用于弥散磁共振影像质量评估的无监督规范学习方法及系统

本发明属于磁共振成像、医学图像处理和辅助检测，具体涉及一种用于弥散磁共振影像质量评估的无监督规范学习方法及系统。

背景技术：

1、弥散磁共振(diffusion mri,dmri)是一种用于观察水分子在生物组织中运动的磁共振成像技术。弥散磁共振扫描过程中容易受到各种类型伪影的影响，对临床诊断和治疗产生重大危害。伪影可能导致图像信息失真或模糊，从而干扰医生对患者病变或异常情况的准确诊断。这可能会导致错过重要的病变、误诊或延误诊断，给患者带来严重的健康风险；由于伪影可能导致图像质量下降或信息缺失，医生在制定治疗计划时可能无法全面评估患者情况，从而影响治疗方案的选择和执行。除此以外，伪影会给患者增加不必要的检查和成本，因此当伪影出现时，医生可能需要进行额外的检查以确认诊断，这会增加医疗资源的浪费和患者的不便，并可能增加不必要的辐射暴露。因此，弥散磁共振中的伪影对临床诊断和治疗存在严重危害，可能导致严重后果。减少伪影的影响对医生的准确判断和患者的有效治疗具有至关重要的意义。

2、在进行后续分析之前，对dmri数据进行质量评估至关重要，这样可以通过适当的预处理来提高数据质量，确保伪影的存在不会影响后续分析的结果。对数据进行人工质量评估是主观的，可能容易出错，而且不可行，特别是考虑到类似联合研究的数量不断增加，这就强调了这一过程自动化的必要性。目前，dmri数据的质量控制和伪影识别方法在很大程度上依赖于人工检查，这是一个劳动密集型和具有主观性的过程，由专家对大量数据或单个切片进行仔细检查，需要大量的精力和人力资源。

3、最近，一种基于深度学习的自动化流水线利用三维架构从弥散扫描中精确识别伪影。该架构允许在与二维架构相同的时间框架内进行标记和训练，但数据量是普通架构的三倍(ahmad,a.,et al.:3d-qcnet–a pipeline for automated artifact detection indiffusion mri images.comput.med.imaging graph.103,102151(2023))；但它只能够识别有问题的体积，不能有效定位含有特定伪影的切片。除此以外，现有方法大多依赖于有标签的医学影像数据，而获取大量医学影像数据的挑战，加上隐私和共享方面的限制，一直存在。为解决上述问题，可以通过模拟运动和涡流伪影解决了训练样本不足的问题，无需手动标记即可生成高质量的训练数据(graham,m.,s.,drobnjak,i.,&zhang,h.,:a supervisedlearning approach for diffusion mri quality control with minimal trainingdata.neuroimage 178,668–676(2018))。不过，这种方法主要针对特定的伪影，给其他类型的伪影留下了空间。在获取dmri数据时，可能会出现各种类型的伪影。为了识别这些伪影，大多数技术都依赖于昂贵且耗时的监督学习，但由于dmri数据量庞大，标注样本有限，这就需要大量包含各种伪影类型的标注数据。因此，如何减少或摒弃数据的标注，同时也能够针对每张切片识别训练过程中没有见过的伪影是一个需要迫切解决的重大挑战。

技术实现思路

1、为了克服上述现有技术存在的缺陷，本发明提出了一种用于弥散磁共振影像质量评估的无监督规范学习方法及系统，该方法将无监督生成模型、异常检测方法应用到弥散磁共振伪影的识别上，实现了训练数据的无标签化，解决了训练数据缺乏大量带标注伪影的弊端，从而减少了数据收集、数据标注所耗费的人力资源。

2、一种用于弥散磁共振影像质量评估的无监督规范学习方法，包括步骤：

3、步骤1，收集无伪影的弥散磁共振图像，从中抽取横断面中脑切片图像，即多b值中脑切片图像；

4、步骤2，基于磁共振信号在弥散敏感梯度存在的衰减规律曲线，对多b值中脑切片图像进行规范化数据预处理，对上述收集到的多b值中脑切片图像进行规范化数据预处理以最大削弱不同b值下中脑图像信号强度差异的影响，得到规范化预处理的b值中脑切片图像，作为训练集；

5、步骤3，将规范化预处理的b值中脑切片图像输入至vq-vae网络进行重建，得到训练好的vq-vae模型；

6、步骤4，将待检测样本输入步骤3得到的vq-vae模型得到重建后的b值中脑切片图像，比较每张多b值中脑切片图像在重建前后的结构相似度指标，然后确定阈值，在阈值之上的为无伪影、质量过关的图像；阈值之下的为含有伪影、质量不过关的图像；

7、步骤5，针对步骤4中的阈值，比较每张切片的结构相似度指标到阈值的距离，然后进行质量评估，确定其属于符合标准图像的概率。

8、进一步地，所述弥散磁共振图像通过sudmex数据集获取。

9、进一步地，所述步骤2具体包括：

10、磁共振信号在弥散敏感梯度存在的衰减规律为：

11、s(b)＝s0e-bd

12、式中，b表示敏感弥散梯度参数，s表示不同b值下体素的信号强度，s0表示b值为0时的信号强度，d表示一个区域内流体分子的弥散特征；

13、对于上式中不同b值所对应的不同信号强度，进行自然对数规范化预处理：

14、

15、对每个体素都执行自然对数规范化预处理，得到规范化预处理的b值中脑切片图像。

16、进一步地，vq-vae即向量量化变分自编码器引入了一个离散的隐藏空间，简化了模型对数据的理解能力，并产生了更详细的图像。本发明使用vq-vae目的是从dmri数据中学习标准特征，并通过将每个图像块映射到一个离散的隐变量zq来评估dmri图像质量。针对vq-vae的重建部分，以x表示原始图像，表示重建图像。编码本中的元素称为嵌入向量，记为e。vq-vae将k个离散编码映射到一个d维嵌入空间ze(x)中，其中ze(x)∈rd,表示编码器的输出向量。vq-vae的损失函数由两部分误差组成：

