一种基于空间信息与物理先验的弥散张量估计方法技术

本发明专利技术公开了一种基于空间信息与物理先验的弥散张量估计方法。该方法包括：通过将全采样的磁共振弥散加权数据拟合成张量数据，获得参考张量图；在全采样的磁共振弥散加权数据中，选取六个方向的磁共振弥散加权数据，并提取出多个三维体素块；将所述参考张量图和所提取的多个三维体素块输入到深度学习模型进行训练，并且在训练过程输入物理先验信息；利用经训练的深度学习模型针对目标磁共振弥散加权数据在线估计弥散张量。本发明专利技术充分考虑了物理先验和相邻像素的空间信息，可以在少量DWI图像的基础上得到更准确和鲁棒的张量估计，有利于缩短弥散张量图像的扫描时间。利于缩短弥散张量图像的扫描时间。利于缩短弥散张量图像的扫描时间。

【技术实现步骤摘要】
一种基于空间信息与物理先验的弥散张量估计方法


[0001]本专利技术涉及磁共振弥散图像重建和分析
，更具体地，涉及一种基于空间信息与物理先验的弥散张量估计方法。

技术介绍

[0002]磁共振弥散成像技术包括弥散加权成像(DWI)和弥散张量成像(DTI)。标准的张量拟合方法主要是最小二乘法和各种基于最小二乘法的变体，如加权最小二乘法，这些传统方法需要大量的测量来精确估计张量。虽然扩散张量只有6个自由度，但已有研究建议在球上均匀分布扩散编码方向，获得至少30个测量值。如果可能的话，建议将测量次数增加到远大于30次，以便实现更准确、更稳健的张量估计。如果在至少30个独特的方向上获取测量结果，将导致扫描时间很长，这对于某些类型的病人，如婴幼儿或老人，可能很难实现。因此，利用更少的测量数据来准确地估计扩散张量的方案非常可取，机器学习方法在这方面具有较大潜力。与标准张量拟合方法不同，机器学习不需要对扩散信号和噪声假设任何生物物理模型，直接从训练数据中学习从扩散信号到张量的映射，并且还能够有效地学习扩散信号中的空间相关性和感兴趣的参数。
[0003]近年来，深度学习已被证明可以提高DTI参数估计的准确性和鲁棒性。一些研究表明，深度学习可以显著减少测量次数，从而减少估计感兴趣的微观结构参数所需的扫描时间。q空间深度学习(q
‑
DL)是最早用于扩散参数估计的深度学习方法之一。研究结果表明，三层神经网络可以准确估计扩散峰(DKI)、神经突方向离散度和密度测量值(NODDI)，同时所需测量次数减少了12倍。例如，可以使用非常简单的神经网络，该网络在单个体素上预测，不利用空间相关性。有研究报道，与q
‑
DL框架相比，使用简单的卷积神经网络(CNN)可以获得更准确的扩散峰度测度估计。另一种已有方案是Deep DTI方法，它提出了一个CNN模型来估计扩散信号残差。CNN的输入是一组完整的DW图像，包含潜在的噪声。CNN将这些低质量的图像映射到高质量的参考DW图像，然后从高质量的DW图像生成需要的弥散指标参数图。尽管目前深度学习在DW图像的参数估计上得到了一些应用，但深度学习在提高DW
‑
MRI参数估计的准确性和鲁棒性方面的潜力还没有得到充分的探索。
[0004]综上，现有的弥散张量估计方法通常从单个像素估计单个像素的张量，忽略了相邻像素间的空间信息，所估计出的弥散张量准确度偏低。如果要估计出更准确的弥散张量，需要大量高质量的弥散加权图像，而获取高质量数据的时间相对较长，对于某些病人，无法通过长时间扫描来获取高质量数据。

