CN112085810A - 脑组织自由水成像重建方法及系统、存储介质及终端 - Google Patents
脑组织自由水成像重建方法及系统、存储介质及终端 Download PDFInfo
- Publication number
- CN112085810A CN112085810A CN202010997163.7A CN202010997163A CN112085810A CN 112085810 A CN112085810 A CN 112085810A CN 202010997163 A CN202010997163 A CN 202010997163A CN 112085810 A CN112085810 A CN 112085810A
- Authority
- CN
- China
- Prior art keywords
- free water
- image
- brain tissue
- tissue free
- imaging reconstruction
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 173
- 210000005013 brain tissue Anatomy 0.000 title claims abstract description 110
- 238000003384 imaging method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009792 diffusion process Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 210000001519 tissue Anatomy 0.000 description 19
- 238000012545 processing Methods 0.000 description 12
- 238000002598 diffusion tensor imaging Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 208000036110 Neuroinflammatory disease Diseases 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000003959 neuroinflammation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003376 axonal effect Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000028185 Angioedema Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000033077 cellular process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006529 extracellular process Effects 0.000 description 1
- 210000001723 extracellular space Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种脑组织自由水成像重建方法及系统、存储介质及终端，包括以下步骤：基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像；基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型；将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。本发明的脑组织自由水成像重建方法及系统、存储介质及终端通过深度学习算法来实现脑组织自由水成像的重建，有效提升图像质量并极大缩减自由水图像重建速度。
Description
技术领域
本发明涉及图像重建的技术领域，特别是涉及一种脑组织自由水(Free Water)成像重建方法及系统、存储介质及终端。
背景技术
自由水定义为没有流动(flow)且不受周围环境限制的水分子。对于典型的实验弥散时间而言，约为30-50ms。自由水的弥散表现为各向同性，在人体温度中的弥散系数为d＝3×10-3mm2/s。若体素内同时存在组织与自由水，即同一体素内包含具有不同弥散特性的部分，则弥散张量成像(Diffusion Tensor Imaging，DTI)指标会反映各部分的加权平均值。也就是所谓的部分容积效应，使得通过DTI得到的各指标产生误差，无法准确地表示组织的弥散特性，从而影响绘制组织的几何形状。
自由水成像是一种用于弥散磁共振成像(Magnetic Resonance Imaging，MRI)数据的分析方法。采用自由水量作为对比机制，代表体素内自由水所占的体积分数。该方法可以分别模拟细胞外自由水和细胞组织附近水的弥散衰减。使用自由水成像可以提高常规指标如各向异性分数(Fractional Anisotropy，FA)的精度，并定量估计血管性水肿的程度以及可能的神经炎症。校正自由水可消除部分容积效应，并提高通过受脑脊液(Cerebrospinal Fluid，CSF)污染和水肿影响的区域纤维束成像的精度。常规MRI成像方式(如弥散张量成像)，对于细胞外和细胞过程(例如神经炎症和轴突变性)的采集结果具有相似作。而自由水成像则能够从组织中的水中分离出细胞外自由水。这意味着可以针对细胞外空间的异常(例如神经炎症)和组织异常(例如轴突变性)评估组差异，有助于了解疾病的来源，并针对特定病理制定对应治疗方案。
