CN113421247B - 脑组织微观结构估计参数的确定方法、装置及电子设备 - Google Patents
脑组织微观结构估计参数的确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113421247B CN113421247B CN202110734017.XA CN202110734017A CN113421247B CN 113421247 B CN113421247 B CN 113421247B CN 202110734017 A CN202110734017 A CN 202110734017A CN 113421247 B CN113421247 B CN 113421247B
- Authority
- CN
- China
- Prior art keywords
- estimation
- magnetic resonance
- sparse
- diffusion magnetic
- image
- 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
- 210000005013 brain tissue Anatomy 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009792 diffusion process Methods 0.000 claims abstract description 193
- 238000004364 calculation method Methods 0.000 claims abstract description 133
- 239000013598 vector Substances 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 78
- 238000012795 verification Methods 0.000 claims description 56
- 238000007781 pre-processing Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 29
- 238000013139 quantization Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 22
- 239000006185 dispersion Substances 0.000 claims description 20
- 230000005415 magnetization Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 16
- 238000003702 image correction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000005669 field effect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003834 intracellular effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000004641 brain development Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000002241 neurite Anatomy 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种脑组织微观结构估计参数的确定方法、装置及电子设备，对获取到的弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；将输入图像块分别输入至多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，并将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到输入图像块对应体素的估计向量；利用多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定待估计脑组织结构的各个属性参数的估计值。这样，通过基础估计模型中的迭代网络、估计层以及多层感知机可以估计出待估计脑组织结构各个属性参数的估计值，可以减小估计误差。
Description
技术领域
本申请涉及图像处理技术领域，尤其是涉及一种脑组织微观结构估计参数的确定方法、装置及电子设备。
背景技术
弥散磁共振图像(Diffusion Magnetic Resonance Imaging,dMRI)可以描述独特的组织微观结构，能够在活体情况下无创地对神经突形态进行量化，从而为脑疾病、脑发育等研究提供重要的生物标志物。
目前，由于在临床试验中弥散磁共振图像的成像时间受到限制，成像采用的弥散梯度数目较少，因此，获取到的弥散磁共振图像的质量往往不佳，且从中确定出的待估计脑组织微观结构的属性参数的估计值也不准确，因此，如何准确的根据弥散磁共振图像确定出待估计脑组织微观结构的属性参数成为了亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种脑组织微观结构估计参数的确定方法、装置及电子设备，可以通过基础估计模型中的迭代网络对弥散磁共振图像进行稀疏表示，并通过多层感知机融合基础估计模型中各估计层输出的估计向量，得到待估计脑组织结构的各个属性参数的估计值，可以提高估计结果的准确性，有助于减小估计误差。
本申请实施例提供了一种组织微观结构估计参数的确定方法，所述确定方法包括：
获取待估计脑组织结构的弥散磁共振图像；
对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；
将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；
将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重；
利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值。
在一种可能的实施方式中，所述对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块，包括：
对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像；
对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块。
在一种可能的实施方式中，所述对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像，包括：
