CN111681184A - 一种神经黑色素图像重建方法、装置、设备和存储介质 - Google Patents

一种神经黑色素图像重建方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111681184A
CN111681184A CN202010523058.XA CN202010523058A CN111681184A CN 111681184 A CN111681184 A CN 111681184A CN 202010523058 A CN202010523058 A CN 202010523058A CN 111681184 A CN111681184 A CN 111681184A
Authority
CN
China
Prior art keywords
images
amplitude
amplitude images
groups
image
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
Application number
CN202010523058.XA
Other languages
English (en)
Other versions
CN111681184B (zh
Inventor
李郁欣
刘学玲
杨丽琴
吴仆射
曹卓群
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.)
Huashan Hospital of Fudan University
Original Assignee
Huashan Hospital of Fudan 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 Huashan Hospital of Fudan University filed Critical Huashan Hospital of Fudan University
Priority to CN202010523058.XA priority Critical patent/CN111681184B/zh
Publication of CN111681184A publication Critical patent/CN111681184A/zh
Application granted granted Critical
Publication of CN111681184B publication Critical patent/CN111681184B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请实施例提出了一种神经黑色素图像重建方法、装置、电子设备和计算机存储介质，所述神经黑色素图像重建方法包括：获取QSM序列的N组幅值图像；定所述N组幅值图像中的前M组幅值图像；将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像；基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。由于该神经黑色素图像的重建方法是通过QSM序列所获得的短回波时间的幅值图像所重建的，可以避免在后续的图像处理流程中进行图像的配准，同时，可以实现通过同一次扫描获取包含NM‑MRI序列和QSM两个序列的信息，有利于实际临床检查。

Description

一种神经黑色素图像重建方法、装置、设备和存储介质
技术领域
本申请涉及图像重建技术，尤其涉及一种神经黑色素图像重建方法、装置、设备和存储介质。
背景技术
神经黑色素成像磁共振成像(Neuromelanin-sensitive Magnetic ResonanceImaging，NM-MRI)和定量磁敏感成像(Quantitative Susceptibility Mapping，QSM)技术都是诊断和评估帕金森病(Parkinson Disease，PD)患者的重要影像手段，但由于PD患者多数具有震颤和运动障碍，因此，在实际临床检查中很难实现在同一次扫描中采集两个序列，医生们往往根据需要而进行取舍。此外，即使在两个序列都能实现采集后，其各自产生的图像，由于层厚、层间距和分辨率等差异的存在，在后续的图像处理流程中必然要进行图像的配准，这样需要具有相关背景专业知识才能实现，不便于在临床工作中广泛开展。
发明内容
本申请实施例期望提供一种神经黑色素图像重建方法、装置、设备和存储介质。
第一方面，本申请实施例提供了一种神经黑色素图像重建的方法，所述方法包括：
获取QSM序列的N组幅值图像；其中，N为大于2的整数；
确定所述N组幅值图像中的前M组幅值图像；
将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数；
基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
第二方面，本申请实施例还提出了一种神经黑色素图像重建装置，所述装置包括：获取模块、第一确定模块和重建模块，其中，
所述获取模块，用于获取QSM序列的N组幅值图像；其中，N为大于2的整数；
所述第一确定模块，用于确定所述N组幅值图像中的前M组幅值图像；将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数；
所述重建模块，用于基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
第三方面，本申请实施例还提供了一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序时，执行上述任意一种神经黑色素图像重建方法。
第四方面，本申请还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种所述的神经黑色素图像重建方法。
本申请实施例中，由于该神经黑色素图像的重建方法是通过QSM序列所获得的短回波时间的幅值图像所重建的，因此，获得的图像的层厚、层间距和分辨率等相同，进而，可以避免在后续的图像处理流程中进行图像的配准，同时，可以实现通过同一次扫描获取包含NM-MRI序列和QSM两个序列的信息，有利于实际临床检查。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例的一种神经黑色素图像重建方法的流程示意图；
图2为本申请实施例的另一种神经黑色素图像重建方法的流程示意图；
图3为本申请实施例的又一种神经黑色素图像重建方法的流程示意图；
图4为本发明实施例的神经黑色素图像的重建过程示意图；
图5为本申请实施例的采用的U-net具体结构示意图；
图6为本申请实施例的一种神经黑色素图像重建方法的流程框架图；
图7为本申请实施例中健康(Healthy Control，HC)组与PD组相对重心距离的3D散点图；
图8为本申请实施例的setMag和NM-MRI图像的双侧平均SNhyper体积鉴别PD和HC的ROC曲线示意图；
图9为本申请实施例的单次QSM序列、重建得到setMag和磁敏感图的示意图；
图10为本申请实施例的SetMag图像显示两侧黑质致密带采用各种分割方式的效果示意图；
图11为本申请实施例的神经黑色素图像重建装置的组成结构示意图；
图12为本申请实施例的电子设备的结构示意图。
具体实施方式
