一种智能动态对比度增强磁共振成像方法技术

技术编号：42327496 阅读：4 留言：0更新日期：2024-08-14 16:05

一种智能动态对比度增强磁共振成像方法，涉及磁共振图像处理。1）获取动态对比度增强磁共振图像的傅里叶变换数据（也称频率数据），预处理，制作训练标签构建训练集；2）构建基于药代动力学和时空特征融合的深度学习网络，网络采用编码器‑解码器框架，由两个编码器（空间特征提取路径、时间‑空间特征提取路径）和一个解码器组成；两个编码器将提取的特征图拼接输入解码器；3）设计多任务损失函数，训练模型，训练集上采用梯度下降法对网络权重更新至损失函数收敛；4）待重建目标成像的频率数据输入训练好的模型，得到重建图像和药代动力学参数。通过时空特征融合及联合优化定量参数，实现快速高质量的图像重建和准确的药代动力学参数估计。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于磁共振图像处理方法，尤其是涉及一种智能动态对比度增强磁共振成像方法。

技术介绍

1、动态对比增强磁共振成像 (dynamic contrast-enhanced magnetic resonanceimaging, dce-mri) 是一种特殊的定量磁共振成像，通过注射造影剂前后的连续快速成像来可以估计容量转移常数、血浆体积分数和血管外-细胞外体积分数等定量生理参数，从而表征组织形态和微血管血流动力学。

2、重获取动态对比增强磁共振成像的挑战在于成像速度慢，存在运动伪影和时空分辨率有限等问题。深度学习被引入到磁共振成像图像重建中，使得重建时间大幅缩短。针对动态对比增强磁共振成像，现有文献初步尝试使用端到端神经网络，避免神经网络中非均匀傅里叶变换算子出现的耗时和能量膨胀等问题，但是该方法忽略药代动力学参数估计的重要性。现有文献初步尝试在网络损失函数中引入药代动力学模型，对定量生理参数的估计和动态对比增强磁共振成像重建进行联合优化。然而，这种方法在笛卡尔坐标系下实现，而非笛卡尔坐标系仍有空缺。

技术实现思路

1、本专利技术的目的在于针对现有技术存在的重建时间长、时间保真度低等问题，提供具有快速高质量的图像重建和准确的药代动力学参数估计的一种智能动态对比度增强磁共振成像方法。

2、本专利技术提出的一种智能动态对比度增强磁共振成像方法，具体包括以下步骤：

3、1）数据处理：获取动态对比度增强磁共振图像的傅里叶变换数据（也称频率数据），进行数

4、2）设计网络：构建基于药代动力学和时空特征融合的深度学习网络，该网络采用编码器-解码器框架，由两个编码器路径和一个解码器路径组成；两个编码器路径分为空间特征提取路径和时间-空间特征提取路径，两个编码器将提取的深层特征图拼接，输入解码器；

5、3）训练网络：设计多任务损失函数，进行模型训练，在步骤1）获得的训练集上采用梯度下降法对神经网络的权重进行更新，直到损失函数收敛，完成训练过程；

6、4）模型验证：将待重建的目标成像的频率数据输入训练好的模型，得到重建图像和动力学定量参数，完成所述智能动态对比度增强磁共振成像。

7、在步骤1）中，所述获取动态对比度增强磁共振图像的傅里叶变换数据，即获取动态对比度增强磁共振图像的径向采样的频率数据<mstyle displaystyle="true" mathcolor="#000000"><mi>y</mi><mi>=</mi><mrow><mo>[</mo><mrow><msub><mi>y</mi><mn>1</mn></msub><mi>,</mi><mi>⋯</mi><mi>,</mi><msub><mi>y</mi><mi>t</mi></msub><mi>,</mi><mi>⋯</mi><mi>,</mi><msub><mi>y</mi><mi>t</mi></msub></mrow><mo>]</mo></mrow><mi>∈</mi><msup><mi>ℂ</mi><mrow><msub><mi>n</mi><mn>1</mn></msub><mi>×</mi><msub><mi>n</mi><mn>2</mn></msub><mi>t</mi></mrow></msup></mstyle>，动态对比度增强磁共振图像<mstyle displaystyle="true" mathcolor="#000000"><mi>x</mi><mi>=</mi><mrow><mo>[</mo><mrow><msub><mi>x</mi><mn>1</mn></msub><mi>,</mi><mi>⋯</mi><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub><mi>,</mi><mi>⋯</mi><mi>,</mi><msub><mi>x</mi><mi>t</mi></msub></mrow><mo>]</mo></mrow><mi>∈</mi><msup><mi>ℂ</mi><mrow><msub><mi>n</mi><mn>1</mn></msub><mi>×</mi><msub><mi>n</mi><mn>2</mn></msub><mi>t</mi></mrow></msup></mstyle>建模为：

8、<mstyle displaystyle="true" mathcolor="#000000"><mi>y</mi><mi>=</mi><mi>z</mi><mo>+</mo><mi>e</mi><mi>=</mi><mrow><mo>[</mo><mrow><msub><mi>z</mi><mn>1<本文档来自技高网...

【技术保护点】

1.一种智能动态对比度增强磁共振成像方法，其特征在于包括以下步骤：

2.如权利要求1所述一种智能动态对比度增强磁共振成像方法，其特征在于在步骤2）中，所述设计网络，该网络采用传统的编码器-解码器框架，其中，输入为大小的原始图像，输出为大小的重建图像，其中，和是图像维数，T是时间帧数；网络由两个编码器路径和一个解码器路径组成，编码器路径分为空间特征提取路径和时间-空间特征提取路径，两个编码器将提取的特征图拼接，输入解码器；具体如下：

3.如权利要求1所述一种智能动态对比度增强磁共振成像方法，其特征在于在步骤3）中，所述训练网络是通过基于药代动力学和时空特征融合的深度学习网络的输出与标签图像进行比较，然后反向梯度传播来更新网络的参数；

4.如权利要求1所述一种智能动态对比度增强磁共振成像方法，其特征在于在步骤4）中，所述模型验证的具体步骤为：将待重建的目标成像的频率数据和目标成像的逆非均匀傅里叶变换图像，以及目标成像的全辐条变换图，送入已训练好参数的网络，得到重建图像和定量参数；

【技术特征摘要】

1.一种智能动态对比度增强磁共振成像方法，其特征在于包括以下步骤：

2.如权利要求1所述一种智能动态对比度增强磁共振成像方法，其特征在于在步骤2）中，所述设计网络，该网络采用传统的编码器-解码器框架，其中，输入为大小的原始图像，输出为大小的重建图像，其中，和是图像维数，t是时间帧数；网络由两个编码器路径和一个解码器路径组成，编码器路径分为空间特征提取路径和时间-空间特征提取路径，两个编码器将提取的特征图拼接，输入解码器；具体如下：

3...

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

全部详细技术资料下载我是这个专利的主人