CN113854995B - 一种基于单次激发的弥散加权成像扫描重建方法及系统 - Google Patents
一种基于单次激发的弥散加权成像扫描重建方法及系统 Download PDFInfo
- Publication number
- CN113854995B CN113854995B CN202111216100.4A CN202111216100A CN113854995B CN 113854995 B CN113854995 B CN 113854995B CN 202111216100 A CN202111216100 A CN 202111216100A CN 113854995 B CN113854995 B CN 113854995B
- Authority
- CN
- China
- Prior art keywords
- dwi
- noise reduction
- image
- images
- coil sensitivity
- 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
- 238000002597 diffusion-weighted imaging Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005284 excitation Effects 0.000 title claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 88
- 230000035945 sensitivity Effects 0.000 claims abstract description 39
- 238000003384 imaging method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 229940028444 muse Drugs 0.000 claims description 12
- GMVPRGQOIOIIMI-DWKJAMRDSA-N prostaglandin E1 Chemical compound CCCCC[C@H](O)\C=C\[C@H]1[C@H](O)CC(=O)[C@@H]1CCCCCCC(O)=O GMVPRGQOIOIIMI-DWKJAMRDSA-N 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000003759 clinical diagnosis Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 208000006011 Stroke Diseases 0.000 description 3
- 238000002598 diffusion tensor imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000004126 nerve fiber Anatomy 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000003007 myelin sheath Anatomy 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 230000005653 Brownian motion process Effects 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于单次激发的弥散加权成像扫描重建方法及系统，方法包括：通过多线圈扫描仪获取病灶部位的多张线圈敏感度图谱；对多张线圈敏感度图谱进行m次SS‑EPI扫描，对应获得m张不同b值的DWI初始图像；将所有张线圈敏感度图谱以及DWI图像输入训练好的多通道降噪网络，对应获得m张DWI重建图像；根据m张DWI重建图像获取病灶部位的ADC图谱；其中，所述的多通道降噪网络具有m个通道，每个通道包括降噪层和数据一致性层，所述的降噪层对DWI初始图像进行降噪，获得DWI降噪图像，所述的数据一致性层根据多张线圈敏感度图谱，填补DWI降噪图像中缺失的K空间信息，获得DWI重建图像。与现有技术相比，本发明具有效率高、泛化性强等优点。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其是涉及一种基于单次激发的弥散加权成像扫描重建方法及系统。
背景技术
基于磁共振的弥散加权成像(Diffusion Weighted Imaging,DWI)是利用水分子随机和无规则的布朗运动，探测人体内水分子的弥散程度来进行成像的。临床上，由于其对生物组织内的水分子微观运动探测敏感，DWI在急性脑缺血、脑肿瘤等脑血管疾病的探测非常重要。特别的，对于高分辨率的DWI，临床上对小皮层病灶的检出率更高，对于脑小血管疾病有着无可取代的作用。