以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本申请，并不用于限定本申请。另外，以下所提供的实施例是用于实施本申请的部分实施例，而非提供实施本申请的全部实施例，在不冲突的情况下，本申请实施例记载的技术方案可以任意组合的方式实施。
需要说明的是，在本申请实施例中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其他要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元，例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
相关技术中，NM-MRI是目前用于反映神经黑色素变化的影像技术。神经黑色素在脑内主要存在于黑质的多巴胺神经元和蓝斑核的去甲肾上腺能神经元中。经病理证实NM-MRI所产生的信号强度与含有神经黑色素的神经元数量呈正相关，与正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)的对照研究表明其可以作为多巴胺功能的一个替代标记物。因此，该成像技术是目前评估以黑质多巴胺能神经元损伤为特征的PD的重要辅助手段。
PD的主要病理改变除黑质致密带中含神经黑色素的多巴胺神经元进行性减少外，还包括铁沉积的增多。目前显示铁沉积的成像技术主要有T2*加权成像、磁敏感加权成像(susceptibility-weighted imaging，SWI)和QSM。然而，只有基于QSM重建的磁敏感图(susceptibility mapping)可以通过测量磁敏感值来精准地对铁沉积进行定量评估，并已被尸检研究证实该磁敏感值与质谱法测得的铁含量具有很高的一致性。
为了更好地探明PD中神经黑色素和铁沉积的变化规律，比如，神经黑色素与铁离子鳌合，形成稳定的神经黑色素-铁复合物，需要联合应用神经黑色素成像和磁敏感成像两种序列。考虑到PD患者的主要特点是以运动障碍为主，很难在NM-MRI扫描仪内长时间保持头部不动来配合完成检查。因此，两种成像技术的联合应用难以在临床实践中开展。同时，通过设置基于磁化传递的双重回波序列，可以提取短回波时间组的图像重建神经黑色素图像，并提取第二组长回波时间组图像作为SWI图像，但所重建得到的神经黑色素图像的信号噪声比和T1加权对比度都比较低，且不是在QSM序列所获得的短回波时间的幅值图像所重建的，无法避免在后续的图像处理流程中进行图像的配准，同时，也无法实现通过同一次扫描采集NM-MRI序列和QSM两个序列。
进一步地，目前NM-MRI技术通常采用的是快速自旋回波(Fast Spin Echo，FSE)序列的T1加权成像，以黑质致密带为中心横断面进行二维数据采集，通常层厚2.5mm，采集10至16层，采集空间分辨率0.4*0.4mm至0.5*0.7mm之间，采集时间7至12分钟。神经黑色素具有缩短T1的效应，在NM-MRI序列上呈高信号。为了提高T1加权的对比度，通常叠加磁化传递技术，为了提高图像信号噪声比，还需要增加激励次数，这样都导致扫描时间的进一步延长。其中，
常用的QSM技术是通过带有多组回波的扰相梯度回波序列(Spoiled Gradient-Recalled-echo，SPGR)实现的。通常为三维数据采集，扫描覆盖全部头颅范围，回波数目8或16。该序列生成的图像包含若干组(个数为扫描时选取的回波数目)的幅值图像和相位图像。基于相位图像上的磁敏感差异，通过提升组织的磁敏感对比度可生成磁敏感图，由于其具有可量化的特征，目前已被广泛应用于铁沉积的评估中。联合利用部分幅值图像和相位图像可以生成SWI，也是通过提供磁敏感的对比度来实现评估脑内小静脉及出血。然而，在QSM包含的若干组幅值图像中仍获取了包含组织其他特性的信息，目前尚未被充分开发利用。
为了帮助理解，这里介绍一下下面实施例涉及到的QSM序列的扫描参数，相关说明如下：
重复时间(Repetition Time，TR)，表示脉冲序列的一个周期所需要的时间，也就是从第一个射频脉冲出现到下一个周期同一脉冲出现时所经历的时间间隔，TR时间影响被射频脉冲激发后质子的驰豫恢复情况，TR时间缩短，T1权重增加，T2*权重减少。
第一个回波时间(Echo Time，TE)，表示从激发脉冲到产生回波之间的间隔时间，TE时间缩短，T1权重增加，T2权重减少。
回波数目，可以选择8至16的偶数，多回波序列中的回波数目主要与磁敏感图的重建有关，一般来说，回波数目越多，磁敏感图得到的磁敏感值越准确；回波间隔时间可以表示快速成像序列回波链中相邻两个回波之间的时间间隔，回波间隔时间的长短影响TE时间的长短。
带宽，可以表示接收信号的频率范围，即，读出梯度采样频率的范围；翻转角可以表示在射频脉冲的激发下，质子磁化矢量方向将发生偏转，发生偏转所偏离的角度称为翻转角或激发角度，翻转角的大小是由射频脉冲的能量所决定的。
扫描野(Field Of View，FOV)可以由图像水平和垂直两个方向的距离确定，与图像的分辨率有关。
矩阵，可以表示沿频率编码和相位编码方向采集的像素数目；
层厚可以影响z轴的分辨率；
体素可以与扫描野、矩阵和层厚有关，像素的大小可以通过FOV除以矩阵来获得，层厚可以为Z轴的分辨率，像素与层厚的乘积即为体素；
层数可以与FOV有关；
加速因子可以影响扫描时间，加速因子越大扫描时间越短；
扫描时间可以是完成整个序列的扫描所需要的时间。
为了解决上述技术问题，本申请实施例提出一种神经黑色素图像重建方法，图1为本申请实施例的一种神经黑色素图像重建方法的流程示意图，如图1所示，该流程可以包括：
步骤101：获取QSM序列的N组幅值图像；其中，N为大于2的整数。
在一个实例中，获取QSM序列的N组幅值图像的实现方式，可以是先通过QSM序列获得T组回波图像，然后，通过特定的算法将该多组回波图像分为幅值图像和相位图像两大类，即，该多组回波图像被分为N组幅值图像和N组相位图像，其中，T的值是N的两倍，进而，得到N组幅值图像，且N为偶数。
在一些实施例中，可以设置如下所示的QSM序列的扫描参数：采用3D多回波SPGR序列，TR为41.6ms(毫秒)，TE为3.2ms，回波数目为8至16的偶数，回波间隔时间为2.4ms，带宽为62.50kHz，翻转角为12°，FOV为256×256mm(毫米)，矩阵为256×256，层厚为1mm，体素为1×1×1mm3，层数为140，加速因子为2，扫描时间为9:00min(分钟)。
在一些实施例中，在预设的回波数目为16的情况下，QSM序列可以产生16组幅值图像和16组相位图像。其中，幅值图像可以命名为Magi，i为大于等于1小于等于16的整数，Magi表示第i组幅值图像。
步骤102：确定所述N组图像中的前M组幅值图像。
对于确定所述N组图像中的前M组幅值图像的实现方式，在一个示例中，可以是确定所述N组幅值图像中的每一组幅值图像的中脑核团CNR；按照所述N组幅值图像的先后顺序关系，依次根据第j组幅值图像的中脑核团CNR，判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值；所述j为取值在1到N/2之间整数；在所述第j组幅值图像的T2*加权效应大于所述第一预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
这里，T1加权效应和T2*加权效应分别表示在磁场里参数T1和参数T2*含量的变化趋势，其中，T2*加权效应与铁沉积有关，T1加权效应与神经黑色素有关，在需要凸显神经黑色素的信号的情况下，需要加强T1加权效应，而减弱T2*加权效应；反之，在需要凸显铁沉积的信号的情况下，需要加强T2*加权效应，而减弱T1加权效应。
