一种提高动态对比增强磁共振图像时间分辨率的装置的制作方法

本发明涉及一种基于呼吸频率调制和预测编码网络提高动态对比增强磁共振图像时间分辨率的装置，属于图像处理
技术领域：
。
背景技术：
：动态增强(dynamiccontrastenhanced,DCE)磁共振(magneticresonanceimaging,MRI)成像通过连续的数据采集记录对比剂在组织中吸收、分布引起的信号变化，转换为对比剂浓度曲线并与药代动力学模型拟合后计算得到相应的定量参数。时间分辨率即数据采集频率，决定了采集数据与组织信号变化间的符合程度。理论上，固定时间内采样点越多，对组织信号变化的记录就越接近实际情况，所得参数也就越接近“真值”；反之，时间分辨率的降低会使部分组织信号变化数据丢失，导致定量参数值偏离“真值”。DCE-MRI结合药代动力学模型计算得到的定量参数能够反映在体血流灌注、血管通透性等信息，有助于判断病变性质并在监测治疗反应中发挥作用。实验研究结果显示，动态扫描序列的时间分辨率对定量参数的准确性具有决定性作用。由于技术条件的限制，腹部(肝脏、肾脏)病变定量分析研究尚在起步阶段，还未形成标准扫描协议，各研究机构动态扫描的时间分辨率差异较大，影响了不同研究之问的可比性。预测编码主要是减少数据在时间和空间上的相关性，因而对于时间序列数据有广泛的应用价值，预测编码结合神经网络能得到较传统的线性预测更好的预测性能。通过设计一个合适的神经网络结构和采用对实际数据的训练来完成非线性预测器的设计。如果训练过程能够实现一个能使预测剩余能量最小的下降梯度的话，那么一个最优预测器也就实现了，此方法目前在视频压缩领域有着广泛应用。技术实现要素：磁共振成像对病人的运动特别敏感。这主要是因为由MR获取数据得到一幅图像的时间明显更长，这段时间远远超过了大多数生理运动的时程，例如呼吸运动。因此，在获取一幅腹部图像的同时，呼吸运动会导致重建图像内含有鬼影和模糊。伪影的存在严重影响医学诊断，易造成误诊甚至错诊。因此，为了减少或消除运动伪影，前人也做了很多工作。例如，让受试者在接收扫描时憋气，来抑制伪影的产生。然而，正常成年人憋气时间通常在20s～30s之间，这限制了图像质量、图像分辨率和覆盖范围。还有研究者提出采用呼吸门控，以呼吸末为触发点，开始进行射频脉冲的激发和采集，到下一次吸气前停止扫描。此方法虽然能明显消除伪影，但是会导致扫描时间变长，效率降低，采集图像时间分辨率降低。本发明的目的在于针对现有技术之弊端，提出了一种基于呼吸频率调制和预测编码网络提高动态对比增强磁共振图像时间分辨率的装置。本装置在没有增加扫描时间的基础上，增加采样点图像数据，因此能更加真实的记录组织信号的变化规律。同时，能基本保证药代动力学定量参数计算值相对稳定并具有较好的诊断效能。本发明所述问题是以下技术方案解决的：基于呼吸频率调制和预测编码网络提高动态对比增强磁共振图像时间分辨率的装置。呼吸频率调制是通过让训练集受试者再进行MR扫描时唱同一首歌或念同一首诗达到使各个受试者的呼吸信号曲线达到一致的手段。通过呼吸频率调制手段对训练集受试者的呼吸频率进行控制，利用训练集数据采集模块对受试者待成像部位进行训练集数据采集。训练集受试者人数不少于20人，男女不限。进而，深度预测编码网络(PredictiveCodingNetwork,PredNet)训练模块，对相同呼吸频率调制手段获得的训练集数据进行训练。至此，完成PredNet网络的训练。此后，测试及数据采集模块利用与训练集数据采集相同的呼吸频率调制手段对测试集受试者进行数据采集。得到的测试集数据结合深度预测编码网络输入图像输出模块。最后，图像输出模块输出提高时间分辨率后的DCE序列图像。上述基于呼吸频率调制和预测编码网络提高动态对比增强磁共振图像时间分辨率的装置，具体处理步骤如下：1、训练集数据采集模块，该模块通过呼吸频率调制手段对训练集受试者的呼吸频率进行控制，进而对受试者待成像部位进行训练集数据采集；2、深度预测编码网络模块由堆叠模块构成，堆叠模块由n个子模块构成，每个子模块有四部分组成：输入卷积层Al，递归表达层Rl，预测层以及误差表示El。DCE序列图像为xt，0层网络对象为真实序列本身递归表达层Rl是一个递归卷积网络(recurrentconvolutionalnetwork,RNN)能够通过输入Al生成预测然后该预测值会从真实的输入值中减掉并传入到下一层网络中。从而，该网络可以得到Al和的差，并输出误差El，同时将其分为纠正正和负误差两类。误差El被传入下一个卷积层成为下一层的输入Al+1。由低一层的误差单元通过纠正线性单元(ReLU)激活和最大化池化(max-pooling)后再进行卷积得到。本发明特别采用了长短期记忆(Long-ShortTermMemory,LSTM)单元作为表达神经元。状态通过和更新。因为前馈路径上的池化作用，需要提前空间上采样(最近邻)。预测值是通过非线性ReLU卷积得到的。整个的更新规则由以下4个式子构成。Alt=xtifl=1MAXPOOL(RELU(CONV(El-1t)))l>0...(1)]]>A^lt=RELU(CONV(Rlt))...(2)]]>Elt=[RELU(Alt-A^lt);RELU(A^lt-Alt)]...