一种基于深度学习的体素内不相干运动成像加速方法及装置制造方法及图纸

本发明专利技术公开一种基于深度学习的胎盘内体素内不相干运动成像的加速方法及装置。包括以下步骤：首先，利用迭代多次配准的方式对其进行刚体配准和仿射变换的配准得到配准后的胎盘数据信息。其次，利用配准后的胎盘数据，聘请专家对其中的感兴趣区域进行勾画建立胎盘内的体素数据库。最后，利用获得的体素的数据进行训练，得到相应的特征信息。从而实现胎盘内体素内不相干运动成像的加速。本发明专利技术在对现有的胎盘内体素内不相干运动成像方法提出了基于深度学习的加速方案，可以在采集时间更少的情况下获得近似于相同质量的图像信息，具有较高的准确度和精确性，效果优于当今其他的胎盘内体素内不相干运动成像方法。

【技术实现步骤摘要】
一种基于深度学习的体素内不相干运动成像加速方法及装置
本申请涉及磁共振图像处理领域及人工智能领域，尤其涉及基于一种基于深度学习的体素内不相干运动成像的方法及装置。
技术介绍
扩散成像是一种无损的测量活体组织水分子运动的磁共振成像方法，其图像对比度主要与水分子运动速率与方向有关，而并非如常规的MRI方法通过T1，T2和质子密度的权重形成不同的图像对比，因此扩散成像可以提供了常规MRI方法的无法获得的微观结构信息，在中枢神经疾病的检测，如肿瘤的良恶性鉴别、疗效评估和预测方面都起着重要作用。常规的扩散成像通常使用单激发自旋回波EPI序列，扩散加权的权重用b值表示。最简单的扩散成像序列可以通过采集一个没有扩散加权的数据(S0)和一个扩散权重为b的数据(Sb)计算表观扩散系数(ADC)。ADC以mm2/s为单位，反映了水分子扩散的快慢，计算的公式为当体素内同时存在两种或多种组分且各组分的ADC不同时，可通过采集多b值、多方向的扩散信号并设计更为复杂的微结构模型将不同组分解析出来。其中由LeBihan等人于1986年提出体素内不相干运动(IVIM)模型，针对组织中血液微循环的伪扩散运动，建立双指数模型，同时获取将组织(细胞、轴树突等)中水分子扩散和微循环(毛细血管、小血管)中的血液灌注信息。常见的IVIM模型可表达为其中f为血液微循环对应的比例系数，D*为血液微循环对应的伪扩散系数，D为组织中水分对应的扩散系数。IVIM技术已广泛应用于检测组织中的灌注情况，如大脑、肾脏、肝脏、胎盘等器官的灌注异常的检测。然而IVIM成像需要采集多b值(约10个b值)的扩散信号，采集较长，容易受到运动伪影的影响。体部器官随呼吸运动伪影较大，特别地，胎盘的成像不仅受到呼吸的影响还受到胎儿运动的影响。因而，缩短成像时间并保证IVIM重建质量，对于加速胎盘成像、减少孕妇不适感、推进IVIM技术的临床应用具有重要意义。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。近年来，深度学习方法在磁共振成像和图像处理方面都展现了具体的优势，如快速成像技术、图像分割、辅助诊断等。此外，深度学习方法在扩散磁共振方向也有了初步应用，如通过Q-spacelearning的方法减少扩散方向、b值的数据采集但实现同样的纤维束重建结果等。本专利技术通过将深度学习和IVIM模型相结合取得了较好的结果。
技术实现思路
为了克服现有技术采集时间长、受运动影响大的缺点，本专利技术提出了一种基于深度学习的体素内不相干运动成像的加速方法，该方法借助深度学习方法，结合体素内不相干运动成像方法，利用深度神经网络的全连接层可以拟合任意的非线性函数的特点进行拟合，结合人体胎盘数据库的数据支持，可以有效的缩短采集数据所消耗的时间。