一种磁共振胰腺脂肪与铁沉积分布测定方法及系统

1.本技术涉及生物医学工程技术领域的一种测定方法及系统，特别涉及一种适用于多人群多中心数据的磁共振胰腺脂肪与铁沉积分布测定方法及系统。


背景技术：

2.二型糖尿病(t2dm)是由一组复杂的代谢紊乱引起的慢性异质性疾病。直至2003年，全世界范围内，糖尿病患者的数量预计将上升到4.39亿人，其中超过90％的都是t2dm。与内脏脂肪组织相比，正常组织的异位脂肪累积被认为可能是t2dm风险的更好预测指标。
3.胰腺作为消化与内分泌器官，与t2dm关联紧密。然而相比起肝，胰腺的脂肪沉积的病理过程及后续发展却往往被忽视。研究显示，胰腺内异位脂肪累积可能会引起或加剧急性胰腺炎、β细胞功能障碍、t2dm疾病的进程，甚至与胰腺肿瘤存在关联。同时，胰腺的炎症会导致胰腺实质内水肿和脂肪沉积,合并出血时还可能因铁蛋白和含铁血黄素沉积而导致局部胰腺组织内铁过载，而长期铁沉积可能对组织造成损伤。胰腺铁沉积也被认为对胰腺β细胞的功能有一定影响，与葡萄糖代谢受损有一定的关系。同时，胰腺内细胞团分布不均，例如胰岛以胰尾最多。因此，测定胰腺不同部位的异位脂肪沉积分布情况、铁沉积分布情况，可以加强对胰腺功能异常/代谢异常疾病的了解。
4.由于胰腺很难用活检取，一般采用活体定量技术，磁共振成像(magnetic resonance imaging，磁共振mri)中的化学位移双回波/多回波技术往往被作为最佳定量方法。t1双回波技术是腹部肝脏成像中不可缺少的例行序列，其基于化学位移原理，通过一次屏息的双回波采集，获得完美配准的水脂同相/反相图。双回波dixon是该技术的延续，在后处理阶段通过同相/反相图像及相位信息计算出水脂分离成像，最终获得全腹部的脂肪分数图谱。目前还发展出了多回波技术，通过多点采集，水脂分离更到位，且可以精准定量脂肪与铁沉积。
5.由于胰腺形状多变，边缘模糊，且血管、胆管穿行，周围肝脏、十二指肠紧贴，医生难以在磁共振图像中手工勾画出整个胰腺。采用深度学习技术进行磁共振胰腺分割有效且可以做到标准化，但由于胰腺分割困难，目前的论文中磁共振图像分割胰腺的测试集分割精度dsc很难高于0.85。同时，由于所有已发表的论文及方法均未提到多中心数据集的分割问题，默认模型只适用于单一人群单一设备的数据集，并对序列参数的设定提出了一定的要求，增加了技师的操作复杂性，模型适用范围小。


技术实现要素：

6.针对现有技术中的缺陷，本发明的目的是提供一种适用于多人群多中心数据的磁共振胰腺脂肪与铁沉积分布测定方法，以精准测定胰腺多区域脂肪与铁沉积分布为目的，建立了双模态3d集成网络模型对腹部多回波数据集进行分割，再使用映射的方法获取胰腺脂肪沉积分布和铁沉积分布。
7.本发明的分割模型不限制设备与采集参数，极大扩展了应用场景。
8.如图1所示，本发明所采用的技术方案是：
9.一、一种磁共振胰腺脂肪与铁沉积分布测定方法，包括：
10.s1、通过磁共振仪器采集腹部的多回波图像；
11.s2、从多回波图像中提取出同相和反相的双模态图像，将双模态图像输入到神经网络模型中获得胰腺分割掩膜；
12.s3、将胰腺分割掩膜采用映射方法处理获取胰腺脂肪沉积分布信息与铁沉积分布信息；
13.s4、根据胰腺分割掩膜对胰腺划分区域，获得各个胰腺分区域，获得每个胰腺分区域的胰腺脂肪沉积分布与铁沉积分布。
14.所述的胰腺分区域具体是指胰腺分为四个区域，分别为胰头、胰颈、胰体、胰尾的四个胰腺分区域。
15.所述s2具体步骤为：
16.选择磁共振多回波的序列采集人体腹部的磁共振同相图像和磁共振反相图像作为双模态图像，通过多回波序列单次采集获得人体腹部的磁共振同相/反相/水/脂肪/质子密度脂肪分数/铁沉积r2*图像，其中的同相图像和反相图像作为双模态图像输入神经网络模型进行训练，通过神经网络模型获得胰腺分割掩膜，质子密度脂肪分数图像与铁沉积r2*图像用于映射取值并计算胰腺脂肪分布与铁沉积分布使用。
