CN115356672B - 多维磁共振成像方法、系统及存储介质 - Google Patents
多维磁共振成像方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115356672B CN115356672B CN202211294109.1A CN202211294109A CN115356672B CN 115356672 B CN115356672 B CN 115356672B CN 202211294109 A CN202211294109 A CN 202211294109A CN 115356672 B CN115356672 B CN 115356672B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- acquisition
- dimensional magnetic
- optimized
- kernel 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000009792 diffusion process Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000035945 sensitivity Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 82
- 238000009826 distribution Methods 0.000 claims description 54
- 238000005070 sampling Methods 0.000 claims description 27
- 238000002474 experimental method Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 21
- 239000000243 solution Substances 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 6
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 230000005415 magnetization Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011503 in vivo imaging Methods 0.000 description 2
- 238000001646 magnetic resonance method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002969 morbid Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000000685 Carr-Purcell-Meiboom-Gill pulse sequence Methods 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000004885 white matter Anatomy 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]
- G01R33/46—NMR spectroscopy
- G01R33/4633—Sequences for multi-dimensional NMR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
Landscapes
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种多维磁共振成像方法、系统及存储介质,所述方法包括:确定磁共振成像的采集序列和第一采集参数,所述第一采集参数包括反转时间、扩散敏感梯度值、回波时间和脉冲重复时间;基于优化算法对确定的所述第一采集参数进行优化,得到优化后的第二采集参数;基于优化后的所述第二采集参数构建优化后的核函数,并基于优化后的所述核函数完成被测样品的磁共振信号采集;根据采集到的所述磁共振信号得到所述被测样品的多参数图谱。该多维磁共振成像方法缩短了多维磁共振信号的采集时间。
Description
技术领域
本发明涉及核磁共振成像技术领域,尤其涉及一种多维磁共振成像方法、系统及存储介质。
背景技术
磁共振成像是利用核磁共振基本原理,根据物体内部周围组织环境弛豫时间不同而产生不同的自由感应衰减信号的现象。通过外加射频场并利用傅里叶变换对信号进行空间编码,从而得到物体内部的具体结构,并绘制出其三维图像的一种成像技术。由于磁共振成像对组织灵敏度高,空间定位准确,而又无放射性,受到了普遍欢迎。体素是磁共振的最小成像单位,磁共振本身大都是采用体素平均值的信号,对体素内的微观结构缺乏特异性。
