一种利用时空信息的磁共振动脉自旋标记序列部分容积校正方法
【技术领域】
[0001] 本发明属于医学影像的部分容积效应校正方法技术领域，特别涉及一种利用时空 信息的磁共振动脉自旋标记序列的部分容积校正方法。
【背景技术】
[0002] 磁共振(Magnatic Resonance Imaging，MRI)灌注成像是用来反映组织的微血管 分布及血流灌注情况的MRI检查技术。动脉自旋标记技术(Arterial Spin Labeling，ASL)， 通过磁化血液中水分子作为内源性对比剂，来评价脑血流灌注情况，可完全无创检测，可重 复性高，且可获得绝对定量的脑血流(Cerebral Blood Flow，CBF)，完全不受血脑屏障的影 响。
[0003] ASL技术以磁标记的动脉血作为内源性对比剂，在成像平面上游，利用反脉冲标记 动脉血的质子;延迟一段时间后，待标记的血液进入组织，血液与组织进行物质交换后成像 (即标记图像，label) dabel图像包括静态组织和标记动脉血的信号。为了消除静态组织的 信号，进行另外一次未标记血成像（即控制图像，control)，c 〇ntr〇l图像只包括静态组织信 号。将label图像与control图像减影，所得的差值图像只与流入成像平面的标记动脉血有 关。ASL图像的缺点在于它对噪声敏感。一般说来，label图像与control图像的差值大约是 control像灰度值的1~2%。因此，一对label/control图像的差值不能够有效的反映灌注 情况，需要大约60对数据来获得合理的信噪比（Signal to Noise Ratio，SNR)。
[0004] 同时，作为一组配对图像，label和control图像需要快速、连续获取。所以，快速成 像方法(如EPI方法)普遍应用于ASL成像，但这类方法的使用却降低了图像的空间分辨率， 使图像受部分容积(Partial Volume,PV)效应影响严重。目前，针对ASL图像的PV校正算法 很少，Asllani等（Asllani I，et al.Magn Reson Med,2008;60(6) :1362-1371.)首先使用 局部区域的线性回归(Linear Regression，LR)方法对图像进行校正，但该方法却使局部区 域平滑，易引起CBF计算的误差。之后，Liang等（Liang X，et al.Magn Reson Med,2013;69 (2) :531-537.)采用最小截平方和方法对平滑效应进行后处理。同时，Chappell等 (Chappell MA，et al.Magn Reson Med,2011;65(4):1173-1183.)对多个反转时间的ASL序 列的PV进行校正。
[0005] 虽然上述方法已可以在空间域对ASL数据进行一定程度的PV校正，但ASL序列中的 时间信息并未被充分使用。
【发明内容】
[0006] 针对目前ASL序列的PV校正方法中，时间信息利用率低的问题，本发明提供了一种 利用时空信息的ASL序列PV校正方法，该方法充分利用ASL序列中的时间和空间信息，对序 列进彳丁有效PVfe正，从而大幅提尚ASL图像质量。
[0007] 本发明是通过以下技术方案来实现：
[0008] 一种利用时空信息的磁共振动脉自旋标记序列的部分容积校正方法，包括以下步 骤：
[0009] (1)采集被试者的MRI数据，包括结构像和动脉自旋标记序列；
[0010] (2)将结构像和动脉自旋标记序列进行配准；
[0011] (3)利用SPM软件对结构像进行分割，获取灰质、白质和脑脊液的概率分布图像；
[0012] (4)利用线性回归方法对动脉自旋标记序列进行空间部分容积校正，并利用校正 结果作为最大期望算法的初始值，在时间方向上进行部分容积校正，充分利用动脉自旋标 记序列的空间和时间信息，获得准确的校正结果。
[0013] 步骤(1)中，采集的结构像为T1或T2序列，以及动脉自旋标记序列。
[0014] 步骤(2)所述将结构像和动脉自旋标记序列进行配准，是利用SPM提供的MNI坐标 系作为中间值来进行配准。
[0015] 步骤(4)利用动脉自旋标记的四维数据，沿着时间轴，将具有相同三维空间坐标i 的体素构成一个时间向量;假定该向量中所有元素相互独立，且其中的灰质和白质符合高 斯分布，利用最大期望算法估计混合组织中灰质和白质灌注信号，具体求解方法如下：
[0016] 对于某一空间体素 i，磁矩表示为：
[0017] Λ Mi = PiGM A MiGM+PiWM A MiWM (1)
