CN104504657B - 磁共振弥散张量去噪方法和装置 - Google Patents
磁共振弥散张量去噪方法和装置 Download PDFInfo
- Publication number
- CN104504657B CN104504657B CN201410758290.6A CN201410758290A CN104504657B CN 104504657 B CN104504657 B CN 104504657B CN 201410758290 A CN201410758290 A CN 201410758290A CN 104504657 B CN104504657 B CN 104504657B
- Authority
- CN
- China
- Prior art keywords
- diffusion
- diffusion tensor
- tensor
- representing
- maximum likelihood
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 43
- 239000006185 dispersion Substances 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000002598 diffusion tensor imaging Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
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
- G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
- G01R33/56341—Diffusion imaging
-
- 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
- G01R33/54—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
- G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
-
- 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
-
- 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
- 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]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Vascular Medicine (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)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种磁共振弥散张量去噪方法和装置,其中,该方法包括:采集K空间数据;根据采集的K空间数据,求取弥散张量的最大似然估计值;利用弥散张量和弥散参数的稀疏性,将求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值;根据求取的所述最大后验概率估计值,计算弥散系数。本发明解决了现有技术中无法在不增加扫描时间和不影响空间分辨率的同时,实现弥散张量的高精度去噪的技术问题,达到了有效抑制弥散张量中的噪声,提高弥散张量估计精度的技术效果。
Description
技术领域
本发明涉及磁共振成像技术领域,特别涉及一种磁共振弥散张量去噪方法和装置。
背景技术
磁共振弥散张量成像(Diffusion Tensor Imaging,简称为DTI)是利用组织中水分子自由热运动的各向异性原理,探测组织的微观结构,以达到研究人体功能的目的。
目前,DTI是唯一一种可以活体显示脑白质纤维束的无创性成像方法。然而,DTI的信噪比比较低,这在很大程度上限制了DTI在临床上的广泛应用。
磁共振弥散张量成像的物理机制可以表示为:
d=Fρ+n (公式1)
其中,d表示在磁共振仪上所采集的信号,F表示傅立叶编码矩阵,ρ表示弥散加权图像,n通常假定为复高斯白噪声。
在弥散张量成像中,第m个弥散加权图像ρm可以表示为:
其中,I0∈RN×1表示无弥散加权的参考图像,表示第m个弥散加权图像的相位,b表示弥散加权因子(常量),gm表示第m个弥散加权图像所对应的弥散梯度向量gm=(gxm,gym,gzm)T,D表示弥散张量,具体的D可以表示为:
其中,每个Di∈RN×1,N表示磁共振图像像素点的个数。
具体的,弥散张量成像的过程,主要包括以下步骤:
步骤1:由采集信号d重建图像ρ;
步骤2:根据模型张量(即上述公式2)估计每一空间位置所对应的张量矩阵D;
步骤3:根据下述公式4和公式5,由张量矩阵D计算得到各种弥散参数,例如:MD、FA等:
MD=(λ1+λ2+λ3)/3 (公式4)
其中,λ1,λ2,λ3为矩阵D的特征值。
为了提高弥散张量成像的信噪比,目前较为直接的方法是通过多次采样取平均或者是减小K空间的采样区域。虽然这些方法在实际应用中可以提高信噪比,但是这些方法会增加扫描时间或者影响空间分辨率。
目前,还有一种常用的提高弥散张量成像质量的方法。该方法在获取K空间的扫描数据后,首先重建出弥散加权图像。然后运用信号处理的方法对图像进行去噪。最后,通过去噪后的图像计算弥散张量及各种弥散参数。即,在处理的过程中需要先重建图像,然后对图像进行去噪。可是在图像去噪过程中产生的***误差往往会进一步传递到后续的张量计算中,从而影响弥散张量的精度。
