CN116230239A - 用于磁共振弥散加权成像的多参数后处理模型的构建方法 - Google Patents

用于磁共振弥散加权成像的多参数后处理模型的构建方法 Download PDF

Info

Publication number
CN116230239A
CN116230239A CN202310093855.2A CN202310093855A CN116230239A CN 116230239 A CN116230239 A CN 116230239A CN 202310093855 A CN202310093855 A CN 202310093855A CN 116230239 A CN116230239 A CN 116230239A
Authority
CN
China
Prior art keywords
dwi
value
model
vdc
ivim
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.)
Pending
Application number
CN202310093855.2A
Other languages
English (en)
Inventor
吴东梅
张成秀
杨光
戴勇鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Normal University
Original Assignee
East China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Normal University filed Critical East China Normal University
Priority to CN202310093855.2A priority Critical patent/CN116230239A/zh
Publication of CN116230239A publication Critical patent/CN116230239A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种用于磁共振弥散加权成像的多参数后处理模型的构建方法，针对DWI信号在不同弥散敏感系数b下的变化侧重反映生物组织结构不同方面的特征，通过利用统一的数学描述，解决目前的后处理模型只针对某一b值范围DWI信号建立，不能全面反映生物组织结构特征的局限性。该模型考虑在高b值下，生物组织中细胞壁、细胞外基质等限制水分子的扩散运动不再呈高斯性，低b值下，毛细血管中血流微循环引起体素内质子相位不相干从而影响了DWI信号值的变化，所构建的IVIM‑VDC模型统一描述DWI信号值在不同b值下发生的变化，并将每个b值与其对应的DWI图像的信号分段利用后处理模型IVIM‑VDC拟合，输出IVIM‑VDC模型相应参数，更能全面反映生物组织结构特征。

