CN113777543A - 基于神经网络拟合的化学交换饱和转移成像后处理方法 - Google Patents
基于神经网络拟合的化学交换饱和转移成像后处理方法 Download PDFInfo
- Publication number
- CN113777543A CN113777543A CN202110851530.7A CN202110851530A CN113777543A CN 113777543 A CN113777543 A CN 113777543A CN 202110851530 A CN202110851530 A CN 202110851530A CN 113777543 A CN113777543 A CN 113777543A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- delta
- background reference
- imaging
- saturation transfer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 54
- 238000003384 imaging method Methods 0.000 title claims abstract description 51
- 239000000126 substance Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000012805 post-processing Methods 0.000 title claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 78
- 230000000694 effects Effects 0.000 claims abstract description 39
- 229910001566 austenite Inorganic materials 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000005415 magnetization Effects 0.000 claims abstract description 15
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 12
- 239000007787 solid Substances 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 43
- 125000003368 amide group Chemical group 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 10
- 229920006395 saturated elastomer Polymers 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 4
- 108700041286 delta Proteins 0.000 claims description 4
- 125000002887 hydroxy group Chemical group [H]O* 0.000 claims description 4
- 229920002521 macromolecule Polymers 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 125000003473 lipid group Chemical group 0.000 claims 1
- 210000001015 abdomen Anatomy 0.000 abstract description 5
- 238000012937 correction Methods 0.000 abstract description 4
- 230000003014 reinforcing effect Effects 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 abstract 2
- 238000007917 intracranial administration Methods 0.000 abstract 1
- 210000005075 mammary gland Anatomy 0.000 abstract 1
- 210000000056 organ Anatomy 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 201000007983 brain glioma Diseases 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 150000002632 lipids Chemical class 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010006322 Breath holding Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 125000003636 chemical group Chemical group 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000264 spin echo pulse sequence Methods 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于神经网络拟合的化学交换饱和转移成像后处理方法,包括以下步骤:通过双池布洛赫方程仿真不同组织参数下仅含直接饱和效应与半固态大分子磁化转移效应的背景参考Z谱,并模拟一定范围内主磁场偏移;将背景参考Z谱输入网络进行训练得到网络模型;将采集得到的逐像素Z谱信息输入网络进行训练,得到主磁场偏移量与对应矫正后背景参考Z谱;将矫正的背景参考Z谱与采集Z谱做差得到对应感兴趣交换点的化学交换饱和转移效应与核奥氏增强效应信息。本发明不仅可替代冗杂的主磁场矫正流程,同时也可准确分离化学交换饱和转移效应与核奥氏增强效应,可以很好地应用在颅内、腹部、乳腺等组织器官中的化学交换饱和转移磁共振成像中。