对所述弥散磁共振图像进行磁化失真校正，得到非磁化失真图像；
对所述非磁化失真图像进行涡流和运动失真校正，得到校正后的弥散磁共振图像。
在一种可能的实施方式中，所述对所述校正后的弥散磁共振图像进行采样预处理，得到弥散磁共振图像的输入图像块，包括：
对所述校正后的弥散磁共振图像进行角度域下采样处理，得到下采样图像；
利用SHORE基函数重构所述下采样图像，提取得到弥散磁共振图像的输入图像块。
在一种可能的实施方式中，所述在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果，包括：
针对于每个基础估计模型，通过该基础估计模型中的初始卷积层对所述弥散磁共振图像的输入图像块的进行初始卷积处理，得到所述弥散磁共振图像的输入图像块的初始卷积矩阵；
通过该基础估计模型中的初始阈值激活层对所述初始卷积矩阵进行激活处理，得到初始激活矩阵；
将所述初始卷积矩阵作为第一输入矩阵，将所述初始激活矩阵作为第二输入矩阵输入至该基础估计模型中迭代网络的第一迭代层中进行第一次稀疏重建计算，得到第一次稀疏重建计算的稀疏表示结果；
再次将所述初始卷积矩阵作为第一输入矩阵，以及将第一次稀疏重建计算的稀疏表示结果作为第二输入矩阵输入至该基础估计模型中迭代网络的第二迭代层中进行第二次稀疏重建计算，得到第二次稀疏重建计算的稀疏表示结果；
以此类推，直至完成所有迭代层的稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果。
在一种可能的实施方式中，所述将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，包括：
针对于每次稀疏重建计算的稀疏表示结果，将该稀疏表示结果分别输入至该基础估计模型中与该次稀疏重建计算对应的估计层的结构估计子层和不确定性量化子层中，得到结构估计图像块和不确定性量化图像块；
拼接所述结构估计图像块和所述不确定性量化图像块，得到所述输入图像块中对应体素的估计向量。
在一种可能的实施方式中，通过以下步骤训练所述基础估计模型：
针对于每个基础估计模型，获取用于训练该基础估计模型的多个训练脑组织微观结构的训练弥散磁共振图像，以及每个训练组织结构的属性参数真值；
针对于每个训练弥散磁共振图像，对该训练弥散磁共振图像进行预处理，得到该训练弥散磁共振图像的训练图像块；
将多个训练图像块作为输入训练特征，将每个训练组织结构的属性参数真值作为输出训练特征训练构建好的基础深度网络，得到训练好的基础估计模型。
在一种可能的实施方式中，在所述得到训练好的基础估计模型之后，所述确定方法还包括：
针对于每个训练好的基础估计模型，获取用于验证该基础估计模型的多个验证组织结构的验证弥散磁共振图像，以及每个验证组织结构的属性参数真值；
针对于每个验证弥散磁共振图像，对该验证弥散磁共振图像进行预处理，得到该验证弥散磁共振图像的验证图像块；
将多个该验证弥散磁共振图像的验证图像块输入至该训练好的基础估计模型中，得到每个验证组织结构的属性参数估计值；
基于每个验证组织结构的属性参数估计值和每个验证组织结构的属性参数真值，确定该训练好的基础估计模型的损失值；
若所述损失值的变化率小于预设损失阈值，则确定基础估计模型训练完成。
本申请实施例还提供了一种脑组织微观结构估计参数的确定装置，所述确定装置包括：
图像获取模块，用于获取待估计脑组织结构的弥散磁共振图像；
预处理模块，用于对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；
稀疏结果确定模块，用于将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；
估计向量确定模块，用于将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重；
属性参数估计模块，用于利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值。
在一种可能的实施方式中，所述预处理模块在用于对所述弥散磁共振图像进行预处理，得到弥散磁共振图像的输入图像块时，所述预处理模块用于：
对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像；
对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块。
在一种可能的实施方式中，所述预处理模块在用于对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像时，所述预处理模块用于：
对所述弥散磁共振图像进行磁化失真校正，得到非磁化失真图像；
对所述非磁化失真图像进行涡流和运动失真校正，得到校正后的弥散磁共振图像。
在一种可能的实施方式中，所述预处理模块在用于对所述校正后的弥散磁共振图像进行采样预处理，得到弥散磁共振图像的输入图像块时，所述预处理模块用于：
对所述校正后的弥散磁共振图像进行角度域下采样处理，得到下采样图像；
利用SHORE基函数重构所述下采样图像，提取得到弥散磁共振图像的输入图像块。
在一种可能的实施方式中，所述稀疏结果确定模块在用于在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果时，所述稀疏结果确定模块用于：
针对于每个基础估计模型，通过该基础估计模型中的初始卷积层对所述弥散磁共振图像的输入图像块的进行初始卷积处理，得到所述弥散磁共振图像的输入图像块的初始卷积矩阵；
通过该基础估计模型中的初始阈值激活层对所述初始卷积矩阵进行激活处理，得到初始激活矩阵；
将所述初始卷积矩阵作为第一输入矩阵，将所述初始激活矩阵作为第二输入矩阵输入至该基础估计模型中迭代网络的第一迭代层中进行第一次稀疏重建计算，得到第一次稀疏重建计算的稀疏表示结果；
再次将所述初始卷积矩阵作为第一输入矩阵，以及将第一次稀疏重建计算的稀疏表示结果作为第二输入矩阵输入至该基础估计模型中迭代网络的第二迭代层中进行第二次稀疏重建计算，得到第二次稀疏重建计算的稀疏表示结果；
以此类推，直至完成所有迭代层的稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果。
在一种可能的实施方式中，所述估计向量确定模块在用于将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量时，所述估计向量确定模块用于：
针对于每次稀疏重建计算的稀疏表示结果，将该稀疏表示结果分别输入至该基础估计模型中与该次稀疏重建计算对应的估计层的结构估计子层和不确定性量化子层中，得到结构估计图像块和不确定性量化图像块；
拼接所述结构估计图像块和所述不确定性量化图像块，得到所述输入图像块中对应体素的估计向量。
在一种可能的实施方式中，所述确定装置还包括模型训练模块，所述模型训练模块用于通过以下步骤训练所述基础估计模型：
针对于每个基础估计模型，获取用于训练该基础估计模型的多个训练脑组织微观结构的训练弥散磁共振图像，以及每个训练组织结构的属性参数真值；
