一种扩散张量成像参数量化方法、系统、设备和介质

本发明属于磁共振，尤其涉及一种扩散张量成像参数量化方法、系统、设备和介质。

背景技术：

1、扩散磁共振成像(diffusion magnetic resonance imaging，dmri)可以对活体组织中水分子的扩散运动进行无创映射，是临床重要检查手段之一。扩散张量成像(diffusion tensor imaging,dti)是一种常见的扩散磁共振成像方式，需要采集至少一副非扩散加权图像和六幅扩散加权(diffusion-weighted,dw)图像，目前已广泛应用于临床量化诊断以及脑白质纤维束可视化。b值是dw图像的重要参数，含义为扩散敏感系数，其大小影响着dw图像信号的衰减，b值越高，dw图像信号越弱。因此dw图像的噪声较常规的结构磁共振图像更为严重。噪声的存在会模糊图像细节，降低图像质量，导致dti扩散张量场估计不准确，从而导致平均扩散率(mean diffusivity,md)、各向异性分数(fractionalanisotropy,fa)等dti量化参数计算不准确，影响临床诊断和科学研究。

2、因此，降低dw图像的噪声是十分必要的。在临床上，通常使用重复采集多次dw图像取平均值的方法来提高dw图像的信噪比，然而该方法会延长采集时间，进而增加采集成本和被试者在采集过程中发生运动的概率。为此，研究学者们相继提出了大量后处理技术以降低噪声对dti参数量化的影响。这些后处理技术包括传统方法和深度学习方法。其中，mppca、nlm、bm3d等对dw图像进行去噪的方法属于传统方法。传统方法的缺点主要为计算时间长，算法复杂度高。现阶段的深度学习方法为：根据有噪声的dw图像，利用深度学习网络来预测无噪的dw图像或dti扩散张量场或dti量化参数。现有深度学习方法较传统方法效果好，速度快。然而现有的深度学习方法受限于指定的采集方案(扩散编码方向指向、方向个数、b值大小)，泛化能力差，难以在临床上推广使用。

技术实现思路

1、本发明的目的在于提供一种扩散张量成像参数量化方法、系统、设备和介质，能够提高dti扩散张量场估计的准确性，进而提高dti量化参数的准确性，为精准医疗提供可靠的量化依据。

2、本发明是通过以下技术方案实现的：

3、一种扩散张量成像参数量化方法，包括以下步骤：

4、获取dmri数据{s0,sb(gn),n＝1,2,…,n}，以及获取dmri数据对应的b值和扩散编码方向gn；

5、根据扩散编码方向gn，求取球谐函数ylm(gn)；

6、对dmri数据进行数据变换，得到扩散衰减图像，并根据扩散衰减图像和球谐函数的复共轭ylm*(gn)计算球谐系数图；

7、将球谐系数图输入已构建的深度学习网络，得到dti扩散张量场；

8、根据dti扩散张量场，计算得到dti量化参数图。

9、进一步地，对dmri数据进行数据变换的步骤包括：

10、采用公式(1)对dmri图像进行数据变换，公式(1)为：

11、

12、式中，{s(gn),n＝1,2,…,n}为独立于b值的扩散衰减图像，s0和sb(gn)分别为dmri数据中的非扩散加权图像和扩散加权图像，b为扩散加权图像sb(gn)对应的b值，btrain为深度学习网络的训练数据的b值。

13、进一步地，根据扩散衰减图像和球谐函数的复共轭ylm*(gn)计算球谐系数图的步骤包括：

14、基于扩散衰减图像和球谐函数的复共轭ylm*(gn)，利用广义傅里叶变换，进行逐体素计算得到每个体素对应的球谐系数，球谐系数计算公式如下：

15、

16、式中，为球谐系数，ylm*(r)球谐函数ylm(r)的复共轭，r为单位球面上的坐标，r∈r3，s(r)为球面信号，表示不同扩散梯度方向gn所对应的扩散信号衰减值，s(r)∈r。

17、进一步地，深度学习网络包括：

18、编码器，用于对球谐系数图特征进行提取，得到特征图像；

19、解码器，用于对编码器提取到的特征图像进行解码，得到解码特征图；

20、跳跃连接层，将编码器输出的特征图像与解码器输出的解码特征图像连接在一起。

21、进一步地，dti量化参数图至少包括fa图和md图；

22、根据dti扩散张量场，计算得到dti量化参数图的步骤包括：

23、对dti扩散张量场的扩散张量d进行特征值分解，得到特征值λ1、λ2、λ3，并

24、根据公式(3)计算fa图，根据公式(4)计算md图，其中，公式(3)如下：

25、

26、公式(4)如下：

27、

28、进一步地，深度学习网络训练过程包括以下步骤：

29、(1)训练数据准备，获取多例dmri数据，并对每一例dmri数据进行数据处理，其中数据处理的过程如下：

30、(1-1)挑选出b值为预设数值的扩散加权图像以及对应的非扩散加权图像，并进行预处理。预处理过程包括图像去噪，去吉布斯伪影以及偏场校正；

31、(1-2)对于预处理后的扩散加权图像以及对应的非扩散加权图像，采用加权线性最小二乘法进行逐像素拟合得到dti扩散张量场，以得到的dti扩散张量场作为dmri数据的真实扩散张量场以及作为dmri数据为训练数据集时网络输出的真实值；

32、(1-3)对dti扩散张量场应用dti模型，使用预设的扩散梯度表进行dmri数据重建，得到扩散加权图像，dti模型的公式为：

33、

34、式中，sb为扩散加权信号，s0为非扩散加权信号，s0∈r，g为扩散梯度方向，g∈r3×1，d为dti扩散张量，d∈r3×3，为正定对称矩阵；

35、(1-4)对于重建后的dmri数据，加入莱斯噪声：

36、

37、式中，i为重建后真实无噪的dmri数据，n1和n2为独立同分布的高斯噪声；

38、(1-5)对于加入莱斯噪声的dmri数据inoise，利用公式(1)和公式(2)获得对应的球谐系数图，以得到的球谐系数图作为dmri数据为训练数据集时的输入；

39、(2)深度学习网络训练；

40、(2-1)在多例dmri数据中随机选择n例作为训练集，剩余部分作为验证集；

41、(2-2)采用训练集对深度学习网络进行训练，直到网络收敛，同时验证集损失达到稳定。

42、进一步地，深度学习网络的损失函数为：

43、

44、式中，分别为训练数据对应的真实扩散张量场和深度学习网络预测得到的扩散张量场。

45、本发明还提供了一种扩散张量成像参数量化系统，包括：

46、获取模块，用于获取dmri数据{s0,sb(gn),n＝1,2,…,n}，以及获取dmri数据对应的b值和扩散编码方向gn；

47、求取模块，用于根据扩散编码方向gn，求取球谐函数ylm(gn)；

48、处理模块，用于对dmri数据进行数据变换，得到扩散衰减图像，并根据扩散衰减图像和球谐函数的复共轭ylm*(gn)计算球谐系数图；

49、输入模块，用于将球谐系数图输入已构建的深度学习网络，得到dti扩散张量场；

50、计算模块，用于根据dti扩散张量场，计算得到dti量化参数图。

51、本发明还公开了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。

52、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的方法的步骤。

53、相比于现有技术，本发明的有益效果为：使用深度学习网络和球谐函数对扩散张量成像参数进行量化，较传统的方法计算速度快，可以得到更准确的dti量化参数；并且较其他基于深度学习网络的扩散张量参数量化方法，不受限于指定的采集方案，能够准确的估计出不同采集方案的dmri数据的扩散张量场，泛化能力强。