Description
技术领域
本发明涉及磁共振成像技术领域,具体涉及一种基于神经网络拟合的化学交换饱和转移成像后处理方法。
背景技术
化学交换磁化转移成像技术是磁共振成像技术领域中的一种分子影像学技术,其不仅可以对极低浓度的化学基团进行单独成像,而且可对基团所在环境(如酸碱度、温度等)进行检测。当外源性或内源性分子中的可交换质子被频率选择性射频饱和后,饱和效应可通过化学交换传递给自由水的质子,最终基于水信号的改变间接地对包含可交换质子的分子进行成像。酰胺质子饱和转移成像便是将酰胺基团质子(-NH)作为交换点位置(δ3.5),是最为广泛使用的一种化学交换饱和转移成像的亚型。大量研究表明,酰胺质子饱和转移成像可以很好地提示肿瘤、缺血性中风及神经退行性病变等病理信息。
酰胺质子饱和转移成像在临床中受到一些挑战,首先是在体部实验中被试呼吸会带来严重的运动伪影,通常的解决方案是呼吸触发技术,即采用压力传感器或横隔膜导航回波监测被试呼吸运动并进行实时触发数据采集。其次,在某些部位进行化学交换饱和转移成像时,脂肪也会产生影响,传统酰胺质子饱和转移效应的量化依赖于非对称性分析,而脂肪会在非对称性磁化转移率中贡献额外的分量而产生伪影,通常采用的脂肪抑制技术效果有限。此外,主磁场不均匀性的矫正也是化学交换饱和转移成像的一个难点,一般可通过直接水饱和偏移参考法或梯度回波重建出场图,但需要额外的扫描时长且准确度受到各种因素限制。
目前临床的定量酰胺质子饱和转移成像一般采用非对称性分析法,所得到的对比度信息并非单纯的酰胺质子转移效应。脂质等化合物中的氢核普遍存在核奥氏增强效应,其分布于δ-2到δ-5之间,因此目前的技术缺陷使得最终得到的成像对比度并不完全为酰胺质子转移效应。现有的洛伦茨拟合法和三点法在临床应用中并不能很好地解决这个问题。
发明内容
本发明的目的是为了克服现有技术的缺陷,解决在临床化学交换饱和转移成像中主磁场不均匀性矫正步骤繁琐且不稳定、后处理中脂肪饱和效应与核奥氏增强效应干扰的问题而提出的一种基于神经网络拟合的化学交换饱和转移成像后处理方法。该方法首先对理论背景参考Z谱进行仿真并训练得到网络模型,再通过网络模型对采集的逐像素的Z谱进行预测得到对应的主磁场偏移量与背景参考Z谱,最终得到化学交换饱和转移成像对比度。该方法能在不需要扫描额外序列的前提下准确地对主磁场不均匀性进行矫正,同时得到不受脂肪效应及核奥氏增强效应干扰的纯净且准确的化学交换饱和转移成像对比度。
实现本发明目的的具体技术方案是:
一种基于神经网络拟合的化学交换饱和转移成像后处理方法,特点是所述方法包括双池布洛赫模型仿真、网络模型训练、图像数据采集、图像数据重建等步骤,具体描述如下:
步骤1:双池布洛赫方程仿真
对影响背景参考Z谱的生理组织参数在所有范围中进行组合遍历,同时给定水峰在磁共振主磁场变化范围内随机偏移以模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有情况的背景参考Z谱集;双池布洛赫方程如下:
其中,分别是自由水池a和半固态大分子池b磁化矢量在x、y和z方向的分量,ω1是射频脉冲辐照幅度,Δω是射频脉冲偏照频率,双池中弛豫率和 支配纵向磁化矢量的恢复,分别为双池的横向弛豫率,两池间磁化矢量交换率用表示;
步骤2:训练网络模型
对于每个模拟的背景参考Z谱,将频率偏移避开酰胺质子(δ3.5)、氨基质子(δ2.0)、羟基质子(δ1.0)的化学交换饱和转移效应与脂质质子(δ-2~δ-5)的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出;采用Levenberg-Marquardt算法对神经网络进行训练,得到由10个S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络;
步骤3:图像采集
在不同频率的饱和射频照射的条件下采集化学交换饱和转移磁共振成像的模图,额外采集一个没有饱和射频照射的条件下的参考图像;
步骤4:图像重建
将步骤3采集的图像数据通过步骤2所得到的多层前馈式神经网络进行图像重建:
4.1:当采集到每个射频频率偏移位置的数据点后,先通过参考扫描的图像进行归一化,再进行三次样条插值后绘制成原始的Z谱;
4.2:将δ-9.5、δ-9、δ-8.5、δ-8、δ-7.5、δ-1.5、δ-1、δ-0.5、δ7.5、δ8、δ8.5、δ9和δ9.5对应的归一化水信号数据输入到所述神经网络中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正原始Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱;
4.3:将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在酰胺质子饱和转移效应或核奥氏增强效应的交换点相减后得到不同的成像对比度:将处于δ3.5处的数据点相减得到酰胺质子饱和转移成像,或在δ-3.5处即得到核奥氏增强效应成像;Z谱相减提取逐像素的成像信号即完成后处理;所述Z谱相减提取逐像素的成像信号采用的公式如下:
其中,APT与NOE分别表示酰胺质子转移效应与核奥氏增强效应对比度,Δω为射频脉冲偏照频率,Zref(Δω)为矫正后的背景参考Z谱,S0(Δω)为参考扫描信号,Zacq(Δω)为矫正后的原始Z谱。
与现有技术相比,采用本发明所述技术方案,可达到以下效果:
(1)不需要扫描额外序列的前提下准确地对主磁场不均匀性进行矫正。
(2)避免化学交换包和转移重建过程中脂肪的影响。
(3)避免化学交换包和转移重建过程中核奥氏增强效应的影响。
(4)由本发明所得到的化学交换饱和转移成像对比度更准确。
附图说明
图1为本发明实施在颅脑中的流程图;
图2为利用本发明得到的低级别人脑胶质瘤患者的颅脑纯酰胺质子饱和转移效应成像;
图3为利用本发明得到的低级别人脑胶质瘤患者的颅脑纯核奥氏增强效应成像;
图4为本发明实施在腹部中的流程图;
图5为利用本发明得到的腹部主磁场分布图;
图6为利用本发明得到的腹部(肝脏及右肾)纯酰胺质子饱和转移效应成像。
具体实施方式
结合以下具体实施例和附图,对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
化学交换饱和转移成像是在不同频率的饱和射频的照射下获得磁共振成像的模图信息并对其进行后处理的技术。本发明首先对理论背景参考Z谱进行仿真并训练得到网络模型,再通过网络模型对采集的逐像素的Z谱进行预测得到对应的主磁场偏移量与背景参考Z谱,最终得到化学交换饱和转移成像对比度。
实施例1
本实施例为一低级别脑胶质瘤患者颅脑数据,数据来源飞利浦3.0T磁共振成像系统。技术方法的整体流程图如图1所示。
步骤1:双池布洛赫方程仿真
对影响背景参考Z谱的生理组织参数在人脑中所有可能的范围中进行组合遍历,同时给定水峰在一定范围内随机偏移以模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有可能情况的背景参考Z谱集。双池布洛赫方程如下:
其中,分别是自由水池a和半固态大分子池b磁化矢量在x、y和z方向的分量,ω1是射频脉冲辐照幅度,Δω是射频脉冲偏照频率,双池中弛豫率和 支配纵向磁化矢量的恢复,分别为双池的横向弛豫率,两池间磁化矢量交换率用表示。
其中仿真模型遍历的颅脑磁共振参数信息如下表1所示。
表1实施例1中仿真模型遍历的颅脑磁共振参数信息
步骤2:训练网络模型
对于每个模拟的背景参考Z谱,将频率偏移避开酰胺质子(δ3.5)、氨基质子(δ2.0)、羟基质子(δ1.0)的化学交换饱和转移效应与脂质质子(δ-2~δ-5)的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出。采用了Levenberg-Marquardt算法对神经网络进行训练,得到由10个S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络。
步骤3:图像采集
本实施例中脑胶质瘤患者的CEST扫描于飞利浦3T磁共振成像扫描系统(IngeniaCX 3.0T,飞利浦医疗,荷兰)上完成,并利用32通道头部线圈接收信号。所使用的序列为CEST-FSE序列,包含了CEST饱和模块,该模块利用双射频激发,且射频饱脉冲强度为0.8μT,时长为2s;还包含了基于快速自旋回波(Fast Spin-Echo,FSE)序列的采集模块。相关成像参数有:重复时间(TR)=3400ms,回波时间(TE)=6.8ms,视野(FOV)=230×180mm2,矩阵尺寸(matrix)=280×200,层厚=7mm,回波链长度=31,并行成像加速=1.6,接收带宽为每像素320Hz。整个扫描流程共施加41个范围在-10ppm到10ppm之间且间隔为0.5ppm的射频频率偏移点,射频采集顺序由Z谱的两端向水峰频率靠近,此外采集一个没有施加饱和射频的参考成像。
步骤4:图像重建
将采集的图像数据通过所得到的网络模型进行图像重建,具体包括如下步骤:
步骤4.1:当采集到每个射频频率偏移位置的数据点后,先通过参考扫描的图像进行归一化,再进行三次样条插值后绘制成原始的Z谱;
步骤4.2:将δ-9.5、δ-9、δ-8.5、δ-8、δ-7.5、δ-1.5、δ-1、δ-0.5、δ7.5、δ8、δ8.5、δ9和δ9.5对应的归一化水信号数据输入到所述神经网络中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正原始Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱;
步骤4.3:将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在酰胺质子饱和转移效应或核奥氏增强效应的交换点相减后得到不同的成像对比度:将处于δ3.5处的数据点相减得到酰胺质子饱和转移成像,或在δ-3.5处即得到核奥氏增强效应成像;Z谱相减提取逐像素的成像信号即完成后处理;所述Z谱相减提取逐像素的成像信号采用的公式如下:
其中,APT与NOE分别表示酰胺质子转移效应与核奥氏增强效应对比度,Δω为射频脉冲偏照频率,Zref(Δω)为矫正后的背景参考Z谱,S0(Δω)为参考扫描信号,Zacq(Δω)为矫正后的原始Z谱。如图2所示为重建得到的酰胺质子饱和转移成像,图3所示为重建得到的核奥氏增强效应成像。
实施例2
本实施例为一健康志愿者腹部数据,数据来源飞利浦3.0T磁共振成像系统。技术方法的整体流程图如图4所示。
步骤1:双池布洛赫方程仿真
对影响背景参考Z谱的生理组织参数在人腹部所有可能的范围中进行组合遍历,同时给定水峰在一定范围内随机偏移以模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有可能情况的背景参考Z谱集。双池布洛赫方程如下:
其中,分别是自由水池a和半固态大分子池b磁化矢量在x、y和z方向的分量,ω1是射频脉冲辐照幅度,Δω是射频脉冲偏照频率,双池中弛豫率和 支配纵向磁化矢量的恢复,分别为双池的横向弛豫率,两池间磁化矢量交换率用表示。本实施例仿真模型遍历的体部磁共振参数信息如表2所示。
表2实施例2中仿真模型遍历的体部磁共振参数信息
步骤2:训练网络模型
对于每个模拟的背景参考Z谱,将频率偏移避开酰胺质子(δ3.5)、氨基质子(δ2.0)、羟基质子(δ1.0)的化学交换饱和转移效应与脂质质子(δ-2~δ-5)的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出。采用了Levenberg-Marquardt算法对神经网络进行训练,得到由10个S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络。
步骤3:图像采集
在不同频率的饱和射频的照射的条件下采集化学交换饱和转移磁共振成像的模图,额外采集一个没有饱和射频照射的条件下的参考图像。本实施例所使用的序列为基于快速自旋回波序列采集的化学交换饱和转移成像序列采用频率选择性反转恢复技术抑制脂肪信号。本实施例采用32通道体部线圈来对信号进行收集,相关成像参数为:重复时间(TR)=1400ms,回波时间(TE)=6.8ms,视野(FOV)=视野(FOV)=302×380mm2,层厚=7mm,单层,矩阵大小=矩阵大小=280×352,回波链长度=31,并行成像加速因子=1.6,接收带宽为每像素320Hz。腹部实验中数据采集在被试屏气状态下完成,要求被试每次屏气到相似的呼吸深度。化学交换饱和模块采用双射频激发,射频脉冲强度为1μT,总时长为1s。整个扫描流程共施加32个射频频率偏移点,其相对水质子共振的频率顺序为-10、10、-8、8、-6、6、-5、5、-4.5、4.5、-4、4、-3.75、3.75、-3.5、3.5、-3.25、3.25、-3、3、-2.5、2.5、-2、2、-1.5、1.5、-1、1、-0.5、0.5、0ppm,另外采集一次未施加化学交换饱和脉冲的图像作为参考成像。
步骤4:图像重建
将采集的图像数据通过所得到的网络模型进行图像重建,具体包括如下步骤:
步骤4.1:当采集到每个射频频率偏移位置的数据点后,先通过参考扫描的图像进行归一化,再将他们进行三次样条插值后绘制成原始的Z谱;
步骤4.2:先利用Z谱最低点及周围2点进行3点水饱和偏移参考法进行初步预处理,再将δ-9.5、δ-9、δ-8.5、δ-8、δ-7.5、δ-1.5、δ-1、δ-0.5、δ7.5、δ8、δ8.5、δ9和δ9.5对应的归一化水信号数据输入到所述神经网络中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正原始Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱。由逐像素的自由水水峰偏移量得到了主磁场分布图,如图5所示;
步骤4.3:将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在不同的交换点相减后得到对应的成像对比度,如将处于δ3.5处的数据点相减可得到酰胺质子饱和转移成像。Z谱相减提取成像对比度信号所用的公式如下:
其中,APT表示酰胺质子转移效应对比度,Δω为射频脉冲偏照频率,Zref(Δω)为背景参考Z谱,S0(Δω)为参考扫描信号,Zacq(Δω)为采集得到的Z谱。如图6所示为重建得到的酰胺质子饱和转移成像。
Claims (1)
1.一种基于神经网络拟合的化学交换饱和转移成像后处理方法,其特征在于,该方法包括以下具体步骤:
步骤1:双池布洛赫方程仿真
对影响背景参考Z谱的生理组织参数在所有范围中进行组合遍历,同时给定水峰在磁共振主磁场变化范围内随机偏移以模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有情况的背景参考Z谱集;双池布洛赫方程如下:
其中,分别是自由水池a和半固态大分子池b磁化矢量在x、y和z方向的分量,ω1是射频脉冲辐照幅度,Δω是射频脉冲偏照频率,双池中弛豫率和支配纵向磁化矢量的恢复,分别为双池的横向弛豫率,两池间磁化矢量交换率用表示;
步骤2:训练网络模型
对于每个模拟的背景参考Z谱,将频率偏移避开酰胺质子(δ3.5)、氨基质子(δ2.0)、羟基质子(δ1.0)的化学交换饱和转移效应与脂质质子(δ-2~δ-5)的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出;采用Levenberg-Marquardt算法对神经网络进行训练,得到由10个S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络;
步骤3:图像采集
在不同频率的饱和射频照射的条件下采集化学交换饱和转移磁共振成像的模图,额外采集一个没有饱和射频照射的条件下的参考图像;
步骤4:图像重建
将步骤3采集的图像数据通过步骤2所得到的多层前馈式神经网络进行图像重建:
4.1:当采集到每个射频频率偏移位置的数据点后,先通过参考扫描的图像进行归一化,再进行三次样条插值后绘制成原始的Z谱;
4.2:将δ-9.5、δ-9、δ-8.5、δ-8、δ-7.5、δ-1.5、δ-1、δ-0.5、δ7.5、δ8、δ8.5、δ9和δ9.5对应的归一化水信号数据输入到所述神经网络中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正原始Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱;
