CN108132274A - 不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法 - Google Patents

Abstract

不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，涉及核磁共振成像重建方法。利用单扫描回波平面成像序列对信号进行编码和采样，在一次90°脉冲激发后，通过一系列回波梯度采样获得整个k空间信号，不均匀磁场的影响在整个采样过程中积累。采样的信号通过二维傅里叶变换重建出图像，其中实部和虚部分别作为残差神经网络的输入。神经网络的训练来自于模拟数据集。首先随机生成标签，然后根据采样条件获得与标签对应的畸变的图像用于输入。批量生成多组数据用于训练网络。调整网络的超参数以保证训练误差能够收敛。最后导入训练好的网络参数并输入实测单扫描回波平面成像数据，可以获得无畸变的图像。

Description

不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法

技术领域

本发明涉及核磁共振成像重建方法，尤其是涉及一种基于残差神经网络的不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法。

背景技术

由于磁共振成像(Magnetic Resonance Imaging,MRI)具有对软组织损伤较少和分辨率较高的特性，它在功能磁共振成像(functional MRI,fMRI)、临床疾病诊断中发挥着重要的作用^[1,2]。在一些诸如多扫描梯度回波的传统序列中，需要多次射频脉冲激发才能获得完整的k空间信号^[3]。由于连续两次扫描之间的时间间隔较长，因而总的扫描时间较长，给患者带来不适，且可能在扫描过程中发生运动，导致图像出现运动伪影。因此，发展超快速成像技术具有重要意义，特别是在需要高的瞬时分辨率的功能磁共振成像^[4]和扩散张量成像(Diffusion Tensor Imaging，DTI)^[5]中。单扫描回波平面成像(echo planarimaging，EPI)是一种可以单次射频脉冲激发采集整个k空间信号的典型的超快速序列。然而回波平面成像序列对不均匀磁场比较敏感，不均匀磁场将导致采样的图像畸变。磁场不均匀程度越大，畸变越严重，而且不均匀磁场的影响会随时间累积，采样时间越长，图像的畸变也越严重。因此，相位编码维度的畸变一般比频率编码维度更大^[6]。

已有一些方法被提出用于矫正畸变的回波平面成像图像，其中比较成熟和通用的是使用场图的方法^[7]。场图可以通过由不同回波时间获得的梯度回波信号的相位差得到，然而要获得场图需要额外的扫描，特别是回波平面成像采样一张图只需要几秒钟，但是获得场图却需要几分钟。此外，长时间的场图采集会引入运动伪影而导致场图测量不准确。其他一些后处理方法也被提出，例如翻转相位编码方法(reversal phase-encoding)^[8]、非线性配准方法(nonlinear registration)^[9,10]和点扩散函数方法(point spread function，PSF)^[11]。这些方法都有一些客观限制而导致矫正效果不理想，例如点扩散函数方法对正则参数比较敏感，非线性配准方法仅对形状畸变进行矫正而且矫正效果依赖配准算法，PSF方法无法矫正频率维的畸变。

综上所述，需要寻找更实际和有效的方法解决回波平面成像图像畸变问题。新的方法应该仅需要少量或者不需要额外扫描，而且能够矫正较强的图像畸变，采样和重建的时间要短。这里提出了基于残差神经网络的端对端无参考扫描图像畸变矫正方法，能够很好地矫正图像形状畸变和强度失真^[12,13]。

参考文献：

[1]E.Yacoub,N.Harel,and K."High-field fMRI unveils orientationcolumns in humans,"Proceedings of the National Academy of Sciences of theUnited States of America,vol.105,no.30,pp.10607-10612,2008.

[2]J.Budde,G.Shajan,J.Hoffmann,K.and R.Pohmann,"Human imagingat 9.4T using T₂*‐,phase‐,and susceptibility‐weighted contrast,"MagneticResonance in Medicine,vol.65,no.2,pp.544-550,2011.

[3]E.M.Haacke,R.W.Brown,M.R.Thompson,and R.Venkatesan,MagneticResonance Imaging:Physical Principles and Sequence Design.Wiley-Liss NewYork,1999.

