CN111612866A - 定量磁化率成像重建方法及***、存储介质及终端 - Google Patents
定量磁化率成像重建方法及***、存储介质及终端 Download PDFInfo
- Publication number
- CN111612866A CN111612866A CN202010430561.0A CN202010430561A CN111612866A CN 111612866 A CN111612866 A CN 111612866A CN 202010430561 A CN202010430561 A CN 202010430561A CN 111612866 A CN111612866 A CN 111612866A
- Authority
- CN
- China
- Prior art keywords
- quantitative
- magnetic susceptibility
- image
- imaging reconstruction
- susceptibility imaging
- 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.)
- Withdrawn
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 146
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims abstract description 5
- 210000004556 brain Anatomy 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 18
- 238000002592 echocardiography Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 239000012528 membrane Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000001727 in vivo Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 238000013135 deep learning Methods 0.000 abstract description 8
- 210000001519 tissue Anatomy 0.000 description 13
- LPLLVINFLBSFRP-UHFFFAOYSA-N 2-methylamino-1-phenylpropan-1-one Chemical compound CNC(C)C(=O)C1=CC=CC=C1 LPLLVINFLBSFRP-UHFFFAOYSA-N 0.000 description 12
- 241000132539 Cosmos Species 0.000 description 12
- 235000005956 Cosmos caudatus Nutrition 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 241000699666 Mus <mouse, genus> Species 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 210000000278 spinal cord Anatomy 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 7
- 210000004885 white matter Anatomy 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 201000006417 multiple sclerosis Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 4
- 230000001054 cortical effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000002775 capsule Substances 0.000 description 3
- 210000001159 caudate nucleus Anatomy 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 210000000463 red nucleus Anatomy 0.000 description 3
- 210000003523 substantia nigra Anatomy 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 210000000877 corpus callosum Anatomy 0.000 description 2
- 210000001905 globus pallidus Anatomy 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000002637 putamen Anatomy 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000005257 cortical tissue Anatomy 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 210000003016 hypothalamus Anatomy 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 210000001767 medulla oblongata Anatomy 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种定量磁化率成像重建方法及***、存储介质及终端,包括以下步骤:对核磁共振成像得到的相位图像进行解缠绕;对解缠绕后的相位图像进行归一化;基于归一化后的相位图像和对应的定量磁化率图像,训练定量磁化率成像重建模型;将解缠绕并归一化后的相位图像输入训练好的定量磁化率成像重建模型,以得到重建后的定量磁化率图像。本发明的定量磁化率成像重建方法及***、存储介质及终端基于相位图像到磁化率图像的数学关系,通过深度学习算法来实现定量磁化率成像的重建,有效地提升了图像质量并极大提高了磁化率图像重建速度。