(3)]]>Rlt=CONVLSTM(Elt-1,Rlt-1,UPSAMPLE(Rl+1t))...(4)]]>至此，深度预测编码网络模块完成训练；3、测试及数据采集模块利用与训练集数据采集相同的呼吸频率调制手段对测试集受试者进行数据采集；4、图像输出模块结合测试集数据和深度预测编码网络输出提高时间分辨率后的DCE序列图像。实施本发明，具有如下有益效果：本装置在没有增加扫描时间的基础上，增加采样点图像数据，因此能更加真实的记录组织信号的变化规律。同时，能基本保证药代动力学定量参数计算值相对稳定并具有较好的诊断效能。同时，能使数据采集模块对受试者数据采集的时间大幅减少。附图说明图1是本发明基于呼吸频率调制和预测编码网络提高动态对比增强磁共振图像时间分辨率的装置的流程图。图2是深度预测编码网络模型。图3是提高动态对比增强磁共振图像时间分辨率的装置得到的提高一倍时间分辨率的DCE序列图像。(a)采集得到14帧DCE图像(b)图(a)数据根据呼吸频率调制和预测编码网络。图4是本发明选取一个ROI得到的时间曲线。、具体实施方式实施例1，具体处理步骤如下：1、训练集数据采集模块，让20名训练集受试者(10男10女)在进行肾脏MR扫描时，根据辅助提示模块唱《欢乐颂》。2、深度预测编码网络模块由1个堆叠模块构成，堆叠模块由100个子模块构成，每个子模块有四部分组成：输入卷积层Al，递归表达层Rl，预测层以及误差表示El。DCE序列图像为xt，0层网络对象为真实序列本身递归表达层Rl是一个递归卷积网络(recurrentconvolutionalnetwork,RNN)能够通过输入Al生成预测然后该预测值会从真实的输入值中减掉并传入到下一层网络中。从而，该网络可以得到Al和的差，并输出误差El，同时将其分为纠正正和负误差两类。误差El被传入下一个卷积层成为下一层的输入Al+1。由低一层的误差单元通过纠正线性单元(ReLU)激活和最大化池化(max-pooling)后再进行卷积得到。采用了长短期记忆(Long-ShortTermMemory,LSTM)单元作为表达神经元。状态通过和更新。迭代100次，深度预测编码网络模块完成训练；3、测试集数据采集模块利用与训练集数据采集相同的呼吸频率调制手段对测试集受试者进行数据采集；4、图像输出模块结合测试集数据和深度预测编码网络输出提高一倍时间分辨率后的DCE序列图像。仿真结果：图2给出了由本发明获得的增加一倍时间分辨率的结果。图3是本发明选取一个ROI得到的时间曲线。实施例2，具体处理步骤如下：1、训练集数据采集模块，让20名训练集受试者(10男10女)在进行MR肝脏扫描时，根据辅助提示模块念唐诗《静夜思》；2、深度预测编码网络模块由1个堆叠模块构成，堆叠模块由100个子模块构成，每个子模块有四部分组成：输入卷积层Al，递归表达层Rl，预测层以及误差表示El。DCE序列图像为xt，0层网络对象为真实序列本身递归表达层Rl是一个递归卷积网络(recurrentconvolutionalnetwork,RNN)能够通过输入Al生成预测然后该预测值会从真实的输入值中减掉并传入到下一层网络中。从而，该网络可以得到Al和的差，并输出误差El，同时将其分为纠正正和负误差两类。误差El被传入下一个卷积层成为下一层的输入Al+1。由低一层的误差单元通过纠正线性单元(ReLU)激活和最大化池化(max-pooling)后再进行卷积得到。采用了长短期记忆(Long-ShortTermMemory,LSTM)单元作为表达神经元。状态通过和更新。迭代200次，深度预测编码网络模块完成训练；3、测试集数据采集模块利用与训练集数据采集相同的呼吸频率调制手段对测试集受试者进行数据采集；4、图像输出模块结合测试集数据和深度预测编码网络输出提高一倍时间分辨率后的DCE序列图像。实施例3，具体处理步骤如下：1、训练集数据采集模块，让20名训练集受试者(10男10女)在进行肾脏MR扫描时，根据辅助提示模块的指示切换呼吸气节奏；2、深度预测编码网络模块由1个堆叠模块构成，堆叠模块由100个子模块构成，每个子模块有四部分组成：输入卷积层Al，递归表达层Rl，预测层以及误差表示El。DCE序列图像为xt，0层网络对象为真实序列本身递归表达层Rl是一个递归卷积网络(recurrentconvolutionalnetwork,RNN)能够通过输入Al生成预测然后该预测值会从真实的输入值中减掉并传入到下一层网络中。从而，该网络可以得到Al和的差，并输出误差El，同时将其分为纠正正和负误差两类。误差El被传入下一个卷积层成为下一层的输入Al+1。由低一层的误差单元通过纠正线性单元(ReLU)激活和最大化池化(max-pooling)后再进行卷积得到。采用了长短期记忆(Long-ShortTermMemory,LSTM)单元作为表达神经元。状态通过和更新。迭代100次，深度预测编码网络模块完成训练；3、测试集数据采集模块利用与训练集数据采集相同的呼吸频率调制手段对测试集受试者进行数据采集；4、图像输出模块结合测试集数据和深度预测编码网络输出提高一倍时间分辨率后的DCE序列图像。当前第1页1 2 3