针对于每个训练弥散磁共振图像，对该训练弥散磁共振图像进行预处理，得到该训练弥散磁共振图像的训练图像块；
将多个训练图像块作为输入训练特征，将每个训练组织结构的属性参数真值作为输出训练特征训练构建好的基础深度网络，得到训练好的基础估计模型。
在一种可能的实施方式中，所述确定装置还包括验证模块，所述验证模块用于：
针对于每个训练好的基础估计模型，获取用于验证该基础估计模型的多个验证组织结构的验证弥散磁共振图像，以及每个验证组织结构的属性参数真值；
针对于每个验证弥散磁共振图像，对该验证弥散磁共振图像进行预处理，得到该验证弥散磁共振图像的验证图像块；
将多个该验证弥散磁共振图像的验证图像块输入至该训练好的基础估计模型中，得到每个验证组织结构的属性参数估计值；
基于每个验证组织结构的属性参数估计值和每个验证组织结构的属性参数真值，确定该训练好的基础估计模型的损失值；
若所述损失值的变化率小于预设损失阈值，则确定基础估计模型训练完成。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的确定方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的确定方法的步骤。
本申请实施例提供的脑组织微观结构估计参数的确定方法、装置及电子设备，获取待估计组织结构的弥散磁共振图像；对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重；利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值。这样，可以通过基础估计模型中的迭代网络对弥散磁共振图像进行稀疏表示，并通过多层感知机融合基础估计模型中各估计层输出的估计向量，得到待估计脑组织结构的各个属性参数的估计值，可以提高估计结果的准确性，有助于减小估计误差。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种脑组织微观结构估计参数的确定方法的流程图；
图2为本申请实施例所提供的一种基础估计模型的结构示意图；
图3为本申请实施例所提供的一种脑组织微观结构估计参数的确定装置的结构示意图之一；
图4为本申请实施例所提供的一种脑组织微观结构估计参数的确定装置的结构示意图之二；
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
经研究发现，目前，在临床试验中弥散磁共振图像的成像时间受到限制，成像采用的弥散梯度数目较少，因此，获取到的弥散磁共振图像的质量往往不佳，且从中确定出的待估计脑组织微观结构的属性参数的估计值也不准确，因此，如何准确的根据弥散磁共振图像确定出待估计脑组织结构的属性参数成为了亟待解决的问题。
基于此，本申请实施例提供了一种脑组织微观结构估计参数的确定方法，可以准确地对弥散磁共振图像中的组织结构的各个属性参数进行估计，有助于降低各个属性参数估计值的估计误差，提高估计结果的准确性。
请参阅图1，图1为本申请实施例所提供的一种脑组织微观结构估计参数的确定方法的流程图。如图1中所示，本申请实施例提供的脑组织微观结构估计参数的确定方法，包括：
S101、获取待估计脑组织结构的弥散磁共振图像。
S102、对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块。
S103、将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果。
S104、将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重。
S105、利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值。
弥散磁共振图像(Diffusion Magnetic Resonance Imaging,dMRI)可以描述独特的组织微观结构，能够在活体情况下无创地对神经突形态进行量化，从而为脑疾病、脑发育等研究提供重要的生物标志物。
本申请步骤S101中，获取到的待估计脑组织结构的弥散磁共振图像为dicom数据序列，所以在估计弥散磁共振图像中待估计脑组织结构的属性参数之前使用dcm2niix工具将后缀名为dcm格式的原始数据转换为后缀名为nii.gz格式的数据，与此同时还能得到分别表示磁场梯度施加的强度和方向的两个文本文件(.bval和.bvec)，以便于后续的处理。
此外，考虑到弥散磁共振图像通常使用弥散加权自旋回波EPI图像，这些图像对于磁化率诱发的非共振场和涡流诱导的非共振场是非常敏感的，同样，被试的移动也是不可避免的。
因此，为了避免磁化率诱发的非共振场效应、涡流诱导的非共振场效应和被试的运动失真，本申请在步骤S102中，对获取到的弥散磁共振图像进行预处理，以消除原始图像中的磁化率诱发的非共振场效应、涡流诱导的非共振场效应和被试的运动失真。
这里，被试的是指弥散磁共振图像所采集的检测用户。
在一种可能的实施方式中，步骤S102包括：对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像；对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块。
该步骤中，通过对弥散磁共振图像进行双重图像校正处理，避免了原始弥散磁共振图像因存在有非共振场效应和被试运动所导致的畸变，因此，可以提高估计出的待估计脑组织结构的属性参数的估计值的准确性。
在一种可能的实施方式中，所述对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像，包括：对所述弥散磁共振图像进行磁化失真校正，得到非磁化失真图像；对所述非磁化失真图像进行涡流和运动失真校正，得到校正后的弥散磁共振图像。
该步骤中，在对弥散磁共振图像进行双重图像校正处理时，首先，对弥散磁共振图像进行磁化失真校正，具体的，可以通过校正工具“FSL-topup”，来对弥散磁共振图像进行磁化失真校正，得到非磁化失真图像；
然后，再对得到的非磁化失真图像进行涡流和运动失真校正，例如，可以通过校正工具“FSL-eddy”，来对弥散磁共振图像进行涡流和运动失真校正，得到校正后的弥散磁共振图像。
并且，为了模拟临床条件下成像采用的弥散梯度数目较少的情况，并使得弥散磁共振图像的更加适合用于输入至预先训练好的基础估计模型，能够进一步的提高估计结果的准确性，在对弥散磁共振图像进行双重图像校正处理后，对校正处理后得到的校正后的弥散磁共振图像进行采样处理，以使校正后的弥散磁共振图像的q-空间采样方案相互对应，这是作为基础估计模型输入所必需的步骤。
在一种可能的实施方式中，所述对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块，包括：对所述校正后的弥散磁共振图像进行角度域下采样处理，得到下采样图像；利用SHORE基函数重构所述下采样图像，提取得到弥散磁共振图像的输入图像块。
