一种磁共振定量生理参数图生成方法和装置制造方法及图纸

本说明书实施例提供了一种磁共振定量生理参数图生成方法和装置，包括获取各组DCE

【技术实现步骤摘要】
一种磁共振定量生理参数图生成方法和装置


[0001]本说明书实施例涉及成像
，尤其是一种磁共振定量生理参数图生成方法和装置。

技术介绍

[0002]定量生理参数是用于评估组织内生理功能和代谢状态的数值化参数，它可以帮助医生诊断和监测一些疾病，例如肿瘤、中风等。在医学影像学中，定量生理参数是通过成像技术获得的数字数据，可以反映组织内血流、血氧、代谢等方面的生理状况。这些参数通常是从成像数据(如计算机断层扫描(CT)、磁共振成像(MRI)、超声成像(US)和正电子发射断层扫描(PET)等成像数据)中计算得出的，因此，不同的模型假设和算法都可能导致生成的参数图结果不同。动脉输入函数(Arterial Input Function，AIF)是计算定量生理参数的重要参数之一，AIF的精度和可靠性往往取决于采集数据的时间分辨率和采样率。然而，由于难以估计每个患者的AIF，因此通常采用群体平均AIF进行PK分析，这种方法存在一定的局限性和误差。此外，传统的定量生理参数生成，还需要花费大量的计算资源和时间。
[0003]有鉴于此，本说明书实施例旨在提供一种磁共振定量生理参数图生成方法。