针对如何在不增加扫描时间和不影响空间分辨率的同时,实现弥散张量的高精度去噪的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种磁共振弥散张量去噪方法,以解决现有技术中无法在不增加扫描时间和不影响空间分辨率的同时,实现弥散张量的高精度去噪的技术问题,该方法包括:
采集K空间数据;
根据采集的K空间数据,求取弥散张量的最大似然估计值;
利用弥散张量和弥散参数的稀疏性,以求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值;
根据求取的最大后验概率估计值,计算弥散系数。
在一个实施例中,根据采集的K空间数据,求取弥散张量的最大似然估计值,包括:
按照以下公式计算弥散张量的最大似然估计值:
其中,表示弥散张量的最大似然估计值,dm表示第m个弥散加权图像所对应的K空间数据,F表示傅立叶编码矩阵,I0表示无弥散加权的参考图像,表示第m个弥散加权图像的相位,b表示弥散加权因子,gm=(gxm,gym,gzm)T表示第m个弥散梯度向量。
在一个实施例中,利用弥散张量和弥散参数的稀疏性,将求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值,包括:
按照以下公式计算弥散张量的最大后验概率估计值:
其中,R(·)表示作用于弥散张量D的惩罚函数,G(·)表示作用于弥散参数FA的惩罚函数,γ1、γ2表示正则化参数、D1,D2,D3,D4,D5,D6代表不同方向的6个弥散张量。
在一个实施例中,R(·)约束每个弥散张量的稀疏性,或者R(·)约束弥散张量的联合稀疏性。
在一个实施例中,在R(·)约束每个弥散张量稀疏性的情况下,
在R(·)约束弥散张量的联合稀疏性的情况下:
其中,Ψ为运算符,表示稀疏变换,ψi表示Ψ的第i列,||·||1表示求L1范数,||·||2表示求L2范数。
本发明实施例还提供了一种磁共振弥散张量去噪装置,以解决现有技术中无法在不增加扫描时间和不影响空间分辨率的同时,实现弥散张量的高精度去噪的技术问题,该装置包括:
K空间数据采集模块,用于采集K空间数据;
最大似然估计求取模块,用于根据采集的K空间数据,求取弥散张量的最大似然估计值;
最大后验概率估计模块,用于利用弥散张量和弥散参数的稀疏性,将求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值;
弥散系数计算模块,用于根据求取的所述最大后验概率估计值,计算弥散系数。
在一个实施例中,所述最大似然估计求取模块,具体用于按照以下公式计算弥散张量的最大似然估计值:
其中,表示弥散张量的最大似然估计值,dm表示第m个弥散加权图像所对应的K空间数据,F表示傅立叶编码矩阵,I0表示无弥散加权的参考图像,表示第m个弥散加权图像的相位,b表示弥散加权因子,gm=(gxm,gym,gzm)T表示第m个梯度向量。
在一个实施例中,所述最大后验概率估计模块,具体用于按照以下公式计算弥散张量的最大后验概率估计值:
其中,R(·)表示作用于弥散张量D的惩罚函数,G(·)表示作用于弥散参数FA的惩罚函数,γ1、γ2表示正则化参数、D1,D2,D3,D4,D5,D6代表不同方向的6个弥散张量。
在一个实施例中,R(·)约束每个弥散张量的稀疏性,或者R(·)约束弥散张量的联合稀疏性。
在一个实施例中,在R(·)约束每个弥散张量的稀疏性的情况下,
在R(·)约束弥散张量的联合稀疏性的情况下:
其中,Ψ为运算符,表示稀疏变换,ψi表示Ψ的第i列,||·||1表示求L1范数,||·||2表示求L2范数。
在本发明实施例中,在采集到K空间数据后,直接根据K空间数据确定弥散张量的最大似然估计值,然后依据求取的最大似然估计值,结合弥散张量、弥散参数的稀疏性计算弥散张量的最大后验概率估计值,从而确定去噪后的弥散张量。这有别于直接对弥散加权图像进行去噪的方法,避免了因为图像去噪而引入的***误差,解决了现有技术中无法在不增加扫描时间和不影响空间分辨率的同时,实现弥散张量的高精度去噪的技术问题,有效地抑制了弥散张量中的噪声。进一步的,因为通过弥散张量、弥散参数的稀疏性来进行去噪,从而更有效地提高了弥散张量的估计精度。
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。在附图中:
图1是根据本发明实施例的磁共振弥散张量去噪方法的方法流程图;
图2是根据本发明实施例的磁共振弥散张量去噪装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
发明人考虑到,在现有的弥散张量成像过程中,需要先得到弥散加权图像,再对弥散加权图像进行去噪。然而这样会引入***误差,从而导致最终的弥散张量估计出现误差。因此,在本例中提出了一种磁共振弥散张量去噪方法。该方法直接通过获取的K空间数据对弥散张量进行去噪,无需求取弥散加权图像,也不需要对弥散加权图像进行去噪。如图1所示,该方法包括以下步骤:
步骤101:采集K空间数据;
步骤102:根据采集的K空间数据,求取弥散张量的最大似然估计值;
步骤103:利用弥散张量和弥散参数的稀疏性,以求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值;
步骤104:根据求取的最大后验概率估计值,计算弥散系数,其中,弥散系数可以包括:MD、FA。
在上述实施例中,在采集到K空间数据后,直接根据K空间数据确定弥散张量的最大似然估计值。然后以求取的最大似然估计值作为初值,结合弥散张量、弥散参数的稀疏性计算弥散张量的最大后验概率估计值,进而确定去噪后的弥散张量。这不同于对弥散加权图像进行去噪的方法,避免了因为图像去噪而引入的***误差,解决了现有技术中无法在不增加扫描时间和不影响空间分辨率的同时,实现弥散张量的高精度去噪的技术问题,有效抑制了弥散张量中的噪声。进一步的,因为通过弥散张量、弥散参数的稀疏性来进行去噪,从而更有效地提高了弥散张量的估计精度。
具体的,假设采样噪声服从高斯分布,结合上述公式1和公式2,弥散张量的最大似然估计值可以写作:
