CN112505598A - 定量磁化率成像重建方法及系统、存储介质及终端 - Google Patents

定量磁化率成像重建方法及系统、存储介质及终端 Download PDF

Info

Publication number
CN112505598A
CN112505598A CN202011454605.XA CN202011454605A CN112505598A CN 112505598 A CN112505598 A CN 112505598A CN 202011454605 A CN202011454605 A CN 202011454605A CN 112505598 A CN112505598 A CN 112505598A
Authority
CN
China
Prior art keywords
quantitative
magnetic susceptibility
image
imaging reconstruction
susceptibility
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
CN202011454605.XA
Other languages
English (en)
Other versions
CN112505598B (zh
Inventor
魏红江
冯瑞敏
石虞婷
冯颉
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202011454605.XA priority Critical patent/CN112505598B/zh
Publication of CN112505598A publication Critical patent/CN112505598A/zh
Application granted granted Critical
Publication of CN112505598B publication Critical patent/CN112505598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56536—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to magnetic susceptibility variations
    • 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
    • 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 Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种定量磁化率成像重建方法及系统、存储介质及终端，包括以下步骤：对磁共振成像得到的相位图像进行解缠绕和背景去除，得到组织相位图像；构造用于求解磁化率图像的目标函数，并采用近端梯度下降算法推导出求解所述目标函数的数学迭代式；基于所述数学迭代式搭建定量磁化率成像重建模型；基于所述组织相位图像和对应的定量磁化率图像，对所述定量磁化率成像重建模型进行训练；将解缠绕并去除背景的相位图像输入训练好的定量磁化率成像重建模型，以得到重建后的定量磁化率图像。本发明的定量磁化率成像重建方法及系统、存储介质及终端在有效地提升了图像质量的同时极大缩短了图像的重建速度。