技术实现思路

[0005]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于空间信息与物理先验的弥散张量估计方法。该方法包括以下步骤：
[0006]通过将全采样的磁共振弥散加权数据拟合成张量数据，获得参考张量图；
[0007]在全采样的磁共振弥散加权数据中，选取六个方向的磁共振弥散加权数据，并提
取出多个三维体素块；
[0008]将所述参考张量图和所提取的多个三维体素块输入到深度学习模型进行训练，并且在训练过程输入物理先验信息；
[0009]利用经训练的深度学习模型针对目标磁共振弥散加权数据在线估计弥散张量。
[0010]与现有技术相比，本专利技术的优点在于，提出一种基于深度学习的弥散张量估计方法，考虑了物理先验和相邻像素的空间信息，能够充分挖掘相邻像素间弥散信号与张量间的关系，并且所提出的张量估计模型具有鲁棒性，可以从较少的弥散加权图像估计出准确的弥散张量，进而得到准确的弥散各向异性分数等指标，解决了获取较多高质量弥散加权图像扫描时间过长的问题，可用于研究脑部白质的发育和退化。
[0011]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0012]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0013]图1是根据本专利技术一个实施例的基于空间信息与物理先验的弥散张量估计方法的流程图；
[0014]图2是根据本专利技术一个实施例的基于空间信息与物理先验的弥散张量估计方法的过程示意图。
具体实施方式
[0015]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0016]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0017]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0018]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0019]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0020]本专利技术整体上包括制作全采样弥散张量标签、获取弥散加权成像欠采样数据、构建和训练深度学习网络模型(也称为深度学习模型或张量估计模型)、在线估计弥散张量。具体地，结合图1和图2所示，所提供的基于空间信息与物理先验的弥散张量估计方法包括以下步骤：
[0021]步骤S110，获取参考张量图，作为模型训练的样本标签。
[0022]首先，采集脑部的磁共振弥散加权数据(或称磁共振弥散加权数据图像，DWI)，利用张量拟合将全采样的DWI数据拟合成张量数据，进而获得参考张量图，作为网络训练的样
本标签。张量拟合方法可采用加权最小二乘法、约束加权最小二乘法等现有技术。在这种设计下，在获取网络参考标签时使用传统张量拟合方法来拟合所有的DWI数据，即通过全采样DWI数据得到参考的张量数据。
[0023]步骤S120，基于全采样的磁共振弥散加权数据，提取多个三维体素块。
[0024]在此步骤中，基于全采样的磁共振弥散加权数据，提取多个三维体素块。三维体素块可反映相邻像素间的空间信息，利用相邻体素中信号之间的空间相关性和感兴趣的参数的空间规律性，可以期望更准确和更稳健的张量估计。三维体素块的大小可根据对张量估计准确性和估计效率的要求设置。
[0025]在一个实施例中，在全采样DWI图像中通过选取条件数最小的六个方向的DWI数据，进行归一化处理后，每个病人的数据按照步长为1(或设置为其他步长)滑动来提取多个三维体素块。
[0026]步骤S130，以参考张量图和所提取的多个三维体素块作为输入，训练深度学习模型，并在训练过程输入物理先验信息。
[0027]在获得的参考张量图和多个体素块输入到深度学习模型进行训练，并且在训练过程中，同时将物理先验信息输入到模型。输入的物理先验信息可表现为多种形式，例如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间信息与物理先验的弥散张量估计方法，包括以下步骤：通过将全采样的磁共振弥散加权数据拟合成张量数据，获得参考张量图；在全采样的磁共振弥散加权数据中，选取六个方向的磁共振弥散加权数据，并提取出多个三维体素块；将所述参考张量图和所提取的多个三维体素块输入到深度学习模型进行训练，并且在训练过程输入物理先验信息；利用经训练的深度学习模型针对目标磁共振弥散加权数据在线估计弥散张量。2.根据权利要求1所述的方法，其特征在于，所述物理先验信息是张量信号的先验信息、弥散信号的先验信息或者弥散信号与张量信号的混合先验信息。3.根据权利要求1所述的方法，其特征在于，所述物理先验信息是通过拟合六张磁共振弥散加权数据图像获得张量估计图，或者是磁共振弥散加权数据图像的空间域和角度域的稀疏编码。4.根据权利要求1所述的方法，其特征在于，所述物理先验信息是多种弥散信号和张量信号的混合物理信息，包含图像中的噪声和相邻体素块之间脑白质结构的空间连续性。5.根据权利要求1所述的方法，其特征在于，所述多个三维体素块根据以下步骤获得：在全采样的磁共振弥散加权数据中，选取条件数最小的六个方向的磁共振弥散加权数据，并进行归一化处理后，将每个病人的数据按照步长...

【专利技术属性】
技术研发人员：王珊珊，杨静，李程，郑海荣，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：