作为一种实施方式，确定所述N组幅值图像中的每一组幅值图像的中脑核团CNR，可以是根据特定的目标对象，从每一组所述幅值图像中包括的P张图像中，选取目标层面的幅值图像，其中，所述特定的目标对象包括第一目标对象和第二目标对象；将每一组所述幅值图像中目标层面的幅值图像的中脑核团CNR，确定为对应组幅值图像的中脑核团CNR。
这里，特定的目标对象可以是感兴趣区域，中脑核团信号对比噪声比(Contrastto Noise Ratio，CNR)可以是两个感兴趣区域的信号对比噪声比。
在一个实例中，目标层面的幅值图像可以是特定目标对象对应的幅值图像；从第j组幅值图像中包括的P张图像中，选取目标层面的幅值图像，可以是从包括P张图像的第j组幅值图像中，选取1张包含目标对象的目标层面的幅值图像。其中，P表示第j组幅值图像中所包含的图像的个数。
确定所述N组幅值图像中的每一组幅值图像的信号对比噪声比中脑核团CNR的实现方式，可以是在N组幅值图像中的每一组幅值图像中选取包含两个感兴趣区域的一幅幅值图像，将该幅图像的中脑核团CNR确定为该组幅值图像的中脑核团CNR。例如，对于N组幅值图像中的第2组幅值图像，且第2组幅值图像包括200张幅值图像的情况，可以从200张幅值图像选取包含两个感兴趣区域的一幅幅值图像A，将幅值图像A的中脑核团CNR确定为第2组幅值图像的中脑核团CNR。
在一种实施方式中，按照所述N组幅值图像的先后顺序关系，依次根据第j组幅值图像的中脑核团CNR，判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值，可以是按照所述N组幅值图像的先后顺序关系，根据第j组幅值图像中对应目标层面的幅值图像的中脑核团CNR的变化趋势，判断第j组幅值图像的T2*加权效应是否大于第一预设阈值。
根据第j组幅值图像中对应目标层面的幅值图像的中脑核团CNR的变化趋势，判断第j组幅值图像的T2*加权效应是否大于第一预设阈值的实现方式，可以是判断第j组幅值图像对应的中脑核团CNR与第一组幅值图像对应的中脑核团CNR相比降低的比率是否大于预设的比率，例如，预设的比率可以是50％，若是，则判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值。当然，可以默认第一组幅值图像的T2*加权效应大于第一预设阈值。这里，第一预设阈值可以根据放射科医生的经验进行设置。
在一种实施方式中，可以在第j组幅值图像的T2*加权效应大于第一预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像，将前M组幅值图像确定为短回波时间的幅值图像。例如，当N＝16，i＝4，即在第4组幅值图像的T2*加权效应大于第一预设阈值的情况下，选取M＝3，即将N组幅值图像中的前3组图像作为短回波时间的幅值图像。具体地，该前3组图图像对应的TE可以分别为3.2ms、5.6ms和8.0ms。
在一种实施方式中，第一组幅值图像对应的TE时间最短，可以产生最轻微的T2*加权效应和明显的T1加权效应，随着回波时间的延长，T2*加权效应会逐渐增强。
在另一个示例中，确定所述N组幅值图像中的前M组幅值图像可以是按照所述N组幅值图像的先后顺序关系，依次通过视觉评估判断第j组幅值图像的T2*加权效应是否大于第二预设阈值；所述j为取值在1到N/2之间整数；在所述第M+1组幅值图像的T2*加权效应大于所述第二预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
作为一种实施方式，按照所述N组幅值图像的先后顺序关系，依次通过视觉评估判断第j组幅值图像的T2*加权效应是否大于第二预设阈值，可以是通过多名经验丰富的放射科医生，按照顺序依次对N组幅值图像进行视觉评估，依次确定N组幅值图像中的每一组幅值图像中的T2*加权效应是否大于第二预设阈值。具体地，多名经验丰富的放射科医生从第一组幅值图像开始，依照顺序观察包括两个感兴趣区(富含铁的红核和中脑导水管前方白质)的图像中，红核区域的信号值，进而，确定红核区域信号值的变化趋势，根据红核区域信号值变化趋势判断第j组幅值图像的T2*加权效应是否大于预设阈值。例如，可以根据红核区域信号值的变化趋势，判断第j组幅值图像的两个感兴趣区的图像中，红核区域的信号值是否小于预设信号值阈值，根据判断结果确定第j组幅值图像的T2*加权效应是否大于第二预设阈值。这里第二预设阈值也可以根据放射科医生的经验进行设置，具体地，第二预设阈值可以与第一预设阈值相同也可以不相同。
在一种实施方式中，在所述第M+1组幅值图像的T2*加权效应大于所述预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像，可以是在第j组幅值图像的两个感兴趣区的图像中，在观察到红核区域的信号值小于预设信号值阈值的情况下，确定第j组幅值图像的T2*加权效应大于预设阈值，即可确定述N组幅值图像中的前M组的幅值图像。
步骤103：将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数。
在一种实施方式中，短回波时间的幅值图像可以表示N组幅值图像中T1加权效应明显，而T2*加权效应微小的M组幅值图像。例如，对于N＝16，M＝3的情况，短回波时间的幅值图像可以是16组幅值图像中的第1组幅值图像、第2组幅值图像和第3组幅值图像。
步骤104：基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
在实际应用中，步骤101至步骤104可以利用业务集群中的处理器实现，上述处理器可以为特定用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital SignalProcessing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、FPGA、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。
可以看出，本申请实施例提出的神经黑色素图像的重建方法，获取QSM序列的N组幅值图像；其中，N为大于2的整数；确定所述N组幅值图像中的前M组幅值图像；将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数；基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。由于该神经黑色素图像的重建方法是通过QSM序列所获得的短回波时间的幅值图像所重建的，因此，获得的图像的层厚、层间距和分辨率等相同，进而，可以避免在后续的图像处理流程中进行图像的配准，同时，可以实现通过同一次扫描获取包含NM-MRI序列和QSM两个序列的信息，有利于实际临床检查。
本申请实施例提出一种神经黑色素图像重建方法，图2为本申请实施例的另一种神经黑色素图像重建方法的流程示意图二，如图2所示，该流程可以包括：
步骤201：获取QSM序列的N组幅值图像；其中，N为大于2的整数。
步骤202：确定所述N组幅值图像中的每一组幅值图像的信号对比噪声比中脑核团CNR。
步骤203：按照所述N组幅值图像的先后顺序关系，依次根据第j组幅值图像的中脑核团CNR，判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值；所述j为取值在1到N/2之间整数。
