CN112219127B - 与超分辨率成像技术结合的磁共振成像mri扩散 - Google Patents
与超分辨率成像技术结合的磁共振成像mri扩散 Download PDFInfo
- Publication number
- CN112219127B CN112219127B CN201980035777.2A CN201980035777A CN112219127B CN 112219127 B CN112219127 B CN 112219127B CN 201980035777 A CN201980035777 A CN 201980035777A CN 112219127 B CN112219127 B CN 112219127B
- Authority
- CN
- China
- Prior art keywords
- computer
- implemented method
- voxel
- tissue
- magnetic resonance
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 20
- 238000009792 diffusion process Methods 0.000 title claims description 42
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000008520 organization Effects 0.000 claims abstract description 5
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 57
- 210000001519 tissue Anatomy 0.000 claims description 39
- 210000005013 brain tissue Anatomy 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 206010070834 Sensitisation Diseases 0.000 claims description 8
- 239000000835 fiber Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008313 sensitization Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000004885 white matter Anatomy 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 210000004884 grey matter Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 239000011159 matrix material Substances 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 5
- 238000002597 diffusion-weighted imaging Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 210000003050 axon Anatomy 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 1
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design 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
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000002744 extracellular matrix Anatomy 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000944 nerve tissue Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- 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
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- 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
- G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
- G01R33/56341—Diffusion imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Neurology (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
实施例描述一种用于获得(601)组织(201)的参数化特征(500、501、502)的计算机执行方法，计算机执行方法包括：获得(601)组织(201)的至少两次加权MRI体积扫描(400、401、402)；和通过组合实施将两次加权MRI体积扫描转换(404、602)为组织的参数化基于体素的模型(405)的参数，通过超分辨率成像技术，构建包括参数化基于体素的模型(405)的体素的体积，以及通过定量MRI建模技术，构建参数化基于体素的模型(405)的各个体素的参数。
Description
技术领域
本发明尤其涉及一种用于获得诸如脑组织之类的组织的参数化特征的方法和相关仪器。
