一种提升低场磁共振成像对比度的方法及系统与流程

1.本发明涉及图像处理技术领域，尤其涉及一种提升低场磁共振成像对比度的方法及系统。


背景技术：

2.磁共振成像(mri)是根据有磁距的原子核在磁场作用下，能产生能级间的跃迁的原理而采用的一项新检查技术。mri是通过体外高频磁场作用，由体内物质向周围环境辐射能量产生信号实现的，成像过程与图像重建和ct相近，只是mri既不靠外界的辐射、吸收与反射，也不靠放射性物质在体内的γ辐射，而是利用外磁场和物体的相互作用来成像，高能磁场对人体无害。
3.低场磁共振一般是指场强低于一定数值(如0.5t)的磁共振成像，相比于高场磁共振，低场磁共振的检查费用低，且易于普及，但是在低场强下，不同组织(例如脑灰质和脑白质)的对比度会有一定的下降，导致难以区分，这对疾病诊断和数据分析带来了一定的困难。
4.现有技术中是通过根据低场磁共振图像中生成高场磁共振图像，但这种方法需要采集成对的低场磁共振图像和高场磁共振图像，其成本较高；或者根据高场磁共振图像仿真出低场磁共振图像，但是仿真图像和真实图像难以避免的有不一致性，容易引入偏差。


