本发明涉及磁共振成像方法，尤其是涉及一种基于残差网络重建算法的单扫描定量磁共振t2*成像方法。
背景技术：
磁共振参数成像(例如，t1成像，t2成像和t2*成像)可以容易地用来提供用于表征特定组织特性的定量信息[1]。定量成像有许多突出特征，其中最明显的优点是可以消除独立于组织性质的影响，比如对操作者依赖性，扫描参数差异，磁场空间变化和图像缩放等[2]。t2*成像作为核磁共振定量成像的一种，提供了用于以非入侵的方式分析正常和病态活体组织的对比机制，通过t2*弛豫的测量可以得到组织的铁含量[3,4]。t2*弛豫的测量目前已应用于核磁共振功能成像(functionmagneticresonanceimaging,fmri)，如脑部氧摄取和静脉血容量的测量和脑部疾病的诊断[5,6]。t2*成像需要获取一系列对比加权的图像，通过两个以上不同回波时间的t2*加权像，才可计算t2*，这需要多次扫描才能实现。多次扫描不仅会使t2*成像容易受到运动的影响，也会使测量的时间较长造成序列难以捕捉较快的t2*变化[7]。现有的缩小采样时间的方法，主要是通过限制fov，并行成像和部分傅里叶重建等方法，在某种程度上最小化t2*的检测时间，使之在时间上符合传统傅里叶的多扫描mri方法的要求。但是，多次激发的磁共振参数成像方法在获取阶段仍然需要耗费数秒的时间。1977年,英国的诺丁汉(nottingham)大学物理系pettermansfield博士与他的同伴i.lpykett提出的平面回波成像(echo-planarimaging，epi)，可以作为单扫描快速成像方法用于t2*成像，但也至少需要两次的epi采样才能得到t2*图。之后，单扫描的多回波的epi[8]的成像方法被提出，此方法通过将一系列对比加权图像的获取包含在一次扫描中所获得的多个回波中，这种方法被用于t2*定量成像。然而这种方法存在局限性，一个是这种方法需要延长回波链，必然导致增加获取的时间与信号的衰减；另一方面这种方法的实现与常规epi方法相比是以延长重复时间(tr)为代价的，这就可能需要牺牲所得回波图像的空间分辨率。此外，尽管有不同的快速定量成像方法相继被提出，包括梯度自旋回波序列，但是这些方法都是用多次激发序列来进行定量成像，这样不仅效果不够好，成像效率并没有较大的提升。
已经提出的通过重叠回波分离(overlapping-echodetachment，oled)平面成像方法[9]能够在单次扫描中获得高质量的t2图像，其时空分辨率与传统的单扫描epi图像相当。此外，oled平面成像还显示出对运动伪影和非理想b1场的更强的抵抗力。我们也已经申请双重叠回波单扫描t2*定量成像技术的发明专利(公开号：cn107045115a)。然而，先前的两个序列仅包含两个激发脉冲，因此可测量的t2(t2*)范围十分有限，这导致在具有较大t2(t2*)范围的区域(例如脑脊液(cerebrospinalfluid，csf))中效果较差。因此，我们用4个激励脉冲改善oled序列，以达到更大的t2*测量范围。然而，通过传统方法难以分离4个重叠的回波信号。
深度学习，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征的技术随着近年来强大的gpu的可用性表现出爆炸性的普及[10]。特别地，卷积神经网络(convolutionneuralnetwork，cnn)已经引起了图像超分辨率(super-resolution，sr)重建的一系列突破11]。不同的网络模型，如卷积神经网络[12]，残差网络(residualnetwork，resnet)[13]，深度递归卷积网络(deeply-recursiveconvolutionalnetwork，drcn)[14]，高效亚像素卷积神经网络(efficientsub-pixelconvolutionalneuralnetwork，espcn)[15]和生成对抗网络(generativeadversarialnetwork，gan)[16]已被应用于获得高分辨率图像。2014年，提出了一种用于图像sr重建的三层卷积网络，其结果明显优于传统基于稀疏编码的方法。2016年，残差学习的结构[21]解决了当网络变深时产生的梯度消失/爆炸的问题，应用于图像sr重建，取得了显著成果。之后，使用深度递归卷积网络和快捷连接，以达到与输入图像块相同的感受野。这个网络模型获得了更深的网络结构和更大感受野，在图像细节方面取得了突破。在2016年，gan被提供以获得更好的图像细节，同时保持峰值信噪比(peaksignal-to-noiseratio，psnr)和结构相似性指数(structuralsimilarityindex，ssim)与以前的方法相当。卷积神经网络在各种问题的医学成像分析中越来越受欢迎。
如上所述，希望将激励脉冲的数量从2增加到4，以扩大oled-t2*序列中t2*的测量范围，提高整体t2*计算精度并降低oled-t2*序列对磁场不均匀的敏感性。利用深度学习技术从4个重叠的回波信号重建oled-t2*图像，从而绕过传统方法遇到的困难。
参考文献：
[1]b.zhao,f.lam,andz.p.liang,"model-basedmrparametermappingwithsparsityconstraints:parameterestimationandperformancebounds,"ieeetransactionsonmedicalimaging,vol.33,no.9,pp.1832-1844,2014.