多维磁共振技术是解决这一问题的有效方法之一,它起源于频率域的二维核磁共振技术,可以在两个维度进行磁共振采集,从而在二维谱图上将重叠的谱峰区分。所以多维磁共振技术可以获得单体素内的组分分布,有着亚体素成像的潜力。多维磁共振技术的测量广泛应用于材料的表征,如食品、石油、催化剂、地下水流量、玉米中的油脂等。与传统的一维磁共振方法相比,多维磁共振方法具有更高次数的采集,同时可以测量多种参数的相关性,因此在波谱学的分辨率以及对不同组分的分辨能力上,有了显著的提升。
目前多维磁共振成像技术至少存在以下两个问题:第一,多维磁共振的采集需要改变参数进行多次扫描,不可避免地需要更多的采集时间,与多次改变参数的一维采集相比已经是平方甚至多次方的关系,因而采集时间明显增多,导致传统的多维磁共振采集方法并不适用于现实条件;第二,多维磁共振的数据求解为分布波谱的过程,该求解过程是一个病态问题,即采集方面的一点微小改变,就可能引发结果的显著变化,而为了应用于现实,为了降低采集时间,则稀疏采样是多维磁共振的必然选择,这无疑加重了求解过程的病态性质,会导致结果更加不准确。因此,基于多维磁共振如何快速且准确的获取到被测样本的多参数图谱是亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种多维磁共振成像方法、系统及存储介质,以解决现有技术中存在的一个或多个问题。
根据本发明的一个方面,公开了一种多维磁共振成像方法,所述方法包括:
确定磁共振成像的采集序列和第一采集参数,所述第一采集参数包括反转时间、扩散敏感梯度值、回波时间和脉冲重复时间;
基于优化算法对确定的所述第一采集参数进行优化,得到优化后的第二采集参数;
基于优化后的所述第二采集参数构建优化后的核函数,并基于优化后的所述核函数完成被测样品的磁共振信号采集;
根据采集到的所述磁共振信号得到所述被测样品的多参数图谱。
在本发明的一些实施例中,所述优化算法为遗传算法。
在本发明的一些实施例中,基于优化算法对确定的所述第一采集参数进行优化,得到优化后的第二采集参数,包括:
利用所述第一采集参数生成初始种群;
构建多目标的适应度函数;
基于所述多目标的适应度函数计算所述初始种群中各个体的适应度值;
对所述初始种群进行选择、交叉以及变异操作,得到子代种群,基于所述子代种群得到帕累托最优解,所述帕累托最优解为优化后的第二采集参数。
在本发明的一些实施例中,构建多目标的适应度函数,包括:
基于所述第一采集参数构建初始核函数,对所述初始核函数进行奇异值分解;
基于所述初始核函数的奇异值、实验时间以及扩散敏感梯度值构建多目标的适应度函数。
在本发明的一些实施例中,所述多目标的适应度函数为:
在本发明的一些实施例中,根据采集到的所述磁共振信号得到所述被测样品的多参数图谱,包括:
根据采集到的所述磁共振信号提取各单体素的采样数据;
基于各单体素的采样数据通过拉普拉斯变换算法确定各所述单体素的多维磁共振分布;
确定所述被测样品的感兴趣区域;
对所述感兴趣区域内的各所述单体素的多维磁共振分布进行积分得到所述被测样品的多参数图谱。
在本发明的一些实施例中,基于各单体素的采样数据通过拉普拉斯变换算法确定各所述单体素的多维磁共振分布,包括:
基于所述各单体素的采样数据及所述初始核函数得到各所述单体素的合成多维磁共振信号;
通过拉普拉斯变换算法得到所述合成多维磁共振信号对应的多维磁共振分布;
在所述合成多维磁共振信号与采集到的对应单体素的多维磁共振信号之间的均方误差小于阈值时,所述合成多维磁共振信号对应的多维磁共振分布为相应单体素的重构后的多维磁共振分布。
在本发明的一些实施例中,所述方法还包括:生成图像采集报告,所述图像采集报告包括所述采集序列、第二采集参数及采集结果。
根据本发明的另一方面,还公开了一种多维磁共振成像系统,该系统包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
根据本发明的再一方面,还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上任一实施例所述方法的步骤。
本发明实施例所公开的多维磁共振成像方法、系统及存储介质,基于优化后的采集参数完成被测样品的多维磁共振信号采集,即在采集前就获得使核函数更加稳定的采集参数,减少了核函数矩阵的病态性,从而缩短了多维磁共振信号的采集时间,实现了多维磁共振信号的快速且准确的采集。