Description

用于磁共振弥散加权成像的多参数后处理模型的构建方法
技术领域
本发明属于图像处理和医学技术领域，涉及一种用于磁共振弥散加权成像(DWI)的多参数后处理模型(IntraVoxel Incoherent Motion and Varying DiffusionCurvature,IVIM_VDC)的构建方法。
背景技术
磁共振弥散加权成像(Diffusion-Weighted Imaging,DWI)方法通过利用运动敏感梯度来检测水分子的扩散受限运动，从而间接反映组织微观结构的变化，包括细胞密度、细胞尺寸、以及组织成分改变等，是目前唯一能够反映活体内水分子在组织内运动状态的成像技术。传统的DWI分析模型假设人体组织是单一均匀结构，水分子的微观运动遵循高斯分布，这种情况下如果存在弥散加权梯度，扩散运动引起的信号衰减可以用单指数衰减模型(6)来描述，拟合DWI方法在不同弥散敏感系数下采集的信号，通过公式(7)能够得到表观弥散系数(Apparent Diffusion Coefficient,ADC)，ADC可以反映水分子宏观的扩散运动能力，从而可以作为区分良恶性肿瘤的定量指标。
Sb＝S0*exp(-b*ADC) (6)
其中，Sb为弥散敏感系数值为b时的DWI信号值，S0为弥散敏感系数值为0(无弥散敏感梯度)时的DWI信号值。通过采集两个不同弥散敏感系数值对应的DWI图像，利用公式(7)对两个不同b值b1和b2下采集的DWI图像信号值
Figure BDA0004071119020000011
和/>
Figure BDA0004071119020000012
进行拟合，计算ADC值。
Figure BDA0004071119020000013
然而，在生物组织中，水分子与周围结构(细胞壁、细胞外基质等)相互作用，这些结构充当屏障，导致扩散运动的受限，水分子的扩散运动不再满足高斯分布。同时，毛细血管中血流的微循环也会引起体素内质子相位不相干，这些因素导致DWI信号不再随着弥散敏感系数b以单指数方式衰减。研究发现，当弥散敏感系数b<200s/mm2时信号衰减主要来自毛细血管中血流的微循环，而当b>1000s/mm2时，水分子扩散运动的非高斯分布在信号上表现更加明显。而单指数衰减方式(7)拟合得到的ADC反映的是体素内的平均弥散系数，无法提供更多反映成分和结构变化的信息，并且，ADC值对b值敏感性导致ADC值的一致性在临床应用上也受到限制，因此，经典的单指数DWI分析模型具有一定的局限性。
针对不同b值范围内水分子扩散运动的特征，有研究提出体素内不相干运动(intravoxel incoherent motion,IVIM)模型、弥散峰度模型(diffusion kurtosisimaging,DKI)模型，分数微积分(fractional order calculus,FROC)模型、拉伸指数(stretched exponential model,SEM)模型、变弥散曲率(varying diffusion curvature,VDC)模型等。这些有针对性的扩散模型的提出基于物理定律、组织结构以及生物物理约束。
其中，VDC模型建立在假设由于亚体素内组织结构和成分的复杂性，弥散加权系数D(b)随着弥散敏感系数b变化，
D(b)＝D0*exp(-b*D1) (8)
方程(8)中弥散加权系数D0对应于受阻扩散，而弥散加权系数D1对受限扩散更加敏感，能反映组织的复杂性。
DWI信号Sb随b值以方程(9)给定的方式衰减
Figure BDA0004071119020000021
能够反映亚体素内组织结构和成分导致的D(b)的变化。
IVIM模型是个双指数模型，将毛细血管(体积分数为f)中的血流效应，用伪弥散系数D*来表征，水扩散效应用弥散系数D来表征，DWI信号Sb随b值以方程(10)给定的模型衰减
Sb＝S0*(f*exp(-b*D*)+(1-f)*exp(-b*D)) (10)
DWI信号在不同弥散敏感系数(b)下的变化会侧重反映生物组织结构不同方面的特征，而目前的DWI后处理模型只能针对某一b值范围DWI信号进行处理，不能全面反映组织结构特征，具有一定的局限性。
发明内容
本发明的目的是提供一种用于磁共振弥散加权成像(DWI)的多参数后处理模型(IVIM_VDC)的构建方法，该方法结合高b值下，生物组织中的水分子与周围结构(细胞壁、细胞外基质等)相互作用，这些结构充当屏障，导致扩散运动的受限，水分子的扩散运动不再呈高斯性，导致DWI信号不再以单指数衰减，而低b值情况下，毛细血管中血流的微循环引起体素内质子相位不相干，活体组织内水分子的扩散，同时毛细血管网络中微循环灌注的都影响了DWI信号值的变化，将DWI信号在不同b值下的变化用IVIM_VDC模型统一描述，模型生成的参数尽可能全面地反映生物组织结构的多样性，因此，构建的模型对DWI信号的拟合优度更好，可用于良、恶性肿瘤的辅助诊断。
实现本发明目的的具体技术方案是：
一种用于磁共振弥散加权成像(DWI)的多参数后处理模型(IVIM_VDC)的构建方法，具体包括如下步骤：
步骤1：使用多b值采集一组DWI数据，所述b值为弥散敏感系数；
步骤2：对采集的DWI数据进行去除Rician噪声处理；
步骤3：构建DWI多参数后处理模型IVIM_VDC：
Figure BDA0004071119020000031
其中，b为弥散敏感系数，Sb为弥散敏感系数为b值时的DWI信号值，S0为弥散敏感系数b值为0时的DWI信号值，f为灌注效应的体积分数，D*为伪弥散加权系数，弥散加权系数D0对应于受阻扩散，弥散加权系数D1对受限扩散更加敏感，反应组织的复杂度；