为了达到上述目的，本专利技术采用以下技术方案予以实现：第一方面，本专利技术提供了一种基于深度学习的体素内不相干运动成像的加速方法，其包括以下步骤：步骤一：建立人体胎盘的IVIM数据库，所述数据库中包含0-800s/mm2范围内的10个b值的胎盘扩散加权图像数据，数据采自若干孕期在28～36周之间的孕妇；步骤二：针对所述数据库中每个人体胎盘在不同b值下的扩散加权图像数据，分别进行6～10次迭代配准操作，以去除不同b值下各帧图像间运动伪影的影响；步骤三：对步骤二中配准后的每个胎盘扩散加权图像进行感兴趣区域划分；步骤四：基于步骤三处理后的每个胎盘在10个b值下的扩散加权图像数据，以双指数IVIM模型为拟合模型，采用分段估计再整体拟合的方法，对感兴趣区域中的体素数据进行拟合，得到胎盘图像中感兴趣区域内每个体素的血流灌注分数f、血液水分子弥散系数D*和组织水分子弥散系数D三个特征参数，并将其作为深度学习网络训练数据的标签；步骤五：构建深度学习网络，网络的输入为3-5个b值以及各输入b值下体素的归一化扩散加权信号S(b)/S0，输出为体素的f、D和D*三个特征参数；利用步骤四处理后得到的带有标签的扩散加权图像数据作为训练数据，对深度学习网络进行训练；步骤六：将目标人体胎盘的3-5个b值以及各b值下的扩散加权图像数据作为深度学习网络的输入，由步骤五中训练后的深度学习网络输出图像中每个体素的f、D和D*三个特征参数估计值。基于上述第一方面的方案，各步骤还可以进一步提供以下优选的实现方式。作为优选，所述步骤一的人体胎盘IVIM数据库建立方法如下：对若干怀孕孕周在28～36周且胎盘功能正常的孕妇，在磁共振系统中利用单次激发的扩散加权的EPI序列采集全子宫覆盖的IVIM成像；每个孕妇的IVIM数据包括b值分别为10,20,50,80,100,150,200,300,500和800s/mm2时的扩散加权图像数据。作为优选，所述步骤二的图像迭代配准方法如下：对于每个人体胎盘在10个b值下的扩散加权图像数据，将所有b值下的扩散加权图像进行平均，得到平均模板；然后通过刚体变换和仿射变换将每个b值下的扩散加权图像与平均模板进行比对配准；再将配准之后得到的所有b值下的扩散加权图像进行平均，得到新的平均模板后再次进行比对配准；如此迭代6～10次，得到每个扩散加权图像的配准结果。作为优选，所述步骤四中的拟合方法如下：体素内不相干运动成像的双指数IVIM模型形式如下：而不考虑IVIM效应的组织水分子扩散单指数模型形式如下：S(b)＝S0e-bD首先，基于步骤三处理后的每个胎盘在10个b值下的扩散加权图像数据进行分段估计，利用b＝200-500s/mm2的高b值数据，采用单指数模型估计D值以及组织中水分子组分对应的非扩散加权信号利用b＝10-150s/mm2的低b值数据，采用外插方法估计组织加血液对应的非扩散加权信号f值估计为D*值估计为D×10；然后，将估计得到的感兴趣区域内每个体素的[f,D,D*]作为初始值，以[f/2,f×2],[D/2,D×2],[D*/3,D*×3]分别作为f,D,D*的上下限，利用步骤三处理后的每个胎盘在10个b值下的扩散加权图像数据对双指数模型进行整体拟合，拟合方法为非线性最小二乘法，进而得到感兴趣区域内每个体素中f,D,D*的拟合值，将拟合值作为深度学习网络训练数据的标签。作为优选，对双指数模型进行整体拟合时，通过建立非线性超定方程组的方法来对其中的f,D,D*来进行求解。作为优选，所述步骤五的深度学习网络构建方式如下：首先，设计由一个输入层、四个隐藏层和一个输出层组成的深度学习网络框架；四个隐藏层完全连接，神经元的数量等于输入的特征的数量；基于该深度学习框架中，构建三个独立的深度学习网络，每个图像体素作为一个输入样本；3个网络的输入均由3-5个b值向量和各输入b值下的归一化扩散加权信号S(b)/S0构成，3个网络的输出分别为血流灌注分数f、血液水分子伪弥散系数D*、组织水分子弥散系数D。作为优选，所述步骤六中输入深度学习网络的3本文档来自技高网...

