CN111062994B - 一种化学交换饱和转移对比图像的重建方法及*** - Google Patents
一种化学交换饱和转移对比图像的重建方法及*** Download PDFInfo
- Publication number
- CN111062994B CN111062994B CN201911173109.4A CN201911173109A CN111062994B CN 111062994 B CN111062994 B CN 111062994B CN 201911173109 A CN201911173109 A CN 201911173109A CN 111062994 B CN111062994 B CN 111062994B
- Authority
- CN
- China
- Prior art keywords
- cest
- image
- geometric
- sampling
- propeller
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种化学交换饱和转移对比图像的重建方法。该方法包括:生成深度神经网络的训练样本;采用所述训练样本对深度神经网络进行训练,得到训练好的神经网络模型;采用所述训练好的深度神经网络和PROPELLER欠采样的化学交换饱和转移(CEST)图像,重建CEST对比图像。本发明能够有效缩短CEST对比成像实验时间,并使图像更加平滑,重建结果更加准确。本发明还公开了一种化学交换饱和转移对比图像的重建***,以实现上述重建方法。
Description
技术领域
本发明涉及磁共振成像技术,特别是涉及基于PROPELLER和深度神经网络的化学交换饱和转移对比图像的重建方法及***。
背景技术
化学交换饱和转移成像可以定量表征蛋白质或代谢物中可交换质子与水质子之间的化学交换,为MRI提供新的对比度机制。该技术通过水信号间接检测代谢物信息,可用于检测一些疾病,例如人类颅神经***疾病、脑缺血、肿瘤等,为疾病诊断提供依据,是一种新兴的分子影像技术。
常规的CEST(化学交换饱和转移)成像序列包括一个饱和模块(较长的持续激发脉冲)和信号读出模块,其中读出模块常使用快速自旋回波(FSE)或回波平面成像(EPI)。FSE读出模块可以提供高质量的CEST对比图像,但采集多个饱和频点下的数据需要长的扫描时间,这严重限制了其应用。EPI读出模块可以节省扫描时间,但获得的CEST对比图像会发生畸变,干扰诊断结果。目前,很多研究组提出来了一些快速成像序列,这些序列通过减少信号采集时间或者一次实验获得多层CEST对比图像来解决CEST实验耗时问题,例如多梯度回波方法、CEST-FISP(CEST-fast imaging with steady-state free precession)方法,Radial UCI(Radial Ultrafast CEST imaging)方法等。这些方法都有一些客观限制而导致省时效果或者采样效果不理想。例如多梯度回波方法通过一次饱和同时采集不同层的k空间数据,实质上是把脉冲序列的重复时间(TR)里的无效等待时间利用起来,激发其他层面,从而实现多层扫描,所以该方法没有缩短CEST扫描时间,而是在相同的扫描时间内,获取多层CEST信号;CEST-FISP方法可以缩短扫描时间但采集的信号信噪比较低,Radial UCI方法可以缩短扫描时间,但不适用于结构复杂的样品。另一方面,在Z谱拟合计算CEST对比图像的研究中,也有很多方法被提出来,常用的方法有高阶多项式拟合方法、布洛赫方程拟合方法和Lorentzian(洛伦茨)方程拟合方法。这些方法都有各自的局限性,例如高阶多项式拟合方法只适用于有较高信噪比的数据;布洛赫方程拟合方法适用于简单模型,对复杂模型,公式中的参数数量急剧增加,导致算法效率和精确度下降;Lorentzian方程拟合方法容易受到磁化转移效应和噪声的影响,导致拟合误差较大。
综上所述,我们需要寻找更有效的方法来快速获得CEST对比图像。新的方法应该只需要少量扫描时间,同时重建的时间要短,重建出的CEST对比图像质量要高。基于此,我们提出了基于PROPELLER和深度神经网络的化学交换饱和转移成像技术。
发明内容
本发明的目的是提供一种化学交换饱和转移对比图像的重建方法及***,能够从欠采样的数据中重建出能高质量的CEST对比图像,减少CEST实验所需要的时间和CEST对比图像重建时间。
为实现上述目的,本发明提供了如下方案:
一种化学交换饱和转移对比图像的重建方法,包括:
S1:生成深度神经网络的训练样本;具体包括:
S101:获取模拟区域;
S102:在所述模拟区域内随机生成一个几何图形,所述几何图形用于模拟成像对象的形状;
S103:分别在所述几何图形内设置CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数,以得到含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形;
S104:在所述含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形内添加经过滤波产生的纹理值和噪声;所述纹理值用于模拟成像对象的纹理;所述噪声用于模拟核磁共振采样时的噪声;
S105:重复S102-S104,直到随机几何图形覆盖整个模拟区域,分别得到CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图;