背景技术
组织是人体或动物体内介于细胞与完整器官之间的细胞组织层级。它是具有细胞外基质的一组相似细胞，共同执行特定功能。可以根据细胞的来源对组织进行分类，例如，肌肉组织或神经组织和脑组织。
对组织的研究，例如组织学或与疾病相关的组织病理学，用于改善医学诊断和预后。为此，存在多种从组织中提取数据存在的技术。
用于从诸如脑组织的组织获得数据的已知技术是扩散-加权磁共振成像，即dMRI，这是一种体内和非侵入性成像技术。在dMRI扫描操作中，被检查组织中存在水分子的扩散，用于在磁共振图像中产生对比度，从而产生扩散-加权图像，即DW图像。DW图像被进一步处理以描述组织的特性。例如，对于脑组织，DW图像指示存在白质WM、灰质GM、和/或脑脊髓液CSF、以及它们的特性，例如WM的取向分布函数。
由于dMRI扫描操作在临床情况下执行，因此需要在采集时间、图像的空间分辨率和这些图像的信噪比即SNR之间进行权衡。例如，较长的采集时间可能会达到高SNR，但是可能无法获得所需的时间，或者作为另一个示例，设备可能不支持高分辨率图像，通过这种图像权衡可能因增强SNR和/或采集时间受到影响。
如Van Steenkiste,G.等人在《通过具有不同切片方向的扩散加权图像重建扩散参数的超分辨率》Magn.Reson.Med.75，181-195(2016年)中所述，可以通过使用超分辨率重建技术改善空间分辨率，SNR和获得时间之间的权衡。在此，通过使获得的低分辨率DW图像和通过解出无约束的非线性最小二乘问题预测出的低分辨率DW图像之间的最小平方差最小化，将低分辨率DW图像组合成高分辨率定量参数。这些高分辨率定量参数描述了表示组织特性的扩散张量模型。在这种方法中，通过获得具有较厚切片的数据可以改善权衡，这可以减少采集时间并提高SNR，同时可以通过超分辨率重建沿切片方向恢复分辨率。
该方法的缺点在于其依据的扩散张量模型太简单以至于不能准确地描述下层微观结构。特别是，它不会对不同微腔建立模型，也不会对单个体素内的多个下层纤维方向建立模型。当扩散张量参数设计下层组织病理学时，这会导致不明确。
该方法的另一个缺点是，它需要成本函数的一阶和二阶偏导数，其包括组织的扩散张量模型以及高分辨率和低分辨率成像体素之间的映射。特别是，当计算出有关扩散张量模型更多参数时，二阶偏导数的Hessian矩阵的存储和计算将变得不可行。另一个缺点是它无法快捷地支持具有不同功能形式或具有任意约束的定量模型。
从组织获得数据的另一种方法是通过定量磁共振成像建模技术获得，磁共振成像即MRI，如Jeurissen,B.等人所公开的《用于多壳扩散MRI数据改进分析的多组织约束球形反卷积》Neuroimage 103，411-426(2014年)。与上述超分辨率重建技术中使用的扩散张量模型相反，该模型包括多个腔，并且可以解析单个体素内的多个纤维方向。在这种方法中，每个体素分别执行多腔球形反卷积操作，与上述高分辨率重建技术中的扩散张量模型相比，每个体素的参数更多。使用二次编程将问题作为具有现行约束的线性最小二乘问题求解。但是，由于这种球形反卷积技术包括施加线性不等式约束，因此当约束施加于高分辨率图像时，该技术不适用，因为这会导致收敛太慢的优化问题。
发明内容
本发明的目的是减少以上缺点并提供一种改进的解决方案，用低采集时间、高空间分辨率和高SNR获得描述组织的高分辨率参数。
在第一方面，该目的通过一种用于获得组织的参数化特征的计算机执行方法，该计算机执行方法包括：
-获得组织的至少两次加权磁共振成像体积扫描；和
-通过组合实施将两次加权磁共振成像体积扫描转换为组织的参数化基于体素的模型的参数，通过超分辨率成像技术，构建包括参数化基于体素的模型的体素的体积，以及通过定量磁共振成像建模技术，构建参数化基于体素的模型的各个体素的参数。
从例如磁共振成像扫描仪获得的磁共振成像体积扫描。至少两次加权磁共振成像体积扫描是通过例如组织的两个不同切片，或切片的两个不同空间方向，或相对于彼此移动的切片获得的。该至少两次加权磁共振成像体积扫描各自包括相对于彼此的独立数据。
加权MRI体积扫描可以包括单独的扫描，这些扫描包括变化的扩散加权强度，也称为b值。加权MRI体积扫描也可以使用由Q空间轨迹成像促进的张量值扩散编码获得，这可以实现可变的扩散加权形状，例如平面和球形编码。因此，可以通过改变扩散加权强度、扩散加权方向和扩散加权形状获得MRI扫描。这样，扩散测量空间的尺寸增加。
随后，将获得的加权MRI体积扫描转换为参数化基于体素的模型的参数。参数化基于体素的模型是组织的模型，由此其参数描述了组织的特性。通过将超分辨率成像技术与定量MRI建模技术相结合，可以完成加权MRI体积扫描到参数的转换。
超分辨率成像技术将加权的MRI图像处理为包括体素的体积，从而相对于单个加权的MRI图像按比例放大了体积的分辨率。
以组合实施的方式，定量MRI建模技术为参数化基于体素的模型的各个体素构建参数，并分别为每个体素执行参数。
组合实施意味着在迭代过程中执行构建，因此通过交替构建一方面包括体素另一方面包括体素参数的体积，使得体积和参数收敛至参数化基于体素的模型。收敛时，例如当满足收敛条件时，体积中的体素包括的参数以大于或等于输入MRI扫描的分辨率的分辨率描述组织。
由于定量MRI建模技术通过以迭代方式的组合实施应用于每个体素的加权MRI体积扫描，因此与同时对所有体素建模相比，每个体素建模收敛更快是有利的。此外，对每个体素优化施加约束导致获得一个更快的解法，然后将其同时施加到所有体素上。同时，定量MRI建模技术的参数数量得以保留，因此与扩散张量模型相比更多。此外，由于体积通过超分辨率成像技术构建，因此也构建了更多体素，从而导致描述组织的参数更多而无需增加采集时间和/或降低SNR。换言之，在没有权衡任何要素的情况下就可以进行权衡。
此外，通过使用超分辨率成像技术，考虑了获得不同DW图像时的运动、几何转换、模糊和/或下采样。
