第n次采集的图像中任意一个像素点(x,y)，取周围相邻的K个点，构成一个邻域向量Xn；
步骤2.2，对于N次重复采集的图像，每个像素点对应了N个邻域向量，按公式(1)计算其中第n个向量Xn和第m个向量Xm之间的相关性；
Figure FDA0002915446260000011
公式(1)中，xi为向量Xn中的第i个元素，yi为向量Xm中的第i个元素，
Figure FDA0002915446260000012
为向量Xn的均值，
Figure FDA0002915446260000013
为向量Xm的均值；
步骤2.3，任一像素点(x,y)对应一个N*N的相关性矩阵R(x,y)；
Figure FDA0002915446260000014
其中，r1,1…r1,N为按公式(1)计算得到的两两向量之间的相关性系数；
步骤3，主成分分析；获得每个相关性矩阵的最大特征值对应的特征向量；步骤3包括以下步骤：
步骤3.1，计算矩阵R(x,y)的特征值，找出最大的特征值；
步骤3.2，计算矩阵R(x,y)的最大特征值对应的特征向量γ；
步骤4，根据特征向量计算权重；步骤4中通过公式(2)计算权重：
Figure FDA0002915446260000021
公式(2)中，γn是特征向量γ的第n个元素，γmin是特征向量γ的最小元素，γmax是特征向量γ的最大元素,a和p为参数控制因子；其中，a＝0.2，p＝1；
步骤5，根据步骤4获得的权重对步骤1中采集到的原始图像进行加权合成，获得修正后的弥散加权图像。
2.如权利要求1所述的磁共振弥散加权成像自适应修正方法，其特征在于：步骤2之前利用插值算法对所有采集的原始图像进行压缩。
3.如权利要求1所述的磁共振弥散加权成像自适应修正方法，其特征在于：步骤3之前先对相关性矩阵做平滑滤波处理。
4.如权利要求3所述的磁共振弥散加权成像自适应修正方法，其特征在于：平滑滤波处理包括以下步骤；
步骤a，从每个像素点(x,y)对应的相关性矩阵R(x,y)中，取出第i个相关性系数，构成一个和图像矩阵大小相同的矩阵Ri；
步骤b，对矩阵Ri进行二维低通滤波；
步骤c，将滤波后的结果取代R(x,y)中对应的元素；
步骤d，重复a-c，直到R(x,y)中所有元素均处理完毕。
5.如权利要求1所述的磁共振弥散加权成像自适应修正方法，其特征在于：步骤5中通过公式(3)对原始图像进行加权合成；
Figure FDA0002915446260000031
公式(3)中，Mn为第n次采集得到弥散加权原始图像，wn为权重。
6.如权利要求1所述的磁共振弥散加权成像自适应修正方法，其特征在于：步骤1中以相同的扫描参数重复采集弥散加权图像N次。
CN201810136588.1A 2018-02-09 2018-02-09 磁共振弥散加权成像自适应修正方法 Active CN108090937B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810136588.1A CN108090937B (zh) 2018-02-09 2018-02-09 磁共振弥散加权成像自适应修正方法
PCT/CN2018/080113 WO2019153443A1 (zh) 2018-02-09 2018-03-23 磁共振弥散加权成像自适应修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810136588.1A CN108090937B (zh) 2018-02-09 2018-02-09 磁共振弥散加权成像自适应修正方法

Publications (2)

Publication Number Publication Date
CN108090937A CN108090937A (zh) 2018-05-29
CN108090937B true CN108090937B (zh) 2021-03-19

Family

ID=62194414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810136588.1A Active CN108090937B (zh) 2018-02-09 2018-02-09 磁共振弥散加权成像自适应修正方法

Country Status (2)