S106:获取CEST成像中的ω值组合;所述ω值组合包括多个ω值,其中包含一个较大值,用于对应未饱和的CEST图像,所述未饱和的CEST图像用于信号归一化;
S107:根据所述CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图生成与每一个ω值对应的CEST图像;
S108:对所述CEST图像进行PROPELLER欠采样;
S109:将PROPELLER欠采样的CEST图像与所述Ak参数图组成一个训练样本;
S110:重复S101-S109,生成设定量的训练样本;
S2:根据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;
S3:采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,重建CEST对比图像,具体包括:
采用磁共振成像序列对实际成像物体进行CEST成像数据采集,获取与ω值组合中的每一个ω值对应的饱和频点下的PROPELLER欠采样k空间数据;
对所述实际成像物体的PROPELLER欠采样k空间数据进行傅立叶变换,得到与每一个ω值对应的PROPELLER欠采样的CEST图像;
采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,得到CEST对比图像。
在一较佳实施例中:步骤S107的具体做法为:根据ω值、σk、ωk、Ak、δ参数图,采用CEST效应Lorentzian线模型公式得到CEST图像。
在一较佳实施例中:步骤S108的具体做法为:
对与每一个ω值对应的CEST图像进行傅立叶变换,得到对应的k空间数据;
每一个ω值对应的CEST图像的k空间数据对应一个特定采样轨迹的PROPELLER采样模板;每个PROPELLER采样模板抽取对应CEST图像的若干条k空间线;如果ω值有M个,则与之对应有M个采样模板;第一个采样模板的采样角度为0,相邻采样模板之间的采样角度相差180°/M,即采样角度以180°/M为增量;第m个ω值对应的采样模板的采样角度为180°(m-1)/M,M个采样模板的采样轨迹在k空间旋转一周。
本发明还提供了一种化学交换饱和转移对比图像的重建***,其特征在于:包括:
训练样本生成模块,用于生成深度神经网络的训练样本;
网络训练模块,用于根据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;
图像重建模块,用于采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,重建CEST对比图像;
其中,所述训练样本生成模块,具体包括:
模拟区域获取单元,用于获取模拟区域;
几何图形生成单元,用于在所述模拟区域内随机生成一个几何图形,所述几何图形用于模拟成像对象的形状;
参数设置单元,用于在所述几何图形内设置CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数,以得到含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形;
纹理噪声单元,用于分别在所述含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形内添加经过滤波产生的纹理值和噪声;所述纹理值用于模拟成像对象的纹理;所述噪声用于模拟核磁共振采样时的噪声;
参数图生成单元,用于将随机几何图形覆盖整个模拟区域,分别得到CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图;
ω值获取单元,用于获取CEST成像中的ω值组合;所述ω值组合包括多个ω值,其中包含一个较大值,用于对应未饱和的CEST图像,所述未饱和的CEST图像用于信号归一化;
模拟CEST图像生成单元,用于根据所述CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图生成与每一个ω值对应的CEST图像;
PROPELLER欠采样单元,用于对所述CEST图像进行PROPELLER欠采样;
单个训练样本组成单元,用于将所述PROPELLER欠采样的CEST图像与所述Ak参数图组成一个训练样本;
训练样本生成单元,用于生成设定量的训练样本。
在一较佳实施例中:所述图像重建模块,具体包括:
实际数据采集单元,用于采用磁共振成像序列对实际成像物体进行CEST成像数据采集,获取与ω值组合中的每一个ω值对应的饱和频点下的PROPELLER欠采样k空间数据;
实际CEST图像确定单元,用于对所述实际成像物体的PROPELLER欠采样k空间数据进行傅里叶变换,得到与每一个ω值对应的PROPELLER欠采样的CEST图像;
CEST对比图像确定单元,用于采用所述训练好的深度神经网络对所述PROPELLER欠采样的CEST图像,得到CEST对比图像。
在一较佳实施例中:所述模拟CEST图像生成单元根据ω值、σk、ωk、Ak、δ参数图,采用CEST效应Lorentzian线模型公式得到CEST图像。
