CN112053414B - 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 - Google Patents
一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 Download PDFInfo
- Publication number
- CN112053414B CN112053414B CN202010922814.6A CN202010922814A CN112053414B CN 112053414 B CN112053414 B CN 112053414B CN 202010922814 A CN202010922814 A CN 202010922814A CN 112053414 B CN112053414 B CN 112053414B
- Authority
- CN
- China
- Prior art keywords
- dce
- data
- model
- mri
- pharmacokinetic parameters
- 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
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 63
- 239000002872 contrast media Substances 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000002583 angiography Methods 0.000 claims abstract description 5
- 210000001519 tissue Anatomy 0.000 claims description 32
- 238000002347 injection Methods 0.000 claims description 11
- 239000007924 injection Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000007796 conventional method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 210000001723 extracellular space Anatomy 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- LWXJVHTUEDHDLG-XUXIUFHCSA-N Asn-Leu-Leu-Ser Chemical compound NC(=O)C[C@H](N)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(O)=O LWXJVHTUEDHDLG-XUXIUFHCSA-N 0.000 description 1
- 208000032612 Glial tumor Diseases 0.000 description 1
- 206010018338 Glioma Diseases 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种用于从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法：采集定量T1成像数据，使用DCE‑MRI序列采集被试者的DCE‑MRI数据作为实验DCE‑MRI数据；并根据实验DCE‑MRI数据计算出血管内造影剂浓度变化曲线Cp(t)，并使用最小平方和法拟合eTofts模型，获得药代动力学参数；根据Cp(t)进行数据增强：使用随机线性组合方法，得到模拟的血管造影剂浓度数据，并通过eTofts模型，得到模拟的DCE‑MRI数据；构建双流卷积神经网络Dual‑CNN模型，并初始化模型参数；双流卷积神经网络模型训练；使用训练完成后的Dual‑CNN模型进行药代动力学参数的提取。本发明提供的方法可以显著提高从DCE‑MRI数据中提取出药代动力学参数的速度，加快重建组织生理参数图的速度。
Description
技术领域
本发明涉及磁共振成像的技术领域，具体涉及从动态增强磁共振成像数据(DCE-MRI)中提取药代动力学参数的方法。
背景技术
动态对比增强磁共振成像(DCE-MRI)技术是一种很重要的磁共振成像技术，被广泛用于体内多种疾病的研究、诊断和治疗评估。通过对 DCE-MRI数据进行分析，可以定量测量生理组织的药代动力学参数。药代动力学参数可以通过对一些示踪动力学模型进行回归得到，其中Tofts 模型和Extended Tofts(eTofts)模型在DCE-MRI数据的分析中应用最为广泛。在传统应用中，药代动力学参数图可以通过逐体素地对DCE-MRI 时间序列数据进行示踪动力学模型拟合得到。对Tofts(和eTofts)模型的拟合通常使用非线性最小平方和法，该类方法涉及大量的迭代运算，需要大量的计算资源，计算速度十分缓慢。如公开号为CN109658468A的中国专利公开了一种磁共振参数成像方法、装置、设备及存储介质，该方法包括：将获取的磁共振数据转换至图像域以得到初始图像，基于双指数弛豫模型和初始图像确定当前补偿系数；基于当前补偿系数对初始图像进行补偿以得到补偿后的初始图像，将补偿后的初始图像输入L+S模型，根据 L+S模型在迭代过程中生成的当前中间图像更新当前补偿系数，利用更新后的当前补偿系数对当前中间图像进行补偿以生成用于下一次迭代的补偿后的中间图像，迭代收敛，将最后一次迭代生成的中间图像作为参数加权图像；采用双指数弛豫模型对参数加权图像进行非线性拟合。解决了现有技术的磁共振参数成像方法存在不能同时兼顾成像速度与成像质量的技术问题。