临床使用的最为广泛的DWI扫描方法为单次激发平面回波(Single-Shot EchoPlaner Imaging,SS-EPI)。因为其扫描时间短，对运动不敏感，所以广泛应用于急性脑血管疾病当中，比如中风、卒中等。与此同时，由于SS-EPI技术本身受到较低分辨率、较严重的化学位移伪影、较严重的几何形变等限制，无法对细小病灶进行有效的检出和判断，特别是颞叶或脑桥的梗死区域。
高分辨率弥散加权成像(多次激发)对病灶的检测有着更好的敏感性，但是面临着更长的检测时间、病人运动伪影和低信噪比的问题。多次激发平面回波技术(Multi-ShotEcho Planer Imaging,MS-EPI)由于带方向性的弥散梯度存在，所以每次扫描中不同位置和不同状态的运动在不同次激发之间会积累出非线性相位。因而，对于能实现高分辨率的多次激发平面回波技术来说，如何解决不同次激发间的相位不一致是亟待解决的问题。
现有临床DWI对于脑卒中不同的病灶时间有不同的成像效果，其图像分辨率大概都在2mm左右，而弥散梯度编码却能展现10μm范围的细小结构的信息，而提高分辨率对细小结构分析有着很大帮助。此外，由于序列自身的性质，DWI图像一直面临着低分辨率的问题，高b值的DWI图像能彰显精巧组织结构，但存在弥散梯度较强、信噪比差、采集时间较长以及可能面临着病人的运动伪影等问题。如何通过后重建方式，减少高b值的DWI图像的采集时间，提高其分辨率有着很大的意义。
常规的磁共振加速成像方法为通过外置在不同位置的线圈进行并行成像。通过不同位置线圈的线圈敏感度图谱，来弥补图像的缺失信息，减少采集时间，然后通过算法进行重建。常规的基于并行成像的重建方法有以下两类：
1.基于图像域的SENSE
文献“K.P.Pruessmann,M.Weiger,M.B.Scheidegger and P.Boesiger,“SENSE:sensitivity encoding for fast MRI,”Magnetic Resonance in Medicine:An OfficialJournal of the International Society for Magnetic Resonance in Medicine,vol.42,no.5,pp.952-962,1999.”中提出，将加速采样后的部分K空间数据先通过反傅里叶变换获得像素混叠的多线圈图像，对不满足Nyquist采样定律的混叠伪影图像，利用线圈敏感度分布来求解线性方程，着眼于求解出图像域每个像素点的真实灰度值，计算并行成像问题。
2.基于K空间的GRAPPA
文献“M.A.Griswold et al.,“Generalized autocalibrating partiallyparallel acquisitions(GRAPPA),”Magnetic Resonance in Medicine:An OfficialJournal of the International Society for Magnetic Resonance in Medicine,vol.47,no.6,pp.1202-1210,2002.”中提出，通过K空间相邻数据的相关性，采取对各个线圈数据分别卷积，选择不同的插值窗迭代，对未采集到的数据进行插值估计，再通过幅值合并获得最终结果。由于最终是幅值合并，不存在复数合并时候相位相干问题，避免了相关的伪影和信噪比问题。
文献“N.K.Chen,A.Guidon,H.C.Chang and A.W.Song,“A robust multi-shotscan strategy for high-resolution diffusion weighted MRI enabled bymultiplexed sensitivity-encoding(MUSE),”NeuroImage,vol.72,pp.41-7,May.2013.”提出了一种基于并行成像SENSE的MUSE算法，可以对多次激发进行相位矫正。此类方法无需采集额外信息，也不用特殊的采集轨迹，而是通过并行成像方法计算预估出每次激发的相位差，利用自身成像回波计算导航信息，通过正则项对相位差进行初始估计之后，迭代通过SENSE来进行求解，避免了相位错位问题。然而，MUSE算法使用传统迭代算法对相位差进行估计，其优化结果受到迭代方法本身的技术限制，同时花费较长的重建时间，在临床操作层面降低了可行性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于单次激发的弥散加权成像扫描重建方法及系统，效率高，泛化性强。
本发明的目的可以通过以下技术方案来实现：
一种基于单次激发的弥散加权成像扫描重建方法，包括：
通过多线圈扫描仪获取病灶部位的多张线圈敏感度图谱；
对多张线圈敏感度图谱进行m次SS-EPI扫描，对应获得m张不同b值的DWI初始图像；
将所有张线圈敏感度图谱以及DWI图像输入训练好的多通道降噪网络，对应获得m张DWI重建图像；
根据m张DWI重建图像获取病灶部位的ADC图谱；