在一较佳实施例中:所述PROPELLER欠采样单元对与每一个ω值对应的CEST图像进行傅立叶变换,得到对应的k空间数据;每一个ω值对应的CEST图像的k空间数据对应一个特定采样轨迹的PROPELLER采样模板;每个PROPELLER采样模板抽取对应CEST图像的若干条k空间线。如果ω值有M个,则与之对应有M个采样模板。第一个采样模板的采样角度为0,相邻采样模板之间的采样角度相差180°/M,即采样角度以180°/M为增量(相对于水平方向逆时针转)。第m个ω值对应的采样模板的采样角度为180°(m-1)/M,M个采样模板的采样轨迹在k空间旋转一周。
与现有技术相比,本发明的有益效果是:
本发明公开了一种化学交换饱和转移对比图像的重建方法及***,利用PROPELLER欠采样加速CEST对比成像,利用深度神经网络进行图像重建,大大缩短CEST成像实验时间和CEST对比图像重建时间,并使图像更加平滑。同时,本发明考虑了磁化转移(MT)效应、NOE效应、直接水饱和效应和不均匀磁场效应等对CEST模型的影响,重建结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明化学交换饱和转移对比图像的重建方法流程图;
图2为本发明生成深度神经网络的训练样本流程图;
图3为本发明化学交换饱和转移对比图像的重建***结构图。
图4为根据本发明重建得到的鸡蛋的CEST对比图像和传统方法计算得到的CEST对比图像。
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、完整地描述,显然,所描述的实施例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化学交换饱和转移对比图像的重建方法及***,能够从PROPELLER欠采样的数据中重建出高质量的CEST对比图像,减少CEST(化学交换饱和转移)实验所需要的时间和CEST对比图像重建时间。
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为本发明化学交换饱和转移对比图像的重建方法流程图,如图1所示,本发明提供的一种化学交换饱和转移对比图像的重建方法,包括:
S1:生成深度神经网络的训练样本。
S2:根据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网络。
S3:采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,重建CEST对比图像,具体包括:
采用磁共振成像序列对实际成像物体进行CEST成像数据采集,获取与ω值组合中的每一个ω值对应的饱和频点下的PROPELLER欠采样k空间数据;
对所述实际成像物体的PROPELLER欠采样k空间数据进行傅立叶变换,得到与每一个ω值对应的PROPELLER欠采样的CEST图像;
采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,得到CEST对比图像。
图2为本发明生成深度神经网络的训练样本流程图。如图2所示,生成深度神经网络的训练样本具体包括:
S101:获取模拟区域;
S102:在所述模拟区域内随机生成一个几何图形,所述几何图形用于模拟成像对象的形状;
S103:分别在所述几何图形内设置CEST(化学交换饱和转移)效应Lorentzian(洛伦茨)线模型中的σk、ωk、Ak、δ参数,以得到含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形;
S104:分别在含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形内添加经过滤波产生的纹理值和噪声;所述纹理值用于模拟成像对象的纹理;所述噪声用于模拟核磁共振采样时的噪声。
S105:重复S102-S104,直到随机几何图形覆盖整个模拟区域,得到CEST效应Lorentzian线模型中的σk参数图、ωk参数图、Ak参数图、δ参数图;
S106:获取CEST成像中的ω值组合;所述ω值组合包括多个ω值,其中包含一个较大值,用于对应未饱和的CEST图像,所述未饱和的CEST图像用于信号归一化;
S107:根据所述CEST效应Lorentzian线模型中的σk参数图、ωk参数图、Ak参数图、δ参数图;生成与每一个ω值对应的CEST图像;
S108:对所述CEST图像进行PROPELLER欠采样;
S109:将所述PROPELLER欠采样的CEST图像与所述Ak参数图组成一个训练样本;
S110:重复S101-S109,生成设定量的训练样本。
其中步骤S107的具体做法为:根据ω值、σk、ωk、Ak、δ参数图,采用CEST效应Lorentzian线模型公式得到CEST图像。所述CEST效应Lorentzian线模型公式如下:
式中,n为与所述CEST图像对应的Z谱中包含的下凹峰的个数,如磁化转移(MT)效应引起的下凹峰、NOE效应引起的下凹峰和由CEST效应引起的一个或多个下凹峰等,k为Z谱中包含的第k个下凹峰,ω为饱和脉冲的频率偏移,S(ω)为施加与ω值对应的饱和脉冲时的信号强度,S(0)为不施加饱和脉冲时的信号强度,2σk为第k个下凹峰的半高宽,ωk为与第k个下凹峰对应的核自旋共振频率,Ak为第个下凹峰的幅值,δ为磁场不均匀引起的频率偏移。
步骤S108具体包括:
对与每一个ω值对应的CEST图像进行傅立叶变换,得到对应的k空间数据;