深度学习方法在医学数据处理领域已经得到了广泛的应用。其中，卷积神经网络(CNN)是一种很有前景的工具，由于其具备强大的复杂函数表示能力，它可以直接从MRI数据中估计出定量参数。在GPU等并行计算硬件的支持下，CNN计算速度更快，在数据的处理方面，具有较大效率优势。
发明内容
为了解决上述使用eTofts模型拟合DCE-MRI数据耗费时间较长的问题，本发明提供了一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，能够极大缩短DCE-MRI数据的药代动力学参数提取时间。
本发明采取以下技术方案：
(1)采集定量T1成像数据，再使用动态对比增强磁共振成像 DCE-MRI序列采集被试者的DCE-MRI数据作为实验DCE-MRI数据；并根据实验DCE-MRI数据计算出血管内造影剂浓度变化曲线Cp(t)，并使用最小平方和法拟合药代动力学参数；
(2)根据步骤(1)中的血管造影剂浓度进行数据增强：使用随机线性组合方法，得到模拟的血管造影剂浓度数据，并通过eTofts模型，得到模拟的DCE-MRI数据；
(3)构建双流卷积神经网络Dual-CNN模型，并初始化模型参数：Dual-CNN模型包括由空洞卷积构成的长时间跨度信息提取模块和由普通卷积构成的短时间跨度信息提取模块，长时间跨度信息提取模块和和短时间跨度信息提取模块以并行的方式同时参与卷积操作，构成双流卷积路径；
(4)双流卷积神经网络模型训练：以步骤(1)中的实验DCE-MRI 数据、步骤(2)中的模拟的DCE-MRI数据、血管内造影剂浓度变化曲线 Cp(t)和对应待测组织的纵向弛豫率R1作为输入，步骤(1)中的实验 DCE-MRI数据对应的eTofts模型参数和步骤(2)中的模拟的DCE-MRI 数据对应的eTofts模型参数作为目标输出，对步骤(3)构建的双流卷积神经网络模型进行训练，并优化模型参数后得到训练完成后的Dual-CNN 模型；
(5)提取药代动力学参数：使用组织的DCE-MRI序列采集的 DCE-MRI数据、被试的血管内造影剂浓度变化曲线Cp和组织的纵向弛豫率R1作为输入，训练完成后的Dual-CNN模型输出药代动力学参数。
其中，步骤(5)中的组织的纵向弛豫率R1通过定量T1成像数据计算， R1(≡1/T1)。
在本发明中，通过构建双流卷积路径能够有效提取和利用DCE-MRI 信号的时域特征，提高网络的预测精确性。
优选的，在步骤(1)中，对采集的DCE-MRI数据进行预处理，包括：对于在同一时间帧采集的数据，对其进行三维高斯滤波。预处理是用以考虑每个体素空间相邻组织的影响，并提高信噪比。
优选的，对于采集到的实验DCE-MRI数据，由专业人员手动选取数量大致相等的正常组织数据和肿瘤组织数据，用于后续的训练。由于在全部DCE-MRI数据中，正常组织的数据量大于非正常组织(肿瘤)的数据量，这样可以防止CNN对于正常组织过拟合而对于肿瘤组织欠拟合。
在步骤(1)中，对采集的DCE-MRI数据人工手动选取矢状窦内的关键区域ROI，将其看做单一组分，对ROI内数据进行平均后，通过其信号变化计算出血管内造影剂浓度变化曲线Cp(t)；根据Cp(t)和T1成像数据以及eTofts模型公式，使用最小平方和法拟合药代动力学参数。
优选的，在步骤(1)中，对采集的DCE-MRI数据，根据T1值，计算出造影剂注射前的完全弛豫信号强度S0，然后对数据幅度值进行缩放到固定值；在步骤(4)中，Dual-CNN模型的输出范围设定为0到1，其真实的参数预测值由对输出进行缩放获得。
如在步骤(1)中，将S0缩放为20，将信号幅度值约束在1左右。如在步骤(4)中，将三个输出分别乘以系数0.2min-1、0.1和0.6来计算真正的Ktrans、vp和ve。
在步骤(2)中，数据增强的方法为：
(2-1)从血管内造影剂浓度变化曲线Cp(t)中随机选取两组Cp1(t)和 Cp2(t)并进行随机线性组合，得到模拟的血管造影剂浓度数据 λ∈[0,1]；
(2-2)以模拟的血管造影剂浓度数据作为模拟的eTofts模型的 Cp(t)数据，使用模拟的eTofts模型的信号生成DCE-MRI信号；
(2-3)向生成的DCE-MRI信号中加入高斯噪声，使其在造影剂注射之前信噪比与真实测量信号相近或相同，得到模拟的DCE-MRI数据；
其中，eTofts模型的信号由公式得到，其中S0是造影剂注射前的完全弛豫信号强度，TR是回波时间，α是翻转角， R1＝R10+r1Ct,其中，R10是注射造影剂之前组织的纵向弛豫速率，r1是造影剂纵向弛豫率，是造影剂浓度，其中kep＝Ktrans/ve。