4.3:将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在酰胺质子饱和转移效应或核奥氏增强效应的交换点相减后得到不同的成像对比度:将处于δ3.5处的数据点相减得到酰胺质子饱和转移成像,或在δ-3.5处即得到核奥氏增强效应成像;Z谱相减提取逐像素的成像信号即完成后处理;所述Z谱相减提取逐像素的成像信号采用的公式如下:
其中,APT与NOE分别表示酰胺质子转移效应与核奥氏增强效应对比度,Δω为射频脉冲偏照频率,Zref(Δω)为矫正后的背景参考Z谱,S0(Δω)为参考扫描信号,Zacq(Δω)为矫正后的原始Z谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851530.7A CN113777543B (zh) | 2021-07-27 | 2021-07-27 | 基于神经网络拟合的化学交换饱和转移成像后处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851530.7A CN113777543B (zh) | 2021-07-27 | 2021-07-27 | 基于神经网络拟合的化学交换饱和转移成像后处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113777543A true CN113777543A (zh) | 2021-12-10 |
CN113777543B CN113777543B (zh) | 2023-08-25 |
Family
ID=78836364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110851530.7A Active CN113777543B (zh) | 2021-07-27 | 2021-07-27 | 基于神经网络拟合的化学交换饱和转移成像后处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777543B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518555A (zh) * | 2022-02-11 | 2022-05-20 | 厦门大学 | 一种核Overhauser增强成像方法及系统 |
CN115349847A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于分离式定量apt成像的乳腺肿瘤辨别系统 |
WO2023202662A1 (zh) * | 2022-04-21 | 2023-10-26 | 清华大学 | 基于排列随机森林的cest磁共振分析方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3617733A1 (en) * | 2018-08-30 | 2020-03-04 | Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. | Method and apparatus for processing magnetic resonance data using machine learning |
CN111062994A (zh) * | 2019-11-26 | 2020-04-24 | 厦门大学 | 一种化学交换饱和转移对比图像的重建方法及系统 |
CN111856368A (zh) * | 2019-04-25 | 2020-10-30 | 通用电气公司 | 利用神经网络检测患者运动的mri系统和方法 |
-
2021
- 2021-07-27 CN CN202110851530.7A patent/CN113777543B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3617733A1 (en) * | 2018-08-30 | 2020-03-04 | Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. | Method and apparatus for processing magnetic resonance data using machine learning |
CN111856368A (zh) * | 2019-04-25 | 2020-10-30 | 通用电气公司 | 利用神经网络检测患者运动的mri系统和方法 |
CN111062994A (zh) * | 2019-11-26 | 2020-04-24 | 厦门大学 | 一种化学交换饱和转移对比图像的重建方法及系统 |
US20210158581A1 (en) * | 2019-11-26 | 2021-05-27 | Xiamen University | Method and system for reconstruction of cest contrast image |
Non-Patent Citations (1)
Title |
---|
张利红;梁英波;: "化学交换饱和转移磁共振成像量化方法研究进展", 周口师范学院学报, no. 02 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518555A (zh) * | 2022-02-11 | 2022-05-20 | 厦门大学 | 一种核Overhauser增强成像方法及系统 |