目前，深度学习技术在计算机视觉和图像处理等领域都取得了极大的成功。已经有研究者将深度学习用于医学影像重建，如PET、CT和MR。深度学习在脑组织自由水成像的重建过程中也有一些应用。目前，采用深度学习对DTI相关参数进行回归预测多采用多层感知机(Multiple Layer Perception，MLP)，以体素为单位进行非线性映射关系的学习，从而进行逐体素的回归预测。采用多层感知机计算DTI相关参数的方法很大程度地提高了计算速度，但是一定程度上忽略了空间信息。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种脑组织自由水成像重建方法及系统、存储介质及终端，基于弥散张量图像到自由水及相关参数图像的数学关系，通过深度学习算法来实现脑组织自由水成像的重建，有效地提升了图像质量的同时极大了缩短了图像的重建速度。
为实现上述目的及其他相关目的，本发明提供一种脑组织自由水成像重建方法，包括以下步骤：基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像；基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型；将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。
于本发明一实施例中，所述双张量模型假定弥散信号衰减由组织和自由水的信号衰减共同组成，引入变分正则化框架进行模型拟合来得到所述组织和自由水分各自的相对体积分数以及所述组织的弥散张量，所述自由水图像根据所述自由水的相对体积分数生成，所述各向异性分数图像和所述平均扩散系数图像通过所述组织的弥散张量计算得到。
于本发明一实施例中，所述脑组织自由水成像重建模型基于多任务三维卷积神经网络设计，所述多任务三维卷积神经网络包括三个卷积层，每层神经元个数分别为64、30和3，每层卷积核都为3*3*3的三维卷积核，除最后一层外每层卷积层后都通过一个激活函数和批归一化层。
于本发明一实施例中，训练脑组织自由水成像重建模型时，将零弥散权重图像与30个梯度方向下的扩散加权成像数据分别输入31个通道，分别经三个通道输出自由水图像参数、各向异性分数图像参数和平均扩散系数图像参数。
于本发明一实施例中，训练所述脑组织自由水成像重建模型时，将模型输出与预设参考的均方误差作为损失函数，通过ADAM优化器进行优化。
于本发明一实施例中，训练所述脑组织自由水成像重建模型时，初始学习率为0.001，当10个epoch内损失函数的值减小不超过0.0001甚至增长时，学习率降低为0.5。
于本发明一实施例中，训练所述脑组织自由水成像重建模型时，采用提前终止策略，当在30个epoch内损失函数不再减小甚至增长时，停止训练，输出最终模型；并利用dropout方法防止过拟合，丢弃比例为10％。
对应地，本发明提供一种脑组织自由水成像重建系统，包括获取模块、训练模块和重建模块；
所述获取模块用于基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像；
所述训练模块用于基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型；
所述重建模块用于将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的脑组织自由水成像重建方法。
最后，本发明提供一种终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的脑组织自由水成像重建方法。
如上所述，本发明的脑组织自由水成像重建方法及系统、存储介质及终端，具有以下有益效果：
(1)基于弥散张量图像到脑组织自由水及其他相关参数图像的数学关系，通过深度学习算法来实现脑组织自由水成像的重建；
(2)基于定性和定量研究，相较于其他重建算法具有更好的图像质量；
(3)能够直接由弥散张量图像同时得到脑组织自由水图像及各向异性分数图像和平均扩散系数图像，无需再经过先计算组织部分的弥散张量再得出对应的参数图像的复杂过程，避免了计算过程当中更多的误差；
(4)成像质量高、重建速度快，应用前景良好。
附图说明
图1显示为本发明的脑组织自由水成像重建方法于一实施例中的流程图；
图2显示为本发明的双张量模型于一实施例中的数据处理流图；
图3显示为本发明的脑组织自由水成像重建模型于一实施例中的结构示意图；
图4显示为通过双张量模型拟合方法与本发明的脑组织自由水成像重建方法分别重建得到的脑组织自由水图像以及相关参数图像于一实施例中的对比示意图；
图5显示为本发明的脑组织自由水成像重建系统于一实施例中的结构示意图；
图6显示为本发明的终端于一实施例中的结构示意图。
元件标号说明
51 获取模块
52 训练模块
53 重建模块
61 处理器
62 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的脑组织自由水成像重建方法及系统、存储介质及终端通过深度学习算法实现弥散张量图像到脑组织自由水及其他线管参数图像的学习，通过训练好的脑组织自由水成像模型来实现脑组织自由水成像的重建，有效地降低了算法复杂度，提升了图像质量，极具实用性。
如图1所示，于一实施例中，本发明的脑组织自由水成像重建方法包括以下步骤：
步骤S1、基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像(FAt)和平均扩散系数图像(MDt)。