Description
技术领域
本发明涉及定量磁化率成像(Quantitative Susceptibility Mapping,QSM)的技术领域,特别是涉及一种定量磁化率成像重建方法及***、存储介质及终端。
背景技术
物质在外加磁场中会被磁化。磁化率是表征物质被磁化程度的物理量,是物质的固有属性。在磁共振成像中,组织间的磁化率差异导致磁场的不均匀性进一步导致氢质子的进动频率的差异,经过时间累积形成相位。因此,相位图像中包含组织的磁化率信息。
定量磁化率成像是核磁共振成像(Magnetic Resonance Imaging,MRI)中用于定量测量组织磁化特性的技术,通过定量地从相位信息中提取磁化率数值来成像。利用定量磁化率成像可以对组织的铁含量、钙化、血氧饱和度等进行有效的定量分析,对脑出血、多发性硬化症及帕金森综合征等疾病的研究和诊断也有重要意义。
定量磁化率成像的重建是一个复杂的过程,如图1所示,通常包括相位解缠绕、生成脑掩膜、去除背景场和偶极子反演等步骤。
采集到的相位图像的范围被缠绕在一定范围,真实的相位值与之相差2π的整数倍。因此,需要进行相位解缠绕,恢复真实的相位数值。基于旋磁比和回波时间可以求解出感兴趣区域内磁场的变化量。磁场变化量是感兴趣区域内的局部场和感兴趣区域外其他磁源作用产生的背景场的叠加。因此需要去除背景场,使磁场的变化量只取决于感兴趣区域内组织的作用。局部场是偶极子核与空间中磁化率分布的卷积。通过傅里叶变换将等式变换到k空间,k空间的局部场即为k空间内磁化率和偶极子核的乘积。由于偶极子核在k空间中的圆锥曲面存在零点,因此从局部场提取磁化率数值是一个病态的逆问题。
相位解缠绕包括基于路径和基于拉普拉斯算子的方法。去除背景场的技术常利用背景场的先验知识,如SHARP、VSHARP是基于背景场满足球谐函数的假设。在去除背景场时,生成掩膜提取感兴趣区域内的组织是关键的一步。
偶极子反演可分为多方向重建和单方向重建。多方向采样磁化率计算方法(Calculation of Susceptibility Through Multiple Orientation Sampling,COSMOS)是一种典型的多方向重建方法。COSMOS利用多个方向不同的偶极子核,相互填充存在零点的圆锥锥面,通过最小二乘法计算磁化率数值。COSMOS的优势在于重建精度和信噪比高。但是磁化率的各向异性不能在定量磁化率成像上反映。此外,COSMOS需要受试者至少旋转3个不同的角度,增加了受试者的不舒适感并延长了扫描时间。因此COSMOS的实用性不高。
定量磁化率成像单方向重建一般包括以下两类方法:
(1)对直接磁偶极子进行修改,如k空间截值法(Truncated K-space Division,TKD)算法。这类算法重建速率快,但是图像上存在着严重的条状伪影。
(2)通过添加正则项的方法实现偶极子反演。构造包括数据保真项和正则项的损失函数,通过迭代的方法求解损失函数的最优解便可定量的从局部场中提取磁化率数值。正则项的构造是目前偶极子反演的主要研究内容。这类方法包括(Sparse Equations andLeast Squares,LSQR)、iLSQR(improved Sparse Equations and Least Squares)、STAR-QSM等。
现有技术中,还可以将去除背景场和偶极子反演这两步合并成一步,以避免重建步骤过多导致误差积累。如Chatnuntawech等人利用拉普拉斯算子将去除背景场和与偶极子反演相结合,直接从场图中提取磁化率数值。再如使用最小二乘范数的方法直接对包含背景场的场图中进行偶极子反演。但是这些方法仍不可避免地需要使用脑部掩膜进行定量磁化率成像重建。
脑部掩膜的选取需要人为设置参数。选择的参数直接决定着掩膜的尺寸。掩膜过大,组织外磁源产生的磁场本应视为噪声,也被当做局部场,因此定量磁化率成像重建结果的精确性会受到影响,导致定量磁化率成像的条状伪影;掩膜过小,将导致脑部边界处信息的缺失,如人脑的皮质血管和脊髓。而在某些情况下,这些边界组织是十分重要的。
另外,深度学习技术在计算机视觉和图像处理等领域都取得了极大的成功。已经有研究者将深度学习用于医学影像重建,如PET、CT和MR。深度学习在定量磁化率成像的重建过程中也有一些应用。Yoon等人提出了QSMnet用于重建定量磁化率成像图像。但QSMnet选择COSMOS作为金标准,因此QSNnet的重建结果不能体现磁化率数值的各向异性。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种定量磁化率成像智能快速重建方法及***、存储介质及终端,基于相位图像到磁化率图像的数学关系,通过深度学习算法来实现定量磁化率成像的重建,有效地提升了图像质量的同时极大了提高了图像的重建速度。
为实现上述目的及其他相关目的,本发明提供一种定量磁化率成像重建方法,包括以下步骤:对核磁共振成像得到的相位图像进行解缠绕;对解缠绕后的相位图像进行归一化;基于归一化后的相位图像和对应的定量磁化率图像,训练定量磁化率成像重建模型;将解缠绕并归一化后的相位图像输入训练好的定量磁化率成像重建模型,以得到重建后的定量磁化率图像。
于本发明一实施例中,所述对应的定量磁化率图像通过相位解缠绕、生成脑掩膜、去除背景场和偶极子反演的方式获取;其中,基于拉普拉斯算子对相位图像进行相位解缠绕;对不同回波信号对应的幅值图像进行平方和合并,合并后的幅度图像基于使用FSL的BET函数生成脑掩膜;利用VSHARP方法对解缠绕归一化处理后的相位图像去除背景场;通过STAR-QSM对去除背景场的相位图像进行偶极子反演,以获取所述所对应的定量磁化率图像。
于本发明一实施例中,所述定量磁化率成像重建模型基于U-net神经网络设计,包括14层步长为1的3×3×3卷积层、批归一化层、激活函数ReLu、3层步长为2且卷积核大小为2×2×2的卷积层、3层步长为2且卷积核大小为2×2×2的反卷积层、3层恒等映射层和1层1×1×1的卷积层。
于本发明一实施例中,训练定量磁化率成像重建模型时,将所述归一化后的相位图像划分为64×64×64的块输入所述定量磁化率成像重建模型,将网络输出与所述对应的定量磁化率图像的均方误差作为损失函数,通过ADAM优化器进行优化。
于本发明一实施例中,训练定量磁化率成像重建模型时,学习率每600次迭代后衰减10-4,直到降低到10-7;并利用dropout方法防止过拟合,丢弃比例为10%。