[2]h.l.margaretcheng,n.stikov,n.r.ghugre,andg.a.wright,"practicalmedicalapplicationsofquantitativemrrelaxometry,"journalofmagneticresonanceimaging,vol.36,no.4,pp.805-824,2012.
[3]j.c.wood,c.enriquez,n.ghugre,j.m.tyzka,s.carson,m.d.nelson,etal.,mrir2andr2nmappingaccuratelyestimateshepaticironconcentrationintransfusion-dependentthalassemiaandsicklecelldiseasepatients,blood106(2005)1460–1465.
[4]j.c.wood,m.otto-duessel,m.aguilar,h.nick,m.d.nelson,t.d.coates,etal.,cardiacirondeterminescardiact2*,t2,andt1inthegerbilmodelofironcardiomyopathy,circulation112(2005)535–543.
[5]langkammer.c.,krebs.n.,goessler.w.,scheurer,e.,ebner,f.,yen,k.,fazekas,f.,ropele,s.,2010.quantitativemrimagingofbrainiron:apostmortemvalidationstudy.radiology257,455–462.
[6]u.s.volz,elkehattingen,ralfdeichmann.animprovedmethodforretrospectivemotioncorrectioninquantitativet2*mapping.neuroimage92(2014)106–119
[7]magerkurth,j.,volz,s.,wagner,m.,jurcoane,a.,anti,s.,seiler,a.,hattingen,e.,deichmann,r.,2011.quantitativet2*mappingbasedonmulti-slicemultiplegradientechoflashimaging:retrospectivecorrectionforsubjectmotioneffects.magn.reson.med.66,989–997.
[8]daigokuroiwa,takayukiobatahiroshikawaguchi,joonasautio,masayahirano,ichioaoki,iwaokanno,jeffkershaw.signalcontributionstoheavilydiffusion-weightedfunctionalmagneticresonanceimaginginvestigatedwithmulti-se-epiacquisitions.neuroimage98(2014)258–265.
[9]c.b.cai,y.q.zeng,y.c.zhuang,s.h.cai,l.chen,x.h.ding,l.j.bao,j.h.zhong,andz.chen,"single-shott2mappingthroughoverlapping-echodetachment(oled)planarimaging,"ieeetransactionsonbiomedicalengineering,64(2017)2450-2461
[10]s.s.wang,z.h.su,l.ying,x.peng,s.zhu,f.liang,d.g.feng,andd.liang,"acceleratingmagneticresonanceimagingviadeeplearning,"in2016ieee13thinternationalsymposiumonbiomedicalimaging(isbi),pp.514-517,2016.
[11]c.f.baumgartner,o.oktay,andd.rueckert,"fullyconvolutionalnetworksinmedicalimaging:applicationstoimageenhancementandrecognition,"indeeplearningandconvolutionalneuralnetworksformedicalimagecomputing,pp.159-179,2017.
[12]c.dong,c.c.loy,k.m.he,andx.o.tang,"learningadeepconvolutionalnetworkforimagesuper-resolution,"in13theuropeanconferenceoncomputervision(eccv),pp.184-199,2014.
[13]k.m.he,x.y.zhang,s.q.ren,andj.sun,"deepresiduallearningforimagerecognition,"inproceedingsoftheieeeconferenceoncomputervisionandpatternrecognition(cvpr),pp.770-778,2016.
[14]j.kim,j.kwonlee,andk.mulee,"deeply-recursiveconvolutionalnetworkforimagesuper-resolution,"inproceedingsoftheieeeconferenceoncomputervisionandpatternrecognition(cvpr),pp.1637-1645,2016.
[15]w.z.shi,j.caballero,f.huszár,j.totz,a.p.aitken,r.bishop,d.rueckert,andz.h.wang,"real-timesingleimageandvideosuper-resolutionusinganefficientsub-pixelconvolutionalneuralnetwork,"inproceedingsoftheieeeconferenceoncomputervisionandpatternrecognition(cvpr),pp.1874-1883,2016.
[16]c.ledig,l.theis,f.huszár,j.caballero,a.cunningham,a.acosta,a.aitken,a.tejani,j.totz,andz.wang,"photo-realisticsingleimagesuper-resolutionusingagenerativeadversarialnetwork,"arxivpreprintarxiv:1609.04802,2016.