优选的，模拟的eTofts模型的药代动力学参数为：Ktrans：[0.00001 min-1,0.2min-1]、vp:[0.0005,0.1]、ve:[0.04,0.6]、T1:[0.8s,3.5s]；S0进行缩放到固定值。
如将S0设置为20，使得合成信号幅度值在1左右，可以直接作为CNN 网络输入。
优选的，使用模拟的eTofts模型的信号生成DCE-MRI信号时，Ktrans的值来源于上述参数范围的非线性采样，即以0.5的概率随机地进行线性采样或者对数采样，当选择进行线性采样时，其值来源于范围内的均匀随机采样，当选择对数采样时，计算上述范围的以e为底的对数值，在对数尺度内均匀随机采样。由于正常组织的Ktrans很小，且数据量较大，而肿瘤组织的Ktrans值相对较大，数据量却相对较少，这样的生成方法保证了 Dual-CNN模型的训练数据中的Ktrans分布接近真实数据分布，又能使得 Dual-CNN模型充分学习到非正常组织的信号特征。对于其他参数，在其范围内使用均匀随机采样。
优选的，在步骤(3)中，Dual-CNN模型包括：第1层输入层特征层数为3，第2层卷积层的特征层数为64，卷积核大小为3；第3到6层由并行的两路卷积路径叠加而成，在普通卷积路径，其卷积和大小为3，第 3到5层的特征层数为64，第6层为32；在空洞卷积路径，其卷积和大小仍然为3，但其膨胀因子分别为1、3、8和25，第3到5层的特征层数为 64，第6层为32；特征层在第7层进行叠加，得到层数为64的特征层。第8和第9层的特征层数仍然为64，卷积核大小为3；在第2到8层，在每个卷积层之后，都跟随一个ReLu激活函数；第9层是全连接层，神经元个数设置为256，激活函数为LeakyReLu，斜率为0.01；第10层是输出层，神经元个数为3，直接输出3个待预测参数，分别为造影剂泄露速率常数Ktrans、血管的体积分数vp和组织的血管外细胞外空间(间质)的体积分数ve。
在步骤(4)，CNN的训练数据由步骤(1)采集的实验数据和步骤(2) 通过数据增强获得的合成数据共同组成，他们按照一定的比例混合，共同参与CNN网络的训练，促使CNN能够输出精确性更高的参数。
进一步优选的，把得到的实验数据按照3:1的比例划分实验数据训练集和验证集，然后再向得到的实验数据训练集中加入合成数据，得到最终用于训练CNN的训练集，经过实验发现，把实验数据和合成数据按照1:1 的比例混合，能够获得更好的训练效果。
优选的，训练过程可以分为两个阶段，分别使用不同的学习率，开始训练后，当验证集目标loss不再下降时，视为第一阶段训练结束，开始进行第二阶段训练。进一步优选的，两个训练阶段的学习率可以分别设置为 0.0005和0.00005。
优选的，在步骤(4)中，训练时，使用梯度下降法优化模型参数，得到优化的Dual-CNN模型；训练的损失函数由参数均方误差和拟合残差两部分组成：
其中，是训练数据集，w是需要优化的Dual-CNN模型参数，θ表示使用传统方法拟合出的参数，/>是Dual-CNN模型预测的参数，α是超参数，可根据需要调整。
优选的，在步骤(4)中，R1被广播到与实验DCE-MRI数据和模拟的 DCE-MRI数据组成的DCE-MRI数据相同的长度，作为一个独立的输入通道；在步骤(5)中，R1被广播到与采集的DCE-MRI数据相同的长度，作为一个独立的输入通道。
与现有技术相比：
(1)本发明提供的参数提取方法能够保证药代动力学参数估计的准确，能够有效代替传统的使用误差最小平方和方法进行模型拟合来提取参数的方法。
(2)本发明提出的方法，能够极大提高提取药代动力学参数的速度；本发明提供的方法(Dual-CNN)比使用单进程的传统方法快了2000倍左右，比使用多进程的传统方法快了100倍左右。
(3)本发明提出的使用模拟数据集(模拟的DCE-MRI数据)和实验数据集(实验DCE-MRI数据)相结合(混合数据集)的训练方法能够有效提高模型的训练效果。
附图说明
图1为Dual-CNN模型的网络结构图；
图2为Dual-CNN模型的训练和测试示意图；
图3为该发明提取的参数图与传统方法拟合出的参数图对比；
图4为Dual-CNN方法与传统方法(NLLS)运算时间对比；
图5为Dual-CNN模型与普通CNN模型参数估计精确性对比；
图6为使用不同数据集训练Dual-CNN模型效果对比。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述。
作为具体实施范例，将本发明的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法应用在多组被试DCE-MRI数据上，具体包括以下步骤：
S1：采集定量T1成像数据，再使用动态对比增强磁共振成像DCE-MRI 序列采集被试者的DCE-MRI数据作为实验DCE-MRI数据；并根据实验 DCE-MRI数据计算出血管内造影剂浓度变化曲线Cp(t)，并使用最小平方和法拟合药代动力学参数。
S1-1、将被试者置于3T磁共振成像系统中，以头部中心为扫描中心点，进行头部的图像采集。本实施例共采集了16个被试者的磁共振数据。
S1-2、在注射造影剂之前，设置flash3D序列，扫描T1图像，分辨率设置为0.8×0.8×1.5mm3，回波时间TE＝2.46msec，重复时间TR＝6msec，两个翻转角分别设置为2°和14°，使用GRAPPA重建，加速因子R＝2。