17.所述神经网络模型预选采用训练集进行训练，训练时对训练集中的各个图像均进行数据增强处理，数据增强包括了依次进行的随机亮度增强减弱、线性对比度拉伸与非线性对比度拉伸的三种操作，且每种操作均以15％的概率进行设置，并且额外增加了随机亮度增强减弱的调整范围、线性对比度拉伸的范围与非线性对比度拉伸的范围。
18.所述神经网络模型主要由第一3d高分辨率模型与3d级联模型融合而成，3d级联模型由3d低分辨率模型与第二3d高分辨率模型依次连接而成；将双模态图像经数据标准化和高分辨率重采样后输入第一3d高分辨率模型，后输出获得第一胰腺分割概率输出结果；同时将双模态图像经数据标准化和低分辨率重采样后输入3d级联模型，首先输入3d低分辨率模型，获得较低分辨率的初步胰腺分割掩膜，将初步胰腺分割掩膜经过高分辨率重采样后作为第三模态与双模态图像一起输入3d级联模型中的第二3d高分辨率模型，后输出获得第二胰腺分割概率输出结果；将第一胰腺分割概率输出结果和第二胰腺分割概率输出结果采用求均值或投票方式进行融合，融合后再进行二值化获得最终胰腺分割掩膜；第一3d高分辨率模型、3d低分辨率模型、第二3d高分辨率模型结构均相同，均包括十一个卷积单元，以其中五个卷积单元依次连接构成输入卷积部分，相邻卷积单元之间设置下采样操作连接以另外五个卷积单元依次连接构成输出卷积部分，相邻卷积单元之间设置反卷积操作连接输入卷积部分中第i个卷积单元的输出结果和输入卷积部分中第5-i个卷积单元的输出经反卷积后的结果相连接后共同输入到输入卷积部分中第6-i个卷积单元中，i＝1-4；输入卷积部分中第5个卷积单元经下采样连接剩余一个卷积单元，输入卷积部分中第5个卷积单元的输出结果和剩余一个卷积单元的输出经反卷积后的结果相连接后输入到输出卷积部分中第1个卷积单元；输入卷积部分中开始的第1个卷积单元的输入作为模型的输入，输出卷积部分中最后的第5个卷积单元的输出作为模型的输出；每个卷积单元均主要由两个卷积模块依次连接构成，每个卷积模块主要由卷积操作、归一化操作、激活函数依次连接构成。
19.具体实施中，所述神经网络模型可替换为其中自身的3d级联模型，3d级联模型单独作为整体模型也能获得效果不错的胰腺分割掩膜。
20.所述s3具体为：将胰腺分割掩膜映射至多回波图像的质子密度脂肪分数图像与铁沉积r2*图像。
21.所述s4具体包括以下步骤：
22.通过形态学处理获得胰腺分割掩膜的骨架；
23.计算骨架全长，按照预设比例计算胰头、胰颈、胰体、胰尾范围，对胰腺进行分区获得各个胰腺分区域；
24.根据胰腺脂肪沉积分布信息与铁沉积分布信息计算各个胰腺分区域的胰腺脂肪分数与铁沉积含量。
25.本发明设计了特定的神经网络模型应用到双模态图像对象上，能够同时实现对胰腺脂肪与铁沉积分布的检测。本发明采用双模态图像进行分割，从不同的模式中提取互补的信息，实现了提升网络精度与运算效力。
26.本发明适用于多人群多中心数据的磁共振胰腺脂肪与铁沉积分布测定处理。
27.多人群是指能够针对不同的年龄阶段以及不同的病理人群的磁共振图像进行处理，通常情况下，由于胰腺的形态、位置、水含量与脂肪含量在不同年龄阶段以及不同的病理人群中是不同的，现有胰腺脂肪沉积分布测定与铁沉积分布测定都仅仅在只能停留在固定年龄层及相类似病理人群的情况下进行检测，跨年龄层以及跨病理人群的测定方法难以适用。而本发明能够适用多人群，解决了这个问题。
28.多中心数据是指能够针对不同厂商的磁共振仪器采集获得的磁共振图像进行处理，通常情况下，由于在不同厂家的机器上，参数的选择、脉冲形状及重建算法可能会改变生成图像的对比度，从而影响模型预测效果的原因，现有胰腺脂肪沉积分布测定与铁沉积分布测定都仅仅在只能停留在固定相同厂商仪器所采集的图像下进行检测，跨厂商仪器的测定方法难以适用。而本发明能够适用多中心数据，解决了这个问题。