技术实现要素：
本发明的目的在于提供基于残差网络重建的单扫描定量磁共振t2*成像方法。
本发明包括以下步骤：
1)准备好实验样品，将待测样品放置在实验床上并固定好，将装有实验样品的实验床送入磁共振成像仪的检测腔；
2)在磁共振成像仪的操作台上打开磁共振成像仪操作软件，首先对实验样品进行感兴趣区域定位，然后进行调谐、匀场、频率校正和功率校正；
3)导入已经编译好的oled成像序列，根据具体的实验情况，设置脉冲序列的各个参数；
4)执行步骤3)设置好参数的oled成像序列，先采样，数据采样完成后，执行下一步骤；
5)对步骤4)得到的信号进行归一化、充零和快速傅里叶变换将k空间的信号转换到图像域；
6)根据实验样品的特征生成随机模板，对模板进行模拟采样得到k空间信号，然后对信号进行归一化、充零和快速傅里叶变换得到训练数据网络；
7)使用tensorflow深度学习框架和python搭建残差网络模型，设置好训练的相关参数；
8)使用步骤6)得到的数据训练网络，直至网络收敛并达到稳定得到训练好的网络模型，然后对步骤5)得到的实验数据进行重建，得基于残差网络重建的单扫描定量磁共振t2*成像。
在步骤3)中，所述oled成像序列的结构依次为：翻转角为α的激发脉冲、移位梯度g1、翻转角为α的激发脉冲、移位梯度g2、翻转角为α的激发脉冲、移位梯度g3、翻转角为α的激发脉冲、移位梯度g4、采样回波链；
所述4个小角度(α)激发脉冲结合频率维(x方向)和相位维(y方向)的4个移位梯度g1、g2、g3、g4使4个回波信号在k空间的中心产生偏移，4个小角度激发脉冲都与层选方向(z方向)的层选梯度相结合进行层选；
所述采样回波链由分别作用在x、y方向的梯度链组成，x方向的梯度链由一系列正负梯度构成，y方向的梯度链由一系列大小相等的尖峰梯度构成；
在采样回波链之前，频率和相位方向分别施加偏置梯度，频率维的偏置梯度的面积为x方向所有采样梯度面积的一半，方向相反，相位维的偏置梯度的面积是y方向所有尖峰梯度面积的一半，方向相反。
在步骤6)中，所述随机模板是根据实验样本的特征分布使用计算机批量随机生成，同时保证模板的复杂性较高能够包含实验样本的所有特征；模拟采样过程中，考虑到真实实验环境变化，加入了一些不稳定因素，比如激发脉冲角度偏差、移位梯度偏差和噪声等来提高网络模型对不理想实验环境的鲁棒性。
在步骤7)中，所述残差网络模型主要包括：网络的主体结构以及相关的训练参数，网络模型的目标函数为：
其中，n是同一批训练图像的数量，f(·)是训练网络，w和b是网络参数，x是输入图像，y是输入图像对应的模板，
在步骤8)中，所述训练好的网络模型由于使用随机模板进行训练，泛化性较强，能适用于多种样品的重建。
本发明使用4个相同小角度偏转角的激发脉冲，在每一个激发脉冲后有一段演化时间，使得4个回波具有不同的横向弛豫时间，在每个激发脉冲后加散相梯度使得4个回波信号在信号空间(k空间)中心偏移，然后利用这种k空间图像数据使用深度学习的方法进行重建得到一幅t2*图像。该方法能够在单次扫描中获得一幅可靠的t2*图像，同时保证了较大的t2*测量范围。
附图说明
图1是本发明采用的单扫描oled成像序列图。在图1中，α为激发脉冲翻转角度；g1、g2、g3和g4为矢量，频率维和相位维的4个移位梯度；gcr为矢量，x、y和z三个维度的破坏梯度；te1、te2、te3和te4分别为4个梯度回波的时间长度；ecoh1、ecoh2、ecoh3和ecoh4分别为4个回波信号的中心位置。
图2是重建t2*图像使用的残差网络模型。
图3是3层人脑的t2*重建结果。在图3中，第一列表示oled原始的幅值图即网络的输入；第二列表示oled重建的t2*图像即网络的输出；第三列表示flash拟合得到的t2*参考图。
具体实施方式
以下实施例将结合附图对本发明作进一步说明。
本发明的具体步骤如下：
(1)准备好实验样品，将待测样品放置在实验床上并固定好，将装有样品的实验床送入磁共振成像仪的检测腔。
(2)在磁共振成像仪的操作台上打开成像仪操作软件，首先对实验样品进行感兴趣区域定位，然后进行调谐、匀场、频率校正和功率校正。
(3)导入已经编译好的oled成像序列，根据具体的实验情况，设置脉冲序列的各个参数。
所述oled成像序列的结构依次为：翻转角为α的激发脉冲、移位梯度g1、翻转角为α的激发脉冲、移位梯度g2、翻转角为α的激发脉冲、移位梯度g3、翻转角为α的激发脉冲、移位梯度g4、采样回波链。