技术实现思路

[0004]针对现有技术的上述问题，本说明书实施例的目的在于，提供一种磁共振定量生理参数图生成方法，以解决现有技术在生成定量生理参数图时操作繁琐、精确度低的问题。
[0005]为了解决上述技术问题，本说明书实施例的具体技术方案如下：
[0006]第一方面，本说明书实施例提供一种磁共振定量生理参数图生成方法，包括：
[0007]获取各组DCE
‑
MRI图像和与各组DCE
‑
MRI图像对应的定量生理参数图；
[0008]将所述各组DCE
‑
MRI图像和所述定量生理参数图作为训练输入，对深度学习模型进行训练，直至所述深度学习模型的损失函数值满足预设要求，所述深度学习模型为生成对抗网络，所述生成对抗网络包括生成网络和判别网络，所述生成网络用于生成输出图像，所述判别网络包括全局判别器和局部判别器，所述全局判别器用于判别所述输出图像与所述定量生理参数图的相似性，所述局部判别器用于判别所述输出图像的局部感兴趣区与所述定量生理参数图中对应的局部感兴趣区的相似性；
[0009]将所述损失函数值满足预设要求时的深度学习模型作为定量生理参数图生成模型，对待处理DCE
‑
MRI图像进行处理得到定量生理参数图。
[0010]具体地，所述损失函数为：
[0011]LOSS＝loss_G+loss_D；
[0012]其中，LOSS为所述深度学习模型的损失值，loss_G为生成网络的损失值，loss_D为判别网络的损失值；
[0013]loss_D＝loss_D1*α+loss_D2*(1
‑
α)；
[0014]其中，loss_D1为全局判别器的损失值，loss_D2为局部判别器的损失值，α为大于0
小于1的常系数。
[0015]进一步地，所述生成网络为加入组归一化的生成网络，所述判别网络为加入谱归一化的判别网络。
[0016]进一步地，获取与各组DCE
‑
MRI图像对应的定量生理参数图，包括：
[0017]提取同一组DCE
‑
MRI图像中的任一像素点的时间
‑
信号曲线；
[0018]建立该组DCE
‑
MRI图像中的相应像素点的对比剂浓度随时间的变化曲线；
[0019]拟合所述时间
‑
信号曲线与所述变化曲线，得到该组DCE
‑
MRI图像中对应像素点的Ktrans值；
[0020]重复上述过程，得到同一组DCE
‑
MRI图像中所有像素点的Ktrans值；
[0021]基于所有像素点的Ktrans值得到该组DCE
‑
MRI图像对应的Ktrans定量生理参数图。
[0022]更进一步地，在获取与各组DCE
‑
MRI图像对应的定量生理参数图之前，所述方法还包括：
[0023]对各组DCE
‑
MRI图像进行对齐处理和/或配准处理。
[0024]具体地，对各组DCE
‑
MRI图像进行对齐处理，包括：
[0025]选择该组DCE
‑
MRI图像中的任意一幅作为参考图像，得到该组DCE
‑
MRI图像中的其他图像与所述参考图像之间的偏差信息；
[0026]根据所述偏差信息，将其他图像与所述参考图像对齐。
[0027]具体地，对各组DCE
‑
MRI图像进行配准处理，包括：
[0028]选择该组DCE
‑
MRI图像中的任意一幅作为参考图像，提取所述参考图像和该组DCE
‑
MRI图像中的其他图像的同一特征点和/或同一特征区域；
[0029]根据所述同一特征点和/或同一特征区域，确定其他图像与所述参考图像之间的相似性变换模型；
[0030]根据确定出的相似性变化模型，将其他图像与所述参考图像进行配准。
[0031]第二方面，本说明书实施例还提供一种磁共振定量生理参数图生成装置，包括：
[0032]获取模块，用于获取各组DCE
‑
MRI图像和与各DCE
‑
MRI图像对应的定量生理参数图；
[0033]训练模块，用于将所述各组DCE
‑
MRI图像和所述定量生理参数图作为训练输入，对深度学习模型进行训练，直至所述深度学习模型的损失函数值满足预设要求，所述深度学习模型为生成对抗网络，所述生成对抗网络包括生成网络和判别网络，所述生成网络用于生成输出图像，所述判别网络包括全局判别器和局部判别器，所述全局判别器用于判别所述输出图像与所述定量生理参数图的相似性，所述局部判别器用于判别所述输出图像的局部感兴趣区与所述定量生理参数图中对应的局部感兴趣区的相似性；
[0034]处理模块，用于将所述损失函数值满足预设要求时的深度学习模型作为定量生理参数图生成模型，对待处理DCE
‑
MRI图像进行处理得到定量生理参数图。
[0035]第三方面，本说明书实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述技术方案提供的方法。
[0036]第四方面，本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存
储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述技术方案提供的方法。
[0037]采用上述技术方案，本说明书实施例提供的磁共振定量生理参数图生成方法，在模型训练阶段，能够从大量的训练数据中学习和识别复杂的特征和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磁共振定量生理参数图生成方法，其特征在于，包括：获取各组DCE
‑
MRI图像和与各组DCE
‑
MRI图像对应的定量生理参数图；将所述各组DCE
‑
MRI图像和所述定量生理参数图作为训练输入，对深度学习模型进行训练，直至所述深度学习模型的损失函数值满足预设要求，所述深度学习模型为生成对抗网络，所述生成对抗网络包括生成网络和判别网络，所述生成网络用于生成输出图像，所述判别网络包括全局判别器和局部判别器，所述全局判别器用于判别所述输出图像与所述定量生理参数图的相似性，所述局部判别器用于判别所述输出图像的局部感兴趣区与所述定量生理参数图中对应的局部感兴趣区的相似性；将所述损失函数值满足预设要求时的深度学习模型作为定量生理参数图生成模型，对待处理DCE
‑
MRI图像进行处理得到定量生理参数图。2.根据权利要求1所述的磁共振定量生理参数图生成方法，其特征在于，所述损失函数为：LOSS＝loss_G+loss_D；其中，LOSS为所述深度学习模型的损失值，loss_G为生成网络的损失值，loss_D为判别网络的损失值；loss_D＝loss_D1*α+loss_D2*(1
‑
α)；其中，loss_D1为全局判别器的损失值，loss_D2为局部判别器的损失值，α为大于0小于1的常系数。3.根据权利要求2所述的磁共振定量生理参数图生成方法，其特征在于，所述生成网络为加入组归一化的生成网络，所述判别网络为加入谱归一化的判别网络。4.根据权利要求1所述的磁共振定量生理参数图生成方法，其特征在于，获取与各组DCE
‑
MRI图像对应的定量生理参数图，包括：提取同一组DCE
‑
MRI图像中的任一像素点的时间
‑
信号曲线；建立该组DCE
‑
MRI图像中的相应像素点的对比剂浓度随时间的变化曲线；拟合所述时间
‑
信号曲线与所述变化曲线，得到该组DCE
‑
MRI图像中对应像素点的Ktrans值；重复上述过程，得到同一组DCE
‑
MRI图像中所有像素点的Ktrans值；基于所有像素点的Ktrans值得到该组DCE
‑
MRI图像对应的Ktrans定量生理参数图。5.根据权利要求1所述的磁共振定量生理参数图生成方法，其特征在于，在获取与各组DCE

【专利技术属性】
技术研发人员：张娜，郑海荣，刘新，胡战利，梁栋，李烨，邹超，曾道辉，
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：