每一个ω值对应的CEST图像的k空间数据对应一个特定采样轨迹的PROPELLER采样模板。每个PROPELLER采样模板抽取对应CEST图像的若干条k空间线。如果ω值有M个,则与之对应有M个采样模板。第一个采样模板的采样角度为0,相邻采样模板之间的采样角度相差180°/M,即采样角度以180°/M为增量(相对于水平方向逆时针转)。第m个ω值对应的采样模板的采样角度为180°(m-1)/M,M个采样模板的采样轨迹刚好在k空间旋转一周。
图3为本发明化学交换饱和转移对比图像的重建***结构图,具体包括:
训练样本生成模块101,用于生成深度神经网络的训练样本;
网络训练模块102,用于根据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;
图像重建模块103,用于采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,重建CEST对比图像。
所述训练样本生成模块101,具体包括:
模拟区域获取单元,用于获取模拟区域;
几何图形生成单元,用于在所述模拟区域内随机生成一个几何图形,所述几何图形用于模拟成像对象的形状;
参数设置单元,用于分别在所述几何图形内设置CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数,以得到含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形;
纹理噪声单元,用于分别在含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形内添加经过滤波产生的纹理值和噪声;所述纹理值用于模拟成像对象的纹理;所述噪声用于模拟核磁共振采样时的噪声。
参数图生成单元,用于将随机几何图形覆盖整个模拟区域,得到CEST效应Lorentzian线模型中的σk参数图、ωk参数图、Ak参数图、δ参数图;
ω值获取单元,用于获取CEST成像中的ω值组合;所述ω值组合包括多个ω值,其中包含一个较大值,用于对应未饱和的CEST图像,所述未饱和的CEST图像用于信号归一化;
模拟CEST图像生成单元,用于根据所述CEST效应Lorentzian线模型中的σk参数图、ωk参数图、Ak参数图、δ参数图;生成与每一个ω值对应的CEST图像;
PROPELLER欠采样单元,用于对所述CEST图像进行PROPELLER欠采样;
单个训练样本组成单元,用于将所述PROPELLER欠采样的CEST图像与所述Ak参数图组成一个训练样本;
训练样本生成单元,用于生成设定量的训练样本。
所述图像重建模块103,具体包括:
实际数据采集单元,用于采用磁共振成像序列对实际成像物体进行CEST成像数据采集,获取与ω值组合中的每一个ω值对应的饱和频点下的PROPELLER欠采样k空间数据;
实际CEST图像确定单元,用于对所述实际成像物体的PROPELLER欠采样k空间数据进行傅里叶变换,得到与每一个ω值对应的PROPELLER欠采样的CEST图像;
CEST对比图像确定单元,用于采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,得到CEST对比图像。
所述模拟CEST图像生成单元,具体包括:
根据ω值、σk参数图、ωk参数图、Ak参数图、δ参数图,采用CEST效应Lorentzian线模型公式得到CEST图像;所述CEST效应Lorentzian线模型公式如下:
式中,n为与所述CEST图像对应的Z谱中包含的下凹峰的个数,如磁化转移(MT)效应引起的下凹峰、NOE效应引起的下凹峰和由CEST效应引起的一个或多个下凹峰等,k为Z谱中包含的第k个下凹峰,ω为饱和脉冲的频率偏移,S(ω)为施加与ω值对应的饱和脉冲时的信号强度,S(0)为不施加饱和脉冲时的信号强度,2σk为第k个下凹峰的半高宽,ωk为与第k个下凹峰对应的核自旋共振频率,Ak为第个下凹峰的幅值,δ为磁场不均匀引起的频率偏移。
所述PROPELLER欠采样单元,具体包括:
用于对所述CEST图像进行PROPELLER欠采样。对与每一个ω值对应的CEST图像进行傅立叶变换,得到对应的k空间数据;每一个ω值对应的CEST图像的k空间数据对应一个特定采样轨迹的PROPELLER采样模板。每个PROPELLER采样模板抽取对应CEST图像的若干条k空间线。如果ω值有M个,则与之对应有M个采样模板。第一个采样模板的采样角度为0,相邻采样模板之间的采样角度相差180°/M,即采样角度以180°/M为增量(相对于水平方向逆时针转)。第m个ω值对应的采样模板的采样角度为180°(m-1)/M,M个采样模板的采样轨迹刚好在k空间旋转一周。
实施例:
步骤1:生成深度神经网络的训练样本。训练样本的生成流程具体包括:
步骤1.1:获取模拟区域;
步骤1.2:在模拟区域内随机生成一个几何图形,例如获取三角形、矩形、圆形。几何图形的位置和大小都随即固定;
步骤1.3:在几何图形内设置CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数,得到含有相应参数的几何图形;
步骤1.4:在步骤1.3获得的几何图形内添加经过高斯函数滤波产生的纹理值和噪声;所述纹理值用于模拟成像对象的纹理;所述噪声用于模拟核磁共振采样时的噪声;
步骤1.5:重复1.1-1.4,直到随机几何图形覆盖整个模拟区域,得到CEST效应Lorentzian线模型中的σk参数图、ωk参数图、Ak参数图、δ参数图;