除上述之外,本发明还通过迭代的逆拉普拉斯算法对优化采样的多维磁共振图像进行重构,从而进一步的提高了获取到的多维磁共振分布图像的准确度。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。附图中的部件不是成比例绘制的,而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分,附图中对应部分可能被放大,即,相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中:
图1为本发明一实施例的多维磁共振成像方法的流程示意图。
图2为本发明另一实施例的多维磁共振成像方法的流程示意图。
图3为本发明一实施例的采用迭代的逆拉普拉斯变换重构多维磁共振分布的流程示意图。
图4为本发明再一实施例的多维磁共振成像方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在此,需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
弛豫是指自旋系统从共振状态恢复至热平衡状态的过程。该过程在不同方向上由纵向弛豫时间T 1 或横向弛豫时间T 2 表征。T 1 又称为自旋-晶格弛豫时间,反映自旋系统与外部环境的能量交换。T 2 又称为自旋-自旋弛豫时间,反映自旋系统内部能量损耗。自旋系统弛豫过程可由Bloch方程进行描述;纵向弛豫时间T 1 可采用饱和恢复脉冲序列进行测量;通过改变两个脉冲之间的时间间隔τ,记录信号幅值,反映纵向磁化矢量在不同编辑时间下的演化过程;横向弛豫时间T 2 的测量由CPMG脉冲序列完成;发射自旋回波串脉冲序列,观测到自旋回波串的幅值衰减,反映纵向磁化矢量随时间的演化过程。自扩散系数D反映分子的扩散快慢程度;由于分子的扩散过程为随机运动,在一定时间之后的扩散传播函数或扩散概率密度符合高斯分布。当分子在梯度磁场中扩散,其一定时间内信号的改变与分子的平均扩散位移有关,可通过这一规律计算得到分子的自扩散系数;通常采用脉冲磁场梯度或静磁场梯度实现扩散系数的测量。通过测量磁化矢量在磁场梯度存在下的衰减率,可以得出流体分子在自由状态下的弛豫及扩散特征。
对于常规的一维磁共振信号,我们可以通过第一类弗雷德霍姆积分方程来表示测得信号s(β)与磁共振弛豫或扩散特性的分布f(ω)之间的关系,其中β为实验参数,ω是用来表征分布的弛豫或者扩散参数,通式为:
其中,k(β,ω)为核函数,用于表示磁共振信号与弛豫或扩散参数之间的联系,对于常见的纵向弛豫时间T 1 、横向弛豫时间T 2 和扩散信号D而言,核函数一般表示为:
其中,t 1 是反转时间,t 2 是回波时间,b代表扩散敏感梯度值。
为了符合实际情况,并且便于求解,将一维磁共振信号通式的连续形式转换为离散形式,得到:
其中,S (β i )即为不同的采集参数下的信号,ω n 为弛豫或扩散参数感兴趣的范围,一般会结合实际情况预估一个较大的范围进行求解,是实验产生的噪声,在模拟中一般假设其为高斯噪声。因为核函数k(β i, ω n )是指数形式,所以从信号S(β i )和核函数 k (β i, ω n )求解分布F(ω n )的过程,是一个拉普拉斯逆变换过程,也称拉普拉斯反演。
上述即为多实验参数的一维磁共振信号的连续和离散形式,以及常见的T 1 弛豫、T 2 弛豫和扩散信号的核函数,现将其拓展至二维形式:
可见,无论是信号S(β 1 , β 2 ),分布f(ω 1 , ω 2 )以及核函数k(β 1 , β 2 , ω 1 , ω 2 ),都比上述的一维磁共振信号,多了一个维度,这不同的维度可以用 T 1 、 或者不同梯度方向的扩散信号相组合,在信号表现形式上即为不同核函数相组合,从而得到不同的二维磁共振信号。
类似地,离散形式的二维磁共振信号形式如下:
上式即为二维磁共振信号离散形式的一般形式,在上式中即代表着,在两个维度实验参数分别改变i次与j次获得的信号,信号数目即为i×j的二维信号。
对于任意维度的连续或离散多维磁共振信号,可以将其推广到如下的一般形式:
多维磁共振成像的序列通常由弛豫、扩散测量和成像三部分组成,而这三部分都可以同时实现加速,这也使得空间编码的加速是多维磁共振加速的一个重要方法。在现有技术中,从多维磁共振信号求解出分布谱图是一个病态问题,因为采集参数和弛豫或扩散参数构成的核函数是一个病态矩阵,随着维度的增加,问题的病态性也随之增加,而如果再次进行稀疏采样,无疑会使核函数的矩阵更加不稳定,导致求解更加不准确,为了保证稀疏采样的多维磁共振信号求解的准确性,本发明通过智能优化的采集方法对数据进行采集,其减少采集参数,实现了快速且准确的多维磁共振信号的采集。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
图1为本发明一实施例的多维磁共振成像方法的流程示意图,如图1所示,该多维磁共振成像方法至少包括步骤S10至S40。
步骤S10:确定磁共振成像的采集序列和第一采集参数,所述第一采集参数包括反转时间、扩散敏感梯度值、回波时间和脉冲重复时间。