S1-3、注射造影剂，在48秒内给予每千克体重0.1mmol(Gd-DTPA) 的造影剂注射，然后用15mL盐水以2.0mL/s的注射速度冲洗。同时使用3D CAIPIRINHA-Dixon-TWIST,volume-interpolated,breath-hold exam ination(CDT-VIBE)序列采集DCE-MRI数据作为实验DCE-MRI数据，回波时间TE＝2.46msec,脉冲重复时间TR＝6msec，翻转角为10°，时间分辨率是4.5秒，空间分辨率是0.9×0.9×1.5mm3。
S1-4、根据实验DCE-MRI数据计算出血管内造影剂浓度变化曲线 Cp(t)，并使用最小平方和法拟合药代动力学参数。
具体为，对采集的DCE-MRI数据人工手动选取矢状窦内的关键区域 ROI，将其看做单一组分，对ROI内数据进行平均后，通过其信号变化计算出血管内造影剂浓度变化曲线Cp(t)；根据Cp(t)和T1成像数据以及eTof ts模型公式，使用最小平方和法拟合药代动力学参数。
S1-4、对S1-3扫描得到的DCE-MRI数据进行预处理，对于同一时间帧采集的数据，使用标准差为1.5的高斯核对DCE-MRI数据进行平滑滤波，然后手动圈出矢状窦内的区域，提取每个被试者的静脉输入函数VIF 并计算血管内造影剂浓度变化曲线Cp(t)，结合S1-2得到的T1，以及eTof ts模型公式，使用最小平方和法拟合药代动力学参数；
利用公式对DCE-MRI数据的信号幅度值进行缩放，使S0的值缩放为20。缩放后再将其作为实验DCE-MRI数据。
S2、根据步骤(1)中的血管造影剂浓度进行数据增强：使用随机线性组合方法，得到模拟的血管造影剂浓度数据，并通过eTofts模型，得到模拟的DCE-MRI数据。
S2-1、从血管内造影剂浓度变化曲线Cp(t)中随机选取两组Cp1(t)和 Cp2(t)并进行随机线性组合，得到模拟的血管造影剂浓度数据λCp1(t)+(1-λ)Cp2(t)，λ∈[0,1]。
S2-2、以模拟的血管造影剂浓度数据作为模拟的eTofts模型的 Cp(t)数据，使用模拟的eTofts模型的信号生成DCE-MRI信号；
S2-3、向生成的DCE-MRI信号中加入高斯噪声，使其在造影剂注射之前信噪比与真实测量信号相近或相同，得到模拟的DCE-MRI数据。
其中，eTofts模型的信号由公式得到，其中S0是造影剂注射前的完全弛豫信号强度，TR是回波时间，α是翻转角， R1＝R10+r1Ct,其中，R10是注射造影剂之前组织的纵向弛豫速率，r1是造影剂纵向弛豫率，是造影剂浓度，其中kep＝Ktrans/ve。
在本实施例中，S2-3中加入的高斯噪声约为40dB。
S3、构建双流卷积神经网络Dual-CNN模型，并初始化模型参数：D ual-CNN模型包括由空洞卷积构成的长时间跨度信息提取模块和由普通卷积构成的短时间跨度信息提取模块，长时间跨度信息提取模块和和短时间跨度信息提取模块以并行的方式同时参与卷积操作，构成双流卷积路径。
具体为：使用Python语言的Pytorch工具包，构造如图1所示的双流卷积神经网络Dual-CNN模型。
在本实施例中，Dual-CNN模型包括：第1层输入层特征层数为3，第2层卷积层的特征层数为64，卷积核大小为3；第3到6层由并行的两路卷积路径叠加而成，在普通卷积路径，其卷积和大小为3，第3到5层的特征层数为64，第6层为32；在空洞卷积路径，其卷积和大小仍然为3，但其膨胀因子分别为1、3、8和25，第3到5层的特征层数为64，第6 层为32；特征层在第7层进行叠加，得到层数为64的特征层；第8和第 9层的特征层数仍然为64，卷积核大小为3；在第2到8层，在每个卷积层之后，都跟随一个ReLu激活函数；第9层是全连接层，神经元个数设置为256，激活函数为LeakyReLu，斜率为0.01；第10层是输出层，神经元个数为3，直接输出3个待预测参数，分别为造影剂泄露速率常数Ltrans、血管的体积分数vp和组织的血管外细胞外空间(间质)的体积分数ve。
S4、双流卷积神经网络模型训练：以步骤S1的实验DCE-MRI数据、步骤S2中的模拟的DCE-MRI数据、血管内造影剂浓度变化曲线Cp(t)和对应待测组织的纵向弛豫率R1作为输入，步骤S1中的实验DCE-MRI数据对应的eTofts模型参数和步骤S2中的模拟的DCE-MRI数据对应的eTo fts模型参数作为目标输出，对步骤S3构建的双流卷积神经网络模型进行训练，并优化模型参数后得到训练完成后的Dual-CNN模型。
具体的，将步骤S1得到的实验DCE-MRI数据和步骤S2得到的模拟的DCE-MRI数据，以1:1的采样比例从实验数据和合成数据中随机选取 DCE-MRI时间序列数据，形成训练数据集。训练使用的代价函数设置为：
其中，α取值40，使用Adam优化器对模型参数进行更新。当验证数据集loss不再下降时，停止训练，保存模型参数。
S5、提取药代动力学参数：使用组织的DCE-MRI序列采集的DCE- MRI数据、被试的血管内造影剂浓度变化曲线Cp和组织的纵向弛豫率R1作为输入，训练完成后的Dual-CNN模型输出药代动力学参数。