当使用张量值扩散编码时，通常回波时间更长。这可能导致较低的SNR和/或较长的整体扫描时间。但是，使用超分辨率技术的优点是可以克服较低SNR和/或较长扫描时间的这些缺点。
由于通过使用加权MRI体积扫描执行转换，因此该方法尤其适用于标量MRI、扩散MRI、张弛测量、灌注MRI和功能MRI等。
根据一个实施例，组合实施包括：
-基于近似参数集通过外循环来计算残差；其中，计算还包括通过定量磁共振成像建模技术或超分辨率成像技术依次确定近似集，从而获得残差；和
用定量磁共振成像建模技术通过内循环用残差更新近似集。
换言之，可以通过以初始设置为零的近似集拟合参数来启动组合实施。接下来，通过定量MRI建模技术将此近似集转换为近似的高分辨率加权MRI体积图像，然后通过超分辨率成像技术将其缩减为预测的低分辨率加权MRI体积图像。将这些预测的低分辨率加权MRI体积图像与获得的加权MRI体积图像进行比较，从而在情况下获得它们之间的差异。然后，通过超分辨率成像技术将这种差异放大，从而产生与高分辨率加权MRI体积图像的相关残差。残差因此指示对应于组织参数的近似集的扩展。
接下来，内循环通过定量MRI建模技术将每个体素的残差转换为残差高分辨率参数，以更新外循环的近似集。
因此，外循环包括迭代反向投影，其优点在于不需要计算一阶和二阶偏导数。其次，也无需施加优化约束，从而以有效和直接的方式执行外循环。
此外，由于内循环独立地转换每个体素的残差，因此可以使用任何求解器来执行，并且与同时满足所有体素的约束相比，易于满足潜在约束。因此，组合的内循环和外循环快速收敛。
根据实施例，执行组合实施，直到残差小于预定的收敛阈值为止。
以不同的公式表示，迭代地重复外循环和内循环直至残差小于预定收敛阈值为止，从而直至参数的近似集充分精确地对应于由阈值确定的参数为止。有利地，以这种方式，可以通过将阈值设置为与期望的精度相对应的水平来进一步折衷。
根据实施例，内循环还包括在参数化基于体素的模型上施加优化约束。
优化约束例如是用于保持参数非负约束，并且例如可以在每次内循环通过验证更新的集包括非负参数而每次内循环转换残差时施加。这样，避免了组合实施结果为负参数，该负参数不对应于组织的真实生命特征。
此外，由于对每个体素执行内循环，所以组合实施可易于满足施加的约束。
根据实施例，加权MRI体积扫描包括DW图像；定量MRI建模技术包括多室球形反卷积技术。
因此，该方法还适用于从dMRI扫描仪，具有执行dMRI扫描功能的MRI扫描仪或从另一种适合于收集DW图像的设备获得DW图像。因此例如从两个不同的移位切片或具有不同空间取向的切片中可以获得至少两个DW图像。
当转换DW图像时，可以应用球形反卷积技术。因此，该转换包括通过超分辨率成像技术、构建包括参数化基于体素的模型体素的体积进行组合实施，并通过球形犯卷积技术、为参数化基于体素的模型的体素分别构建参数，使参数对应反卷积时体积中体素的参数，将DW图像转换为组织参数化基于体素的模型的参数。
外循环包括基于近似参数集来计算残差；其中计算还包括分别通过球面卷积技术和超分辨率成像技术对卷积的近似集依次进行卷积和缩放，从而获得残差。
内环通过球形反卷积技术对残差进行反卷积来拟合该集。
根据实施例，DW图像包括根据扩散敏化梯度的至少两个方向和至少两个强度的图像。
获得DW图像时，用于引起水分子在被检查组织中扩散的扩散敏化梯度因此在至少两个方向上定向。这样，可以识别组织的各向异性特征。
此外，对于不同的强度也施加了扩散敏化梯度。这样，相似地，可以以更精确的方式识别组织的各向同性特征。
根据实施例，参数描述基于球的函数。
因此，每个体素的参数可以例如通过描述基于球的函数的基础函数来描述基于球的函数。基于球的这些函数因此指示组织中的参数。
根据实施例，参数包括球谐函数。
这样，可以以简单的方式执行球在谐波中的反卷积。此外，还可以识别组织中纤维的轴突(例如神经轴突)的路径和位置。
根据实施例，参数包括纤维取向分布函数，即fODF。
纤维取向分布函数通过fODF取向和fODF幅度描述组织。fODF的主要取向指示组织中局部纤维方向，而fODF幅度指示组织细胞内体积束特异性定量生物标记。
根据实施方式，组织包括脑组织，并且其中fODF指示脑组织中WM的特性。
因此，除了振幅之外，fODF还指示脑组织中WM的特性，例如其存在和分布。
根据实施例，参数指示WM密度、GM密度和/或CSF密度的特性。
换言之，可以通过将参数解释为分别为WM、GM和/或CSF的密度分布来以非常准确的方式描述大脑组织。
根据第二方面，本发明涉及数据处理设备，该数据处理设备包括用于执行根据第一方面的计算机执行方法的装置。
根据第三方面，本发明涉及一种包括指令的计算机程序，当该指令由计算机执行时使该计算机实行根据第一方面的计算机执行方法。
根据第四方面，本发明涉及一种其上存储有第三方面的计算机程序的计算机可读数据载体。
根据第六方面，本发明涉及一种磁共振成像扫描仪，其包括根据第二方面的数据处理设备。
附图说明
现在将参考附图描述一些示例实施例。
图1示出了MRI扫描仪的示例实施例，该MRI扫描仪包括用于获得和转换DW图像的数据处理设备；和
图2示出了根据示例实施例获得DW图像的脑组织的示例；和
图3示出了根据示例实施例获得的DW图像；和
图4示出了根据示例实施例的转换为参数化基于体素的模型的一组DW图像；和
图5示出了脑组织的示例，其示出了脑的特性；和
图6示出了用于确定参数化基于体素的模型的计算机执行方法的执行步骤的示例实施例；和
图7示出了根据示例实施例的适于用于执行步骤的计算系统。
具体实施方式
图6示出了用于获得DW图像并将DW图像转换成参数化基于体素的模型的计算机执行方法的执行步骤601-608的示例实施例。将参考图1至图5进一步说明这些步骤，图1至图5示出了当例如在这样的脑组织上执行转换过程时脑组织的不同中间结果和表示。