步骤204：在所述第j组幅值图像的T2*加权效应大于所述第一预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
步骤205：将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数。
步骤206：基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
在一种实施方式中，所述确定所述N组幅值图像中的每一组幅值图像的中脑核团CNR，包括：根据特定的目标对象，从每一组所述幅值图像中包括的P张图像中，选取目标层面的幅值图像；将每一组所述幅值图像中目标层面的幅值图像的中脑核团CNR，确定为对应组幅值图像的中脑核团CNR。
在一种实施方式中，所述特定的目标对象包括第一目标对象和第二目标对象，所述根据特定的目标对象，从每一组所述幅值图像中包括的P张图像中，选取目标层面的幅值图像，包括：根据所述第一目标对象和第二目标对象，从每一组所述幅值图像中包括的P张图像中，选取同时包括所述第一目标对象和所述第二目标对象的目标层面的幅值图像；所述方法还包括：
步骤11：根据所述目标层面的幅值图像确定所述第一目标对象对应的信号值；
步骤12：根据所述目标层面的幅值图像，确定所述第二目标对象对应的信号值和所述第二目标对象对应的信号的标准差；
步骤13：确定所述第一目标对象对应的信号值和所述第二目标对象对应的信号值的差值；
步骤14：将所述差值与所述第二目标对象对应的信号的标准差，确定为目标层面的幅值图像的中脑核团CNR。
这里，第一目标对象和第二目标对象可以是两个感兴趣的区域，例如，第一目标对象可以是富含铁的红核区域，第二目标对象可以是中脑水管前方的白质区域，信号对比噪声比可以是两个目标对象的信号对比噪声比。
第一目标对象对应的信号值可以是第一目标对象在扫描磁场中所产生的信号值；第二目标对象对应的信号值可以是第二目标对象在扫描磁场中所产生的信号值；第二目标对象对应的信号的标准差可以是第二目标对象在扫描磁场中所产生的信号值的标准差。
在一些实施例中，在第一目标对象和第二目标对象分别是富含铁的红核和中脑导水管前方白质的情况下，中脑核团CNR可以定义为如下表述：
中脑核团CNR＝(SI红核-SI中脑)/SD中脑 (1)；
其中，SI红核和SI中脑分别代表红核和脑桥区域的信号值，SD中脑代表脑桥区域信号的标准差。
在一种实施方式中，所述按照所述N组幅值图像的先后顺序关系，依次根据第j组幅值图像的中脑核团CNR，判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值，包括：按照所述N组幅值图像的先后顺序关系，根据第j组幅值图像中对应目标层面的幅值图像的中脑核团CNR的变化趋势，判断第j组幅值图像的T2*加权效应是否大于第一预设阈值。
本申请实施例提出一种神经黑色素图像重建方法，图3为本申请实施例的又一种神经黑色素图像重建方法的流程示意图，如图3所示，该流程可以包括：
步骤301：获取QSM序列的N组幅值图像；其中，N为大于2的整数。
步骤302：按照所述N组幅值图像的先后顺序关系，依次通过视觉评估判断第j组幅值图像的T2*加权效应是否大于第二预设阈值；所述j为取值在1到N/2之间整数。
步骤303：在所述第M+1组幅值图像的T2*加权效应大于所述第二预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
步骤304：将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数。
步骤305：基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
在一种实施方式中，基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像，可以是对每一组所述短回波时间的幅值图像中的灰度值取平方，得到灰度值的平方值；将所述M组短回波时间的幅值图像的灰度值的平方值求累加和；对灰度值的累加和开平方，得到灰度值的平方根；对所述灰度值的平方根取四次幂，得到所述N组幅值图像对应的神经黑色素图像。
这里，通过对每一组所述短回波时间的幅值图像中的灰度值取平方，得到灰度值的平方值；将所述M组短回波时间的幅值图像的灰度值的平方值求累加和；对灰度值的累加和开平方，得到灰度值的平方根，可以将需要的特征提取出来，有利于提高图像的信号噪声比；对所述灰度值的平方根取四次幂，则有利于提高T1加权效应的对比度，进而，得到的N组幅值图像对应的神经黑色素图像的信号噪声比和T1加权效应的对比度都比较高。这里，T1加权效应的对比度表示与周围组织的T1的含量的对比度。
在一个实施例中，所述方法还可以包括：
步骤21：基于所述神经黑色素图像，通过深度学习方法自动分割黑质致密带。
这里，黑质致密带为含神经黑色素的高信号区域。基于所述神经黑色素图像，通过深度学习方法自动分割黑质致密带的实现方式，示例性地，可以是通过深度学习方法来对黑质致密带中的每个体素进行分类，确定每个体素对象的类型。
步骤22：利用自动分割后的黑质致密带进行帕金森病PD的病情诊断。
这里，医生可以通过将自动分割后的黑质致密带与磁敏感图相结合，评估PD。
本申请实施例提出另一神经黑色素图像重建方法，所述方法从QSM序列的多组回波图像中，提取若干组的短回波时间的幅值图像，以达到减少T2*加权效应并提高T1加权效应的目的，重建出具有良好T1加权效应的对比度的神经黑色素图像，可以命名为SetMag图，以替代传统的NM-MRI序列。本申请实施例试图通过单次QSM成像，同时获得神经黑色素和铁沉积的双重信息，既缩短了联合成像所需的采集时间，也减少了不同模态间图像配准的流程。
从QSM序列中，利用短回波时间的幅值图像重建出神经黑色素图像的具体步骤如下：
步骤401：设置QSM序列扫描参数。
采用3D多回波SPGR序列、TR设置为41.6ms(毫秒)、TE为3.2ms(毫秒)、回波数目选择8-16的偶数、回波间隔时间为2.4ms(毫秒)、带宽为62.50kHz、翻转角为12°、FOV为256×256mm(毫米)、矩阵为256×256、层厚1mm、体素为1×1×1mm3、层数为140、加速因子为2、扫描时间为9:00min。
步骤402：选取短回波时间的幅值图像。
根据设定的回波数目N，QSM序列图像可以产生N组幅值图像和N组相位图像。如果N＝16，则生成16组幅值图像和16组相位图像，其中，幅值图像命名为Magi(i代表数字1至16)。第一组幅值图像对应的TE时间最短，可以产生最轻微的T2*加权对比和明显的T1加权对比。随着回波时间的延长，T2*加权的对比逐渐增加。根据每组幅值图像的信号效应来选取含T1加权效应的若干组幅值图像。
在一些实施例中，可以通过两种方法来选取含T1加权效应的若干组幅值图像：
其一，是选取富含铁的红核和中脑导水管前方白质为感兴趣区，从每组幅值图像中选取包含感兴趣区的一幅幅值图像，将该幅值图像确定为目标层面的幅值图像。
针对该目标幅幅值图像计算富含铁的红核和中脑导水管前方白质的中脑核团CNR，中脑核团CNR＝(SI红核-SI中脑)/SD中脑，其中，SI红核和SI中脑分别代表红核和脑桥区域的信号值，SD中脑代表脑桥区域信号的标准差。将该目标层面的幅值图像的中脑核团CNR确定为该组幅值图像对应的中脑核团CNR，从而可以获得不同组的幅值图像的中脑核团CNR，进而，得到回波长度不同的幅值图像的中脑核团CNR曲线。根据目标层面的幅值图像的中脑核团CNR的变化趋势，判断对应组的幅值图像的T2*加权效应是否大于第一预设阈值，也就是说，判断中脑核团CNR明显降低的情况下，认为T2*加权效应出现。