其中，所述的多通道降噪网络具有m个通道，每个通道包括降噪层和数据一致性层，所述的降噪层对DWI初始图像进行降噪，获得DWI降噪图像，所述的数据一致性层根据多张线圈敏感度图谱，填补DWI降噪图像中缺失的K空间信息，获得DWI重建图像；
用SS-EPI来替代间隔采样的MS-EPI，利用多线圈扫描仪获取不同b值的DWI初始图像，提高了临床的扫描速度，再通过多通道降噪网络对不同b值的DWI初始图像进行特征迁移，进而获得高信噪比、高b值的DWI重建图像，多通道降噪网络具有多个通道，能同时对不同b值的DWI初始图像进行计算恢复，减少临床的重建时间，克服现有技术在DWI图像重建上存在的对非线性相位矫正时间过长、扫描上高分辨率DWI时间过长的问题。
进一步地，训练多通道降噪网络的损失函数计算公式为：
Loss＝∑||xrec(i)-xmuse(i)||2
其中，xrec(i)为多通道降噪网络输出的第i张DWI重建图像，xmuse(i)为与第i张DWI重建图像对应的DWI初始图像；
多通道降噪网络的不同通道通过损失结合反向传播，进而实现相同层面、不同b值的DWI初始图像的特征迁移，相比于现有重建技术，能更好地提升临床常用的定量参数，包括ADC、FA和MD，对临床的诊断有较强的辅助，特别对于高b值DWI图像的信噪比提升更为显著，泛化性较强。
进一步地，所述的降噪层包括一个残差网络，所述的残差网络包括5层全连接层，每层全连接层包括64个滤波器，所述的滤波器的规格为3x3，除最后一层全连接层没有激活函数之外，每全连接层都由卷积、批处理归一化和激活函数组成。
进一步地，所述的填补DWI降噪图像中缺失的K空间信息的过程包括：
根据线圈敏感度图谱和DWI降噪图像的填零的SS-EPI矩阵点乘，迭代计算凸优化方程，通过共轭梯度下降来获取凸优化方程的最小平方解，找到DWI降噪图像中缺失的K空间信息，并进行填补。
进一步地，所述的m张DWI初始图像的b值依次递增，其中最小的b值为0；
所述的ADC图谱的获取过程包括：
通过如下公式对m张DWI重建图像进行单指数拟合：
其中，S0为b值为0的DWI重建图像，Sb′为b值不为0的DWI重建图像，b′为Sb′的b值。
一种基于单次激发的弥散加权成像扫描重建系统，包括病灶扫描模块、单次成像模块、图像重建模块和图谱拟合模块；
所述的病灶扫描模块用于通过多线圈扫描仪获取病灶部位的多张线圈敏感度图谱；
所述的单次成像模块用于对多张线圈敏感度图谱进行m次SS-EPI扫描，对应获得m张不同b值的DWI初始图像；
所述的图像重建模块用于将所有张线圈敏感度图谱以及DWI图像输入训练好的多通道降噪网络，对应获得m张DWI重建图像；
所述的图谱拟合模块用于根据m张DWI重建图像获取病灶部位的ADC图谱；
其中，所述的多通道降噪网络具有m个通道，每个通道包括降噪层和数据一致性层，所述的降噪层对DWI初始图像进行降噪，获得DWI降噪图像，所述的数据一致性层根据多张线圈敏感度图谱，填补DWI降噪图像中缺失的K空间信息，获得DWI重建图像；
用SS-EPI来替代间隔采样的MS-EPI，利用多线圈扫描仪获取不同b值的DWI初始图像，提高了临床的扫描速度，再通过多通道降噪网络对不同b值的DWI初始图像进行特征迁移，进而获得高信噪比、高b值的DWI重建图像，多通道降噪网络具有多个通道，能同时对不同b值的DWI初始图像进行计算恢复，减少临床的重建时间，克服现有技术在DWI图像重建上存在的对非线性相位矫正时间过长、扫描上高分辨率DWI时间过长的问题。
进一步地，训练多通道降噪网络的损失函数计算公式为：
Loss＝∑||xrec(i)-xmuse(i)||2
其中，xrec(i)为多通道降噪网络输出的第i张DWI重建图像，xmuse(i)为与第i张DWI重建图像对应的DWI初始图像；
多通道降噪网络的不同通道通过损失结合反向传播，进而实现相同层面、不同b值的DWI初始图像的特征迁移，相比于现有重建技术，能更好地提升临床常用的定量参数，包括ADC、FA和MD，对临床的诊断有较强的辅助，特别对于高b值DWI图像的信噪比提升更为显著，泛化性较强。
进一步地，所述的降噪层包括一个残差网络，所述的残差网络包括5层全连接层，每层全连接层包括64个滤波器，所述的滤波器的规格为3x3，除最后一层全连接层没有激活函数之外，每全连接层都由卷积、批处理归一化和激活函数组成。
进一步地，所述的填补DWI降噪图像中缺失的K空间信息的过程包括：
根据线圈敏感度图谱和DWI降噪图像的填零的SS-EPI矩阵点乘，迭代计算凸优化方程，通过共轭梯度下降来获取凸优化方程的最小平方解，找到DWI降噪图像中缺失的K空间信息，并进行填补。
进一步地，所述的m张DWI初始图像的b值依次递增，其中最小的b值为0；
所述的ADC图谱的获取过程包括：
所述的图谱拟合模块通过如下公式对m张DWI重建图像进行单指数拟合：