在第一步中，从诸如图2所示的脑组织200的组织获得601DW图像。DW图像是一种包括组织的三维表示的体积扫描。为了获得图像，患者可以如图1所示躺在MRI扫描仪100的平台101上。这可以使患者的头部位于执行MRI扫描仪100的测量的区域103中。这些测量结果导致如图4所示的DW图像400-402，其例如由数据处理设备102收集。数据处理设备102可以集成在MRI扫描仪100中，或者例如与MRI扫描仪100相比位于更远的地方，和/或在云端执行步骤和相关的计算。
从脑组织200获得不同切片的不同DW图像。切片的示例由具有厚度202的切片201表示。图3所示实例，在步骤601中，从切片201获得DW图像300。DW图像，例如DW图像401是垂直于切片201的视图。获取601是针对不同的切片和不同的定向执行的，如DW图像400、401和402所示。对于DW图像400而言，切片方向由方向410表示，对于DW图像402而言，切片方向由方向412表示，对于DW图像401而言，切片方向由方向411表示。可替代地，也可以通过移动切片而不是改变方向来获得DW图像。
切片可以包括高厚度，因此切片包括大脑200的主要部分，其包括具有高SNR的DW图像。这样，仅需要从大脑200获得有限数量的切片覆盖大脑，这可以以快速的方式获得，从而患者不必在平台101上躺得太久，或者在同一时间段内可以获得更多数据，从而导致所得定量参数的精度更高。
以低分辨率获得DW图像，如DW图像401的网格420所示，且通过应用图6的步骤，通过转换操作404将图像组合为参数化基于体素的模型405。这样做是为了使参数化基于体素的模型405的分辨率高于各个DW图像400、401、402。这由参数化基于体素的模型405的网格421表示。更高的分辨率不是通过放大操作获得的，而是通过嵌入较低分辨率输入DW图像不同方向的信息获得的。
获得DW图像时，dMRI扫描仪可能会改变整个球体上的扩散敏化梯度的这些不同方向。
此外，对于每个方向而言，扩散敏化梯度的强度也可以变化，从而导致包括一系列对比度的一组DW图像。可替代地，扩散敏化梯度也可以由通过张量编码。
当通过张量q空间轨迹成像QTI编码时，便于进行具有可变形状的张量值扩散编码，例如平面和球形编码，这可以提供常规棒状b张量无法获得的信息。此外，通过假设异质组织中的扩散可以通过扩散张量分布DTD建模，那么还可以使用具有不同形状的b张量来消除微观各向异性和取向分散的变化导致的扩散率的变化。与常规扩散MRI相比，这提供了更具体的参数。
对于每个切片取向或切片移位而言，扫描仪的扩散敏化梯度的加权强度和加权取向也可以变化。例如，对于每个取向而言，四个加权强度与四个单独的加权取向一起使用，使得在该示例实施例中，获得的DW图像的总量为六十四个。
使用QTI时获得DW图像的另一个示例是空间分辨率为2x2x6mm3的五个DW数据集，每个数据集具有唯一的切片旋转＝[-72°、-36°、0°、36°、72°]，目标是进行2x2x2mm3超分辨率重建。每个DW数据集包含一组单独的31个样本，这些样本组合了b＝[0.1、1.2]ms/μm2和线性、平面和球形张量编码形状。这将在所有旋转中产生一百五十五个单独样本。重复频率时间与回波时间之比为3900ms/91ms，因此总采集时间约为10分钟。
通过转换404组合DW图像，这些图像转换为大脑200组织的参数化基于体素的模型405。除其他步骤605、606和607之外，转换404是通过组合608执行外循环603和内循环604来执行的。
外循环603解决了完整的优化问题并执行了迭代反向投影。首先，它以高分辨率HR的参数x_HR近似集开始，为启动循环，可以将其设置为零。接下来，HR近似集或预测集通过体素化多组织球形卷积矩阵C体素化卷积为HR预测DW图像
在外循环603的下一步骤中，通过超分辨率成像技术的矩阵S通过几何转换将HR预测的DW图像按体积方向转换为低分辨率的LR的DW图像/>
随后，通过将LR的DW图像与获得601的DW图像400、401、402比较，从LR的DW图像/>计算出残差。因此，该残差表示预测的LR的DW图像/>对应于获得的DW图像的延展。
接下来，通过转置几何转换将计算出的残差DWILR_RES逐个按体积方向转换为HR残差DWIHR_RES。然后将此HR残差DWIHR_RES用作内循环604的输入项。
外循环603可进一步通过以下伪代码示出：
其中，Nmax是取决于优选精度或预定收敛阈值的值。
不要求外循环603必须考虑约束或必须执行矩阵C或S的求逆。此外，由于其使用反向投影，因此不需要梯度或Hessian。
内循环604从外循环603接收计算出的HR残差DWIHR_RES，该HR残差又被转换成参数集的HR残差xHR_RES。然后，将计算出的该参数集的HR残差xHR_RES发送回外循环603，以在外循环603下一个迭代中更新的预测的参数集。
内循环604通过求解形式为线性最小二乘问题，其中d＝DWIHR_RES，其约束条件是例如GM密度的组织物理特性非负。
当使用QTI获得DW图像时，DTD同样可以按体素方向进行估计，也可以将其作为服从Cx≥0的形式为的最小二乘问题，其中exp(Bx)是与非扩散加权信号的对数、扩散张量分布，DTD、均值和DTD协方差有关的正向建模操作，以参数向量x表示，投射至测量的dMRI强度向量y。约束矩阵C会随着b值的增加而强制执行非负扩散和峰度以及单调信号衰减。方程的形式还可以扩展为支持QTI参数的体积方向超分辨率估算，如满足C′x′≥0的/>其中exp(B′x)是体积正向建模操作，A是超分辨率采样矩阵，将预期的高分辨率体素信号强度与获取的所有低分辨率体素y′的DW信号强度相关联，且C′是体积方向上的约束矩阵。
在有约束的情况下，内循环604可以使用普通的二次编程求解器求解体素方向的球形反卷积。可以像没有超分辨率的普通数据集一样为每个体素独立地求解内循环604。因为此步骤是体素操作，所以几乎不需要任何内存，它可以非常快速地收敛并且可易于满足约束条件。
外循环603和内循环604被组合608直至残差例如残差小于预定阈值。
