CN112639500B - 一种分析磁共振成像图像的方法 - Google Patents

一种分析磁共振成像图像的方法 Download PDF

Info

Publication number
CN112639500B
CN112639500B CN201980057435.0A CN201980057435A CN112639500B CN 112639500 B CN112639500 B CN 112639500B CN 201980057435 A CN201980057435 A CN 201980057435A CN 112639500 B CN112639500 B CN 112639500B
Authority
CN
China
Prior art keywords
fat
image
pdff
mri
cost function
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
Application number
CN201980057435.0A
Other languages
English (en)
Other versions
CN112639500A (zh
Inventor
A·巴格
D·C·赫顿
B·艾文
M·L·吉尼尔
M·罗伯逊
M·布雷迪
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.)
Perspective Ltd
Original Assignee
Perspective Ltd
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 Perspective Ltd filed Critical Perspective Ltd
Publication of CN112639500A publication Critical patent/CN112639500A/zh
Application granted granted Critical
Publication of CN112639500B publication Critical patent/CN112639500B/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
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/485—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy based on chemical shift information [CSI] or spectroscopic imaging, e.g. to acquire the spatial distributions of metabolites
    • 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
    • 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
    • G01R33/4828—Resolving the MR signals of different chemical species, e.g. water-fat imaging
    • 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
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • 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
    • 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
    • G01R33/24—Arrangements or instruments for measuring magnetic variables involving magnetic resonance for measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/243—Spatial mapping of the polarizing magnetic field
    • 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]
    • G01R33/443—Assessment of an electric or a magnetic field, e.g. spatial mapping, determination of a B0 drift or dosimetry
    • 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
    • G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种分析磁共振成像(MRI)数据的幅度以确定至少两种类别对图像的每个体素的相对信号贡献的方法，该方法包括以下步骤：使用来自受试者的图像的多回波MRI数据的仅幅度，其中所述图像是在任意定时回波处采集的，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间；通过使用多个不同的起始条件来生成针对所述多个起始条件中的每一者的特定成本函数值来将所述多回波MRI数据的幅度拟合至单信号模型，以从所述模型产生针对所述至少两种类别中的每一种的相对信号贡献的多个可能解，其中所述成本函数值与所述MRI数据的场图项无关；以及分析所述成本函数值以计算每种类别在所述图像的每个体素处的相对信号分离贡献。

