买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门大学

摘要：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。

主权项：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：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，即频率数据，进行数据预处理，制作训练标签构建训练集；具体步骤为：获取动态对比度增强磁共振图像的径向采样的频率数据动态对比度增强磁共振图像建模为： 其中，Y表示动态对比度增强磁共振图像的径向采样的频率数据，Z表示动态对比度增强磁共振图像的无噪声频率数据，E表示测量噪声，X表示动态对比度增强磁共振图像，Y1、Yt、YT分别表示第1帧、第t帧、第T帧的动态对比度增强磁共振图像的径向采样的频率数据，Z1、Zt、ZT分别表示第1帧、第t帧、第T帧的动态对比度增强磁共振图像的无噪声频率数据，Σ1、Σt、ΣT分别表示第1帧、第t帧、第T帧的测量噪声，X1、Xt、XT分别表示第1帧、第t帧、第T帧的动态对比度增强磁共振图像，分别表示第1帧、第t帧、第T帧的非均匀傅里叶变换算子，非均匀傅里叶变换算子将笛卡尔坐标系下的图像转换为非笛卡尔坐标系下的径向采样的频率数据，其中，t＝1,2,...,T，T是时间帧数；N1和N2是图像维数，代表复数域；网络输入的原始图像由下式得到： 其中，表示原始图像，Y1、Yt、YT分别表示第1帧、第t帧、第T帧的动态对比度增强磁共振图像的径向采样的频率数据，分别表示第1帧、第t帧、第T帧的逆非均匀傅里叶变换算子，该逆非均匀傅里叶变换算子将非笛卡尔坐标系下的径向采样的频率数据转换为笛卡尔坐标系下的图像，其中，t＝1,2,...,T，T是时间帧数；N1和N2是图像维数；将原始图像沿时间维度相加，归一化得到全辐条变换图像 其中，表示全辐条变换图像，N1和N2是图像维数；表示第t帧的原始图像，其中，t＝1,2,...,T，T是时间帧数；max表示图像像素的最大值，min表示图像像素的最小值；深度学习网络重建的标签图像表示为Xref，Xref由传统稀疏重建方法得到；通过上述操作，建立N对标签图像Xref、原始图像全辐条变换图像的训练集其中，是训练集的第n个标签图像，是训练集的第n个原始图像，是训练集的第n个全辐条变换图像；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；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N1×N2T大小的原始图像，输出为N1×N2T大小的重建图像，其中，N1和N2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：a空间特征提取路径空间特征提取路径从全辐条变换图像中学习空间特征，空间特征提取路径包括K个主要模块，每个模块包括k个卷积层、批处理归一化、渗漏型线性整流单元和最大池化层，其中，卷积层卷积核的大小为I×I，每个卷积层添加残差连接；b时间-空间特征提取路径时间-空间特征提取路径将原始图像沿时间重新排列为三维张量从三维张量中学习空间和时间特征，时间-空间特征提取路径和空间特征提取路径结构相同，但时间-空间特征提取路径的卷积层卷积核的大小为I×I×I；c解码器路径解码器路径包括K个主要模块，每个模块包括k个卷积层、批处理归一化、渗漏型线性整流单元和上采样层，其中，卷积层卷积核的大小为I×I×I；神经网络的输出作为重建结果，其中，f·是基于药代动力学和时空特征融合的深度学习网络，Θ表示整体网络内部参数集合，表示全辐条变换图像，表示原始图像；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；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Xref进行比较，然后反向梯度传播来更新网络的参数Θ；基于药代动力学和时空特征融合的深度学习网络的总损失函数由图像重建误差和药代动力学参数误差构成，其中药代动力学参数定量过程如下：动态对比度增强磁共振图像X与造影剂浓度CAr,t的关系满足： 其中，Xtr是动态对比度增强磁共振图像X第t帧在位置r处的像素点，CAr,t是动态对比度增强磁共振图像X第t帧在位置r处的造影剂浓度，t＝1,2,…,T，T是时间帧数；α是翻转角，TR是重复时间，e表示自然对数的底数，z1是造影剂的纵向弛豫速率，Z1r,0是预造影剂，M0r是平衡纵向磁化强度；X0r是注射造影剂之前的某一帧动态对比度增强磁共振图像在位置r处的像素点，使用动态对比度增强磁共振图像X的第一帧X1；造影剂浓度CAr,t随时间的变化满足： 其中，Ktransr是动态对比度增强磁共振图像X位置r处的容量转移常数，vpr是动态对比度增强磁共振图像X位置r处的血浆体积分数，CAr,t是动态对比度增强磁共振图像X第t帧在位置r处的造影剂浓度，其中，t＝1,2,…,T，T是时间帧数；是动脉输入函数Cpt从0到t的积分，Cpt是动脉输入函数，其表达式为： 其中，Ai、Ti和σi分别是第i个高斯函数的缩放常数、中心和宽度，μ和β是指数函数的振幅和衰减常数，s和v分别是S型函数的宽度和中心，π表示圆周率，e表示自然对数的底数，t＝1,2,…,T，T是时间帧数；根据公式5和公式6，动态对比度增强磁共振图像X位置r处的容量转移常数Ktransr和血浆体积分数vpr使用线性最小二乘法从动态对比度增强磁共振图像X按照空间位置r进行逐个体素估算：[Ktransr；vpr]＝LLSQXr＝LLSQX1r,...,Xtr,...,XTr7其中，Ktransr是动态对比度增强磁共振图像X位置r处的容量转移常数，vpr是动态对比度增强磁共振图像X位置r处的血浆体积分数，Xr表示动态对比度增强磁共振图像X在位置r处的像素点，LLSQ·是线性最小二乘函数，X1r、Xtr、XTr分别表示动态对比度增强磁共振图像X第1帧、第t帧、第T帧在位置r处的像素点；基于药代动力学和时空特征融合的深度学习网络的总损失函数由图像重建误差和药代动力学参数误差构成，其定义如下： 其中，Θ表示整体网络内部参数集合，训练好的网络参数表示为Θ*，γ是定量任务损失函数的权重，N是训练集的个数，是训练集第n个标签图像，是训练集第n个原始图像，是训练集第n个全辐条变换图像，r表示位置，Ω是图像所有像素位置的集合，是训练集第n个标签图像位置r处的容量转移常数，是训练集第n个标签图像位置r处的血浆体积分数，f·是基于药代动力学和时空特征融合的深度学习网络；||·||F表示弗罗贝尼乌斯范数；2表示平方；采用Adam优化器，设置初始的学习率Lr，总训练轮次Tr，批量大小B；在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；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。

全文数据：

权利要求：

百度查询： 厦门大学 一种智能动态对比度增强磁共振成像方法