于本发明一实施例中,所述定量磁化率成像重建模型的训练数据集和验证数据集采用不同年龄段的健康受试者的解缠绕归一化后的相位图像;测试数据集采用体膜、健康青少年和成年人大脑、婴幼儿大脑、有损伤的大脑和在体的小鼠大脑的相位图像。
对应地,本发明提供一种定量磁化率成像重建***,包括解缠绕模块、归一化模块、训练模块和重建模块;
所述解缠绕模块用于对核磁共振成像得到的相位图像进行解缠绕;
所述归一化模块用于对解缠绕后的相位图像进行归一化;
所述训练模块用于基于归一化后的相位图像和对应的定量磁化率图像,训练定量磁化率成像重建模型;
所述重建模块用于将解缠绕并归一化后的相位图像输入训练好的定量磁化率成像重建模型,以得到重建后的定量磁化率图像。
本发明提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的定量磁化率成像重建方法。
本发明提供一种终端,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述的定量磁化率成像重建方法。
如上所述,本发明的定量磁化率成像重建方法及***、存储介质及终端,具有以下有益效果:
(1)基于相位图像到磁化率图像的数学关系,通过深度学习算法来实现定量磁化率成像的重建;
(2)定性和定量研究表明,本发明的定量磁化率成像重建方法相比其他重建算法具有更好的图像质量;
(3)无需人为设置参数获得掩膜,避免了提取脑部掩膜对重建结果造成的影响,可以成像人脑皮层边缘血管、脊髓和小鼠神经束等脑边缘组织,保留了磁化率数值的各向异性;
(4)成像质量高、重建速度快,应用前景良好。
附图说明
图1显示为现有技术中的定量磁化率成像方法于一实施例中的流程图;
图2显示为本发明的定量磁化率成像重建方法于一实施例中的流程图;
图3显示为本发明的定量磁化率成像重建模型于一实施例中的结构示意图;
图4显示为实施例一中通过本发明的定量磁化率成像重建方法、TKD和iLSQR算法重建已知体膜的磁化率分布的结果示意图;
图5显示为实施例二中通过本发明的定量磁化率成像重建方法、STAR-QSM、TKD、iLSQR和多方向重建技术进行定量磁化率成像重建的结果示意图;
图6显示为实施例二中各算法计算脑部核团的磁化率数值的结果示意图;
图7显示为实施例二中利用本发明的定量磁化率成像重建方法和QSMnet重建不同方向定量磁化率图像的结果示意图;
图8显示为实施例三中利用STAR-QSM和本发明的定量磁化率成像重建方法进行定量磁化率成像挑战赛数据重建的结果示意图;
图9显示为利用STAR-QSM和本发明的定量磁化率成像重建方法重建实施例四的幼儿和儿童,以及实施例五的多发性硬化和脑出血患者大脑定量磁化率图像的结果示意图;
图10显示为实施例六中利用本发明的定量磁化率成像重建方法重建活体小鼠脑部定量磁化率图像的结果示意图;
图11显示为实施例七中利用本发明的定量磁化率成像重建方法和STAR-QSM重建7T时脑部定量磁化率图像的结果示意图;
图12显示为本发明的定量磁化率成像重建***于一实施例中的结构示意图;
图13显示为本发明的终端于一实施例中的结构示意图。
元件标号说明
121 解缠绕模块
122 归一化模块
123 训练模块
124 重建模块
131 处理器
132 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明的定量磁化率成像重建方法及***、存储介质及终端通过深度学习算法实现相位图像到磁化率图像的学习,通过训练好的定量磁化率成像模型来实现定量磁化率成像的重建,有效地降低了算法复杂度,提升了图像质量。
如图2所示,于一实施例中,本发明提供一种定量磁化率成像重建方法包括以下步骤:
步骤S1、对核磁共振成像得到的相位图像进行解缠绕。
具体地,对于核磁共振成像所得到的相位图像进行解缠绕处理,以获取真实的相位数值。优选地,基于拉普拉斯算子对相位图像进行相位解缠绕。
步骤S2、对解缠绕后的相位图像进行归一化。
步骤S3、基于归一化后的相位图像和对应的定量磁化率图像,训练定量磁化率成像重建模型。
具体地,本发明将归一化后的相位图像作为输入来训练定量磁化率成像重建模型,以使所述定量磁化率成像重建模型输出所述相位图像对应的重建后的定量磁化率图像。在训练所述定量磁化率成像重建模型时,以归一化后的相位图像所对应的定量磁化率图像为参考,将网络输出与所述对应的定量磁化率图像的均方误差作为损失函数,并通过ADAM优化器进行优化。
于本发明一实施例中,相位图像所对应的定量磁化率图像通过相位解缠绕、生成脑掩膜、去除背景场和偶极子反演的方式获取;其中,基于拉普拉斯算子对原始相位图像进行相位解缠绕;对不同回波信号对应的幅值图像进行平方和合并,合并后的幅度图像基于使用FSL的BET函数生成脑掩膜;利用半径可变的复杂调和伪影去除法(Variable kernelsSophisticated Harmonic Artifact Reduction for Phase data,VSHARP)对归一化处理后的相位图像去除背景场;通过用于去除条状伪影的QSM重建算法(Streaking artifactreduction for quantitative susceptibility mapping,STAR-QSM)对去除背景场的相位图像进行偶极子反演来计算磁化率数值,从而获取所述所对应的定量磁化率成像。其中,平方和合并是指对每个回波对应的幅度图像平方后求和。
如图3所示,于本发明一实施例中,所述定量磁化率成像重建模型基于U-net神经网络设计,最大特征尺寸为128,包括以下结构:
(1)14层步长为1的3×3×3卷积层
(2)批归一化层
(3)激活函数ReLu
(4)3层步长为2且卷积核大小为2×2×2的卷积层
(5)3层步长为2且卷积核大小为2×2×2的反卷积层
(6)3层恒等映射层(identity mapping layer)
(7)1层1×1×1的卷积层,作为网络的最后一层
于本发明一实施例中,纳入209名健康受试者形成数据集,其中包括21名青少年和188名成年人。扫描仪型号为GE公司生产的MR 750,主磁场强度为3T。受试者扫描序列为3DGRE序列。其中,青少年受试者扫描参数为:采集视野(FOV)为22×22cm2,扫描矩阵大小(matrix size)为256×256,翻转角(FA)为20°,重复时间(TR)为41ms,回波个数为8,回波间隔为2.82ms,第1个回波时间(echo time)为4ms,第8个回波时间为29.4ms,空间分辨率为0.86×0.86×2mm3,层数(slice)为64。重建时将图像分辨率插值到0.86×0.86×1mm3,SENSE加速因子为2,总扫描时间为5.7分钟。成年受试者扫描参数为:FOV=22×22cm2,matrix size=256×256,TR=34.6ms,FA=20°,等间距的8个回波,回波间隔为3ms,第1个回波时间为5.468ms,第8个回波时间为26.5ms,分辨率=0.86×0.86×1mm3,扫描时间为9.7分钟。
