基于外梯度的自适应弥散磁共振微结构模型参数估计方法

本技术涉及磁共振成像优化与数据模型拟合领域，尤其涉及弥散磁共振微结构模型参数模型的参数估计方法、装置及存储介质。

背景技术：

1、弥散磁共振成像(dmri)是一种重要的医学成像工具，能够无创地探测组织微结构，其基于水分子在生物组织中受限弥散的原理。表观弥散系数(adc)是一种常见的计算方法，但对微观结构特性的敏感性较差。因此，先进的生物物理模型，如弥散张量成像(dti)、弥散峰度成像(dki)、神经元方向离散度和密度成像模型(noddi)和其他多室模型，被开发用于表征特定的微结构特性。

2、准确估计微结构特性的模型参数对于诊断具有重要意义。然而，大多数dmri模型由多个数学上复杂且高度非线性的部分组成，传统的优化技术，如最小二乘法，可能会导致估计误差。此外，从数据获取的角度来看，先进的dmri模型需要在q空间中获取多个b值和弥散方向，这既耗时又容易受到运动伪影的影响。因此，需要开发新的方法来准确估计dmri模型参数，以提高诊断的准确性和可靠性。

3、深度学习技术为dmri模型拟合开辟了新的途径。q空间学习的方法是一种利用q空间数据的一个子集来估计dmri模型参数的方法。基于优化的网络是一类常用的办法来解决该问题，在以前的基于优化的方法中，迭代块的数量是经验性选择的。此外，以前的网络结构基于迭代收缩阈值算法(ista)，在稀疏重构期间可能会导致不稳定性。

技术实现思路

1、为了克服现有采集技术时间长、受运动影响大的缺点和深度学习方法不能根据模型和数据特异性建模的缺点，本发明提出了一种基于外梯度的自适应弥散磁共振微结构模型参数模型参数估计方法，该方法借助深度学习方法，结合外梯度投影的数学原理，利用深度神经网络的万能逼近性原理，可以通过少数的q空间数据进行拟合，有效的缩短采集数据所消耗的时间，并且能够比现有的参数估计方法有更小的误差。

2、为了达到上述目的，本发明采用以下技术方案予以实现：

3、一种基于外梯度的自适应弥散磁共振微结构模型参数估计方法，用于估计微结构模型noddi的模型参数，其包括以下步骤：

4、s1、在q空间中对拟合noddi模型所需的不同b值和弥散梯度方向下的弥散磁共振加权图像进行全采样，将全采集到的弥散加权图像中的信号值作为拟合数据，基于最小二乘法对noddi模型进行参数拟合，得到noddi模型的金标准模型参数；

5、s2、在s1中全采样得到q空间数据基础上，从b值和弥散梯度方向中至少一个维度对数据进行降采样获得q空间组合，将q空间组合与金标准模型参数一起构建为缺省q空间的训练数据；利用所述训练数据，将降采样得到的q空间组合作为输入，以s1得到的金标准模型参数作为真值标签，训练基于noddi模型的深度学习网络，训练完毕后得到参数估计模型；

6、所述深度学习网络由基于外梯度的自适应稀疏表示模块和一个参数映射模块级联组成，网络输入为所述q空间组合中以每个待估计体素为中心的图像块；所述自适应稀疏表示模块中含有若干个级联的稀疏表示单元，单元数量由自适应机制决定，各稀疏表示单元对网络输入反复迭代后输出待估计体素对应的稀疏表示，所述参数映射模块对输入的该稀疏表示进行映射，得到模型参数估计值；

7、s3、获取待估计对象按照所述q空间组合采集的弥散磁共振加权图像，并输入训练完毕的参数估计模型中，估计得到noddi模型的模型参数。

8、作为优选，所述s1中，所述的noddi模型如下所示：

9、a＝(1-viso)(vicaic+(1-vic)aec)+visoaiso

10、式中：a是归一化扩散信号，定义为a＝ab/a0，其中ab是扩散加权信号，a0是非扩散加权信号；vic和viso是细胞内室和脑脊液室的体积分数；aic、aec和aiso代表来自细胞内、细胞外和脑脊液室的信号贡献。

11、作为优选，所述s2中，训练数据中的每一个样本均包含一个体素x的输入数据组合以及该体素x对应的模型参数真值标签，体素x的输入数据组合由所述q空间组合中每个b值和每个弥散梯度方向对应的数据组成，且每一个数据均由q空间中以该体素x为中心的图形块内每一个体素的归一化弥散加权信号ab/a组成。

12、作为优选，所述q空间组合中的数据数量优选为不小于24。

13、作为优选，所述s2中，基于noddi模型的深度学习网络结构如下：

14、所述自适应稀疏表示模块中，对于输入的q空间组合y，将其依次通过不同稀疏表示单元，所有稀疏表示单元共享网络参数，每个稀疏表示单元进行一次稀疏表示和中间表示的迭代；第n次迭代中产生的稀疏表示xn和中间表示cn作为第n+1次迭代的输入，第n个稀疏表示单元中的迭代分为两个子单元：

