[发明专利]一种深度学习的高欠采样超极化气体肺部MRI重建方法

说明书

本发明公开了一种深度学习的高欠采样超极化气体肺部MRI重建方法。包括以下步骤：构建构建超极化气体肺部MRI图像训练集，设计级联CNN模型，进行CNN模型训练，根据训练得到的级联CNN模型获得重建图像，本发明利用级联CNN模型，而且在损失函数中加入肺部轮廓信息，能够在高欠采样倍数下得到精确的重建图像，显著地加快成像速度。

技术领域

本发明涉及磁共振成像(Magnetic Resonance Imaging，MRI)、深度学习、欠采样重建等技术领域，具体涉及一种深度学习的高欠采样超极化气体肺部MRI重建方法，适用于加快超极化惰性气体(如¹²⁹Xe、³He等)肺部MRI的成像速度，并提高成像质量。

背景技术

MRI是一种非侵入、无电离辐射的影像学方法，可以为临床提供高分辨率的结构和功能信息。传统MRI以氢质子为观测对象，而肺部主要由空腔组成，氢质子密度低，因此肺部是传统MRI的盲区。自旋交换光抽运技术可以将惰性气体(如³He、¹²⁹Xe等)的极化度提高10³～10⁵倍，从而使气体肺部MRI成为可能。¹²⁹Xe在组织和血液中具有较好的溶解性，因此超极化¹²⁹Xe MRI不仅能够对肺部通气功能和微结构进行成像，还能评价肺部的气-气交换和气-血交换功能，从而为肺部疾病的早期诊断和预后监测提供一种全新手段。

超极化¹²⁹Xe气体的纵向磁化矢量具有不可恢复性，在采样过程中随射频激发次数呈指数衰减[He Deng et al.Journal of Magnetic Resonance,2016,263:92－100.]。此外，大部分超极化气体MRI方法需要屏气，而较长的屏气时间对肺部疾病患者而言具有很大挑战性，因此迫切需要发展快速成像技术。并行成像、radial和spiral等方法可以加快超极化气体MRI的成像速度，但是这些方法依赖特殊的硬件或序列。基于压缩感知的MRI(称为Compressed Sensing-Magnetic Resonance Imaging,CS-MRI)是一种能够以远低于奈奎斯特采样频率欠采k空间数据从而加快成像速度的技术，无需特定硬件和序列[Sa Xiao etal.Journal of Magnetic Resonance,2018,290:29－37.]。但是，CS-MRI技术也存在一些限制：1)CS-MRI采样轨迹必须满足不相关性准则；2)CS-MRI常用的稀疏变换不足以描述复杂的生物组织结构，例如基于TV的稀疏变换在重建结果中会引入阶梯伪影，小波变换可能会引起块状伪影；3)CS-MRI的非线性重建算法涉及迭代计算，需要较长的重建时间；4)超参数的选择对CS-MRI的重建效果有很大影响，不合适的超参数会造成重建结果过平滑或存在残留的欠采样伪影。

近年来深度学习在图像分类、语音识别、图像复原、超分辨率重建等领域取得很大进展。深度学习尤其是卷积神经网络(Convolutional Neural Networks，CNN)也被用于MRI欠采样重建领域[Taejoon Eoet al.IEEE Transactions on Medical Imaging,2018,80:2188－2201.]。基于深度学习的欠采样重建通过训练CNN学习欠采样图像和参考图像(通常将全采样图像作为参考图像)之间的非线性关系。相比于CS-MRI，基于深度学习的MRI欠采样重建方法在重建速度、图像质量、加速倍数等方面具有显著优势。目前基于深度学习的MRI欠采样重建主要以脑部、膝关节等MRI的图像为研究对象，原因是这类图像具有高分辨率、高信噪比、数据量大等优势，可以为深度学习训练提供高质量的参考图像。然而，因超极化气体纵向磁化矢量不可再生(随激发次数和激发时间快速衰减)，导致超极化气体MRI的图像易受噪声和伪影影响，信噪比低，易丢失细节信息等。这使得将深度学习推广应用于超极化气体MRI欠采样重建面临很大困难。