多部位物理智能高清扩散磁共振数据生成方法技术

多部位物理智能高清扩散磁共振数据生成方法，1)利用扩散物理模型生成仿真的高清扩散磁共振幅值图；2)基于物理运动模型生成各次激发扩散图像的高阶仿真运动相位；3)将仿真扩散磁共振幅值图、高阶仿真运动相位图和采集的多通道线圈灵敏度地图结合，利用傅里叶变换，变换到k空间，得全采样的网络训练标签数据，4)再加入高斯噪声，得带噪k空间数据；5)根据目标实测高清扩散数据的采集序列的采样轨迹，对带噪k空间数据欠采样，得运动伪影干扰的仿真多通道多激发扩散磁共振数据；6)重复1)～5)，生成网络训练输入数据和全采样训练标签数据；7)利用生成扩散磁共振数据集训练神经网络，实现实测高清扩散磁共振数据的重建或去噪。测高清扩散磁共振数据的重建或去噪。测高清扩散磁共振数据的重建或去噪。

【技术实现步骤摘要】
多部位物理智能高清扩散磁共振数据生成方法


[0001]本专利技术涉及基于多通道多激发扩散图像数据的生成方法，尤其是涉及利用扩散物理模型和高阶物理运动相位模型生成成对的多部位物理智能高清扩散磁共振数据生成方法，生成的数据可用于重建神经网络的训练。

技术介绍

[0002]扩散加权成像(Diffusion weighted imaging)是一种评估人体分子功能和微结构的方式，可以无侵入地检测组织中水分子的扩散运动(V.Baliyan et al.,“Diffusion weighted imaging:technique and applications,”World Journal of Radiology,8,785,2016)。多激发平面回波成像技术在扩散加权应用中具有提高分辨率和减少低畸的能力(H.An,X.Ma,Z.Pan,H.Guo,E.Y.P.Lee,“Qualitative and quantitative comparison of image quality between single
‑
shot echo
‑
planar and interleaved multi
‑
shot echo
‑
planar diffusion
‑
weighted imaging in female pelvis,”European radiology,30,1876
‑
1884,2020)。但是，不同次激发之间存在严重的相位误差，从而导致严重的运动伪影(A.W.Anderson,J.C.Gore,“Analysis and correction of motion artifacts in diffusion weighted imaging,”Magnetic Resonance in Medicine,32,379
‑
387,1994)。
[0003]最近，深度学习方法在多激发扩散加权成像中显示了巨大潜力(Aggarwal.H.K.,M.Mani,M.Jacob,“MoDL
‑
MUSSELS:Model
‑
based deep learning for multi
‑
shot sensitivity
‑
encoded diffusion MRI”,IEEE Transactions on Medical Imaging,39,1268
‑
1277,2019)。但是，多激发扩散加权图像缺少高质量的训练标签，利用传统迭代重建的方法(C.Qian et al.,“A paired phase and magnitude reconstruction for advanced diffusion
‑
weighted imaging,”IEEE Transactions on Biomedical Engineering,DOI:10.1109/TBME.2023.3288031,2023)生成的训练标签是一种流行的方案(F.Wang et al.,“Multiple b
‑
value model
‑
based residual network(MORN)for accelerated high
‑
resolutiondiffusion
‑
weighted imaging”,IEEE Journal ofBiomedical and Health Informatics,26,4575
‑
4586,2022)，但是它极大限制了这些智能重建方法的潜力：(1)传统迭代重建方法通常需要极长的时间生成大量的训练标签，并且参数调整很繁琐，很难在大的实测数据集上获得鲁棒的重建；(2)深度学习方法的性能将受到标签生成方法的限制；(3)由于数据集不充足，深度学习方法在多分辨率、多b值、多厂商、多欠采样等多场景重建下泛化性较差；(4)实测数据收集耗时且因为隐私问题受到限制较多。同时，传统迭代重建方法只适用于刚体运动，而腹部具有更加复杂的弹性运动，因而在运动相位仿真上本专利技术采用了高阶物理运动相位仿真模型。
[0004]总而言之，目前高清扩散成像的智能重建方法受限于高质量的成对训练数据瓶颈，无法有效地发挥智能重建方法的潜力。

