CN116299107A - 基于重叠回波的磁共振快速水脂分离定量成像方法及系统 - Google Patents

基于重叠回波的磁共振快速水脂分离定量成像方法及系统 Download PDF

Info

Publication number
CN116299107A
CN116299107A CN202310329562.XA CN202310329562A CN116299107A CN 116299107 A CN116299107 A CN 116299107A CN 202310329562 A CN202310329562 A CN 202310329562A CN 116299107 A CN116299107 A CN 116299107A
Authority
CN
China
Prior art keywords
magnetic resonance
neural network
deep neural
water
fat
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
CN202310329562.XA
Other languages
English (en)
Inventor
蔡聪波
林青
陈维锟
蔡淑惠
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202310329562.XA priority Critical patent/CN116299107A/zh
Publication of CN116299107A publication Critical patent/CN116299107A/zh
Pending legal-status Critical Current

Links

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
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • 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
    • 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
    • G01R33/58—Calibration of imaging systems, e.g. using test probes, Phantoms; Calibration objects or fiducial markers such as active or passive RF coils surrounding an MR active material
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

基于重叠回波的磁共振快速水脂分离定量成像方法及系统，涉及磁共振成像领域。包括：设计基于重叠回波的水脂分离磁共振成像序列并确定其采样参数；在满足序列和序列参数性能要求的先进磁共振仪中添加序列及设置采样参数，并完成数据采集，获取磁共振数据；生成深度神经网络的训练样本；采用训练样本对深度神经网络进行训练，得到训练好的深度神经网络；采用训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像。能够实现磁共振快速水脂分离成像，并得到准确的水脂T2、T2 *定量参数值及准确的脂肪分数图。