Description

定量磁化率成像重建方法及系统、存储介质及终端
技术领域
本发明涉及定量磁化率成像(Quantitative Susceptibility Mapping，QSM)的技术领域，特别是涉及一种定量磁化率成像重建方法及系统、存储介质及终端。
背景技术
磁化率是表征物质被磁化程度的物理量，是物质的固有属性。在磁共振成像中，组织间的磁化率差异会导致磁场的不均匀性从而导致质子进动频率的差异，经过时间积累形成相位差异。因此，磁共振采集得到的相位图像中含有组织磁化率信息，定量磁化率成像即为从相位图像中提取定量磁化率数值的成像技术。定量磁化率成像技术可以定量分析组织磁化率高低，对脑出血、多发性硬化症、帕金森综合征等疾病的研究和诊断具有重要意义。
定量磁化率成像的重建是一个复杂的过程，如图1所示，通常包括解缠绕，生成脑掩膜、去除背景场和偶极子反演等步骤。
偶极子反演是一个不适定的数学问题，可分为单方向重建与多方向重建。采用多方向计算磁化率的方法(Calculation Susceptibility Through Multiple OrientationSampling，COSMOS)是一种典型的多方向重建方法，其重建精度和信噪比都较高，但是磁化率的各向异性不能再图像上反映出来。此外COSMOS需要被试至少旋转3个不同的角度，大大增加了扫描采集时间和被试的不适感。
此外，深度学习也是用于解决不适定问题的一种有力手段，并在磁化率定量成像有了一些应用。Yoon等人提出了QSMnet，采用3维U-net网络结构对单方向局部场图进行定量磁化率成像。QSMGAN在QSMnet框架基础上增加生成对抗网络(Generative AdversarialNetwork，GAN)以改善网络框架，QSMnet+采用数据增强的手段以增加QSMnet的线性度。但是以上网络均采用COSMOS作为金标准，因此定量磁化率成像的重建结果不能体现磁化率数值的各向异性。
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定量磁化率成像重建方法及系统、存储介质及终端，基于组织相位图像与定量磁化率图像的数学关系，通过深度学习算法来实现定量磁化率成像的重建，在有效地提升了图像质量的同时极大缩短了图像的重建速度。
为实现上述目的及其他相关目的，本发明提供一种定量磁化率成像重建方法，包括以下步骤：对磁共振成像得到的相位图像进行解缠绕和背景去除，得到组织相位图像；构造用于求解磁化率图像的目标函数，并采用近端梯度下降算法推导出求解所述目标函数的数学迭代式；基于所述数学迭代式搭建定量磁化率成像重建模型；基于所述组织相位图像和对应的定量磁化率图像，对所述定量磁化率成像重建模型进行训练；将解缠绕并去除背景的相位图像输入训练好的定量磁化率成像重建模型，以得到重建后的定量磁化率图像。
于本发明一实施例中，基于拉普拉斯算子对磁共振成像得到的相位图像进行相位解缠绕；利用VSHARP方法对解缠绕处理后的相位图像进行背景去除。
于本发明一实施例中，所述组织相位图像对应的定量磁化率图像为多方向采集重建的金标准磁化率图像。
于本发明一实施例中，所述定量磁化率成像重建模型包括3个生成器与1个判别器，并在相邻生成器之间采用近端梯度下降模型进行计算。
于本发明一实施例中，所述生成器包括前后两个卷积层与中间8个ResBlock；每一个ResBlock包括两个3*3*3的卷积层，在第一个卷积层后跟随一个批归一化层与ReLU激活函数，在第二个卷积层后跟随一个批归一化层；每一个ResBlock的输入与第二个卷积输出之间有一个残差连接，输出均经过ReLU激活函数。
于本发明一实施例中，所述判别器包括4个4*4*4的跟随着LeakyReLU激活函数的卷积层与一个3*3*3的卷积层与扁平层。
于本发明一实施例中，训练所述定量磁化率成像重建模型时，初始学习率为0.001，当3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50％；当30个epoch内损失函数不再减小甚至增长时；利用dropout方法防止过拟合，丢弃比例为10％。
对应地，本发明提供一种定量磁化率成像重建系统，包括处理模块、构造模块、训练模块和重建模块；
所述处理模块用于对磁共振成像得到的相位图像进行解缠绕和背景去除，得到组织相位图像；
所述构造模块用于构造用于求解磁化率图像的目标函数，并采用近端梯度下降算法推导出求解所述目标函数的数学迭代式；基于所述数学迭代式搭建定量磁化率成像重建模型；
所述训练模块用于；基于所述组织相位图像和对应的定量磁化率图像，对所述定量磁化率成像重建模型进行训练；
所述重建模块用于将解缠绕并去除背景的相位图像输入训练好的定量磁化率成像重建模型，以得到重建后的定量磁化率图像。
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定量磁化率成像重建方法。
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定量磁化率成像重建方法。
如上所述，本发明的定量磁化率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)基于组织相位图像与定量磁化率图像的数学关系，通过深度学习算法来实现定量磁化率成像的重建；
(2)定性和定量研究表明，本发明的定量磁化率成像重建方法相比其他重建算法具有更好的图像质量；
(3)相比端到端的深度学习重建方法，本发明的定量磁化率成像重建模型的可解释性更强；
(4)成像质量高、重建速度快，应用前景良好。
附图说明
图1显示为现有技术中的定量磁化率成像方法于一实施例中的流程图；
图2显示为本发明的定量磁化率成像重建方法于一实施例中的流程图；
