[发明专利]一种基于深度学习和数据自洽的磁共振弥散加权成像方法

说明书

本发明公开了一种基于深度学习和数据自洽的磁共振弥散加权成像方法，涉及磁共振弥散加权成像领域；其包括：1：通过由数据自洽层、CNN网络和相位约束层组成的网络模块重复叠加构建网络后，执行包含预扫描和导航回波的序列确定网络的输入数据和训练标记数据；2：将训练标记数据作为目标，将输入数据对应的图像输入已构建的网络通过反向传播训练得到网络的输入输出映射关系；3：执行包含预扫描和无导航回波的序列获得成像信号和数据自洽卷积核，将其输入网络通过前向传播映射获得输出图像完成重建；解决了现有基于传统的弥散加权成像受限各因素导致成像分辨率低的问题，达到了提高网络学习能力，提高成像分辨率的效果。

技术领域

本发明涉及磁共振弥散加权成像领域，尤其是一种基于深度学习和数据自洽的磁共振弥散加权成像方法。

背景技术

磁共振弥散成像技术，是一种依赖体内水分子随机运动而提供图像对比度的崭新技术。组织中水分子的扩散符合随机的热运动模型，扩散的幅度和方向受到生物膜和组织中生物大分子的影响。当梯度磁场存在时，水分子的扩散运动会引起磁化矢量的失相位，导致磁共振信号的降低。磁共振信号降低的程度依赖于组织类型、结构、物理和生理的状态及微环境。上述过程中，专门用来影响水分子热运动的梯度磁场称为弥散敏感梯度。弥散敏感梯度能够显著提高各种序列对水分子随机热运动的敏感性，进而帮助观察水分子的扩散特性，但是这种梯度磁场也对其他类型的运动如头部运动十分敏感。单次激发弥散成像技术，在一次信号激发后，采集用于成像的所有数据；这种方式能有效的缩短扫描时间，有利于避免引入更多宏观运动对图像造成影响。但是，单次激发扫描方式采用的回波链较长，容易引起磁敏感伪影和几何形变；单次采集所能够得到的数据有限，因此图像的分辨率较低，不利于细微结构的诊断；为了减少图像伪影和几何形变，以及有效的提高图像空间分辨率，采用的策略是使用多次激发磁共振弥散成像技术；该技术面临的主要挑战是有效的处理不同激发所采集数据之间存在的由于宏观运动导致的相位误差。根据数据采集方式的不同，可以将宏观运动矫正分为两类：第一类需要在正常数据采集之前，采集导航回波信号，这个信号会被用来矫正接下来每个激发所采集的成像数据；第二类不需要采集导航回波信号，而是通过每次激发数据之间的关系来矫正相互的相位。同采集导航回波的方式相比，不需要导航回波的采样方式有更高的数据采集效率，也能避免导航回波与实际成像数据之间失配的问题。

2002年，M.A.Griswold等人提出了GRAPPA技术。GRAPPA技术同样利用多通道相控阵线圈，但不需要额外计算线圈的空间灵敏度分布，而是利用K空间数据的相关性恢复欠采样的数据，GRAPPA技术在对K空间进行欠采样的同时，会保留K空间中心的数据为全采样，这部分数据叫做ACS信号；然后，根据ACS信号计算出代表K空间数据之间相关性的卷积核；最后，使用估计出的卷积核以及已采集数据，重建欠采样的数据，进而得到完整的K空间数据，对应的就是没有卷褶的图像。GRAPPA技术避免了精确的估计线圈灵敏度的空间分布，不过其重建质量也直接受到接收线圈以及卷积核的影响。

2010年，Michael Lustig等人提出了基于信号域数据自洽的SPIRiT技术。该技术将欠采样K空间的重建问题定义为一个优化问题，优化的目标是保证ACS信号与欠采样信号有最好的自洽性，SPIRiT技术在K空间欠采样的同时，也需要保留K空间中心的ACS数据为全采样，不过SPIRiT可以兼容任意的欠采样模式；然后，根据ACS信号计算出代表K空间局部数据自洽性卷积核；最后，使用估计出的卷积核以及已经采集的数据，通过迭代计算的方式重建欠采样的数据，进而得到完整的K空间数据。该技术对于任意形式的K空间填充都是适用的，而且能够在求解过程中方便的融合先验知识，能够有效的提高重建的精确性以及获得更高的扫描加速因子。依赖于并行成像的无导航回波多次激发弥散成像，其临床不足在于受到并行成像的性能的限制，其中激发次数越多，则对于单次激发数据而言欠采样率就越高，这样对于并行成像的要求就越高，并行成像只能处理一定程度欠采样的数据，因此整体上就限制了激发次数的提升，另一方面并行成像数据恢复能力本身收到接收通道的数目、几何形状基于算法本身的限制，因此现有并行成像激发次数不能太多从而导致最终图像的分辨率难以继续提升。