其中,表示弥散张量的最大似然估计值,dm表示第m个弥散加权图像所对应的K空间数据,F表示傅立叶编码矩阵,I0表示无弥散加权的参考图像,表示第m个弥散加权图像的相位,b表示弥散加权因子,gm=(gxm,gym,gzm)T表示第m个弥散加权图像所对应的弥散梯度向量。
可以按照以下公式计算弥散张量的最大后验概率估计值:
其中:
因此,上述公式可以表示为:
其中,R(·)表示作用于弥散张量D的惩罚函数,G(·)表示作用于弥散参数的惩罚函数,γ1、γ2表示正则化参数、D1,D2,D3,D4,D5,D6代表不同方向的6个弥散张量。假定D和FA都是稀疏的,那么可以令:
惩罚函数G(·)=||Ψ(·)||1分别来约束6个弥散张量:(D1,D2,D3,D4,D5,D6)和弥散参数FA的稀疏性,
或者,令:
来约束弥散张量的联合稀疏性;
其中,运算符Ψ表示某种稀疏变换(例如:小波变换等),ψi表示Ψ的第i列,||·||1表示求L1范数,用于约束弥散张量在稀疏变换域内的稀疏性,||·||2表示求L2范数。
这样,弥散张量的去噪问题等价于上述的最优化求解问题。具体的可以采用非线性共轭梯度法进行求解。
即,在本例中,利用弥散张量模型和弥散张量、弥散参数FA的固有特性(如稀疏性),直接通过获取的K空间数据对弥散张量进行去噪,该方法略过了传统的图像去噪的步骤,避免了图像去噪的误差对张量估计的影响,可以更有效地抑制弥散张量中的噪声,提高弥散张量的估计精度。
基于同一发明构思,本发明实施例中还提供了一种磁共振弥散张量去噪装置,如下面的实施例所述。由于磁共振弥散张量去噪装置解决问题的原理与磁共振弥散张量去噪方法相似,因此磁共振弥散张量去噪装置的实施可以参见磁共振弥散张量去噪方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。图2是本发明实施例的磁共振弥散张量去噪装置的一种结构框图,如图2所示,包括:K空间数据采集模块201、最大似然估计求取模块202、最大后验概率估计模块203和弥散系数计算模块204,下面对该结构进行说明。
K空间数据采集模块201,用于采集K空间数据;
最大似然估计求取模块202,用于根据采集的K空间数据,求取弥散张量的最大似然估计值;
最大后验概率估计模块203,用于利用弥散张量和弥散参数的稀疏性,将求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值;
弥散系数计算模块204,用于根据求取的所述最大后验概率估计值,计算弥散系数。
在一个实施例中,最大似然估计求取模块202,具体用于按照以下公式计算弥散张量的最大似然估计值:
其中,表示弥散张量的最大似然估计值,dm表示第m个弥散加权图像所对应的K空间数据,F表示傅立叶编码矩阵,I0表示无弥散加权的参考图像,表示第m个弥散加权图像的相位,b表示弥散加权因子,gm=(gxm,gym,gzm)T表示第m个梯度向量。
在一个实施例中,最大后验概率估计模块203,具体用于按照以下公式计算弥散张量的最大后验概率估计值:
其中,R(·)表示作用于弥散张量D的惩罚函数,G(·)表示作用于弥散参数FA的惩罚函数,γ1、γ2表示正则化参数、D1,D2,D3,D4,D5,D6代表不同方向的6个弥散张量。
在一个实施例中,R(·)约束每个弥散张量的稀疏性,或者R(·)约束弥散张量的联合稀疏性。
在一个实施例中,在R(·)约束每个弥散张量的稀疏性的情况下,
在R(·)约束弥散张量的联合稀疏性的情况下:
其中,Ψ为运算符,表示稀疏变换,ψi表示Ψ的第i列,||·||1表示求L1范数,||·||2表示求L2范数。
在另外一个实施例中,还提供了一种软件,该软件用于执行上述实施例及优选实施方式中描述的技术方案。
在另外一个实施例中,还提供了一种存储介质,该存储介质中存储有上述软件,该存储介质包括但不限于:光盘、软盘、硬盘、可擦写存储器等。
从以上的描述中,可以看出,本发明实施例实现了如下技术效果:在采集到K空间数据后,直接根据K空间数据确定弥散张量的最大似然估计值,然后依据求取的最大似然估计值,结合弥散张量、弥散参数的稀疏性计算弥散张量的最大后验概率估计值,从而确定去噪后的弥散张量。这有别于直接对弥散加权图像进行去噪的方法,避免了因为图像去噪而引入的***误差,解决了现有技术中无法在不增加扫描时间和不影响空间分辨率的同时,实现弥散张量的高精度去噪的技术问题,有效抑制了弥散张量中的噪声。进一步的,因为通过弥散张量、弥散参数的稀疏性来进行去噪,从而更有效地提高了弥散张量的估计精度。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
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 (8)
1.一种磁共振弥散张量去噪方法,其特征在于,包括:
采集K空间数据;
根据采集的K空间数据,求取弥散张量的最大似然估计值;
利用弥散张量和弥散参数的稀疏性,将求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值;
根据求取的所述最大后验概率估计值,计算弥散系数;
其中,利用弥散张量和弥散参数的稀疏性,将求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值,包括:
按照以下公式计算弥散张量的最大后验概率估计值:
其中,R(·)表示作用于弥散张量D的惩罚函数,G(·)表示作用于弥散参数FA的惩罚函数,γ1、γ2表示正则化参数、D1,D2,D3,D4,D5,D6代表不同方向的6个弥散张量。
2.如权利要求1所述的方法,其特征在于,根据采集的K空间数据,求取弥散张量的最大似然估计值,包括:
按照以下公式计算弥散张量的最大似然估计值:
其中,表示弥散张量的最大似然估计值,dm表示第m个弥散加权图像所对应的K空间数据,F表示傅立叶编码矩阵,I0表示无弥散加权的参考图像,表示第m个弥散加权图像的相位,b表示弥散加权因子,gm=(gxm,gym,gzm)T表示第m个梯度向量。