其中，S0为b值为0的DWI重建图像，Sb′为b值不为0的DWI重建图像，b′为Sb′的b值。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明用SS-EPI来替代间隔采样的MS-EPI，利用多线圈扫描仪获取不同b值的DWI初始图像，提高了临床的扫描速度，再通过多通道降噪网络对不同b值的DWI初始图像进行特征迁移，进而获得高信噪比、高b值的DWI重建图像，多通道降噪网络具有多个通道，能同时对不同b值的DWI初始图像进行计算恢复，减少临床的重建时间，效率高，克服现有技术在DWI图像重建上存在的对非线性相位矫正时间过长、扫描上高分辨率DWI时间过长的问题；
(2)本发明多通道降噪网络的不同通道通过损失结合反向传播，进而实现相同层面、不同b值的DWI初始图像的特征迁移，相比于现有重建技术，能更好地提升临床常用的定量参数，包括ADC、FA和MD，对临床的诊断有较强的辅助，特别对于高b值DWI图像的信噪比提升更为显著，泛化性较强。
附图说明
图1为扫描重建流程图；
图2为肿瘤患者实例一的扫描重建结果图；
图3为肿瘤患者实例二的扫描重建结果图；
图中标号说明：
11.多线圈扫描仪，12.线圈敏感度图谱，13.DWI初始图像，14.多通道降噪网络，15.损失函数，16.DWI重建图像，17.ADC图谱。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种基于单次激发的弥散加权成像扫描重建方法，如图1，包括：
通过多线圈扫描仪11获取病灶部位的多张线圈敏感度图谱12；
对多张线圈敏感度图谱12进行4次SS-EPI扫描，对应获得b值分别为0、500s/mm2、750s/mm2和1000s/mm2的DWI初始图像13，
将所有张线圈敏感度图谱12以及DWI图像输入训练好的多通道降噪网络14，对应获得4张DWI重建图像16；
根据4张DWI重建图像16获取病灶部位的ADC图谱17；
其中，多通道降噪网络14具有4个通道，每个通道包括降噪层和数据一致性层，降噪层对DWI初始图像13进行降噪，获得DWI降噪图像，数据一致性层根据多张线圈敏感度图谱12，填补DWI降噪图像中缺失的K空间信息，获得DWI重建图像16；
用SS-EPI来替代间隔采样的MS-EPI，利用多线圈扫描仪11获取不同b值的DWI初始图像13，提高了临床的扫描速度，再通过多通道降噪网络14对不同b值的DWI初始图像13进行特征迁移，进而获得高信噪比、高b值的DWI重建图像16，多通道降噪网络14具有多个通道，能同时对不同b值的DWI初始图像13进行计算恢复，减少临床的重建时间，克服现有技术在DWI图像重建上存在的对非线性相位矫正时间过长、扫描上高分辨率DWI时间过长的问题。
训练多通道降噪网络14的损失函数15计算公式为：
Loss＝∑||xrec(i)-xmuse(i)||2
其中，xrec(i)为多通道降噪网络14输出的第i张DWI重建图像16，xmuse(i)为与第i张DWI重建图像16对应的DWI初始图像13；
多通道降噪网络14的不同通道通过损失结合反向传播，进而实现相同层面、不同b值的DWI初始图像13的特征迁移，相比于现有重建技术，能更好地提升临床常用的定量参数，包括表观弥散系数(Apparent Diffusion Coefficient,ADC)、神经纤维追踪分辨率(Fractional Anisotrophy,FA)和平均弥散率(Mean Diffusivity,MD)，对临床的诊断有较强的辅助，特别对于高b值DWI图像的信噪比提升更为显著，泛化性较强。
FA值是指人体中的水分子由于受到细胞膜的组织结构的限制，各个方向弥散的概率不均等，具有某一方向的倾向性，其大小与神经髓鞘的完整性以及白质纤维束的多少、走行方向是否一致相关。当成像体素内含有交叉的或相吻合的纤维时，FA值减低。MD值是指水分子整体的扩散水平及所受阻力大小，与扩散的方向无关。ADC值反映了水分子单位时间内扩散运动的范围，其值越大，说明水分子扩散的能力越强。
降噪层包括一个残差网络，残差网络包括5层全连接层，每层全连接层包括64个滤波器，滤波器的规格为3x3，除最后一层全连接层没有激活函数之外，每全连接层都由卷积、批处理归一化和激活函数组成。
填补DWI降噪图像中缺失的K空间信息的过程包括：
根据线圈敏感度图谱12和DWI降噪图像的填零的SS-EPI矩阵点乘，迭代计算凸优化方程，通过共轭梯度下降来获取凸优化方程的最小平方解，找到DWI降噪图像中缺失的K空间信息，并进行填补。
m张DWI初始图像13的b值依次递增，其中最小的b值为0；
ADC图谱17的获取过程包括：
通过如下公式对m张DWI重建图像16进行单指数拟合：
其中，S0为b值为0的DWI重建图像16，Sb′为b值不为0的DWI重建图像16，b′为Sb′的b值。
利用本实施例提出的扫描重建方法分别对肿瘤患者实例一和肿瘤患者实例二进行扫描重建，获得的扫描重建结果分别如图2和图3所示，图2和图3中，单次激发输入即DWI初始图像13，网络输出即DWI重建图像16，可以看到在不同的肿瘤患者身上都有较好的效果，有较好的泛化性。
实施例2
一种基于单次激发的弥散加权成像扫描重建系统，包括病灶扫描模块、单次成像模块、图像重建模块和图谱拟合模块；
病灶扫描模块用于通过多线圈扫描仪11获取病灶部位的多张线圈敏感度图谱12；