如图2所示，使用训练完成后的Dual-CNN模型，对新采集到的DC E-MRI数据进行分析，输出药代动力学参数。对于需要处理的DCE-MRI 数据，其扫描参数和采集步骤需与步骤S1-2和步骤S1-3使用的参数和操作流程一致。对于采集后的数据，需进行与步骤S1-4相同的数据预处理步骤。
对本实施例提供的Dual-CNN模型准确性验证。图3中的(A)为一名神经胶质瘤患者的对比增强后DCE-MRI图像切片，其中，一个正常组织区域体素(▲)和一个肿瘤组织区域体素(★)的DCE-MRI信号被选取出来作为拟合效果考察样例，如图3中的(B)所示，在肿瘤组织区域和正常组织区域，本发明的参数提取方法都能够较为准确拟合DCE-MRI 时间序列数据曲线，没有产生较大拟合误差。从重建出的参数(图3中的 (C))上来看，与传统方法相比，误差较小，能够有效代替传统的使用误差最小平方和方法进行模型拟合来提取参数的方法。
同时，如图4所示，在提取相同数量(10000)体素的参数的情况下，经过运算时间对比发现，在使用GPU的情况下，本发明提出的方法(Du al-CNN)比使用单进程的传统方法快了2000倍左右，比使用多进程的传统方法快了100倍左右。
本发明提出的Dual-CNN模型，与普通CNN模型相比，能够显著提高提取的eTofts模型参数的精确性。如图5所示，Dual-CNN模型提取的参数具有显著小的平均绝对误差(MeanAbsolute Error,MAE)和显著高的数据一致性系数(Concordance CorrelationCoefficient,CCC)。
本发明提出的使用合成数据集和实验数据集相结合(混合数据集)的训练方法能够有效提高模型的训练效果。如图6所示，使用混合数据训练的Dual-CNN模型，在提取参数的精确性度量上，与仅使用一种训练数据相比，具有最小的平均绝对误差和标准均方根误差(Normalized Root Mean Square Error,NRMSE)和最高的数据一致性系数。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，所述方法包括：
(1)采集定量T1成像数据，再使用动态对比增强磁共振成像DCE-MRI序列采集被试者的DCE-MRI数据作为实验DCE-MRI数据；并根据实验DCE-MRI数据计算出血管内造影剂浓度变化曲线Cp(t)，并使用最小平方和法拟合eTofts模型，获得药代动力学参数；
(2)根据步骤(1)中的血管造影剂浓度进行数据增强：使用随机线性组合方法，得到模拟的血管造影剂浓度数据，并通过eTofts模型，得到模拟的DCE-MRI数据；
(3)构建双流卷积神经网络Dual-CNN模型，并初始化模型参数：Dual-CNN模型包括由空洞卷积构成的长时间跨度信息提取模块和由普通卷积构成的短时间跨度信息提取模块，长时间跨度信息提取模块和和短时间跨度信息提取模块以并行的方式同时参与卷积操作，构成双流卷积路径；
(4)双流卷积神经网络模型训练：以步骤(1)中的实验DCE-MRI数据、步骤(2)中的模拟的DCE-MRI数据、血管内造影剂浓度变化曲线Cp(t)和对应待测组织的纵向弛豫率R1作为输入，步骤(1)中的实验DCE-MRI数据对应的药代动力学参数和步骤(2)中的模拟的DCE-MRI数据对应的药代动力学参数作为目标输出，对步骤(3)构建的双流卷积神经网络模型进行训练，并优化模型参数后得到训练完成后的Dual-CNN模型；
(5)提取药代动力学参数：使用组织的DCE-MRI序列采集的DCE-MRI数据、被试的血管内造影剂浓度变化曲线Cp和组织的纵向弛豫率R1作为输入，训练完成后的Dual-CNN模型输出药代动力学参数。
2.根据权利要求1所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(1)中，对采集的DCE-MRI数据进行预处理，包括：对于在同一时间帧采集的数据，对其进行三维高斯滤波。
3.根据权利要求1所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(1)中，对采集的DCE-MRI数据人工手动选取矢状窦内的关键区域ROI，将其看做单一组分，对ROI内数据进行平均后，通过其信号变化计算出血管内造影剂浓度变化曲线Cp(t)；根据Cp(t)和T1成像数据以及eTofts模型公式，使用最小平方和法拟合药代动力学参数。
4.根据权利要求3所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(1)中，对采集的DCE-MRI数据，根据T1值，计算出造影剂注射前的完全弛豫信号强度S0，然后对数据幅度值进行缩放到固定值；在步骤(4)中，Dual-CNN模型的输出范围设定为0到1，其真实的参数预测值由对输出进行缩放获得。
5.根据权利要求1或3所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(2)中，数据增强的方法为：
(2-1)从血管内造影剂浓度变化曲线Cp(t)中随机选取两组Cp1(t)和Cp2(t)并进行随机线性组合，得到模拟的血管造影剂浓度数据
(2-2)以模拟的血管造影剂浓度数据作为模拟的eTofts模型的Cp(t)数据，使用模拟的eTofts模型的信号生成DCE-MRI信号；
