CN1689510A - 磁共振灌注成像的数字化方法 - Google Patents

Abstract

本发明涉及模式识别技术领域，特别是一种磁共振灌注成像的数字化方法。包括：动脉输入函数的自动分割技术；时间浓度曲线的校正方法；灌注成像PWI图像的显示。步骤包括：S1，数据采集；S2，时间浓度计算；S3，Gamma拟合；S4，AIF分割；S5，分割结果；S6，去卷积计算；S7，脑血流容积CBV；S8，平均通过时间MTT；S9，脑血流速度CBF。本发明能够当脑血管病发病时对大脑中各病灶区的精确定位和评估，可清晰地确定病灶部位的大小和组织的空间解剖关系，在医学领域具有重要的应用价值。采用自动方法和基于绝对量化理论，运算速度快，能满足医生交互的要求。因此，此方法具有高可信度、可应用性和准确性。

Description

磁共振灌注成像的数字化方法

技术领域

本发明涉及模式识别技术领域，特别是一种磁共振灌注成像的数字化方法。涉及信息处理技术和磁共振成像技术，本发明是利用磁共振原理和统计理论实现脑功能图像中病灶区的定位和提取方法。

背景技术

现有技术磁共振成像(magnetic resonance imaging，MRI)技术起源于20世纪70年代，经过短短30多年的发展，该技术已经广泛应用于医学、地质、生物学等领域。在医学领域，MRI的优点主要包括：(1)成像过程中对人体无创、无损、无电磁辐射。(2)MRI可选择质子密度、T1和T2等不同的参数成像。与X-CT相比，这些成像参数对软组织比较敏感，正常组织与病态组织的差异较大。同时，MRI还可用于测定血流和人体的代谢功能等。(3)MRI无需设计机械上的旋转扫描系统就可以方便地获取人体不同部位的二维断面图，并可较容易地进行三维成像。MRI的主要问题是数据采集的时间较长，这样就影响了对一些运动部位的成像。另外，被检查的病人身上不允许带任何铁磁物质。

最近，动态磁化对比材料增强梯度回波磁共振成像(Dynamicsusceptibility contrast material-enhanced gradient-echo MR imaging，DSC-MRI)使得通过分析第一次顺磁介质信号强度的变化评估区域大脑血流动力成为可能。该技术具有容易与其它成像方式结合的优点，越来越被人们注意。

现有的磁共振灌注成像的计算原理都是基于释浠理论(IndicatorDilution Theory)。该理论可再细分为可扩散的释浠理论和非可扩散的释浠理论，这两种理论在50～60年代已有广泛研究。但在磁共振灌注成像的应用中还有很多不足。其中有血管结构与计算精确性的关系问题，造影剂扩散和非扩散的问题等有待解决。

现有的计算磁共振灌注成像的方法主要两种，一种是非绝对定量化的确定方法，该方法已经能够满足大部分临床需要，但不能满足进一步研究或不同病人之间对比的需要。另一种是绝对定量化的方法，可以用于不同病人之间的比较。绝对量化方法可细分为两种实现方法。第一种为咖玛拟合(Gamma fits)方法。用该方法主要平滑浓度时间曲线。另外还可用对数正态分布和随机走动函数来平滑时间浓度曲线。这几种方法都能较好的拟合组织时间浓度曲线。具体采用的拟合算法有最小二乘法，非线性迭代算法如高斯-牛顿法，马阔尔特方法等。但非线性方法对初值选取敏感，收敛较慢。第二种为冲击响应法。该方法的缺点是对动脉输入函数引起的延时和扩散敏感。目前，在该方法中关于延时和扩散问题的计算建立在很多假设上，缺乏严紧的证明。

绝对定量的数字化方法需要知道动脉输入函数(Arterial InputFunction，，AIF)，现有的确定方法分三大类，一类是完全手动的方法；第二类是交互式的方法；第三类是全自动的方法包括有基于统计的方法分割方法和基于模糊C均值(Fuzzy C-mean)的分割算法等。

相对脑血流速度(rCBF)，相对脑血流容积(rCBV)和相对平均通过时间(rMTT)的计算算法主要是基于奇异值分解的算法，本研究中将提出一种绝对量化的数字化方法。

发明内容

本发明的目的是提供一种实用的磁共振灌注图像的数字化方法，能够达到对脑血管疾病的早期可靠诊断和治疗。

为实现上述目的，采用的方法包括：

时间浓度曲线校正方法中的非线性算法初值的确定；由于很多非线性优化算法对初值的选取非常敏感，初值的确定是成功拟合的关键。目前对初值的估算方法主要是基于随机走动函数几何特性，该方法能够较好的估计初值，实现灌注图像的数字化。

CBV(Cerebral Blood Volume)脑血流容积，CBF(Cerebral Blood Flow)脑血流速度和MTT(Mean Transmit Time)平均通过时间图像的数字化方法研究；利用中心容积定理和校正曲线，提高CBV，CBF和MTT图像的计算精度。

MTT，CBV，CBF图像的显示和增强。由于这种图像对比度一般不好，需要进行增强。

一种全自动的磁共振灌注成像的数字化方法，包括：

(1)动脉输入函数(Arterial Input Function，AIF)的自动分割技术方法；

(2)时间浓度曲线的校正方法；

(3)灌注成像PWI图像的显示。

步骤(1)的AIF的分割，是从医学动态图像中自动提取出动脉输入函数；

本发明能够达到当脑血管病发病时对大脑中各病灶区的精确定位和评估，可清晰地确定病灶部位的大小和组织的空间解剖关系，在医学领域具有重要的应用价值。并且由于采用了自己设计自动方法和基于绝对量化理论，运算速度快，能满足医生实时交互的要求。因此，此方法具有高可信度、可应用性和准确性。

本发明是基于鲁棒统计理论和先进的磁共振技术的。简单的说，鲁棒性是指对外界的抗干扰性。并且由于采用了稳定可靠的设计方法，运算速度快，能满足医生的要求。因此，此方法具有高可信度、可应用性。

附图说明

图1磁共振灌注成像的数字化方法流程图。

图2是PWI的时间-磁敏感性变化(ΔR2)曲线图。

图3a，b，c分别为脑血流容积CBV、脑血流速度CBF和平均通过时间MTT图像。

图4a与b分别为胶质母细胞瘤手术及放疗术后的T2加权像与CBV图像。

具体实施方式

1，临床观察与灌注成像(Perfusion Weighted Imaging，PWI)图像的显示；相结合：PWI与缺血半暗带区域构建同时应用与分析，并将常规磁共振成像(T1加权、T2加权、增强扫描)用于临床参考；

2，图像分析、处理及数字化方法：首先用磁共振设备采集原始动态磁共振图像。其次，应用信息处理手段，并在必要时针对采集的图像用绝对量化的方法实现图像的重建；

3，数字化图像方法的临床应用：在临床上使用所提出的数字化成像方法，可以达到对急性缺血性脑血管病的早期阶段进行明确诊断并给予相应的治疗，并达到这类患者尽早康复的目的。根据这种数字化图像的分析结果，对不同阶段的脑血管病患者进行动态观察，并对不同时期脑损伤恢复情况和半暗带的变化情况进行分析，结果表明了该方法的可靠性。该方法可以应用于脑部疾病如肿瘤、炎症、脑变性病与白质病，脑损伤与脑出血等，通过该数字化方法，找出这些疾病之间的不同特征，进行鉴别诊断。

图1所表示的是灌注成像的数字化流程图。右侧大脑梗死。局部CBV、CBF降低而MTT增高。

在图1中用步骤S1，表示原始数据采集，数据采集后及进入图1中第

$\mathrm{Cm}\left(t\right)=-K\·\ln \frac{S\left(t\right)}{S_0}$

2部步骤S2。多数是基于是内源性对比剂的方法，称为动脉质子标定法。虽然钆类造影剂没有放射性，但考虑重复应用造影剂所产生的潜在肾脏毒性，个体的团注量还是要受到限制。动脉质子标定是一个T1加权的非侵入技术，它是首先对感兴趣层面外的动脉液流中的氢原子进行标记，这些氢原子通过血液流动，进入到感兴趣层面时再进行成像。该技术不涉及静脉团注射，因此可以在个体反复进行。但是，该技术的主要缺陷是扫描时间过长，如要获得某一感兴趣层面的信息可能需要几分钟的时间，不能进行多层扫描，也不能进行某一层的不同时间段的多图像数目扫描，目前只能进行特殊脑区的检查。因此，此方法的应用受到一定限制，如果扫描时间不缩短，该方法不是一个有用的成像方法。本方法中采用基于浓度稀释理论的方法，该方法利用以下公式：采用上述公式并根据指示剂稀释理论，可将将MRI信号转化为Gd浓度。这里，Cm(t)为所测Gd浓度，随时间变化。K比例常数，与回波时间(TE)成反比，并与MRI设备有关。S(t)为MRI信号强度；S₀为应用Gd前的基线信号强度。K值实际很难估计，但由于各层TE相同，可假定每个组织类型(如大小血管)有相同的比例常数，因而K值可以忽略不计。S₀用第2～4张图像计算。Cm(t)可以根据感兴趣区(ROI)或者逐个体素为基础的方法计算。得到Cm(t)后，然后采用鲁棒滤波方法进行滤波，该方法基于鲁棒统计理论。在对它进行Gamma拟合，即图1中步骤S3步。我们采用了非线性鲁棒最优化方法，该方法基于非线性初值的估计算法。然后利用拟合后的曲线特点对AIF进行分割，在图1中用步骤S4表示，所采用的方法是基于Gamma函数的特点如半宽高等。对分割出的曲线再进行拟合以提高计算精度，这一步在图1中用步骤S5表示，该拟合方法与时间浓度曲线的拟合方法相同。在步骤S6步中，对得到的信号曲线进行按递推的去卷积方法实现理想时间浓度曲线；这是因为，实际上动脉团注不可能瞬间完成，因而组织C(t)对瞬间动脉团注的反应可以通过下述关系计算：

               C(t)＝Cm(t)^-1AIF(t)

Cm(t)测得的组织曲线；^-1为去卷积；AIF(t)测得的AIF曲线。根据SanjitK.Mitra计算方法，上式的离散形式为，

$C_m\left(t\right)=\underset{k=0}{\overset{t}{\mathrm{\Σ}}}C\left(k\right)\mathrm{AIF}(t-k),t\≥0$

当t＝0时有：

               C_m(0)＝C(0)AIF(0)；

$C\left(0\right)=\frac{C_m\left(0\right)}{\mathrm{AIF}\left(0\right)}$

当t＝1时有：

               C_m(1)＝C(0)AIF(1)+C(1)AIF(0)

$C\left(1\right)=\frac{C_m\left(1\right)-C\left(0\right)\mathrm{AIF}\left(1\right)}{\mathrm{AIF}\left(0\right)}$

依次类推：

$C\left(t\right)=\frac{C_m\left(t\right)-\underset{k=0}{\overset{t-1}{\mathrm{\Σ}}}C\left(k\right)\mathrm{AIF}(t-k)}{\mathrm{AIF}\left(0\right)},t\≥1,\mathrm{AIF}\left(0\right)\≠0.$

即递推的方法计算理想时间浓度曲线。在此基础上，步骤S7步完成，CBV的计算。利用以上结果，CBV可以由下式计算：

$\mathrm{CBV}=\frac{k}{p}\·\frac{\∫\mathrm{Cm}\left(t\right)\mathrm{dt}}{\∫\mathrm{AIF}\left(t\right)\mathrm{dt}}$

校正因子K＝(1-HCTLV)/(1-HCTSV)，其中，大血管红细胞压积HCTLV为0.45；小血管红细胞压积HCTSV为0.25，P脑组织密度，1.04g/ml。基于理想时间浓度曲线，MTT的数字化方法可以通过以下公式获得：

$\mathrm{MTT}=\frac{\mathrm{CBV}}{\mathrm{CBF}}$

在图1中用步骤S8步表示。在步骤S9中，利用步骤S2-8所得的计算CBF和MTT的结果，可计算出CBF。当理想的瞬间动脉团注Gd进入组织区域，参数间存在以下关系：

$\frac{\mathrm{CBV}}{\mathrm{CBF}}=\frac{\∫C\left(t\right)\mathrm{dt}}{C\max }$

其中C(t)为组织区域的Gd浓度，Cmax为该曲线的最大值。

图2中，PWI的时间-磁敏感性变化(ΔR2)曲线亦可以说明脑梗死特点(图2)。如图所示(图2)，红线(曲线2)表示健侧脑组织的造影剂灌注状况，可见曲线在15秒左右迅速下降，在23秒左右达低谷峰值，然后又迅速回升；而蓝线(曲线1)表示梗死脑区的造影剂灌注状况，由于血液供应障碍，造影剂需要很长时间才能进入局部脑组织(通过一些侧枝循环)，造成了该曲线下降缓慢，大约在20秒左右开始下降，在近30秒处才达低谷峰值，且这个峰值约为健侧曲线峰值的一半，然后又开始缓慢恢复。这就说明了该区域的血流供应障碍，动脉血管阻塞。

图3中，应用灌注成像(PWI)是通过注射造影剂并应用快速成像如快速回波技术EPI技术，进行T2加权像扫描。由于造影剂较强的顺磁效应，有血流供应的脑组织便产生信号缺失，CBV、CBF和MTT均正常；而梗死部位无血流供应则表现为高信号区，CBV和CBF不同程度下降，若二者比值增大，MTT升高，表示如果治疗及时，病变有希望得到改善；若二者比值不变或者下降，即MTT下降，表示病变区脑组织死亡。研究表明，在梗死1小时内应用灌注成像方法可检出病变(图3)。

图4中，PWI亦可以用于诊断和鉴别诊，如图所示。胶质母细胞瘤手术及放疗术后。第一图为T2加权像，显示右侧顶叶异常高信号，但是，高信号内是否有病变显示不清。第二图为CBV图像，显示右侧顶叶异常低信号，但是，低信号内尚可见有高信号存在，是为复发肿瘤病变。一般说来，由于肿瘤血管丰富，血液供应良好，造影剂将会很快到达局部组织。因此可以根据不同疾病的不同特征，对各种疾病进行鉴别。

上述实验结果与发明人对利用全自动的PWI图像计算方法，具有高可信度、避免人为因素的干扰、准确性和临床可应用性的优点。

Claims (3)

1.一种全自动的磁共振灌注成像的数字化方法，包括：

(1)动脉输入函数AIF的自动分割技术方法；

(2)时间浓度曲线的校正方法；

(3)灌注成像PWI图像的显示。

2.根据权利要求1的全自动的磁共振灌注成像的数字化方法，其特征在于，

步骤(1)的AIF的分割，是从医学动态图像中自动提取出动脉输入函数；

3.根据权利要求1的全自动的磁共振灌注成像的数字化方法，其具体步骤如下：

步骤S1，原始数据采集；

步骤S2，时间浓度计算，包括时间浓度曲线的鲁棒滤波及预处理方法；

步骤S3，Gamma拟合，包括初值估计和非线性鲁棒最优化方法；

步骤S4，AIF分割，包括按步骤2-3方法上的所有分割方法；

步骤S5，分割结果，包括按步骤S4方法得出的曲线的再拟和方法；

步骤S6，去卷积计算，包括按递推的去卷积方法实现理想时间浓度曲线；

步骤S7，脑血流容积(CBV)，包括按步骤S2-6的到的结果的数字化方法；

步骤S8，平均通过时间(MTT)，包括基于理想时间浓度曲线得到的MTT的数字化方法；

步骤S9，脑血流速度(CBF)，包括利用步骤S2-8所得结果计算的CBF方法。

Images