其二，是由两名经验丰富的放射科医生视觉评估，确定红核区域信号值的变化趋势，在目标层面的幅值图像的红核区域逐渐出现低信号时，判断为T2*加权效应逐渐显现。
两种方法均选取T2*加权效应出现前的连续幅值图像，以N＝16为例，当i＝4时幅值图像中在目标层面的幅值图像的红核区域明显出现低信号时，医生可以通过肉眼识别出目标层面的幅值图像上的低信号，因此，选取(i＝1至3)的图像(TE时间分别为3.2/5.6/8.0ms)作为短回波时间的幅值图像来进行神经黑色素图像的重建。
步骤403：通过短回波时间的幅值图像重建神经黑色素图像幅值图像的重建。
为了更便于识别黑质致密带的神经黑色素，可通过提高图像信号噪声比和提高T1加权效应的对比度两个步骤对上述选取图像进行重建。
第一步，将选取的若干组短回波幅值短回波时间的幅值图像重建为组合图像(combined magnitude)。在一些实施例中，可以根据通过比较通用的数学模型实现。比如，对若干组短回波时间的幅值图像中的每一个体素的灰度值取平方和，再平方根，以此提高图像的信号噪声比。
第二步，对上述组合图像的体素值再取四次幂，重建对比增强的幅值图像(enhanced magnitude)，以此提高T1加权效应的对比度，即命名为短回波幅值短回波幅值图像(short-echo-time magnitude，setMag)。
上述两个步骤的实现过程可以参见公式(2)，如下：
Figure BDA0002532763450000161
其中，i＝1、2、3，代表本研究中三个最短的TE(3.2/5.6/8.0ms)。经过该对比增强，可提高T1加权对比。所有的后处理均在MATLAB(MathWorks，Natick，MA-MRI)平台上完成。
步骤403的神经黑色素图像的重建过程可以参见图4所示，神经黑色素图像的重建过程包括：将短回波时间的幅值图像41重建为组合图像42，再通过对组合图像42重建对比增强的幅值图像43。从图4可以看出，重建对比增强的幅值图像43的信号噪声比和T1加权效应的对比值明显得到提高。
步骤404：使用深度学习方法分割黑质致密带。
使用卷积神经网络来对含神经黑色素的高信号区域即黑质致密带实施分割，其主要思想就是采取U-net卷积神经网络通过模型来预测每个像素对应的分类。首先人工标注目标区域，再对数据进行预处理操作，通过以下公式(3)来扫描序列进行标准化：
Figure BDA0002532763450000162
其中μ代表信号强度的均值，σ代表信号强度的方差，标准化操作是以整个扫描序列为单位进行操作。目的是取消量纲，以解决数据指标之间的可比性，适合进行综合对比评价，同时有利于模型收敛，使梯度向着最小值方向下降。
提取包含目标的层作为训练和测试样本，为了提升泛化能力，在样本进入模型前采用随机上下翻转和镜像翻转来增加样本量，进行数据增强，概率各为0.5。
图5为本申请实施例的采用的U-net具体结构示意图，如图5所示，与原始结构的差别在于，采用步长为2的卷积层来替代最大值池化层，最后使用核为1x1的卷积层作为分类器，sigmoid输出大小为[0,1]的预测值，代表该像素位置为目标区域的概率。训练具体参数如下，使用Adam优化器来优化模型参数，初始学习率大小为1e-4，β_1＝0.5，β_2＝0.999，权重衰减设置为3e-5，使用交叉熵(Cross Entropy，CE)作为损失函数。批大小为8，共训练100轮，在第20、50轮进行系数为0.1的学习率衰减。运算图形处理器(Graphics ProcessingUnit，GPU)为Nvidia 1080Ti。使用深度学习框架PyTorch 1.0.0以及Python 3.6来实现程序。
本申请实施例提供一种神经黑色素图像重建方法，本实施例中以N＝16、M＝3为例进行说明，即通过QSM可以得到16组相位图像和16组幅值图像，参见图6，该方法包括：
步骤601：通过QSM 61可以得到16组相位图像62和16组幅值图像63；
其中，通过16组相位图像可以是生成磁敏感图；通过16组幅值图像可以重建神经黑色素图像。
步骤602：在16组幅值图像中选取前3组的短回波时间的幅值图像；
步骤603：通过对提取的前3组短回波幅值图像进行第一次图像处理，得到组合幅值图像，得到组合幅值图像64；
这里，组合幅值图像64即为图像的信噪比提高后的图像；
步骤604：通过对组合幅值图像进行第二次图像处理得到对比增强的幅值图像，得到对比增强的图像65；
这里，对比增强的图像65为T1加权效应的对比度提高后的图像；
步骤605：通过对对比增强的幅值图像65进行手动勾画或深度学习可以对黑质致密带进行识别，获取定量信息66。
以上步骤602至步骤605提供了一种通过16组幅值图像重建神经黑色素图像的过程。
图7为本申请实施例中健康(Healthy Control，HC)组与PD组相对重心距离的3D散点图，如图7所示，点1和点2分别与点3的连线代表setMag图像勾画黑质致密带的重心到NM-MRI图像的重心原点(0,0,0)的距离，PD组的相对重心位置和HC组的相对重心位置到NM-MRI图像的重心原点(0,0,0)的距离均小于1mm。其中，点1表示PD组的相对重心位置，点2表示HC组的相对重心位置，点3表示NM-MRI图像的重心原点(0,0,0)的位置。
通过对15例老年健康HC组与18例PD患者组进行了对照，发现在两组人群中，左侧和右侧黑质致密带的Dice相似系数(Dice similarity coefficient，DSC)在HC组分别为0.83和0.84；在PD组分别为0.82和0.77。左侧和右侧黑质致密带的相对重心距离在HC组分别为0.59mm和0.46mm，在PD组分别为0.49mm和0.82mm。可以看出，基于QSM序列重建的setMag图像(神经黑色素图像)与NM-MRI图像所显示的两侧黑质致密带的空间位置无显著差异。
图8为本申请实施例的setMag和NM-MRI图像的双侧平均SNhyper体积鉴别PD和HC的受试者工作曲线(Receiver Operating Characteristic curve，ROC)曲线示意图，如图8所示，实线部分81表示setMag的双侧平均SNhyper体积鉴别PD和HC的ROC曲线，虚线部分82表示NM-MRI图像的双侧平均SNhyper体积鉴别PD和HC的ROC曲线)。
可以看出，SetMag图像与NM-MRI图像对PD的诊断效能无显著差异。在15例老年健康对照与18例PD患者研究中发现两个模态勾画的平均黑质致密带体积鉴别PD和HC的诊断效能无统计学差异。在29例早期PD患者中对setMag图像与PET的多巴胺成像进行对照，发现基于setMag勾画的黑质致密带体积与同侧的纹状体多巴胺摄取值呈正相关。以此说明setMag可提供反映多巴胺功能代谢的影像标记物。
图9为本申请实施例的单次QSM序列、重建得到setMag和磁敏感图的示意图，如图9所示，从左到右分别为NM-MRI、扫描时间为9min的单次QSM序列重建得到setMag和磁敏感图，其中，扫描时间为9min的单次QSM序列重建得到的setMag和磁敏感图具有同样的空间位置。可以看出，单次QSM序列采集数据后重建setMag和磁敏感图，可以同时评估神经黑色素和铁沉积改变，缩短了联合成像所需的采集时间，也减少了不同模态间图像配准的流程。