具体的，可对通过密集采样q-空间采集得到的校正后的弥散磁共振图像进行角度域下采样处理，例如，可以通过插值算法进行下采样处理，得到特定的欠采样q-空间的下采样图像。这里，进行角度域下采样处理时，可以采用24个弥散梯度进行角度域下采样处理。
接着，为了使得进行角度域下采样后的所有下采样图像的q-空间采样方案保持一致，在获得下采样图像之后，利用SHORE基函数重构下采样图像，提取出适用于基础估计模型的弥散磁共振图像的输入图像块。
在步骤S103中，将弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，通过每个基础估计模型的迭代网络对弥散磁共振图像的输入图像块进行多次稀疏重建计算，并输出每次稀疏重建计算所得到的稀疏表示结果。
在一种可能的实施例中，所述在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果，包括：针对于每个基础估计模型，通过该基础估计模型中的初始卷积层对所述弥散磁共振图像的输入图像块的进行初始卷积处理，得到所述弥散磁共振图像的输入图像块的初始卷积矩阵；通过该基础估计模型中的初始阈值激活层对所述初始卷积矩阵进行激活处理，得到初始激活矩阵；将所述初始卷积矩阵作为第一输入矩阵，将所述初始激活矩阵作为第二输入矩阵输入至该基础估计模型中迭代网络的第一迭代层中进行第一次稀疏重建计算，得到第一次稀疏重建计算的稀疏表示结果；再次将所述初始卷积矩阵作为第一输入矩阵，以及将第一次稀疏重建计算的稀疏表示结果作为第二输入矩阵输入至该基础估计模型中迭代网络的第二迭代层中进行第二次稀疏重建计算，得到第二次稀疏重建计算的稀疏表示结果；以此类推，直至完成所有迭代层的稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果。
示例性的，如图2所示，图2为本申请实施例所提供的一种基础估计模型的结构示意图。如图2所示，将弥散磁共振图像的输入图像块输入至基础估计模型2迭代网络2a中的初始卷积层2b中，通过初始卷积层2b对弥散磁共振图像的输入图像块的进行初始卷积处理，得到初始卷积矩阵Wy；再通过该基础估计模型中的初始阈值激活层2c对得到的初始卷积矩阵Wy进行激活处理，得到初始激活矩阵x0；将初始卷积矩阵Wy作为第一输入矩阵，以及将初始激活矩阵x0作为第二输入矩阵，一同输入至该基础估计模型2中迭代网络2a的第一迭代层2d中进行第一次稀疏重建计算，得到第一次稀疏重建计算的稀疏表示结果2e；将初始卷积矩阵Wy作为第一输入矩阵，将第一次稀疏重建计算的稀疏表示结果2e作为第二输入矩阵，输入至迭代网络2a的第二迭代层2f中进行第二次稀疏重建计算，得到第二次稀疏重建计算的稀疏表示结果2g；再将初始卷积矩阵Wy作为第一输入矩阵，将第二次稀疏重建计算的稀疏表示结果2f作为第二输入矩阵，输入至迭代网络2a的第三稀疏层2h中进行第三次稀疏重建计算，以此类推，直至完成所有迭代层的稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果。
其中，每个稀疏层中包括至少一个第一卷积层以及至少一个第一阈值激活层。
本申请中的基础估计模型通过展开一个适用于稀疏重建计算的迭代最优化过程，具体的，下式为迭代最优化过程的计算公式：
xt＝hλ(Wy+Sxt-1)；
其中，y为弥散磁共振图像的输入图像块，x是y的稀疏表示结果，t是迭代网络的层数，hλ(·)为预设阈值函数，Wy为第一输入矩阵，S表示在迭代层中对xt-1进行卷积操作，xt-1为第二输入矩阵。
在一种可能的实施方式中，步骤S104包括：针对于每次稀疏重建计算的稀疏表示结果，将该稀疏表示结果分别输入至该基础估计模型中与该次稀疏重建计算对应的估计层的结构估计子层和不确定性量化子层中，得到结构估计图像块和不确定性量化图像块；拼接所述结构估计图像块和所述不确定性量化图像块，得到所述输入图像块中对应体素的估计向量。
这里，基础估计模型在接收到输入图像块后，可将输入图像拆分为多个体素，进而，对各个体素进行稀疏重建计算，以及通过估计层根据输入的稀疏表示结果确定出对应体素的估计向量。
参阅图2可知，以第一次稀疏重建计算为例，将第一次稀疏重建计算的稀疏表示结果2e输入至对应的估计层2i中的结构估计子层2j和不确定性量化子层2k中，通过结构估计子层2j得到结构估计图像块，通过不确定性量化子层2k得到不确定性量化图像块；这里，结构估计子层2j和不确定性量化子层2k中包括多个第二卷积层以及多个第一激活层。
这里，各个估计层2i之间共享同一权重，以缩小训练基础估计模型的各个网络时所需的训练参数的数量，减少显存需求；另外，还可以实现并行训练。
拼接得到的结构估计图像块和不确定性量化图像块，得到该稀疏表示结果对应于体素的估计向量；旨在于将同一体素上所有基础估计模型的所有迭代层的结构估计子层结果和不确定性量化子层结果进行结合。这里，对于矩阵的拼接可以选择进行行向量拼接，也可以选择进行列向量拼接，在此不做限制。
这里，本申请中一共训练有m个独立的基础估计模型，其中，每个基础估计模型中输出t个稀疏表示结果，即总共可以得到m×t个稀疏表示结果；进而，考虑到结构估计图像块和不确定性量化图像块之间的关联性，在步骤S105中，本申请通过使用训练好的多层感知机(MLP)融合各个基础估计模型中每个估计层输出的估计向量，得到最终的对应于体素的待估计脑组织结构的各个属性参数的估计值。
这里，通过每个基础估计模型中的每个估计层得到的每个输入图像块在每个体素下的各个属性参数的估计值，再通过训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，即融合待估计脑组织结构的各个输入图像块在各个体素下的属性参数的估计值，得到待估计脑组织结构的各个属性参数的估计值。
其中，属性参数包括待估计脑组织结构中细胞内体积分数(vic)、细胞外体积分数(viso)、细胞内区室的平均取向、取向散度(OD)和各区室的占比等参数。
这里，融合各个基础估计模型中每个估计层输出的对应于体素的估计向量，得到了对应于体素的用于表示待估计脑组织结构的各个属性参数的估计值的属性向量，可以通过分析属性向量确定出各个属性参数的估计值。
在一种可能的实施方式中，通过以下步骤训练所述基础估计模型：
步骤a：针对于每个基础估计模型，获取用于训练该基础估计模型的多个训练组织结构的训练弥散磁共振图像，以及每个训练组织结构的属性参数真值。
步骤b：针对于每个训练弥散磁共振图像，对该训练弥散磁共振图像进行预处理，得到该训练弥散磁共振图像的训练图像块。
步骤c：将多个训练图像块作为输入训练特征，将每个训练组织结构的属性参数真值作为输出训练特征训练构建好的基础深度网络，得到训练好的基础估计模型。
在一种可能的实施方式中，在所述得到训练好的基础估计模型之后，通过以下步骤验证基础估计模型是否训练完成：
步骤d：针对于每个训练好的基础估计模型，获取用于验证该基础估计模型的多个验证组织结构的验证弥散磁共振图像，以及每个验证组织结构的属性参数真值。
步骤e：针对于每个验证弥散磁共振图像，对该验证弥散磁共振图像进行预处理，得到该验证弥散磁共振图像的验证图像块。