17、第一个部分由原始图像和重建图像之间的重建误差组成：

18、第二个部分由向量量化过程中产生的误差组成；

19、所述vq-vae网络采用损失函数为：

20、

21、上式中，量化损失使用最小距离量化器计算，该量化器将每个隐变量编码映射到欧氏距离最近的嵌入向量中，x表示原始图像，表示重建图像，编码中的元素称为嵌入向量，记为e，sg[·]表示梯度停止算子。由于无法直接传递反向误差，因此vq-vae采用了一个直通估计器来近似梯度，从而方便了反向传播的实现。

22、进一步地，对于符合正态分布的数据采用μ-2σ原则确定区分阈值，不符合正态分布的数据采用切比雪夫不等式确定阈值。

23、进一步地，对于符合正态分布的数据采用μ-2σ原则确定阈值，即：

24、p(|x-μ|<2σ)≈0.954

25、式中，μ和σ分别表示该批待测样本的均值和方差，该式表明异常数据有非常大的概率落在μ-2σ以外。

26、进一步地，不符合正态分布的数据采用切比雪夫不等式确定阈值，即：

27、

28、式中，λ是任意>1的实数。本发明中取λ＝2，即不符合正态分布的数据也采用μ-2σ原则确定，即μ-2σ作为阈值t。

29、进一步地，符合标准图像的概率为：

30、

31、其中，k为缩放倍数，d表示每张切片的结构相似度指标到阈值的距离，d∈[-1,1]，在t上方距离为正，在t下方距离为负。

32、进一步地，所述k＝20。

33、一种用于弥散磁共振影像质量评估的无监督规范学习系统，其特征在于，包括数据采集图像单元、数据预处理单元、模型训练单元、阈值确定单元和图像评估单元，其中：

34、所述采集图像单元收集无伪影的弥散磁共振图像，从中抽取横断面中脑切片图像，即多b值中脑切片图像；

35、所述数据预处理单元基于磁共振信号在弥散敏感梯度存在的衰减规律曲线，对多b值中脑切片图像进行规范化数据预处理，得到规范化预处理的b值中脑切片图像，作为训练集；

36、所述模型训练单元将规范化预处理的b值中脑切片图像输入至vq-vae网络进行重建，得到训练好的vq-vae模型；

37、所述阈值确定单元将待检测样本输入vq-vae模型得到重建后的b值中脑切片图像，比较每张多b值中脑切片图像在重建前后的结构相似度指标，然后确定阈值，在阈值之上的为无伪影、质量过关的图像；阈值之下的为含有伪影、质量不过关的图像；

38、所述图像评估单元比较每张切片的结构相似度指标到阈值的距离，然后进行质量评估，确定其属于符合标准图像的概率。

39、与现有技术相比，本发明的有益效果为：

40、(1)采用无监督的训练方法，避免了对大量训练数据的标注工作，当前关于弥散磁共振影像的质量评估方法绝大多数都以有监督的方法进行，由于医学图像数据的特殊性，尤其是获取大量标注的、含有伪影的弥散磁共振影像作为训练数据是一件极其困难的事情，本发明以无监督异常检测的角度来研究上述问题，采用无监督生成模型向量量化变分自编码器vq-vae，仅需无伪影的dmri数据进行训练，避免了收集、标注伪影这一耗费劳动力的工作；

41、(2)采用了规范化数据处理方法，提高了模型的泛化性，dmri数据的特点在于信号值随着弥散梯度(b值)的增加而成指数衰减，由于不同仪器和实际需要会扫描形成不同b值的dmri影像，对于模型的泛化性、鲁棒性是一个重大的挑战；本发明根据信号衰减规律曲线，提出了不同b值下影像信号的规范化预处理，使得待检测的影像不再受b值的影像，从而使得模型能够稳健识别各种b值的影像；

42、(3)依据统计学原理，具有较强的理论支撑，同时不仅能够提供数据质量评估的结果，还能给出其含有伪影的概率，由于少量含有伪影的数据较大量正常数据而言可以视为异常值，因此本发明以统计学剔除异常值原理，选取μ-2σ作为异常值和正常值的划分界限t；待测样本在t上方越远证明该样本含有伪影的概率越低，在t下方越远则证明该样本含有伪影的概率就越高，而处于阈值上的样本则属于分辨不清的样本(可能仅仅含有少量伪影)，将其加入改进的sigmoid函数中，则可以得到最终的含有伪影的概率，而不论是3d-qcnet还是其余大多数方法，最终只能给出其属于正样本或是负样本，并没有对其属于哪个类别的概率进行讨论，本发明的这一优点可以更加细致地辅助影像专家进行判断；

43、(4)采用了切片级别的分析策略，使能够对输入的dmri数据的每张中脑切片进行质量评估，与3d-qcnet只能分析体积级别数据相比更加细致。