一种动态对比增强核磁共振图像的重建方法及重建系统技术方案

本发明专利技术涉及一种动态对比增强核磁共振图像的重建方法及重建系统，先获取DCE

【技术实现步骤摘要】
一种动态对比增强核磁共振图像的重建方法及重建系统


[0001]本专利技术涉及图像处理
，特别是涉及一种基于深度神经网络的动态对比增强核磁共振图像的重建方法及重建系统。

技术介绍

[0002]磁共振检查在病变的定位、定性检查中具有其他影像学检查都无可比拟的优势，但磁共振影像的解读受医师主观性认识影响较大。随着磁共振成像技术的发展，人们对半定量或定量技术的需求越来越大。磁共振动态对比增强(Dynamic contrast enhanced MRI，DCE
‑
MRI)是快速连续重复获得注入对比剂前后的图像，经过计算可以获得半定量或定量参数，对获得病灶形态学特征具有重大意义。但是其计算过程复杂，具有大量迭代卷积计算，从而存在计算时间冗长的问题。

技术实现思路

[0003]本专利技术的目的是提供一种动态对比增强核磁共振图像的重建方法及重建系统，通过对深度神经网络模型进行训练，能够在几十毫秒内通过训练好的深度神经网络模型得到重建参数图像，重建速度快，效率高。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种动态对比增强核磁共振图像的重建方法，所述重建方法包括如下步骤：
[0006]获取DCE
‑
MRI图像和T1
‑
mapping MRI图像；
[0007]以所述DCE
‑
MRI图像和所述T1
‑
mapping MRI图像作为输入，利用训练好的深度神经网络模型得到重建参数图像；所述重建参数图像包括K
trans
参数图、V
e
参数图和V
p
参数图。
[0008]一种动态对比增强核磁共振图像的重建系统，所述重建系统包括：
[0009]采集模块，用于获取DCE
‑
MRI图像和T1
‑
mapping MRI图像；
[0010]计算模块，用于以所述DCE
‑
MRI图像和所述T1
‑
mapping MRI图像作为输入，利用训练好的深度神经网络模型得到重建参数图像；所述重建参数图像包括K
trans
参数图、V
e
参数图和V
p
参数图。
[0011]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0012]本专利技术所提供的一种动态对比增强核磁共振图像的重建方法及重建系统，先获取DCE
‑
MRI图像和T1
‑
mapping MRI图像。然后以DCE
‑
MRI图像和T1
‑
mapping MRI图像作为输入，利用训练好的深度神经网络模型得到重建参数图像，进而利用训练好的深度神经网络模型实现动态对比增强核磁共振图像的重建过程，通过训练好的深度神经网络模型，能够在几十毫秒内得到重建参数图像，重建速度快，效率高。
附图说明
[0013]为了更清楚地说明本专利技术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专利技术的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0014]图1为本专利技术实施例1所提供的重建方法的方法流程图。
[0015]图2为本专利技术实施例1所提供的重建方法的详细流程图。
[0016]图3为本专利技术实施例1所提供的模拟生成训练样本的方法流程图。
[0017]图4为本专利技术实施例2所提供的重建系统的系统框图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0019]本专利技术的目的是提供一种动态对比增强核磁共振图像的重建方法及重建系统，通过对深度神经网络模型进行训练，能够在几十毫秒内通过训练好的深度神经网络模型得到重建参数图像，重建速度快，效率高。
[0020]为使本专利技术的上述目的、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专利技术作进一步详细的说明。
[0021]实施例1：
[0022]请参见图1和图2，本实施例用于提供一种动态对比增强核磁共振图像的重建方法，所述重建方法包括如下步骤：
[0023]S1：获取DCE
‑
MRI图像和T1
‑
mapping MRI图像；
[0024]在获取DCE
‑
MRI图像和T1
‑
mapping MRI图像后，所述重建方法还包括对DCE
‑
MRI图像进行归一化处理，具体包括：采集DCE
‑
MRI图像对应的C
P
曲线，C
P
曲线为对比剂浓度随时间的变化曲线。然后确定C
P
