一种基于模拟数据和深度学习的定量磁化率成像算法

摘要

本发明公开了一种基于模拟数据和深度学习的定量磁化率成像算法，包括步骤如下：步骤1、选取合适的QSM图像数据集Data作为标签数据；步骤2、数据扩充；步骤3、经偶极核卷积和添加高斯噪声，制作模拟局部场图数据；步骤4、切割数据集并划分出训练集和验证集；步骤5、训练神经网络；步骤6、制作真实去除背景场后的磁场图，输入训练好的神经网络模型，完成定量磁化率成像，评估本发明效果。本发明中训练得到的神经网络模型不仅解决了伪影问题，使得重建质量高于TKD等传统方法，并且能够快速重建出QSM图像，节约重建时间。

说明书

技术领域

本发明涉及一种基于MRI图像的组织定量磁化率成像方法，尤其涉及到基于模拟数据集和深度学习的重建方法，属于检测组织磁化率分布的技术领域。

背景技术

磁共振成像技术(Magnetic Resonance Imaging,MRI)通过检测组织中水质子的核磁共振信号，对体内结构进行断层成像，以反映组织功能、新陈代谢等生理信息的变化。其中，定量磁化率成像技术(Quantitative Susceptibility Mapping QSM)是MRI中一项新兴的从用于定量测量组织内部磁化率的成像技术，是基于从梯度回波(GRE)MRI的相位数据得出的磁场图的后处理，可以计算组织内部的铁含量、钙化、血氧饱和度等信息，对于疾病临床诊断和研究具有重大的意义。

QSM传统算法流程如下：

(1)MRI相位信号处理

使用幅值图和相位图拟合出相位估计图：

其中，N

由于

γB

其中，φ

由于拟合得到的场图不仅包含组织内部磁化率引起的局部场图，还包含组织外部磁化率引起的背景场图。即如下式所示：

b(r)＝b

其中，b(r)为总场图，b

在进行定量磁敏感成像时，我们只需要组织内部磁化率引起的局部场图，因此，需要进行背景场去除，得到局部场图。

(2)磁化率反演

局部场图和磁化率分布的关系可表示为一个物理式子，即局部场图等于一个偶极核和磁化率分布的卷积：

其中，r表示空间域中的坐标向量，χ(r)表示磁化率的分布，b(r)表示由磁化率引起的场图变化。b(r)是相对于外磁场B

傅里叶域中的场图等于傅里叶域中偶极核和磁化率分布的乘积。其中

为了解决磁化率反演中这个病态问题，如下传统方法：

⑴阈值截断法(truncated k-space division，TKD)：使用阈值来代替D(k)中绝对值小于阈值的数，使得原先不能够进行的除法得以进行。TKD的表达形式如下：

其中，thr为所取的阈值，一般选取0.2作为阈值。

TKD算法使用了一个阈值替代偶极核D(k)中小于该阈值的值，实现非常简单，磁化率图重建耗费时间短。但是其所取阈值thr不容易找到，阈值过大会使总体阈值偏大，阈值过小将不能够抑制伪影。另外，阈值的设置会使得傅里叶域数据不连续，导致引入其他伪影。

⑵基于形态学相似性的偶极子反演算法(morphology enabled dipoleinversion,MEDI)：使用迭代法，利用幅值信息，对组织内部进行平滑性约束。MEDI可表述为：

其中，参数λ表示正则化项的权重。这里共有两个范数项权重矩阵W

⑶STAR-QSM算法：在较大的磁化率区域，重建图像容易产生大量的条纹伪影，STAR-QSM被用来解决该问题。该算法被描述如下：

其中，φ为背景场去除后的相位值，λ是一个正则化参数，λ越大，表示重建的QSM越平滑。L1范数被解释如下：

其中，W

发明内容

为了解决传统QSM重建方法磁化率反演这一步中存在的病态伪影以及重建耗费时间较长的缺陷，同时为了减少对训练集精度和广度限制带来的诸多困难，本发明提供了一种基于模拟数据和深度学习的QSM重建算法。

为了实现上述目的，本发明的技术方案如下：一种基于模拟数据和深度学习的定量磁化率成像算法，其特征在于，所述算法包括以下步骤：

步骤1、选取合适的QSM图像数据集Data作为标签数据；

步骤2、数据扩充：为了扩大数据规模，采用数据集旋转、数值按比例增大、数值反转等方式来扩充原有数据集；

其中，数据集旋转扩充方式：将QSM图像数据集参照B

数值按比例增大扩充方式：如下式表达所示，将QSM图像数据集按某一比例放大，其中，P代表含有正磁化率值的体素集合，因此，按比例增大仅改变正磁化率值体素。进行这一变换后，得到扩充数据集Scaled data。

其中，

同时，为了使得训练数据集整体磁化率值保持均值0，引入数值反转扩充方式。

数值反转扩充方式：将数据集的磁化率值进行反转，可以表述为：

总结而言，标签数据集包括原始QSM图像数据集Data，旋转数据集Rotated Data，数值按比例增大数据集Scaled Data，数值反转数据集Inverted Data以及数值按比例增大且反转数据集Scaled&Inverted Data。

