CN111354056A - 一种加速扩散磁共振成像采集的方法 - Google Patents
一种加速扩散磁共振成像采集的方法 Download PDFInfo
- Publication number
- CN111354056A CN111354056A CN202010445650.2A CN202010445650A CN111354056A CN 111354056 A CN111354056 A CN 111354056A CN 202010445650 A CN202010445650 A CN 202010445650A CN 111354056 A CN111354056 A CN 111354056A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- diffusion
- machine learning
- diffusion magnetic
- learning model
- 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.)
- Granted
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种加速扩散磁共振成像采集的方法。本方法为:1)整理准备用于机器学习的数据集,包括扩散磁共振图像及其对应的扩散参数图;2)构建并训练机器学习模型,使其学习扩散磁共振图像与扩散参数图的对应关系;3)计算训练集中各扩散磁共振图像对训练后的机器学习模型的重要性;4)保留重要性符合设定条件的扩散磁共振图像作为新数据集;5)利用该新数据集重新训练该机器学习模型,使其学习扩散磁共振图像与扩散参数图的对应关系;6)利用步骤5)训练的机器学习模型计算扩散参数图,验证该扩散参数图的计算效果,如果验证通过则保留步骤5)用到的扩散磁共振图像的对应扫描条件,然后利用该扫描条件进行扩散磁共振图像采集。
Description
技术领域
本发明属于医学影像和磁共振影像(MRI)图像处理技术领域,具体涉及一种基于机器学习特征选择技术的加速扩散磁共振成像采集的方法。
背景技术
磁共振影像(MRI)中的扩散磁共振成像(Diffusion MRI),临床上也常称为弥散磁共振成像。扩散磁共振成像通过测量组织内水分子扩散的程度和方向,间接观测脑组织的微观结构特性,例如脑白质神经纤维束走向。它是目前唯一的一种能够无损地显示活体的脑白质神经纤维束走向的技术,因而被广泛应用于临床和科学研究。扩散磁共振成像通常需要采集多个扫描条件的图像(例如设置不同的扩散敏感梯度强度、方向),足够的不同条件下采集的图像才能够带入模型计算,得到反映微观结构信息的扩散参数图。
当前有很多种用于计算扩散磁共振成像的模型,包括扩散张量成像(DiffusionTensor Imaging,DTI)、扩散峰度成像(Diffusion Kurtosis Imaging,DKI)、神经突起方向离散度与密度成像(Neurite Orientation Dispersion and Density Imaging,NODDI)、受限球面反卷积(Constrained Spherical Deconvolution,CSD)、分数化运动(FractionalMotion,FM)等。为了更稳定准确地计算扩散参数,这些模型都需要采集很多不同扫描条件的图像。这就导致了图像采集时间过长,严重限制了模型的实际应用。
近年来,有很多研究者尝试利用机器学习技术计算扩散参数。结果表明,与之前的模型拟合方法相比,机器学习的计算方法精度更高、速度更快。尤其是它对原始图像的要求更低,只需要少量不同条件的图像就可以得到模型拟合方法用大量图像才能计算出的结果。因此,利用机器学习方法估计扩散参数图,可以减少所需采集的图像总数,加速图像采集过程。
虽然已经有研究表明机器学习方法可以减少需要采集的图像,但是上述研究都只是随机地选择剔除哪些扫描条件的图像、保留哪些扫描条件的图像。这样很可能剔除包含有关键信息的图像,导致计算精度的损失。目前还没有一种既能减少所需采集的图像、又能最大程度保证计算精度的方法。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于机器学习特征选择技术的加速扩散磁共振成像采集的方法。在机器模型训练好后,计算每个输入图像的对机器学习模型的重要性。以此为依据,采集时剔除对模型重要性低的图像,减少所需采集的图像数目,加速图像采集过程。
为达到上述目的,本发明的技术方案如下。
一种基于机器学习特征选择技术的加速扩散磁共振成像采集的方法,包括如下步骤。
A、整理准备用于机器学习的数据集,需要包括扩散磁共振图像及其对应的扩散参数图。
B、构建并训练机器学习模型,使其学习扩散磁共振图像与扩散参数图的对应关系。
C、计算该数据集中各扩散磁共振图像对训练后的机器学习模型的重要性。
D、对步骤C计算出的重要性排序,排除重要性低的图像,保留重要性符合设定条件的扩散磁共振图像(比如如果需要需要将扫描时间变为原来的一半,即目标是减少50%的图像采集时间,就需要排除重要性最低的50%的图像;又比如想要最终计算精度偏差在20%以内尽可能的加速,那么就需要迭代步骤C、D、E三个步骤,每次末位淘汰重要性最低的一个,直到最后再排除就会超出精度要求)作为新的数据集。