Description

基于重叠回波的磁共振快速水脂分离定量成像方法及系统
技术领域
本发明涉及磁共振成像领域，特别是涉及一种基于重叠回波的磁共振快速水脂分离方法及系统。
背景技术
水脂分离在磁共振成像(Magnetic Resonance Imaging，MRI)中具有广泛的应用。已经开发了各种水脂分离技术，如化学位移成像(Peterson P,Mansson S.Simultaneousquantification of fat content and fatty acid composition using MRimaging.Magn Reson Med.2013；69:688-697)、频率选择性MRI(Meyer CH,Pauly JM,Macovski A,Nishimura DG.Simultaneous spatial and spectral selectiveexcitation.Magn Reson Med.1990；15:287-304)和基于Dixon的方法(Reeder SB,PinedaAR,Wen Z,et al.Iterative decomposition of water and fat with echo asymmetryand least-squares estimation(IDEAL):application with fast spin-echoimaging.Magn Reson Med.2005；54:636-644)。此外，水和脂肪信号的T2、T2 *弛豫时间可以为生物医学研究和疾病的临床诊断提供有价值的信息(Ster C L,Gambarota G,etal.Breath-hold MR measurements of fat fraction,T1,and T2 *of water and fat invertebral bone marrow.J Magn Reson Imaging.2016；44(3):549-555)。目前，已经提出用CPMG序列来获得水、脂各自的T2图的方法(Janiczek R L,Gambarota G,Sinclair C DJ,et al.Simultaneous T2 and lipid quantitation using IDEAL-CPMG.Magn ResonMed.2011；66(5):1293-1302)，然而其需要采集TE不同的多个图像来实现T2定量，需要很长的采集时间。基于多点化学位移的方法可以分离水和脂肪的信号并估计出T2 *图(BerglundJ,Kullberg J.Three-dimensional water/fat separation and T2 *estimation based onwhole-image optimization—Application in breathhold liver imaging at1.5T.Magn Reson Med.2012；67:1684-1693)，即使存在磁场不均匀性，也可以在0％-100％的整个动态范围内估计脂肪含量。然而，基于多点化学位移的水脂分离方法需要采集具有不同回波时间的多个图像，容易受到生理运动的影响，如呼吸或心脏搏动，或患者的身体运动(Reeder SB,McKenzie CA,Pineda AR,et al.Water-fat separation with IDEALgradient-echo imaging.J Magn Reson Imaging.2007；25:644-652)。此外，由于不同图像之间的回波时间间隔很短，上述水脂分离方法求得的T2 *定量值不准确，错误的T2 *估计值会导致脂肪分数不准确。
过长的采集时间和不准确的脂肪定量，对水脂分离的临床应用是不利的，因此需要一种能够实现快速水脂分离且准确脂肪定量的新方法。多重叠回波分离(Multipleoverlapping-echo detachment,MOLED)成像(Ma LC,Wu J,et al.Single-shot multi-parametric mapping based on multiple overlapping-echo detachment(MOLED)imaging.Neuroimage.2022；263:119645)通过在同一k空间中采集具有不同信号演化的多个磁共振回波信号，为加速磁共振参数定量成像提供一种创新的思路。
发明内容
本发明的目的是提供能够实现磁共振快速水脂分离成像，并得到准确的水脂T2、T2 *定量参数值及准确脂肪分数图的一种基于重叠回波的磁共振快速水脂分离定量成像方法及系统。
一种基于重叠回波的磁共振快速水脂分离定量成像方法，包括以下步骤：
1)设计基于重叠回波的水脂分离磁共振成像序列；
2)确定基于重叠回波的水脂分离磁共振成像序列的参数；
3)在满足序列和序列参数性能要求的先进磁共振仪中添加序列及设置采样参数，并完成数据采集，获取磁共振数据；
4)生成深度神经网络的训练样本；
5)采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
6)采用所述训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像。
在步骤2)中，所述基于重叠回波的水脂分离磁共振成像序列的参数包括但不限于：
(1)射频激发脉冲翻转角α的数量、大小以及脉冲形状；
(2)各个射频激发脉冲之间的时间间隔；
(3)读出模块的数量和各个读出模块中相位编码梯度和频率编码梯度的大小和方向；特别地，对于MOLED-T2序列，各个读出模块中施加重聚脉冲的时刻以及化学位移编码模块ΔTE的持续时间；
(4)各个移位梯度的大小和方向，使回波信号重聚在预期的k空间位置上；
(5)成像视野、成像矩阵、并行成像加速因子等其他参数。
在步骤4)中，所述生成深度神经网络的训练样本的具体步骤如下：
(1)将所述脉冲序列输入磁共振成像仿真软件中，依据真实实验的非理想性添加相应的非理想项，以尽量模拟真实情况；
(2)根据待测物特征生成设定量的随机模板(或利用具有待测物特征的MRI数据集生成模板)；模板中包含水和六个脂肪峰成分，各个成分的化学位移、质子密度、T2、T2 *等特征与待测物相匹配；模板的数量需要足够多，且有足够的复杂性，以保证重建质量良好；
(3)利用仿真软件对所述模板进行模拟采样，得到模板的磁共振信号；在模拟采样过程中，考虑到真实实验环境变化，加入不稳定因素，提高网络模型对不理想实验环境的鲁棒性；所述不稳定因素包括激发脉冲角度偏差、主磁场均匀性偏差、移位梯度偏差和噪声等；
(4)将模板各个成分的磁共振回波信号重排成二维k空间信号，二维傅里叶变换得到各个成分的磁共振图像，相加得到包含水脂成分的磁共振图像，对磁共振图像进行归一化、加噪处理；
(5)所述脉冲序列使用EPI读出模块，使得脂肪信号在相位编码方向上出现偏移，为矫正脂肪信号在磁共振图像中的位置，需要对磁共振图像进行相位编码方向上的循环移位操作；将移位前和移位后的磁共振图像和相应的模板构成一个训练样本，得到设定量的训练样本，构成训练样本集。
在步骤5)中，所述对深度神经网络进行训练的具体步骤包括；
(1)确定深度神经网络的网络结构；
(2)确定深度神经网络的输入数据和标签数据；
(3)确定训练深度神经网络的损失函数。
(4)训练深度神经网络时，将训练样本集分批次输入深度神经网络进行迭代训练，每次训练网络计算出损失函数的值，根据该值自动调整神经网络的参数值使损失函数的值减小，重复上述训练直至损失函数的值不再减小，保存深度神经网络参数。
在步骤6)中，所述采用所述训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像的具体步骤可为：
(1)对实际成像物体的磁共振图像进行归一化、循环移位等操作，构成测试样本；
(2)将测试样本输入到所述训练好的深度神经网络，对所述实际成像物体的磁共振图像进行重建，得到水脂分离图像。
一种基于重叠回波的磁共振快速水脂分离系统，依次包括脉冲序列设计模块、信号采集模块、训练样本集生成模块、深度神经网络确定模块、水脂分离图像重建模块；
所述脉冲序列设计模块，用于设计基于重叠回波的磁共振成像序列；确定基于重叠回波的磁共振成像序列的采样参数；
所述信号采集模块，用于利用脉冲序列在设定的采样参数下,利用性能良好的磁共振仪对待测物进行采样，得到待测物的重叠回波磁共振信号；
所述训练样本集生成模块，用于根据待测物特征模拟生成设定量的深度神经网络训练样本，构成训练样本集，
所述深度神经网络确定模块，用于确定用于水脂分离图像重建的深度神经网络；采用训练样本集对深度神经网络进行训练，获得训练好的深度神经网络；
水所述脂分离图像重建模块，用于将磁共振仪器中获取的重叠回波磁共振图像输入训练好的深度神经网络进行重建，获得待测物的水脂分离图像。
本发明提出一种利用MOLED技术实现快速水脂分离的新方法。本发明给已有的MOLED序列加入化学位移编码模块，以获取到具有不同水脂相位差的回波信号。在利用深度学习进行水脂图像的重建时，本发明考虑到脂肪信号的多峰特性以及在EPI读出模块中脂肪信号沿相位编码维的偏移，生成合适的训练样本。本发明可以准确地分离水和脂肪图像，并得到准确的水脂T2、T2 *定量参数值及准确的脂肪分数图。本发明序列采集时间短，成像速度快；本发明能分别得到水和脂的T2、T2 *定量参数图，以及脂肪分数图；本发明采用多脂肪峰模型，获取的脂肪分数更准确。
附图说明
图1为本发明磁共振快速水脂分离方法流程图；
图2为本发明化学位移编码的MOLED-T2磁共振成像序列图；
图3为本发明MOLED-T2 *磁共振成像序列图；
图4为本发明磁共振快速水脂分离系统示意图；
图5为本发明MOLED-T2水脂分离结果图；
图6为本发明MOLED-T2 *水脂分离结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于重叠回波的磁共振快速水脂分离方法及系统，能够实现磁共振快速水脂分离成像，并得到准确的水脂T2、T2 *定量参数值及准确的脂肪分数图。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明磁共振快速水脂分离方法流程图。如图1所示，一种基于重叠回波的磁共振快速水脂分离方法，包括：
S1：设计基于重叠回波的水脂分离磁共振成像序列。
S2：确定基于重叠回波的水脂分离磁共振成像序列的参数。
S3：在满足序列和序列参数性能要求的先进磁共振仪中添加序列及设置采样参数，并完成数据采集，获取磁共振数据。
S4：生成深度神经网络的训练样本。
S5：采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络。
S6：采用所述训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像。
接下来将对上述各步骤做详细描述：
如图2所示，为本发明化学位移编码的MOLED-T2磁共振成像序列图。