【技术保护点】
1.一种基于深度学习的体素内不相干运动成像的加速方法，其特征在于，包括以下步骤：/n步骤一：建立人体胎盘的体素内不相干运动(IVIM)成像数据库，所述数据库中包含0-800s/mm

【技术特征摘要】
1.一种基于深度学习的体素内不相干运动成像的加速方法，其特征在于，包括以下步骤：
步骤一：建立人体胎盘的体素内不相干运动(IVIM)成像数据库，所述数据库中包含0-800s/mm2范围内的10个b值的胎盘扩散加权图像数据，数据采自若干孕期在28～36周之间的孕妇；
步骤二：针对所述数据库中每个人体胎盘在不同b值下的扩散加权图像数据，分别进行6～10次迭代配准操作，以去除不同b值下各帧图像间运动伪影的影响；
步骤三：对步骤二中配准后的每个胎盘的扩散加权图像进行感兴趣区域划分；
步骤四：基于步骤三处理后的每个胎盘在10个b值下的扩散加权图像数据，以双指数IVIM模型为拟合模型，采用分段估计再整体拟合的方法，对感兴趣区域中的体素数据进行拟合，得到胎盘图像中感兴趣区域内每个体素的血流灌注分数f、血液水分子的伪弥散系数D*和组织水分子弥散系数D三个特征参数，并将其作为深度学习网络训练数据的标签；
步骤五：构建深度学习网络，网络的输入为3-5个b值以及各输入b值下体素的归一化扩散加权信号S(b)/S0，输出为体素的f、D和D*三个特征参数；利用步骤四处理后得到的带有标签的扩散加权图像数据作为训练数据，对深度学习网络进行训练；
步骤六：将目标人体胎盘的3-5个b值以及各b值下的扩散加权图像数据作为深度学习网络的输入，由步骤五中训练后的深度学习网络输出图像中每个体素的f、D和D*三个特征参数估计值。


2.根据权利要求1所述的基于深度学习的体素内不相干运动成像的加速方法，其特征在于，所述步骤一的人体胎盘IVIM数据库建立方法如下：
对若干怀孕孕周在28～36周且胎盘功能正常的孕妇，在磁共振系统中利用单次激发的扩散加权的EPI序列采集全子宫覆盖的IVIM成像；每个孕妇的IVIM数据包括b值分别为10,20,50,80,100,150,200,300,500和800s/mm2时的扩散加权图像数据。


3.根据权利要求1所述的基于深度学习的体素内不相干运动成像的加速方法，其特征在于，所述步骤二的图像迭代配准方法如下：
对于每个人体胎盘在10个b值下的扩散加权图像数据，将所有b值下的扩散加权图像进行平均，得到平均模板；然后通过刚体变换和仿射变换将每个b值下的扩散加权图像与平均模板进行比对配准；再将配准之后得到的所有b值下的扩散加权图像进行平均，得到新的平均模板后再次进行比对配准；如此迭代6～10次，得到每个扩散加权图像的配准结果。


4.根据权利要求1所述的基于深度学习的体素内不相干运动成像的加速方法，其特征在于，所述步骤四中的拟合方法如下：
体素内不相干运动成像的双指数IVIM模型形式如下：



而不考虑IVIM效应的组织水分子扩散单指数模型形式如下：
S(b)＝S0e-bD
首先，基于步骤三处理后的每个胎盘在10个b值下的扩散加权图像数据进行分段估计，利用b＝2...

【专利技术属性】
技术研发人员：吴丹，黄凡，颜国辉，邹煜，郑天舒，张祎，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33