E、用新数据集重新训练机器学习模型,使其学习这些扩散磁共振图像与扩散参数图的对应关系。
F、验证步骤E计算精度是否满足预设要求,通过验证后的步骤E训练的机器学习模型将用于以后扩散参数图的计算,此时仍然保留的图像所对应的扫描条件,将作为以后扩散磁共振图像采集的方案。
其中:步骤A所述的整理准备数据集,目的是得到一组扩散磁共振图像及其对应的扩散参数图,可以分为以下两种方法。
A1、使用模拟数据建立数据集,具体为:在合理范围内预设扩散参数图,设计扫描条件,根据模型从扩散参数和扫描条件计算对应的扩散磁共振信号,合成扩散磁共振图像,再给合成的扩散磁共振图像添加合理程度的噪声干扰。
A2、使用真实数据建立数据集,具体为:收集原始采集的扩散磁共振图像,使用模型拟合方法计算扩散参数图。
步骤B所述的构建并训练机器学习模型,是将扩散磁共振图像作为机器学习模型的输入,扩散参数图作为目标。
步骤C所述的计算各输入图像的重要程度,可以有多种方法实现。对于一些结构简单的机器学习模型,可以用模型训练后的权重系数衡量;对于决策树一类的机器学习模型,可以用节点分裂前后的分裂标准差值来计算;对于更复杂的机器学习模型,可以用随机排序测试的方法计算。
本发明的基于机器学习特征选择技术的加速扩散磁共振成像采集的方法,具有如下有益效果。
本方法适用于各种扩散磁共振模型,既可以直接用来计算参数,可以用来后续的白质纤维束追踪等。很多扩散磁共振模型因为需要采集很多图像才能拟合计算,导致图像采集时间过长,难以在实际情景中应用。采用本发明的方法,可以保证扩散参数图计算精度的情况下,减少所需采集的图像数目,从而节省大量的图像采集时间,有助于各扩散磁共振模型的推广应用。
附图说明
图1为本发明基于机器学习特征选择技术的加速扩散磁共振成像采集的方法流程示意图。
图2 为无噪声时的18个扩散磁共振图像对训练后模型的重要性对比图。
图3 为信噪比为50时的18个扩散磁共振图像对训练后模型的重要性对比图。
图4 为信噪比为40时的18个扩散磁共振图像对训练后模型的重要性对比图。
图5 为信噪比为30时的18个扩散磁共振图像对训练后模型的重要性对比图。
图6 为信噪比为20时的18个扩散磁共振图像对训练后模型的重要性对比图。
图7为依次排除重要性低的图像后,不同信噪比条件下机器学习模型计算诺亚指数的精度。
图8为依次排除重要性低的图像后,不同信噪比条件下机器学习模型计算赫斯特指数的精度。
具体实施方式
下面结合附图及本发明的实施例对本发明作进一步的详细说明。应指出的是,本发明并不局于所述的具体的扩散模型、图像采集参数、计算方法等,也可以有其他实施方式,或其他实施方式的组合。本发明中的某些处理步骤也可以设置为多个。
本例采用分数化运动模型作为想要计算的扩散磁共振参数模型,其中包含两个扩散参数:诺亚指数 和赫斯特指数。在使用脉冲梯度自旋回波(Pulse Gradient SpinEcho, PGSE)序列采集图像时,这两个参数与扩散磁共振采集参数和扩散磁共振信号的关系为。
其中S 0 是没有扩散敏感梯度情况下采集的信号;S是存在扩散敏感梯度情况下采集的信号; 是广义扩散系数; 是旋磁比常数;G是PGSE序列的脉冲梯度强度;是PGSE序列的两个脉冲梯度的时间间隔; 是一个无量纲参数。
PGSE序列的参数G、 、 都是图像采集的参数。从公式(1)可以看出,在扩散磁共振图像采集时需要设置多组PGSE参数,得到对应的磁共振信号,才能够拟合计算扩散参数和 。在之前的一项研究分数化运动模型在肿瘤分级上应用的研究中,图像采集时设置了18组PGSE参数,每组里都包含不同的脉冲梯度强度、两个脉冲梯度时间间隔、脉冲梯度持续时间。加上没有扩散敏感梯度的图像,图像采集的总时间约为8分42秒。
图1为本发明基于机器学习特征选择技术的加速扩散磁共振成像采集的方法流程示意图。用此方法减少本例的图像采集时间,将包含如下步骤。
步骤1: 整理准备用于机器学习的数据集。本例中使用模拟方法构建此数据集。首先在扩散参数 和 的合理范围(分别为1到2之间和0到1之间)内均匀随机取值60000次。对于每个 和 的扩散参数组合,将其带入公式(1)可以计算得到18个PGSE参数组对应的18个信号衰减。这是没有噪声的情况下扩散参数所对应的信号衰减。为了模仿实际情境,本例对上述合成信号添加不同程度的莱斯分布(Rician distribution)的噪声,生成有噪声情况下的数据集。最后,对于每个数据集按照80%和20%的比例随机划分训练数据和测试数据。
步骤2: 构建并训练机器学习模型。本例使用随机森林(Random Forest,RF)回归模型学习18个信号衰减与扩散参数 和 的对应关系。每个信噪比等级的数据集分别训练一个随机森林回归模型。每个随机森林都包含200棵决策树,每棵决策树的深度在训练阶段自动确定。训练的损失函数选择均方误差函数(Mean Squared Error,MSE)。
步骤3: 计算各扩散磁共振图像对训练后模型的重要性。在本例中,共有18个信号衰减作为输入随机森林模型的特征,这一步将计算每一信号衰减对模型结果的重要性。随机森林模型可以根据特征拆分节点的基尼不纯度(Gini Impurity)减少的总和计算出特征的重要性。