步骤1.6:获取CEST成像中的ω值组合;ω值组合包括多个ω值,其中一个较大值对应未饱和的CEST图像,用于信号归一化;
步骤1.7:根据步骤1.5生成的σk参数图、ωk参数图、Ak参数图、δ参数图生成与每一个ω值对应的CEST图像;
步骤1.8:对步骤1.7生成的CEST图像进行PROPELLER欠采样;
步骤1.9:将PROPELLER欠采样的CEST图像与Ak参数图组成一个训练样本;
步骤1.10:重复步骤1.1-1.9,生成设定量的训练样本;
步骤2:对深度神经网络进行训练。利用步骤1生成的训练样本对深度神经网络进行训练;
步骤3:利用步骤2中训练好的深度神经网络对实际成像物体的PROPELLER欠采样CEST图像进行CEST对比图重建。
优选的,所述步骤1中,优选的模拟区域矩阵大小为128×128。
优选的,所述步骤1.2中,几何图形的位置和大小都随机确定,因此在重复步骤1.2过程中几何图形可能会发生重叠。如果发生重叠,以集合中差的运算方式去掉重叠部分。
优选的,所述步骤1.3中,磁共振参数尽量符合成像物体实际的参数分布。优选的参数值如下,磁共振参数分布尽量符合成像物体实际的参数分布。优选的参数值如下,直接水饱和效应对应ω1=0,σ1在[0.5ppm,2ppm]之间均匀分布;氨基质子对应ω2=2ppm,σ2在[0.3ppm,1.3ppm]之间均匀分布;酰胺基质子对应ω3=3.5ppm,σ3在[0.3ppm,1.3ppm]之间均匀分布;MT效应对应ω4=-2ppm,σ4在[5ppm,20ppm]之间均匀分布;NOE效应对应ω5=-4ppm,σ5在[1ppm,4ppm]之间均匀分布;δ在[-0.5ppm,0.5ppm]之间均匀分布;Ak(k=1~5)在[0,1]之间均匀分布。
优选的,所述步骤2中,所述深度神经网络采用U-Net。
优选的,所述步骤3中,采用CEST-PROPELLER序列对成像对象进行采样。参数设置如下:成像视野FOV为70mm×70mm,饱和脉冲持续时间为4000ms,脉冲重复时间为5000ms,采样回波连长度为8,ω值设置为[-6,-5.5,-5,-4.5,-4,-3.5,-3,-2.5,-2,-1.5,-1,-0.5,0,0.5,1,1.5,2,2.5,3,3.5,4,4.5,5,5.5,6],总的扫描时间为7.8min,频率编码维和相位编码维的采样点数分别为16和128。对采样得到的k空间数据进行充零,扩大到128×128,然后进行傅立叶变换,得到PROPELLER欠采样图像。将图像输入训练好的神经网络中,重建得到CEST对比图像。
图4中的a为根据本发明重建得到的鸡蛋的CEST对比图像。作为对比,图4中的b为对CEST-FSE全采样得到的CEST图像进行逐点Lorentzian拟合计算得到的CEST对比图像。
基于U-Net卷积神经网络的CEST对比图像重建,避免了对原始图像进行逐点非线性拟合,对于采样矩阵为128×128的图像,该方法可以为CEST成像提供8倍的加速因子,并且得到的图像更加平滑,重建结果更加准确。
本说明书中各实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,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,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种化学交换饱和转移对比图像的重建方法,其特征在于:包括:
S1:生成深度神经网络的训练样本;具体包括:
S101:获取模拟区域;
S102:在所述模拟区域内随机生成一个几何图形,所述几何图形用于模拟成像对象的形状;
S103:分别在所述几何图形内设置CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数,以得到含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形;
S104:在所述含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形内添加经过滤波产生的纹理值和噪声;所述纹理值用于模拟成像对象的纹理;所述噪声用于模拟核磁共振采样时的噪声;
S105:重复S102-S104,直到随机几何图形覆盖整个模拟区域,分别得到CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图;
S106:获取CEST成像中的ω值组合;所述ω值组合包括多个ω值,其中包含一个较大值,用于对应未饱和的CEST图像,所述未饱和的CEST图像用于信号归一化;
S107:根据所述CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图生成与每一个ω值对应的CEST图像;
S108:对所述CEST图像进行PROPELLER欠采样;
S109:将PROPELLER欠采样的CEST图像与所述Ak参数图组成一个训练样本;
S110:重复S101-S109,生成设定量的训练样本;
S2:根据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;
S3:采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,重建CEST对比图像,具体包括:
采用磁共振成像序列对实际成像物体进行CEST成像数据采集,获取与ω值组合中的每一个ω值对应的饱和频点下的PROPELLER欠采样k空间数据;