图3显示为本发明的定量磁化率成像重建模型于一实施例中的结构示意图；
图4显示为本发明的生成对抗网络的生成器和判别器于一实施例中的结构示意图；
图5显示为采用TKD、STAR-QSM、QSMnet、LPCNN、本发明的定量磁化率成像重建方法和STAR-QSM多方向重建方法于一实施例中的重建结果比对示意图；
图6显示为被试的T2 FLAIR参考图像与采用STAR-QSM、QSMnet、LPCNN以及本发明的定量磁化率成像重建方法于一实施例中的重建结果比对示意图；
图7显示为本发明的定量磁化率成像重建系统于一实施例中的结构示意图；
图8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
71 处理模块
72 构造模块
73 训练模块
74 重建模块
81 处理器
82 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。
需要说明的是，本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。
本发明的定量磁化率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相位图像到定量磁化率图像的学习，通过训练好的定量磁化率成像模型来实现定量磁化率成像的重建，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2所示，于一实施例中，本发明的定量磁化率成像重建方法包括以下步骤：
步骤S1、对磁共振成像得到的相位图像进行解缠绕和背景去除，得到组织相位图像。
具体地，基于拉普拉斯算子对磁共振成像得到的相位图像进行相位解缠绕；利用VSHARP方法对解缠绕处理后的相位图像进行背景去除，从而得到对应的组织相位图像。
步骤S2、构造用于求解磁化率图像的目标函数，并采用近端梯度下降算法推导出求解所述目标函数的数学迭代式；基于所述数学迭代式搭建定量磁化率成像重建模型。
具体地，利用近端梯度下降算法
Figure BDA0002828180560000041
进行迭代求解目标函数的最优解，其中
Figure BDA0002828180560000042
是与正则项有关的投影算子，tk为第k次迭代的下降步长，xi表示第i次迭代得到的定量磁化率图像，
Figure BDA0002828180560000043
为梯度算子，
Figure BDA0002828180560000044
||·||2表示矩阵的2范数，
Figure BDA0002828180560000045
为组织相位，x为待求解的定量磁化率图像，D为偶极子核，F和F-1分别表示傅里叶变换和反变换。因此所述近端梯度下降算法可化为
Figure BDA0002828180560000046
式中，A＝F-1DF，AH为A的共轭转置矩阵，I表示单位矩阵。
于本发明一实施例中，所述定量磁化率成像重建模型中，采用卷积代替近端梯度算子，利用深度学习模拟近端梯度下降算法以学习更为深层次的正则项。其中，以组织相位图像作为网络输入，对应的多方向采集重建的金标准磁化率图像作为标签。
步骤S3、基于所述组织相位图像和对应的定量磁化率图像，对所述定量磁化率成像重建模型进行训练。
具体地，所述定量磁化率成像重建模型基于ResNet神经网络设计，在ResNet神经网络的基础上增加GAN网络以改善网络模型。如图3所示，所述定量磁化率成像重建模型包括3个生成器(G)与1个判别器(D)，并在相邻生成器(G)之间采用近端梯度下降模型(P)进行计算。
如图4所示，所述GAN网络的生成器包括前后两个卷积层与中间8个ResBlock。每一个Block包括两个3*3*3的卷积层，在第一个卷积层后跟随着一个批归一化层与ReLU激活函数，在第二个卷积层后跟随着一个批归一化层(BN)。每一个Block的输入与第二个卷积输出之间有一个残差连接，输出均经过ReLU激活函数。所述GAN网络的判别器包括4个4*4*4的跟随着LeakyReLU激活函数的卷积层与一个3*3*3的卷积层与扁平层(Flatten)。
其中，训练所述定量磁化率成像重建模型时，生成器模型采用数据一致性
Figure BDA0002828180560000051
Figure BDA0002828180560000052
和L1作为损失函数，判别器采用对抗损失函数，通过ADAM优化器进行优化。
本发明的定量磁化率成像重建方法基于Python 3.6.2和Tensorflow v1.15.0以及keras框架搭建定量磁化率成像重建模型，使用NVIDIA 1080TI GPU进行训练。训练所述定量磁化率成像重建模型时，初始学习率为0.001，当3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50％；同时采用提前终止策略，当30个epoch内损失函数不再减小甚至增长时，停止训练，输出最终定量磁化率成像重建模型；同时利用dropout方法防止过拟合，丢弃比例为10％。
步骤S4、将解缠绕并去除背景的相位图像输入训练好的定量磁化率成像重建模型，以得到重建后的定量磁化率图像。
具体地，当训练完成所述定量磁化率成像重建模型时，对于输入的解缠绕并去除背景的的相位图像，将其输入所述定量磁化率成像重建模型，即可获取重建后的定量磁化率图像，避免了生成掩膜、去除背景场及偶极子反演等步骤带来的重建误差，且对脑出血、多发性硬化症脑组织可进行定量分析。
下面通过具体实施例来进一步验证本发明的基于模型的定量磁化率成像重建方法(MoG-QSM)
实施例1