Description

一种分析磁共振成像图像的方法
技术领域
本发明涉及一种分析磁共振成像(MRI)图像的方法，特别是涉及MRI信号用于分离出不同化学类别、如水和脂肪的贡献，以及质子密度脂肪分数(PDFF)估计的用途。
背景技术
形成MRI图像的数据以称为k空间的形式收集；然后将称为傅里叶变换的数学过程应用于该k空间形式，以便产生MRI图像。傅立叶变换产生作为复数的值，该复数包括实部R(x,y)和虚部I(x,y)。通常，将这些部分组合以形成幅度
Figure BDA0002958529400000011
但也存在大量使用相位的φ(x,y)＝arctan(R(x,y)/I(x,y))预先工作。显然，幅度和相位可以从实值和虚值计算出；相反，实值和虚值可以从幅度值和相位值计算出。
MRI图像将由体素集合组成。可以分析MRI图像数据以确定对于每个体素x的水量w(x)和脂肪f(x)(或其他类别)的量，这假设了那些是该体素中的唯一组织类型。这些值可用于报告比率PDFF(x)(质子密度脂肪分数)。对w、f、PDFF的估计受如稍后给出的空间变化场B0(x)或ψ(x)的影响。
多回波化学位移编码(CSE)水-脂肪分离MRI方法对于完全脂肪抑制和质子密度脂肪分数(MRI-PDFF)定量越来越可靠且可重现。这些方法利用水和脂肪的进动频率的差异来估计脂肪含量，并已针对组织学脂肪变性分级和波谱学量度进行了验证(参考文献1-23)。
迄今为止，大多数先进的CSE方法都是基于复数，因为它们同时使用MRI信号的幅度和相位，且它们通过首先估计“场图(field map)”或“场图(fieldmap)”来间接计算MRI-PDFF，该场图是(基本上不可避免的)B0不均匀性的量度(参考文献7、10、11、13、16、17、24-30)。只要可获得场图值，就可以唯一确定MRI图像体素处的水和脂肪含量及其比率MRI-PDFF。然而，场图估计是具有多重候选解或局部极小值的非平凡优化问题。收敛性对初始化很敏感，且可能、并常常导致不准确的水和脂肪测量值，常伴有主要类别的错误鉴定(‘脂肪-水交换’伪像)。为了缓解这个问题，许多场图估计算法使用空间正则化，但在匀场不良；局部磁化率(由于例如空气-组织界面)；或肝铁过载的情况下，隐含的平滑度可能不成立。
Dixon(5)利用静磁场下水和脂肪信号的进动频率的已知差异来获得独立的脂肪和水图像。这是通过采集两个图像完成的：一个图像中的水和脂肪信号被预测为同相；另一个图像是在它们被预测为异相时。该方法是基于以下假设：静磁场在任何地方都是相同的(称为B0均匀性的条件)。然而，正如文献中广泛报道的那样，在临床实践中，这种假设是不现实的。不均匀(即空间变化)称为B0“场图”，并且在数学上表示为ψ。
为了克服这一实际困难，Glover(31)提出了改进的“3-pt Dixon”方法，该方法通过进行三项采集来解决任何B0不均匀性：一项以所需的回波时间为中心；且另外两项采集在回波时间前后对称放置的。然而，由Reeder等人(11)表明，这种对称放置的采集具有较差的噪声性能。
Reeder等人(11)和US 7,176,683描述了使用回波不对称性和最小二乘估计(IDEAL)方法进行的对水和脂肪的迭代分解，通过该方法可以进行不对称采集，从而提高水-脂肪分离的噪声性能。从获取的图像中分离出水和脂肪包括两个步骤。首先，估计场图。然后，在第二步中，首先使用逐像素迭代最小二乘法估计每个像素处的水和脂肪比例。该方法使用线性最小二乘估计过程，该过程将非线性方程线性化为两步过程。
Reeder还发现(US 7,508,211)可以使用正则化类别分解在空间上组合像素值，并提出了Yu等人(24)中的示例性方法。这是基于降采样然后区域增长方案，以使相邻像素之间的场图估计相关联以便获得‘可信’场图，然后将其成为用于IDEAL处理的初始估计值。该方法假设场图正缓慢变化。
场图估计算法有时对起始“种子”的选择(参见Yu等人(24)中的区域增长方法)和噪声非常敏感，这可能导致误差在空间中传播。Soliman等人(29)讨论了用于估计场图的其他方法，其主要是通过施加各种平滑度条件(变量投影(VARPRO)、用于水-脂肪分离的经由全局区段组装进行的接合点不均匀性估计(JIGSAW)、用于多回波信号的脂肪似然分析(FLAME))。然后，他们提出了自己的Max-IDEAL，其依靠最大流算法来计算场图的初始估计值，然后其进而由IDEAL处理使用。
Yu等人(17)、Caussy等人(3)和许多其他人断言，为了获得脂肪-水分数估计值必须使用相位图像和幅度图像两者(“复数”情况)。该分数估计值涵盖了可能值的整个范围，即从0％(水)至100％(纯脂肪)。他们认为，如果使用“单独”幅度法，则存在不可避免的脂肪-水歧义性，这将导致高于50％的真实脂肪分数值变得混叠至低于50％的值(3、15、17)。现在该断言已在本领域中被普遍接受。
Yu等人(32)和US 8,373,415提出了用于多回波信号的脂肪可能性分析(FLAME)方法，该方法利用关于脂肪谱复杂性的信息来使用来自两种信号模型(即单峰模型和多峰模型)的复数来源数据和计算出的场图值来确定‘脂肪似然’图。这种方法将产生多重解。将脂肪似然图与场图上的平滑度假设和迭代区域增长算法相结合来解决水-脂肪歧义性。然而，场图优化空间包含无限个极小值，且在非对称回波的一般情况下不需要是周期性的。此外，噪声可能破坏成本函数值，从而改变全局极小值和局部极小值，从而导致不准确的脂肪分数估计。
US 8,957,681 B2描述了在同相和反相(IP/OP)回波采集的特定情况下，仅通过拟合同相回波的幅度来消除水-脂肪歧义性，前提是使用具有多个峰的脂肪模型。在第二顺序步骤中，使用异相回波来精修和改善第一步中仅使用同相回波获得的图像的信噪比。然而，使用顺序IP/OP采集存在一些已知的缺点，尤其是长的扫描时间和其噪声性能及其对PDFF的依赖性，对于非对称回波，这些问题就较少考虑(11)。另外，顺序IP/OP采集在快速信号衰减的情况下(例如，由于肝铁过载)导致较差的SNR，这是因为仅少量的回波对应于信号而不是噪声(33)。
US 10,359,488 B2和Zhong等人(34)中该方法的实例提出了一种两步式程序，其目的是避免脂肪-水交换，并且可以使用复数拟合或幅度拟合。在第一步中，获得一组水和脂肪测量值(分别为Mw1和Mf1)。然后，将这些测量量‘交换’(Mw2＝Mf1且Mf2＝Mw1)，并评价它们的成本函数，并且选择具有更好拟合度的一组水和脂肪测量值作为该方法的输出。
其他工作例如US 10,359,488 B2尝试在第一步中估计组织受试者的弛豫特性，诸如R1、R2或PD，并且在第二步中，在对水R1、R2和PD的固定假设的情况下将这些弛豫特性反馈到组织模型中，以便鉴定不同于水的组织类型对信号的贡献。在US 10,359,488 B2中，组织分离是后处理步骤，其需要关于水弛豫参数的经验假设。
图1展示了使用不同处理技术获得的各种不同的MRI PDFF图像。左上方图(a)示出了使用已知IDEAL方法获得的MRI图像，该方法使用所有复数数据，即幅度和相位数据来产生图像。该图像也是使用区域增长正则化算法产生的，并且显示区域增长正则化算法在特定情况下可能是不利的，其中图像(a)之间可能存在误差传播，从而导致脂肪-水交换伪像；在那些情况下，可以使用没有区域增长正则化的原始IDEAL处理(图像b)。图像(c)示出了仅使用幅度数据从IDEAL处理方法得到的图像。图像(d)是差异图像，并且如由差异图像(d)所示，皮下脂肪估计值被混叠至低于50％的值。这导致幅度-IDEAL方法成为数据分析员的最后一个首选选项，并且是基于幅度的方法通常不受欢迎的主要原因。
虽然如上讨论的基于复数(CSE)的方法得到了广泛使用，但它们假设了相位图像的可用性和可靠性，并且虽然这在研究环境中可能是合理的假设，但对于特定的扫描仪制造商和型号，这通常在一般临床实践中是挑战。这可能会阻止将基于复数的方法用作单一标准化的跨供应商方法。通常，相位信息在临床实践中不容易获得，或者如果其可获得，则其可能是不可靠的。这部分归因于数据的实部和虚部的误差。例如，如果实部R(x,y)的误差为dR，并且虚部I(x,y)的误差为dI，则相位数据dP的相对误差将远大于幅度数据dM的相对误差。
由于这些原因，已经提出了基于幅度的(或仅幅度的)方法。除了对相位误差不敏感外，基于幅度的方法的主要优点是它们不需要先前的场图估计(或可能传播误差的任何相关假设)，从而实现直接的MRI-PDFF估计。然而，由于无法确定超过50％的MRI-PDFF值的看法，因此幅度方法的采用一直受到限制：这被称为幅度相关的水-脂肪歧义性。本质上，脂肪占主要像素(例如腹部成像中的皮下脂肪区域)将被混叠至低于50％的MRI-PDFF值并显现‘交换’，这(a)在先前没有关于被成像身体的信息时，可能误导诊断，且(b)可能损害临床医生考虑肝脂肪估计值的信心。然而，因为相位误差由于例如涡电流可能在临床上影响MRI-PDFF测量值，所以已经建立了混合法：可以首先使用基于复数的估计来在完全动态范围(0-100％)上解析MRI-PDFF，然后基于幅度的估计来精修估计值。
虽然对于肝实质内的体素而言，脂肪-水分数几乎总是低于50％，但对于对应于(例如)内脏脂肪的体素而言，该分数通常远高于50％。在现行实践中，在完全动态范围(0-100％)内的脂肪分数估计值的计算依赖于使用相位数据和准确的场图估计。然而，(i)在临床实践中常常出现相位失真，和/或(ii)相位信息可能不可靠，或者在许多情况下根本不可获得。相比之下，幅度数据总是可获得的，并且几乎总是可靠的。
Bydder等人(15)提出了具有增加的复杂度水平的不同信号模型，该信号模型仅使用幅度数据来估计脂肪分数。这些模型受制于已知的幅度相关的水-脂肪歧义性。
基于多回波信号幅度，当前类别分离方法要求(a)在拟合过程中使用至少两个信号模型；(b)基本上同相的回波时间，或(c)关于被成像的受试者的预先了解(以避免真实收敛值与混叠估计值之间的混淆)。
发明内容
根据本发明第一方面的示例实施方式，提供了分析来自受试者的采集MRI图像的磁共振成像(MRI)数据的幅度以确定至少两种类别对所述图像的每个体素的相对信号贡献的方法，所述方法包括以下步骤：使用来自所述受试者的图像的多回波MRI数据的幅度，其中在任意定时回波处采集所述图像，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间；通过使用多个不同的起始条件来生成针对所述多个起始条件中的每一者的特定成本函数值来将所述采集的多回波MRI数据的幅度拟合至单信号模型，以从所述模型产生针对所述至少两种类别中的每一种的相对信号贡献的多个可能解，其中所述成本函数值与所述MRI数据的场图项无关；以及分析所述成本函数值以计算每种类别在所述图像的每个体素处的相对信号分离贡献。
优选地，对所述成本函数值的所述分析包括以下步骤：将所生成的成本函数值进行比较以确定哪个是所述信号分离的正确解。
进一步优选地，将所述类别的最低成本函数值确定为所述信号的正确解。
在本发明的实例中，使用模型拟合算法将所述多回波MRI数据的幅度拟合至所述单信号模型。所述模型拟合算法可以是最小二乘估计、迭代再加权最小二乘、最小截尾二乘、或使用m估计器或s估计器的其他鲁棒方法中的实例，其中任何一种都可以与零个、一个或多个正则化项组合。
在本发明的实例中，所述单信号模型包括所述至少两种类别中的一种的谱模型，所述谱模型具有多于一个谱分量。
优选地，所述单信号模型包括弛豫时间量(T1、T2、T2 *)中的至少一个以校正信号衰减。
在本发明的实施方式中，所述弛豫时间量的起始条件值在物理可观察到的范围内。优选地，T2 *弛豫时间量的起始条件值在1至100ms之间。进一步优选地，T2 *弛豫时间量的起始条件值在1.5特斯拉下在20至30ms之间。可替代地，对于3.0特斯拉操作，T2 *弛豫时间量的起始条件值在10至15ms之间。
在本发明的实例中，所述方法进一步包括使用所述类别信号贡献来生成示出针对每种类别的结果的单独图像的步骤。
优选地，对所得图像中的一个或多个进行后处理。
在本发明的实例中，将所分离的类别贡献用于估计场非均匀性(‘场图’)项。
在本发明的优选实施方式中，将所估计的弛豫量用于估计场非均匀性(‘场图’)项。
进一步优选地，所述至少两种类别包括水、脂肪、超极化造影元素或此类元素的代谢物、或针对癌细胞或恶性细胞的存在的标志物中的至少两种。
在本发明的实例中，将所述方法应用于体模模型的采集的MRI数据。
在本发明的实例中，将所述方法应用于人类组织的采集的MRI数据，所述人类组织包括来自肝脏、胰腺、肾脏、脾脏、心脏、肌肉或脂肪组织中的至少一种的组织。
在本发明的实例中，使用某一体素中的成本函数值来更新所述体素中至少一种类别的存在的似然图。
根据本发明的另一方面，还提供了图像处理系统，所述图像处理系统布置成用于分析来自受试者的采集MRI图像的磁共振成像(MRI)数据的幅度以确定至少两种类别对所述图像的每个体素的相对信号贡献，所述图像处理系统包括布置成以下的至少一个处理设备：使用来自所述受试者的图像的多回波MRI数据的幅度，其中在任意定时回波处采集所述图像，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间；通过使用多个不同的起始条件来生成针对所述多个起始条件中的每一者的特定成本函数值来将所述多回波MRI数据的幅度拟合至单信号模型，以从所述模型产生针对所述至少两种类别中的每一种的相对信号贡献的多个可能解，其中所述成本函数值与所述MRI数据的场图项无关；以及分析所述成本函数值以计算每种类别在所述图像的每个体素处的相对信号分离贡献。