对所述实际成像物体的PROPELLER欠采样k空间数据进行傅立叶变换,得到与每一个ω值对应的PROPELLER欠采样的CEST图像;
采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,得到CEST对比图像。
2.根据权利要求1所述的化学交换饱和转移对比图像的重建方法,其特征在于:步骤S107的具体做法为:根据ω值、σk、ωk、Ak、δ参数图,采用CEST效应Lorentzian线模型公式得到CEST图像。
3.根据权利要求1所述的化学交换饱和转移对比图像的重建方法,其特征在于:步骤S108的具体做法为:
对与每一个ω值对应的CEST图像进行傅立叶变换,得到对应的k空间数据;
每一个ω值对应的CEST图像的k空间数据对应一个特定采样轨迹的PROPELLER采样模板;每个PROPELLER采样模板抽取对应CEST图像的若干条k空间线;如果ω值有M个,则与之对应有M个采样模板;第一个采样模板的采样角度为0,相邻采样模板之间的采样角度相差180°/M,即采样角度以180°/M为增量;第m个ω值对应的采样模板的采样角度为180°(m-1)/M,M个采样模板的采样轨迹在k空间旋转一周。
4.一种化学交换饱和转移对比图像的重建***,其特征在于:包括:
训练样本生成模块,用于生成深度神经网络的训练样本;
网络训练模块,用于根据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;
图像重建模块,用于采用所述训练好的深度神经网络和PROPELLER欠采样的CEST图像,重建CEST对比图像;
其中,所述训练样本生成模块,具体包括:
模拟区域获取单元,用于获取模拟区域;
几何图形生成单元,用于在所述模拟区域内随机生成一个几何图形,所述几何图形用于模拟成像对象的形状;
参数设置单元,用于在所述几何图形内设置CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数,以得到含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形;
纹理噪声单元,用于分别在所述含有σk参数的几何图形、含有ωk参数的几何图形、含有Ak参数的几何图形、含有δ参数的几何图形内添加经过滤波产生的纹理值和噪声;所述纹理值用于模拟成像对象的纹理;所述噪声用于模拟核磁共振采样时的噪声;
参数图生成单元,用于将随机几何图形覆盖整个模拟区域,分别得到CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图;
ω值获取单元,用于获取CEST成像中的ω值组合;所述ω值组合包括多个ω值,其中包含一个较大值,用于对应未饱和的CEST图像,所述未饱和的CEST图像用于信号归一化;
模拟CEST图像生成单元,用于根据所述CEST效应Lorentzian线模型中的σk、ωk、Ak、δ参数图生成与每一个ω值对应的CEST图像;
PROPELLER欠采样单元,用于对所述CEST图像进行PROPELLER欠采样;
单个训练样本组成单元,用于将所述PROPELLER欠采样的CEST图像与所述Ak参数图组成一个训练样本;
训练样本生成单元,用于生成设定量的训练样本。
5.根据权利要求4所述的化学交换饱和转移对比图像的重建***,其特征在于:所述图像重建模块,具体包括:
实际数据采集单元,用于采用磁共振成像序列对实际成像物体进行CEST成像数据采集,获取与ω值组合中的每一个ω值对应的饱和频点下的PROPELLER欠采样k空间数据;
实际CEST图像确定单元,用于对所述实际成像物体的PROPELLER欠采样k空间数据进行傅里叶变换,得到与每一个ω值对应的PROPELLER欠采样的CEST图像;
CEST对比图像确定单元,用于采用所述训练好的深度神经网络对所述PROPELLER欠采样的CEST图像,得到CEST对比图像。
6.根据权利要求4所述的化学交换饱和转移对比图像的重建***,其特征在于:所述模拟CEST图像生成单元根据ω值、σk、ωk、Ak、δ参数图,采用CEST效应Lorentzian线模型公式得到CEST图像。
7.根据权利要求4所述的化学交换饱和转移对比图像的重建***,其特征在于:所述PROPELLER欠采样单元对与每一个ω值对应的CEST图像进行傅立叶变换,得到对应的k空间数据;每一个ω值对应的CEST图像的k空间数据对应一个特定采样轨迹的PROPELLER采样模板;每个PROPELLER采样模板抽取对应CEST图像的若干条k空间线;如果ω值有M个,则与之对应有M个采样模板;第一个采样模板的采样角度为0,相邻采样模板之间的采样角度相差180°/M,即采样角度以180°/M为增量;第m个ω值对应的采样模板的采样角度为180°(m-1)/M,M个采样模板的采样轨迹在k空间旋转一周。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173109.4A CN111062994B (zh) | 2019-11-26 | 2019-11-26 | 一种化学交换饱和转移对比图像的重建方法及*** |