具体地，如图2所示，将弥散张量图像提取掩膜去脑壳后，输入双张量模型。所述双张量模型假定弥散信号源自两个分子隔室，第一隔室是由弥散张量建模的组织隔室；第二隔室是各向同性隔室，即自由水隔室。所述双张量模型假定弥散信号衰减由组织和自由水的信号衰减共同组成，引入变分正则化框架进行模型拟合来找到最适合的参数f和D，即可得到每个隔室的相对体积以及用张量描述组织隔室的几何特征，其中，f为体积分数，D为组织的弥散张量。从得到的张量中，可提取多种DTI数据，例如FA、平均扩散率(MeanDiffusivity，MD)、轴向和径向扩散率。具体地，所述自由水图像根据所述自由水的相对体积分数生成，消除自由水后的所述各向异性分数图像和所述平均扩散系数图像通过所述组织的弥散张量计算得到。
其中，所述双张量模型通过Python以及第三方库Dipy实现。由于所述双张量模型的拟合有无穷多个解，为不适定问题。因此，通过引入变分正则化框架，增加平滑约束，并通过梯度下降法求解优化问题，即可得到唯一解。
在本发明中，将用于脑组织自由水成像重建模型训练的弥散张量图像输入所述双张量模型，从而得到自由水的相对体积分数进而获取自由水图像，同时得到组织的弥散张量进而计算得到各向异性分数图像和平均扩散系数图像。
步骤S2、基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型。
具体地，将所述弥散张量图像和对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像划分为训练集、测试集和验证集，来训练脑组织自由水成像重建模型。其中，将所述弥散张量图像作为输入来训练脑组织自由水成像重建模型，以使所述脑组织自由水成像重建模型输出所述弥散张量图像对应的重建后的脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像。在训练所述脑组织自由水成像重建模型时，以所述双张量模型得到的脑组织自由水图像及消除自由水后的各向异性分数图像和平均扩散系数图像为参考，将模型输出与对应的参考输出图像的均方误差作为损失函数，并通过ADAM优化器进行优化。
如图3所示，所述脑组织自由水成像重建模型基于多任务三维卷积神经网络设计，包括以下结构：
(1)64层步长为1的3×3×3卷积层
(2)批归一化层
(3)激活函数PReLu
(4)30层步长为1的3×3×3卷积层
(5)批归一化层
(6)激活函数PReLu
(7)3层步长为1的3×3×3卷积层
(8)激活函数PReLu
(9)Dropout层
本发明基于Python 3.6.2和Tensorflow v1.4.1搭建网络模型，使用NVIDIA1080TI GPU进行训练。训练所述脑组织自由水成像重建模型时，初始学习率为0.001，当10个epoch内损失函数的值减小不超过0.0001甚至增长时，学习率降低为0.5。另外，采用提前终止策略，当在30个epoch内损失函数不再减小甚至增长时，停止训练，输出最终模型；同时利用dropout方法防止过拟合，丢弃比例为10％。
于本发明一实施例中，纳入50名已戒断的毒瘾患者形成数据集，年龄在40-60岁范围内，包括40名男性与10名女性。其中33份作训练数据集，11份作验证数据集，6份作测试数据集。扫描仪型号为GE公司生产的MR 750，主磁场强度为3T。受试者扫描序列为EPI序列。其中，受试者扫描参数为：采集视野(FOV)为256×256mm2，扫描矩阵大小(matrix size)为256×256，重复时间(TR)为6500ms，回波时间(TE)为87.7ms，空间分辨率＝0.94×0.94mm3，层厚为4mm，共65个梯度方向，但是由于采用的双张量模型为单壳(single-shell)模型，因此只采用其中b＝1000s/mm2，梯度方向30个。此外，还采集了五次b＝0的零弥散权重图像，并在后期对其进行平均处理。具体地，将b0图像与30个梯度方向下的扩散加权成像(Diffusion Weighted Imaging，DWI)数据，分31个通道分别输入所述脑组织自由水成像重建模型，分别经三个通道输出自由水图像参数、消除自由水后的各向异性分数图像参数和平均扩散系数图像参数。
步骤S3、将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。
具体地，当训练完成所述脑组织自由水成像重建模型时，对于采集的目标弥散张量图像，将其输入所述脑组织自由水成像重建模型，即可获取重建后的脑组织自由水图像，以及消除自由水后的各向异性分数图像和平均扩散系数图像，无需再经过先计算组织部分的弥散张量再得出对应的参数图像复杂的过程，避免了计算过程当中更多的误差。
下面通过具体实施例来进一步验证本发明的脑组织自由水成像重建方法。
在该实施例中，选择6名健康受试者进行磁共振扫描。受试者在GE公司型号为MR750的3T磁共振仪上接受扫描。扫描参数为：采集视野(FOV)为256×256mm2，扫描矩阵大小(matrix size)为256×256，重复时间(TR)为6500ms，回波时间(TE)为87.7ms，空间分辨率＝0.94×0.94mm3，层厚为4mm，共65个梯度方向，但是由于采用的双张量模型为单壳(single-shell)模型，因此只采用其中b＝1000s/mm2，梯度方向30个。此外，还采集了五次b＝0的零弥散权重图像，并在后期对其进行平均处理。利用双张量模型拟合方法与本发明的脑组织自由水成像重建模型分别计算得到的脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像，对比如图4所示。为了定量评估误差，选择量化指标均方根误差(RMSE)，RMSE是数值越低，误差越小，计算结果如表1所示。
表1、定量误差评估结果
| 参数 | RMSE |
| FW | 0.053 |