图10为本申请实施例的SetMag图像显示两侧黑质致密带采用各种分割方式的效果示意图，其中a为本申请实施例的SetMag图像显示两侧黑质致密带为新月形的高信号示意图；b为本申请实施例的SetMag图像显示两侧黑质致密带手动分割的结果示意图；c为本申请实施例的SetMag图像显示两侧黑质致密带利用U-net自动分割的结果示意图；d为本申请实施例的SetMag图像显示两侧黑质致密带手动分割和U-net自动分割结果的对比示意图(两者的重叠区域为紫色)，DSC系数为0.88。可以看出，使用深度学习的方法可实现黑质致密带的自动分割。其中，手动分割的分割结果为b中的标识1部分，自动分割的分割结果为c中标识2部分，手动分割与自动分割的叠加的结果为d中的1、2和3部分，其中部分3为手动分割和自动分割的重叠区域。对15例正常老年人的手动和U-net自动分割的结果进行对比，发现两者的平均DSC为0.82±0.05，说明两者的分割效果重叠率很高。
在前述实施例提出的神经黑色素重建方法的基础上，本申请实施例提出了一种神经黑色素重建装置。
图11为本申请实施例的神经黑色素图像重建装置的组成结构示意图，如图9所示，所述装置可以包括：获取模块1101、第一确定模块1102和重建模块1103，其中，
所述获取模块1101，用于获取QSM序列的N组幅值图像；其中，N为大于2的整数；
所述第一确定模块1102，用于确定所述N组幅值图像中的前M组幅值图像；将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数；
所述重建模块1103，用于基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
在一种实施方式中，所述第一确定模块1102，用于确定所述N组幅值图像中的每一组幅值图像的信号对比噪声比中脑核团CNR；按照所述N组幅值图像的先后顺序关系，依次根据第j组幅值图像的中脑核团CNR，判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值；所述j为取值在1到N/2之间整数；在所述第j组幅值图像的T2*加权效应大于所述第一预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
在一种实施方式中，所述第一确定模块1102，用于根据特定的目标对象，从每一组所述幅值图像中包括的P张图像中；将每一组所述幅值图像中目标层面的幅值图像的中脑核团CNR，确定为对应组幅值图像的中脑核团CNR。
在一种实施方式中，所述特定的目标对象包括第一目标对象和第二目标对象，所述第一确定模块1102，用于根据所述第一目标对象和第二目标对象，从每一组所述幅值图像中包括的P张图像中，选取同时包括所述第一目标对象和所述第二目标对象的目标层面的幅值图像；所述装置还包括：第二确定模块1104，用于根据所述目标层面的幅值图像确定所述第一目标对象对应的信号值；根据所述目标层面的幅值图像，确定所述第二目标对象对应的信号值和所述第二目标对象对应的信号的标准差；确定所述第二目标对象对应的信号值与所述信号的标准差之间的比值；将所述第一目标对象对应的信号值与所述比值之间的差值，确定为目标层面的幅值图像的中脑核团CNR。
在一种实施方式中，所述第一确定模块1102，用于按照所述N组幅值图像的先后顺序关系，根据第j组幅值图像中对应目标层面的幅值图像的中脑核团CNR的变化趋势，判断第j组幅值图像的T2*加权效应是否大于第一预设阈值。
在一种实施方式中，所述第一确定模块1102，用于按照所述N组幅值图像的先后顺序关系，依次通过视觉评估判断第j组幅值图像的T2*加权效应是否大于第二预设阈值；所述j为取值在1到N/2之间整数；在所述第M+1组幅值图像的T2*加权效应大于所述第二预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
在一种实施方式中，所述重建模块1103，用于对每一组所述短回波时间的幅值图像中的灰度值取平方，得到灰度值的平方值；将所述M组短回波时间的幅值图像的灰度值的平方值求累加和；对灰度值的累加和开平方，得到灰度值的平方根；对所述灰度值的平方根取四次幂，得到所述N组幅值图像对应的神经黑色素图像。
在一种实施方式中，所述装置还包括自动分割模块1105，用于基于所述神经黑色素图像，通过深度学习方法自动分割黑质致密带；利用自动分割后的黑质致密带进行帕金森病PD的病情诊断。
实际应用中，获取模块1101、第一确定模块1102、重建模块1103、第二确定模块1104、和自动分割模块1105可以利用电子设备中的处理器实现，上述处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
另外，在本实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
具体来讲，本实施例中的一种神经黑色素图像重建方法对应的计算机程序指令可以被存储在光盘，硬盘，U盘等存储介质上，当存储介质中的与一种神经黑色素图像重建方法对应的计算机程序指令被一电子设备读取或被执行时，实现前述实施例的任意一种神经黑色素图像重建方法。
基于前述实施例相同的技术构思，参见图12，其示出了本申请实施例提供的一种电子设备，可以包括：存储器1201和处理器1202；其中，
所述存储器1201，用于存储计算机程序和数据；
所述处理器1202，用于执行所述存储器中存储的计算机程序，以实现前述实施例的任意一种神经黑色素图像重建方法。
在实际应用中，上述存储器1201可以是易失性存储器(volatile memory)，例如RAM；或者非易失性存储器(non-volatile memory)，例如ROM，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器1202提供指令和数据。
上述处理器1202可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的增强现实云平台，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
在一些实施例中，本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述
本申请所提供的各方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的各产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的各方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本申请的保护之内。

Claims (10)

1.一种神经黑色素图像重建方法，其特征在于，所述方法包括：
获取定量磁敏感成像QSM序列的N组幅值图像；其中，N为大于2的整数；
确定所述N组幅值图像中的前M组幅值图像；
将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数；
基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
2.根据权利要求1所述的方法，其特征在于，所述确定所述N组幅值图像中的前M组幅值图像，包括：
确定所述N组幅值图像中的每一组幅值图像的中脑核团信号对比噪声比CNR；