在该步骤中,第一采集参数的设置取决于采集序列,且采集序列可以根据实际应用场景进行选定。在一实施例中,第一采集参数包括反转时间、扩散敏感梯度值(b值)、回波时间和脉冲重复时间;应当理解的是,在其他实施例中,第一采集参数除了包括上述参数之外,还可以包括其他类型的参数。具体的,常规的多维磁共振采集实验参数的设置并没有一个共识,纵向弛豫时间T 1 、横向弛豫时间T 2 实验所用的反转时间一般是对数分布;扩散实验用的b值一般是线性分布,或者梯度线性分布,相对的扩散敏感梯度值就是一个类平方的分布;由于对数分布是奇异值衰减最慢的一种方式,对应的核函数矩阵性质也更加稳定。
步骤S20:基于优化算法对确定的所述第一采集参数进行优化,得到优化后的第二采集参数。
在该步骤中是对第一采集参数进行优化以获得使核函数更加稳定的采集参数,从而减少核函数的病态性,进而可采用较优的采集模式对多维磁共振信号进行采集。其中优化算法可为遗传算法、字典学习算法、深度学习算法等。
图2为本发明一实施例的多维磁共振成像方法的流程示意图,在图2所示实施例中,该多维磁共振成像方法在对采集参数进行优化时所采用的优化算法为启发式算法-遗传算法。遗传算法是计算数学中用于解决最优化的搜索算法,遗传算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择以及杂交等等。其本质是一种高效、并行、全局搜索的方法,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,不需要确定的规则就能自动获取和指导优化的搜索空间,自适应地调整搜索方向。在遗传算法的计算过程中,选择、交叉和变异构成了遗传算法的遗传操作;其中交叉是从上一次求解过程中的解,彼此“杂交”生成新的解的过程,保证了遗传算法可以遍历大多数可能的解;而变异则是上一个解的随机“变异”的过程,一定的变异率保证了遗传算法可以搜索到被遗漏的解的可能性。而选择则是通过适应度函数的计算完成的过程,将我们想要优化的问题编译成适应度函数,之后将每一个解计算对应的适应度值即可,最终根据各个解对应的适应度值确定最优解。
具体的,基于优化算法对确定的所述第一采集参数进行优化,得到优化后的第二采集参数,包括:利用所述第一采集参数生成初始种群;构建多目标的适应度函数;基于所述多目标的适应度函数计算所述初始种群中各个体的适应度值;对所述初始种群进行选择、交叉以及变异操作,得到子代种群,基于所述子代种群得到帕累托最优解,所述帕累托最优解为优化后的第二采集参数。
而进一步的,构建多目标的适应度函数,包括:基于所述第一采集参数构建初始核函数,对所述初始核函数进行奇异值分解;基于所述初始核函数的奇异值、实验时间(或等待时间)以及扩散敏感梯度值构建多目标的适应度函数。多目标的适应度函数为:
示例性的,如图2所示,该多维磁共振成像方法首先根据预设的实验限定条件生成最初的第一实验参数,预设的实验限定条件如磁共振系统允许的最大最小实验参数(最大值和最小值),以及想要优化的目标实验次数等,第一实验参数为反转时间、回波时间、扩散敏感梯度值以及重复时间。其中第一实验参数作为遗传算法中的原始种群;进而基于最初的第一实验参数构建相应的初始核函数,并对该初始核函数进行奇异值分解;进一步的基于实验时间、扩散敏感梯度值以及初始核函数的奇异值等建立该遗传算法的多目标的适应度函数,适应度函数的构建条件为最短实验时间(y 4 最小)、初始核函数奇异值个数最大化(y 1 最大)、最小核函数奇异值最大化(y 2 最大)以及扩散敏感梯度值最小化(y 3 最小)等。进而将最初的第一实验参数代入构建好的适应度函数中,得到初始种群内的各个体的适应度值。
对于多目标的适应度函数,可通过帕累托最优来进行评估,帕累托最优是多目标优化的一种最优条件,即在此解之后,多目标中任何一个目标更加吻合,均会导致其他目标不匹配;在寻优过程中,每一代计算后均经过交叉、变异的过程;即经历过预定次数的遗传,或因为已经提前达到帕累托最优而提前终止遗传后,即可输出最终的多维磁共振实验参数值作为优化后的第二采集参数。
步骤S30:基于优化后的所述第二采集参数构建优化后的核函数,并基于优化后的所述核函数完成被测样品的磁共振信号采集。
当获取到优化后的第二采集参数后,则进一步的基于第二采集参数构建优化后的核函数,则基于优化后的核函数则可对被测样品完成智能优化的多维磁共振信号采集。并且采用该优化后的采集参数以及相应的优化后的核函数对被测样品进行稀疏采样,也进一步的确保了稀释采样多维磁共振信号求解的准确性。
步骤S40:根据采集到的所述磁共振信号得到所述被测样品的多参数图谱。
在该步骤中,所采集到的磁共振信号为基于优化后的采集参数所得到的磁共振信号,在采集过程中,由于在采集前就获得使核函数更加稳定的采集参数,从而减少核函数矩阵的病态性,进而减少了采集时间,从而使得本申请所公开的多维磁共振成像也可适用于活体成像。