根据本发明的一方面，提供了非暂时性计算机程序产品。所述非暂时性计算机程序产品具有存储于其中的可执行程序代码，所述程序代码可操作用于根据上文所述的任何方法分析MRI数据的幅度。
所述非暂时性计算机程序产品包括来自包括以下的组中的至少一种：硬盘、CD-ROM、光学存储设备、磁存储设备、只读存储器ROM、可编程只读存储器PROM、可擦除可编程只读存储器EPROM、电可擦除可编程只读存储器EEPROM和闪存。
本发明的实例涉及仅基于多回波信号的幅度的类别分离方法，所述类别分离方法仅使用幅度数据，并且不需要任何相位信息。所述方法使用生物学上准确的信号模型，并且其体现了多点搜索优化。本发明的模型能够在完全动态分数范围(0％-100％)上解析主要类别，并且其不需要使用同相回波或多于一个信号模型，也不需要关于被成像身体的任何信息。
现有方法(如引言中所述)首先估计B0(x)，然后估计w(x)。相比之下，本发明方法可以直接估计w(x)，从而克服了引言中讨论的现有方法的问题。
在本发明的优选实施方式中，仅使用幅值图像，类别的估计值(在本发明的优选实例中，所述类别是脂肪和水)不依赖于初始估计的场图。因此，脂肪和水的估计值对于由任何场图估计过程而导致的不确定性或不准确性将是基本上不变的。此外，不需要相位图像即可实现在完全动态范围内的脂肪分数估计值。然而，本领域熟练的技术人员可以注意到，后来可以估计场图，以便改善在拟合MRI数据的幅度时获得的图像的信噪比。以下所述方法使用户能够选择回波时间和回波间隔的任意组合，包括其中水和脂肪彼此未实质同相的至少一个回波时间。也就是说，本发明方法不限于特定的回波组。如上所述，主要目的类别是脂肪和水，但是本发明也可以用于其他类别，包括硅酮、超极化造影元素(诸如碳13、氙-19和氦-3)、此类超极化造影元素的代谢物以及可以是指示肿瘤、癌症或其他恶性物质的有机物质(包括例如丙酮酸和乳酸)。
附图说明
将参考附图仅通过举例来描述本发明的另外细节、方面和实施方式。在附图中，相同的参考标号用于标识相同或功能上相似的元素。图中的元素是为了简化和清楚而示出的，并且不一定按比例绘制。
图1展示了使用现有技术获得的MRI PDFF图像；
图2示出了示例性成本函数值图；
图3是脂肪的频谱；
图4使用谱峰和回波偏移展示了幅度相关的水脂肪歧义性；
图5展示了在本发明的实例中使用的示例性成本函数值图；
图6展示了使用本发明方法获得的示例性MRI PDFF图像；
图7示出了使用本发明方法获得的MRI PDFF图像；
图8示出了针对在不同条件下获得的图像的测量PDFF与真实PDFF之间的关系；
图9是示出了本发明方法中所涉及的步骤流程图；
图10示出了现有技术测量值与使用本发明获得的测量值之间的一致性(绝对值和Bland Altman)；
图11比较了从现有技术方法和本发明方法获得的MRI PDFF图像；
图12示出了现有技术方法的场图和MRI PDFF图像，以及使用本发明方法获得的MRI图像；
图13示出了使用现有技术方法和本发明方法获得的场图、MRI PDFF图像和分布；
图14示出了使用现有技术方法和本发明方法获得的场图、MRI PDFF图像和分布。
具体实施方式
现将参考附图来描述本发明，在附图中，展示了用于分析来自MRI图像的仅幅度数据的方法和装置的实例，所述MRI图像是在任意定时回波处采集的，所述任意定时回波其中水和脂肪彼此未实质同相的至少一个回波时间。在该方法中不需要相位信息。然而，应理解，本发明不限于本文所述的以及如附图所展示的具体实例。
此外，因为本发明的所展示实施方式在极大程度上可以使用本领域技术人员已知的电子部件和电路来实现，因此为了理解和了解本发明的基本概念并且以便免混淆或干扰本发明的教导内容，将认为不必要比如下展示的更详细地说明任何细节。
如上所讨论，用于MRI图像中类别(其中类别优选是水和脂肪)分离的大多数方法是基于复数数据，即它们依赖于幅值和相位数据两者的可用性来估计场图，然后使用所述场图来估计图像中的水和脂肪组分。
可以在弛豫期间在多个回波时间ti处采样含有水、脂肪和铁(或其他类别)的单一体素处的磁共振信号si。对于一般的复数值信号，已经提出了以下相位约束模型：
Figure BDA0002958529400000091
其中ρw和ρF分别是未知的水和脂肪量，并且
Figure BDA0002958529400000092
是未知的弛豫量。ρw和ρF是具有相关联的相位项
Figure BDA0002958529400000101
和
Figure BDA0002958529400000102
的实值变量，其中φw＝φF＝φ0可以是假设的。
在以上的方程式中，si实际上是si(x)，并且ρw是ρw(x)，但是空间参数(x)的明确提及使方程式混乱，并且因此惯例是将x隐藏在方程式中。
场图ψ被建模为相移。信号进一步受到噪声(ni)的影响，通常在随后的推导中将其忽略，这隐含地假设了足够高的信噪比(SNR)采集。PDFF可以使用下式从水量和脂肪量计算出：
Figure BDA0002958529400000103
项
Figure BDA0002958529400000104
是具有P个峰的多峰脂肪谱模型：αp是脂肪峰p相对于水峰幅度的幅度，并且fp是脂肪峰p相对于水峰的进动频率(以Hz计)的差异(16、38)。通常的做法是，假设针对所有p的值{αp、fp}是经验已知的并且在整个图像中是恒定的。
所谓的无法使用基于幅度的水-脂肪分离方法来确定超过50％的PDFF值被称为‘脂肪-水歧义性’挑战，并且可以在数学上进行解释(Bydder等人,2008；Yu等人,2011)。在基于幅度的方法的情况下，以上的方程式1(其中|a|是指a的量值)必须针对给定的一组回波信号si进行优化，
Figure BDA0002958529400000105
如预期的那样，相位项消失，场图参数也消失。
需注意，对于MRI图像中每一个体素都有一组方程式，并且目标是估计针对图像中每个体素的脂肪-水分数
Figure BDA0002958529400000106
分数(以％表示)。在有问题的仅幅度公式中，没有场图项(其从复数变型中是常见的)，因为通常将B0不均匀性建模(在每个体素处)为恒定相移。
为了说明基本问题，我们暂时假设将脂肪建模为具有单峰(p＝1)的谱，使得
Figure BDA0002958529400000107
变为
Figure BDA0002958529400000108
其量值
Figure BDA0002958529400000109
现方程式1变为
Figure BDA00029585294000001010
据报道为基于幅度的方法固有的脂肪-水歧义性在方程式2中立即明显，因为互换ρw和ρF并不会改变方程式的值(Yu等人，2011)。即使实际上只有一个“真实”解{ρw,ρF}t，另一个是混叠解{ρw,ρF}a，两个解也同样有效。
这两个解是简单相关的，因为PDFFa＝100％-PDFFt成立。需注意，R2 *对于两个解是相等的。我们可以针对以下模拟优化空间：给定的场强(1.5T)；任意一组回波({1.2,3.2,5.2,7.2,9.2,11.2}ms)；和真实值{PDFF,R2 *}t＝{75％,45s-1}。选择该场强作为通常可用的MRI扫描仪的强度，其中认为3T是“高场”。通过生成真实的无噪声信号si{PDFF,R2 *}t，并且然后将真实信号与在空间中每个可能{PDFF,R2 *}点处生成的信号进行比较，可以产生‘成本函数值’的连续图。
图2示出了当使用基于幅度的估计时，当优化空间降低至二维(可以将ρw和ρF合并为PDFF以进行降维，从而实现可视化；以及R2 *)时，在不同条件下获得的成本函数值图的实例。图2(a)示出了其中将脂肪建模为单峰谱的最简单情况。在这种情况下，存在无法解决的脂肪-水歧义性，其反映为优化空间中的对称性。图2(b)是将脂肪建模为多峰谱时的结果。如在该图像中看出的，歧义性仍然存在并反映为局部极小值，但是在图像中不再存在关于PDFF＝50％的对称性。使用本发明的多点搜索优化，可以在不同的初始条件下解决图2(b)中的歧义性，其中图2(c)的图像的右上象限中的点指示所选择的解。
当假设脂肪谱由单一峰组成时，将存在两个极小值{ρw,ρF}t和{ρw,ρF}a，另，并且无法解决的歧义性将反映为如图2(a)中所示的对称优化空间。通过优化算法发现这两个局部极小值的机会将由初始条件确定并对其敏感。具体地，如果像先前报道的方法中几乎总是这样的，将算法接近于PDFF＝0％初始化，则它将总是收敛至低于50％的值。
现在假设将脂肪更实际地建模为具有多峰谱，例如如图3中所示(p＝6；Hamilton等人,2011)，则在方程式1中，
Figure BDA0002958529400000111
将不再等于1，并且互换ρw和ρF将改变方程式2的值(Yu等人,2011)。在优化空间中，‘交换’解{ρw,ρF}a现在显现为局部极小值，其中PDFFa≠100％-PDFFt；现在，这两个解中的收敛R2 *将是不同的(如图2(b)中所示)。需注意，在这种多峰情况下，接近PDFF＝0％初始化的优化算法仍将收敛至低于50％的值。相反，接近PDFF＝100％初始化的同一优化算法将收敛至大于50％的局部解。现在，可以通过比较两个极小值(用至少两组不同的初始条件实现的)处的成本函数值并选择在最低成本函数值下的解来解决这种歧义性(图2(c))。
在本发明的实例中，我们使用多峰谱模型，优选地所述谱是针对脂肪的，其中P＝6，因为这是文献中最常用的值，然而可以使用针对两种类别中的至少一种的谱模型，只要所述模型具有多于一个谱分量。现在，我们可以通过将回波采样偏移一个已知的偏移量δ来远离同相采集；使得ti＝(i-δ)/Δf；δ＝0.5因此意指反相采集。参考图4对此进行了展示。该图的左侧栏是使用具有可变P量的同相回波的结果，而右侧栏是针对根据本发明的实例使用可变的任意定时回波且P＝6的结果的。即，使用了多回波MRI数据的仅幅度，其中在任意定时回波处采集MRI图像，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间。顶行示出了针对水占主要体素(PDFF 10％)的图，中间行示出了针对脂肪占主要导体素(PDFF 90％)的结果。虽然对于大量的δ，PDFF可能解析在0-100％范围内，但对于渐增的δ显现局部极小值；一般来讲，对于回波时间的不对称组合，PDFF和R2 *的物理范围存在两个局部极小值(图6右侧栏中的图)。需注意，接近0％PDFF初始化的优化算法对于水占主要体素将收敛至正确解(图5右侧的顶部和底部图像)，但是它们对于脂肪占主要体素将收敛至局部极小值(图5右侧的第2和底部图像)。先前在文献中描述的基于幅度的估计方法始终表现出这种行为，其中>50％真实PDFF值混叠至低于50％的解。应理解，只要P>1，在此公开的方法就起作用。如果1＜P＜6，则我们寻求的极小值不太明显。如果P>6个非常低的额外谱峰(例如，给出第6个峰相对于第一个峰的高度)，则因为MRI数据是离散的、相对粗略地采样并且易受噪声影响，所以几乎没有或没有附加益处。
现在可以解决幅度相关的水-脂肪歧义性，因为使用提出的幅度多峰模型，局部极小值处的解现在具有比真实解更高的成本函数值。我们提出了多点方法，其旨在探索两种可能解，并解决对于任意定时回波的幅度相关的水-脂肪歧义性，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间。
概括地说，可以通过使用以下来解决经典的基于幅度的相关脂肪-水歧义性挑战：
仅幅度数据，以将可能极小值从许多(使用需要幅度和相位两者的基于复数的方法；参见参考文献24)个减少至两个可能极小值；
多峰脂肪谱建模，以打破对称性且因此使两个可能极小值可区分；以及
确保探索两个极小值的优化技术，以比较两个解下的成本函数值并选择与最低成本函数值相关联的解。
我们的方法已应用于不同临床病例的示例范围，并评价了其对人工制品的准确性、精确性和稳定性(尤其是脂肪-水交换)。
针对两组不同的数据，相对于现有技术IDEAL方法的内部实现在体内测试了本发明的基于幅度的方法(MAGO)的准确性，其中内部IDEAL(LMS IDEAL)方法被认为是参考标准。先前已将LMS IDEAL针对体模数据和一组体内数据进行了验证。
为了确保探索两个可能解，需要将水量和脂肪量的初始值在至少一次算法运行中组合为低PDFF，并在至少另一次运行中组合为高PDFF。松弛量R2 *的初始值可以在所有运行中设定在生理上期望的范围内。给定的收敛解集(ρw,ρF,R2 *)相关联非成本函数值，具有表达式成本函数值
Figure BDA0002958529400000131
其中
Figure BDA0002958529400000132
是在方程式2中使用收敛解集(ρw,ρF,R2 *)的估计信号。
需注意，成本函数值的此定义与场图无关。我们将最低成本函数值下解选择为每个体素处的解，但是可以将其他极小值保留为替代性解。
使用Matlab程序(The MathWorks,Inc.)中的lsqcurvefit函数实现了本发明基于幅度的方法的实例。可替代性地，可以使用ITK(www.itk.org)使用编译的C++例行程序执行该方法。对数据进行两次非线性拟合，每次对数据使用一组不同的初始条件。如上所讨论，数据是来自受试者的图像的多回波MRI数据的仅幅度，其中在任意定时回波处采集该图像，该任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间。在本发明的优选实施方式中，当进行幅度数据至单一信号模型的拟合时，可以在单一步骤中使用所有回波。
