【技术实现步骤摘要】
本专利技术涉及磁共振成像的，具体涉及基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法及装置和应用。
技术介绍
1、动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonanceimaging,dce-mri)技术，通过将时间序列mri信号拟合到示踪剂动力学模型，能提供大量的与临床诊断息息相关的病理信息。这种技术在临床研究和诊断中得到了广泛的应用。然而，从dce-mri数据中估算出的药代动力学参数受到多种因素的影响，如信噪比(snr)、原生t1、起始时间、动脉输入函数和拟合算法等。例如，广泛使用的线性示踪剂动力学模型之一的patlak模型，其拟合结果很容易受到信噪比的影响。此外，某些非线性示踪剂动力学模型，如tofts模型和扩展tofts模型(etofts)，具有非凸性质，这进一步增加了问题的复杂性。具体来说，可能存在多个的药代动力学参数组合，这些参数组合可能在拟合测量到的时间序列mri信号上具有相似的拟合残差，这进一步增加了估计结果的不确定性。
2、为了解决这些问题，研究者提出了多种药代动力学参数估计策略。其中，非概率方法采用优化算法来寻找最优的药代动力学参数，使观测到的dce-mri数据与示踪剂动力学模型模型相拟合，例如最小二乘估计方法。然而，这些药代动力学参数估计结果可能表现出大的方差，并且不提供关于不确定性的信息。贝叶斯估计方法是一种经典的概率方法，已在dce-mri数据的后处理中被使用，并在一致性和准确性方面显示出出色的结果。药代动力学参数的后验
3、估计药代动力学参数的后验分布的另一种方法是通过一类预定义的分布来近似后验分布，该类分布具有固定数量的未知参数(例如，均值和偏差)，并使用期望最大化算法来求解分布参数的解析解(kelm b m,menze b h,nix o,等.estimating kineticparameter maps from dynamic contrast-enhanced mri using spatial priorknowledge[j/ol].ieee transactions on medical imaging,2009,28(10):1534-1547.https://doi.org/10.1109/tmi.2009.2019957)。此外，神经网络模型也可以被用来缓解求解过程中复杂的计算问题，并具有同时估计药代动力学参数后验分布的均值和标准差的能力(bliesener y,acharya j,nayak k s.efficient dce-mriparameter anduncertainty estimation using a neural network[j/ol].ieee transactions onmedical imaging,2020,39(5):1712-1723.)。然而，如已有的文献所述(orton m r,collinsd j,walker-samuel s,等.bayesian estimation of pharmacokineticparameters for dce-mri with a robust treatment of enhancement onset time[j/ol].physics in medicine and biology,2007,52(9):2393-2408.和bliesener y,acharya j,nayak k s.efficient dce-mriparameter and uncertainty estimationusing a neural network[j/ol].ieee transactions on medical imaging,2020,39(5):1712-1723.)，真实的后验分布与假定的后验分布之间的差距可能会影响药代动力学参数的估计准确性，从而使得估计出的标准差(不确定性)也可能是不准确的。当假设药代动力学参数遵循更一般的未知分布时，为了准确估计药代动力学参数，更精确地近似后验分布是非常必要的。
4、因此，开发一种高效且灵活的方法，用于更好得近似和估计药代动力学参数的真实后验分布，被认为是至关重要的。
技术实现思路
1、本专利技术的目的在于提供基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法及装置，该方法及装置可以提高药代动力学参数分布的准确估计。
2、本专利技术采取以下技术方案：
3、基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，所述方法包括以下步骤：
4、(1)通过采集定量t1图像数据和dce-mri数据，计算血管内造影剂浓度变化曲线cp(t)；
5、(2)设定所要估计的药代动力学模型参数的范围，并在所设定的范围内进行均匀随机采样，生成药代动力学参数组；根据cp(t)生成仿真造影剂浓度变化曲线基于和药代动力学模型生成仿真dce-mri信号；基于仿真dce-mri信号计算对应的组织内造影剂浓度曲线ct；药代动力学参数组、和ct组成仿真数据集；
6、(3)构建基于流模型的参数分布估计模型fpden：包括参数回归网络和流模型网络，将和ct作为参数回归网络的输入，输出均值和标准差，使用输出的均值和标准差对药代动力学参数组归一化后输入到流模型网络中；进行训练得到训练完成后的包括参数回归模型和流模型的fpden；