按照所述N组幅值图像的先后顺序关系，依次根据第j组幅值图像的中脑核团CNR，判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值；所述j为取值在1到N/2之间整数；
在所述第j组幅值图像的T2*加权效应大于所述第一预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
3.根据权利要求2所述的方法，其特征在于，所述确定所述N组幅值图像中的每一组幅值图像的中脑核团CNR，包括：
根据特定的目标对象，从每一组所述幅值图像中包括的P张图像中，选取目标层面的幅值图像；
将每一组所述幅值图像中目标层面的幅值图像的中脑核团CNR，确定为对应组幅值图像的中脑核团CNR；
所述按照所述N组幅值图像的先后顺序关系，依次根据第j组幅值图像的中脑核团CNR，判断所述第j组幅值图像的T2*加权效应是否大于第一预设阈值，包括：
按照所述N组幅值图像的先后顺序关系，根据第j组幅值图像中对应目标层面的幅值图像的中脑核团CNR的变化趋势，判断第j组幅值图像的T2*加权效应是否大于第一预设阈值。
4.根据权利要求3所述的方法，其特征在于，所述特定的目标对象包括第一目标对象和第二目标对象，所述根据特定的目标对象，从每一组所述幅值图像中包括的P张图像中，选取目标层面的幅值图像，包括：根据所述第一目标对象和第二目标对象，从每一组所述幅值图像中包括的P张图像中，选取同时包括所述第一目标对象和所述第二目标对象的目标层面的幅值图像；
所述方法还包括：
根据所述目标层面的幅值图像确定所述第一目标对象对应的信号值；
根据所述目标层面的幅值图像，确定所述第二目标对象对应的信号值和所述第二目标对象对应的信号的标准差；
确定所述第一目标对象对应的信号值与所述第二目标对象对应的信号值的差值；
将所述差值与所述第二目标对象对应的信号的标准差的比值，确定为目标层面的幅值图像的中脑核团CNR。
5.根据权利要求1所述的方法，其特征在于，所述确定所述N组幅值图像中的前M组幅值图像，包括：
按照所述N组幅值图像的先后顺序关系，依次通过视觉评估判断第j组幅值图像的T2*加权效应是否大于第二预设阈值；所述j为取值在1到N/2之间整数；
在所述第M+1组幅值图像的T2*加权效应大于所述第二预设阈值的情况下，将M赋值为j-1，得到所述N组幅值图像中的前M组幅值图像。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像，包括：
对每一组所述短回波时间的幅值图像中的灰度值取平方，得到灰度值的平方值；
将所述M组短回波时间的幅值图像的灰度值的平方值求累加和；
对灰度值的累加和开平方，得到灰度值的平方根；
对所述灰度值的平方根取四次幂，得到所述N组幅值图像对应的神经黑色素图像。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
基于所述神经黑色素图像，通过深度学习方法自动分割黑质致密带；
利用自动分割后的黑质致密带进行帕金森病PD的病情诊断。
8.一种神经黑色素图像重建装置，其特征在于，所述装置包括：获取模块、第一确定模块和重建模块，其中，
所述获取模块，用于获取定量磁敏感成像QSM序列的N组幅值图像；其中，N为大于2的整数；
所述第一确定模块，用于确定所述N组幅值图像中的前M组幅值图像；将所述前M组幅值图像中的每一组幅值图像确定为短回波时间的幅值图像，其中，M为大于等于1且小于等于N/2的整数；
所述重建模块，用于基于所述M组短回波时间的幅值图像进行图像重建，得到所述N组幅值图像对应的神经黑色素图像。
9.一种电子设备，其特征在于，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序时，执行权利要求1至7任一项所述的神经黑色素图像重建方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的神经黑色素图像重建方法。
CN202010523058.XA 2020-06-09 2020-06-09 一种神经黑色素图像重建方法、装置、设备和存储介质 Active CN111681184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010523058.XA CN111681184B (zh) 2020-06-09 2020-06-09 一种神经黑色素图像重建方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010523058.XA CN111681184B (zh) 2020-06-09 2020-06-09 一种神经黑色素图像重建方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111681184A true CN111681184A (zh) 2020-09-18
CN111681184B CN111681184B (zh) 2023-02-24

Family

ID=72435263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010523058.XA Active CN111681184B (zh) 2020-06-09 2020-06-09 一种神经黑色素图像重建方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111681184B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077448A (zh) * 2021-02-05 2021-07-06 和人人工知能科技有限公司 利用神经黑色素影像提供帕金森病信息的装置及方法
CN113592847A (zh) * 2021-08-10 2021-11-02 浙江大学 一种基于深度学习的qsm脑深部核团自动分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102097738B1 (ko) * 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법
CN110992435A (zh) * 2019-11-06 2020-04-10 上海东软医疗科技有限公司 图像重建方法及设备、成像数据的处理方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992435A (zh) * 2019-11-06 2020-04-10 上海东软医疗科技有限公司 图像重建方法及设备、成像数据的处理方法及装置
KR102097738B1 (ko) * 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周D等: "磁共振定量技术在腹部实质性脏器铁过载中的研究进展", 《中国普外基础与临床杂志》 *
高冰冰等: "SWI与DKI对帕金森病患者脑灰质核团铁沉积及微观结构变化的联合研究", 《磁共振成像》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077448A (zh) * 2021-02-05 2021-07-06 和人人工知能科技有限公司 利用神经黑色素影像提供帕金森病信息的装置及方法