优选地，使用估计模型将多回波MRI数据的幅度拟合至单信号模型。在本发明的优选实例中，这使用以下中的一个或多个：正则化最小二乘估计；迭代加权最小二乘估计；m估计器或s估计器。可替代地，可以使用其他估计模型来将MRI数据拟合至单信号模型。
先计算出复数值向量
Figure BDA0002958529400000141
并将所述值用于所有体素和优化期间。这三个未知参数ρw、ρF和R2 *是从两组不同的初始值估计的。将信号弛豫参数的两个首次估计值均在的生理意义范围内设定为R2 *＝50s-1。在本发明的实例中，使用至少一个弛豫时间量Tn *来校正信号衰减，并且所述至少一个弛豫时间量优选地在1至100ms之间的物理可观察到的范围内，还进一步优选地，当操作场强是1.5特斯拉时其在20与30ms之间。可替代地，对于3特斯拉的场强，时间量可以在10至15ms之间。如果未同时估计PDFF和R2 *(如它们在已知IDEAL方法中那样)，则PDFF可能不准确，因为它无法校正R2 *衰减，并且R2 *也可能不准确，因为它无法校正脂肪的存在。此外，PDFF和R2 *可能不太具有鲁棒性，并且依赖于采集参数，例如所选择的回波数。先前研究(31)已使用模拟和体内数据显示了这种效果。
水量和脂肪量的初始估计值如下：在第一运行中{ρw,ρF}1＝{1000,0}，并且在第二次运行中正相反即{ρw,ρF}2＝{0,1000}，所以PDFF1＝0％和PDFF2＝100％。这些初始条件的缩放是根据经验选择的，以考虑整个采集设定中的不同扫描仪增益。对于每次运行，在每个体素处获得两个解集(ρw,ρF,R2 *)，如图6中所示。
第一和第二收敛解具有两个相关联的成本函数值。成本函数值具有表达式成本函数值
Figure BDA0002958529400000142
其中
Figure BDA0002958529400000143
是在方程式2中使用解集(ρw,ρF,R2 *)的估计信号。需注意，成本函数值的定义也与场图无关。选择具有最低成本函数值的解集作为每个体素处的“正确”解，而保留其他解作为替代性解，并计算
Figure BDA0002958529400000144
图。
从第一步中，获得了两个收敛的数据集，其中假定其中一个数据集是真正解。这两个解中的每一个都具有成本函数值的相关平方2-范数。基于这些成本函数值分配每个体素处的最终解，其中选择与最低成本函数值相关联的收敛集。替代性解被存储。与场图估计问题类似，在这一点上没有强加任何附加条件(尽管本领域熟练的技术人员可能想到许多使相邻体素相关并在决定步骤处进一步改善拟合的技术)。
图6示出了在典型情况下本发明的仅幅度实现的实例的中间结果和最终结果(来自Uniklinik Ulm)。在每种情况下，所述方法使用来自受试者的图像的多回波MRI数据的幅度，其中在任意定时回波处采集所述图像，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间。
第一PDFF图(图6a)独立地关联每个体素处的第一收敛解，并且在用任意回波组合(包括其中水和脂肪彼此未实质同相的至少一个回波时间)采集的一般情况下，显然与两个可能PDFF极小值中的较低者相关联。第一张PDFF图示出了含有在0-20％范围内的PDFF值的皮下脂肪区域，而肝脏内的PDFF值在似合理范围内。需注意，来自单独解1的PDFF图类似于来自常规基于幅度的方法的输出PDFF图。另一方面，第二PDFF图(图6b)与两个可能PDFF极小值中的较高者相关联。该图示出了不现实高的肝脏PDFF值，但皮下脂肪正确估计。可以比较两个解的成本函数值，并将其用于独立地选择每个体素处的最可能的正确解；此步骤允许解决幅度相关的水-脂肪歧义性。可能的情况是，具有相似PDFF值的两个空间上独立的体素具有显著不同的绝对成本函数值(参见图6d中的皮下脂肪)；它是在比较的相同位置处从解1到解2的成本函数的相对值。对于此特定采集，成本函数值之间的差异可能超过一个数量级，因此水-脂肪分离是高度鲁棒性的，且不需要任何连通性分析。然而，在本发明的一些实例中，可以处理图像，且可以进行连通性分析或其他分析。
首先使用可公开获得的28次体模采集数据集来评估本发明的所述方法(http://dx.doi.org/10.5281/zenodo.48266)。在1.5T和3T下使用两种不同的六回波梯度回波方案在不同的站点(Philips、Siemens和GE Healthcare)对包含总共11个具有花生油和水混合物的小瓶的体模(PDFF：0％、2.6％、5.3％、7.9％、10.5％、15.7％、20.9％、31.2％、41.3％、51.4％、100％)进行扫描：方案1是接近同相/反相采集(在1.5T下TE1≈ΔTE≈2.30ms并且在3T下TE1≈ΔTE≈1.00ms)，且方案2旨在尽可能短的回波(在1.5T下TE1＝1.10-1.20ms且ΔTE≈2.00ms并且在3T下ΔTE≈1.15ms)。将采集设计为具有小回转角(2°-3°)，以最大程度地减小T1偏差以及组合的单极和双极读出。
复数值数据可用于所有采集，但是为了评估本发明的仅幅度方法，将相位信息丢弃。信号模型使用针对室温影响校正的六峰值花生油脂肪谱(22℃，以ppm计的相对频率[0.50 -0.49 -2.04 -2.70 -3.50 -3.90]，相对幅度[0.048 0.039 0.004 0.128 0.6940.087])。手动放置15mm直径ROI，并将其用于从中央切片中提取针对每个体模小瓶的中位值。相对于设计的体模浓度绘制中位MRI-PDFF值，并进行线性回归以与可用的IDEAL结果进行比较。
图7示出了针对所有位点、采集方案和场强从所有11个体模小瓶上放置的ROI提取的中位PDFF值。图7(a)是根据Hernando的现有技术方法的PDFF结果，图像(b)是使用本发明的方法，并且图像(c)是图像之间的差异。体模采集中的方案1和方案2使用了其中水和脂肪未实质同相的至少一个回波时间：在方案1中，这些将是反相回波中的任一个；在方案2中，这些将是存在的大多数回波，因为回波不是根据水和脂肪共振频率偏移而定时的。
线性回归结果在图8中定性显示，并且在表1中在基础真实值与设计体模浓度之间的斜率、截距和R平方一致性方面定量示出。
表1
Figure BDA0002958529400000161
Figure BDA0002958529400000171
进行线性回归，从而区分场强(1.5T和3T)与方案(方案1和方案2)，并在各位点上求平均。代表性采集示于图7a中，其中PDFF图从现有方法获得并也用本发明的方法计算，报告了方法之间的优异逐体素一致性(需注意-1％至1％缩放)，以及类似的噪声性能，即使MAGO使用了一半的可用信息(仅幅度数据)。表1将来自下载的PDFF图的结果与计算结果进行比较，并报告了在体外两种方法之间的优异一致性和高准确度(需注意，高R平方系数，斜率接近于1且截距接近于0)。这鼓励了将MAGO方法用于六回波采集方案的可行性。
在本发明的该实例中，所述方法能够在所有情况下解决PDFF＝50％后的幅度相关的水-脂肪歧义性，这主要反映在100％体模小瓶结果中，并且未使0-50％PDFF范围上的准确性受损。一般来讲，相比于方案1数据在方案2数据上，并且相比于1.5T数据在3T数据上报告出方法之间以及MAGO与基础真实值之间的更高一致性。
研究受试者
在本发明方法的实例中，将两个不同的测试数据集用于体内测试，每个测试集具有不同的目的。第一测试集是验证集，其具有来自健康志愿者的更多可控的、可靠的幅度和相位数据以相对于充当参考方法的基于复数的LMS IDEAL标准评估新方法的准确性。第二测试集探索了所述两种方法对广泛的实际采集条件的鲁棒性，所述两种方法可能输出不太可靠的数据并导致伪像的存在。
在本发明的实例中使用的初始测试集由来自UK Biobank的单切片方案采集组成，所述单切片方案采集使用Siemens 1.5T MAGNETOM Aera，并且由N＝186名名义上健康的志愿者组成，该志愿者具有预期的低铁和低脂肪含量值。提及的方案具有6个回波，其中回波时间＝{1.2,3.2,5.2,7.2,9.2,11.2}ms。由于没有自动分割掩模，丢弃8种情况(其将在数据分析中变得相关)。
图9示出了如针对测试集进行的数据分析流水线。在101处，将基于幅度的算法实现应用于每个数据集中的每种情况。在102处，使用肝脏分割掩模来绘制肝脏内PDFF/T2*的中位值。这类似于数据分析员从手动放置的ROI中绘制中位值的方式。将报告值与参考处理方法进行比较，以评估基于幅度的方法的偏差和精度(Bland-Altman图)。然后，在103处，使用自动肝脏分割掩模来绘制肝脏掩模内的PDFF和T2*直方图型分布。以与由数据分析员报告PDFF/T2*值(3个手动放置的ROI的中位值)的类似的方式，在104处报告PDFF和T2*分布的中位值。然后将这些值在105处与来自LMS IDEAL的参考值(也是从相同肝脏分割中绘制的中位值)进行比较。
结果
验证(Biobank测试集)
将从基于幅度的PDFF和T2*输出图绘制的中位值与参考值进行比较。图10示出了对于PDFF和T2*报告值的绝对比较(顶部图像)和Bland-Altman图(下部图像)。对于联合的分析情况，计算出95％的置信区间(CI)。对于PDFF，95％CI是(0.052±0.102)％。对于T2*，95％CI是(0.053±0.291)％。基于复数的LMS IDEAL与基于幅度的方法之间的差异在所有情况下均小于0.5％PDFF点，并且在所有情况下均小于1ms T2*。
来自Biobank群组的一组典型图像以及针对PDFF测量的Bland Altman图示于图11。参考LMS IDEAL方法图像(左侧图像a)与重叠的自动分割掩模一起示出。本发明的基于幅度的方法产生图像(b)。差异图像示出为图像(c)。其展示出皮下脂肪区域中基于复数的方法与基于幅度的方法之间的小(＜1％PDFF)差异，这证明本发明的基于幅度的方法能够在完全动态范围(0-100％)内准确地估计PDFF。需注意，与基于幅度的方法图像相比，场图上的在先平滑度使LMS IDEAL图像看起来更平滑。比较所有N＝178个中位PDFF测量值的Bland-Altman图(图像11(d))示出了重建方法之间的优异无偏一致性。
图12示出从Leiden站点的Philips Ingenia 3T多切片情况获得的MRI PDFF图像和场图，该图像呈现LMS IDEAL中的显著脂肪-水交换伪像，这是由可能由于不可靠的相位信息而导致的不正确场图估计而引起的。此图示出了不一致的相位信息对场图估计和随后的基于复数的方法LMS IDEAL的PDFF图计算的影响。
场图逐段收敛至局部极小值(行a)在LMS IDEAL PDFF图中引起可观察到的脂肪-水交换伪像，所述伪像在整个图像中传播(行b)，特别是在肝脏区域和皮下脂肪中，而且还在脾、脊柱和降主动脉中。
来自MAGO的PDFF图(本发明的方法)没有显示出脂肪-水交换的迹象，并且仍然能够在完全动态范围0-100％上解决幅度相关的水-脂肪歧义性(行c)。本发明的仅幅度方法(底行)看起来对此类误差是具有鲁棒性的，并且能够解决所有切片中的幅度相关的水-脂肪歧义性。
图13显示了从Coimbra站点的Siemens TrioTim 3T切片获得的场图、MRI PDFF图像和分布。这在LMS IDEAL中呈现出在皮下脂肪后部区域中的脂肪-水交换伪像。相位误差似乎也传播到肝脏，由差异图像(d)LMS IDEAL-MAGO所显示，但在许多情况下可能无法察觉。我们预期肝脏掩模内的PDFF值呈正态分布直方图(图13d，e)，并且噪声分布在中位值附近呈现较高散布。同时从自动完整肝脏分割中报告的中位PDFF值一致(LMS IDEAL中为11.11％PDFF，MAGO中为11.07％PDFF)。
图13还示出场不均匀性对使用LMS IDEAL和本发明的仅幅度方法的PDFF图估计的影响。来自基于复数的LMS IDEAL方法的场图图像(a)示出了后部区域的混叠，其在LMSIDEAL PDFF图(b)中反映为显著的脂肪-水交换伪像，这主要影响皮下脂肪，但也影响个体的肌肉和左臂(图像中的右侧)。本发明的仅幅度方法的PDFF图(c)没有显示出脂肪-水交换伪像的迹象，并且在完全动态范围0-100％上解析PDFF。高场强下的相位误差通过散斑图反映为PDFF差异图像(d)，并且反映为与仅幅度分布(f)相比肝脏掩模内LMS IDEAL PDFF值的较宽分布。在这种情况下，中位全肝脏PDFF值仍对观察到的变异性是相当鲁棒性的，这已通过两种方法的报告PDFF测量值(LMS IDEAL PDFF＝11.11％，本发明的仅幅度方法PDFF＝11.07％)来证明。
图14示出了来自RADIcAL情况(Uniklinik，Siemens Skyra 3T)的上部切片的结果。MRI PDFF图像示出了场不均匀性和相位误差对通过LMS IDEAL现有技术方法(图像a和b)和本发明的MAGO(仅幅度)方法(图像c)所报告的PDFF测量值的影响。