具体地,将所述归一化后的相位图像划分为64×64×64的块输入所述定量磁化率成像重建模型。于本发明一实施例中,所述定量磁化率成像重建模型的训练数据集和验证数据集采用不同年龄段的健康受试者的解缠绕归一化后的相位图像;测试数据集采用体膜、健康青少年和成年人大脑、婴幼儿大脑、有损伤的大脑和在体的小鼠大脑的相位图像。训练定量磁化率成像重建模型时,学习率每600次迭代后衰减10-4,直到降低到10-7;并利用dropout方法防止过拟合,丢弃比例为10%。一次训练选取的样本数为8,选择42个样本作为验证集,基于Python 3.6.2和Tensorflow v1.4.1搭建网络模型,使用NVIDIA1080TI GPU进行训练。
步骤S4、将解缠绕并归一化后的相位图像输入训练好的定量磁化率成像重建模型,以得到重建后的定量磁化率图像。
具体地,当训练完成所述定量磁化率成像重建模型时,对于输入的解缠绕并归一化后的相位图像,将其输入所述定量磁化率成像重建模型,即可获取重建后的定量磁化率图像,避免了生成掩膜、去除背景场及偶极子反演等步骤带来的重建误差,且能够成像人脑皮层边缘血管、脊髓和小鼠神经束等脑边缘组织。
下面通过具体实施例来进一步验证本发明的定量磁化率成像重建方法(autoQSM)。
实施例一
选择已知磁化率数值的模拟脑部的体膜作为待重建物体,图像矩阵为192×256×150,空间分辨率为1×1×1mm3。体膜的磁化率数值(国际单位制)如下:海马体:0.05ppm,下丘脑:0.05ppm,延髓:0.05ppm,白质:-0.03ppm,小脑:-0.0065ppm,脑桥:-0.0065ppm,丘脑:-0.0065ppm,中脑:-0.0065ppm,脑脊液:0ppm,头骨:-2.1ppm。用0.6ppm的磁化率数值模拟脂肪,脂肪无化学位移效应。9.2ppm的磁化率用来模拟鼻腔内部的空气。脑组织产生的磁场视为局部场,头骨、脂肪和空气为感兴趣区域之外的场源,产生的磁场视为背景场。体膜与偶极子核进行卷积即得到相位图像。经过掩膜处理后,掩膜内的相位图像作为本发明的定量磁化率成像重建模型的输入。重建结果与其他QSM重建方法TKD和iLSQR进行比较。如图4所示,上排四个图像(a、c、d、e)分别为脑部体膜的真实的磁化率分布图像、通过本发明的定量磁化率成像重建方法、TKD和iLSQR算法得到的重建图像;b为掩膜处理后的脑部体膜相位图像,(f、g、h)分别为通过本发明的定量磁化率成像重建方法、TKD和iLSQR算法得到的重建图像与真实值之间的误差。由图可知,与真实的磁化率数值相比,本发明的定量磁化率成像重建方法计算结果的误差是最小的。从量化结果看,TKD和iLSQR的重建结果与真实值的均方根误差(Root Mean Square Error,RMSE)分别为85%和76%,本发明的定量磁化率成像重建方法的RMSE则是58%。因此该实施例中,相比于TKD和iLSQR算法,本发明的定量磁化率成像重建方法的重建精度更高。
实施例二
选择6名健康受试者进行磁共振扫描。受试者在GE公司型号为Hdxt的3T磁共振仪上接受扫描。扫描参数为:FOV=25.6×25.6cm2,matrix size=256×256,FA=20°,TR=41ms,等间距的16个回波,回波间隔为2.2ms,第1个TE为3.2ms,第16个TE为36.2ms,resolution=1×1×1mm3,层数为144,SENSE加速倍率为2。受试者脑部相对主磁场旋转得到4个不同的方向,每个方向的扫描时间为13分钟。为了与本发明的定量磁化率成像重建方法的结果进行对比,利用COSMOS对4个方向的扫描结果进行重建,并利用单方向QSM重建技术TKD和iLSQR进行QSM重建。TKD算法中阈值选择0.2,iLSQR算法则选择原始文献中的参数。为了定量评估误差,选择量化指标均方根误差(RMSE)、高频误差范数(High FrequencyError Norm,HFEN)、结构相似度指数(Structural Similarity Index,SSIM)。RMSE和HFEN都是数值越低,误差越小;而SSIM数值越高,误差越小。需要指出的是,所有的误差均在脑掩膜内进行计算。除了在全脑水平比较重建效果,还基于脑部核团定量地评估算法的准确性。标准空间的定量磁化率图像脑图谱作为移动图像,个体空间的定量磁化率图像作为参考图像,将定量磁化率图像脑图谱配准到个体定量磁化率图像。选择的核团有深灰质核团,包括尾状核、壳核、苍白球、红核、黑质,和白质核团,包括内囊、胼胝体、视辐射。统计每个核团内的磁化率数值。此外,还测试本发明的定量磁化率成像重建方法与QSMnet重建方法的结果差异。如图5所示,通过本发明的定量磁化率成像重建方法、STAR-QSM、TKD、iLSQR和多方向重建技术进行定量磁化率成像重建的结果。其中,第1列为总相位图像;第2到第6列依次为本发明的定量磁化率成像重建方法、STAR-QSM、TKD、iLSQR和COSMOS的重建结果;第1到第3行分别为轴状面、矢状面、冠状面图像。由图可知,本发明的定量磁化率成像重建方法可以重建出大脑边缘的皮层组织,比如血管,而这些组织没有出现在其他算法重建的定量磁化率图像中。其中,本发明的定量磁化率成像重建方法和STAR-QSM可以清晰地看到皮层灰质和白质的边缘和轮廓,而TKD和iLSQR在这一位置的组织对比度很低。本发明的定量磁化率成像重建方法的重建结果与作为训练数据标签的STAR-QSM相似。直观来看,本发明的定量磁化率成像重建方法的重建结果的对比度稍低于COSMOS。选择COSMOS作为金标准,量化误差如表1所示。由表1可知,在单方向重建算法中,本发明的定量磁化率成像重建方法的RMSE和HFEN最低、SSIM最高,重建效果优于TKD和iLSQR。
表1、aotuQSM、STAR-QSM、TKD、iLSQR的量化误差
RMSE(%) | HFEN(%) | SSIM | |
TKD | 75.6 | 75.1 | 0.88 |
iLSQR | 74.5 | 73.3 | 0.86 |
STAR-QSM | 72.6 | 68.8 | 0.91 |
本发明的定量磁化率成像重建方法 | 72.2 | 68.8 | 0.91 |