[4]R.Hoge,M.Franceschini,R.Covolan,T.Huppert,J.Mandeville,andD.Boas,"Simultaneous recording of task-induced changes in blood oxygenation,volume,and flow using diffuse optical imaging and arterial spin-labelingMRI,"NeuroImage,vol.25,no.3,pp.701-707,2005.

[5]D.Le Bihan,J.F.Mangin,C.Poupon,C.A.Clark,S.Pappata,N.Molko,andH.Chabriat,"Diffusion tensor imaging:Concepts and applications,"Journal ofMagnetic Resonance Imaging,vol.13,no.4,pp.534-546,2001.

[6]X.Hong,X.V.To,I.Teh,J.R.Soh,and K.-H.Chuang,"Evaluation of EPIdistortion correction methods for quantitative MRI of the brain at highmagnetic field,"Magnetic Resonance Imaging,vol.33,no.9,pp.1098-1105,2015.

[7]D.Holland,J.M.Kuperman,and A.M.Dale,"Efficient correction ofinhomogeneous static magnetic field-induced distortion in echo planarimaging,"NeuroImage,vol.50,no.1,pp.175-183,2010.

[8]P.S.Morgan,R.W.Bowtell,D.J.McIntyre,and B.S.Worthington,"Correction of spatial distortion in EPI due to inhomogeneous static magneticfields using the reversed gradient method,"Journal of Magnetic ResonanceImaging,vol.19,no.4,pp.499-507,2004.

[9]J.Kybic,P.Thévenaz,A.Nirkko,and M.Unser,"Unwarping ofunidirectionally distorted EPI images,"IEEE Transactions on Medical Imaging,vol.19,no.2,pp.80-93,2000.

[10]C.Studholme,R.T.Constable,and J.S.Duncan,"Accurate alignment offunctional EPI data to anatomical MRI using a physics-based distortionmodel,"IEEE Transactions on Medical Imaging,vol.19,no.11,pp.1115-1127,2000.

[11]H.Zeng and R.T.Constable,"Image distortion correction in EPI:Comparison of field mapping with point spread function mapping,"MagneticResonance in Medicine,vol.48,no.1,pp.137-146,2002.

[12]Y.LeCun,L.Bottou,Y.Bengio,and P.Haffner,"Gradient-based learningapplied to document recognition,"Proceedings of the IEEE,vol.86,no.11,pp.2278-2324,1998.

[13]K.He,X.Zhang,S.Ren,and J.Sun,"Deep residual learning for imagerecognition,"in Proceedings of the IEEE Conference on Computer Vision andPattern Recognition(CVPR),pp.770-778,2016.

发明内容

本发明的目的在于提供一种不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法。

本发明包括以下步骤：

1)将待测样品放置在实验床上并固定好，将装有实验样品的实验床送入磁共振成像仪的检测腔；

2)在磁共振成像仪的操作台上打开成像仪操作软件，首先对实验样品进行定位，然后进行调谐、匀场、频率校正和功率校正；

3)导入编译好的回波平面成像序列，设置脉冲序列的各个参数，检查实验参数设置是否正确；

4)执行步骤3)设置好参数的回波平面成像序列，开始采样，数据采样完成后，保存k空间数据并执行下一步骤；

5)对步骤4)得到的k空间数据通过快速傅里叶变换转换到图像域，对图像域归一化处理，得到实验数据；

6)根据实验样品的特征生成模板，根据实验采样参数设置模拟用的序列参数并对模板进行采样，然后通过快速傅里叶变换将k空间数据转换到图像域，对图像域归一化处理得到训练集；

7)采用TensorFlow深度学习框架和Python搭建神经网络模型，设置好训练超参数；

8)采用步骤6)得到的训练集训练网络，直至网络收敛并达到稳定，得到训练好的网络模型，然后利用训练好的网络模型对步骤5)得到的实验数据进行重建，得到无畸变的回波平面成像图像。

在步骤2)中，所述定位可在感兴趣区域定位。

在步骤3)中，所述回波平面成像序列包含：90°sinc射频脉冲、层选梯度G_ss、频率维偏置梯度G_a和读出梯度G_ro、相位维偏置梯度G_e和相位编码梯度G_pe；G_a的面积为第一个G_ro面积的一半，方向相反；G_e的面积为所有G_pe面积的一半，方向相反；90°sinc射频脉冲结合层选梯度G_ss进行层选；G_ro和G_pe相结合，实现对自旋信号的采集。