步骤4：将每个b值与其对应的DWI信号使用模型IVIM-VDC进行拟合，从而计算出IVIM-VDC模型的参数S0、f、D*、D0和D1；其中：
所构建的DWI多参数后处理模型IVIM_VDC，是一种将DWI信号在不同b值下变化用一个数学表达综合描述的模型，要在不同的b值范围内采集DWI数据；步骤1所述多b值，是有至少4个最高200s/mm2的b值、有至少2个最低200s/mm2最高1000s/mm2的b值和有至少2个最小1000s/mm2的b值。
步骤2所述对DWI数据进行去除Rician噪声处理，具体处理过程采用如下去噪方程：
Figure BDA0004071119020000032
其中Sraw为磁共振扫描采集的DWI信号，Snoise为背景噪声值，Scorr为Rician噪声去除后的DWI信号；在每个b值对应的DWI图像背景区域选取20像素*20像素大小的噪声感兴趣区域，计算每个b值对应的DWI图像噪声感兴趣区域的信号的平均值Snoise，使用上述去噪方程对每个b值对应的DWI图像进行逐个像素的去噪计算，得到Rician噪声去除后的DWI信号数据Scorr。
所述步骤4，具体包括：在逐点(每个b值与其对应的DWI信号)进行非线性拟合的方法中，为了减小IVIM_VDC模型多参数带来的重建时间长，且参数可能出现异常值的问题，对于IVIM-VDC的拟合选用分段拟合的方式，首先，选取b值最低200s/mm2并且最高1000s/mm2的DWI数据，按照公式：
Sb＝S0*(1-f)*exp(-b*D0) (3)
使用非线性最小二乘法进行拟合，估算f，D0，以及S0值；
其次，选取b值最低1000s/mm2的DWI数据，按照公式：
Figure BDA0004071119020000033
将方程(3)估算的f，D0代入方程(4)，以方程(3)估算的S0作为初始值使用非线性最小二乘法进行拟合，估算D1和S0；
最后，保持估算的f，D0以及D1不变，方程(4)估算的S0保持不变，对IVIM-VDC模型方程(1)进行拟合，估算S0以及D*值；
经过所述三个拟合过程获得f，D0，D1，S0以及D*值。
对比本发明的IVIM_VDC模型与单指数衰减DWI模型、IVIM模型、VDC模型以及DKI模型的拟合优度，对每个模型计算赤池信息量准则(Akaike information criterion,AIC)，通过对比AIC值来保证模型的拟合优度。所述的AIC，其表示为：
AIC＝N*ln(SSE)-N·ln(N)+2k (5)
其中，N为拟合的点数，对应为总共的b值数目，SSE为模型拟合的残差平方和，k为模型中的待拟合参数数目，通过比较AIC值的大小对单指数DWI模型，IVIM，VDC，DKI以及IVIM-VDC模型，最优模型为AIC值最小的模型。
本发明提出的用于磁共振弥散加权成像的多参数后处理模型的构建方法，通过统一的数学描述结合了IVIM模型与VDC模型的优点，一方面能更好地拟合DWI信号，另一方面，可以同时获得组织中的血液灌注信息，以及亚体素组织结构和成分的信息。这些信息可用于区分不同类型的组织，以及评估疾病对组织微观结构的影响。并且，本构建方法能够减少使用不同模型的成本，极大的提高了临床辅助诊断的效率。
附图说明
图1是本发明的流程图；
图2为本发明的IVIM_VDC模型，VDC模型，IVIM模型，DKI模型以及单指数DWI模型对一例乳腺肿瘤DWI信号的拟合结果显示图；
图3为图2在低b值(0～400s/mm2)范围DWI信号的拟合结果显示图；
图4为图2在高b值(800～3000s/mm2)范围DWI信号的拟合结果显示图。
具体实施方式
以下结合附图及实施例对本发明作详细描述。
参阅图1，本发明过包括以下具体步骤：
(1)使用多个梯度方向、多b值采集弥散加权成像(DWI)数据；
(2)对DWI图像数据进行去除Rician噪声处理；
Figure BDA0004071119020000041
其中Sraw为原始DWI信号，Snoise为背景噪声强度，Scorr为Rician噪声去除后的DWI信号；
(3)构建DWI多参数后处理模型IVIM_VDC：
Figure BDA0004071119020000042
其中，b为弥散敏感系数，Sb为弥散敏感系数为b值时的DWI信号值，S0为弥散敏感系数b值为0时的DWI信号值，f为灌注效应的体积分数，D*为伪弥散加权系数，D0对应于受阻扩散的，类似与单指数衰减模型的ADC，而弥散加权系数D1对受限扩散更加敏感，反应组织的复杂度。对于IVIM-VDC的拟合过程选用分段拟合。
首先，选取b值大于200s/mm2并且小于1000s/mm2的DWI图像，按照公式：
Sb＝S0*(1-f)*exp(-b*D0) (3)
使用非线性最小二乘法进行拟合，估算f，D0，以及S0值；
其次，选取大于1000s/mm2的DWI图像，按照公式：
Figure BDA0004071119020000051
将方程(3)估算的f，D0代入方程(4)，以方程(3)估算的S0作为初始值使用非线性最小二乘法进行拟合，估算D1和S0。
最后，保持估算的f，D0以及D1不变，方程(4)估算的S0保持不变，对IVIM-VDC模型方程(2)进行拟合，估算S0以及D*值。经过以上三个拟合过程获得f，D0，D1，S0以及D*值。
(4)评估单指数衰减模型、DKI模型、IVIM模型、VDC模型以及IVIM-VDC模型的拟合优度，对每个模型计算AIC值，通过对比，AIC值最低的模型为最优的拟合模型。
AIC＝N*ln(SSE)-N·ln(N)+2k (5)