曲线的峰值所在帧，并计算峰值所在帧前预定帧数对应的对比剂浓度的平均值，即获取峰值所在帧前预定帧数的对比剂浓度，并求这些对比剂浓度的平均值。最后将DCE
‑
MRI图像每一帧的像素值均除以平均值，进行时间维度上的归一化处理，得到归一化后的DCE
‑
MRI图像。
[0025]另外，本实施例还可以对T1
‑
mapping MRI图像进行图像全局的归一化处理，具体的，将T1
‑
mapping MRI图像每一帧的像素值均除以1000，得到归一化后的T1
‑
mapping MRI图像。这是由于T1
‑
mapping MRI图像的单位为ms，而DCE
‑
MRI图像的单位为s，对T1
‑
mapping MRI图像进行归一化处理便是令T1
‑
mapping MRI图像与DCE
‑
MRI图像的单位一致。
[0026]需要说明的是，还可以对DCE
‑
MRI图像和T1
‑
mapping MRI图像进行其他类型的预处理。
[0027]S2：以所述DCE
‑
MRI图像和所述T1
‑
mapping MRI图像作为输入，利用训练好的深度神经网络模型得到重建参数图像；所述重建参数图像包括K
trans
参数图、V
e
参数图和V
p
参数图。
[0028]本实施例所提供的重建方法还包括对深度神经网络模型进行训练。具体的，使用不同结构的深度神经网络模型可能会得到效果不同的重建参数图像，本实施例中具体选择U本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态对比增强核磁共振图像的重建方法，其特征在于，所述重建方法包括如下步骤：获取DCE
‑
MRI图像和T1
‑
mapping MRI图像；以所述DCE
‑
MRI图像和所述T1
‑
mapping MRI图像作为输入，利用训练好的深度神经网络模型得到重建参数图像；所述重建参数图像包括K
trans
参数图、V
e
参数图和V
p
参数图。2.根据权利要求1所述的一种动态对比增强核磁共振图像的重建方法，其特征在于，在获取DCE
‑
MRI图像和T1
‑
mapping MRI图像后，所述重建方法还包括对DCE
‑
MRI图像进行归一化处理，具体包括：采集所述DCE
‑
MRI图像对应的C
P
曲线；所述C
P
曲线为对比剂浓度随时间的变化曲线；确定所述C
P
曲线的峰值所在帧，并计算所述峰值所在帧前预定帧数对应的对比剂浓度的平均值；将所述DCE
‑
MRI图像每一帧的像素值均除以所述平均值，得到归一化后的DCE
‑
MRI图像。3.根据权利要求1所述的一种动态对比增强核磁共振图像的重建方法，其特征在于，在利用训练好的深度神经网络模型得到重建参数图像之前，所述重建方法还包括模拟生成训练样本，具体包括：利用DCE Extended
‑
Tofts模型模拟生成多个参数图样本；所述参数图样本包括K
trans
参数图、V
e
参数图、V
p
参数图和T1
‑
mapping MRI图像；对于每一所述参数图样本，利用平均参数模型公式随机生成C
P
曲线；根据所述K
trans
参数图、所述V
e
参数图、所述V
p
参数图和所述C
P
曲线，生成所述参数图样本对应的DCE
‑
MRI图像，得到训练样本；所述训练样本包括所述DCE
‑
MRI图像和所述参数图样本。4.根据权利要求3所述的一种动态对比增强核磁共振图像的重建方法，其特征在于，所述利用DCE Extended
‑
Tofts模型模拟生成多个参数图样本具体包括：在模拟区域内随机生成一个几何图形；所述模拟区域的形状和大小由模拟的成像对象所决定；所述几何图形的形状包括矩形、三角形、圆形和环形；根据每一参数对应的预设参数阈值，利用DCE Extended
‑
Tofts模型分别计算得到无参数值的所述几何图形内每一像素点的K
trans
参数、V
e
参数、V
p
参数和T1
‑
mapping参数；判断已生成的所述几何图形所组成的区域是否覆盖所述模拟区域；若否，则在所述模拟区域内再随机生成一个几何图形，返回“根据每一参数对应的预设参数阈值，利用DCE Extended
‑
Tofts模型分别计算得到无参数值的所述几何图形内每一像素点的K
trans
参数、V
e
参数、V
p
参数和T1
‑
mapping参数”的步骤，直至已生成的所述几何图形所组成的区域覆盖所述模拟区域；若是，则根据所述模拟区域内每一位置点的K
trans
参数、V
e
参数、V
p
参数和T1
‑
mapping参数分别生成K
trans
参数图、V
e
参数图、V
p
参数图和T1
...

【专利技术属性】
技术研发人员：吴方圆，蔡聪波，蔡淑惠，王璐，
申请(专利权)人：厦门大学，
类型：发明
国别省市：