15、在第一子单元中，接收原始输入的q空间组合y、上一次迭代中产生的稀疏表示xn和中间表示cn作为子单元输入，q空间组合y经过第一全连接层得到编码结果、稀疏表示xn、稀疏表示xn经过第二全连接层的编码结果相加得到第一编码数据xn通过第三全连接层后的编码结果和q空间组合y通过第四全连接层后的编码结果相加后再通过第一激活层得到第二编码数据xn通过第五全连接层后的编码结果和q空间组合y通过第六全连接层后的编码结果相加后再通过第二激活层得到第三编码数据随后将第二编码数据与中间表示cn的乘积、第三编码数据与第一编码数据的乘积进行相加，得到第一子单元输出的中间表示中间表示通过实现非线性算子功能的第一阈值层后得到第一子单元输出的稀疏表示

16、在第二子单元中，接收原始输入的q空间组合y、上一次迭代中产生的稀疏表示xn、第一子单元输出的稀疏表示和中间表示作为子单元输入，q空间组合y经过第七全连接层得到编码结果、稀疏表示xn、稀疏表示经过第八全连接层的编码结果相加得到第四编码数据经通过第九全连接层后的编码结果和q空间组合y通过第十全连接层后的编码结果相加后再通过第三激活层得到第五编码数据fn+1，经通过第十一全连接层后的编码结果和q空间组合y通过第十二全连接层后的编码结果相加后再通过第四激活层得到第六编码数据gn+1；随后将第五编码数据fn+1与中间表示的乘积、第六编码数据gn+1与第四编码数据的乘积进行相加，得到第二子单元输出的中间表示cn+1；中间表示cn+1通过实现非线性算子功能的第二阈值层后得到第二子单元输出的稀疏表示xn+1；第n次迭代产生的中间表示cn+1和稀疏表示xn+1继续输入下一次迭代中。

17、作为优选，所述第一激活层、第二激活层、第三激活层、第四激活层均采用sigmoid激活函数。

18、作为优选，所述参数映射模块由多层全连接层级联而成，其输入为最后一次迭代产生的稀疏表示xn，输出为待估计体素对应的稀疏表示。

19、作为优选，所述第一阈值层和第二阈值层中实现非线性算子功能为对输入的中间表示进行阈值过滤，若中间表示中的元素值的绝对值小于预先设定的阈值时，将这个元素值设为0，否则保持元素值不变。

20、作为优选，所述s2中，通过自适应机制决定自适应稀疏表示模块中稀疏表示单元数量的方法为：

21、先设定初始单元数量为1，然后训练基于noddi模型的深度学习网络，利用训练完毕后得到的参数估计模型在验证集上进行测试，当验证集的误差大于设定误差t1且当前的单元数量不大于给定最大单元数量t2时，需要增加1个稀疏表示单元，然后重新进行网络的训练和测试，直至验证集误差小于设定误差t1或当前的单元数量大于t2时停止网络的优化，输出最新训练完毕的参数估计模型。

22、作为优选，所述s2中，所述深度学习网络在训练时，每一个训练批次均通过最小化总损失函数进行网络参数优化，所述总损失函数为每一个训练批次中所有输入样本的损失函数值之和，每一个输入样本的损失函数由输出的模型参数估计结果与真值标签的绝对误差如下所示：

23、

24、其中，[vic,viso,od]为模型参数中三个参数的金标准值，其中od是所述noddi模型中的方向离散指数，为深度学习网络输出的模型参数中三个参数估计值。

25、作为优选，所述s3中，针对待估计对象，按照所述q空间组合中所含的b值和弥散梯度方向采集弥散磁共振加权图像，并输入训练完毕后得到的参数估计模型中，按照与样本相同的方式由参数估计模型输出noddi模型的模型参数估计值。

26、相对于现有技术，本发明具有以下有益效果：

27、本发明提供了一种基于外梯度的自适应noddi模型参数估计方法，可以仅通过少数q空间数据即能达到密集采样的q空间数据的参数拟合效果，在实际的操作中具有缩短采集时间的作用。并且由于先进的弥散磁共振成像在数学上往往是复杂且高度非线性的模型，用最小二乘法等传统的优化技术对其进行拟合时容易产生估计误差，造成错误的判断。同时由于传统的优化算法是基于迭代的优化方法，需要较长的时间来进行迭代。本发明在结合传统的弥散磁共振模型拟合方法和深度学习方法，将noddi模型的迭代求解过程转化为深度学习网络。该方法能够在有效减少q空间数据的同时，减少在求解特征参数时所需要的时间。相较于q空间的深度学习方法，本方法不仅在拟合的准确率上有较大提升，能够降低计算消耗能够根据模型和数据来进行灵活地建模，从而为弥散磁共振成像技术的发展带来了新的前景。