结果，计算605参数化基于体素的模型405，其分辨率高于各DW图像400、401、402。该参数化基于体素的模型405包括具有球面函数或球函数的体素。这些球体指示脑组织200的特征，例如存在白质WM 501、灰质GM 502和/或脑脊髓液CSF 500，且可以进一步描述为这些特征的取向分布函数。
在参数化基于体素的模型405中每个体素的球体描述了球谐函数。球谐函数是在各球体表面上定义的特殊函数。
实数和对称球函数例如fODF表示为修改的球谐波基函数或球基函数的线性组合。然后可以使用fODF取向使用纤维跟踪来跟踪脑组织200的远程连接，例如用于计划神经外科手术。fODF振幅可作为WM轴突细胞内体积的束特异性定量生物标记，例如用于研究大脑发育或神经退行性变。
结果，步骤607通过包括例如四十七个参数的参数集来表征脑组织200，该参数与扩散张量模型相比要高得多。四十七个参数包括描述WM 501fODF的四十五个球面系数，描述GM 502量的系数和描述CSF 500量的系数。四十五个球面系数是许多实和对称球谐函数阶数为8的球谐基的基函数，可以进一步改变。
图7示出了根据示例实施例合适的计算系统700。计算系统700包括用于执行根据以上示例实施例的步骤的装置。因此，计算系统700可以用作数据处理设备102的合适的工具。计算系统700通常可以形成为合适的通用计算机，并且包括总线710、处理器702、本地存储器704，一个或多个可选的输入接口714、一个或多个可选输出接口716、通信接口712、存储元件接口706和一个或多个存储元件708。总线710可以包括一个或多个导体，以允许计算系统700组件之间进行通信。处理器702可以包括解释和执行编程指令的任何类型的常规处理器或微处理器。本地存储器704可以包括随机存取存储器(RAM)或存储信息和指令以供处理器702执行的另一种类型的动态存储设备和/或只读存储器(ROM)或存储供处理器702使用的静态信息和指令的另一种类型的静态存储设备。输入接口714可以包括一种或多种常规机制，其允许操作员将信息输入到计算设备700，例如键盘720、鼠标730、笔、语音识别和/或生物认证机械装置等。输出接口716可以包括向操作员输出信息的一种或多种常规机制，例如显示器740等。通信接口712可以包括任何类似于收发器的机械装置，例如使得计算系统700能够与其他设备和/或系统通信的一个或多个以太网接口。计算系统700的通信接口712可以借助于局域网(LAN)或诸如因特网之类的广域网(WAN)连接到这样的另一计算系统。存储元件接口706可以包括诸如串行高级技术附件(SATA)接口或小型计算机系统接口(SCSI)之类的存储接口，用于将总线710连接至一个或多个存储元件708，诸如一个或多个本地磁盘，例如，SATA磁盘驱动器，并控制向这些存储元件708和/或从这些存储元件708读写数据。尽管上述存储元件708被描述为本地磁盘，但是一般来说，可以使用任何其他合适的诸如可移动磁盘的计算机可读介质、CD或DVD等光存储介质、-ROM盘、固态驱动器，闪存卡等。
尽管已经通过参考特定实施例说明了本发明，但是对于本领域技术人员而言显而易见的是，本发明不限于前述说明性实施例的细节，且本发明可以在不脱离其范围的情况下进行各种改变和修改而实施。因此，本发明的实施例在所有方面都应被认为是说明性的，而非限制性的，本发明的范围由所附权利要求书而不是前述说明书指明，在权利要求书范围内的所有改变均旨在含纳其中。
本专利申请的读者还应理解单词“包括”不排除其他元件或步骤，单词“一个”不排除多个，并且单个元件，例如计算机系统、处理器或另一集成单元，可以满足权利要求所记载的几种装置的功能。权利要求中的任何附图标记均不应被解释为限制相关的各权利要求。在说明书或权利要求书中使用时引入的术语“第一”、“第二”、“第三”、“a”、“b”、“c”等用于区分元件或步骤，而不必要用于描述次序或时间顺序。类似地，引入的术语“顶部”、“底部”、“上方”、“下方”等出于描述目的，而不必要表示相对位置。应理解这样使用的术语在适当的情况下是可以互换的，且本发明的实施例能够按照本发明以其他顺序或以不同于上述或所示的方向的方式进行操作。
Claims (14)
1.用于获得组织的参数化特征(500、501、502)的计算机执行方法，该计算机执行方法包括：
-获得(601)组织的至少两次加权磁共振成像体积扫描，磁共振成像即MRI；和
-通过组合实施将两次加权磁共振成像体积扫描转换(404、602-607)为组织的参数化基于体素的模型(405)的参数，通过超分辨率成像技术，构建包括参数化基于体素的模型(405)的体素的体积，以及通过定量磁共振成像建模技术，构建参数化基于体素的模型(405)的各个体素的参数。
2.根据权利要求1所述的计算机执行方法，其特征在于，组合实施包括：
-基于近似参数集通过外循环(603)来计算残差；其中，计算还包括通过定量磁共振成像建模技术或超分辨率成像技术依次确定近似集，从而获得残差；和
-用定量磁共振成像建模技术通过内循环(604)用残差更新近似集。
3.根据权利要求2所述的计算机执行方法，其特征在于，实施组合实施，直到残差小于预定的收敛阈值为止。
4.根据权利要求2至3中任一项所述的计算机执行方法，其特征在于，内循环(604)还包括在参数化基于体素的模型(405)上施加优化约束。
5.根据上述任一项权利要求所述的计算机执行方法，其特征在于，加权磁共振成像体积扫描包括扩散加权图像(300、400、401、402)；以及，定量磁共振成像建模技术包括多室球形反卷积技术。
6.根据权利要求5所述的计算机执行方法，其特征在于，扩散加权图像(300、400、401、402)至少包括根据扩散敏化梯度的至少两个方向和至少两个强度的图像。
7.根据上述权利要求中任一项所述的计算机执行方法，其特征在于，参数描述基于球的函数。
8.根据上述权利要求中任一项所述的计算机执行方法，其特征在于，参数包括球谐函数。
9.根据上述权利要求中任一项所述的计算机执行方法，其特征在于，参数包括纤维取向分布函数。