单次成像模块用于对多张线圈敏感度图谱12进行m次SS-EPI扫描，对应获得m张不同b值的DWI初始图像13；
图像重建模块用于将所有张线圈敏感度图谱12以及DWI图像输入训练好的多通道降噪网络14，对应获得m张DWI重建图像16；
图谱拟合模块用于根据m张DWI重建图像16获取病灶部位的ADC图谱17；
其中，多通道降噪网络14具有m个通道，每个通道包括降噪层和数据一致性层，降噪层对DWI初始图像13进行降噪，获得DWI降噪图像，数据一致性层根据多张线圈敏感度图谱12，填补DWI降噪图像中缺失的K空间信息，获得DWI重建图像16；
用SS-EPI来替代间隔采样的MS-EPI，利用多线圈扫描仪11获取不同b值的DWI初始图像13，提高了临床的扫描速度，再通过多通道降噪网络14对不同b值的DWI初始图像13进行特征迁移，进而获得高信噪比、高b值的DWI重建图像16，多通道降噪网络14具有多个通道，能同时对不同b值的DWI初始图像13进行计算恢复，减少临床的重建时间，克服现有技术在DWI图像重建上存在的对非线性相位矫正时间过长、扫描上高分辨率DWI时间过长的问题。
训练多通道降噪网络14的损失函数15计算公式为：
Loss＝∑||xrec(i)-xmuse(i)||2
其中，xrec(i)为多通道降噪网络14输出的第i张DWI重建图像16，xmuse(i)为与第i张DWI重建图像16对应的DWI初始图像13；
多通道降噪网络14的不同通道通过损失结合反向传播，进而实现相同层面、不同b值的DWI初始图像13的特征迁移，相比于现有重建技术，能更好地提升临床常用的定量参数，包括包括表观弥散系数(Apparent Diffusion Coefficient,ADC)、神经纤维追踪分辨率(Fractional Anisotrophy,FA)和平均弥散率(Mean Diffusivity,MD)，对临床的诊断有较强的辅助，特别对于高b值DWI图像的信噪比提升更为显著，泛化性较强；
FA值是指人体中的水分子由于受到细胞膜的组织结构的限制，各个方向弥散的概率不均等，具有某一方向的倾向性，其大小与神经髓鞘的完整性以及白质纤维束的多少、走行方向是否一致相关。当成像体素内含有交叉的或相吻合的纤维时，FA值减低。MD值是指水分子整体的扩散水平及所受阻力大小，与扩散的方向无关。ADC值反映了水分子单位时间内扩散运动的范围，其值越大，说明水分子扩散的能力越强。
降噪层包括一个残差网络，残差网络包括5层全连接层，每层全连接层包括64个滤波器，滤波器的规格为3x3，除最后一层全连接层没有激活函数之外，每全连接层都由卷积、批处理归一化和激活函数组成。
填补DWI降噪图像中缺失的K空间信息的过程包括：
根据线圈敏感度图谱12和DWI降噪图像的填零的SS-EPI矩阵点乘，迭代计算凸优化方程，通过共轭梯度下降来获取凸优化方程的最小平方解，找到DWI降噪图像中缺失的K空间信息，并进行填补。
m张DWI初始图像13的b值依次递增，其中最小的b值为0；
ADC图谱17的获取过程包括：
图谱拟合模块通过如下公式对m张DWI重建图像16进行单指数拟合：
其中，S0为b值为0的DWI重建图像16，Sb′为b值不为0的DWI重建图像16，b′为Sb′的b值。
实施例1和实施例2提出了一种基于单次激发的弥散加权成像扫描重建方法及系统，相比于现有的重建技术都有更好的提升，特别对于高b值DWI图像的信噪比提升更为显著，泛化性较强，对于需要不同方向梯度场的弥散张量成像(Diffusion Tensor Imaging,DTI)也有较好的泛化性，重建得出的神经纤维追踪分辨率(Fractional Anisotrophy,FA)、平均弥散率(Mean Diffusivity,MD)较高，而且对应的扫描时间可以减少两个数量级，提高了临床的扫描速度，减少临床的重建时间，提高了临床常用的ADC、FA和MD，对临床的诊断有较强的辅助。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种基于单次激发的弥散加权成像扫描重建方法，其特征在于，包括：
通过多线圈扫描仪获取病灶部位的多张线圈敏感度图谱；
对多张线圈敏感度图谱进行m次SS-EPI扫描，对应获得m张不同b值的DWI初始图像；
将所有张线圈敏感度图谱以及DWI图像输入训练好的多通道降噪网络，对应获得m张DWI重建图像；
根据m张DWI重建图像获取病灶部位的ADC图谱；
其中，所述的多通道降噪网络具有m个通道，每个通道包括降噪层和数据一致性层，所述的降噪层对DWI初始图像进行降噪，获得DWI降噪图像，所述的数据一致性层根据多张线圈敏感度图谱，填补DWI降噪图像中缺失的K空间信息，获得DWI重建图像，
所述的降噪层包括一个残差网络，所述的残差网络包括5层全连接层，每层全连接层包括64个滤波器，所述的滤波器的规格为3x3，除最后一层全连接层没有激活函数之外，每全连接层都由卷积、批处理归一化和激活函数组成，
所述的填补DWI降噪图像中缺失的K空间信息的过程包括：