步骤4: 挑选重要性高的图像。本例结果如图2~6所示,对于每个信噪比等级的数据集,都给出了18个信号衰减对随机森林的重要性,重要性超过平均值的在图2~6中用斜线表示。以此为依据可以从18个信号衰减中排除重要性低的。
步骤5: 用保留的数据重新训练机器学习模型。本例中每次排除一个当前重要性最低的输入信号,用剩余的数据重新训练一个随机森林模型。随机森林模型可以采用与步骤2相同的设置,即包含200棵决策树,每棵决策树的深度在训练阶段自动确定,选择均方误差函数作为损失函数。
步骤6: 验证计算效果并确认保留图像的扫描条件。图7、图8展示了逐步排除重要性低的图像后,机器学习模型的计算效果。本例中使用决定系数(Coefficient ofdetermination)定量的衡量机器学习模型得到结果的准确度。决定系数越接近1,结果越准确。从图7、图8可以看出,即使只用6个信号衰减用于机器学习模型的计算,准确度下降不大。因此在之后的实际图像采集时,可以只采集这6个对机器学习模型最重要的输入图像所对应的采集条件,这样可以将图像采集时间大致降低到原来的三分之一。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (6)
1.一种加速扩散磁共振成像采集的方法,其步骤包括:
1)整理准备用于机器学习的数据集,包括扩散磁共振图像及其对应的扩散参数图;
2)构建并训练机器学习模型,使其学习扩散磁共振图像与扩散参数图的对应关系;
3)计算该训练集中各扩散磁共振图像对训练后的机器学习模型的重要性;
4)按照重要性排序,保留重要性符合设定条件的扩散磁共振图像作为新数据集;
5)利用该新数据集重新训练该机器学习模型,使其学习扩散磁共振图像与扩散参数图的对应关系;
6)利用步骤5)训练的机器学习模型计算扩散参数图,验证该扩散参数图的计算效果,如果验证通过则保留步骤5)用到的扩散磁共振图像的对应扫描条件,然后利用该扫描条件进行扩散磁共振图像采集。
2.如权利要求1所述的方法,其特征在于,步骤1)中,整理准备用于机器学习的数据集的方法为:首先设置扩散参数图、扫描条件;然后根据扩散参数图和扫描条件计算对应的扩散磁共振信号,合成扩散磁共振图像,再给合成的扩散磁共振图像添加噪声干扰。
3.如权利要求1所述的方法,其特征在于,步骤1)中,整理准备用于机器学习的数据集的方法为:收集原始采集的扩散磁共振图像,使用模型拟合方法计算扩散磁共振图像对应的扩散参数图。
4.如权利要求1所述的方法,其特征在于,保留重要性超过重要性平均值的扩散磁共振图像作为新数据集。
5.如权利要求1所述的方法,其特征在于,保留重要性超过设定阈值的扩散磁共振图像作为新数据集或保留重要性排序靠前的K个扩散磁共振图像作为新数据集。
6.如权利要求1所述的方法,其特征在于,所述机器学习模型为随机森林模型;每个扩散磁共振图像包括多个信号特征;步骤5)中,用新数据重新训练机器学习模型时,每次排除一个当前重要性最低的信号特征,用剩余的数据重新训练随机森林模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445650.2A CN111354056B (zh) | 2020-05-25 | 2020-05-25 | 一种加速扩散磁共振成像采集的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445650.2A CN111354056B (zh) | 2020-05-25 | 2020-05-25 | 一种加速扩散磁共振成像采集的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111354056A true CN111354056A (zh) | 2020-06-30 |
CN111354056B CN111354056B (zh) | 2020-10-27 |
Family
ID=71197729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010445650.2A Active CN111354056B (zh) | 2020-05-25 | 2020-05-25 | 一种加速扩散磁共振成像采集的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111354056B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014162300A1 (en) * | 2013-04-05 | 2014-10-09 | Isis Innovation Ltd. | Acceleration of low-rank mri data acquisition |
CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
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 |
-
2020
- 2020-05-25 CN CN202010445650.2A patent/CN111354056B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014162300A1 (en) * | 2013-04-05 | 2014-10-09 | Isis Innovation Ltd. | Acceleration of low-rank mri data acquisition |
CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
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 (5)
Title |
---|
CHAOYI ZHANG等: "《Acceleration of three-dimensional diffusion magnetic resonance imaging using a kernel low-rank compressed sensing method》", 《NEUROIMAGE》 * |
YANG FAN等: "《Fractional motion model for characterization of anomalous diffusion from NMR signals》", 《PHYSICAL REVIEW E》 * |
孙晓梦 等: "《基于机器学习方法的前列腺癌DWI多参数分析及其应用》", 《中国生物医学工程学报》 * |
王振熊 等: "《分数化运动模型在颅脑反常扩散中的初步应用》", 《磁共振成像》 * |
袁林: "《基于人脑磁共振成像数据的机器学习方法研究》", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111354056B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karayumak et al. | Retrospective harmonization of multi-site diffusion MRI data acquired with different acquisition parameters | |
CN104574298B (zh) | 一种基于互信息的多b值扩散权重图像的降噪方法 | |
CN110969614B (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
CN112614126A (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
CN106548213A (zh) | 血管识别方法和装置 | |
CN111445546A (zh) | 图像重建方法、装置、电子设备、存储介质 | |
CN111583356B (zh) | 一种基于卷积神经网络的磁共振图像合成方法和装置 | |
CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
CN110458842B (zh) | 基于双通道三维密集连接网络的脑肿瘤分割方法 | |
CN116230239A (zh) | 用于磁共振弥散加权成像的多参数后处理模型的构建方法 | |
CN109799472B (zh) | 一种基于深度学习的磁共振涡流补偿方法 | |
CN109544652B (zh) | 基于深度生成对抗神经网络的核磁共振多加权成像方法 | |
CN105997074B (zh) | 一种磁共振定量磁化率成像多回波相位拟合方法 | |
CN111354056B (zh) | 一种加速扩散磁共振成像采集的方法 | |
DE102012220449A1 (de) | Verfahren und Magnetresonanzgerät zur automatisierten Klassifizierung einer Bildeigenschaft eines Magnetresonanzbildes | |
CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
CN114983389B (zh) | 基于磁共振扩散张量成像的人脑轴突密度定量评估方法 | |
CN105759233B (zh) | 一种快速化学交换饱和转移成像方法和系统 | |
CN108596900B (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
KR102170977B1 (ko) | 자기공명분광 기반 뇌 대사물질에 대한 시변함수를 이용한 뇌 대사물질 네트워크 생성 시스템 및 방법 | |
CN115861228A (zh) | 基于UNet网络和注意力机制的脑胶质瘤分割方法 | |
CN114723937A (zh) | 一种基于核磁共振影像的血管周围间隙分类方法及系统 | |
CN114782371A (zh) | 一种基于人工智能的脑区自动分割方法 | |
CN111723521B (zh) | 基于gan网络的有限口径数据恢复为全口径数据的方法 | |
CN113553991A (zh) | 一种基于深度学习的舌象识别方法 |
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 |