选择6名健康受试者进行磁共振扫描。受试者在Siemens公司型号为Prisma的3T磁共振仪上接受扫描。扫描参数为：FOV＝256×256mm2，matrix size＝256×256，FA＝20°，TR＝44ms，共采集6个回波，回波时间(TE)分别为7.7、13.4、18.8、25.3、31.7、38.2ms，resolution＝1×1×1mm3，层数为144，GRAPPA加速倍率为2。受试者脑部相对主磁场旋转得到5个不同的方向，每个方向的扫描时间为7分钟。
为了与本发明的定量磁化率成像重建方法的结果进行对比，利用STAR-QSM对5个方向的扫描结果进行重建并配准做平均，并利用单方向QSM重建技术TKD和单方向STAR-QSM进行QSM重建。TKD算法中阈值选择0.2。此外，为对比神经网络模型效果，还利用QSMnet、LPCNN深度学习手段进行重建。为了定量评估误差，选择量化指标均方根误差(RMSE)、高频误差范数(High Frequency Error Norm，HFEN)、结构相似度指数(Structural SimilarityIndex，SSIM)。RMSE和HFEN都是数值越低，误差越小；而SSIM数值越高，误差越小。需要指出的是，所有的误差均在脑掩膜内进行计算。
如图5所示，第1到第6列依次为TKD、STAR-QSM、QSMnet、LPCNN、本发明的定量磁化率成像重建方法和标签(Label)重建结果。第1到第3行分别为横断面、矢状面和冠状面图像。由图可知，本发明的定量磁化率成像重建方法重建得到的结果与标签重建结果相近，可以重建出大脑边缘的皮层组织，比如血管，且可以清晰地看到皮层灰质和白质的边缘和轮廓。
选择STAR-QSM多方向重建取平均的重建结果作为金标准，量化误差如表1所示。由表1可知，在单方向重建算法中，本发明的定量磁化率成像重建方法的RMSE和HFEN最低、SSIM最高，重建效果优于其他传统重建方法和其他深度学习方法。。
表1、TKD、STAR-QSM、QSMnet、LPCNN、MoG-QSM的量化误差
RMSE SSIM HFEN
TKD 113.35±11.64 0.8146±0.0328 110.96±12.77
STAR-QSM 84.29±11.05 0.8224±0.0372 83.07±11.48
QSMnet 76.72±6.68 0.8908±0.0271 79.61±8.73
LPCNN 57.98±8.05 0.8884±0.0303 59.62±8.45
MoG-QSM 56.68±6.27 0.9002±0.0283 56.08±7.76
实施例2
在该实施例中，选择多发性硬化症患者进行磁共振扫描。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32.2ms，FA＝12°，共12个回波，每次回波时间(TE)分别为3.2、5.6、7.9、10.3、12.7、15.0、17.4、19.8、22.1、24.5、26.9、29.2ms，空间分辨率＝1×1mm3，层厚为1mm。受试者脑部相对主磁场旋转得到5个不同的方向，每个方向的扫描时间为13分钟。
如图6所示，第1列到第5列分别为被试的T2 FLAIR参考图像与使用STAR-QSM、QSMnet、LPCNN以及本发明所述的MoG-QSM方法的重建结果。由图可知，尽管多发性硬化症数据与本发明的定量磁化率成像重建方法训练网络参数时的健康成人数据不同，但是本发明的定量磁化率成像重建方法和T2 FLAIR参考图像的病灶显示具有很好的一致性，说明本发明的定量磁化率成像重建方法在训练时学习到了组织相位图像和磁化率图像之间的数学关系，所建模型对于非健康被试数据的泛化能力较强，可应用与对多发性硬化症等疾病的定性分析。
如图7所示，于一实施例中，本发明的定量磁化率成像重建系统包括处理模块71、构造模块72、训练模块73和重建模块74。
所述处理模块71用于对磁共振成像得到的相位图像进行解缠绕和背景去除，得到组织相位图像。
所述构造模块72与所述处理模块71相连，用于构造用于求解磁化率图像的目标函数，并采用近端梯度下降算法推导出求解所述目标函数的数学迭代式；基于所述数学迭代式搭建定量磁化率成像重建模型。
所述训练模块73与所述处理模块71和所述构造模块72相连，用于基于所述组织相位图像和对应的定量磁化率图像，对所述定量磁化率成像重建模型进行训练。
所述重建模块74与所述训练模块73相连，用于将解缠绕并去除背景的相位图像输入训练好的定量磁化率成像重建模型，以得到重建后的定量磁化率图像。
其中，处理模块71、构造模块72、训练模块73和重建模块74的结构和原理与上述定量磁化率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定量磁化率成像重建方法。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8所示，于一实施例中，本发明的终端包括：处理器81及存储器82。
所述存储器82用于存储计算机程序。
所述存储器82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81与所述存储器82相连，用于执行所述存储器82存储的计算机程序，以使所述终端执行上述的定量磁化率成像重建方法。
优选地，所述处理器81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，本发明的定量磁化率成像重建方法及系统、存储介质及终端基于组织相位图像与定量磁化率图像的数学关系，通过深度学习算法来实现定量磁化率成像的重建；定性和定量研究表明，本发明的定量磁化率成像重建方法相比其他重建算法具有更好的图像质量；相比端到端的深度学习重建方法，本发明的定量磁化率成像重建模型的可解释性更强；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)