(2-3)向生成的DCE-MRI信号中加入高斯噪声，使其在造影剂注射之前信噪比与真实测量信号相近或相同，得到模拟的DCE-MRI数据；
其中，eTofts模型的信号由公式得到，其中S0是造影剂注射前的完全弛豫信号强度，TR是回波时间，α是翻转角，R1＝R10+r1Ct,其中，R10是注射造影剂之前组织的纵向弛豫速率，r1是造影剂纵向弛豫率，/>是造影剂浓度，其中kep＝Ktrans/ve，vp为血管的体积分数、Ktrans为造影剂泄露速率常数、ve为组织的血管外细胞外空间的体积分数。
6.根据权利要求5所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，所述模拟的eTofts模型的药代动力学参数为：Ktrans：[0.00001min-1,0.2min-1]、vp:[0.0005,0.1]、ve:[0.04,0.6]、T1:[0.8s,3.5s]；并将S0进行缩放到固定值。
7.根据权利要求1所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(3)中，Dual-CNN模型包括：第1层输入层特征层数为3，第2层卷积层的特征层数为64，卷积核大小为3；第3到6层由并行的两路卷积路径叠加而成，在普通卷积路径，其卷积和大小为3，第3到5层的特征层数为64，第6层为32；在空洞卷积路径，其卷积和大小仍然为3，但其膨胀因子分别为1、3、8和25，第3到5层的特征层数为64，第6层为32；特征层在第7层进行叠加，得到层数为64的特征层；第8和第9层的特征层数仍然为64，卷积核大小为3；在第2到8层，在每个卷积层之后，都跟随一个ReLu激活函数；第9层是全连接层，神经元个数设置为256，激活函数为LeakyReLu，斜率为0.01；第10层是输出层，神经元个数为3，直接输出3个待预测药代动力学参数，分别为造影剂泄露速率常数Ktrans、血管的体积分数vp和组织的血管外细胞外空间的体积分数ve。
8.根据权利要求1所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(4)中，训练时，使用梯度下降法优化模型参数，得到优化的Dual-CNN模型；训练的损失函数由参数均方误差和拟合残差两部分组成：
其中，是训练数据集，w是需要优化的Dual-CNN模型参数，θ表示使用传统方法拟合出的参数，/>是Dual-CNN模型预测的参数，β是超参数，根据需要调整。
9.根据权利要求1或8所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(4)中，训练过程分为两个阶段，分别使用不同的学习率，开始训练后，当验证集目标loss不再下降时，视为第一阶段训练结束，开始进行第二阶段训练。
10.根据权利要求1所述的从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法，其特征在于，在步骤(4)中，R1被广播到与实验DCE-MRI数据和模拟的DCE-MRI数据组成的DCE-MRI数据相同的长度，作为一个独立的输入通道；在步骤(5)中，R1被广播到与采集的DCE-MRI数据相同的长度，作为一个独立的输入通道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010922814.6A CN112053414B (zh) | 2020-09-04 | 2020-09-04 | 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010922814.6A CN112053414B (zh) | 2020-09-04 | 2020-09-04 | 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053414A CN112053414A (zh) | 2020-12-08 |
| CN112053414B true CN112053414B (zh) | 2023-11-17 |
Family
ID=73607073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010922814.6A Active CN112053414B (zh) | 2020-09-04 | 2020-09-04 | 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053414B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112213346B (zh) * | 2020-09-30 | 2024-02-23 | 中国林业科学研究院木材工业研究所 | 测量木材含水率的方法 |
| CN113724158B (zh) * | 2021-08-13 | 2024-01-02 | 浙江大学 | 一种动态对比增强磁共振成像的降噪方法 |
| CN114088901B (zh) * | 2021-11-19 | 2023-12-22 | 江苏科技大学 | 一种通用的可降解载药膜体外释放数据优化分析方法 |