为了在极短的时间内获得具有不同T2加权的信号，成像序列通过连续施加小角度激发脉冲α来获得一系列的回波信号。激发脉冲翻转角的大小、激发脉冲的数量以及激发脉冲之间的时间间隔根据实际需要设定，图2中仅展示施加4个激发脉冲的情况。每个激发脉冲后都会施加频率编码和相位编码方向上的移位梯度(GROi,GPEi，i＝1,2,3,4)，移位梯度的大小和方向根据实际需要设定，使回波信号重聚在预期的k空间位置上。成像序列可以施加不同数量的读出模块,图2中仅展示使用两个读出模块的情况，每个读出模块前施加180°重聚脉冲β，因此采集到T2加权的回波信号。在每个重聚脉冲两侧施加包括频率编码维、相位编码维和层面选择维的破坏梯度。
特别地，为采集到具有不同水脂相位差的回波信号，需要在每个读出模块之前添加化学位移编码模块ΔTE。ΔTE＝(1fcs)(Φ/360°)，其中fcs为在给定场强下的水和主脂肪峰之间的相对化学位移，Φ为ΔTE对应的水脂相位差。当ΔTE为0时，采集到水脂同相的回波信号，当ΔTE不为0时，可以采集到水脂不同相的回波信号。当ΔTE大于0时，表示读出模块延迟，当ΔTE小于0时，表示读出模块提前。
假设在第l次扫描时，第m个读出模块中的化学位移编码模块为ΔTEl,m，则具有回波时间TEn的第n个回波信号Sl,m,n可以表示为：
Figure BDA0004154456900000061
其中W和F表示复数的水和脂肪信号。本发明使用一个六脂肪峰模型，每个脂肪峰的相对振幅aj及其相对于水的化学位移Δfj为先验信息(Yu H,Shimakawa A,etal.Multiecho water-fat separation and simultaneous R2 *estimation withmultifrequency fat spectrum modeling.Magn Reson Med.2008；6033(5):1122-1134)。
Figure BDA0004154456900000062
(Hz)是由主磁场不均匀性引起的频率偏移。T2,w是水的T2，而T2,f则是脂肪的T2。本发明假设所有脂肪峰具有相等的T2。
利用不同化学位移编码得到的具有不同水脂相位差的回波信号，MOLED-T2序列可以实现水脂分离。此外，MOLED-T2序列每次采集能得到T2权重不同的多个回波信号，因此本发明能实现水、脂各自的T2定量成像，并能够得到经过T2矫正的脂肪分数图。
如图3所示，为本发明MOLED-T2 *磁共振成像序列图。
与MOLED-T2序列不同的是，MOLED-T2 *序列的读出模块前不施加180°重聚脉冲，均采用GRE-EPI读出方式。MOLED-T2 *序列单次扫描就能得到具有不同T2 *权重且不同水脂相位差的多个回波信号。具有回波时间TEn的第n个回波信号Sn可以表示为：
Figure BDA0004154456900000063
其中，
Figure BDA0004154456900000064
是水的T2 *，而/>
Figure BDA0004154456900000065
则是脂肪的T2 *。本发明假设所有脂肪峰具有相等的T2 *。
本发明能利用MOLED-T2 *序列实现单扫描水、脂各自的T2 *定量成像，并能够得到经过T2 *矫正的脂肪分数图。
在使用MOLED-T2或MOLED-T2 *序列进行采集前，需要根据待测组织特征，确定基于重叠回波的水脂分离磁共振成像序列的采样参数，具体包括：
确定射频激发脉冲翻转角α的数量、大小以及脉冲形状；
确定各个射频激发脉冲之间的时间间隔；
确定读出模块的数量和各个读出模块中相位编码梯度和频率编码梯度的大小和方向。特别地，对于MOLED-T2序列，还需确定各个读出模块中施加重聚脉冲的时刻以及化学位移编码模块ΔTE的持续时间；
确定各个移位梯度的大小和方向，使回波信号重聚在预期的k空间位置上；
确定成像视野、成像矩阵、并行成像加速因子等其他参数；
接下来，在满足序列和序列参数性能要求的先进磁共振仪中添加序列及设置采样参数，并完成数据采集，获取磁共振数据。
在确定深度神经网络前，本发明考虑到深度神经网络需要大量的训练样本，而真实的训练样本难以获得，因此，本发明利用模拟方法生成深度神经网络所需的训练样本，具体步骤如下：
将所述脉冲序列输入磁共振成像仿真软件中，并且依据真实实验的非理想性添加相应的非理想项，以尽量模拟真实情况；
根据所述待测物特征生成设定量的随机模板(或利用具有待测物特征的MRI数据集生成模板)；模板中包含水和六个脂肪峰成分，各个成分的化学位移、质子密度、T2、T2 *等特征与待测物相匹配；模板的数量需要足够多，且有足够的复杂性，以保证重建质量良好。数量越多，重建质量越好。
利用仿真软件对所述模板进行模拟采样，得到模板的磁共振信号；在模拟采样过程中，考虑到真实实验环境变化，加入不稳定因素，提高网络模型对不理想实验环境的鲁棒性；所述不稳定因素包括激发脉冲角度偏差、主磁场均匀性偏差、移位梯度偏差和噪声等。
将模板各个成分的磁共振回波信号重排成二维k空间信号，然后进行二维傅里叶变换，得到各个成分的磁共振图像，并进行相加，得到包含水脂成分的磁共振图像，并对磁共振图像进行归一化、加噪处理；
所述脉冲序列使用了EPI读出模块，使得脂肪信号在相位编码方向上出现偏移，为矫正脂肪信号在磁共振图像中的位置，需要对磁共振图像进行相位编码方向上的循环移位操作。将移位前和移位后的磁共振图像和相应的模板构成一个训练样本，得到设定量的训练样本，构成训练样本集。
MOLED-T2和MOLED-T2 *的仿真数据分别按照上述流程生成和处理，构成各自的训练样本集。
采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络，具体包括：