具体的,对于上述的二维磁共振信号的离散形式可改写为以下矩阵形式:S=K 1 F K 2 T +E;其中,信号矩阵S的维度即为i×j,二维分布F的维度如果预设为n×m,那么核函数矩阵K 1 和 K 2 的维度分别为i×n和。为了估算二维分布F,可以转化为下式,作为一个优化问题求解:;其中K 1 和 K 2 都是二维矩阵,求解不易,通过对K 1 和 K 2 做克罗内克积(Kronecker product)转化,并将信号矩阵S和所求二维分布F转化为一维形式:y=Kx+e,y=[S] id ,x=[F] id ,K= K 1 K 2 ,这样就大大地降低了求解难度,此外,为了提高核函数K的稳定性,对核函数进行了奇异值截断:K 1 = U 1 S 1 V 1 ´;K 2 = U 2 S 2 V2´;S 1 (s< =0);S 2 (s< =0); ; ; 。其中,和为奇异值截断的两个阈值,奇异值截断法可以将严重扩大方差的小奇异值截去,仅利用较大奇异值包含的信号进行下一步计算,是一种更为简单直接的解算方法,并且当阈值合适时,效果十分显著,信号S和所求分布F的一维形式转化为:
上述为快速二维拉普拉斯反演算法基础,基于上述方法可快速准确地求解二维磁共振信号。应当理解的是,多维磁共振信号的求解方式和上述二维磁共振信号求解方式类似。
示例性的,根据采集到的所述磁共振信号得到所述被测样品的多参数图谱,包括以下步骤:根据采集到的所述磁共振信号提取各单体素的采样数据;基于各单体素的采样数据通过拉普拉斯变换算法确定各所述单体素的多维磁共振分布;确定所述被测样品的感兴趣区域;对所述感兴趣区域内的各所述单体素的多维磁共振分布进行积分得到所述被测样品的多参数图谱。
而进一步的,基于各单体素的采样数据通过拉普拉斯变换算法确定各所述单体素的多维磁共振分布,包括:基于所述各单体素的采样数据及所述初始核函数得到各所述单体素的合成多维磁共振信号;通过拉普拉斯变换算法得到所述合成多维磁共振信号对应的多维磁共振分布;在所述合成多维磁共振信号与采集到的多维磁共振信号之间的均方误差小于阈值时,所述合成多维磁共振信号对应的多维磁共振分布为相应单体素的重构后的多维磁共振分布。
在一些实施例中,基于遗传算法的优化采样,可允许在欠采样期间保留最为有效的信息,在一定程度上缩短了采集时间,并且提高了多维磁共振成像的准确度,但是由于最终所获取的结构分辨率在很大程度上取决于信号反演和图像重构算法,则本发明为了进一步提高所获得的多维磁共振分布图像的准确度,则该多维磁共振成像方法进一步的还通过一种新的重建算法来获取优化加速采样后的多维磁共振分布图谱。具体来说,以一维数据为先验知识,通过逐体素地迭代更新传统的拉普拉斯反演方法获得的各单体素的多维磁共振分布来获得重构后的多维磁共振分布。
图3为本发明一实施例的采用迭代的逆拉普拉斯变换重构多维磁共振分布的流程示意图,参考图3,当基于步骤S30采集到被测样品的磁共振信号后,首先应用传统拉普拉斯反演算法处理优化采样的多维磁共振信号,获得单体素的加速采样分布;进而,使用加速采样分布和全采样核函数矩阵得到合成多维磁共振信号。之后,基于合成多维磁共振信号通过拉普拉斯反演方法获得更新的多维磁共振分布,以供下一次迭代合成更新的多维磁共振信号。多维磁共振分布的重建过程将迭代n步,直到近似信号Su(n)和测量信号S的均方误差小于预设值ϵ,即;其中近似信号Su(n)为本次迭代过程中确定的合成多维磁共振信号,而S为采集到的对应单体素的初始磁共振信号。ϵ为预设的阈值;因此,通过拉普拉斯反演从加速采样数据反演得到的多维磁共振分布是采用本发明所提出的迭代拉普拉斯反演重建的结果。换句话说,本发明对优化加速采样多维MR信号中的未测量数据集进行迭代,以获得真值的最佳估计,同时将测量的(即完全采样的1D和优化加速采样的2D)信号作为先验知识,并在迭代期间保持不变。另外,应当理解的是,在对优化加速的各单体素的多维磁共振数据进行重构时,除了采用迭代的逆拉普拉斯变换方法之外,也可以采用如深度学习、强化学习等其他人工智能算法。
进一步的,当对优化加速的各单体素的多维磁共振数据进行重构之后,则获得一系列重构后的多维分布图,之后根据所感兴趣的多维磁共振分布范围确定多个感兴趣区域,每个感兴趣区域对应一个独特的微观结构,对该区域的每一体素的分布值进行积分,从而获得被测样品微观结构的多参数图谱。
相应的,本发明还公开了一种多维磁共振成像系统,该系统包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
图4为本发明再一实施例的多维磁共振成像方法的流程示意图,从图4中可以看出,相应的多维磁共振成像系统包括采样准备模块、多维磁共振采集参数优化模块、多维磁共振数据采集模块、单体素数据处理模块、多体素数据处理模块以及参数和结果导出模块。