29.二、一种磁共振胰腺脂肪与铁沉积分布测定系统，所述系统包括：
30.图像获取模块，用于获取磁共振多回波图像。
31.胰腺预测模块，用于根据多回波图像分割获得胰腺分割掩膜；
32.映射模块，用于根据胰腺分割掩膜获取胰腺脂肪沉积分布信息与铁沉积分布信息。
33.分区域参数计算模块，用于利用分布信息和胰腺分割掩膜处理获得胰腺分区域的胰腺脂肪分数与铁沉积含量。
34.三、一种电子设备：
35.包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成执行权利要求1-6任一项所述方法中的步骤。
36.本发明是通过磁共振仪器采集腹部的多回波图像；提取出同相和反相的双模态图像，输入到神经网络模型中获得胰腺分割掩膜；提取出质子密度脂肪分数图像和铁沉积r2*图像，采用映射方法获取胰腺的胰腺脂肪沉积分布与铁沉积分布信息；根据胰腺分割掩膜对胰腺划分区域，获得各个胰腺分区域的胰腺脂肪沉积分布与铁沉积分布。
37.本发明所述系统通过采用双模态3d集成网络，能够有效去除腹部脂肪、脾静脉、肠
系膜下动/静脉、十二指肠的干扰，对来源于不同疾病人群、不同厂家磁共振设备的适应性强，保证胰腺分割的精度，用于可视化胰腺脂肪沉积分布及铁沉积分布，计算多区域胰腺质子密度脂肪分数与铁沉积含量，准确性高，为代谢类疾病的横纵向比较研究提供帮助。
38.本发明与现有技术相比具有以下优点：
39.(1)本发明的分割模型具有优秀的分割精度，测试集的平均dsc可达0.8895：
40.双模态输入：由于磁共振双回波/多回波采集技术可以在单次屏息内进行，理论上实现了完美配准，本研究采用的具有双模态输入网络结构可以引入额外的对比度信息，获得更优秀的分割表现。
41.3d集成模型与多中心预测：综合了3d级联网络模型与3d高分辨率网络模型的优势，获得比单独使用3d级联网络与3d高分辨率网络更好的预测性能。
42.(2)本发明适用于多人群和多中心数据集情况，应用价值高：
43.多人群应用价值：不同年龄层的人群(青少年，中年人及老人等)，以及不同患病人群(肥胖症患者，糖尿病患者，胰腺疾病患者等)及正常人均能使用本发明方法。
44.多中心应用价值：由于3d集成模型(以及3d级联网络)在数据增强步骤使用了大范围的随机对比度增强模式，对来源于不同中心不同设备的数据集都有着鲁棒的表现。
45.(3)本发明能够可视化并分区测量胰腺脂肪沉积分布与铁沉积分布情况，提高数据分析的效率与价值：
46.3d可视化：通过可视化表现，医生能够通过旋转3d交互界面，清晰直观地观察受试者不同部位胰腺脂肪与铁沉积分布情况。
47.分区域测量：通过形态学计算及按比例自动分区，可获得胰腺不同区域的胰腺脂肪沉积分布与铁沉积分布，可作为二型糖尿病风险的预测指标。
附图说明
48.图1为本发明一实施例的方法流程图。
49.图2为本发明一实施例的3d集成分割网络模型示意图。
50.图3为本发明一实施例的一例肥胖症患者的胰腺脂肪沉积分布及铁沉积分布3d示意图。其中，图3(a)是胰腺脂肪沉积分布图；图3(b)是胰腺铁沉积分布图。
具体实施方式
51.下面结合附图和实施例对本发明进一步说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
52.本发明的实施例如下：
53.如图1所示，首先获取受试者的腹部磁共振多回波数据，提取同相/反相图像后输入如图2所示的神经网络模型。
54.s1、通过磁共振仪器采集腹部的多回波图像；
55.s2、从多回波图像中提取出同相和反相的双模态图像，将双模态图像输入到神经网络模型中获得胰腺分割掩膜；