其中，N为拟合的点数，对应为总共的b值数目，SSE为模型拟合的残差平方和，k为模型中的拟合参数数目，通过比较AIC值的大小对单指数模型，DKI、IVIM，VDC以及IVIM-VDC模型，最优模型为AIC值最小的模型。
实施例
1.1多b值弥散数据采集
本实施例中，使用的数据源于3T磁共振设备(Siemens 3T MAGNETOM Prisma)采集的64例乳腺DWI数据。采集参数如下：3个正交弥散梯度，采集16个b值的DWI图像，b值分别为b＝0，10，20，30，50，70，100，150，200，400，800，1200，1500，2000，2500，3000s/mm2，重复时间(Repetition time，TR)/回波时间(Echo time，TE)＝4000ms/67ms，FOV＝190*350mm2，采集矩阵大小：104×192，层厚：4mm(所述参数可视具体扫描部位进行调整)。
1.2数据去噪声
由于MRI中的噪声会使所采集的DWI信号产生偏差，首先校准了弥散数据中的信号强度，排除噪声干扰。具体流程如下：
在每个b值对应的DWI图像背景区域选取20*20像素大小的噪声感兴趣区域，计算每个b值对应的DWI图像噪声感兴趣区域的信号的平均值Snoise，利用如下公式得到校正的信号强度Scorr；
Figure BDA0004071119020000052
对每个b值对应的DWI图像进行逐个像素的去噪计算，得到Rician噪声去除后的DWI信号数据Scorr。
1.3IVIM-VDC模型分析
去除后的DWI信号数据Scorr使用多参数后处理模型IVIM_VDC：
Figure BDA0004071119020000061
其中，b为弥散敏感系数，Sb为弥散敏感系数为b值时的DWI图像经过公式(2)校正后的信号值，S0为弥散敏感系数b值为0时的DWI图像经过公式(2)校正后的信号值，f为灌注效应的体积分数，D*为伪弥散加权系数，D0对应于受阻扩散的弥散加权系数，，弥散加权系数D1对受限扩散更加敏感，反应组织的复杂度。对于IVIM-VDC的拟合选用分段拟合。
首先，选取b值200s/mm2,400s/mm2，800s/mm2的DWI图像，按照公式：
Sb＝S0*(1-f)*exp(-b*D0) (3)
使用非线性最小二乘法进行拟合，估算f，D0，以及S0值；
然后，选取1200s/mm2以上的DWI图像，按照公式：
Figure BDA0004071119020000062
将的D0代入方程，以方程(3)估算的S0，f作为初始值使用非线性最小二乘法进行拟合，估算D1，S0，f。最后，保持估算的D0以及D1不变，对IVIM-VDC模型方程(1)进行拟合，估算S0、D*，以及f值。经过以上三个拟合过程获得f，D0，D1，S0以及D*值。
1.4模型测试与验证
为评价IVIM-VDC分析模型与DWI数据的吻合程度，将IVIM-VDC模型与IVIM，VDC，DKI模型以及单指数模型进行比较，如下所示，对每个模型计算AIC值，通过对比，AIC值最低的模型为最优的拟合模型。
AIC＝N*ln(SSE)-N·ln(N)+2k (5)
其中，N为拟合的点数，对应为总共的b值数目，SSE为模型拟合的残差平方和，k为模型中的拟合参数数目。
本实施例中，IVIM_VDC，VDC，IVIM，DKI与单指数DWI模型的AIC值如表1所示，IVIM_VDC的AIC值最低，且与其它模型的AIC值有显著性差异(P<0.01)。对本实施例来说，IVIM_VDC分析模型是5种弥散加权成像后处理模型中最优的多参数分析模型。其中，图2为本发明的IVIM_VDC模型与VDC模型，IVIM模型，DKI模型以及单指数DWI模型对一例乳腺肿瘤DWI信号的拟合结果显示图；从图中可以看出IVIM_VDC模型拟合的信号值与原始的DWI值吻合度最高，其它模型的拟合信号值都在不同的b值范围内偏离DWI信号，为了更清楚地进行比较，图3、图4分别从低b值(0～400s/mm2)和高b值(800～3000s/mm2)范围内给出了IVIM_VDC，VDC，IVIM，DKI与单指数DWI模型的信号拟合图比较。图3为图2在低b值(0～400s/mm2)范围DWI信号的拟合结果显示图；图中显示低b值时，IVIM_VDC与IVIM模型的信号拟合效果优于其它模型，其中单指数DWI模型的信号拟合效果最差，图示结果与低b值下血流灌注会影响DWI值的现象吻合。图4为图2在高b值(800～3000s/mm2)范围DWI信号的拟合结果显示图；图中显示高b值时，IVIM_VDC模型的拟合信号与DWI值差异最小，拟合效果优于其它模型。当b值时高于2000s/mm2，DKI、VDC模型拟合信号与DWI值差异减小，与这两个模型能解释高b值下弥散运动的非高斯现象吻合。因此综合考虑了血流灌注与非高斯性的弥散运动IVIM_VDC模型与DWI值吻合度最高，最能反映DWI值的变化。
上述实施例仅为该发明的一个应用，不表示对本发明应用范围的限定。通过实施例分析，相对于传统的单指数衰减DWI、VDC、IVIM，DKI、IVIM_VDC分析模型对DWI信号的拟合度更好，更有利于良性与恶性肿瘤的区分。本发明不局限于某个特定的身体部位，可广泛应用于其它部位的肿瘤成像。
表1
AIC Pvalue
IVIM_VDC -130.82±13.63
VDC -111.56±9.45 <0.0001
DKI -127.37±12.93 0.0012
IVIM -117.54±9.37 <0.0001
DWI -80.10±8.47 <0.0001