技术实现要素：

5.为了解决以上技术问题，本发明提供了一种提升低场磁共振成像对比度的方法及系统。
6.本发明所解决的技术问题可以采用以下技术方案实现：
7.一种提升低场磁共振成像对比度的方法，包括：
8.步骤s1，采集多对比度的低场磁共振数据，所述低场磁共振数据包括t1加权图像、t2加权图像；
9.步骤s2，根据所述t1加权图像和所述t2加权图像预测得到t1图、t2图和质子密度图；
10.步骤s3，对预测得到的所述t1图和所述t2图的进行对比度增强处理，且所述质子密度图的对比度不变；
11.步骤s4，将所述质子密度图与对比度增强后的所述t1图、所述t2图进行合成得到相应的对比度图像，并进行展示。
12.优选地，所述步骤s2中，具体包括：
13.将所述低场磁共振数据输入至一预先训练得到的神经网络模型中，所述神经网络模型根据所述t1加权图像和所述t2加权图像进行预测，得到所述t1图、所述t2图和所述质子密度图。
14.优选地，还包括：提供一神经网络框架，对所述神经网络框架进行训练，以得到所
述步骤s2中的所述神经网络模型，其中，所述神经网络框架的输入为合成的所述对比度图像，所述神经网络框架的输出为所述t1图、所述t2图和所述质子密度图。
15.优选地，所述步骤s2中，所述神经网络模型根据所述t1加权图像和所述t2加权图像逆向求得所述t1图、所述t2图和所述质子密度图。
16.优选地，所述神经网络框架至少包括卷积神经网络、深度自注意力变换网络或全连接网络中的任意一种。
17.优选地，所述步骤s3中，进行对比度增强处理的方法至少包括线性变化、伽马变换、直方图均衡化算法、或限制对比度自适应直方图均衡算法中的任意一种。
18.优选地，所述步骤s4中，利用bloch方程进行所述质子密度图与对比度增强后的所述t1图、所述t2图的合成。
19.优选地，所述步骤s4中，通过调整回波时间和/或重复时间，以调整合成的所述对比度图像中所述t1图、所述t2图的权重。
20.本发明还提供一种提升低场磁共振成像对比度的系统，用于实施如上述的提升低场磁共振成像对比度的方法，包括：
21.采集单元，用于采集多对比度的低场磁共振数据，所述低场磁共振数据包括t1加权图像、t2加权图像；
22.处理单元，连接所述采集单元，用于根据所述t1加权图像和所述t2加权图像预测得到t1图、t2图和质子密度图；
23.对比度增强处理单元，连接所述处理单元，用于对预测得到的所述t1图和所述t2图的进行对比度增强处理，且所述质子密度图的对比度不变；
24.合成单元，连接所述对比度增强处理单元，用于将所述质子密度图与对比度增强后的所述t1图、所述t2图进行合成得到相应的对比度图像，并进行展示。
25.优选地，所述合成单元还包括：调整模块，用于调整回波时间和/或重复时间。
26.本发明技术方案的优点或有益效果在于：
27.本发明能够提升低场强下的磁共振图像中不同组织的对比度，进而改善图像的视觉观感和诊断难度，提高诊断准确率。
附图说明
28.图1为本发明较佳实施例中，一种提升低场磁共振成像对比度的方法的流程示意图；
29.图2为本发明较佳实施例中，一种提升低场磁共振成像对比度的系统的结构框图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动的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。
31.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
32.下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
33.相比于高场磁共振成像，在低场强下各个不同解剖结构(例如脑部灰质和白质)的t1和t2的相对差异缩小，这是导致低场磁共振的对比度下降的核心原因；另外，在医学诊断过程中主要是依靠t1和t2来判断某一区域是正常组织还是异常组织，不会过多关注质子密度，因此本发明实施例需要增大的是t1和t2的差别，而质子密度永远不会因为场强而发生改变，也不被任何对比度提升算法改变。
34.现有技术中，若直接设计对比度提升算法，使该算法能够直接在t1加权图像或者t2加权图像上进行对比度提升，那么可能会存在某个区域的组织由于质子密度变化较大而具有较好的对比度，从而使得该算法误以为该区域的对比度无需提升，但是实际上，该t1加权图像或者t2加权图像所体现的t1和t2的对比度并不足，对疾病诊断和数据分析具有一定的困难。
35.本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种提升低场磁共振成像对比度的方法，属于图像处理技术领域，如图1所示，包括：
36.步骤s1，采集多对比度的低场磁共振数据，低场磁共振数据包括t1加权图像、t2加权图像；
37.具体的，首先，采集t1加权图像(t1-weighted images)和t2加权图像(t2-weighted images)，其中，t1加权图像可以使用2d自旋回波(spin echo)序列、或mprage序列、或2d flash序列或3d flash序列采集得到；t2加权图像可以使用2d自旋回波(spin echo)序列、或3d自旋回波序列采集得到。
38.进一步的，上述低场磁共振数据还可包括flair、dwi等序列中的一种或几种图像数据。其中，flair可以采用2d或3d的反转恢复序列采集得到；dwi可以使用2d或3d的epi序列采集得到。
39.步骤s2，根据t1加权图像和t2加权图像预测得到t1图、t2图和质子密度图；
40.具体的，上述t1加权图像、t2加权图像的信号是质子密度图的函数，具体函数由采集序列决定。例如，若步骤s1中的t1加权图像、t2加权图像采用2d自旋回波(spin echo)序列采集，spin echo序列的公式为：
41.s＝k
·
[h]
·
(1-e-tr/ti
)
·
e-te/t2
；
[0042]
其中，k表示比例因子；
[0043]
h表示自旋质子密度；
[0044]
tr表示重复时间；
[0045]
te表示回波时间；
[0046]
t1表示纵向磁化矢量弛豫时间；
[0047]
t2表示横向磁化矢量弛豫时间；
[0048]
s表示spinecho序列的总信号强度。
[0049]
根据上述公式，理论上可从t1加权图像、t2加权图像中逆向求出质子密度图。本发明实施例中也可采用其他现有的采集序列进行t1加权图像、t2加权图像的采集，其均可以从t1加权图像、t2加权图像中逆向求解出逆向求出质子密度图
[0050]
步骤s3，对预测得到的t1图和t2图的进行对比度增强处理，且质子密度图的对比度不变；
[0051]
作为优选的实施方式，其中，步骤s3中，进行对比度增强处理的方法至少包括线性变化、伽马变换、直方图均衡化算法、或限制对比度自适应直方图均衡算法(contrast limited adaptive histogram equalization.，clahe)中的任意一种。
[0052]
需要注意的是，t1图(t1 maps)、t2图(t2 maps)和质子密度图(pd maps)是定量的物理参数估计，而t1加权图像(t1 weighted images)和t2加权图像(t2 weighted images)是非定量的测量，其图像的像素亮度分别主要反映了t1和t2的分布，还混杂了质子密度等其他因素。
[0053]
步骤s4，将质子密度图与对比度增强后的t1图、t2图进行合成得到相应的对比度图像，并进行展示。
[0054]
作为优选的实施方式，其中，步骤s4中，利用bloch方程进行质子密度图与对比度增强后的t1图、t2图的合成。
[0055]
作为优选的实施方式，其中，步骤s4中，通过调整回波时间和/或重复时间，以调整合成的对比度图像中t1图、t2图的权重。
[0056]
具体的，通过合成新的加权图并展示给医护人员，以辅助其进行诊断。优选的，可利用现有的bloch方程进行质子密度图和t1图、t2图的合成。进一步的，合成的新的加权图可与步骤s1中采集的低场磁共振数据的图像相匹配，即纵向磁化矢量弛豫时间t1、横向磁化矢量弛豫时间t2的权重与步骤s1中的一致，相当于使用合成后的对比度图像替代步骤s1中采集的低场磁共振数据以展示给医护人员，相比步骤s1采集的图像，合成的新的加权图其对比度有所提升。
[0057]
进一步的，还可调整成不同的重复时间tr、回波时间te，以调整t1、t2的权重，通过额外合成其他加权图像来辅助医生诊断，提高诊断的准确率。
[0058]
作为优选的实施方式，其中，步骤s2中，具体包括：
[0059]
将低场磁共振数据输入至一预先训练得到的神经网络模型中，神经网络模型根据t1加权图像和t2加权图像进行预测，得到t1图、t2图和质子密度图。
[0060]
具体的，由于从t1加权图像、t2加权图像中逆向求出质子密度图的求逆的过程比较困难，一般需要有先验信息的约束，本发明实施例基于深度学习技术实现，通过神经网络模型预测对应的t1图(t1 maps)、t2图(t2 maps)和质子密度图(proton density maps，pd maps)，简化了计算过程。
[0061]
作为优选的实施方式，其中，还包括：提供一神经网络框架，对神经网络框架进行训练，以得到步骤s2中的神经网络模型，其中，神经网络框架的输入为合成的对比度图像，神经网络框架的输出为t1图、t2图和质子密度图。
[0062]
作为优选的实施方式，其中，步骤s2中，神经网络模型根据t1加权图像和t2加权图像逆向求得t1图、t2图和质子密度图。
[0063]
进一步的，神经网络模型的训练过程如下：
[0064]
首先合成训练数据，在解剖模型中创建大量不同的t1图、t2图和质子密度图。其中，解剖模型可以采用现有的数据库模拟，例如模拟大脑数据库(brain web)；
[0065]
为每张图中的不同解剖结构，例如脑部区域可分为白质、灰质和脑脊液，赋予符合当前场强下的合理值，且在一定范围内随机分布；
[0066]
对t1图、t2图和质子密度图进行随机拉伸、压缩、扭曲等变形处理，以模拟不同人
的解剖差异；
[0067]
通过bloch方程将t1图、t2图和质子密度图合成步骤s1中的低场磁共振数据中的多对比度图像；
[0068]
使用合成的多对比度图像作为神经网络框架的输入(沿着通道方向连接)，t1图、t2图和质子密度图作为神经网络框架的输出(沿着通道方向连接)，训练得到神经网络模型。
[0069]
作为优选的实施方式，其中，神经网络框架至少包括卷积神经网络、深度自注意力变换网络或全连接网络中的任意一种。
[0070]
具体的，在本实施例中，该神经网络框架可使用卷积神经网络，例如经典的resnet50架构，也可以使用transformer网络，例如swin-transformer，还可以使用以全连接网络为主的结构，例如automap。
[0071]
进一步的，神经网络模型可采用adam或rmsprop优化器，采用l1范数、l2范数作为神经网络模型的损失函数，或者也可以使用l1范数和l2范数的加权和作为损失函数。
[0072]
本发明还提供一种提升低场磁共振成像对比度的系统，用于实施如上述的提升低场磁共振成像对比度的方法，如图2所示，包括：
[0073]
采集单元1，用于采集多对比度的低场磁共振数据，低场磁共振数据包括t1加权图像、t2加权图像；
[0074]
处理单元2，连接采集单元1，用于根据t1加权图像和t2加权图像预测得到t1图、t2图和质子密度图；
[0075]
对比度增强处理单元3，连接处理单元2，用于对预测得到的t1图和t2图的进行对比度增强处理，且质子密度图的对比度不变；
[0076]
合成单元4，连接对比度增强处理单元3，用于将质子密度图与对比度增强后的t1图、t2图进行合成得到相应的对比度图像，并进行展示。
[0077]
作为优选的实施方式，其中，合成单元4还包括：调整模块41，用于调整回波时间和/或重复时间。
[0078]
采用本发明技术方案具有如下优点或有益效果：本发明能够提升低场强下的磁共振图像中不同组织的对比度，进而改善图像的视觉观感和诊断难度，提高诊断准确率。
[0079]
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。