采样准备模块用于根据被测样本的尺寸选择合适的射频线圈,将被测样本置于磁共振成像中心,对射频线圈进行调谐,对样本进行匀场,以及确定多维磁共振采集序列及第一次采集参数等。多维磁共振采集参数优化模块用于通过优化算法对确定的采集序列所包含的第一采集参数进行优化,以得到优化后的第二采集参数。多维磁共振数据采集模块用于通过核磁共振仪器对待测样品的间接测量参数进行数据的优化采样,以获得优化数据。单体素数据处理模块用于逐体素处理优化采样后的数据,获取高分辨率多维磁共振参数分布。
单体素数据处理模块对单体素数据进行处理时,首先逐一提取单个体素下的优化采样数据,其次依据所提取的数据计算各单体素的信噪比SNR,;其中,max(S)是信号的最大值,std(Noise)为噪声的均方根大小;进一步的根据信噪比大小确定正则化因子:当信噪比小于经验值(本发明以25为例)时,该单体素被认为是噪声,不进行下一步处理;当信噪比SNR大于或等于经验值时,本发明通过非负约束步骤可以得到特定正则化因子p下的非负约束解f,进而通过以下公式得到求解结果与测量结果的残差分布:。进一步的确定最优平滑因子P opt ,;最终采用人工智能方法对优化采样数据进行反演和联合谱重构。其中,K为核函数矩阵、S为测得的磁共振信号、p heel 为χ(p)二阶求导得到的最大值,p opt 为数据处理后得到的最优平滑因子。
多体素数据处理模块用于多体素分布图积分,以获取被测样品微观结构的多参数图谱。其首先通过被测样品的结构像确定组织的感兴趣区区域,例如特定组织脑白质、灰质和脑脊液,或全脑均可作为一个感兴趣区域,进而对感兴趣区区域内的单体素分布图进行积分以得到被测样品的多参数图谱。而参数和结果导出模块用于自动生成《基于智能快速多维磁共振成像多参数图谱》的文档格式报告,该报告中包括以下信息:多维磁共振采集序列、多维磁共振采集参数、总采集时间、优化加速原始和迭代后分布(单体素)、优化加速采样反演分布及多参数图谱。
另外,该发明还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上任一实施例所述方法的步骤。
通过上述实施例可以发现,本发明所公开的多维磁共振成像方法、系统及存储介质,适用于任何一种多维磁共振成像,如二维磁共振成像(T 1 -T 2 ,T 2 -D,D-D)以及三维磁共振成像(T 1 -T 2 -D);另外,该方法采用人工智能方法,对多维磁共振成像采集进行了优化与加速,可在保持高分辨率的前提下,大幅度降低采集时间,从而适用于活体成像。并且本申请从优化采集参数的角度提高了多维磁共振成像核函数的稳定性,从而降低其病态性质。除此之外,该多维磁共振成像方法、系统及存储介质通过迭代的逆拉普拉斯变换,可精准恢复未采样数据,提高反演准确性,从而获得高结构分辨率多分布图;并且通过对多个单体素的分布图进行积分,获取被测样品微观结构的多参数图谱。即该多维磁共振成像系统只需要对采集参数进行设置,即可对多维磁共振采集进行加速,无需修改底层的扫描序列,对各大高校、科研院所等机构现有的磁共振成像仪器具有普适性。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种多维磁共振成像方法,其特征在于,所述方法包括:
确定磁共振成像的采集序列和第一采集参数,所述第一采集参数包括反转时间、扩散敏感梯度值、回波时间和脉冲重复时间;
基于优化算法对确定的所述第一采集参数进行优化,得到优化后的第二采集参数;
基于优化后的所述第二采集参数构建优化后的核函数,并基于优化后的所述核函数完成被测样品的磁共振信号采集;
根据采集到的所述磁共振信号得到所述被测样品的多参数图谱;
其中,所述优化算法为遗传算法;
基于优化算法对确定的所述第一采集参数进行优化,得到优化后的第二采集参数,包括:
利用所述第一采集参数生成初始种群;
构建多目标的适应度函数;
基于所述多目标的适应度函数计算所述初始种群中各个体的适应度值;
对所述初始种群进行选择、交叉以及变异操作,得到子代种群,基于所述子代种群得到帕累托最优解,所述帕累托最优解为优化后的第二采集参数;
构建多目标的适应度函数,包括:
基于所述第一采集参数构建初始核函数,对所述初始核函数进行奇异值分解;
基于所述初始核函数的奇异值、实验时间以及扩散敏感梯度值构建多目标的适应度函数;
所述多目标的适应度函数为:
根据采集到的所述磁共振信号得到所述被测样品的多参数图谱,包括:
根据采集到的所述磁共振信号提取各单体素的采样数据;
基于各单体素的采样数据通过拉普拉斯变换算法确定各所述单体素的多维磁共振分布;
确定所述被测样品的感兴趣区域;
对所述感兴趣区域内的各所述单体素的多维磁共振分布进行积分得到所述被测样品的多参数图谱;
基于各单体素的采样数据通过拉普拉斯变换算法确定各所述单体素的多维磁共振分布,包括:
基于所述各单体素的采样数据及所述初始核函数得到各所述单体素的合成多维磁共振信号;
通过拉普拉斯变换算法得到所述合成多维磁共振信号对应的多维磁共振分布;