Claims (3)

1.一种用于磁共振弥散加权成像的多参数后处理模型的构建方法，其特征在于，该方法具体包括如下步骤：
步骤1：使用多b值采集一组DWI数据，所述b值为弥散敏感系数；
步骤2：对采集的DWI数据进行去除Rician噪声处理；
步骤3：构建DWI多参数后处理模型IVIM_VDC：
Figure FDA0004071119010000011
其中，b为弥散敏感系数，Sb为弥散敏感系数为b值时的DWI信号值，S0为弥散敏感系数b值为0时的DWI信号值，f为灌注效应的体积分数，D*为伪弥散加权系数，弥散加权系数D0对应于受阻扩散，弥散加权系数D1对受限扩散更加敏感，反应组织的复杂度；
步骤4：将每个b值与其对应的DWI信号使用模型IVIM-VDC进行拟合，从而计算出IVIM-VDC模型的参数S0、f、D*、D0和D1；其中：
所构建的DWI多参数后处理模型IVIM_VDC，是一种将DWI信号在不同b值下变化用一个数学表达综合描述的模型，要在不同的b值范围内采集DWI数据；步骤1所述多b值，是有至少4个最高200s/mm2的b值、有至少2个最低200s/mm2最高1000s/mm2的b值和有至少2个最小1000s/mm2的b值。
2.根据权利要求1所述的构建方法，其特征在于，步骤2所述对DWI数据进行去除Rician噪声处理，具体处理过程采用如下去噪方程：
Figure FDA0004071119010000012
其中Sraw为磁共振扫描采集的DWI信号，Snoise为背景噪声值，Scorr为Rician噪声去除后的DWI信号；在每个b值对应的DWI图像背景区域选取20像素*20像素大小的噪声感兴趣区域，计算每个b值对应的DWI图像噪声感兴趣区域的信号的平均值Snoise，使用上述去噪方程对每个b值对应的DWI图像进行逐个像素的去噪计算，得到Rician噪声去除后的DWI信号数据Scorr。
3.根据权利要求1所述的构建方法，其特征在于，所述步骤4，具体包括：
选用分段拟合的方式，首先，选取b值最低200s/mm2并且最高1000s/mm2的DWI数据，按照公式：
Sb＝S0*(1-f)*exp(-b*D0) (3)
使用非线性最小二乘法进行拟合，估算f，D0，以及S0值；
其次，选取b值最低1000s/mm2的DWI数据，按照公式：
Figure FDA0004071119010000013
将方程(3)估算的f，D0代入方程(4)，以方程(3)估算的S0作为初始值使用非线性最小二乘法进行拟合，估算D1和S0；
最后，保持估算的f，D0以及D1不变，方程(4)估算的S0保持不变，对IVIM-VDC模型方程(1)进行拟合，估算S0以及D*值；
经过所述三个拟合过程获得f，D0，D1，S0以及D*值。
CN202310093855.2A 2023-02-10 2023-02-10 用于磁共振弥散加权成像的多参数后处理模型的构建方法 Pending CN116230239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310093855.2A CN116230239A (zh) 2023-02-10 2023-02-10 用于磁共振弥散加权成像的多参数后处理模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310093855.2A CN116230239A (zh) 2023-02-10 2023-02-10 用于磁共振弥散加权成像的多参数后处理模型的构建方法