如图6所示,本发明的定量磁化率成像重建方法计算的结果与STAR-QSM算法相近,磁化率对比度略低于COSMOS。本发明的定量磁化率成像重建方法和COSMOS计算的各核团的磁化率数值之间没有显著性差异(P>0.05)。其中,CN、PUT、RN、RN、SN、IC和CC分别表示尾状核、壳核、苍白球、红核、黑质、内囊、胼胝体所处位置。
如图7中的箭头所示,本发明的定量磁化率成像重建方法的重建结果中白质有着很强的各向异性。其中,每列表示一个方向。表2为本发明的定量磁化率成像重建方法、STAR-QSM和QSNnet计算的四个方向上内囊和视辐射这两个核团的磁化率数值。由表可知,方向不同,本发明的定量磁化率成像重建方法和STAR-QSM的磁化率数值随之发生明显变化,但是QSMnet的重建结果基本保持一致。因此本发明的定量磁化率成像重建方法和STAR-QSM体现出了磁化率的各向异性,而磁化率的这种特性在QSMnet上没有体现。其中,表2中的数值表示均值±标准差。
表2、autoQSM、STAR-QSM、QSMnet计算的不同方向上内囊和视辐射的磁化率数值
实施例三
选择2016年定量磁化率成像重建挑战赛的数据进行定量磁化率成像重建。磁化率张量中的χ33作为金标准。选择2016年定量磁化率成像重建挑战赛中设置的误差量化参数,包括RMSE、HFSN、SSIM和脑区计算误差,定量分析本发明的定量磁化率成像重建方法和STAR-QSM的定量磁化率成像重建结果与χ33的误差。脑区计算误差定义为脑区的定量磁化率图像计算结果与真实值χ33的绝对误差的平均值。其中,这些核团包括红核、黑质、尾状核、额叶白质、枕叶白质等。
如图8所示,a、b、c、d列分布表示解缠绕后的相位图像、χ33金标准、STAR-QSM重建结果和本发明的定量磁化率成像重建方法的重建结果。第一行到第三行依次为轴状面,冠状面和矢状面。由图可知,STAR-QSM和本发明的定量磁化率成像重建方法的量化误差相近,包括RMSE、HFEN、SSIM、脑区计算误差。与STAR-QSM和χ33相比,本发明的定量磁化率成像重建方法可以重建脑部边缘的磁化率信息。需要指出的是,本发明的定量磁化率成像重建方法在皮层表面附近观察到了棋盘状和振铃状伪影。定量磁化率成像挑战赛的数据是利用同步多层扫描(SMS)序列获得的。这种伪影正是SMS序列带来的,而基于传统3D GRE序列扫描不会出现这个问题。由于STAR-QSM重建的结果和χ33都用到了脑部掩膜,因此这种伪影仅在本发明的定量磁化率成像重建方法的结果中出现。
实施例四
选择幼儿和儿童作为受试者进行脑部扫描。相比于成年人,婴幼儿和儿童的脑部铁沉积更少,磷脂化程度更低,因此定量磁化率图像的对比度与成年人不同。实验得到了机构审查委员会(IRB)的批准,并在父母的陪同下进行。10名2岁的幼儿扫描相关参数如下:FOV=220×220mm2,matrix size=220×220,TR=40ms,等间距的16个回波,回波间隔为2.9ms,第1个TE为2.9ms,16个TE为46.4ms,resolution=1×1×1mm3,slice=128,SENSE加速因子为2,总扫描时间为11分钟。在扫描过程中,使用婴幼儿耳罩用于保护听力。全程有一位有经验的新生儿专家和神经放射学专家在场。15名年龄在5到7岁的儿童扫描参数如下:FOV=220×220cm2,matrix size=384×384,TR=42ms,等间距的7个回波,回波间隔为4.76ms,第1个TE为4.35ms,第7个TE为32.91ms,resolution=0.58×0.58×1mm3,slice=128,SENSE加速因子为2,总扫描时间为12分钟。
实施例五
选择多发性硬化和脑出血患者作为受试者扫描脑部图像。15名多发性硬化患者的扫描参数如下:FOV=220×220mm2,matrix size=256×256,TR=44ms,等间距的8个回波,回波间距为4.18ms,第1个TE为3ms,第8个TE为32.3ms,resolution=0.86×0.86×1mm3,slice=136,SENSE加速因子为2,总扫描时间为13.5分钟。15名脑出血患者的扫描参数如下:FOV=220×220mm2,matrix size=256×256,TR=41ms,等间距的8个回波,回波间隔为4.85ms,第1个TE为3.16ms,第8个TE为37.1ms,resolution=0.86×0.86×1mm3,slice=136,SENSE加速因子为2,总扫描时间为12分钟。
如图9所示,第1列到第5列分别为幼儿、儿童、成年人、多发性硬化患者、脑出血患者矢状面的定量磁化率图像。第1行到第3行分别为STAR-QSM的重建结果、本发明的定量磁化率成像重建方法的重建结果,两种算法重建结果之差。由图可知,尽管这些数据与本发明的定量磁化率成像重建方法训练网络参数时的健康成人数据不同,但是本发明的定量磁化率成像重建方法和STAR-QSM的重建结果具有很好的一致性,说明本发明的定量磁化率成像重建方法在训练时学习到了相位图像和磁化率图像之间的数学关系。皮层边缘的血管在本发明的定量磁化率成像重建方法的重建图像上可见,但是在STAR-QSM中不可见,这是本发明的定量磁化率成像重建方法相比其他QSM重建算法的优势。通过实施例五可知,本发明的定量磁化率成像重建方法具有潜在的临床应用。
实施例六
选择活体的小鼠脑部进行定量磁化率图像的重建。磁共振仪型号为BrukerBioSpec 70/20USR。扫描序列为3D SPGR。扫描参数如下:FOV=19.2×14.4×9.6cm3,FA=35°,TR=250ms,等间距的10个回波,回波间隔为5.52ms,第1个TE为3.72ms,第10个TE为53.4ms,resolution=87×87×87μm3,slice=110,总扫描时间为90分钟。数据采集采用呼吸门控,每个呼吸周期重复两次脉冲序列。
如图10所示,a、b、c、d每列分别表示幅度图像、解缠绕相位图像、本发明的定量磁化率成像重建方法的重建结果和STAR-QSM的重建结果。第1行到第3行分别显示的是不同截面。在幅度图像上,小鼠脑部被与其像素值相近的组织包围,且脑组织和非脑组织的边界非常狭窄。因此提取小鼠的脑组织非常有难度。用获取人脑掩膜的方法提取小鼠的脑部掩膜容易出现误差。如d列所示,STAR-QSM重建结果中,包含小鼠脑神经束的髓质区域不完整。
由于不需要脑掩膜,本发明的定量磁化率成像重建方法的重建结果完整地保留了脑边缘皮层。本发明的定量磁化率成像重建方法的重建结果中脑边缘的血管信息被保留,如C列中的向上箭头所示;STAR-QSM中丢失的神经束信息也可以在本发明的定量磁化率成像重建方法中保留,如C列中的斜箭头所示。如左d列中的箭头所示,STAR-QSM上可见的伪影,在本发明的定量磁化率成像重建方法上也被显著地降低。
实施例七