| WO2023107518A1 (en) * | 2021-12-06 | 2023-06-15 | Simbiosys, Inc. | A method for cancer prognostication using perfusion kinetic analysis of standard-of-care dce mris |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101912262A (zh) * | 2010-07-22 | 2010-12-15 | 中国科学院深圳先进技术研究院 | 磁共振成像定量参数计算方法及系统 |
| CN106204677A (zh) * | 2016-07-14 | 2016-12-07 | 北京大学 | 一种提高动态对比增强磁共振图像时间分辨率的装置 |
| CN107582058A (zh) * | 2017-10-19 | 2018-01-16 | 武汉大学 | 一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法 |
| CN108090871A (zh) * | 2017-12-15 | 2018-05-29 | 厦门大学 | 一种基于卷积神经网络的多对比度磁共振图像重建方法 |
| CN111476793A (zh) * | 2020-03-10 | 2020-07-31 | 西北大学 | 动态增强磁共振成像处理方法、系统、存储介质、终端 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201408262A (en) * | 2012-08-30 | 2014-03-01 | Univ Chang Gung | Method of extracting arterial input function and its application for dynamic contrast enhanced magnetic resonance imaging (DCE-MRI) |
| WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| US10902591B2 (en) * | 2018-02-09 | 2021-01-26 | Case Western Reserve University | Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (DCE-MRI) |
-
2020
- 2020-09-04 CN CN202010922814.6A patent/CN112053414B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101912262A (zh) * | 2010-07-22 | 2010-12-15 | 中国科学院深圳先进技术研究院 | 磁共振成像定量参数计算方法及系统 |
| CN106204677A (zh) * | 2016-07-14 | 2016-12-07 | 北京大学 | 一种提高动态对比增强磁共振图像时间分辨率的装置 |
| CN107582058A (zh) * | 2017-10-19 | 2018-01-16 | 武汉大学 | 一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法 |
| CN108090871A (zh) * | 2017-12-15 | 2018-05-29 | 厦门大学 | 一种基于卷积神经网络的多对比度磁共振图像重建方法 |
| CN111476793A (zh) * | 2020-03-10 | 2020-07-31 | 西北大学 | 动态增强磁共振成像处理方法、系统、存储介质、终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053414A (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112053414B (zh) | 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 | |
| EP1269212B1 (en) | Magnetic resonance angiography with automated vessel segmentation | |
| US6381486B1 (en) | Magnetic resonance angiography with vessel segmentation | |
| JP6679467B2 (ja) | 磁気共鳴イメージング装置および酸素摂取率算出方法 | |
| CN108375747B (zh) | 一种基于磁共振指纹的动态增强磁共振成像方法 | |
| 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 | |
| CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