Publications (1)

Publication Number Publication Date
CN116230239A true CN116230239A (zh) 2023-06-06

Family

ID=86572529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310093855.2A Pending CN116230239A (zh) 2023-02-10 2023-02-10 用于磁共振弥散加权成像的多参数后处理模型的构建方法

Country Status (1)

Country Link
CN (1) CN116230239A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173173A (zh) * 2023-11-01 2023-12-05 华中科技大学同济医学院附属同济医院 一种弥散加权成像的无精症分类筛查方法
CN117233676A (zh) * 2023-11-15 2023-12-15 之江实验室 一种回波时间依赖的磁共振扩散成像信号生成方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173173A (zh) * 2023-11-01 2023-12-05 华中科技大学同济医学院附属同济医院 一种弥散加权成像的无精症分类筛查方法
CN117233676A (zh) * 2023-11-15 2023-12-15 之江实验室 一种回波时间依赖的磁共振扩散成像信号生成方法和装置
CN117233676B (zh) * 2023-11-15 2024-03-26 之江实验室 一种回波时间依赖的磁共振扩散成像信号生成方法和装置

Similar Documents

Publication Publication Date Title
CN104574298B (zh) 一种基于互信息的多b值扩散权重图像的降噪方法
US9404986B2 (en) Measuring biological tissue parameters using diffusion magnetic resonance imaging
JP6553723B2 (ja) 構造的空間周波数を評価するための選択的サンプリング磁気共鳴ベースの方法
CN116230239A (zh) 用于磁共振弥散加权成像的多参数后处理模型的构建方法
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
CN107240125B (zh) 一种扩散加权成像方法
Adams et al. Quantifying cardiac‐induced brain tissue expansion using DENSE
CN110346743B (zh) 一种磁共振弥散加权成像方法和装置
JP5591687B2 (ja) 画像処理方法
Jones et al. High-fidelity approximation of grid-and shell-based sampling schemes from undersampled DSI using compressed sensing: Post mortem validation
Wang et al. A faithful deep sensitivity estimation for accelerated magnetic resonance imaging
CN114359426A (zh) 一种应用于肿瘤评估的磁共振弥散多成分谱分析模型的构建方法
CN104504657A (zh) 磁共振弥散张量去噪方法和装置
Kathiravan et al. A review of magnetic resonance imaging techniques
US20160054420A1 (en) Compensated magnetic resonance imaging system and method for improved magnetic resonance imaging and diffusion imaging
CA2974745C (en) System and method for detection of collagen using magnetic resonance imaging
CN112581385A (zh) 基于多先验约束扩散峰度成像张量估计方法、介质和设备
CN114983389B (zh) 基于磁共振扩散张量成像的人脑轴突密度定量评估方法
CN111598963A (zh) 基于字典学习的定量磁化率成像方法及装置
Li et al. Learning ADC maps from accelerated radial k‐space diffusion‐weighted MRI in mice using a deep CNN‐transformer model
CN110992435A (zh) 图像重建方法及设备、成像数据的处理方法及装置
CN115137347A (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
CN113854995A (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
Fadnavis et al. Nuq: A noise metric for diffusion mri via uncertainty discrepancy quantification
Wang et al. Intravoxel incoherent motion magnetic resonance imaging reconstruction from highly under-sampled diffusion-weighted PROPELLER acquisition data via physics-informed residual feedback unrolled network

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