56.多回波序列单次采集可获得人体腹部的磁共振同相/反相/水/脂肪/质子密度脂肪分数/铁沉积r2*图像，其中的同相图像和反相图像作为双模态图像输入神经网络模型进行训练，神经网络模型获得胰腺分割掩膜后，质子密度脂肪分数图像与铁沉积r2*图像被用来映射取值并计算胰腺脂肪分布与铁沉积分布使用。
57.如图2所示，神经网络模型主要由第一3d高分辨率模型与3d级联模型融合而成，3d级联模型由3d低分辨率模型与第二3d高分辨率模型依次连接而成；
58.融合步骤为：将双模态图像经数据标准化和高分辨率重采样后输入第一3d高分辨率模型，后输出获得第一胰腺分割概率输出结果；同时将双模态图像经数据标准化和低分辨率重采样后输入3d级联模型，首先输入3d低分辨率模型，获得较低分辨率的初步胰腺分割掩膜，将初步胰腺分割掩膜经过高分辨率重采样后作为第三模态与双模态图像一起输入3d级联模型中的第二3d高分辨率模型，后输出获得第二胰腺分割概率输出结果；将第一胰腺分割概率输出结果和第二胰腺分割概率输出结果采用求均值或投票方式进行融合，融合后再进行二值化获得最终胰腺分割掩膜；
59.第一3d高分辨率模型、3d低分辨率模型、第二3d高分辨率模型结构均相同，均包括十一个卷积单元，以其中五个卷积单元依次连接构成输入卷积部分，相邻卷积单元之间设置下采样操作连接，即上一个卷积单元的输出经下采样后输入到下一个卷积单元，以另外五个卷积单元依次连接构成输出卷积部分，相邻卷积单元之间设置反卷积操作连接，即上一个卷积单元的输出经反卷积后输入到下一个卷积单元，输入卷积部分中第i个卷积单元的输出结果和输入卷积部分中第5-i个卷积单元的输出经反卷积后的结果相连接后共同输入到输入卷积部分中第6-i个卷积单元中，i＝1-4；输入卷积部分中第5个卷积单元经下采样连接剩余一个卷积单元，输入卷积部分中第5个卷积单元的输出结果和剩余一个卷积单元的输出经反卷积后的结果相连接后输入到输出卷积部分中第1个卷积单元；输入卷积部分中开始的第1个卷积单元的输入作为模型的输入，输出卷积部分中最后的第5个卷积单元的输出作为模型的输出；每个卷积单元均主要由两个卷积模块依次连接构成，每个卷积模块主要由卷积操作、归一化操作、激活函数依次连接构成。
60.具体实施中，高分辨率重采样至(1.99,0.82,0.82)的分辨率，低分辨率重采样至(2.19,1,11,1.11)的分辨率。
61.在高分辨率重采样和低分辨率重采样之后均可进行采集patch的操作，硬件限制下通过输入高分辨率网络的patch大小为40
×
192
×
224，低分辨率网络的patch大小为56
×
192
×
224。
62.具体实施中，神经网络模型预选采用训练集进行训练，训练时对训练集中的各个图像均进行数据增强处理，数据增强包括了依次进行的随机亮度增强减弱、线性对比度拉伸与非线性对比度拉伸的三种操作，且每种操作均以15％的概率进行设置，并且额外增加了随机亮度增强减弱的调整范围、线性对比度拉伸的范围与非线性对比度拉伸的范围，能够使神经网络模型对多中心数据的适应性增加。
63.s3、将胰腺分割掩膜采用映射方法处理获取胰腺脂肪沉积分布与铁沉积分布；
64.多回波序列单次采集可获得同相/反相/水/脂肪/质子密度脂肪分数/铁沉积r2*图像，直接采取映射的方法，在质子密度脂肪分数图像和铁沉积r2*图像中对应取值，获取胰腺脂肪沉积分布与铁沉积分布。
65.s4、根据胰腺分割掩膜对胰腺划分区域，获得各个胰腺分区域，获得每个胰腺分区域的胰腺脂肪沉积分布与铁沉积分布。
66.通过形态学处理获得胰腺分割掩膜的骨架；
67.计算骨架全长，按照预设比例计算胰头、胰颈、胰体、胰尾范围，对胰腺进行分区获得各个胰腺分区域；具体实施中，按照3.5:3:3.5:3的比例进行分区设置。
68.计算各个胰腺分区域的胰腺脂肪沉积分布与铁沉积分布。
69.如图3展示了实施例的肥胖症患者的胰腺脂肪沉积分布与铁沉积分布的3d可视化界面。其中胰腺胰头的异位脂肪沉积与铁沉积比较明显。