| FAt | 0.071 |
| MDt | 0.037 |
由上表可知，本发明的脑组织自由水成像重建方法误差较小，与双张量拟合方法的重建结果具有很好的一致性，说明本发明的脑组织自由水成像重建方法在训练时学习到了弥散张量图像和脑组织自由水及消除自由水后的各向异性分数图像和平均扩散系数图像之间的数学关系。
如图5所示，于一实施例中，本发明的脑组织自由水成像重建系统包括获取模块51、训练模块52和重建模块53。
所述获取模块51用于基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像。
所述训练模块52与所述获取模块51相连，用于基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型。
所述重建模块53与所述训练模块52相连，用于将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。
其中，获取模块51、训练模块52和重建模块53的结构和原理与上述脑组织自由水成像重建方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的脑组织自由水成像重建方法。所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图6所示，于一实施例中，本发明的终端包括：处理器61及存储器62。
所述存储器62用于存储计算机程序。
所述存储器62包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器61与所述存储器62相连，用于执行所述存储器62存储的计算机程序，以使所述终端执行上述的脑组织自由水成像重建方法。
优选地，所述处理器61可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的脑组织自由水成像重建方法及系统、存储介质及终端基于弥散张量图像到脑组织自由水及其他相关参数图像的数学关系，通过深度学习算法来实现脑组织自由水成像的重建；基于定性和定量研究，相较于其他重建算法具有更好的图像质量；能够直接由弥散张量图像同时得到脑组织自由水图像及各向异性分数图像和平均扩散系数图像，无需再经过先计算组织部分的弥散张量再得出对应的参数图像的复杂过程，避免了计算过程当中更多的误差；成像质量高、重建速度快，应用前景良好。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种脑组织自由水成像重建方法，其特征在于：包括以下步骤：
基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像；
基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型；
将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。
2.根据权利要求1所述的脑组织自由水成像重建方法，其特征在于：所述双张量模型假定弥散信号衰减由组织和自由水的信号衰减共同组成，引入变分正则化框架进行模型拟合来得到所述组织和自由水分各自的相对体积分数以及所述组织的弥散张量，所述自由水图像根据所述自由水的相对体积分数生成，所述各向异性分数图像和所述平均扩散系数图像通过所述组织的弥散张量计算得到。
3.根据权利要求1所述的脑组织自由水成像重建方法，其特征在于：所述脑组织自由水成像重建模型基于多任务三维卷积神经网络设计，所述多任务三维卷积神经网络包括三个卷积层，每层神经元个数分别为64、30和3，每层卷积核都为3*3*3的三维卷积核，除最后一层外每层卷积层后都通过一个激活函数和批归一化层。
4.根据权利要求1所述的脑组织自由水成像重建方法，其特征在于：训练脑组织自由水成像重建模型时，将零弥散权重图像与30个梯度方向下的扩散加权成像数据分别输入31个通道，分别经三个通道输出自由水图像参数、各向异性分数图像参数和平均扩散系数图像参数。
5.根据权利要求1所述的脑组织自由水成像重建方法，其特征在于：训练所述脑组织自由水成像重建模型时，将模型输出与预设参考的均方误差作为损失函数，通过ADAM优化器进行优化。
6.根据权利要求1所述的脑组织自由水成像重建方法，其特征在于：训练所述脑组织自由水成像重建模型时，初始学习率为0.001，当10个epoch内损失函数的值减小不超过0.0001甚至增长时，学习率降低为0.5。
7.根据权利要求1所述的脑组织自由水成像重建方法，其特征在于：训练所述脑组织自由水成像重建模型时，采用提前终止策略，当在30个epoch内损失函数不再减小甚至增长时，停止训练，输出最终模型；并利用dropout方法防止过拟合，丢弃比例为10％。
8.一种脑组织自由水成像重建系统，其特征在于：包括获取模块、训练模块和重建模块；
所述获取模块用于基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像；
所述训练模块用于基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型；
所述重建模块用于将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述的脑组织自由水成像重建方法。