步骤f：将多个该验证弥散磁共振图像的验证图像块输入至该训练好的基础估计模型中，得到每个验证组织结构的属性参数估计值。
步骤g：基于每个验证组织结构的属性参数估计值和每个验证组织结构的属性参数真值，确定该训练好的基础估计模型的损失值。
步骤h：若所述损失值的变化率小于预设损失阈值，则确定基础估计模型训练完成。
这里，当损失值的变化率小于预设损失阈值时，说明损失值在迭代优化过程中稳步下降且趋于平稳，也就可以认为，此时，训练得到的基础估计模型趋于平稳，准确率较高。
具体的，通过以下损失函数确定每个训练好的基础估计模型的损失值：
其中，θm是第m个基础估计模型的权重，ci,j代表验证图像块中第i个元素为第j个组织微观结构的属性参数真值，μi,j(Y；θm,t)和σi,j(Y；θm,t)代表在第m个基础估计模型迭代网络的中第t层稀疏层对应的估计层输出结构估计图像块和不确定性量化图像块。
采用同一测试集，分别通过本申请中训练得到的基础估计模型以及使用AMICO算法得到的待估计脑组织结构的细胞内体积分数(vic)、细胞外体积分数(viso)以及取向散度(OD)，并在估计误差、峰值信噪比以及结构相似性三个方面基于上述属性参数进行对比，具体比对结果如表1所示：
表1方法比较的定量结果
需要说明的是本申请所使用的训练核磁图像和验证核磁图像，是在GE Premier扫描仪上获得的，各向同性空间分辨率为1.7mm，共270个弥散梯度(b＝1000，2000，3000s/mm2)。本申请中的基础估计模型是通过基于Python语言的、以TensorFlow为后端的Keras平台实现的。
本申请实施例提供的一种脑组织微观结构估计参数的确定方法，获取待估计脑组织结构的弥散磁共振图像；对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重；利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值。这样，可以通过基础估计模型中的迭代网络对弥散磁共振图像进行稀疏表示，并通过多层感知机融合基础估计模型中各估计层输出的估计向量，得到待估计脑组织结构的各个属性参数的估计值，可以提高估计结果的准确性，有助于减小估计误差。
请参阅图3、图4，图3为本申请实施例所提供的一种脑组织微观结构估计参数的确定装置的结构示意图之一，图4为本申请实施例所提供的一种脑组织微观结构估计参数的确定装置的结构示意图之二。如图3中所示，所述确定装置300包括：
图像获取模块310，用于获取待估计脑组织结构的弥散磁共振图像；
预处理模块320，用于对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；
稀疏结果确定模块330，用于将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；
估计向量确定模块340，用于将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重；
属性参数估计模块350，用于利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值。
进一步的，如图4所示，所述确定装置300还包括模型训练模块360，所述模型训练模块360用于通过以下步骤训练所述基础估计模型：
针对于每个基础估计模型，获取用于训练该基础估计模型的多个训练组织结构的训练弥散磁共振图像，以及每个训练组织结构的属性参数真值；
针对于每个训练弥散磁共振图像，对该训练弥散磁共振图像进行预处理，得到该训练弥散磁共振图像的训练图像块；
将多个训练图像块作为输入训练特征，将每个训练组织结构的属性参数真值作为输出训练特征训练构建好的基础深度网络，得到训练好的基础估计模型。
进一步的，如图4所示，所述确定装置300还包括验证模块370，所述验证模块370用于：
针对于每个训练好的基础估计模型，获取用于验证该基础估计模型的多个验证组织结构的验证弥散磁共振图像，以及每个验证组织结构的属性参数真值；
针对于每个验证弥散磁共振图像，对该验证弥散磁共振图像进行预处理，得到该验证弥散磁共振图像的验证图像块；
将多个该验证弥散磁共振图像的验证图像块输入至该训练好的基础估计模型中，得到每个验证组织结构的属性参数估计值；
基于每个验证组织结构的属性参数估计值和每个验证组织结构的属性参数真值，确定该训练好的基础估计模型的损失值；
若所述损失值的变化率小于预设损失阈值，则确定基础估计模型训练完成。
进一步的，所述预处理模块320在用于对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块时，所述预处理模块320用于：
对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像；
对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块。
进一步的，所述预处理模块320在用于对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像时，所述预处理模块320用于：
对所述弥散磁共振图像进行磁化失真校正，得到非磁化失真图像；
对所述非磁化失真图像进行涡流和运动失真校正，得到校正后的弥散磁共振图像。
进一步的，所述预处理模块320在用于对所述校正后的弥散磁共振图像进行采样预处理，得到弥散磁共振图像的输入图像块时，所述预处理模块320用于：
对所述校正后的弥散磁共振图像进行角度域下采样处理，得到下采样图像；
利用SHORE基函数重构所述下采样图像，提取得到弥散磁共振图像的输入图像块。
进一步的，所述稀疏结果确定模块330在用于在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果时，所述稀疏结果确定模块330用于：
针对于每个基础估计模型，通过该基础估计模型中的初始卷积层对所述弥散磁共振图像的输入图像块的进行初始卷积处理，得到所述弥散磁共振图像的输入图像块的初始卷积矩阵；
通过该基础估计模型中的初始阈值激活层对所述初始卷积矩阵进行激活处理，得到初始激活矩阵；
将所述初始卷积矩阵作为第一输入矩阵，将所述初始激活矩阵作为第二输入矩阵输入至该基础估计模型中迭代网络的第一迭代层中进行第一次稀疏重建计算，得到第一次稀疏重建计算的稀疏表示结果；
再次将所述初始卷积矩阵作为第一输入矩阵，以及将第一次稀疏重建计算的稀疏表示结果作为第二输入矩阵输入至该基础估计模型中迭代网络的第二迭代层中进行第二次稀疏重建计算，得到第二次稀疏重建计算的稀疏表示结果；
以此类推，直至完成所有迭代层的稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果。
进一步的，所述估计向量确定模块340在用于将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量时，所述估计向量确定模块340用于：