3.如权利要求2所述的方法,其特征在于,R(·)约束每个弥散张量的稀疏性,或者R(·)约束弥散张量的联合稀疏性。
4.如权利要求3所述的方法,其特征在于:
在R(·)约束每个弥散张量的稀疏性的情况下,
在R(·)约束弥散张量的联合稀疏性的情况下:
其中,Ψ为运算符,表示稀疏变换,ψi表示Ψ的第i列,||·||1表示求L1范数,||·||2表示求L2范数。
5.一种磁共振弥散张量去噪装置,其特征在于,包括:
K空间数据采集模块,用于采集K空间数据;
最大似然估计求取模块,用于根据采集的K空间数据,求取弥散张量的最大似然估计值;
最大后验概率估计模块,用于利用弥散张量和弥散参数的稀疏性,将求取的最大似然估计值作为初始值,计算弥散张量的最大后验概率估计值;
弥散系数计算模块,用于根据求取的所述最大后验概率估计值,计算弥散系数;
其中,所述最大后验概率估计模块,具体用于按照以下公式计算弥散张量的最大后验概率估计值:
其中,R(·)表示作用于弥散张量D的惩罚函数,G(·)表示作用于弥散参数FA的惩罚函数,γ1、γ2表示正则化参数、D1,D2,D3,D4,D5,D6代表不同方向的6个弥散张量。
6.如权利要求5所述的装置,其特征在于,所述最大似然估计求取模块,具体用于按照以下公式计算弥散张量的最大似然估计值:
其中,表示弥散张量的最大似然估计值,dm表示第m个弥散加权图像所对应的K空间数据,F表示傅立叶编码矩阵,I0表示无弥散加权的参考图像,表示第m个弥散加权图像的相位,b表示弥散加权因子,gm=(gxm,gym,gzm)T表示第m个梯度向量。
7.如权利要求6所述的装置,其特征在于,R(·)约束每个弥散张量的稀疏性,或者R(·)约束弥散张量的联合稀疏性。
8.如权利要求7所述的装置,其特征在于:
在R(·)约束每个弥散张量的稀疏性的情况下,
在R(·)约束弥散张量的联合稀疏性的情况下:
其中,Ψ为运算符,表示稀疏变换,ψi表示Ψ的第i列,||·||1表示求L1范数,||·||2表示求L2范数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758290.6A CN104504657B (zh) | 2014-12-11 | 2014-12-11 | 磁共振弥散张量去噪方法和装置 |
PCT/CN2014/095362 WO2016090686A1 (zh) | 2014-12-11 | 2014-12-29 | 磁共振弥散张量去噪方法和装置以及计算机程序产品 |
US15/618,979 US10620287B2 (en) | 2014-12-11 | 2017-06-09 | Method and apparatus for denoising magnetic resonance diffusion tensor, and computer program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758290.6A CN104504657B (zh) | 2014-12-11 | 2014-12-11 | 磁共振弥散张量去噪方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504657A CN104504657A (zh) | 2015-04-08 |
CN104504657B true CN104504657B (zh) | 2017-05-03 |
Family
ID=52946051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410758290.6A Active CN104504657B (zh) | 2014-12-11 | 2014-12-11 | 磁共振弥散张量去噪方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10620287B2 (zh) |
CN (1) | CN104504657B (zh) |
WO (1) | WO2016090686A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104545916B (zh) * | 2014-12-23 | 2017-09-22 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量去噪方法和*** |
CN104586394B (zh) * | 2014-12-23 | 2017-04-12 | 中国科学院深圳先进技术研究院 | 去除磁共振弥散张量成像噪声的方法和*** |
GB2573557B (en) * | 2018-05-10 | 2020-06-10 | Siemens Healthcare Gmbh | Method of reconstructing magnetic resonance image data |
CN113934766B (zh) * | 2021-10-11 | 2023-04-14 | 网易有道信息技术(江苏)有限公司 | 围棋定式对弈方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632830A (zh) * | 2003-12-22 | 2005-06-29 | 中国科学院自动化研究所 | 脑缺血病灶区的自动分割方法 |
CN102309328A (zh) * | 2011-10-19 | 2012-01-11 | 中国科学院深圳先进技术研究院 | 弥散张量成像方法及*** |