| CN111951344A (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
| Hamilton | A self-supervised deep learning reconstruction for shortening the breathhold and acquisition window in cardiac magnetic resonance fingerprinting | |
| US20220117552A1 (en) | Artificial neural network-based nuclear magnetic resonance and magnetic resonance spectroscopy data processing method and apparatus thereof | |
| CN110755104A (zh) | 基于3d多通道卷积神经网络的肝硬化门脉高压无创评估方法 | |
| CN113329688A (zh) | 用于预测、预期和/或评估组织特征的系统、方法和计算机程序产品 | |
| Eck et al. | Cardiac magnetic resonance fingerprinting: Trends in technical development and potential clinical applications | |
| Wang et al. | High‐fidelity direct contrast synthesis from magnetic resonance fingerprinting | |
| Wang et al. | Free‐breathing myocardial T1 mapping using inversion‐recovery radial FLASH and motion‐resolved model‐based reconstruction | |
| EP3295197B1 (en) | Method for optimizing the predetermination of the time profile of a contrast agent concentration in diagnostic imaging using a magnetic resonance system | |
| EP3710848B1 (en) | Methods for estimating mechanical properties from magnetic resonance elastography data using artificial neural networks | |
| Rajeev et al. | A review on magnetic resonance spectroscopy for clinical diagnosis of brain tumour using deep learning | |
| US8952693B2 (en) | Method for principal frequency magnetic resonance elastography inversion | |
| WO2022217157A1 (en) | System and method for quantitative magnetic resonance imaging using a deep learning network | |
| KR20220092685A (ko) | 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치 | |
| Hopman et al. | Dynamic cardiac magnetic resonance fingerprinting during vasoactive breathing maneuvers: first results | |
| US11550014B2 (en) | Artificial intelligence based reconstruction for phase contrast magnetic resonance imaging | |
| Taxt et al. | Single voxel vascular transport functions of arteries, capillaries and veins; and the associated arterial input function in dynamic susceptibility contrast magnetic resonance brain perfusion imaging | |
| US20230194641A1 (en) | System and method for quantitative parameter mapping using magnetic resonance images |
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 |