针对于每次稀疏重建计算的稀疏表示结果，将该稀疏表示结果分别输入至该基础估计模型中与该次稀疏重建计算对应的估计层的结构估计子层和不确定性量化子层中，得到结构估计图像块和不确定性量化图像块；
拼接所述结构估计图像块和所述不确定性量化图像块，得到所述输入图像块中对应体素的估计向量。
本申请实施例提供的脑组织微观结构估计参数的确定装置，获取待估计脑组织结构的弥散磁共振图像；对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到每个稀疏表示结果的估计向量；利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值。这样，可以通过基础估计模型中的迭代网络对弥散磁共振图像进行稀疏表示，并通过多层感知机融合基础估计模型中各估计层输出的估计向量，得到待估计脑组织结构的各个属性参数的估计值，可以提高估计结果的准确性，有助于减小估计误差。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种脑组织微观结构估计参数的确定方法，其特征在于，所述确定方法包括：
获取待估计脑组织结构的弥散磁共振图像；
对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；
将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；
将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重；
利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值；
其中，所述对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块，包括：
对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像；
对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块；
所述在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果，包括：
针对于每个基础估计模型，通过该基础估计模型中的初始卷积层对所述弥散磁共振图像的输入图像块进行初始卷积处理，得到所述弥散磁共振图像的输入图像块的初始卷积矩阵；
通过该基础估计模型中的初始阈值激活层对所述初始卷积矩阵进行激活处理，得到初始激活矩阵；
将所述初始卷积矩阵作为第一输入矩阵，将所述初始激活矩阵作为第二输入矩阵输入至该基础估计模型中迭代网络的第一迭代层中进行第一次稀疏重建计算，得到第一次稀疏重建计算的稀疏表示结果；
再次将所述初始卷积矩阵作为第一输入矩阵，以及将第一次稀疏重建计算的稀疏表示结果作为第二输入矩阵输入至该基础估计模型中迭代网络的第二迭代层中进行第二次稀疏重建计算，得到第二次稀疏重建计算的稀疏表示结果；
以此类推，直至完成所有迭代层的稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；
通过以下公式在迭代层中进行稀疏重建计算：
xt＝hλ(Wy+Sxt-1)；
其中，y为弥散磁共振图像的输入图像块，x是y的稀疏表示结果，t是迭代网络的层数，hλ(·)为预设阈值函数，Wy为第一输入矩阵，S表示在迭代层中对xt-1进行卷积操作，xt-1为第二输入矩阵；
所述将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量，包括：
针对于每次稀疏重建计算的稀疏表示结果，将该稀疏表示结果分别输入至该基础估计模型中与该次稀疏重建计算对应的估计层的结构估计子层和不确定性量化子层中，重组得到结构估计图像块和不确定性量化图像块；其中，所述结构估计子层和所述不确定性量化子层中包括多个第二卷积层以及多个第一激活层；
拼接所述结构估计图像块和所述不确定性量化图像块，得到所述输入图像块中对应体素的估计向量。
2.根据权利要求1所述的确定方法，其特征在于，所述对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像，包括：
对所述弥散磁共振图像进行磁化失真校正，得到非磁化失真图像；
对所述非磁化失真图像进行涡流和运动失真校正，得到校正后的弥散磁共振图像。
3.根据权利要求1所述的确定方法，其特征在于，所述对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块，包括：
对所述校正后的弥散磁共振图像进行角度域下采样处理，得到下采样图像；
利用SHORE基函数重构所述下采样图像，提取得到弥散磁共振图像的输入图像块。
4.根据权利要求1所述的确定方法，其特征在于，通过以下步骤训练所述基础估计模型：
针对于每个基础估计模型，获取用于训练该基础估计模型的多个训练脑组织微观结构的训练弥散磁共振图像，以及每个训练组织结构的属性参数真值；
针对于每个训练弥散磁共振图像，对该训练弥散磁共振图像进行预处理，得到该训练弥散磁共振图像的训练图像块；
将多个训练图像块作为输入训练特征，将每个训练组织结构的属性参数真值作为输出训练特征训练构建好的基础深度网络，得到训练好的基础估计模型。
5.根据权利要求4所述的确定方法，其特征在于，在所述得到训练好的基础估计模型之后，所述确定方法还包括：
针对于每个训练好的基础估计模型，获取用于验证该基础估计模型的多个验证组织结构的验证弥散磁共振图像，以及每个验证组织结构的属性参数真值；
针对于每个验证弥散磁共振图像，对该验证弥散磁共振图像进行预处理，得到该验证弥散磁共振图像的验证图像块；
将多个该验证弥散磁共振图像的验证图像块输入至该训练好的基础估计模型中，得到每个验证组织结构的属性参数估计值；
基于每个验证组织结构的属性参数估计值和每个验证组织结构的属性参数真值，确定该训练好的基础估计模型的损失值；
若所述损失值的变化率小于预设损失阈值，则确定基础估计模型训练完成。
6.一种脑组织微观结构估计参数的确定装置，其特征在于，所述确定装置包括：
图像获取模块，用于获取待估计脑组织结构的弥散磁共振图像；
预处理模块，用于对所述弥散磁共振图像进行预处理，提取得到弥散磁共振图像的输入图像块；
稀疏结果确定模块，用于将所述弥散磁共振图像的输入图像块分别输入至预先训练好的多个基础估计模型的迭代网络中，在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；
估计向量确定模块，用于将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中每个体素的估计向量，其中，该基础估计模型中的各个估计层共享同一权重；
属性参数估计模块，用于利用训练好的多层感知机融合各个基础估计模型中每个估计层输出的估计向量，确定所述待估计脑组织结构的各个属性参数的估计值；