10.根据上述权利要求中任一项所述的计算机执行方法，其特征在于，组织包括脑组织(200)，并且其中纤维取向分布函数指示脑组织中白质(501)的特性。
11.根据权利要求10所述的计算机执行方法，其特征在于，参数指示白质(501)的密度、灰质(502)的密度、和/或脑脊髓液(500)的密度的特性。
12.一种数据处理设备(102)，该数据处理设备包括用于实行根据权利要求1至11中任一项所述的计算机执行方法的装置。
13.一种计算机可读数据载体，其上存储有计算机程序,当计算机程序由计算机执行时，使计算机实行根据权利要求1至11中任一项所述的计算机执行方法。
14.一种磁共振成像扫描仪(100)，其包括根据权利要求12所述的数据处理设备(102)。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18175610.7A EP3575815A1 (en) | 2018-06-01 | 2018-06-01 | Diffusion mri combined with a super-resolution imaging technique |
| EP18175610.7 | 2018-06-01 | ||
| PCT/EP2019/060807 WO2019228719A1 (en) | 2018-06-01 | 2019-04-26 | Diffusion mri combined with a super-resolution imaging technique |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112219127A CN112219127A (zh) | 2021-01-12 |
| CN112219127B true CN112219127B (zh) | 2023-08-29 |
Family
ID=62528271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980035777.2A Active CN112219127B (zh) | 2018-06-01 | 2019-04-26 | 与超分辨率成像技术结合的磁共振成像mri扩散 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210212567A1 (zh) |
| EP (2) | EP3575815A1 (zh) |
| KR (1) | KR20210015884A (zh) |
| CN (1) | CN112219127B (zh) |
| WO (1) | WO2019228719A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003500137A (ja) * | 1999-05-21 | 2003-01-07 | アメリカ合衆国 | 拡散テンソル磁気共鳴信号を解析するための方法および装置 |
| WO2010129544A1 (en) * | 2009-05-04 | 2010-11-11 | Duke University | Methods and computer program products for quantitative three-dimensional image correction and clinical parameter computation in optical coherence tomography |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| CN114846519A (zh) * | 2019-12-20 | 2022-08-02 | 瓦里安医疗系统国际股份公司 | 使用人工智能(ai)引擎的断层摄影图像处理 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1272976A1 (en) * | 2000-02-11 | 2003-01-08 | THE GOVERNMENT OF THE UNITED STATES OF AMERICA, as represented by THE SECRETARY, DEPARTMENT OF HEALTH AND HUMAN SERVICES | Vessel delineation in magnetic resonance angiographic images |
| US8811706B2 (en) * | 2008-08-07 | 2014-08-19 | New York University | System, method and computer accessible medium for providing real-time diffusional kurtosis imaging and for facilitating estimation of tensors and tensor-derived measures in diffusional kurtosis imaging |
| US20140073520A1 (en) * | 2011-12-23 | 2014-03-13 | California Institute Of Technology | Imaging chromosome structures by super-resolution fish with single-dye labeled oligonucleotides |
| WO2014052782A1 (en) * | 2012-09-28 | 2014-04-03 | Children's Medical Center Corporation | Diffusion-weighted mri using multiple b-values and constant echo time |