在所述合成多维磁共振信号与采集到的对应单体素的多维磁共振信号之间的均方误差小于阈值时,所述合成多维磁共振信号对应的多维磁共振分布为相应单体素的重构后的多维磁共振分布。
2.根据权利要求1所述的多维磁共振成像方法,其特征在于,所述方法还包括:生成图像采集报告,所述图像采集报告包括所述采集序列、第二采集参数及采集结果。
3.一种多维磁共振成像系统,该系统包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如权利要求1至2中任意一项所述方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至2中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294109.1A CN115356672B (zh) | 2022-10-21 | 2022-10-21 | 多维磁共振成像方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294109.1A CN115356672B (zh) | 2022-10-21 | 2022-10-21 | 多维磁共振成像方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115356672A CN115356672A (zh) | 2022-11-18 |
CN115356672B true CN115356672B (zh) | 2023-01-24 |
Family
ID=84008432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211294109.1A Active CN115356672B (zh) | 2022-10-21 | 2022-10-21 | 多维磁共振成像方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115356672B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116820166B (zh) * | 2023-06-08 | 2024-07-19 | 武汉汉联智控科技有限公司 | 一种高低温控温控流量系统及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9052409B2 (en) * | 2008-07-11 | 2015-06-09 | Schlumberger Technology Corporation | Monte Carlo method for laplace inversion of NMR data |
CN109270108B (zh) * | 2017-03-27 | 2021-09-21 | 北京青檬艾柯科技有限公司 | 多维核磁共振测量方法 |
CN107728088B (zh) * | 2017-09-23 | 2019-09-17 | 北京青檬艾柯科技有限公司 | 一种快速核磁共振t1成像方法 |
CN107748126B (zh) * | 2017-10-19 | 2019-10-11 | 北京青檬艾柯科技有限公司 | 一种获取岩石孔隙尺寸和孔隙表面弛豫率的核磁共振方法 |
CN109410195B (zh) * | 2018-10-19 | 2020-12-22 | 山东第一医科大学(山东省医学科学院) | 一种磁共振成像脑分区方法及系统 |
CN110764035B (zh) * | 2019-11-06 | 2020-11-13 | 中国农业科学院农业质量标准与检测技术研究所 | 一种二维定量核磁共振方法及其应用 |
CN112418337B (zh) * | 2020-11-27 | 2021-11-02 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
CN114814688A (zh) * | 2022-04-29 | 2022-07-29 | 诺丁汉大学卓越灯塔计划(宁波)创新研究院 | 磁共振成像方法、设备及存储介质 |
-
2022
- 2022-10-21 CN CN202211294109.1A patent/CN115356672B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115356672A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Diffusion‐relaxation correlation spectroscopic imaging: a multidimensional approach for probing microstructure | |