确定深度神经网络的网络结构；
确定深度神经网络的输入数据和标签数据；
确定训练深度神经网络的损失函数。
训练深度神经网络时，将训练样本集分批次输入深度神经网络进行迭代训练，每次训练网络计算出损失函数的值，根据该值自动调整神经网络的参数值使损失函数的值减小，重复上述训练直至损失函数的值不再减小，保存深度神经网络参数。
采用所述训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像，具体包括：
对实际成像物体的磁共振图像进行归一化、循环移位等操作，构成测试样本；
将测试样本输入到所述训练好的深度神经网络，对所述实际成像物体的磁共振图像进行重建，得到水脂分离图像。
图4为本发明磁共振快速水脂分离系统流程图。如图4所示，一种基于重叠回波的磁共振快速水脂分离系统，包括：
脉冲序列设计模块，用于设计基于重叠回波的水脂分离磁共振成像序列；确定基于重叠回波的水脂分离磁共振成像序列的采样参数；
信号采集模块，用于利用所述脉冲序列在设定的采样参数下,利用性能良好的磁共振仪对待测物进行采样，得到待测物的重叠回波磁共振信号；
训练样本集生成模块，用于根据待测物特征模拟生成设定量的深度神经网络训练样本，构成训练样本集，
深度神经网络确定模块，用于确定用于水脂分离图像重建的深度神经网络；采用所述训练样本集对所述深度神经网络进行训练，获得训练好的深度神经网络；
水脂分离图像重建模块，用于将磁共振仪器中获取的重叠回波磁共振图像输入所述训练好的深度神经网络进行重建，获得待测物的水脂分离图像。
实施例
步骤1：设计基于重叠回波的水脂分离磁共振成像序列并确定序列采样参数。如图2所示，为本发明化学位移编码的MOLED-T2磁共振成像序列图。
本实施例中，MOLED-T2成像序列通过连续施加4个翻转角为30°的sinc脉冲来获得一系列的回波信号。4个激发脉冲之间的时间间隔均为5.146ms。
在每个激发脉冲之后施加频率编码和相位编码方向上的移位梯度，各个移位梯度的大小分别为：(GRO1,GPE1)＝(-22/128,1/4),(GRO2,GPE2)＝(11/128,1/4),(GRO3,GPE3)＝(-22/128,1/4),(GRO4,GPE4)＝(-48/128,1/8)。此处假定读出模块中一个读出梯度的大小为1。
本实施例中，MOLED-T2成像序列使用两个读出模块，两个读出模块在频率编码方向上采用大小相等、方向相反的梯度。在相位编码方向上，两个读出模块采用的梯度完全一致。每个读出模块前施加180°重聚脉冲β，因此采集到T2加权的回波信号。第一个重聚脉冲与第四个激发脉冲之间的时间间隔为6.024ms，第二个重聚脉冲与第一个重聚脉冲之间的时间间隔为30.365ms。其他序列采样参数包括：成像视野为0.22m×0.22m，成像矩阵大小为128×124，并行成像加速因子为4，TR为6000ms,ESP为0.664ms,层厚为5mm。在使用上述采样参数的情况下，MOLED-T2单层扫描时间约为77.6ms。
特别地，为采集到具有不同水脂相位差的回波信号，需要在每个读出模块之前添加化学位移编码模块ΔTE。ΔTE＝(1/fcs)(Φ/360°)，其中fcs为在给定场强下的水和主脂肪峰之间的相对化学位移，Φ为ΔTE对应的水脂相位差。本实施例中，fcs＝434Hz。假设在第l次扫描时，第m个读出模块中的化学位移编码模块为ΔTEl,m。本实施例共进行两次扫描，各个ΔTE分别设置为：ΔTE1,1＝0ms,ΔTE1,2＝-0.575ms,ΔTE2,1＝1.15ms,ΔTE2,2＝0.575ms，对应的水脂相位差Φ分别为：Φ1,1＝0°,Φ1,2＝-90°,Φ2,1＝180°,Φ2,2＝90°。
具有回波时间TEn的第n个回波信号Sl,m,n可以表示为：
Figure BDA0004154456900000091
其中，W和F表示复数的水和脂肪信号。本发明使用一个六脂肪峰模型，每个脂肪峰的相对振幅aj及其相对于水的化学位移Δfj为先验信息。
Figure BDA0004154456900000092
是由主磁场不均匀性引起的频率偏移。T2,w是水的T2，而T2,f则是脂肪的T2。本发明假设所有脂肪峰具有相等的T2。
利用不同化学位移编码得到的具有不同水脂相位差的回波信号，MOLED-T2序列可以实现水脂分离。此外，MOLED-T2序列每次采集能得到T2权重不同的多个回波信号，因此本发明能实现水、脂各自的T2定量成像，并能够得到经过T2矫正的脂肪分数图。
如图3所示，为本发明MOLED-T2 *磁共振成像序列图。
本实施例中，MOLED-T2 *成像序列通过连续施加4个翻转角为30°的sinc脉冲来获得一系列的回波信号。4个激发脉冲之间的时间间隔均为5.146ms。
在每个激发脉冲之后施加频率编码和相位编码方向上的移位梯度，各个移位梯度的大小分别为：(GRO1,GPE1)＝(22/128,-1/4),(GRO2,GPE2)＝(-11/128,-1/4),(GRO3,GPE3)＝(22/128,-1/4),(GRO4,GPE4)＝(48/128,-1/8)。此处假定读出模块中一个读出梯度的大小为1。
本实施例中，MOLED-T2 *成像序列使用了两个读出模块，两个读出模块在频率编码方向上采用大小相等、方向相反的梯度。在相位编码方向上，两个读出模块采用的梯度完全一致。其他序列采样参数包括：成像视野为0.22m*0.22m，成像矩阵大小为128*124、并行成像加速因子为4，TR为6000ms,ESP为0.664ms,层厚为5mm。在使用上述采样参数的情况下，MOLED-T2 *单层扫描时间约为65ms。
与MOLED-T2序列不同的是，MOLED-T2 *序列的读出模块前不施加180°重聚脉冲，因此单次采集就能得到具有不同T2 *权重且不同水脂相位差的多个回波信号。具有回波时间TEn的第n个回波信号Sn可以表示为：
Figure BDA0004154456900000101
其中，
Figure BDA0004154456900000102
是水的T2 *，而/>
Figure BDA0004154456900000103
则是脂肪的T2 *。本发明假设所有脂肪峰具有相等的T2 *。
本发明能利用MOLED-T2 *序列实现单扫描水、脂各自的T2 *定量成像，并能够得到经过T2 *矫正的脂肪分数图。
步骤2:在满足序列和采样参数性能要求的先进磁共振仪中添加序列及设置采样参数，并完成数据采集，获取磁共振数据。
本实施例在人体3T成像仪(Ingenia CX，Philips Healthcare)上进行，使用32通道腹部接收线圈采集一名健康志愿者腿部区域的图像。志愿者先躺在实验床上，放置好接收线圈，再移动实验床，使志愿者的腿部进入磁共振成像仪的检测腔。
在磁共振成像仪的操作台上打开成像仪操作软件，首先对志愿者的腿部进行定位，调整实验床位置至感兴趣区域，本实施例选择对志愿者腿部的横断面进行成像。
在磁共振成像仪上导入MOLED-T2和MOLED-T2 *序列，并按照步骤1所述设置序列的实验参数。
点击扫描来执行设置好的MOLED-T2和MOLED-T2 *序列，进行数据采集；数据采集完成后，保存数据。
步骤3:生成深度神经网络的训练样本；
分别将所述MOLED-T2序列、MOLED-T2 *序列输入磁共振成像仿真软件中，并且依据真实实验的非理想性添加相应的非理想项，以尽量模拟真实情况；
根据人体腿部特征生成设定量的随机模板；模板中包含水和六个脂肪峰成分，各个成分的化学位移、质子密度、T2、T2 *等特征与人体腿部相匹配；模板的数量需要足够多，且有足够的复杂性，以保证重建质量良好。
利用仿真软件对所述模板进行模拟采样，得到模板的磁共振信号；在模拟采样过程中，考虑到真实实验环境变化，加入不稳定因素，提高网络模型对不理想实验环境的鲁棒性；所述不稳定因素包括激发脉冲角度偏差、主磁场均匀性偏差、移位梯度偏差和噪声等。
将模板各个成分的磁共振回波信号重排成二维k空间信号，然后进行二维傅里叶变换，得到各个成分的磁共振图像，并进行相加，得到包含水脂成分的磁共振图像，并对磁共振图像进行归一化、加噪处理；
所述脉冲序列使用了EPI读出模块，使得脂肪信号在相位编码方向上出现移位，为矫正脂肪信号在磁共振图像中的位置，需要对磁共振图像进行相位编码方向上的循环移位操作。将移位前和移位后的磁共振图像和相应的模板构成一个训练样本，得到设定量的训练样本，构成训练样本集。
MOLED-T2和MOLED-T2 *的仿真数据分别按照上述流程生成和处理，构成各自的训练样本集。
步骤4:采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
确定深度神经网络的网络结构；由于U-Net在非线性拟合和基于图像的任务的特征提取方面具有良好的性能，本实施例选择U-Net深度神经网络，也可以选择其他深度神经网络结构。
确定深度神经网络的输入数据和标签数据；对于MOLED-T2、MOLED-T2 *训练样本集，输入数据均为第一、第二回波链图像的实部虚部，以及移位后的第一、第二回波链图像的实部虚部，输入通道数为8。对于MOLED-T2训练样本集，标签数据为水、脂各自的T2图和M0图，对于MOLED-T2 *训练样本集，标签数据为水、脂各自的T2 *图和M0图，输出通道数均为4。
确定训练深度神经网络的损失函数。将逐像素均方误差用作损失函数，如下所述：
Figure BDA0004154456900000111
其中n(·)是深度神经网络的输出，M表示批量大小，Xi表示第i个训练样本中的网络输入数据，Yi表示第i个训练样本中的网络标签数据。W和b表示深度神经网络的参数。
采用指数衰减的方式调整学习率：设定初始学习率为0.00005，每达到设定训练次数后，所述学习率降低一次。
将训练样本集随机分为两部分：80％用于训练，20％用于验证。
训练深度神经网络时，将训练样本集分批次输入深度神经网络进行迭代训练，每次训练网络都会计算出损失函数的值，根据该值自动调整神经网络的参数值使损失函数的值减小，重复上述训练直至损失函数的值不再减小，保存深度神经网络参数W和b。
步骤5:采用所述训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像
将步骤2中采集到的MOLED-T2磁共振图像输入到步骤4中训练好的深度神经网络进行重建，得到图5所示水脂分离图像。图5中的图(a)为MOLED-T2序列两次采集得到的水脂同相和水脂反相图像，均为第一回波链。图5中的图(b)为MOLED-T2序列和作为参考的mDixon序列得到的水脂分离结果图。图5中的图(c)为MOLED-T2序列和mDixon序列得到的质子密度脂肪分数图(Proton Density Fat Fraction,PDFF)。
图6展示MOLED-T2 *序列的水脂分离结果。其中图6中的图(a)为MOLED-T2 *序列采集得到的第一回波链图像。图6中的图(b)为MOLED-T2 *序列和作为参考的mDixon序列得到的水脂分离结果图。图6中的图(c)为MOLED-T2 *序列和mDixon序列得到的质子密度脂肪分数图。
与参考图对比可知，MOLED-T2和MOLED-T2 *序列能得到准确的水脂分离结果和准确的脂肪分数，且展现出了清晰的组织纹理，成像精度高。
本发明中应用具体个例对本发明的原理及实施方式进行阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.基于重叠回波的磁共振快速水脂分离定量成像方法，其特征在于包括以下步骤：
1)设计基于重叠回波的水脂分离磁共振成像序列；
2)确定基于重叠回波的水脂分离磁共振成像序列的参数；
3)在满足序列和序列参数性能要求的先进磁共振仪中添加序列及设置采样参数，并完成数据采集，获取磁共振数据；
4)生成深度神经网络的训练样本；
5)采用所述训练样本对深度神经网络进行训练，得到训练好的深度神经网络；
6)采用所述训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像。
2.如权利要求1所述基于重叠回波的磁共振快速水脂分离定量成像方法，其特征在于在步骤2)中，所述基于重叠回波的水脂分离磁共振成像序列的参数包括：
(1)射频激发脉冲翻转角α的数量、大小以及脉冲形状；
(2)各个射频激发脉冲之间的时间间隔；
(3)读出模块的数量和各个读出模块中相位编码梯度和频率编码梯度的大小和方向；特别地，对于MOLED-T2序列，各个读出模块中施加重聚脉冲的时刻以及化学位移编码模块ΔTE的持续时间；
(4)各个移位梯度的大小和方向，使回波信号重聚在预期的k空间位置上；
(5)成像视野、成像矩阵、并行成像加速因子等其他参数。
3.如权利要求1所述基于重叠回波的磁共振快速水脂分离定量成像方法，其特征在于在步骤4)中，所述生成深度神经网络的训练样本的具体步骤如下：
(1)将脉冲序列输入磁共振成像仿真软件中，依据真实实验的非理想性添加相应的非理想项，以尽量模拟真实情况；
(2)根据待测物特征生成设定量的随机模板(或利用具有待测物特征的MRI数据集生成模板)；模板中包含水和六个脂肪峰成分，各个成分的化学位移、质子密度、T2、T2 *等特征与待测物相匹配；模板的数量需要足够多，且有足够的复杂性，以保证重建质量良好；
(3)利用仿真软件对模板进行模拟采样，得到模板的磁共振信号；在模拟采样过程中，考虑到真实实验环境变化，加入不稳定因素，提高网络模型对不理想实验环境的鲁棒性；不稳定因素包括激发脉冲角度偏差、主磁场均匀性偏差、移位梯度偏差和噪声等；
(4)将模板各个成分的磁共振回波信号重排成二维k空间信号，二维傅里叶变换得到各个成分的磁共振图像，相加得到包含水脂成分的磁共振图像，对磁共振图像进行归一化、加噪处理；
(5)脉冲序列使用EPI读出模块，使得脂肪信号在相位编码方向上出现偏移，为矫正脂肪信号在磁共振图像中的位置，需要对磁共振图像进行相位编码方向上的循环移位操作；将移位前和移位后的磁共振图像和相应的模板构成一个训练样本，得到设定量的训练样本，构成训练样本集。
4.如权利要求1所述基于重叠回波的磁共振快速水脂分离定量成像方法，其特征在于在步骤5)中，所述对深度神经网络进行训练的具体步骤包括；
(1)确定深度神经网络的网络结构；
(2)确定深度神经网络的输入数据和标签数据；
(3)确定训练深度神经网络的损失函数；
(4)训练深度神经网络时，将训练样本集分批次输入深度神经网络进行迭代训练，每次训练网络计算出损失函数的值，根据该值自动调整神经网络的参数值使损失函数的值减小，重复上述训练直至损失函数的值不再减小，保存深度神经网络参数。
5.如权利要求1所述基于重叠回波的磁共振快速水脂分离定量成像方法，其特征在于在步骤6)中，所述采用所述训练好的深度神经网络和所述磁共振成像序列采集的数据，重建水脂分离图像的具体步骤可为：
(1)对实际成像物体的磁共振图像进行归一化、循环移位等操作，构成测试样本；
(2)将测试样本输入到训练好的深度神经网络，对实际成像物体的磁共振图像进行重建，得到水脂分离图像。
6.一种基于重叠回波的磁共振快速水脂分离系统，其特征在于依次包括脉冲序列设计模块、信号采集模块、训练样本集生成模块、深度神经网络确定模块、水脂分离图像重建模块；
所述脉冲序列设计模块，用于设计基于重叠回波的磁共振成像序列；确定基于重叠回波的磁共振成像序列的采样参数；
所述信号采集模块，用于利用脉冲序列在设定的采样参数下,利用性能良好的磁共振仪对待测物进行采样，得到待测物的重叠回波磁共振信号；
所述训练样本集生成模块，用于根据待测物特征模拟生成设定量的深度神经网络训练样本，构成训练样本集，
所述深度神经网络确定模块，用于确定用于水脂分离图像重建的深度神经网络；采用训练样本集对深度神经网络进行训练，获得训练好的深度神经网络；
所述水脂分离图像重建模块，用于将磁共振仪器中获取的重叠回波磁共振图像输入训练好的深度神经网络进行重建，获得待测物的水脂分离图像。
CN202310329562.XA 2023-03-30 2023-03-30 基于重叠回波的磁共振快速水脂分离定量成像方法及系统 Pending CN116299107A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310329562.XA CN116299107A (zh) 2023-03-30 2023-03-30 基于重叠回波的磁共振快速水脂分离定量成像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310329562.XA CN116299107A (zh) 2023-03-30 2023-03-30 基于重叠回波的磁共振快速水脂分离定量成像方法及系统

Publications (1)

Publication Number Publication Date
CN116299107A true CN116299107A (zh) 2023-06-23

Family

ID=86797687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310329562.XA Pending CN116299107A (zh) 2023-03-30 2023-03-30 基于重叠回波的磁共振快速水脂分离定量成像方法及系统

Country Status (1)

Country Link
CN (1) CN116299107A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117192456A (zh) * 2023-08-16 2023-12-08 中南大学湘雅三医院 一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117192456A (zh) * 2023-08-16 2023-12-08 中南大学湘雅三医院 一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用

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
US9529066B2 (en) Spatially encoded phase-contrast MRI
US5615676A (en) MR imaging method and apparatus utilizing gradient and spin echo technique
CN105556326B (zh) 具有dixon类型的水/脂肪分离的mr成像
US20070255129A1 (en) Magnetic Resonance Imaging (MRI) Using Ultra Short Echo Times and Spiral Sampling in K-Space
CN109100669B (zh) 基于重叠回波的单扫描同步磁共振扩散及t2成像方法
US6275038B1 (en) Real time magnetic field mapping using MRI
EP2515136A1 (en) Contrast enhanced magnetic resonance angiography with chemical shift encoding for fat suppression
CN106574954A (zh) 针对epi的具有奈奎斯特伪影校正的并行mr成像
CN105814449B (zh) 具有水/脂肪分离的零回波时间mr成像
WO2009081787A1 (ja) 磁気共鳴イメージング装置及び磁化率強調画像撮影方法
JP2011125703A (ja) Ｍｒ撮像において種信号を定量的に分離するシステムおよび方法
US10088539B2 (en) Silent multi-gradient echo magnetic resonance imaging
CN105829906A (zh) 具有水/脂肪分离的相位敏感的反转恢复mri
CN110869790A (zh) 使用具有可变对比度的星形堆叠采集进行的mr成像
CN116299107A (zh) 基于重叠回波的磁共振快速水脂分离定量成像方法及系统
CN109716155A (zh) 具有迪克逊型水/脂肪分离的mr成像
US10209333B2 (en) Magnetic resonance imaging method using T2* mapping based on echo planar imaging
Hill et al. Fundamentals of NMR Imaging
JP7128972B2 (ja) 歪み補正を伴うｅｐｉ ｍｒ画像
WO2018185076A1 (en) Method and apparatus for identifying at least one material comprised in a voxel
CN115728691A (zh) 一种基于重叠回波的磁共振多参数同时定量成像方法及系统
EP4261556A1 (en) A method and system for t1 mapping for tissue characterized by short-t2 relaxation in mri
CN117331010A (zh) 基于多重重叠回波的多参数同时定量成像方法和系统
Zimmermann et al. QRAGE–Simultaneous multiparametric quantitative MRI of water content, T1, T2*, and magnetic susceptibility at ultrahigh field strength

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