选择3名受试者在西门子的7T仪器上进行扫描。扫描序列为3D FLASH。扫描参数为:矢状面扫描,FOV=19.2×19.2cm2,matrix size=320×320,FA=10°,TR=30ms,等间距的4个回波,回波间隔为6.9ms,第1个TE为2.3ms,第4个TE为23ms,resolution=0.6×0.6×0.6mm3,slice=320,GRAPPA加速因子为2,总扫描时间为25.6分钟。
如图11所示,a、b、c、d、e各列分别表示幅度图像、解缠绕相位图像、本发明的定量磁化率成像重建方法的重建结果、掩膜处理后的本发明的定量磁化率成像重建方法的重建结果和STAR-QSM重建结果。第1行到第3行显示的是不同受试者的矢状面图像。在d列图中,左侧框图是脊髓区域的放大图。其中,每个框图中的上侧箭头指向的是逆磁的白质束,下侧箭头指向的是相对顺磁的灰质区域。三名受试者的脊髓灰白质对比度是一致的。与本发明的定量磁化率成像重建方法相比,STAR-QSM重建图像丢失了大部分的脊髓区域。在依然保留的脊髓区域内,STAR-QSN和本发明的定量磁化率成像重建方法的对比度具有很好的一致性。本实施例说明本发明的定量磁化率成像重建方法具有成像颈部附近组织(如脊髓)磁化率图像的能力。
如图12所示,于一实施例中,本发明的定量磁化率成像重建***包括解缠绕模块121、归一化模块122、训练模块123和重建模块124。
所述解缠绕模块121用于对核磁共振成像得到的相位图像进行解缠绕。
所述归一化模块122与所述解缠绕模块121相连,用于对解缠绕后的相位图像进行归一化。
所述训练模块123与所述归一化模块122相连,用于基于归一化后的相位图像和对应的定量磁化率图像,训练定量磁化率成像重建模型。
所述重建模块124与所述训练模块123相连,用于将解缠绕并归一化后的相位图像输入训练好的定量磁化率成像重建模型,以得到重建后的定量磁化率图像。
其中,解缠绕模块121、归一化模块122、训练模块123和重建模块124的结构和原理与上述定量磁化率成像重建方法中的步骤一一对应,故在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,x模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Signal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序,该程序被处理器执行时实现上述的定量磁化率成像重建方法。所述存储介质包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图13所示,于一实施例中,本发明的终端包括:处理器131及存储器132。
所述存储器132用于存储计算机程序。
所述存储器132包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器131与所述存储器132相连,用于执行所述存储器132存储的计算机程序,以使所述终端执行上述的定量磁化率成像重建方法。
优选地,所述处理器131可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field ProgrammableGate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述,本发明的定量磁化率成像重建方法及***、存储介质及终端基于相位图像到磁化率图像的数学关系,通过深度学习算法来实现定量磁化率成像的重建;定性和定量研究表明,本发明的定量磁化率成像重建方法相比其他重建算法具有更好的图像质量;无需人为设置参数获得掩膜,避免了提取脑部掩膜对重建结果造成的影响,可以成像人脑皮层边缘血管、脊髓和小鼠神经束等脑边缘组织,保留了磁化率数值的各向异性;成像质量高、重建速度快,应用前景良好。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种定量磁化率成像重建方法,其特征在于:包括以下步骤:
对核磁共振成像得到的相位图像进行解缠绕;
对解缠绕后的相位图像进行归一化;
基于归一化后的相位图像和对应的定量磁化率图像,训练定量磁化率成像重建模型;
将解缠绕并归一化后的相位图像输入训练好的定量磁化率成像重建模型,以得到重建后的定量磁化率图像。
3.根据权利要求1所述的定量磁化率成像重建方法,其特征在于:所述对应的定量磁化率图像通过相位解缠绕、生成脑掩膜、去除背景场和偶极子反演的方式获取;其中,基于拉普拉斯算子对相位图像进行相位解缠绕;对不同回波信号对应的幅值图像进行平方和合并,合并后的幅度图像基于使用FSL的BET函数生成脑掩膜;利用VSHARP方法对解缠绕归一化处理后的相位图像去除背景场;通过STAR-QSM对去除背景场的相位图像进行偶极子反演,以获取所述所对应的定量磁化率图像。
4.根据权利要求1所述的定量磁化率成像重建方法,其特征在于:所述定量磁化率成像重建模型基于U-net神经网络设计,包括14层步长为1的3×3×3卷积层、批归一化层、激活函数ReLu、3层步长为2且卷积核大小为2×2×2的卷积层、3层步长为2且卷积核大小为2×2×2的反卷积层、3层恒等映射层和1层1×1×1的卷积层。
5.根据权利要求1所述的定量磁化率成像重建方法,其特征在于:训练定量磁化率成像重建模型时,将所述归一化后的相位图像划分为64×64×64的块输入所述定量磁化率成像重建模型,将网络输出与所述对应的定量磁化率图像的均方误差作为损失函数,通过ADAM优化器进行优化。
6.根据权利要求1所述的定量磁化率成像重建方法,其特征在于:训练定量磁化率成像重建模型时,学习率每600次迭代后衰减10-4,直到降低到10-7;并利用dropout方法防止过拟合,丢弃比例为10%。
7.根据权利要求1所述的定量磁化率成像重建方法,其特征在于:所述定量磁化率成像重建模型的训练数据集和验证数据集采用不同年龄段的健康受试者的解缠绕归一化后的相位图像;测试数据集采用体膜、健康青少年和成年人大脑、婴幼儿大脑、有损伤的大脑和在体的小鼠大脑的相位图像。
8.一种定量磁化率成像重建***,其特征在于:包括解缠绕模块、归一化模块、训练模块和重建模块;
所述解缠绕模块用于对核磁共振成像得到的相位图像进行解缠绕;
所述归一化模块用于对解缠绕后的相位图像进行归一化;
所述训练模块用于基于归一化后的相位图像和对应的定量磁化率图像,训练定量磁化率成像重建模型;
所述重建模块用于将解缠绕并归一化后的相位图像输入训练好的定量磁化率成像重建模型,以得到重建后的定量磁化率图像。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任一项所述的定量磁化率成像重建方法。