步骤3、制作模拟局部场图数据：空间域的局部场图与磁化率的关系可表述为：

b＝F

b为局部场图，χ为磁化率图，F表示傅里叶变换，F

利用这个关系，将标签数据进行偶极核卷积，同时添加高斯噪声，作为神经网络的输入数据集。

步骤4、切割划分数据集：将每个QSM图像标签数据集及其对应的输入数据集分别切割成大小为48*48*48的数据块，经整理后，共得到36936*48*48*48的标签数据及其对应的同样数量和大小的输入数据。将这部分数据以0.8和0.2的比例划分出训练集和验证集。

步骤5、训练神经网络：选取略微修改的3D U-Net神经网络作为本发明的神经网络模型，在原3DU-Net神经网络的基础上增加了一个下采样环节和一个上采样环节，具体网络模型可见附图4。用数据集训练该神经网络模型。

步骤6、制作真实测试数据集评估效果：首先，采集磁共振GRE序列数据，包括幅值和相位数据，作为QSM重建的原始数据。经磁场图估计、相位解缠绕、背景场去除等步骤后得到局部场图数据。分别用TKD、MEDI、QSMStar(多回波GRE数据重建)和训练好的神经网络模型进行磁化率反演，比较QSM图像重建效果，评估网络模型的性能。

相对于现有技术，本发明的有益效果如下：该技术方案将进行神经网络的训练，拟合出磁化率反演的过程。同时，将采用模拟数据集代替真实数据集的方法，以减少对训练集精度和广度限制带来的诸多困难。具体地，本发明利用磁化率反演逆过程的适定性，将QSM图像数据集作为神经网络的标签数据，数据扩充后对其进行偶极核卷积，得到的数据集作为神经网络的输入数据，以此来降低用真实数据集训练神经网络拟合磁化率反演这一方法中对QSM图像数据集精度和数量的依赖。最终，利用磁共振仪器采集到的真实病人数据以及传统的定量磁敏感成像算法重建的QSM图像作为测试数据，评估该网络的性能和普适性。本发明中训练得到的神经网络模型不仅降低了在深度学习重建方法中对训练集精度和数量的依赖，还解决了一些传统方法中会存在的条状伪影问题，保留了生理结构细节，重建质量高于TKD等传统方法，并且能够快速重建出QSM图像，节约重建时间。

附图说明

图1为本发明的流程示意图；

图2为数据扩充效果示意图；

图3为标签数据模拟出输入数据效果示意图；

图4为神经网络结构示意图；

图5为传统QSM Star方法使用多回波GRE数据重建得到的QSM图像；

图6为本发明方法、MEDI、TKD的重建结果以及它们分别与Truth的残差图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

实施例1：一种基于模拟数据和深度学习的QSM重建方法总体流程图如图1所示，具体包括如下步骤：

步骤1、选取合适的QSM图像数据集Data作为标签数据；

步骤2、数据扩充：为了扩大数据规模，采用数据集旋转、数值按比例增大、数值反转等方式来扩充原有数据集。

其中，数据集旋转扩充方式：将QSM图像数据集参照B

数值按比例增大扩充方式：如下式表达所示，将QSM图像数据集按某一比例放大，其中，P代表含有正磁化率值的体素集合，因此，按比例增大仅改变正磁化率值体素。进行这一变换后，得到扩充数据集Scaled data。

其中，

同时，为了使得训练数据集整体磁化率值保持均值0，引入数值反转扩充方式。

数值反转扩充方式：将数据集的磁化率值进行反转，可以表述为：

总结而言，标签数据集包括原始QSM图像数据集Data，旋转数据集Rotated Data，数值按比例增大数据集Scaled Data，数值反转数据集Inverted Data以及数值按比例增大且反转数据集Scaled&Inverted Data。

步骤3、制作模拟局部场图数据：空间域的局部场图与磁化率的关系可表述为：

b＝F

b为局部场图，χ为磁化率图，F表示傅里叶变换，F

利用这个关系，将标签数据进行偶极核卷积，同时添加高斯噪声，作为神经网络的输入数据集。

步骤4、切割划分数据集：将每个QSM图像标签数据集及其对应的输入数据集分别切割成大小为48*48*48的数据块，经整理后，共得到36936*48*48*48的标签数据及其对应的同样数量和大小的输入数据。将这部分数据以0.8和0.2的比例划分出训练集和验证集。

步骤5、训练神经网络：选取略微修改的3D U-Net神经网络作为本发明的神经网络模型，在原3DU-Net神经网络的基础上增加了一个下采样环节和一个上采样环节，具体网络模型可见附图4。用数据集训练该神经网络模型。

步骤6、制作真实测试数据集评估效果：首先，采集磁共振GRE序列数据，包括幅值和相位数据，作为QSM重建的原始数据。经磁场图估计、相位解缠绕、背景场去除等步骤后得到局部场图数据。分别用TKD、MEDI、QSMStar(多回波GRE数据重建)和训练好的神经网络模型进行磁化率反演，比较QSM图像重建效果，评估网络模型的性能。

为了验证本发明所公开的定量磁化率重建算法的效果，使用一个数据集来验证本发明公开方法相对于传统方法效果的显著提升。图5为传统QSM Star方法使用多回波GRE数据重建得到的QSM图像，图6分别为本发明公开的基于模拟数据和深度学习的定量磁化率成像算法和TKD，MEDI重建的QSM图像效果，以图5作为Truth图像，本发明方法均方误差和高频误差均低于TKD和MEDI算法，且结构性伪影明显减少，所耗时间也非常可观，总体提升效果显著，对临床磁化率重建有重要意义。

需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。