根据线圈敏感度图谱和DWI降噪图像的填零的SS-EPI矩阵点乘，迭代计算凸优化方程，通过共轭梯度下降来获取凸优化方程的最小平方解，找到DWI降噪图像中缺失的K空间信息，并进行填补，
所述的m张DWI初始图像的b值依次递增，其中最小的b值为0；
所述的ADC图谱的获取过程包括：
通过如下公式对m张DWI重建图像进行单指数拟合：
其中，S0为b值为0的DWI重建图像，Sb′为b值不为0的DWI重建图像，b′为Sb′的b值。
2.根据权利要求1所述的一种基于单次激发的弥散加权成像扫描重建方法，其特征在于，训练多通道降噪网络的损失函数计算公式为：
Loss＝∑||xrec(i)-xmuse(i)||2
其中，xrec(i)为多通道降噪网络输出的第i张DWI重建图像，xmuse(i)为与第i张DWI重建图像对应的DWI初始图像。
3.一种基于单次激发的弥散加权成像扫描重建系统，其特征在于，包括：
病灶扫描模块，用于通过多线圈扫描仪获取病灶部位的多张线圈敏感度图谱；
单次成像模块，用于对多张线圈敏感度图谱进行m次SS-EPI扫描，对应获得m张不同b值的DWI初始图像；
图像重建模块，用于将所有张线圈敏感度图谱以及DWI图像输入训练好的多通道降噪网络，对应获得m张DWI重建图像；
图谱拟合模块，用于根据m张DWI重建图像获取病灶部位的ADC图谱；
其中，所述的多通道降噪网络具有m个通道，每个通道包括降噪层和数据一致性层，所述的降噪层对DWI初始图像进行降噪，获得DWI降噪图像，所述的数据一致性层根据多张线圈敏感度图谱，填补DWI降噪图像中缺失的K空间信息，获得DWI重建图像，
所述的降噪层包括一个残差网络，所述的残差网络包括5层全连接层，每层全连接层包括64个滤波器，所述的滤波器的规格为3x3，除最后一层全连接层没有激活函数之外，每全连接层都由卷积、批处理归一化和激活函数组成，
所述的填补DWI降噪图像中缺失的K空间信息的过程包括：
根据线圈敏感度图谱和DWI降噪图像的填零的SS-EPI矩阵点乘，迭代计算凸优化方程，通过共轭梯度下降来获取凸优化方程的最小平方解，找到DWI降噪图像中缺失的K空间信息，并进行填补，
所述的m张DWI初始图像的b值依次递增，其中最小的b值为0；
所述的ADC图谱的获取过程包括：
所述的图谱拟合模块通过如下公式对m张DWI重建图像进行单指数拟合：
其中，S0为b值为0的DWI重建图像，Sb′为b值不为0的DWI重建图像，b′为Sb′的b值。
4.根据权利要求3所述的一种基于单次激发的弥散加权成像扫描重建系统，其特征在于，训练多通道降噪网络的损失函数计算公式为：
Loss＝∑||xrec(i)-xmuse(i)||2
其中，xrec(i)为多通道降噪网络输出的第i张DWI重建图像，xmuse(i)为与第i张DWI重建图像对应的DWI初始图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111216100.4A CN113854995B (zh) | 2021-10-19 | 2021-10-19 | 一种基于单次激发的弥散加权成像扫描重建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111216100.4A CN113854995B (zh) | 2021-10-19 | 2021-10-19 | 一种基于单次激发的弥散加权成像扫描重建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113854995A CN113854995A (zh) | 2021-12-31 |
| CN113854995B true CN113854995B (zh) | 2023-11-24 |
Family
ID=79000333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111216100.4A Active CN113854995B (zh) | 2021-10-19 | 2021-10-19 | 一种基于单次激发的弥散加权成像扫描重建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113854995B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222156A (zh) * | 2011-03-30 | 2011-10-19 | 南京大学医学院附属鼓楼医院 | 人脑中水分子弥散模型的建立方法 |
| CN108287324A (zh) * | 2018-01-03 | 2018-07-17 | 上海东软医疗科技有限公司 | 磁共振多对比度图像的重建方法和装置 |
| CN108459289A (zh) * | 2018-01-30 | 2018-08-28 | 奥泰医疗系统有限责任公司 | 一种基于数据一致性的多次激发弥散加权磁共振成像方法 |
| CN108596994A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振弥散加权成像方法 |
| CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
| CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
| CN110610715A (zh) * | 2019-07-29 | 2019-12-24 | 西安工程大学 | 一种基于cnn-dnn混合神经网络的降噪方法 |
| CN111080731A (zh) * | 2019-11-12 | 2020-04-28 | 东软医疗系统股份有限公司 | 弥散加权成像方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7408345B2 (en) * | 2006-02-06 | 2008-08-05 | The Board Of Trustees Of The Leland Stanford Junior University | Generalized MRI reconstruction with correction for multiple image distortion |
| US10168410B2 (en) * | 2010-12-22 | 2019-01-01 | Duke University | MRI data acquisition, reconstruction and correction methods for diffusion weighted imagine (DWI) and diffusion tensor imaging (DTI) and related systems |
| US10524686B2 (en) * | 2014-12-01 | 2020-01-07 | The Regents Of The University Of California | Diffusion reproducibility evaluation and measurement (DREAM)-MRI imaging methods |
| EP3387457B1 (en) * | 2015-12-09 | 2020-02-12 | Koninklijke Philips N.V. | Diffusion mri method for generating a synthetic diffusion image at a high b-value |
| US10712412B2 (en) * | 2018-04-23 | 2020-07-14 | Wisconsin Alumni Research Foundation | System and method for stimulated echo based mapping (STEM) using magnetic resonance imaging (MRI) |
-
2021
- 2021-10-19 CN CN202111216100.4A patent/CN113854995B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222156A (zh) * | 2011-03-30 | 2011-10-19 | 南京大学医学院附属鼓楼医院 | 人脑中水分子弥散模型的建立方法 |
| CN108287324A (zh) * | 2018-01-03 | 2018-07-17 | 上海东软医疗科技有限公司 | 磁共振多对比度图像的重建方法和装置 |
| CN108459289A (zh) * | 2018-01-30 | 2018-08-28 | 奥泰医疗系统有限责任公司 | 一种基于数据一致性的多次激发弥散加权磁共振成像方法 |
| CN108596994A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振弥散加权成像方法 |
| CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
| CN110346743A (zh) * | 2019-07-22 | 2019-10-18 | 上海东软医疗科技有限公司 | 一种磁共振弥散加权成像方法和装置 |
| CN110610715A (zh) * | 2019-07-29 | 2019-12-24 | 西安工程大学 | 一种基于cnn-dnn混合神经网络的降噪方法 |
| CN111080731A (zh) * | 2019-11-12 | 2020-04-28 | 东软医疗系统股份有限公司 | 弥散加权成像方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 采用门控技术克服呼吸机心脏运动对肝脏DWI影响的相关研究;向之明;医药卫生科技辑;第2016卷(第03期);30-36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113854995A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107850652B (zh) | 具有运动检测的mr成像 | |