在步骤5)中，对步骤4)得到的k空间数据通过快速傅里叶变换转换到图像域，对图像域归一化处理的具体方法可为：对步骤4)得到的k空间数据进行分析，并对不均匀磁场条件下核自旋演化进行理论推导；在采样期，核自旋相位表达式如下：

其中γ为核自旋的旋磁比，B_inh(x,y)为采样点磁场强度相对静磁场B₀的偏差，(x,y)和(k_x,k_y)分别对应核自旋在实空间和k空间的位置；t表示为：

t_c为施加射频脉冲到采样开始的时间间隔，T_ro和T_pe分别对应梯度G_ro和G_pe的作用时间，N为频率维的采样点数，m表示采样点在k空间对应的相位维行数，n表示采样点在k空间对应的频率维列数；采样信号和自旋密度的关系为：

ρ为核自旋密度；最后通过傅里叶变换得到图像域的图像。

在步骤6)中，所述模板是根据实验所采集的样本的特征分布采用计算机随机批量生成，同时在不同形式的不均匀磁场条件下用序列模拟采样，以保证训练集尽量包含实测数据的各种畸变形式；模拟采样过程中，考虑到真实实验环境变化，加入随机变量因子，例如激发脉冲角度偏差、梯度强度偏差和噪声等来提高网络模型对不理想实验环境的鲁棒性。

在步骤7)中，所述神经网络模型包括网络的主体结构以及相关的训练参数；神经网络模型的损失函数为：

其中，L和H为图像的宽度和高度，W和b是网络参数，X是图像域的标签，Y是对应的在不均匀磁场下采样的信号，g()表示网络对输入图像的作用。

在步骤8)中，所述训练好的网络模型由于使用随机模板进行训练，泛化性较强，能适用于多种样品的重建。

本发明先单次扫描获得一张回波平面成像图像，然后采用深度学习方法重建得到一张无畸变的回波平面成像图像；本发明提供的基于残差神经网络的不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法将单扫描回波平面成像序列快速成像的特点和卷积神经网络强大的学习能力相结合，保证在超快速成像的情况下，重建出高质量的无畸变的回波平面成像图像。

附图说明

图1是本发明采用的单扫描回波平面成像序列。

图2是本发明采用的成像序列的采样轨迹。

图3是神经网络训练以及用训练好的网络对图像进行畸变矫正的流程图。

图4是重建无畸变图像使用的神经网络模型。

图5是不同序列在不同磁场条件下采样得到的鼠脑的图像及矫正结果图。在图5中，a～c图为多扫描序列获得的鼠脑参考图；d～f图为不均匀磁场下采样得到的畸变的回波平面成像图像；g～h图为用本发明矫正得到的回波平面成像图像；j～k图为畸变图像的相位图。

具体实施方式

以下实施例将结合附图对本发明作进一步说明。

本发明提供了基于残差神经网络的不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，具体实施过程中的各步骤如下：

1)准备好实验样品，将待测样品放置在实验床上并固定好，将装有样品的实验床送入磁共振成像仪的检测腔。

2)在磁共振成像仪的操作台上打开成像仪操作软件，首先对实验样品进行感兴趣区域定位，然后进行调谐、匀场、频率校正和功率校正。

3)导入已编译好的回波平面成像序列，根据具体的实验情况，设置脉冲序列的各个参数，检查实验参数设置是否正确。

所述回波平面成像序列包含：90°sinc射频脉冲、层选梯度G_ss、频率维偏置梯度G_a和读出梯度G_ro、相位维偏置梯度G_e和相位编码梯度G_pe。G_a的面积为第一个G_ro面积的一半，方向相反；G_e的面积为所有G_pe面积的一半，方向相反。90°sinc射频脉冲结合层选梯度G_ss进行层选；G_ro和G_pe相结合，实现对自旋信号的采集。