CN103705239A (zh) * | 2013-12-05 | 2014-04-09 | 深圳先进技术研究院 | 磁共振参数成像方法和*** |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6549803B1 (en) * | 2000-05-08 | 2003-04-15 | Image-Guided Neurologics Inc. | Method and apparatus for targeting material delivery to tissue |
US7630530B2 (en) * | 2005-01-14 | 2009-12-08 | Siemens Medical Solutions Usa, Inc. | System and method for fast tensor field segmentation |
US7355403B2 (en) * | 2005-01-27 | 2008-04-08 | Siemens Medical Solutions Usa, Inc. | Noise reduction in diffusion tensor imaging data using bayesian methods |
GB0521640D0 (en) * | 2005-10-24 | 2005-11-30 | Ccbr As | Automatic quantification of a pathology indicating measure from cartilage scan data |
US7889899B2 (en) * | 2006-05-05 | 2011-02-15 | Siemens Medical Solutions Usa, Inc. | Directional statistics visualization tool |
US7672790B2 (en) * | 2006-11-02 | 2010-03-02 | Siemens Medical Solutions Usa, Inc. | System and method for stochastic DT-MRI connectivity mapping on the GPU |
WO2008085473A1 (en) * | 2006-12-27 | 2008-07-17 | The Johns Hopkins University | Mri methods using diffusion tensor imaging techniques and mri systems embodying same |
US7994784B2 (en) * | 2007-07-20 | 2011-08-09 | Medical College Of Georgia Research Institute, Inc. | Systems and methods for rescaling image intensities with diffusion MRI to synthesize complex diffusive geometries |
US9494669B2 (en) * | 2010-05-17 | 2016-11-15 | Washington University | Diagnosis of central nervous system white matter pathology using diffusion MRI |
CN102008307B (zh) * | 2010-12-29 | 2012-07-25 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量成像方法和*** |
US9880246B2 (en) * | 2013-01-28 | 2018-01-30 | University Of Southern California | Linear transform for diffusion MRI |
US9234952B2 (en) * | 2013-03-11 | 2016-01-12 | Wisconsin Alumni Research Foundation | System and method for determining k-space views and diffusion weighting directions using centroidal voronoi tessellations |
JP5946800B2 (ja) * | 2013-07-22 | 2016-07-06 | 株式会社日立製作所 | 磁気共鳴イメージング装置、画像処理装置、画像処理方法、及び画像処理プログラム |
CN103985099B (zh) * | 2014-05-30 | 2017-01-25 | 成都信息工程学院 | 一种弥散张量磁共振图像张量域非局部均值去噪方法 |
-
2014
- 2014-12-11 CN CN201410758290.6A patent/CN104504657B/zh active Active
- 2014-12-29 WO PCT/CN2014/095362 patent/WO2016090686A1/zh active Application Filing
-
2017
- 2017-06-09 US US15/618,979 patent/US10620287B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632830A (zh) * | 2003-12-22 | 2005-06-29 | 中国科学院自动化研究所 | 脑缺血病灶区的自动分割方法 |
CN102309328A (zh) * | 2011-10-19 | 2012-01-11 | 中国科学院深圳先进技术研究院 | 弥散张量成像方法及*** |
CN103705239A (zh) * | 2013-12-05 | 2014-04-09 | 深圳先进技术研究院 | 磁共振参数成像方法和*** |
Non-Patent Citations (1)