| US7576539B2 (en) | Method and apparatus for reconstructing parallel-acquired image | |
| EP2699926B1 (en) | Spatially encoded phase-contrast mri | |
| US11181598B2 (en) | Multi-contrast MRI image reconstruction using machine learning | |
| CN106997034B (zh) | 基于以高斯模型为实例整合重建的磁共振扩散成像方法 | |
| CN109696647B (zh) | 三维多次激发扩散加权成像的k空间采集方法及重建方法 | |
| CN103323805B (zh) | 基于小波域稀疏表示的speed快速磁共振成像方法 | |
| CN110346743B (zh) | 一种磁共振弥散加权成像方法和装置 | |
| US11002815B2 (en) | System and method for reducing artifacts in echo planar magnetic resonance imaging | |
| WO2022183988A1 (en) | Systems and methods for magnetic resonance image reconstruction with denoising | |
| US20240036141A1 (en) | Joint k-space and image-space reconstruction imaging method and device | |
| McNab et al. | 3D steady‐state diffusion‐weighted imaging with trajectory using radially batched internal navigator echoes (TURBINE) | |
| CN109242847B (zh) | 一种磁共振弥散加权成像方法和装置 | |
| CN113854995B (zh) | 一种基于单次激发的弥散加权成像扫描重建方法及系统 | |
| CN113298901B (zh) | 卷褶视野磁共振图像的重建方法、计算机设备及存储介质 | |
| EP2793040A1 (en) | Method for processing phase information, particularly for susceptibility weighted imaging, obtained from PROPELLER measurements | |
| EP3929609A1 (en) | Magnetic resonance imaging with prior knowledge and oversampling | |
| US11119173B2 (en) | Dynamic imaging based on echo planar imaging sequence | |
| CN116203482A (zh) | 磁共振成像系统及方法、计算机可读存储介质 | |
| CN117233674B (zh) | 基于单激发buda采集和联合约束重建的mr成像方法及系统 | |
| US20230280431A1 (en) | Method and device for acquiring and reconstructing a sequence of diffusion-weighted magnetic resonance images covering a volume | |
| CN113866694B (zh) | 一种快速三维磁共振t1定量成像方法、系统及介质 | |
| CN112051531B (zh) | 多次激发无导航磁共振扩散成像方法及装置 | |
| Mani et al. | Improved reconstruction for high-resolution multi-shot diffusion weighted imaging | |
| WO2021259494A1 (en) | Method and device for acquiring and reconstructing a sequence of diffusion-weighted magnetic resonance images covering a volume |
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 |