4)执行步骤3)设置好参数的回波平面成像序列，开始采样，数据采样完成后，保存数据并执行下一步骤。

5)对步骤4)得到的k空间数据通过快速傅里叶变换转换到图像域，对图像域归一化处理。

对得到的数据进行分析，并对不均匀磁场条件下核自旋演化进行理论推导。在采样期，核自旋相位表达式如下：

其中γ为核自旋的旋磁比，B_inh(x,y)为采样点磁场强度相对静磁场B₀的偏差，(x,y)和(k_x,k_y)分别对应核自旋在实空间和k空间的位置。t表示为：

t_c为施加射频脉冲到采样开始的时间间隔，T_ro和T_pe分别对应梯度G_ro和G_pe的作用时间，N为频率维的采样点数，m表示采样点在k空间对应的相位维行数，n表示采样点在k空间对应的频率维列数。采样信号和自旋密度的关系为：

ρ为核自旋密度。最后通过傅里叶变换得到图像域的图像。

6)根据实验样品的特征生成随机的模板，根据实验采样参数设置模拟用的序列参数并对模板进行采样，然后通过快速傅里叶变换将k空间的数据转换到图像域，对图像域归一化处理得到训练集。

所述随机模板是根据实验所采集的样本的特征分布采用计算机随机批量生成，同时在不同形式的不均匀磁场条件下用序列模拟采样，能够保证训练集尽量包含实测数据的各种畸变形式。模拟采样过程中，考虑到真实实验环境变化，加入了一些随机变量因子，例如激发脉冲角度偏差、梯度强度偏差和噪声等来提高网络模型对不理想实验环境的鲁棒性。

7)采用TensorFlow深度学习框架和Python搭建神经网络模型，设置好训练超参数。

所述神经网络模型主要包括：网络的主体结构以及相关的训练参数。网络模型的损失函数为：

其中L和H为图像的宽度和高度，W和b是网络参数，X是图像域的标签，Y是对应的在不均匀磁场下采样的信号，g()表示网络对输入图像的作用。

8)采用步骤6)得到的训练集训练网络，直至网络收敛并达到稳定，得到训练好的网络模型，然后利用训练好的网络模型对步骤5)得到的实验数据进行重建，得到无畸变的回波平面成像图像。

所述训练好的网络模型由于使用随机模板进行训练，泛化性较强，能适用于多种样品的重建。

本发明采用的单扫描回波平面成像序列参见图1。本发明采用的成像序列的采样轨迹参见图2。神经网络训练以及用训练好的网络对图像进行畸变矫正的流程图参见图1。重建无畸变图像使用的神经网络模型参见图4。该网络模型主要包括四个部分：输入网络、卷积网络net1、卷积网络net2和输出网络。输入网络将回波平面成像图像的实部和虚部作为输入，转化成流图在网络中求解。卷积网络net1具有较大的感受野，用以矫正图像的畸变。卷积网络net2用以对矫正好的图像重建，提高图像的精度。输出网络把流图转化成图像，输出无畸变的回波平面成像图像。

以下给出具体实施例：

图5展示了不同序列在不同磁场条件下采样得到的鼠脑的图像及矫正结果。其中a-c为多扫描序列获得的鼠脑参考图；d-f为不均匀磁场下采样得到的畸变的回波平面成像图像；g-h为用我们提出的方法矫正得到的回波平面成像图像；j-k为畸变图像的相位图。

本实施例用基于残差神经网络的不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法进行了鼠脑实验，用来验证本发明的可行性。实验是在核磁共振7T动物成像仪下进行的。在磁共振成像仪操作台上，打开成像仪中相应的操作软件，首先对鼠脑进行感兴趣区域定位，然后进行调谐、匀场、功率和频率校正。为了验证该方法对畸变图像矫正的有效性，在均匀场条件下利用多扫描序列采样图像作为对比参考图(分别如图5中的a图，b图和c图所示)。然后调偏匀场线圈，采集在不同不均匀磁场条件下的回波平面成像图像(分别如图5中的d图，e图和f图所示)。根据具体的实验情况，设置脉冲序列的各个参数，本实施例的实验参数设置如下：成像视野FOV为50mm×50mm。回波平面成像序列的采样回波时间为15.72ms，脉冲重复时间为650.82ms，总的扫描时间为7.3s，频率编码维和相位编码维的采样点数均为64；多扫描序列的采样回波时间为2.76ms，脉冲重复时间为109.84ms，总的采样时间为14.1s，频率编码维和相位编码维的采样点数均为128。将以上实验参数设置好后，直接开始采样。

数据采样完成后，按上述步骤5)～8)对数据进行重建，重建出来的图像如图5中的g图，h图和i图所示。

本发明在一次90°脉冲激发后，通过一系列回波梯度采样获得整个k空间信号，不均匀磁场的影响在整个采样过程中积累。采样的信号通过二维傅里叶变换重建出图像，其中实部和虚部分别作为残差神经网络的输入。神经网络的训练来自于模拟数据集。首先随机生成标签，然后根据采样条件获得与标签对应的畸变的图像用于输入。批量生成多组数据用于训练网络。调整网络的超参数以保证训练误差能够收敛。最后导入训练好的网络参数并输入实测单扫描回波平面成像数据，可以获得无畸变的图像。

Claims (6)

1.不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，其特征在于包括以下步骤：

1)将待测样品放置在实验床上并固定好，将装有实验样品的实验床送入磁共振成像仪的检测腔；

2)在磁共振成像仪的操作台上打开成像仪操作软件，首先对实验样品进行定位，然后进行调谐、匀场、频率校正和功率校正；

3)导入编译好的回波平面成像序列，设置脉冲序列的各个参数，检查实验参数设置是否正确；

4)执行步骤3)设置好参数的回波平面成像序列，开始采样，数据采样完成后，保存k空间数据并执行下一步骤；

5)对步骤4)得到的k空间数据通过快速傅里叶变换转换到图像域，对图像域归一化处理，得到实验数据；

6)根据实验样品的特征生成模板，根据实验采样参数设置模拟用的序列参数并对模板进行采样，然后通过快速傅里叶变换将k空间数据转换到图像域，对图像域归一化处理得到训练集；

7)采用TensorFlow深度学习框架和Python搭建神经网络模型，设置好训练超参数；

8)采用步骤6)得到的训练集训练网络，直至网络收敛并达到稳定，得到训练好的网络模型，然后利用训练好的网络模型对步骤5)得到的实验数据进行重建，得到无畸变的回波平面成像图像。

2.如权利要求1所述不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，其特征在于在步骤3)中，所述回波平面成像序列包含：90°sinc射频脉冲、层选梯度G_ss、频率维偏置梯度G_a和读出梯度G_ro、相位维偏置梯度G_e和相位编码梯度G_pe；G_a的面积为第一个G_ro面积的一半，方向相反；G_e的面积为所有G_pe面积的一半，方向相反；90°sinc射频脉冲结合层选梯度G_ss进行层选；G_ro和G_pe相结合，实现对自旋信号的采集。

3.如权利要求1所述不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，其特征在于在步骤5)中，对步骤4)得到的k空间数据通过快速傅里叶变换转换到图像域，对图像域归一化处理的具体方法为：对步骤4)得到的k空间数据进行分析，并对不均匀磁场条件下核自旋演化进行理论推导；在采样期，核自旋相位表达式如下：

其中，γ为核自旋的旋磁比，B_inh(x,y)为采样点磁场强度相对静磁场B₀的偏差，(x,y)和(k_x,k_y)分别对应核自旋在实空间和k空间的位置；t表示为：

t_c为施加射频脉冲到采样开始的时间间隔，T_ro和T_pe分别对应梯度G_ro和G_pe的作用时间，N为频率维的采样点数，m表示采样点在k空间对应的相位维行数，n表示采样点在k空间对应的频率维列数；采样信号和自旋密度的关系为：

ρ为核自旋密度，最后通过傅里叶变换得到图像域的图像。

4.如权利要求1所述不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，其特征在于在步骤6)中，所述模板是根据实验所采集的样本的特征分布采用计算机随机批量生成，同时在不同形式的不均匀磁场条件下用序列模拟采样，模拟采样时加入随机变量因子。

5.如权利要求4所述不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，其特征在于所述随机变量因子为激发脉冲角度偏差、梯度强度偏差、噪声中的至少一种。

6.如权利要求1所述不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法，其特征在于在步骤7)中，所述神经网络模型包括网络的主体结构以及相关的训练参数；神经网络模型的损失函数为：

其中，L和H为图像的宽度和高度，W和b是网络参数，X是图像域的标签，Y是对应的在不均匀磁场下采样的信号，g()表示网络对输入图像的作用。