US17/100,114 US11587270B2 (en) | 2019-11-26 | 2020-11-20 | Method and system for reconstruction of CEST contrast image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173109.4A CN111062994B (zh) | 2019-11-26 | 2019-11-26 | 一种化学交换饱和转移对比图像的重建方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062994A CN111062994A (zh) | 2020-04-24 |
CN111062994B true CN111062994B (zh) | 2021-07-30 |
Family
ID=70298681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911173109.4A Active CN111062994B (zh) | 2019-11-26 | 2019-11-26 | 一种化学交换饱和转移对比图像的重建方法及*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US11587270B2 (zh) |
CN (1) | CN111062994B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113777543B (zh) * | 2021-07-27 | 2023-08-25 | 华东师范大学 | 基于神经网络拟合的化学交换饱和转移成像后处理方法 |
CN114518555B (zh) * | 2022-02-11 | 2024-06-04 | 厦门大学 | 一种核Overhauser增强成像方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104379057A (zh) * | 2012-08-31 | 2015-02-25 | 株式会社东芝 | 磁共振成像装置 |
CN108051765A (zh) * | 2017-12-11 | 2018-05-18 | 深圳先进技术研究院 | 化学交换饱和转移效应定量方法、装置及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014164712A1 (en) * | 2013-03-11 | 2014-10-09 | Wayne State University | Formation and uses of europium |
US10726552B2 (en) * | 2017-03-20 | 2020-07-28 | The General Hospital Corporation | Quantification of magnetic resonance data by adaptive fitting of downsampled images |
EP3617733A1 (en) * | 2018-08-30 | 2020-03-04 | Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. | Method and apparatus for processing magnetic resonance data using machine learning |
-
2019
- 2019-11-26 CN CN201911173109.4A patent/CN111062994B/zh active Active
-
2020
- 2020-11-20 US US17/100,114 patent/US11587270B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104379057A (zh) * | 2012-08-31 | 2015-02-25 | 株式会社东芝 | 磁共振成像装置 |
CN108051765A (zh) * | 2017-12-11 | 2018-05-18 | 深圳先进技术研究院 | 化学交换饱和转移效应定量方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
Weighted total variation using split Bregman fast quantitative susceptibility mapping reconstruction method;Lin Chen,etc;《Chinese Physics B》;20180801;第27卷(第8期);第1页至第10页 * |
基于时空编码的化学交换饱和转移对比成像;张苗等;《第十八届全国波谱学学术年会论文集》;20141010;第1页至第2页 * |
时空编码单扫描磁共振成像的基本原理;张婷等;《磁共振成像》;20160720;第7卷(第7期);第555页至第560页 * |
Also Published As
Publication number | Publication date |
---|---|
US11587270B2 (en) | 2023-02-21 |
CN111062994A (zh) | 2020-04-24 |