Title |
---|
Exploiting parameter sparsity in model-based reconstruction to accelerate proton density and T2 mapping;Xi Peng et al.;《Medical Engineering & Physics》;20140630(第36期);第1428-1435页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2016090686A1 (zh) | 2016-06-16 |
US10620287B2 (en) | 2020-04-14 |
US20170363702A1 (en) | 2017-12-21 |
CN104504657A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11324418B2 (en) | Multi-coil magnetic resonance imaging using deep learning | |
Hammernik et al. | Learning a variational network for reconstruction of accelerated MRI data | |
Veraart et al. | Denoising of diffusion MRI using random matrix theory | |
CN104574298B (zh) | 一种基于互信息的多b值扩散权重图像的降噪方法 | |
Rajan et al. | Nonlocal maximum likelihood estimation method for denoising multiple-coil magnetic resonance images | |
WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
US10261157B2 (en) | Method and system for multi-shot spiral magnetic resonance elastography pulse sequence | |
WO2012037067A1 (en) | Multi-contrast image reconstruction with joint bayesian compressed sensing | |
CN104504657B (zh) | 磁共振弥散张量去噪方法和装置 | |
Ertürk et al. | Denoising MRI using spectral subtraction | |
Tabelow et al. | Local estimation of the noise level in MRI using structural adaptation | |
WO2022183988A1 (en) | Systems and methods for magnetic resonance image reconstruction with denoising | |
US10605882B2 (en) | Systems and methods for removing background phase variations in diffusion-weighted magnetic resonance imaging | |
Li et al. | An adaptive directional Haar framelet-based reconstruction algorithm for parallel magnetic resonance imaging | |
Das et al. | Adaptive denoising of 3D volumetric MR images using local variance based estimator | |
CN104599244B (zh) | 磁共振弥散张量成像的去噪方法和*** | |
Zaid Alkilani et al. | FD‐Net: An unsupervised deep forward‐distortion model for susceptibility artifact correction in EPI | |
CN112581385B (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 | |
FR2983999A1 (fr) | Procede de reconstruction d'un signal en imagerie medicale a partir de mesures experimentales perturbees, et dispositif d'imagerie medicale mettant en oeuvre ce procede | |
CN104545916B (zh) | 磁共振弥散张量去噪方法和*** | |
CN111598963A (zh) | 基于字典学习的定量磁化率成像方法及装置 | |
CN110992435A (zh) | 图像重建方法及设备、成像数据的处理方法及装置 | |
Gan et al. | Self-supervised deep equilibrium models with theoretical guarantees and applications to MRI reconstruction | |
CN104586394B (zh) | 去除磁共振弥散张量成像噪声的方法和*** | |
JP2023069890A (ja) | 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |