基于神经网络的磁共振成像测温方法及装置与流程

本发明涉及磁共振成像技术领域，尤其是涉及一种基于神经网络的磁共振成像测温方法及装置。

背景技术：

在mri(magneticresonanceimaging，磁共振成像)测温过程中，t1(纵向弛豫时间)测温方法受运动影响较小，并且容易在临床上实现。然而，t1测温方法有以下不足：t1弛豫时间和温度之间的依赖关系跟组织类型有关。当前，使用该方法对组织进行测温之前需要做一个校准实验来计算组织的热敏感系数。相比于其他测温方法，t1测温方法的实现往往包含校准实验和测温实验两个过程，这种额外的操作(也即校准热敏感系数过程)在实际应用中非常不方便。此外，t1弛豫时间和温度之间的相互关系存在非线性成分，非线性假设相比之前的线性假设也许更适合t1测温模型。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于bp神经网络的mri测温方法及装置，以缓解现有技术中存在的t1测温方法的实现往往包含校准实验和测温实验两个过程，这种额外的操作(也即校准热敏感系数过程)在实际应用中是非常不方便的技术问题。

第一方面，本发明实施例提供了一种基于神经网络的磁共振成像测温方法，其中，包括：

采集仿体在多个温度范围内的温度值，并采集所述仿体在所述温度范围内经磁共振机器扫描得到的t1加权图像；

基于所述温度值和所述t1加权图像的信号强度，确定所述仿体的温度改变均值和所述仿体的信号强度改变均值；

将预设时刻的所述仿体的信号强度改变均值确定为初始信号强度均值；

选取第一温度范围内的温度改变均值、初始信号强度均值和信号强度改变均值作为训练数据；

根据所述训练数据训练bp神经网络，得到t1测温的非线性关系；

基于所述非线性关系预测第二温度范围内的温度值，其中，所述第二温度范围内的温度值高于所述第一温度范围内的温度值。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述采集仿体在多个温度范围内的温度值，并采集所述仿体在所述温度范围内经磁共振机器扫描得到的t1加权图像的步骤，包括：

采集所述仿体在第一预设温度范围内的温度值和t1加权图像；

采集所述仿体在第二预设温度范围内的温度值和t1加权图像，所述第二预设温度高于第一预设温度范围。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述基于所述温度值和所述t1加权图像的信号强度，确定所述仿体的温度改变均值和所述仿体的信号强度改变均值的步骤，包括：

在多个温度变化范围内确定感兴趣区，并提取所述感兴趣区内不同时刻的温度值和t1加权图像的信号强度；

根据提取到的温度值和t1加权图像的信号强度，确定所述温度改变均值和所述仿体的信号强度改变均值。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述bp神经网络的输入为初始信号强度均值和信号强度改变均值，所述bp神经网络的输出为温度改变均值。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述根据所述训练数据训练bp神经网络的步骤，包括：

初始化所述bp神经网络的参数；

将所述训练数据输入至所述bp神经网络，计算所述bp神经网络中各网络层的输出结果；

根据所述bp神经网络各网络层的输出结果，计算所述bp神经网络的网络输出误差；

若所述网络输出误差未达到目标误差，则调整所述参数，以调整所述网络输出误差，直到所述网络输出误差达到所述目标误差时训练结束。

结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述bp神经网络包括通过转移函数联系的输入层、隐藏层和输出层；其中，所述转移函数包括单极性的sigmoid函数。

第二方面，本发明实施例还提供一种基于神经网络的磁共振成像测温装置，其中，包括：

采集模块，用于采集仿体在多个温度范围内的温度值，并采集所述仿体在所述温度范围内经磁共振机器扫描得到的t1加权图像；

第一确定模块，用于基于所述温度值和所述t1加权图像的信号强度，确定所述仿体的温度改变均值和所述仿体的信号强度改变均值；

第二确定模块，用于将预设时刻的所述仿体的信号强度改变均值确定为初始信号强度均值；

选取模块，用于选取第一温度范围内的温度改变均值、初始信号强度均值和信号强度改变均值作为训练数据；

训练模块，用于根据所述训练数据训练bp神经网络，得到t1测温的非线性关系；

预测模块，用于基于所述非线性关系预测第二温度范围内的温度值，其中，所述第二温度范围内的温度值高于所述第一温度范围内的温度值。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现第一方面所述的方法。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行第一方面所述方法。

本发明实施例带来了以下有益效果：本发明实施例先采集仿体在多个温度范围内的温度值，并采集仿体在温度范围内经磁共振机器扫描得到的t1加权图像；然后基于温度值和t1加权图像的信号强度，确定仿体的温度改变均值和仿体的信号强度改变均值；再将预设时刻的仿体的信号强度改变均值确定为初始信号强度均值；选取低温区间范围内的温度改变均值、初始信号强度均值和信号强度改变均值作为训练数据；根据训练数据训练bp神经网络，得到t1测温的非线性关系；基于非线性关系预测高温区间范围内的温度值。本发明实施例可以通过训练bp神经网络得到非线性t1的测温模型，并且基于仿体在低温区间范围内训练好的bp神经网络和在高温区间范围内的信号强度改变均值预测仿体在高温区间范围内的温度值，在一个实验中同时完成热敏感系数校准过程和测温过程，缩短整个实验时间，从而推进t1测温方法的临床应用。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于神经网络的磁共振成像测温方法流程图；

图2为本发明实施例提供的训练bp神经网络的方法流程图；

图3为本发明实施例提供的基于神经网络的磁共振成像测温装置结构示意图。

图标：

11-采集模块；12-第一确定模块；13-第二确定模块；14-选取模块；15-训练模块；16-预测模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，t1测温方法的实现往往包含校准实验和测温实验两个过程，这种额外的操作(也即校准热敏感系数过程)在实际应用中非常不方便，基于此，本发明实施例提供的一种基于神经网络的磁共振成像测温方法及装置，可以通过训练bp神经网络得到非线性的t1测温模型，并且基于仿体在低温区间范围内训练好的t1测温模型和在高温区间范围内的信号强度改变均值预测仿体在高温区间范围内的温度值，在一个实验中同时完成热敏感系数校准过程和测温过程，缩短整个实验时间，从而推进t1测温方法的临床应用。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于神经网络的磁共振成像测温方法进行详细介绍。

实施例一：

参照图1，本发明实施例提供一种基于神经网络的磁共振成像测温方法，其中，方法包括以下步骤：

步骤s101，采集仿体在多个温度范围内的温度值，并采集仿体在温度范围内经磁共振机器扫描得到的t1加权图像；

步骤s102，基于温度值和t1加权图像的信号强度，确定仿体的温度改变均值和仿体的信号强度改变均值；

步骤s103，将预设时刻的仿体的信号强度改变均值确定为初始信号强度均值；

步骤s104，选取第一温度范围内的温度改变均值、初始信号强度均值和信号强度改变均值作为训练数据；

步骤s105，根据训练数据训练bp神经网络，得到t1测温的非线性关系；

步骤s106，基于非线性关系预测第二温度范围内的温度值，其中，第二温度范围内的温度值高于第一温度范围内的温度值。

在本发明实施例中，仿体包括但不限于仿肝脏组织、离体组织和活体组织的仿体。预设时刻可以指每次实验的最低温度时刻。本发明实施例采用仿肝脏组织的琼脂凝胶仿体，其中，琼脂凝胶仿体是由质量比3.8％的琼脂粉放入浓度为0.5g/l的cuso4溶液中，经过加热煮沸，调匀后置于自制的底面积为8cm×8cm、高为15cm的长方体塑料容器中静置3小时自然冷却后形成的。琼脂粉可以加强仿体的强度，使仿体成为没有流动性的胶状，避免在实验中产生由热传导引起的流动伪影。磁共振机器可以采用flash(fastlow-angleshot，快速小角度扫描)序列，参数如下：tr/te＝30.0/2.84ms，层数＝5，层厚＝2.0mm，fov＝220mm×220mm，averages＝1，翻转角＝70o，矩阵＝128×128，patmode：grappa，加速因子＝2，时长＝7s。

本发明实施例可以利用琼脂凝胶仿体进行t1测温实验，利用激光设备(980nm，20w)加热琼脂凝胶仿体，使用磁兼容的光纤测温计检测温度。临床应用的温度监控要求尽可能的接近实时性，至少几秒量级。然而，当前的t1获取技术并未达到如此速度。一种比较捷径的办法为直接利用t1wi图像(t1weightedimage，t1加权图像)进行t1测温，由于tiwi图像的信号强度改变均值和温度改变均值之间的关系与t1弛豫时间和温度改变均值之间的关系相似，因此，可以利用t1wi图像信号强度来代替t1弛豫时间进行有效地温度成像。

进一步的，步骤s101可以包括：

采集仿体在第一预设温度范围内的温度值和t1加权图像；

采集仿体在第二预设温度范围内的温度值和t1加权图像，第二预设温度高于第一预设温度范围。

本发明进行了两次测试实验，将实验一的温度范围设置为[35℃，68℃]，实验二的温度范围为[31℃，65℃]。

实验一：先将仿体的初始温度设置为室温，若室温为25℃，则仿体的初始温度为25℃。激光加热仿体，仿体从初始温度升温到35℃时，磁共振机器开始连续扫描，每次扫描结束时记录测温计的示数，直至仿体温度升至68℃，停止激光加热和磁共振机器扫描，实验一共采集169组数据，每组数据包括磁共振机器采集的加权图像和测温计显示的温度值。

实验二：将仿体的初始温度设置为68℃，仿体从初始温度开始降温到65℃时，磁共振机器开始连续扫描，每次扫描结束时记录测温计的示数，直至仿体降温至31℃，停止磁共振机器扫描，实验二共采集112组数据，每组数据包括磁共振机器采集的加权图像和测温计显示的温度值。

进一步的，步骤s102可以包括：

在多个温度变化范围内确定感兴趣区，并提取感兴趣区内不同时刻的温度值和t1加权图像的信号强度。

在本发明实施例中，感兴趣区(regionofinterest，roi)的范围可以调整，感兴趣区包含了测温探头最邻近的像素。

根据提取到的温度值和t1加权图像的信号强度，确定温度改变均值和仿体的信号强度改变均值。

在本发明实施例中，温度值一般指绝对温度，例如：人体的一般正常温度是37℃，水的沸点温度是100℃等。然而，t1测温方法需要检测的是相对温度的变化，而不是绝对温度的变化。根据绝对温度可以得到相对温度，即选择某一个时间点的绝对温度为基准，任意时刻的相对温度是指该时刻的绝对温度减去基准的差值。因此，本发明实施例需要根据温度值确定温度改变均值，根据加权图像的信号强度确定信号强度改变均值，具体的，选择每次实验的最低温度时刻作为基准，将感兴趣区内最低温度时刻的加权图像确定为信号强度基准，即为初始信号强度均值，将感兴趣区内最低温度时刻的温度值确定为温度基准，根据信号强度基准和温度基准，提取感兴趣区内不同时间点的信号强度改变均值和温度改变均值。

由于人体温度一般是37℃，而生物组织细胞一般在温度加热到50℃时开始发生凝固变化，随着温度继续升高，组织开始坏死。换句话说，对于临床医生而言，在肿瘤消融手术过程中，37℃-50℃的温度变化过程并不是主要关注的，50℃以后才是真正需要温控的过程。如果一个热治疗过程的温度范围是37℃-65℃，可以37℃-50℃看成是低温区间，50℃-65℃看成是高温区间(治疗更关注的部分)。然后，利用bp神经网络算法训练低温区间的数据获得非线性的t1测温模型，并以此结果来预测高温区间的温度。

进一步的，bp神经网络的输入为初始信号强度均值和信号强度改变均值，bp神经网络的输出为温度改变均值。

进一步的，bp神经网络包括通过转移函数联系的输入层、隐藏层和输出层；其中，转移函数包括单极性的sigmoid函数。

本发明实施例设定bp神经网络的输入为初始信号强度均值和信号强度改变均值，bp神经网络的输出为温度改变均值。其中，初始信号强度均值可以为基准信号强度均值。bp算法包括正向信息传播与反向误差传播两个组成部分。正向传播主要途径方向是输入层-隐藏层-输出层，下一层的神经元受上一层神经元状态的影响。如果输出层的结果和期望目标有之间不一致，则计算误差并反向沿原始途径输出层-隐藏层-输入层传播回去。整个算法的核心就是根据误差不断修正每层神经元的权重值，以期输出结果达到期望目标。bp神经网络一般包含三层或三层以上的神经网络：输入层，隐藏层(可以是多层)和输出层。最简单的并且应用最多的模型就是三层网络(单隐层)，这也是本发明实施例使用的网络模型。在神经网络中，层和层之间依靠转移函数来联系，由于本发明实施例主要目的是利用bp神经网络研究t1wi图像的信号强度改变均值和温度改变均值之间的非线性关系，因此转移函数选择非线性的sigmoid函数。

进一步的，步骤s104包括：

具体实现来说，使用上述两次实验数据(温度范围30℃-70℃)进行bp神经网络分析。在本发明实施例中，低温区间范围和高温区间范围的大小可调整。由于两次数据采集的均匀性并不一致，为了保证使用的训练集数据样本大小尽量相近，所以两次数据处理选择的低温区间是不一样的。需要说明的是，整个研究使用的训练数据所阐述的低温区间都是相对于预测数据的温度而言，并非要求低于某个临界绝对温度才算低温。示例性的，第一次数据训练集采用100个数据点，温度范围36℃到60℃；预测数据点69个，温度范围61℃-68℃。第二次数据训练集采用80个数据点，温度范围31℃到45℃；预测数据点32个，温度范围46℃-65℃。使用低温区间感兴趣区内的基准信号强度均值和信号强度改变均值作为输入变量，对应的温度改变均值作为目标期望，通过使用bp神经网络分析方法来探索t1测温的非线性关系，并用来预测高温区间数据点的温度值，以期在一个实验中同时完成热敏感系数校准过程和测温过程。

进一步的，参照图2，步骤s105可以包括：

步骤s201，初始化所述bp神经网络的参数；

在本发明实施例中，初始化权重矩阵w、v、误差e、训练计数器和样本计数器，可以设定：目标误差eg＝0.001，训练次数＝1000，学习率＝0.05。

步骤s202，将训练数据输入至bp神经网络，计算bp神经网络中各网络层的输出结果；

步骤s203，根据bp神经网络各网络层的输出结果，计算bp神经网络的网络输出误差；

在本发明实施例中，不同配对的训练样本对应不同的误差，计算网络输出误差时，利用所有误差的均方根作为网络输出误差。

步骤s204，若网络输出误差未达到目标误差，则调整参数，以调整所述网络输出误差，直到网络输出误差达到目标误差时训练结束。

在本发明实施例中，按照以上训练bp算法的步骤执行，可以得到一系列温度预测值，然后通过和测温计检测的温度改变均值做差来比较温度预测值和测温计温度的差异性。

本发明实施例主要是将bp神经网络算法用于t1测温方法上。实际上，对于其他测温方法，比如质子共振频率测温，如果加权图像中的信号强度改变均值和温度改变均值在相当大的温度范围内存在一定的依赖关系，都可以使用本发明实施例中的bp神经网络算法思想，即利用一定量的低温区间数据为训练集预测高温区间数据点的温度。另外，本研究主要使用的实验材料是仿肝脏组织的仿体，其他的离体组织或者活体组织也可以用来进行此算法的研究。

在本发明实施例中，使用bp神经网络模型证明利用低温区间数据预测高温区间数据的温度方案的可行性。bp神经网络算法可以一次性完成热敏感系数校准和测温两个过程，不需要再做预实验，这很大程度上提高了t1测温方法的使用效率。在两组数据中，利用bp神经网算法通过低温区间数据获得信号强度改变均值和温度改变均值之间的非线性关系都可以有效地预测高温区间数据的温度，并且预测的准确率随时间的推移会下降。所以，bp神经网络在磁共振测温的实际应用时，训练数据集不应该是固定不变的，刚开始的训练数据尽可能在低温时扫描更多的数据，在随后的预测过程中，训练数据集应该随着计算的温度图像增多而增加。

本发明实施例带来了以下有益效果：本发明实施例先采集仿体在多个温度范围内的温度值，并采集仿体在温度范围内经磁共振机器扫描得到的t1加权图像；然后基于温度值和t1加权图像的信号强度，确定仿体的温度改变均值和仿体的信号强度改变均值；再将预设时刻的仿体的信号强度改变均值确定为初始信号强度均值；选取低温区间范围内的温度改变均值、初始信号强度均值和信号强度改变均值作为训练数据；根据训练数据训练bp神经网络，得到t1测温的非线性关系；基于非线性关系预测高温区间范围内的温度值。本发明实施例可以通过训练bp神经网络得到非线性t1的测温模型，并且基于仿体在低温区间范围内训练好的bp神经网络和在高温区间范围内的信号强度改变均值预测仿体在高温区间范围内的温度值，在一个实验中同时完成热敏感系数校准过程和测温过程，缩短整个实验时间，从而推进t1测温方法的临床应用。

实施例二：

参照图3，本发明实施例提供一种基于神经网络的磁共振成像测温装置，该装置可以包括：

采集模块11，用于采集仿体在多个温度范围内的温度值，并采集仿体在温度范围内经磁共振机器扫描得到的t1加权图像；

第一确定模块12，用于基于温度值和t1加权图像的信号强度，确定仿体的温度改变均值和仿体的信号强度改变均值；

第二确定模块13，用于将预设时刻的仿体的信号强度改变均值确定为初始信号强度均值；

选取模块14，用于选取第一温度范围内的温度改变均值、初始信号强度均值和信号强度改变均值作为训练数据；

训练模块15，用于根据训练数据训练bp神经网络，得到t1测温的非线性关系；

预测模块16，用于基于非线性关系预测第二温度范围内的温度值，其中，第二温度范围内的温度值高于第一温度范围内的温度值。

在本发明的又一实施例中，还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法实施例所述方法的步骤。

在本发明的又一实施例中，还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行方法实施例所述方法。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本发明实施例所提供的基于神经网络的磁共振成像测温方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。