US20210158581A1 (en) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buonincontri et al. | MR fingerprinting with simultaneous B1 estimation | |
Wang et al. | Model‐based T 1 mapping with sparsity constraints using single‐shot inversion‐recovery radial FLASH | |
Hamilton et al. | MR fingerprinting for rapid quantification of myocardial T1, T2, and proton spin density | |
Lv et al. | Transfer learning enhanced generative adversarial networks for multi-channel MRI reconstruction | |
Ramzi et al. | NC-PDNet: A density-compensated unrolled network for 2D and 3D non-Cartesian MRI reconstruction | |
CN110807492B (zh) | 一种磁共振多参数同时定量成像方法及*** | |
Guo et al. | POCS‐enhanced inherent correction of motion‐induced phase errors (POCS‐ICE) for high‐resolution multishot diffusion MRI | |
US11029381B2 (en) | Method for varying undersampling dimension for accelerating multiple-acquisition magnetic resonance imaging and device for the same | |
CN105232046B (zh) | 一种基于重叠回波的单扫描定量磁共振t2成像方法 | |
Dong et al. | Echo planar time‐resolved imaging with subspace reconstruction and optimized spatiotemporal encoding | |
Marty et al. | MR fingerprinting for water T1 and fat fraction quantification in fat infiltrated skeletal muscles | |
US20150287222A1 (en) | Systems and methods for accelerated parameter mapping | |
CN110889897B (zh) | 一种体素内不相干运动磁共振成像参数重建方法及*** | |
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 | |
CN109597012B (zh) | 一种基于残差网络的单扫描时空编码成像重建方法 | |
CN108294753B (zh) | 磁共振定量信息图的获取方法和装置 | |
CN111062994B (zh) | 一种化学交换饱和转移对比图像的重建方法及*** | |
US20100272337A1 (en) | Magnetic resonance imaging apparatus | |
Chen et al. | Self‐calibrating wave‐encoded variable‐density single‐shot fast spin echo imaging | |
Chan et al. | Local perturbation responses and checkerboard tests: Characterization tools for nonlinear MRI methods | |
Tan et al. | Dynamic water/fat separation and inhomogeneity mapping—joint estimation using undersampled triple‐echo multi‐spoke radial FLASH | |
CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
Kratzer et al. | Sodium relaxometry using 23Na MR fingerprinting: A proof of concept | |
Arefeen et al. | Latent signal models: Learning compact representations of signal evolution for improved time‐resolved, multi‐contrast MRI | |
CN106841273A (zh) | 一种基于单扫描时空编码磁共振成像的水脂分离重建方法 |
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 |