10.一种终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至7中任一项所述的脑组织自由水成像重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997163.7A CN112085810B (zh) | 2020-09-21 | 2020-09-21 | 脑组织自由水成像重建方法及系统、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997163.7A CN112085810B (zh) | 2020-09-21 | 2020-09-21 | 脑组织自由水成像重建方法及系统、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085810A true CN112085810A (zh) | 2020-12-15 |
| CN112085810B CN112085810B (zh) | 2023-10-31 |
Family
ID=73739414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010997163.7A Active CN112085810B (zh) | 2020-09-21 | 2020-09-21 | 脑组织自由水成像重建方法及系统、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085810B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113284105A (zh) * | 2021-05-24 | 2021-08-20 | 中山大学附属第三医院（中山大学肝脏病医院） | 基于mri多模态神经成像评估脊髓损伤程度的方法 |
| CN115063501A (zh) * | 2022-06-15 | 2022-09-16 | 同心智医科技(北京)有限公司 | 基于DUNet的DTI图像重建方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110199084A1 (en) * | 2010-02-16 | 2011-08-18 | Board Of Regents Of The University Of Texas System | Method and system for diffusion tensor imaging |
| CN104282021A (zh) * | 2014-09-28 | 2015-01-14 | 深圳先进技术研究院 | 磁共振弥散张量成像的参数误差估计方法和装置 |
| CN110942489A (zh) * | 2018-09-25 | 2020-03-31 | 西门子医疗系统有限公司 | 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置 |
| CN111161261A (zh) * | 2020-01-07 | 2020-05-15 | 南京慧脑云计算有限公司 | 基于磁共振弥散张量脑影像的新生儿脑发育定量分析方法 |
| CN111311585A (zh) * | 2020-02-24 | 2020-06-19 | 南京慧脑云计算有限公司 | 一种新生儿的磁共振弥散张量脑影像分析方法及其系统 |
-
2020
- 2020-09-21 CN CN202010997163.7A patent/CN112085810B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110199084A1 (en) * | 2010-02-16 | 2011-08-18 | Board Of Regents Of The University Of Texas System | Method and system for diffusion tensor imaging |
| CN104282021A (zh) * | 2014-09-28 | 2015-01-14 | 深圳先进技术研究院 | 磁共振弥散张量成像的参数误差估计方法和装置 |
| CN110942489A (zh) * | 2018-09-25 | 2020-03-31 | 西门子医疗系统有限公司 | 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置 |
| CN111161261A (zh) * | 2020-01-07 | 2020-05-15 | 南京慧脑云计算有限公司 | 基于磁共振弥散张量脑影像的新生儿脑发育定量分析方法 |
| CN111311585A (zh) * | 2020-02-24 | 2020-06-19 | 南京慧脑云计算有限公司 | 一种新生儿的磁共振弥散张量脑影像分析方法及其系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113284105A (zh) * | 2021-05-24 | 2021-08-20 | 中山大学附属第三医院（中山大学肝脏病医院） | 基于mri多模态神经成像评估脊髓损伤程度的方法 |
| CN115063501A (zh) * | 2022-06-15 | 2022-09-16 | 同心智医科技(北京)有限公司 | 基于DUNet的DTI图像重建方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085810B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
| Chen et al. | QSMGAN: improved quantitative susceptibility mapping using 3D generative adversarial networks with increased receptive field | |