技术实现思路

[0005]本专利技术的目的在于提供可以快速生成多b值、多分辨率、多采样率、多序列的高清扩散成像数据的一种多部位物理智能高清扩散磁共振数据生成方法。
[0006]本专利技术包括以下步骤：
[0007]1)利用扩散指数、张量、峰度等扩散物理模型生成仿真高清扩散磁共振幅值图；
[0008]2)基于物理运动模型生成各次激发扩散图像的高阶仿真运动相位图；
[0009]3)将生成的仿真高清扩散磁共振幅值图、高阶仿真运动相位图和采集的多通道线圈灵敏度地图结合，并利用傅里叶变换，变换到k空间，得到全采样的网络训练标签数据；
[0010]4)在全采样训练标签数据中加入高斯噪声，得到带噪k空间数据；
[0011]5)根据目标实测高清扩散数据的采集序列的采样轨迹，对带噪k空间数据欠采样，得到运动伪影干扰的仿真多通道多激发扩散磁共振数据，作为网络训练的输入数据；
[0012]6)大量重复步骤1)～5)，生成大量成对的网络训练输入数据和全采样训练标签数据；
[0013]7)利用生成扩散磁共振数据集训练神经网络，经训练后，网络用于实测高清扩散磁共振数据的重建或去噪。
[0014]在步骤1)中，所生成仿真高清扩散磁共振幅值图可通过扩散指数、张量、峰度等扩散物理模型生成：
[0015](扩散单指数模型)m(b)＝exp{
‑
bADC}m0(1)
[0016]其中，为扩散b值为b的扩散幅值图像，为未施加扩散梯度的扩散图像，ADC是表观扩散系数矩阵。
[0017](扩散张量模型)m(b,g)＝exp{
‑
bg
T
Dg}m0(2)
[0018]其中，为扩散梯度方向为g上扩散b值为b的扩散幅值图像，为未施加扩散梯度的扩散图像，g表示扩散梯度方向的单位向量，T是转置符号，D是扩散张量矩阵。
[0019](扩散峰度模型)其中，为扩散梯度方向为g上扩散b值为b的扩散幅值图像，为未施加扩散梯度的扩散图像，g表示扩散梯度方向的单位向量，D是扩散张量矩阵，K是扩散峰度矩阵。
[0020]扩散单指数、张量、峰度等物理模型中的ADC、D、K等具有组织扩散信息的常量可以通过采集足够多的扩散b值和扩散方向数的实采扩散图像通过线性拟合等算法计算出来。
[0021]因此，在ADC、D、K等常量已知的情况下，给定扩散方向g和b值b，可以生成目标扩散方向和b值的扩散幅值图像m。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多部位物理智能高清扩散磁共振数据生成方法，其特征在于包括以下步骤：1)利用扩散指数、张量、峰度扩散物理模型生成仿真高清扩散磁共振幅值图；2)基于物理运动模型生成各次激发扩散图像的高阶仿真运动相位图；3)将生成的仿真高清扩散磁共振幅值图、高阶仿真运动相位图和采集的多通道线圈灵敏度地图结合，并利用傅里叶变换，变换到k空间，得到全采样的网络训练标签数据；4)在全采样训练标签数据中加入高斯噪声，得到带噪k空间数据；5)根据目标实测高清扩散数据的采集序列的采样轨迹，对带噪k空间数据欠采样，得到运动伪影干扰的仿真多通道多激发扩散磁共振数据，作为网络训练的输入数据；6)大量重复步骤1)～5)，生成大量成对的网络训练输入数据和全采样训练标签数据；7)利用生成扩散磁共振数据集训练神经网络，经训练后，网络用于实测高清扩散磁共振数据的重建或去噪。2.如权利要求1所述多部位物理智能高清扩散磁共振数据生成方法，其特征在于在步骤1)中，所生成仿真高清扩散磁共振幅值图通过扩散指数、张量、峰度扩散物理模型生成：扩散单指数模型：m(b)＝exp{
‑
bADC}m0(1)其中，为扩散b值为b的扩散幅值图像，为未施加扩散梯度的扩散图像，ADC是表观扩散系数矩阵；扩散张量模型：m(b,g)＝exp{
‑
bg
T
Dg}m0(2)其中，为扩散梯度方向为g上扩散b值为b的扩散幅值图像，为未施加扩散梯度的扩散图像，g表示扩散梯度方向的单位向量，T是转置符号，D是扩散张量矩阵；扩散峰度模型：其中，为扩散梯度方向为g上扩散b值为b的扩散幅值图像，为未施加扩散梯度的扩散图像，g表示扩散梯度方向的单位向量，D是扩散张量矩阵，K是扩散峰度矩阵。3.如权利要求2所述多部位物理智能高清扩散磁共振数据生成方法，其特征在于扩散单指数、张量、峰度物理模型中的ADC、D、K具有组织扩散信息的常量通过采集足够多的扩散b值和扩散方向数的实采扩散图像通过线性拟合等算法计算出来；在ADC、D、K常量已知的情况下，给定扩散方向g和b值b，生成目标扩散方向和b值的扩散幅值图像m。4.如权利要求1所述多部位物理智能高清扩散磁共振数据生成方法，其特征在于在步骤2)中，各次激发扩散图像的高阶仿真运动相位通过物理运动模型生成：其中，对角矩阵是通过模型进行仿真得到的相位，N和M分别是图像的频率编码和相位编码的长度，x,y为二维图像选定层面上的坐标，i为虚数符号，L是多项式模型中单项式的最高次阶数，m和l
‑
m分别是当前第l阶多项式中各单项式x和y的幂次，A
lm<...

【专利技术属性】
技术研发人员：屈小波，管飞强，钱晨，
申请(专利权)人：厦门大学，
类型：发明
国别省市：