所述4个小角度(α)激发脉冲结合频率维(x方向)和相位维(y方向)的4个移位梯度g1、g2、g3、g4使4个回波信号在k空间的中心产生偏移，4个小角度激发脉冲都与层选方向(z方向)的层选梯度相结合进行层选。
所述采样回波链是由分别作用在x、y方向的梯度链组成，x方向的梯度链由一系列正负梯度构成，y方向的梯度链是由一系列大小相等的尖峰梯度构成。
在采样回波链之前，频率和相位方向分别施加偏置梯度，频率维的偏置梯度的面积为x方向所有采样梯度面积的一半，方向相反，相位维的偏置梯度的面积是y方向所有尖峰梯度面积的一半，方向相反。
(4)执行步骤3)设置好参数的oled成像序列，开始采样，数据采样完成后，执行下一步骤。
(5)对步骤4)得到的信号进行归一化、充零和快速傅里叶变换将k空间的信号转换到图像域。
(6)根据实验样品的特征生成随机的模板，对模板进行模拟采样得到k空间信号，然后对信号进行归一化、充零和快速傅里叶变换得到训练数据。
所述随机模板是根据实验样本的特征分布使用计算机批量随机生成，同时保证模板的复杂性较高能够包含实验样本的所有特征。模拟采样过程中，考虑到真实实验环境变化，我们加入了一些不稳定因素，比如激发脉冲角度偏差、移位梯度偏差和噪声等来提高网络模型对不理想实验环境的鲁棒性。
(7)使用tensorflow深度学习框架和python搭建残差网络模型，设置好训练的相关参数。
所述残差网络模型主要包括：网络的主体结构以及相关的训练参数。网络模型的目标函数为：
其中n是同一批训练图像的数量,f(·)是训练网络,w和b是网络参数，x是输入图像，y是输入图像对应的模板，
(8)使用步骤6)得到的数据训练网络，直至网络收敛并达到稳定得到训练好的网络模型，然后对步骤5)得到的实验数据进行重建，得到可靠的t2*图像。
所述训练好的网络模型由于使用随机模板进行训练，泛化性较强，能适用于多种样品的重建。
以下给出具体实施例：
用基于残差网络重建算法的单扫描定量磁共振t2*定量成像方法进行了人脑实验，用来验证本发明的可行性。实验是在人体核磁共振3t成像仪下进行的。在磁共振成像仪操作台上，打开成像仪中相应的操作软件，首先对成像物体进行感兴趣区域定位，然后进行调谐、匀场、功率和频率校正。为了评价该方法得到图像的有效性，在相同环境下进行了flash成像实验作为对比。然后导入已经编译好的oled成像序列(如图1所示)，根据具体的实验情况，设置脉冲序列的各个参数，本实施例的实验参数设置如下：成像视野fov为22cm×22cm，15°激发脉冲的激发时间为3ms，第一个回波时间57.8ms，第二个回波时间83.9ms，第三个回波时间135.9ms，第4个回波时间162.1ms，x方向采样点数nx为128，y方向采样点数ny为128。将以上实验参数设置好后，直接开始采样。
重建t2*图像使用的残差网络模型参见图2，该网络模型包含3个子网络：输入网络，残差学习网络和调节网络。输入网络将oled图像的实部和虚部作为输入，并用一组特征图表示。残差学习网络是解决图像重建任务的主要组成部分，用于把多个特征图重建为一幅t2*图像，调节网络将用于对重建的图像进行调节。
数据采样完成后，按照上述步骤(5)～(8)对数据进行重建，重建出来t2*的图像如图3所示。(a)是用oled序列采集的原始的幅值图，图中斜条纹是四回波信号重叠在一起造成的。(b)是oled数据重建得到的t2*图像。(c)是用flash拟合出来的t2*图像。从图3中可以看出用oled序列得到的t2*图像整体上与flash一致。
本发明利用具有相同偏转角的4个小角度激发脉冲，在每个激发脉冲之后有一段演化时间，使得每个回波信号的横向弛豫时间不同。同时，在每个激发脉冲之后都加一个频率维和相位维的移位梯度使得不同的激发脉冲产生的信号在k空间的位置不一样。这样，在一次采样中就获得了多个具有不同横向弛豫时间的梯度回波信号。然后将采样信号经过归一化、充零和快速傅里叶变换之后输入到已经训练好的残差网络中重建得到定量t2*图像。残差网络的训练数据来源于模拟数据，通过随机生成模板然后模拟实验环境采样得到网络的输入图像，模板作为标签，通过训练得到输入图像和输出图像之间的映射关系。本发明提出的方法可以在单次扫描中获得可靠的t2*图像。