7、(4)采集定量t1图像数据和dce-mri数据，并计算血管内造影剂浓度曲线和对应的组织内造影剂浓度曲线，将其作为fpden中参数回归模型的输入，输出对应的药代动力学参数的均值和标准差。
8、在本专利技术中，所述药代动力学模型可以为etofts和patlak等多种药代动力学模型。本专利技术提供的方法在多种药代动力学模型上具有通用性，可根据需要任选。
9、进一步地，在步骤(2)中，设定药代动力学模型参数的范围为ktrans：[0.00001min-1，1min-1]、vp：[0.0005，0.1]、ve：[0.04，0.6]、以及t1：[0.8s，3.5s]。
10、进一步地，在步骤(2)中，从cp(t)中进行随机取样，并使用随机线性组合方法生成仿真造影剂浓度变化曲线；具体可以为：从血管内造影剂浓度变化曲线cp(t)中随机选取两组cp1(t)和cp2(t)并进行随机线性组合，得到模拟的血管造影剂浓度数据
11、使用ettofts模型作为药代动力学模型，生成仿真dce-mri信号，具体为：
12、etofts模型的信号由公式得到，其中s0是造影本文档来自技高网...
【技术保护点】
1.基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(2)中，设定药代动力学模型参数的范围为Ktrans：[0.00001min-1,1min-1]、Vp:[0.0005,0.1]、Ve:[0.04,0.6]、以及T1:[0.8s,3.5s]。
3.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(2)中，从Cp(t)中进行随机取样，并使用随机线性组合方法生成仿真造影剂浓度变化曲线
4.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(2)中，对仿真DCE-MRI信号加入莱斯噪声。
5.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(3)中，所述参数回归网络包括一维卷积神经网络CNN层、双向长短时记忆网络Bi-LST
6.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(3)中，所述流模型网络使用了改编后的RealNVP网络结构，包括6个仿射耦合层。
7.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(3)中，所述参数回归网络和流模型网络的训练使用最大似然估计loss函数，训练目标是使得药代动力学参数组在预测分布上的log似然值最大。
8.一种权利要求1-7任一所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法在胶质瘤分级上的应用。
9.一种根据权利要求8所述的应用，其特征在于，所估计药代动力学参数分布的均值作为待估计参数的实际估计值，分布的标准差作为待估计参数的不确定性指标，用于过滤不可靠的实际估计值，过滤后的实际估计值应用在胶质瘤分级上。
10.根据权利要求9所述的应用，其特征在于，所述胶质瘤分级为区分低级与高级胶质瘤、区分III级与IV级胶质瘤。
11.一种基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计装置，其特征在于，包括：
12.一种计算设备，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7任一所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法。
13.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，用于实现权利要求1-7任一所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法。
...【技术特征摘要】
1.基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(2)中，设定药代动力学模型参数的范围为ktrans：[0.00001min-1,1min-1]、vp:[0.0005,0.1]、ve:[0.04,0.6]、以及t1:[0.8s,3.5s]。
3.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(2)中，从cp(t)中进行随机取样，并使用随机线性组合方法生成仿真造影剂浓度变化曲线
4.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(2)中，对仿真dce-mri信号加入莱斯噪声。
5.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(3)中，所述参数回归网络包括一维卷积神经网络cnn层、双向长短时记忆网络bi-lstm层、平均层和全连接层；将两个通道的数据和ct使用cnn层嵌入到高维空间后输出到2层的bi-lstm层，得到两个方向上的输出；平均层计算两个方向上的输出的平均值并传输至两个由全连接层组成的输出分支中，估计药代动力学参数分布的均值和标准差。
6.根据权利要求1所述的基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法，其特征在于，在步骤(3...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。