其中，所述预处理模块在用于对所述弥散磁共振图像进行预处理，得到弥散磁共振图像的输入图像块时，所述预处理模块用于：
对所述弥散磁共振图像进行双重图像校正处理，得到校正后的弥散磁共振图像；
对所述校正后的弥散磁共振图像进行采样预处理，提取得到弥散磁共振图像的输入图像块；
所述稀疏结果确定模块在用于在每个基础估计模型的迭代网络中进行多次稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果时，所述稀疏结果确定模块用于：
针对于每个基础估计模型，通过该基础估计模型中的初始卷积层对所述弥散磁共振图像的输入图像块的进行初始卷积处理，得到所述弥散磁共振图像的输入图像块的初始卷积矩阵；
通过该基础估计模型中的初始阈值激活层对所述初始卷积矩阵进行激活处理，得到初始激活矩阵；
将所述初始卷积矩阵作为第一输入矩阵，将所述初始激活矩阵作为第二输入矩阵输入至该基础估计模型中迭代网络的第一迭代层中进行第一次稀疏重建计算，得到第一次稀疏重建计算的稀疏表示结果；
再次将所述初始卷积矩阵作为第一输入矩阵，以及将第一次稀疏重建计算的稀疏表示结果作为第二输入矩阵输入至该基础估计模型中迭代网络的第二迭代层中进行第二次稀疏重建计算，得到第二次稀疏重建计算的稀疏表示结果；
以此类推，直至完成所有迭代层的稀疏重建计算，得到每次稀疏重建计算的稀疏表示结果；
通过以下公式在迭代层中进行稀疏重建计算：
xt＝hλ(Wy+Sxt-1)；
其中，y为弥散磁共振图像的输入图像块，x是y的稀疏表示结果，t是迭代网络的层数，hλ(·)为预设阈值函数，Wy为第一输入矩阵，S表示在迭代层中对xt-1进行卷积操作，xt-1为第二输入矩阵；
所述估计向量确定模块在用于将每次稀疏重建计算的稀疏表示结果输入至该基础估计模型中与该次稀疏重建计算对应的估计层中，得到所述输入图像块中对应体素的估计向量时，所述估计向量确定模块用于：
针对于每次稀疏重建计算的稀疏表示结果，将该稀疏表示结果分别输入至该基础估计模型中与该次稀疏重建计算对应的估计层的结构估计子层和不确定性量化子层中，重组得到结构估计图像块和不确定性量化图像块；其中，所述结构估计子层和所述不确定性量化子层中包括多个第二卷积层以及多个第一激活层；
拼接所述结构估计图像块和所述不确定性量化图像块，得到所述输入图像块中对应体素的估计向量。
7.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的确定方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5任一所述的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734017.XA CN113421247B (zh) | 2021-06-30 | 2021-06-30 | 脑组织微观结构估计参数的确定方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734017.XA CN113421247B (zh) | 2021-06-30 | 2021-06-30 | 脑组织微观结构估计参数的确定方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113421247A CN113421247A (zh) | 2021-09-21 |
| CN113421247B true CN113421247B (zh) | 2022-06-07 |
Family
ID=77717198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110734017.XA Active CN113421247B (zh) | 2021-06-30 | 2021-06-30 | 脑组织微观结构估计参数的确定方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113421247B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838105B (zh) * | 2021-09-22 | 2024-02-13 | 浙江大学 | 基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104267361A (zh) * | 2014-10-13 | 2015-01-07 | 厦门大学 | 基于结构特征的自适应定量磁化率分布图复合重建的方法 |
| CN105488757A (zh) * | 2015-11-27 | 2016-04-13 | 浙江工业大学 | 一种脑纤维稀疏重建的方法 |
| CN107194911A (zh) * | 2017-04-18 | 2017-09-22 | 浙江工业大学 | 一种基于扩散mri微结构成像的最小核误差分析方法 |
| CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
| CN112669400A (zh) * | 2020-12-11 | 2021-04-16 | 中国科学院深圳先进技术研究院 | 基于深度学习预测和残差架构的动态mr重建方法 |
-
2021
- 2021-06-30 CN CN202110734017.XA patent/CN113421247B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104267361A (zh) * | 2014-10-13 | 2015-01-07 | 厦门大学 | 基于结构特征的自适应定量磁化率分布图复合重建的方法 |
| CN105488757A (zh) * | 2015-11-27 | 2016-04-13 | 浙江工业大学 | 一种脑纤维稀疏重建的方法 |
| CN107194911A (zh) * | 2017-04-18 | 2017-09-22 | 浙江工业大学 | 一种基于扩散mri微结构成像的最小核误差分析方法 |
| CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
| CN112669400A (zh) * | 2020-12-11 | 2021-04-16 | 中国科学院深圳先进技术研究院 | 基于深度学习预测和残差架构的动态mr重建方法 |
Non-Patent Citations (4)
| Title |
|---|
| An improved deep network for tissue microstructure estimation with uncertainty quantification;ye chuyang 等;《Medical Image Analysis》;20200122;第1-18页 * |
| Deep Learning Based Segmentation of Brain Tissue from Diffusion MRI;Fan Zhang 等;《Neuroimage》;20210601;第1-25页 * |