[0018] 其中，PiGM和Pi丽是混合体素中灰质和白质的概率；AMiGM和AMiTO代表灰质和白质 的灌注信号，灌注信号是通过label/control图像的差值ΛΜ来描述，且某一空间体素的脑 血流与Λ Μ和M0图像的比值Λ M/Mo等价；则根据动脉自旋标记成像的两腔室模型得到： ftissue - (ΔΜ/Μ。）· Ftissue;其中，Ftissue是与血脑相关的血流灌注系数；
[0019] M0图像是与灌注图像序列分别扫描的，采用T1序列的形式，并通过与灌注图像配 准，转换成与灌注图像相同大小;故假设M0图像未受到部分容积效应的影响，得到如下关系 式：
[0020]
^
[0021] 其中，PCM和P?通过动脉自旋标记序列与同一被试的结构图像进行配准后获得，Fcm 和Fwm与图像的成像参数有关；△ MiGM和a Mini为灰质和白质的灌注信号;沿时间轴，将具有相 同三维空间坐标i的体素构成一个时间向量{Yit，t = 1，…，T}，T代表了时间向量的维数;在 观察值Yit中，灰质和白质的分量表不为：
[0022] Yit = XitGM+Xitw (3)
[0023] 其中，XitCM和Xitm分别是以均数为，方差为Wa?，和Wu，的随机变量，假 设所有的T个体素是相互独立的，则有：
[0024]
(4)
[0025]将灌注模型和式(4)结合，得到：
[0026]
[0027]其中，SiCM和SiWM分别代表了灰质和白质灌注信号的方差；
[0028] 假设XitGM和Xitw服从高斯分布，则公式(4)变换为：
[0029]
(5)
[0030] 在最大期望算法中，第t个体素的观察值Yit是一个不完整的随机变量;xitCM和xit? 代表的是第t个体素中完整的混合组织信息，是一个完整变量；
[0031 ] 在以公式（1)为条件进行积分，建立不完整变量{Yit}与完整变量{XitGM}和{XitWM} 之间的概率分布的关系，如下式：
[0032]
(6)
[0033] 其中，i代表某一体素三维空间位置，{Ylt}代表具有相同空间位置i的体素所构成 一个时间向量；{XitCM}和{Xitw}分别为观察值{Yit}中灰质和白质的分量。
[0034]式(6)的最优解获取步骤如下：
[0035]采用最大期望算法求取完全变量条件概率分布的最大期望，E-step是用于对变量 的对数似然估计，M-step用于求取期望最大值：
[0036] E-step:计算条件概率期望值 p (X | Θ )，其中 Θ(η)= { ΔΜ=，ΔΜ以,,
[0037] 条件期望表示为：
[0038]
(7) [0039]根据条件期望的推导，得出：
[0040] (8)
[0041] (9)
[0042] (10)
[0043] (11)
[0045] (12)
[0044] M-step:通过n+1次迭代使条件概率期望值最大化，混合组织模型中的均值通过最大化条件概率的n+1次迭代{ }求出：
[0046] (13)
[0047] (14)
[0048] (15) s
[0049] 步骤(4)具体操作如下：
[0050] 1)对于每幅三维灌注图像，使用线性回归方法进行空间部分容积校正；
[0051] 2)基于线性回归方法的空间部分容积校正结果，将具有相同空间位置i的体素构 成时间向量；
[0052] 3)对于时间向量，利用最大期望方法进行时间轴上的混合组织估计；
[0053] 4)对空间位置i+Ι，重复第2)和第3)步，直至整幅灌注图像都被校正。
[0054]与现有技术相比，本发明具有以下有益的技术效果：
[0055] 本发明的基于时空信息的ASL序列部分容积校正方法，首先，采集被试者的MRI数 据，将采集的结构像和ASL序列进行配准;然后，利用SPM软件对结构像进行分割，分别生成 灰质（gray matter，GM)、白质（white matter，WM)和脑脊液（cerebrospinal fluid，CSF)的 概率分布图像，能够为后续的PV校正提供GM和WM的概率分布信息，有利于估计混合组织的 参数;再次，利用LR方法对ASL序列进行空间PV校正;最后，利用LR方法的空间校正结果作为 最大期望（expectation maximization，EM)算法的初始值，并在时间方向上进行校正，从而 准确估计脑血流值，有助于后续的数据分析。该方法(ΕΜ-LR)充分利用了动脉自旋标记序列 的空间和时间信息，弥补了 EM算法对初始值敏感的问题，加