来自基于复数的LMS IDEAL方法的高场图值(a)在LMS IDEAL PDFF图(b)中引起肝脏区域内的噪声图案，所述噪声图案在MAGO PDFF图(c)中不太明显。本发明的方法在完全0-100％动态范围上解析PDFF，但是图(图14(e)和(f))已重新缩放为0-50％以了解肝脏中的局部伪像纹理，其还在差异图像(d)和体素强度的直方图分布(e，f)中示出。差异图像(d)显示出一致性，其中场图已收敛至较低值。可以看出，两种分布具有相同的体素计数，因为它们是从相同的自动分割掩模中绘制的。在这种情况下，手动校正自动分割掩模的边界。中位全肝脏PDFF值显著不同(LMS IDEAL PDFF＝9.35％，MAGO PDFF＝10.97％)。
需注意，与LMS IDEAL场图估计步骤上的平滑度约束相反，本发明的仅幅度的方法不在任何处理阶段应用平滑化。在现有技术方法中，可以通过在特定域上进行正则化来解决歧义性，而本发明的方法不需要此举。当然，这并不意指不应将空间正则化与本发明的MAGO方法结合使用；例如，其在低信噪比情况下可能是有用的。以上针对本发明呈现的结果没有使用空间正则化来提供性能的“基本情况”。显然，可以基于例如Markov随机场，在MAGOPDFF图像中添加更复杂的空间正则化方法。
通常，脂肪(或其他类别)可能均质分布在器官(诸如肝脏)中，或者可能异质分布。如果类别分布均匀，则穿过器官的单一切片的MRI PDFF图像将代表整个器官中的该类别。然而，如果类别异质分布在器官中，则这可能具有临床意义，且如果将图像用于临床或手术决策，则在整个器官中获得准确的MRI PDFF图像非常重要。本发明的方法可用于提供针对脂肪(或其他类别)异质分布的器官的多个切片的MRI PDFF图像。
概括地说，本发明方法具有以下特征。首先，该方法仅使用幅度数据：这将减少要估计的变量数量，并且在生理上有意义的搜索空间内将局部极小值减少到仅两个。该方法还使用至少一种类别的多峰谱模型：这使得能够通过置换混叠解并降低其相关联的成本函数值来解决类别歧义性。另外，该方法使用多点搜索步骤并比较至少两个解的成本函数值：这使得能够使用至少两组初始条件来探索两个解。
MRI CSE方法在以下方面在临床上已变得越来越重要：(a)鲁棒的水-脂肪分离–包括完全的多峰脂肪模型，而常规的Fat-Sat仅能够靶向主要脂肪峰(70％相对幅度)和(b)在许多应用中的准确的肝脂肪分数定量。CSE方法的非侵入性避免了对痛苦的昂贵活检的需要，并允许对异质性疾病进行成像。本发明是针对仅幅度的CSE方法，其体现了针对脂肪(或其他类别)的多峰谱，并且可以使用灵活的回波组合来估计整个动态范围(0-100％)中的PDFF。不同于如在基于复数的PDFF估计中使用的场图估计，其中搜索算法必须应对多个局部极小值，并且其中不正确的选择通常导致脂肪-水交换，我们已经显示，一般来讲，该方法必须在置于50％PDFF附近的两个局部极小值之间进行选择。使用6点体模和6至12点临床数据，我们已经显示，可以从成本函数值到两次的算法运行(例如一次运行以0％开始，另一次运行以100％开始)来确定“正确”解。
如已经从以上所述的理论和模拟数据表明，要使本发明的MAGO方法工作需要三个必要条件。第一个必要条件意味着使用仅幅度数据，以便将由基于复数(相位和幅度)的方法产生的多个局部极小值减少到基本上两个局部极小值。已经显示，来自基于复数的方法的场图搜索空间在场图值的似合理范围内并不总是周期性的(24)，因此在基于复数的方法中使用多点方法通常可能不太有效。此外，对错误的场图解的收敛性在PDFF图中可能并不容易显现，因为已经描述了‘双重脂肪-水交换’，其中报告的PDFF值不正确，但仍在可行范围内。一般来讲，使用仅幅度数据确保仅必须探索两个局部极小值，并且可能的错误鉴定的表象更加明显。另外，使用幅度数据允许直接估计PDFF，而无需场图估计步骤，也通常不使用可能不总是成立的平滑度假设(29)。第二个必要条件涉及使用针对一种类别(在这种情况下为脂肪)的多峰谱模型以便打破搜索空间中的对称性，因此两个局部极小值具有不同的成本函数值并且幅度相关的水-脂肪歧义性可以得到解决(17)。第三个必要条件涉及使用搜索空间方法来探索两个极小值；由于关于优化空间的先前信息是可用的，因此据此使用了多点搜索技术：在通常情况下，一个PDFF局部极小值将低于50％，而另一个高于50％。这确保了在实际PDFF值较高时的正确收敛性，并防止收敛至传统基于幅度的方法中已经观察到的局部极小值。我们注意到，可以使用许多其他潜在的搜索空间技术。
公共体模数据和结果的可用性允许将新方法与现有技术IDEAL方法的实现进行比较。这些实验还使得能够直接相对于基础真实体模浓度评估基于幅度的新方法的准确性。结果显示，在斜率、截距和r平方一致性方面，MAGO方法相对于现有技术IDEAL方法的可比准确性，并且还示出了PDFF值的完全动态范围的总体可重复性。本发明的MAGO方法能够以51.4％PDFF和100％PDFF准确地解决小瓶上幅度相关的脂肪-水歧义性。这些可重复性结果表明，MAGO方法在扫描仪制造商、采集方案和场强之间实现体内标准化的潜力。
我们已经在整个实验中注意到，高场MRI的SNR益处在本发明的方法中转化为更稳健且准确的PDFF估计值。这似乎与基于复数的PDFF估计方法相反，该基于复数的PDFF估计方法由于相位误差和高场变化而在临床实践中未发现明显更高的SNR。更高的场强度有益于本发明的方法的一个原因是，它使得能够使用更多的回波，从而在对于初始化为0％和100％的运行的成本函数值的差异方面导致更高的置信度。这进而导致PDFF估计的更大可解析性和准确性。
如上所讨论，使用相位和幅度数据的先前方法需要场图估计，并且在使用复数数据和估计场图时存在很多局部极小值(24)，因此多点搜索方法不太可行。另外，如果不使用详尽搜索步骤，则水和脂肪估计值的收敛解将取决于迭代优化中的其初始值。在使用PDFF＝0作为初始条件的情况下，结果将总是获取PDFF＜50％的值(15)。最后，使用单峰模型将导致脂肪组分与水组分之间的无法解决的歧义性。
提出了新的仅幅度方法，所述仅幅度方法显示了解决高于50％PDFF的脂肪-水歧义性的有效性，并且相对于基于复数的参考方法(其使用幅度和相位信息两者)，在多种Biobank情况下验证了其准确性。将新的基于仅幅度的方法相对于更具挑战性的群组进行测试，在相位信息可靠的情况下，展示出与基于复数的方法类似的准确性和精确度。此外，新方法呈现出对误差(大多数误差在相位图像中)的鲁棒性增加，该误差常常导致基于复数的方法在临床实践中普遍失败。
本发明的方法还允许空间正则化：通常，可以在使用本申请的方法对类别(例如脂肪、水)估计后估计的场图平滑地变化。可将场图用于评估图像质量，包括任何伪像的定量。
本发明的方法提供了MRI类别分离。方程式(1)中给出的公式适用于许多实际情况，其中最重要的是脂肪/水(质子密度脂肪分数估计)。所描述的方法还可用于伪像检测和估计，以及用于肝脏中铁含量的估计。
已经参照附图对本发明进行了描述。然而，应理解，本发明不限于本文所述的以及如附图所展示的具体实例。此外，因为本发明的所示实施方式在极大程度上可以使用本领域技术人员已知的电子部件和电路来实现，因此为了理解和了解本发明的基本概念并且以便免混淆或干扰本发明的教导内容，将认为不必要比如上展示的更大程度地说明任何细节。
本发明可以在用于在计算机系统上运行的计算机程序中实现，该计算机程序至少包括用于在可编程装置(诸如计算机系统)上运行或启动可编程装置以进行根据本发明的设备或系统的功能时进行根据本发明的方法的步骤的代码部分。
计算机程序是一系列指令，诸如特定应用程序和/或操作系统。计算机程序可以例如包括以下中的一种或多种：子程序、函数、过程、对象方法、对象实现、可执行应用程序、小应用程序、小服务程序、源代码、对象代码、共享库/动态装载库、和/或设计用于在计算机系统上的执行的其他指令序列。
计算机程序可以内部存储在有形和非暂时性计算机可读存储介质上，或者通过计算机可读传输介质传输到计算机系统。所有或一些计算机程序可以提供在永久地、可移除地或远程地耦接至信息处理系统的计算机可读介质上。
计算机进程通常包括执行(运行)程序或程序的一部分、当前程序值和状态信息、以及操作系统用来管理进程执行的资源。操作系统(OS)是管理计算机的资源共享以及提供给程序员用于访问这些资源的界面的软件。操作系统处理系统数据和用户输入，并且通过分配和管理任务和内部系统资源作为系统对用户和程序的服务来作出响应。
计算机系统可以例如包括至少一个处理单元、相关联的存储器和多个输入/输出(I/O)设备。当执行计算机程序时，计算机系统根据计算机程序处理信息并通过I/O设备产生所得的输出信息。
在前述说明书中，已经参考本发明的实施方式的具体实例描述了本发明。然而，将显而易见的是：在不脱离如所附权利要求中阐述的本发明的范围的情况下，可以对其做出各种修改和改变。本领域技术人员将认识到，在逻辑块之间的边界仅仅是说明性的，并且可替代性实施方式可以合并逻辑块或电路元件或者对各种逻辑块或电路元件强制功能性的替代性分解。因此，应理解，在此描绘的体系结构仅仅是示例性的，并且事实上可以实现获得相同功能性的许多其他体系结构。
实现相同功能性的任伺组件设置都是有效“关联的”，从而实现所需功能性。因此，为了实现特定功能性而组合的任何两个组件可视为彼此‘相关联’，使得实现所需功能性，而与体系结构或中间组件无关。同样地，任何这样相关联的两个组件也可视为彼此‘可操作地连接’或‘可操作地相耦合’以实现所需功能性。
此外，本领域技术人员将认识到以上描述的操作之间的边界仅是说明性的。多个操作可以组合成单个操作，单个操作可分布于附加的操作中，并且操作在时间上可至少部分重叠地执行。此外，替代性实施方式可以包括特定操作的多个实例，并且在不同的其他实施方式中操作的顺序可改变。
然而，其他修改、变型和替代性方案也是可能的。因此，应以说明性意义而不是限制性意义来看待本说明书和附图。除非另有说明，否则诸如‘第一’和‘第二’的术语用于任意地区分此类术语所描述的要素。因此，这些术语不一定旨在指示此类要素的时间或其他优先次序。在相互不同的权利要求中陈述某些措施的仅有事实并不表示这些措施的组合不能用于获益。
参考文献
1.Younossi ZM,Koenig AB,Abdelatif D,Fazel Y,Henry L,Wymer M.Globalepidemiology of nonalcoholic fatty liver disease-Meta-analytic assessment ofprevalence,incidence,and outcomes.Hepatology 2016.DOI:10.1002/hep.28431.
2.Williams CD,Stengel J,Asike MI,Torres DM,Shaw J,Contreras M,LandtCL,Harrison SA.Prevalence of nonalcoholic fatty liver disease andnonalcoholic steatohepatitis among a largely middle-aged population utilizingultrasound and liver biopsy:a prospective study.Gastroenterology 2011.DOI:10.1053/j.gastro.2010.09.038.
3.Caussy C,Reeder SB,Sirlin CB,Loomba R.Non-invasive,quantitativeassessment of liver fat by MRI-PDFF as an endpoint in NASH trials.Hepatology2018.DOI:10.1002/hep.29797.
4.Szczepaniak LS,Nurenberg P,Leonard D,Browning JD,Reingold JS,GrundyS,Hobbs HH,Dobbins RL.Magnetic resonance spectroscopy to measure hepatictriglyceride content:prevalence of hepatic steatosis in the generalpopulation.Am J Physiol Endocrinol Metab 2005.DOI:10.1152/ajpendo.00064.2004.
5.Dixon W.Simple proton spectroscopic imaging.Radiology 1984；153:189–194.
6.Glover G.Multipoint Dixon technique for water and fat proton andsusceptibility imaging.J Magn Reson Imaging.1991年9月-10月；1(5):521-30.[PMID:1790376].
7.Glover GH,Schneider E.Three-point Dixon technique for true water/fat decomposition with B0 inhomogeneity correction.Magn Reson Med.1991年4月；18(2):371-83.[PMID:2046518].
8.Xiang QS,An L.Water-fat imaging with direct phase encoding.J MagnReson Imaging.1997年11月-12月；7(6):1002-15.[PMID:9400843].
9.Ma J,Singh SK,Kumar AJ,Leeds NE,Broemeling LD.Method for efficientfast spin echo Dixon imaging.Magn Reson Med.2002年12月；48(6):1021-7.DOI:10.1002/mrm.10306.
10.Reeder SB,Wen Z,Yu H,Pineda AR,Gold GE,Markl M,Pelc NJ.MulticoilDixon chemical species separation with an iterative least-squares estimationmethod.Magn Reson Med.2004年1月；51(1):35-45.DOI:10.1002/mrm.10675.
11.Reeder SB,Pineda AR,Wen Z,Shimakawa A,Yu H,Brittain JH,Gold GE,Beaulieu CH,Pelc NJ.Iterative decomposition of water and fat with echoasymmetry and least-squares estimation(IDEAL):application with fast spin-echoimaging.Magn Reson Med.2005年9月；54(3):636-44.DOI:10.1002/mrm.20624.
12.Hussain HK,Chenevert TL,Londy FJ,Gulani V,Swanson SD,McKenna BJ,Appelman HD,Adusumilli S,Greenson JK,Conjee-varam HS.Hepatic fat fraction:MRimaging for quantitative measurement and display--earlyexperience.Radiology.2005年12月；237(3):1048-55.DOI:10.1148/radiol.2373041639.
13.Yu H,McKenzie CA,Shimakawa A,Vu AT,Brau AC,Beatty PJ,Pineda AR,Brittain JH,Reeder SB.Multiecho reconstruction for simultaneous water-fatdecomposition and T2*estimation.J Magn Reson Imaging.2007年10月；26(4):1153-61.DOI:10.1002/jmri.21090.
14.Liu CY,McKenzie CA,Yu H,Brittain JH,Reeder SB.Fat quantificationwith IDEAL gradient echo imaging:correction of bias from T(1)and noise.MagnReson Med.2007.DOI:10.1002/mrm.21301.
15.Bydder M,Yokoo T,Hamilton G,Middleton MS,Chavez AD,Schwimmer JB,Lavine JE,Sirlin CB.Relaxation effects in the quantification of fat usinggradient echo imaging.Magn Reson Imaging.2008Apr；26(3):347-59.DOI:10.1016/j.mri.2007.08.012.
16.Yu H,Shimakawa A,McKenzie CA,Brodsky E,Brittain JH,ReederSB.Multiecho water-fat separation and simultaneous R2*estimation withmultifrequency fat spectrum modeling.Magn Reson Med.2008.DOI:10.1002/mrm.21737.
17.Yu H,Shimakawa A,Hines CD,McKenzie CA,Hamilton G,Sirlin CB,Brittain JH,Reeder SB.Combination of complex-based and magnitude-basedmultiecho water-fat separation for accurate quantification of fat-fraction.Magn Reson Med.2011.DOI:10.1002/mrm.22840.
18.Cassidy FH,Yokoo T,Aganovic L,Hanna RF,Bydder M,Middleton MS,Hamilton G,Chavez AD,Schwimmer JB,Sirlin CB.Fatty liver disease:MR imagingtechniques for the detection and quantification of liversteatosis.Radiographics 2009.DOI:10.1148/rg.291075123.
19.Bley TA,Wieben O,
Figure BDA0002958529400000261
CJ,Brittain JH,Reeder SB.Fat and watermagnetic resonance imaging.J Magn Reson Imaging 2010DOI:10.1002/jmri.21895.
20.Haufe WM,Wolfson T,Hooker CA,Hooker JC,Covarrubias Y,Schlein AN,Hamilton G,Middleton MS,Angeles JE,Hernando D,Reeder SB,Schwimmer JB,SirlinCB.Accuracy of PDFF estimation by magnitude-based and complex-based MRI inchildren with MR spectroscopy as a reference.J Magn Reson Imaging 2017.DOI:10.1002/jmri.25699.
21.Noureddin M,Lam J,Peterson MR,Middleton M,Hamilton G,Le TA,Bettencourt R,Changchien C,Brenner DA,Sirlin C,Loomba R.Utility of magneticresonance imaging versus histology for quantifying changes in liver fat innonalcoholic fatty liver disease trials.Hepatology 2013.DOI:10.1002/hep.26455.
22.Tyagi A,Yeganeh O,Levin Y,Hooker JC,Hamilton GC,Wolfson T,Gamst A,Zand AK,Heba E,Loomba R,Schwimmer J,Middleton MS,Sirlin CB.Intra-and inter-examination repeatability of magnetic resonance spectroscopy,magnitude-basedMRI,and complex-based MRI for estimation of hepatic proton density fatfraction in overweight and obese children and adults.Abdom Imaging.2015.DOI:10.1007/s00261-015-0542-5.
23.Yokoo T,Bydder M,Hamilton G,Middleton MS,Gamst AC,Wolfson T,Hassanein T,Patton HM,Lavine JE,Schwimmer JB,Sirlin CB.Nonalcoholic fattyliver disease:diagnostic and fat-grading accuracy of low-flip-angle multiechogradient-recalled-echo MR imaging at 1.5T.Radiology 2009.DOI:10.1148/radiol.2511080666.
24.Yu H,Reeder SB,Shimakawa A,Brittain JH,Pelc NJ.Field mapestimation with a region growing scheme for iterative 3-point water-fatdecomposition.Magn Reson Med.2005年10月；54(4):1032-9.DOI:10.1002/mrm.20654.
25.Hernando D,Haldar JP,Sutton BP,Ma J,Kellman P,Liang ZP.Jointestimation of water/fat images and field inhomogeneity map.Magn ResonMed.2008年3月；59(3):571-80.DOI:10.1002/mrm.21522.
26.Hernando D,Kellman P,Haldar JP,Liang Z-P.Robust water/fatseparation in the presence of large field inhomogeneities using a graph cutalgorithm.Magn Reson Med.2010年1月；63(1):79-90.DOI:10.1002/mrm.22177.
27.Lu W,Hargreaves BA.Multiresolution field map estimation usinggolden section search for water-fat separation.Magn Reson Med.2008年7月；60(1):236-44.DOI:10.1002/mrm.21544.
28.Lu W,Lu Y.JIGSAW:Joint inhomogeneity estimation via global segmentassembly for water–fat separation.IEEE Trans Med Imaging.2011年7月；30(7):1417-26.DOI:10.1109/TMI.2011.2122342.
29.Soliman AS,Yuan J,Vigen KK,White JA,Peters TM,McKenzie CA.Max-IDEAL:a max-flow based approach for IDEAL water/fat separation.Magn ResonMed.2014年8月；72(2):510-21.DOI:10.1002/mrm.24923.
30.Sharma SD,Artz NS,Hernando D,Horng DE,Reeder SB.Improving chemicalshift encoded water-fat separation using object-based information of themagnetic field inhomogeneity.Magn Reson Med.2015年2月；73(2):597-604.DOI:10.1002/mrm.25163.
31.Glover等人,“three-point Dixon Technique for True Water/FatDecomposition with B0 inhomogeneity correction”Magnetic Resonance in Medicine1991,18p371-383.
32.Yu等人,Robust Multipoint Water-Fat Separation Using Fat LikelihoodAnalysis 2012,Magnetic Resonance in Medicine 67,1062-1076.
33.Hernando,Diego等人,"R2*estimation using“in-phase”echoes in thepresence of fat:the effects of complex spectrum of fat."Journal of magneticresonance imaging 37.3(2013):717-726.
34.Zhong,Xiaodong等人,"Liver fat quantification using a multi-stepadaptive fitting approach with multi-echo GRE imaging."Magnetic resonance inmedicine 72.5(2014):1353-1365。

Claims (21)

1.一种分析来自采集的磁共振成像(MRI)图像的MRI数据的幅度以确定至少两种类别对所述图像的每个体素的相对信号贡献的方法，所述方法包括以下步骤：
使用来自受试者的图像的多回波MRI数据的幅度，其中在任意定时回波处采集所述图像，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间；
通过使用多个不同的起始条件来生成针对所述多个起始条件中的每一者的特定成本函数值来将所述采集的多回波MRI数据的幅度拟合至单信号模型，以从所述模型产生针对所述至少两种类别中的每一种的相对信号贡献的多个可能解，其中所述成本函数值与所述MRI数据的场图项无关；以及
分析所述成本函数值以计算每种类别在所述图像的每个体素处的相对信号分离贡献。
2.根据权利要求1所述的方法，其中对所述成本函数值的所述分析包括以下步骤：
将所生成的成本函数值进行比较以确定哪个是所述信号分离的正确解。
3.根据权利要求2所述的方法，其中将所述类别的最低成本函数值确定为所述信号的正确解。
4.根据任一前述权利要求所述的方法，其中使用模型拟合算法将所述多回波MRI数据的所述幅度拟合至所述单信号模型。
5.根据权利要求4所述的方法，其中所述模型拟合算法是以下中的至少一种的实例：最小二乘估计、迭代再加权最小二乘、最小截尾二乘、或使用m估计器或s估计器的其他鲁棒方法。
6.根据权利要求4所述的方法，其中将所述模型拟合算法与至少一个正则化项组合。
7.根据权利要求1所述的方法，其中所述单信号模型包括所述至少两种类别中的一种的谱模型，所述谱模型具有多于一个谱分量。
8.根据权利要求1所述的方法，其中所述单信号模型包括弛豫时间量(T1、T2、T2 *)中的至少一个以校正信号衰减。
9.根据权利要求8所述的方法，其中所述弛豫时间量的起始条件值在物理可观察到的范围内。
10.根据权利要求9所述的方法，其中所述弛豫时间量T2 *的起始条件值在1ms与100ms之间。
11.根据权利要求10所述的方法，其中所述弛豫时间量T2 *的起始条件值在10ms与30ms之间。
12.根据权利要求1所述的方法，所述方法进一步包括使用所述类别信号贡献来生成示出针对每种类别的结果的单独图像的步骤。
13.根据权利要求12所述的方法，其中对所得图像中的一个或多个进行后处理。
14.根据权利要求1所述的方法，其中将所分离的类别贡献用于估计场非均匀性(‘场图’)项。
15.根据权利要求8所述的方法，其中所估计的弛豫时间量用于估计场非均匀性(‘场图’)项。
16.根据权利要求1所述的方法，其中所述至少两种类别包括水、脂肪、超极化造影元素或此类元素的代谢物、或针对癌细胞存在的标志物中的至少两种。
17.根据权利要求1所述的方法，其中所述受试者包括体模模型或动物或人组织，所述组织包括以下器官中的至少一种：肝脏、胰腺、肾脏、脾脏、心脏、肌肉或脂肪组织。
18.根据权利要求1所述的方法，其中使用某一体素中的成本函数值来更新所述体素中至少一种类别的存在的似然图。
19.一种图像处理系统，所述图像处理系统布置成用于分析采集的MRI图像的磁共振成像(MRI)数据的幅度以确定至少两种类别对所述图像的每个体素的相对信号贡献，所述图像处理系统包括布置成以下的至少一个处理设备：
使用来自受试者的图像的多回波MRI数据的幅度，其中在任意定时回波处采集所述图像，所述任意定时回波包括其中水和脂肪彼此未实质同相的至少一个回波时间；
通过使用多个不同的起始条件来生成针对所述多个起始条件中的每一者的特定成本函数值来将所述多回波MRI数据的幅度拟合至单信号模型，以从所述模型产生针对所述至少两种类别中的每一种的相对信号贡献的多个可能解，其中所述成本函数值与所述MRI数据的场图项无关；以及
分析所述成本函数值以计算每种类别在所述图像的每个体素处的相对信号分离贡献。
20.一种非暂时性计算机程序装置，所述非暂时性计算机程序装置在其中存储有可执行程序代码，所述程序代码可操作用于根据权利要求1-16中任一项所述的方法分析磁共振成像(MRI)数据的幅度。
21.根据权利要求20所述的非暂时性计算机程序装置，其中所述非暂时性计算机程序装置包括来自包括以下的组中的至少一种：硬盘、CD-ROM、光学存储设备、磁存储设备、只读存储器ROM、可编程只读存储器PROM、可擦除可编程只读存储器EPROM、电可擦除可编程只读存储器EEPROM和闪存。
CN201980057435.0A 2018-09-04 2019-09-04 一种分析磁共振成像图像的方法 Active CN112639500B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1814358.6A GB2576886B (en) 2018-09-04 2018-09-04 A method of analysing images
GB1814358.6 2018-09-04
PCT/EP2019/073545 WO2020049025A1 (en) 2018-09-04 2019-09-04 A method of analysing magnetic resonance imaging images