10.一种终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行权利要求1至7中任一项所述的定量磁化率成像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430561.0A CN111612866A (zh) | 2020-05-20 | 2020-05-20 | 定量磁化率成像重建方法及***、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430561.0A CN111612866A (zh) | 2020-05-20 | 2020-05-20 | 定量磁化率成像重建方法及***、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612866A true CN111612866A (zh) | 2020-09-01 |
Family
ID=72196112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010430561.0A Withdrawn CN111612866A (zh) | 2020-05-20 | 2020-05-20 | 定量磁化率成像重建方法及***、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612866A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037304A (zh) * | 2020-09-02 | 2020-12-04 | 上海大学 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
CN112488950A (zh) * | 2020-12-09 | 2021-03-12 | 东南大学 | 一种基于模拟数据和深度学习的定量磁化率成像算法 |
CN112505598A (zh) * | 2020-12-10 | 2021-03-16 | 上海交通大学 | 定量磁化率成像重建方法及***、存储介质及终端 |
CN112754459A (zh) * | 2020-12-23 | 2021-05-07 | 上海交通大学 | 骨骼组织定量成像方法、***、介质及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146235A (zh) * | 2017-05-02 | 2017-09-08 | 厦门大学 | 一种基于自适应卷积核的磁共振相位图的背景场去除方法 |
CN108010100A (zh) * | 2017-12-07 | 2018-05-08 | 厦门大学 | 一种基于残差网络的单扫描磁共振定量t2成像重建方法 |
CN108523890A (zh) * | 2018-03-06 | 2018-09-14 | 厦门大学 | 基于磁共振偶极场空间分布的局部场估计方法 |
US20190204401A1 (en) * | 2017-12-29 | 2019-07-04 | Siemens Healthcare Gmbh | Method and Deep Quantitative Susceptibility Mapping (QSM) |
US20200074635A1 (en) * | 2018-08-29 | 2020-03-05 | Hitachi, Ltd. | Image processor, image processing method, program for image processing, and magnetic resonance imaging apparatus |
-
2020
- 2020-05-20 CN CN202010430561.0A patent/CN111612866A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146235A (zh) * | 2017-05-02 | 2017-09-08 | 厦门大学 | 一种基于自适应卷积核的磁共振相位图的背景场去除方法 |
CN108010100A (zh) * | 2017-12-07 | 2018-05-08 | 厦门大学 | 一种基于残差网络的单扫描磁共振定量t2成像重建方法 |
US20190204401A1 (en) * | 2017-12-29 | 2019-07-04 | Siemens Healthcare Gmbh | Method and Deep Quantitative Susceptibility Mapping (QSM) |
CN108523890A (zh) * | 2018-03-06 | 2018-09-14 | 厦门大学 | 基于磁共振偶极场空间分布的局部场估计方法 |
US20200074635A1 (en) * | 2018-08-29 | 2020-03-05 | Hitachi, Ltd. | Image processor, image processing method, program for image processing, and magnetic resonance imaging apparatus |
Non-Patent Citations (1)
Title |
---|
HONGJIANG WEI等: "Learning-based Single-step Quantitative Susceptibility Mapping Reconstruction Without Brain Extraction" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037304A (zh) * | 2020-09-02 | 2020-12-04 | 上海大学 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
CN112037304B (zh) * | 2020-09-02 | 2023-12-08 | 上海大学 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