| WO2014165849A1 (en) * | 2013-04-05 | 2014-10-09 | New York University | System, method and computer-accessible medium for obtaining and/or determining mesoscopic structure and orientation with fiber tracking |
| US10317498B2 (en) * | 2013-09-20 | 2019-06-11 | Children's Medical Center Corporation | Methods and apparatus for modeling diffusion-weighted MR data acquired at multiple non-zero B-values |
| US9709651B2 (en) * | 2014-08-20 | 2017-07-18 | Alexander Sheung Lai Wong | Compensated magnetic resonance imaging system and method for improved magnetic resonance imaging and diffusion imaging |
| WO2017120567A1 (en) * | 2016-01-08 | 2017-07-13 | Northwestern University | System and method for producing high-resolution magnetic resonance relaxation parameter maps |
| US10776963B2 (en) * | 2016-07-01 | 2020-09-15 | Cubismi, Inc. | System and method for forming a super-resolution biomarker map image |
| US20180329006A1 (en) * | 2017-05-09 | 2018-11-15 | University Of Southern California | Diffusion-relaxation correlation spectroscopic imaging |
-
2018
- 2018-06-01 EP EP18175610.7A patent/EP3575815A1/en not_active Withdrawn
-
2019
- 2019-04-26 US US15/734,026 patent/US20210212567A1/en active Pending
- 2019-04-26 WO PCT/EP2019/060807 patent/WO2019228719A1/en unknown
- 2019-04-26 EP EP19719334.5A patent/EP3803429A1/en active Pending
- 2019-04-26 KR KR1020207037070A patent/KR20210015884A/ko not_active Application Discontinuation
- 2019-04-26 CN CN201980035777.2A patent/CN112219127B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003500137A (ja) * | 1999-05-21 | 2003-01-07 | アメリカ合衆国 | 拡散テンソル磁気共鳴信号を解析するための方法および装置 |
| WO2010129544A1 (en) * | 2009-05-04 | 2010-11-11 | Duke University | Methods and computer program products for quantitative three-dimensional image correction and clinical parameter computation in optical coherence tomography |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| CN114846519A (zh) * | 2019-12-20 | 2022-08-02 | 瓦里安医疗系统国际股份公司 | 使用人工智能(ai)引擎的断层摄影图像处理 |
Non-Patent Citations (1)
| Title |
|---|
| Van Steenkiste 等.Super-Resolution Reconstruction of Diffusion Parameters from Diffusion-Weighted Images with Different Slice Orientations.《Magnetic Resonance in Medicine》.2016,第75卷(第75期),181-195. * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210015884A (ko) | 2021-02-10 |
| US20210212567A1 (en) | 2021-07-15 |
| EP3803429A1 (en) | 2021-04-14 |
| WO2019228719A1 (en) | 2019-12-05 |
| CN112219127A (zh) | 2021-01-12 |