Tezcan et al. | MR image reconstruction using deep density priors | |
US8823374B2 (en) | System for accelerated MR image reconstruction | |
CN111513716A (zh) | 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统 | |
US11762049B2 (en) | Medical data processing apparatus, medical data processing method, and magnetic resonance imaging apparatus | |
Rathi et al. | Multi-shell diffusion signal recovery from sparse measurements | |
CN113924503B (zh) | 时域磁共振的参数图确定 | |
KR20220024425A (ko) | 자기 공명 이미징에서의 이미지 재구성을 위한 시스템들 및 방법들 | |
Merlet et al. | Compressed sensing for accelerated EAP recovery in diffusion MRI | |
US11875509B2 (en) | System and method for determining undersampling errors for a magnetic resonance fingerprinting pulse sequence | |
Chaithya et al. | Optimizing full 3d sparkling trajectories for high-resolution magnetic resonance imaging | |
CN115356672B (zh) | 多维磁共振成像方法、系统及存储介质 | |
Barbieri et al. | A deep learning approach for magnetic resonance fingerprinting: Scaling capabilities and good training practices investigated by simulations. | |
US20230044166A1 (en) | Accelerated time domain magnetic resonance spin tomography | |
Layton et al. | Performance analysis for magnetic resonance imaging with nonlinear encoding fields | |
CN114255291A (zh) | 用于磁共振参数定量成像的重建方法、系统 | |
Liu et al. | Acceleration strategies for MR-STAT: achieving high-resolution reconstructions on a desktop PC within 3 minutes | |
Chaithya et al. | Optimizing full 3D SPARKLING trajectories for high-resolution T2*-weighted Magnetic Resonance imaging | |
CN109471053A (zh) | 一种基于双约束的介电特性迭代成像方法 | |
Gutierrez et al. | Reducing the complexity of model-based MRI reconstructions via sparsification | |
CN113567901B (zh) | 一种磁共振旋转坐标系下的自旋晶格弛豫成像方法和系统 | |
US20220261629A1 (en) | Training a multi-stage network to reconstruct mr images | |
CN113050009B (zh) | 三维磁共振快速参数成像方法和装置 | |
CN115685031A (zh) | 多维磁共振成像方法及装置 | |
Grosser et al. | Optimized sampling patterns for the sparse recovery of system matrices in Magnetic Particle 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 |