1.一种定量磁化率成像重建方法，其特征在于：包括以下步骤：
对磁共振成像得到的相位图像进行解缠绕和背景去除，得到组织相位图像；
构造用于求解磁化率图像的目标函数，并采用近端梯度下降算法推导出求解所述目标函数的数学迭代式，并基于所述数学迭代式搭建定量磁化率成像重建模型；
基于所述组织相位图像和对应的定量磁化率图像，对所述定量磁化率成像重建模型进行训练；
将解缠绕并去除背景的相位图像输入训练好的定量磁化率成像重建模型，以得到重建后的定量磁化率图像。
2.根据权利要求1所述的定量磁化率成像重建方法，其特征在于：基于拉普拉斯算子对磁共振成像得到的相位图像进行相位解缠绕；利用VSHARP方法对解缠绕处理后的相位图像进行背景去除。
3.根据权利要求1所述的定量磁化率成像重建方法，其特征在于：所述组织相位图像对应的定量磁化率图像为多方向采集重建的金标准磁化率图像。
4.根据权利要求1所述的定量磁化率成像重建方法，其特征在于：所述定量磁化率成像重建模型包括3个生成器与1个判别器，并在相邻生成器之间采用近端梯度下降模型进行计算。
5.根据权利要求4所述的定量磁化率成像重建方法，其特征在于：所述生成器包括前后两个卷积层与中间8个ResBlock；每一个ResBlock包括两个3*3*3的卷积层，在第一个卷积层后跟随一个批归一化层与ReLU激活函数，在第二个卷积层后跟随一个批归一化层；每一个ResBlock的输入与第二个卷积输出之间有一个残差连接，输出均经过ReLU激活函数。
6.根据权利要求4所述的定量磁化率成像重建方法，其特征在于：所述判别器包括4个4*4*4的跟随着LeakyReLU激活函数的卷积层与一个3*3*3的卷积层与扁平层。
7.根据权利要求1所述的定量磁化率成像重建方法，其特征在于：训练所述定量磁化率成像重建模型时，初始学习率为0.001，当3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50％；当30个epoch内损失函数不再减小甚至增长时；利用dropout方法防止过拟合，丢弃比例为10％。
8.一种定量磁化率成像重建系统，其特征在于：包括处理模块、构造模块、训练模块和重建模块；
所述处理模块用于对磁共振成像得到的相位图像进行解缠绕和背景去除，得到组织相位图像；
所述构造模块用于构造用于求解磁化率图像的目标函数，并采用近端梯度下降算法推导出求解所述目标函数的数学迭代式，并基于所述数学迭代式搭建定量磁化率成像重建模型；
所述训练模块用于基于所述组织相位图像和对应的定量磁化率图像，对所述定量磁化率成像重建模型进行训练；
所述重建模块用于将解缠绕并去除背景的相位图像输入训练好的定量磁化率成像重建模型，以得到重建后的定量磁化率图像。
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中任一项所述的定量磁化率成像重建方法。
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中任一项所述的定量磁化率成像重建方法。
CN202011454605.XA 2020-12-10 2020-12-10 定量磁化率成像重建方法及系统、存储介质及终端 Active CN112505598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011454605.XA CN112505598B (zh) 2020-12-10 2020-12-10 定量磁化率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
CN202011454605.XA CN112505598B (zh) 2020-12-10 2020-12-10 定量磁化率成像重建方法及系统、存储介质及终端