US11207019B1 (en) 2021-02-05 2021-12-28 Heuron Co., Ltd. Apparatus and method for providing information on parkinson's disease using neuromelanin image
EP4039186A1 (en) * 2021-02-05 2022-08-10 Heuron Co., Ltd. Apparatus and method for providing information on parkinson's disease using neuromelanin image
CN113592847A (zh) * 2021-08-10 2021-11-02 浙江大学 一种基于深度学习的qsm脑深部核团自动分割方法
CN113592847B (zh) * 2021-08-10 2023-10-10 浙江大学 一种基于深度学习的qsm脑深部核团自动分割方法

Also Published As

Publication number Publication date
CN111681184B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
US9339239B2 (en) Methods and devices for optimization of magnetic resonance imaging protocols
Lucht et al. Classification of signal-time curves from dynamic MR mammography by neural networks
WO2018200493A1 (en) Dose reduction for medical imaging using deep convolutional neural networks
Stieltjes et al. Diffusion tensor imaging in primary brain tumors: reproducible quantitative analysis of corpus callosum infiltration and contralateral involvement using a probabilistic mixture model
US20100226552A1 (en) Identification and visualization of regions of interest in medical imaging
US9594139B2 (en) Systems and methods for magnetic resonance bone depiction
CN105005012B (zh) 基于压缩感知的腹部器官动态对比增强磁共振成像方法
CN111681184B (zh) 一种神经黑色素图像重建方法、装置、设备和存储介质
US7916909B2 (en) Method and means for image processing
WO2019241266A1 (en) Black-box assessment of disease and response-to-therapy by t1 or t2* weighted dce-mri
US20210267455A1 (en) Systems and methods for phase unwrapping for dense mri using deep learning
EP3397979B1 (en) System and method for assessing tissue properties using chemical-shift-encoded magnetic resonance imaging
Yuan et al. A five-colour colour-coded mapping method for DCE-MRI analysis of head and neck tumours
Ikeda et al. Compressed sensing and parallel imaging accelerated T2 FSE sequence for head and neck MR imaging: comparison of its utility in routine clinical practice
Otikovs et al. Diffusivity in breast malignancies analyzed for b> 1000 s/mm2 at 1 mm in‐plane resolutions: Insight from Gaussian and non‐Gaussian behaviors
Tsougos et al. Diagnostic performance of quantitative diffusion tensor imaging for the differentiation of breast lesions at 3 T MRI
Amyar et al. Impact of deep learning architectures on accelerated cardiac T1 mapping using MyoMapNet
Yo et al. Quantifying brain connectivity: a comparative tractography study
Gaurav et al. NigraNet: An automatic framework to assess nigral neuromelanin content in early Parkinson’s disease using convolutional neural network
Jang et al. Reproducibility of apparent diffusion coefficient measurements in malignant breast masses
US11439315B2 (en) MRI T1W and T2W combined features for detecting neurodegeneration
CN111681297A (zh) 图像重建方法、计算机设备和存储介质
US11651490B2 (en) Systems and methods for automatic template-based detection of anatomical structures
Ellingson et al. Gray and white matter delineation in the human spinal cord using diffusion tensor imaging and fuzzy logic
Li et al. Whole-tumor apparent diffusion coefficient (ADC) analyses of breast lesions based on simultaneous multi-slice readout-segmented echo-planar diffusion-weighted imaging

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