Country Link
CN (1) CN108090937B (zh)
WO (1) WO2019153443A1 (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749600A (zh) * 2012-05-30 2012-10-24 苏州安科医疗系统有限公司 一种磁共振多通道图像的合成方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6160398A (en) * 1999-07-02 2000-12-12 Vista Clara, Inc. Adaptive reconstruction of phased array NMR imagery
US8170305B2 (en) * 2006-10-19 2012-05-01 Brown University Quantitative tract-of-interest metrics for white matter integrity based on diffusion tensor MRI data
JP5072343B2 (ja) * 2006-12-19 2012-11-14 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴イメージング装置，磁気共鳴イメージング方法，拡散テンソルカラーマップ画像生成装置，拡散テンソルカラーマップ画像生成方法
TWI339739B (en) * 2007-07-10 2011-04-01 Univ Nat Taiwan Analyzing algorithm for mr diffusion weighted imaging
CN102136071A (zh) * 2011-03-09 2011-07-27 北京航空航天大学 一种基于空间相关矩阵的图像特征分析模型
CN102217934A (zh) * 2011-04-08 2011-10-19 中国科学院深圳先进技术研究院 磁共振成像方法及系统
JP5946800B2 (ja) * 2013-07-22 2016-07-06 株式会社日立製作所 磁気共鳴イメージング装置、画像処理装置、画像処理方法、及び画像処理プログラム
CN104323777B (zh) * 2014-10-30 2016-06-29 西安交通大学医学院第一附属医院 一种扩散磁共振成像运动伪影的消除方法
CN104599244B (zh) * 2014-12-23 2018-06-15 中国科学院深圳先进技术研究院 磁共振弥散张量成像的去噪方法和系统
US10634753B2 (en) * 2015-07-15 2020-04-28 Koninklijke Philips N.V. MR imaging with motion detection
CN107240125B (zh) * 2016-03-28 2020-02-07 上海联影医疗科技有限公司 一种扩散加权成像方法
CN106780643B (zh) * 2016-11-21 2019-07-26 清华大学 磁共振多次激发扩散成像运动矫正方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749600A (zh) * 2012-05-30 2012-10-24 苏州安科医疗系统有限公司 一种磁共振多通道图像的合成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
磁共振弥散张量成像去噪算法的研究;邵艳春;《中国学位论文全文数据库》;20140331;第30页 *

Also Published As

Publication number Publication date
WO2019153443A1 (zh) 2019-08-15
CN108090937A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
US9482732B2 (en) MRI reconstruction with motion-dependent regularization
CN107072592B (zh) 磁共振成像装置以及定量性磁化率匹配方法
JP5443695B2 (ja) 磁気共鳴イメージング装置
Royuela‐del‐Val et al. Nonrigid groupwise registration for motion estimation and compensation in compressed sensing reconstruction of breath‐hold cardiac cine MRI
US9341693B2 (en) Motion compensated magnetic resonance reconstruction in real-time imaging
Wei et al. Free-breathing diffusion tensor imaging and tractography of the human heart in healthy volunteers using wavelet-based image fusion
JP3976684B2 (ja) 画像における動きの影響を低減する方法および装置
JP2007244848A (ja) データ補正装置、データ補正方法、磁気共鳴イメージング装置およびｘ線ｃｔ装置
JP2013046833A (ja) データ補正装置
Chen et al. High-resolution self-gated dynamic abdominal MRI using manifold alignment
Chahid et al. A New ROI-Based performance evaluation method for image denoising using the Squared Eigenfunctions of the Schrödinger Operator
EP4028787A1 (en) Systems and methods of deep learning for large-scale dynamic magnetic resonance image reconstruction
Ferreira et al. Accelerating Cardiac Diffusion Tensor Imaging With a U‐Net Based Model: Toward Single Breath‐Hold
JP4975614B2 (ja) 磁気共鳴イメージング装置及び方法
CN111340699B (zh) 基于非局部先验和稀疏表示的磁共振图像去噪方法及装置
EP1790991B1 (en) Data processing system and data processing method involving a Wiener filter
WO2013033558A1 (en) System and method for joint degradation estimation and image reconstruction in magnetic resonance imaging
CN108090937B (zh) 磁共振弥散加权成像自适应修正方法
Mella et al. HARP-I: a harmonic phase interpolation method for the estimation of motion from tagged MR images
Ding et al. Application of the Karhunen–Loeve transform temporal image filter to reduce noise in real-time cardiac cine MRI
WO2015181806A2 (en) Method for assessing and improving data quality in fine structure analysis data
Miller et al. Motion compensated extreme MRI: Multi-scale low rank reconstructions for highly accelerated 3D dynamic acquisitions (MoCo-MSLR)
WO2019161586A1 (zh) 一种propeller技术中抑制非刚性运动的权重计算方法
US20230169663A1 (en) Motion correction of images corrupted by multiple motion sources
US10955511B2 (en) Magnetic resonance imaging coil normalization by using a reference image

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
PP01 Preservation of patent right
PP01 Preservation of patent right

Effective date of registration: 20230905

Granted publication date: 20210319

PD01 Discharge of preservation of patent
PD01 Discharge of preservation of patent

Date of cancellation: 20231117

Granted publication date: 20210319