Publications (2)

Publication Number Publication Date
CN112505598A true CN112505598A (zh) 2021-03-16
CN112505598B CN112505598B (zh) 2022-01-07

Family

ID=74973421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011454605.XA Active CN112505598B (zh) 2020-12-10 2020-12-10 定量磁化率成像重建方法及系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN112505598B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310639A1 (en) * 2014-04-25 2015-10-29 Berkin Bilgic Systems and methods for fast reconstruction for quantitative susceptibility mapping using magnetic resonance imaging
CN108780134A (zh) * 2016-03-14 2018-11-09 皇家飞利浦有限公司 移动对象的磁化率映射
CN109242849A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 医学图像处理方法、装置、系统和存储介质
CN110428415A (zh) * 2019-08-05 2019-11-08 上海联影医疗科技有限公司 医学图像的质量评估方法、装置、设备及存储介质
CN111598964A (zh) * 2020-05-15 2020-08-28 厦门大学 一种基于空间自适应网络的定量磁化率图像重建方法
CN111598963A (zh) * 2020-05-08 2020-08-28 东南大学 基于字典学习的定量磁化率成像方法及装置
CN111612866A (zh) * 2020-05-20 2020-09-01 上海交通大学 定量磁化率成像重建方法及系统、存储介质及终端

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310639A1 (en) * 2014-04-25 2015-10-29 Berkin Bilgic Systems and methods for fast reconstruction for quantitative susceptibility mapping using magnetic resonance imaging
CN108780134A (zh) * 2016-03-14 2018-11-09 皇家飞利浦有限公司 移动对象的磁化率映射
CN109242849A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 医学图像处理方法、装置、系统和存储介质
CN110428415A (zh) * 2019-08-05 2019-11-08 上海联影医疗科技有限公司 医学图像的质量评估方法、装置、设备及存储介质
CN111598963A (zh) * 2020-05-08 2020-08-28 东南大学 基于字典学习的定量磁化率成像方法及装置
CN111598964A (zh) * 2020-05-15 2020-08-28 厦门大学 一种基于空间自适应网络的定量磁化率图像重建方法
CN111612866A (zh) * 2020-05-20 2020-09-01 上海交通大学 定量磁化率成像重建方法及系统、存储介质及终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONGJIANG WEI 等: "Learning-based single-step quantitative susceptibility mapping", 《NEUROIMAGE》 *
LAI KUOWEI等: "Learned Proximal Networks for Quantitative Susceptibility Mapping", 《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION - MICCAI 2020 23RD INTERNATIONAL CONFERENCE》 *
郭红宇等: "定量磁化率重建方法探讨及其改进方法", 《生物医学工程学杂志》 *

Also Published As

Publication number Publication date
CN112505598B (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
Sun et al. A deep information sharing network for multi-contrast compressed sensing MRI reconstruction
Chen et al. Deep learning for image enhancement and correction in magnetic resonance imaging—state-of-the-art and challenges
Lee et al. Deep artifact learning for compressed sensing and parallel MRI
Lee et al. Deep learning in MR image processing
Chen et al. Pyramid convolutional RNN for MRI image reconstruction
CN111612866A (zh) 定量磁化率成像重建方法及系统、存储介质及终端
CN117223028A (zh) 用于带去噪磁共振图像重建的系统和方法
Singh et al. Joint frequency and image space learning for MRI reconstruction and analysis
Ouchi et al. Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain
Ekanayake et al. Multi-branch Cascaded Swin Transformers with Attention to k-space Sampling Pattern for Accelerated MRI Reconstruction
Fang et al. Deepsti: towards tensor reconstruction using fewer orientations in susceptibility tensor imaging
CN112085810B (zh) 脑组织自由水成像重建方法及系统、存储介质及终端
Hou et al. PNCS: Pixel-level non-local method based compressed sensing undersampled MRI image reconstruction
Ryu et al. Accelerated multicontrast reconstruction for synthetic MRI using joint parallel imaging and variable splitting networks
Yi et al. Fast and Calibrationless low-rank parallel imaging reconstruction through unrolled deep learning estimation of multi-channel spatial support maps
Liu et al. Meta-QSM: An image-resolution-arbitrary network for QSM reconstruction
Wang et al. K-band: Self-supervised MRI Reconstruction via Stochastic Gradient Descent over K-space Subsets
CN112505598B (zh) 定量磁化率成像重建方法及系统、存储介质及终端
Ryu et al. K-space refinement in deep learning mr reconstruction via regularizing scan specific spirit-based self consistency
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
Golbabaee et al. Compressive MRI quantification using convex spatiotemporal priors and deep auto-encoders
Schwab et al. Separable dictionary learning with global optimality and applications to diffusion MRI
Wu et al. Assured: A self-supervised deep decoder network for fetus brain mri reconstruction
Nimje et al. SANGRIA: one-Shot leArNinG super-ResolutIon with Adversarial training for accelerated Magnetic Resonance Imaging
Xu A Robust and Efficient Framework for Slice-to-Volume Reconstruction: Application to Fetal MRI

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