| EP3575815A1 (en) | 2019-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Handbook of medical image computing and computer assisted intervention | |
| Polimeni et al. | Analysis strategies for high-resolution UHF-fMRI data | |
| Descoteaux et al. | Deterministic and probabilistic tractography based on complex fibre orientation distributions | |
| Pajevic et al. | A continuous tensor field approximation of discrete DT-MRI data for extracting microstructural and architectural features of tissue | |
| Friman et al. | A Bayesian approach for stochastic white matter tractography | |
| Hasan et al. | A review of diffusion tensor magnetic resonance imaging computational methods and software tools | |
| JP5902317B2 (ja) | 磁気共鳴イメージング装置および定量的磁化率マッピング法 | |
| US10504222B2 (en) | System, method and computer-accessible medium for obtaining and/or determining mesoscopic structure and orientation with fiber tracking | |
| Wu et al. | IREM: high-resolution magnetic resonance image reconstruction via implicit neural representation | |
| Yu et al. | Model-informed machine learning for multi-component T2 relaxometry | |
| WO2020033566A1 (en) | Neural networks for volumetric segmentation and parcellated surface representations | |
| Dahnke et al. | Surface and shape analysis | |
| Belov et al. | Towards ultrafast MRI via extreme k-space undersampling and superresolution | |
| US10789713B2 (en) | Symplectomorphic image registration | |
| Descoteaux et al. | Deterministic and probabilistic Q-Ball Tractography: from diffusion to sharp fiber distribution | |
| CN112219127B (zh) | 与超分辨率成像技术结合的磁共振成像mri扩散 | |
| Amirrajab et al. | A framework for simulating cardiac MR images with varying anatomy and contrast | |
| Bromiley et al. | Multi-dimensional medical image segmentation with partial volume and gradient modelling | |
| Klepaczko | Cerebral Vessel Segmentation in CE-MR Images Using Deep Learning and Synthetic Training Datasets | |
| Mishra et al. | An image-processing toolset for diffusion tensor tractography | |
| Booth | Diffusion MRI Analysis Techniques Inspired by the Preterm Infant Brain | |
| Starck et al. | Diff-Def: Diffusion-Generated Deformation Fields for Conditional Atlases | |
| Aljabar | Tracking longitudinal change using MR image data | |
| Zhao | Medical Image Modality Synthesis and Resolution Enhancement Based on Machine Learning Techniques | |
| Dolui et al. | Reconstruction of HARDI using compressed sensing and its application to contrast HARDI |
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 |