CN112488950A (zh) * | 2020-12-09 | 2021-03-12 | 东南大学 | 一种基于模拟数据和深度学习的定量磁化率成像算法 |
CN112505598A (zh) * | 2020-12-10 | 2021-03-16 | 上海交通大学 | 定量磁化率成像重建方法及***、存储介质及终端 |
CN112505598B (zh) * | 2020-12-10 | 2022-01-07 | 上海交通大学 | 定量磁化率成像重建方法及***、存储介质及终端 |
CN112754459A (zh) * | 2020-12-23 | 2021-05-07 | 上海交通大学 | 骨骼组织定量成像方法、***、介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Knoll et al. | Joint MR-PET reconstruction using a multi-channel image regularizer | |
Liu et al. | SANTIS: sampling‐augmented neural network with incoherent structure for MR image reconstruction | |
Sotiropoulos et al. | Fusion in diffusion MRI for improved fibre orientation estimation: An application to the 3T and 7T data of the Human Connectome Project | |
Wei et al. | Learning-based single-step quantitative susceptibility mapping reconstruction without brain extraction | |
Feng et al. | Golden‐angle radial sparse parallel MRI: combination of compressed sensing, parallel imaging, and golden‐angle radial sampling for fast and flexible dynamic volumetric MRI | |
CN111612866A (zh) | 定量磁化率成像重建方法及***、存储介质及终端 | |
CN113344799A (zh) | 用于使用深度神经网络减少医学图像中的有色噪声的***和方法 | |
US10267883B2 (en) | System and method for motion resolved MRI | |
Gramfort et al. | Denoising and fast diffusion imaging with physically constrained sparse dictionary learning | |
Liu et al. | Improved low-rank filtering of magnetic resonance spectroscopic imaging data corrupted by noise and $ B_0 $ field inhomogeneity | |
CN112489150B (zh) | 面向快速mri的深度神经网络的多尺度序贯训练方法 | |
Liu et al. | Meta-QSM: an image-resolution-arbitrary network for QSM reconstruction | |
CN112085810A (zh) | 脑组织自由水成像重建方法及***、存储介质及终端 | |
Ahn et al. | Quantitative susceptibility map reconstruction using annihilating filter‐based low‐rank Hankel matrix approach | |
Shirai et al. | Region expansion of background field removal with local spherical harmonics approximation for whole-brain quantitative susceptibility mapping | |
WO2023070865A1 (zh) | 血管反应性的评价方法、装置、电子设备及存储介质 | |
Liu et al. | Non-locally encoder-decoder convolutional network for whole brain QSM inversion | |
CN112505598B (zh) | 定量磁化率成像重建方法及***、存储介质及终端 | |
Bao et al. | A spatially adaptive regularization based three-dimensional reconstruction network for quantitative susceptibility mapping | |
Liu | Deep Learning for Quantitative Susceptibility Mapping Reconstruction | |
Jacobs et al. | Generalizable synthetic MRI with physics‐informed convolutional networks | |
정우진 | Generalization Methods for End-to-End Deep Neural Network-based Magnetic Resonance Image Reconstruction | |
Razzaq | Non-uniform sparsity in magnetic resonance imaging (MRI) | |
Sadikov et al. | Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability | |
Xie | Machine Learning-Based Arterial Spin Labeling Perfusion MRI Signal Processing |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200901 |