| Multimodal Super-Resolved q-Space Deep Learning;Yu Qin 等;《Medical Image Analysis》;20210430;第1-17页 * |
| 基于稀疏表示的超分辨率图像重建算法研究;郭坦;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115(第1期);第I138-1166页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113421247A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | DeepcomplexMRI: Exploiting deep residual network for fast parallel MR imaging with complex convolution | |
| Tezcan et al. | MR image reconstruction using deep density priors | |
| Fang et al. | Submillimeter MR fingerprinting using deep learning–based tissue quantification | |
| EP3042215A1 (en) | Mri using spatially adaptive regularization for image reconstruction | |
| US11965946B2 (en) | Machine learning based processing of magnetic resonance data, including an uncertainty quantification | |
| JP7466141B2 (ja) | 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置 | |
| US20220028154A1 (en) | Apparatus and method for reconstructing three-dimensional image | |
| US20230194640A1 (en) | Systems and methods of deep learning for large-scale dynamic magnetic resonance image reconstruction | |
| CN113421247B (zh) | 脑组织微观结构估计参数的确定方法、装置及电子设备 | |
| CN112435266A (zh) | 一种图像分割方法、终端设备及计算机可读存储介质 | |
| CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
| Adamson et al. | SSFD: Self-supervised feature distance as an MR image reconstruction quality metric | |
| Lee et al. | Registration and quantification network (RQnet) for IVIM‐DKI analysis in MRI | |
| US20230342885A1 (en) | System and method for denoising in magnetic resonance imaging | |
| US12013452B2 (en) | Multi-contrast MRI sampling and image reconstruction | |
| US20230367850A1 (en) | Systems and methods for mri data processing | |
| CN116778016A (zh) | 一种mri图像重建方法、系统及介质 | |
| Zong et al. | Fast reconstruction of highly undersampled MR images using one and two dimensional principal component analysis | |
| US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
| US20220308147A1 (en) | Enhancements to quantitative magnetic resonance imaging techniques | |
| KR102144721B1 (ko) | 파킨슨병이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 | |
| CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
| EP3680819A1 (en) | Fat suppressed magnetic resonance imaging | |
| Kaur et al. | MR-SRNET: Transformation of low field MR images to high field MR images | |
| Murtha | Characterizing dynamic MRI using objective image quality metrics |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210921 Assignee: Shanghai Lianying Medical Technology Co.,Ltd. Assignor: BEIJING TIANTAN HOSPITAL, CAPITAL MEDICAL University|BEIJING INSTITUTE OF TECHNOLOGY Contract record no.: X2023980044192 Denomination of invention: Method, device, and electronic device for determining parameters for estimating microstructure of brain tissue Granted publication date: 20220607 License type: Common License Record date: 20231023 |
|
| EE01 | Entry into force of recordation of patent licensing contract |