CN114518555B (zh) * | 2022-02-11 | 2024-06-04 | 厦门大学 | 一种核Overhauser增强成像方法及系统 |
WO2023202662A1 (zh) * | 2022-04-21 | 2023-10-26 | 清华大学 | 基于排列随机森林的cest磁共振分析方法及装置 |
CN115349847A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于分离式定量apt成像的乳腺肿瘤辨别系统 |
CN115349847B (zh) * | 2022-10-19 | 2023-01-31 | 之江实验室 | 基于分离式定量apt成像的乳腺肿瘤辨别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113777543B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133553B (zh) | 一种超短回波时间磁共振指纹弛豫时间测量方法 | |
US7683614B2 (en) | Magnetic resonance spectroscopy with sparse spectral sampling and interleaved dynamic shimming | |
CN113777543B (zh) | 基于神经网络拟合的化学交换饱和转移成像后处理方法 | |
JP3512482B2 (ja) | 磁気共鳴映像装置 | |
US10241178B2 (en) | System and method for magnetic resonance fingerprinting at high field strengths | |
US20140266195A1 (en) | Method and apparatus for magnetic resonance imaging | |
CN111096748B (zh) | 一种动态测量脑氧代谢率的方法 | |
CN109100669A (zh) | 基于重叠回波的单扫描同步磁共振扩散及t2成像方法 | |
US20100272337A1 (en) | Magnetic resonance imaging apparatus | |
US7251520B2 (en) | Method and apparatus of slice selective magnetization preparation for moving table MRI | |
US8483798B2 (en) | System and method for metabolic MR imaging of a hyperpolarized agent | |
CN108872897A (zh) | 核磁共振t2图像成像方法 | |
CN110068783B (zh) | 一种消除脂肪伪影的化学交换饱和转移成像方法 | |
Rodgers et al. | Cardiovascular magnetic resonance: physics and terminology | |
US7535223B2 (en) | Method and apparatus for polarization transfer in the detection enhancement of MR spectroscopy | |
JP3699963B2 (ja) | 磁気共鳴映像装置 | |
CN115137347B (zh) | 三维超短回波时间磁共振指纹成像的髓鞘定量成像方法 | |
JP5636058B2 (ja) | 磁気共鳴撮影装置 | |
JPH08182661A (ja) | 磁気共鳴撮影方法 | |
JP4678916B2 (ja) | 磁気共鳴イメージング装置 | |
US11604242B2 (en) | Methods, systems, and computer readable media for in vivo phase incrementing magnetic resonance spectroscopic imaging (PI-MRSI) for multi-biomarker imaging and for simultaneous imaging of zero quantum—>double quantum (ZQ—>DQ) and DQ—>ZQ coherence pathways | |
Uhl et al. | Quantifying human gray matter microstructure using neurite exchange imaging (NEXI) and 300 mT/m gradients | |
Uhl et al. | Quantifying human gray matter microstructure using NEXI and 300 mT/m gradients | |
Fischer | Modeling and Measurement of Tissue Compartments with Fast Signal Decay in Whole-Body Magnetic Resonance Imaging | |
Hamilton | Measuring Cardiac Relaxation Times and Multi-Compartment Water Exchange with Magnetic Resonance Fingerprinting |
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 |