| Eun et al. | Deep-learning-based image quality enhancement of compressed sensing magnetic resonance imaging of vessel wall: comparison of self-supervised and unsupervised approaches | |
| CN115359045B (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
| CN113423336A (zh) | 使用预测模型确定模型参数 | |
| KR102622283B1 (ko) | 맥스웰 병렬 이미징 | |
| Vasylechko et al. | Self‐supervised IVIM DWI parameter estimation with a physics based forward model | |
| Sudarshan et al. | Towards lower-dose PET using physics-based uncertainty-aware multimodal learning with robustness to out-of-distribution data | |
| CN112085810B (zh) | 脑组织自由水成像重建方法及系统、存储介质及终端 | |
| CN111612866A (zh) | 定量磁化率成像重建方法及系统、存储介质及终端 | |
| Osman et al. | Deep learning‐based convolutional neural network for intramodality brain MRI synthesis | |
| Torop et al. | Deep learning using a biophysical model for robust and accelerated reconstruction of quantitative, artifact‐free and denoised images | |
| Li et al. | High‐fidelity fast volumetric brain MRI using synergistic wave‐controlled aliasing in parallel imaging and a hybrid denoising generative adversarial network (HDnGAN) | |
| Karimi et al. | A machine learning-based method for estimating the number and orientations of major fascicles in diffusion-weighted magnetic resonance imaging | |
| Haji-Valizadeh et al. | Rapid reconstruction of four-dimensional MR angiography of the thoracic aorta using a convolutional neural network | |
| Wang et al. | A faithful deep sensitivity estimation for accelerated magnetic resonance imaging | |
| Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
| CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
| Ryu et al. | Accelerated multicontrast reconstruction for synthetic MRI using joint parallel imaging and variable splitting networks | |
| Ravi et al. | Accelerated MRI using intelligent protocolling and subject-specific denoising applied to Alzheimer's disease imaging | |
| Wasserthal et al. | Direct white matter bundle segmentation using stacked u-nets | |
| Xie et al. | Bold fMRI-based brain perfusion prediction using deep dilated wide activation networks | |
| CN112505598B (zh) | 定量磁化率成像重建方法及系统、存储介质及终端 | |
| Wang et al. | A data-driven deep learning pipeline for quantitative susceptibility mapping (QSM) | |
| Kim et al. | Lightweight brain MR image super-resolution using 3D convolution |
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 |