Publications (2)

Publication Number Publication Date
CN112639500A CN112639500A (zh) 2021-04-09
CN112639500B true CN112639500B (zh) 2022-09-02

Family

ID=63920947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980057435.0A Active CN112639500B (zh) 2018-09-04 2019-09-04 一种分析磁共振成像图像的方法

Country Status (9)

Country Link
US (1) US11415654B2 (zh)
EP (1) EP3847469A1 (zh)
JP (1) JP7016993B2 (zh)
CN (1) CN112639500B (zh)
AU (1) AU2019334445B2 (zh)
CA (1) CA3110639C (zh)
GB (1) GB2576886B (zh)
SG (1) SG11202101715SA (zh)
WO (1) WO2020049025A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993809B (zh) * 2019-03-18 2023-04-07 杭州电子科技大学 基于残差U-net卷积神经网络的快速磁共振成像方法
CN114305328A (zh) * 2021-11-19 2022-04-12 万贝医疗健康科技(上海)有限公司 基于可视化技术的肠胃癌细胞术后康复监测设备
GB2617371A (en) 2022-04-06 2023-10-11 Perspectum Ltd Method and apparatus for characterization of breast tissue using multiparametric MRI
WO2024201314A1 (en) 2023-03-28 2024-10-03 Perspectum Limited System and method of characterisation of magnetic resonance medical scans of the pelvic region

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8373415B2 (en) * 2010-04-15 2013-02-12 Wisconsin Alumni Research Foundation Method for separating magnetic resonance imaging signals using spectral distinction of species
CN103140167A (zh) * 2010-09-20 2013-06-05 皇家飞利浦电子股份有限公司 化学物类的磁共振成像
CN103635824A (zh) * 2011-06-28 2014-03-12 皇家飞利浦有限公司 使用谱模型分离不同化学物类的mri
US8957681B2 (en) * 2012-02-20 2015-02-17 Wisconsin Alumni Research Foundation System and method for magnetic resonance imaging water-fat separation with full dynamic range using in-phase images

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6512371B2 (en) 1995-10-12 2003-01-28 Halliburton Energy Services, Inc. System and method for determining oil, water and gas saturations for low-field gradient NMR logging tools
JP2003061928A (ja) 2001-08-14 2003-03-04 Ge Medical Systems Global Technology Co Llc 磁気共鳴信号獲得装置および磁気共鳴撮影装置
US7176683B2 (en) 2005-05-06 2007-02-13 The Board Of Trustees Of The Leland Stanford Junior University Iterative decomposition of water and fat with echo asymmetry and least square estimation
US7508211B2 (en) 2006-04-25 2009-03-24 The Board Of Trustees Of The Leland Stanford Junior University Regularized species separation
WO2011080693A1 (en) 2009-12-30 2011-07-07 Koninklijke Philips Electronics N.V. Water -fat separation in mri using partial echoes at different echo times
US9213076B2 (en) * 2012-02-27 2015-12-15 Medimagemetric LLC System, process and computer-accessible medium for providing quantitative susceptibility mapping
US10359488B2 (en) * 2013-11-07 2019-07-23 Siemens Healthcare Gmbh Signal component identification using medical imaging
CN105433944B (zh) 2014-07-31 2018-07-03 西门子公司 用于获取对象的磁共振数据的方法及装置
US10251599B2 (en) 2015-04-24 2019-04-09 Inserm(Institut National De La Santéet De La Recherche Médicale) Method for post-processing magnetic resonance imaging images in a clinical context
US10290103B2 (en) * 2016-05-26 2019-05-14 Synthetic Mr Ab Method, device and non-transitory digital storage medium for non-aqueous tissue volume estimation
CN107167752B (zh) 2017-07-04 2020-11-24 南京拓谱医疗科技有限公司 一种超快速磁共振水脂分离成像方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8373415B2 (en) * 2010-04-15 2013-02-12 Wisconsin Alumni Research Foundation Method for separating magnetic resonance imaging signals using spectral distinction of species
CN103140167A (zh) * 2010-09-20 2013-06-05 皇家飞利浦电子股份有限公司 化学物类的磁共振成像
CN103635824A (zh) * 2011-06-28 2014-03-12 皇家飞利浦有限公司 使用谱模型分离不同化学物类的mri
US8957681B2 (en) * 2012-02-20 2015-02-17 Wisconsin Alumni Research Foundation System and method for magnetic resonance imaging water-fat separation with full dynamic range using in-phase images

Also Published As

Publication number Publication date
CN112639500A (zh) 2021-04-09
EP3847469A1 (en) 2021-07-14
GB201814358D0 (en) 2018-10-17
AU2019334445B2 (en) 2024-02-15
CA3110639C (en) 2024-01-16
CA3110639A1 (en) 2020-03-12
GB2576886A (en) 2020-03-11
JP2021528221A (ja) 2021-10-21
US11415654B2 (en) 2022-08-16
JP7016993B2 (ja) 2022-02-07
WO2020049025A1 (en) 2020-03-12
AU2019334445A1 (en) 2021-03-18
US20210270919A1 (en) 2021-09-02
SG11202101715SA (en) 2021-03-30
GB2576886B (en) 2021-07-21

Similar Documents

Publication Publication Date Title
CN112639500B (zh) 一种分析磁共振成像图像的方法
Kakite et al. Hepatocellular carcinoma: short‐term reproducibility of apparent diffusion coefficient and intravoxel incoherent motion parameters at 3.0 T
McGivney et al. Bayesian estimation of multicomponent relaxation parameters in magnetic resonance fingerprinting
Merisaari et al. Fitting methods for intravoxel incoherent motion imaging of prostate cancer on region of interest level: Repeatability and gleason score prediction
Maas et al. Quantitative evaluation of computed high B value diffusion-weighted magnetic resonance imaging of the prostate
Huisman et al. Accurate estimation of pharmacokinetic contrast‐enhanced dynamic MRI parameters of the prostate
Deshmane et al. Partial volume mapping using magnetic resonance fingerprinting
Triay Bagur et al. Magnitude‐intrinsic water–fat ambiguity can be resolved with multipeak fat modeling and a multipoint search method
US10684344B2 (en) Motion correction in two-component magnetic resonance imaging
Hutton et al. Validation of a standardized MRI method for liver fat and T2* quantification
Koolstra et al. Cartesian MR fingerprinting in the eye at 7T using compressed sensing and matrix completion‐based reconstructions
Diefenbach et al. On the sensitivity of quantitative susceptibility mapping for measuring trabecular bone density
Zhong et al. Effect of respiratory motion on free‐breathing 3D stack‐of‐radial liver relaxometry and improved quantification accuracy using self‐gating
Nolte et al. Spiral blurring correction with water–fat separation for magnetic resonance fingerprinting in the breast
Tabelow et al. Local estimation of the noise level in MRI using structural adaptation
Delbany et al. One‐millimeter isotropic breast diffusion‐weighted imaging: Evaluation of a superresolution strategy in terms of signal‐to‐noise ratio, sharpness and apparent diffusion coefficient
Bydder et al. Sources of systematic error in proton density fat fraction (PDFF) quantification in the liver evaluated from magnitude images with different numbers of echoes
JP6872079B2 (ja) 戦略的に取得されるグラジェントエコーイメージングのためのシステムおよび方法
Usman et al. Model‐based reconstruction framework for correction of signal pile‐up and geometric distortions in prostate diffusion MRI
Knudsen et al. Improved sensitivity and microvascular weighting of 3T laminar fMRI with GE-BOLD using NORDIC and phase regression
Cao et al. Development of fast deep learning quantification for magnetic resonance fingerprinting in vivo
Tan et al. Denoising and Multiple Tissue Compartment Visualization of Multi‐b‐Valued Breast Diffusion MRI
Bray et al. MAGORINO: Magnitude‐only fat fraction and R* 2 estimation with Rician noise modeling
Bagur et al. Estimation of field inhomogeneity map following magnitude-based ambiguity-resolved water-fat separation
Kuczera et al. Truly reproducible uniform estimation of the ADC with multi‐b diffusion data—Application in prostate diffusion imaging

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant